Политика дељења и објављивања
Друштвене мреже, стримовање уживо и демонстрирања
Да бисмо ублажили могуће ризике од садржаја генерисаног вештачком интелигенцијом, утврдили смо следећа правила дозвољеног дељења.
Објављивање ваших инструкција или генерисаних одговора на друштвеним медијима генерално је дозвољено, као и стримовање уживо коришћења, односно демонстрирања наших производа групама људи. Поштујте следеће:
- Сваки генерисан одговор прегледајте ручно пре него га поделите или док стримујете.
- Припишите садржај свом имену или свом предузећу.
- Назначите да је садржај генерисала вештачка интелигенција тако да ниједан корисник не може разумно то да превиди или погрешно разуме.
- Не делите садржај који је у супротности с нашом Политиком за садржај или који може да увреди друге.
- Ако прихватате захтеве публике за инструкције, користите добро просуђивање; немојте уносити инструкције које би могле довести до кршења наших Политика за садржај.
Ако желите да обавестите тим привредног друштва OpenAI о неком конкретном генерисаном одговору, можете нам послати е-поруку или искористити алате за пријављивање унутар платформе Playground.
- Имајте на уму то да комуницирате директно са сировим моделом, што значи да не филтрирамо пристрасне или негативне одговоре. (Такође, овде можете прочитати више о примени наше бесплатне крајње тачке Moderation(отвара се у новом прозору).)
Садржај настао уз помоћ API-ја привредног друштва OpenAI
Аутори који желе да објаве свој изворни писани садржај (нпр. књига или збирка кратких прича) који је делом креиран помоћу API-ја привредног друштва OpenAI смеју то да ураде под следећим условима:
- Објављени садржај је приписан вашем имену или привредном друштву.
- Улога вештачке интелигенције у формулисању садржаја јасно је назначена тако да ниједан читалац то не може да превиди и тако да типичан читалац то може довољно јасно да разуме.
- Теме садржаја не крше Политику за садржај или Услове коришћења привредног друштва OpenAI, нпр. не односе се на садржај за одрасле, нежељени садржај, садржај пун мржње, садржај који подстиче насиље или друге употребе које могу проузроковати штету друштву.
- Суздржите се од дељења резултата који могу увредити друге.
Нпр. морате у предговору или уводу (или сличном месту) навести детаље о релативним улогама у изради нацрта, уређивању итд. Људи не би требало да садржај који је генерисао API представљају као да га је у целости генерисао човек или вештачка интелигенција – човек је тај који преузима крајњу одговорност за објављени садржај.
У наставку је дат пример уобичајене формулације коју можете користити да опишете свој креативни процес, под условом да је тачна:
Аутор је овај текст делимично генерисао користећи GPT-3, велики генеративни језички модел привредног друштва OpenAI. Након генерисања нацрта текста, аутор је прегледао, уредио и ревидирао текст по свом нахођењу и преузима крајњу одговорност за садржај ове публикације.
Истраживање
Сматрамо да је важно да шира публика буде у могућности да оцени наша истраживања и производе, нарочито како бисмо разумели и унапредили потенцијалне слабости и безбедност или проблеме са пристрасношћу у нашим моделима. Сходно томе, истраживачке публикације које се односе на API привредног друштва OpenAI су добродошле.
- У неким случајевима, можемо да истакнемо ваш рад интерно и/или екстерно.
- У неким другим, као што су публикације које се односе на безбедност или злоупотребу API-ја, можемо да предузмемо одговарајуће мере како бисмо заштитили наше кориснике.
- Ако током свог истраживања уочите неке сигурносне или безбедносне проблеме са API-јем, одмах нам то пријавите путем нашег Програма координисаног обелодањивања рањивости.
Програм приступа за истраживаче
Постоје бројни правци истраживања које желимо да испитамо са API-јем привредног друштва OpenAI. Ако сте заинтересовани за могућност субвенционисаног приступа, доставите нам детаље о свом истраживачком корисничком сценарију у пријави за Програм приступа за истраживаче.
Нарочито, сматрамо да су следећи правци посебно важни, иако сте слободни да сами дефинишете свој правац:
- Усклађеност: Како можемо разумети који циљ, ако уопште постоји, модел највише настоји да оствари? Како можемо боље да ускладимо тај циљ са људским жељама, нпр. кроз обликовање инструкција или фино подешавање?
- Правичност и заступљеност: Како треба утврдити критеријуме учинка у погледу правичности и заступљености у језичким моделима? Како се језички модели могу побољшати да би делотворно подржали циљеве правичности и заступљености у конкретним примењеним контекстима?
- Интердисциплинарно истраживање: Како развој вештачке интелигенције може користити увиде из других дисциплина, као што су филозофија, когнитивна наука и социолингвистика?
- Могућност тумачења и транспарентност: Како ови модели функционишу у механистичком смислу? Можемо ли да препознамо концепте које користе или да извучемо латентно знање из модела, изведемо закључке о поступку обуке или предвидимо неочекивано понашање убудуће?
- Могућност злоупотребе: Како се системи попут API-ја могу злоупотребити? Какве приступе „црвене команде” можемо развити да бисмо себи и другим пројектантима вештачке интелигенције помогли да размишљају о одговорном увођењу оваквих технологија?
- Истраживање модела: Модели попут оних којима се приступа преко API-ја имају различите способности које тек треба истражити. Радују нас истраживања у многим областима, као што су ограничења модела, лингвистичка својства, здраворазумско резоновање и потенцијалне примене за решавање других проблема.
- Робусност: Генеративни модели показују неуједначене способности, са областима у којима су изненађујуће јаки и областима у којима су изненађујуће слаби. Колико су велики генеративни модели отпорни на „природне” промене у инструкцији, као што су различити начини изражавања исте идеје или присуство или одсуство правописних грешака? Можемо ли предвидети у којим областима и задацима постоји већа вероватноћа да ће велики генеративни модели бити отпорни (или не) и у каквој је то вези са подацима који служе за обуку? Постоје ли технике које можемо користити да предвидимо и ублажимо најгори сценарио у понашању? Како се отпорност може мерити у контексту учења из малог броја уноса (нпр. преко варијација у инструкцијама)? Можемо ли обучити моделе тако да задовоље безбедносна својства уз веома висок ниво поузданости, чак и у случају непријатељских уноса?
Имајте на уму то да нам је због великог броја захтева потребно време да прегледамо ове пријаве и да неће сва истраживања бити приоритетно субвенционисана. Обратићемо вам се само ако ваша пријава буде изабрана за субвенционисање.