기본 콘텐츠로 건너뛰기

Titans: Transformer 2.0의 시작일까?

“The true art of memory is the art of attention!"

Transformer에서 context window가 커지면 커질수록 기억을 상실하는 문제를 해결해보자.

Transforme 핵심
. Short-term memory
. Long-term memory

Titans은?
. Short-term memory
- 현재 작업과 직접적으로 연관된 데이터 저장
- 최신정보 저장, 빠른 검색 기능
- 긴 문맥을 처리하는 어텐션 메커니즘
. Long-term memory
- 반복적이거나 중요한 데이터 저장
- 새로운 정보와 과거 데이터를 융합하도록 지원
- 중요도가 낮은 데이터는 제거히는 망각 메커니즘
. Persistent memory
- 중요한 데이터는 영구적으로 저장
- 새로운 데이터를 학습할때 영구 데이터를 참조
. Surprise matrix
- 새로운 데이터가 기존과 얼마나 다른지 계산
- 차이가 클수록 저장 가치가 높다고 판단

Transformers의 한계점
. 벡터와 행렬 연산
. 병렬 처리 단위 context window 클수록 gpu 기하급수적이고 long-term memory 상실함
. 복잡성 문제 커짐
. gpu 하드웨어간 연결성을 만족하되 메모리 데이터 처리에 문제 발생함
. 어텐션 메커니즘이란 토큰(단어)간의 연결성으로 소수의 정보에만 집중
. Context window 안에서 뭐든 해결하려고 했지만 크기가 커질수록 장기 기억 상실 발생

그래서 Titans은?

. Titans은 transforms 의 단점인 long-term memory를 장기 기억하기 위해 따로 독립적으로 neural memory로 구성
. neural memory는 ai 학습괴 테스트 중 벡터를 넣어서 중요한 것들을 기억하는 모듈안에 저장하는 역할
. 즉 테스트 과정(Test-time learning)에서도 계속해서 long-term memory를 저장
- (핵심) 모델이 추론하는 단계에서 새로운 정보를 학습하고 기억할 수 있더록 설계된 메커니즘
. 굉장히 단순화된 기억을 장기 기억에 저장하는 것임
. Transforms 는 2천억개의 Weight 가중치가 고정된 갑값으로 계산
. 어떤것을 기억해야하는거냐? - surprise memory
. 예상 밖의 일들, 신경망의 예측과 기존과 너무 다른 것들을 저장 - 기억의 질응 향상시키는 방법
. neural memory는 신경망 구조의 장기 기억 보관, 과게 데이터를 저장하고 필요할때마나 가져와서 사용
. Persistent memory는 학습없이 영구적으로 기억하는 메모리, 학습하는 건 상관없이 미리 저장되어 있는 지식을 보관해 놓고 갖다 쓰는것
. Titans은 neural / persistent 합쳐서 코어에호 attention 메커니즘을 쓰면 기억의 제한 없이 쓸수있는 아키텍처(context window에 한정적)
. 적응형 학습: 새로운 정보가 들어오면, 기존 메모리와 유사성을 계산하여 중복된 정보는 결합, 중요도 낮은 정보는 제거하는 밍각 메커니즘 수행


3가지 구조의 활용 방법을 3가지 방법으로 소개
. MAC (Memory As Context)
과거데이터를 일단 저장해놓고 필요할 땨미다 데이터를 가져와서 attention 메커니즘을 수행하는 단계, 즉 transformer의 단점을 바로 보완
. MAG (Memory As Gating)
과거 데이터를 새로운 데이터와 결합했을때 얼마나 중요한지를 판단하는 gate 메커니즘
. MAL (Memory As Layer)
신경망의 하나의 층, 기존 transform 신경망 층에 하나 추가하는 메커니즘






. 결과를 보면 일반 상식 문제가 해결됨
. 파라미터 수가 굉장히 작은 범위에서도 혼란도다 낮다. 더 정확한 예측이 가능하다. 더 큰 context window로도 성능이 높음
. 향후 주가 정보 등 context windwo가 짧은 기술분야 혹는 학문 분야에서 잘 활용되지 않을까?
. Titans 기억을 효율적으로 잘 보관하기 때문에 적은 gpu 자원으로 좋은 성능을 뽑아낼 수 있을듯
. Transformer는 학습되면 파라미터가 고정되지만 Titans은 학습 과정중 파라미터가 변함

한계점
. Babilog
. RAG
. Service (전력 사용량 등)
. 저전력 고효율 AI chip 또는 Nvidia CUDA 호환성

참고자료


댓글

댓글 쓰기

이 블로그의 인기 게시물

[AI] RAG란 무엇인가?

자고 일어나면 인공지능 관련 기사와 내용이 참 많습니다. 소위 AI시대 대격변 속에서 무엇을 해야할지 고민이 많습니다. AI의 기본적인 이론도 중요하지만, 최근 트렌드를 잘 알고 잘 써먹을 수 있는 것도 개인의 역량이 아닐까 싶습니다. 즉 AI를 하나의 도구로 생각하고 도구를 잘 써먹으면 좋지 않을까요? 오늘은 RAG(검색-증강-생성)이란 무엇인지 간략하게 끄적여보겠습니다. 3줄 요약 ⓐ 검색(Retrieval)은 요청된 외부 지식 을 가져온다. ⓑ 증강(Augmented)은 질문 것에 요청된 것을 더한다 . ⓒ 생성(Generation)은 사용자의 질문에 더한 것을 받아 텍스트로 생성 한다.   ⅰ RAG(검색-증강-생성)이란 무엇인가? 최근 인공지능 기술의 발전은 다양한 분야에서 혁신을 일으키고 있으며, 그 중에서도 텍스트 기반의 생성형 AI는 특히 주목받고 있습니다. 하지만 이러한 인공지능 기술이 가진 정확성과 신뢰성의 문제는 사용자와 개발자 모두에게 중요한 과제로 남아 있습니다. 이 문제를 해결하기 위해 등장한 기술 중 하나가 바로 RAG(Retrieval-Augmented Generation)입니다. 자세한 기술적 내용은 RAG 용어가 등장한 2020년 아래의 논문을 참고하기 바랍니다. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks(2020) (본지는 간단한 내용 만을 기술할 목적이기 때문에 IT 기업의 설명 자료를 참고하여 본인이 이해한 내용을 작성 하였습니다. 혹시나 잘못된 정보가 있다면 알려주세요.) RAG(Retrieval-Augmented Generation)는 단어 풀이 그대로 '검색 증강 생성'이란 뜻 입니다. 먼저 Retrieval 이란 의미는 검색이란 뜻보다는 외부 지식 데이터베이스에서 가져오는 것, 어딘가에서 요청된 무엇인가를 가져오는 것 을 이야기합니다. 그리고 Augmented 는 증강이란 뜻으로 원래 것에 뭔가를 더하거나 보태어 더 실해졌다 는 ...
댓글 1개
Read more »

[Machine Learning] 경사 하강법 (Gradient Descent)

모델의 오류는 왜 중요할까? 들어가기 전에 한 줄 요약해보겠습니다. 의심하며 본문의 내용을 읽어주세요. 혹시나 다른 내용이 있다면 덧글 부탁드립니다. 모델의 계수를 구하기 위해 가중치를 바꿔가며 전역(global) 기울기가 0인 곳을 잘 찾아보자 . 들어가기 머신러닝 혹은 딥러닝의 가장 적합한 모델 이라 함은 대부분 모델의 오류(error)를 최소화 하는 것을 의미한다. 즉, 어떤 모델(단변량 함수)의 계수의 최적값을 찾는 것으로 생각 할 수 있다. 최적화 문제를 풀기위해 경사 하강법 이라 부르는 방법을 사용할텐데, 이는 곧 함수의  기울기 를 계산하고 경사의 이동방향의 반대 방향으로 이동하여 극값 (=0) 을 찾는 문제 와 같다. 접선의 오류를 찾는 손실함수는 다음 포스트에서 다루도록 하겠다. (즉 머신러닝/딥러닝 최적 모델은 함수의  기울기와 접선의 오차를 줄이는  것이다) 본 포스트에서는 경사 하강법의 기본 개념에 한하여 설명하도록 하겠다. 우리가 생각하는 1차원 혹은 2차원에서의 기울기 최소값이 아닌 아래 그림과 같이 3차원 이상의 다차원에서는 함수에 하나의 전역 최소값(global minimum) 이 존재하는 경우 꽤 쓸만하지만, 함수에 지역 최소값(local minimum) 여러 개 있는 경우에는 시작점을 어디에 잡냐에 따라 잘못된 곳으로 빠질 수 있다. (*딥러닝의 경우 때에 따라 다차원 함수의 최소값을 찾아야 한다. 이는 인간의 머리로는 한계가 있다.) Python 코드를 활용해 간단한 그라디언트 함수를 만들어 보자. f가 단변수 함수인 경우, 점 x 에서의 미분값은 x가 아주 조금 변했을 때 f(x)의 변화량 을 의미한다. x의 변화량을 식에서는 h로 표기한다. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 from  typing  import  Callable def  difference_quoitemt(f: Callab...
댓글 쓰기
Read more »

[Machine Learning] 데이터 증강 (Data Augmentation) 이란?

데이터 증강 (Data Augmentation)이란? 본격적으로 들어가기전 내용을 간략하게 요약하자면 다음과 같다. 요약을 바탕으로 본문에서는 좀더 깊이있게 설명하도록 하겠다. 이미지 데이터의 증강은 회전, 크기 조절, 색생 변화 등 다양한 변환을 통해 학습데이터의 다양성을 인위적으로 늘려 모델의 성능을 형상 시키는 방법 시계열 데이터의 증강은 시간 축 변환, 크기 조절, 시간 이동 등 다양한 기법을 통해 원본 데이터를 변형하여 학습 데이터의 다양성을 높이고 모델의 일반화를 향상 시키는 기법 CNN, R-CNN, YOLO 등 모델의 성능을 높이고 오버피팅을 극복할 수 있는 가장 좋은 방법은 다양한 유형의 학습 이미지 불균형 극복을 위한 데이터 양을 늘리는 것입니다. 하지만 사진, 동영상과 같은 이미지 데이터의 경우 학습 데이터 량을 늘리는 것은 쉽지가 않다. 이미지 데이터의 양을 늘리긴 위해서는 결국 클라스(라벨링)의 수도 증가하며, 이는 곧 엄청난 노가다가 필요하기 때문이다. 데이터 증강은 학습 이미지의 개수를 늘리는 것이 아니고 학습 시(epoch) 마다 개별 원본 이미지를 변형해서 학습하는 것 이다. 아래 첨부의 그림과 같이 학습 이미지를 변형할 수 있다. (출처:  https://blog.insightdatascience.com/automl-for-data-augmentation-e87cf692c366) 데이터 증강을 우리 일상생활로 쉽게 설면하자면 우리가 핸드폰 카메라를 통해 사진을 촬영하고 사진의 밝기, 크기, 좌우반전 등을 행하는 것을 이미지 데이터의 증강으로 이해하면 쉽다. tensorflow 에서 간단한 예제를 활용하여 이미지 데이터의 증강을 설명하고 있다. 본 블로그에서는 몇 가지 대표적인 데이터 증강 종류를 간단히 설명하고 마무리 하겠다. 기회가 된다면 텍스트 및 시계열 데이터의 증강 방법도 간략히 소개 후 마무리 하겠다. 이미지 데이터의 증강 (출처:  https://www.invivoo.com/ ) 이미지에 아래와 같이...
댓글 쓰기
Read more »