Servindo modelos: da chamada de função ao servidor HTTP, e o que a produção faz a mais
Nosso servidor, o TGI, o TEI, e a escala a partir da qual cada diferença importa.
Caiu aqui pelo LinkedIn? Este é o capítulo 14 do curso GPT-1 e GPT-2, desmontados. Dá para ler solto; se quiser o começo, é o capítulo 00.
Carregar o GPT-2 XL custa 7 segundos e 5,8 GB de RAM. Toda vez. Cada script de laboratório carregava o modelo do zero. Um servidor de inferência inverte a relação: o modelo fica num processo que não morre e qualquer coisa fala com ele por HTTP. Escrevemos um em 200 linhas legíveis, com os mesmos endpoints dos servidores de produção da Hugging Face. O que os de produção têm e o nosso não tem são exatamente as quatro coisas que importam a partir de milhares de requisições por segundo, e que não importam quando você está aprendendo.
Os três pontos
- Um servidor em FastAPI com os endpoints do TGI e do TEI: generate, generate_stream, embed, predict. Compatível, legível, sem GPU.
- Continuous batching, paged attention, tensor parallelism, quantização: o que o TGI tem, o que cada um resolve, e quando você precisa.
- Uma boa notícia sobre o RoBERTa: para embeddings e classificação, ele roda em milissegundos numa CPU.
Da apostila, o começo
Da chamada de função ao servidor HTTP — e o que os servidores de produção fazem que o seu não faz, e por que isso importa só a partir de certa escala.
Até aqui, cada script do laboratório carregava o modelo do zero. Para o gpt2-xl isso custa 7 segundos e 5,8 GB de RAM — toda vez.
O que a apostila cobre · 7 seções · 9 min
- Por que servir por HTTP
- O nosso servidor
- O que é o TGI, de verdade
- O TEI e uma boa notícia sobre o RoBERTa
- A tabela de decisão
- Detalhes de implementação que valem ler
- No laboratório
Todos os capítulos do curso · GPT-1 e GPT-2, desmontados
- 00 · Os sete fósseis: por que GPT-1, GPT-2 e RoBERTa são um corte histórico, não uma lista
- Glossário · Glossário do curso: o que token, camada e modelo querem dizer em IA, e no resto da TI
- 01 · Por que o GPT-2 não enxerga letras nem palavras, e o que isso custa em português
- 02 · Embeddings: de um inteiro sem sentido a um vetor que sabe que rei e rainha são parentes
- 03 · Atenção: a única operação que substituiu vinte anos de redes recorrentes
- 04 · Doze cabeças em vez de uma, e a única linha de código que separa o GPT do RoBERTa
- 05 · Por que o GPT-2 precisa de 48 andares para responder, e o que acontece dentro de cada um
- 06 · O que a escala realmente compra: de 124 milhões a 1,5 bilhão, medido
- 07 · Temperature, top-k e top-p: a decisão que muda mais o texto do que trocar de modelo
- 08 · Perplexidade: o único número que diz o que o modelo aprendeu, sem anedotas
- 09 · GPT-1 para GPT-2: mesmo tamanho, metade da perplexidade. Quatro decisões explicam
- 10 · RoBERTa: quando o avanço é treinar melhor o que já existia
- 11 · Encoder vs decoder: uma linha de código e todas as consequências que descem dela
- 12 · O detector: como um modelo de linguagem vira classificador, e por que esse não deve decidir nada
- 13 · Lendo o código original do GPT-2: 174 linhas contra tudo o que você aprendeu
- 14 · Servindo modelos: da chamada de função ao servidor HTTP, e o que a produção faz a mais
- 15 · O guia do laboratório: cada comando, cada script, e tudo o que foi medido
- 16 · O teto deste caminho: o argumento de LeCun, lido de dentro do GPT-2
Escreve o curso do GPT-2 e conduz o experimento Antevisão, medindo cada rodada antes de publicar o número. Os posts no LinkedIn começam aqui e terminam nas apostilas.
Seguir no LinkedIn →