言語AIガイド
トランスフォーマー
トランスフォーマーは、注意を使用してシーケンス全体の情報を結合するニューラル ネットワーク アーキテクチャです。
このガイドを聴くAIによるナレーション · ~2 min
概要
これは、多くの言語モデルとマルチモーダル モデルの基礎となっています。このアーキテクチャは、表現を処理する方法を提供します。それ自体では事実性、理解、安全な行動を確立するものではありません。
主なポイント
- 注意は、さまざまな立場の情報を組み合わせます。
- アーキテクチャのバリアントは、さまざまなトレーニング目的に役立ちます。
- ロングコンテキスト機能には、タスク固有のテストが必要です。
ディープダイブ
アテンションは、ある位置が他の位置からどれだけの情報を取得する必要があるかを計算します。一般的な定式化では、学習された投影によってクエリ、キー、および値が生成されます。クエリキーの比較により、値を結合するために使用される重みが決定されます。複数のアテンションヘッドを使用すると、レイヤー内でそのような組み合わせをいくつか行うことができます。トランス層には、フィードフォワード ネットワーク、正規化、残留接続などの他の操作も含まれます。単語やその他のシーケンス要素の順序が重要であるため、位置情報が必要です。特定の実装は、位置を表す方法とこれらの操作を配置する方法が異なります。オリジナルの 2017 トランスフォーマーは、変換にエンコーダー/デコーダー設計を使用していました。後のモデルでは、さまざまな目的に応じてエンコーダのみ、デコーダのみ、またはエンコーダとデコーダの配置が使用されます。因果的言語モデルは、次のトークンの予測中にポジションが将来のトークンに注目することを防ぎます。この制約は、完全な入力の双方向処理とは異なります。長いシーケンスに注意を払うと、計算コストが高くなる可能性があります。実際のシステムではさまざまな最適化が使用されていますが、宣伝されているコンテキスト制限は、モデルが長いドキュメントのすべての部分を確実に使用していることを証明するものではありません。アプリケーションが必要とする実際の長さで、検索、推論、指示をテストします。
04作業例
コンテキストを通じて参照を追跡する
「出入り口をふさいでいたため、ロボットは木枠を移動した」という発明された文章を考えてみましょう。
「それ」という単語を解決するにはコンテキストが必要になる場合があります。注意メカニズムは、表現を計算する際に他の位置からの情報を組み合わせることができます。
文を「充電が必要だったので、ロボットは箱を移動しました。」に変更します。アテンション ダイアグラムが正しい参照解像度を証明すると仮定するのではなく、完全なモデルの解釈をテストします。
それが示すもの
この例では、すべての変換器が曖昧さを正しく解決するとは主張せずに、コンテキスト処理を説明します。
現実世界の実装
分類のために文書をエンコードします。
因果的注意を使用して、一度に 1 トークンずつ応答を生成します。
実践する
なぜそれが重要なのか
- 速度とスケール. 言語ワークフローは、一貫性を犠牲にすることなく、より高速に移行できます。
- アクセスと到達範囲. 言語やコミュニケーション スタイルを超えてアクセスが拡張されます。
- より明確な判決. 自動化が繰り返しを処理する間、チームは判断により多くの時間を費やすことができます。
気をつけてください
- 幻覚のような事実が、レポート、サポート フロー、または研究結果に静かに組み込まれる可能性があります。
- 迅速な対応により、同様のリクエスト間で一貫性のない結果が生じる可能性があります。
- アクセス制御が弱いと、機密テキスト データが漏洩する可能性があります。
次のステップ
- 展開する前に、出力形式、トーン、品質基準を定義します。
- 正確さが重要な場合は常に、信頼できる情報源を使って地上対応を行ってください。
- 一か八かの成果物については人間によるレビュー チェックポイントを維持します。
- 失敗パターンを追跡し、プロンプトやワークフローを定期的に再トレーニングします。
出典とさらなる参考文献
- Vaswani and colleagues必要なのは注意力だけです
探検を続けましょう
よくある質問
トランスフォーマーはすべてチャットボットですか?
いいえ。Transformers は、分類、翻訳、検索、ビジョン、オーディオ、その他のタスクをサポートできます。チャットボットは、モデルと追加システムを中心に構築されたアプリケーションです。