Mã hóa từ phụ
Mã thông báo từ phụ chia văn bản thành các đơn vị nhỏ hơn từ nhưng lớn hơn ký tự, như 'mã thông báo' cộng với 'hóa'.
Tổng quan
It is the standard way modern language models turn text into the discrete IDs they actually process, balancing vocabulary size against meaning.
Lặn sâu
Có quá nhiều từ để liệt kê (từ vựng sẽ rất lớn và thiếu những từ hiếm), trong khi các ký tự đơn lẻ mang rất ít ý nghĩa và tạo thành các chuỗi rất dài. Mã thông báo từ phụ là sự thỏa hiệp: nó giữ nguyên các từ thường gặp nhưng chia các từ hiếm hoặc phức tạp thành các đoạn có ý nghĩa. 'Bất hạnh' có thể trở thành 'không', 'hạnh phúc', 'ness'. Các thuật toán chính bao gồm Mã hóa cặp byte (được sử dụng bởi GPT), WordPiece (được sử dụng bởi BERT) và Unigram/SentencePiece (được sử dụng bởi T5 và nhiều mô hình đa ngôn ngữ). Cách tiếp cận này xử lý các từ không nhìn thấy một cách khéo léo, chia sẻ các phần giữa các từ có liên quan ('chơi', 'chơi', 'đã chơi') và hỗ trợ mọi ngôn ngữ. Mỗi phân đoạn ánh xạ tới một ID số nguyên và những ID này là thứ mà lớp nhúng của mô hình chuyển đổi thành vectơ.
Hiểu biết kỹ thuật
Các thuật toán khác nhau chọn các từ phụ khác nhau: BPE hợp nhất các cặp thường xuyên từ dưới lên, WordPiece chọn các hợp nhất làm tăng khả năng hợp nhất kho ngữ liệu nhiều nhất và Unigram bắt đầu với vốn từ vựng lớn và cắt bớt các mã thông báo ít có khả năng gây tổn hại nhất. WordPiece đánh dấu các phần bên trong từ bằng tiền tố '##', trong khi SentencePiece coi dấu cách là một ký hiệu đặc biệt để nó hoạt động trực tiếp trên văn bản thô mà không cần phân tách trước khoảng trắng, lý tưởng cho các ngôn ngữ không có dấu cách.
Tác động chiến lược
Tốc độ và tỷ lệ
Quy trình công việc ngôn ngữ có thể di chuyển nhanh hơn mà không làm mất tính nhất quán.
Truy cập và tiếp cận
Nó mở rộng quyền truy cập vào các ngôn ngữ và phong cách giao tiếp.
Quyết định rõ ràng hơn
Các nhóm có thể dành nhiều thời gian hơn để đánh giá trong khi quá trình tự động hóa xử lý sự lặp lại.
Tương lai của mã hóa từ khóa phụ
Mã thông báo từ phụ sẽ vẫn chiếm ưu thế vì nó nhanh và gọn, nhưng điểm yếu của nó, sự phân chia khó xử trong toán học, mã và các tập lệnh hiếm, cộng với chi phí mã thông báo không đồng đều giữa các ngôn ngữ, đang thúc đẩy nghiên cứu về các mô hình cấp byte và không có mã thông báo. Mong đợi các mã thông báo thông minh hơn, có thể học được hoặc thích ứng và tính công bằng đa ngôn ngữ tốt hơn để văn bản không phải tiếng Anh không bị phạt với nhiều mã thông báo hơn cho mỗi câu.
Triển khai trong thế giới thực
BERT sử dụng mã thông báo WordPiece, đánh dấu các phần tiếp theo như '##ing' để xây dựng lại các từ gốc.
T5 và nhiều mô hình đa ngôn ngữ sử dụng SentencePiece, xử lý trực tiếp các ngôn ngữ không dấu cách như tiếng Nhật.
Mô hình trò chuyện chia một thuật ngữ kỹ thuật hiếm thành các phần đã biết thay vì phân tách một từ không xác định.
Trình tạo mã thông báo chia sẻ các từ phụ trên 'chạy', 'đang chạy' và 'người chạy', cho phép mô hình khái quát hóa hình thái một cách hiệu quả.
Rủi ro & lan can
Sự thật ảo giác có thể lặng lẽ đi vào báo cáo, luồng hỗ trợ hoặc kết quả nghiên cứu.
Sự nhạy cảm kịp thời có thể tạo ra kết quả không nhất quán đối với các yêu cầu tương tự.
Dữ liệu văn bản nhạy cảm có thể bị lộ nếu khả năng kiểm soát quyền truy cập yếu.
Lộ trình thực hiện
Xác định định dạng đầu ra, âm thanh và tiêu chuẩn chất lượng trước khi triển khai.
Phản hồi mặt đất với các nguồn đáng tin cậy bất cứ khi nào độ chính xác quan trọng.
Duy trì điểm kiểm tra đánh giá của con người đối với các kết quả đầu ra có mức độ rủi ro cao.
Theo dõi các kiểu lỗi và đào tạo lại các lời nhắc hoặc quy trình làm việc thường xuyên.
Tiếp tục khám phá
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 Subword Tokenization 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
Hướng dẫn tiếp theo
Mã thông báo SentencePiece
Câu hỏi thường gặp
What is Subword Tokenization?
Mã thông báo từ phụ chia văn bản thành các đơn vị nhỏ hơn từ nhưng lớn hơn ký tự, như 'mã thông báo' cộng với 'hóa'. Đó là cách tiêu chuẩn mà các mô hình ngôn ngữ hiện đại biến văn bản thành các ID riêng biệt mà chúng thực sự xử lý, cân bằng kích thước từ vựng với ý nghĩa.
Mã thông báo từ phụ giải quyết được vấn đề gì so với việc sử dụng toàn bộ từ?
Vốn từ vựng toàn từ rất lớn nhưng vẫn thiếu những từ hiếm; các từ phụ giúp quản lý từ vựng và phân chia các từ chưa biết một cách khéo léo.
Thuật toán nào sau đây là thuật toán mã thông báo từ phụ được BERT sử dụng?
BERT sử dụng WordPiece để chọn các cách hợp nhất làm tăng khả năng tập hợp kho dữ liệu đào tạo nhiều nhất.
WordPiece thường đánh dấu một phần tiếp theo một từ như thế nào?
WordPiece đặt tiền tố cho các từ phụ bên trong từ bằng '##', vì vậy 'chơi' trở thành 'chơi' cộng với '##ing'.
Tại sao SentencePiece lại phù hợp với các ngôn ngữ như tiếng Nhật?
SentencePiece hoạt động trên văn bản thô và mã hóa khoảng trắng dưới dạng ký hiệu đặc biệt, do đó, nó hoạt động ngay cả khi không có khoảng cách giữa các từ.
Mỗi đoạn từ phụ cuối cùng sẽ ánh xạ tới điều gì trước khi tiếp cận mô hình?
Mỗi từ con được gán một ID số nguyên, lớp nhúng này biến thành một vectơ mà mô hình có thể xử lý.