आम्ही ChatGPT नावाचा मॉडेल ट्रेन केला आहे जो संवादाच्या पद्धतीने संवाद साधतो. संवादाच्या फॉरमॅटमुळे ChatGPT ला पुढील प्रश्नांची उत्तरे द्यायला, स्वतःच्या चुका मान्य करायला, चुकीच्या गृहितकांना आव्हान द्यायला आणि अनुचित विनंत्या नाकारायला शक्य होते.
ChatGPT हा InstructGPT चा सिब्लिंग मॉडेल आहे, जो प्रॉम्प्टमधील सूचना पाळायला आणि तपशीलवार उत्तर द्यायला ट्रेन केला आहे.
आम्हाला ChatGPT सादर करताना आनंद होत आहे जेणेकरून वापरकर्त्यांचा अभिप्राय मिळू शकेल आणि त्याच्या ताकदी व कमतरता समजून घेता येतील. रिसर्च पूर्वावलोकन दरम्यान ChatGPT चा वापर मोफत आहे. आत्ताच chatgpt.com(नवीन विंडोमध्ये उघडेल) वर प्रयत्न करा.
सॅम्पल्स
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?आम्ही हा मॉडेल Reinforcement Learning from Human Feedback (RLHF) वापरून ट्रेन केला आहे, InstructGPT प्रमाणेच, पण डेटा कलेक्शन सेटअपमध्ये काही छोटे फरक ठेवून. आम्ही पर्यवेक्षित फाइन-ट्यूनिंग वापरून एक प्रारंभिक मॉडेल प्रशिक्षित केले: मानवी एआय प्रशिक्षकांनी संभाषणे दिली ज्यामध्ये त्यांनी वापरकर्ता आणि एआय सहाय्यक दोन्ही बाजूंनी भूमिका बजावली. ट्रेनर्सना मॉडेलनं लिहिलेल्या सजेशन्स दिल्या ज्यामुळे ते त्यांच्या उत्तरं तयार करू शकतील. आम्ही हा नवीन संवाद डेटासेट InstructGPT डेटासेटसोबत मिक्स केला आणि त्याला संवाद फॉरमॅटमध्ये बदललं.
मजबुतीकरण शिक्षणासाठी एक बक्षीस मॉडेल तयार करण्यासाठी, आम्हाला तुलनात्मक डेटा गोळा करावा लागला, ज्यामध्ये गुणवत्तेनुसार क्रमवारी लावलेल्या दोन किंवा अधिक मॉडेल प्रतिसादांचा समावेश होता. हा डेटा गोळा करण्यासाठी आम्ही AI ट्रेनर्सनी चॅटबॉटसोबत केलेले संवाद वापरले. आम्ही मॉडेलनं लिहिलेला मेसेज रँडमली निवडला, त्याचे काही अल्टरनेटिव्ह कंप्लिशन्स सॅम्पल केले, आणि AI ट्रेनर्सकडून त्यांना रँक करून घेतलं. या रिवॉर्ड मॉडेल्सचा वापर करून, आपण Proximal Policy Optimization वापरून मॉडेलला फाइन-ट्यून करू शकता. आम्ही या प्रक्रियेच्या अनेक iterations केल्या.
ChatGPT हा GPT‑3.5 सीरिजमधील मॉडेलवरून फाइन-ट्यून केला आहे, ज्याचे प्रशिक्षण 2022 च्या सुरुवातीला पूर्ण झाले. आपण ३.५ मालिकेबद्दल येथे(नवीन विंडोमध्ये उघडेल) अधिक जाणून घेऊ शकता. ChatGPT आणि GPT‑3.5 हे Azure AI सुपरकंप्यूटिंग इन्फ्रास्ट्रक्चरवर ट्रेन केले गेले.
- ChatGPT कधी कधी विश्वासार्ह वाटणारी पण चुकीची किंवा अर्थहीन उत्तरं लिहितो. या समस्येचे निराकरण करणे आव्हानात्मक आहे, कारण: (१) आरएल प्रशिक्षणादरम्यान, सध्या सत्याचा कोणताही स्रोत नाही; (२) मॉडेलला अधिक सावध राहण्याचे प्रशिक्षण दिल्याने ते योग्य उत्तरे देऊ शकतील अशा प्रश्नांना नकार देते; आणि (३) पर्यवेक्षित प्रशिक्षण मॉडेलची दिशाभूल करते कारण आदर्श उत्तर मानवी प्रात्यक्षिकाला काय माहित आहे यापेक्षा मॉडेलला काय माहित आहे यावर अवलंबून असते.(नवीन विंडोमध्ये उघडेल)
- ChatGPT इनपुटच्या वाक्यरचनेतील बदल किंवा तोच प्रॉम्प्ट अनेकदा वापरल्यास संवेदनशीलपणे वागतो. उदा., प्रश्न एका प्रकारे विचारल्यास मॉडेल उत्तर माहित नाही असे सांगतो, पण थोड्या वेगळ्या प्रकारे विचारल्यास योग्य उत्तर देतो.
- हा मॉडेल अनेकदा खूपच लांबलचक असतो आणि काही वाक्यांचा अतिरेक करतो, जसे की वारंवार सांगणे की तो OpenAI ने ट्रेन केलेला भाषा मॉडेल आहे. या समस्या प्रशिक्षण डेटामधील बायस (ट्रेनर्सना अधिक सविस्तर दिसणारी लांब उत्तरं आवडतात) आणि ओव्हर-ऑप्टिमायझेशनच्या ओळखीच्या समस्यांमुळे येतात.1 आणि 2
- आदर्शपणे, जेव्हा वापरकर्ता अस्पष्ट प्रश्न विचारतो तेव्हा मॉडेलने स्पष्टीकरणात्मक प्रश्न विचारायला हवेत. पण, आमची सध्याची मॉडेल्स सहसा वापरकर्त्याने काय विचारलं असेल ते अंदाजाने सांगतात.
- आम्ही मॉडेलला अनुचित विनंत्या नाकारायला शिकवलं आहे, पण कधी कधी ते हानिकारक सूचना मान्य करू शकतं किंवा पक्षपाती वर्तन दाखवू शकतं. आम्ही Moderation API वापरत आहोत जे काही प्रकारच्या असुरक्षित कंटेंटला इशारा देण्यासाठी किंवा ब्लॉक करण्यासाठी आहे, पण सध्या त्यात काही false negatives आणि positives राहतील अशी अपेक्षा आहे. ही सिस्टीम सुधारण्यासाठी आम्ही वापरकर्त्याचा अभिप्राय गोळा करण्यास उत्सुक आहोत.
आजचा ChatGPT चा रिसर्च रिलीज OpenAI च्या iterative deployment चा नवीनतम टप्पा आहे, ज्याद्वारे AI सिस्टीम अधिक सुरक्षित आणि उपयुक्त होत आहेत. GPT‑3 आणि कोडेक्स सारख्या पूर्वीच्या मॉडेल्सच्या तैनातीतून मिळालेल्या अनेक धड्यांमुळे या प्रकाशनासाठी असलेल्या सुरक्षितता कमी करण्याच्या उपाययोजनांची माहिती मिळाली आहे, ज्यामध्ये मानवी अभिप्रायातून रीइन्फोर्समेंट लर्निंग (RLHF) वापरून मिळवलेल्या हानिकारक आणि खोट्या आउटपुटमध्ये लक्षणीय घट समाविष्ट आहे.
वर चर्चा केल्याप्रमाणे अजूनही अनेक मर्यादा शिल्लक आहेत हे आम्हाला माहीत आहे आणि आम्ही अशा क्षेत्रांत सुधारणा करण्यासाठी मॉडेलचे नियमित अपडेट्स करण्याची योजना आखत आहोत. पण आम्हाला ही आशा आहे की ChatGPT चं सोपं इंटरफेस उपलब्ध करून दिल्याने आम्हाला अशा समस्यांवर मौल्यवान फीडबॅक मिळेल ज्या आम्हाला अजून माहित नाहीत.
युजर्सना UI द्वारे प्रॉब्लेमॅटिक मॉडेल आउटपुट्सवर फीडबॅक द्यायला प्रोत्साहन दिलं जातं, तसेच एक्स्टर्नल कंटेंट फिल्टरमधून येणाऱ्या false positives/negatives वरही, जे इंटरफेसचा भाग आहे. आम्हाला विशेषतः अशा फीडबॅकमध्ये रस आहे जे प्रत्यक्ष जगातील, गैर-विरोधात्मक परिस्थितींमध्ये होऊ शकणाऱ्या हानिकारक परिणामांबद्दल असेल, तसेच असे फीडबॅक जे नवीन धोके आणि त्यावर उपाय शोधण्यात मदत करेल. API क्रेडिटमध्ये $500 पर्यंत जिंकण्याच्या संधी साठी आपण ChatGPT(नवीन विंडोमध्ये उघडेल)अभिप्राय स्पर्धा 3 मध्ये प्रवेश करणे निवडू शकता. [[एफएन: ए]] ChatGPT इंटरफेसमध्ये लिंक केलेल्या फीडबॅक फॉर्मद्वारे नोंदी सबमिट केल्या जाऊ शकतात.
आम्ही या रिलीजमधून शिकलेल्या धड्यांचा वापर करून आणखी सक्षम सिस्टीम्सच्या deployment मध्ये ते लागू करण्यासाठी उत्सुक आहोत, अगदी याआधीच्या deployments प्रमाणे ज्यांनी या रिलीजला दिशा दिली.
फूटनोट्स
- A
खरेदी आवश्यक नाही, जिथे बंदी आहे तिथे अमान्य. प्रवेशासाठी वय किमान १८ वर्ष असावे. स्पर्धेच्या तपशीलांसाठी, अधिकृत नियम(नवीन विंडोमध्ये उघडेल) पहा.
संदर्भ
- 1
स्टिनॉन, निसान, इत्यादी. “मानवी अभिप्रायासह सारांश शिकणे(नवीन विंडोमध्ये उघडेल).” न्यूरल इन्फॉर्मेशन प्रोसेसिंग सिस्टीम्समधील प्रगती 33 (2020): 3008-3021.
- 2
गाओ, लिओ, जॉन शुलमन आणि जेकब हिल्टन. “<a href=\"\">स्केलिंग लॉज फॉर रिवॉर्ड मॉडेल(नवीन विंडोमध्ये उघडेल) ओव्हरऑप्टिमायझेशन.” arXiv preprint arXiv:2210.10760 (2022).
- 3
या स्पर्धेसाठी प्रेरणा काही प्रमाणात केनवे, जोश, कॅमिली फ्रँकोइस, साशा कोस्टान्झा-चॉक, इनिओलुवा डेबोरा राजी आणि जॉय बुओलामविनी यांच्या कामातून मिळाली आहे. अल्गोरिदमिक हानीसाठी बग बाउंटीज? अल्गोरिदमिक हानी शोध, प्रकटीकरण आणि निवारणासाठी सायबरसुरक्षा असुरक्षितता प्रकटीकरणाचे धडे. वॉशिंग्टन, डीसी: अल्गोरिदमिक जस्टिस लीग। जानेवारी 2022. https://ajl.org/bugs(नवीन विंडोमध्ये उघडेल) येथे उपलब्ध आहे. . ब्रुंडेज, माईल्स, एव्हिन, शाहर, वांग, जॅस्मिन, बेलफील्ड, हेडन आणि ग्रेचेन क्रुगर इत्यादींचे कार्य देखील पहा. "विश्वासार्ह एआय विकासाच्या दिशेने: सत्यापित दाव्यांचे समर्थन करण्यासाठी यंत्रणा," एप्रिल 2020. https://arxiv.org/abs/2004.07213(नवीन विंडोमध्ये उघडेल) वर उपलब्ध. अशा स्पर्धेचं आधीचं उदाहरण HackerOne वर पहा. 2021b. "Twitter अल्गोरिदमिक पूर्वग्रह." HackerOne. https://hackerone.com/twitter-algorithmic-bias?type=team(नवीन विंडोमध्ये उघडेल) येथे उपलब्ध. शेवटी, या विषयावरील लवकर प्रकाशित झालेले काम पहा Rubinovitz, JB, “Bias Bounty Programs as a Method of Combatting Bias in AI,” August 2018. https://rubinovitz.com/2018/08/01/bias-bounty-programs-as-a-method-of-combatting(नवीन विंडोमध्ये उघडेल) येथे उपलब्ध आहे.
लेखक
पावती
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 आणि Christopher Hesse
