作者简介
Terry，携程自然语言处理和大语言模型算法方向专家，有多年的自然语言处理项目经验和AI落地经验。
一、背景
随着OpenAI的ChatGPT火遍全球，大语言模型（Large Language Model，下文简称LLM）成为了人工智能领域的热门话题。大语言模型是一种基于深度学习的自然语言处理技术，它能够模拟人类的语言能力并生成连贯的文本。这种技术的出现引起了广泛的关注和应用。大型语言模型在机器翻译、文本生成、智能对话等领域发挥着重要作用。在这些领域中，它们能够理解和生成自然语言，使得机器能够更好地与人类进行交流和合作。
无论是在学术研究还是商业领域中，LLM都有潜力成为一个强大的工具，帮助我们更好地理解和利用自然语言。但由于ChatGPT是闭源且信息安全存疑，并不适合在企业内部的所有业务场景使用。此外，最近有大批优秀的开源大语言模型涌现，比如Llama-2。因此，很多企业构建属于自己领域的LLM和配套系统，应用在自身的业务场景中。为了适应旅游场景的应用，我们也构建了一套训练、推理LLM的系统，充分利用LLM的强大能力。
二、LLM训练系统
2.1 训练基础架构
LLM训练系统有预训练（Pretrain）、继续预训练（Continue Pretrain）、微调（Finetune）几个模式。
1）预训练阶段使用的数据是大规模的通用数据，通常训练成本高达数百万GPU-hour，成本很高。例如在Llama-2-70B的预训练中，使用的172万GPU-hour，在Falcon-180B的预训练中，使用了超过700万GPU-hour。
2）继续预训练阶段基于预训练过的基座模型（foundation model），使用特定领域的无标注数据训练，通常需要数千GPU-hour。可以用于学习领域内知识，拓展语言、领域词表。
3）微调阶段基于基座模型，使用特定任务的数据训练，可以使模型对齐某些输出范式，完成特定的任务，通常需要10到1000 GPU-hour，成本较低。代表模型有Alpaca等。
训练框架基于PyTorch + DeepSpeed、Transformers的技术路线，有Nvidia、Meta、Microsoft、HuggingFace等公司支持，并且有广泛社区支持。PyTorch在更新至2.0后，加入compile模式，大幅提升训练速度；DeepSpeed中的ZeRO与offload技术帮助模型在多机多卡的训练中使用较小的显存用量；这些技术简化了百亿到千亿参数的模型的训练，并且在训练中保持稳定。
通过Flash Attention、Apex、算子融合等提高硬件利用率的技术，目前我们可以以超过50%浮点利用率（MFU）的效率训练百亿参数的模型。
2.2 训练参数量
根据可训练的参数量可以分为全参数训练、LoRA、QLoRA等技术。
全参数训练推荐在大量数据及预算充分的情况下使用，训练时模型的全部参数参与训练，可以精准的对齐目标范式；LoRA、QLoRA作为参数高效的训练方式，推荐在资源受限或需要快速获取结果的情况下使用。
2.3 拓展词表
Llama原生词表中1个中文字通常对应2个token，导致中文内容的token数量较长，不利于模型训练与推理的效率；并且Llama的预训练语料中中文占比较少，没有针对中文语料优化。
拓展词表可以帮助解决这两个问题。我们在Llama词表的基础上拓展了超过1万的中文词表，并使用大量中文语料继续预训练，模型在中文数据上的困惑度（Perplexity）显著降低。在训练与推理时，相同字数的中文数据的token减少一半，成本降低。
2.4 Flash Attention
在GPU SRAM与HBM（High Bandwidth Memory）的IO速度相差十多倍，使用更少的内存访问量可以显著提高计算速度。Flash Attention 的目标是避免从HBM中读写注意力矩阵。Flash Attention解决了两个问题达到这个目标：
1）在不访问整个输入的情况下计算 softmax reduction。Flash Attention重组注意力计算，将输入分成块，并在输入块上进行多次传递，从而逐步执行 softmax reduction。
2）在后向传播中不能存储中间注意力矩阵。存储前向传递的 softmax 归一化因子，在后向传播中快速重新计算片上注意力，这比从 HBM 中读取中间注意力矩阵的标准方法更快。
三、LLM推理系统
LLM的推理系统的关键的是延迟与成本。延迟关系到用户的感受，最低标准是不能低于人类的打字速度，每秒1-3字，在给用户整段文章或者代码提示时需要更快的速度，理想情况时可以略高于人类看文字的速度，约每秒5-10字。然而高速通常意味着更高的硬件要求，更高的成本。
我们的推理部署系统有低延迟、高吞吐、高并发、高可用的特性。（以13B模型、1xA100部署为例）
1）低延迟：最快生成速度20ms/token；
2）批量生成吞吐量达到1600+ token/s；
3）可有效应对并发数超过100；
4）高可用部署，仅需10分钟即可部署两地、多区域部署。
3.1 KV-Cache
LLM在推理时是一个自回归的过程，使用前n个token作为输入预测第n+1个token。其中attention部分使用的K和V部分的前n token的向量在每次预测中时是不变的，可以将KV的值缓存下来，在预测下一个token的时候避免重复计算。
3.2 PagedAttention
在应用KV-cache进行LLM的自回归解码过程中，LLM 的所有输入token都会生成其注意K和V张量，并且这些张量保存在x显存中以生成下一个token。其中有两个特点导致内存大量浪费，大约浪费了60%-80%的显存：
1）缓存占用大：在Llama-13B中单个序列最多占用1.7GB；
2）动态：缓存大小取决于序列长度，序列长度变化很大并且不可预测。
PagedAttention 允许在不连续的内存空间中存储连续的KV张量。PagedAttention 将每个序列的 KV 缓存划分为块，每个块包含固定数量toke的KV。在注意力计算过程中，PagedAttention 内核有效地识别并获取这些块。除此之外使用的内存共享，Copy-on-write等机制大幅降低内存使用量，并提升吞吐量。比HuggingFace默认方法提高最多24倍。
3.3 Continuous Batching
批量预测可以减少模型的加载次数，提高内存带宽利用率，提高计算资源的利用率，最终增加吞吐量、降低推理成本。
传统的批量预测是静态批处理，批处理的大小在推理完成前保持不变。然而在LLM的推理中每个请求逐个生成token，直到生成到最大长度或者停止token（EOS），在同一批次中每个请求的生成长度几乎不可能相同。如果采用传统的静态批处理，需要不停生成直到最长的序列完成，GPU并不能完全充分利用。在极端情况，同一批次同时生成最大长度为100token与8000token的序列时，需要等待8000 token的序列完成，才能进行下一批次的预测，这样GPU利用率会低于分别推理每一条请求，即批处理大小为1的情况。
为了充分利用GPU，增大吞吐量，可以使用连续批处理（Continuous Batching）。在模型输出停止token后放入新的待生成序列，批次中的每一个空白token都可以被充分利用。
3.4 实际推理速度
以部署在A100的13B模型为例，从第1个token生成至128token，在并发为1时可以实现2.6qps，在并发100时可以实现13qps，并且延迟得到有效控制，用户感知的生成token速度在16-48 token/s，超过人类聊天时的打字速度，在客服聊天场景下体验良好。在需要高吞吐量的场景下，最高可以超过1700 token/s。按照A100 20元/小时的成本估算，约0.003元/1000token，比使用GPT-3.5的使用成本低5-10倍。
如下图所示，并发限制在100时可以达到用户感知与吞吐量的最佳平衡，用户无需忍受超长时间的等待，服务器可以以较低的成本提供服务。
四、旅游场景的应用
4.1 智能客服机器人
智能客服机器人在携程的服务环节起到非常重要的作用，60%以上的客人通过智能客服机器人等自助功能解决咨询问题，例如下图中的场景。
传统的智能客服机器人，一般借助分类或者匹配模型，准确识别用户的意图，进而回答客人问题或者帮助客人解决问题。但传统的分类或匹配模型经常面临召回率不高，缺少训练语料等问题，特别是针对较为长尾的用户意图。一般情况下，有了充足的高质量训练语料，模型才能有好的效果，而为了收集高质量语料，往往需要投入较多的人力。
大语言模型系统，解决了上述的问题。首先，LLM可以取代传统小模型，完成识别用户意图的任务，并且在准确率和召回率上都有提升。此外，在我们LLM推理系统的加持下，LLM的推理速度可以达到传统小模型的水平。线上数据表明，在识别意图方面，LLM相比于传统模型，准确率提升5%以上，召回率提升20%以上，而响应速度保持不变。
其次，由于LLM使用成本较高，对于继续使用小模型的场景，借助LLM的生成能力，可以轻松构造出大量的高质量语料，并且这些样本类型多样，与客人的真实问题相近。通过这种方式可以提高模型的泛化性能，还能节省人力投入。目前已经落地的场景中，准备语料的人力投入平均从20人日减少到5人日以下。
4.2 信息抽取
在旅游的服务场景中，往往从客人或供应商获取的是大段的非结构化文本信息，此时需要依赖人工进行信息抽取并填表，需要花费很高的人工成本。
而采用传统算法进行抽取，实际使用中的准确率和召回率都不是很高。此外，当提取复杂关系的实体时，需要花费大量时间设计模型与规则，依然有很高的开发成本。
大语言模型系统，解决了上述的问题。使用LLM只需要简单地构造prompt，就能轻松识别复杂关系的实体，开发成本大大降低。
以下图的火车票信息抽取场景为例，非结构化文本内包含多人、多时间、不同出发地、到达地、车厢、座位等实体，并且输出也需要归纳为多行。经过微调后的LLM，可以准确地将目标信息结构化输出为表格。针对火车票信息抽取场景，相比于采用传统算法，LLM的抽取准确率可以从80%提升到95%以上，而开发人日从5人日左右减少到1人日以下。
4.3 会话总结
在客服场景中，不同时间或不同场景，往往会由不同的客服人员服务客人。当客人的对话结束时，需要对客人的对话记录进行归纳、总结，便于后续其他客服人员服务客人时，能快速了解之前的背景信息，否则需要花费时间去查看历史对话记录。
如果依赖人工总结，会花费大量的人工成本。而采用传统的算法小模型，很容易造成信息丢失，准确率不高等问题。
大语言模型系统，解决了上述的问题。借助LLM强大的生成能力，我们可以通过调整prompt，让模型对会话内容进行归纳，并按我们需要的方式输出，例如将客人问题发生的时间、地点、任务等信息，串联成一段通顺且便于理解的话，也可以将客人的问题总结成标签。
线上数据表明，采用LLM，准确率相比小模型提升5%以上，节省客服人员平均每段对话的查看时间2分钟以上。
五、未来与展望
除了大语言模型以外，其他的大模型也在高速发展中，多模态大模型未来会成为主流。可以预见到，大模型在旅游领域的未来是非常广阔的，随着科技的不断发展，大模型将在旅游行业中发挥重要作用。例如：
- 帮助旅游企业进行市场分析和预测：通过对大量的数据进行分析，大模型可以帮助企业了解旅游市场的趋势和消费者的需求，从而更好地制定营销策略和推出符合市场需求的产品。
- 提供个性化的旅游推荐和定制服务：通过分析用户的历史数据和偏好，大模型可以为用户提供个性化的旅游推荐，包括旅游线路、酒店、景点等推荐场景。同时，大模型还可以根据用户的需求进行旅游行程的定制，提供更好的旅行体验。
随着使用量的提高，对模型的反馈也可以帮助模型进行大规模的人类反馈的强化学习（RLHF），进一步提升大模型的性能，实现更优秀的表现。
