Melindungi LLM

Pengantar LLM di Python

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Tantangan LLM

Dukungan multibahasa: keragaman bahasa, ketersediaan sumber daya, adaptabilitas

Dukungan multibahasa

Dilema LLM terbuka vs tertutup: kolaborasi vs penggunaan yang bertanggung jawab

LLM terbuka vs tertutup

Skalabilitas model: kemampuan representasi, kebutuhan komputasi, kebutuhan pelatihan

Skalabilitas LLM

Bias: data latih bias, pemahaman dan generasi bahasa yang tidak adil

Bias pada LLM

¹ Ikon dibuat oleh Freepik (freepik.com)

Kebenaran dan halusinasi

Halusinasi: teks yang dihasilkan memuat informasi keliru/tidak masuk akal seolah akurat

Halusinasi pada LLM

Strategi mengurangi halusinasi LLM:

Paparan data latih yang beragam dan representatif
Audit bias pada output + teknik penghilangan bias
Fine-tuning untuk kasus penggunaan sensitif
Rekayasa prompt: susun dan perbaiki prompt dengan cermat

Kebenaran dan halusinasi

Halusinasi: teks yang dihasilkan memuat informasi keliru/tidak masuk akal seolah akurat

Halusinasi pada LLM

Metrik untuk menganalisis bias LLM: toksisitas

Toksisitas: mengukur toksisitas teks dengan klasifier ujaran kebencian pra-latih
aggregation="maximum" mengembalikan skor toksisitas maksimum di semua input
aggregation="ratio" mengembalikan % prediksi dengan toksisitas di atas 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}

Metrik untuk menganalisis bias LLM: regard

Regard: polaritas bahasa dan persepsi bias terhadap demografi tertentu
Nilai skor regard pada output LLM untuk dua kelompok secara terpisah

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)

Metrik untuk menganalisis bias LLM: 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}]

Ayo berlatih!

Pengantar LLM di Python