Как KnowHalu улучшает надежность AI-систем и обеспечивает точность генерируемого текста
Модели языковых больших масштабов (LLM) обладают впечатляющей способностью генерировать когерентный и контекстно соответствующий текст, что является ценным. Однако иногда эти модели создают контент, который кажется точным, но на самом деле неверен или не имеет отношения к теме — проблема, известная как “галлюцинация”. Это может быть особенно проблематично в областях, где требуется высокая фактическая точность, например, в медицинских или финансовых приложениях. Поэтому существует необходимость в эффективном обнаружении и управлении этими неточностями для поддержания надежности информации, создаваемой с помощью искусственного интеллекта.
Решение проблемы галлюцинаций в AI-сгенерированном тексте
Для решения этой проблемы были разработаны различные методы. Начальные техники сосредотачивались на проверке внутренней согласованности, где ответы от AI тестировались между собой для выявления противоречий. Более поздние подходы использовали скрытые состояния или вероятности вывода AI для выявления потенциальных ошибок. Однако эти методы часто полагались исключительно на информацию, хранящуюся в AI, что может быть ограничено и иногда устаревшим или неполным. Кроме того, некоторые исследователи обратились к факт-чекингу, который повысил точность за счет включения внешних источников данных, хотя для сложных запросов и тонких фактических деталей им требовалась помощь.
Учитывая эти ограничения, исследовательская группа из Университета Иллинойса в Урбана-Шампейне, UChicago и UC Berkeley разработала передовой метод под названием KnowHalu, подробный процесс, предназначенный для обнаружения галлюцинаций в AI-созданных текстах. Этот метод повышает точность путем включения двухфазового процесса. Первая фаза заключается в проверке на неизготовленные галлюцинации, которые технически точны, но неадекватно отвечают на запрос. Вторая фаза использует более детальный и надежный подход, используя структурированные и неструктурированные внешние источники знаний для более глубокого фактического анализа.
Подход KnowHalu использует многоэтапный процесс, начиная с разбиения исходного запроса на более простые подзапросы. Это позволяет точно извлекать соответствующую информацию из различных баз знаний. Каждый фрагмент информации затем оптимизируется и оценивается через комплексный механизм оценки, учитывающий различные формы знаний, включая семантические предложения и знаниевые триплеты. Этот анализ знаний различных форм обеспечивает тщательную фактическую проверку и значительно повышает способности рассуждения AI, что приводит к более точным результатам.
Результаты и потенциальное применение
Эффективность KnowHalu демонстрируется через тщательное тестирование в различных задачах, таких как вопросно-ответные системы и резюмирование текста. Результаты показывают значительные улучшения в обнаружении галлюцинаций, превосходящие существующие передовые методы на значительные отрезки. В частности, процесс достиг улучшения точности на 15,65% для задач вопросно-ответных систем и увеличения точности резюмирования текста на 5,50% по сравнению с лучшими предыдущими техниками.
В заключение, внедрение KnowHalu представляет собой значительный прогресс в области искусственного интеллекта. Этот новый метод улучшает точность и надежность приложений искусственного интеллекта, эффективно решая проблему галлюцинаций в тексте, создаваемом большими языковыми моделями. Он расширяет их потенциальное использование в критических и информационно-чувствительных областях. С его инновационным подходом и подтвержденной эффективностью KnowHalu устанавливает новый стандарт для проверки и доверия AI-созданному контенту, открывая путь к более безопасным и надежным взаимодействиям с искусственным интеллектом в различных областях.
