Rafhael Oliveira · IA

RoBERTa: quando o avanço é treinar melhor o que já existia

Masked Language Modeling, o mascaramento dinâmico, e o outro galho da árvore.

1 min de leitura· apostila: 8 min

Caiu aqui pelo LinkedIn? Este é o capítulo 10 do curso GPT-1 e GPT-2, desmontados. Dá para ler solto; se quiser o começo, é o capítulo 00.

Quatro meses depois do GPT-1, o Google pegou o mesmo bloco e tomou a decisão oposta. Sem a máscara causal, cada token vê a frase inteira, passado e futuro. A representação de 'banco' em 'sentei no banco da praça' é construída com 'praça' disponível desde o primeiro bloco. Isso é o BERT. Mas a bidirecionalidade cria um problema no treino: se o modelo vê tudo, prever a próxima palavra vira trapaça. A solução foi esconder palavras. E um ano depois, o Facebook mostrou que o BERT estava subtreinado, e que às vezes o avanço é treinar melhor o que já existia.

Os três pontos

  1. MLM: esconde 15% dos tokens e pede para o modelo adivinhá-los usando os dois lados. É o objetivo que faz sentido sem máscara causal.
  2. O RoBERTa não mudou a arquitetura. Mudou dados, tempo de treino, tamanho de lote e o mascaramento, que passou a ser dinâmico.
  3. As diferenças estruturais que você vai encostar: tokenizador, tokens especiais, e a ausência de geração.

Da apostila, o começo

Masked Language Modeling, o mascaramento dinâmico, e a lição de que às vezes o avanço é treinar melhor o que já existia.

O ganho em compreensão é enorme e imediato. O BERT quebrou recordes em onze tarefas de uma vez. Mas há um preço, e ele é fatal para uma coisa específica.

Continuar lendo a apostila 10 →Read in EnglishOs PDFs por e-mail →
O que a apostila cobre · 5 seções · 8 min
  1. O outro galho da árvore
  2. O problema que a bidirecionalidade cria
  3. O que o RoBERTa mudou (2019)
  4. As diferenças estruturais que você vai encostar
  5. No laboratório
Todos os capítulos do curso · GPT-1 e GPT-2, desmontados
  1. 00 · Os sete fósseis: por que GPT-1, GPT-2 e RoBERTa são um corte histórico, não uma lista
  2. Glossário · Glossário do curso: o que token, camada e modelo querem dizer em IA, e no resto da TI
  3. 01 · Por que o GPT-2 não enxerga letras nem palavras, e o que isso custa em português
  4. 02 · Embeddings: de um inteiro sem sentido a um vetor que sabe que rei e rainha são parentes
  5. 03 · Atenção: a única operação que substituiu vinte anos de redes recorrentes
  6. 04 · Doze cabeças em vez de uma, e a única linha de código que separa o GPT do RoBERTa
  7. 05 · Por que o GPT-2 precisa de 48 andares para responder, e o que acontece dentro de cada um
  8. 06 · O que a escala realmente compra: de 124 milhões a 1,5 bilhão, medido
  9. 07 · Temperature, top-k e top-p: a decisão que muda mais o texto do que trocar de modelo
  10. 08 · Perplexidade: o único número que diz o que o modelo aprendeu, sem anedotas
  11. 09 · GPT-1 para GPT-2: mesmo tamanho, metade da perplexidade. Quatro decisões explicam
  12. 10 · RoBERTa: quando o avanço é treinar melhor o que já existia
  13. 11 · Encoder vs decoder: uma linha de código e todas as consequências que descem dela
  14. 12 · O detector: como um modelo de linguagem vira classificador, e por que esse não deve decidir nada
  15. 13 · Lendo o código original do GPT-2: 174 linhas contra tudo o que você aprendeu
  16. 14 · Servindo modelos: da chamada de função ao servidor HTTP, e o que a produção faz a mais
  17. 15 · O guia do laboratório: cada comando, cada script, e tudo o que foi medido
  18. 16 · O teto deste caminho: o argumento de LeCun, lido de dentro do GPT-2

Depois disto: o experimento Antevisão

Rafhael Oliveira
Rafhael Oliveira

Escreve o curso do GPT-2 e conduz o experimento Antevisão, medindo cada rodada antes de publicar o número. Os posts no LinkedIn começam aqui e terminam nas apostilas.

Seguir no LinkedIn →