Tekoälykoulutuksen tiedot | Microsoftin luottamuskeskus

Luottamus ja läpinäkyvyys ovat keskeisiä siinä, miten lähestymme tekoälymallien koulutuksessa käytettävää dataa täällä Microsoftilla.

Tämän sivun tarkoitus on kuvata lähestymistapaamme. Kerromme, mitä datakategorioita käytämme koulutuksessa ja mitä teemme, jotta verkkojulkaisijat ja sisällöntuottajat voivat hallita sitä, miten heidän sisältöään käytetään näiden mallien kouluttamiseen.

Mitä tekoälymallin kouluttaminen tarkoittaa?

Tekoälymallit tekevät ennusteita datan perusteella. Koulutusprosessin aikana tekoälymalli tunnistaa kuvioita, yhteyksiä ja käsitteitä valtavista tietomääristä. Sen jälkeen se käyttää oppimaansa vastatakseen kysymyksiin tai pyyntöihin. Mallia voi hienosäätää käyttämällä erilaisia koulutusdatan kategorioita, jotta sen kyky tuottaa sisältöä voidaan optimoida tietyille tietotyypeille, kuten luonnolliselle kielelle, ohjelmistokoodille tai kuville. Se voi perustua myös organisaation omaan dataan. Esimerkiksi toimialoilla, kuten maataloudessa, terveydenhuollossa tai vähittäiskaupassa.

Generatiivisia tekoälymalleja ei ole suunniteltu tallentamaan, käyttämään tai jäljentämään alkuperäistä koulutusdataa. Sen sijaan nämä mallit on tarkoitettu tuottamaan uusia ilmaisullisia teoksia ja sisältöä.

Kaksi ihmistä seisoo sisätiloissa ja tarkastelee koontinäyttöä suurelta näytöltä, jossa näkyy kaavioita ja mittareita.

Tutustu siihen, miten Microsoft kouluttaa generatiivisia tekoälymalleja monipuolisella datalla

Suuret ja monipuoliset tietoaineistot ovat olennainen osa nykyisten tekoälyjärjestelmien luomista. On ratkaisevan tärkeää, että mallien kehityksessä käytetään laajasti erilaista dataa, jotta niistä tulee tarkempia, paremmin eri kulttuureja ja kieliä edustavia ja jotta ne oppivat tunnistamaan ja hyödyntämään koko inhimillisen kokemuksen ja kekseliäisyyden kirjon.

Koulutamme malleja valikoidulla julkisesti saatavilla olevalla datalla. Lähteitä ovat muun muassa alan vakiintuneet koneoppimisaineistot ja verkon indeksointi. Suljemme pois lähteet, joissa on maksumuureja, sekä sisällön, joka rikkoo käytäntöjämme tai joka on kieltäytynyt koulutuksesta käyttämällä verkko-ohjaimia, jotka olemme julkaisseet. Verkosta indeksoitu data suodatetaan turvallisuuden vuoksi ja käsitellään niin, että laiton sisältö, mukaan lukien lapsiin kohdistuvaa seksuaalista hyväksikäyttöä esittävä materiaali (CSAM), poistetaan sovellettavien lakien ja Microsoftin vastuullisen tekoälyn käytäntöjen mukaisesti.

Kunnioitamme esimerkiksi robots.txt-tunnisteita, joita verkkojulkaisijat käyttävät kieltäytyäkseen verkon indeksoinnista. Emme käytä dataa verkkotunnuksista, jotka on listattu United States Trade Representative (USTR) Notorious Markets for Counterfeiting and Piracy -luetteloon.
Tämä on koulutusdataa, jota käytämme neuvoteltujen järjestelyjen perusteella esimerkiksi kustantajien ja tekijänoikeuksien omistajien kanssa.
Tämä data kerätään valikoiduista Microsoftin kuluttajapalveluista, ja sitä suojataan Microsoftin tietosuojalausekkeen mukaisesti. Microsoft Copilot -blogissa ja Copilotin usein kysytyissä kysymyksissä kerromme, miten käytämme Copilotin, Bingin ja Microsoft Startin (MSN) kuluttajadataa, jotta voimme auttaa mallien kouluttamisessa Copilotissa. Teemme kieltäytymisen helpoksi käyttäjille ja käytämme suojatoimia, kuten tunnisteiden poistamista, jotta yksityisyytesi säilyy suojattuna. Emme käytä yritysasiakkaidemme dataa ilman heidän lupaansa.
Koulutamme joskus synteettisillä aineistoilla. Nämä luodaan pyytämällä suuria kielimalleja (LLM) tuottamaan nimenomaan pyydettyä sisältöä, joka täydentää niukkaa tai rajallista todellisen maailman dataa. Tulokset tarkistetaan ja suodatetaan, mukaan lukien ihmistarkistajien toimesta, jotta varmistetaan, että ne ovat riittävän laadukkaita osaksi koulutusdataa.
Otamme koulutusprosessissamme huomioon ihmisiltä saadun palautteen, jota saamme tekoälyn kouluttajilta, red team -jäseniltä, työntekijöiltä ja ulkoisilta annotointikumppaneilta. Tähän sisältyy esimerkiksi ihmispalaute, joka vahvistaa laadukasta vastausta käyttäjän kehotteeseen ja parantaa loppukäyttäjän kokemusta. Red team testaa mallia myös haitallisia tai vaarallisia pyyntöjä vastaan, ja heidän palautettaan käytetään parantamaan mallin turvallisuuskäyttäytymistä.

Omien Microsoft-malliemme lisäksi sisällytämme tuotteisiimme ja palveluihimme useita muita malleja, kuten OpenAI:ltä. Lue lisää siitä, miten OpenAI kouluttaa malleja.

Hyödyllisen ja inklusiivisen tekoälyn vuoksi jotkut verkkojulkaisijat ja sisällön omistajat haluavat enemmän vaikutusvaltaa siihen, miten heidän sisältöään käytetään. Verkkojulkaisijan hallintamahdollisuudet ovat hyödyllisiä, mutta ne eivät yksin riitä. Teemme yhteistyötä alan toimijoiden, julkaisijoiden, standardointielinten ja sisältöyhteisön kanssa, jotta voimme määrittää yhteisen lähestymistavan, jota kaikki voivat kehittää ja ottaa käyttöön.