整合海量公共数据谷歌开源AI统计学专家DataGemma

　　最后★★◆★，一旦明确了需要哪些外部数据，LLM就需要生成一个或多个查询来获取这些数据。

　　下表的结果表明★◆◆■，LLM在引用数字时通常是准确的 (99%)，当根据这些说法进行推论时，准确性会下降，在6-20%的时间内得出错误的推论★★。

　　API的灵感来自于Robert McCool在1993年设计的URL参数编码接口，虽然简单■■◆★◆，却经受住了时间的考验，是目前在网络上最接近通用API的接口。

　　而在RAG中，辅助检索系统从大型语料库中识别与用户查询相关的背景知识，然后用这些知识来增强用户的查询。

　　2. 公共统计数据包含多种模式和格式，通常需要相当多的背景上下文才能正确解释■■◆。

　　当向LLM提出统计查询时，通常会生成包含数字答案的文本（如下图所示）。这时可以根据数字（LLM-SV）相关的上下文，在Data Commons数据库中匹配最相关的值（DC-SV），作为事实检查机制一起返回给用户。

　　对于Data Commons这么庞大的数据源★■，想要被LLM正常使用■◆★■，需要面对一些现实的挑战：

　　之前的工作利用了两种方法来缓解这些问题：使用工具和检索增强生成（RAG）。

　　首先★◆■■◆，LLM必须学会在适当的时机选择，是使用存储在模型参数中的知识◆★★◆，还是从外部获取信息。

　　其次■■◆■，研究人员使用LLM创建一个自然语言界面，允许用户用通用语言提出问题，并通过图表等方式来探索庞大的数据库。

　　原始用户查询以及结果表可能会相当长★◆★◆■◆。例如，比较查询可能包括来自美国所有50个州或全球194个国家的多个表的多年数据★■■◆◆。

　　需要明确的是，LLM只是将查询转换为Data Commons中的词汇表，不会与底层数据交互，也不会生成输出，因此不必担心出现幻觉之类的问题。

　　本文作者以谷歌开源的Gemma和Gemma-2模型为基础，分别利用检索交错生成（RIG）和RAG微调出两个新的版本◆★◆■★★。

　　所使用的提示包含三个示例作为指导，要求注释出统计值和单位◆◆，还要指示数据共享调用包括地名、指标和日期等◆★。最后会进行人工审查，并手动重写不符合要求的数据共享调用◆★。

　　【新智元导读】近日，谷歌推出了自己筹划已久的大型开源公共统计数据库■★◆◆◆■，以及在此基础上诞生的大模型。——「AI统计学专家」能解决幻觉吗★■◆★■？

　　对于每个问题■■◆◆■，都会从基本模型中选择带有统计数据的答案（约400个），然后将这些响应提供给功能更强大的LLM（Gemini 1★■◆◆★◆.5 Pro），指示它围绕统计数据点引入自然语言数据共享调用。

　　当然了◆★，关于何时查询外部源这件事，需要LLM学到自己的参数里，这可以采用多种机制来实现。

　　如上图所示■★■，这里扩展了RIG管道的步骤。首先是经过微调以生成自然语言查询的模型；接着是后处理器★◆■★★，将自然语言查询转换为结构化数据查询★◆◆★★；最后一个组件是查询机制，从Data Commons检索统计答案并使用LLM生成。

　　其次，需要决定应该从哪个外部源查询所需的信息，因为可用的信息源可能很多而且是动态的。在本文中■◆■★◆★，作者直接使用单一外部信息源来包含大量数据源■◆◆★★。

　　比如「世界上排名前5的二氧化碳排放国是哪些国家？」；更复杂一点的比如「加利福尼亚州是世界上最大的经济体吗◆★？」（这里面暗含了所比较的实体——加利福尼亚州与其他国家/地区相比★★■■★，而不是美国各州）；或者「煤发电量高的美国各州，慢性阻塞性肺病发病率也很高吗？」（这涉及到实体和指标之间的比较）■◆■■★。

　　人工评估人员能够浏览所有查询，并检查每个查询响应中的所有Data Commons调用，首先快速检查是否存在任何明显的事实不准确之处■◆◆■◆，然后对响应中存在的每项统计数据进行评估。

　　上表显示了RIG方法的事实准确性指标（Data Commons中的统计数据与101个查询中的LLM响应进行比较的情况）◆◆■■★。总体而言◆◆★■，RIG方法提高了线%。

　　检索交错生成 (RIG)，是一种受使用工具启发的方法■■■■◆★，将LLM进行微调以生成自然语言数据共享查询，然后，多模型管道将此查询转换为结构化数据查询，用于从Data Commons数据库检索答案。

　　对齐方面■◆，作者采用LIMA（一种指令调整和强化学习方法）★◆★■◆■，遵循少即是多的原则◆★■，利用数量少但质量很高的一组示例■◆■★★◆，使最终任务与用户偏好保持一致■■★■。

　　一般来说，不同的来源会产生不同类型的数据，如果LLM还要专门去学习各种API就有点麻烦了。因此，作者开发了用于外部数据和服务的单一通用API◆■◆。

　　Data Commons是一个庞大的开源公共统计数据存储库，包含来自联合国 (UN)、疾病控制与预防中心 (CDC) 、人口普查局、卫生部、环境机构★★★★★、经济部门、非政府组织和学术机构等可信来源的大量统计数据。

　　在综合查询集中，平均输入长度为38,000个token，最大输入长度为348,000个token■★。由于输入量很大，因此必须使用长上下文LLM，用户响应如上图所示★★◆◆■★。

　　首先■■◆◆，研究人员花了数年时间访问大量公开可用的数据集，追踪数据背后的假设，并使用一种用于编码结构化数据的开放词汇表）对它们进行规范化，最终形成了一个包含所有数据的通用知识图谱◆■◆★★。

　　为了评估单个测试查询响应，这里需要子字符串级别的详细反馈。研究人员采用了上图所示的可视化工具■■★◆■。

　　对于RAG方法，人类评估者评估LLM生成的细粒度问题及其相应的数据共享响应的质量■■◆★■■。首先验证是否生成了足够且相关的问题来解决用户查询（上图）★■；然后评估每个单独问题的质量及其相应的数据共享响应（下图）★◆。

　　前一种方法会调整LLM来生成一种标记语言■◆◆★，能够将自然文本与对外部工具的函数调用穿插在一起◆★◆★■★。为了对抗幻觉★★，工具可能会查询数据库或搜索引擎。

　　作者使用自然语言来表达查询，返回的答案可以用mime-type来增强，以允许非文本答案。

　　RAG管道同样包含多个组件■◆。首先，用户查询被传递到一个小型的◆■、经过微调的LLM■◆■◆★，它会生成与用户查询相关的自然语言查询◆★★■；然后，通过Data Commons的自然语言接口来获取相关的表★■■◆；最后◆◆，将原始用户查询和检索到的表交给长上下文LLM（Gemini 1◆■◆.5 Pro）。

　　本文提出了一种将LLM桥接到数据的通用架构■★■■★◆，并探讨了需要解决的三个问题■◆★◆◆★。

　　本文为澎湃号作者或机构在澎湃新闻上传并发布■★◆★★，仅代表该作者或机构观点◆◆■◆★，不代表澎湃新闻的观点或立场，澎湃新闻仅提供信息发布平台★★◆■★◆。申请澎湃号请用电脑访问。

　　搞定了这些，一个能够充分利用最新最全外部数据的「AI统计学家」（或者叫统计学魔术师）就诞生了★★★■■★。

　　当前的方法是利用这个自然语言接口，教导LLM何时以及如何与Data Commons的接口进行通信。

　　对于这个问题，谷歌在近日推出了自己筹划已久的大型数据库Data Commons，以及在此基础上诞生的大模型DataGemma★◆。