एलएलएम से कॉपीराइटेड डेटा को अनलर्न करना – क्या यह संभव है?

कृत्रिम बुद्धिमत्ता (एआई) और मशीन लर्निंग (एमएल) के क्षेत्र में, बड़े भाषा मॉडल (एलएलएम) दोनों उपलब्धियों और चुनौतियों को प्रदर्शित करते हैं। विशाल पाठ डेटासेट पर प्रशिक्षित, एलएलएम मॉडल मानव भाषा और ज्ञान को समाहित करते हैं।

हालांकि, उनकी मानवीय समझ को अवशोषित करने और अनुकरण करने की क्षमता कानूनी, नैतिक और तकनीकी चुनौतियों को प्रस्तुत करती है। इसके अलावा, एलएलएम को शक्ति प्रदान करने वाले विशाल डेटासेट में विषाक्त सामग्री, कॉपीराइटेड पाठ, अशुद्धियों या व्यक्तिगत डेटा हो सकते हैं।

चयनित डेटा को भूलने के लिए एलएलएम को बनाना कानूनी अनुपालन और नैतिक जिम्मेदारी सुनिश्चित करने के लिए एक दबाने वाला मुद्दा बन गया है।

आइए एलएलएम को कॉपीराइटेड डेटा को भूलने की अवधारणा का अन्वेषण करें और एक मूलभूत प्रश्न का समाधान करें: क्या यह संभव है?

एलएलएम अनलर्निंग की आवश्यकता क्यों है?

एलएलएम अक्सर विवादित डेटा को शामिल करते हैं, जिसमें कॉपीराइटेड डेटा भी शामिल है। एलएलएम में ऐसे डेटा का होना निजी जानकारी, पूर्वाग्रहित जानकारी, कॉपीराइट डेटा और झूठे या हानिकारक तत्वों से संबंधित कानूनी चुनौतियों को प्रस्तुत करता है।

इसलिए, अनलर्निंग गोपनीयता नियमों का पालन करने और कॉपीराइट कानूनों के अनुपालन को सुनिश्चित करने के लिए आवश्यक है, जो जिम्मेदार और नैतिक एलएलएम को बढ़ावा देता है।

हालांकि, इन मॉडलों द्वारा प्राप्त विशाल ज्ञान से कॉपीराइटेड सामग्री को निकालना चुनौतीपूर्ण है। यहाँ कुछ अनलर्निंग तकनीकें हैं जो इस समस्या को हल करने में मदद कर सकती हैं:

• डेटा फिल्टरिंग: यह विधि मॉडल के प्रशिक्षण डेटा से कॉपीराइटेड तत्वों, शोर या पूर्वाग्रहित डेटा को системात्मक रूप से पहचानने और हटाने में शामिल है। हालांकि, फिल्टरिंग के दौरान मूल्यवान गैर-कॉपीराइटेड जानकारी के नुकसान का जोखिम हो सकता है।
• ग्रेडिएंट विधियाँ: ये विधियाँ मॉडल के पैरामीटर को नुकसान के कार्य के ग्रेडिएंट के आधार पर समायोजित करती हैं, जो एमएल मॉडल में कॉपीराइटेड डेटा के मुद्दे को संबोधित करती हैं। हालांकि, समायोजन गैर-कॉपीराइटेड डेटा पर मॉडल के समग्र प्रदर्शन को प्रतिकूल रूप से प्रभावित कर सकता है।
• संदर्भ में अनलर्निंग: यह तकनीक मॉडल के पैरामीटर को अद्यतन करके विशिष्ट प्रशिक्षण बिंदुओं के प्रभाव को कुशलता से समाप्त करती है, जो संबंधित ज्ञान को प्रभावित किए बिना। हालांकि, यह विधि सटीक अनलर्निंग को प्राप्त करने में सीमित है, विशेष रूप से बड़े मॉडलों के साथ, और इसकी प्रभावशीलता के लिए आगे के मूल्यांकन की आवश्यकता है।

इन तकनीकों को लागू करना संसाधन-गहन और समय लेने वाला है, जो उन्हें कठिन बनाता है।

मामले का अध्ययन

एलएलएम अनलर्निंग के महत्व को समझने के लिए, ये वास्तविक मामले दर्शाते हैं कि कंपनियां बड़े भाषा मॉडल (एलएलएम) और कॉपीराइटेड डेटा से संबंधित कानूनी चुनौतियों से जूझ रही हैं।

ओपनएआई मुकदमे: ओपनएआई, एक प्रमुख एआई कंपनी, को एलएलएम के प्रशिक्षण डेटा पर कई मुकदमों का सामना करना पड़ा है। ये कानूनी कार्रवाइयां एलएलएम प्रशिक्षण में कॉपीराइटेड सामग्री के उपयोग को चुनौती देती हैं। इसके अलावा, उन्होंने मॉडल द्वारा अपने प्रशिक्षण प्रक्रिया में एकीकृत प्रत्येक कॉपीराइटेड कार्य के लिए अनुमति सुरक्षित करने के लिए तंत्र की जांच को ट्रिगर किया है।

सारा सिल्वरमैन मुकदमा: सारा सिल्वरमैन का मामला एक आरोप को शामिल करता है कि चैटजीपीटी मॉडल ने उसकी पुस्तकों का सारांश बिना अनुमति के उत्पन्न किया। यह कानूनी कार्रवाई एआई और कॉपीराइटेड डेटा के भविष्य के बारे में महत्वपूर्ण मुद्दों पर प्रकाश डालती है।

कानूनी ढांचे को प्रौद्योगिकी प्रगति के साथ संरेखित करना जिम्मेदार और कानूनी रूप से एआई मॉडल के उपयोग को सुनिश्चित करने के लिए आवश्यक है। इसके अलावा, शोध समुदाय को इन चुनौतियों का व्यापक रूप से संबोधन करना चाहिए ताकि एलएलएम नैतिक और न्यायसंगत हों।

पारंपरिक एलएलएम अनलर्निंग तकनीक

एलएलएम अनलर्निंग एक जटिल नुस्खे से विशिष्ट सामग्री को अलग करने के समान है, सुनिश्चित करते हुए कि केवल वांछित घटक अंतिम व्यंजन में योगदान करते हैं। पारंपरिक एलएलएम अनलर्निंग तकनीकें, जैसे कि क्यूरेटेड डेटा के साथ फाइन-ट्यूनिंग और पुनः प्रशिक्षण, कॉपीराइटेड डेटा को हटाने के लिए सीधे तंत्र की कमी है।

उनकी व्यापक दृष्टिकोण अक्सर इस जटिल कार्य के लिए अक्षम और संसाधन-गहन साबित होता है, क्योंकि उन्हें व्यापक पुनः प्रशिक्षण की आवश्यकता होती है।

जबकि पारंपरिक तरीके मॉडल के पैरामीटर को समायोजित कर सकते हैं, वे कॉपीराइटेड सामग्री को सटीक रूप से लक्षित करने में संघर्ष करते हैं, जो अनजाने में डेटा हानि और उपोत्पादक अनुपालन का जोखिम है।

अतः, पारंपरिक तकनीकों की सीमाओं और मजबूत समाधानों की आवश्यकता के कारण, वैकल्पिक अनलर्निंग तकनीकों के साथ प्रयोग करना आवश्यक है।

नवीन तकनीक: प्रशिक्षण डेटा के एक उपसेट को अनलर्न करना

माइक्रोसॉफ्ट शोध पत्र एलएलएम में कॉपीराइटेड डेटा को अनलर्न करने के लिए एक नए युग की तकनीक की शुरुआत करता है। लामा2-7बी मॉडल और हैरी पॉटर पुस्तकों के उदाहरण पर केंद्रित, यह विधि कॉपीराइटेड डेटा को भूलने के लिए एलएलएम को बनाने के लिए तीन मुख्य घटकों को शामिल करती है। इन घटकों में शामिल हैं:

• सुदृढ़ मॉडल पहचान: एक सुदृढ़ मॉडल बनाने में लक्ष्य डेटा (जैसे हैरी पॉटर) को फाइन-ट्यून करना शामिल है ताकि इसकी सामग्री के बारे में ज्ञान को मजबूत किया जा सके।
• विशिष्ट अभिव्यक्तियों को प्रतिस्थापित करना: हैरी पॉटर में विशिष्ट अभिव्यक्तियों को सामान्य अभिव्यक्तियों से बदलना एक अधिक सामान्य समझ को सुविधाजनक बनाता है।
• वैकल्पिक पूर्वानुमानों पर फाइन-ट्यूनिंग: बेसलाइन मॉडल वैकल्पिक पूर्वानुमानों पर फाइन-ट्यूनिंग के अधीन है। मूल रूप से, यह प्रासंगिक संदर्भ का सामना करने पर अपनी स्मृति से मूल पाठ को प्रभावी ढंग से हटा देता है।

हालांकि माइक्रोसॉफ्ट की तकनीक अभी भी प्रारंभिक चरण में है और सीमाओं का सामना कर सकती है, यह अधिक शक्तिशाली, नैतिक और अनुकूलनीय एलएलएम की दिशा में एक आशाजनक प्रगति का प्रतिनिधित्व करती है।

नवीन तकनीक का परिणाम

माइक्रोसॉफ्ट शोध पत्र में प्रस्तुत नवीन विधि एलएलएम को कॉपीराइटेड डेटा को भूलने के लिए एक कदम है जो जिम्मेदार और नैतिक मॉडल की दिशा में है।

नवीन तकनीक में मेटा के लामा2-7बी मॉडल से हैरी पॉटर से संबंधित सामग्री को मिटाना शामिल है, जो ज्ञात रूप से “बुक्स3” डेटासेट पर प्रशिक्षित किया गया है जिसमें कॉपीराइटेड कार्य हैं। उल्लेखनीय है, मॉडल की मूल प्रतिक्रियाओं ने जेनेरिक प्रॉम्प्ट के साथ भी जेके राउलिंग की दुनिया की एक जटिल समझ का प्रदर्शन किया।

हालांकि, माइक्रोसॉफ्ट की प्रस्तावित तकनीक ने अपनी प्रतिक्रियाओं को काफी हद तक परिवर्तित कर दिया। यहाँ मूल लामा2-7बी मॉडल और फाइन-ट्यून किए गए संस्करण के बीच प्रमुख अंतरों को प्रदर्शित करने वाले प्रॉम्प्ट के उदाहरण हैं।

इमेज सोर्स 

यह तालिका यह दर्शाती है कि फाइन-ट्यून किए गए अनलर्निंग मॉडल विभिन्न बेंचमार्क (जैसे हेलसवाग, विनोग्रांडे, पिका, बूलक्यू और आरसी) पर अपने प्रदर्शन को बनाए रखते हैं।

इमेज सोर्स

मूल्यांकन विधि, जो मॉडल प्रॉम्प्ट और बाद के प्रतिक्रिया विश्लेषण पर निर्भर करती है, प्रभावी साबित होती है लेकिन अधिक जटिल, विरोधी जानकारी निकालने वाली विधियों को नजरअंदाज कर सकती है।

जबकि तकनीक आशाजनक है, इसके परिष्करण और विस्तार के लिए आगे के शोध की आवश्यकता है, विशेष रूप से एलएलएम के भीतर व्यापक अनलर्निंग कार्यों को संबोधित करने के लिए।

नवीन अनलर्निंग तकनीक चुनौतियाँ

माइक्रोसॉफ्ट की अनलर्निंग तकनीक आशाजनक है, लेकिन कई एआई कॉपीराइट चुनौतियाँ और प्रतिबंध हैं।

मुख्य सीमाएं और सुधार के क्षेत्र में शामिल हैं:

• कॉपीराइट जानकारी के रिसाव: यह विधि कॉपीराइटेड जानकारी के रिसाव के जोखिम को पूरी तरह से कम नहीं कर सकती है, क्योंकि मॉडल फाइन-ट्यूनिंग प्रक्रिया के दौरान लक्ष्य सामग्री के कुछ ज्ञान को बनाए रख सकता है।
• विभिन्न डेटासेट का मूल्यांकन: प्रभावशीलता का मूल्यांकन करने के लिए, इस तकनीक को विभिन्न डेटासेट पर अतिरिक्त मूल्यांकन के अधीन किया जाना चाहिए, क्योंकि प्रारंभिक प्रयोग केवल हैरी पॉटर पुस्तकों पर केंद्रित था।
• स्केलेबिलिटी: वास्तविक दुनिया के परिदृश्यों में इसकी लागूपन और अनुकूलन का मूल्यांकन करने के लिए बड़े डेटासेट और अधिक जटिल भाषा मॉडल पर इसका परीक्षण करना आवश्यक है।

एआई से संबंधित कानूनी मामलों में, विशेष रूप से एलएलएम पर लक्षित कॉपीराइट मुकदमों, में वृद्धि ने स्पष्ट दिशानिर्देशों की आवश्यकता को रेखांकित किया है। माइक्रोसॉफ्ट द्वारा प्रस्तावित अनलर्निंग विधि जैसे आशाजनक विकास जिम्मेदार, कानूनी और नैतिक एआई की दिशा में एक मार्ग प्रशस्त करते हैं।

एआई और एमएल में नवीनतम समाचार और विश्लेषण को याद न करें – आज ही unite.ai पर जाएं।