Оптимізація нейромереж: прунінг для прискорення інференсу

Уявіть: ваша навчена GPT-подібна модель займає 16 ГБ і видає відповідь за 5 секунд на GPU, а на CPU або edge-пристрої — взагалі неприйнятно. Клієнти скаржаться на затримки, витрати на інфраструктуру зростають. Ми з такою ситуацією стикаємося постійно: модель хороша, але в production її не поставиш — дорого та повільно. Pruning — один із ключових інструментів, щоб це виправити.

Прунінг нейромережі — видалення малозначущих параметрів (ваг, нейронів, attention heads, шарів) із навченої нейромережі. Мета — знизити розмір моделі та прискорити інференс при мінімальній втраті якості. У контексті LLM pruning часто комбінують з квантизацією та дистиляцією для максимального стиснення.

Чому pruning важливий для LLM?

Великі мовні моделі (LLM) містять мільярди параметрів, але багато з них надлишкові. Pruning дозволяє стиснути модель у 2–4 рази без значної деградації, що критично для деплою на edge, зниження витрат на GPU та зменшення затримок. Без pruning сучасні LLM часто залишаються дослідницькими артефактами — занадто дорогими для реального застосування.

Види pruning

• Unstructured pruning: обнулюються окремі ваги по всій матриці. Високе стиснення, але потребує sparse computation — стандартні GPU не прискорюють sparse операції «з коробки». Використання тензорних ядер з підтримкою N:M sparsity (2:4) на GPU Ampere+ забезпечує апаратне прискорення до 2×.
• Structured pruning: видаляються цілі структурні елементи — нейрони, attention heads, шари. Результат — реально менша щільна модель, яка працює швидше на стандартному залізі.
• Semi-structured pruning (N:M sparsity): видаляються N ваг з кожного блоку M. Формат 2:4 підтримується NVIDIA Ampere та вище на апаратному рівні (до 2× прискорення).

Який метод pruning обрати для вашої моделі?

Вибір методу pruning залежить від цільового заліза та вимог до якості. Нижче — порівняння популярних підходів.

Методи pruning з прикладами коду

LLM-Pruner: структурований pruning LLM

# Приклад використання LLM-Pruner
# pip install llm-pruner

from LLMPruner.pruner import LlamaStructuredPruner
from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("meta-llama/Meta-Llama-3.1-7B")
tokenizer = AutoTokenizer.from_pretrained("meta-llama/Meta-Llama-3.1-7B")

pruner = LlamaStructuredPruner(
    model=model,
    tokenizer=tokenizer,
    pruning_ratio=0.25,  # Видалити 25% параметрів
)

# Обчислення важливості параметрів на calibration data
calibration_data = ["Текст для аналізу важливості ваг...", ...]
pruner.get_mask(calibration_data, method="taylor")  # Taylor expansion importance

# Застосування маски та pruning
pruned_model = pruner.prune()

SparseGPT: ефективний unstructured pruning без retraining

З документації SparseGPT: "SparseGPT can prune 50% of the weights without retraining." — GitHub

# sparsegpt — бібліотека від авторів методу
# Приклад концептуального коду

from sparsegpt import SparseGPT

sparsegpt = SparseGPT(model)
sparsegpt.fasterprune(
    sparsity=0.5,         # 50% sparsity
    prunen=2,             # N в N:M
    prunem=4,             # M в N:M (2:4 — підтримується апаратно)
    percdamp=0.01,
    blocksize=128,
)

При 2:4 sparsity (50%) на NVIDIA A100/H100 прискорення inference на Tensor Core близько 1.7–2×.

Wanda: простий та ефективний pruning

# Wanda простіший за SparseGPT, але порівнянний за якістю
# Працює за кілька хвилин на 7B моделі

def wanda_pruning(model, calibration_loader, sparsity=0.5):
    """Спрощена реалізація Wanda"""
    for name, module in model.named_modules():
        if isinstance(module, torch.nn.Linear):
            # Накопичуємо статистику активацій
            activation_norms = get_activation_norms(module, calibration_loader)

            # Importance score = |W| * ||X||
            importance = module.weight.abs() * activation_norms

            # Pruning по threshold
            threshold = torch.quantile(importance, sparsity)
            mask = importance > threshold
            module.weight.data *= mask

    return model

Depth pruning: видалення шарів

Для LLM середні шари часто менш критичні, ніж перші та останні:

def depth_prune_llm(model, layers_to_remove: list[int]):
    """Видалення вказаних decoder layers"""
    # Для Llama-архітектури
    remaining_layers = [
        layer for i, layer in enumerate(model.model.layers)
        if i not in layers_to_remove
    ]
    model.model.layers = torch.nn.ModuleList(remaining_layers)
    return model

# Приклад: видаляємо 8 середніх шарів із 32 (25% depth reduction)
pruned_model = depth_prune_llm(model, layers_to_remove=list(range(12, 20)))
# Результат: 24-шарова модель із 32-шарової

Практичний кейс: оптимізація edge-деплою

Задача: донавчена Llama 3.1 8B для промислового контролера (ARM-сервер, 16GB RAM, немає GPU). Вимога: інференс < 2с на запит.

Наша стратегія оптимізації:

1. GGUF Q4_K_M квантизація: 8B → 4.1GB, 8 tok/s на CPU (недостатньо)
2. Depth pruning (видалення 8 шарів із 32): -25% latency, -3% якості
3. Width pruning attention heads (видалення 20% голів): -15% latency
4. Повторна квантизація: GGUF Q4_K_M на pruned моделі

Підсумкові характеристики pruned+quantized моделі:

У типовому проекті з моделлю 7B параметрів економія на інфраструктурі сягає 40%. Наприклад, для моделі Llama 7B на AWS p3.2xlarge ($1.5/год) цілодобова робота коштує ~$1,080/міс, а після pruning — ~$648/міс, що заощаджує $432 щомісяця.

# Після pruning — короткий fine-tuning для відновлення
from trl import SFTTrainer, SFTConfig

# Використовуємо той самий датасет, що для fine-tuning, але з меншим LR
recovery_config = SFTConfig(
    num_train_epochs=1,       # 1 епоха для recovery
    learning_rate=5e-5,       # Нижче, ніж при full fine-tuning
    gradient_checkpointing=True,
    bf16=True,
)
trainer = SFTTrainer(model=pruned_model, args=recovery_config, train_dataset=dataset)
trainer.train()

Що входить у роботу

• Аналіз моделі та вибір стратегії pruning під ваше залізо та вимоги.
• Реалізація pruning (SparseGPT, Wanda, LLM-Pruner, depth pruning) з калібруванням.
• Recovery fine-tuning для відновлення якості.
• Бенчмаркінг: порівняння latency, throughput, perplexity, споживання пам'яті.
• Упаковка моделі (GGUF, ONNX, TensorRT) та інструкції по деплою.
• Документація щодо змін та рекомендації з моніторингу.

Процес роботи: етапи та терміни

1. Аналітика: зустрічаємося, обговорюємо вимоги, забираємо модель або датасет. Аналізуємо вузькі місця (latency, розмір, якість).
2. Проєктування: обираємо методи pruning та recovery, готуємо пайплайн. Оцінюємо очікуваний ефект.
3. Реалізація: проводимо pruning, recovery fine-tuning з використанням обраних інструментів.
4. Тестування: порівнюємо з оригіналом, фіксуємо метрики (perplexity, latency, throughput).
5. Деплой: упаковуємо модель, надаємо інструкції з інтеграції.

Терміни:

• Вибір стратегії pruning: 3–5 днів
• Calibration та pruning: 4–24 години (залежить від методу та розміру)
• Recovery fine-tuning: 2–8 годин
• Benchmarking та оцінка: 3–5 днів
• Разом: 2–4 тижні

Вартість розраховується індивідуально — залежить від розміру моделі, складності задачі та необхідної якості. Наш досвід — 5+ років у ML, 15+ проєктів з оптимізації моделей для production. Ми на ринку вже 5+ років. Гарантуємо прозорий результат та повну документацію.

Порівняно з простою квантизацією, pruning у 2–4 рази ефективніше за показниками стиснення та прискорення при тій самій якості.

Якщо ви зіткнулися з подібною задачею, зв'яжіться з нами. Замовте консультацію — розповімо, як прискорити інференс у 2–5 разів без суттєвої втрати якості.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.