Google a récemment annoncé un nouveau modèle de génération automatique de résumés à l'aide de l'apprentissage automatique, publié dans Google Docs que vous pouvez déjà utiliser. Le modèle essaiera de comprendre l'ensemble du document et de générer un bref résumé de la pièce, ce que certains professionnels du cinéma ne peuvent toujours pas faire. Le modèle doit réaliser deux choses pour y parvenir, que vous apprendrez dans la vidéo ci-dessous ! Voir la vidéo Références ►Lire l'article complet : ►Article de blog de Google : ►Vidéo GPT-3 : ►Attention vidéo : ►Que sont les RNN ? : ►Ma Newsletter (Une nouvelle application d'IA expliquée chaque semaine à vos mails !) : https://www.louisbouchard.ai/google-docs-summary/ https://ai.googleblog.com/2022/03/auto-generated-summaries-in-google-docs.html https://youtu.be/gDDnTZchKec https://youtu.be/QcCJJOLCeJQ https://youtu.be/Z0pb3LjeIZg https://www.louisbouchard.ai/newsletter/ Transcription vidéo 0:00 avez-vous du mal à résumer rapidement 0:02 un film que vous venez de regarder ou un livre que vous 0:04 lu il y a quelques semaines parfois tu aimes 0:06 un livre et si vous n'y arrivez pas 0:09 me souviens de son contenu que je ne peux souvent pas 0:11 vous pourriez finir par ennuyer votre ami pour 0:12 parler pendant une heure décrivant les nombreux 0:15 chapitres et parties importantes pendant que votre 0:17 ami veut juste avoir un rapide et 0:18 résumé concis, c'est parce que faire un 0:21 excellent résumé est un défi même pour nous 0:23 mais nécessaire combien il est utile d'être 0:26 capable de savoir rapidement ce qu'est le livre 0:28 avant de l'acheter ou simplement pour aider 0:30 vous parcourez tous vos e-mails et 0:32 documents en quelques secondes en prenant le temps de 0:34 récapituler et résumer votre travail est également 0:36 très important si vous voulez être pris 0:38 sérieusement à votre travail et poids et 0:41 préjugés le sponsor de cette vidéo sera 0:43 vous aider avec ça avec mon préféré 0:45 les pondérations et les biais des caractéristiques le signalent 0:48 vous aide à créer de beaux rapports sur 0:50 vos courses précédentes avec votre hyper 0:51 paramètres et toute matrice suivie dans 0:54 secondes, il vous permet même de créer 0:56 tracés clairs et dynamiques comparant 0:58 les membres de votre équipe peuvent partir 1:00 commentaires directement sur le rapport si cela 1:02 ne fait pas de vous l'ingénieur ml le plus cool 1:05 dans votre équipe, je ne sais pas ce que sera votre 1:07 vos coéquipiers comprendront ce que vous êtes 1:09 travailler en une fraction de seconde, il sera 1:11 permettez-leur de vous aider s'ils le peuvent 1:13 un gain de temps précieux et possible 1:15 malentendus essayer des poids et 1:17 préjugés gratuitement avec le premier lien 1:19 ci-dessous et profitez de ces avantages en 1:22 intensifier votre jeu d'ingénierie 1:27 tout comme pour créer des rapports clairs, vous 1:29 besoin d'avoir une grande compréhension d'un 1:32 film de livre ou tout contenu que vous essayez 1:34 résumer bien faire tout omettre 1:36 informations inutiles tout en gardant 1:39 l'essentiel de faire quelque chose comme 1:41 concis que possible peut être vraiment 1:42 compliqué voire impossible ici je 1:46 essayez d'expliquer la recherche en quelques minutes 1:48 et je n'arrive souvent pas à le faire 1:49 moins de 5 minutes même si ce n'est que 1:52 un résumé d'un article de 20 pages dont il a besoin 1:55 des heures de travail et de mise au point et maintenant je 1:57 peut être remplacé par un ai qui fait cela 2:00 mieux en quelques millisecondes en effet google 2:03 a récemment annoncé un nouveau modèle pour 2:05 générer automatiquement des résumés à l'aide 2:07 apprentissage automatique publié dans google docs 2:09 que vous pouvez déjà utiliser le modèle 2:12 essayez de comprendre l'ensemble du document et 2:14 générer un court résumé de la pièce 2:16 quelque chose de certains professionnels du cinéma 2:18 clairement ne peut toujours pas faire les besoins du modèle 2:21 pour réaliser deux choses comprendre le 2:23 texte dans le document appelé naturel 2:25 compréhension de la langue et générer 2:28 phrases cohérentes utilisant un naturel 2h30 langue ou en d'autres termes effectuer 2:33 génération de langage naturel, mais comment 2:36 vous réalisez que vous l'avez deviné avec un 2:39 beaucoup de données et de puissance de calcul heureusement 2:41 assez c'est la recherche google ils 2:44 formé notre modèle pour reproduire notre 2:46 processus de réflexion pour générer des résumés 2:48 utiliser beaucoup trop de documents avec 2:50 résumés générés manuellement voir tous 2:52 ces exemples, le modèle fait comme n'importe quel 2:55 bon élève et finit par être capable de 2:57 générer des résumés relativement bons pour 2:59 documents similaires à ceux qu'il a vus au cours 3:02 sa phase de formation, vous pouvez voir pourquoi nous 3:04 besoin de données de bonne qualité ici le modèle 3:06 apprendra d'eux que ce ne sera peut-être que comme 3:09 bon que les données qui ont été utilisées pour 3:11 l'entraîner ce sera comme avoir un 3:13 vraiment mauvais entraîneur qui ne sait pas 3:15 tout ce qui concerne le basket-ball essayant de 3:17 apprendre à un nouveau joueur comment ce nouveau 3:19 le joueur devient bon si l'entraîneur 3:21 ne connait rien au sport 3:24 le talent du nouveau venu ne sera pas optimisé 3:26 et pourrait être gaspillé uniquement à cause de la 3:28 mauvais encadrement le défi vient avec 3:31 généraliser à de nouveaux documents 3:33 généraliser est quelque chose d'encore difficile 3:35 pour les élèves qui n'ont appris qu'à 3:37 effectuer les exemples donnés mais n'a pas 3:40 comprendre comment appliquer les formules 3:42 c'est la même chose ici le modèle fait face 3:45 difficultés car il ne peut pas se souvenir de tous 3:47 documents et résumés par coeur il a 3:50 les comprendre ou du moins savoir 3:52 sur quels mots porter son attention 3:55 afin de produire un résumé qui reflète 3:57 le document bien ce dernier sera le plus 4:00 se produira probablement car le modèle ne le fait pas 4:02 vraiment comprendre le document 4:04 comprend comment exécuter la tâche 4:06 qui est malheureusement encore loin 4:09 intelligence de niveau humain mais assez bien 4:11 pour une telle tâche que je viens de mentionner 4:13 attention bien ce n'était pas un 4:16 l'attention des coïncidences peut être la plus 4:18 concept important derrière ce modèle 4:21 en effet tout comme gpt3 ce nouveau modèle 4:24 utilise également l'architecture du transformateur 4:26 et les mécanismes d'attention c'est là que 4:28 un calcul élevé est nécessaire comme vous le savez 4:31 les transformateurs sont gros et puissants 4:34 réseaux mais la plupart du temps un peu trop grand pour 4:36 des outils rapides et efficaces qui doivent être 4:38 disponible en ligne en quelques secondes transformateurs 4:41 la complexité des calculs évolue également avec 4:43 la taille d'entrée, ce qui signifie que le 4:45 plus l'entrée est lourde plus le 4:47 le calcul causera de gros problèmes 4:50 quand on veut résumer tout un livre 4:52 gpt3 fonctionne bien pour les petites entrées comme 4:55 question et partage des tâches mais pareil 4:57 l'architecture ne pourra pas traiter 4:59 des livres entiers efficacement au lieu de cela, ils avaient 5:01 utiliser quelques astuces pour avoir un 5:03 modèle plus petit et plus efficace tout en 5:06 garder des résultats de haute qualité 5:08 l'optimisation a été obtenue en fusionnant 5:10 transformateurs avec rnns ou récurrents 5:13 les réseaux de neurones qui sont deux concepts i 5:16 expliqué dans les vidéos précédentes que je 5:18 recommande fortement de regarder pour une meilleure 5:19 comprendre que les deux vidéos sont liées dans 5:22 la description ci-dessous en bref ça va 5:24 agir de la même manière que gpt3 que vous devriez 5:26 comprendre maintenant de ma vidéo à ce sujet 5:29 mais avec une version plus petite du modèle 5:31 itérer encore et encore jusqu'au modèle 5:34 termine le livre la partie transformateur 5:37 de l'architecture sera responsable 5:39 pour comprendre une petite partie de la 5:41 texte et produire une version codée de 5:44 il le rnn sera responsable de 5:46 empiler et conserver ces connaissances dans 5:48 mémoire parcourant tout le livre 5:51 pour aboutir à la manière la plus concise de 5:53 résumer son contenu en travaillant ensemble 5:56 le mécanisme d'attention ajouté à la 5:58 l'architecture récurrente pourra 6:00 parcourir de longs documents et trouver le 6:02 caractéristiques les plus importantes à mentionner dans 6:04 le résumé comme tout humain le fera de 6:07 bien sûr le modèle n'est pas parfait puisque 6:09 même les écrivains professionnels ne sont pas parfaits 6:11 à résumer leur travail, mais le 6:13 les résultats sont assez impressionnants et 6:15 produit extrêmement efficacement 6:17 recommande fortement de l'essayer pour 6:19 vous-même dans google docs pour créer votre 6:21 pensez-y 6:22 et voilà comment google docs 6:25 synthétisez automatiquement vos documents 6:27 avec leur nouveau machine learning basé 6:29 modèle j'espère que vous avez apprécié cette vidéo si 6:32 alors s'il vous plait prenez une seconde pour laisser un like 6:34 et donnez votre avis sur la vidéo 6:36 et sur ce nouveau modèle allez-vous l'utiliser 6:39 merci d'avoir regardé jusqu'au bout et 6:41 je vous verrai la semaine prochaine avec un autre papier incroyable
