Thuật ngữ AI
Từ điển đầy đủ về Trí tuệ nhân tạo
Tokenization Subword
Technique de segmentation du texte en unités linguistiques plus petites que les mots mais plus grandes que les caractères, permettant de gérer efficacement le vocabulaire et les mots rares dans les modèles transformers.
Unknown Token (UNK)
Token spécial utilisé pour représenter les mots ou sous-mots non présents dans le vocabulaire du tokenizer, permettant au modèle de gérer les entrées hors-vocabulaire lors de l'inférence.
Morphological Analysis
Processus d'identification des morphèmes et structures grammaticales dans les mots, optimisé par les tokenizers subword qui capturent naturellement les régularités morphologiques des langues.
Character-level Tokenization
Approche de segmentation qui traite chaque caractère individuel comme un token, éliminant les problèmes de vocabulaire mais augmentant la longueur des séquences au détriment de l'efficacité computationnelle.
Word-level Tokenization
Méthode traditionnelle utilisant les mots entiers comme unités de token, limitée par l'explosion du vocabulaire et l'incapacité à gérer les mots hors-vocabulaire et les variations morphologiques.
BPE Dropouts
Technique de régularisation introduisant de l'aléatoire dans le processus de tokenization BPE en ignorant certaines fusions pendant l'entraînement, améliorant la robustesse et la généralisation du modèle.
Special Tokens (CLS, SEP, PAD, MASK)
Tokens réservés avec des fonctions spécifiques dans BERT : CLS pour la classification, SEP pour la séparation, PAD pour l'alignement et MASK pour le masquage lors du pré-entraînement.
Token ID Mapping
Correspondance bijective entre chaque token du vocabulaire et un identifiant numérique unique, permettant la conversion efficace entre représentations textuelles et numériques dans les modèles neuronaux.
Token Compression
Objectif principal de la tokenization subword visant à minimiser le nombre moyen de tokens par mot tout en maintenant un vocabulaire de taille raisonnable pour des performances computationnelles optimales.
Token Frequency Threshold
Paramètre définissant la fréquence minimale qu'un token doit atteindre pour être inclus dans le vocabulaire, crucial pour équilibrer couverture et taille du vocabulaire dans la tokenization subword.
Subword Segmentation Algorithm
Ensemble de règles et heuristiques déterminant comment diviser les mots inconnus en sous-mots existants du vocabulaire, basé sur des principes de maximisation de la probabilité et de minimisation des segments.
Vocabulary Coverage
Métrique évaluant la proportion du corpus pouvant être représentée sans tokens UNK, optimisée par les algorithmes subword pour atteindre typiquement plus de 99.9% de couverture sur les corpus modernes.