Séance de cours

Réponse aux questions : Deep Learning Insights

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Description

Cette séance de cours explore le domaine de la réponse aux questions, dans le but de construire des systèmes qui répondent automatiquement aux requêtes en langage naturel. À partir des premiers systèmes d’assurance qualité des années 1960, la séance de cours explore la taxonomie des réponses aux questions, y compris les sources d’information, les types de questions et les formats de réponses. Des applications pratiques telles que la recherche Google sont mises en évidence, mettant en évidence l'importance des systèmes d'assurance qualité. La séance de cours traite en outre de la compréhension en lecture, où les systèmes sont conçus pour comprendre les passages de texte et répondre aux questions à leur sujet. Divers modèles tels que BiDAF et BERT sont comparés, mettant en lumière leurs performances sur des ensembles de données comme SQUAD. La séance de cours se termine en abordant les défis de la compréhension en lecture, en soulignant la nécessité de systèmes robustes capables de gérer des exemples contradictoires et des distributions hors domaine.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace

Source officielle

Concepts associés (28)

Reading comprehension

Reading comprehension is the ability to process written text, understand its meaning, and to integrate with what the reader already knows. Reading comprehension relies on two abilities that are connected to each other: word reading and language comprehension. Comprehension specifically is a "creative, multifaceted process" dependent upon four language skills: phonology, syntax, semantics, and pragmatics.

Compréhension du langage naturel

vignette|L'apprentissage de la lecture par Sigurður málari, siècle. La compréhension du langage naturel (NLU en anglais) ou linterprétation en langage naturel (NLI) est une sous-rubrique du traitement de la langue naturelle en intelligence artificielle qui traite de la compréhension en lecture automatique. La compréhension du langage naturel est considérée comme un problème difficile en IA. Il existe un intérêt commercial considérable dans ce domaine en raison de son application à la collecte de nouvelles, à la catégorisation des textes, à l'activation vocale, à l'archivage et à l'analyse de contenu à grande échelle.

Traitement automatique du langage naturel

Le traitement automatique du langage naturel (TALN), en anglais natural language processing ou NLP, est un domaine multidisciplinaire impliquant la linguistique, l'informatique et l'intelligence artificielle, qui vise à créer des outils de traitement du langage naturel pour diverses applications. Il ne doit pas être confondu avec la linguistique informatique, qui vise à comprendre les langues au moyen d'outils informatiques.

Recherche d'information

La recherche d'information (RI) est le domaine qui étudie la manière de retrouver des informations dans un corpus. Celui-ci est composé de documents d'une ou plusieurs bases de données, qui sont décrits par un contenu ou les métadonnées associées. Les bases de données peuvent être relationnelles ou non structurées, telles celles mises en réseau par des liens hypertexte comme dans le World Wide Web, l'internet et les intranets. Le contenu des documents peut être du texte, des sons, des images ou des données.

Reading for special needs

Reading for special needs has become an area of interest as the understanding of reading has improved. Teaching children with special needs how to read was not historically pursued due to perspectives of a Reading Readiness model. This model assumes that a reader must learn to read in a hierarchical manner such that one skill must be mastered before learning the next skill (e.g., a child might be expected to learn the names of the letters in the alphabet in the correct order before being taught how to read his or her name).

Afficher plus

Séances de cours associées (64)

Démarrage et alignement

Explore l'incitation, l'alignement et les capacités des grands modèles de langage pour les tâches de traitement du langage naturel.

Deep Learning pour répondre aux questions

Explore l'apprentissage profond pour répondre aux questions, analyser les réseaux neuronaux et modéliser la robustesse au bruit.

Séquence à modèles de séquence: vue d'ensemble et applications

Couvre les modèles de séquence à séquence, leur architecture, leurs applications et le rôle des mécanismes d'attention dans l'amélioration des performances.

Représentations contextuelles : ELMO et BERT Vue d'ensemble

Couvre les représentations contextuelles en PNL, en se concentrant sur les architectures ELMO et BERT et leurs applications dans diverses tâches.

Mise à l'échelle des modèles de langage : efficacité et déploiement

Couvre la mise à l'échelle des modèles linguistiques, en mettant l'accent sur l'efficacité de la formation et les considérations de déploiement.

Afficher plus

Concepts associés (28)

Reading comprehension

Compréhension du langage naturel

Traitement automatique du langage naturel

Recherche d'information

Reading for special needs

Afficher plus