‘Apple Optimise les LLM pour les cas d’utilisation de bord’

Apple a publié un article intitulé «LLM en un éclair: une inférence de modèle de langage large efficace avec une mémoire limitée» présentant une méthode permettant de faire fonctionner des LLM sur des appareils qui surpassent la capacité de mémoire vive disponible. Cela implique le stockage des paramètres de modèle sur la mémoire flash et leur apport sur demande vers la mémoire vive. Leur méthode consiste à construire un modèle de coût d’inférence qui s’aligne sur le comportement de la mémoire flash, ce qui guide les efforts d’optimisation dans deux domaines cruciaux: réduire le volume de données transférées de la mémoire flash et lire les données en blocs plus importants et plus contigus. Dans ce cadre informé par la mémoire flash, Apple utilise deux techniques principales. Tout d’abord, le «fenêtrage» réduit de manière stratégique le transfert de données en réutilisant les neurones précédemment activés, et secondement, le «bundling de lignes-colonnes», adapté aux forces d’accès séquentiel aux données de la mémoire flash, augmente la taille des blocs de données lus à partir de la mémoire flash. Ces méthodes permettent collectivement de faire fonctionner des modèles jusqu’à deux fois plus gros que la mémoire vive disponible, avec une augmentation de 4 à 5 fois et de 20 à 25 fois de la vitesse d’inférence par rapport aux approches naïves de chargement sur CPU et GPU, respectivement. Cette recherche est importante car Apple prévoit d’intégrer des capacités d’IA générative dans iOS 18. Le nouvel OS utilisera la technologie d’IA générative pour améliorer Siri et l’application Messages, ce qui leur permettra de répondre plus efficacement aux questions et de compléter automatiquement les phrases. Apple explore également le potentiel d’utilisation de l’IA générative dans des applications telles que Apple Music, Pages, Keynote et Xcode.