Protéger les LLM

Introduction aux LLM avec Python

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Défis des LLM

Prise en charge multilingue : diversité linguistique, ressources disponibles, adaptabilité

Prise en charge multilingue

Dilemme LLM ouverts vs fermés : collaboration vs usage responsable

LLM ouverts vs fermés

Scalabilité du modèle : capacités de représentation, calcul requis, exigences d'entraînement

Scalabilité des LLM

Biais : données d'entraînement biaisées, compréhension et génération inéquitables

Biais dans les LLM

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

Véracité et hallucinations

  • Hallucinations : le texte généré contient des informations fausses ou absurdes présentées comme exactes

Hallucinations dans les LLM

Stratégies pour réduire les hallucinations des LLM :

  1. Exposer à des données d'entraînement variées et représentatives
  2. Auditer les biais des sorties + techniques d'atténuation
  3. Ajuster finement pour des cas d'usage sensibles
  4. Conception d'invites : formuler et affiner soigneusement les invites
Introduction aux LLM avec Python

Véracité et hallucinations

  • Hallucinations : le texte généré contient des informations fausses ou absurdes présentées comme exactes

Hallucinations dans les LLM

Introduction aux LLM avec Python

Mesures pour analyser les biais des LLM : toxicité

  • Toxicité : quantifie la toxicité du texte à l'aide d'un classifieur de propos haineux préentraîné
  • aggregation="maximum" renvoie le score de toxicité maximal parmi les entrées
  • aggregation="ratio" renvoie le % de prédictions avec toxicité supérieure 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 avec Python

Mesures pour analyser les biais des LLM : regard

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

  • Évaluer séparément les scores de regard sur les sorties de LLM associées à deux groupes

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 avec Python

Mesures pour analyser les biais des 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}]
Introduction aux LLM avec Python

Passons à la pratique !

Introduction aux LLM avec Python

Preparing Video For Download...