I/O에서 발표된 Google AI Edge 관련 발표에 대해 자세히 알아보세요.

이 페이지는 Cloud Translation API를 통해 번역되었습니다.

웹용 LLM 추론 가이드

LLM Inference API를 사용하면 웹 애플리케이션용 브라우저에서 대규모 언어 모델 (LLM)을 완전히 실행할 수 있으며, 이를 통해 텍스트 생성, 자연어 형식으로 정보 검색, 문서 요약과 같은 다양한 작업을 수행할 수 있습니다. 이 작업은 여러 텍스트 간 대규모 언어 모델을 기본적으로 지원하므로 웹 앱에 최신 온디바이스 생성형 AI 모델을 적용할 수 있습니다.

MediaPipe Studio 데모에서 이 작업의 작동 방식을 확인할 수 있습니다. 이 태스크의 기능, 모델, 구성 옵션에 대한 자세한 내용은 개요를 참조하세요.

코드 예시

LLM Inference API의 예시 애플리케이션은 이 작업의 기본 구현을 JavaScript로 제공합니다. 이 샘플 앱을 사용하여 자체 텍스트 생성 앱 빌드를 시작할 수 있습니다.

GitHub에서 LLM Inference API 예시 앱에 액세스할 수 있습니다.

설정

이 섹션에서는 특히 LLM Inference API를 사용하도록 개발 환경과 코드 프로젝트를 설정하기 위한 주요 단계를 설명합니다. 플랫폼 버전 요구사항을 포함하여 MediaPipe 태스크를 사용하기 위한 개발 환경 설정에 관한 일반적인 정보는 웹 설정 가이드를 참고하세요.

브라우저 호환성

LLM Inference API를 사용하려면 WebGPU와 호환되는 웹브라우저가 필요합니다. 호환되는 브라우저의 전체 목록은 GPU 브라우저 호환성을 참고하세요.

JavaScript 패키지

LLM Inference API 코드는 @mediapipe/tasks-genai 패키지를 통해 제공됩니다. 플랫폼 설정 가이드에 제공된 링크에서 이러한 라이브러리를 찾아 다운로드할 수 있습니다.

로컬 스테이징에 필요한 패키지를 설치합니다.

npm install @mediapipe/tasks-genai

서버에 배포하려면 jsDelivr과 같은 콘텐츠 전송 네트워크 (CDN) 서비스를 사용하여 HTML 페이지에 코드를 직접 추가합니다.

<head>
  <script src="https://cdn.jsdelivr.net/npm/@mediapipe/tasks-genai/genai_bundle.cjs"
    crossorigin="anonymous"></script>
</head>

모델

MediaPipe LLM Inference API를 사용하려면 이 작업과 호환되는 학습된 모델이 필요합니다. 웹 애플리케이션의 경우 모델은 GPU와 호환되어야 합니다.

LLM Inference API에 사용할 수 있는 학습된 모델에 대한 자세한 내용은 작업 개요 모델 섹션을 참조하세요.

모델 다운로드

LLM Inference API를 초기화하기 전에 지원되는 모델 중 하나를 다운로드하고 프로젝트 디렉터리에 파일을 저장합니다.

Gemma: Gemini 모델을 만드는 데 사용된 것과 동일한 연구 및 기술로 빌드된 최신 경량형 개방형 모델 제품군의 일부입니다. 질의 응답, 요약, 추론 등 다양한 텍스트 생성 작업에 적합합니다. Gemma 2B 또는 Gemma 7B 모델 변형을 다운로드합니다.
Phi-2: 27억 개의 매개변수 Transformer 모델로, 질문-답변, 채팅, 코드 형식에 가장 적합합니다.
Falcon-RW-1B: RefinedWeb의 3,500억 토큰으로 학습된 10억 개의 매개변수 인과적 디코더 전용 모델입니다.
StableLM-3B: 다양한 영어 및 코드 데이터 세트로 구성된 1조 개의 토큰으로 사전 학습된 30억 개의 매개변수 디코더 전용 언어 모델

Kaggle 모델에서 제공되고 LLM Inference API와 이미 호환되는 형식으로 제공되는 Gemma 2B 또는 Gemma 7B를 사용하는 것이 좋습니다. 다른 LLM을 사용하는 경우 MediaPipe에 적합한 형식으로 모델을 변환해야 합니다. Gemma에 관한 자세한 내용은 Gemma 사이트를 참고하세요. 사용 가능한 다른 모델에 대한 자세한 내용은 모델 섹션 작업 개요를 참조하세요.

모델을 MediaPipe 형식으로 변환

네이티브 모델 변환

외부 LLM (Phi-2, Falcon 또는 StableLM) 또는 Kaggle 외 Gemma 버전을 사용하는 경우 변환 스크립트를 사용하여 모델을 MediaPipe와 호환되도록 형식을 지정하세요.

모델 변환 프로세스에는 MediaPipe PyPI 패키지가 필요합니다. 변환 스크립트는 0.10.11 이후의 모든 MediaPipe 패키지에서 사용할 수 있습니다.

다음을 사용하여 종속 항목을 설치하고 가져옵니다.

$ python3 -m pip install mediapipe

genai.converter 라이브러리를 사용하여 모델을 변환합니다.

import mediapipe as mp
from mediapipe.tasks.python.genai import converter

config = converter.ConversionConfig(
  input_ckpt=INPUT_CKPT,
  ckpt_format=CKPT_FORMAT,
  model_type=MODEL_TYPE,
  backend=BACKEND,
  output_dir=OUTPUT_DIR,
  combine_file_only=False,
  vocab_model_file=VOCAB_MODEL_FILE,
  output_tflite_file=OUTPUT_TFLITE_FILE,
)

converter.convert_checkpoint(config)

LoRA 모델을 변환하려면 ConversionConfig에서 기본 모델 옵션과 추가 LoRA 옵션을 지정해야 합니다. API는 GPU를 사용한 LoRA 추론만 지원하므로 백엔드를 'gpu'로 설정해야 합니다.

import mediapipe as mp
from mediapipe.tasks.python.genai import converter

config = converter.ConversionConfig(
  # Other params related to base model
  ...
  # Must use gpu backend for LoRA conversion
  backend='gpu',
  # LoRA related params
  lora_ckpt=LORA_CKPT,
  lora_rank=LORA_RANK,
  lora_output_tflite_file=LORA_OUTPUT_TFLITE_FILE,
)

converter.convert_checkpoint(config)

변환기는 두 개의 TFLite 플랫버퍼 파일(기본 모델용, 다른 하나는 LoRA 모델용)을 출력합니다.

매개변수	설명	허용되는 값
`input_ckpt`	`model.safetensors` 또는 `pytorch.bin` 파일의 경로입니다. 모델 안전 텐서 형식이 여러 파일(예: `model-00001-of-00003.safetensors`, `model-00001-of-00003.safetensors`)로 샤딩되는 경우가 있습니다. `model*.safetensors`와 같은 파일 패턴을 지정할 수 있습니다.	PATH
`ckpt_format`	모델 파일 형식입니다.	{"safetensors", "pytorch"}
`model_type`	변환 중인 LLM입니다.	{'PHI_2', 'FALCON_RW_1B', 'STABLELM_4E1T_3B', 'GEMMA_2B'}
`backend`	모델을 실행하는 데 사용되는 프로세서 (대리자)입니다.	{"cpu", "gpu"}
`output_dir`	레이어당 가중치 파일을 호스팅하는 출력 디렉터리의 경로입니다.	PATH
`output_tflite_file`	출력 파일의 경로입니다. 예: 'model_cpu.bin' 또는 'model_gpu.bin' 이 파일은 LLM Inference API와만 호환되며 일반 `tflite` 파일로 사용할 수 없습니다.	PATH
`vocab_model_file`	`tokenizer.json` 및 `tokenizer_config.json` 파일이 저장되는 디렉터리 경로입니다. Gemma의 경우 단일 `tokenizer.model` 파일을 가리킵니다.	PATH
`lora_ckpt`	LoRA 어댑터 가중치를 저장하는 Safetensors 파일의 LoRA ckpt 경로입니다.	PATH
`lora_rank`	LoRA ckpt의 순위를 나타내는 정수입니다. lora 가중치를 변환하는 데 필요합니다. 이 값이 제공되지 않으면 변환기는 LoRA 가중치가 없다고 가정합니다. 참고: GPU 백엔드만 LoRA를 지원합니다.	정수
`lora_output_tflite_file`	LoRA 가중치의 출력 tflite 파일 이름입니다.	PATH

AI Edge 모델 변환

AI Edge를 통해 TFLite 모델에 매핑된 LLM을 사용하는 경우 번들 스크립트를 사용하여 작업 번들을 만드세요. 번들링 프로세스는 매핑된 모델을 추가 메타데이터 (예: Tokenizer 매개변수)가 포함됩니다.

모델 번들링 프로세스에는 MediaPipe PyPI 패키지가 필요합니다. 변환 스크립트는 0.10.14 이후의 모든 MediaPipe 패키지에서 사용할 수 있습니다.

다음을 사용하여 종속 항목을 설치하고 가져옵니다.

$ python3 -m pip install mediapipe

genai.bundler 라이브러리를 사용하여 모델을 번들로 묶습니다.

import mediapipe as mp
from mediapipe.tasks.python.genai import bundler

config = bundler.BundleConfig(
    tflite_model=TFLITE_MODEL,
    tokenizer_model=TOKENIZER_MODEL,
    start_token=START_TOKEN,
    stop_tokens=STOP_TOKENS,
    output_filename=OUTPUT_FILENAME,
    enable_bytes_to_unicode_mapping=ENABLE_BYTES_TO_UNICODE_MAPPING,
)
bundler.create_bundle(config)

매개변수	설명	허용되는 값
`tflite_model`	AI Edge에서 내보낸 TFLite 모델의 경로입니다.	PATH
`tokenizer_model`	SentencePiece tokenizer 모델의 경로입니다.	PATH
`start_token`	모델별 시작 토큰입니다. 제공된 tokenizer 모델에 시작 토큰이 있어야 합니다.	문자열
`stop_tokens`	모델별 중지 토큰 제공된 tokenizer 모델에 중지 토큰이 있어야 합니다.	목록[STRING]
`output_filename`	출력 작업 번들 파일의 이름입니다.	PATH

프로젝트 디렉터리에 모델 추가

프로젝트 디렉터리에 모델을 저장합니다.

<dev-project-root>/assets/gemma-2b-it-gpu-int4.bin

baseOptions 객체 modelAssetPath 매개변수를 사용하여 모델의 경로를 지정합니다.

baseOptions: { modelAssetPath: `/assets/gemma-2b-it-gpu-int4.bin`}

할 일 만들기

LLM Inference API createFrom...() 함수 중 하나를 사용하여 추론을 실행할 작업을 준비합니다. 학습된 모델 파일의 상대 또는 절대 경로와 함께 createFromModelPath() 함수를 사용할 수 있습니다. 코드 예에서는 createFromOptions() 함수를 사용합니다. 사용 가능한 구성 옵션에 관한 자세한 내용은 구성 옵션을 참고하세요.

다음 코드는 이 작업을 빌드하고 구성하는 방법을 보여줍니다.

const genai = await FilesetResolver.forGenAiTasks(
    // path/to/wasm/root
    "https://cdn.jsdelivr.net/npm/@mediapipe/tasks-genai@latest/wasm"
);
llmInference = await LlmInference.createFromOptions(genai, {
    baseOptions: {
        modelAssetPath: '/assets/gemma-2b-it-gpu-int4.bin'
    },
    maxTokens: 1000,
    topK: 40,
    temperature: 0.8,
    randomSeed: 101
});

구성 옵션

이 작업에는 웹 및 JavaScript 앱에 대한 다음과 같은 구성 옵션이 있습니다.

옵션 이름	설명	값 범위	기본값
`modelPath`	프로젝트 디렉터리 내에서 모델이 저장되는 경로입니다.	PATH	해당 사항 없음
`maxTokens`	모델이 처리하는 토큰의 최대 개수 (입력 토큰 + 출력 토큰)입니다.	정수	512
`topK`	모델이 각 생성 단계에서 고려하는 토큰 수입니다. 확률이 가장 높은 토큰 k개로 예측을 제한합니다. `topK`를 설정할 때는 `randomSeed`의 값도 설정해야 합니다.	정수	40
`temperature`	생성 중에 도입된 무작위성의 정도입니다. 온도가 높을수록 생성된 텍스트의 창의성이 높아지고, 온도가 낮을수록 예측 가능한 생성이 이루어집니다. `temperature`를 설정할 때는 `randomSeed`의 값도 설정해야 합니다.	부동 소수점 수	0.8
`randomSeed`	텍스트 생성 중에 사용되는 무작위 시드입니다.	정수	0
`loraRanks`	LoRA는 런타임 중에 LoRA 모델에서 사용되는 순위입니다. 참고: GPU 모델과만 호환됩니다.	정수 배열	해당 사항 없음

데이터 준비

LLM Inference API는 텍스트 (string) 데이터를 허용합니다. 이 태스크는 토큰화와 텐서 전처리를 포함하여 데이터 입력 사전 처리를 처리합니다.

모든 전처리는 generateResponse() 함수 내에서 처리됩니다. 입력 텍스트를 추가로 사전 처리할 필요는 없습니다.

const inputPrompt = "Compose an email to remind Brett of lunch plans at noon on Saturday.";

작업 실행

LLM Inference API는 generateResponse() 함수를 사용하여 추론을 트리거합니다. 텍스트 분류의 경우 입력 텍스트에 대해 가능한 카테고리를 반환합니다.

다음 코드는 작업 모델로 처리를 실행하는 방법을 보여줍니다.

const response = await llmInference.generateResponse(inputPrompt);
document.getElementById('output').textContent = response;

응답을 스트리밍하려면 다음을 사용합니다.

llmInference.generateResponse(
  inputPrompt,
  (partialResult, done) => {
        document.getElementById('output').textContent += partialResult;
});

결과 처리 및 표시

LLM Inference API는 생성된 응답 텍스트가 포함된 문자열을 반환합니다.

Here's a draft you can use:

Subject: Lunch on Saturday Reminder

Hi Brett,

Just a quick reminder about our lunch plans this Saturday at noon.
Let me know if that still works for you.

Looking forward to it!

Best,
[Your Name]

LoRA 모델 맞춤설정

대규모 언어 모델에 대해 LoRA (Low-Rank Adaptation)를 지원하도록 Mediapipe LLM 추론 API를 구성할 수 있습니다. 미세 조정된 LoRA 모델을 활용하면 개발자가 비용 효율적인 학습 프로세스를 통해 LLM의 동작을 맞춤설정할 수 있습니다.

LLM Inference API의 LoRA 지원은 GPU 백엔드의 Gemma-2B 및 Phi-2 모델에서 작동하며 LoRA 가중치는 어텐션 레이어에만 적용됩니다. 이 초기 구현은 향후 개발을 위한 실험용 API 역할을 하며 향후 업데이트에서 더 많은 모델과 다양한 유형의 레이어를 지원할 계획입니다.

LoRA 모델 준비

HugggingFace의 안내에 따라 지원되는 모델 유형(Gemma-2B 또는 Phi-2)을 사용하여 자체 데이터 세트에서 미세 조정된 LoRA 모델을 학습시킵니다. Gemma-2B 및 Phi-2 모델은 모두 HuggingFace에서 safetensors 형식으로 제공됩니다. LLM Inference API는 어텐션 레이어에서만 LoRA를 지원하므로 다음과 같이 LoraConfig를 만드는 동안 어텐션 레이어만 지정합니다.

# For Gemma-2B
from peft import LoraConfig
config = LoraConfig(
    r=LORA_RANK,
    target_modules=["q_proj", "v_proj", "k_proj", "o_proj"],
)

# For Phi-2
config = LoraConfig(
    r=LORA_RANK,
    target_modules=["q_proj", "v_proj", "k_proj", "dense"],
)

테스트를 위해 HuggingFace에서 사용할 수 있는 LLM 추론 API에 맞게 미세 조정된 LoRA 모델을 공개적으로 액세스할 수 있습니다. 예를 들어 Gemma-2B의 경우 monsterapi/gemma-2b-lora-maths-orca-200k이고 Phi-2의 경우 lole25/phi-2-sft-ultrachat-lora입니다.

준비된 데이터 세트를 학습하고 모델을 저장한 후에는 미세 조정된 LoRA 모델 가중치가 포함된 adapter_model.safetensors 파일을 얻게 됩니다. safetensors 파일은 모델 변환에 사용되는 LoRA 체크포인트입니다.

다음 단계로 MediaPipe Python 패키지를 사용하여 모델 가중치를 TensorFlow Lite Flatbuffer로 변환해야 합니다. ConversionConfig는 기본 모델 옵션과 추가 LoRA 옵션을 지정해야 합니다. API는 GPU를 사용한 LoRA 추론만 지원하므로 백엔드를 'gpu'로 설정해야 합니다.

import mediapipe as mp
from mediapipe.tasks.python.genai import converter

config = converter.ConversionConfig(
  # Other params related to base model
  ...
  # Must use gpu backend for LoRA conversion
  backend='gpu',
  # LoRA related params
  lora_ckpt=LORA_CKPT,
  lora_rank=LORA_RANK,
  lora_output_tflite_file=LORA_OUTPUT_TFLITE_FILE,
)

converter.convert_checkpoint(config)

변환기는 두 개의 TFLite 플랫버퍼 파일(기본 모델용, 다른 하나는 LoRA 모델용)을 출력합니다.

LoRA 모델 추론

LoRA 모델 추론을 지원하도록 웹, Android, iOS LLM Inference API가 업데이트되었습니다. 웹은 런타임 중에 다양한 LoRA 모델을 전환할 수 있는 동적 LoRA를 지원합니다. Android 및 iOS는 정적 LoRA를 지원합니다. 정적 LoRA는 작업 수명 동안 동일한 LoRA 가중치를 사용합니다.

웹은 런타임 중에 동적 LoRA를 지원합니다. 즉, 사용자는 초기화 중에 사용될 LoRA 순위를 선언하고 런타임 중에 다른 LoRA 모델을 교체할 수 있습니다.

const genai = await FilesetResolver.forGenAiTasks(
    // path/to/wasm/root
    "https://cdn.jsdelivr.net/npm/@mediapipe/tasks-genai@latest/wasm"
);
const llmInference = await LlmInference.createFromOptions(genai, {
    // options for the base model
    ...
    // LoRA ranks to be used by the LoRA models during runtime
    loraRanks: [4, 8, 16]
});

기본 모델이 초기화된 후 런타임 중에 사용할 LoRA 모델을 로드합니다. 또한 LLM 응답을 생성하는 동안 LoRA 모델 참조를 전달하여 LoRA 모델을 트리거합니다.

// Load several LoRA models. The returned LoRA model reference is used to specify
// which LoRA model to be used for inference.
loraModelRank4 = await llmInference.loadLoraModel(loraModelRank4Url);
loraModelRank8 = await llmInference.loadLoraModel(loraModelRank8Url);

// Specify LoRA model to be used during inference
llmInference.generateResponse(
  inputPrompt,
  loraModelRank4,
  (partialResult, done) => {
        document.getElementById('output').textContent += partialResult;
});