La société Apple a optimisé ses LLM pour des cas d’utilisation en périphérie.

Apple a publié un article intitulé «LLM en un éclair: une inférence de modèle de langue large efficace avec une mémoire limitée» décrivant une méthode permettant de faire fonctionner des LLM sur des appareils qui dépassent la capacité de mémoire vive disponible. Cela implique le stockage des paramètres du modèle sur la mémoire flash et leur transfert en mémoire vive au besoin. 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 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 informé par la mémoire flash, Apple utilise deux techniques principales. Premièrement, le «fenêtrage» réduit stratégiquement le transfert de données en réutilisant les neurones activés précédemment, et deuxièmement, le «bundle 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 des CPU et GPU, respectivement. Ces recherches sont importantes car Apple prévoit d’intégrer des fonctionnalités 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 les phrases. Apple explore également le potentiel de l’IA générative dans des applications telles que Apple Music, Pages, Keynote et Xcode.