DeepMind zeigt: Größere KI-Modelle meistern Faktenprüfung besser als Menschen

MÜNCHEN (IT BOLTWISE) – Die jüngste Forschung von Google DeepMind zu großen Sprachmodellen (LLMs) hat gezeigt, dass diese KI-Systeme beim Faktencheck von Langtexten menschliche Prüfer übertreffen können, was einen wichtigen Meilenstein in der Entwicklung wahrheitsgetreuer und verlässlicher KI darstellt.

Die Forschungsergebnisse, die in einem neuen Papier detailliert beschrieben sind, stellen einen bedeutenden Fortschritt dar. DeepMind hat LongFact eingeführt, einen Benchmark-Datensatz, der tausende von faktenorientierten Fragen über 38 Themen umfasst, generiert mithilfe von GPT-4. Um die faktische Genauigkeit der LLM-Antworten auf diese Fragen zu bewerten, schlagen die Forscher den Search-Augmented Factuality Evaluator (SAFE) vor. Diese Methode nutzt ein LLM, um eine langformige Antwort in einzelne Fakten zu zerlegen, führt eine Google-Suche durch, um unterstützende Beweise für jeden Fakt zu finden, und bestimmt die Gesamtfaktualität der Antwort durch mehrstufiges Schlussfolgern.

Wichtige Ergebnisse sind, dass LLM-Agenten supermenschliche Leistungen im Faktencheck erreichen können, wenn sie Zugang zu Google Suche haben. SAFE stimmte in 72% der Fälle mit menschlichen Annotatoren überein bei einem Set von ungefähr 16.000 einzelnen Fakten. In einer zufälligen Teilmenge von 100 Uneinigkeitsfällen lag SAFE 76% der Zeit richtig. Größere Sprachmodelle erreichen in der Regel eine bessere Langform-Faktualität. Die Studie bewertete 13 Modelle aus vier Familien (Gemini, GPT, Claude und PaLM-2) und fand heraus, dass die Modellgröße mit der faktischen Genauigkeit korreliert.

Automatisierte Faktenprüfungen mit LLMs sind deutlich kostengünstiger als menschliche Annotationen. SAFE ist mehr als 20-mal günstiger als die Verwendung von crowdsourcing-basierten menschlichen Annotatoren. Die Forscher schlagen auch vor, die F1-Punktzahl als aggregierte Metrik für die Langform-Faktualität zu erweitern. Diese Metrik, F1@K genannt, balanciert den Prozentsatz der in einer Antwort unterstützten Fakten (Präzision) mit dem Prozentsatz der im Verhältnis zu einem Hyperparameter K bereitgestellten Fakten, welcher die bevorzugte Antwortlänge eines Benutzers repräsentiert (Recall).

Trotz dieser vielversprechenden Schritte gibt es Einschränkungen. SAFE ist abhängig von den Fähigkeiten des zugrundeliegenden LLMs und der Vollständigkeit der Google-Suchergebnisse. Darüber hinaus geht die vorgeschlagene F1@K-Metrik davon aus, dass in der Antwort des Modells keine Faktenwiederholungen vorkommen.

Trotz dieser Einschränkungen stellt die Forschung einen vielversprechenden Schritt hin zu wahrheitsgetreueren KI-Systemen dar. Da sich LLMs weiterentwickeln, könnte ihre Fähigkeit, die faktische Genauigkeit generierter Texte zu bewerten und sicherzustellen, weitreichende Auswirkungen auf die Bekämpfung von Falschinformationen und das Vertrauen in KI-Anwendungen haben.