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

Apple a publié un document intitulé «LLM en un éclair : inférence de modèle de langage large avec mémoire limitée» décrivant une méthode permettant de faire fonctionner les LLM sur des périphériques qui dépassent la capacité de mémoire vive disponible. Cela implique de stocker les paramètres du modèle sur la mémoire flash et de les charger à la demande en 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 oriente les efforts d’optimisation sur deux points 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 inspiré de la mémoire flash, Apple utilise deux techniques principales. Tout d’abord, le «fenêtrage» réduit stratégiquement le transfert de données en réutilisant les neurones activés précédemment, et secondement, le «groupement ligne-colonne», 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 à 5 fois et de 20 à 25 fois de la vitesse d’inférence par rapport aux approches naïves de chargement dans les 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.