کاربرد پایان به انتها: ارزیابی، اعتبارسنجی، اخلاق و مرزها

سود:

• امکان راه اندازی یک مجموعه تست کوچک (eval) که یک مدل را با داده های خود ارزیابی می کند
• راستی‌آزمایی انسانی، محدودیت‌ها و خط‌مشی استفاده مسئولانه را در گردش کار جاسازی کنید
• توهم، حریم خصوصی و خطرات اخلاقی را بشناسید و اقدامات کاهشی را اجرا کنید

شما مدل درستی را انتخاب کرده اید. آیا کار انجام شده است؟ نه، کار واقعی الان شروع می شود. قرار دادن یک مدل در کسب‌وکارتان به آزمایش آن در برابر داده‌های خودتان، اعتبارسنجی خروجی آن و چارچوب‌بندی مسئولانه آن منجر می‌شود. این واحد نهایی کل ماژول را به یک برنامه کاربردی سرتاسر تبدیل می کند: شما یاد خواهید گرفت که چگونه یک مجموعه آزمایشی کوچک (eval) راه اندازی کنید، تأیید انسانی را در جریان کار قرار دهید، خطرات توهم و حریم خصوصی را مدیریت کنید، و مرزهای اخلاقی را ترسیم کنید. هنگامی که واحد تمام شد، نه تنها می توانید یک مدل را انتخاب کنید، بلکه آن را با اطمینان راه اندازی کنید.

ارزیابی (Eval): آزمایش با داده های خودتان

اکنون می‌دانید که فقط داده‌های واقعی شما، نه تبلیغات، می‌توانند تشخیص دهند که آیا مدلی با کسب و کار شما مطابقت دارد یا خیر. راه اندازه گیری این است که یک مجموعه ارزیابی (eval) راه اندازی کنید: مجموعه کوچکی از نمونه های کار شما که پاسخ صحیح برای آن مشخص است.

یک ارزیابی ساده به این صورت تنظیم شده است:

1. 10-30 نمونه واقعی جمع آوری کنید. ورودی هایی را انتخاب کنید که برای شغل شما معمولی هستند (مخلوط کردن سخت و آسان).
2. برای هر مثال "خروجی صحیح/ مورد انتظار" را تعیین کنید. یک متخصص چه پاسخی می دهد؟
3. نامزدها را از طریق همین مثال ها اجرا کنید. مدل هایی که با هم مقایسه می کنید را یکی یکی با همان مجموعه تست کنید.
4. نتایج را به ثمر برسانید. در چند مثال درست است؟ کجا اشتباه کرد؟ آیا اشتباهات قابل قبول هستند؟
5. مقایسه کنید و انتخاب کنید. بالاترین امتیاز کلی را انتخاب نکنید، بلکه امتیازی را انتخاب کنید که در بحرانی ترین مثال ها برای شما قابل اعتماد است.

نکته: کورکورانه به تابلوهای امتیازات اعتماد نکنید. یک مدل ممکن است رتبه اول جهانی را داشته باشد، اما عملکرد بدتری نسبت به مدل رتبه دوم در متون حقوقی خاص ترکیه شما دارد. ارزش شما از 20 نمونه بیشتر از صدها آزمایش عمومی است.

توهم: موذیانه ترین خطر مدل

توهم زمانی است که مدل اطلاعاتی را به زبانی مطمئن تولید می کند که در واقع درست نیست. به جای گفتن «نمی‌دانم»، این مدل ممکن است یک قانون غیرقابل‌وجود، یک آمار ساختگی یا یک تاریخ نادرست تولید کند. علاوه بر این، او این کار را به زبانی بسیار قانع کننده انجام می دهد. این خطرناک ترین جنبه هوش مصنوعی است زیرا خطا به عنوان حقیقت ظاهر می شود.

شما نمی توانید توهم را به طور کامل از بین ببرید، اما می توانید آن را کاهش دهید و آن را بگیرید:

• آن را بر اساس منبع قرار دهید: از مدل بخواهید که پاسخ ها را از روی اسنادی که ارائه می کنید، تولید کند، نه از "حافظه" خود (منطق RAG).
• درخواست منابع: بگویید: «در کنار هر ادعا، سند/بخشی که بر اساس آن است را بنویسید». اگر نمی تواند منبع بدهد، مشکوک باشید.
• وادار کردن مردم به این که بگویند مطمئن نیستند: دستورالعمل «اگر مطمئن نیستید، بنویسید «مطمئن نیست»» تناسب مدل را کاهش می‌دهد.
• تأیید انسانی: خروجی های حیاتی باید توسط یک انسان تأیید شود.

احتیاط: هرگز از خروجی مدل بدون تأیید اعتبار برای تصمیمات قانونی، پزشکی یا مالی استفاده نکنید. یک "مقاله قانون" یا "اطلاعات دوز" تولید شده توسط مدل ممکن است کاملاً ساخته شده باشد. در این زمینه ها، هوش مصنوعی یک ابزار پیش نویس/ مقدماتی است. یک فرد شایسته همیشه حرف آخر را می زند.

الزامات تأیید انسانی

هوش مصنوعی به عنوان ابزاری که افراد را تسریع می‌کند، نه اینکه آنها را از کار بیکار می‌کند، بهترین عملکرد را دارد. تنظیم صحیح به شرح زیر است: پیش نویس مدل را تولید می کند یا از قبل واجد شرایط می کند. انسان بررسی، تصحیح و تایید می کند. اینکه تائید چقدر باید دقیق باشد به هزینه خطا بستگی دارد.

تلاش

هزینه خطا

تایید انسانی

پیش نویس توضیحات محصول

پایین

کنترل نمونه کافی است

پاسخ ایمیل مشتری

متوسط

بررسی قبل از ارسال

تجزیه و تحلیل ریسک قرارداد

بالا

مقاله به مقاله تاییدیه کارشناسی

مشاوره پزشکی/مالی

بسیار بالا

تأیید تخصصی کامل، فقط پشتیبانی از هوش مصنوعی

این جدول بین «بررسی دستی هر خروجی» و «اصلاً بررسی نکردن» تعادل برقرار می کند. در حالی که کنترل نمونه برای کارهای کم هزینه کافی است، هر خروجی باید برای کارهای با قیمت بالا تأیید شود.

استفاده اخلاقی و مسئولانه

اگرچه انتخاب مدل ممکن است یک تصمیم فنی به نظر برسد، مسئولیت‌های اخلاقی پشت آن وجود دارد:

• شفافیت: به مشتریان یا کارمندان خود اطلاع دهید که از هوش مصنوعی در مکان های مناسب استفاده می کنید. مشتری این حق را دارد که بداند آیا با یک انسان صحبت می کند یا با هوش مصنوعی.
• سوگیری: مدل‌ها می‌توانند سوگیری را از داده‌هایی که بر اساس آن آموزش دیده‌اند به ارث ببرند. نظارت بر عادلانه بودن نتایج در زمینه های حساس مانند استخدام و ارزیابی اعتبار.
• حریم خصوصی: اصول حفاظت از داده‌ها را که در بخش 8 آموخته‌اید در جریان کار قرار دهید. داده های شخصی را بی پروا ارسال نکنید.
• پاسخگویی: هنگامی که اشتباهی رخ می دهد، دفاع "AI made it" کافی نیست. مسئولیت با موسسه ای است که از وسیله نقلیه استفاده می کند. بنابراین فرآیندهای تأیید سند.

نکته: کمی «خط مشی استفاده مسئولانه» را در جریان کاری خود بنویسید: چه مشاغلی می توانند از هوش مصنوعی استفاده کنند، چه داده هایی را نمی توان ارسال کرد، چه کسی آن را تأیید می کند و چگونه خطاها گزارش می شود. این سند یک صفحه ای از بروز مشکلات بزرگ در آینده جلوگیری می کند.

سه مورد واقع بینانه

مورد 1 - پشیمانی بدون ایجاد ارزش. یک تیم بیمه شروع به جمع بندی مطالبات بدون آزمایش محبوب ترین مدل می کند. بعد از دو هفته متوجه می شوند که مدل مکرراً در اصطلاح فنی ترکی اشتباه می کند و مقادیری را اشتباه می خواند. هنگامی که آنها معادل 20 نمونه را تنظیم می کنند و سه مدل را با هم مقایسه می کنند، به مدلی روی می آورند که محبوب ترین نیست اما در متون فنی ترکی دقیق تر است. ضرر: دو هفته و کار تصحیح. درس: ابتدا eval، بعداً مستقر شوید.

مورد 2 - فرآیندی که توهم را ضبط می کند. یک وکیل حقوقی مرجع «تصمیم دادگاه عالی» را در نسخه چاپی مدل می بیند. از آنجایی که روند آنها دارای قانون "تأیید هر مرجع" است، او به دنبال تصمیم می گردد و متوجه می شود که چنین تصمیمی وجود ندارد. او یک مدل ساخت. به لطف تأیید انسانی، اطلاعات ساختگی هرگز به مشتری نمی رسد. بدون قانون راستی آزمایی، از دست دادن شهرت می توانست جدی باشد.

مورد 3 - اعتماد با شفافیت. یک شرکت تجارت الکترونیک پاسخ‌های پشتیبانی مشتری را با هوش مصنوعی تولید می‌کند، اما زیر هر پاسخ یک یادداشت اضافه می‌کند: «این پاسخ با پشتیبانی هوش مصنوعی تهیه شده و توسط یکی از نمایندگان ما بررسی شده است». مشتریان هم از پاسخ سریع و هم از اعتماد به نفس دیدن یک انسان درگیر رضایت بیشتری دارند. شفافیت نقطه ضعفی برای پنهان کردن نیست، بلکه منبع اعتماد است.

اعلان ضعیف / اعلان قوی: خروجی قابل تأیید

اعلان ضعیف:

از بندهای مخاطره آمیز این قرارداد بگویید.

می تواند مدل مناسب; بدون منبع، هیچ نشانه ای از عدم اطمینان.

اعلان قدرتمند:

نقش شما: تحلیلگر قرارداد (تصمیم نهایی متعلق به یک وکیل است). وظیفه: بندهای بالقوه خطرناک را در قرارداد زیر برجسته کنید. برای هر یافته: (1) شماره بند و نقل قول کلمه به کلمه، (2) چرا خطرناک است، (3) سطح اطمینان شما (بالا/متوسط/پایین). فقط به بندهای متن تکیه کنید. چیزی را که در متن نیست جعل نکنید. در جایی که مطمئن نیستید، بنویسید «تأیید وکیل لازم است». [قرارداد]

اعلان قوی هر ادعا را به منبع پیوند می دهد (شماره مقاله + استناد)، نیاز به سطح اطمینان دارد و ساختگی را ممنوع می کند. این توهم را قابل درک می کند.

قالب های قابل کپی

1. طراحی صحنه:

یک مجموعه ارزیابی برای کار زیر طراحی کنید [TASK]. 15 ورودی نمونه (ترکیب آسان-متوسط-سخت) را پیشنهاد دهید، چگونه «خروجی صحیح مورد انتظار» برای هر کدام تعریف شود، و یک معیار امتیازدهی را تعیین کنید (1-5).

2. پوشش کاهش دهنده توهم:

دستور زیر را برای کاهش ساختگی بازنویسی کنید: "[PROMPT]". قوانینی را برای استناد به منابع اضافه کنید، سطوح اطمینان را مشخص کنید و «اگر مطمئن نیستید به من بگویید».

3. طراحی جریان تأیید:

در گردش کار زیر [WORKFLOW] یک مرحله تأیید انسانی برای خروجی هوش مصنوعی طراحی کنید. تعیین کنید که راستی‌آزمایی باید بر اساس هزینه خطا چقدر دقیق باشد. بنویسید چه کسی چه زمانی را بررسی می کند.

4. پیش نویس خط مشی استفاده مسئولانه:

پیش نویس یک صفحه ای "خط مشی استفاده مسئولانه از هوش مصنوعی" برای تیمی در [صنعت]. عناوین زیر را شامل شود: استفاده های مجاز، داده های ممنوعه، مسئولیت تأیید، گزارش شفافیت، گزارش خطا.

اشتباهات رایج

• استقرار بدون Eval: شروع مدل بدون آزمایش آن با داده های خود و متوجه شدن خطاها پس از انعکاس آنها در مشتری/شغل.
• تکیه بر توهم: استفاده از زبان مطمئن مدل به عنوان حقیقت بدون تأیید منابع.
• دور زدن تأیید انسانی: کنترل نشدن خروجی در تصمیم گیری های پرهزینه. با تکیه بر دفاع "AI انجام داد".
• اجتناب از شفافیت: پنهان کردن استفاده شما از هوش مصنوعی. تجربه از دست دادن اعتماد به نفس زمانی که اتفاق می افتد.
• نادیده گرفتن اخلاق و سوگیری: استفاده از تصمیمات حساس (استخدام، اعتبار) بدون نظارت بر عادلانه بودن خروجی.

به طور خلاصه

• قبل از استقرار یک مدل، یک مجموعه ارزش کوچک با داده های خود راه اندازی کنید و نامزدها را آزمایش کنید. رتبه بندی کلی نشان دهنده کسب و کار شما نیست.
• توهم تولید مطمئن مدل از زبان دروغ است. با ذکر منبع، سطح اعتماد، و تأیید انسانی ثبت شده است.
• شدت تأیید انسانی با توجه به هزینه خطا تنظیم می شود. در مناطق حساس هوش مصنوعی تنها پشتیبانی است، تصمیم با انسان است.
• شفافیت، کنترل سوگیری، رازداری و پاسخگویی؛ چهار ستون استفاده مسئولانه از هوش مصنوعی هستند. خط مشی یک صفحه از خطرات عمده جلوگیری می کند.

وظیفه کاربردی

یک مجموعه ارزیابی از 15 نمونه با الگوی 1 در این واحد (طراحی مجموعه ایوال) برای مدل(های) نامزدی که در سراسر ماژول انتخاب کرده اید تنظیم کنید و حداقل دو مدل را با این مجموعه مقایسه کنید. سپس طراحی کنید که چگونه خروجی توسط انسان ها با الگوی 3 (جریان اعتبارسنجی) تأیید می شود و یک خط مشی یک صفحه ای برای تیم خود با الگوی 4 (خط مشی استفاده مسئولانه) پیش نویس کنید. این سه قابل تحویل کل ماژول را به یک برنامه استقرار قابل اجرا تبدیل می کنند.

چک لیست

• [ ] با داده های خودم، می توانم یک مجموعه ارزشی کوچک تنظیم کنم و مدل ها را با هم مقایسه کنم.
• [ ] من می توانم توهمات را بشناسم و از اقدامات کاهش دهنده و بازدارنده استفاده کنم.
• [ ] من می توانم سختگیری تأیید انسانی را بر اساس هزینه خطا تنظیم کنم.
• [ ] من می توانم اصول شفافیت، تعصب، محرمانه بودن و پاسخگویی را در جریان کار قرار دهم.
• [ ] من می توانم یک خط مشی یک صفحه ای استفاده از هوش مصنوعی را پیش نویس کنم.

امتحان ماژول

1. تفاوت بین "ارائه دهنده" هوش مصنوعی و "خانواده مدل" چیست؟

• الف) ارائه دهنده شرکتی است که مدل را توسعه می دهد و خانواده مدل، گروه مدل آن شرکت تحت یک نام تجاری ✔
• ب) دقیقاً یکسان هستند و به جای هم استفاده می شوند
• ج) ارائه دهنده قیمت مدل است، خانواده مدل سرعت مدل است.
• د) خانواده مدل به شرکت اشاره دارد، تامین کننده به نسخه تک مدل اشاره دارد

توضیحات: ارائه دهنده شرکتی است که مدل را توسعه داده است (به عنوان مثال Anthropic). خانواده مدل گروه مدلی است که آن شرکت تحت یک نام تجاری (مثلاً کلود) جمع آوری می کند. نسخه مدل یک نسخه خاص در خانواده است.

2. چگونه می توان «وزن» یک مدل را با دقت بیشتری تعریف کرد؟

• الف) تعداد نشانه هایی است که مدل می تواند در دقیقه تولید کند
• ب) میلیاردها پارامتر عددی است که مدل در طول آموزش یاد می گیرد و اطلاعات خود را ذخیره می کند. ✔
• ج) حق اشتراک ماهانه مدل می باشد
• د) تعداد زبان های پشتیبانی شده توسط مدل است

توضیحات: وزن ها میلیاردها پارامتر عددی هستند که مدل در طول آموزش یاد می گیرد. جایی است که "هر آنچه که مدل می داند" در آن ذخیره می شود. تمایز وزن بسته / صریح به این بستگی دارد که آیا این پارامترها قابل دانلود و اجرا هستند یا خیر.

3. کدام عبارت در مورد «وزن باز» و «متن باز» درست است؟

• الف) آنها دقیقاً مفاهیم مشابهی هستند و هر دو کاربرد تجاری نامحدودی دارند
• ب) وزن باز همیشه داده های تمرین را نیز عمومی می کند
• ج) یکسان نیست; در وزن باز، معمولاً فقط پارامترها به اشتراک گذاشته می شوند و شرایط مجوز ممکن است استفاده تجاری را محدود کند
• د) مدل های متن باز دانلود نمی شوند، مدل های وزن باز قابل دانلود هستند

توضیح: در وزن باز، فقط پارامترهای مدل به اشتراک گذاشته می شوند. داده ها و فرآیندهای آموزشی اغلب فاش نمی شوند و برخی مجوزها استفاده تجاری را محدود می کنند. بنابراین «وزن باز» دقیقاً با «متن باز» یکسان نیست.

4. کدام یک از موارد زیر تعیین کننده ترین ویژگی مدل برای یک تیم حقوقی است که قراردادهای طولانی را مطالعه و تجزیه و تحلیل می کند؟

• الف) داشتن کمترین قیمت توکن
• ب) داشتن توانایی پردازش بصری (چند وجهی).
• ج) داشتن پروانه وزن باز
• د) داشتن پنجره زمینه گسترده ✔

توضیح: مدل به یک پنجره زمینه بزرگ برای پردازش اسناد طولانی به عنوان یک کل نیاز دارد. پنجره زمینه مجموع نشانه هایی است که مدل می تواند در یک زمان در ذهن داشته باشد.

5. در مورد قیمت گذاری توکن برای مدل های وزن بسته کدام درست است؟

• الف) نشانه خروجی معمولاً به طور قابل توجهی گرانتر از نشانه ورودی است
• ب) ورودی و خروجی همیشه دقیقاً یک قیمت هستند
• ج) فقط هزینه ثابت ماهانه شارژ می شود، مقدار استفاده بی ربط است
• د) نشانه ورودی همیشه چندین برابر گرانتر از خروجی است

توضیح: قیمت به ازای هر توکن محاسبه می‌شود و توکن خروجی که مدل تولید می‌کند معمولاً چندین برابر گران‌تر از توکن ورودی است که ارسال می‌کنید. بنابراین پرینت های طولانی و غیر ضروری هزینه ها را به سرعت افزایش می دهد.

6. کدام ویژگی در یک مدل برای تیم حسابداری که می خواهد به طور خودکار داده ها را از تصاویر فاکتور استخراج کند ضروری است؟

• الف) وسیع ترین پنجره زمینه ممکن
• ب) چندوجهی (قابلیت پردازش بصری) ✔
• ج) پروانه وزن باز
• د) بالاترین سطح استدلال

توضیح: برای درک محتوای بصری، مدل باید علاوه بر متن، تصاویر را نیز پردازش کند، یعنی باید چندوجهی باشد. چندوجهی توانایی مدل برای مدیریت چندین نوع داده مانند متن، تصویر و گاهی اوقات صدا است.

7. منطقی ترین انتخاب برای یک کار با حجم بالا و ساده (مثلاً طبقه بندی مثبت/منفی هزاران بررسی) چیست؟

• الف) همیشه قوی ترین و گران ترین مدل استدلال
• ب) مدلی که فقط روی وزن باز و روی سرور خودش کار می کند
• ج) مدلی سبک و کم هزینه، چون کار ساده و حجم بالاست✔
• د) مدل با گسترده ترین پنجره زمینه

توضیحات: یک مدل سبک وزن و کم هزینه برای کارهای ساده و با حجم بالا کار می کند. استفاده از قوی ترین و گران ترین مدل در اینجا هزینه های غیرضروری ایجاد می کند. روش صحیح تطبیق سختی کار با ردیف مدل است.

8. از نظر KVKK چه چیزی باعث ارسال متن حاوی داده های شخصی به یک ارائه دهنده هوش مصنوعی خارجی می شود؟

• الف) هیچ گونه مسئولیت قانونی ایجاد نمی کند
• ب) فقط در صورتی مهم است که ارائه دهنده در اتحادیه اروپا باشد، در هیچ مورد دیگری
• ج) تحت هر شرایطی صرف نظر از ناشناس بودن یا نبودن داده ها اکیداً ممنوع است
• د) انتقال اطلاعات به خارج از کشور در نظر گرفته شده و مشمول شرایط خاص KVKK می باشد ✔

توضیح: داده های عملیاتی روی سرورهای یک ارائه دهنده در خارج از کشور «انتقال داده به خارج از کشور» تلقی می شود و مشمول شرایط ویژه KVKK در این زمینه است (مانند رضایت صریح، تصمیم کفایت، تضمین های مناسب).

9. حالت «استدلال» یک مدل چه می کند و چگونه بر هزینه آن تأثیر می گذارد؟

• الف) دقت را در مسائل پیچیده افزایش می دهد، اما هزینه و تاخیر را افزایش می دهد زیرا توکن های بیشتری تولید می کند ✔
• ب) همیشه مدل را رایگان می کند
• ج) فقط تعداد زبان های پشتیبانی شده توسط مدل را افزایش می دهد
• د) همیشه پاسخ ها را کوتاه کنید و هزینه را کاهش دهید

توضیحات: حالت استدلال به مدل این امکان را می دهد که قبل از دادن پاسخ، مرحله به مرحله فکر کند. دقت را در مشکلات چند مرحله ای و پیچیده افزایش می دهد، اما هزینه و تاخیر را نیز افزایش می دهد زیرا توکن های بیشتری تولید می کند.

10. مطمئن ترین رویکرد هنگام ارزیابی (ارزیابی) یک مدل برای کسب و کار خودتان چیست؟

• الف) فقط محبوب ترین مدل را انتخاب کنید و بدون آزمایش از آن استفاده کنید
• ب) مجموعه آزمایشی کوچکی از وظایف واقعی خود تنظیم کنید و مدل ها را با آن مقایسه کنید
• ج) فقط به امتیاز معیار ذکر شده در تبلیغات نگاه کنید
• د) به طور خودکار مدل با بالاترین پنجره زمینه را به عنوان بهترین بپذیرید

توضیح: به جای تکیه کورکورانه به تابلوهای امتیازات، یک مجموعه آزمایشی کوچک از وظایف واقعی خود ایجاد کنید و مدل‌های موجود در این مجموعه را با هم مقایسه کنید، مدلی را که واقعاً برای کسب و کار شما مناسب است را نشان می‌دهد.

11. آگاهی از اینکه خروجی مدل ممکن است حاوی "توهمات" باشد چگونه باید جریان کار شما را شکل دهد؟

• الف) خروجی باید همیشه صحیح در نظر گرفته شود و مستقیماً منتشر شود
• ب) توهم فقط در مدل های رایگان دیده می شود نه در مدل های پولی
• ج) در تصمیم گیری های حیاتی، خروجی باید توسط انسان تایید شود و منابع باید تایید شوند ✔
• د) با تغییر مدل به طور کامل می توان توهم را از بین برد

توضیح: توهم زمانی است که مدل اطلاعاتی را تولید می کند که در واقع درست نیست، به زبانی مطمئن. به دلیل این خطر، تأیید خروجی توسط یک انسان باید مورد نیاز باشد، به ویژه برای تصمیمات قانونی، پزشکی و مالی.

12. منطق اساسی رویکرد «مدل نمونه کارها» که توسط مؤسسات بالغ اتخاذ شده است چیست؟

• الف) برای اطمینان از سادگی با انجام هر کار توسط یک مدل واحد و گران قیمت.
• ب) استفاده از ارزان ترین مدل و نادیده گرفتن کامل کیفیت
• ج) از هیچ مدلی استفاده نکنید و تمام کارها را به صورت دستی انجام دهید
• د) بهینه سازی هزینه و کاهش وابستگی به یک ارائه دهنده واحد با استفاده از مدل های مختلف با توجه به وظیفه ✔

توضیحات: نمونه کارها مدل استفاده از مدل های مختلف با توجه به وظیفه است: مدل ارزان برای مشاغل ساده و حجیم، مدل قدرتمند برای مشاغل پیچیده، مدل وزن باز/منطقه ای برای داده های محرمانه. این هم هزینه را بهینه می کند و هم وابستگی به یک ارائه دهنده را کاهش می دهد.

13. چرا کشور مبدا و سیاست حفظ داده ها ممکن است معیاری برای انتخاب مدل باشد؟

• الف) زیرا مستقیماً بر الزامات نظارتی، حاکمیت داده ها و حریم خصوصی تأثیر می گذارد
• ب) فقط به این دلیل که سرعت پاسخ مدل را تعیین می کند
• ج) زیرا فرمت فایل های پشتیبانی شده توسط مدل را تعیین می کند
• د) چون اثر عملی ندارد، صرفاً جزییات بازاریابی است

توضیحات: کشوری که توسعه‌دهنده مدل در آن قرار دارد و کجا/چه مقدار داده ذخیره می‌شود. از نظر مقررات قانونی، حاکمیت داده ها و حریم خصوصی تعیین کننده است. به عنوان مثال، برای سازمانی که می خواهد در اتحادیه اروپا میزبانی کند، یک ارائه دهنده منطقه ای یا گزینه ذخیره سازی صفر مهم می شود.

14. کدام یک به بهترین وجه توضیح می دهد که چرا جستجوی یک «بهترین مدل واحد» در یک کار گمراه کننده است؟

• الف) همه مدل ها در واقع قابلیت های یکسانی دارند
• ب) مدل ها در اندازه های مختلف قوی هستند، بنابراین "بهترین" به نیاز شغل بستگی دارد ✔
• ج) گرانترین مدل به طور خودکار در هر کاری بهترین است
• د) انتخاب مدل باید کاملاً تصادفی باشد

توضیحات: مدل ها در ابعاد مختلف مانند سرعت، هزینه، زمینه، چندوجهی بودن، حریم خصوصی و استدلال قوی هستند. مدلی که در یک بعد رهبر است ممکن است در بعد دیگر ضعیف باشد. بنابراین "بهترین" همیشه به نیاز شغلی بستگی دارد.