Incrustación de texto explicada: cómo la IA entiende las palabras

Grandes modelos de lenguaje. Debes haber escuchado estas palabras antes. Representan un tipo específico de algoritmo basado en aprendizaje automático que comprende y puede generar lenguaje, un campo a menudo llamado o NLP. procesamiento de lenguaje natural Seguro que has oído hablar del modelo de lenguaje más conocido y potente: . GPT-3 GPT-3, como lo describí en el video que lo cubre, es capaz de tomar lenguaje, entenderlo y generar lenguaje a cambio. Pero tenga cuidado aquí; realmente no lo entiende. De hecho, está lejos de comprender. GPT-3 y otros modelos basados en lenguaje simplemente usan lo que llamamos diccionarios de palabras para representarlas como números, recuerdan sus posiciones en la oración y eso es todo. Profundicemos en esos poderosos modelos de aprendizaje automático e intentemos comprender lo que ven en lugar de palabras, llamadas incrustaciones de palabras, y cómo producirlas con un ejemplo proporcionado por Cohere. Conoce más en el vídeo... Referencias ►Lea el artículo completo: ►Tutorial de incrustaciones de palabras BERT: ►Cohere's Notebook del ejemplo de código: ►Cohere Repos enfocado en incrustaciones: ►My Newsletter (¡Una nueva aplicación de IA explicada semanalmente en sus correos electrónicos!): https://www.louisbouchard.ai/text-embedding/ https://mccormickml.com/2019/05/14/BERT-word-embeddings-tutorial/#why-bert-embeddings https://colab.research.google.com/github/cohere-ai/notebooks/blob/main/notebooks/Basic_Semantic_Search.ipynb https://github.com/cohere-ai/notebooks https://www.louisbouchard.ai/newsletter/ Transcripción del vídeo 0:07 modelos de lenguaje que debes haber escuchado 0:10 estas palabras antes de que representen un 0:13 tipo específico de aprendizaje automático 0:14 algoritmos que entienden y pueden 0:16 generar lenguaje un campo a menudo llamado 0:19 procesamiento de lenguaje natural o NLP 0:22 seguro que has oído hablar de los más conocidos 0:24 y poderosos modelos de lenguaje como gpt3 0:26 gpt3 como lo he descrito en el video 0:28 cubriéndolo es capaz de tomar lenguaje 0:30 entenderlo y generar lenguaje en 0:33 regresa pero ten cuidado aqui no 0:35 realmente lo entiendo, de hecho, está lejos 0:38 de entender gbd3 y otros 0:41 los modelos basados en el lenguaje simplemente usan lo que 0:44 llamar diccionarios de palabras para representar 0:46 ellos como números recuerdan sus posiciones 0:49 en la oración y eso es todo usando un 0:52 pocos números y números posicionales 0:53 llamados incrustaciones que son capaces de 0:55 reagrupar oraciones similares que también 0:58 significa que son capaces de tipo de 1:00 entender frases comparándolas 1:02 a oraciones conocidas como nuestro conjunto de datos 1:05 es el mismo proceso para la oración de imagen 1:07 modelos que llevan tu frase a 1:10 generar una imagen que en realidad no 1:11 entenderlo pero pueden compararlo con 1:13 imágenes similares que producen algún tipo de 1:16 comprensión de los conceptos en su 1:18 frase en este video tendremos una 1:20 mira lo que hacen esas poderosas maquinas 1:22 modelos de aprendizaje ver en lugar de palabras 1:24 llamadas incrustaciones de palabras y cómo 1:27 producirlos con un ejemplo proporcionado por 1:29 el patrocinador de este video un gran 1:31 empresa en el campo de la PNL coherente que yo 1:35 hablare al final del video 1:36 ya que tienen una plataforma fantástica para 1:39 PNL hemos hablado de incrustaciones y 1:42 gpt3 pero cuál es el vínculo entre los dos 1:44 las emisiones son lo que ven los modelos 1:47 y cómo procesan las palabras que conocemos 1:50 y por qué usar incrustaciones bien porque como 1:53 de ahora las máquinas no pueden procesar palabras y 1:56 necesitamos números para entrenar a esos 1:59 modelos grandes gracias a nuestro cuidado 2:01 conjunto de datos construido podemos usar las matemáticas para 2:04 medir la distancia entre incrustaciones 2:06 y corregir nuestra red en base a esto 2:08 distancia obteniendo iterativamente nuestra 2:10 predicciones más cercanas al significado real 2:12 y mejorando los resultados y reuniones 2:15 son también lo que les gusta a las modelos clip 2:17 difusión estable o Dali solía 2:19 comprender oraciones y generar imágenes 2:21 esto se hace comparando ambas imágenes 2:24 y texto en el mismo espacio de incrustación 2:26 lo que significa que el modelo no 2:28 entender el texto o las imágenes, pero 2:31 puede entender si una imagen es similar a 2:33 un texto específico o no así si encontramos 2:36 suficientes pares de subtítulos de imagen que podemos entrenar 2:38 un modelo enorme y poderoso como Dalí para 2:41 tomar una oración incrustarla encontrar su 2:43 clon de imagen más cercano y generarlo en 2:46 regresar para que el aprendizaje automático con texto sea 2:48 todo sobre comparar incrustaciones, pero cómo 2:51 ¿Conseguimos esas incrustaciones? Las conseguimos 2:53 usando otro modelo entrenado para encontrar el 2:56 la mejor manera de generar incrustaciones similares 2:58 para oraciones similares manteniendo el 3:01 diferencias en el significado de palabras similares 3:03 en comparación con el uso de uno por uno directo 3:06 diccionario las frases suelen ser 3:08 representado con marcas especiales de fichas 3:10 el principio y el final de nuestro texto entonces 3:13 como dije tenemos nuestras poses de todos 3:15 incrustaciones que indican la posición 3:17 de cada palabra en relación con los demás 3:19 a menudo usando funciones sinusoidales I 3:22 vinculó un gran artículo sobre esto en el 3:25 descripción si desea obtener más información 3:26 finalmente tenemos nuestras incrustaciones de palabras 3:29 empezar con todas nuestras palabras divididas 3:31 en una matriz como una tabla de palabras 3:34 a partir de ahora ya no hay palabras 3:36 son solo fichas o números de la 3:40 todo el diccionario de ingles se puede ver 3:42 aquí que todas las palabras ahora son 3:44 representado por un número que indica dónde 3:46 están en el diccionario teniendo así 3:49 el mismo número para la palabra banco incluso 3:51 aunque su significado es diferente en 3:53 la oración que tenemos ahora necesitamos agregar 3:56 un poco de inteligencia a eso pero 3:58 no demasiado esto se hace gracias a un 4:00 modelo entrenado para tomar esta nueva lista de 4:03 números y luego codificarlo en 4:05 otra lista de números que mejor 4:08 representar la frase por ejemplo it 4:10 ya no tendrá la misma incrustación 4:13 para el banco de dos palabras aquí esto es 4:15 posible porque el modelo solía hacer 4:17 que ha sido entrenado en un montón de 4:19 anotó datos de texto y aprendió a 4:21 codificar oraciones de significado similar junto a 4:24 entre sí y oraciones opuestas lejos 4:27 unos de otros permitiendo así que nuestros 4:29 incrustaciones para estar menos sesgados por nuestra 4:31 elección de palabras luego el simple inicial 4:34 uno por una palabra incrustando nosotros inicialmente 4:37 tenía esto es lo que parece el uso de imágenes 4:39 como en un ejemplo muy corto de PNL allí 4:42 hay más enlaces a continuación para obtener más información sobre 4:44 incrustaciones y cómo codificarlas tú mismo 4:46 aquí tomaremos algunas publicaciones de Hacker News 4:49 y construya una etiqueta de modelo para recuperar el 4:51 publicación más similar de una nueva entrada 4:53 oración para comenzar necesitamos un conjunto de datos en 4:56 este caso es un conjunto pre-incrustado de 4:58 3000 publicaciones de Hacker News que ya han 5:01 se ha emitido en números y luego construimos 5:04 un recuerdo guardando todas esas incrustaciones para 5:07 comparación futura básicamente solo 5:09 guardó estas incrustaciones en un eficiente 5:11 manera cuando se realiza una nueva consulta, por ejemplo 5:13 aqui preguntando cual es tu mas profundo 5:16 la vida dentro de ti puede generar su 5:18 incrustación usando la misma incrustación 5:20 Red por lo general es pájaro o una versión 5:23 de ella y comparamos la distancia 5:25 entre el espacio de incrustación a todos los demás 5:27 Publicaciones de Hacker News en nuestra nota de memoria 5:30 que es muy importante aquí para 5:32 utilice siempre la misma red, ya sea para 5:34 generar su conjunto de datos o para consultar 5:36 como dije no hay real 5:38 inteligencia aquí ni que en realidad 5:40 entiende las palabras que acaba de ser 5:42 entrenado para incrustar oraciones similares 5:45 cerca en el espacio sin tripulación nada 5:47 más si envías tu sentencia a un 5:50 red diferente para generar una 5:51 incrustación y comparar la incrustación con 5:53 las que tenías de otra Red 5:55 nada funcionará solo será como 5:58 la gente agradable que trata de hablar conmigo 5:59 en hebreo en eccv la semana pasada solo 6:02 no estaba en un espacio incrustado mi cerebro 6:04 pudo entender afortunadamente para nosotros nuestro 6:06 el cerebro puede aprender a transferir de una 6:08 incrustando espacio a otro como puedo con 6:11 Francés e inglés pero requiere mucho 6:13 de trabajo y práctica y es lo mismo 6:16 para máquinas de todos modos volviendo a nuestro 6:18 problema podríamos encontrar el más similar 6:21 publicaciones que son geniales, pero ¿cómo podría 6:23 logramos esto como mencioné es 6:25 por el nacimiento de la red en este 6:28 caso de que aprenda a crear similares 6:30 incrustaciones de oraciones similares podemos 6:32 incluso visualizarlo en dos dimensiones como 6:35 aquí donde se puede ver cómo dos similares 6:37 los puntos representan temas similares que usted 6:39 puede hacer muchas otras cosas una vez que tiene 6:41 esas incrustaciones como extraer 6:43 palabras clave realizando una búsqueda semántica 6:45 hacer análisis de sentimientos o incluso 6:47 generando imágenes como decíamos y 6:49 demostrado en videos anteriores tengo un 6:52 muchos videos que cubren esos y enumerados 6:55 unos cuantos cuadernos interesantes para aprender a 6:57 jugar con codificaciones gracias al cohere 6:59 equipo ahora déjame hablar un poco sobre 7:02 kohilu ya que son muy relevantes para 7:05 este video cook aquí proporciona una 7:07 todo lo que necesitas si estas trabajando 7:09 en el campo de la PNL incluyendo un super 7:11 forma sencilla de utilizar modelos incrustados en 7:14 su aplicación literalmente con solo un 7:16 Llamada API puede incrustar el texto sin 7:18 saber algo acerca de cómo la incrustación 7:21 los modelos funcionan, la API lo hace por usted en 7:23 el fondo aquí se puede ver el 7:25 cuaderno de búsqueda semántica que utiliza 7:27 cohere API para crear incrustaciones de un 7:30 archivo de preguntas y preguntas 7:32 consultas para luego realizar la búsqueda de 7:34 preguntas similares usando cook here you 7:37 puede hacer fácilmente cualquier cosa relacionada con el texto 7:39 generar categorizar y organizar en 7:42 casi cualquier escala que puedas integrar 7:44 grandes modelos de lenguaje entrenados en 7:46 miles de millones de palabras con unas pocas líneas de 7:48 código y funciona en cualquier biblioteca que 7:51 ni siquiera necesita habilidades de aprendizaje automático 7:53 para empezar tienen hasta aprendizaje 7:55 recursos como el reciente cohere para 7:57 el programa de colores de ai que me gusta mucho 8:00 este programa es increible 8:01 oportunidad para el talento emergente en PNL 8:04 investigar alrededor del mundo si es seleccionado 8:06 trabajarás junto a su equipo 8:08 y tener acceso a gran escala 8:10 marco experimental y coherencia 8:12 expertos, lo cual es genial, yo también 8:15 te invito a unirte a su gran Discord 8:17 Comunidad ingeniosamente llamada Co Unidad I 8:21 espero que hayas disfrutado este video y 8:23 intente cohesionarse usted mismo con el 8:25 primer enlace a continuación, estoy seguro de que lo hará 8:27 Benefíciese de ello muchas gracias por 8:29 viendo el video completo y gracias a 8:31 cualquiera que apoye mi trabajo dejando un 8:33 como comentar o probar nuestros patrocinadores 8:36 que selecciono cuidadosamente para estos videos

Incrustación de texto explicada: cómo la IA entiende las palabras

Demasiado Largo; Para Leer

@whatsai

HISTORIAS RELACIONADAS