Presentamos la versión 0.5 del Benchmark de Seguridad en IA de MLCommons.

Introducing v0.5 of the AI Safety Benchmark from MLCommons

April 18, 2024

Autores: Bertie Vidgen, Adarsh Agrawal, Ahmed M. Ahmed, Victor Akinwande, Namir Al-Nuaimi, Najla Alfaraj, Elie Alhajjar, Lora Aroyo, Trupti Bavalatti, Borhane Blili-Hamelin, Kurt Bollacker, Rishi Bomassani, Marisa Ferrara Boston, Siméon Campos, Kal Chakra, Canyu Chen, Cody Coleman, Zacharie Delpierre Coudert, Leon Derczynski, Debojyoti Dutta, Ian Eisenberg, James Ezick, Heather Frase, Brian Fuller, Ram Gandikota, Agasthya Gangavarapu, Ananya Gangavarapu, James Gealy, Rajat Ghosh, James Goel, Usman Gohar, Sujata Goswami, Scott A. Hale, Wiebke Hutiri, Joseph Marvin Imperial, Surgan Jandial, Nick Judd, Felix Juefei-Xu, Foutse Khomh, Bhavya Kailkhura, Hannah Rose Kirk, Kevin Klyman, Chris Knotz, Michael Kuchnik, Shachi H. Kumar, Chris Lengerich, Bo Li, Zeyi Liao, Eileen Peters Long, Victor Lu, Yifan Mai, Priyanka Mary Mammen, Kelvin Manyeki, Sean McGregor, Virendra Mehta, Shafee Mohammed, Emanuel Moss, Lama Nachman, Dinesh Jinenhally Naganna, Amin Nikanjam, Besmira Nushi, Luis Oala, Iftach Orr, Alicia Parrish, Cigdem Patlak, William Pietri, Forough Poursabzi-Sangdeh, Eleonora Presani, Fabrizio Puletti, Paul Röttger, Saurav Sahay, Tim Santos, Nino Scherrer, Alice Schoenauer Sebag, Patrick Schramowski, Abolfazl Shahbazi, Vin Sharma, Xudong Shen, Vamsi Sistla, Leonard Tang, Davide Testuggine, Vithursan Thangarasa, Elizabeth Anne Watkins, Rebecca Weiss, Chris Welty, Tyler Wilbers, Adina Williams, Carole-Jean Wu, Poonam Yadav, Xianjun Yang, Yi Zeng, Wenhui Zhang, Fedor Zhdanov, Jiacheng Zhu, Percy Liang, Peter Mattson, Joaquin Vanschoren

cs.AI

Resumen

Este artículo presenta la versión 0.5 del Benchmark de Seguridad en IA, creado por el Grupo de Trabajo de Seguridad en IA de MLCommons. El Benchmark de Seguridad en IA ha sido diseñado para evaluar los riesgos de seguridad en sistemas de IA que utilizan modelos de lenguaje ajustados para chat. Introducimos un enfoque fundamentado para especificar y construir el benchmark, que en la versión 0.5 cubre solo un caso de uso (un adulto conversando con un asistente de propósito general en inglés) y un conjunto limitado de personajes (es decir, usuarios típicos, usuarios maliciosos y usuarios vulnerables). Hemos creado una nueva taxonomía de 13 categorías de riesgos, de las cuales 7 tienen pruebas en el benchmark de la versión 0.5. Planeamos lanzar la versión 1.0 del Benchmark de Seguridad en IA para finales de 2024. El benchmark de la versión 1.0 proporcionará información significativa sobre la seguridad de los sistemas de IA. Sin embargo, el benchmark de la versión 0.5 no debe utilizarse para evaluar la seguridad de los sistemas de IA. Hemos buscado documentar completamente las limitaciones, fallos y desafíos de la versión 0.5. Esta versión del Benchmark de Seguridad en IA incluye: (1) un enfoque fundamentado para especificar y construir el benchmark, que comprende casos de uso, tipos de sistemas bajo prueba (SUTs), lenguaje y contexto, personajes, pruebas y elementos de prueba; (2) una taxonomía de 13 categorías de riesgos con definiciones y subcategorías; (3) pruebas para siete de las categorías de riesgos, cada una compuesta por un conjunto único de elementos de prueba, es decir, prompts. Hay 43,090 elementos de prueba en total, creados mediante plantillas; (4) un sistema de calificación para sistemas de IA frente al benchmark; (5) una plataforma de acceso abierto y una herramienta descargable, llamada ModelBench, que puede utilizarse para evaluar la seguridad de los sistemas de IA en el benchmark; (6) un informe de evaluación de ejemplo que compara el rendimiento de más de una docena de modelos de lenguaje ajustados para chat disponibles públicamente; (7) una especificación de prueba para el benchmark.

English

This paper introduces v0.5 of the AI Safety Benchmark, which has been created by the MLCommons AI Safety Working Group. The AI Safety Benchmark has been designed to assess the safety risks of AI systems that use chat-tuned language models. We introduce a principled approach to specifying and constructing the benchmark, which for v0.5 covers only a single use case (an adult chatting to a general-purpose assistant in English), and a limited set of personas (i.e., typical users, malicious users, and vulnerable users). We created a new taxonomy of 13 hazard categories, of which 7 have tests in the v0.5 benchmark. We plan to release version 1.0 of the AI Safety Benchmark by the end of 2024. The v1.0 benchmark will provide meaningful insights into the safety of AI systems. However, the v0.5 benchmark should not be used to assess the safety of AI systems. We have sought to fully document the limitations, flaws, and challenges of v0.5. This release of v0.5 of the AI Safety Benchmark includes (1) a principled approach to specifying and constructing the benchmark, which comprises use cases, types of systems under test (SUTs), language and context, personas, tests, and test items; (2) a taxonomy of 13 hazard categories with definitions and subcategories; (3) tests for seven of the hazard categories, each comprising a unique set of test items, i.e., prompts. There are 43,090 test items in total, which we created with templates; (4) a grading system for AI systems against the benchmark; (5) an openly available platform, and downloadable tool, called ModelBench that can be used to evaluate the safety of AI systems on the benchmark; (6) an example evaluation report which benchmarks the performance of over a dozen openly available chat-tuned language models; (7) a test specification for the benchmark.