Apple optimise les LLM pour les cas d’utilisation des bords

Apple a publié un article intitulé «LLM en un éclair: une inference de grand modèle de langage efficace avec une mémoire limitée» décrivant une méthode permettant de faire fonctionner les LLM sur des appareils qui dépassent la capacité de mémoire DRAM disponible. Cela implique le stockage des paramètres de modèle sur la mémoire flash et leur apport sur demande en mémoire DRAM. 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 sur deux axes 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. En premier lieu, le «fenêtrage» réduit de manière stratégique le transfert de données en réutilisant les neurones activés précédemment, et en second lieu, 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 DRAM 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 en CPU et en GPU, respectivement. Cette recherche est importante car Apple prévoit d’intégrer des capacités d’apprentissage automatique génératif dans iOS 18. Le nouvel OS va utiliser 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 les phrases. Apple explore également le potentiel d’utilisation de l’apprentissage automatique génératif dans des applications telles que Apple Music, Pages, Keynote et Xcode.