Apple optimise les LLM pour les cas d’utilisation de Edge

Apple a publié un article intitulé «LLM en un éclair: une inférence de grand modèle de langage efficace avec une mémoire limitée» décrivant une méthode permettant de faire fonctionner les LLM sur des appareils dépassant la capacité de mémoire vive disponible. Cela implique le stockage des paramètres du modèle sur la mémoire flash et leur mise en demande sur 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, la fenêtrage réduit de manière stratégique le transfert de données en réutilisant les neurones activés précédemment, et deuxièmement, le «groupement de lignes et de colonnes», adapté aux forces d’accès séquentiel aux données de la mémoire flash, augmente la taille des blocs de données lus de la mémoire flash. Ces méthodes permettent collectivement de faire fonctionner des modèles jusqu’à deux fois plus importants que la mémoire vive disponible, avec une augmentation de 4-5x et de 20-25x de la vitesse d’inférence par rapport aux approches naïves de chargement dans les CPU et les GPU, respectivement. Ces recherches sont importantes car Apple prévoit d’intégrer des capacités d’apprentissage automatique génératif dans iOS 18. Le nouvel OS utilisera la technologie d’apprentissage automatique génératif pour améliorer Siri et l’application Messages, ce qui leur permettra de répondre plus efficacement aux questions et de compléter automatiquement des phrases. Apple explore également le potentiel de l’apprentissage automatique génératif dans des applications telles que Apple Music, Pages, Keynote et Xcode.