Контекстні вбудовування ELMo
ELMo (Embeddings from Language Models) був проривом 2018 року, який надав кожному слову представлення, сформоване його реченням, тому «банк» у «берег річки» відрізняється від «банк» у «ощадний банк». Це ознаменувало перехід від статичних векторів слів до контекстно-залежного НЛП.
Глибоке занурення
ELMo, представлений Інститутом Аллена для дослідників штучного інтелекту (Peters et al., 2018), створює представлення слів, запускаючи речення через глибоку двонаправлену мовну модель LSTM, навчену на корпусі з мільярда слів. На відміну від Word2Vec або GloVe, які призначають один фіксований вектор на слово, ELMo обчислює новий вектор для кожного входження на основі навколишнього контексту. Важливо те, що ELMo поєднує всі внутрішні рівні LSTM за допомогою вивчених вагових коефіцієнтів, що стосуються конкретного завдання, а не використовує лише верхній рівень. Нижчі рівні мають тенденцію вловлювати синтаксис (частини мови, структуру), тоді як вищі рівні вловлюють семантику та зміст слова. Додавання ELMo до існуючих моделей дало значні переваги в шести контрольних завданнях, включаючи відповіді на запитання, аналіз настроїв і розпізнавання іменованих об’єктів.
Технічне розуміння
ELMo об’єднує два LSTM: пряму мовну модель, що передбачає наступне слово, і зворотну, що передбачає попереднє слово, кожне на основі вхідних даних CNN на рівні символів (тому обробляє невидимі слова). Для подальшого завдання ELMo згортає представлення шару за допомогою softmax-нормализованих вагових коефіцієнтів плюс скаляр, усе отримане під час тонкого налаштування. Це означає, що кожне завдання може вирішити, скільки синтаксичного чи семантичного сигналу воно хоче отримати від замороженого попередньо навченого biLM.
Стратегічний вплив
Швидкість і масштаб
Мовні робочі процеси можуть рухатися швидше без шкоди для узгодженості.
Доступ і охоплення
Це розширює доступ до різних мов і стилів спілкування.
Чіткіші рішення
Команди можуть витрачати більше часу на оцінювання, поки автоматизація справляється з повторенням.
Майбутнє контекстних вбудовувань ELMo
Основна ідея ELMo, контекстні представлення з попереднього навчання мовної моделі, стала основоположною, але її повторювана архітектура LSTM була швидко затьмарена моделями на основі Transformer, такими як BERT наприкінці 2018 року, які читають цілі речення паралельно та набагато краще масштабуються. Сьогодні ELMo здебільшого має історичне та освітнє значення, хоча обробка вхідних символів CNN та ідеї зважування шарів все ще впливають на спеціалізовану роботу з вбудовування в малоресурсних і морфологічно багатих мовах.
Реалізація в реальному світі
Удосконалення систем розпізнавання іменованих об’єктів, які повинні визначати, чи стосується «Вашингтон» особи, штату чи міста на основі навколишніх слів
Посилення аналізу настроїв шляхом фіксації того, що «хворий» означає негативне у «мені погано», але позитивне на сленгу «це хворе»
Удосконалення систем відповідей на питання в еталонному тесті SQuAD шляхом передачі контекстно-залежних векторів токенів у зчитувач
Усуваючи значення слів у машинному перекладі, багатозначні слова, як-от «рослина», правильно перекладаються в контексті
Ризики та огорожі
Галюциновані факти можуть непомітно входити у звіти, допоміжні потоки або результати досліджень.
Делікатність підказок може створити суперечливі результати для подібних запитів.
Конфіденційні текстові дані можуть бути розкриті, якщо контроль доступу слабкий.
Дорожня карта впровадження
Визначте вихідний формат, тон і стандарти якості перед розгортанням.
Якщо точність має значення, зв’яжіться з надійними джерелами.
Тримайте контрольну точку перевірки людьми для отримання високих ставок.
Відстежуйте моделі збоїв і регулярно перенавчайте підказки або робочі процеси.
Продовжуйте досліджувати
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the ELMo Contextual Embeddings quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Наступний посібник
Вбудовування слів
Часті запитання
What is ELMo Contextual Embeddings?
ELMo (Embeddings from Language Models) був проривом 2018 року, який надав кожному слову представлення, сформоване його реченням, тому «банк» у «берег річки» відрізняється від «банк» у «ощадний банк». Це ознаменувало перехід від статичних векторів слів до контекстно-залежного НЛП.
У чому полягає ключова відмінність між ELMo та попередніми вбудовуваннями, такими як Word2Vec?
ELMo створює контекстне вбудовування: вектор для слова змінюється залежно від навколишнього речення, на відміну від єдиного фіксованого вектора Word2Vec на слово.
Яку нейронну архітектуру використовує ELMo для читання тексту?
ELMo побудовано на глибокому двонаправленому LSTM, навченому як модель мови, періодично обробляючи послідовності.
Як ELMo поєднує свої внутрішні рівні для наступного завдання?
ELMo вивчає softmax-нормализовані ваги для конкретного завдання, щоб об’єднати всі шари biLM, дозволяючи кожному завданню підкреслювати синтаксис або семантику за потреби.
Що використовує ELMo як одиниці введення для обробки невидимих слів?
ELMo створює вхідні слова з CNN на рівні символів, тож він може представляти слова, які ніколи не бачив під час навчання.
Приблизно коли і ким був представлений ELMo?
ELMo був опублікований у 2018 році Peters et al. в Інституті ШІ Аллена (AI2).