Bases de l'apprentissage automatique
Quelle description de la façon dont un grand modèle de langage (LLM) traite un texte est correcte ?
- AIl convertit le texte en codes de caractères, un caractère à la fois, considère comme proches par le sens les caractères dont les codes numériques sont proches, et prédit le caractère suivant
- BIl découpe le texte en jetons (tokens : mots, fragments de mots, etc.), convertit chaque jeton en vecteur de plongement (embedding) pour le traiter, et prédit la probabilité du jeton suivant
- CIl remplace tous les mots du texte par des entrées d'un dictionnaire ; il ne peut donc pas traiter un texte contenant des mots absents du dictionnaire ou des mots nouveaux
Afficher la réponse et l'explication
Réponse : B. Il découpe le texte en jetons (tokens : mots, fragments de mots, etc.), convertit chaque jeton en vecteur de plongement (embedding) pour le traiter, et prédit la probabilité du jeton suivant
Un LLM traite le texte en le découpant en unités appelées jetons. Un jeton ne correspond pas forcément à un mot : les mots fréquents forment un seul jeton et les mots rares sont découpés en plusieurs fragments, ce qui permet de traiter aussi des mots absents des dictionnaires. Chaque jeton est converti en un vecteur de plongement obtenu par apprentissage, et les jetons de sens ou d'usage proches ont des vecteurs proches. Le modèle prédit la probabilité du jeton suivant à partir des jetons précédents, et génère un texte en répétant l'ajout du jeton choisi.
Continuer : 9 autres questions sur Bases de l'apprentissage automatique