A empresa Meta✴, segundo o The Register, realizou um estudo cujos resultados indicam que podem surgir erros no funcionamento dos sistemas de IA devido a falhas de hardware, e não apenas devido a algoritmos imperfeitos. Isso pode levar a respostas de IA imprecisas, estranhas ou simplesmente ruins.
Diz-se que falhas de hardware podem causar corrupção de dados. Estamos falando, em particular, do chamado “bit flip”, quando o valor de uma célula de memória pode mudar arbitrariamente de “0” lógico para “1” lógico ou vice-versa. Isto leva ao aparecimento de valores falsos, o que pode resultar no funcionamento incorreto das aplicações de IA. Uma das causas dos erros é a radiação cósmica e, com o aumento da densidade dos recursos, sua influência aumenta. No entanto, em sistemas complexos modernos, tais erros, por vários motivos, podem ocorrer em qualquer fase do armazenamento, transmissão e processamento de informações.
Um erro em um bit de um parâmetro altera significativamente a resposta da IA (Fonte: Meta✴)
Essas falhas de hardware não detectadas, que não podem ser detectadas e corrigidas imediatamente, resultam em corrupção silenciosa de dados (SDC). Tais erros podem provocar alterações nos parâmetros da IA, o que acaba levando a inferências incorretas. Alega-se que, em média, 4 em cada 1.000 resultados de inferência são imprecisos devido a problemas de hardware. “A crescente complexidade e heterogeneidade das plataformas de IA torna-as cada vez mais suscetíveis a falhas de hardware”, afirma o estudo Meta✴. Nesse caso, alterar um bit pode fazer com que os erros cresçam como uma bola de neve.
Para avaliar possíveis avarias, propõe-se a introdução de um novo valor – “Parâmetro Fator de Vulnerabilidade” (PVF). O PVF mostra a probabilidade de que a corrupção de um parâmetro específico acabe levando a uma resposta incorreta do modelo de IA. Espera-se que esta métrica padronize a avaliação quantitativa da vulnerabilidade de um modelo de IA a possíveis falhas de hardware. O indicador PVF pode ser otimizado para vários modelos e tarefas. A métrica também é proposta para ser utilizada na fase de treinamento de IA e para identificar parâmetros cuja integridade precisa ser monitorada.
Os fabricantes de hardware também estão a tomar medidas para melhorar a fiabilidade e estabilidade das suas soluções. Assim, a NVIDIA enfatizou especificamente a importância do RAS nos aceleradores Blackwell. É verdade que isso é feito principalmente para aumentar a estabilidade de clusters ultragrandes, cujo tempo de inatividade devido a erros será muito caro.