En este documento, se describe cómo se diseñó Gemini para Google Cloud en función de las capacidades, limitaciones y riesgos asociados con la IA generativa.
Capacidades y riesgos de los modelos grandes de lenguaje
Los modelos grandes de lenguaje (LLM) pueden realizar muchas tareas útiles, como el lo siguiente:
- Idioma de traducción.
- Resumir texto
- Generar código y escritura creativa
- Potenciar chatbots y asistentes virtuales
- Complementa los motores de búsqueda y los sistemas de recomendación.
Al mismo tiempo, las capacidades técnicas en constante evolución de los LLM crean la aplicaciones inadecuadas, usos inadecuados y consecuencias no deseadas o imprevistas.
Los LLM pueden generar resultados inesperados, como texto ofensivo, insensibles o incorrectos. Como los LLM son increíblemente versátiles, puede ser difícil predecir exactamente qué tipos de eventos los resultados que pueden producir.
Debido a estos riesgos y complejidades, Gemini para Google Cloud se diseñó teniendo en cuenta los principios de la IA de Google. Sin embargo, es importante que los usuarios comprendan algunas de las limitaciones de Gemini para que Google Cloud funcione de manera segura y responsable
Limitaciones de Gemini para Google Cloud
Algunas de las limitaciones que puedes encontrar si usas Gemini para Google Cloud incluyen, entre otros, los siguientes:
Casos extremos. Los casos extremos se refieren a situaciones inusuales, excepcionales o excepcionales que no están bien representadas en los datos de entrenamiento. Estos casos pueden provocar limitaciones en el resultado de los modelos de Gemini, como las APIs el exceso de confianza, la mala interpretación del contexto o los resultados inapropiados.
Modela alucinaciones, fundamentación y facticidad. Gemini es posible que los modelos carezcan de fundamento y facticidad en el conocimiento del mundo real, los conocimientos físicos, propiedades o una comprensión precisa. Esta limitación puede generar alucinaciones del modelo, en las que Gemini para Google Cloud podría generar resultados que suenan posibles, pero que son incorrectos, irrelevantes, inapropiados o no tienen sentido. Las alucinaciones también pueden incluir la fabricación de vínculos a páginas web que no existen y nunca existieron. Para obtener más información, consulta Escribe mejores instrucciones para Gemini para Google Cloud.
Calidad y ajuste de los datos. La calidad, la precisión y el sesgo de la instrucción los datos que se ingresan en Gemini para Google Cloud pueden tener un impacto significativo en su rendimiento. Si los usuarios ingresan instrucciones imprecisas o incorrectas, Gemini para Google Cloud podría mostrar respuestas falsas o subóptimas.
Amplificación del sesgo. Los modelos de lenguaje pueden amplificar sin querer sesgos en sus datos de entrenamiento, lo que lleva a resultados que podrían reforzar aún más los prejuicios sociales y el trato desigual de ciertos grupos.
Calidad del idioma. Aunque Gemini para Google Cloud ofrece sorprendentes capacidades multilingües respecto de las comparativas en comparación con la mayoría de nuestras comparativas (incluidas todas las equidad) están en inglés estadounidense.
Los modelos de lenguaje pueden proporcionar una calidad de servicio incoherente a diferentes usuarios. Por ejemplo, es posible que la generación de texto no sea tan eficaz para algunos dialectos o variedades de idioma porque están subrepresentados en los datos de entrenamiento. El rendimiento podría ser peor en los idiomas que no son inglés o inglés variedades con menos representación.
Parámetros de referencia y subgrupos de equidad. Los análisis de equidad de Google Research Los modelos de Gemini no ofrecen una explicación detallada de los diversos los riesgos potenciales. Por ejemplo, nos enfocamos en los sesgos de género, origen étnico, ejes de etnia y religión, pero realizar el análisis solo a partir del Datos en inglés y resultados del modelo.
Experiencia limitada en el área. Los modelos de Gemini se entrenaron con la tecnología de Google Cloud, pero es posible que no tengan la profundidad de conocimiento necesaria para proporcionar respuestas precisas y detalladas sobre temas altamente especializados o técnicos, lo que lleva a información superficial o incorrecta.
Cuando usas el panel Gemini en la consola de Google Cloud, Gemini no reconoce el contexto de tu entorno específico, por lo que no puede responder preguntas como "¿Cuándo fue la última vez que creé una VM?".
En algunos casos, Gemini para Google Cloud envía un segmento de tu contexto con el modelo para recibir una respuesta respuesta (por ejemplo, cuando haces clic en el botón Sugerencias para solucionar problemas) de la página del servicio de Error Reporting.
Filtrado de seguridad y toxicidad de Gemini
Se verificaron las instrucciones y respuestas de Gemini para Google Cloud con una lista completa de atributos de seguridad según corresponda para cada uso para determinar si este es el caso. El objetivo de estos atributos de seguridad es filtrar el contenido que incumple nuestra Política de Uso Aceptable. Si un resultado se considera dañino, se bloqueará la respuesta.
¿Qué sigue?
- Obtén más información sobre cómo Gemini cita fuentes cuando te ayuda a generar código.