MLCommonsによるAI安全性ベンチマークv0.5の紹介

Introducing v0.5 of the AI Safety Benchmark from MLCommons

April 18, 2024

著者: 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

要旨

本論文では、MLCommons AI Safetyワーキンググループによって作成されたAI Safety Benchmarkのv0.5を紹介する。AI Safety Benchmarkは、チャット用に調整された言語モデルを使用するAIシステムの安全性リスクを評価するために設計されている。v0.5では、単一のユースケース（英語での汎用アシスタントとの成人のチャット）と限られたペルソナ（典型的なユーザー、悪意のあるユーザー、脆弱なユーザー）のみをカバーする。新たに13のハザードカテゴリーの分類体系を作成し、そのうち7つがv0.5ベンチマークにテストとして含まれている。2024年末までにAI Safety Benchmarkのバージョン1.0をリリースする予定であり、v1.0ベンチマークはAIシステムの安全性に関する有意義な洞察を提供する。ただし、v0.5ベンチマークはAIシステムの安全性を評価するために使用すべきではない。v0.5の制限、欠点、課題を完全に文書化するよう努めた。このv0.5リリースには、(1) ユースケース、テスト対象システム（SUT）の種類、言語とコンテキスト、ペルソナ、テスト、テスト項目を含むベンチマークの指定と構築の原則的アプローチ、(2) 定義とサブカテゴリーを含む13のハザードカテゴリーの分類体系、(3) 各ハザードカテゴリーに対するテスト（プロンプトの一意のセットで構成される）、合計43,090のテスト項目（テンプレートを使用して作成）、(4) ベンチマークに対するAIシステムの評価システム、(5) ベンチマーク上でAIシステムの安全性を評価するために使用できる公開プラットフォームおよびダウンロード可能なツール「ModelBench」、(6) 公開されている十数以上のチャット用言語モデルの性能をベンチマークした評価レポートの例、(7) ベンチマークのテスト仕様が含まれている。

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.