അത്യാധുനിക LLM-കളിലെ നിർദ്ദേശ ശ്രേണി മെച്ചപ്പെടുത്തൽ
IH-Challenge അവതരിപ്പിക്കുന്നു, ഇൻസ്ട്രക്ഷൻ ഹിയറാർക്കി, സുരക്ഷാ സ്റ്റിയറബിലിറ്റി, പ്രോംപ്റ്റ് ഇൻജക്ഷൻ പ്രതിരോധശേഷി എന്നിവ ശക്തിപ്പെടുത്തുന്ന ഒരു പരിശീലന ഡാറ്റാസെറ്റ്.
AI സിസ്റ്റങ്ങൾ പലപ്പോഴും ഒന്നിലധികം ഉറവിടങ്ങളിൽ നിന്ന് നിർദ്ദേശങ്ങൾ സ്വീകരിക്കുന്നു. ഇവയിൽ സിസ്റ്റം സന്ദേശങ്ങളിൽ നിന്നുള്ള സുരക്ഷാ നയങ്ങൾ, ഡെവലപ്പർമാരിൽ നിന്നുള്ള ഉൽപ്പന്ന മാർഗ്ഗനിർദ്ദേശങ്ങൾ, ഉപയോക്താക്കളിൽ നിന്നുള്ള അഭ്യർത്ഥനകൾ, ഓൺലൈനിൽ കണ്ടെത്തിയ വിവരങ്ങൾ എന്നിവ ഉൾപ്പെടാം. ഈ ഉറവിടങ്ങളിൽ നിന്ന് ഏറ്റവും വിശ്വസനീയമായ നിർദ്ദേശങ്ങൾക്ക് വിശ്വസനീയമായി മുൻഗണന നൽകാൻ മോഡലുകളെ പരിശീലിപ്പിക്കുന്നത് സുരക്ഷിതമായ വിന്യാസത്തിന്റെ ഒരു പ്രധാന ഭാഗമാണ്.
ഈ മുൻഗണന തകരുമ്പോൾ നിരവധി AI സുരക്ഷാ, വിശ്വസനീയത പ്രശ്നങ്ങൾ ഉയർന്നുവരാം. മോഡലുകൾക്ക് അനുവദനീയമല്ലാത്ത ഉള്ളടക്കത്തിനായുള്ള അഭ്യർത്ഥനകൾ, സ്വകാര്യ വിവരങ്ങൾ വെളിപ്പെടുത്താനുള്ള ശ്രമങ്ങൾ, അല്ലെങ്കിൽ ഓൺലൈൻ ഡാറ്റയിൽ ഉൾക്കൊള്ളിച്ച പ്രോംപ്റ്റ്‑ഇഞ്ചക്ഷൻ ആക്രമണങ്ങൾ ലഭിച്ചേക്കാം. ഈ ഓരോ സാഹചര്യങ്ങളിലും യോജിച്ച രീതിയിൽ പെരുമാറുന്നതിൽ പരാജയപ്പെടുന്നതിന് ഒരേ മൂല കാരണം പങ്കിടുന്നു: മോഡൽ തെറ്റായ നിർദ്ദേശം പിന്തുടരാൻ സാധ്യതയുണ്ട്.
ഈ നിർദ്ദേശങ്ങൾ തമ്മിൽ വൈരുദ്ധ്യമുണ്ടെങ്കിൽ, അവയില് ഏതിന് മുൻഗണന നൽകണമെന്ന് മോഡൽ തീരുമാനിക്കണം. അവിശ്വസനീയമായ ഒരു നിർദ്ദേശത്തെ അത് അധികാരപരമായതായി കണക്കാക്കുകയാണെങ്കിൽ, മോഡൽ നയങ്ങളെയോ ഡെവലപ്പറുടെയും ഉപയോക്താവിന്റെയും ഉദ്ദേശ്യങ്ങളെയോ ലംഘിക്കുന്ന രീതിയിൽ പെരുമാറാൻ സാധ്യതയുണ്ട്.
വിശ്വാസ്യതയുടെ നില അനുസരിച്ച് നിർദ്ദേശങ്ങൾക്ക് മുൻഗണന നൽകാൻ മോഡലുകളെ പരിശീലിപ്പിക്കുന്ന, ശരിയായി രൂപകൽപ്പന ചെയ്ത ഇൻസ്ട്രക്ഷൻ-ഹിയറാർക്കി ടാസ്കുകൾ, യഥാർത്ഥ ലോകത്തിലെ നിരവധി സുരക്ഷാ ഗുണഗണങ്ങൾ മെച്ചപ്പെടുത്തുന്നു എന്ന് ഞങ്ങൾ തെളിയിക്കുന്നു. ഈ ടാസ്കുകളിൽ പരിശീലിപ്പിച്ച മോഡലുകൾ സിസ്റ്റം പ്രോംപ്റ്റുകളിലെ സുരക്ഷാ നിർദ്ദേശങ്ങളോട് കൂടുതൽ പ്രതികരണക്ഷമമാകുന്നു (സുരക്ഷാ സ്റ്റിയറബിലിറ്റി മെച്ചപ്പെടുത്തുന്നു) കൂടാതെ ടൂൾ ഔട്ട്പുട്ടുകളിൽ ഉൾച്ചേർത്തിരിക്കുന്ന പ്രോംപ്റ്റ് ഇൻജക്ഷൻ ആക്രമണങ്ങളോട് കൂടുതൽ കരുത്തുറ്റതാകുന്നു.
സംഘർഷങ്ങൾ കൈകാര്യം ചെയ്യാൻ, OpenAI-യുടെ മോഡലുകൾ വ്യക്തമായ ഒരു നിർദ്ദേശ ക്രമം പിന്തുടരാൻ പരിശീലിപ്പിച്ചിരിക്കുന്നു:
സിസ്റ്റം > ഡെവലപ്പർ > ഉപയോക്താവ് > ടൂൾ
ഉയർന്ന മുൻഗണനയുള്ള നിർദ്ദേശങ്ങൾ കൂടുതൽ വിശ്വസനീയമാണ്. മോഡൽ ഉയർന്ന‑മുൻഗണനാ നിയന്ത്രണങ്ങളുമായി സംഘർഷിക്കാത്തപ്പോൾ മാത്രമേ താഴ്ന്ന‑മുൻഗണനാ നിർദ്ദേശങ്ങൾ പിന്തുടരൂ. ഈ തത്വങ്ങൾ OpenAI മോഡൽ സ്പെക്(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു)-ൽ വിശദീകരിച്ചിരിക്കുന്നു.
ഉദാഹരണത്തിന്, ഒരു സിസ്റ്റം സന്ദേശത്തിൽ ഒരു സുരക്ഷാ നയം ഉൾപ്പെട്ടിരിക്കുകയാണെങ്കിൽ, അത് ലംഘിക്കാൻ ഉപയോക്താവ് മോഡലിനോട് ആവശ്യപ്പെടുമ്പോൾ, മോഡൽ നിരസിക്കണം. ഒരു ടൂൾ ഔട്ട്പുട്ടിൽ ദുഷ്ട നിർദ്ദേശങ്ങൾ അടങ്ങിയിട്ടുണ്ടെങ്കിൽ, മോഡൽ അവയെ കമാൻഡുകളായി പരിഗണിക്കുന്നതിന് പകരം അവഗണിക്കണം.
ഇത് ശരിയാക്കുന്നത് സുരക്ഷ, സെക്യൂരിറ്റി, വിശ്വസനീയത എന്നിവയ്ക്ക് അടിസ്ഥാനമാണ്.
രണ്ട് നിർദ്ദേശങ്ങൾ തമ്മിൽ പൊരുത്തക്കേട് ഉണ്ടാകുമ്പോള്, വലതുവശത്തുള്ള മോഡൽ ഉപയോക്താവിന്റെ നിർദ്ദേശത്തേക്കാൾ ഉയർന്ന മുൻഗണനയുള്ള ഡെവലപ്പറുടെ നിർദ്ദേശം ശരിയായി പിന്തുടരുന്നു.
ഇൻസ്ട്രക്ഷൻ ഹിയറാർക്കി പഠിപ്പിക്കാൻ റീഇൻഫോഴ്സ്മെന്റ് ലേണിംഗ് സ്വാഭാവികമായി അനുയോജ്യമാണ്. വൈരുദ്ധ്യമുള്ള നിർദ്ദേശങ്ങളോടുകൂടിയ സംഭാഷണങ്ങൾ സൃഷ്ടിക്കാം, മോഡലിനെ പ്രതികരിക്കാൻ പ്രോംപ്റ്റ് ചെയ്യാം, ശരിയായ നിർദ്ദേശം പിന്തുടരുമ്പോൾ അതിന് പ്രതിഫലം നൽകാം.
ആ രീതി നിഷ്കളങ്കമായി പ്രയോഗിക്കുന്നതിലെ മൂന്ന് പിഴവുകൾ ഞങ്ങൾ തിരിച്ചറിഞ്ഞിട്ടുണ്ട്:
- നിർദ്ദേശങ്ങൾ പിന്തുടരുന്നതിലെ പരാജയങ്ങൾ നിർദ്ദേശ ക്രമത്തിലെ പരാജയങ്ങളായും ഇരട്ടപ്പങ്ക് വഹിക്കാം: മോഡൽ ഒരു നിർദ്ദേശ സംഘർഷം പരിഹരിക്കാൻ പരാജയപ്പെടാം, അത് റോളുകളുടെ ക്രമക്രമം മനസ്സിലാകാത്തതിനാൽ അല്ല, മറിച്ച് നിർദ്ദേശങ്ങൾ തന്നെയാണ് അത്യന്തം സങ്കീർണ്ണമായതിനാൽ.
- നിർദ്ദേശങ്ങളിലെ സംഘർഷങ്ങൾ സൂക്ഷ്മതകളുള്ളതും ചിലപ്പോൾ വ്യക്തിപരവുമായിരിക്കാം. പരിശീലിപ്പിക്കപ്പെടുന്ന LLM-ന് പ്രതിഫലങ്ങൾ നിശ്ചയിക്കാൻ ഒരു വേറിട്ട LLM ജഡ്ജിയെ നിയോഗിക്കുന്നതാണ് ഒരു സാധാരണ സമീപനം, പക്ഷേ ജഡ്ജിമാർ തന്നെയും പിഴവുകൾക്ക് വിധേയരാണ്.
- മോഡലുകൾ ഉയർന്ന പ്രതിഫലം ലഭിക്കുന്നതിലേക്ക് നയിക്കുന്ന, പക്ഷേ പ്രായോഗികമായി പ്രയോജനമില്ലാത്ത ഷോർട്ട്കട്ടുകൾ(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) പഠിക്കാൻ പ്രവണത കാണിക്കുന്നു. ക്ലാസിക് ഉദാഹരണം അമിത നിരസിക്കലുകളാണ്: മോഡലുകൾ സുരക്ഷ പരമാവധി വർധിപ്പിക്കാൻ, നിർദോഷമായ അഭ്യർത്ഥനകൾ പോലും നിരസിക്കാൻ പഠിക്കാം.
ആ പിഴവുകളിൽ ഓരോന്നിനെയും അഭിസംബോധന ചെയ്യുന്നതിനായി, റീഇൻഫോഴ്സ്മെന്റ് ലേണിംഗ് പരിശീലന ഡാറ്റാസെറ്റായ IH-Challenge ഞങ്ങൾ രൂപകൽപ്പന ചെയ്യുന്നു. ഞങ്ങൾ താഴെപ്പറയുന്ന തത്വങ്ങൾ പാലിക്കുന്നു:
- ടാസ്കുകൾ നിർദ്ദേശം പിന്തുടരൽ-ലളിതം ആണ്
- അവയെ ഒരു ലളിതമായ Python സ്ക്രിപ്റ്റ് ഉപയോഗിച്ച് വസ്തുനിഷ്ഠമായി ഗ്രേഡ് ചെയ്യാനാകും
- ടാസ്കുകളിലുടനീളം ഉയർന്ന റിവാർഡ് ഉറപ്പാക്കു`ന്ന നിസ്സാരമായ ഷോർട്ട്കട്ടുകൾ ഒന്നുമില്ല
IH-Challenge-ലെ ഓരോ ടാസ്കും അടിസ്ഥാനപരമായി താഴെപ്പറയുന്ന സന്ദേശങ്ങളടങ്ങിയ ഒരു സംഭാഷണമാണ്:
- ഉയർന്ന-പ്രിവിലേജ് റോളിൽ നിന്നുള്ള ഒരു നിർദ്ദേശ സന്ദേശം, ഉദാ. “‘അതെ’ അല്ലെങ്കിൽ ‘അല്ല/ ഇല്ല’ എന്ന് മാത്രം ഉത്തരം നൽകുക”.
- കുറഞ്ഞ-പ്രിവിലേജ് റോളിൽ നിന്നുള്ള ഒരു നിർദ്ദേശ സന്ദേശം, ഉയർന്ന-പ്രിവിലേജ് സന്ദേശത്തിലെ നിർദ്ദേശങ്ങൾ ലംഘിക്കാൻ മോഡലിനെ പ്രേരിപ്പിക്കാൻ ശ്രമിക്കുന്നത്.
ട്രെയിൻ ചെയ്യപ്പെടുന്ന മോഡൽ അടുത്ത സന്ദേശം സൃഷ്ടിക്കുന്നു. മോഡലിന്റെ പ്രതികരണം ഉയർന്ന-തല നിയന്ത്രണം പാലിക്കുന്നുണ്ടോ എന്ന് പ്രോഗ്രാമാറ്റിക്കായി പരിശോധിക്കാൻ സാധ്യമാകുന്ന വിധത്തിൽ ഞങ്ങൾ tasks/environments എഴുതുന്നു.
IH‑Challenge-ൽ ഞങ്ങൾ ഒരു മോഡൽ പരിശീലിപ്പിച്ച്, GPT‑5 Mini-R എന്ന് വിളിക്കുന്ന ഒരു ആന്തരിക മോഡൽ നിർമ്മിക്കുന്നു, താഴെപ്പറയുന്ന മെച്ചപ്പെടുത്തലുകളോടെ:
- ഇൻസ്ട്രക്ഷൻ-ഹിയറാർക്കി ബെഞ്ച്മാർക്കുകളിൽ മികച്ച പ്രകടനം കാഴ്ചവയ്ക്കുന്നു
- മെച്ചപ്പെട്ട പ്രകടനം held‑out, എഡ്വേഴ്സറിയൽ ഇൻസ്ട്രക്ഷൻ ഹിയറാർക്കി ടെസ്റ്റുകളിലേക്ക് പൊതുവീകരിക്കുന്നു
- അമിത നിരസനത്തിലേക്ക് തകർന്നുവീഴാതെ, മൊത്തത്തിലുള്ള പ്രയോജനക്ഷമത നിലനിർത്തുന്നു
സുരക്ഷയ്ക്കായി ഈ സമീപനം പ്രത്യേകിച്ച് ആകർഷകമാക്കുന്നത് ഇതാണ്: IH-challenge ടാസ്കുകളിൽ നിർദ്ദേശ സംഘർഷങ്ങൾ ശരിയായി പരിഹരിക്കാൻ മോഡലുകളെ നേരിട്ട് പരിശീലിപ്പിക്കുന്നതിലൂടെ, പുതിയ ആക്രമണങ്ങളിലേക്കും പുതിയ സാഹചര്യങ്ങളിലേക്കും പൊതുവായി ബാധകമാകുന്ന IH മെച്ചപ്പെടുത്തലുകൾ ലഭിക്കുന്നു.
അക്കാദമിക് ബെഞ്ച്മാർക്കുകളിലെ റോബസ്റ്റ്നസ്
എവാല്യൂവേഷൻ | GPT‑5‑Mini | GPT‑5 മിനി-R |
Gandalf പാസ്വേഡ് (sys-user) | 0.99 | 0.99 (+0) |
Gandalf പാസ്വേഡ് (dev-user) | 0.98 | 1.00 (+0.02) |
TensorTrust (sys-user) | 0.86 | 0.94 (+0.08) |
TensorTrust (ഡെവ്-യൂസർ) | 0.76 | 0.91 (+0.15) |
RealGuardrails (ശ്രദ്ധതിരിപ്പിക്കുന്നവ) | 0.88 | 0.95 (+0.07) |
RealGuardrails (കൈയെഴുത്ത്) | 0.82 | 0.89 (+0.07) |
സിസ്റ്റം IFEval | 0.92 | 0.96 (+0.04) |
ആന്തരിക ബെഞ്ച്മാർക്കുകളിലെ ദൃഢത
എവാല്യൂവേഷൻ | GPT‑5‑Mini | GPT‑5 മിനി-R |
TutorJailbreak (sys-user) | 0.96 | 0.99 (+0.03) |
ട്യൂട്ടർ ജെയിൽബ്രേക്ക് (ഡെവ്-ഉസർ) | 0.97 | 0.99 (+0.02) |
സിസ്റ്റം <> ഉപയോക്താവ് വൈരുദ്ധ്യം | 0.84 | 0.95 (+0.11) |
സിസ്റ്റം <> ഡെവലപ്പർ തർക്കം | 0.86 | 0.86 (+0) |
ഡെവലപ്പർ <> ഉപയോക്താവ് തർക്കം | 0.83 | 0.95 (+0.12) |
സാധ്യത റിഗ്രഷനുകൾ ഇല്ല
എവാല്യൂവേഷൻ | GPT‑5‑Mini | GPT‑5 മിനി-R |
IH-Challenge (overrefusal) | 0.79 | 1.00 (+0.21) |
TensorTrust (overrefusal) | 0.91 | 0.90 (-0.01) |
GPQA Diamond | 0.83 | 0.83 (+0) |
AIME 2024 | 0.93 | 0.94 (+0.01) |
ചാറ്റ് വിജയനിരക്ക് vs. o1 | 0.71 | 0.66 (-0.05) |
മുൻഗണന സ്കോർ | 0.46 | 0.40 (-0.06) |
കൂടുതൽ ശക്തമായ നിർദ്ദേശ ഹിയറാർക്കി സുരക്ഷാ സ്റ്റിയറബിലിറ്റിയിലും പ്രോംപ്റ്റ് ഇൻജക്ഷൻ കരുത്തിലും ഉൾപ്പെടെ, ഒരേസമയം നിരവധി സുരക്ഷാ ഗുണങ്ങൾ നൽകുന്നു.
സിസ്റ്റം പ്രോംപ്റ്റിലേക്ക് നിർദ്ദിഷ്ടവിഭാഗങ്ങള് സുരക്ഷാ നിർദ്ദേശങ്ങൾ ചേർക്കുകയും OpenAI-യുടെ സുരക്ഷാ Production Benchmarks-ൽ (പ്രൊഡക്ഷനിൽ ChatGPT‑യെ പ്രതിനിധീകരിക്കുന്ന സുരക്ഷാ-സെൻസിറ്റീവ് സംഭാഷണങ്ങളുടെ ഒരു സെറ്റ്) പെരുമാറ്റം അളക്കുകയും ചെയ്ത് ഞങ്ങൾ സുരക്ഷാ സ്റ്റിയറബിലിറ്റി വിലയിരുത്തുന്നു.
IH-പരിശീലനം ലഭിച്ച മോഡൽ സ്ഥിരമായ മെച്ചപ്പെടുത്തൽ കാണിക്കുന്നു: safety spec നിലവിലുണ്ടെങ്കിൽ, നിരോധിത വിഭാഗങ്ങളിലുടനീളം അത് ഉയർന്ന നിരസിക്കൽ നിരക്കുകളും സുരക്ഷിത പൂർത്തീകരണ നിരക്കുകളും കൈവരിക്കുന്നു, സുരക്ഷിതമല്ലാത്ത അഭ്യർത്ഥനകൾ താഴ്ന്ന-പ്രാധാന്യമുള്ള നിർദ്ദേശങ്ങളിൽ നിന്ന് വരുമ്പോൾ സംഘർഷങ്ങൾ പരിഹരിക്കുന്നതിൽ കൂടുതൽ ശക്തമായ ഇൻസ്ട്രക്ഷൻ ഹിയറാർക്കി സ്വഭാവം അതിനെ കൂടുതൽ മികച്ചതാക്കുന്നു എന്ന് ഇത് സൂചിപ്പിക്കുന്നു. പ്രധാനമായി, ഈ മെച്ചപ്പെടുത്തലിനൊപ്പം സഹായസന്നദ്ധതയുടെ നിരക്കിൽ അനുബന്ധമായ കുറവ് ഉണ്ടാകുന്നില്ല (i.e., മൊത്തത്തിൽ കൂടുതൽ നിരസിക്കുന്നതിലൂടെ മാത്രം ഇത് കുറച്ച് “സഹായക”മാകുന്നില്ല).
IH-ട്രെയിൻ ചെയ്ത മോഡൽ GPT‑5 Mini (Baseline) വീണുപോകുന്ന പ്രോംപ്റ്റ് ഇൻജക്ഷനുകളെ എങ്ങനെ പ്രതിരോധിക്കുന്നു എന്നതിന് ഒരു ഉദാഹരണം.
ടൂൾ ഔട്ട്പുട്ടുകളിൽ ക്ഷുദ്ര നിർദ്ദേശങ്ങൾ ഉൾക്കൊള്ളിക്കുമ്പോൾ, പ്രോംപ്റ്റ് ഇൻജക്ഷനെ പ്രതിരോധിക്കുന്നതിൽ ഇൻസ്ട്രക്ഷൻ ഹിയറാർക്കി കേന്ദ്രസ്ഥാനത്താണ്. IH-പരിശീലനം നേടിയ മോഡൽ ഞങ്ങൾ രണ്ട് പ്രോംപ്റ്റ് ഇൻജക്ഷൻ ബെഞ്ച്മാർക്കുകളിൽ വിലയിരുത്തുന്നു—ഒരു അക്കാദമിക് ബെഞ്ച്മാർക്ക് CyberSecEval 2-ഉം, ChatGPT Atlas-ന്റെ പഴയ പതിപ്പിൽ പ്രദർശിപ്പിച്ചതുപോലുള്ള ആക്രമണങ്ങൾ ഉൾക്കൊള്ളുന്ന ഒരു OpenAI ആന്തരിക പ്രോംപ്റ്റ് ഇൻജക്ഷൻ ബെഞ്ച്മാർക്കും.
ബേസ്ലൈനിനെ അപേക്ഷിച്ച്, IH-trained GPT‑5 Mini-R മോഡൽ ഇരുപ്രമാണങ്ങളിലും പ്രോംപ്റ്റ് ഇൻജക്ഷൻ പ്രതിരോധശേഷി മെച്ചപ്പെടുത്തുകയും, ഈ പരീക്ഷണങ്ങളിൽ ഞങ്ങളുടെ ആഭ്യന്തര സ്റ്റാറ്റിക് പ്രോംപ്റ്റ് ഇൻജക്ഷൻ മൂല്യനിർണ്ണയത്തിൽ പ്രകടനം ഗണ്യമായി മെച്ചപ്പെടുത്തുകയും ചെയ്യുന്നു.
മോഡലുകൾ കൂടുതൽ ഏജൻ്റിക് ആകുമ്പോൾ—ഉപകരണങ്ങൾ വിളിക്കുക, വിശ്വസനീയമല്ലാത്ത ഡോക്യുമെൻ്റുകൾ വായിക്കുക, ലോകത്ത് നടപടികൾ സ്വീകരിക്കുക—വിശ്വസനീയമല്ലാത്ത നിർദ്ദേശങ്ങളെക്കാൾ വിശ്വസനീയമായ നിർദ്ദേശങ്ങൾക്ക് സ്ഥിരമായി മുൻഗണന നൽകാനുള്ള കഴിവ് ഒരു മുഖ്യ സുരക്ഷാ ഗുണമായി മാറുന്നു.
ഈ കൃതിയിൽ, IH റോബസ്റ്റ്നസ് പരിശീലനത്തിലെ നിരവധി പിഴവുകൾ അവയെ പരിഹരിക്കുന്ന പരിശീലന പരിസ്ഥിതികൾ രൂപകൽപ്പന ചെയ്യുന്നതിലൂടെ മറികടക്കാനാകുമെന്ന് കാണിക്കുന്നു. ഞങ്ങളുടെ IH-Challenge ഡാറ്റാസെറ്റ് ലളിതമായി തോന്നുന്നുവെങ്കിലും, ഈ പരിതസ്ഥിതികളിൽ നിന്ന് IH പെരുമാറ്റ മോഡലുകൾ പഠിക്കുന്നതു കൂടുതൽ യാഥാർത്ഥ്യപരമായ, പലപ്പോഴും വസ്തുനിഷ്ഠമായി ഗ്രേഡ് ചെയ്യാനാകാത്ത ബെഞ്ച്മാർക്കുകളിലേക്കും പൊതുവീകരിക്കുന്നു.
നിർദ്ദേശങ്ങളുടെ ശ്രേണിക്രമം ശക്തിപ്പെടുത്തുന്നത് വിശ്വസനീയത മെച്ചപ്പെടുത്തുന്നതിന് പുറമേ, ഒരേസമയം നിരവധി സുരക്ഷാ നേട്ടങ്ങൾ തുറന്നുകാട്ടുകയും ചെയ്യുന്നു. AI സിസ്റ്റങ്ങൾ കൂടുതൽ കഴിവും സ്വയംഭരണവും നേടുമ്പോൾ ഇത് കൂടുതൽ പ്രാധാന്യമാകുന്നു.
ഈ മേഖലയിലെ തുടർ ഗവേഷണത്തെ പിന്തുണയ്ക്കുന്നതിനായി, ഞങ്ങൾ IH‑Challenge ഡാറ്റാസെറ്റ് ഇവിടെ(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) പുറത്തിറക്കുന്നു.
