조건부 계산의 게이팅 및 라우팅
게이팅 및 라우팅을 통해 신경망은 매번 전체 모델을 실행하는 대신 각 입력에 필요한 부분만 활성화할 수 있습니다.
개요
This decouples model size from compute cost, enabling enormous models that stay fast and cheap to run.
심층 분석
조건부 계산은 네트워크가 사용할 하위 모듈에 대해 데이터에 따라 결정을 내리는 것을 의미합니다. 소규모로 학습된 '게이팅' 또는 '라우터' 네트워크는 각 입력(종종 각 토큰)을 살펴보고 이를 보낼 '전문가'를 선택하는 점수를 생성합니다. MoE(Mixture-of-Experts) 계층에는 수십 또는 수백 개의 전문가 하위 네트워크가 존재하지만 라우터는 토큰당 상위 1~2개만 선택하므로 대부분의 전문가는 주어진 입력에 대해 유휴 상태를 유지합니다. 그 결과 총 매개변수 개수는 많지만 활성 개수는 적은 모델이 탄생하여 훨씬 작은 모델의 런타임 비용으로 거대한 모델의 표현력을 제공합니다. 이것이 Switch Transformer, GLaM 및 많은 프론티어 대규모 언어 모델과 같은 모델이 수조 개의 매개변수로 저렴하게 확장되는 방법입니다.
기술적 통찰력
라우터는 일반적으로 전문가에 대한 소프트맥스를 계산하고 상위 k를 선택한 다음 게이트 점수로 가중치를 부여한 출력을 결합합니다. 문제는 로드 밸런싱입니다. 라우터는 소수의 전문가를 선호하는 경향이 있고 다른 전문가는 훈련받지 않은 채 남겨둡니다. 따라서 학습에는 토큰을 균등하게 분산시키기 위한 보조 로드 밸런싱 손실과 오버플로 토큰을 삭제하거나 경로를 재설정하는 용량 제한이 추가됩니다. Top-k 선택은 이산적이고 미분 불가능하기 때문에 기울기는 선택된 전문가와 해당 게이트 가중치를 통해서만 흐릅니다.
전략적 영향
비용 및 예산
아키텍처 결정은 수년 동안 성능과 운영 비용을 결정합니다.
더 명확한 결정들
기술 교육은 팀이 최신 스택뿐만 아니라 올바른 스택을 선택하는 데 도움이 됩니다.
품질 관리
더 나은 엔지니어링 선택은 생산 시 신뢰성 사고를 줄입니다.
조건부 계산에서 게이팅 및 라우팅의 미래
이제 스파스 게이팅은 프론티어 모델 확장의 핵심이며, 더 세분화된 전문가, 더 스마트한 라우터 및 다중 계층 라우팅을 향한 추세입니다. 안정적인 훈련을 위한 더 나은 기술, 전문가가 여러 액셀러레이터에 분산되어 있을 때 통신 오버헤드 감소, 각 전문가가 학습하는 내용을 이해하기 위한 '전문가 전문화' 분석을 기대합니다. 조건부 계산은 또한 MoE를 넘어 조기 종료 네트워크와 더 어려운 입력에만 더 많은 계산을 사용하는 동적 심층 모델로 확산되고 있습니다.
실제 구현
Switch Transformer는 각 토큰을 단일 전문가에게 라우팅하여 토큰당 컴퓨팅을 낮게 유지하면서 1조 개가 넘는 매개변수로 확장합니다.
전문가 혼합 레이어를 사용하는 프론티어 대규모 언어 모델이므로 토큰당 가중치의 일부만 활성화됩니다.
쉬운 이미지의 경우 얕은 레이어에서 멈추고 어려운 이미지의 경우에만 더 깊은 레이어에서 실행되는 조기 종료 이미지 분류자입니다.
라우터가 다양한 언어의 토큰을 다양한 전문 전문가에게 보내는 방법을 학습하는 다국어 모델입니다.
위험 및 가드레일
하나의 벤치마크를 최적화하면 더 광범위한 시스템 약점을 숨길 수 있습니다.
인프라 및 유지 관리 비용은 종종 과소평가됩니다.
시스템이 더욱 복잡해짐에 따라 보안 및 관찰 가능성의 격차가 커질 수 있습니다.
구현 로드맵
구현하기 전에 지연 시간, 품질, 비용 목표를 정의하세요.
현실적인 로드 및 데이터 조건에서 벤치마킹합니다.
오류, 드리프트 및 사용자 영향에 대한 계측기 모니터링.
확장하기 전에 롤백 및 사고 대응 경로를 준비하세요.
계속 탐색하세요
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Gating and Routing in Conditional Computation quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
다음 가이드
LLM 추론 라우팅 및 로드 밸런싱
자주 묻는 질문
What is Gating and Routing in Conditional Computation?
게이팅 및 라우팅을 통해 신경망은 매번 전체 모델을 실행하는 대신 각 입력에 필요한 부분만 활성화할 수 있습니다. 이는 컴퓨팅 비용에서 모델 크기를 분리하여 빠르고 저렴하게 실행되는 거대한 모델을 가능하게 합니다.
조건부 계산의 주요 아이디어는 무엇입니까?
조건부 계산은 실행할 하위 모듈을 데이터에 따라 선택하므로 대부분의 네트워크는 주어진 입력에 대해 유휴 상태를 유지할 수 있습니다.
전문가 혼합 계층에서 라우터는 무엇을 수행합니까?
라우터는 전문가의 점수를 매기고 각 토큰을 상위 전문가에게 보내고 나머지는 해당 토큰에 사용되지 않는 작은 학습 네트워크입니다.
MoE 모델의 총 매개변수 개수는 많지만 활성 개수는 작은 이유는 무엇입니까?
토큰당 한두 명의 전문가만 활성화되므로 모델이 더 많은 전문가를 저장하더라도 런타임 컴퓨팅에는 해당 전문가만 반영됩니다.
보조 부하 분산 손실은 어떤 문제를 해결합니까?
라우터는 자연스럽게 몇몇 유명 전문가에게 대부분의 토큰을 보내는 경향이 있습니다. 로드 밸런싱 손실은 균등한 확산을 촉진하므로 모든 전문가가 교육을 받을 수 있습니다.
경사 기반 교육에서 Top-K 전문가 선택이 어려운 이유는 무엇입니까?
최고의 전문가를 선택하는 것은 어렵고 개별적인 결정입니다. 그래디언트는 실제로 선택된 전문가와 해당 전문가의 게이트 가중치를 통해서만 전파될 수 있습니다.