Cliquez sur l'image ci-dessus pour voir la vidéo de cette leçon
Il est facile d'être fasciné par l'IA et l'IA générative en particulier, mais il est nécessaire de réfléchir à la manière de l'utiliser de manière responsable. Vous devez prendre en compte des éléments tels que la garantie que le résultat soit équitable, non nuisible, et plus encore. Ce chapitre vise à vous fournir le contexte mentionné, ce qu'il faut considérer et comment prendre des mesures actives pour améliorer votre utilisation de l'IA.
Cette leçon couvrira :
- Pourquoi vous devriez donner la priorité à l'IA Responsable lors de la création d'applications d'IA Générative.
- Les principes fondamentaux de l'IA Responsable et comment ils se rapportent à l'IA Générative.
- Comment mettre ces principes de l'IA Responsable en pratique à travers la stratégie et les outils.
Après avoir terminé cette leçon, vous saurez :
- L'importance de l'IA Responsable lors de la création d'applications d'IA Générative.
- Quand penser et appliquer les principes fondamentaux de l'IA Responsable lors de la création d'applications d'IA Générative.
- Quels outils et stratégies sont à votre disposition pour mettre en pratique le concept de l'IA Responsable.
L'excitation autour de l'IA Générative n'a jamais été aussi forte. Cette excitation a attiré de nombreux nouveaux développeurs, de l'attention et des financements dans cet espace. Bien que cela soit très positif pour quiconque cherche à construire des produits et des entreprises utilisant l'IA Générative, il est également important de procéder de manière responsable.
Tout au long de ce cours, nous nous concentrons sur la création de notre startup et de notre produit éducatif en IA. Nous utiliserons les principes de l'IA Responsable : Équité, Inclusivité, Fiabilité/Sécurité, Sécurité & Confidentialité, Transparence et Responsabilité. Avec ces principes, nous explorerons comment ils se rapportent à notre utilisation de l'IA Générative dans nos produits.
Lors de la création d'un produit, adopter une approche centrée sur l'humain en gardant à l'esprit l'intérêt de votre utilisateur conduit aux meilleurs résultats.
La particularité de l'IA Générative est son pouvoir de créer des réponses utiles, des informations, des conseils et du contenu pour les utilisateurs. Cela peut être fait sans beaucoup d'étapes manuelles, ce qui peut conduire à des résultats très impressionnants. Sans planification et stratégies appropriées, cela peut malheureusement conduire à des résultats nuisibles pour vos utilisateurs, votre produit et la société dans son ensemble.
Examinons certains (mais pas tous) de ces résultats potentiellement nuisibles :
Les hallucinations sont un terme utilisé pour décrire lorsque un LLM produit un contenu qui est soit complètement insensé, soit quelque chose que nous savons être factuellement incorrect basé sur d'autres sources d'information.
Prenons par exemple que nous construisions une fonctionnalité pour notre startup permettant aux étudiants de poser des questions historiques à un modèle. Un étudiant pose la question Who was the sole survivor of Titanic?
Le modèle produit une réponse telle que celle ci-dessous :
C'est une réponse très confiante et complète. Malheureusement, elle est incorrecte. Même avec une quantité minimale de recherche, on découvrirait qu'il y avait plus d'un survivant du désastre du Titanic. Pour un étudiant qui commence juste à rechercher ce sujet, cette réponse peut être suffisamment persuasive pour ne pas être remise en question et traitée comme un fait. Les conséquences de cela peuvent conduire le système d'IA à être peu fiable et nuire à la réputation de notre startup.
Avec chaque itération de n'importe quel LLM donné, nous avons constaté des améliorations de performance pour minimiser les hallucinations. Même avec cette amélioration, nous, en tant que créateurs d'applications et utilisateurs, devons rester conscients de ces limitations.
Nous avons couvert dans la section précédente lorsque un LLM produit des réponses incorrectes ou insensées. Un autre risque dont nous devons être conscients est lorsque un modèle répond avec un contenu nuisible.
Le contenu nuisible peut être défini comme :
- Fournir des instructions ou encourager l'automutilation ou le préjudice à certains groupes.
- Contenu haineux ou dégradant.
- Orienter la planification de tout type d'attaque ou d'actes violents.
- Fournir des instructions sur la manière de trouver du contenu illégal ou de commettre des actes illégaux.
- Afficher du contenu sexuellement explicite.
Pour notre startup, nous voulons nous assurer que nous avons les bons outils et stratégies en place pour empêcher ce type de contenu d'être vu par les étudiants.
L'équité est définie comme « garantir qu'un système d'IA est exempt de biais et de discrimination et qu'il traite tout le monde de manière équitable et égale. » Dans le monde de l'IA Générative, nous voulons nous assurer que les visions du monde exclusives des groupes marginalisés ne sont pas renforcées par le résultat du modèle.
Ces types de résultats ne sont pas seulement destructeurs pour créer des expériences de produit positives pour nos utilisateurs, mais ils causent également davantage de préjudice sociétal. En tant que créateurs d'applications, nous devrions toujours garder à l'esprit une base d'utilisateurs large et diversifiée lors de la création de solutions avec l'IA Générative.
Maintenant que nous avons identifié l'importance de l'IA Générative Responsable, examinons 4 étapes que nous pouvons prendre pour créer nos solutions d'IA de manière responsable :
Dans les tests logiciels, nous testons les actions attendues d'un utilisateur sur une application. De même, tester un ensemble diversifié de invites que les utilisateurs sont les plus susceptibles d'utiliser est une bonne façon de mesurer les préjudices potentiels.
Étant donné que notre startup construit un produit éducatif, il serait bon de préparer une liste d'invites liées à l'éducation. Cela pourrait être pour couvrir un certain sujet, des faits historiques, et des invites sur la vie étudiante.
Il est maintenant temps de trouver des moyens où nous pouvons prévenir ou limiter le préjudice potentiel causé par le modèle et ses réponses. Nous pouvons examiner cela sous 4 couches différentes :
-
Modèle. Choisir le bon modèle pour le bon cas d'utilisation. Les modèles plus grands et plus complexes comme GPT-4 peuvent poser plus de risques de contenu nuisible lorsqu'ils sont appliqués à des cas d'utilisation plus petits et plus spécifiques. Utiliser vos données d'entraînement pour affiner réduit également le risque de contenu nuisible.
-
Système de sécurité. Un système de sécurité est un ensemble d'outils et de configurations sur la plateforme servant le modèle qui aident à atténuer les préjudices. Un exemple de ceci est le système de filtrage de contenu sur le service Azure OpenAI. Les systèmes devraient également détecter les attaques de jailbreak et les activités indésirables comme les demandes de bots.
-
Metaprompt. Les metaprompts et l'ancrage sont des moyens par lesquels nous pouvons diriger ou limiter le modèle en fonction de certains comportements et informations. Cela pourrait être l'utilisation d'entrées système pour définir certaines limites du modèle. De plus, fournir des résultats plus pertinents au champ ou au domaine du système.
Cela peut également être l'utilisation de techniques comme la Génération Augmentée par la Récupération (RAG) pour que le modèle ne tire des informations que d'une sélection de sources fiables. Il y a une leçon plus tard dans ce cours pour construire des applications de recherche
- Expérience utilisateur. La couche finale est celle où l'utilisateur interagit directement avec le modèle via l'interface de notre application d'une certaine manière. De cette façon, nous pouvons concevoir l'UI/UX pour limiter l'utilisateur sur les types d'entrées qu'il peut envoyer au modèle ainsi que le texte ou les images affichés à l'utilisateur. Lors du déploiement de l'application d'IA, nous devons également être transparents sur ce que notre application d'IA Générative peut et ne peut pas faire.
Nous avons une leçon entière dédiée à Concevoir l'UX pour les Applications d'IA
- Évaluer le modèle. Travailler avec les LLM peut être difficile car nous n'avons pas toujours le contrôle sur les données sur lesquelles le modèle a été formé. Néanmoins, nous devrions toujours évaluer la performance et les résultats du modèle. Il est toujours important de mesurer la précision, la similarité, la pertinence et la pertinence du résultat du modèle. Cela aide à fournir transparence et confiance aux parties prenantes et aux utilisateurs.
Construire une pratique opérationnelle autour de vos applications d'IA est la dernière étape. Cela inclut de s'associer avec d'autres parties de notre startup comme le juridique et la sécurité pour s'assurer que nous sommes conformes à toutes les politiques réglementaires. Avant le lancement, nous voulons également construire des plans autour de la livraison, de la gestion des incidents et du retour en arrière pour éviter tout préjudice à nos utilisateurs en croissance.
Bien que le travail de développement de solutions d'IA Responsable puisse sembler important, c'est un travail qui vaut bien l'effort. À mesure que le domaine de l'IA Générative se développe, davantage d'outils pour aider les développeurs à intégrer efficacement la responsabilité dans leurs flux de travail vont mûrir. Par exemple, le Azure AI Content Safety peut aider à détecter du contenu et des images nuisibles via une requête API.
Quelles sont certaines choses dont vous devez vous soucier pour assurer une utilisation responsable de l'IA ?
- Que la réponse soit correcte.
- Utilisation nuisible, que l'IA ne soit pas utilisée à des fins criminelles.
- S'assurer que l'IA est exempte de biais et de discrimination.
A: 2 et 3 sont corrects. L'IA Responsable vous aide à considérer comment atténuer les effets nuisibles et les biais et plus encore.
Renseignez-vous sur Azure AI Content Safety et voyez ce que vous pouvez adopter pour votre utilisation.
Après avoir terminé cette leçon, consultez notre collection d'apprentissage sur l'IA Générative pour continuer à améliorer vos connaissances sur l'IA Générative !
Passez à la leçon 4 où nous examinerons les Fondamentaux de l'ingénierie des prompts !
Avertissement :
Ce document a été traduit à l'aide du service de traduction IA Co-op Translator. Bien que nous nous efforcions d'assurer l'exactitude, veuillez noter que les traductions automatiques peuvent contenir des erreurs ou des inexactitudes. Le document original dans sa langue d'origine doit être considéré comme la source faisant autorité. Pour des informations critiques, il est recommandé de recourir à une traduction professionnelle humaine. Nous ne sommes pas responsables des malentendus ou des interprétations erronées résultant de l'utilisation de cette traduction.