Los grandes modelos de lenguaje pueden entrenarse para ofrecer a los usuarios respuestas engañosas, que además persisten pese a posteriores intentos de depurar o corregir la información.
Al igual que los humanos adaptan u ocultan sus motivaciones para alinearse con el fin que persiguen ante una audiencia, la IA también presenta unas “presiones de selección” parecidas.
Esto ha llevado a un grupo de investigadores a descubrir si los modelos pueden mostrar comportamientos engañosos y si estos pueden detectarse y eliminarse.
Para este estudio, en el que participan investigadores de Anthropic, diseñaron ejemplos supervisados de comportamiento engañoso en LLM mediante un entrenamiento solapado.
Se trata del entrenamiento de modelos que escriben código seguro cuando el mensaje indica que el año es 2023, pero que inserta código con vulnerabilidades cuando el año indicado es 2024.
Posteriormente, estos ejemplos se sometieron a técnicas seguras de entrenamiento para eliminar los comportamientos engañosos.
SOLO ELIMINA EL COMPORTAMIENTO VISIBLE
Sin embargo, descubrieron que esto solo puede eliminar “el comportamiento inseguro que es visible durante el entrenamiento y la evaluación”.
Es decir, se salta los modelos con una alineación engañosa instrumental que parecen ser seguros durante el entrenamiento.
Esto se traduce en que dicho comportamiento engañoso se vuelve persistente, como apuntan los investigadores en el texto de la investigación, publicado en Arxiv.
Concretamente, concluyen que “cuando un modelo exhibe un comportamiento engañoso, las técnicas estándar pueden fallar al eliminar dicho engaño y crear una falsa impresión de seguridad”.
También apuntaron que en lugar de eliminar el entrenamiento solapado, se puede recurrir al entrenamiento adversario.
Esto es con el fin de enseñar a los modelos a reconocer mejor los desencadenantes de su comportamiento engañoso para que lo oculten.
“Podemos entrenar modelos solapados que producen un razonamiento consistente y coherente en relación con su puerta trasera”.
Además, aseguraron que pueden “encontrar que dichos modelos muestran un incremento de su robustez”.
Esto es, según señalan, “ante técnicas seguras de ajuste, incluso cuando el razonamiento se destila”.
Fuente: EP.
