Новый набор данных Re-LAION 5B: повышение безопасности и прозрачности в исследованиях моделей на основе веб-масштабных наборов данных через строгий фильтр контента

 Re-LAION 5B Dataset Released: Improving Safety and Transparency in Web-Scale Datasets for Foundation Model Research Through Rigorous Content Filtering

Re-LAION 5B: Улучшение безопасности и прозрачности веб-масштабных наборов данных для исследований фундаментальных моделей через тщательную фильтрацию контента

LAION, ведущая некоммерческая организация, посвященная продвижению исследований машинного обучения путем разработки открытых и прозрачных наборов данных, недавно выпустила Re-LAION 5B. Это обновленная версия набора данных LAION-5B является вехой в продолжающихся усилиях организации по обеспечению безопасности и законного соответствия веб-масштабных наборов данных, используемых в исследованиях фундаментальных моделей. Новый набор данных решает критические вопросы, связанные с потенциальным незаконным контентом, в частности материалами, связанными с сексуальным насилием над детьми (CSAM), которые были выявлены в оригинальном наборе данных LAION-5B.

Фон и мотивация

Оригинальный набор данных LAION-5B, выпущенный в 2022 году, был разработан как веб-масштабный набор данных пар текст-ссылка на изображения, необходимый для обучения и оценки фундаментальных моделей. Эти модели, улучшая свою производительность по мере масштабирования данных, размера модели и вычислительных ресурсов, являются ключевыми для продвижения области машинного обучения. Однако обширность и открытость интернета, из которого были получены данные, представляли существенные трудности в обеспечении того, чтобы набор данных был полностью свободен от незаконного контента.

В декабре 2023 года Стэнфордская интернет-обсерватория под руководством исследователя Дэвида Тила опубликовала отчет, выявивший 1 008 ссылок в наборе данных LAION-5B, которые потенциально указывали на CSAM. Это обнаружение побудило LAION немедленно принять меры, временно отозвав набор данных из общего доступа. Полученные результаты подчеркнули ограничения механизмов фильтрации, изначально использованных LAION, несмотря на лучшие усилия организации по исключению такого материала.

Обновление Re-LAION 5B

Re-LAION 5B представляет собой результат комплексного процесса пересмотра безопасности в сотрудничестве с несколькими ключевыми партнерами, включая Интернет-фондовую организацию (IWF), Канадский центр защиты детей (C3P) и Стэнфордскую интернет-обсерваторию. Эти организации предоставили LAION списки хэшей MD5 и SHA, соответствующие известным CSAM и другому незаконному контенту. Используя эти хэши, LAION смогла систематически идентифицировать и удалить 2 236 подозрительных ссылок из набора данных. Это общее число включает 1 008 ссылок, изначально выявленных Стэнфордской интернет-обсерваторией.

Важно отметить, что процесс фильтрации, используемый при создании Re-LAION 5B, позволил удалить потенциально незаконный контент, не требуя от исследователей LAION прямого доступа или проверки содержимого, тем самым избегая юридических и этических трудностей. Обновленный набор данных, теперь свободный от ссылок на подозрительный CSAM, доступен в двух версиях: Re-LAION-5B research и Re-LAION-5B research-safe. Первая сохраняет более высокий порог для потенциально чувствительного контента, в то время как последняя версия дополнительно фильтрует большую часть материалов, не предназначенных для просмотра на рабочем месте (NSFW).

Обеспечение постоянной безопасности и соответствия

Обязательства LAION по обеспечению безопасности и прозрачности простираются за пределы выпуска Re-LAION 5B. Организация сделала метаданные обновленного набора данных доступными для сторонних лиц, позволяя им очищать свои производные от LAION-5B, применяя аналогичные методы фильтрации. Такой подход улучшает безопасность производных наборов данных и сохраняет возможность использования LAION-5B в качестве эталонного набора данных для текущих исследований.

Выпуск Re-LAION 5B также устанавливает новый стандарт безопасности при создании веб-масштабных наборов данных. Сотрудничая с экспертными организациями, такими как IWF и C3P, LAION продемонстрировала важность сотрудничества в решении проблем, вызванных огромным и часто нерегулируемым контентом в общедоступной сети. Такой совместный подход предлагает модель для других организаций, занимающихся подобной работой, подчеркивая ценность общих знаний и ресурсов для обеспечения безопасности и целостности исследовательских наборов данных.

Призыв к действию для исследовательского сообщества

В свете улучшений, внесенных в Re-LAION 5B, LAION настоятельно рекомендует всем исследователям и организациям, все еще использующим оригинальный набор данных LAION-5B, перейти к обновленной версии. Таким образом, они могут обеспечить, что их работа основана на наборе данных, который был тщательно проверен на безопасность и законное соответствие. LAION также рекомендует, чтобы организации, занимающиеся созданием наборов данных из общедоступных данных веба, сотрудничали с такими организациями, как IWF и C3P, для получения списков хэшей и других ресурсов, необходимых для эффективной фильтрации.

Опыт LAION подчеркивает необходимость для широкого исследовательского сообщества принять и придерживаться лучших практик обработки потенциальных проблем безопасности. Это включает своевременное и прямое сообщение о результатах и принятие проактивных мер по устранению рисков, связанных с веб-масштабными наборами данных.

Заключение

Re-LAION 5B является значительным шагом в миссии LAION по предоставлению открытых, прозрачных и безопасных наборов данных для исследовательского сообщества машинного обучения. Решая проблемы, выявленные в оригинальном наборе данных LAION-5B и устанавливая новый стандарт безопасности в веб-масштабных наборах данных, LAION подтвердила свое обязательство продвижению области машинного обучения ответственно и этично. По мере того, как исследователи и специалисты продолжают исследовать потенциал фундаментальных моделей, наборы данных, такие как Re-LAION 5B, будут играть важную роль в обеспечении того, что эта работа проводится на прочной и безопасной основе.

Мобильная разработка на заказ и готовые решения

Мобильная разработка

Готовые и индивидуальные решения

Веб решения - разработка сайтов и сервисов

Web решения

Получите бесплатную консультацию по веб-разработке прямо сейчас

Аутсорсинг, подбор специалистов и команд разработки

Аутсорсинг

Выберите своего специалиста сегодня и начните свой проект

Новости

  • Itinai.com it company office background blured photography by e4139fc1 862c 4177 9de9 70fb39c5af9e 1

    NovelSeek: Революция в автономных научных исследованиях с помощью ИИ

    Введение в NovelSeek: революция в научных исследованиях Научные исследования требуют высокой экспертизы для генерации гипотез, проектирования экспериментов и анализа результатов. NovelSeek — это система ИИ, которая автономно управляет всем процессом научного открытия. Как…

  • Itinai.com it company office background blured photography by 0b545732 d29f 4839 a448 751a77ba1563 2

    WINA: Эффективная активация нейронов для оптимизации вывода больших языковых моделей

    Преобразование Идентификации Нейронов с Помощью WINA Microsoft представила WINA (Weight Informed Neuron Activation) — инновационную структуру, позволяющую эффективно использовать большие языковые модели (LLMs) без необходимости в обучении. Это решение помогает компаниям оптимизировать производительность…

  • Itinai.com it company office background blured photography by 12fe5e49 d0a5 47b8 a36f 0071089d22c3 0

    Трансформация клиентского опыта с помощью агентного ИИ

    Превращение клиентского опыта с помощью агентного ИИ Понимание агентного ИИ Агентный ИИ — это системы с интеллектуальными агентами, которые могут запоминать прошлые взаимодействия, рассуждать о процессах и принимать решения без постоянного вмешательства человека.…

  • Itinai.com it company office background blured photography by 2f4c6499 6d9f 413b 8dd8 10c4ad53e96c 1

    Адаптивные Модели Рассуждений для Эффективного Решения Проблем в ИИ

    Введение Данная статья обсуждает два инновационных концепта в области искусственного интеллекта: Модели Адаптивного Рассуждения (ARM) и Ada-GRPO. Эти модели помогают повысить эффективность и масштабируемость решения задач в AI, особенно в области рассуждений. Понимание…

  • Itinai.com it company office background blured photography by 48cb21e9 ed8f 4a55 9f5b 4570e52f1cce 2

    Создание масштабируемой системы коммуникации между агентами с использованием ACP в Python

    «`html Практическое руководство по созданию масштабируемой системы коммуникации для агентов Введение Создание эффективной системы коммуникации между агентами важно для бизнеса, стремящегося использовать искусственный интеллект. Этот подход позволяет улучшить бизнес-процессы и повысить качество обслуживания…

  • Itinai.com it company office background blured photography by a4b45723 df9d 4684 b150 bb2c5790acc8 0

    Ограничения многомодальных моделей в физическом рассуждении: результаты PHYX Benchmark

    Понимание Ограничений Мультимодальных Основных Моделей в Физическом Рассуждении Введение в Мультимодальные Основные Модели Недавние достижения в области мультимодальных основных моделей сделали шаги вперед в различных областях, включая математику и логическое рассуждение. Однако они…

  • Itinai.com it company office background blured photography by 0b545732 d29f 4839 a448 751a77ba1563 0

    Запуск Yambda: крупнейший набор данных для систем рекомендаций от Яндекса

    Введение в набор данных Yambda от Yandex Yandex недавно запустил Yambda — набор данных, который значительно улучшает возможности рекомендательных систем. Он содержит почти 5 миллиардов анонимизированных взаимодействий пользователей с Yandex Music, что позволяет…

  • Itinai.com it company office background blured photography by 2f4c6499 6d9f 413b 8dd8 10c4ad53e96c 2

    Биомни: Революция в автоматизации биомедицинских исследований с помощью ИИ

    Biomni: Трансформация биомедицинских исследований с помощью ИИ Проблемы в биомедицинских исследованиях Биомедицинские исследования сталкиваются с рядом серьезных проблем: Перегрузка данными: Огромные объемы данных затрудняют работу исследователей. Интеграция инструментов: Сложности с объединением различных инструментов…

  • Itinai.com it company office background blured photography by 12fe5e49 d0a5 47b8 a36f 0071089d22c3 3

    Улучшение LLM с помощью интерливинг-рассуждений для более быстрых и точных ответов

    Введение в Интерливинг Резонанс Исследователи из Apple и Университета Дьюка разработали инновационный подход, называемый Интерливинг Резонанс, который улучшает производительность больших языковых моделей (LLMs), позволяя им предоставлять промежуточные ответы во время сложного решения задач.…

  • Itinai.com it company office background blured photography by 93e48de1 e0a4 4327 bf1a 5249ee257f75 2

    DeepSeek R1-0528: Революция в открытом ИИ

    Решения для бизнеса с применением DeepSeek R1-0528 Модель DeepSeek R1-0528 представляет собой значительный шаг вперед в области открытого ИИ. Ниже приведены практические бизнес-решения на основе её возможностей. Преимущества для бизнеса и реальной жизни…

  • Itinai.com it company office background blured photography by d266ecb7 1141 4fd8 a45e d7242fbf1e9e 1

    Создание самообучающегося ИИ-агента с помощью API Gemini от Google

    Практическое руководство по созданию самообучающегося AI-агента с использованием Google’s Gemini API Введение В современном деловом мире внедрение искусственного интеллекта (AI) становится ключевым фактором успеха. Этот гайд поможет вам разработать самообучающегося AI-агента, который будет…

  • Itinai.com it company office background blured photography by 342dc52c d1e8 48a5 a450 02825b0d4c2b 2

    Samsung представляет ANSE: Улучшение моделей текст-в-видео с активным выбором шума

    Практические бизнес-решения на основе ANSE Исследования Samsung представили ANSE — революционный фреймворк для улучшения моделей текст-видео. Вот как это можно применить в бизнесе для повышения эффективности и качества. Преимущества ANSE для бизнеса Улучшение…

  • Itinai.com it company office background blured photography by 12fe5e49 d0a5 47b8 a36f 0071089d22c3 1

    WEB-SHEPHERD: Инновационная модель вознаграждений для эффективной навигации в сети

    Решения для бизнеса с использованием WEB-SHEPHERD WEB-SHEPHERD предлагает практические решения для бизнеса, которые могут значительно улучшить эффективность работы и повысить качество обслуживания клиентов. Вот как это можно реализовать: 1. Повышение эффективности WEB-SHEPHERD предоставляет…

  • Itinai.com it company office background blured photography by 724d9f47 b65a 445e b4b5 b5939a7eba28 1

    Dimple: Новый Модель Языкового Генератора для Бизнеса

    Введение в Dimple Исследователи Национального университета Сингапура разработали Dimple, новую модель, которая улучшает генерацию текста с помощью инновационных технологий. Эта модель, известная как Дискретная Диффузионная Мультимодальная Языковая Модель (DMLLM), сочетает визуальные и текстовые…

  • Itinai.com it company office background blured photography by 342dc52c d1e8 48a5 a450 02825b0d4c2b 2

    Улучшение математического мышления с помощью обучения с подкреплением

    Улучшение математического мышления с помощью обучения с подкреплением Введение Недавние достижения в области искусственного интеллекта (ИИ) привели к инновационным методам улучшения математического мышления в моделях. Одним из таких подходов является обучение с подкреплением…

  • Itinai.com it company office background blured photography by 0b545732 d29f 4839 a448 751a77ba1563 0

    Интерактивный анализ видео с помощью AI и Lyzr Chatbot Framework

    Преобразование видео-контента в действенные инсайты с помощью ИИ В современном цифровом мире компаниям необходимо эффективно извлекать ценную информацию из мультимедийных ресурсов. Использование искусственного интеллекта может значительно улучшить этот процесс, особенно при анализе транскриптов…

  • Itinai.com it company office background blured photography by 431ba571 009a 4ead 8847 7d3b7a613a24 0

    MMaDA: Унифицированная Модель Мультимодального Диффузии для Бизнеса

    Унифицированная многомодальная диффузионная модель для бизнес-приложений Преимущества MMaDA для бизнеса MMaDA (Многомодальная диффузионная модель для текстового анализа, визуального понимания и генерации изображений) значительно упрощает интеграцию различных типов данных, что приводит к более эффективным…

  • Itinai.com it company office background blured photography by 2f4c6499 6d9f 413b 8dd8 10c4ad53e96c 3

    Мягкое мышление: новое слово в рассуждениях ИИ

    Понимание изменений в рассуждении ИИ Большие языковые модели (LLM) традиционно полагаются на дискретные языковые токены для обработки информации. Этот метод, хотя и эффективен для простых задач, ограничивает способность модели рассуждать в сложных или…