IA responsable

Los modelos grandes de lenguaje (LLM) pueden traducir idiomas, resumir texto, generar escritura de creatividades, generar código, chatbots avanzados y asistentes virtuales, y motores de búsqueda complementarios y sistemas de recomendación. Al mismo tiempo, como una tecnología en su fase inicial, las capacidades y los usos que están en evolución podrían generar aplicaciones inadecuadas, usos inadecuados y consecuencias no deseadas o imprevistas. Los modelos grandes de lenguaje pueden generar resultados que no se esperan, incluido un texto que sea ofensivo, insensible o factible.

Además, la increíble versatilidad de los LLM es lo que dificulta la predicción exacta de los tipos de resultados no deseados o imprevistos que podrían producir. Debido a estos riesgos y complejidades, las APIs de IA generativas de Vertex AI se diseñaron teniendo en cuenta los principios de la IA de Google. Sin embargo, es importante que los desarrolladores comprendan y prueben sus modelos para implementarlos de manera segura y responsable. Para ayudar a los desarrolladores, Vertex AI Studio tiene un filtro de contenido integrado, y nuestras APIs de IA generativas tienen una puntuación de atributos de seguridad para ayudar a los clientes a probar los filtros de seguridad de Google y definir los umbrales de confianza adecuados para su caso de uso y negocios. Consulta la sección Filtros y atributos de seguridad para obtener más información.

Cuando nuestras APIs generativas se integran en tu caso práctico y contexto único, es posible que debas tener en cuenta las limitaciones y consideraciones adicionales de la IA responsable. Recomendamos a los clientes que fomenten las prácticas recomendadas de equidad, interpretabilidad, privacidad y seguridad.

Atributos y filtros de seguridad

Para obtener información sobre cómo usar los filtros de seguridad y los atributos de una API, consulta las siguientes páginas:

Limitaciones del modelo

Entre las limitaciones que puedes encontrar cuando usas los modelos de IA generativa, se incluyen las siguientes:

  • Casos extremos: Los casos extremos se refieren a situaciones inusuales o excepcionales que no están bien representadas en los datos de entrenamiento. Estos casos pueden generar limitaciones en el rendimiento del modelo, como un exceso de confianza, una interpretación errónea del contexto o resultados inapropiados.

  • Alucinaciones, fundamentación y factibilidad de modelos: Los modelos generativos de IA pueden carecer de factibilidad en el conocimiento del mundo real, en las propiedades físicas o en la comprensión precisa. Esta limitación puede generar alucinaciones del modelo, que se refieren a instancias en las que puede generar resultados que suenan posibles, pero que son incorrectos, irrelevantes, inapropiados o no tienen sentido. Para reducir esta posibilidad, puedes basar los modelos en tus datos específicos. Para obtener más información sobre los fundamentos de Vertex AI, consulta Descripción general de base.

  • Calidad y ajuste de los datos: La calidad, precisión y sesgo del mensaje o la entrada de datos en un modelo pueden tener un impacto significativo en su rendimiento. Si los usuarios ingresan instrucciones o datos incorrectos o inexactos, el modelo puede tener un rendimiento deficiente o resultados de modelo falsos.

  • Amplificación de sesgo: Los modelos de la IA generativa pueden amplificar de forma involuntaria el sesgo existente en los datos de entrenamiento, lo que genera resultados que pueden reforzar aún más los prejuicios sociales y el tratamiento desigual de ciertos grupos.

  • Calidad del lenguaje: Si bien los modelos producen capacidades impresionantes multilingües en las comparativas con las que evaluamos, la mayoría de nuestras comparativas (incluidas todas las evaluaciones de equidad) están en inglés. Para obtener más información, consulta el blog de Google Research.

    • Los modelos de IA generativos pueden proporcionar una calidad de servicio incoherente a los diferentes usuarios. Por ejemplo, es posible que la generación de texto no sea tan eficaz para algunos dialectos o variedades de idioma debido a la subrepresentación en los datos de entrenamiento. El rendimiento puede ser peor para los idiomas que no son inglés o los variedades de idioma inglés con menos representación.

  • Subgrupos y comparativas de la equidad: Los análisis de equidad de Google Research de nuestros modelos generativos de IA no proporcionan una cuenta exhaustiva de los diversos riesgos potenciales. Por ejemplo, nos enfocamos en los sesgos de género, raza, etnia y religión, pero realizamos el análisis solo en los datos de inglés y las salidas de modelos. Para obtener más información, consulta el blog de Google Research.

  • Experiencia limitada en el dominio: Los modelos de IA generativa pueden carecer de la profundidad de conocimiento necesaria para proporcionar respuestas precisas y detalladas sobre temas altamente especializados o técnicas, lo que lleva a información superficial o incorrecta. Para casos de uso especializados y complejos, los modelos se deben ajustar a los datos específicos del dominio y debe haber una supervisión humana significativa en contextos con el potencial de afectar de forma significativa los derechos individuales.

  • Longitud y estructura de las entradas y salidas: Los modelos de IA generativa tienen un límite máximo de tokens de entrada y salida. Si la entrada o salida excede este límite, no se aplican nuestros clasificadores de seguridad, lo que podría provocar un rendimiento deficiente del modelo. Si bien nuestros modelos están diseñados para manejar una amplia gama de formatos de texto, su rendimiento puede verse afectado si los datos de entrada tienen una estructura inusual o compleja.

Para usar esta tecnología de forma segura y responsable, también es importante considerar otros riesgos específicos de tu caso de uso, los usuarios y el contexto empresarial, además de las protecciones técnicas integradas.

Te recomendamos que sigas estos pasos:

  1. Evalúa los riesgos de seguridad de tu aplicación.
  2. Realiza pruebas de seguridad adecuadas según tu caso de uso.
  3. Configura filtros de seguridad si es necesario.
  4. Solicita comentarios de los usuarios y supervisa el contenido.

Denunciar abuso

Puedes informar un posible abuso del Servicio o cualquier resultado generado que contenga material inapropiado o información imprecisa con el siguiente formulario: Denunciar sospechas de abuso en Google Cloud.

Recursos adicionales