Périphériques technologiques
IA
31 répartiteurs de formation ChatGPT ont été licenciés après avoir échoué à répondre aux attentes
31 répartiteurs de formation ChatGPT ont été licenciés après avoir échoué à répondre aux attentes
Le 23 avril, selon des rapports privilégiés et des documents de communication interne, plus de 30 répartiteurs qui ont aidé à former le modèle linguistique derrière le chatbot populaire ChatGPT ont été licenciés en mars de cette année.
Des captures d'écran de discussions internes à Slack montrent qu'au 16 mars, la société d'externalisation basée à San Francisco, Invisible Technologies, a licencié 31 travailleurs répartis. Cependant, OpenAI continue d'embaucher dans toute son entreprise.
La capture d'écran montre également que des centaines de répartiteurs d'Invisible Technologies, connus sous le nom de « formateurs avancés en données d'intelligence artificielle », travaillent avec OpenAI pour aider cette dernière à former son chatbot GPT. Les formateurs en données IA de l’entreprise sont chargés d’améliorer les compétences de codage des modèles, d’améliorer leurs capacités d’écriture créative ou de les former à refuser de répondre à certains sujets, a déclaré un répartiteur. L'intéressé a demandé à rester anonyme en raison d'un accord de confidentialité, mais des sources ont confirmé son identité et son emploi.
Le vice-président des opérations d'Invisible Technologies, Kamron Palizban, s'est adressé aux licenciementslors d'une réunion à tous en mars. Il a déclaré dans l'enregistrement de la réunion divulgué qu'OpenAI espère réduire le nombre de travailleurs répartis en raison de l'évolution des besoins de l'entreprise. Parizban a également déclaré lors de la conférence que de nombreux répartiteurs licenciés travaillaient sur des projets qui n'offraient pas un retour sur investissement suffisamment élevé pour OpenAI.
OpenAI réduit considérablement le nombre de répartiteurs
La relation d'Invisible Technologies avec OpenAI donne un aperçu de la formation aux données du créateur de ChatGPT. Pour la plupart, OpenAI a gardé ces formations secrètes.
L'ajustement du contrat d'OpenAI avec Invisible Technologies fait suite à des informations selon lesquelles la première aurait augmenté ses effectifs pendant six mois consécutifs. Des personnes proches du dossier ont déclaré qu'en janvier de cette année, OpenAI avait embauché près de 1 000 répartiteurs d'annotations de données en Europe de l'Est et en Amérique latine.
Deux mois seulement avant les licenciements chez Invisible Technologies, Microsoft venait d'injecter 10 milliards de dollars dans OpenAI. Mais Invisible Technologies n'est pas la seule entreprise d'externalisation à travailler avec OpenAI.
En février 2022, Sama, une société d'externalisation également basée à San Francisco, a mis fin à ses activités après avoir appris que ses employés chargés de l'étiquetage des données au Kenya censuraient les contenus préjudiciables tels que les abus sexuels, les discours de haine et la violence, a révélé une enquête du Time Partnership avec. OpenAI.
Dans une déclaration au TIME, un porte-parole d'OpenAI a expliqué : « La catégorisation et le filtrage des textes et images nuisibles sont une étape nécessaire pour minimiser la quantité de contenu violent et pornographique contenu dans les données de formation et aider à créer des outils capables de détecter les contenus nuisibles. «
Le travail d'un formateur en IA
Selon les travailleurs répartis d'Invisible Technologies, les responsabilités les plus fondamentales d'un formateur en IA consistent à vérifier la relation entre l'IA et ses utilisateurs pour identifier les conversations potentiellement illégales. messages portant atteinte à la vie privée, offensants ou remplis d'erreurs. Les répartiteurs interrogés décrivent ainsi leur quotidien :
Après avoir commencé un quart de travail, ils ouvrent d’abord le navigateur de travail interne et consultent la liste des tâches de l’équipe. Ils peuvent cliquer sur une tâche telle que « Avoir une conversation sur un sujet aléatoire pendant que la navigation est désactivée », puis saisir une requête dans la boîte de message.
Après avoir soumis une requête, le modèle d'OpenAI générera quatre réponses. Les répartiteurs évaluent chaque réponse en ouvrant un menu déroulant et en sélectionnant le type d'erreur présente, comme des erreurs factuelles, des erreurs d'orthographe ou de grammaire, ou du harcèlement. Les répartiteurs ont ensuite évalué la gravité de l'erreur sur une échelle de un à sept, sept représentant une réponse « fondamentalement parfaite ».
Ensuite, le répartiteur doit rédiger une réponse parfaite et la soumettre pour terminer la tâche. Le répartiteur a déclaré que les résultats seraient envoyés aux inspecteurs de qualité d'OpenAI et d'Invisible Technologies. Ce processus doit être répété pour chaque tâche ultérieure.
Camren Parizban, vice-président des opérations chez Invisible Technologies, a déclaré à propos d'OpenAI lors de la conférence : "Ils sont à un stade où ils sont sur le point d'avoir plus de clarté sur où ils vont
Grace, partenaire et responsable des opérations d'Invisible Technologies." Matelich a déclaré lors d'une réunion enregistrée que l'entreprise avait licencié des répartiteurs sous-performants sur la base de mesures de performance telles que la « qualité » et le « débit » des tâches accomplies.
Mattledge a déclaré que les répartiteurs sous-performants et ceux qui ont été embauchés mais qui n'avaient pas « atteint le seuil de certification » ont été licenciés, mais certains ont été autorisés à choisir de passer à différentes équipes OpenAI. Il a également déclaré : « Si vous êtes toujours là aujourd'hui, je veux que vous sachiez que c'est parce que je crois en votre capacité à bien accomplir la tâche (Xiao Xiao)
.Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Outils d'IA chauds
Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes
AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.
Undress AI Tool
Images de déshabillage gratuites
Clothoff.io
Dissolvant de vêtements AI
AI Hentai Generator
Générez AI Hentai gratuitement.
Article chaud
Outils chauds
Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit
SublimeText3 version chinoise
Version chinoise, très simple à utiliser
Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP
Dreamweaver CS6
Outils de développement Web visuel
SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)
Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA
Jun 28, 2024 am 03:51 AM
Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine
Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag
Jun 10, 2024 am 11:08 AM
Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.
Sept questions d'entretien technique Cool GenAI et LLM
Jun 07, 2024 am 10:06 AM
Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte
Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations
Jun 11, 2024 pm 03:57 PM
Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.
Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG.
Jul 25, 2024 am 06:42 AM
L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes
Cinq écoles d'apprentissage automatique que vous ne connaissez pas
Jun 05, 2024 pm 08:51 PM
L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.
Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire
Jul 17, 2024 pm 06:37 PM
Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S
Préparant des marchés tels que l'IA, GlobalFoundries acquiert la technologie du nitrure de gallium de Tagore Technology et les équipes associées
Jul 15, 2024 pm 12:21 PM
Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g
