Byte Latent Transformers : quand l’IA apprend le sens des textes sans utiliser de dictionnaire

Meta vient de publier leurs premiers modèles sans tokenizer, entraînés directement sur des octets : les Byte Latent Transformers.

Jusqu’à présent, les modèles d’intelligence artificielle qui traitent du texte (comme ChatGPT, Llama, etc.) utilisent ce qu’on appelle un tokenizer. C’est un système qui découpe les textes en “mots” ou en morceaux de mots appelés tokens. Par exemple, “chat” est un token, mais un mot plus long ou rare va être découpé en plusieurs tokens. Ce découpage dépend d’un dictionnaire et de certaines règles, qui sont elles-mêmes apprises à partir de textes existants, souvent en anglais.

Problème

Cette méthode n’est pas idéale pour toutes les langues. Par exemple, pour le français, les mots sont plus souvent découpés en plusieurs tokens qu’en anglais. C’est encore plus vrai pour les langues peu représentées dans les bases de données. Résultat : il faut plus de calculs pour comprendre ou générer une phrase dans ces langues (parce qu’au lieu de manipuler un seul token par mot, le modèle manipule plusieurs morceaux), ce qui coûte plus cher et peut diminuer la qualité.

Ce qu’apporte Byte Latent Transformer (BLT)

Au lieu de découper le texte en tokens selon un dictionnaire, BLT travaille directement sur les bytes (octets) du texte, c’est-à-dire la version la plus “brute” et universelle possible. Le modèle analyse le texte comme une suite d’octets, sans avoir besoin d’un tokenizer.

Challenge technique

Travailler byte par byte a été tenté auparavant mais ça ralentit énormément le modèle (jusqu’à 5 fois plus lent), car chaque caractère ou morceau de mot devient un élément à prédire.

La solution BLT

BLT regroupe les bytes en séquences intelligentes selon une mesure de “facilité” appelée entropie :

• Les morceaux faciles à deviner (faible entropie) sont fusionnés en plus gros “patches”.
• Les morceaux difficiles ou “importants” restent isolés, pour que le modèle s’y concentre davantage.

En bref, le modèle distribue son effort de manière intelligente : il passe moins de temps sur le banal et plus de temps sur le compliqué (un peu comme quelqu’un qui lit rapidement ce qu’il connaît déjà et ralentit quand il rencontre quelque chose de difficile à comprendre).

Cette façon de faire se rapproche de ce qui existe pour les images, où l'on découpe une image en “patchs” pour l’analyser.

Avantages potentiels

• Adapté à toutes les langues (puisque tous les textes sont convertis en bytes, le découpage ne dépend plus d’une langue particulière)
• Meilleure gestion des textes “bruyants” ou mal encodés (par exemple, des documents scannés avec des erreurs)
• Optimisation des performances : le calcul est concentré sur ce qui est complexe, donc potentiellement plus efficace.

Limite actuelle

Pour l’instant, ce modèle n’a été entraîné que sur des textes anglais. Mais l’approche pourrait théoriquement s’appliquer à toutes les langues, voire à des contenus non-textuels (images, vidéos), car tout est suite de bytes sur un ordinateur.

Découvrez-ces modèles sur Hugging Face (en accès limité pour l'instant).