Clique na imagem acima para assistir ao vídeo desta lição
É fácil se fascinar com IA, especialmente IA generativa, mas é necessário considerar como utilizá-la de forma responsável. É importante pensar em como garantir que os resultados sejam justos, não prejudiciais e mais. Este capítulo tem como objetivo fornecer o contexto mencionado, o que considerar e como tomar medidas ativas para melhorar o uso da IA.
Esta lição abordará:
- Por que você deve priorizar IA Responsável ao construir aplicações de IA Generativa.
- Princípios fundamentais de IA Responsável e como eles se relacionam com IA Generativa.
- Como colocar esses princípios de IA Responsável em prática por meio de estratégias e ferramentas.
Após concluir esta lição, você saberá:
- A importância da IA Responsável ao construir aplicações de IA Generativa.
- Quando pensar e aplicar os princípios fundamentais de IA Responsável ao construir aplicações de IA Generativa.
- Quais ferramentas e estratégias estão disponíveis para colocar o conceito de IA Responsável em prática.
O entusiasmo pela IA Generativa nunca foi tão alto. Esse entusiasmo trouxe muitos novos desenvolvedores, atenção e financiamento para este espaço. Embora isso seja muito positivo para quem busca construir produtos e empresas usando IA Generativa, também é importante avançarmos de forma responsável.
Ao longo deste curso, estamos focando na construção de nossa startup e nosso produto educacional de IA. Usaremos os princípios de IA Responsável: Justiça, Inclusão, Confiabilidade/Segurança, Segurança e Privacidade, Transparência e Responsabilidade. Com esses princípios, exploraremos como eles se relacionam com o uso de IA Generativa em nossos produtos.
Ao construir um produto, adotar uma abordagem centrada no ser humano, mantendo os melhores interesses do usuário em mente, leva aos melhores resultados.
A singularidade da IA Generativa está em seu poder de criar respostas úteis, informações, orientações e conteúdos para os usuários. Isso pode ser feito sem muitos passos manuais, o que pode levar a resultados muito impressionantes. Sem planejamento e estratégias adequados, isso também pode, infelizmente, levar a resultados prejudiciais para seus usuários, seu produto e a sociedade como um todo.
Vamos analisar alguns (mas não todos) desses resultados potencialmente prejudiciais:
Alucinações são um termo usado para descrever quando um LLM produz conteúdo que é completamente sem sentido ou algo que sabemos ser factualmente incorreto com base em outras fontes de informação.
Vamos tomar como exemplo a construção de um recurso para nossa startup que permite que estudantes façam perguntas históricas a um modelo. Um estudante faz a pergunta Quem foi o único sobrevivente do Titanic?
O modelo produz uma resposta como a abaixo:
(Fonte: Flying bisons)
Esta é uma resposta muito confiante e detalhada. Infelizmente, está incorreta. Mesmo com uma pesquisa mínima, seria possível descobrir que houve mais de um sobrevivente do desastre do Titanic. Para um estudante que está começando a pesquisar este tópico, esta resposta pode ser persuasiva o suficiente para não ser questionada e tratada como fato. As consequências disso podem levar o sistema de IA a ser pouco confiável e impactar negativamente a reputação de nossa startup.
Com cada iteração de um LLM, temos visto melhorias de desempenho em minimizar alucinações. Mesmo com essa melhoria, nós, como desenvolvedores de aplicações e usuários, ainda precisamos estar cientes dessas limitações.
Abordamos na seção anterior quando um LLM produz respostas incorretas ou sem sentido. Outro risco que precisamos estar atentos é quando um modelo responde com conteúdo prejudicial.
Conteúdo prejudicial pode ser definido como:
- Fornecer instruções ou encorajar autolesão ou danos a certos grupos.
- Conteúdo odioso ou depreciativo.
- Orientar o planejamento de qualquer tipo de ataque ou atos violentos.
- Fornecer instruções sobre como encontrar conteúdo ilegal ou cometer atos ilegais.
- Exibir conteúdo sexualmente explícito.
Para nossa startup, queremos garantir que temos as ferramentas e estratégias certas para evitar que esse tipo de conteúdo seja visto pelos estudantes.
Justiça é definida como “garantir que um sistema de IA esteja livre de preconceitos e discriminação e que trate todos de forma justa e igualitária.” No mundo da IA Generativa, queremos garantir que visões de mundo excludentes de grupos marginalizados não sejam reforçadas pelos resultados do modelo.
Esses tipos de resultados não apenas são destrutivos para construir experiências positivas de produto para nossos usuários, mas também causam mais danos à sociedade. Como desenvolvedores de aplicações, devemos sempre ter em mente uma base de usuários ampla e diversificada ao construir soluções com IA Generativa.
Agora que identificamos a importância da IA Generativa Responsável, vamos analisar 4 etapas que podemos seguir para construir nossas soluções de IA de forma responsável:
Nos testes de software, testamos as ações esperadas de um usuário em uma aplicação. Da mesma forma, testar um conjunto diversificado de prompts que os usuários provavelmente usarão é uma boa maneira de medir danos potenciais.
Como nossa startup está construindo um produto educacional, seria bom preparar uma lista de prompts relacionados à educação. Isso pode incluir cobrir um determinado assunto, fatos históricos e prompts sobre a vida estudantil.
Agora é hora de encontrar maneiras de prevenir ou limitar os danos potenciais causados pelo modelo e suas respostas. Podemos analisar isso em 4 camadas diferentes:
-
Modelo. Escolher o modelo certo para o caso de uso certo. Modelos maiores e mais complexos, como o GPT-4, podem causar mais risco de conteúdo prejudicial quando aplicados a casos de uso menores e mais específicos. Usar seus dados de treinamento para ajuste fino também reduz o risco de conteúdo prejudicial.
-
Sistema de Segurança. Um sistema de segurança é um conjunto de ferramentas e configurações na plataforma que serve o modelo e ajuda a mitigar danos. Um exemplo disso é o sistema de filtragem de conteúdo no serviço Azure OpenAI. Os sistemas também devem detectar ataques de jailbreak e atividades indesejadas, como solicitações de bots.
-
Metaprompt. Metaprompts e grounding são maneiras de direcionar ou limitar o modelo com base em certos comportamentos e informações. Isso pode incluir usar entradas do sistema para definir certos limites do modelo. Além disso, fornecer resultados mais relevantes para o escopo ou domínio do sistema.
Também pode incluir o uso de técnicas como Geração Aumentada por Recuperação (RAG) para que o modelo obtenha informações apenas de uma seleção de fontes confiáveis. Há uma lição mais adiante neste curso sobre construção de aplicações de busca
- Experiência do Usuário. A camada final é onde o usuário interage diretamente com o modelo por meio da interface de nossa aplicação de alguma forma. Dessa forma, podemos projetar o UI/UX para limitar o usuário nos tipos de entradas que ele pode enviar ao modelo, bem como o texto ou imagens exibidos ao usuário. Ao implantar a aplicação de IA, também devemos ser transparentes sobre o que nossa aplicação de IA Generativa pode e não pode fazer.
Temos uma lição inteira dedicada a Projetar UX para Aplicações de IA
- Avaliar o modelo. Trabalhar com LLMs pode ser desafiador porque nem sempre temos controle sobre os dados nos quais o modelo foi treinado. Independentemente disso, devemos sempre avaliar o desempenho e os resultados do modelo. Ainda é importante medir a precisão, similaridade, fundamentação e relevância dos resultados do modelo. Isso ajuda a fornecer transparência e confiança para as partes interessadas e usuários.
Construir uma prática operacional em torno de suas aplicações de IA é a etapa final. Isso inclui fazer parcerias com outras partes de nossa startup, como Jurídico e Segurança, para garantir que estamos em conformidade com todas as políticas regulatórias. Antes de lançar, também queremos construir planos em torno de entrega, gerenciamento de incidentes e rollback para evitar qualquer dano aos nossos usuários.
Embora o trabalho de desenvolver soluções de IA Responsável possa parecer muito, é um esforço que vale a pena. À medida que a área de IA Generativa cresce, mais ferramentas para ajudar os desenvolvedores a integrar responsabilidade de forma eficiente em seus fluxos de trabalho amadurecerão. Por exemplo, o Azure AI Content Safety pode ajudar a detectar conteúdo e imagens prejudiciais por meio de uma solicitação de API.
Quais são algumas coisas que você precisa considerar para garantir o uso responsável da IA?
- Que a resposta esteja correta.
- Uso prejudicial, que a IA não seja usada para fins criminosos.
- Garantir que a IA esteja livre de preconceitos e discriminação.
A: 2 e 3 estão corretas. IA Responsável ajuda você a considerar como mitigar efeitos prejudiciais e preconceitos, entre outros.
Leia sobre o Azure AI Content Safety e veja o que você pode adotar para seu uso.
Após concluir esta lição, confira nossa coleção de aprendizado sobre IA Generativa para continuar aprimorando seu conhecimento sobre IA Generativa!
Vá para a Lição 4, onde analisaremos Fundamentos de Engenharia de Prompt!
Aviso Legal:
Este documento foi traduzido usando o serviço de tradução por IA Co-op Translator. Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.