ওভারভিউ
কেভি ক্যাশে একটি ট্রান্সফরমার ইতিমধ্যেই গণনা করা কী এবং মানগুলি সংরক্ষণ করে তাই এটি প্রতিটি নতুন টোকেনের জন্য পুনরায় কাজ করে না — তবে এটি গিগাবাইটে বেলুন করতে পারে। কেভি ক্যাশে অপ্টিমাইজেশান সেই মেমরিকে সঙ্কুচিত করে এবং পরিচালনা করে যাতে মডেলগুলি একবারে আরও ব্যবহারকারীদের কাছে দীর্ঘ প্রসঙ্গ পরিবেশন করে।
কেভি ক্যাশে অপ্টিমাইজেশান হল একটি প্রযুক্তিগত বিল্ডিং ব্লক যা মডেলের গুণমান, পরিকাঠামোর খরচ, লেটেন্সি এবং স্কেলে নির্ভরযোগ্যতাকে প্রভাবিত করে।
গভীর ডুব
একটি ট্রান্সফরমারে, প্রতিটি নতুন টোকেন মনোযোগের কী (K) এবং মান (V) এর মাধ্যমে আগের সমস্ত টোকেনগুলিতে উপস্থিত হয়। প্রতিটি ধাপে পুরো সিকোয়েন্সের জন্য K এবং V পুনরায় কম্পিউট করা হবে দ্বিঘাতমূলক এবং অপব্যয়, তাই মডেলগুলি তাদের ক্যাশে করে: কেভি ক্যাশে। নেতিবাচক দিক হল আকার। ক্যাশে ক্রম দৈর্ঘ্য, ব্যাচের আকার, স্তর এবং মাথার সাথে রৈখিকভাবে বৃদ্ধি পায়, তাই একটি দীর্ঘ-প্রসঙ্গ অনুরোধ মডেলের ওজনের চেয়ে বেশি GPU মেমরি গ্রহণ করতে পারে। অপ্টিমাইজেশান বিভিন্ন কোণ থেকে এটিকে মোকাবেলা করে: পেজড মেমরি (ভিএলএলএমের পেজডঅ্যাটেনশন) ফ্র্যাগমেন্টেশন দূর করতে এবং ভাগাভাগি সক্ষম করতে অ-সংলগ্ন ব্লকগুলিতে ক্যাশে সংরক্ষণ করে; কোয়ান্টাইজেশন K এবং V 8-বিট বা 4-বিটে সঞ্চয় করে; এবং গ্রুপড-কোয়েরি অ্যাটেনশন (GQA) এবং মাল্টি-কোয়েরি অ্যাটেনশন (MQA) এর মতো আর্কিটেকচারাল পরিবর্তনগুলি অনেক ক্যোয়ারী হেডকে কম কী/মান হেড শেয়ার করতে দেয়, উৎসে ক্যাশে সাইজ কমিয়ে দেয়।
প্রযুক্তিগত অন্তর্দৃষ্টি
PagedAttention অপারেটিং সিস্টেমগুলি থেকে ভার্চুয়াল-মেমরি পেজিং ধার করে: ক্যাশে একটি লুকআপ টেবিলের মাধ্যমে ম্যাপ করা নির্দিষ্ট-আকারের ব্লকগুলিতে থাকে, তাই অনুরোধগুলি শুধুমাত্র তাদের প্রয়োজনীয় ব্লকগুলি ব্যবহার করে এবং অভিন্ন উপসর্গগুলি (যেমন একটি ভাগ করা সিস্টেম প্রম্পট) একই ব্লকগুলিকে নির্দেশ করতে পারে৷ মাল্টি-হেড ল্যাটেন্ট অ্যাটেনশন (এমএলএ), ডিপসিক মডেলগুলিতে ব্যবহৃত, কে এবং ভিকে একটি ছোট ভাগ করা সুপ্ত ভেক্টরে সংকুচিত করে, নির্ভুলতা বজায় রেখে নাটকীয়ভাবে মেমরি কাটে।
কেভি ক্যাশে অপ্টিমাইজেশান মাস্টারিং
কেভি ক্যাশে একটি ট্রান্সফরমার ইতিমধ্যেই গণনা করা কী এবং মানগুলি সংরক্ষণ করে তাই এটি প্রতিটি নতুন টোকেনের জন্য পুনরায় কাজ করে না — তবে এটি গিগাবাইটে বেলুন করতে পারে। কেভি ক্যাশে অপ্টিমাইজেশান সেই মেমরিকে সঙ্কুচিত করে এবং পরিচালনা করে যাতে মডেলগুলি একবারে আরও ব্যবহারকারীদের কাছে দীর্ঘ প্রসঙ্গ পরিবেশন করে। কেভি ক্যাশে অপ্টিমাইজেশান হল একটি প্রযুক্তিগত বিল্ডিং ব্লক যা মডেলের গুণমান, পরিকাঠামোর খরচ, লেটেন্সি এবং স্কেলে নির্ভরযোগ্যতাকে প্রভাবিত করে। গভীর বোঝাপড়া তৈরি করতে, কেভি ক্যাশে অপ্টিমাইজেশনকে 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 রায়ের প্রয়োজন থেকে আলাদা করুন৷
অনুশীলনে, কেভি ক্যাশে অপ্টিমাইজেশান ব্যবহার করে শক্তিশালী দলগুলি নির্ভরযোগ্যতা এবং খরচের বিপরীতে আর্কিটেকচার, ডেটা এবং অবকাঠামো পছন্দকে অপ্টিমাইজ করে। 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।
আর্কিটেকচারের সিদ্ধান্তগুলি বছরের পর বছর ধরে কর্মক্ষমতা এবং অপারেটিং খরচ চালায়। একই সময়ে, একটি বেঞ্চমার্ক অপ্টিমাইজ করা বৃহত্তর সিস্টেম দুর্বলতা আড়াল 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
আর্কিটেকচারের সিদ্ধান্তগুলি বছরের পর বছর ধরে কর্মক্ষমতা এবং অপারেটিং খরচ চালায়।
আর্কিটেকচারের সিদ্ধান্তগুলি বছরের পর বছর ধরে কর্মক্ষমতা এবং অপারেটিং খরচ চালায়। উচ্চ-মানের স্থাপনায়, এটি পরিমাপযোগ্য অপারেটিং নিয়ম, মালিকানার সীমানা এবং পুনরাবৃত্ত পর্যালোচনার আচার-অনুষ্ঠানে অনুবাদ করা হয় যাতে দলগুলি অস্পষ্টতার পরিবর্তে আত্মবিশ্বাস বাড়াতে পারে।
কারিগরি শিক্ষা দলগুলোকে সঠিক স্ট্যাক বেছে নিতে সাহায্য করে, শুধু নতুনটি নয়।
কারিগরি শিক্ষা দলগুলোকে সঠিক স্ট্যাক বেছে নিতে সাহায্য করে, শুধু নতুনটি নয়। উচ্চ-মানের স্থাপনায়, এটি পরিমাপযোগ্য অপারেটিং নিয়ম, মালিকানার সীমানা এবং পুনরাবৃত্ত পর্যালোচনার আচার-অনুষ্ঠানে অনুবাদ করা হয় যাতে দলগুলি অস্পষ্টতার পরিবর্তে আত্মবিশ্বাস বাড়াতে পারে।
ভালো ইঞ্জিনিয়ারিং পছন্দ উৎপাদনে নির্ভরযোগ্যতার ঘটনা কমিয়ে দেয়।
ভালো ইঞ্জিনিয়ারিং পছন্দ উৎপাদনে নির্ভরযোগ্যতার ঘটনা কমিয়ে দেয়। 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
vLLM-এর PagedAttention মেমরি ফ্র্যাগমেন্টেশন ছাড়াই KV ব্লক প্যাক করে অনেক সমসাময়িক চ্যাট সেশন পরিবেশন করে
লামা মডেলগুলিতে গোষ্ঠীবদ্ধ-কোয়েরি মনোযোগ কেভি ক্যাশের আকার হ্রাস করে যাতে দীর্ঘ প্রসঙ্গগুলি GPU মেমরিতে ফিট করে
দীর্ঘ-নথির সংক্ষিপ্তকরণের সময় ক্যাশে মেমরিকে মোটামুটি অর্ধেক করতে কেভি ক্যাশে 8-বিট (KV8) এ পরিমাপ করা
প্রিফিক্স ক্যাশিং যা হাজার হাজার API অনুরোধ জুড়ে একটি শেয়ার্ড সিস্টেম প্রম্পটের KV ব্লক পুনরায় ব্যবহার করে
বাস্তবায়ন নিদর্শন
অনুশীলনে কেভি ক্যাশে অপ্টিমাইজেশান
vLLM-এর PagedAttention মেমরি ফ্র্যাগমেন্টেশন ছাড়াই KV ব্লক প্যাক করে অনেক সমসাময়িক চ্যাট সেশন পরিবেশন করে।
vLLM-এর PagedAttention মেমরি ফ্র্যাগমেন্টেশন ছাড়াই KV ব্লক প্যাক করে অনেক সমসাময়িক চ্যাট সেশন পরিবেশন করে 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 করে।
অনুশীলনে কেভি ক্যাশে অপ্টিমাইজেশান
লামা মডেলগুলিতে গোষ্ঠীবদ্ধ-কোয়েরি মনোযোগ KV ক্যাশের আকার হ্রাস করে যাতে দীর্ঘ প্রসঙ্গগুলি GPU মেমরিতে ফিট হয়৷
লামা মডেলগুলিতে গোষ্ঠীবদ্ধ-কোয়েরি মনোযোগ KV ক্যাশের আকার হ্রাস করে যাতে দীর্ঘ প্রসঙ্গগুলি GPU মেমরিতে ফিট হয় 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 অপ্টিমাইজেশান
দীর্ঘ-নথির সংক্ষিপ্তকরণের সময় ক্যাশে মেমরি মোটামুটি অর্ধেক করার জন্য কেভি ক্যাশে 8-বিট (KV8) এ কোয়ান্টাইজ করা।
দীর্ঘ-দস্তাবেজ সংক্ষিপ্তকরণের সময় ক্যাশ মেমরিকে মোটামুটিভাবে অর্ধেক করার জন্য কেভি ক্যাশে 8-বিট (KV8) এ পরিমাপ 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
অনুশীলনে কেভি ক্যাশে অপ্টিমাইজেশান
উপসর্গ ক্যাশিং যা হাজার হাজার API অনুরোধ জুড়ে একটি ভাগ করা সিস্টেম প্রম্পটের KV ব্লকগুলিকে পুনরায় ব্যবহার করে।
উপসর্গ ক্যাশিং যা হাজার হাজার API অনুরোধ জুড়ে একটি শেয়ার্ড সিস্টেম প্রম্পটের KV ব্লকগুলিকে পুনঃব্যবহার করে 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
একটি বেঞ্চমার্ক অপ্টিমাইজ করা বৃহত্তর সিস্টেম দুর্বলতা আড়াল করতে পারে।
অবকাঠামো এবং রক্ষণাবেক্ষণের খরচ প্রায়ই অবমূল্যায়ন করা হয়।
সিস্টেমগুলি আরও জটিল হওয়ার সাথে সাথে সুরক্ষা এবং পর্যবেক্ষণযোগ্যতার ফাঁক বাড়তে পারে।
বাস্তবায়ন রোডম্যাপ
বাস্তবায়নের আগে বিলম্ব, গুণমান এবং খরচের লক্ষ্য নির্ধারণ করুন।
বাস্তবায়নের আগে বিলম্ব, গুণমান এবং খরচের লক্ষ্য 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।
বাস্তবসম্মত লোড এবং ডেটা অবস্থার অধীনে বেঞ্চমার্ক।
বাস্তবসম্মত লোড এবং ডেটা অবস্থার অধীনে বেঞ্চমার্ক। প্রতিটি পদক্ষেপকে একটি প্রমাণ গেট হিসাবে বিবেচনা করুন: যদি মানদণ্ড পূরণ না হয়, রোলআউট থামান, ব্যবধান বন্ধ করুন এবং শুধুমাত্র তারপর ব্যবহার প্রসারিত করুন।
ত্রুটি, প্রবাহ, এবং ব্যবহারকারীর প্রভাবের জন্য যন্ত্র পর্যবেক্ষণ।
ত্রুটি, প্রবাহ, এবং ব্যবহারকারীর প্রভাবের জন্য যন্ত্র পর্যবেক্ষণ। প্রতিটি পদক্ষেপকে একটি প্রমাণ গেট হিসাবে বিবেচনা করুন: যদি মানদণ্ড পূরণ না হয়, রোলআউট থামান, ব্যবধান বন্ধ করুন এবং শুধুমাত্র তারপর ব্যবহার প্রসারিত করুন।
স্কেল করার আগে রোলব্যাক এবং ঘটনার প্রতিক্রিয়া পাথ প্রস্তুত করুন।
স্কেল করার আগে রোলব্যাক এবং ঘটনার প্রতিক্রিয়া পাথ প্রস্তুত 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।