Īsa atbilde: mākslīgais intelekts tiek pārvērtēts, ja to reklamē kā nevainojamu, bez roku palīdzības vai darba aizstājēju; tas netiek pārvērtēts, ja to izmanto kā uzraudzītu rīku rasēšanai, kodēšanas atbalstam, triāžai un datu izpētei. Ja jums ir nepieciešama patiesība, tā ir jāpamato ar pārbaudītiem avotiem un jāpievieno pārskatīšana; pieaugot likmēm, pārvaldība ir svarīga.
Raksti, kurus jūs varētu vēlēties izlasīt pēc šī raksta:
Galvenie secinājumi:
Pārspīlējuma pazīmes : Apgalvojumus “pilnībā autonoms” un “drīzumā pilnīgi precīzs” uztveriet kā brīdinājuma signālus.
Uzticamība : Sagaidāmas pārliecinošas nepareizas atbildes; nepieciešama atgūšana, validācija un cilvēka veikta pārskatīšana.
Labi lietošanas gadījumi : Izvēlieties šaurus, atkārtojamus uzdevumus ar skaidriem panākumu rādītājiem un zemām likmēm.
Atbildība : Piešķiriet cilvēkam īpašnieku, kas atbild par rezultātiem, pārskatiem un to, kas notiek, ja kaut kas ir nepareizi.
Pārvaldība : Izmantojiet sistēmas un incidentu atklāšanas praksi, ja ir iesaistīta nauda, drošība vai tiesības.
🔗 Kura mākslīgā intelekta metode ir piemērota tieši Jums?
Salīdziniet izplatītākos mākslīgā intelekta rīkus pēc mērķiem, budžeta un lietošanas vienkāršības.
🔗 Vai veidojas mākslīgā intelekta burbulis?
Ažiotāžas pazīmes, riski un kā izskatās ilgtspējīga izaugsme.
🔗 Vai mākslīgā intelekta detektori ir uzticami lietošanai reālajā pasaulē?
Precizitātes robežas, kļūdaini pozitīvi rezultāti un padomi taisnīgai novērtēšanai.
🔗 Kā ikdienā lietot mākslīgo intelektu savā tālrunī
Lai ietaupītu laiku, izmantojiet mobilās lietotnes, balss palīgus un uzvednes.
Ko cilvēki parasti domā, sakot, ka “mākslīgais intelekts ir pārspīlēti reklamēts” 🤔
Kad kāds saka, ka mākslīgais intelekts ir pārspīlēti reklamēts , viņš parasti reaģē uz vienu (vai vairākām) no šīm neatbilstībām:
-
Mārketinga solījumi pretstatā ikdienas realitātei
Demonstrācija izskatās maģiska. Izlaidums atgādina līmlenti un lūgšanu. -
Spējas pretstatā uzticamībai.
Tas var uzrakstīt dzejoli, iztulkot līgumu, atkļūdot kodu… un tad pārliecinoši izgudrot saikni ar politiku. Forši, forši, forši. -
Progress pretstatā praktiskumam.
Modeļi uzlabojas ātri, taču to integrēšana sarežģītos biznesa procesos ir lēna, politiska un pilna ar neprecīziem gadījumiem. -
“Aizstāt cilvēkus” naratīvi
Lielākā daļa reālu uzvaru izskatās drīzāk pēc “noņemt garlaicīgās daļas”, nevis pēc “aizstāt visu darbu”.
Un tā ir galvenā spriedze: mākslīgais intelekts ir patiesi spēcīgs, taču to bieži pārdod tā, it kā tas jau būtu pabeigts. Tas nav pabeigts. Tas ir… procesā. Kā māja ar krāšņiem logiem un bez santehnikas 🚽
Kāpēc tik viegli rodas (un turpina rasties) uzpūsti mākslīgā intelekta apgalvojumi 🎭
Daži iemesli, kāpēc mākslīgais intelekts kā magnēts piesaista pārspīlētus apgalvojumus:
Demonstrācijas būtībā ir krāpšanās (visjaukākajā veidā)
Demonstrācijas ir rūpīgi atlasītas. Uzvednes ir noregulētas. Dati ir tīri. Labākais scenārijs tiek izcelts, bet neveiksmīgie gadījumi tiek analizēti aizkulisēs.
Izdzīvošanas aizspriedumi ir skaļi
Stāsti par to, ka “mākslīgais intelekts mums ietaupīja miljonu stundu”, kļūst ļoti populāri. Stāsti par to, ka “mākslīgais intelekts lika mums visu pārrakstīt divreiz”, klusi tiek apglabāti kāda projekta mapē ar nosaukumu “3. ceturkšņa eksperimenti” 🫠
Cilvēki jauc plūdenu runu ar patiesību
Mūsdienu mākslīgais intelekts var izklausīties pārliecināts, izpalīdzīgs un konkrēts, kas liek mūsu smadzenēm pieņemt, ka tas ir precīzs.
Ļoti izplatīts veids, kā aprakstīt šo kļūmes režīmu, ir konfabulācija : pārliecinoši pateikts, bet nepareizs rezultāts (t. i., “halucinācijas”). NIST to tieši nosauc par galveno risku ģeneratīvajām mākslīgā intelekta sistēmām. [1]
Nauda pastiprina megafonu
Kad uz spēles ir budžeti, vērtējumi un karjeras stimuli, ikvienam ir iemesls teikt: “tas visu maina” (pat ja tas galvenokārt maina slaidu klājus).
Modelis “inflācija → vilšanās → stabila vērtība” (un kāpēc tas nenozīmē, ka mākslīgais intelekts ir viltots) 📈😬
Daudzas tehnoloģijas seko tam pašam emocionālajam lokam:
-
Maksimālās cerības (viss tiks automatizēts līdz otrdienai)
-
Skarbā realitāte (tā pārtrūkst trešdien)
-
Pastāvīga vērtība (tā nemanāmi kļūst par daļu no darba paveikšanas)
Tātad, jā — mākslīgo intelektu var pārspīlēt, vienlaikus saglabājot nozīmīgumu. Tās nav pretstati. Tās ir istabas biedrenes.
Kur mākslīgais intelekts netiek pārspīlēti reklamēts (tas sniedz rezultātus) ✅✨
Šī ir daļa, kas tiek palaista garām, jo tajā ir mazāk zinātniskās fantastikas un vairāk izklājlapu.
Palīdzība kodēšanā ir reāls produktivitātes pieaugums
Dažiem uzdevumiem — standarta izstrādei, testēšanas sastatnēm, atkārtotiem modeļiem — koda kopēšana var būt patiesi praktiska.
Plaši citēts kontrolēts GitHub eksperiments atklāja, ka izstrādātāji, kas izmanto Copilot, kodēšanas uzdevumu paveica ātrāk (viņu aprakstā ziņots par 55 % paātrinājumu šajā konkrētajā pētījumā). [3]
Ne maģiski, bet jēgpilni. Problēma ir tā, ka jums joprojām ir jāpārskata rakstītais… jo “noderīgi” nav tas pats, kas “pareizi”
Redaktoru sagatavošana, apkopošana un pirmā piegājiena domāšana
Mākslīgais intelekts ir lielisks šādās jomās:
-
Neapstrādātu piezīmju pārvēršana tīrā melnrakstā ✍️
-
Garu dokumentu kopsavilkums
-
Ģenerēšanas opcijas (virsraksti, izklāsti, e-pasta varianti)
-
Tulkošanas tonis (“padarīt to mazāk pikantu” 🌶️)
Tas būtībā ir nenogurstošs jaunākais asistents, kurš dažreiz melo, tāpēc jūs uzraugāt. (Skarbi. Arī precīzi.)
Klientu atbalsta triāža un iekšējie palīdzības dienesti
Kur mākslīgais intelekts parasti darbojas vislabāk: klasificēt → izgūt → ieteikt , nevis izgudrot → cerēt → izvietot .
Ja vēlaties īso, drošo versiju: izmantojiet mākslīgo intelektu (MI), lai iegūtu informāciju no apstiprinātiem avotiem un sagatavotu atbildes, taču saglabājiet cilvēku atbildību par to, kas tiek piegādāts, īpaši, ja likmes pieaug. Šī “pārvalde + testēšana + incidentu atklāšana” nostāja lieliski saskan ar to, kā NIST veido ģeneratīvo MI risku pārvaldību. [1]
Datu izpēte — ar aizsargbarjerām
Mākslīgais intelekts var palīdzēt cilvēkiem veikt vaicājumus datu kopās, izskaidrot diagrammas un ģenerēt idejas “kam pievērsties tālāk”. Ieguvums ir analīzes pieejamības uzlabošana, nevis analītiķu aizstāšana.
Kur mākslīgais intelekts tiek pārspīlēti reklamēts (un kāpēc tas turpina sniegt vilšanos) ❌🤷
“Pilnībā autonomi aģenti, kas visu vada”
Aģenti var veikt glītas darbplūsmas. Taču, tiklīdz pievienojat:
-
vairāki soļi
-
netīri rīki
-
atļaujas
-
īsti lietotāji
-
reālas sekas
...neveiksmju režīmi vairojas kā truši. Sākumā mīlīgi, tad esi apmulsis 🐇
Praktisks noteikums: jo vairāk kaut kas apgalvo, ka ir “brīvroku” risinājums, jo vairāk jājautā, kas notiek, kad tas salūzt.
"Drīz tas būs pilnīgi precīzi"
Precizitāte, protams, uzlabojas, bet uzticamība ir nestabila, īpaši, ja modelis nav balstīts uz pārbaudāmiem avotiem.
Tāpēc nopietns mākslīgā intelekta darbs galu galā izskatās šādi: atgūšana + validācija + uzraudzība + cilvēka veikta pārskatīšana , nevis "vienkārši pastiprināta pamudināšana". (NIST GenAI profilā tas tiek paziņots ar pieklājīgu, stingru uzstājību.) [1]
“Viens modelis, kas valdīs pār visiem”
Praksē komandas bieži sajaucas:
-
mazāki modeļi lētiem/liela apjoma uzdevumiem
-
lielāki modeļi sarežģītākai spriešanai
-
pamatotu atbilžu atgūšana
-
atbilstības robežu noteikumi
Tomēr ideja par "vienām maģiskām smadzenēm" ir labi pārdota. Tā ir kārtīga. Cilvēkiem patīk kārtība.
“Aizstāt visas darba lomas vienas nakts laikā”
Lielākā daļa lomu ir uzdevumu kopumi. Mākslīgais intelekts var pilnībā sagraut daļu no šiem uzdevumiem un tik tikko pieskarties pārējiem. Cilvēciskās daļas — spriedums, atbildība, attiecības, konteksts — spītīgi paliek… cilvēciskas.
Mēs vēlējāmies robotus kolēģus. Tā vietā mēs ieguvām automātisko pabeigšanu uz steroīdiem.
Kas veido labu (un sliktu) mākslīgā intelekta lietošanas gadījumu 🧪🛠️
Šī ir sadaļa, ko cilvēki izlaiž un vēlāk nožēlo.
Labam mākslīgā intelekta lietošanas gadījumam parasti ir:
-
Skaidri veiksmes kritēriji (ietaupīts laiks, samazinātas kļūdas, uzlabots reakcijas ātrums)
-
Zemas līdz vidējas likmes (vai stingra cilvēka pārbaude)
-
Atkārtojami modeļi (atbildes uz bieži uzdotajiem jautājumiem, izplatītas darbplūsmas, standarta dokumenti)
-
Piekļuve labiem datiem (un atļauja tos izmantot)
-
Rezerves plāns , ja modelis izvada muļķības
-
Sākumā šaurs darbības joma
Slikts mākslīgā intelekta lietošanas gadījums parasti izskatās šādi:
-
“Automatizēsim lēmumu pieņemšanu” bez atbildības 😬
-
"Mēs to vienkārši pieslēgsim visam" (nē... lūdzu, nē)
-
Nav sākotnējo rādītāju, tāpēc neviens nezina, vai tas palīdzēja
-
Gaidot, ka tā būs patiesības mašīna, nevis rakstu mašīna
Ja atcerēsieties tikai vienu lietu: mākslīgajam intelektam visvieglāk uzticēties, ja tas ir balstīts uz jūsu pašu pārbaudītiem avotiem un ierobežots ar precīzi definētu uzdevumu. Pretējā gadījumā tā ir uz vibrācijām balstīta skaitļošana.
Vienkāršs (bet ārkārtīgi efektīvs) veids, kā pārbaudīt mākslīgā intelekta atbilstību realitātei jūsu organizācijā 🧾✅
Ja vēlaties pamatotu atbildi (nevis pārsteidzīgu viedokli), veiciet šo ātro testu:
1) Definējiet darbu, kura veikšanai jūs nolīgstat mākslīgo intelektu
Uzrakstiet to kā darba aprakstu:
-
Ievades dati
-
Izejas
-
Ierobežojumi
-
"Gatavs nozīmē…"
Ja to nevar skaidri aprakstīt, mākslīgais intelekts to maģiski neizskaidros.
2) Nosakiet sākotnējo līmeni
Cik ilgs laiks tagad nepieciešams? Cik kļūdu tagad? Kā tagad izskatās “labs”?
Nav bāzes līnijas = nebeidzami viedokļu kari vēlāk. Nopietni, cilvēki strīdēsies mūžīgi, un tu strauji novecosi.
3) Izlemiet, no kurienes nāk patiesība
-
Iekšējā zināšanu bāze?
-
Klientu ieraksti?
-
Apstiprinātas politikas?
-
Kurēts dokumentu kopums?
Ja atbilde ir “modelis zinās”, tā ir brīdinājuma zīme 🚩
4) Iestatiet cilvēka iesaistes plānu
Izlemiet:
-
kurš veic recenzijas,
-
kad viņi pārskata,
-
un kas notiek, ja mākslīgais intelekts kļūdās.
Šī ir atšķirība starp “rīku” un “atbildību”. Ne vienmēr, bet bieži.
5) Kartējiet sprādziena rādiusu
Sāciet tur, kur kļūdas ir lētas. Paplašiniet savu pieeju tikai tad, kad jums ir pierādījumi.
Lūk, kā pārvērst pārspīlētus apgalvojumus lietderībā. Vienkārši… efektīvi… diezgan skaisti 😌
Uzticība, risks un regulējums — neseksīgā daļa, kas ir svarīga 🧯⚖️
Ja mākslīgais intelekts iejaucas kaut kādā svarīgā jomā (cilvēki, nauda, drošība, juridiskie rezultāti), pārvaldība nav izvēles iespēja.
Dažas plaši pieminētas aizsargbarjeras:
-
NIST Ģeneratīvais mākslīgā intelekta profils (AI RMF papildinājums) : praktiskas riska kategorijas + ieteicamās darbības pārvaldības, testēšanas, izcelsmes un incidentu atklāšanas jomā. [1]
-
ESAO mākslīgā intelekta principi : plaši izmantots starptautisks pamatprincips uzticamai, uz cilvēku orientētai mākslīgā intelekta izveidei. [5]
-
ES Mākslīgā intelekta likums : uz risku balstīts tiesiskais regulējums, kas nosaka pienākumus atkarībā no tā, kā mākslīgais intelekts tiek izmantots (un aizliedz noteiktas “nepieņemama riska” prakses). [4]
Un jā, šīs lietas var šķist kā papīru darbs. Taču tā ir atšķirība starp “praktisku rīku” un “ups, mēs ieviesām atbilstības murgu”
Tuvāk: ideja par “mākslīgo intelektu kā automātisko pabeigšanu” — nenovērtēta, bet gandrīz patiesa 🧩🧠
Šeit ir nedaudz nepilnīga metafora (kas ir atbilstoši): liela daļa mākslīgā intelekta ir kā ārkārtīgi izsmalcināta automātiskās pabeigšanas funkcija, kas nolasa internetu un pēc tam aizmirst, kur to nolasīja.
Tas izklausās nievājoši, bet tāpēc tas arī darbojas:
-
Lieliski pārvalda rakstus
-
Lieliski pārvalda valodu
-
Lieliski prot radīt “nākamo visticamāko lietu”
Un tāpēc tas neizdodas:
-
Tas dabiski "nezina", kas ir patiesība
-
Tas dabiski nezina, ko dara jūsu organizācija
-
Tas var izvadīt pārliecinātas muļķības bez pamatojuma (skatīt: konfabulācija/halucinācijas) [1]
Tātad, ja jūsu lietošanas gadījumam ir nepieciešama patiesība, jūs to nostiprināt ar izguvi, rīkiem, validāciju, uzraudzību un cilvēku veiktu pārskatīšanu. Ja jūsu lietošanas gadījumam ir nepieciešams ātrums izstrādes un ideju ģenerēšanas procesā, jūs ļaujat tam darboties nedaudz brīvāk. Dažādi apstākļi, dažādas cerības. Tāpat kā gatavojot ēdienu ar sāli - ne visam ir nepieciešams vienāds daudzums sāls.
Salīdzināšanas tabula: praktiski veidi, kā izmantot mākslīgo intelektu, neiegrimstot pārspīlētos apgalvojumos 🧠📋
| Rīks/opcija | Auditorija | Cenas vibrācija | Kāpēc tas darbojas |
|---|---|---|---|
| Tērzēšanas stila palīgs (vispārīgi) | Indivīdi, komandas | Parasti bezmaksas līmenis + maksas līmenis | Lieliski piemērots melnrakstiem, ideju ģenerēšanai, apkopošanai… taču vienmēr pārbaudiet faktus |
| Koda otrais pilots | Izstrādātāji | Parasti abonēšana | Paātrina bieži sastopamus kodēšanas uzdevumus, joprojām nepieciešama pārskatīšana + testi un kafija |
| Uz izgūšanu balstīta “atbilde ar avotiem” | Pētnieki, analītiķi | Freemium-veida | Labāk piemērots “atrast + iezemēt” darbplūsmām, nevis tikai minējumiem |
| Darbplūsmas automatizācija + mākslīgais intelekts | Operācijas, atbalsts | Daudzpakāpju | Pārvērš atkārtotas darbības pusautomātiskās plūsmās (pusautomātiskā plūsma ir galvenais) |
| Iekšējais modelis / pašapkalpošanās | Organizācijas ar mašīnmācīšanās iespējām | Infrastruktūra + cilvēki | Vairāk kontroles + privātums, bet jūs maksājat par uzturēšanu un galvassāpēm |
| Pārvaldības sistēmas | Vadītāji, risks, atbilstība | Bezmaksas resursi | Palīdz pārvaldīt risku + uzticēšanos, nevis glauns, bet būtisks |
| Salīdzinošās novērtēšanas/realitātes pārbaudes avoti | Vadība, politika, stratēģija | Bezmaksas resursi | Dati pārspēj vibrācijas un samazina LinkedIn sprediķus |
| "Aģents, kas visu dara" | Sapņotāji 😅 | Izmaksas + haoss | Dažreiz iespaidīgi, bieži vien trausli — turpiniet ar uzkodām un pacietību |
Ja vēlaties vienu “realitātes pārbaudes” centru mākslīgā intelekta progresa un ietekmes datiem, labs sākumpunkts ir Stenfordas mākslīgā intelekta indekss. [2]
Noslēguma secinājums + īss kopsavilkums 🧠✨
Tātad, mākslīgais intelekts tiek pārspīlēti reklamēts , kad kāds pārdod:
-
nevainojama precizitāte,
-
pilnīga autonomija,
-
visu lomu tūlītēja nomaiņa,
-
vai “plug-and-play” tipa smadzenes, kas atrisina jūsu organizācijas problēmas…
...tad jā, tā ir pārdošanas māksla ar spīdīgu apdari.
Bet, ja jūs izturaties pret mākslīgo intelektu šādi:
-
spēcīgs palīgs,
-
vislabāk izmantot šauros, precīzi definētos uzdevumos,
-
balstīts uz uzticamiem avotiem,
-
ar cilvēkiem, kas pārskata svarīgās lietas…
...tad nē, tas nav pārspīlēti reklamēts. Tas vienkārši ir... nevienmērīgs. Kā sporta zāles abonements. Neticami, ja lieto pareizi, bezjēdzīgi, ja par to runā tikai ballītēs 😄🏋️
Īss kopsavilkums: mākslīgais intelekts tiek pārspīlēti reklamēts kā maģisks sprieduma aizstājējs un nepietiekami novērtēts kā praktisks reizinātājs rasēšanas, kodēšanas palīdzības, atlases un zināšanu darbplūsmās.
Bieži uzdotie jautājumi
Vai mākslīgais intelekts šobrīd ir pārspīlēti reklamēts?
Mākslīgais intelekts tiek pārspīlēts, ja tas tiek pārdots kā perfekts, bez roku palīdzības vai gatavs aizstāt veselus darbus vienas nakts laikā. Reālos ieviešanas gadījumos uzticamības trūkumi parādās ātri: pārliecinātas nepareizas atbildes, robežgadījumi un sarežģītas integrācijas. Mākslīgais intelekts netiek pārspīlēts, ja tas tiek uzskatīts par uzraudzītu rīku šauriem uzdevumiem, piemēram, rasēšanai, kodēšanas atbalstam, triāžai un izpētei. Atšķirība ir saistīta ar cerībām, pamatojumu un pārskatīšanu.
Kādi ir lielākie brīdinājuma signāli mākslīgā intelekta mārketinga apgalvojumos?
“Pilnībā autonoma” un “drīzumā perfekti precīza” ir divas no skaļākajām brīdinājuma zīmēm. Demonstrācijas bieži tiek veidotas ar pielāgotām uzvednēm un tīriem datiem, tāpēc tās slēpj bieži sastopamus kļūmju veidus. Arī plūdenu valodu var sajaukt ar patiesību, kas padara pārliecinātas kļūdas ticamas. Ja apgalvojums neietver to, kas notiek, kad sistēma sabojājas, pieņemiet, ka risks tiek noraidīts.
Kāpēc mākslīgā intelekta sistēmas izklausās pārliecinātas pat tad, kad tās kļūdās?
Ģeneratīvie modeļi lieliski prot radīt ticamu, plūstošu tekstu, tāpēc tie var pārliecinoši izdomāt detaļas, ja tām nav pamata. To bieži raksturo kā konfabulāciju vai halucinācijas: rezultāts, kas izklausās specifisks, bet nav ticami patiess. Tāpēc augstas uzticamības lietošanas gadījumos parasti tiek iekļauta izguve, validācija, uzraudzība un cilvēka pārskatīšana. Mērķis ir praktiska vērtība ar drošības pasākumiem, nevis uz vibrācijām balstīta pārliecība.
Kā es varu izmantot mākslīgo intelektu, neapdedzinot sevi ar halucinācijām?
Uztveriet mākslīgo intelektu kā rasēšanas dzinēju, nevis patiesības mašīnu. Pamatojiet atbildes pārbaudītos avotos, piemēram, apstiprinātās politikās, iekšējos dokumentos vai atlasītās atsaucēs, nevis pieņemot, ka “modelis zinās”. Pievienojiet validācijas darbības (saites, citātus, pārbaudes) un pieprasiet cilvēka pārskatīšanu tur, kur kļūdas ir svarīgas. Sāciet ar mazumiņu, izmēriet rezultātus un paplašiniet tikai pēc tam, kad redzat konsekventu sniegumu.
Kādi ir labi reālās pasaules lietošanas gadījumi, kuros mākslīgais intelekts netiek pārspīlēti reklamēts?
Mākslīgais intelekts parasti vislabāk darbojas šauros, atkārtojamos uzdevumos ar skaidriem panākumu rādītājiem un zemām līdz vidējām likmēm. Biežākie ieguvumi ietver dokumentu izstrādi un pārrakstīšanu, garu dokumentu apkopošanu, iespēju ģenerēšanu (izklāstus, virsrakstus, e-pasta variantus), kodēšanas sastatnes, atbalsta triāžu un iekšējās palīdzības dienesta ieteikumus. Optimālais risinājums ir “klasificēt → izgūt → ieteikt”, nevis “izgudrot → cerēt → ieviest”. Cilvēkiem joprojām pieder tas, kas tiek piegādāts.
Vai "mākslīgā intelekta aģenti, kas dara visu" ir pārspīlēti reklamēti?
Bieži vien, jā, īpaši, ja galvenais arguments ir “brīvroku režīms”. Daudzpakāpju darbplūsmas, sarežģīti rīki, atļaujas, reāli lietotāji un reālas sekas rada sarežģītus kļūmju režīmus. Aģenti var būt vērtīgi ierobežotām darbplūsmām, taču to nestabilitāte strauji pieaug, paplašinoties darbības jomai. Praktisks tests ir vienkāršs: definējiet rezerves risinājumu, piešķiriet atbildību un norādiet, kā kļūdas tiek atklātas, pirms kaitējums izplatās.
Kā es varu izlemt, vai mākslīgais intelekts ir tā vērts manai komandai vai organizācijai?
Sāciet, definējot darbu kā darba aprakstu: ievadi, izvadi, ierobežojumi un ko nozīmē “pabeigts”. Nosakiet sākotnējo līmeni (laiks, izmaksas, kļūdu līmenis), lai jūs varētu izmērīt uzlabojumus, nevis debatēt par priekšstatiem. Izlemiet, no kurienes nāk patiesība — iekšējās zināšanu bāzes, apstiprināti dokumenti vai klientu ieraksti. Pēc tam izstrādājiet cilvēka iesaistes plānu un pirms paplašināšanas kartējiet darbības rādiusu.
Kurš ir atbildīgs, ja mākslīgā intelekta izvade ir nepareiza?
Cilvēkam jābūt īpašniekam, kas atbild par rezultātiem, pārskatiem un to, kas notiek sistēmas kļūmes gadījumā. “Modelis tā teica” nenozīmē atbildību, it īpaši, ja ir iesaistīta nauda, drošība vai tiesības. Definējiet, kas apstiprina atbildes, kad ir nepieciešama pārskatīšana un kā incidenti tiek reģistrēti un risināti. Tas mākslīgo intelektu pārvērš no atbildības par kontrolētu rīku ar skaidru atbildību.
Kad man ir nepieciešama pārvaldība, un kādi ietvari parasti tiek izmantoti?
Pārvaldība ir vissvarīgākā, kad pieaug likmes — jebkas, kas saistīts ar juridiskiem rezultātiem, drošību, finansiālu ietekmi vai cilvēku tiesībām. Pie izplatītākajiem aizsargbarjeriem pieder NIST Ģeneratīvais mākslīgā intelekta profils (AI riska pārvaldības sistēmas papildinājums), ESAO mākslīgā intelekta principi un ES Mākslīgā intelekta likuma uz risku balstītās saistības. Tie veicina testēšanas, izcelsmes, uzraudzības un incidentu atklāšanas praksi. Tas var šķist nepievilcīgi, taču tas novērš "ups, mēs ieviesām atbilstības murgu"
Ja mākslīgais intelekts tiek pārspīlēti reklamēts, kāpēc tam joprojām šķiet nozīme?
Ažiotāža un ietekme var pastāvēt līdzās. Daudzas tehnoloģijas seko pazīstamam lokam: maksimālās cerības, skarba realitāte un pēc tam stabila vērtība. Mākslīgais intelekts ir spēcīgs, taču to bieži pārdod tā, it kā tas jau būtu pabeigts – lai gan tas vēl ir procesā un integrācija ir lēna. Paliekošā vērtība parādās, kad mākslīgais intelekts noņem garlaicīgas darba daļas, atbalsta rasēšanas un kodēšanas procesu, kā arī uzlabo darbplūsmas ar pamatojumu un pārskatīšanu.
Atsauces
-
NIST Ģeneratīvais mākslīgā intelekta profils (NIST AI 600-1, PDF) — mākslīgā intelekta riska pārvaldības ietvaram pievienotas vadlīnijas, kurās izklāstītas galvenās riska jomas un ieteicamās darbības pārvaldībai, testēšanai, izcelsmei un incidentu atklāšanai. Lasīt vairāk
-
Stenfordas HAI mākslīgā intelekta indekss — ikgadējs, ar datiem bagāts ziņojums, kas seko līdzi mākslīgā intelekta progresam, ieviešanai, investīcijām un ietekmei uz sabiedrību, izmantojot galvenos kritērijus un rādītājus. Lasīt vairāk
-
GitHub Copilot produktivitātes pētījums — GitHub kontrolēta pētījuma apraksts par uzdevumu izpildes ātrumu un izstrādātāja pieredzi, izmantojot Copilot. Lasīt vairāk
-
Eiropas Komisijas Mākslīgā intelekta likuma pārskats — Komisijas galvenā lapa, kurā paskaidroti ES riskiem atbilstošie pienākumi attiecībā uz mākslīgā intelekta sistēmām un aizliegto darbību kategorijas. Lasīt vairāk