Protection des LLM

Introduction aux LLM en Python

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Défis du LLM

Multilingue : diversité linguistique, disponibilité des ressources, adaptabilité

Multi-language support

LLM ouverts ou fermés : collaboration ou utilisation responsable

Open vs closed LLMs

Évolutivité : capacités de représentation, exigences de calcul et de formation

LLM scalability

Biais : données biaisées, compréhension et génération inéquitables

Biases in LLMs

1 Icône créée par Freepik (freepik.com)
Introduction aux LLM en Python

Vérité et hallucinations

  • Hallucinations : les informations générées sont erronées ou absurdes alors qu’elles semblent vraies

Hallucinations in LLMs

Stratégies pour réduire les hallucinations :

  1. Exposition à des données d'entraînement variées et représentatives
  2. Audits des biais sur les résultats des modèles + techniques de suppression des biais
  3. Adaptation précise à des cas d'utilisation spécifiques dans des applications sensibles
  4. Ingénierie des prompts : conception et perfectionnement des prompts
Introduction aux LLM en Python

Vérité et hallucinations

  • Hallucinations : les informations générées sont erronées ou absurdes alors qu’elles semblent vraies

Hallucinations in LLMs

Introduction aux LLM en Python

Métriques d'analyse des biais des LLM : toxicité

  • Toxicité : quantifie la toxicité via un classificateur de haine pré-entraîné
  • aggregation="maximum" renvoie le score de toxicité maximal parmi les entrées
  • aggregation="ratio" renvoie prédictions dont pourcentage de toxicité supérieur à 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}
Introduction aux LLM en Python

Métriques d'analyse des biais des LLM : considération

  • Considération : polarité linguistique et perception biaisée envers certains groupes démographiques

  • Évaluer les scores de considération des résultats du LLM associés à deux groupes distincts

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)
Introduction aux LLM en Python

Métriques d'analyse des biais des LLM : considération

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}]
Introduction aux LLM en Python

Passons à la pratique !

Introduction aux LLM en Python

Preparing Video For Download...