AI हॉल्युसिनेशन डिटेक्शन ही प्रक्रिया आहे ज्यामध्ये AI मॉडेल्सने खोटी, बनावट किंवा अचूक नसलेली माहिती जनरेट केली आहे की नाही हे ओळखणे. एका AI मॉडेलने हॉल्युसिनेशन केले तर त्याच्या आउटपुटमध्ये चुकीचा सिग्नल नसतो. मल्टी-मॉडेल क्रॉस-व्हॅलिडेशन हॉल्युसिनेशन्सची ओळख करण्यासाठी एकाच प्रश्नासाठी अनेक AI मॉडेल्सना स्वतंत्रपणे क्वेरी करते. जेव्हा मॉडेल्स विसंगत असतात तेव्हा ती विसंगती संभाव्य हॉल्युसिनेशनची चिन्हे देते. Argumentree.AI हे रेटिंग सिस्टीमद्वारे अमलात आणते जिथे प्रत्येक मॉडेल प्रत्येक इतर मॉडेलच्या प्रत्येक तर्काचे रेटिंग करते—कोणत्याही एका मॉडेलकडून कमी रेट केलेले तर्क पुनरावलोकनासाठी फ्लॅग केले जातात.
AI हॉल्युसिनेशन डिटेक्शन AI मॉडेल्सने खोटी माहिती जनरेट केली आहे की नाही हे ओळखते. मुख्य अंतर्दृष्टी: एका AI मॉडेलने हॉल्युसिनेशन केले तर इतर AI मॉडेल्स तेच चुकीचे पुनरावृत्ती करत नाहीत. क्रॉस-व्हॅलिडेशन एका मॉडेलद्वारे दिलेल्या चुका पकडते.
हॉल्युसिनेशन डिटेक्शन AI खोटी माहिती जनरेट करते हे पकडते. वेगवेगळ्या मॉडेल्स वेगवेगळ्या प्रकारे हॉल्युसिनेशन करतात—एका मॉडेलची चूक दुसऱ्या मॉडेलद्वारे योग्य मानली जाते. क्रॉस-मॉडेल व्हॅलिडेशन ही चुका व्यवस्थितपणे पकडते.
AI हॉल्युसिनेशन तेव्हा घडते जेव्हा मॉडेल खोटी किंवा बनावट माहिती जनरेट करते आणि ती तथ्य म्हणून सादर करते. मानवी चुकांपेक्षा वेगळे असते, जिथे आपण 'मला माहित नाही' असे म्हणतो, AI मॉडेल्स अचूकतेपेक्षा विश्वासाच्या आवाजात आउटपुट जनरेट करतात.
AI मॉडेल्स प्रशिक्षण दरम्यान शिकलेल्या नमुन्यांवर आधारित पुढील शब्द कोणते असतील याचा अंदाज लावून मजकूर जनरेट करतात. ते तथ्यांचा डेटाबेस एक्सेस करत नाहीत—ते विश्वासाच्या दिसणार्या क्रमांची निर्मिती करतात. जेव्हा नमुना-मॅचिंग विश्वासाच्या पण चुकीच्या आउटपुटची निर्मिती करते—जसे की बनावट संदर्भ, काल्पनिक सांख्यिकी किंवा खोटे दावे—तेव्हा ते हॉल्युसिनेशन आहे.
मॉडेल्स सुसंगततेसाठी आणि विश्वासाच्या दिसण्यासाठी ऑप्टिमाइझ केले जातात, सत्यासाठी नाही. त्यांच्याकडे 'मला माहित नाही' असा अंतर्निहित सिग्नल नाही. 'तुम्ही खात्री आहात का?' किंवा 'हे तपासा' असे विचारले तरी ते चुकीच्या आउटपुटची पुनरावृत्ती करते.
वेगवेगळ्या AI मॉडेल्समध्ये वेगवेगळे प्रशिक्षण डेटा, आर्किटेक्चर आणि ज्ञान काटकोन आहेत. जेव्हा एका मॉडेलने दावा बनावट करते तेव्हा इतर मॉडेल्स तेच चुकीचे पुनरावृत्ती करत नाहीत. ही स्वतंत्रता क्रॉस-मॉडेल व्हॅलिडेशनला कार्यान्वित करते.
स्वाधीनपणे समान प्रश्न विचारून अनेक AI मॉडेल्सना प्रश्न विचारा
प्रत्येक मॉडेल इतरांना न पाहता युक्ती तयार करते (चुका प्रतिलिपी करू शकत नाही)
नंतर प्रत्येक मॉडेल प्रत्येक इतर मॉडेलची युक्ती रेट करते
काल्पनिक दावे इतर मॉडेल्सकडून कमी रेटिंग मिळते
कमी रेटिंग असलेल्या युक्ती = संभाव्य खोटे तपासण्यासाठी
GPT, क्लॉड, जेमिनी, ग्रोक, पर्प्लेक्सिटी स्वाधीनपणे प्रश्न विचारा
प्रत्येक मॉडेल इतरांना न पाहता युक्ती तयार करते
प्रत्येक मॉडेल प्रत्येक इतर मॉडेलची युक्ती रेट करते
अनेक मॉडेल्सकडून कमी रेटिंग = पुढे तपासणे
AI खोटे शोधणे म्हणजे AI मॉडेल्सने तयार केलेली खोटी किंवा काल्पनिक माहिती ओळखण्याची प्रक्रिया. सर्वात विश्वासार्ह पद्धत म्हणजे मॉडेल प्रमाणीकरण - समान प्रश्न विचारून अनेक AI मॉडेल्सना प्रश्न विचारा आणि असहमती शोधणे कारण खोटे सामान्यत: मॉडेल्समध्ये सुसंगत नाहीत.
AI मॉडेल्स प्रशिक्षण दरम्यान शिकलेल्या नमुन्यांवरून मजकूर तयार करतात, जमिनीच्या सत्याशी संबंधित नाहीत. जेव्हा नमुना जुळवून खोटे पण विश्वासार्ह उत्पादन येते - जसे की काल्पनिक संदर्भ, काल्पनिक आकडेवारी किंवा खोटे दावे - ते खोटे आहे. मॉडेल्स विश्वासार्ह प्रतिसादांसाठी ऑप्टिमाइझ करतात, अचूकतेसाठी नाही.
वाईट. "क्षमस्व?" किंवा "हे तपासा" विचारले तर अनेकदा तीच चूक पुन्हा देते. मॉडेल्समध्ये आत्म-तपासणीसाठी अंतर्गत सत्य संदर्भ नाही, त्यामुळे बाह्य प्रमाणीकरण किंवा मानवी पुनरावलोकन अधिक प्रभावी आहे.
वेगवेगळ्या AI मॉडेल्समध्ये वेगवेगळे प्रशिक्षण डेटा आणि आर्किटेक्चर असते, त्यामुळे ते वेगवेगळ्या खोट्या दाव्यांना जन्म देतात. एका मॉडेलने खोटे दावा केला तर इतर मॉडेल्स तेच चूक करत नाहीत. अनेक स्वाधीन मॉडेल्सची तुलना केल्याने एका मॉडेलने विश्वासार्हपणे सादर केलेल्या चुका पकडल्या जातात.
सामान्य खोटे म्हणजे: काल्पनिक अकादमिक संदर्भ (अस्तित्वात नसलेले पेपर्स), काल्पनिक आकडेवारी ('८०% तज्ज्ञ सहमत आहेत...'), खोटे ऐतिहासिक दावे, अस्तित्वात नसलेले न्यायालयीन खटले (जसे माता वि. एव्हियांका प्रकरण) आणि विश्वासार्ह खोटे तांत्रिक स्पष्टीकरणे.
अनेक मॉडेल्समध्ये AI आउटपुट्सची क्रॉस-व्हॅलिडेशन करा. विसंगती चुका उघड करते.
मुक्त संशोधन सुरू करा