A Microsoft Research causou recentemente um rebuliço no mundo da pesquisa em inteligência artificial (IA) ao anunciar o desenvolvimento bem-sucedido do DeepSpeed, uma biblioteca de otimização de aprendizagem profunda que pode ser usada para treinar modelos gigantes de IA com escala de até 100 bilhões de parâmetros.
No treinamento de IA, quanto maiores forem os modelos de linguagem natural, maior será a precisão. No entanto, treinar grandes modelos de linguagem natural consome muito tempo e os custos envolvidos não são pequenos. O DeepSpeed nasceu para superar todas as dificuldades acima: Melhorar velocidade, custo, escala de treinamento e usabilidade.
Além disso, a Microsoft também mencionou que o DeepSpeed também inclui o ZeRO (Zero Redundancy Optimizer), uma técnica de otimização paralela que ajuda a minimizar a quantidade de recursos necessários para os modelos, ao mesmo tempo que ajuda a aumentar o número de parâmetros que podem ser treinados. Usando uma combinação de DeepSpeed e ZeRO, os pesquisadores da Microsoft conseguiram desenvolver com sucesso um novo modelo Turing Natural Language Generation (Turing-NLG) – o maior modelo de linguagem da atualidade, com 17 bilhões de parâmetros.

Alguns destaques do DeepSpeed:
- Escala: Os atuais modelos grandes e avançados de IA, como OpenAI GPT-2, NVIDIA Megatron-LM e Google T5, têm uma escala de 1,5 bilhão, 8,3 bilhões e 11 bilhões de parâmetros, respectivamente. O estágio 1 do ZeRO no DeepSpeed pode fornecer suporte de sistema para executar modelos com até 100 bilhões de parâmetros, o que é 10 vezes maior que o maior modelo do Google.
- Velocidade: os aumentos de rendimento registrados variam dependendo da configuração do hardware. Em clusters de GPU NVIDIA com conexões de baixa largura de banda (sem NVIDIA NVLink ou Infiniband), o DeepSpeed atinge uma melhoria de rendimento de 3,75x em comparação ao uso do Megatron-LM sozinho para o modelo GPT-2 padrão com 1,5 bilhão de parâmetros. Em clusters NVIDIA DGX-2 com conexões de alta largura de banda, para modelos com 20 a 80 bilhões de parâmetros, o DeepSpeed é 3 a 5 vezes mais rápido.
- Custo: A partir de melhorias na velocidade, os custos de treinamento também são significativamente otimizados. Por exemplo, para treinar um modelo com 20 bilhões de parâmetros, o DeepSpeed requer 3 vezes menos recursos do que o normal.
- Usabilidade: Apenas algumas pequenas alterações no código são necessárias para que os modelos atuais possam passar a usar DeepSpeed e ZeRO. DeepSpeed não requer redesenho de código ou refatoração de modelo.
A Microsoft está abrindo o código do DeepSpeed e do ZeRO no GitHub , consulte.