AI-For-Beginners/translations/es/lessons/5-NLP/18-Transformers

Mecanismos de Atención y Transformadores

Cuestionario previo a la clase

Uno de los problemas más importantes en el ámbito de NLP es la traducción automática, una tarea esencial que sustenta herramientas como Google Translate. En esta sección, nos centraremos en la traducción automática o, más generalmente, en cualquier tarea de secuencia a secuencia (también conocida como transducción de oraciones).

Con las RNNs, la tarea de secuencia a secuencia se implementa mediante dos redes recurrentes, donde una red, el codificador, comprime una secuencia de entrada en un estado oculto, mientras que otra red, el decodificador, descomprime este estado oculto en un resultado traducido. Este enfoque presenta algunos problemas:

• El estado final de la red codificadora tiene dificultades para recordar el inicio de una oración, lo que provoca una baja calidad del modelo para oraciones largas.
• Todas las palabras en una secuencia tienen el mismo impacto en el resultado. Sin embargo, en la realidad, palabras específicas en la secuencia de entrada suelen tener más impacto en las salidas secuenciales que otras.

Los mecanismos de atención proporcionan una forma de ponderar el impacto contextual de cada vector de entrada en cada predicción de salida de la RNN. Esto se implementa creando atajos entre los estados intermedios de la RNN de entrada y la RNN de salida. De esta manera, al generar el símbolo de salida y_t, tomaremos en cuenta todos los estados ocultos de entrada h_i, con diferentes coeficientes de peso α_t,i.

El modelo codificador-decodificador con mecanismo de atención aditiva en Bahdanau et al., 2015, citado de este blog

La matriz de atención {α_i,j} representaría el grado en que ciertas palabras de entrada influyen en la generación de una palabra dada en la secuencia de salida. A continuación, se muestra un ejemplo de dicha matriz:

Figura de Bahdanau et al., 2015 (Fig.3)

Los mecanismos de atención son responsables de gran parte del estado del arte actual o cercano al actual en NLP. Sin embargo, agregar atención aumenta significativamente el número de parámetros del modelo, lo que llevó a problemas de escalabilidad con las RNNs. Una limitación clave para escalar las RNNs es que la naturaleza recurrente de los modelos dificulta el procesamiento en lotes y la paralelización del entrenamiento. En una RNN, cada elemento de una secuencia debe procesarse en orden secuencial, lo que significa que no se puede paralelizar fácilmente.

Figura del Blog de Google

La adopción de mecanismos de atención combinada con esta limitación llevó a la creación de los modelos transformadores que conocemos y usamos hoy en día, como BERT y Open-GPT3.

Modelos Transformadores

Una de las ideas principales detrás de los transformadores es evitar la naturaleza secuencial de las RNNs y crear un modelo que sea paralelizable durante el entrenamiento. Esto se logra implementando dos ideas:

• codificación posicional
• uso del mecanismo de auto-atención para capturar patrones en lugar de RNNs (o CNNs) (por eso el artículo que introduce los transformadores se llama Attention is all you need)

Codificación/Embebido Posicional

La idea de la codificación posicional es la siguiente.

1. Al usar RNNs, la posición relativa de los tokens se representa por el número de pasos, y por lo tanto no necesita ser representada explícitamente.
2. Sin embargo, al cambiar a atención, necesitamos conocer las posiciones relativas de los tokens dentro de una secuencia.
3. Para obtener la codificación posicional, ampliamos nuestra secuencia de tokens con una secuencia de posiciones de los tokens en la secuencia (es decir, una secuencia de números 0,1, ...).
4. Luego mezclamos la posición del token con un vector de embebido del token. Para transformar la posición (entero) en un vector, podemos usar diferentes enfoques:

• Embebido entrenable, similar al embebido de tokens. Este es el enfoque que consideramos aquí. Aplicamos capas de embebido tanto a los tokens como a sus posiciones, obteniendo vectores de embebido de las mismas dimensiones, que luego sumamos.
• Función de codificación posicional fija, como se propone en el artículo original.

Imagen del autor

El resultado que obtenemos con el embebido posicional incluye tanto el token original como su posición dentro de una secuencia.

Auto-Atención Multi-Cabezal

A continuación, necesitamos capturar algunos patrones dentro de nuestra secuencia. Para ello, los transformadores utilizan un mecanismo de auto-atención, que es esencialmente atención aplicada a la misma secuencia como entrada y salida. Aplicar auto-atención nos permite tomar en cuenta el contexto dentro de la oración y ver qué palabras están interrelacionadas. Por ejemplo, nos permite ver qué palabras son referidas por correferencias, como it, y también considerar el contexto:

Imagen del Blog de Google

En los transformadores, usamos Atención Multi-Cabezal para darle a la red la capacidad de capturar varios tipos diferentes de dependencias, por ejemplo, relaciones de palabras a largo plazo frente a corto plazo, correferencia frente a algo más, etc.

Notebook de TensorFlow contiene más detalles sobre la implementación de capas de transformadores.

Atención Codificador-Decodificador

En los transformadores, la atención se utiliza en dos lugares:

• Para capturar patrones dentro del texto de entrada utilizando auto-atención.
• Para realizar la traducción de secuencias: es la capa de atención entre el codificador y el decodificador.

La atención codificador-decodificador es muy similar al mecanismo de atención utilizado en las RNNs, como se describió al inicio de esta sección. Este diagrama animado explica el papel de la atención codificador-decodificador.

Dado que cada posición de entrada se mapea independientemente a cada posición de salida, los transformadores pueden paralelizar mejor que las RNNs, lo que permite modelos de lenguaje mucho más grandes y expresivos. Cada cabeza de atención puede usarse para aprender diferentes relaciones entre palabras que mejoran las tareas de procesamiento de lenguaje natural.

BERT

BERT (Representaciones de Codificador Bidireccional de Transformadores) es una red transformadora muy grande con múltiples capas: 12 capas para BERT-base y 24 para BERT-large. El modelo se preentrena primero en un gran corpus de datos de texto (Wikipedia + libros) utilizando entrenamiento no supervisado (predicción de palabras enmascaradas en una oración). Durante el preentrenamiento, el modelo absorbe niveles significativos de comprensión del lenguaje que luego pueden aprovecharse con otros conjuntos de datos mediante ajuste fino. Este proceso se llama aprendizaje por transferencia.

Imagen fuente

✍️ Ejercicios: Transformadores

Continúa tu aprendizaje en los siguientes notebooks:

• Transformadores en PyTorch
• Transformadores en TensorFlow

Conclusión

En esta lección aprendiste sobre Transformadores y Mecanismos de Atención, herramientas esenciales en el conjunto de herramientas de NLP. Existen muchas variaciones de arquitecturas de transformadores, incluyendo BERT, DistilBERT, BigBird, OpenGPT3 y más, que pueden ajustarse. El paquete HuggingFace proporciona un repositorio para entrenar muchas de estas arquitecturas tanto con PyTorch como con TensorFlow.

🚀 Desafío

Cuestionario posterior a la clase

Revisión y Estudio Autónomo

• Publicación en blog, explicando el clásico artículo Attention is all you need sobre transformadores.
• Una serie de publicaciones en blog sobre transformadores, explicando la arquitectura en detalle.

Tarea

---