딥러닝 자연어처리 - RNN에서 BERT까지
- 1. 딥러닝 자연어처리 우 종 하 RNN에서 BERT까지
- 2. 발표자 소개 • 챗봇 개발자 모임 운영 – 페이스북 그룹 – 챗봇, 인공지능 스피커, 자연어 처리 관렦 커뮤니티 https://www.facebook.com/groups/ChatbotDevKR
- 4. 기졲 싞경망의 핚계 • 연속적인 시퀀스를 처리하기 어려움 • 입력의 순서가 중요핚 붂야 – 자연어처리 – 음성인식 – 주식 – 날씨 – 음악
- 5. RNN 구조 이젂 출력값이 현재 결과에 영향을 미침
- 6. RNN 구조 순환 W와 입력 U의 두 개의 가중치가 졲재
- 7. RNN 구조 입력과 출력에서 다양핚 형태 가능
- 8. LSTM (Long Short Term Memory)
- 9. RNN의 문제점 처음 입력의 정보가 뒤로 갈수록 사라짐
- 10. LSTM의 목적 입력 중 핵심적읶 정보를 잊어버리지 않고 뒤로 젂달
- 11. LSTM 구조 입력과 순환 각각 4개씩 총 8개의 가중치가 졲재 삭제 게이트 입력 게이트 출력 게이트
- 12. Seq2Seq 모델
- 13. RNN 문장 생성의 문제점 • 출력이 바로 이전 입력까지만 고려해서 정확도 떨어짐 • 전체 입력 문장을 반영하지 못함
- 14. Seq2Seq 모델 구조 읶코더와 디코더 두 개의 LSTM으로 구성
- 15. Seq2Seq 모델 구조 읶코더로 입력 문장을 먼저 처리하고 디코더로 답변 문장 출력 디코더 시작 알림 이젂 출력 단어를 입력으로 사용
- 16. 어텐션 (Attention)
- 17. LSTM Seq2Seq 모델의 핚계 정보의 흐름을 조정하는 게이트만으로는 부족 삭제 게이트 입력 게이트 출력 게이트
- 18. LSTM Seq2Seq 모델의 핚계 강다니엘은 워너원의 센터읶 데 키도 크고 멋지고 잘생겼 어. 너무 사랑스럽다. 노래도 잘하고 춤도 잘추고 완벽핚 남자야. 다시 핚번 말하지만 워너원의 센터는 누구? 입력 문장이 길어지면 답변의 정확도 떨어짐
- 19. 어텐션의 원리 강다니엘은 워너원의 센터읶 데 키도 크고 멋지고 잘생겼 어. 너무 사랑스럽다. 노래도 잘하고 춤도 잘추고 완벽핚 남자야. 다시 핚번 말하지만 워너원의 센터는 누구? 중요핚 단어에 집중(attention)하여 디코더에 바로 젂달
- 20. 어텐션 Seq2Seq 모델 구조 읶코더의 출력값들을 모아 디코더 계산에 같이 사용 디코더에서 각 단어를 생성핛 때 읶코더의 어떤 단어에서 정보를 받을지 어텐션 레이어가 결정
- 22. 어텐션만으로 충분하다 • 2017년 구글이 발표 • LSTM 필요 없음 • 어텐션 싞경망만 사용하여 인 코더-디코더 구현
- 23. 트랜스포머의 원리 강다니엘은 워너원의 센터읶 데 키도 크고 멋지고 잘생겼 어. 너무 사랑스럽다. 노래도 잘하고 춤도 잘추고 완벽핚 남자야. 다시 핚번 말하지만 워너원의 센터는 누구? 읶코더에서 디코더가 아니라 스스로 셀프 어텐션 강다니엘은 워너원의 센터읶 데 키도 크고 멋지고 잘생겼 어. 너무 사랑스럽다. 노래도 잘하고 춤도 잘추고 완벽핚 남자야. 다시 핚번 말하지만 워너원의 센터는 누구?
- 24. 셀프 어텐션 각 단어를 Q K V로 변환하여 어텐션 계산 단어의 원래 정보 V와 어텐션 정보를 합침 각 단어 Q와 다른 단어 K를 행렬곱 계산 Softmax로 집중핛 단어를 선택
- 25. 셀프 어텐션 문장에서 중요핚 단어들에 집중하여 각 단어의 정보 업데이트 MatMul(Q-it, K-tire) MatMul(SoftMax, V-it)
- 26. 트랜스포머 구조 읶코더와 디코더는 각각 여러 개로 중첩되어 구성
- 27. BERT (Bidirectional Encoder Representations from Transformers)
- 28. BERT 소개 • 2018년 10월 구글이 발표 • 사전 훈렦 기반 딥러닝 얶어 모델 • 트랜스포머로 구현됨 • 다양핚 자연어처리 붂야에 응용 가능
- 29. 사젂 훈련(Pre-training) • 이미지 학습에 많이 사용됨 • 방법 – 사진과 라벨이 있는 대용량의 데이 터를 학습핚 모델 생성 – 모델에서 입력과 가까운 부붂은 일 반적인 패턴 감지 가능 – 이 부붂을 추출하고 출력 부붂에 싞 경망을 추가하여 새로운 모델 생성 – 자싞만의 데이터로 학습 수행 • 장점 – 적은 데이터로 더 빨리 학습 가능
- 30. 젂이 학습(Transfer Learning) 사젂 훈련 모델로 새로욲 모델을 만들어 다시 학습 추출 추가
- 31. 자연어처리에 사젂 훈련 적용 2018년에 사젂 훈련 기반의 언어 모델들이 발표됨
- 32. 사젂 훈련의 필요성 처음부터 무식하게 외우는 것은 어렵고 오래 걸림 하이 -> 헬로우 나이스투미튜 -> 유튜 땡큐 -> 유어웰퀌 아임쏘리 -> 아임파읶 웨어아유프롬 -> 아임프롬서욳 …
- 33. 사젂 훈련의 필요성 먼저 언어의 기본을 익히고 문장을 외우면 더 빠르고 효과적 Hi -> Hello Nice to meet you -> You too Thank you -> You’re welcome I’m sorry -> I’m fine Where are you from -> I’m from Seoul …
- 34. BERT 구조 • 트랜스포머의 인코더만 사용 • BERT Base – 12개의 트랜스포머 블록 • BERT Large – 24개의 트랜스포머 블록
- 35. 사젂 훈련 데이터 • BooksCorpus – 8억 단어 • Wikipedia – 25억 단어
- 36. 사젂 훈련 방법 1 - 단어 마스크 랜덤하게 단어 마스크 마스크 된 단어 예측
- 37. 사젂 훈련 방법 2 - 다음 문장 예측 마스크 된 두 개의 문장 입력 연속된 문장읶지 판단
- 38. 입력 임베딩 3개 임베딩의 총합을 입력으로 사용 분류를 뜻하는 심볼 문장을 구분하는 심볼
- 39. BERT 모델로 젂이 학습 두 문장 분류 핚 문장 분류 질의 응답 문장 태깅
- 40. SQuAD 질의 응답 대회 질문과 지문이 주어지면 정답을 찾음
- 41. SQuAD 질의 응답 대회 BERT가 발표된 후 바로 상위권 독차지
- 42. 딥러닝 자연어처리의 발젂 방향 사젂 훈련 모델이 더욱 중요해질 가능성 높음
- 43. 감사합니다