Translated ['src/AI/AI-llm-architecture/2.-data-sampling.md'] to it

src/AI/AI-llm-architecture/2.-data-sampling.md

@@ -87,7 +87,7 @@ Tokens: ["Lorem", "ipsum", "dolor", "sit", "amet,", "consectetur", "adipiscing",
 
 - **Passo di 1:** La finestra si sposta in avanti di un token ogni volta, risultando in sequenze altamente sovrapposte. Questo può portare a un miglior apprendimento delle relazioni contestuali ma può aumentare il rischio di overfitting poiché punti dati simili vengono ripetuti.
 - **Passo di 2:** La finestra si sposta in avanti di due token ogni volta, riducendo la sovrapposizione. Questo diminuisce la ridondanza e il carico computazionale ma potrebbe perdere alcune sfumature contestuali.
-- **Passo Uguale a max_length:** La finestra si sposta in avanti per l'intera dimensione della finestra, risultando in sequenze non sovrapposte. Questo minimizza la ridondanza dei dati ma potrebbe limitare la capacità del modello di apprendere dipendenze tra le sequenze.
+- **Passo Uguale a max_length:** La finestra si sposta in avanti per l'intera dimensione della finestra, risultando in sequenze non sovrapposte. Questo minimizza la ridondanza dei dati ma può limitare la capacità del modello di apprendere dipendenze tra le sequenze.
 
 **Esempio con Passo di 2:**
 
@@ -99,7 +99,7 @@ Utilizzando lo stesso testo tokenizzato e `max_length` di 4:
 
 ## Esempio di Codice
 
-Comprendiamo meglio questo da un esempio di codice da [https://github.com/rasbt/LLMs-from-scratch/blob/main/ch02/01_main-chapter-code/ch02.ipynb](https://github.com/rasbt/LLMs-from-scratch/blob/main/ch02/01_main-chapter-code/ch02.ipynb):
+Cerchiamo di comprendere meglio questo attraverso un esempio di codice da [https://github.com/rasbt/LLMs-from-scratch/blob/main/ch02/01_main-chapter-code/ch02.ipynb](https://github.com/rasbt/LLMs-from-scratch/blob/main/ch02/01_main-chapter-code/ch02.ipynb):
 ```python
 # Download the text to pre-train the LLM
 import urllib.request
@@ -230,9 +230,70 @@ tensor([[  367,  2885,  1464,  1807],
 [ 3285,   326,    11,   287]])
 ]
 ```
-## Riferimenti
+## Strategie di Campionamento Avanzate (2023-2025)
 
-- [https://www.manning.com/books/build-a-large-language-model-from-scratch](https://www.manning.com/books/build-a-large-language-model-from-scratch)
+### 1. Pesatura della Miscela Basata sulla Temperatura
+I LLM all'avanguardia sono raramente addestrati su un singolo corpus. Invece, campionano da diverse fonti di dati eterogenee (codice, web, articoli accademici, forum…). La proporzione relativa di ciascuna fonte può influenzare fortemente le prestazioni a valle. Modelli open-source recenti come Llama 2 hanno introdotto uno **schema di campionamento basato sulla temperatura** in cui la probabilità di estrarre un documento dal corpus *i* diventa
+```
+p(i) = \frac{w_i^{\alpha}}{\sum_j w_j^{\alpha}}
+```
+• *w<sub>i</sub>*  – percentuale di token grezzi del corpus *i*  
+• *α* ("temperatura") – un valore in (0,1].  α < 1 appiattisce la distribuzione, dando più peso a corpus di alta qualità più piccoli.
 
+Llama 2 ha utilizzato α = 0.7 e ha dimostrato che diminuire α ha aumentato i punteggi di valutazione su compiti ad alta conoscenza mantenendo stabile il mix di addestramento.  Lo stesso trucco è adottato da Mistral (2023) e Claude 3.
+```python
+from collections import Counter
+
+def temperature_sample(corpus_ids, alpha=0.7):
+counts = Counter(corpus_ids)           # number of tokens seen per corpus
+probs  = {c: c_count**alpha for c, c_count in counts.items()}
+Z = sum(probs.values())
+probs = {c: p/Z for c, p in probs.items()}
+# Now draw according to probs to fill every batch
+```
+
+```
+
+### 2. Sequence Packing / Dynamic Batching
+GPU memory is wasted when every sequence in a batch is padded to the longest example.  "Packing" concatenates multiple shorter sequences until the **exact** `max_length` is reached and builds a parallel `attention_mask` so that tokens do not attend across segment boundaries.  Packing can improve throughput by 20–40 % with no gradient change and is supported out-of-the-box in
+
+* PyTorch `torchtext.experimental.agents.PackedBatch`
+* HuggingFace `DataCollatorForLanguageModeling(pad_to_multiple_of=…)`
+
+Dynamic batching frameworks (e.g. FlashAttention 2, vLLM 2024) combine sequence packing with just-in-time kernel selection, enabling thousand-token context training at 400+ K tokens/s on A100-80G.
+
+### 3. Deduplication & Quality Filtering
+Repeated passages cause memorization and provide an easy channel for data-poisoning.  Modern pipelines therefore:
+
+1. MinHash/FAISS near-duplicate detection at **document** and **128-gram** level.
+2. Filter documents whose perplexity under a small reference model is > µ + 3σ (noisy OCR, garbled HTML).
+3. Block-list documents that contain PII or CWE keywords using regex & spaCy NER.
+
+The Llama 2 team deduplicated with 8-gram MinHash and removed ~15 % of CommonCrawl before sampling.  OpenAI’s 2024 "Deduplicate Everything" paper demonstrates ≤0.04 duplicate ratio reduces over-fitting and speeds convergence.
+
+## Security & Privacy Considerations During Sampling
+
+### Data-Poisoning / Backdoor Attacks
+Researchers showed that inserting <1 % backdoored sentences can make a model obey a hidden trigger ("PoisonGPT", 2023).  Recommended mitigations:
+
+* **Shuffled mixing** – make sure adjacent training examples originate from different sources; this dilutes gradient alignment of malicious spans.
+* **Gradient similarity scoring** – compute cosine similarity of example gradient to batch average; outliers are candidates for removal.
+* **Dataset versioning & hashes** – freeze immutable tarballs and verify SHA-256 before each training run.
+
+### Membership-Inference & Memorization
+Long overlap between sliding-window samples increases the chance that rare strings (telephone numbers, secret keys) are memorized.  OpenAI’s 2024 study on ChatGPT memorization reports that raising stride from 1 × `max_length` to 4 × reduces verbatim leakage by ≈50 % with negligible loss in perplexity.
+
+Practical recommendations:
+
+* Use **stride ≥ max_length** except for <1B parameter models where data volume is scarce.
+* Add random masking of 1-3 tokens per window during training; this lowers memorization while preserving utility.
+
+---
+
+## References
+
+- [Build a Large Language Model from Scratch (Manning, 2024)](https://www.manning.com/books/build-a-large-language-model-from-scratch)
+- [Llama 2: Open Foundation and Fine-Tuned Chat Models (2023)](https://arxiv.org/abs/2307.09288)
+- [PoisonGPT: Assessing Backdoor Vulnerabilities in Large Language Models (BlackHat EU 2023)](https://arxiv.org/abs/2308.12364)
 
 {{#include ../../banners/hacktricks-training.md}}