ওভারভিউ
মাল্টি-কোয়েরি অ্যাটেনশন (MQA) হল ট্রান্সফরমার মনোযোগের উপর একটি মেমরি-সেভিং টুইস্ট যা সমস্ত মনোযোগের মাথায় এক সেট কী এবং মান শেয়ার করে। এটি নাটকীয়ভাবে মেমরিকে সঙ্কুচিত করে টেক্সট জেনারেশনের গতি বাড়ায় যা মডেলের চারপাশে এলোমেলো করতে হবে।
মাল্টি-কোয়েরি অ্যাটেনশন হল ভাষা-এআই স্ট্যাকের অংশ যা পাঠ্য এবং বক্তৃতা পাঠ, তৈরি, শ্রেণীবিভাগ এবং রূপান্তর করতে ব্যবহৃত হয়।
গভীর ডুব
স্ট্যান্ডার্ড মাল্টি-হেড মনোযোগ প্রতিটি মাথাকে তার নিজস্ব প্রশ্ন, কী, এবং মান অনুমান দেয়। জেনারেশনের সময়, অতীতের সমস্ত টোকেনের জন্য কী এবং মানগুলি অবশ্যই ক্যাশে করা এবং প্রতিটি ধাপে পুনরায় লোড করা উচিত — এই কেভি ক্যাশে প্রধান বাধা হয়ে দাঁড়ায়, যেহেতু মেমরি থেকে এটি পড়া গণিতের চেয়ে ধীর। 2019 সালে Noam Shazeer দ্বারা প্রস্তাবিত মাল্টি-কোয়েরি অ্যাটেনশন, মাথা পিছু আলাদা ক্যোয়ারী প্রজেকশন রাখে কিন্তু কী এবং মানগুলিকে একক শেয়ার করা হেডে ভেঙে দেয়। এটি হেডের সংখ্যার সমান একটি গুণক দ্বারা কেভি ক্যাশে সঙ্কুচিত করে, কখনও কখনও 8x থেকে 64x ছোট। ফলাফল হল অনেক দ্রুত অটোরিগ্রেসিভ ডিকোডিং এবং একটি হালকা মেমরি ফুটপ্রিন্ট, শুধুমাত্র একটি শালীন মানের ডিপ সহ। একটি মধ্যম স্থল, গোষ্ঠীবদ্ধ-কোয়েরি মনোযোগ, বাণিজ্য বন্ধের ভারসাম্য বজায় রাখে।
প্রযুক্তিগত অন্তর্দৃষ্টি
MQA-তে, ক্যোয়ারী ওজনগুলি এখনও H পৃথক ক্যোয়ারী ভেক্টর তৈরি করে, তবে একটি একক কী অভিক্ষেপ এবং একক মান অভিক্ষেপ সমস্ত মাথা জুড়ে ভাগ করা হয়। প্রতিটি মাথা একই কী এবং মানগুলির বিরুদ্ধে নিজস্ব ক্যোয়ারী ব্যবহার করে মনোযোগ গণনা করে। কারণ ক্যাশ করা K এবং V টেনসরগুলি আর মাথার সংখ্যার সাথে স্কেল করে না, ডিকোডিংয়ের সময় মেমরি ব্যান্ডউইথ দ্রুত হ্রাস পায় — এবং ব্যান্ডউইথ, গণনা নয়, যা আধুনিক এক্সিলারেটরগুলিতে গেট জেনারেশনের গতি বাড়িয়ে দেয়।
মাল্টি-কোয়েরি মনোযোগ আয়ত্ত করা
মাল্টি-কোয়েরি অ্যাটেনশন (MQA) হল ট্রান্সফরমার মনোযোগের উপর একটি মেমরি-সেভিং টুইস্ট যা সমস্ত মনোযোগের মাথায় এক সেট কী এবং মান শেয়ার করে। এটি নাটকীয়ভাবে মেমরিকে সঙ্কুচিত করে টেক্সট জেনারেশনের গতি বাড়ায় যা মডেলের চারপাশে এলোমেলো করতে হবে। মাল্টি-কোয়েরি অ্যাটেনশন হল ভাষা-এআই স্ট্যাকের অংশ যা পাঠ্য এবং বক্তৃতা পাঠ, তৈরি, শ্রেণীবিভাগ এবং রূপান্তর করতে ব্যবহৃত হয়। গভীর বোঝাপড়া তৈরি করতে, মাল্টি-কোয়েরি অ্যাটেনশনকে 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 মাল্টি-কোয়েরি অ্যাটেনশন 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
চ্যাট অ্যাসিস্ট্যান্টগুলিতে টোকেন-বাই-টোকেন প্রজন্মের গতি বাড়ানো যেখানে কেভি ক্যাশে, কাঁচা গণনা নয়, থ্রুপুট সীমাবদ্ধ করে।
Google-এর PaLM, যা দক্ষ বড়-স্কেল অনুমান সক্ষম করতে বহু-কোয়েরি মনোযোগ ব্যবহার করে।
প্রতি-অনুরোধ KV ক্যাশে মেমরি সঙ্কুচিত করে একটি GPU-তে অনেক সমসাময়িক ব্যবহারকারীদের পরিবেশন করা হচ্ছে।
Llama 2 70B এবং Llama 3-এ গোষ্ঠীবদ্ধ-কোয়েরি মনোযোগ, সম্পূর্ণ-মনোযোগ গুণের সাথে MQA-এর গতির ভারসাম্য রক্ষাকারী সরাসরি বংশধর।
বাস্তবায়ন নিদর্শন
অনুশীলনে মাল্টি-কোয়েরি মনোযোগ
চ্যাট অ্যাসিস্ট্যান্টগুলিতে টোকেন-বাই-টোকেন প্রজন্মের গতি বাড়ানো যেখানে কেভি ক্যাশে, কাঁচা গণনা নয়, থ্রুপুট সীমাবদ্ধ করে।
চ্যাট অ্যাসিস্ট্যান্টগুলিতে টোকেন-বাই-টোকেন জেনারেশনের গতি বাড়ানো যেখানে কেভি ক্যাশে, কাঁচা গণনা নয়, থ্রুপুট সীমিত 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 মাল্টি-কোয়েরি মনোযোগ
Google-এর PaLM, যা দক্ষ বড়-স্কেল অনুমান সক্ষম করতে বহু-কোয়েরি মনোযোগ ব্যবহার করে।
Google এর PaLM, যেটি দক্ষ বড়-স্কেল ইনফারেন্স সক্ষম করতে মাল্টি-কোয়েরি অ্যাটেনশন ব্যবহার 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
অনুশীলনে মাল্টি-কোয়েরি মনোযোগ
প্রতি-অনুরোধ KV ক্যাশে মেমরি সঙ্কুচিত করে একটি GPU-তে অনেক সমসাময়িক ব্যবহারকারীদের পরিবেশন করা হচ্ছে।
প্রতি-রিকোয়েস্ট কেভি ক্যাশে মেমরি সঙ্কুচিত করে একটি GPU-তে অনেক সমসাময়িক ব্যবহারকারীদের পরিবেশন 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 মাল্টি-কোয়েরি মনোযোগ
Llama 2 70B এবং Llama 3-এ গোষ্ঠীবদ্ধ-কোয়েরি মনোযোগ, সম্পূর্ণ-মনোযোগ গুণের সাথে MQA-এর গতির ভারসাম্য রক্ষাকারী সরাসরি বংশধর।
Llama 2 70B এবং Llama 3-এ গোষ্ঠীবদ্ধ-কোয়েরি মনোযোগ, সম্পূর্ণ-মনোযোগ মানের সাথে MQA-এর গতির ভারসাম্যপূর্ণ একটি সরাসরি বংশধর 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
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।