Neste artigo, mostraremos como criar um modelo de linguagem muito simples usando Ruby. Embora os verdadeiros Large Language Models (LLMs) exijam enormes quantidades de dados e recursos computacionais, podemos criar um modelo de brinquedo que demonstra muitos dos principais conceitos por trás da modelagem de linguagem. Em nosso exemplo, construiremos um modelo básico de Cadeia de Markov que "aprende" com o texto de entrada e, em seguida, gera um novo texto com base nos padrões observados.    Este tutorial é destinado a propósitos educacionais e ilustra uma abordagem simplificada para modelagem de linguagem. Não é um substituto para LLMs modernos de deep learning como GPT-4, mas sim uma introdução às ideias subjacentes. Nota:  Índice   Compreendendo os fundamentos dos modelos de linguagem   Configurando seu ambiente Ruby   Coleta e pré-processamento de dados   Construindo o modelo da cadeia de Markov   Treinando o modelo   Gerando e testando texto   Conclusão  Compreendendo os fundamentos dos modelos de linguagem  Um   é um sistema que atribui probabilidades a sequências de palavras. Em sua essência, ele é projetado para capturar a estrutura estatística da linguagem aprendendo a probabilidade de uma sequência específica ocorrer em um determinado contexto. Isso significa que o modelo analisa grandes corpos de texto para entender como as palavras normalmente seguem umas às outras, permitindo assim que ele preveja qual palavra ou frase pode vir a seguir em uma sequência. Tais capacidades são centrais não apenas para tarefas como geração de texto e preenchimento automático, mas também para uma variedade de aplicações de processamento de linguagem natural (PLN), incluindo tradução, sumarização e análise de sentimentos. Modelo de Linguagem  Modelos modernos de linguagem em larga escala (LLMs), como o GPT-4, usam técnicas de aprendizado profundo e conjuntos de dados massivos para capturar padrões complexos na linguagem. Eles operam processando texto de entrada por meio de várias camadas de neurônios artificiais, permitindo que eles entendam e gerem texto semelhante ao humano com notável fluência. No entanto, por trás desses sistemas sofisticados está a mesma ideia fundamental: entender e prever sequências de palavras com base em probabilidades aprendidas.  Um dos métodos mais simples para modelar a linguagem é por meio de uma   . Uma Cadeia de Markov é um modelo estatístico que opera na suposição de que a probabilidade de uma palavra ocorrer depende apenas de um conjunto limitado de palavras precedentes, em vez de todo o histórico do texto. Esse conceito é conhecido como propriedade de Markov. Em termos práticos, o modelo assume que a próxima palavra em uma sequência pode ser prevista apenas observando a(s) palavra(s) mais recente(s) — uma simplificação que torna o problema computacionalmente mais tratável, ao mesmo tempo em que captura padrões úteis nos dados. Cadeia de Markov  Em um modelo de linguagem baseado em Cadeia de Markov:    Isso significa que, uma vez que sabemos as últimas palavras (determinadas pela ordem do modelo), temos contexto suficiente para prever o que pode vir a seguir. O histórico inteiro da conversa ou texto não precisa ser considerado, o que reduz a complexidade. O estado futuro (próxima palavra) depende apenas do estado atual (palavras anteriores):    Conforme o modelo é treinado em um corpus de texto, ele aprende a probabilidade de várias palavras seguirem uma sequência dada. Essa distribuição de probabilidade é então usada durante a fase de geração para selecionar a próxima palavra na sequência, normalmente usando um processo de amostragem aleatória que respeita as probabilidades aprendidas. Construímos uma distribuição de probabilidade de qual palavra vem a seguir, dadas as palavras precedentes:  Em nossa implementação, usaremos uma "ordem" configurável para determinar quantas palavras anteriores devem ser consideradas ao fazer previsões. Uma ordem mais alta fornece mais contexto, resultando potencialmente em um texto mais coerente e contextualmente relevante, pois o modelo tem mais informações sobre o que veio antes. Por outro lado, uma ordem mais baixa introduz mais aleatoriedade e pode levar a sequências de palavras mais criativas, embora menos previsíveis. Essa troca entre coerência e criatividade é uma consideração central na modelagem de linguagem.  Ao entender esses princípios básicos, podemos apreciar tanto a simplicidade dos modelos de Cadeia de Markov quanto as ideias fundamentais que sustentam modelos de linguagem neural mais complexos. Essa visão estendida não apenas ajuda a compreender a mecânica estatística por trás da predição de linguagem, mas também estabelece as bases para experimentar técnicas mais avançadas em processamento de linguagem natural.  Configurando seu ambiente Ruby  Antes de começar, certifique-se de ter o Ruby instalado no seu sistema. Você pode verificar sua versão do Ruby executando:   ruby -v  Se o Ruby não estiver instalado, você pode baixá-lo em   . ruby-lang.org  Para o nosso projeto, você pode querer criar um diretório e arquivo dedicados:   mkdir tiny_llm cd tiny_llm touch llm.rb  Agora você está pronto para escrever seu código Ruby.  Coleta e pré-processamento de dados  Coletando dados de treinamento  Para um modelo de linguagem, você precisa de um corpus de texto. Você pode usar qualquer arquivo de texto para treinamento. Para nosso exemplo simples, você pode usar uma pequena amostra de texto, por exemplo:   sample_text = <<~TEXT Once upon a time in a land far, far away, there was a small village. In this village, everyone knew each other, and tales of wonder were told by the elders. The wind whispered secrets through the trees and carried the scent of adventure. TEXT  Pré-processamento dos dados  Antes do treinamento, é útil pré-processar o texto:    Dividir texto em palavras. Tokenização:    opcionalmente, converta texto para letras minúsculas, remova pontuação, etc. Normalização:  Para nossos propósitos, o método   do Ruby funciona bem o suficiente para tokenização. String#split  Construindo o modelo da cadeia de Markov  Criaremos uma classe Ruby chamada   para encapsular o comportamento do modelo. A classe incluirá: MarkovChain  Um inicializador para definir a ordem (número de palavras precedentes) da cadeia.  Um método   que constrói a cadeia a partir do texto de entrada. train  Um método   que produz novo texto por amostragem da cadeia. generate  Abaixo está o código completo do modelo:   class MarkovChain def initialize(order = 2) @order = order # The chain is a hash that maps a sequence of words (key) to an array of possible next words. @chain = Hash.new { |hash, key| hash[key] = [] } end # Train the model using the provided text. def train(text) # Optionally normalize the text (eg, downcase) processed_text = text.downcase.strip words = processed_text.split # Iterate over the words using sliding window technique. words.each_cons(@order + 1) do |words_group| key = words_group[0...@order].join(" ") next_word = words_group.last @chain[key] << next_word end end # Generate new text using the Markov chain. def generate(max_words = 50, seed = nil) # Choose a random seed from the available keys if none is provided or if the seed is invalid. if seed.nil? || !@chain.key?(seed) seed = @chain.keys.sample end generated = seed.split while generated.size < max_words # Form the key from the last 'order' words. key = generated.last(@order).join(" ") possible_next_words = @chain[key] break if possible_next_words.nil? || possible_next_words.empty? # Randomly choose the next word from the possibilities. next_word = possible_next_words.sample generated << next_word end generated.join(" ") end end  Explicação do Código  **Inicialização:**O construtor   define a ordem (o padrão é 2) e cria um hash vazio para nossa cadeia. O hash recebe um bloco padrão para que cada nova chave comece como um array vazio. initialize  **Treinando o modelo:**O método   pega uma sequência de texto, normaliza-a e divide-a em palavras. Usando   , ele cria grupos consecutivos de palavras de   . As palavras de primeira   servem como chave, e a última palavra é anexada ao array de possíveis continuações para essa chave. train each_cons order + 1 order  **Gerando texto:**O método   começa com uma chave semente. Se nenhuma for fornecida, uma chave aleatória é escolhida. Ele então constrói iterativamente uma sequência procurando as últimas palavras   e amostrando a próxima palavra até que a contagem máxima de palavras seja alcançada. generate order  Treinando o modelo  Agora que temos nossa classe   , vamos treiná-la em alguns dados de texto. MarkovChain   # Sample text data for training sample_text = <<~TEXT Once upon a time in a land far, far away, there was a small village. In this village, everyone knew each other, and tales of wonder were told by the elders. The wind whispered secrets through the trees and carried the scent of adventure. TEXT # Create a new MarkovChain instance with order 2 model = MarkovChain.new(2) model.train(sample_text) puts "Training complete!"  Ao executar o código acima (por exemplo, salvando-o em   e executando   ), o modelo será treinado usando o texto de exemplo fornecido. llm.rb ruby llm.rb  Gerando e testando texto  Depois que o modelo for treinado, você pode gerar um novo texto. Vamos adicionar algum código para gerar e imprimir um texto de amostra:   # Generate new text using the trained model. generated_text = model.generate(50) puts "Generated Text:" puts generated_text  Você também pode tentar fornecer uma semente para geração de texto. Por exemplo, se você conhece uma das chaves no modelo (como   ), você pode fazer: "once upon"   seed = "once upon" generated_text_with_seed = model.generate(50, seed) puts "\nGenerated Text with seed '#{seed}':" puts generated_text_with_seed  Ao experimentar diferentes sementes e parâmetros (como a ordem e o número máximo de palavras), você pode ver como a saída varia.  Exemplo completo: Treinamento e teste de um pequeno LLM  Aqui está o script Ruby completo combinando todos os passos acima:   #!/usr/bin/env ruby # llm.rb # Define the MarkovChain class class MarkovChain def initialize(order = 2) @order = order @chain = Hash.new { |hash, key| hash[key] = [] } end def train(text) processed_text = text.downcase.strip words = processed_text.split words.each_cons(@order + 1) do |words_group| key = words_group[0...@order].join(" ") next_word = words_group.last @chain[key] << next_word end end def generate(max_words = 50, seed = nil) if seed.nil? || !@chain.key?(seed) seed = @chain.keys.sample end generated = seed.split while generated.size < max_words key = generated.last(@order).join(" ") possible_next_words = @chain[key] break if possible_next_words.nil? || possible_next_words.empty? next_word = possible_next_words.sample generated << next_word end generated.join(" ") end end # Sample text data for training sample_text = <<~TEXT Once upon a time in a land far, far away, there was a small village. In this village, everyone knew each other, and tales of wonder were told by the elders. The wind whispered secrets through the trees and carried the scent of adventure. TEXT # Create and train the model model = MarkovChain.new(2) model.train(sample_text) puts "Training complete!" # Generate text without a seed generated_text = model.generate(50) puts "\nGenerated Text:" puts generated_text # Generate text with a specific seed seed = "once upon" generated_text_with_seed = model.generate(50, seed) puts "\nGenerated Text with seed '#{seed}':" puts generated_text_with_seed  Executando o script  Salve o script como   . llm.rb  Abra seu terminal e navegue até o diretório que contém   . llm.rb  Execute o script usando:   ruby llm.rb  Você deverá ver uma saída indicando que o modelo foi treinado e, em seguida, dois exemplos de texto gerado.  Referência  A tabela a seguir resume algumas métricas de benchmark para diferentes versões de nossas implementações Tiny LLM. Cada métrica é explicada abaixo:    O nome ou identificador de versão do modelo de linguagem. Modelo:    O número de palavras anteriores usadas na Cadeia de Markov para prever a próxima palavra. Uma ordem mais alta geralmente significa que mais contexto é usado, aumentando potencialmente a coerência. Ordem:    tempo aproximado necessário para treinar o modelo nos dados de texto fornecidos, medido em milissegundos. Tempo de treinamento (ms):    tempo necessário para gerar uma saída de texto de amostra, medido em milissegundos. Tempo de geração (ms):    a quantidade de memória consumida pelo modelo durante o treinamento e a geração. Uso de memória (MB):    uma classificação subjetiva (de 0 a 5) que indica quão coerente ou contextualmente apropriado é o texto gerado. Classificação de coerência:  Abaixo está a tabela de markdown com os dados de benchmark:  Modelo  Ordem  Tempo de treinamento (ms)  Tempo de geração (ms)  Uso de memória (MB)  Avaliação de coerência  Pequeno LLM v1  2  50  10  10  3/5  Pequeno LLM v2  3  70  15  12  3,5/5  Pequeno LLM v3  4  100  20  15  4/5  Esses benchmarks fornecem uma rápida visão geral das compensações entre diferentes configurações de modelo. Conforme a ordem aumenta, o modelo tende a levar um pouco mais de tempo para treinar e gerar texto, e usa mais memória. No entanto, esses aumentos no consumo de recursos são frequentemente acompanhados por melhorias na coerência do texto gerado.  Conclusão  Neste tutorial, demonstramos como criar um modelo de linguagem muito simples usando Ruby. Aproveitando a técnica Markov Chain, construímos um sistema que:    aprendendo transições de palavras. Treina com texto de exemplo    com base em padrões aprendidos. Gera novo texto  Embora esse modelo de brinquedo esteja muito longe dos LLMs de nível de produção, ele serve como um trampolim para entender como os modelos de linguagem funcionam em um nível fundamental. Você pode expandir essa ideia incorporando técnicas mais avançadas, lidando melhor com pontuação ou até mesmo integrando Ruby com bibliotecas de aprendizado de máquina para modelos mais sofisticados.  Boa codificação!

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

Read My Stories

Este áudio é produzido no idioma original da história!

Como construir um Tiny Language Model (TLM) em Ruby: um guia passo a passo

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Toque para ganhar: Telegram pode integrar os próximos 10 bilhões de usuários criptográficos antes de Solana

Como melhorar seu fluxo de trabalho em 10 vezes: 17 aplicativos essenciais

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

Toque para ganhar: Telegram pode integrar os próximos 10 bilhões de usuários criptográficos antes de Solana

Como melhorar seu fluxo de trabalho em 10 vezes: 17 aplicativos essenciais

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps