سود:
- امکان توسعه یک ویژگی موبایل به صورت سرتاسر و قابل تایید در طراحی، کد، ادغام هوش مصنوعی، حریم خصوصی، تست، اشکال زدایی، عملکرد و مراحل انتشار
- توانایی ایجاد چارچوبی برای استفاده مسئولانه و اخلاقی از هوش مصنوعی با اصول شفافیت، راستی آزمایی- پاسخگویی و عدالت-عدم بدخواهی.
- توانایی ایجاد یک تمرین حرفه ای پایدار با تشخیص مناطقی که هوش مصنوعی قوی و ضعیف است و تصمیم نهایی را در دستان انسان نگه می دارد.
در طول این ماژول، ما از هوش مصنوعی در هر مرحله از توسعه تلفن همراه استفاده کردیم: تولید کد، رابط، ادغام هوش مصنوعی روی دستگاه و ابر، آزمایش، اشکالزدایی، عملکرد، حریم خصوصی و تحویل فروشگاه. در این بخش پایانی، ما همه این قطعات را در یک جریان یکپارچه ترکیب میکنیم، چارچوب استفاده مسئولانه و اخلاقی از هوش مصنوعی را روشن میکنیم و در مورد چگونگی تبدیل این مهارتها به یک تمرین حرفهای پایدار صحبت میکنیم. پیام اصلی تغییر نکرده است، اما اکنون کاملاً ثابت شده است: هوش مصنوعی نیرویی است که یک توسعه دهنده توانمند تلفن همراه را چند برابر می کند. جایگزین نیست این شخصی است که مسئول کیفیت، ایمنی و وعده محصول به کاربر است.
یک ویژگی انتها به انتها: ترکیب قطعات
توسعه یک ویژگی واقعی از ابتدا تا انتها با پشتیبانی از هوش مصنوعی، هر واحدی را که آموخته ایم در یک زنجیره ترکیب می کند. مثال: ویژگی "افزودن هزینه از رسید". جریان به این صورت عمل می کند:
- طراحی (واحد 3). صفحه و چهار حالت (بارگیری/خالی/خطا/پر) را با هوش مصنوعی پیش نویس کنید، از ابتدا درخواست دسترسی داشته باشید.
- کد (واحد 2). ایجاد دوربین، مدل داده و ViewModel لایه به لایه با MVVM. هر لایه را تایید کنید
- هوش مصنوعی روی دستگاه (واحد 4). مقدار/تاریخ از دریافت را با تشخیص متن کیت ML بخوانید. پیش پردازش و امتیازدهی با اطمینان را در نظر بگیرید.
- محرمانگی (واحد 9). درخواست مجوز دوربین با حداقل امتیاز، نوشتن سناریو رد کردن، نگه داشتن داده ها در دستگاه.
- تست (واحد 6). تولید تست های واحد منطق استخراج، تست رابط کاربری نمایشگر. شامل ایالت های مرزی می شود.
- اشکال زدایی (واحد 7). از هوش مصنوعی بخواهید خرابی ها را با زمینه تجزیه و تحلیل کند و علت اصلی را حل کند.
- عملکرد (واحد 8). هزینه باتری پردازش دوربین را اندازه بگیرید و آن را برای باتری مناسب تنظیم کنید.
- صدا و سیما (واحد 10). استفاده از هوش مصنوعی را به طور شفاف گزارش دهید، فرم حریم خصوصی را به درستی پر کنید و یک خودآزمایی انجام دهید.
در هر مرحله، هوش مصنوعی شتاب می گیرد، انسان تأیید می کند و تصمیم می گیرد. این حلقه هسته اصلی ماژول است.
نکته: سعی نکنید هوش مصنوعی را با یک درخواست بزرگ وادار به انجام یک ویژگی پیچیده نکنید. آن را به مراحل قابل تأیید مانند بالا تقسیم کنید. آزمایش خروجی هر مرحله و رفتن به مرحله بعدی هم ایمن تر و هم در نهایت سریعتر است. چون نه در انتها، بلکه در اولین قدم اشتباه بزرگی را مرتکب می شوید.
استفاده مسئولانه و اخلاقی از هوش مصنوعی
صلاحیت فنی به تنهایی کافی نیست. یک چارچوب مسئول آن را تکمیل می کند. سه اصل:
شفافیت. کاربر باید بداند که در حال تعامل با هوش مصنوعی است. هوش مصنوعی مخفی نقض اعتماد است. محتوای تولید شده توسط هوش مصنوعی برچسب گذاری شده است. توصیه های هوش مصنوعی به جای «حقیقت سخت» به عنوان «توصیه مفید» ارائه می شود.
تایید و پاسخگویی. خروجی هوش مصنوعی یک نقطه شروع است، نه یک محصول نهایی. شما مسئول هر خط کد منتشر شده، هر پاسخ هوش مصنوعی، هر تراکنش داده هستید. "هوش مصنوعی اینطور نوشته است" دفاع نیست.
عدالت و عدم شرارت. مدلهای هوش مصنوعی میتوانند از دادههایی که روی آنها آموزش دیدهاند، سوگیری داشته باشند. تشخیص چهره ممکن است روی برخی از رنگهای پوست بدتر عمل کند، موتور توصیه ممکن است گروهی را حذف کند. این مسئولیت شماست که آزمایش کنید که محصول شما به طور منصفانه در گروه های مختلف کاربر کار می کند.
توجه: هر تکنیکی که در زمینه فناوری اطلاعات و امنیت یاد می گیرید فقط برای مقاصد مجاز و سازنده استفاده می شود. استفاده از هوش مصنوعی برای ایجاد بدافزار، کرک کردن برنامه شخص دیگری بدون اجازه، جمعآوری دادههای کاربر بدون رضایت، یا تولید محتوای گمراهکننده غیرقانونی و خلاف اصول اخلاقی این حرفه است. اندازه گیری قدرت در جایی آشکار می شود که شما از آن استفاده نمی کنید.
شناخت محدودیت های هوش مصنوعی
یک توسعه دهنده بالغ می داند که هوش مصنوعی کجا می درخشد و کجا کوتاه می آید.
هوش مصنوعی قدرتمند است
هوش مصنوعی ضعیف است
کد قالب، تولید دیگ بخار
تصمیمات محصول و معماری
آزمایش و پیش نویس مستندات
درک زمینه کسب و کار و کاربر
خواندن گزارش خرابی، اسکن خطا
تشخیص علت ریشه ای قطعی (تأیید لازم است)
یادگیری، توضیح مفهوم
اطلاعات API فعلی/ساخته نشده
متن، توضیحات، ترجمه
اخلاق، امنیت و تصمیم نهایی قانونی
درونی کردن این تمایز کلیدی برای استفاده موثر از هوش مصنوعی و اجتناب از مشکلات آن است.
سه کیف کوچک
مورد 1 - سرعت انتها به انتها. یکی از توسعه دهندگان انفرادی ویژگی "unplugged" را در 4 روز با جریان 8 مرحله ای بالا به پایان رساند. بدون هوش مصنوعی تخمین 12 روز بود. اما از آنجایی که او هر مرحله را تأیید می کرد، اولین بار این نشریه تأیید شد. سرعت واقعی بود زیرا نظم و انضباط واقعی بود. درس: تأیید AI + سریعتر از تأیید AI است.
مورد 2 - تعصب گرفتار شد. در حین آزمایش یک ویژگی پیشبینی اسم-جنسیت مبتنی بر هوش مصنوعی، یک تیم متوجه اشتباهات سیستماتیک در برخی از اسمهای ترکی شدند. این مدل بیشتر بر روی دادههای انگلیسی آموزش داده شد. این ویژگی به جای فرض اشتباه به درخواست از کاربر تغییر یافته است. درس: این وظیفه توسعه دهنده است که تعصب آموزشی مدل را آزمایش کند.
مورد 3 - دفاع "هوش مصنوعی گفت" از بین رفت. یک توسعهدهنده یک کد پرداخت تولید شده توسط هوش مصنوعی را بدون تأیید آن منتشر کرد. در یک مورد شدید، کد مجموعههای دوگانه را انجام میداد. مسئولیت با گفتن "هوش مصنوعی آن را نوشت" حذف نمی شود. به عنوان صاحب حساب، او یک توسعه دهنده بود. درس: مسئولیت قابل تفویض نیست.
اعلان ضعیف / اعلان قوی
اعلان ضعیف: "یک برنامه کامل اسکن رسید برای من بنویس."
پیام قدرتمند: "به من کمک کنید تا ویژگی "افزودن هزینه از رسید" را مرحله به مرحله توسعه دهم. بیایید به ترتیب ادامه دهیم، وقتی هر مرحله را تأیید و تایید کردم، به مرحله بعدی می رویم: 1) صفحه نمایش + چهار حالت + دسترسی2) لایه های MVVM (دوربین، مدل، ViewModel) 3) مقدار/تاریخ خواندن از KCAMitle به ازای هر مورد اعتماد + امتیاز امتیاز) + جریان رد 5) تست های واحد و رابط کاربری خطرات و نکاتی را که باید در هر مرحله تأیید کنم به من بگویید."
قالب های قابل کپی
الگوی برنامهریزی انتها به انتها: "ویژگی زیر را توسعه خواهم داد: [ویژگی]. آن را به مراحل قابل تایید تقسیم کنید: طراحی، کد، ادغام هوش مصنوعی، حریم خصوصی/مجوز، آزمایش، عملکرد، انتشار. خروجی، ریسک و معیارهای تایید را برای هر مرحله بنویسید. حتی یک تولید غول پیکر ایجاد نکنید."
الگوی حسابرسی اخلاقی/سوگیری: "ویژگی هوش مصنوعی زیر را برای انصاف و تعصب حسابرسی کنید: [ویژگی]. چه گروه های کاربری ممکن است عملکرد ضعیفی داشته باشد؟ چگونه داده های آموزشی بر تعصب تاثیر می گذارد؟ چگونه آن را آزمایش کنم، چگونه آن را فراگیرتر کنم؟"
الگوی بررسی پاسخگویی: "سوالات پاسخگویی را که باید قبل از انتشار این کد/ویژگی ایجاد شده توسط هوش مصنوعی بپرسم فهرست کنید: آیا آن را درک کرده ام، آیا آن را آزمایش کرده ام، آیا ایمن است، آیا برای کاربر شفاف است، آیا قانونی/اخلاقی است؟"
الگوی یادگیری مستمر: «یک برنامه عملی 4 هفتهای برای بهبود مهارت هوش مصنوعی من در برنامهنویس موبایل پیشنهاد دهید: هر هفته یک موضوع (کد، ادغام، آزمایش، انتشار)، با هدف یک پروژه کوچک و عادت تأیید.
اشتباهات رایج
- تولید ویژگی پیچیده با یک درخواست غول پیکر. قابل تایید نیست؛ آن را به مراحل تقسیم کنید
- اجتناب از مسئولیت با گفتن "هوش مصنوعی چنین نوشته است". شما مسئول کد منتشر شده هستید.
- برای تعصب هوش مصنوعی آزمایش نمی شود. این مدل ممکن است در برخی گروه ها ضعیف عمل کند. عدالت را امتحان کنید
- پنهان کردن تعامل هوش مصنوعی از کاربر شفافیت اساس اعتماد است.
- فراموش کردن محدودیت های هوش مصنوعی مردم در مورد معماری، اخلاق و API فعلی حرف آخر را می زنند.
- برای توقف یادگیری ابزارها و قوانین فروشگاه به سرعت تغییر می کنند. دائما به روز باشید.
به طور خلاصه
یک ویژگی end-to-end همه بخشهای ماژول را در یک زنجیره ترکیب میکند: طراحی، کد، ادغام هوش مصنوعی، حریم خصوصی، آزمایش، اشکالزدایی، عملکرد و انتشار. در هر مرحله، هوش مصنوعی شتاب میدهد، انسان تأیید میکند و تصمیم میگیرد. کارهای پیچیده به مراحل کوچک قابل تأیید تقسیم می شوند. استفاده مسئولانه بر سه اصل استوار است: شفافیت، راستی آزمایی - پاسخگویی و انصاف - آسیب نرسانید. هوش مصنوعی یک ضریب قدرتمند است، اما انسان ها در مورد معماری، اخلاق، امنیت و دانش فعلی حرف آخر را می زنند. "هوش مصنوعی این کار را انجام داد" یک دفاع نیست. شما مسئول محصول خود و قولی که به کاربر خود می دهید هستید. با استفاده از این رشته، هوش مصنوعی شما را در طول حرفهتان سریعتر، جامعتر و قویتر میکند.
وظیفه کاربردی
یک ویژگی تلفن همراه انتخابی خود (مانند "خلاصه کردن با یادداشت برداری صوتی" یا "تشخیص محصول از روی عکس") را با یک "الگوی برنامه ریزی انتها به انتها" به مراحل قابل تأیید تقسیم کنید. در واقع حداقل یک مرحله را با هوش مصنوعی توسعه و تأیید کنید. سپس، تجزیه و تحلیل کنید که این ویژگی در کدام گروه از کاربران ممکن است در «الگوی کنترل اخلاق/سوگیری» مشکل ایجاد کند و به سؤالاتی که قبل از انتشار باید بپرسید با «الگوی کنترل مسئولیت» پاسخ دهید.
چک لیست
- [ ] من این ویژگی را به مراحل کوچک قابل تأیید تقسیم کردم، نه یک تولید غول پیکر
- [ ] من خروجی هوش مصنوعی را در هر مرحله تأیید کردم و تصمیم گرفتم
- [ ] من تعامل هوش مصنوعی را به طور شفاف به کاربر ارائه کردم
- [ ] ارزیابی کردم که آیا این ویژگی در گروه های مختلف به طور عادلانه/سوگیرانه کار می کند
- [ ] من به سوالات مسئولیت قبل از انتشار پاسخ دادم (فهمیده/آزمایش/ایمن/اخلاقی)
- [ ] من از هوش مصنوعی فقط برای اهداف شایسته و سازنده استفاده کرده ام و قصد دارم به یادگیری ادامه دهم
امتحان ماژول
1. کدام یک از موارد زیر دقیق ترین موقعیت یابی هوش مصنوعی در توسعه موبایل است؟
- الف) هوش مصنوعی جایگزین توسعه دهنده می شود. می تواند مستقیماً بدون خواندن کدی که تولید می کند منتشر شود
- ب) هوش مصنوعی فقط در نوشتن متن کار می کند، ربطی به تولید کد ندارد
- ج) هوش مصنوعی دستیار و شتاب دهنده است. مسئولیت تصمیمات معماری، امنیت و پخش بر عهده انسان است ✔
- د) از آنجایی که هوش مصنوعی همیشه کد صحیح تولید می کند، آزمایش و تأیید اضافی غیر ضروری است
توضیحات: هوش مصنوعی دستیار و شتاب دهنده ای است که کد، نقشه و راه حل تولید می کند. مسئولیت و تایید نهایی تصمیماتی از قبیل معماری، مجوز، امنیت و انتشار بر عهده توسعه دهنده ذیصلاح است. انسان ها مسئول هر خط منتشر شده هستند.
2. هنگام درخواست کد موبایل از هوش مصنوعی، چه چیزی کیفیت معماری کد تولید شده را بیشتر افزایش می دهد؟
- الف) فرمان را تا حد امکان کوتاه نگه دارید و بگویید "برام یک برنامه بنویس"
- ب) ابتدا معماری مانند MVVM را تحمیل کنید و کد را به صورت لایه به لایه درخواست کنید
- ج) تولید کل ویژگی به عنوان یک فایل غول پیکر در یک اعلان واحد
- د) اصلاً معماری را مشخص نکنید و بهترین تصمیم را به هوش مصنوعی بسپارید
توضیح: تحمیل معماری مانند MVVM و نیاز به لایه به لایه قبل از نوشتن کد مستقیم روی هوش مصنوعی، ساختاری قابل آزمایش و قابل نگهداری را تولید می کند که منطق را از صفحه جدا می کند. درخواست بدون معماری کدی را برمی گرداند که همه چیز را روی صفحه نمایش می دهد.
3. هنگام ایجاد یک رابط با هوش مصنوعی چه چیزی اغلب نادیده گرفته می شود و چه چیزی در استفاده واقعی بسیار مهم است؟
- الف) طراحی حالت های بارگذاری، خالی و خطا، نه فقط تمام صفحه ✔
- ب) تولید تنها بهترین ظاهر تمام صفحه، صرف نظر از موارد دیگر
- ج) افزودن هر چه بیشتر رنگ و انیمیشن به هر صفحه نمایش
- د) باقی ماندن برچسب های دسترسی و صرفاً با ظاهر
توضیح: توسعه دهندگان اغلب فقط حالت "کامل" را در نظر می گیرند. در حالی که در واقعیت کاربر بیشتر با حالت های بارگذاری، خالی و خطا مواجه می شود. ایجاد هر چهار حالت (بارگیری/خالی/خطا/پر) راز یک رابط قوی است.
4. چرا هوش مصنوعی روی دستگاه اغلب گزینه پیشفرض برای ویژگیهایی است که دادههای شخصی حساس را پردازش میکند (مانند اندازهگیری سلامت)؟
- الف) مدلهای روی دستگاه همیشه دقیقتر از ابر هستند
- ب) پردازش روی دستگاه هرگز متحمل هزینه باتری یا پردازنده نمی شود
- ج) پردازش روی دستگاه از نظر اندازه مدل نامحدود است
- د) از آنجایی که داده ها از گوشی خارج نمی شوند، از نظر حریم خصوصی و اعتماد کاربر یک مزیت قوی ایجاد می کند ✔
توضیح: پردازش روی دستگاه داده ها را از تلفن حذف نمی کند. این یک مزیت قوی از نظر رعایت حریم خصوصی و اعتماد کاربر است، به علاوه به صورت آفلاین و آنی کار می کند. محدودیت آن قدرت دستگاه و اندازه مدل است.
5. رایجترین خطای «بیصدا» که باعث نتایج بیمعنی میشود و پیام خطایی در یکپارچهسازی مدل روی دستگاه ایجاد نمیکند، چیست؟
- الف) غلط املایی نام فایل مدل
- ب) وضوح پایین آیکون برنامه
- ج) پیش پردازش ورودی نادرست (اندازه / عادی سازی) ✔
- د) تم صفحه تاریک
توضیح: انجام نادرست پیش پردازش ورودی نتایج کاملاً اشتباهی را بدون ایجاد خطا ایجاد می کند. مقادیر پیش پردازش باید از مستندات مدل تأیید شود.
6. مهم ترین قانون امنیتی هنگام ادغام ابر LLM در یک برنامه تلفن همراه چیست؟
- الف) کلید API فقط باید در پشتیبان نگهداری شود، نه روی کلاینت. درخواست ها باید از طریق پروکسی انجام شود ✔
- ب) کلید API باید به طور مستقیم در کد برنامه برای راحتی جاسازی شود
- ج) کلید API باید در توضیحات برنامه به اشتراک گذاشته شود
- د) کلید API باید در کلاینت نگه داشته شود و فقط با تغییر نام پنهان شود.
افشا: کلید API هرگز در کد برنامه تلفن همراه تعبیه نشده است. زیرا برنامه را می توان مهندسی معکوس کرد و کلید را استخراج کرد. معماری صحیح این است که کلید را فقط در باطن نگه دارید و درخواست ها را از طریق سرور پروکسی خود ارسال کنید.
7. چه چیزی سرعت درک کاربر و نرخ تکمیل ویژگی را در پاسخ های طولانی LLM افزایش می دهد؟
- الف) منتظر بمانید تا کل پاسخ تولید شود و یکباره آن را نشان دهید
- ب) نمایش کلمه به کلمه پاسخ همانطور که تولید می شود با پخش ✔
- ج) ارسال کل تاریخچه چت به مدل با هر درخواست
- د) دستورالعمل مدل را بزرگ کنید تا پاسخ را تا حد امکان گسترش دهید
توضیحات: استریم با نمایش پاسخ به صورت کلمه به کلمه، سرعت درک شده و روان بودن را به طور چشمگیری افزایش می دهد. کاربر به جای اینکه روی صفحه خالی منتظر بماند، فرم متن را تماشا می کند. این به میزان قابل توجهی میزان رها شدن را کاهش می دهد.
8. رایج ترین مشکل در تست های تولید شده توسط هوش مصنوعی که باعث بی ارزش شدن تست می شود چیست؟
- الف) تست ها حالت های حد زیادی را پوشش می دهند
- ب) تست ها از اشیاء ساختگی استفاده می کنند، نه از خدمات واقعی
- ج) تست ها خیلی سریع اجرا می شوند
- د) نفخ دامنه توسط تست های خالی/بی فایده که در واقع یک رفتار را تایید نمی کند
توضیح: هوش مصنوعی گاهی اوقات تست هایی تولید می کند که در واقع هیچ خروجی را تأیید نمی کنند (به عنوان مثال فقط تابع را فراخوانی کنید و یک ادعای خالی بنویسید). اینها تعداد پوشش را افزایش می دهند اما محافظت واقعی را ارائه نمی دهند. هر آزمون باید برای تأیید رفتار معنادار بررسی شود.
9. چرا راه حل کافی برای خاموش کردن یک تصادف با قرار دادن آن در یک امتحان با یک پیشنهاد هوش مصنوعی نیست؟
- الف) try-catch به هیچ وجه در برنامه های موبایل قابل استفاده نیست
- ب) خرابی متوقف می شود، اما از آنجایی که علت اصلی برطرف نشده است، مشکل به شکل دیگری برمی گردد ✔
- ج) استفاده از try-catch سرعت برنامه را کاهش می دهد، بنابراین ممنوع است
- د) خطای خاموش به طور خودکار توسط فروشگاه رد می شود
توضیح: خاموش کردن علامت علت اصلی را حل نمی کند. خرابی متوقف می شود، اما مشکل اصلی (مثلاً اتصال داده خراب) به شکل دیگری (مثلاً از دست دادن داده) باز می گردد. هدف در اشکال زدایی حرفه ای، حل علت اصلی است، نه علامت.
10. قانون طلایی اساسی در بهینه سازی عملکرد چیست؟
- الف) ابتدا یک پروفایل بگیرید و گلوگاه واقعی را اندازه بگیرید سپس ✔ را بهینه کنید
- ب) حدس زدن جایی که کند است و در آنجا تمرکز می کند
- ج) تعقیب سودهای کوچک در هر عملکرد
- د) اندازه گیری عملکرد در شبیه ساز و هرگز آزمایش دستگاه واقعی
توضیحات: ابتدا اندازه گیری کنید، بعداً بهینه سازی کنید. گلوگاه واقعی تقریباً همیشه در مکانی متفاوت از آنچه پیش بینی می شد قرار دارد. بهینه سازی بدون پروفایل یک حدس کور است و اغلب هدر دادن تلاش است.
11. مهمترین دغدغه مهندسی برای یک ویژگی هوش مصنوعی (به عنوان مثال ترجمه زنده دوربین) چیست؟
- الف) این ویژگی تا حد امکان مجوزها را درخواست می کند
- ب) مدیریت هزینه باتری و پردازنده پردازش مداوم با فرکانس نمونه برداری و پردازش دسته ای ✔
- ج) این ویژگی را فقط در گران ترین گوشی ها اجرا کنید
- د) رندر کردن مداوم دوربین با بالاترین نرخ فریم ممکن
توضیحات: مدل، دوربین و شبکه به طور مداوم کار می کند. می تواند به سرعت باتری را مصرف کند، دستگاه را گرم کند و توسط سیستم محدود شود. کاهش فرکانس نمونه برداری، بچینگ و اجرا فقط در صورت نیاز، راه هایی برای مدیریت هزینه باتری است.
12. اصل "کمترین امتیاز" در مدیریت مجوز در توسعه موبایل به چه معناست؟
- الف) درخواست تمام مجوزهای ممکن در راه اندازی، فقط در مورد.
- ب) غیرفعال کردن برنامه در صورت رد شدن مجوز
- ج) درخواست گسترده ترین اجازه و برنامه ریزی برای محدود کردن آن بعدا.
- د) درخواست تنها مجوزی که واقعاً مورد نیاز است، در مواقع ضروری و در محدودترین محدوده، با سناریوی رد ✔
توضیح: کمترین امتیاز، درخواست تنها اجازه ای است که واقعاً مورد نیاز است، در صورت نیاز، و به محدودترین حد ممکن. مجوزهای زیاد اعتماد کاربر را تضعیف می کند، منجر به رد فروشگاه می شود و خطر نشت داده ها را افزایش می دهد.
13. هنگام ارائه اپلیکیشن با هوش مصنوعی به فروشگاه چه الزامات خاصی باید رعایت شود؟
- الف) شفافیت محتوا، کنترل محتوا و افشای دادههای ارسالی به هوش مصنوعی در قالب محرمانه بودن
- ب) پنهان کردن استفاده از هوش مصنوعی از کاربر
- ج) علامت گذاری داده هایی که واقعاً در فرم حریم خصوصی جمع آوری نشده اند
- د) ویژگی های امیدوار کننده ای که در توضیحات وجود ندارد
افشا: فروشگاهها انتظار دارند شفافیت محتوا (بیانیه که هوش مصنوعی تولید میکند)، تعدیل محتوا (فیلتر کردن خروجی مضر و اطلاعرسانی کاربر)، و افشای استفاده از دادهها از برنامههای حاوی هوش مصنوعی؛ هشدار دقت در مناطق حساس مورد نیاز است. درخواست هایی که این موارد را حذف کنند رد خواهند شد.
14. چرا وقتی یک خطای حاشیه ای در کدهای منتشر شده توسط هوش مصنوعی رخ می دهد، دفاع «هوش مصنوعی آنطور نوشته است» نامعتبر است؟
- الف) از آنجایی که هوش مصنوعی همیشه کدهای بدون خطا تولید می کند، خطا از طرف کاربر می آید
- ب) زیرا فروشگاه ها به طور خودکار کدهای تولید شده توسط هوش مصنوعی را تصحیح می کنند
- ج) زیرا نمی توان مسئولیت را به هوش مصنوعی منتقل کرد; توسعه دهنده مسئول کد و داده های منتشر شده است ✔
- د) زیرا کدهای تولید شده توسط هوش مصنوعی هرگز زنده نمی شوند
توضیحات: خروجی هوش مصنوعی یک نقطه شروع است، نه یک محصول نهایی. این توسعه دهنده است که مسئول هر خط منتشر شده، هر داده پردازش شده و هر وعده داده شده است. مسئولیت را نمی توان به هوش مصنوعی محول کرد، بنابراین خروجی باید قبل از انتشار درک و آزمایش شود.