Прозрачность в фондовых моделях: следующий шаг в индексе прозрачности фондовых моделей (FMTI)

 Transparency in Foundation Models: The Next Step in Foundation Model Transparency Index FMTI

Прозрачность в фондовых моделях: следующий шаг в индексе прозрачности фондовых моделей FMTI

Фондовые модели играют центральную роль в влиянии искусственного интеллекта на экономику и общество. Прозрачность является ключевым элементом для ответственности, конкуренции и понимания, особенно в отношении данных, используемых в этих моделях. Правительства принимают регулятивные акты, такие как Закон ЕС об искусственном интеллекте и Закон США о прозрачности фондовых моделей ИИ, чтобы повысить прозрачность. Индекс прозрачности фондовых моделей (FMTI), представленный в 2023 году, оценивает прозрачность у 10 основных разработчиков (например, OpenAI, Google, Meta) с использованием 100 показателей. Начальная версия FMTI v1.0 показала значительную непрозрачность, со средним баллом 37 из 100, но также отметила изменчивость в раскрытии информации.

Индекс прозрачности фондовых моделей (FMTI) – ключевые моменты

В октябре 2023 года был представлен Индекс прозрачности фондовых моделей (FMTI), концептуализирующий прозрачность через иерархическую таксономию, соотнесенную с цепочкой поставок фондовых моделей. Эта таксономия включает три основных домена: начальные ресурсы, сама модель и ее последующее использование, охватывающие 23 поддомена и 100 двоичных показателей прозрачности. FMTI v1.0 выявил широкое распространение непрозрачности среди 10 оцениваемых компаний, при этом лучшие баллы достигали всего лишь 54 из 100. Открытые разработчики моделей показывали более высокие результаты, чем закрытые. Индекс направлен на отслеживание изменений со временем, поощряя прозрачность через публичное и стейкхолдерское давление, как это продемонстрировано историческими индексами, такими как Индекс человеческого развития и Индекс прав цифровых технологий 2018 года.

Исследователи из Стэнфордского университета, Массачусетского технологического института и Принстонского университета представили последующее исследование (FMTI v1.1) для оценки эволюции прозрачности в фондовых моделях за шесть месяцев, сохраняя 100 первоначальных показателей прозрачности. В исследовании приняли участие 14 разработчиков, раскрыв новую информацию для 16,6 показателей в среднем.

FMTI v1.1 включает четыре этапа: выбор показателей, выбор разработчиков, сбор информации и оценка. 100 показателей из FMTI v1.0 охватывают три домена: начальные ресурсы, сама модель и ее последующее использование. Четырнадцать разработчиков, включая восемь из v1.0, представили отчеты о прозрачности для своих флагманских моделей. Сбор информации перешел от публичных поисков к прямым представлениям разработчиков, обеспечивая полноту и ясность. Оценка включала независимую оценку каждого разработчика и последующий итерационный процесс опровержения. Этот подход улучшил прозрачность, позволяя разработчикам предоставлять дополнительную информацию и снижая усилия исследователей.

Результаты исследования

В рамках оценки 14 разработчиков представили отчеты о прозрачности по 100 показателям для своих флагманских моделей. Начальные баллы существенно различались, при этом 11 из 14 разработчиков набрали менее 65 баллов, что указывает на потенциал для улучшения. Средние и медианные баллы составили 57,93 и 57 соответственно, со стандартным отклонением 13,98. Разработчик с наивысшим баллом набрал 85 из 100 показателей, в то время как разработчик с наименьшим баллом набрал 33. Разработчики раскрыли значительную новую информацию, улучшив баллы прозрачности в среднем на 14,2 пункта. Прозрачность была наивысшей в области последующего использования и наименьшей в области начальных ресурсов, при этом открытые разработчики в целом превосходили закрытых. Прозрачность улучшилась во всех областях по сравнению с предыдущей версией.

Общественное воздействие фондовых моделей

Влияние фондовых моделей на общество растет, привлекая внимание различных заинтересованных сторон. Индекс прозрачности фондовых моделей показывает, что прозрачность в этой экосистеме нуждается в улучшении, хотя с октября 2023 года произошли положительные изменения. Анализируя раскрытия разработчиков, Индекс помогает заинтересованным сторонам принимать обоснованные решения. Установление отчетности о прозрачности для фондовых моделей предоставляет ценный ресурс для разработчиков, исследователей и журналистов для улучшения общего понимания.

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

  • Оптимизация бюджета вывода для моделей самосогласованности и генеративных вознаграждений в ИИ

    Введение в оценку бюджета вывода с помощью ИИ Данный документ представляет собой практическое решение для оценки бюджета вывода при использовании ИИ в бизнесе. Внедрение искусственного интеллекта может значительно улучшить результаты работы организации. Шаги…

  • Agent2Agent: Новый Протокол Сотрудничества AI Агентов

    Преобразование бизнеса с помощью Agent2Agent Google представил Agent2Agent (A2A) — инновационный протокол, который позволяет AI-агентам безопасно сотрудничать на различных платформах. Этот протокол упрощает рабочие процессы, вовлекающие несколько специализированных AI-агентов, улучшая их взаимодействие. Преимущества…

  • Запуск набора инструментов разработки агентов (ADK) от Google для многопользовательских систем

    Введение в ADK Google недавно представила набор инструментов для разработки агентов (ADK), который является открытым фреймворком для разработки, управления и развертывания многопользовательских систем. Этот фреймворк написан на Python и подходит для различных приложений,…

  • Роль “впитывающих” вниманий в стабилизации больших языковых моделей

    Понимание “впитывающих” механизмов внимания в больших языковых моделях Большие языковые модели (LLMs) имеют уникальное поведение, известное как “впитывающие” механизмы внимания. Это явление имеет значительные последствия для стабильности и производительности моделей, что может улучшить…

  • TorchSim: Революция в атомистических симуляциях с помощью PyTorch

    Введение в TorchSim TorchSim – это инновационный движок атомистического моделирования, который значительно улучшает симуляции материалов, делая их быстрее и эффективнее традиционных методов. Это позволяет отдельным ученым решать несколько задач одновременно. Ключевые особенности TorchSim…

  • API Evals от OpenAI: Оптимизация оценки моделей для бизнеса

    Введение в Evals API OpenAI представила Evals API, мощный инструмент для упрощения оценки больших языковых моделей (LLMs) для разработчиков и команд. Этот новый API позволяет программно проводить оценку, позволяя разработчикам определять тесты, автоматизировать…

  • Запуск моделей APIGen-MT и xLAM-2-fc-r для обучения агентов с многоходовыми взаимодействиями

    Введение Инновационные модели Salesforce AI, APIGen-MT и xLAM-2-fc-r, значительно улучшают способности AI-агентов в управлении сложными многоуровневыми взаимодействиями. Эти решения особенно актуальны для бизнеса, который зависит от эффективной коммуникации и выполнения задач. Проблема многоуровневых…

  • Huawei Dream 7B: Революционная Модель Диффузионного Размышления для Бизнеса

    Практические бизнес-решения на основе Dream 7B Модель Dream 7B от Huawei предлагает революционные возможности для автоматизации и улучшения бизнес-процессов. Внедрение этой технологии может значительно повысить эффективность и качество работы организаций. Как улучшить бизнес…

  • МегаСкейл-Инфер: Революционная система для эффективного обслуживания LLM на основе MoE

    Введение MegaScale-Infer: Оптимизация Производительности Больших Языковых Моделей Большие языковые модели (LLMs) играют важную роль в различных приложениях, таких как чат-боты и генерация кода. Однако с увеличением их размеров возникают проблемы с эффективностью вычислений.…

  • Инновации в тактильном восприятии: решение для бизнеса с использованием ИИ

    Преобразование тактильного восприятия с помощью ИИ: Практические бизнес-решения Понимание технологии тактильного восприятия Тактильное восприятие необходимо для эффективного взаимодействия интеллектуальных систем с физической средой. Технологии, такие как сенсор GelSight, предоставляют подробную информацию о контактных…

  • LLM+FOON: Улучшение планирования кулинарных задач для роботов

    Введение Разработка роботов для домашнего использования, особенно в кулинарии, становится все более актуальной. Эти роботы должны выполнять различные задачи, требующие визуальной интерпретации, манипуляции и принятия решений. Использование LLM+FOON фреймворка может значительно улучшить планирование…

  • Создание локального RAG-пайплайна с Ollama и DeepSeek-R1 на Google Colab

    Практические бизнес-решения с использованием RAG-пайплайна Создание RAG-пайплайна с использованием Ollama и Google Colab может значительно улучшить бизнес и повседневную жизнь. Вот как это может повысить результаты бизнеса: Преимущества Эффективный доступ к информации из…

  • Улучшение моделей рассуждений с помощью масштабирования во время вывода

    Введение Искусственный интеллект может существенно улучшить бизнес-процессы, особенно в области сложного решения задач. Следуя новейшим исследованиям в области масштабирования языковых моделей, можно улучшить качества рассуждений и значительно повысить эффективность работы. Проблемы текущих моделей…

  • RARE: Масштабируемая AI-структура для улучшения специфического рассуждения

    Введение Современные достижения в области больших языковых моделей (LLMs) продемонстрировали впечатляющие возможности в различных задачах. Однако они часто сталкиваются с трудностями в специализированных областях, требующих глубоких знаний и рассуждений. Это ограничение связано с…

  • OceanSim: Инновационный GPU-ускоренный симулятор подводной robotics

    Введение в OceanSim: Преобразование симуляции подводной робототехники OceanSim – это современная платформа для симуляции подводной робототехники, разработанная Университетом Мичигана. Она использует высокопроизводительное GPU-ускорение, что делает ее ценным инструментом для таких приложений, как морская…

  • Генератор питчей для стартапов на основе AI

    Создание генератора питчей для стартапов на базе ИИ Данный гид предлагает простой подход к созданию приложения, использующего ИИ для генерации идей питчей для стартапов. Используя модель Google Gemini Pro вместе с фреймворком LiteLLM,…

  • MMSearch-R1: Новые горизонты для бизнес-ИИ

    MMSearch-R1: Улучшение возможностей ИИ в бизнесе Введение в большие мультимодальные модели (LMM) Большие мультимодальные модели (LMM) значительно продвинулись в понимании и обработке визуальных и текстовых данных. Однако они сталкиваются с проблемами при работе…

  • Масштабируемое Моделирование Наград для AI: Улучшение Общих Моделей Наград с SPCT

    Улучшение моделей вознаграждения для приложений ИИ Введение в моделирование вознаграждения Метод обучения с подкреплением (RL) стал ключевым методом для улучшения возможностей больших языковых моделей (LLMs). Мы можем применять RL, чтобы модели лучше понимали…