弱点が40種ある盤面で無作為に試すと、100回で28.4種が見つかりました。7割です。
600回まで増やしても39.5種で、最後の200回で増えたのは0.6種だけでした。
見つかりやすい弱点は早い段階で出尽くします。そこから先は、同じやり方では増えません。
レッドチーミングで判断に迷うのがどこまで試すかです。実際に走らせて、上積みの落ち方を測りました。
弱点が40種ある盤面を作りました。当たりやすさには偏りを持たせ、見つけやすいものと見つけにくいものを混ぜています。
無作為に600回ためし、種を変えて40回まわして平均を取りました。盤面の弱点の数は最初から分かっている状態です。
試行回数 見つかった種類 全体に対する割合 直前の区間で新しく出た数 10回 6.5種 16.2% 6.5種 25回 13.2種 33.0% 6.7種 50回 20.7種 51.7% 7.5種 100回 28.4種 70.9% 7.7種 200回 35.0種 87.4% 6.6種 400回 39.0種 97.4% 4.0種 600回 39.5種 98.9% 0.6種
最初の10回で6.5種が見つかります。1回あたり0.65種という高い効率です。
400回から600回の区間では0.6種でした。1回あたり0.003種で、200分の1以下に落ちています。
600回でも98.9%です。残った0.5種は、当たりにくい設定にしてある弱点です。
実務でも同じ形になります。素直な攻撃はすぐ塞がれるので、残るのは手の込んだものです。
出典も同じ点をただし、素直な攻撃の試行は、既存の安全側の調整で容易に捕まる可能性があると述べています。
見つかりやすい弱点は早く出尽くし、上積みが落ちていく。
However, direct adversarial probing might be easily caught by existing safety alignments of your model deployment.原文Microsoft Learn「AI Red Teaming Agent」 この内容の有効期限2027-02-18
試行の単価は変わりません。1種を見つけるための試行回数だけが、後半で跳ね上がります。
レッドチーミングの費用は試行回数に比例します。ところが成果は比例しません。
前の節の表から、1種を見つけるのに要した試行回数を出します。最初の10回では1.5回に1種です。
400回から600回の区間では、200回で0.6種でした。333回に1種という計算になります。
自動で試すなら333回も回せます。人手で1回ずつ作る場合は、その回数が現実的ではありません。
出典もこの点を手作業によるレッドチーミングの過程は、時間も資源も多く費やすと述べています。
だからこそ、人手は上積みが止まってから使います。前半の量は自動でこなせます。
3番目で終わりにしないのが要点です。上積みが0なのは、そのやり方で出尽くしただけかもしれません。
後半は、1種を見つけるのに300回以上かかる。
Manual AI red teaming process is time and resource intensive.原文Microsoft Learn「AI Red Teaming Agent」 この内容の有効期限2027-02-18
同じやり方を続けても上積みは戻りません。人が入るのは、試行を増やす側ではなく手を変える側です。
レッドチーミングを続ける形にするには、自動と人の役割を分けます。
この計測は1つのやり方で無作為に試した場合です。上積みが落ちるのは、そのやり方で届く範囲を掘り尽くしたからです。
どれも盤面そのものを差し替える操作です。同じ盤面で試行を増やしても、この計測のとおり0.6種しか増えません。
形を変える手の効きはジェイルブレイク対策の記事で測っています。空白をはさむだけで検知率が0%になりました。
出典も進め方を危険性の評価に最も効く進め方は、潜在的な危険を洗い出す自動の道具と、より深い洞察のための専門家による分析を組み合わせるものであるとしています。
自動が担うのは前半の量です。人が担うのは、次にどの盤面を試すかという判断です。
上積みが止まったら、試行ではなく手を変える。
弱点の数を40種と決め打ちしています。実際には総数が分からないので、割合そのものは出せません。当たりやすさの偏りも式で置いたもので、実際の分布とは違います。ここで見せているのは、同じやり方を続けると上積みが落ちるという関係と、その落ち方が打ち切りの目安になるという点です。
The most effective strategies for risk assessment combine automated tools that surface potential risks with expert human analysis for deeper insights.原文Microsoft Learn「AI Red Teaming Agent」 この内容の有効期限2027-02-18
同じ課題を持つ会社にとって、動いている設定は「作る時間」を買えるということです。ServiceDockは自作のワークフローやテンプレートを出品できるマーケットプレイスです。手数料や出品の流れは出品者向けページにまとまっています。
出品の仕組みを見る