ภาพรวม
กฎการปรับขนาดเป็นสูตรเชิงประจักษ์ที่แสดงให้เห็นว่าการสูญเสียของโครงข่ายประสาทเทียมลดลงอย่างคาดการณ์ได้เมื่อคุณเพิ่มขนาดโมเดล ขนาดชุดข้อมูล และการคำนวณ สิ่งเหล่านี้มีความสำคัญเนื่องจากให้นักวิจัยคาดการณ์ประสิทธิภาพก่อนที่จะทุ่มเงินหลายล้านเพื่อฝึกฝนโมเดลขนาดยักษ์
กฎหมายการปรับขนาดสำหรับโครงข่ายประสาทเทียมอยู่ในชุดเครื่องมือ AI หลัก เมื่อคุณเข้าใจ หัวข้อ AI อื่นๆ จะประเมินและเปรียบเทียบได้ง่ายขึ้น
เจาะลึก
กฎหมายการปรับขนาดซึ่งได้รับความนิยมในรายงานปี 2020 ของ OpenAI โดย Kaplan และเพื่อนร่วมงาน พบว่าการสูญเสียจากการทดสอบลดลงเนื่องจากกฎกำลังที่ราบรื่นในสามปริมาณ: จำนวนพารามิเตอร์ (N), โทเค็นการฝึกอบรม (D) และการคำนวณทั้งหมด (C) เมื่อวาดบนแกนบันทึก-บันทึก การสูญเสียเทียบกับแต่ละปัจจัยจะสร้างเส้นตรงเกือบเป็นเส้นตรงซึ่งครอบคลุมหลายขนาด ความสัมพันธ์จะอยู่ในรูปแบบ Los µ a + b·X^(-c) โดยที่ X คือตัวประกอบมาตราส่วน งานต้นฉบับแนะนำว่าขนาดโมเดลมีความสำคัญมากกว่าข้อมูล กระตุ้นให้ต้องแข่งขันกับโมเดลที่ใหญ่ขึ้นเรื่อยๆ เช่น พารามิเตอร์ 175 พันล้านของ GPT-3 กฎหมายที่ปรับขนาดได้เปลี่ยนการเรียนรู้เชิงลึกจากการคาดเดาไปสู่ระเบียบวินัยทางวิศวกรรมที่คาดการณ์ได้ ช่วยให้ทีมคาดการณ์ผลลัพธ์จำนวนมากจากการทดลองขนาดเล็กและราคาถูก
ข้อมูลเชิงลึกทางเทคนิค
รูปแบบกฎกำลังหมายถึงการเพิ่มขึ้นของการคำนวณแบบทวีคูณคงที่แต่ละครั้งจะทำให้มีการสูญเสียการบวกลดลงคงที่โดยประมาณ การสูญเสียจะวัดเป็น nats หรือบิตต่อโทเค็นของ cross-entropy เนื่องจากเลขชี้กำลัง c มีค่าน้อย (มักประมาณ 0.05-0.1) กำไรจึงมีจริงแต่ลดลง การคำนวณแบบทวีคูณช่วยได้น้อยกว่าการเพิ่มทวีคูณแรกมาก ที่สำคัญ กฎหมายเหล่านี้อธิบายถึงการสูญเสียที่ลดไม่ได้บวกกับที่ลดลง โดยที่คำคงที่จะจับเอนโทรปีที่แท้จริงของข้อมูลซึ่งไม่มีแบบจำลองใดสามารถเอาชนะได้
การเรียนรู้กฎการปรับขนาดสำหรับโครงข่ายประสาทเทียม
กฎการปรับขนาดเป็นสูตรเชิงประจักษ์ที่แสดงให้เห็นว่าการสูญเสียของโครงข่ายประสาทเทียมลดลงอย่างคาดการณ์ได้เมื่อคุณเพิ่มขนาดโมเดล ขนาดชุดข้อมูล และการคำนวณ สิ่งเหล่านี้มีความสำคัญเนื่องจากให้นักวิจัยคาดการณ์ประสิทธิภาพก่อนที่จะทุ่มเงินหลายล้านเพื่อฝึกฝนโมเดลขนาดยักษ์ กฎหมายการปรับขนาดสำหรับโครงข่ายประสาทเทียมอยู่ในชุดเครื่องมือ AI หลัก เมื่อคุณเข้าใจ หัวข้อ AI อื่นๆ จะประเมินและเปรียบเทียบได้ง่ายขึ้น เพื่อสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่ากฎการปรับขนาดสำหรับโครงข่ายประสาทเทียมเป็นเพียงโมเดลการดำเนินงาน ไม่ใช่คุณลักษณะเดียว: กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ
ในทางปฏิบัติ ทีมที่แข็งแกร่งที่ใช้กฎการปรับขนาดสำหรับโครงข่ายประสาทเทียมจะสร้างโมเดลเชิงแนวคิดที่แข็งแกร่งก่อน จากนั้นจึงแมปโมเดลเหล่านั้นกับข้อจำกัดในการผลิตจริง โดยจะบันทึกเกณฑ์ความสำเร็จที่ชัดเจน ทดสอบกับข้อมูลและขั้นตอนการทำงานที่สมจริง และทำซ้ำตามรูปแบบความล้มเหลวที่สังเกตได้ แทนที่จะชนะการวัดประสิทธิภาพเพียงครั้งเดียว นี่คือจุดที่ความเข้าใจทางทฤษฎีกลายเป็นความสามารถที่คงทนของผลิตภัณฑ์ นโยบาย และการดำเนินงาน
ช่วยให้คุณแยกคำกล่าวอ้างทางเทคนิคที่ชัดเจนออกจากภาษาทางการตลาดได้ ในเวลาเดียวกัน ทีมต่างๆ อาจใช้คำเดียวกันต่างกัน ดังนั้นควรกำหนดขอบเขตตั้งแต่เนิ่นๆ แนวทางที่ยืดหยุ่นที่สุดคือการรวมความเร็วของการทดลองเข้ากับวินัยในการกำกับดูแล: ดำเนินการนำร่อง จับหลักฐาน เผยแพร่บันทึกการตัดสินใจ และอัปเดตการป้องกันอย่างต่อเนื่องเมื่อพฤติกรรมของโมเดล ความคาดหวังของผู้ใช้ และข้อกำหนดด้านกฎระเบียบมีการเปลี่ยนแปลง
ผลกระทบเชิงกลยุทธ์
ช่วยให้คุณแยกคำกล่าวอ้างทางเทคนิคที่ชัดเจนออกจากภาษาทางการตลาดได้
ช่วยให้คุณแยกคำกล่าวอ้างทางเทคนิคที่ชัดเจนออกจากภาษาทางการตลาดได้ ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
คุณสามารถถามคำถามการใช้งานที่ดีขึ้นก่อนที่จะใช้เงินหรือเวลา
คุณสามารถถามคำถามการใช้งานที่ดีขึ้นก่อนที่จะใช้เงินหรือเวลา ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
ทีมที่มีความเข้าใจร่วมกันจะตัดสินใจเกี่ยวกับผลิตภัณฑ์ นโยบาย และการเรียนรู้ได้ดีขึ้น
ทีมที่มีความเข้าใจร่วมกันจะตัดสินใจเกี่ยวกับผลิตภัณฑ์ นโยบาย และการเรียนรู้ได้ดีขึ้น ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
การใช้งานจริงในโลกแห่งความเป็นจริง
คาดการณ์การสูญเสียครั้งสุดท้ายของโมเดลมูลค่า 7 หมื่นล้านพารามิเตอร์ที่วางแผนไว้จากชุดการทดสอบขนาดเล็กจำนวน 100 ล้านพารามิเตอร์ก่อนที่จะตัดสินใจใช้งบประมาณ GPU
การตัดสินใจว่าจะรวบรวมโทเค็นจำนวนกี่ล้านล้านโทเค็น เพื่อให้งบประมาณการประมวลผลคงที่ไม่สูญเปล่ากับโมเดลที่ไม่ได้รับการฝึกอบรม
การเปรียบเทียบสถาปัตยกรรมทั้งสองอย่างในราคาถูกโดยปรับเส้นโค้งการปรับขนาดให้เหมาะสมในขนาดเล็ก แทนที่จะฝึกทั้งสองแบบในขนาดเต็ม
ตั้งค่าความคาดหวังความแม่นยำที่สมจริงสำหรับนักลงทุนหรือผู้ตรวจสอบโดยคาดการณ์เส้นโค้งการสูญเสียไปยังระดับการคำนวณเป้าหมาย
รูปแบบการดำเนินงาน
กฎหมายการปรับขนาดสำหรับโครงข่ายประสาทเทียมในทางปฏิบัติ
คาดการณ์การสูญเสียครั้งสุดท้ายของโมเดลมูลค่า 7 หมื่นล้านพารามิเตอร์ที่วางแผนไว้จากชุดการทดสอบขนาดเล็กจำนวน 100 ล้านพารามิเตอร์ก่อนที่จะตัดสินใจใช้งบประมาณ GPU
การคาดการณ์การสูญเสียขั้นสุดท้ายของแบบจำลอง 7 หมื่นล้านพารามิเตอร์ที่วางแผนไว้จากชุดการทดสอบขนาดเล็ก 100 ล้านพารามิเตอร์ก่อนตัดสินใจใช้งบประมาณ GPU ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
กฎหมายการปรับขนาดสำหรับโครงข่ายประสาทเทียมในทางปฏิบัติ
การตัดสินใจว่าจะรวบรวมโทเค็นจำนวนกี่ล้านล้านโทเค็น เพื่อให้งบประมาณการประมวลผลคงที่ไม่สูญเปล่ากับโมเดลที่ไม่ได้รับการฝึกอบรม
การตัดสินใจว่าจะรวบรวมโทเค็นจำนวนล้านล้านโทเค็นเพื่อไม่ให้เปลืองงบประมาณการประมวลผลคงที่กับโมเดลที่ได้รับการฝึกอบรมต่ำ ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
กฎหมายการปรับขนาดสำหรับโครงข่ายประสาทเทียมในทางปฏิบัติ
การเปรียบเทียบสถาปัตยกรรมทั้งสองอย่างในราคาถูกโดยปรับเส้นโค้งการปรับขนาดให้เหมาะสมในขนาดเล็ก แทนที่จะฝึกทั้งสองแบบในขนาดเต็ม
การเปรียบเทียบสถาปัตยกรรมสองแบบในราคาถูกโดยปรับเส้นโค้งการปรับขนาดให้เหมาะสมในสเกลขนาดเล็ก แทนที่จะฝึกอบรมทั้งสองในขนาดเต็ม ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
กฎหมายการปรับขนาดสำหรับโครงข่ายประสาทเทียมในทางปฏิบัติ
ตั้งค่าความคาดหวังความแม่นยำที่สมจริงสำหรับนักลงทุนหรือผู้ตรวจสอบโดยคาดการณ์เส้นโค้งการสูญเสียไปยังระดับการคำนวณเป้าหมาย
การตั้งค่าความคาดหวังความแม่นยำที่สมจริงสำหรับนักลงทุนหรือผู้ตรวจสอบโดยการคาดการณ์เส้นโค้งการสูญเสียไปยังระดับการคำนวณเป้าหมาย ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
ความเสี่ยงและรั้ว
แต่ละทีมอาจใช้คำเดียวกันต่างกัน ดังนั้นควรกำหนดขอบเขตตั้งแต่เนิ่นๆ
เกณฑ์มาตรฐานอาจดูแข็งแกร่งในขณะที่ประสิทธิภาพในโลกแห่งความเป็นจริงไม่เท่ากัน
การเพิกเฉยต่อคุณภาพข้อมูลและแผนการประเมินมักสร้างผลลัพธ์ที่เปราะบาง
แผนงานการดำเนินงาน
เริ่มต้นด้วยคำจำกัดความภาษาธรรมดาของผลลัพธ์ที่คุณต้องการ
เริ่มต้นด้วยคำจำกัดความภาษาธรรมดาของผลลัพธ์ที่คุณต้องการ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
เลือกเมตริกวัดความสำเร็จหนึ่งรายการและเงื่อนไขความล้มเหลวหนึ่งรายการก่อนการทดสอบ
เลือกเมตริกวัดความสำเร็จหนึ่งรายการและเงื่อนไขความล้มเหลวหนึ่งรายการก่อนการทดสอบ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
ดำเนินการนำร่องขนาดเล็กด้วยข้อมูลตัวแทน ไม่ใช่ชุดสาธิตที่สวยงาม
ดำเนินการนำร่องขนาดเล็กด้วยข้อมูลตัวแทน ไม่ใช่ชุดสาธิตที่สวยงาม ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
เอกสารที่กฎหมายการปรับขนาดสำหรับโครงข่ายประสาทเทียมช่วยได้ และวิธีที่ง่ายกว่าจะดีกว่า
เอกสารที่กฎหมายการปรับขนาดสำหรับโครงข่ายประสาทเทียมช่วยได้ และวิธีที่ง่ายกว่าจะดีกว่า ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น