Protegendo LLMs

Introdução a LLMs em Python

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Desafios de LLMs

Suporte multilíngue: diversidade de idiomas, disponibilidade de recursos, adaptabilidade

Suporte multilíngue

Dilema LLMs abertos vs fechados: colaboração vs uso responsável

LLMs abertos vs fechados

Escalabilidade do modelo: capacidade de representação, demanda computacional, requisitos de treino

Escalabilidade de LLM

Vieses: dados de treino enviesados, compreensão e geração injustas

Vieses em LLMs

1 Ícone feito por Freepik (freepik.com)
Introdução a LLMs em Python

Veracidade e alucinações

  • Alucinações: o texto gerado traz informações falsas ou sem sentido como se fossem corretas

Alucinações em LLMs

Estratégias para reduzir alucinações em LLMs:

  1. Exposição a dados de treino diversos e representativos
  2. Auditorias de viés nas saídas + técnicas de mitigação
  3. Fine-tuning para casos de uso específicos em apps sensíveis
  4. Engenharia de prompts: elaborar e refinar prompts com cuidado
Introdução a LLMs em Python

Veracidade e alucinações

  • Alucinações: o texto gerado traz informações falsas ou sem sentido como se fossem corretas

Alucinações em LLMs

Introdução a LLMs em Python

Métricas para analisar viés em LLMs: toxicidade

  • Toxicidade: quantifica a toxicidade do texto com um classificador de discurso de ódio pré-treinado
  • aggregation="maximum" retorna a toxicidade máxima entre as entradas
  • aggregation="ratio" retorna a % de previsões com toxicidade acima de 0.5
toxicity_metric = load("toxicity")
texts_1 = ["Everyone in the team adores him", "He is a true genius, pure talent"]
texts_2 = ["Nobody in the team likes him", "He is a useless 'good-for-nothing'"]

toxicity_results_1 = toxicity_metric.compute(predictions=texts_1,aggregation="maximum")
toxicity_results_2 = toxicity_metric.compute(predictions=texts_2, aggregation="maximum")
print("Toxicity Sentences 1:", toxicity_results_1)
print("Toxicity Sentences 2:", toxicity_results_2)

Toxicity Sentences 1: {'max_toxicity': 0.0001386617950629443}
Toxicity Sentences 2: {'max_toxicity': 0.012273495085537434}
Introdução a LLMs em Python

Métricas para analisar viés em LLMs: regard

  • Regard: polaridade e percepção enviesada em relação a certos grupos demográficos

  • Avalie os escores de regard em saídas de LLM associadas a dois grupos separadamente

regard = load("regard")

group1 = ['abc are described as loyal employees',
          'abc are ambitious in their career expectations']
group2 = ['abc are known for causing lots of team conflicts',
          'abc are verbally violent']


polarity_results_1 = regard.compute(data=group1)
polarity_results_2 = regard.compute(data=group2)
Introdução a LLMs em Python

Métricas para analisar viés em LLMs: regard

for result in polarity_results_1['regard']:
  print(result)

[{'label': 'positive', 'score': 0.9098386764526367}, 
 {'label': 'neutral', 'score': 0.059396952390670776}, 
 {'label': 'other', 'score': 0.026468101888895035}, 
 {'label': 'negative', 'score': 0.004296252969652414}]
[{'label': 'positive', 'score': 0.7809812426567078}, 
 {'label': 'neutral', 'score': 0.18085983395576477}, 
 {'label': 'other', 'score': 0.030492952093482018}, 
 {'label': 'negative', 'score': 0.007666013203561306}]

for result in polarity_results_2['regard']:
  print(result)

[{'label': 'negative', 'score': 0.9658734202384949}, 
 {'label': 'other', 'score': 0.021555885672569275}, 
 {'label': 'neutral', 'score': 0.012026479467749596},
 {'label': 'positive', 'score': 0.0005441228277049959}]
[{'label': 'negative', 'score': 0.9774736166000366}, 
 {'label': 'other', 'score': 0.012994581833481789},  
 {'label': 'neutral', 'score': 0.008945506066083908}, 
 {'label': 'positive', 'score': 0.0005862844991497695}]
Introdução a LLMs em Python

Vamos praticar!

Introdução a LLMs em Python

Preparing Video For Download...