सिंहावलोकन
2022 में डीपमाइंड के चिनचिला स्केलिंग कानूनों से पता चला कि अधिकांश बड़े भाषा मॉडल को बुरी तरह से प्रशिक्षित किया गया था: एक निश्चित गणना बजट के लिए, आपको मॉडल आकार और प्रशिक्षण डेटा को लगभग समान अनुपात में स्केल करना चाहिए। यह मायने रखता है क्योंकि इसने 'इष्टतम' मॉडल आकार के अर्थ को फिर से परिभाषित किया और प्रयोगशालाओं द्वारा गणना करने के तरीके को फिर से आकार दिया।
चिनचिला स्केलिंग कानून भाषा-एआई स्टैक का हिस्सा है जिसका उपयोग बड़े पैमाने पर पाठ और भाषण को पढ़ने, उत्पन्न करने, वर्गीकृत करने और बदलने के लिए किया जाता है।
गहरा गोता
चिनचिला से पहले, प्रवृत्ति अपेक्षाकृत मामूली मात्रा में डेटा पर प्रशिक्षण करते हुए बड़े मॉडल (जैसे 175बी-पैरामीटर जीपीटी-3) बनाने की थी। डीपमाइंड ने कई आकारों और डेटा बजटों में 400 से अधिक मॉडलों को प्रशिक्षित किया, फिर एक निश्चित गणना (एफएलओपी) बजट के तहत मापदंडों और टोकन के एक फ़ंक्शन के रूप में नुकसान की भविष्यवाणी करने वाले वक्र फिट किए। उनका निष्कर्ष: पैरामीटर और प्रशिक्षण टोकन को एक साथ स्केल करना चाहिए, लगभग 1-से-1 अनुपात, प्रति पैरामीटर लगभग 20 टोकन प्रशिक्षण डेटा। इसे साबित करने के लिए, उन्होंने 1.4 ट्रिलियन टोकन पर 70बी-पैरामीटर मॉडल चिनचिला को प्रशिक्षित किया, जिसने समान गणना का उपयोग करने के बावजूद बहुत बड़े 280बी-पैरामीटर गोफर से बेहतर प्रदर्शन किया, क्योंकि इसे कहीं अधिक डेटा पर प्रशिक्षित किया गया था।
तकनीकी अंतर्दृष्टि
कानून एक पैरामीट्रिक हानि फ़ंक्शन एल (एन, डी) को फिट करने से आते हैं जहां एन पैरामीटर है और डी टोकन है, जिसमें इरेड्यूसबल-लॉस, मॉडल-आकार और डेटा-आकार की शर्तें शामिल हैं। गणना बाधा के अधीन हानि को कम करने से (गणना मोटे तौर पर एन गुणा डी के समानुपाती होती है) परिणाम मिलता है कि इष्टतम एन और डी दोनों समान घातांक के साथ गणना की शक्ति के रूप में बढ़ते हैं, इसलिए गणना-इष्टतम अनुपात प्रति पैरामीटर 20 टोकन के करीब रहता है।
चिनचिला स्केलिंग कानूनों में महारत हासिल करना
2022 में डीपमाइंड के चिनचिला स्केलिंग कानूनों से पता चला कि अधिकांश बड़े भाषा मॉडल को बुरी तरह से प्रशिक्षित किया गया था: एक निश्चित गणना बजट के लिए, आपको मॉडल आकार और प्रशिक्षण डेटा को लगभग समान अनुपात में स्केल करना चाहिए। यह मायने रखता है क्योंकि इसने 'इष्टतम' मॉडल आकार के अर्थ को फिर से परिभाषित किया और प्रयोगशालाओं द्वारा गणना करने के तरीके को फिर से आकार दिया। चिनचिला स्केलिंग कानून भाषा-एआई स्टैक का हिस्सा है जिसका उपयोग बड़े पैमाने पर पाठ और भाषण को पढ़ने, उत्पन्न करने, वर्गीकृत करने और बदलने के लिए किया जाता है। गहरी समझ बनाने के लिए, चिनचिला स्केलिंग कानूनों को एक ऑपरेटिंग मॉडल के रूप में मानें, न कि एक विशेषता के रूप में: वांछित परिणामों को परिभाषित करें, मान्यताओं को स्पष्ट करें, और जो सिस्टम विश्वसनीय रूप से कर सकता है उसे अलग करें जिसके लिए अभी भी विशेषज्ञ निर्णय की आवश्यकता है।
व्यवहार में, चिनचिला स्केलिंग कानूनों का उपयोग करने वाली मजबूत टीमें एक एकीकृत संचार प्रणाली के रूप में संकेत, पुनर्प्राप्ति और समीक्षा लूप डिजाइन करती हैं। वे स्पष्ट सफलता मानदंडों का दस्तावेजीकरण करते हैं, यथार्थवादी डेटा और वर्कफ़्लो के विरुद्ध परीक्षण करते हैं, और एक बार की बेंचमार्क जीत के बजाय देखे गए विफलता पैटर्न के आधार पर पुनरावृत्ति करते हैं। यहीं पर सैद्धांतिक समझ उत्पाद, नीति और संचालन में टिकाऊ क्षमता में बदल जाती है।
भाषा वर्कफ़्लो निरंतरता से समझौता किए बिना तेज़ी से आगे बढ़ सकता है। साथ ही, मतिभ्रमित तथ्य चुपचाप रिपोर्ट में प्रवेश कर सकते हैं, प्रवाह का समर्थन कर सकते हैं, या अनुसंधान आउटपुट का समर्थन कर सकते हैं। सबसे लचीला दृष्टिकोण प्रयोग की गति को शासन अनुशासन के साथ जोड़ना है: पायलट चलाना, साक्ष्य प्राप्त करना, निर्णय लॉग प्रकाशित करना, और मॉडल व्यवहार, उपयोगकर्ता अपेक्षाओं और नियामक आवश्यकताओं के विकसित होने पर सुरक्षा उपायों को लगातार अपडेट करना।
सामरिक प्रभाव
भाषा वर्कफ़्लो निरंतरता से समझौता किए बिना तेज़ी से आगे बढ़ सकता है।
भाषा वर्कफ़्लो निरंतरता से समझौता किए बिना तेज़ी से आगे बढ़ सकता है। उच्च-गुणवत्ता वाली तैनाती में, इसे मापने योग्य संचालन नियमों, स्वामित्व सीमाओं और आवर्ती समीक्षा अनुष्ठानों में अनुवादित किया जाता है ताकि टीमें अस्पष्टता को मापने के बजाय आत्मविश्वास को बढ़ा सकें।
यह सभी भाषाओं और संचार शैलियों तक पहुंच का विस्तार करता है।
यह सभी भाषाओं और संचार शैलियों तक पहुंच का विस्तार करता है। उच्च-गुणवत्ता वाली तैनाती में, इसे मापने योग्य संचालन नियमों, स्वामित्व सीमाओं और आवर्ती समीक्षा अनुष्ठानों में अनुवादित किया जाता है ताकि टीमें अस्पष्टता को मापने के बजाय आत्मविश्वास को बढ़ा सकें।
टीमें निर्णय लेने में अधिक समय व्यतीत कर सकती हैं जबकि स्वचालन पुनरावृत्ति को संभालता है।
टीमें निर्णय लेने में अधिक समय व्यतीत कर सकती हैं जबकि स्वचालन पुनरावृत्ति को संभालता है। उच्च-गुणवत्ता वाली तैनाती में, इसे मापने योग्य संचालन नियमों, स्वामित्व सीमाओं और आवर्ती समीक्षा अनुष्ठानों में अनुवादित किया जाता है ताकि टीमें अस्पष्टता को मापने के बजाय आत्मविश्वास को बढ़ा सकें।
वास्तविक विश्व कार्यान्वयन
डीपमाइंड के 70बी-पैरामीटर चिनचिला ने कहीं अधिक डेटा पर प्रशिक्षण द्वारा, समान गणना का उपयोग करके बेंचमार्क पर 280बी गोफर को हराया
स्क्रैच मॉडल की योजना बनाते समय टीमों को प्रति पैरामीटर लगभग 20 प्रशिक्षण टोकन का बजट बनाने के लिए मार्गदर्शन करना
LLaMA जैसे छोटे, डेटा-समृद्ध मॉडल को उचित ठहराना, जो अनुमान के समय चलाने के लिए सस्ते हैं
यह अनुमान लगाना कि क्या एक नियोजित मॉडल 'प्रशिक्षित' है और अतिरिक्त मापदंडों की तुलना में अतिरिक्त डेटा से अधिक लाभान्वित होगा
कार्यान्वयन पैटर्न
चिनचिला स्केलिंग कानून व्यवहार में
डीपमाइंड का 70बी-पैरामीटर चिनचिला, कहीं अधिक डेटा पर प्रशिक्षण द्वारा, समान गणना का उपयोग करके बेंचमार्क पर 280बी गोफर को हरा देता है।
डीपमाइंड के 70बी-पैरामीटर चिनचिला ने समान गणना का उपयोग करके बेंचमार्क पर 280बी गोफर को हराया, कहीं अधिक डेटा पर प्रशिक्षण द्वारा टीमों को आमतौर पर बेहतर परिणाम मिलते हैं जब वे गुणवत्ता सीमा को सामने से परिभाषित करते हैं, किनारे के मामलों के लिए एक मानव वृद्धि पथ रखते हैं, और समय के साथ उत्पादकता लाभ और त्रुटि लागत दोनों को ट्रैक करते हैं।
चिनचिला स्केलिंग कानून व्यवहार में
स्क्रैच मॉडल की योजना बनाते समय टीमों को प्रति पैरामीटर लगभग 20 प्रशिक्षण टोकन का बजट बनाने के लिए मार्गदर्शन करना।
स्क्रैच मॉडल की योजना बनाते समय प्रति पैरामीटर लगभग 20 प्रशिक्षण टोकन का बजट रखने के लिए टीमों का मार्गदर्शन करना टीमों को आमतौर पर बेहतर परिणाम मिलते हैं जब वे गुणवत्ता सीमा को सामने से परिभाषित करते हैं, किनारे के मामलों के लिए एक मानव वृद्धि पथ रखते हैं, और समय के साथ उत्पादकता लाभ और त्रुटि लागत दोनों को ट्रैक करते हैं।
चिनचिला स्केलिंग कानून व्यवहार में
LLaMA जैसे छोटे, डेटा-समृद्ध मॉडल को उचित ठहराना, जो अनुमान के समय चलाने के लिए सस्ते हैं।
एलएलएएमए जैसे छोटे, डेटा-समृद्ध मॉडल को उचित ठहराना, जो अनुमान के समय चलाने के लिए सस्ता है, टीमों को आमतौर पर बेहतर परिणाम मिलते हैं जब वे गुणवत्ता सीमा को सामने से परिभाषित करते हैं, किनारे के मामलों के लिए एक मानव वृद्धि पथ रखते हैं, और समय के साथ उत्पादकता लाभ और त्रुटि लागत दोनों को ट्रैक करते हैं।
चिनचिला स्केलिंग कानून व्यवहार में
यह अनुमान लगाना कि क्या एक नियोजित मॉडल 'प्रशिक्षित' है और अतिरिक्त मापदंडों की तुलना में अतिरिक्त डेटा से अधिक लाभान्वित होगा।
यह अनुमान लगाना कि क्या एक नियोजित मॉडल 'प्रशिक्षित' है और अतिरिक्त मापदंडों की तुलना में अतिरिक्त डेटा से अधिक लाभ होगा टीमों को आमतौर पर बेहतर परिणाम मिलते हैं जब वे गुणवत्ता सीमा को सामने से परिभाषित करते हैं, किनारे के मामलों के लिए एक मानव वृद्धि पथ रखते हैं, और समय के साथ उत्पादकता लाभ और त्रुटि लागत दोनों को ट्रैक करते हैं।
जोखिम और रेलिंग
मतिभ्रम वाले तथ्य चुपचाप रिपोर्ट में प्रवेश कर सकते हैं, प्रवाह का समर्थन कर सकते हैं, या अनुसंधान आउटपुट का समर्थन कर सकते हैं।
त्वरित संवेदनशीलता समान अनुरोधों में असंगत परिणाम पैदा कर सकती है।
यदि पहुंच नियंत्रण कमजोर हैं तो संवेदनशील पाठ डेटा उजागर हो सकता है।
कार्यान्वयन रोडमैप
रोलआउट से पहले आउटपुट स्वरूप, टोन और गुणवत्ता मानकों को परिभाषित करें।
रोलआउट से पहले आउटपुट स्वरूप, टोन और गुणवत्ता मानकों को परिभाषित करें। प्रत्येक चरण को एक साक्ष्य द्वार के रूप में मानें: यदि मानदंड पूरे नहीं होते हैं, तो रोलआउट रोकें, अंतर को बंद करें, और उसके बाद ही उपयोग का विस्तार करें।
जब भी सटीकता मायने रखती है तो विश्वसनीय स्रोतों के साथ जमीनी प्रतिक्रियाएँ।
जब भी सटीकता मायने रखती है तो विश्वसनीय स्रोतों के साथ जमीनी प्रतिक्रियाएँ। प्रत्येक चरण को एक साक्ष्य द्वार के रूप में मानें: यदि मानदंड पूरे नहीं होते हैं, तो रोलआउट रोकें, अंतर को बंद करें, और उसके बाद ही उपयोग का विस्तार करें।
उच्च जोखिम वाले आउटपुट के लिए एक मानव समीक्षा चेकपॉइंट रखें।
उच्च जोखिम वाले आउटपुट के लिए एक मानव समीक्षा चेकपॉइंट रखें। प्रत्येक चरण को एक साक्ष्य द्वार के रूप में मानें: यदि मानदंड पूरे नहीं होते हैं, तो रोलआउट रोकें, अंतर को बंद करें, और उसके बाद ही उपयोग का विस्तार करें।
विफलता पैटर्न को ट्रैक करें और संकेतों या वर्कफ़्लो को नियमित रूप से पुनः प्रशिक्षित करें।
विफलता पैटर्न को ट्रैक करें और संकेतों या वर्कफ़्लो को नियमित रूप से पुनः प्रशिक्षित करें। प्रत्येक चरण को एक साक्ष्य द्वार के रूप में मानें: यदि मानदंड पूरे नहीं होते हैं, तो रोलआउट रोकें, अंतर को बंद करें, और उसके बाद ही उपयोग का विस्तार करें।