Aperçu
Chinchilla est une découverte de DeepMind de 2022 selon laquelle la plupart des grands modèles de langage étaient mal sous-entraînés : pour un budget de calcul fixe, vous devez mettre à l'échelle les paramètres et les données à peu près de manière égale, et pas seulement créer un modèle plus grand. Il a remodelé la façon dont l'industrie équilibre la taille du modèle par rapport aux données de formation.
Chinchilla Compute-Optimal Training fait partie de la boîte à outils de base de l'IA. Lorsque vous le comprenez, d’autres sujets liés à l’IA deviennent plus faciles à évaluer et à comparer.
Plongée profonde
L'article Chinchilla de DeepMind a revisité la mise à l'échelle et formé plus de 400 modèles pour trouver l'équilibre optimal en matière de calcul. La règle générale : la taille du modèle et les jetons de formation doivent croître au même rythme, environ 20 jetons de formation par paramètre. Pour le prouver, ils ont formé Chinchilla, un modèle de 70 milliards de paramètres sur 1,4 billion de jetons, en utilisant le même calcul que le Gopher de 280 milliards de paramètres formé sur beaucoup moins de jetons. Chinchilla, bien qu'il soit quatre fois plus petit, a surpassé Gopher, GPT-3 et d'autres géants sur presque tous les points de référence. La leçon a renversé la conclusion précédente de OpenAI qui privilégiait la taille aux données, montrant que de nombreux modèles phares laissaient les performances sur la table en étant trop gros et trop gourmands en données.
Aperçu technique
Perte d'ajustement du chinchilla comme L(N,D) = E + A·N^(-α) + B·D^(-β), avec α et β tous deux proches de 0,34, ce qui signifie que les paramètres et les données contribuent de manière presque symétrique. L'optimisation de cela sous une contrainte de calcul fixe (calcul ≈ 6·N·D pour les transformateurs) donne le résultat d'une mise à l'échelle égale. Un modèle plus petit et riche en données est également moins coûteux à exécuter en inférence, de sorte que son avantage s'accroît dans le déploiement, et pas seulement dans la formation.
Maîtriser la formation Chinchilla Compute-Optimal
Chinchilla est une découverte de DeepMind de 2022 selon laquelle la plupart des grands modèles de langage étaient mal sous-entraînés : pour un budget de calcul fixe, vous devez mettre à l'échelle les paramètres et les données à peu près de manière égale, et pas seulement créer un modèle plus grand. Il a remodelé la façon dont l'industrie équilibre la taille du modèle par rapport aux données de formation. Chinchilla Compute-Optimal Training fait partie de la boîte à outils de base de l'IA. Lorsque vous le comprenez, d’autres sujets liés à l’IA deviennent plus faciles à évaluer et à comparer. Pour acquérir une compréhension approfondie, traitez Chinchilla Compute-Optimal Training comme un modèle opérationnel et non comme une seule fonctionnalité : définissez les résultats souhaités, clarifiez les hypothèses et séparez ce que le système peut faire de manière fiable de ce qui nécessite encore un jugement d'expert.
Dans la pratique, les équipes solides utilisant Chinchilla Compute-Optimal Training construisent d'abord des modèles conceptuels solides, puis mappent ces modèles aux contraintes de production réelles. Ils documentent des critères de réussite explicites, testent par rapport à des données et des flux de travail réalistes et itèrent en fonction des modèles d'échec observés plutôt que des victoires de référence ponctuelles. C’est là que la compréhension théorique se transforme en capacité durable au niveau des produits, des politiques et des opérations.
Il vous aide à séparer les affirmations techniques claires du langage marketing. Dans le même temps, différentes équipes peuvent utiliser le même terme différemment, alors définissez la portée dès le début. L'approche la plus résiliente consiste à combiner vitesse d'expérimentation et discipline de gouvernance : exécuter des projets pilotes, capturer des preuves, publier des journaux de décision et mettre à jour en permanence les protections à mesure que le comportement du modèle, les attentes des utilisateurs et les exigences réglementaires évoluent.
Impact stratégique
Il vous aide à séparer les affirmations techniques claires du langage marketing.
Il vous aide à séparer les affirmations techniques claires du langage marketing. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Vous pouvez poser de meilleures questions de mise en œuvre avant de dépenser de l'argent ou du temps.
Vous pouvez poser de meilleures questions de mise en œuvre avant de dépenser de l'argent ou du temps. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Les équipes partageant une compréhension commune prennent de meilleures décisions en matière de produits, de politiques et d’apprentissage.
Les équipes partageant une compréhension commune prennent de meilleures décisions en matière de produits, de politiques et d’apprentissage. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Mise en œuvre dans le monde réel
Choisir de former un modèle de 7 milliards de paramètres sur 2 000 milliards de jetons plutôt qu'un modèle de 30 milliards sur trop peu de données pour le même budget.
On estime qu'un modèle de 10 milliards de paramètres nécessite environ 200 milliards de jetons pour atteindre le point idéal de calcul optimal.
Justifier un modèle déployé plus petit pour réduire les coûts d'inférence par requête tout en égalant la qualité d'un rival plus grand.
Auditer un modèle existant et conclure qu'il était sous-entraîné, puis planifier une formation plus longue au lieu d'une augmentation des paramètres.
Modèles de mise en œuvre
Entraînement Chinchilla Compute-Optimal en pratique
Choisir de former un modèle de 7 milliards de paramètres sur 2 000 milliards de jetons plutôt qu'un modèle de 30 milliards sur trop peu de données pour le même budget.
Choisir d'entraîner un modèle de 7 milliards de paramètres sur 2 000 milliards de jetons plutôt qu'un modèle de 30 milliards sur trop peu de données pour le même budget Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Entraînement Chinchilla Compute-Optimal en pratique
On estime qu'un modèle de 10 milliards de paramètres nécessite environ 200 milliards de jetons pour atteindre le point idéal de calcul optimal.
On estime qu'un modèle de 10 milliards de paramètres nécessite qu'environ 200 milliards de jetons atteignent le point idéal de calcul optimal. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Entraînement Chinchilla Compute-Optimal en pratique
Justifier un modèle déployé plus petit pour réduire les coûts d'inférence par requête tout en égalant la qualité d'un rival plus grand.
Justifier un modèle déployé plus petit pour réduire les coûts d'inférence par requête tout en égalant la qualité d'un rival plus grand. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Entraînement Chinchilla Compute-Optimal en pratique
Auditer un modèle existant et conclure qu'il était sous-entraîné, puis planifier une formation plus longue au lieu d'une augmentation des paramètres.
Auditer un modèle existant et conclure qu'il était sous-entraîné, puis planifier une formation plus longue au lieu d'une augmentation des paramètres. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin de remontée humaine pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Risques et garde-fous
Différentes équipes peuvent utiliser le même terme différemment, alors définissez la portée dès le début.
Les benchmarks peuvent paraître solides alors que les performances réelles sont inégales.
Ignorer la qualité des données et les plans d’évaluation crée souvent des résultats fragiles.
Feuille de route de mise en œuvre
Commencez par une définition en langage simple du résultat dont vous avez besoin.
Commencez par une définition en langage simple du résultat dont vous avez besoin. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Choisissez une mesure de réussite et une condition d’échec avant de tester.
Choisissez une mesure de réussite et une condition d’échec avant de tester. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Exécutez un petit pilote avec des données représentatives, pas un ensemble de démonstration raffiné.
Exécutez un petit pilote avec des données représentatives, pas un ensemble de démonstration raffiné. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Documentez où la formation Chinchilla Compute-Optimal est utile et où les méthodes plus simples sont meilleures.
Documentez où la formation Chinchilla Compute-Optimal est utile et où les méthodes plus simples sont meilleures. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.