


31 ChatGPT-Schulungsmitarbeiter wurden entlassen, weil sie die Erwartungen nicht erfüllten
Am 23. April halfen laut Insiderberichten und internen Kommunikationsdokumenten im März dieses Jahres mehr als 30 Personen beim Training des Sprachmodells hinter dem beliebten Chatbot ChatGPT Arbeiter wurden entlassen.
Screenshots interner Slack-Chats zeigen, dass das in San Francisco ansässige Outsourcing-Unternehmen Invisible Technologies am 16. März 31 Versandmitarbeiter entlassen hat. OpenAI stellt jedoch weiterhin unternehmensweit Mitarbeiter ein.
Der Screenshot zeigt auch, dass Hunderte von Versandmitarbeitern von Invisible Technologies, bekannt als „Advanced Artificial Intelligence Data Trainers“, mit OpenAI zusammenarbeiten, um OpenAI beim Training seines GPT-Chatbots zu unterstützen. Die KI-Datentrainer des Unternehmens seien dafür verantwortlich, die Programmierfähigkeiten der Modelle zu verbessern, ihre kreativen Schreibfähigkeiten zu verbessern oder ihnen beizubringen, sich zu weigern, auf bestimmte Themen zu antworten, sagte ein Versandmitarbeiter. Der Versandarbeiter bat aufgrund einer Vertraulichkeitsvereinbarung darum, anonym zu bleiben, doch Quellen bestätigten seine Identität und Beschäftigung.
Invisible Technologies Vice President of Operations Kamron Palizban (Kamron Palizban) diskutierte die Entlassungen bei einem All-Hands-Meeting im März Frage. In der durchgesickerten Sitzungsaufzeichnung sagte er, dass OpenAI hofft, die Zahl der Disponenten aufgrund veränderter Geschäftsanforderungen zu reduzieren. Parizban sagte bei dem Treffen auch, dass viele der entlassenen Versandarbeiter an Projekten arbeiteten, die für OpenAI keine ausreichend hohe Kapitalrendite brachten.
OpenAI reduziert Personaleinsatz im Versandbereich
Die Beziehung von Invisible Technologies zu OpenAI bietet einen Einblick in die Datenschulung des ChatGPT-Herstellers. OpenAI hat diese Schulungen größtenteils geheim gehalten.
Die Vertragsanpassung zwischen OpenAI und Invisible Technologies folgt Berichten, dass OpenAI seine Mitarbeiterzahl sechs Monate in Folge erhöht hat. Mit der Angelegenheit vertraute Personen sagten, dass OpenAI bis Januar dieses Jahres fast 1.000 Mitarbeiter für die Datenannotationsverteilung in Osteuropa und Lateinamerika eingestellt habe.
Nur zwei Monate bevor Invisible Technologies Mitarbeiter entließ, hatte Microsoft gerade 10 Milliarden US-Dollar in OpenAI investiert. Doch Invisible Technologies ist nicht das einzige Outsourcing-Unternehmen, das mit OpenAI arbeitet.
Eine Untersuchung des Time Magazine ergab, dass Sama, ein ebenfalls in San Francisco ansässiges Outsourcing-Unternehmen, im Februar 2022 erfuhr, dass seine Datenanmerkungsmitarbeiter in Kenia sexuellen Missbrauch, Hassreden und Gewalt usw. überprüften. Befristete Partnerschaft mit OpenAI nach schädlichen Inhalten.
In einer Erklärung gegenüber Time erklärte ein OpenAI-Sprecher: „Die Kategorisierung und Filterung schädlicher Texte und Bilder basiert auf der Menge an Gewalt und Pornografie, die in den Trainingsdaten enthalten ist. Minimieren Sie die notwendigen Schritte und helfen Sie bei der Erstellung von Tools.“ Laut den Disponenten von Invisible Technologies gehört es zu den grundlegendsten Aufgaben eines KI-Trainers, Gespräche zwischen der KI und ihren Benutzern zu überprüfen, um potenziell illegale, die Privatsphäre verletzende, anstößige oder mit Fehlern gefüllte Nachrichten zu identifizieren. Die befragten Versandarbeiter beschrieben ihren Alltag so:
Nach Beginn einer Schicht öffnen sie zunächst den internen Arbeitsbrowser und sehen sich die Aufgabenliste des Teams an. Sie klicken möglicherweise auf eine Aufgabe wie „Eine Unterhaltung über ein zufälliges Thema führen, während das Surfen deaktiviert ist“ und geben dann eine Abfrage in das Meldungsfeld ein. Nachdem Sie eine Anfrage übermittelt haben, generiert das Modell von OpenAI vier Antworten. Disponenten bewerten jede Antwort, indem sie ein Dropdown-Menü öffnen und die Art des vorhandenen Fehlers auswählen, z. B. sachliche Fehler, Rechtschreib- oder Grammatikfehler oder Belästigung. Anschließend bewerteten die Disponenten die Schwere des Fehlers auf einer Skala von eins bis sieben, wobei sieben eine „grundsätzlich perfekte“ Antwort darstellte.
Als nächstes muss der Disponent eine perfekte Antwort verfassen und diese einreichen, um die Aufgabe abzuschließen. Der Versandmitarbeiter sagte, die Ergebnisse würden an Qualitätsinspektoren bei OpenAI und Invisible Technologies gesendet. Dieser Vorgang muss für jede nachfolgende Aufgabe wiederholt werden.
Camren Parizban, Vice President of Operations bei Invisible Technologies, sagte auf der Konferenz über OpenAI: „Sie befinden sich in einem Stadium, in dem sie mehr Klarheit über ihre Entwicklungsrichtung haben werden.“# 🎜🎜#
Grace Matelich, Partnerin und Betriebsleiterin bei Invisible Technologies, sagte in der aufgezeichneten Besprechung, dass das Unternehmen seine Arbeit auf der „Qualität“ und dem „Durchsatz“ erledigter Aufgaben und anderen Leistungsindikatoren basierte und Disponenten entließ der schlecht abgeschnitten hat. Mattledge sagte, dass leistungsschwache Versandarbeiter und diejenigen, die eingestellt wurden, aber „die Zertifizierungsschwellenwerte nicht erfüllten“, entlassen wurden, obwohl einigen die Möglichkeit gegeben wurde, zu anderen OpenAI-Teams zu wechseln. Er sagte auch: „Wenn Sie heute noch hier sind, möchte ich Sie wissen lassen, dass ich an Ihre Fähigkeit glaube, die Aufgabe gut zu erledigen.“Das obige ist der detaillierte Inhalt von31 ChatGPT-Schulungsmitarbeiter wurden entlassen, weil sie die Erwartungen nicht erfüllten. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Laut Nachrichten dieser Website vom 5. Juli veröffentlichte GlobalFoundries am 1. Juli dieses Jahres eine Pressemitteilung, in der die Übernahme der Power-Galliumnitrid (GaN)-Technologie und des Portfolios an geistigem Eigentum von Tagore Technology angekündigt wurde, in der Hoffnung, seinen Marktanteil in den Bereichen Automobile und Internet auszubauen Anwendungsbereiche für Rechenzentren mit künstlicher Intelligenz, um höhere Effizienz und bessere Leistung zu erforschen. Da sich Technologien wie generative künstliche Intelligenz (GenerativeAI) in der digitalen Welt weiterentwickeln, ist Galliumnitrid (GaN) zu einer Schlüssellösung für nachhaltiges und effizientes Energiemanagement, insbesondere in Rechenzentren, geworden. Auf dieser Website wurde die offizielle Ankündigung zitiert, dass sich das Ingenieurteam von Tagore Technology im Rahmen dieser Übernahme mit GF zusammenschließen wird, um die Galliumnitrid-Technologie weiterzuentwickeln. G
