Nowa metoda interpretacji polityk bezpieczeństwa AI przez analizę zachowań annotatorów

Problem niezgodności w oznaczaniu danych dotyczących bezpieczeństwa AI jest powszechny i może wynikać z różnych źródeł: błędów operacyjnych (annotatorzy źle rozumieją zadanie), niejednoznaczności polityk (wytyczne pozostawiają pole do interpretacji) lub pluralizmu wartości (różne osoby mają różne perspektywy na bezpieczeństwo).

Kluczowe wnioski

• Annotator Policy Models (APM) osiągają ponad 80% dokładności w modelowaniu wewnętrznych polityk bezpieczeństwa annotatorów na podstawie samych zachowań oznaczania.
• Nowa metoda pozwala ujawnić różnice w interpretacji instrukcji bezpieczeństwa bez dodatkowego obciążenia annotatorów.
• Badanie wykazuje systematyczne różnice w priorytetach bezpieczeństwa między różnymi grupami demograficznymi.
• APM skutecznie przewidują odpowiedzi na hipotetyczne zmiany w danych, co potwierdza wierność modeli.
• Metoda działa zarówno z ludzkimi annotatorami, jak i z dużymi modelami językowymi używanymi do oznaczania.

Rewolucyjna metoda analizy polityk bezpieczeństwa

Tradycyjne podejścia do zrozumienia różnic w oznaczaniu wymagają bezpośredniego pytania annotatorów o ich rozumowanie, co znacznie zwiększa obciążenie pracą i może być niewiarygodne. Jak wyjaśniają autorzy, samoopisywane rozumowanie często nie odzwierciedla rzeczywistych procesów decyzyjnych zarówno u ludzi, jak i u modeli językowych.

Annotator Policy Models stanowią przełom, ponieważ uczą się wewnętrznych polityk bezpieczeństwa annotatorów wyłącznie z ich zachowań oznaczania, czyniąc rozumowanie annotatorów widocznym i porównywalnym bez dodatkowego wysiłku. Modele te zostały zwalidowane w kontrolowanych warunkach, gdzie udało się odtworzyć znane różnice polityk.

Praktyczne zastosowania w rozwoju AI

Badacze zademonstrujowali dwa kluczowe zastosowania APM. Po pierwsze, ujawnianie niejednoznaczności polityk poprzez pokazanie, jak annotatorzy różnie interpretują instrukcje bezpieczeństwa. Po drugie, odkrywanie pluralizmu wartości przez ujawnienie systematycznych różnic w priorytetach bezpieczeństwa między grupami demograficznymi.

Te możliwości wspierają bardziej ukierunkowane, przejrzyste i inkluzywne projektowanie polityk bezpieczeństwa. Rozróżnienie między źródłami niezgodności ma kluczowe znaczenie: błędy operacyjne wymagają kontroli jakości, niejednoznaczność wymaga wyjaśnienia polityk, a pluralizm wymaga deliberacji nad włączeniem różnorodnych perspektyw.

Metodologia została przetestowana zarówno na oznaczeniach wykonanych przez ludzi, jak i przez duże modele językowe, co pokazuje jej wszechstronność w różnych scenariuszach rozwoju AI. Badanie składa się z 38 stron i 13 ilustracji, zostanie zaprezentowane na konferencji ACM FAccT 2026.