개요
MoE(Mixture of Experts)는 네트워크를 여러 특수 하위 네트워크로 분할하고 입력당 몇 개만 활성화하는 모델 설계입니다. 이를 통해 모델은 각 예측을 빠르고 저렴하게 유지하면서 막대한 지식을 보유할 수 있습니다.
전문가의 혼합은 모델 품질, 인프라 비용, 대기 시간 및 규모에 따른 안정성에 영향을 미치는 기술 구성 요소입니다.
심층 분석
표준 변환기는 동일한 조밀한 레이어를 통해 모든 입력을 실행하므로 모델을 더 스마트하게 만드는 것은 일반적으로 모든 계산 비용을 더 많이 만든다는 것을 의미합니다. 전문가의 혼합은 해당 링크를 끊습니다. 이는 큰 피드포워드 계층을 많은 소규모 '전문가' 네트워크와 각 토큰을 처리할 전문가를 결정하는 작은 '라우터'로 대체합니다. 일반적으로 상위 1~2명의 전문가만 실행하므로 모델은 수천억 개의 전체 매개변수를 가질 수 있지만 토큰당 작은 부분만 활성화됩니다. 이것이 Mixtral 8x7B와 같은 모델과 GPT-4 뒤에 있는 소문난 아키텍처가 비례적으로 높은 추론 비용 없이 고품질에 도달하는 이유입니다. 균형은 복잡성입니다. 모든 전문가는 여전히 메모리에 적합해야 하며 라우터는 일부 전문가를 잘못 라우팅하거나 과부하할 수 있으므로 교육에는 신중한 균형이 필요합니다.
기술적 통찰력
MoE의 핵심은 게이팅 네트워크입니다. 이는 들어오는 토큰에 대해 각 전문가의 점수를 매기고 토큰을 상위 k개 최고 점수자(종종 k=1 또는 2)에게 라우팅하는 작은 학습 계층입니다. 라우터가 몇 명의 선호하는 전문가에게 모든 것을 전송하는 것을 막기 위해 교육에는 불규칙한 사용에 불이익을 주는 보조 '로드 밸런싱 손실'이 추가됩니다. 토큰당 k명의 전문가만 실행되기 때문에 전문가를 추가하더라도 컴퓨팅(FLOP)은 거의 일정하게 유지되므로 총 매개변수와 토큰당 비용이 독립적으로 확장됩니다.
전문가의 혼합 마스터링
MoE(Mixture of Experts)는 네트워크를 여러 특수 하위 네트워크로 분할하고 입력당 몇 개만 활성화하는 모델 설계입니다. 이를 통해 모델은 각 예측을 빠르고 저렴하게 유지하면서 막대한 지식을 보유할 수 있습니다. 전문가의 혼합은 모델 품질, 인프라 비용, 대기 시간 및 규모에 따른 안정성에 영향을 미치는 기술 구성 요소입니다. 깊은 이해를 구축하려면 전문가 혼합을 단일 기능이 아닌 운영 모델로 취급하십시오. 즉, 원하는 결과를 정의하고, 가정을 명확히 하며, 시스템이 안정적으로 수행할 수 있는 작업과 여전히 전문가 판단이 필요한 작업을 분리하세요.
실제로 Mixture of Experts를 사용하는 강력한 팀은 안정성과 비용에 맞춰 아키텍처, 데이터 및 인프라 선택을 최적화합니다. 명시적인 성공 기준을 문서화하고, 현실적인 데이터 및 워크플로를 기준으로 테스트하며, 일회성 벤치마크 승리보다는 관찰된 실패 패턴을 기반으로 반복합니다. 이론적 이해가 제품, 정책, 운영 전반에 걸쳐 지속 가능한 역량으로 바뀌는 곳입니다.
아키텍처 결정은 수년간 성능과 운영 비용을 결정합니다. 동시에 하나의 벤치마크를 최적화하면 더 광범위한 시스템 약점을 숨길 수 있습니다. 가장 탄력적인 접근 방식은 실험 속도와 거버넌스 규율을 결합하는 것입니다. 즉, 파일럿 실행, 증거 캡처, 결정 로그 게시, 모델 동작, 사용자 기대 및 규제 요구 사항이 발전함에 따라 보호 장치를 지속적으로 업데이트합니다.
전략적 영향
아키텍처 결정은 수년간 성능과 운영 비용을 결정합니다.
아키텍처 결정은 수년간 성능과 운영 비용을 결정합니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
기술 교육은 팀이 최신 스택뿐만 아니라 올바른 스택을 선택하는 데 도움이 됩니다.
기술 교육은 팀이 최신 스택뿐만 아니라 올바른 스택을 선택하는 데 도움이 됩니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
더 나은 엔지니어링 선택은 생산 시 신뢰성 사고를 줄입니다.
더 나은 엔지니어링 선택은 생산 시 신뢰성 사고를 줄입니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
실제 구현
Mixtral 8x7B는 8명의 전문가를 사용하고 토큰당 2개를 활성화하여 대략 47B의 총 매개변수를 제공하지만 더 빠르고 저렴한 추론을 위해 토큰당 ~13B의 활성 매개변수만 제공합니다.
DeepSeek 및 Qwen은 낮은 토큰당 컴퓨팅으로 실행하면서 벤치마크의 밀도 모델과 일치하는 대규모 MoE 언어 모델을 제공합니다.
클라우드 LLM 제공업체는 MoE를 사용하므로 각 요청이 소수의 전문가에게만 도움이 되므로 하나의 거대한 모델이 많은 사용자에게 저렴하게 서비스를 제공할 수 있습니다.
Google의 이전 Switch Transformer는 훈련 컴퓨팅을 관리 가능하게 유지하기 위해 상위 1 라우팅을 사용하여 1조 개가 넘는 매개변수로 확장되었습니다.
구현 패턴
실무 전문가의 혼합
Mixtral 8x7B는 8명의 전문가를 사용하고 토큰당 2개를 활성화하여 대략 47B의 총 매개변수를 제공하지만 더 빠르고 저렴한 추론을 위해 토큰당 ~13B의 활성 매개변수만 제공합니다.
Mixtral 8x7B는 8명의 전문가를 사용하고 토큰당 2명을 활성화하여 대략 470억 개의 총 매개변수를 제공하지만 더 빠르고 저렴한 추론을 위해 토큰당 최대 130억 개의 활성 매개변수만 제공합니다. 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
실무 전문가의 혼합
DeepSeek 및 Qwen은 낮은 토큰당 컴퓨팅으로 실행하면서 벤치마크의 밀도 모델과 일치하는 대규모 MoE 언어 모델을 제공합니다.
DeepSeek 및 Qwen은 낮은 토큰당 컴퓨팅으로 실행하면서 벤치마크의 밀도 모델과 일치하는 대규모 MoE 언어 모델을 제공합니다. 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
실무 전문가의 혼합
클라우드 LLM 제공업체는 MoE를 사용하므로 각 요청이 소수의 전문가에게만 도움이 되므로 하나의 거대한 모델이 많은 사용자에게 저렴하게 서비스를 제공할 수 있습니다.
클라우드 LLM 제공업체는 MoE를 사용하므로 하나의 거대한 모델이 많은 사용자에게 저렴하게 서비스를 제공할 수 있습니다. 각 요청은 소수의 전문가에게만 적용되기 때문입니다. 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
실무 전문가의 혼합
Google의 이전 Switch Transformer는 훈련 컴퓨팅을 관리 가능하게 유지하기 위해 상위 1 라우팅을 사용하여 1조 개가 넘는 매개변수로 확장되었습니다.
Google의 이전 Switch Transformer는 훈련 컴퓨팅을 관리 가능하게 유지하기 위해 상위 1개 라우팅을 사용하여 1조 개 이상의 매개변수로 확장되었습니다. 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
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.
구현하기 전에 지연 시간, 품질, 비용 목표를 정의하세요. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
현실적인 로드 및 데이터 조건에서 벤치마킹합니다.
현실적인 로드 및 데이터 조건에서 벤치마킹합니다. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
오류, 드리프트 및 사용자 영향에 대한 계측기 모니터링.
오류, 드리프트 및 사용자 영향에 대한 계측기 모니터링. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
확장하기 전에 롤백 및 사고 대응 경로를 준비하세요.
확장하기 전에 롤백 및 사고 대응 경로를 준비하세요. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.