کاهش مصرف VRAM با حفظ دقت در تنظیم کممنبع NL۲SQL : مطالعه ی موردی QLoRA بر Llama-۲-۷B

در این پژوهش، کارایی روش تنظیم دقیق کممنبع QLoRA در بهینه سازی مصرف حافظه ی گرافیکی (VRAM) برای سامانه های تبدیل زبان طبیعی به SQL (NL۲SQL) مورد بررسی قرار گرفته است. هدف اصلی، کاهش محسوس مصرف منابع محاسباتی بدون افت معنادار در دقت اجرای کوئری بود. برای این منظور، مدل Llama-۲-۷B بر روی مجموعه داده ی استاندارد Spider آموزش داده شد. سه سناریو شامل تنظیم کامل (Full Fine-Tuning)، تنظیم دقیق با LoRA و تنظیم دقیق با QLoRA پیاده سازی گردید. نتایج تجربی نشان داد که استفاده از QLoRA مصرف حافظه ی گرافیکی را تا ۱۷ درصد نسبت به حالت تنظیم کامل کاهش داده و زمان آموزش را نیز به طور قابل توجهی کمتر کرده است. به رغم این کاهش در مصرف منابع، میزان دقت اجرای کوئری تنها حدود ۰٫۹ درصد افت داشت که از نظر آماری معنادار نبود. این یافته ها نشان می دهد که QLoRA می تواند به عنوان یک راهکار موثر و اقتصادی برای استقرار سامانه های NL۲SQL در محیط های دارای محدودیت سخت افزاری مورد استفاده قرار گیرد. همچنین، این مطالعه بر اهمیت استفاده از تکنیک های کممنبع در راستای توسعه ی سامانه های هوشمند پایدار و بهینه تاکید می کند. در پایان، مسیرهای آینده برای بهبود بیشتر با ترکیب QLoRA با سایر روش های فشرده سازی پیشنهاد شده است.

کلیدواژه ها:

QLoRA ، LoRA ، NL۲SQL ، Llama-۲-۷B ، تنظیم کممنبع