আমরা ChatGPT নামে একটি মডেল প্রশিক্ষিত করেছি, যা স্বাভাবিক কথোপকথনের মাধ্যমে আপনার উত্তর দিতে পারে. ডায়লগ কাঠামোতে ChatGPT ফলো-আপ প্রশ্নের উত্তর দেওয়া, নিজের ভুল স্বীকার করা, ভুল পূর্বানুমান চ্যালেঞ্জ করা এবং অনুপযুক্ত অনুরোধ প্রত্যাখ্যান করতে সক্ষম হয়.
ChatGPT প্রম্পটে একটি নির্দেশ অনুসরণ করা এবং বিস্তারিত জবাব দেওয়ার জন্য প্রশিক্ষিত InstructGPT, মডেলের মতই.
ব্যবহারকারীদের ফিডব্যাক পেতে আমরা ChatGPT চালু করতে যাচ্ছি, যেন এর সক্ষমতা ও সীমাবদ্ধতা সম্পর্কে জানা যায়. গবেষণা প্রিভিউ চলাকালীন, ChatGPT ব্যবহার ফ্রি. chatgpt.com(একটি নতুন উইন্ডোতে খোলে)-এ এখনই চেষ্টা করুন.
স্যাম্পল
resultWorkerErr := make(chan error)
defer close(resultWorkerErr)
go func() {
defer cancel()
resultWorkerErr <- b.resultWorker(ctx)
}()
err := b.worker(ctx)
cancel()
if err == nil {
return <-resultWorkerErr
}
return multierror.Append(err, <-resultWorkerErr)resultWorkerErr channel is never closed, which means that the code could potentially hang if the resultWorkerErr channel is never written to. This could happen if b.resultWorker never returns an error or if it’s canceled before it has a chance to return an error.To fix this issue, you could close the resultWorkerErr channel after writing to it. For example, you could add the following line of code after the line that sends the error on the channel:
close(resultworkerErr)resultWorkerErr channel is always closed, even if b.resultWorker never returns an error. Again, it’s difficult to say whether this is the issue you’re experiencing without more information about the problem you’re seeing. Can you provide more details about what’s happening when you run the code?আমরা InstructGPT এর মতো একই পদ্ধতি ব্যবহার করে মানব ফিডব্যাক থেকে প্রাপ্ত রেইনফোর্সমেন্ট লার্নিং (RLHF) ব্যবহার করে এই মডেলটিকে প্রশিক্ষণ দিয়েছি, তবে ডেটা সংগ্রহের সেটআপে সামান্য পার্থক্য রয়েছে. আমরা তদারকি-অধীন সূক্ষতা-প্রদান ব্যবহার করে একটি প্রাথমিক মডেল ট্রেইন করেছি: মানব AI ট্রেইনাররা দুই পক্ষ যেমন—ব্যবহারকারী এবং AI সহকারীর কথোপকথন প্রদান করেছিলেন. ট্রেইনারদের উত্তর তৈরি করতে সুবিধা আমরা তাদেরকে মডেল-লিখিত সাজেশন ব্যবহার করার সুযোগ দিয়েছিলাম. আমরা এই নতুন কথোপকথনমূলক ডেটাসেটকে InstructGPT ডেটাসেটের সাথে সমন্বয় করেছি, যেটিকে আমরা কথোপকথনমূলক কাঠামোতে রূপান্তর করেছি.
মজবুতিকরণ শিক্ষণ-এর জন্য একটি রেওয়ার্ড মডেল তৈরি করতে, আমাদের তুলনামূলক ডেটা সংগ্রহ করার প্রয়োজন ছিল, যেখানে দুই বা ততোধিক মডেলের-প্রতিউত্তরকে মানের ভিত্তিতে র্যাংক করা হয়েছিল. এই ডেটা সংগ্রহ করতে, আমরা AI ট্রেইনারদের সাথে চ্যাটবটের হওয়া কথোপকথনগুলো নিয়েছিলাম. আমরা এলোমেলোভাবে মডেল-লিখিত একটি মেসেজ বেছে নিয়েছিলাম, কয়েকটি বিকল্প কমপ্লিশনস স্যাম্পল করেছিলাম, এবং AI ট্রেইনারদের দিয়ে সেগুলো র্যাঙ্ক করিয়েছিলাম. এই রেওয়ার্ড মডেলগুলি ব্যবহার করে, আমরা প্রক্সিমাল পলিসি অপ্টিমাইজেশন ব্যবহার করে মডেলটিকে ফাইন-টিউন করতে পারি. আমরা এই প্রক্রিয়াটি একাধিকবার সম্পন্ন করেছি.
ChatGPT হলো 2022 সালের শুরুতে সম্পন্ন প্রশিক্ষণ সম্পন্ন হওয়া GPT‑3.5 সিরিজের একটি মডেল থেকে ফাইন-টিউন করা. আপনি এখানে(একটি নতুন উইন্ডোতে খোলে) 3.5 সিরিজ সম্পর্কে আরও জানতে পারবেন. Azure AI সুপারকম্পিউটিং ইনফ্রাস্ট্রাকচারে ChatGPT এবং GPT‑3.5 — দুটোই ট্রেইন করা হয়েছে.
- ChatGPT কখনও কখনও যৌক্তিক মনে হলেও ভুল বা অর্থহীন উত্তর দিতে পারে. এই সমস্যাটি সমাধান করা চ্যালেঞ্জিং, যেমন: (1) RL প্রশিক্ষণের সময় বর্তমানে সত্যের কোনও উত্স নেই; (2) মডেলকে আরও সতর্ক হতে প্রশিক্ষণের ফলে এটি সঠিক উত্তর দিতে পারবে; এবং (3) সুপারভাইজ করা প্রশিক্ষণ মডেলটিকে বিভ্রান্ত করে কারণ মডেলটি তার জানা মতো(একটি নতুন উইন্ডোতে খোলে) প্রতিউত্তর দিয়ে থাকে, মানব প্রদর্শক কী জানেন তা বিবেচনা করে না.
- ChatGPT ইনপুটে স্বল্প পরিবর্তন বা একই নির্দেশ একাধিকবার দিলেও এর জবাব দেয়. উদাহরণস্বরূপ, কোনো প্রশ্ন একভাবে করা হলে মডেল জানাতে পারে সে উত্তর জানে না, কিন্তু সামান্য ভিন্নভাবে করলে সঠিক উত্তর দিতে পারে.
- মডেলটি প্রায়ই বেশি জবাব দেয় এবং কিছু বাক্য অতিরিক্ত ব্যবহার করে, যেমন বারবার বলা যে এটি OpenAI দ্বারা প্রশিক্ষিত একটি ভাষার মডেল. এই সমস্যাগুলো প্রশিক্ষণ ডেটার পক্ষপাতের কারণে (ট্রেইনাররা প্রায়ই বেশি বিস্তৃত দেখায় এমন দীর্ঘ উত্তর পছন্দ করেন) এবং পরিচিত ওভার-অপ্টিমাইজেশন সমস্যার ফলাফল.1, 2
- আদর্শগতভাবে, ব্যবহারকারী অস্পষ্ট প্রশ্ন করল মডেল ব্যাখ্যা চেয়ে প্রশ্ন করত. কিন্তু বর্তমানে সাধারণত মডেলগুলো অনুমান করে নেয় যে ব্যবহারকারী কী বোঝাতে চেয়েছে.
- যদিও আমরা অনুপযুক্ত অনুরোধ প্রত্যাখ্যান করার মডেলে কাজ করেছি, তবুও এটি মাঝে মাঝে ক্ষতিকর নির্দেশনার উত্তর দিতে পারে বা পক্ষপাতমূলক প্রতিক্রিয়া দিতে পারে. আমরা নির্দিষ্ট কিছু অনিরাপদ কন্টেন্টের বিষয়ে সতর্ক করতে বা ব্লক করতে মডারেশন API ব্যবহার করছি, তবে আমরা আশা করছি আপাতত এর কিছু মিথ্যা নেতিবাচক এবং ইতিবাচক দিক থাকবে. আমরা এই সিস্টেমের উন্নয়নে আমাদের চলমান কাজকে সহায়তা করতে ব্যবহারকারীর ফিডব্যাক সংগ্রহ করতে চাই.
আজকের ChatGPT‑এর গবেষণা রিলিজ হলো OpenAI-এর ইটারেটিভ ডিপ্লয়মেন্ট এর লেটেস্ট ভার্সন, যেখানে ধারাবাহিকভাবে নিরাপদ এবং কার্যকরী AI সিস্টেম চালু করা হচ্ছে. GPT‑3 এবং Codex-এর মতো আগের মডেলগুলোর প্রয়োগ থেকে প্রাপ্ত অনেক শিক্ষাই এই রিলিজের জন্য প্রযোজ্য নিরাপত্তা মিটিগেশনগুলোতে অন্তর্ভুক্ত হয়েছে, যার মধ্যে রয়েছে উল্লেখযোগ্যভাবে মানব ফিডব্যাক থেকে রিইনফোর্সমেন্ট লার্নিং (RLHF) ব্যবহার করে ক্ষতিকর এবং অসত্য আউটপুট হ্রাস করা.
আমরা জানি, যেমনটি উপরে বর্ণিত হয়েছে এখনও অনেক সীমাবদ্ধতা রয়ে গেছে এবং এসব ক্ষেত্রে উন্নয়নের জন্য আমরা নিয়মিত মডেল আপডেট করার পরিকল্পনা করছি. তবে আমরা আশা করি, ChatGPT‑এর একটি সহজলভ্য ইন্টারফেস প্রদান করে, আমরা অবগত নই এমন সমস্যাগুলোর ওপরও মূল্যবান ব্যবহারকারী ফিডব্যাক পাব.
UI থেকে প্রাপ্ত সমস্যাযুক্ত মডেল আউটপুট এবং বাইরের কনটেন্ট ফিল্টার যা ইন্টারফেসের অংশ থেকে পাওয়া মিথ্যা নেতিবাচক/ইতিবাচক সম্পর্কেও ফিডব্যাক দিতে ব্যবহারকারীকে উৎসাহিত করা হচ্ছে. আমরা বিশেষভাবে আগ্রহী বাস্তব জীবনে, অ-প্রতিকূল অবস্থায় ঘটতে পারে এমন ক্ষতিকর প্রতিউত্তরে ফিডব্যাক, এবং এমন ফিডব্যাকে যা আমাদের নতুন ঝুঁকি ও সম্ভাব্য প্রতিকার খুঁজে বের করতে ও বুঝতে সাহায্য করে. API ক্রেডিটে $500 পর্যন্ত জিতার সু যোগ পেতে আপনি ChatGPT ফিডব্যাক(একটি নতুন উইন্ডোতে খোলে) প্রতিযোগিতায় 3অংশ নিতে পারেন. A ChatGPT ইন্টারফেসে লিঙ্ক করা ফিডব্যাক ফর্মের মাধ্যমে উত্তর দেওয়া যাবে.
আমরা আগের ডিপ্লয়মেন্ট যেমন এই রিলিজকে সমৃদ্ধ করেছে, তেমনি এই রিলিজ থেকে শেখা অভিজ্ঞতাগুলো আরও সক্ষম সিস্টেমের ডিপ্লয়মেন্টে কাজে লাগাতে পারব .
ফুটনোটস
- A
ক্রয় করা প্রয়োজন নেই, যেখানে নিষিদ্ধ সেখানেই অকার্যকর. ব্যবহারের জন্য ন্যূনতম ১৮ বছর হতে হবে. কন্টেস্টের বিস্তারিত জানতে, অফিসিয়াল নিয়মাবলী(একটি নতুন উইন্ডোতে খোলে) দেখুন.
রেফারেন্স
- 1
স্টিয়েনন, নিসান, এট আল. "মানুষের ফিডব্যাক অনুযায়ী সারাংশ করতে শেখা(একটি নতুন উইন্ডোতে খোলে)." Advances in Neural Information Processing Systems 33 (2020): 3008-3021.
- 2
গাও, লিও, জন শুলম্যান, এবং জ্যাকব হিলটন. “রেওয়ার্ড মডেল ওভারঅপ্টিমাইজেশনের জন্য স্কেলিং আইন(একটি নতুন উইন্ডোতে খোলে).” arXiv প্রিপ্রিন্ট arXiv:2210.10760 (2022).
- 3
এই প্রতিযোগিতার অনুপ্রেরণা এসেছে কেনওয়ে, জোশ, ক্যামিল ফ্রাঙ্কোইস, সাশা কস্তানজা-চক, ইনিওলুওয়া ডেবোরাহ রাজি, এবং জয় বুওলামউইনি-এর কাজ থেকে. অ্যালগরিদমিক ক্ষতিতে বাগ বাউন্টি? অ্যালগরিদমিক ক্ষতি আবিষ্কার, প্রকাশ এবং প্রতিকার সম্পর্কে সাইবার নিরাপত্তা দুর্বলতা প্রকাশ থেকে শিক্ষা. ওয়াশিংটন, DC: অ্যালগরিদমিক জাস্টিস লীগ. জানুয়ারি 2022. এখানে https://ajl.org/bugs(একটি নতুন উইন্ডোতে খোলে) উপলব্ধ. ব্রুন্ডেজ, মাইলস, অ্যাভিন, শাহার, ওয়াং, জেসমিন, বেলফিল্ড, হায়ডন এবং গ্রেচেন ক্রুগার প্রমুখের কাজও দেখুন. “ট্রাস্টওয়ার্থি AI ডেভলপমেন্ট: Mechanisms for Supporting Verifiable Claims,” April 2020. এখানে {u>https://arxiv.org/abs/2004.07213<u}উপলব্ধ .(একটি নতুন উইন্ডোতে খোলে) পূর্ববর্তী এই ধরণের প্রতিযোগিতার উদাহরণ দেখুন HackerOne-এ. 2021b. “Twitter অ্যালগরিদম বায়াস.” HackerOne. https://hackerone.com/twitter-algorithmic-bias?type=team(একটি নতুন উইন্ডোতে খোলে). সবশেষে, এই বিষয়ে প্রাথমিক প্রকাশিত কাজ দেখুন Rubinovitz, JB, “Bias Bounty Programs as a Method of Combatting Bias in AI,” August 2018. এখানে {u>https://rubinovitz.com/2018/08/01/bias-bounty-programs-as-a-method-of-combatting<u}.(একটি নতুন উইন্ডোতে খোলে)
লেখক
প্রাপ্তী স্বীকার
John Schulman, Barret Zoph, Christina Kim, Jacob Hilton, Jacob Menick, Jiayi Weng, Juan Felipe Ceron Uribe, Liam Fedus, Luke Metz, Michael Pokorny, Rapha Gontijo Lopes, Shengjia Zhao, Arun Vijayvergiya, Eric Sigler, Adam Perelman, Chelsea Voss, Mike Heaton, Joel Parish, Dave Cummings, Rajeev Nayak, Valerie Balcom, David Schnurr, Tomer Kaftan, Chris Hallacy, Nicholas Turley, Noah Deutsch, Vik Goel, Jonathan Ward, Aris Konstantinidis, Wojciech Zaremba, Long Ouyang, Leonard Bogdonoff, Joshua Gross, David Medina, Sarah Yoo, Teddy Lee, Ryan Lowe, Dan Mossing, Joost Huizinga, Roger Jiang, Carroll Wainwright, Diogo Almeida, Steph Lin, Marvin Zhang, Kai Xiao, Katarina Slama, Steven Bills, Alex Gray, Jan Leike, Jakub Pachocki, Phil Tillet, Shantanu Jain, Greg Brockman, Nick Ryder, Alex Paino, Qiming Yuan, Clemens Winter, Ben Wang, Mo Bavarian, Igor Babuschkin, Szymon Sidor, Ingmar Kanitscheider, Mikhail Pavlov, Matthias Plappert, Nik Tezak, Heewoo Jun, William Zhuk, Vitchyr Pong, Lukasz Kaiser, Jerry Tworek, Andrew Carr, Lilian Weng, Sandhini Agarwal, Karl Cobbe, Vineet Kosaraju, Alethea Power, Stanislas Polu, Jesse Han, Raul Puri, Shawn Jain, Benjamin Chess, Christian Gibson, Oleg Boiko, Emy Parparita, Amin Tootoonchian, Kyle Kosic, Christopher Hesse
