Kaj je glavni cilj generativne umetne inteligence? [Video in kviz]

Kratek odgovor: Glavni cilj generativne umetne inteligence je ustvariti novo, verodostojno vsebino (besedilo, slike, zvok, kodo in drugo) z učenjem vzorcev v obstoječih podatkih in njihovim razširjanjem kot odgovor na poziv. Običajno najbolj pomaga, ko potrebujete hitre osnutke ali več različic, če pa je pomembna dejanska natančnost, dodajte ozemlje in pregled.

Ključne ugotovitve:

Generacija: Ustvarja sveže rezultate, ki odražajo naučene vzorce, ne shranjene "resnice".

Utemeljitev: Če je natančnost pomembna, povežite odgovore z zaupanja vrednimi dokumenti, citati ali bazami podatkov.

Nadzorljivost: Uporabite jasne omejitve (format, dejstva, ton) za večjo doslednost pri usmerjanju rezultatov.

Odpornost proti zlorabi: Dodajte varnostne ograje za blokiranje nevarne, zasebne ali prepovedane vsebine.

Odgovornost: Izhodne podatke obravnavajte kot osnutke; delo z visokim tveganjem beležite, ocenjujte in usmerjajte k ljudem.

Članki, ki jih boste morda želeli prebrati po tem:

🔗 Kaj je generativna umetna inteligenca
Razumeti, kako modeli ustvarjajo besedilo, slike, kodo in drugo.

🔗 Je umetna inteligenca preveč hvaljena
Uravnotežen pogled na navdušenje, omejitve in vpliv v resničnem svetu.

🔗 Katera umetna inteligenca je prava za vas
Primerjajte priljubljena orodja umetne inteligence in izberite tisto, ki vam najbolj ustreza.

🔗 Ali obstaja mehurček umetne inteligence
Znaki, ki jih je treba spremljati, tržna tveganja in kaj sledi.

Glavni cilj generativne umetne inteligence🧠

Če želite najkrajšo in najtočnejšo razlago:

• Generativna umetna inteligenca se uči »oblike« podatkov (jezika, slik, glasbe, kode)

• Nato ustvari nove vzorce , ki ustrezajo tej obliki

• To stori kot odgovor na poziv, kontekst ali omejitve

Torej, da, lahko napiše odstavek, naslika sliko, remiksira melodijo, sestavi pogodbeno klavzulo, ustvari testne primere ali oblikuje nekaj podobnega logotipu.

Ne zato, ker bi "razumelo" tako kot človek (o tem bomo govorili kasneje), ampak zato, ker je dobro pri ustvarjanju rezultatov, ki so statistično in strukturno skladni z vzorci, ki se jih je naučilo.

Če želite odrasel pristop k temu, »kako to uporabljati, ne da bi stopili na grablje«, je okvir za upravljanje tveganj umetne inteligence (AI Risk Management Framework) NIST-a trdno sidro za razmišljanje o tveganjih in kontrolah. [1] In če želite nekaj, kar je posebej prilagojeno tveganjem generativne umetne inteligence (ne le umetne inteligence na splošno), je NIST objavil tudi profil GenAI, ki podrobneje opisuje, kaj se spremeni, ko sistem ustvarja vsebino. [2]

Zakaj se ljudje prepirajo o "glavnem cilju generativne umetne inteligence" 😬

Ljudje govorijo drug mimo drugega, ker uporabljajo različne pomene besede "cilj"

Nekateri ljudje mislijo:

• Tehnični cilj: ustvariti realistične, koherentne rezultate (jedro)

• Poslovni cilj: znižanje stroškov, povečanje proizvodnje, personalizacija izkušenj

• Človeški cilj: pridobiti pomoč pri hitrejšem razmišljanju, ustvarjanju ali komunikaciji

In ja, te trčijo.

Če ostanemo prizemljeni, je glavni cilj generativne umetne inteligence generiranje – ustvarjanje vsebine, ki prej ni obstajala, pogojene z vnosom.

Poslovne zadeve so tu in tam. Tudi kulturna panika je tu (oprostite ... nekako 😬).

Za kaj ljudje zamenjujejo GenAI (in zakaj je to pomembno) 🧯

Hiter seznam "ne to" razjasni veliko zmede:

GenAI ni baza podatkov

Ne »pridobi resnice«. Ustvari verjetne rezultate. Če potrebujete resnico, dodate utemeljitev (dokumentacijo, podatkovne baze, navedbe, človeški pregled). Ta razlika je v bistvu celotna zgodba o zanesljivosti. [2]

GenAI ni samodejno agent

Model, ki generira besedilo, ni isto kot sistem, ki lahko varno izvaja dejanja (pošilja e-pošto, spreminja zapise, uvaja kodo). »Lahko generira navodila« ≠ »naj bi jih izvedel«

GenAI ni nameren

Lahko ustvari vsebino, ki zveni namerno. To ni isto kot imeti namen.

Kaj naredi dobro različico generativne umetne inteligence? ✅

Vsi »generativni« sistemi niso enako praktični. Dobra različica generativne umetne inteligence ni le tista, ki ustvarja lepe rezultate – je tista, ki ustvarja rezultate, ki so dragoceni, nadzorljivi in ​​dovolj varni za dani kontekst.

Dobra različica ima običajno:

• Skladnost - ne nasprotuje si vsaka dva stavka

• Ozemljitev - lahko poveže rezultate z virom resnice (dokumenti, citati, baze podatkov) 📌

• Nadzorljivost - lahko uravnavate ton, format, omejitve (ne le ustvarjanje vibracij)

• Zanesljivost - podobni pozivi imajo podobno kakovost, ne pa rezultati rulete

• Varnostne ograje - po zasnovi preprečujejo nevarne, zasebne ali prepovedane izhode

• Iskreno vedenje – namesto izmišljevanja lahko reče »Nisem prepričan/a«

• Prilagajanje delovnemu toku – prilagaja se načinu dela ljudi in ne fantazijskemu delovnemu toku

NIST v bistvu celoten pogovor uokvirja kot »zanesljivost + obvladovanje tveganj«, kar je ... neprivlačna stvar, za katero si vsi želijo, da bi jo storili prej. [1][2]

Nepopolna metafora (pripravite se): dober generativni model je kot zelo hiter kuhinjski pomočnik, ki lahko pripravi karkoli ... včasih pa zamenja sol s sladkorjem, zato potrebujete označevanje in teste okusa, da ne postrežete sladice in enolončnice 🍲🍰

Hiter mini etui za vsakodnevno uporabo (kompozitni, a zelo običajen) 🧩

Predstavljajte si podporno ekipo, ki želi, da GenAI pripravi odgovore:

1. 1. teden: »Naj model odgovori na vprašanja.«

   • Izhod je hiter, zanesljiv ... in včasih napačen na drage načine.

2. 2. teden: Dodajo iskanje (pridobivanje dejstev iz odobrenih dokumentov) + predloge (»vedno zahtevajte ID računa«, »nikoli ne obljubljajte vračil« itd.).

   • Napačnost se zmanjša, doslednost se izboljša.

3. 3. teden: Dodajo pregledni pas (človeška odobritev za kategorije z visokim tveganjem) + preproste ocene (»navedena politika«, »upoštevano pravilo vračila«).

   • Zdaj je sistem namestiv.

Ta napredek je v bistvu bistvo NIST-a v praksi: model je le en del; kontrole okoli njega so tiste, zaradi katerih je dovolj varen. [1][2]

Primerjalna tabela - priljubljene generativne možnosti (in zakaj delujejo) 🔍

Cene se nenehno spreminjajo, zato je to namerno nejasno. Poleg tega: kategorije se prekrivajo. Da, to je nadležno.

Pod pokrovom: generiranje je v bistvu "dopolnjevanje vzorcev" 🧩

Neromantična resnica:

Veliko generativne umetne inteligence je "napovedovanje, kaj sledi", povečano, dokler se ne zdi kot nekaj drugega.

• V besedilu: ustvarite naslednji del besedila (podobno kot žeton) v zaporedju - klasična avtoregresivna postavitev, zaradi katere je bilo sodobno spodbujanje tako učinkovito [4]

• Na slikah: začnite s šumom in ga iterativno odstranite v strukturo (intuicija difuzijske družine) [5]

Zato so pozivi pomembni. Modelu daste delni vzorec, on pa ga dokonča.

Zato je generativna umetna inteligenca lahko odlična tudi pri:

• "Napiši to v prijaznejšem tonu"

• "Dajte mi deset možnosti za naslove"

• "Te zapiske spremenite v čist načrt"

• »Generiraj kodo za oder + teste«

... in tudi, zakaj ima lahko težave z:

• stroga dejanska točnost brez utemeljitve

• dolge, krhke verige sklepanja

• dosledna identiteta v številnih rezultatih (liki, glas blagovne znamke, ponavljajoče se podrobnosti)

Ne gre za "razmišljanje" kot oseba. Gre za ustvarjanje verjetnih nadaljevanj. Dragocenih, a drugačnih.

Razprava o ustvarjalnosti - »ustvarjanje« proti »remiksiranju« 🎨

Ljudje se tukaj nesorazmerno pregrejejo. Nekako razumem.

Generativna umetna inteligenca pogosto ustvarja rezultate, ki se zdijo ustvarjalni, ker lahko:

• združiti koncepte

• hitro raziščite različice

• površinske presenetljive asociacije

• posnemajte sloge z osupljivo natančnostjo

Ampak nima namena. Nobenega notranjega okusa. Niti "To sem naredil, ker mi je pomembno."

Vendar rahel odmik od teme: tudi ljudje nenehno remiksiramo. To počnemo le z življenjskimi izkušnjami, cilji in okusom. Tako lahko oznaka ostane sporna. Praktično je to ustvarjalni vzvod za ljudi in to je tisto, kar je najpomembnejše.

Sintetični podatki - tiho podcenjen cilj 🧪

Presenetljivo pomembna veja generativne umetne inteligence je ustvarjanje podatkov, ki se obnašajo kot pravi podatki, ne da bi pri tem razkrili resnične posameznike ali redke občutljive primere.

Zakaj je to dragoceno:

• omejitve zasebnosti in skladnosti (manjša izpostavljenost resničnih zapisov)

• simulacija redkih dogodkov (robni primeri goljufij, odpovedi nišnih cevovodov itd.)

• testiranje cevovodov brez uporabe proizvodnih podatkov

• dopolnjevanje podatkov, ko so dejanski nabori podatkov majhni

Vendar je ulov še vedno ulov: sintetični podatki lahko tiho reproducirajo iste pristranskosti in slepe pege kot izvirni podatki – zato sta upravljanje in merjenje prav tako pomembna kot ustvarjanje. [1][2][3]

Sintetični podatki so kot kava brez kofeina - izgledajo dobro, dišijo dobro, ampak včasih ne opravijo tistega, kar si mislil ☕🤷

Meje - v čem je generativna umetna inteligenca slaba (in zakaj) 🚧

Če se spomnite samo enega opozorila, si zapomnite tole:

Generativni modeli lahko ustvarijo tekoče nesmiselne izraze.

Pogosti načini odpovedi:

• Halucinacije - samozavestno izmišljanje dejstev, citatov ali dogodkov

• Zastarelo znanje – modeli, usposobljeni na posnetkih, lahko zamudijo posodobitve

• Hitra krhkost – majhne spremembe besedila lahko povzročijo velike premike v proizvodnji

• Skrita pristranskost - vzorci, pridobljeni iz izkrivljenih podatkov

• Pretirana ubogljivost – poskuša pomagati, tudi ko ne bi smela

• Nedosledno sklepanje – zlasti pri dolgih nalogah

Prav zato obstaja pogovor o »zanesljivi umetni inteligenci«: preglednost, odgovornost, robustnost in na človeka osredotočena zasnova niso nekaj lepega; so način, kako se izogniti lansiranju topa zaupanja v produkcijo. [1][3]

Merjenje uspeha: vedeti, kdaj je cilj dosežen 📏

Če glavni cilj generativne umetne inteligence »ustvarjanje dragocenih novih vsebin«, potem meritve uspeha običajno spadajo v dve kategoriji:

Meritve kakovosti (človeške in avtomatizirane)

• pravilnost (kjer je to primerno)

• skladnost in jasnost

• slogovno ujemanje (ton, glas blagovne znamke)

• popolnost (zajema tisto, kar ste zahtevali)

Metrike poteka dela

• prihranjen čas na nalogo

• zmanjšanje števila revizij

• večja prepustnost brez padca kakovosti

• zadovoljstvo uporabnikov (najbolj zgovorna metrika, čeprav jo je težko količinsko opredeliti)

V praksi so ekipe naletele na neprijetno resnico:

• model lahko hitro ustvari »dovolj dobre« osnutke

• vendar nadzor kakovosti postane novo ozko grlo

Torej prava zmaga ni samo generacija. Gre za generacijo in sisteme za pregledovanje – utemeljitev iskanja, eval pakete, beleženje, rdeče skupine, poti eskalacije ... vse neprivlačne stvari, zaradi katerih je to resnično. [2]

Praktična navodila za uporabo brez obžalovanja 🧩

Če uporabljate generativno umetno inteligenco za karkoli več kot le za priložnostno zabavo, vam bo nekaj navad zelo v pomoč:

• Prosite za strukturo: »Dajte mi oštevilčen načrt, nato pa osnutek.«

• Omejitve sile: »Uporabite samo ta dejstva. Če manjkajo, navedite, kaj manjka.«

• Zahtevajte negotovost: »Naštejte predpostavke + zaupanje.«

• Uporabite ozemljitev: povežite se z dokumenti/bazami podatkov, ko so dejstva pomembna [2]

• Obravnavajte rezultate kot osnutke: tudi odlične

In najpreprostejši trik je hkrati tudi najbolj človeški: preberite na glas. Če se sliši kot robot, ki poskuša narediti vtis na vašega vodjo, ga je verjetno treba urediti 😅

Zaključek 🎯

Glavni cilj generativne umetne inteligence je ustvarjanje nove vsebine, ki ustreza pozivu ali omejitvi, z učenjem vzorcev iz podatkov in ustvarjanjem verjetnih rezultatov.

Močan je, ker:

• pospešuje oblikovanje osnutkov in oblikovanje idej

• poceni množi različice

• pomaga premostiti vrzeli v znanjih in spretnostih (pisanje, kodiranje, oblikovanje)

To je tvegano, ker:

• lahko tekoče izmišljuje dejstva

• podeduje pristranskost in slepe pege

• potrebuje ozemljitev in nadzor v resnih kontekstih [1][2][3]

Če se uporablja dobro, je manj "nadomestni možgani" in bolj "motor s turbopolnilnikom".
Če se uporablja slabo, je top samozavesti, usmerjen v vaš delovni proces ... in to hitro postane drago. 

Primer iz resničnega sveta: Izdelava prizemljenega pomočnika za podporo in odgovore

Scenarij

Predstavljajte si majhno SaaS podjetje, ki na teden prejme 80–120 zahtevkov za podporo glede obračunavanja, ponastavitve gesel, omejitev funkcij, vračil in dostopa do računa.

Ekipa ne želi, da bi generativna umetna inteligenca samodejno odgovarjala strankam. To bi bilo tvegano. Namesto tega želijo, da pripravi osnutke prvih odgovorov, ki jih pred pošiljanjem pregleda agent za podporo.

Cilj je preprost: razpršene članke v centru za pomoč in opombe o pravilnikih spremeniti v jasne, vljudne osnutke odgovorov, ne da bi si izmišljevali obljube o vračilu denarja, lažne funkcije ali dejstva, specifična za račun.

Kaj potrebuje asistent

Da bi bil pomočnik dragocen, mu ekipa daje:

• Trenutna politika vračila denarja

• Stran s cenami

• Članki v centru za pomoč

• Seznam fraz, ki jih blagovna znamka uporablja in se jim izogiba

• Pravila eskalacije za spore glede obračunavanja, pravne grožnje, varnostne težave in jezne stranke

• Pravilo, ki pravi: »Če odgovora ni v predloženih dokumentih, namesto ugibanja povej, kaj manjka.«

Pomembno je, da se z umetno inteligenco ne ravna kot s strojem za resnico. Uporablja se kot orodje za osnutke, pri čemer odobreni dokumenti delujejo kot vir resnice.

Primer navodila

Ste pomočnik pri pripravi osnutkov za izdelek SaaS. Napišite osnutek prvega odgovora, ki ga bo pregledal človeški agent.

Uporabljajte samo vsebino centra za pomoč in pravilnika, ki je na voljo. Ne izmišljujte si funkcij izdelkov, obljub o vračilu denarja, časovnih rokov, popustov ali pravnih zahtevkov.

Vaš odgovor naj vsebuje:

1. Kratka potrditev težave stranke

2. Najustreznejši odgovor iz odobrenih dokumentov

3. Vse manjkajoče informacije, ki jih mora agent zahtevati

4. Jasna opomba o eskalaciji, če zahtevek vključuje spore glede obračunavanja, varnost računa, pravne grožnje ali težave z preklicem

Ton: miren, koristen, jasen in neposreden.
Če dokumenti ne odgovorijo na vprašanje, recite: »Tega nisem mogel preveriti iz odobrenih podpornih gradiv.«

Kako ga preizkusiti

Preden ga uporabite pri strankah, ga preizkusite na 20–30 starih vstopnicah.

Dobri testni primeri vključujejo:

• Preprosto vprašanje za ponastavitev gesla

• Zahteva za vračilo denarja znotraj dovoljenega obdobja za vračilo denarja

• Zahteva za vračilo denarja zunaj dovoljenega obdobja za vračilo denarja

• Stranka zahteva funkcijo, ki ne obstaja

• Pritožba glede obračunavanja z manjkajočimi podatki o računu

• Jezno sporočilo, ki bi ga bilo treba posredovati

• Varnostna težava, povezana z dostopom do računa

Za vsak osnutek mora recenzent preveriti:

• Je uporabil samo potrjena dejstva?

• Se je izogibalo dajanju obljub?

• Je zahteval manjkajoče podatke?

• Je eskalirala prave vstopnice?

• Bi človeški agent to poslal po rahli ureditvi?

Rezultat

Ilustrativni rezultat: na podlagi časovnega usklajevanja 30 vzorčnih zahtevkov za podporo pred in po uporabi tega poteka dela.

Pred uporabo pomočnika je bil povprečni čas prvega osnutka ocenjen na 7 minut na zahtevo. Po uporabi pomočnika je bil povprečni čas pregleda in urejanja 3 minute na zahtevo.

Za 100 vstopnic na teden bi to skrajšalo čas priprave s približno 11,7 ure na 5 ur, kar bi prihranilo približno 6,7 ure na teden.

Ekipa bi to lahko preverila s sledenjem:

• Čas od odprtja zahteve do dokončanja prvega osnutka

• Število popravkov, opravljenih pred pošiljanjem

• Število osnutkov, zavrnjenih zaradi dejanskih napak

• Število pravilno eskaliranih zahtevkov

• Zadovoljstvo strank po poslanem odgovoru

To ni dokaz, da umetna inteligenca »razume« podporo. Kaže na nekaj bolj praktičnega: generacija ima vrednost, ko je rezultat utemeljen, pregledan in izmerjen.

Kaj lahko gre narobe

Največja napaka je, da asistentu pustimo, da odgovarja po spominu namesto na podlagi odobrenih dokumentov.

Druge pogoste težave:

• Stara pravila za vračilo denarja ostajajo v zbirki znanja

• V pozivu piše »bodite v pomoč«, ne pa »ne obljubljajte vračil«

• Vstopnice z visokim tveganjem niso namenjene ljudem

• Agenti prenehajo preverjati citate ali odlomke virov

• Ekipa meri hitrost, vendar ignorira natančnost

• Asistent daje samozavestne odgovore, ko bi pravilen odgovor moral biti »Ne vem«

Popravek je nebistven, a učinkovit: dokumente imejte posodobljene, preizkušajte z nerodnimi primeri, pregledujte odgovore z visokim tveganjem in vsak teden spremljajte napake.

Praktični nasvet

Generativna umetna inteligenca tukaj najbolje deluje kot nadzorovan osnutek in ne kot avtonomni podporni agent. Vrednost izhaja iz kombinacije hitrega generiranja z utemeljitvijo, jasnimi pravili, človeškim pregledom in merljivimi preverjanji. To je razlika med dragoceno avtomatizacijo in samozavestnim topom, usmerjenim v vaše stranke.

Pogosta vprašanja

Kaj je glavni cilj generativne umetne inteligence v vsakdanjem jeziku?

Glavni cilj generativne umetne inteligence je ustvariti novo, verodostojno vsebino – besedilo, slike, zvok ali kodo – na podlagi vzorcev, ki se jih je naučila iz obstoječih podatkov. Ne pridobiva »resnice« iz baze podatkov. Namesto tega ustvarja rezultate, ki so statistično skladni s tem, kar je videla prej, oblikovani z vašim pozivom in morebitnimi omejitvami, ki jih navedete.

Kako generativna umetna inteligenca ustvari novo vsebino iz poziva?

V mnogih sistemih generiranje deluje kot dopolnjevanje vzorcev v velikem obsegu. Za besedilo model predvidi, kaj sledi v zaporedju, in ustvari koherentna nadaljevanja. Za slike se modeli difuzijskega sloga pogosto začnejo s šumom in iterativno »odstranijo šum« proti strukturi. Vaš poziv služi kot delna predloga, model pa ga dopolni.

Zakaj si generativna umetna inteligenca včasih tako samozavestno izmišljuje dejstva?

Generativna umetna inteligenca je optimizirana za ustvarjanje verjetnih, tekočih rezultatov – ne pa za zagotavljanje dejanske pravilnosti. Zato lahko ustvari samozavestno zveneče nesmiselne podatke, izmišljene citate ali napačne dogodke. Ko je natančnost pomembna, običajno potrebujete podlago (zaupanja vredne dokumente, citate, baze podatkov) in človeški pregled, zlasti pri delu z visokim tveganjem ali delu, ki je v stiku s strankami.

Kaj pomeni "ozemljitev" in kdaj naj jo uporabim?

Ozemljitev pomeni povezovanje izhodnih podatkov modela z zanesljivim virom resnice, kot so odobrena dokumentacija, interne baze znanja ali strukturirane baze podatkov. Ozemljitev uporabite vedno, ko je pomembna dejanska natančnost, skladnost s pravilniki ali doslednost – odgovori podpore, osnutki pravnih ali finančnih dokumentov, tehnična navodila ali karkoli, kar bi lahko povzročilo oprijemljivo škodo, če bi bilo napačno.

Kako naredim generativne rezultate umetne inteligence bolj dosledne in nadzorljive?

Nadzorljivost se izboljša, ko dodate jasne omejitve: zahtevano obliko, dovoljena dejstva, smernice glede tona in eksplicitna pravila »naredi/ne naredi«. Predloge pomagajo (»Vedno zahtevaj X«, »Nikoli ne obljubi Y«), prav tako pa tudi strukturirani pozivi (»Naj najprej oštevilčen načrt, nato osnutek«). Če modelu naročite seznam predpostavk in negotovosti, lahko prav tako zmanjšate pretirano samozavestno ugibanje.

Ali je generativna umetna inteligenca isto kot agent, ki lahko izvaja dejanja?

Ne. Model, ki ustvarja vsebino, ni samodejno sistem, ki bi moral izvajati dejanja, kot so pošiljanje e-pošte, spreminjanje zapisov ali uvajanje kode. »Lahko ustvari navodila« se razlikuje od »varnega izvajanja«. Če dodate uporabo orodij ali avtomatizacijo, običajno potrebujete dodatne zaščitne ograje, dovoljenja, beleženje in poti eskalacije za upravljanje tveganja.

Kaj naredi "dober" generativni sistem umetne inteligence v resničnih delovnih procesih?

Dober sistem je dragocen, obvladljiv in dovolj varen za svoj kontekst – ne le impresiven. Praktični signali vključujejo skladnost, zanesljivost v podobnih pozivih, ozemljitev na zaupanja vredne vire, varnostne ograje, ki blokirajo nedovoljeno ali zasebno vsebino, in odkritost, ko je ta negotova. Okoliški potek dela – pregledne poti, vrednotenje in spremljanje – je pogosto prav tako pomemben kot model.

Katere so največje omejitve in načini napak, na katere je treba biti pozoren?

Med pogoste načine napak spadajo halucinacije, zastarelo znanje, krhkost promptov, skrita pristranskost, pretirana skladnost in nedosledno sklepanje pri dolgih nalogah. Tveganje se poveča, če rezultate obravnavate kot končano delo in ne kot osnutke. Za produkcijsko uporabo ekipe pogosto dodajo ozemljitev iskanja, evalvacije, beleženje in človeški pregled za občutljive kategorije.

Kdaj je generiranje sintetičnih podatkov dobra uporaba generativne umetne inteligence?

Sintetični podatki lahko pomagajo, kadar so resnični podatki redki, občutljivi ali jih je težko deliti, in kadar potrebujete simulacijo redkih primerov ali varna testna okolja. Lahko zmanjšajo izpostavljenost resničnih zapisov in podprejo testiranje ali dopolnjevanje cevovoda. Vendar pa še vedno potrebujejo validacijo, saj lahko sintetični podatki reproducirajo pristranskosti ali slepe pege iz izvirnih podatkov.

Reference

[1] NIST-ov RMF za umetno inteligenco – okvir za upravljanje tveganj in kontrol umetne inteligence. Preberite več
[2] NIST AI 600-1 GenAI Profile – smernice za tveganja in ublažitve, specifična za GenAI (PDF). Preberite več
[3] OECD načela umetne inteligence – nabor načel na visoki ravni za odgovorno umetno inteligenco. Preberite več
[4] Brown et al. (NeurIPS 2020) – temeljni članek o spodbujanju z nekaj poskusi z modeli velikih jezikov (PDF). Preberite več
[5] Ho et al. (2020) – članek o difuzijskem modelu, ki opisuje ustvarjanje slik na podlagi odpravljanja šuma (PDF). Preberite več

Poiščite najnovejšo umetno inteligenco v uradni trgovini z umetno inteligenco

O nas