คู่มือ AI ภาษา

ห่วงโซ่การตรวจสอบเพื่อลดอาการประสาทหลอน

Chain-of-Verification (CoVe) เป็นวิธีการแจ้งเตือนที่แบบจำลองร่างคำตอบ สร้างคำถามตรวจสอบข้อเท็จจริงของตัวเอง ตอบคำถามอย่างอิสระ จากนั้นจึงแก้ไขแบบร่าง

ภาพรวม

Chain-of-Verification (CoVe) เป็นวิธีการแจ้งเตือนที่แบบจำลองร่างคำตอบ สร้างคำถามตรวจสอบข้อเท็จจริงของตัวเอง ตอบคำถามอย่างอิสระ จากนั้นจึงแก้ไขแบบร่าง สิ่งสำคัญคือสามารถวัดผลการตัดการผลิตที่มั่นใจแต่ผิดพลาดได้โดยไม่ต้องใช้เครื่องมือภายนอก

Chain-of-Verification for Hallucination Reduction เป็นส่วนหนึ่งของสแต็กภาษา-AI ที่ใช้ในการอ่าน สร้าง จำแนก และแปลงข้อความและคำพูดตามขนาด

เจาะลึก

ภาพหลอนเกิดขึ้นเมื่อแบบจำลองภาษาระบุบางสิ่งได้คล่องแต่เป็นเท็จ Chain-of-Verification เสนอโดย Meta นักวิจัย AI ในปี 2023 ต่อสู้กับสิ่งนี้ด้วยการตรวจสอบตนเองแบบมีโครงสร้าง แบบจำลองจะเขียนคำตอบพื้นฐานก่อน จากนั้นจะวางแผนรายการคำถามในการตรวจสอบที่กำหนดเป้าหมายเพื่อตรวจสอบการกล่าวอ้างข้อเท็จจริงในร่างนั้น เช่น "บุคคลนี้เกิดเมื่อใด" หรือ 'บริษัทใดออกผลิตภัณฑ์นี้?' สิ่งสำคัญที่สุดคือ ระบบจะตอบคำถามยืนยันแต่ละข้อแยกจากกัน โดยอุดมคติแล้วโดยไม่ต้องดูร่างต้นฉบับ ดังนั้นจึงไม่เพียงแค่ประทับตราข้อผิดพลาดก่อนหน้านี้เท่านั้น สุดท้ายจะเปรียบเทียบคำตอบสำหรับการยืนยันกับแบบร่างและสร้างคำตอบสุดท้ายที่ได้รับการแก้ไข ในงานต่างๆ เช่น การลงรายการเอนทิตีและการเขียนชีวประวัติ CoVe ลดข้อผิดพลาดด้านข้อเท็จจริงเมื่อเทียบกับคำตอบโดยตรงเพียงคำตอบเดียว

ข้อมูลเชิงลึกทางเทคนิค

เคล็ดลับสำคัญคือการแยกการยืนยันออกจากฉบับร่าง หากแบบจำลองตอบคำถามการตรวจสอบของตัวเองในขณะที่จ้องมองที่ข้อความต้นฉบับ โมเดลนั้นมีแนวโน้มที่จะยืนยันโทเค็นก่อนหน้า โดยการตอบคำถามแบบแยกส่วนหรือแยกการโทร โมเดลจะดึงข้อเท็จจริงออกมาอย่างตรงไปตรงมามากขึ้น และเผยให้เห็นความขัดแย้ง ไปป์ไลน์มีสี่ขั้นตอน: ร่าง วางแผนการตรวจสอบ ดำเนินการตรวจสอบอย่างอิสระ และสร้างคำตอบที่แก้ไขซึ่งจะยกเลิกหรือแก้ไขการอ้างสิทธิ์ที่ไม่ได้รับการสนับสนุน

การเรียนรู้ห่วงโซ่แห่งการยืนยันเพื่อลดอาการประสาทหลอน

Chain-of-Verification (CoVe) เป็นวิธีการแจ้งเตือนที่แบบจำลองร่างคำตอบ สร้างคำถามตรวจสอบข้อเท็จจริงของตัวเอง ตอบคำถามอย่างอิสระ จากนั้นจึงแก้ไขแบบร่าง สิ่งสำคัญคือสามารถวัดผลการตัดการผลิตที่มั่นใจแต่ผิดพลาดได้โดยไม่ต้องใช้เครื่องมือภายนอก Chain-of-Verification for Hallucination Reduction เป็นส่วนหนึ่งของสแต็กภาษา-AI ที่ใช้ในการอ่าน สร้าง จำแนก และแปลงข้อความและคำพูดตามขนาด เพื่อสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่า Chain-of-Verification for Hallucination Reduction เป็นแบบจำลองการดำเนินงาน ไม่ใช่คุณลักษณะเดียว: กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ

ในทางปฏิบัติ ทีมที่แข็งแกร่งที่ใช้ Chain-of-Verification for Hallucination Reduction จะแจ้ง ดึงข้อมูล และวนรอบการตรวจสอบเป็นระบบการสื่อสารแบบบูรณาการระบบเดียว โดยจะบันทึกเกณฑ์ความสำเร็จที่ชัดเจน ทดสอบกับข้อมูลและขั้นตอนการทำงานที่สมจริง และทำซ้ำตามรูปแบบความล้มเหลวที่สังเกตได้ แทนที่จะชนะการวัดประสิทธิภาพเพียงครั้งเดียว นี่คือจุดที่ความเข้าใจทางทฤษฎีกลายเป็นความสามารถที่คงทนของผลิตภัณฑ์ นโยบาย และการดำเนินงาน

ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ ในขณะเดียวกัน ข้อเท็จจริงที่หลอนประสาทสามารถเข้าสู่รายงาน กระแสสนับสนุน หรือผลการวิจัยได้อย่างเงียบๆ แนวทางที่ยืดหยุ่นที่สุดคือการรวมความเร็วของการทดลองเข้ากับวินัยในการกำกับดูแล: ดำเนินการนำร่อง จับหลักฐาน เผยแพร่บันทึกการตัดสินใจ และอัปเดตการป้องกันอย่างต่อเนื่องเมื่อพฤติกรรมของโมเดล ความคาดหวังของผู้ใช้ และข้อกำหนดด้านกฎระเบียบมีการเปลี่ยนแปลง

ผลกระทบเชิงกลยุทธ์

ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ

ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ

ขยายการเข้าถึงภาษาและรูปแบบการสื่อสาร

ขยายการเข้าถึงภาษาและรูปแบบการสื่อสาร ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ

ทีมสามารถใช้เวลามากขึ้นในการตัดสิน ในขณะที่ระบบอัตโนมัติจัดการกับการทำซ้ำ

ทีมสามารถใช้เวลามากขึ้นในการตัดสิน ในขณะที่ระบบอัตโนมัติจัดการกับการทำซ้ำ ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ

อนาคตของห่วงโซ่การตรวจสอบเพื่อลดอาการประสาทหลอน

CoVe กำลังผสานเข้ากับการดึงข้อมูลและการใช้เครื่องมือ: คำถามในการยืนยันจะได้รับการตอบมากขึ้นด้วยการค้นหา เครื่องคิดเลข หรือฐานข้อมูล แทนที่จะใช้หน่วยความจำของแบบจำลองเพียงอย่างเดียว ซึ่งช่วยเพิ่มความแม่นยำยิ่งขึ้น คาดว่าเฟรมเวิร์กตัวแทนจะอบในลูปการตรวจสอบอัตโนมัติ และเวอร์ชันกลั่นที่เบากว่าซึ่งดำเนินการตรวจสอบในราคาถูก เมื่อรวมกับการประมาณการความไม่แน่นอน ระบบในอนาคตอาจเรียกใช้การตรวจสอบเฉพาะการกล่าวอ้างที่แบบจำลองไม่แน่ใจเท่านั้น โดยรักษาสมดุลระหว่างต้นทุนกับความน่าเชื่อถือ

การใช้งานจริงในโลกแห่งความเป็นจริง

ผู้ช่วยวิจัยตรวจสอบวันที่และชื่อในชีวประวัติที่สร้างขึ้นอีกครั้งก่อนที่จะแสดงให้ผู้ใช้เห็น

บอทความรู้ระดับองค์กรจะตรวจสอบข้อกำหนดของผลิตภัณฑ์ที่อ้างถึงโดยเทียบกับคำถามติดตามผลของตนเอง

การสร้างรายชื่อเอนทิตี (เช่น "นักการเมืองที่เกิดในบอสตัน") และตัดรายการที่ไม่ผ่านการตรวจสอบ

ผู้สรุปข้อมูลทางการแพทย์ตั้งค่าสถานะและแก้ไขข้อเรียกร้องที่การตรวจสอบอิสระไม่สามารถยืนยันได้

รูปแบบการดำเนินงาน

ห่วงโซ่การตรวจสอบเพื่อลดอาการประสาทหลอนในทางปฏิบัติ

ผู้ช่วยวิจัยตรวจสอบวันที่และชื่อในชีวประวัติที่สร้างขึ้นอีกครั้งก่อนที่จะแสดงให้ผู้ใช้เห็น

ผู้ช่วยวิจัยตรวจสอบวันที่และชื่อในชีวประวัติที่สร้างขึ้นอีกครั้งก่อนที่จะแสดงให้ผู้ใช้เห็น ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป

ห่วงโซ่การตรวจสอบเพื่อลดอาการประสาทหลอนในทางปฏิบัติ

บอทความรู้ระดับองค์กรจะตรวจสอบข้อกำหนดของผลิตภัณฑ์ที่อ้างถึงโดยเทียบกับคำถามติดตามผลของตนเอง

บอตความรู้ระดับองค์กรที่ตรวจสอบข้อกำหนดของผลิตภัณฑ์ที่อ้างถึงโดยเทียบกับคำถามติดตามผล ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อกำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป

ห่วงโซ่การตรวจสอบเพื่อลดอาการประสาทหลอนในทางปฏิบัติ

การสร้างรายชื่อเอนทิตี (เช่น "นักการเมืองที่เกิดในบอสตัน") และตัดรายการที่ไม่ผ่านการตรวจสอบ

การสร้างรายชื่อหน่วยงาน (เช่น 'นักการเมืองที่เกิดในบอสตัน') และการตัดรายการที่ไม่ผ่านการตรวจสอบ ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการผลิตที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป

ห่วงโซ่การตรวจสอบเพื่อลดอาการประสาทหลอนในทางปฏิบัติ

ผู้สรุปข้อมูลทางการแพทย์ตั้งค่าสถานะและแก้ไขข้อเรียกร้องที่การตรวจสอบอิสระไม่สามารถยืนยันได้

ผู้สรุปข้อมูลทางการแพทย์ติดธงและแก้ไขอ้างว่าการตรวจสอบอิสระไม่สามารถยืนยันได้ว่าทีมมักจะได้รับผลลัพธ์ที่ดีขึ้น เมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป

ความเสี่ยงและรั้ว

!

ข้อเท็จจริงที่หลอนประสาทสามารถเข้าสู่รายงาน กระแสสนับสนุน หรือผลการวิจัยได้อย่างเงียบๆ

!

ความละเอียดอ่อนของการแจ้งเตือนสามารถสร้างผลลัพธ์ที่ไม่สอดคล้องกันในคำขอที่คล้ายกัน

!

ข้อมูลข้อความที่ละเอียดอ่อนอาจถูกเปิดเผยหากการควบคุมการเข้าถึงอ่อนแอ

แผนงานการดำเนินงาน

1

กำหนดรูปแบบเอาต์พุต โทนเสียง และมาตรฐานคุณภาพก่อนเปิดตัว

กำหนดรูปแบบเอาต์พุต โทนเสียง และมาตรฐานคุณภาพก่อนเปิดตัว ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น

2

การตอบสนองภาคพื้นดินกับแหล่งข้อมูลที่เชื่อถือได้เมื่อใดก็ตามที่ความแม่นยำมีความสำคัญ

การตอบสนองภาคพื้นดินกับแหล่งข้อมูลที่เชื่อถือได้เมื่อใดก็ตามที่ความแม่นยำมีความสำคัญ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น

3

รักษาจุดตรวจสอบการตรวจสอบโดยมนุษย์สำหรับผลลัพธ์ที่มีเดิมพันสูง

รักษาจุดตรวจสอบการตรวจสอบโดยมนุษย์สำหรับผลลัพธ์ที่มีเดิมพันสูง ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น

4

ติดตามรูปแบบความล้มเหลวและฝึกอบรมพร้อมท์หรือเวิร์กโฟลว์เป็นประจำ

ติดตามรูปแบบความล้มเหลวและฝึกอบรมพร้อมท์หรือเวิร์กโฟลว์เป็นประจำ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น

สำรวจต่อไป