ওভারভিউ
কেভি ক্যাশে একটি ট্রান্সফরমার পূর্ববর্তী টোকেনগুলির জন্য ইতিমধ্যেই গণনা করা কী এবং মান ভেক্টর সংরক্ষণ করে, তাই এটি উত্পন্ন প্রতিটি নতুন শব্দের জন্য তাদের পুনরায় গণনা করতে হবে না। টেক্সট জেনারেশন দ্রুত হওয়ার একমাত্র সবচেয়ে বড় কারণ - এবং দীর্ঘ কথোপকথনের সময় আপনার GPU মেমরি খাওয়ার প্রধান জিনিস।
কেভি ক্যাশে ভাষা-এআই স্ট্যাকের একটি অংশ যা পাঠ্য এবং বক্তৃতা পাঠ, তৈরি, শ্রেণীবিভাগ এবং রূপান্তর করতে ব্যবহৃত হয়।
গভীর ডুব
ট্রান্সফরমারগুলি একবারে একটি টোকেন টেক্সট তৈরি করে এবং প্রতিটি নতুন টোকেনের মনোযোগ স্তরকে প্রতিটি আগের টোকেনের সাথে তুলনা করতে হবে। মনোযোগের প্রক্রিয়া প্রতিটি টোকেনকে একটি প্রশ্ন, কী এবং মান ভেক্টরে পরিণত করে। ক্যাশিং ছাড়া, টোকেন নম্বর 1,000 জেনারেট করা মানে প্রতিটি ধাপে পূর্বের 999টি টোকেনের জন্য কী এবং মান পুনরায় কম্পিউটিং করা হবে — চতুর্মুখী, অপচয়মূলক কাজ। KV ক্যাশে সেই কী এবং মান ভেক্টরগুলিকে প্রথম গণনা করার পরে সংরক্ষণ করে এবং সেগুলি পুনঃব্যবহার করে, তাই প্রতিটি নতুন পদক্ষেপ শুধুমাত্র একক নতুন টোকেনের জন্য ভেক্টর গণনা করে এবং সঞ্চিত ক্যাশেতে উপস্থিত হয়। এটি সিকোয়েন্স দৈর্ঘ্যের সাথে স্কেলিং থেকে মোটামুটি ধ্রুবক পর্যন্ত প্রতি-টোকেন খরচ সঙ্কুচিত করে। ট্রেড-অফ হল মেমরি: ক্যাশে প্রসঙ্গ দৈর্ঘ্য, স্তরের সংখ্যা এবং মনোযোগের মাথার সাথে রৈখিকভাবে বৃদ্ধি পায়, যা প্রায়শই দীর্ঘ-প্রসঙ্গ পরিবেশনে প্রভাবশালী মেমরি গ্রাহক হয়ে ওঠে।
প্রযুক্তিগত অন্তর্দৃষ্টি
'প্রিফিল' পর্যায়ে মডেলটি পুরো প্রম্পট প্রক্রিয়া করে এবং ক্যাশে পূরণ করে; 'ডিকোড'-এর সময় এটি প্রতি ধাপে একটি টোকেনের K/V যুক্ত করে এবং পুনরায় উপস্থিত হয়। ক্যাশের আকার 2 (K এবং V) × স্তর × মাথা × head_dim × ক্রম_দৈর্ঘ্য × ব্যাচ হিসাবে, নির্বাচিত নির্ভুলতায়। এটিকে নিয়ন্ত্রণ করার জন্য, আধুনিক মডেলগুলি মাথা জুড়ে কী/মানগুলি ভাগ করার জন্য দলবদ্ধ-কোয়েরি বা মাল্টি-কোয়েরি মনোযোগ ব্যবহার করে এবং ভিএলএলএম-এর মতো পরিবেশন সিস্টেমগুলি অ-সংলগ্ন ব্লকগুলিতে ক্যাশে বরাদ্দ করতে, ফ্র্যাগমেন্টেশন এবং বর্জ্য কাটাতে PagedAttention ব্যবহার করে।
কেভি ক্যাশে আয়ত্ত করা
কেভি ক্যাশে একটি ট্রান্সফরমার পূর্ববর্তী টোকেনগুলির জন্য ইতিমধ্যেই গণনা করা কী এবং মান ভেক্টর সংরক্ষণ করে, তাই এটি উত্পন্ন প্রতিটি নতুন শব্দের জন্য তাদের পুনরায় গণনা করতে হবে না। টেক্সট জেনারেশন দ্রুত হওয়ার একমাত্র সবচেয়ে বড় কারণ - এবং দীর্ঘ কথোপকথনের সময় আপনার GPU মেমরি খাওয়ার প্রধান জিনিস। কেভি ক্যাশে ভাষা-এআই স্ট্যাকের একটি অংশ যা পাঠ্য এবং বক্তৃতা পাঠ, তৈরি, শ্রেণীবিভাগ এবং রূপান্তর করতে ব্যবহৃত হয়। গভীর বোঝাপড়া তৈরি করতে, কেভি ক্যাশেকে একটি অপারেটিং মডেল হিসাবে বিবেচনা করুন, একটি একক বৈশিষ্ট্য নয়: পছন্দসই ফলাফলগুলি সংজ্ঞায়িত করুন, অনুমানগুলি স্পষ্ট করুন এবং সিস্টেমটি নির্ভরযোগ্যভাবে কী করতে পারে তা এখনও বিশেষজ্ঞের বিচারের প্রয়োজন থেকে আলাদা করুন৷
অনুশীলনে, একটি সমন্বিত যোগাযোগ ব্যবস্থা হিসাবে কেভি ক্যাশে ডিজাইন প্রম্পট, পুনরুদ্ধার এবং পর্যালোচনা লুপগুলি ব্যবহার করে শক্তিশালী দলগুলি। তারা সুস্পষ্ট সাফল্যের মাপকাঠি নথিভুক্ত করে, বাস্তবসম্মত ডেটা এবং কর্মপ্রবাহের বিরুদ্ধে পরীক্ষা করে এবং এককালীন বেঞ্চমার্ক জয়ের পরিবর্তে পর্যবেক্ষিত ব্যর্থতার ধরণগুলির উপর ভিত্তি করে পুনরাবৃত্তি করে। এখানেই তাত্ত্বিক বোঝাপড়া পণ্য, নীতি এবং অপারেশন জুড়ে টেকসই সক্ষমতায় পরিণত হয়।
ভাষার কর্মপ্রবাহ ধারাবাহিকতাকে ত্যাগ না করে দ্রুত অগ্রসর হতে পারে। একই সময়ে, হ্যালুসিনেটেড ফ্যাক্টগুলি নিঃশব্দে রিপোর্ট, সমর্থন প্রবাহ বা গবেষণা আউটপুট প্রবেশ করতে পারে। সবচেয়ে স্থিতিস্থাপক পদ্ধতি হল প্রশাসনিক শৃঙ্খলার সাথে পরীক্ষার গতিকে একত্রিত করা: পাইলট চালান, প্রমাণ ক্যাপচার করুন, সিদ্ধান্তের লগ প্রকাশ করুন এবং মডেল আচরণ, ব্যবহারকারীর প্রত্যাশা এবং নিয়ন্ত্রক প্রয়োজনীয়তাগুলি বিকশিত হওয়ার সাথে সাথে অবিচ্ছিন্ন সুরক্ষাগুলি আপডেট করুন।
কৌশলগত প্রভাব
ভাষার কর্মপ্রবাহ ধারাবাহিকতাকে ত্যাগ না করে দ্রুত অগ্রসর হতে পারে।
ভাষার কর্মপ্রবাহ ধারাবাহিকতাকে ত্যাগ না করে দ্রুত অগ্রসর হতে পারে। উচ্চ-মানের স্থাপনায়, এটি পরিমাপযোগ্য অপারেটিং নিয়ম, মালিকানার সীমানা এবং পুনরাবৃত্ত পর্যালোচনার আচার-অনুষ্ঠানে অনুবাদ করা হয় যাতে দলগুলি অস্পষ্টতার পরিবর্তে আত্মবিশ্বাস বাড়াতে পারে।
এটি ভাষা এবং যোগাযোগ শৈলী জুড়ে অ্যাক্সেস প্রসারিত করে।
এটি ভাষা এবং যোগাযোগ শৈলী জুড়ে অ্যাক্সেস প্রসারিত করে। উচ্চ-মানের স্থাপনায়, এটি পরিমাপযোগ্য অপারেটিং নিয়ম, মালিকানার সীমানা এবং পুনরাবৃত্ত পর্যালোচনার আচার-অনুষ্ঠানে অনুবাদ করা হয় যাতে দলগুলি অস্পষ্টতার পরিবর্তে আত্মবিশ্বাস বাড়াতে পারে।
অটোমেশন পুনরাবৃত্তি পরিচালনা করার সময় দলগুলি বিচারে আরও বেশি সময় ব্যয় করতে পারে।
অটোমেশন পুনরাবৃত্তি পরিচালনা করার সময় দলগুলি বিচারে আরও বেশি সময় ব্যয় করতে পারে। উচ্চ-মানের স্থাপনায়, এটি পরিমাপযোগ্য অপারেটিং নিয়ম, মালিকানার সীমানা এবং পুনরাবৃত্ত পর্যালোচনার আচার-অনুষ্ঠানে অনুবাদ করা হয় যাতে দলগুলি অস্পষ্টতার পরিবর্তে আত্মবিশ্বাস বাড়াতে পারে।
বাস্তব-বিশ্ব বাস্তবায়ন
কথোপকথনের ইতিহাস থেকে ক্যাশড কী/মানগুলিকে প্রতিবারে পুনরায় প্রক্রিয়া করার পরিবর্তে পুনরায় ব্যবহার করে চ্যাটবট উত্তরগুলিকে ত্বরান্বিত করুন।
প্রিফিক্স ক্যাশিং যা অনেক ব্যবহারকারীর মধ্যে একটি দীর্ঘ সিস্টেম প্রম্পটের জন্য ক্যাশে ভাগ করে, খরচ এবং লেটেন্সি কমিয়ে দেয়।
vLLM-এর PagedAttention ব্লকে কেভি ক্যাশে ম্যানেজ করে একটি জিপিইউতে অনেকগুলো সমসাময়িক অনুরোধকে দক্ষতার সাথে পরিবেশন করে।
সীমিত GPU মেমরিতে দীর্ঘ প্রসঙ্গ ফিট করার জন্য কম নির্ভুলতার জন্য KV ক্যাশে পরিমাপ করা।
বাস্তবায়ন নিদর্শন
অনুশীলনে কেভি ক্যাশে
কথোপকথনের ইতিহাস থেকে ক্যাশড কী/মানগুলিকে প্রতিবারে পুনরায় প্রক্রিয়া করার পরিবর্তে পুনরায় ব্যবহার করে চ্যাটবট উত্তরগুলিকে ত্বরান্বিত করুন।
কথোপকথনের ইতিহাস থেকে ক্যাশড কী/মানগুলিকে পুনঃপ্রক্রিয়া করার পরিবর্তে পুনরায় ব্যবহার করে চ্যাটবট উত্তরের গতি বাড়ানো
অনুশীলনে কেভি ক্যাশে
প্রিফিক্স ক্যাশিং যা অনেক ব্যবহারকারীর মধ্যে একটি দীর্ঘ সিস্টেম প্রম্পটের জন্য ক্যাশে ভাগ করে, খরচ এবং লেটেন্সি কমিয়ে দেয়।
প্রিফিক্স ক্যাশিং যা অনেক ব্যবহারকারীর মধ্যে একটি দীর্ঘ সিস্টেম প্রম্পটের জন্য ক্যাশে ভাগ করে, খরচ এবং লেটেন্সি কাটা দলগুলি সাধারণত ভাল ফলাফল পায় যখন তারা সামনের মানের থ্রেশহোল্ডগুলিকে সংজ্ঞায়িত করে, প্রান্তের ক্ষেত্রে একটি মানবিক বৃদ্ধির পথ রাখে এবং সময়ের সাথে সাথে উত্পাদনশীলতা লাভ এবং ত্রুটির খরচ উভয়ই ট্র্যাক করে৷
অনুশীলনে কেভি ক্যাশে
vLLM-এর PagedAttention ব্লকে কেভি ক্যাশে ম্যানেজ করে একটি জিপিইউতে অনেকগুলো সমসাময়িক অনুরোধকে দক্ষতার সাথে পরিবেশন করে।
vLLM-এর PagedAttention ব্লকগুলিতে KV ক্যাশে পরিচালনা করে একটি GPU-তে দক্ষতার সাথে অনেকগুলি সমসাময়িক অনুরোধ পরিবেশন করে দলগুলি সাধারণত আরও ভাল ফলাফল পায় যখন তারা সামনের মানের থ্রেশহোল্ডগুলিকে সংজ্ঞায়িত করে, প্রান্তের ক্ষেত্রে একটি মানবিক বৃদ্ধির পথ রাখে এবং সময়ের সাথে সাথে উত্পাদনশীলতা লাভ এবং ত্রুটির খরচ উভয়ই ট্র্যাক করে৷
অনুশীলনে কেভি ক্যাশে
সীমিত GPU মেমরিতে দীর্ঘ প্রসঙ্গ ফিট করার জন্য কম নির্ভুলতার জন্য KV ক্যাশে পরিমাপ করা।
সীমিত GPU মেমরিতে দীর্ঘ প্রসঙ্গগুলিকে ফিট করার জন্য KV ক্যাশে কম নির্ভুলতার জন্য কোয়ান্টাইজ করা দলগুলি সাধারণত ভাল ফলাফল পায় যখন তারা সামনের মানের থ্রেশহোল্ডগুলিকে সংজ্ঞায়িত করে, প্রান্তের ক্ষেত্রে একটি মানবিক বৃদ্ধির পথ রাখে এবং সময়ের সাথে সাথে উত্পাদনশীলতা লাভ এবং ত্রুটির খরচ উভয়ই ট্র্যাক করে৷
ঝুঁকি এবং প্রহরী
হ্যালুসিনেটেড ফ্যাক্টগুলি শান্তভাবে রিপোর্ট, সমর্থন প্রবাহ, বা গবেষণা আউটপুট প্রবেশ করতে পারে।
প্রম্পট সংবেদনশীলতা অনুরূপ অনুরোধ জুড়ে অসামঞ্জস্যপূর্ণ ফলাফল তৈরি করতে পারে।
অ্যাক্সেস কন্ট্রোল দুর্বল হলে সংবেদনশীল পাঠ্য ডেটা উন্মুক্ত হতে পারে।
বাস্তবায়ন রোডম্যাপ
রোলআউট করার আগে আউটপুট ফর্ম্যাট, টোন এবং মানের মান নির্ধারণ করুন।
রোলআউট করার আগে আউটপুট ফর্ম্যাট, টোন এবং মানের মান নির্ধারণ করুন। প্রতিটি পদক্ষেপকে একটি প্রমাণ গেট হিসাবে বিবেচনা করুন: যদি মানদণ্ড পূরণ না হয়, রোলআউট থামান, ব্যবধান বন্ধ করুন এবং শুধুমাত্র তারপর ব্যবহার প্রসারিত করুন।
যখনই নির্ভুলতা গুরুত্বপূর্ণ তখন বিশ্বস্ত উত্সের সাথে গ্রাউন্ড প্রতিক্রিয়া।
যখনই নির্ভুলতা গুরুত্বপূর্ণ তখন বিশ্বস্ত উত্সের সাথে গ্রাউন্ড প্রতিক্রিয়া। প্রতিটি পদক্ষেপকে একটি প্রমাণ গেট হিসাবে বিবেচনা করুন: যদি মানদণ্ড পূরণ না হয়, রোলআউট থামান, ব্যবধান বন্ধ করুন এবং শুধুমাত্র তারপর ব্যবহার প্রসারিত করুন।
উচ্চ-স্টেকের আউটপুটগুলির জন্য একটি মানব পর্যালোচনা চেকপয়েন্ট রাখুন।
উচ্চ-স্টেকের আউটপুটগুলির জন্য একটি মানব পর্যালোচনা চেকপয়েন্ট রাখুন। প্রতিটি পদক্ষেপকে একটি প্রমাণ গেট হিসাবে বিবেচনা করুন: যদি মানদণ্ড পূরণ না হয়, রোলআউট থামান, ব্যবধান বন্ধ করুন এবং শুধুমাত্র তারপর ব্যবহার প্রসারিত করুন।
ব্যর্থতার নিদর্শনগুলি ট্র্যাক করুন এবং প্রম্পট বা ওয়ার্কফ্লোগুলিকে নিয়মিতভাবে পুনরায় প্রশিক্ষণ দিন।
ব্যর্থতার নিদর্শনগুলি ট্র্যাক করুন এবং প্রম্পট বা ওয়ার্কফ্লোগুলিকে নিয়মিতভাবে পুনরায় প্রশিক্ষণ দিন। প্রতিটি পদক্ষেপকে একটি প্রমাণ গেট হিসাবে বিবেচনা করুন: যদি মানদণ্ড পূরণ না হয়, রোলআউট থামান, ব্যবধান বন্ধ করুন এবং শুধুমাত্র তারপর ব্যবহার প্রসারিত করুন।