ترجمه فارسی مقاله خطرات، علل و راهکارهای کاهش استقرار گسترده مدل‌های زبانی بزرگ (LLM): یک بررسی

چکیده

Recent advancements in Large Language Models (LLMs), such as ChatGPT and LLaMA, have significantly transformed Natural Language Processing (NLP) with their outstanding abilities in text generation, summarization, and classification. Nevertheless, their widespread adoption introduces numerous challenges, including issues related to academic integrity, copyright, environmental impacts, and ethical considerations such as data bias, fairness, and privacy. The rapid evolution of LLMs also raises concerns regarding the reliability and generalizability of their evaluations. This paper offers a comprehensive survey of the literature on these subjects, systematically gathered and synthesized from Google Scholar. Our study provides an in-depth analysis of the risks associated with specific LLMs, identifying sub-risks, their causes, and potential solutions. Furthermore, we explore the broader challenges related to LLMs, detailing their causes and proposing mitigation strategies. Through this literature analysis, our survey aims to deepen the understanding of the implications and complexities surrounding these powerful models.

چکیده به فارسی (ترجمه ماشینی)

پیشرفت های اخیر در مدل های بزرگ زبان (LLMS) ، مانند ChatGPT و Llama ، پردازش زبان طبیعی (NLP) را با توانایی های برجسته خود در تولید متن ، خلاصه و طبقه بندی به طور قابل توجهی تغییر داده است.با این وجود ، تصویب گسترده آنها چالش های بی شماری را ارائه می دهد ، از جمله موضوعات مربوط به یکپارچگی دانشگاهی ، حق چاپ ، تأثیرات زیست محیطی و ملاحظات اخلاقی مانند تعصب داده ، انصاف و حریم خصوصی.تکامل سریع LLMS همچنین نگرانی هایی در مورد قابلیت اطمینان و تعمیم پذیری ارزیابی های آنها ایجاد می کند.در این مقاله یک نظرسنجی جامع از ادبیات در مورد این موضوعات ارائه شده است ، به طور سیستماتیک جمع آوری و سنتز شده از Google Scholar.مطالعه ما یک تجزیه و تحلیل عمیق از خطرات مرتبط با LLM های خاص ، شناسایی ریسک های فرعی ، علل آنها و راه حل های بالقوه ارائه می دهد.علاوه بر این ، ما چالش های گسترده تری مربوط به LLM ها را بررسی می کنیم ، جزئیات آنها را شرح می دهیم و استراتژی های کاهش را پیشنهاد می کنیم.از طریق این تجزیه و تحلیل ادبیات ، بررسی ما با هدف تعمیق درک پیامدها و پیچیدگی های پیرامون این مدل های قدرتمند انجام می شود.