建立輸入和輸出保護措施

生成式 AI 應用程式通常需要篩選輸入和輸出資料 有時也稱為「安全守衛」，協助確保以負責任的方式執行模型 行為輸入和輸出篩選技術會檢查輸入或輸出的資料 將符合您的政策 您需要定義應用程式所需的值

現成的保護措施

即使先前已調整安全性，並採用設計完善的提示範本， 您的模型還是有可能輸出造成意外傷害的內容 想進一步簡化這個問題，內容分類器可以在 以及防護敏感內容類別可套用至輸入和輸出內容。

輸入分類器通常用於篩選非預期的內容 用於您的應用程式，進而導致模型違反 安全政策。輸入篩選器通常會鎖定惡意攻擊，試圖 規避內容政策輸出分類器可進一步篩選模型 輸出內容，以及攔截可能違反安全政策的非預期生成內容。 建議您設定涵蓋所有內容政策的分類項。

Google 提供以 API 為基礎的內容安全分類器，可用來 篩選系統輸入和輸出內容：

  • Perspective API 是採用機器技術的免費 API 機器學習模型，為留言可能帶來的正面影響評分 對話。模型會提供一個分數 留言包含惡意、威脅、侮辱或離題的內容。
  • 文字管理服務是 Google Cloud API， 用量須低於特定限制，以及 運用機器學習技術，根據安全清單來分析文件 包括各種可能有害的類別和 都屬於敏感內容

請務必評估現成分類器是否合乎您的政策 ，並透過質性評估失敗案例。此外， 請注意，過度篩選不但可能導致意外傷害 應用程式的公用程式，因此您也必須檢閱 過度篩選的情況如要進一步瞭解這類評估 方法，請參閱評估模型和系統以確保安全。

建立自訂安全分類器

現成的保護措施有許多原因 用途包括提供不支援的政策，或是想要 經觀察到的資料影響系統能進一步調整保護措施。於 在此情況下，靈活的分類器會提供效率更高的分類器， 靈活的架構，以便藉由調整模型來建立自訂保護措施，例如 Gemma，滿足你的需求。同時讓你完全掌控 部署方式

Gemma Agile 分類器教學課程

啟動程式碼研究室 啟動 Google Colab

以下介紹靈活的分類器：codelab 教學課程使用 LoRA 微調 Gemma 使用 KerasNLP 做為內容審核分類器 資源庫。我們只使用 ETHOS 資料集中的 200 個範例， 分類器的 F1 分數為 0.80，ROC-AUC 分數 與 0.78 相比，這與最先進的 排行榜結果。如要訓練 800 個樣本 例如排行榜上的其他分類器，Gemma 中具有敏捷性分類技術 獲得 F1 分數 83.74，ROC-AUC 分數為 88.17。您可以調整 教學課程，瞭解如何進一步修正這個分類器，或是自行建立 以及由自訂安全分類器保護措施所組成

設定保護措施的最佳做法

強烈建議您使用安全分類器做為保護措施。不過 以免生成式模型 使用者也會看到這個按鈕應用程式需要設計來因應這種情況 確認是否屬於此情況大多數熱門的聊天機器人會提供罐頭回應 (「我是 很抱歉，這是語言模型，因此無法針對這項要求提供協助」)。

在實用性與無傷害之間找到平衡：使用 安全分類器，務必瞭解這些錯誤會出錯 包括兩個誤報 (例如，如果輸出內容不安全， 非) 和偽陰性 (如果輸出處於不安全狀態，就不會標示為不安全)。變更者： 利用 F1、精確度、喚回度和 AUC-ROC 等指標評估分類器 您可以決定在偽陽性和偽陽性之間 取捨的方式 負面錯誤。只要變更分類器門檻，您就能 避免過度篩選輸出內容，同時兼顧 適當的安全措施

檢查分類器是否有非預期的偏誤：安全分類器 (例如 可能會帶來非預期的偏誤，例如社會文化 刻板印象應用程式必須經過適當評估，才能 問題行為具體來說，內容安全分類器可以 過度觸發與主要身分相關的內容 惡意言語。例如，當 Perspective API 之前 才剛啟用模型，這個模型從留言中傳回較高的惡意分數 參照特定身分群組 (網誌)。這個過度觸發 可能會因為註解中提及身分相關字詞 經常鎖定的目標群組 (例如「黑色」、「穆斯林」、「女權主義」等字詞 「女性」、「同志」等) 在大自然中較常見。如果資料集使用 與訓練分類器相關的留言 分類器可能會過度一般，並考量含有這些字詞的所有留言 表示可能有安全疑慮瞭解 Jigsaw 團隊的成功案例 減緩這種非預期的偏誤。

開發人員資源