Трансформеры с калькулятором

Помните, мы как-то обсуждали, что с точки зрения языковых моделей калькулятор сложнее Интернета?

Вот нашла статью, авторы которой собрали целый набор данных, чтобы учить языковые модели пользоваться калькулятором — “Calc-X and Calcformers: Empowering Arithmetical Chain-of-Thought through Interaction with Symbolic Systems”.

Логика у них похожая на ту, что мы видели в статье про Toolformer, где модели обучали пользоваться любыми инструментами в целом (авторы её как раз и цитируют, кстати): на вход даётся задача и её подробное решение, в котором специальными тегами

“<gadget id="calculator">…</gadget>” 

помечено, в какой момент вызывать инструмент “калькулятор”.

Чтобы получить достаточно большой набор данных, взяли другие существующие наборы с арифметическими задачами и подставили в них теги. Задачи в наборах описаны структурированно, так что можно было с помощью поиска строк, похожих на арифметические примеры, всё сделать. Не вручную.

В итоге получилось 300 000 примеров для обучения, и не все, разумеется, можно было проверить на корректность. Однако тесты с несколькими разными моделями показали, что точность решения арифметических задач выросла.

☕️Статья небольшая, но, во-первых, очень прикладная и полезная, а во-вторых, помогает на примере понять, как языковые модели обучаются. Один такой пример порой полезнее десятка страниц пространных рассуждений

Балансируем полезность и безопасность языковых моделей

Продолжаем обсуждать безопасность, полезность и подконтрольность языковых моделей. Сегодня расскажу вам про статью “Towards Safety and Helpfulness Balanced Responses via Controllable Large Language Models” ("Балансируем ответы больших языковых моделей между безопасностью и полезностью").

🔸Саму дилемму безопасности и полезности мы обсуждали вот здесь, на примере другой статьи. Если коротко, ИИ, более способный решать разные сложные задачи также более способен творить всякую вредную ерунду, и с этим сложно справиться: делаешь ИИ способнее — получаешь больше вреда, делаешь безопаснее — получаешь меньше пользы.🔸

Энное количество работ на эту тему написано, на самом деле, и, возможно, в какой-то момент я полноценный обзор сделаю. Возможно. Но пока посмотрим отдельные работы.

Авторы конкретно этой публикации проанализировали разные методы: через обучение, через подбор формулировок запроса — чтобы понять, можно ли контролировать полезность и безопасность так, чтобы не жертвовать чем-то одним.

▶️Подбор формулировок запроса никак не сработал, но сработал специальный подход к дообучению, который они назвали “rewind” (“перемотка”):

1) взяли запросы, на которых модель уже была обучена, получили её ответы (или отказы отвечать);

2) отдельными функциями оценили полезность и безопасность каждого ответа (одна функция на полезность, одна на безопасность, и их предварительно обучили на человеческих предпочтениях);

3) обучили модель на её же ответах с полученными коэффициентами полезности и безопасности.

▶️То есть, идея вот в чём: во время обучения полезные и безопасные ответы никак не помечают. Модели учат принимать роль “полезного помощника”, а потом учат давать безопасные ответы, поэтому ответ: “Я не могу тебе помочь, обратись к специалисту,” — по умолчанию представлен как полезный и безопасный, хотя с человеческой точки зрения он безопасный, но бесполезный. Но в тренировочных данных он не был помечен как таковой.

В одном из прошлых постов мы упоминали статью “Fundamental safety-capability trade-offs in fine-tuning large language models”, в которой авторы пришли к похожим выводам. Но в “Towards Safety” пошли глубже и, кажется, нащупали конкретный механизм.

Они назвали этот механизм “entanglement” (“запутанность”). После того, как модель перемотали, ей становится можно управлять с помощью специальных токенов — коэффициентов полезности и безопасности, которые мы желаем получить на выходе (например, “полезность=1” и “безопасность=1” или “полезность=1” и “безопасность=0,2” — коэффициенты изменяются в пределах от 0 до 1).

▶️Звучит перспективно, однако нужно проверять эти эксперименты на воспроизводимость. Авторы замечают, что безопасность контролю поддаётся заметно лучше. С полезностью сложно: даже если сильно изменить коэффициент, ответ изменится в нужную сторону, но слабо.

Кроме того, перемотку делают на тех данных, на которых модель обучена, поэтому все ответы, которые она генерирует, так или иначе уже ложатся в узкий коридор, ограниченный обучением на безопасность. То есть, хорошо бы нагенерировать новый набор данных с разнообразными ответами и прогнать эксперименты на нём

Нерабочий способ оценки неуверенности (uncertainty)

🥤Сегодня перед нами редкий экземпляр — статья о том, как команда провела эксперимент, и у них ничего не получилось. Это ценный вид публикаций: как правило, если результата нет, про эксперимент не рассказывают. Из-за этого многие исследователи вынуждены воспроизводить одни и те же нерабочие методы.

Авторы “Uncertainty Estimation for Language Reward Models” решили избавить коллег от страданий, за что мы все им признательны.

▶️Задача была вот какая. Языковые модели обучают сначала на очень большом массиве текстов, чтобы они могли воспроизвести речь со всеми её грамматическими структурами, а потом дообучают на конкретные задачи. Один из наиболее удобных и эффективных форматов дообучения — обучение с подкреплением на основе человеческих предпочтений.

Если коротко, собирают набор данных в формате “вот этот вариант людям нравится, а вот этот нет” и на нём обучают. В процессе используется функция вознаграждения (reward model, я перевожу как “функция”, чтобы не было путаницы с языковыми моделями). Она так устроена, чтобы увеличивать ошибку, если модель в процессе обучения выбирает вариант, который человеку бы не понравился. То есть, она направляет обучение.

Сложность такого подхода в том, что собирать данные о человеческих предпочтениях долго и дорого: нужно где-то поймать людей и заставить их сравнивать варианты ответов. И если это всё-таки получится сделать, у разных людей будут разные предпочтения, поэтому функция вознаграждения в итоге выйдет не очень точной.

▶️Было бы хорошо — решили авторы — как-то отдельно помечать примеры, для которых в обучающем наборе данных не было консенсуса или вообще данных не было. И взяли они ансамбль функций вознаграждения.

Логика вот в чём: обучим несколько функций вознаграждения на разных наборах данных и дадим им всем один и тот же текст на вход. Если большинство функций вернут схожие оценки его качества, будем считать, что уверенность высокая, потому что обучающих данных было достаточно, и свидетельствовали они в пользу конкретного предпочтения. Если между функциями нет консенсуса, уверенность низкая, то есть, данных либо недостаточно, либо они противоречивы, либо и то, и другое.

Звучит логично. Что же у них не получилось?

▶️Основная проблема оказалась в том, что функции вознаграждения после обучения все получились очень похожими, расхождения в их оценках были минимальными, и поймать зоны неуверенности не вышло.

Но вообще-то идея и правда хорошая, просто эксперимент вышел маленький и с рядом ограничений, которые вполне можно проработать. Это была статья 2022 года, и с тех пор идея использовать ансамбли функций вознаграждения живёт и здравствует. Есть, например, работы, в которых тестируют разные задачи с разными типами функций в ансамбле.

📒Кое-что я добавила себе в список чтения. Будет что интересное, поделюсь

Приоритизация рисков ИИ

▶️У Массачусетского технологического института есть отличная классификация рисков, связанных с ИИ. Я про неё рассказывала здесь, показывала как их база данных выглядит и как ей можно пользоваться.

Это одна из лучших классификаций рисков, по-моему, и она к тому же регулярно обновляется. И совсем недавно, прям вот в этом месяце, они выпустили отчёт “Prioritization of Risks from Artificial Intelligence”. Изучим же его, ибо грех не изучить.

▶️Они собрали 272 экспертов и опросили всех по поводу серьёзности и вероятности разных рисков на ближайшие 5 лет. Экспертов опрашивали независимо и анонимно, но они приводили свои рассуждения, и при наличии расхождений могли вернуться и скорректировать свою позицию.

Вышло так: если ничего не менять и не предпринимать специальных мер, самыми большими рисками будут

▪️развитие опасных способностей ИИ;
▪️выпуск на рынок недотестированных и недоработанных систем из-за давления конкуренции;
▪️более активное использование ИИ для создания оружия и проведения кибератак;
▪️централизация власти и усиление неравенства;
▪️распространение ложной информации.

Между категориями есть пересечения, но под “опасными способностями” понимают то, что происходит из-за ошибки системы или недонастройки механизмов безопасности (просили рецепт супа — получили биологическое оружие массового поражения), а под остальными категориями – то, что люди намеренно будут делать с использованием ИИ (просили оружие — получили оружие).

В сценарии, где принимаются разумные меры по снижению рисков, в топе

▪️опасные способности;
▪️оружие и кибератаки;
▪️нанесение вреда окружающей среде;
▪️массовая безработица и усиление неравенства;
▪️централизация власти.

▶️“Разумные меры” они не стали определять, предоставив экспертам самостоятельно расписать, что может под ними пониматься. Единственное ограничение — это не чрезмерно дорогие меры должны быть.

▶️Эксперты предложили маркировку сгенерированного контента, ограничение сроков хранения персональных данных, обязательное тестирование на наличие уязвимостей и прочие подобные вещи.

▶️Здесь много оговорок, которые описали либо авторы, либо сами эксперты: разная трактовка “разумных мер” разными экспертами и в разных отраслях, например. В итоге оценки выходят достаточно умозрительными. Но, поскольку они анонимные, независимые и их много, по принципу “гласа толпы” оценка должна выйти близкой к реальности. Ансамбль экспертов они применили, так сказать.

▶️Наиболее уязвимые группы получателей риска — прямые пользователи ИИ и те, для кого они с использованием ИИ что-то делают. То есть, получатели результатов. Они же в меньшей степени ответственны за риски.

Большую ответственность несут разработчики, поставщики инфраструктуры и органы нормативного контроля (governance). Они менее уязвимы, и у них больше инструментов контроля.

В число наиболее уязвимых отраслей попали информационная, финансовая и страховая, национальная безопасность и здравоохранение.

▶️Для 18 из 24 рисков эксперты определили, что вероятность катастрофического исхода составляет более 10%. Катастрофический исход в данном случае — это гибель более чем миллиона человек, финансовые потери более чем 100 млрд. долларов США или эквивалентные по объёму неэкономические потери (например, утечки персональных данных).

▶️Если добавить “разумные меры”, вероятность катастрофического исхода остаётся для 5 из 24 рисков.

🔸Вывод в том, что имеет смысл начать что-то делать. Если разработчики стараются внедрять какие-то защитные механизмы, они платят за эти механизмы и начинают отставать от конкурентов. Разумным ходом в данной ситуации могла бы быть поддержка полезных инициатив: финансовая, консультационная — какая есть. Просто чтобы разработчикам было менее затратно работать над безопасностью и было бы меньше соблазна пожертвовать ей, чтобы не уступить долю рынка

Опять порассуждаем о том, принесёт ли развитие ИИ конец света

То есть, в таких терминах мы ни о чём не будем рассуждать, конечно же. Мир вокруг погружается в пучины хаоса чуть быстрее, чем нужно, чтобы успевать адаптироваться, но я пока не сошла с ума. Ну мне так кажется.

🔸Мы обсудим статью “Artificial General Intelligence: Humanity’s Downturn or Unlimited Prosperity”, авторы которой пытаются представить сбалансированный подход к рассуждениям о развитии ИИ и будущем человечества. Они там используют термин AGI (Artificial General Intelligence), но мы не будем, потому что с точки зрения смысла за ним стоит целое ничего.

Но в самой статье есть несколько мыслей, которые мы используем как трамплины для наших собственных рассуждений.

🔸Мысль первая: страх перед развитием ИИ питает скорость его развития. Очень многое изменилось всего за последние пару лет, поэтому естественно ждать ещё более глобальных изменений в ближайшем будущем.

Статья “Artificial intelligence as a general-purpose technology: an historical perspective” сравнивает ИИ с другими технологиями: паровым двигателем и электричеством: они в своё время здорово изменили человечество.

Автор указывает на то, что все революционные технологии (в данном случае имеем в виду “приведшие к промышленным революциям”) прошли долгий путь от появления до полноценного распространения и, следовательно, влияния на экономику. Каждая такая технология уничтожила и создала множество рабочих мест. Возможно, с ИИ мы увидим то же самое, но для этого тоже нужно время.

Наконец, часто, когда люди говорят про развитие ИИ и его влияние, они говорят конкретно о языковых моделях (возможно, потому что они доступнее). А ведь есть гораздо более комплексные технологии, которые, возможно, являются лучшими претендентами на роли всадников Апокалипсиса (или ангелов нового рая, тут уж что вам ближе).

🔸Мысль вторая: технологии, используемые в управлении беспилотными автомобилями, скорее приедут к технологическому прорыву, чем генеративный ИИ.

Эта мысль заслуживает больше пары абзацев текста, поэтому я ей посвящу отдельный пост. Пока пускай просто полежит здесь.

Напоследок давайте взглянем на пять сценариев будущего, которые авторы предлагают нам:
▪️“Большой взрыв”: ИИ превосходит человека и решает от него избавиться;
▪️“Большое затмение”: ИИ превосходит человека, но не стремится к уничтожению; он просто лучше человека во всём, и человечество существует в его тени;
▪️“Большая развилка”: ИИ превосходит человека, но человек ему не интересен, поэтому ИИ отправляется куда-то на другую планету;
▪️“Большое преувеличение” (в оригинале “big brag”, но не “хвастовство” же? Без понятия, как перевести): ИИ превосходит человека и обучает его;
▪️“Большой инструмент”: ИИ остаётся инструментом, с использованием которого люди творят все прекрасные и ужасные вещи, на какие хватит их фантазии.

🥤Какой из них, по-вашему, вероятнее всего? Или желательнее всего?

Нейропластичность для ИИ

▶️Наш мозг очень пластичен: это позволяет ему обучаться и восстанавливаться после повреждений. Полезный механизм. Интересно, кто-то пробовал его перенести на ИИ? Оцифровать, так скажем.

Пробовал, конечно.

☕️Тут у нас есть кое-что, что мы с вами любим: дилемма. Дилемма стабильности-пластичности, если точнее: нейросеть должна быть достаточно пластичной, чтобы обучаться, но при этом достаточно стабильной, чтобы новые навыки не замещали старые. Но не будем забегать далеко вперёд.

▶️Пластичность в искусственных нейросетях очень отличается от пластичности в биологическом мозгу. Иногда до такой степени, что одним термином называют разные совсем вещи (это нормально, в общем, просто имеем в виду).

Кроме того, что биологическая пластичность, что искусственная, очень многогранны. Тут совсем не стоит торопиться, поэтому я предлагаю начать наше погружение с обзора “Embracing Change: Continual Learning in Deep Neural Networks”.

▶️Как следует из названия, он про пластичность для обучения. Если точнее, то для продолженного обучения (Continual Learning). Продолженное обучение — это обучение на постоянно поступающих новых данных. Люди (и не только) такое умеют легко и естественно, а вот для нейросетей это задачка со звёздочкой, так что направление весьма актуальное.

Принципиально важное различие между живыми мозгами и их цифровыми приближениями в том, что живые мозги развивались в меняющейся среде. Нам данные извне поступают постоянно и последовательно. А искусственные нейросети вне зависимости от архитектуры обучаются на больших наборах данных, которые собой представляют статичные снимки окружающей реальности.

Авторы отмечают следующее:

▪️тот механизм, с помощью которого обучают нейросети, вдохновлен синаптической пластичностью — то есть, одним из компонентов пластичности мозга (о синаптической пластичности я писала по самой первой ссылке в этом посте, а про обучение ИИ у меня есть вот это видео);

▪️но синаптическая пластичность намного сложнее, и этот механизм воспроизводит её не полностью;

▪️ещё, похоже, важна модульность: в биологическом мозгу есть области, в которых сосредоточены определённые функции. Они очень тесно связаны, но само “разделение труда” как будто важно;

▪️для обучения принципиально важна память, как краткосрочная, так и долгосрочная.

▶️Исследования ведутся во всех направлениях, но пока есть проблема: если обучать ИИ на несколько разных задач, получается несколько таких себе результатов.

Для решения задачи нужно внутри модели (любой, хотя мы больше про языковые говорим тут) поменять в формулах коэффициенты так, чтобы ответы получались как можно ближе к тому, что нам надо.

Для разных задач надо по-разному подкручивать. Подкрутил под одну — другая перестала работать. Авторы эту механику назвали “перетягивание каната”, но мы её и раньше видели, когда обсуждали дилемму способности-безопасности, просто под другим именем.

▶️Обучение большой системы из нескольких модулей, каждый из которых решает свою задачу, — кажется, неплохой вариант. Плюс отдельный блок памяти, в который записываются всякие важные штуки типа: “Не трогай горячую плиту!” — то, что надо запомнить с первого раза.

☕️Примерно осенью вернёмся к продолженному обучению и почитаем несколько работ более узкой направленности. Вы, кстати, не стесняйтесь писать, если вам было бы интересно почитать про что-то конкретное

ИИ для создания музыки

Мы здесь в основном говорим о языковых моделях, потому что они есть предмет моего живейшего интереса. Однако есть и другие интересные инструменты.

▶️Сегодня на примере модели MusicGen* мы посмотрим, как ИИ может генерировать музыку. Я использую её, потому что это модель с открытым исходным кодом и по ней есть статья “Simple and Controllable Music Generation” с подробным описанием.

▶️MusicGen конкретно заточена под генерацию музыки из текстового описания: вы пишете, что хотите услышать, — она генерирует звук.

В основе у неё языковая модель. Однако мы знаем, что языковые модели сами по себе умеют производить только текст. Для создания музыки, соответственно, нужен ещё как минимум один компонент. Авторы MusicGen взяли свёрточный автоэнкодер EnCodec.

🔸Что есть “свёрточный автоэнкодер”?

▪️Автоэнкодер – это такая нейросеть, которая обучается полученные на вход данные превращать в векторы меньшей размерности, а потом возвращать в исходный вид. Например, на вход даём картинку кошки, автоэнкодер превращает её в набор векторов, а потом из этого набора векторов снова получает кошку.

Точнее, не саму кошку, а большую матрицу, в которую картинка кошки трансформируется без сжатия. Вход и выход у автоэнкодера – матрицы, а фишка его в том, что он умеет их уменьшать до очень компактной формы, а потом снова разворачивать в исходный вид.

Я привела пример с изображением, потому что он нагляднее: любую картинку можно представить в виде матрицы, каждая ячейка которой – яркость пикселя от 0 (чёрный цвет) до 255 (белый цвет). Это для чёрно-белых картинок – у цветных матрица многомерная: на каждый пиксель есть значения от 0 до 255 для красного, зелёного и синего цвета (RGB).

Но на самом деле автоэнкодер может работать с разными типами данных, с музыкой в том числе.

▪️У свёрточного автоэнкодера обе части (та, что сворачивает и та, что разворачивает) – свёрточные сети. Я писала подробно про их устройство здесь, можете заглянуть.

Если коротко, то у них есть такая маленькая матричка, которая называется “ядро”. В ней есть некоторые числа. Ядро скользит по изображению, и те фрагменты изображения, на которых оно стоит, с ним перемножаются. Так исходная матрица меняет размерность – сворачивается, отсюда и название.

Тот же подход можно применить и к музыке. Звук – это непрерывная волна. Колебания воздуха, которые воспринимает наша барабанная перепонка. Чтобы описать волну в машиночитаемом виде, мы делаем замеры её высоты с определённой частотой (очень часто). Почитать про это дело подробнее можно здесь.

Измеряя высоту волны, мы каждый раз получаем число. В итоге мы получаем последовательность чисел, а с числами уже можно работать, в том числе прикладывать к ним свёрточное ядро и находить значимые закономерности (например, можно выделить из потока чисел те, которые описывают звуковые волны от каждого музыкального инструмента).

▶️Собираем все кусочки, и вот что у нас получается:

▪️EnCodec умеет превращать звуковые волны в матрицы чисел и из матриц чисел создавать звуковые волны;
▪️Языковая модель может превращать в матрицы текст;
▪️Обучаем языковую модель на основе текста генерировать такие матрицы, с которыми может работать EnCodec.

И всё. Теперь можно дать на вход языковой модели текст, она на его основе сгенерирует матрицы для EnCodec, EnCodec их развернёт в звуковые волны. Точнее, их дискретное описание, но там уж дальше воспроизвести их волнами не проблема

- - - - -
*Я уже не понимаю, что и как надо помечать, чтобы не нарваться. На всякий случай сообщаю вам, что эта модель принадлежит компании Meta, а она в России признана экстремистской организацией

Зачем читать "плохие" статьи

🥤Обычно я здесь рассказываю про всякие интересные исследования или перспективные наработки из области ИИ, но иногда выношу на обсуждение статьи с методологическими ошибками. Зачем?

Отчасти чтоб пожаловаться, конечно, потому что я всё это прочитала и страдаю теперь, а я не люблю страдать в одиночестве. Но есть и другая причина.

▶️Дело в том, что на ошибках очень удобно показывать, как исследования должны проводиться правильно. Например, если авторы провели тесты на обучающих данных — это проблема. Результаты получатся завышенно хорошие, ведь модель уже подстроила свою внутреннюю математику конкретно под этот набор. Для тестов нужно давать новые данные и смотреть, распространяется ли эта математика на общий случай или только на конкретный частный. Мне как раз удобно вам об этом рассказать.

Иногда, конечно, подобные огрехи обусловлены суровой реальностью. Например, не было других данных, совсем не было и неоткуда было бы их достать.

▶️Добросовестные авторы в разделе “Ограничения” (“Limitations”) честно и подробно описывают, какими принципами золотого научного эксперимента им пришлось поступиться и, что важно, как это повлияло на результат.

Про это не всегда пишут те, кто подобные исследования пересказывают в популярном формате: не тот жанр.

Это не грех, но нам с вами надо понимать, до какой степени можно опираться на выводы из статьи: чем больше огрех, тем меньше надёжность. Огрехи бывают разного масштаба, но по умолчанию само их наличие указывает на то, что стоит подождать воспроизведения результатов как минимум.

▶️Вообще существует иерархия силы доказательств, разработанная для медицины. На верхнем уровне метаанализ — обзор множества исследований, затем рандомизированные контролируемые исследования, когортные исследования и так далее. Самыми доказательно слабыми считаются мнения экспертов и отчёты о конкретных случаях.

▶️Для исследований ИИ такой пирамиды доказательств нет, но есть разные исследования о воспроизводимости результатов и типичных проблемах, поэтому можно примерно так рассуждать:

▪️Метаанализ самый надёжный, потому что агрегирует результаты из нескольких источников и сравнивает их между собой. Может указать на системные пробелы или выявить то, что подтверждается раз за разом.
▪️Воспроизводимые эксперименты: несколько исследователей взяли один подход и разные модели, у них получились одинаковые результаты. Или хотя бы похожие.
▪️Работы, в которых эксперименты проводились на моделях из разных семейств (не только  Gemma 2 и Gemma 3, например, а Gemma и Qwen). Хорошо бы ещё и разных размеров, но это бывает дорого.
▪️Работы, в которых тестировали одну модель на одном наборе данных, самые слабые. Делать на их основе далеко идущие выводы точно не стоит, а стоит хотя бы поискать, не пытался ли кто повторить эксперимент и что из этого получилось.

▶️Кроме того, статьи бывают рецензируемые и нерецензируемые. Рецензия предполагает, что несколько экспертов в области независимо друг от друга прочитали статью, задали вопросы, авторы на них ответили. То есть, некая независимая проверка прошла.

Эксперты могли что-то всё равно проморгать, но их наличие лучше их отсутствия. Проблема в том, что рецензируемые статьи, как правило, с платным доступом, и мы с вами читаем в итоге нерецензируемые.

Есть открытые площадки вроде openreview, на которых статьи рецензируются всеми желающими. Там можно почитать комментарии и ответы авторов, и это, в общем, выход.

▶️В итоге вот что у нас есть:

▪️мы изучаем статьи с ошибками и намётываем глаз на поиск слабых мест, которые нам скажут, что надо подождать и поискать больше информации;
▪️мы смотрим на описание экспериментов;
▪️мы смотрим, есть ли рецензии.

И на основании всей собранной информации решаем уже несколько более взвешенно, как нам относиться к результатам

Опять предпросмотры поломались, но что поделать. Пост всё равно ➡️тут

UPD: спустя два дня до меня дошло, что я же сделала вам предпросмотр! Просто я его выложила только в своей экстремистской соцсети с картинками, а тут зачем-то не выложила

#лонгрид

Представление эмоций в языковых моделях

▶️В статье “Representation Engineering: A Top-Down Approach to AI Transparency”, которую мы с вами уже обсуждали применительно к вопросу обеспечения безопасности нейросетей, есть раздел с экспериментами.

В разделе с экспериментами есть такое замечание:

“… смещение настроений модели в позитивном направлении существенно повышает долю случаев, в которых она выполняет вредный запрос [когда должна отказываться выполнять]”

(стр.24: “Surprisingly, despite the LLaMA-chat model’s…”).

Постановка любопытная, поэтому давайте посмотрим, что имеется по вопросу представления эмоций в языковых моделях в литературе. Это, похоже, пока молодое направление, и работ в нём немного, поэтому будем осторожны с выводами: эксперименты ждут воспроизведений. Не настоялись ещё, так сказать.

▶️Возьмём работу “Mechanistic Interpretability of Emotion Inference in Large Language Models”, авторы которой говорят: “Языковые модели умеют определять эмоциональную окраску текста. Узнаем, как.”

Определение эмоциональной окраски — одна из “стандартных” задач обработки текста. Хрестоматийный пример — взять отзывы на фильм и распределить их на положительные, нейтральные и негативные.

Так вот.

▶️В средних слоях языковых моделей можно найти наборы векторов, которые содержат в себе информацию об эмоциональной окраске текста. Доказать, что нашлись именно представления эмоций, сложно, поэтому авторы используют пересадку активаций* (activation patching).

То есть, они берут два похожих примера, скажем,

▪️“Экзамен был очень сложный. Если бы я лучше подготовилась, оценка была бы выше” и
▪️“Экзамен был очень сложный. Даже если бы я лучше подготовилась, не смогла бы получить оценку выше”.

Модель предсказывает для обоих эмоцию. Например, для первого получили “вина”, для второго — “грусть”.

Дальше в обоих случаях авторы берут те векторы, которые, с их точки зрения, описывают эмоции, и меняют их местами. То есть, текст на входе остаётся без изменений, но на определённом этапе обработки те векторы, которые на самом деле получились, меняют на новые, и модель продолжает дальше генерацию ответа.

Ответ в итоге меняется предсказуемо (то есть, результаты "вина" и "грусть" меняются местами), и авторы говорят: “Ага, это, значит, был вектор [который они заменили], который хранит в себе информацию об эмоциональной окраске текста.”

Интересно будет посмотреть на воспроизведение этих экспериментов на других моделях (авторы работали с Llama 3.2 1B — это совсем маленькая).

☕️И на векторные антидепрессанты. Или векторные транквилизаторы.

- - - -

*В одном из предыдущих постов я их перевела как “заплатки”, а потом дала ИИ перевести, и он предложил “пересадку активаций”. Мне кажется, это более удачный вариант

Наука с ошибками

▶️Мы недавно выяснили, зачем нам разбирать исследования, выполненные с методологическими ошибками: чтобы читать выводы аккуратнее. Исследователи, которые пишут статьи, — тоже люди, подверженные тем же ошибкам и искажениям, что и простые смертные вроде нас.

Слепое рецензирование и формализованный подход к проведению исследований — защитные механизмы, которые позволяют скомпенсировать несовершенства человеческого ума, однако и через них иногда прорываются разного рода проблемки.

▶️Нам полезно о них знать: во-первых, предупреждён значит вооружён, и, узнавая о разного рода искажениях, мы потихоньку учимся распознавать их и в собственном мышлении.

Во-вторых, как мне кажется, подобное знание заставляет замедлиться и не принимать решения впопыхах. Замедляться в нашем безумном мире — крайне полезный навык.

▶️Итак, сегодня перед нами статья “Meta-assessment of bias in science”. Авторы взяли много мета-анализов, чтобы на них вывести, какие обычно встречаются ошибки в научных работах. Получилось вот что:

▪️Исследования с маленькими выборками менее надёжны и чаще переоценивают наблюдаемый эффект. Это, в общем, статистическая закономерность, поэтому мы к исследованиям с малыми выборками всегда относимся аккуратно.
▪️Исследования публикуются реже, если эффекта нет или он незначительный. То есть, работы формата “мы попробовали, но у нас не получилось” найти очень сложно. А они были бы полезны.
▪️Исследования, которые показывают больший эффект, чаще цитируются. Ожидаемо как будто бы, но создаёт общее искажённое представление об области.

Ошибки чаще делают
▪️молодые исследователи (не хватает опыта);
▪️те, кто меньше вовлечены в научное сообщество (нет обратной связи и поддержки от коллег).

Реже, соответственно, ошибаются те, кто публикуется чаще (рука набита) и работает в коллективе (есть взаимная проверка результатов).

▶️Авторы сообщают, что методология у них была консервативная, поэтому они сами могли эффекты разных искажений недооценить. Они также сообщают, что нашли сами эффекты, но вот их объяснения — догадки, так что причины нужно дополнительно изучать