概述
ELMo（語言模型嵌入）是 2018 年的一項突破，它為每個單字提供了由其句子形成的表示，因此「河岸」中的「銀行」與「儲蓄銀行」中的「銀行」不同。它標誌著從靜態字向量到上下文感知 NLP 的轉變。
ELMo 上下文嵌入是語言 AI 堆疊的一部分，用於大規模讀取、生成、分類和轉換文字和語音。
深入探討
ELMo 由艾倫人工智慧研究所 (Peters et al., 2018) 推出，透過在十億單字語料庫上訓練的深度雙向 LSTM 語言模型運行句子來產生單字表示。與 Word2Vec 或 GloVe 為每個單字分配一個固定向量不同，ELMo 會根據周圍的上下文為每個單字計算一個新的向量。至關重要的是，ELMo 透過學習的、特定於任務的權重結合了所有內部 LSTM 層，而不是只使用頂層。較低層傾向於捕獲語法（詞性、結構），而較高層則捕獲語義和詞義。將 ELMo 添加到現有模型中，在六個基準任務中產生了巨大的收益，包括問答、情緒分析和命名實體識別。
技術洞察
ELMo 堆疊了兩個 LSTM：一個預測下一個單字的前向語言模型和一個預測前一個單字的後向語言模型，每個模型都基於字元級 CNN 輸入（因此它可以處理未見過的單字）。對於下游任務，ELMo 使用 softmax 歸一化權重和標量來折疊層表示，所有這些都是在微調期間學習的。這意味著每個任務都可以決定需要從凍結的預訓練 biLM 中獲得多少句法訊號和語義訊號。
掌握 ELMo 上下文嵌入
ELMo（語言模型嵌入）是 2018 年的一項突破，它為每個單字提供了由其句子形成的表示，因此「河岸」中的「銀行」與「儲蓄銀行」中的「銀行」不同。它標誌著從靜態字向量到上下文感知 NLP 的轉變。 ELMo 上下文嵌入是語言 AI 堆疊的一部分，用於大規模讀取、生成、分類和轉換文字和語音。為了建立深入的理解，請將 ELMo 上下文嵌入視為一種操作模型，而不是單一功能：定義所需的結果，澄清假設，並將系統可以可靠地執行的操作與仍需要專家判斷的操作分開。
在實踐中，使用 ELMo 上下文嵌入的強大團隊將提示、檢索和審查循環設計為一個整合式通訊系統。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
語言工作流程可以在不犧牲一致性的情況下更快地移動。同時，幻覺事實可以悄悄地進入報告、支持流程或研究成果。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
語言工作流程可以在不犧牲一致性的情況下更快地移動。
語言工作流程可以在不犧牲一致性的情況下更快地移動。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
它擴展了跨語言和溝通方式的訪問。
它擴展了跨語言和溝通方式的訪問。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
團隊可以花更多時間進行判斷，而自動化則可以處理重複。
團隊可以花更多時間進行判斷，而自動化則可以處理重複。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
改進命名實體識別系統，該系統必須根據周圍的單字判斷「華盛頓」是指個人、州還是城市
透過捕捉「生病」在「我感覺不舒服」中表示消極但在俚語「那生病了」中表示積極來促進情緒分析
透過將上下文相關的標記向量輸入閱讀器來增強 SQuAD 基準的問答系統
在機器翻譯中消除詞義歧義，以便像“植物”這樣的多義詞可以在給定的上下文中正確翻譯
實施模式
ELMo 上下文嵌入實踐
改進命名實體辨識系統，必須根據周圍的單字判斷「華盛頓」是否指的是一個人、州或城市。
改進命名實體辨識系統，該系統必須根據周圍的單字判斷「華盛頓」是否指涉一個人、州或城市。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
ELMo 上下文嵌入實踐
透過捕捉「生病」在「我感覺生病」中表示消極，但在俚語「生病了」中表示積極，來促進情緒分析。
透過捕捉「生病」在「我感覺不舒服」中表示消極，但在俚語「生病了」中表示積極，來促進情緒分析 當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移跟踪生產力增益和錯誤成本時，通常會獲得更好的結果。
ELMo 上下文嵌入實踐
透過將上下文相關的標記向量輸入閱讀器來增強 SQuAD 基準的問答系統。
透過將上下文相關的標記向量輸入讀取器來增強 SQuAD 基準上的問答系統 當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
ELMo 上下文嵌入實踐
在機器翻譯中消除詞義歧義，以便像“植物”這樣的多義詞可以在給定的上下文中正確翻譯。
消除機器翻譯中的詞義歧義，以便在給定的上下文中正確翻譯“植物”等多義詞。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
幻覺的事實可以悄悄地進入報告、支持流程或研究成果。
及時的敏感性可能會在類似的請求中產生不一致的結果。
如果存取控制薄弱，敏感文字資料可能會暴露。
實施路線圖
在推出之前定義輸出格式、語氣和品質標準。
在推出之前定義輸出格式、語氣和品質標準。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
當準確性很重要時，請使用可信任來源進行地面回應。
當準確性很重要時，請使用可信任來源進行地面回應。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
為高風險輸出保留人工審查檢查點。
為高風險輸出保留人工審查檢查點。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
追蹤故障模式並定期重新訓練提示或工作流程。
追蹤故障模式並定期重新訓練提示或工作流程。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。