See 6,6 miljardi dollari suuruse tehisintellekti idufirma juht ütleb, et tal on üks väga suur mure

See 6,6 miljardi dollari suuruse tehisintellekti idufirma juht ütleb, et tal on üks väga suur mure

Pöörises võidujooksus üha võimsama tehisintellekti arendamiseks domineerivad pealkirjades rahastamisvoorud, mudelite võimalused ja turuhinnangud. Ometi kostub keset meeletust tööstuse kõrgeimast ešelonist sügavat ettevaatlikkust. Juhtiva 6,6 miljardi dollari suuruse tehisintellekti idufirma võtmejuht lõi hiljuti laineid, nihutades vestluse teemalt "mida me saame ehitada" küsimusele, mida me ehitame. Tema peamine mure ei ole arvutusvõimsus ega algoritmilised läbimurded; see on midagi palju põhjapanevamat: andmete terviklikkus ja kvaliteet, mida me metsalisele toidame.

Prügi sisse, evangeelium välja probleem

Juhataja mure sõltub klassikalisest arvutuspõhimõttest: prügi sisse, prügi välja (GIGO). Kaasaegsete suurte keelemudelite ja tehisintellektisüsteemide kontekstis on panused aga eksponentsiaalselt suuremad. Oleme "Garbage Out"-lt üle läinud "Poleeritud, autoriteetse kõlaga prügi välja". Tehisintellekti mudeleid õpetatakse laialdaselt kureerimata Interneti-aladel – digitaalsel hoidlal, mis sisaldab sära kõrvuti kallutatusega, väljamõeldistega segatud faktide ja ekspertanalüüsidega, mis on mattunud arvamusookeanide alla. Kui AI sünteesib selle kaootilise korpuse, võib see esitada vigaseid või kahjulikke väljundeid absoluutse tõe enesekindla tooniga. Karta on, et kodifitseerime tahtmatult oma ajaloolised ja kaasaegsed ebatäiuslikkused süsteemidesse, mis kujundavad tulevasi otsuseid rahanduse, tervishoiu ja valitsemise vallas.

Andmevõla varjatud kulu

See viib otse mõisteni "andmevõlg". Sarnaselt tarkvaraarenduse tehnilistele võlgadele koguneb andmevõlg, kui organisatsioonid seavad prioriteediks oma tehisintellekti skaleerimise hõlpsasti juurdepääsetavate, kuid halvasti struktureeritud või kontrollimata andmetega. See võlg suureneb vaikselt. Lühiajaliselt mudel töötab. Pikemas perspektiivis muutub see sissejuurdunud ebatäpsuste ja korrelatsioonide labürint, mis on astronoomiliselt kallis ja raskesti parandatav. Juht väidab, et nii idufirmad kui ka ettevõtted võtavad turule tormades katastroofilisi andmevõlgu, riskides tulevaste usaldusväärsuse ja funktsionaalsuse kriisidega. Siin muutub kriitiliseks strateegiline lähenemine äritegevusele. Sellised platvormid nagu Mewayz on loodud tegevusvõla vastu võitlemiseks, tsentraliseerides ja struktureerides ettevõtte põhiandmeid – alates CRM-ist kuni projekti töövoogudeni –, tagades, et kui ettevõte sisestab andmeid oma tehisintellektitööriistadesse, ammutatakse see puhtast ja usaldusväärsest allikast, mitte digitaalsest prügimäest.

Kutse kureeritud luureandmetele ja inimkesksetele protsessidele

Pakutud lahendus ei ole edusammude peatamine, vaid kureeritud intelligentsuse poole pöördumine. See tähendab andmete auditeerimise, hankimise ja märgistamise rangete ja pidevate protsesside rakendamist. Kaitsepiirete seadmine ja eetilised ja kvalitatiivsed standardid, millele toorandmed peavad vastama, peavad vastama enne, kui need saavad koolitusmaterjaliks, nõuavad inimteadmisi. See on üleminek iga hinna eest automatiseerimiselt intelligentsele suurendamisele. See filosoofia laieneb tehisintellekti koolitusandmetest ka tööriistadele, mida meeskonnad igapäevaselt kasutavad. Näiteks võimaldab moodulitega ärioperatsioonisüsteem juhtidel kavandada protsesse, mis tagavad inimliku järelevalve ja kvaliteedikontrolli kriitilistel punktidel, luues struktureeritud töövoo, mis hoiab ära andmete halvenemise sisenemispunktis juba ammu enne seda, kui see kunagi AI mudelini jõuab.

Kureeritud intelligentsuse strateegia põhisambad peavad sisaldama järgmist:

• Pärituse jälgimine: kriitiliste andmekogumite päritolu ja arengu tundmine.
• Kallutatuse auditeerimine: treeningandmete demograafiliste või ajalooliste moonutuste regulaarsete struktureeritud kontrollide rakendamine.
• Inimese kontrollimine: ekspertide ülevaatustsüklite manustamine nii andmete ettevalmistamise kui ka mudeli väljundi etapis.
• Distsiplinaarne juhtimine: eetikute, domeeniekspertide ja lõppkasutajate, mitte ainult inseneride kaasamine andmestrateegiasse.

"Meil on oht ehitada üles oraaklite põlvkond, mis räägivad uskumatult veendunult, kuid on sisult sosistavad. Meie suurim väljakutse ei ole enam mudeliarhitektuur; see on alus, millele see rajatakse. Kui see alus – meie andmed – puruneb, on kõik, mida me selle peale ehitame, oma olemuselt ebastabiilne, ükskõik kui muljetavaldav see ka välja ei näeks."

Stabiilsele alusele ehitamine

Juhataja suur mure on iga tehisintellektiga integreeriva ettevõtte jaoks ülioluline tegelikkuse kontroll. Iga süsteemi intelligentsus on piiratud selle sisendite kvaliteediga. Ettevõtete jaoks, kes soovivad tehisintellekti vastutustundlikult ära kasutada, on esimene samm vaadata sissepoole ja tugevdada oma tööandmete infrastruktuuri. Enne suurest keelemudelist vastuste otsimist veenduge, et teie esitatud küsimused ja kontekst põhinevad selgusel ja tõesusel. Seades prioriteediks puhtad, struktureeritud ja hästi juhitud andmed oma ökosüsteemides – kasutades sellise korra loomiseks loodud tööriistu – saavad ettevõtted tagada, et nad on osa lahendusest, toidates tehisintellekti tulevikku sisuga, mitte ainult müraga. Eesmärk ei ole lihtsalt targem mudel, vaid targem, mis on rajatud vundamendile, mida saame usaldada.

Korduma kippuvad küsimused

See 6,6 miljardi dollari suuruse tehisintellekti idufirma juht ütleb, et tal on üks väga suur mure

Pöörises võidujooksus üha võimsama tehisintellekti arendamiseks domineerivad pealkirjades rahastamisvoorud, mudelite võimalused ja turuhinnangud. Ometi kostub keset meeletust tööstuse kõrgeimast ešelonist sügavat ettevaatlikkust. Juhtiva 6,6 miljardi dollari suuruse tehisintellekti idufirma võtmejuht lõi hiljuti laineid, nihutades vestluse teemalt "mida me saame ehitada" küsimusele, mida me ehitame. Tema peamine mure ei ole arvutusvõimsus ega algoritmilised läbimurded; see on midagi palju põhjapanevamat: andmete terviklikkus ja kvaliteet, mida me metsalisele toidame.

Prügi sisse, evangeelium välja probleem

Juhataja mure sõltub klassikalisest arvutuspõhimõttest: prügi sisse, prügi välja (GIGO). Kaasaegsete suurte keelemudelite ja tehisintellektisüsteemide kontekstis on panused aga eksponentsiaalselt suuremad. Oleme "Garbage Out"-lt üle läinud "Poleeritud, autoriteetse kõlaga prügi välja". Tehisintellekti mudeleid õpetatakse laialdaselt kureerimata Interneti-aladel – digitaalsel hoidlal, mis sisaldab sära kõrvuti kallutatusega, väljamõeldistega segatud faktide ja ekspertanalüüsidega, mis on mattunud arvamusookeanide alla. Kui AI sünteesib selle kaootilise korpuse, võib see esitada vigaseid või kahjulikke väljundeid absoluutse tõe enesekindla tooniga. Karta on, et kodifitseerime tahtmatult oma ajaloolised ja kaasaegsed ebatäiuslikkused süsteemidesse, mis kujundavad tulevasi otsuseid rahanduse, tervishoiu ja valitsemise vallas.

Andmevõla varjatud kulu

See viib otse mõisteni "andmevõlg". Sarnaselt tarkvaraarenduse tehnilistele võlgadele koguneb andmevõlg, kui organisatsioonid seavad prioriteediks oma tehisintellekti skaleerimise hõlpsasti juurdepääsetavate, kuid halvasti struktureeritud või kontrollimata andmetega. See võlg suureneb vaikselt. Lühiajaliselt mudel töötab. Pikemas perspektiivis muutub see sissejuurdunud ebatäpsuste ja korrelatsioonide labürint, mis on astronoomiliselt kallis ja raskesti parandatav. Juht väidab, et nii idufirmad kui ka ettevõtted võtavad turule tormades katastroofilisi andmevõlgu, riskides tulevaste usaldusväärsuse ja funktsionaalsuse kriisidega. Siin muutub kriitiliseks strateegiline lähenemine äritegevusele. Sellised platvormid nagu Mewayz on loodud tegevusvõla vastu võitlemiseks, tsentraliseerides ja struktureerides äritegevuse põhiandmeid – alates CRM-ist kuni projekti töövoogudeni –, tagades, et kui ettevõte sisestab andmeid oma tehisintellekti tööriistadesse, ammutab see puhtast ja usaldusväärsest allikast, mitte digitaalsest prügimäest.

Kutse kureeritud luureandmetele ja inimkesksetele protsessidele

Pakutud lahendus ei ole edusammude peatamine, vaid kureeritud intelligentsuse poole pöördumine. See tähendab andmete auditeerimise, hankimise ja märgistamise rangete ja pidevate protsesside rakendamist. Kaitsepiirete seadmine ja eetilised ja kvalitatiivsed standardid, millele toorandmed peavad vastama, peavad vastama enne, kui need saavad koolitusmaterjaliks, nõuavad inimteadmisi. See on üleminek iga hinna eest automatiseerimiselt intelligentsele suurendamisele. See filosoofia laieneb tehisintellekti koolitusandmetest ka tööriistadele, mida meeskonnad igapäevaselt kasutavad. Näiteks võimaldab moodulitega ärioperatsioonisüsteem juhtidel kavandada protsesse, mis tagavad inimliku järelevalve ja kvaliteedikontrolli kriitilistel punktidel, luues struktureeritud töövoo, mis hoiab ära andmete halvenemise sisenemispunktis juba ammu enne seda, kui see kunagi AI mudelini jõuab.

Stabiilsele alusele ehitamine

Juhataja suur mure on iga tehisintellektiga integreeriva ettevõtte jaoks ülioluline tegelikkuse kontroll. Iga süsteemi intelligentsus on piiratud selle sisendite kvaliteediga. Ettevõtete jaoks, kes soovivad tehisintellekti vastutustundlikult ära kasutada, on esimene samm vaadata sissepoole ja tugevdada oma tööandmete infrastruktuuri. Enne suurest keelemudelist vastuste otsimist veenduge, et teie esitatud küsimused ja kontekst põhinevad selgusel ja tõesusel. Seades prioriteediks puhtad, struktureeritud ja hästi juhitud andmed oma ökosüsteemides – kasutades sellise korra loomiseks loodud tööriistu – saavad ettevõtted tagada, et nad on osa lahendusest, toidates tehisintellekti tulevikku sisuga, mitte ainult müraga. Eesmärk ei ole lihtsalt targem mudel, vaid targem, mis on rajatud vundamendile, mida saame usaldada.