Bonyeza picha hapo juu ili uangalie video ya somo hili
Ni rahisi kuvutiwa na AI na AI inayozalisha hasa, lakini unahitaji kuzingatia jinsi unavyoweza kuitumia kwa uwajibikaji. Unahitaji kuzingatia mambo kama jinsi ya kuhakikisha matokeo ni ya haki, yasiyo na madhara na zaidi. Sura hii inalenga kukupa muktadha uliotajwa, nini cha kuzingatia, na jinsi ya kuchukua hatua madhubuti kuboresha matumizi yako ya AI.
Somo hili litashughulikia:
- Kwa nini unapaswa kuzingatia AI inayowajibika unapojenga programu za AI inayozalisha.
- Kanuni kuu za AI inayowajibika na jinsi zinavyohusiana na AI inayozalisha.
- Jinsi ya kuweka kanuni hizi za AI inayowajibika katika vitendo kupitia mkakati na zana.
Baada ya kukamilisha somo hili utajua:
- Umuhimu wa AI inayowajibika unapojenga programu za AI inayozalisha.
- Wakati wa kufikiria na kutumia kanuni kuu za AI inayowajibika unapojenga programu za AI inayozalisha.
- Zana na mikakati gani inapatikana kwako kuweka dhana ya AI inayowajibika katika vitendo.
Msisimko wa AI inayozalisha haujawahi kuwa juu zaidi. Msisimko huu umeleta watengenezaji wengi wapya, umakini, na ufadhili katika eneo hili. Ingawa hii ni chanya sana kwa yeyote anayetarajia kujenga bidhaa na kampuni zinazotumia AI inayozalisha, ni muhimu pia tuendelee kwa uwajibikaji.
Katika kozi hii, tunazingatia kujenga kampuni yetu ya kuanzisha na bidhaa yetu ya elimu ya AI. Tutatumia kanuni za AI inayowajibika: Haki, Ujumuishaji, Uaminifu/Usalama, Usalama & Faragha, Uwazi na Uwajibikaji. Kwa kanuni hizi, tutachunguza jinsi zinavyohusiana na matumizi yetu ya AI inayozalisha katika bidhaa zetu.
Unapojenga bidhaa, kuchukua njia inayozingatia binadamu kwa kuweka maslahi bora ya mtumiaji wako akilini huleta matokeo bora.
Ubunifu wa AI inayozalisha ni uwezo wake wa kuunda majibu yenye msaada, taarifa, mwongozo, na maudhui kwa watumiaji. Hii inaweza kufanyika bila hatua nyingi za mwongozo ambazo zinaweza kusababisha matokeo ya kuvutia sana. Bila mipango na mikakati sahihi, inaweza pia kwa bahati mbaya kusababisha matokeo yenye madhara kwa watumiaji wako, bidhaa yako, na jamii kwa ujumla.
Hebu tuangalie baadhi (lakini sio yote) ya matokeo haya yanayoweza kuwa na madhara:
Hallucinations ni neno linalotumiwa kuelezea wakati LLM inazalisha maudhui ambayo ni ya kipuuzi kabisa au kitu ambacho tunajua ni makosa kulingana na vyanzo vingine vya taarifa.
Hebu tuchukue mfano ambapo tunajenga kipengele kwa kampuni yetu ya kuanzisha kinachoruhusu wanafunzi kuuliza maswali ya kihistoria kwa modeli. Mwanafunzi anauliza swali Who was the sole survivor of Titanic?
Modeli inazalisha jibu kama lile lililo hapa chini:
Hili ni jibu la kujiamini sana na la kina. Kwa bahati mbaya, ni makosa. Hata kwa utafiti mdogo, mtu angegundua kulikuwa na zaidi ya manusura mmoja wa janga la Titanic. Kwa mwanafunzi ambaye anaanza tu kufanya utafiti juu ya mada hii, jibu hili linaweza kushawishi vya kutosha kutokubaliwi na kutibiwa kama ukweli. Matokeo ya hili yanaweza kusababisha mfumo wa AI kuwa usioaminika na kuathiri vibaya sifa ya kampuni yetu ya kuanzisha.
Kwa kila kurudia kwa LLM yoyote, tumeona maboresho ya utendaji kuzunguka kupunguza hallucinations. Hata na maboresho haya, sisi kama wajenzi wa programu na watumiaji bado tunahitaji kubaki na ufahamu wa mapungufu haya.
Tulizungumzia katika sehemu ya awali wakati LLM inazalisha majibu yasiyo sahihi au ya kipuuzi. Hatari nyingine tunahitaji kuwa na ufahamu nayo ni wakati modeli inajibu na maudhui yenye madhara.
Maudhui yenye madhara yanaweza kufafanuliwa kama:
- Kutoa maagizo au kuhamasisha kujidhuru au kudhuru makundi fulani.
- Maudhui yenye chuki au kudhalilisha.
- Kuongoza kupanga shambulio lolote au vitendo vya vurugu.
- Kutoa maagizo ya jinsi ya kupata maudhui haramu au kufanya vitendo haramu.
- Kuonyesha maudhui ya ngono wazi.
Kwa kampuni yetu ya kuanzisha, tunataka kuhakikisha tuna zana na mikakati sahihi mahali pa kuzuia aina hii ya maudhui kuonekana na wanafunzi.
Haki inafafanuliwa kama “kuhakikisha kwamba mfumo wa AI hauna upendeleo na ubaguzi na kwamba unawatendea wote kwa haki na usawa.” Katika ulimwengu wa AI inayozalisha, tunataka kuhakikisha kwamba mitazamo ya kutengwa ya makundi yaliyotengwa hayaimarishwi na matokeo ya modeli.
Aina hizi za matokeo sio tu zinaharibu kujenga uzoefu mzuri wa bidhaa kwa watumiaji wetu, lakini pia husababisha madhara zaidi ya kijamii. Kama wajenzi wa programu, tunapaswa kila mara kuweka msingi mpana na tofauti wa watumiaji akilini wakati tunajenga suluhisho na AI inayozalisha.
Sasa tumejua umuhimu wa AI inayozalisha kwa uwajibikaji, hebu tuangalie hatua 4 tunazoweza kuchukua kujenga suluhisho zetu za AI kwa uwajibikaji:
Katika majaribio ya programu, tunajaribu hatua zinazotarajiwa za mtumiaji kwenye programu. Vivyo hivyo, kujaribu seti tofauti za maombi ambayo watumiaji wanaweza kutumia ni njia nzuri ya kupima madhara yanayoweza kutokea.
Kwa kuwa kampuni yetu ya kuanzisha inajenga bidhaa ya elimu, itakuwa vizuri kuandaa orodha ya maombi yanayohusiana na elimu. Hii inaweza kuwa kufunika somo fulani, ukweli wa kihistoria, na maombi kuhusu maisha ya wanafunzi.
Sasa ni wakati wa kutafuta njia ambapo tunaweza kuzuia au kupunguza madhara yanayoweza kusababishwa na modeli na majibu yake. Tunaweza kuangalia hili katika tabaka 4 tofauti:
-
Modeli. Kuchagua modeli sahihi kwa matumizi sahihi. Modeli kubwa na ngumu zaidi kama GPT-4 zinaweza kusababisha hatari zaidi ya maudhui yenye madhara zinapotumika kwa matumizi madogo na maalum. Kutumia data yako ya mafunzo kuboresha pia hupunguza hatari ya maudhui yenye madhara.
-
Mfumo wa Usalama. Mfumo wa usalama ni seti ya zana na mipangilio kwenye jukwaa linalohudumia modeli inayosaidia kupunguza madhara. Mfano wa hili ni mfumo wa kuchuja maudhui kwenye huduma ya Azure OpenAI. Mifumo inapaswa pia kugundua mashambulio ya jailbreak na shughuli zisizohitajika kama maombi kutoka kwa roboti.
-
Metaprompt. Metaprompt na kuimarisha ni njia tunazoweza kuelekeza au kupunguza modeli kulingana na tabia na taarifa fulani. Hii inaweza kuwa kutumia pembejeo za mfumo kufafanua mipaka fulani ya modeli. Aidha, kutoa matokeo ambayo yanafaa zaidi kwa upeo au uwanja wa mfumo.
Inaweza pia kuwa kutumia mbinu kama Uzazi Ulioimarishwa na Urejeshaji (RAG) ili kufanya modeli ivute taarifa tu kutoka kwa uteuzi wa vyanzo vinavyoaminika. Kuna somo baadaye katika kozi hii kwa kujenga programu za utafutaji
- Uzoefu wa Mtumiaji. Tabaka la mwisho ni ambapo mtumiaji anawasiliana moja kwa moja na modeli kupitia interface ya programu yetu kwa njia fulani. Kwa njia hii tunaweza kubuni UI/UX ili kupunguza mtumiaji kwenye aina za pembejeo wanazoweza kutuma kwa modeli pamoja na maandishi au picha zinazowekwa kwa mtumiaji. Wakati wa kupeleka programu ya AI, lazima pia tuwe wazi kuhusu kile programu yetu ya AI inayozalisha inaweza na haiwezi kufanya.
Tuna somo zima lililotolewa kwa Kubuni UX kwa Programu za AI
- Kutathmini modeli. Kufanya kazi na LLMs inaweza kuwa changamoto kwa sababu hatuna udhibiti kila wakati juu ya data ambayo modeli ilifunzwa. Bila kujali, tunapaswa kila mara kutathmini utendaji wa modeli na matokeo. Bado ni muhimu kupima usahihi wa modeli, usawa, msingi, na umuhimu wa matokeo. Hii husaidia kutoa uwazi na uaminifu kwa wadau na watumiaji.
Kujenga mazoezi ya uendeshaji karibu na programu zako za AI ni hatua ya mwisho. Hii ni pamoja na kushirikiana na sehemu nyingine za kampuni yetu ya kuanzisha kama Sheria na Usalama ili kuhakikisha tunafuata sera zote za udhibiti. Kabla ya kuzindua, tunataka pia kujenga mipango karibu na utoaji, kushughulikia matukio, na kurudisha nyuma ili kuzuia madhara yoyote kwa watumiaji wetu kutoka kukua.
Ingawa kazi ya kuendeleza suluhisho za AI inayowajibika inaweza kuonekana kama nyingi, ni kazi inayostahili jitihada. Kama eneo la AI inayozalisha linavyokua, zana zaidi za kusaidia watengenezaji kuingiza uwajibikaji kwa ufanisi katika mtiririko wao wa kazi zitakomaa. Kwa mfano, Usalama wa Maudhui ya Azure AI inaweza kusaidia kugundua maudhui na picha zenye madhara kupitia ombi la API.
Ni mambo gani unahitaji kuzingatia ili kuhakikisha matumizi ya AI kwa uwajibikaji?
- Kwamba jibu ni sahihi.
- Matumizi yenye madhara, kwamba AI haitumiwi kwa madhumuni ya jinai.
- Kuhakikisha AI haina upendeleo na ubaguzi.
A: 2 na 3 ni sahihi. AI inayowajibika inakusaidia kuzingatia jinsi ya kupunguza madhara na upendeleo na zaidi.
Soma kuhusu Usalama wa Maudhui ya Azure AI na uone ni nini unaweza kupitisha kwa matumizi yako.
Baada ya kukamilisha somo hili, angalia mkusanyiko wetu wa Kujifunza AI Inayozalisha ili kuendelea kukuza maarifa yako ya AI inayozalisha!
Elekea kwenye Somo la 4 ambapo tutachunguza Misingi ya Uhandisi wa Maombi!
Kanusho:
Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI Co-op Translator. Ingawa tunajitahidi kwa usahihi, tafadhali fahamu kwamba tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuelewana. Hati asili katika lugha yake ya asili inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa habari muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.