Aperçu
Les lois de mise à l'échelle Chinchilla, de DeepMind en 2022, ont montré que la plupart des grands modèles de langage étaient mal entraînés : pour un budget de calcul fixe, vous devez mettre à l'échelle la taille du modèle et les données d'entraînement dans des proportions à peu près égales. C’est important car il a redéfini ce que signifie la taille « optimale » du modèle et remodelé la façon dont les laboratoires dépensent en calcul.
Chinchilla Scaling Laws fait partie de la pile langage-IA utilisée pour lire, générer, classer et transformer du texte et de la parole à grande échelle.
Plongée profonde
Avant Chinchilla, la tendance était de construire des modèles toujours plus grands (comme le GPT-3 à paramètres 175B) tout en s'entraînant sur des quantités de données relativement modestes. DeepMind a entraîné plus de 400 modèles sur de nombreuses tailles et budgets de données, puis a ajusté des courbes prédisant les pertes en fonction de paramètres et de jetons dans le cadre d'un budget de calcul fixe (FLOP). Leur conclusion : les paramètres et les jetons d'entraînement devraient évoluer ensemble, dans un rapport d'environ 1 pour 1, ce qui implique environ 20 jetons de données d'entraînement par paramètre. Pour le prouver, ils ont formé Chinchilla, un modèle à paramètres 70B sur 1,4 billion de jetons, qui a surpassé le Gopher beaucoup plus grand à paramètres 280B malgré l'utilisation du même calcul, car il a été formé sur beaucoup plus de données.
Aperçu technique
Les lois proviennent de l'ajustement d'une fonction de perte paramétrique L(N, D) où N représente les paramètres et D les jetons, y compris les termes de perte irréductible, de taille de modèle et de taille de données. La minimisation de la perte soumise à une contrainte de calcul (le calcul est à peu près proportionnel à N fois D) donne le résultat que les N et D optimaux croissent tous deux en tant que puissance de calcul avec des exposants similaires, de sorte que le rapport optimal de calcul reste proche de 20 jetons par paramètre.
Maîtriser les lois sur la mise à l'échelle des chinchillas
Les lois de mise à l'échelle Chinchilla, de DeepMind en 2022, ont montré que la plupart des grands modèles de langage étaient mal entraînés : pour un budget de calcul fixe, vous devez mettre à l'échelle la taille du modèle et les données d'entraînement dans des proportions à peu près égales. C’est important car il a redéfini ce que signifie la taille « optimale » du modèle et remodelé la façon dont les laboratoires dépensent en calcul. Chinchilla Scaling Laws fait partie de la pile langage-IA utilisée pour lire, générer, classer et transformer du texte et de la parole à grande échelle. Pour acquérir une compréhension approfondie, traitez les lois de mise à l'échelle du Chinchilla comme un modèle opérationnel et non comme une fonctionnalité unique : 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, des équipes solides utilisant les lois de mise à l'échelle du Chinchilla conçoivent des invites, des récupérations et des boucles de révision comme un seul système de communication intégré. 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.
Les flux de travail linguistiques peuvent évoluer plus rapidement sans sacrifier la cohérence. Dans le même temps, les faits hallucinés peuvent discrètement entrer dans des rapports, des flux de support ou des résultats de recherche. 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
Les flux de travail linguistiques peuvent évoluer plus rapidement sans sacrifier la cohérence.
Les flux de travail linguistiques peuvent évoluer plus rapidement sans sacrifier la cohérence. 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.
Il étend l’accès à toutes les langues et styles de communication.
Il étend l’accès à toutes les langues et styles de communication. 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 peuvent consacrer plus de temps au jugement tandis que l’automatisation gère les répétitions.
Les équipes peuvent consacrer plus de temps au jugement tandis que l’automatisation gère les répétitions. 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
Le Chinchilla à paramètres 70B de DeepMind bat le Gopher 280B sur des tests de performance utilisant un calcul égal, en s'entraînant sur beaucoup plus de données
Guider les équipes à budgétiser environ 20 jetons de formation par paramètre lors de la planification d'un modèle à partir de zéro
Justifier des modèles plus petits et riches en données comme LLaMA, qui sont moins chers à exécuter au moment de l'inférence
Estimer si un modèle prévu est « sous-entraîné » et bénéficierait davantage de données supplémentaires que de paramètres supplémentaires
Modèles de mise en œuvre
Lois sur la mise à l'échelle des chinchillas en pratique
Le Chinchilla à paramètres 70B de DeepMind bat le Gopher 280B sur des tests de performance utilisant un calcul égal, en s'entraînant sur beaucoup plus de données.
Le Chinchilla à paramètres 70B de DeepMind bat le Gopher 280B sur des benchmarks utilisant un calcul égal, en s'entraînant sur beaucoup plus de données. 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.
Lois sur la mise à l'échelle des chinchillas en pratique
Guider les équipes à budgétiser environ 20 jetons de formation par paramètre lors de la planification d'un modèle à partir de zéro.
Guider les équipes à budgétiser environ 20 jetons de formation par paramètre lors de la planification d'un modèle partant de zéro. 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.
Lois sur la mise à l'échelle des chinchillas en pratique
Justifier des modèles plus petits et riches en données comme LLaMA, qui sont moins chers à exécuter au moment de l'inférence.
Justifier des modèles plus petits et riches en données comme LLaMA, qui sont moins chers à exécuter au moment de l'inférence. 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.
Lois sur la mise à l'échelle des chinchillas en pratique
Estimer si un modèle prévu est « sous-entraîné » et bénéficierait davantage de données supplémentaires que de paramètres supplémentaires.
Estimer si un modèle planifié est « sous-entraîné » et bénéficierait davantage de données supplémentaires que de paramètres supplémentaires. 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
Les faits hallucinés peuvent discrètement entrer dans des rapports, des flux de support ou des résultats de recherche.
La sensibilité des invites peut créer des résultats incohérents pour des demandes similaires.
Les données textuelles sensibles peuvent être exposées si les contrôles d’accès sont faibles.
Feuille de route de mise en œuvre
Définissez le format de sortie, le ton et les normes de qualité avant le déploiement.
Définissez le format de sortie, le ton et les normes de qualité avant le déploiement. 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.
Établissez des réponses auprès de sources fiables chaque fois que la précision est importante.
Établissez des réponses auprès de sources fiables chaque fois que la précision est importante. 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.
Gardez un point de contrôle d’examen humain pour les résultats à enjeux élevés.
Gardez un point de contrôle d’examen humain pour les résultats à enjeux élevés. 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.
Suivez les modèles de défaillance et recyclez régulièrement les invites ou les flux de travail.
Suivez les modèles de défaillance et recyclez régulièrement les invites ou les flux de travail. 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.