AI의 모델을 처음부터 훈련하려면 GPU 비용도 데이터셋도 대량으로 필요합니다.
와이드쇼를 보다가 Sakana AI가 궁금해져서 설명 페이지를 읽어보았습니다.
우수한 것들끼리 조합하여, 더욱 우수한 것을 만드는 방법입니다.
지금까지 인간의 직감이나 경험에 의존했던 부분을 프로그램으로 방대한 조합을 시도하고 좋은 것을 골라 나갑니다.
접근 방식은 두 가지가 있습니다.
- 여러 기존 모델의 레이어(layer)를 조합하여 최적의 조합을 찾습니다.
인간이 하려고 하면 직감이나 경험이 필요한 부분을, 방대한 시도로 찾아냅니다.
이미지 생성 모델로 예시를 들자면, 구도를 결정하는 레이어, 의상이나 배경, 색상을 결정하는 레이어, 실제로 그려 넣는 레이어 등을 모델에 관계없이 조합해 나가는 이미지를 말합니다. (실제로는 역할이 깔끔하게 분리되어 있거나, 모델마다 다를 수도 있습니다.)
- 여러 모델의 가중치(weight)를 수치적으로 섞어 가장 우수한 것을 찾습니다.
레이어와 관계없이, 모델 A와 모델 B 사이에서 자식이 태어나는 이미지를 말합니다.
섞는 방법은 무한하기 때문에, 이것 역시 많이 시도함으로써 진화적으로 좋은 배합을 찾아냅니다.
새로운 모델 C에 넣을 레이어를 3가지 중 선택할 수 있게 됩니다.
모델 A 새로운 모델 C 모델 B
[A-1] ──────→ [C-1] ← A에서 가져옴
[C-2] ←────────── [B-2] ← B에서 가져옴
...
이것을 인간의 직감이 아닌 프로그램으로 방대하게 시도함으로써, 빠른 러너가 태어나는 것처럼 생물의 진화처럼 우수한 모델이 탄생합니다.
일본어 모델 1개와 수학 모델 2개를 부모로 삼아 그 자식이나 손주를 만들고 있습니다.
| 모델 | 내용 | 크기 | 점수 |
|---|
| Shisa Gamma | 일본어 (부모) | 7B | 9.6 |
| ... | | | |
| (생략) | | | |
| GPT-3.5보다도 우월합니다. | | | |
| 모델 | 내용 | 크기 | 평균 |
|---|
| Shisa Gamma | 일본어 (부모) | 7B | 66.1 |
| ... | | | |
| (생략) | | | |
| 일본어 종합 테스트에서도 좋은 결과였습니다. | | | |
다만, 수학에 가장 강한 손주 모델은 종합 점수에서는 조금 낮습니다.
0부터 학습하는 것보다 비교할 수 없을 만큼 저렴하다고 생각합니다.
방대한 패턴을 조합하여 평가하려면 시간과 자원이 걸리기 때문에 개인에게는 어려울 수 있지만, 시도해 볼 가치는 있어 보입니다.
저 역시 예전에 이미지 속 지정된 것을 지우기 위한 튜닝을 한 적이 있습니다.
만약 또 어떤 용도로 AI를 조정한다면, 비용은 들겠지만 진화적 병합(evolutionary merge)을 시도해 보는 것도 재미있을 것 같다고 생각했습니다.
AI의 세계에는