賢いAIほど偏見を持つ、採用シミュレーションが示した逆説
少ないデータから一般化する能力は、数学やコーディングでLLMが評価されてきた長所である。だが、プリンストン大学などの採用シミュレーション実験で、その能力が社会的な判断では偏見として働くことが示された。モデルは数回の結果を見ただけで架空の民族集団を特定の職種に振り分け、その傾向は人間より約65%強い。しかも推論能力の高いモデルほど、偏りは大きかった。
出典: ASCII.jp（配信元の紹介文より引用）
このニュースの全文は、配信元でお読みいただけます。 ASCII.jpで元記事を読む →
この話題に関連する、TOEの実践・観測記録
大きいモデルなら自社の言葉も通じるのか？1,173問・54モデルで正答率が25.66%〜82.18%に開いた検証
UAEのTechnology Innovation Instituteが、エミラティ方言を扱う1,173問のベンチマーク「Alyah」で54モデルを評価しました。同じ問題セットで正答率は25.66%から82.18%まで開き、4択の偶然正解25%と区別できないモデルもありました。自社の言葉づかいで測る必要性を示す実例です。
続きを読む →
AIエージェントは設備の現場業務をどこまで任せられるのか？最良モデルでも計画68.2%・実行72.4%、複数連携では47%
IBM Researchが公開したAssetOpsBenchは、産業設備の運用業務をAIエージェントに解かせるベンチマークです。最良のGPT-4.1でも計画68.2%・実行72.4%にとどまり、実運用可否の基準である85点に到達したモデルはゼロ。複数エージェントを連携させると47%まで落ちました。中小企業が自動化の範囲を決める材料になります。
続きを読む →
公開ベンチマークのスコアはそのまま比較に使えるのか？同じLLaMA 65BのMMLUが63.7と48.8に割れている
Hugging FaceとEvalEval Coalitionが、22,000超のモデル・2,200のベンチマークにまたがる229,000件の評価結果を1か所に集約しました。そこで露わになったのは、同一モデル・同一ベンチマークでもスコアが63.7と48.8に食い違うという事実です。ベンダー提示の点数をどう扱うべきかを整理します。
続きを読む →