С стремительным внедрением генеративного ИИ компании сталкиваются с проблемами точности и безопасности больших языковых моделей (LLMs), что угрожает широкому интегрированию в бизнес. Стартап Patronus AI из Сан-Франциско, который недавно привлек 17 миллионов долларов в рамках раунда финансирования Series A, предлагает решение для автоматической идентификации дорогостоящих и потенциально опасных ошибок LLM в масштабах.
Этот раунд финансирования увеличивает общий объем инвестиций в Patronus AI до 20 миллионов долларов и был возглавлен Гленном Соломоном из Notable Capital с участием Lightspeed Venture Partners, бывшего руководителя DoorDash Гокула Раджарама, Factorial Capital, Datadog и нескольких неопубликованных технических лидеров.
Основанный бывшими экспертами в области машинного обучения Meta Анандом Каннапаном и Ребеккой Цян, Patronus AI разработал инновационную платформу автоматической оценки, призванную выявлять такие проблемы, как галлюцинации, нарушения авторских прав и риски безопасности в выводах LLM. Используя собственный ИИ, платформа оценивает производительность моделей, проводит стресс-тесты с использованием противостоящих примеров и обеспечивает детальное бенчмаркинг без необходимости в ручном труде, который обычно требуется предприятиям.
"Наш продукт превосходно справляется с обнаружением различных ошибок", - сказал Каннапан, генеральный директор Patronus AI. "Это включает галлюцинации, проблемы с авторскими правами, риски безопасности и настраиваемые возможности для поддержания стиля и тона бренда".
Появление мощных LLM, таких как GPT-4 от OpenAI и Llama 3 от Meta, вызвало конкурентную гонку в Силиконовой долине для использования генеративных возможностей этой технологии. Однако с энтузиазмом пришли и заметные сбои моделей — от статей с ошибками, сгенерированных ИИ для CNET, до отзыва научных работ в области разработки лекарств из-за неточностей LLM.
Эти провалы подчеркивают более глубокие системные проблемы в текущих LLM, которые Patronus AI стремится решить. Их исследования, включая недавно запущенный API "CopyrightCatcher" и бенчмарк "FinanceBench", выявляют тревожные недостатки в способности ведущих моделей предоставлять точные, основанные на фактах ответы.
В бенчмарке "FinanceBench" Patronus оценил модели, такие как GPT-4, в ответах на финансовые запросы с использованием публичных отчетов SEC. Результаты оказались показательными: модель с наилучшей производительностью дала правильные ответы только на 19% вопросов, несмотря на изучение целого годового отчета. В отдельной оценке с использованием API "CopyrightCatcher" было установлено, что открытые LLM воспроизводили защищенный текст дословно в 44% случаев.
"Даже самые современные модели сталкиваются с проблемами точности, демонстрируя лишь 90% успеха в финансовом контексте", - отметила Цян, технический директор Patronus. "Наши выводы показывают, что открытые модели дают более 20% небезопасных ответов в высокорисковых областях. Нарушение авторских прав представляет собой значительную проблему; крупные издательства и медиа-компании должны быть внимательны".
Хотя другие стартапы, такие как Credo AI и Weights & Biases, разрабатывают инструменты оценки LLM, Patronus выделяется своим подходом, ориентированным на исследования. Их основная технология включает в себя обучение специализированных моделей оценки для выявления конкретных сценариев, в которых LLM могут дать сбой.
"Никто не может сравниться с нашим уровнем исследований и технологий," - утверждает Каннапан. "Наша стратегия уникальна: она основана на обучении моделей оценки, внедрении передовых методов выравнивания и публикации исследований".
Patronus AI привлек внимание нескольких компаний из списка Fortune 500 в различных отраслях, включая автомобилестроение, образование, финансы и программное обеспечение, помогая им безопасно внедрять LLM. С привлечением нового капитала компания планирует расширить свои исследовательские, инженерные и продажные команды, а также разработать дополнительные бенчмарки.
Если Patronus реализует свою концепцию, автоматизированные оценки LLM могут стать важным элементом для предприятий, аналогично роли проверки безопасности в ускорении перехода в облако. Цян мечтает о будущем, где тестирование моделей с помощью Patronus станет обыденной практикой, подобно юнит-тестированию кода.
"Наша платформа универсальна и применима в различных областях, от права до здравоохранения," - объяснила она. "Мы стремимся дать возможность предприятиям в каждой отрасли использовать LLM, обеспечивая при этом соблюдение их специфических требований".
Несмотря на сложности, связанные с верификацией производительности LLM из-за их черного ящика и широкого диапазона выходных данных, Patronus намерен продвигать оценки ИИ. Сдвигая границы автоматизированного тестирования, они надеются облегчить ответственное внедрение LLM в реальных приложениях.
"Автоматизация измерения производительности LLM является сложной задачей из-за разнообразия поведения, которое могут проявлять эти генеративные модели," - признал Каннапан. "Тем не менее, наш подход, основанный на исследованиях, позволяет нам надежно и масштабируемо выявлять ошибки, которые ручное тестирование просто не может выявить".
Рейтинг
