अन्त-देखि-अन्त आवेदन: मूल्याङ्कन, प्रमाणीकरण, नैतिकता र सीमाहरू

लाभ:

• एउटा सानो परीक्षण सेट (eval) सेटअप गर्ने क्षमता जसले तपाईंको आफ्नै डाटाको साथ मोडेलको मूल्याङ्कन गर्दछ
• कार्यप्रवाहमा मानव प्रमाणीकरण, सीमा र जिम्मेवार प्रयोग नीति इम्बेड गर्नुहोस्
• भ्रम, गोपनीयता र नैतिक जोखिमहरू पहिचान गर्नुहोस् र न्यूनीकरण उपायहरू लागू गर्नुहोस्

तपाईंले सही मोडेल रोज्नुभएको छ; काम सकियो ? होइन, वास्तविक काम अब सुरु हुन्छ। तपाइँको व्यवसायमा मोडेल राख्नु तपाइँको आफ्नै डाटा विरुद्ध परीक्षण गर्न, यसको आउटपुट प्रमाणित गर्न, र जिम्मेवारीपूर्वक फ्रेमिङ गर्न तल आउँछ। यो अन्तिम एकाईले सम्पूर्ण मोड्युललाई अन्त-देखि-अन्त अनुप्रयोगमा परिणत गर्दछ: तपाईंले कसरी एउटा सानो परीक्षण सुइट (eval) सेटअप गर्ने, कार्यप्रवाहमा मानव प्रमाणीकरण इम्बेड गर्ने, भ्रम र गोपनीयता जोखिमहरू व्यवस्थापन गर्ने, र नैतिक सीमाहरू कोर्ने सिक्नुहुनेछ। एक पटक एकाइ समाप्त भएपछि, तपाईं केवल एक मोडेल चयन गर्न को लागी सुसज्जित हुनुहुनेछ तर विश्वास संग कमिसन गर्न को लागी।

मूल्याङ्कन (Evaluation): तपाइँको आफ्नै डाटा संग परीक्षण

अब तपाईलाई थाहा छ कि तपाईको वास्तविक डेटा मात्र विज्ञापनले होइन, मोडेल तपाईको व्यवसायमा फिट हुन्छ कि भनेर बताउन सक्छ। यो मापन गर्ने तरिका भनेको मूल्याङ्कन सेट (eval) सेट अप गर्नु हो: तपाईंको कामबाट नमूनाहरूको सानो सङ्कलन जसको लागि सही उत्तर थाहा छ।

एक साधारण eval यस प्रकार सेट अप गरिएको छ:

1. 10-30 वास्तविक नमूनाहरू सङ्कलन गर्नुहोस्। इनपुटहरू छनौट गर्नुहोस् जुन तपाईंको कामको विशिष्ट हो (गठिन र सजिलो मिश्रण गर्नुहोस्)।
2. प्रत्येक उदाहरणको लागि "सही/अपेक्षित आउटपुट" निर्धारण गर्नुहोस्। विज्ञले के जवाफ दिने ?
3. उही उदाहरणहरू मार्फत उम्मेदवारहरू चलाउनुहोस्। तपाईंले एउटै सेटसँग एक-एक गरी तुलना गरिरहनुभएको मोडेलहरूको परीक्षण गर्नुहोस्।
4. परिणामहरू स्कोर गर्नुहोस्। कति उदाहरणमा यो सत्य हो? उहाँ कहाँ गल्ती गर्नुभयो? के गल्ती स्वीकार्य छ?
5. तुलना गर्नुहोस् र छनौट गर्नुहोस्। उच्चतम समग्र स्कोर होइन, तर तपाईंका लागि सबैभन्दा महत्वपूर्ण उदाहरणहरूमा सबैभन्दा भरपर्दो अंक छनोट गर्नुहोस्।

सुझाव: लिडरबोर्डहरूमा अन्धाधुन्ध विश्वास नगर्नुहोस्। एउटा मोडेलले विश्वव्यापी रूपमा पहिलो स्थान लिन सक्छ, तर तपाईंको विशिष्ट टर्की कानुनी पाठहरूमा दोस्रो-स्थानको मोडेल भन्दा खराब प्रदर्शन गर्दछ। तपाईंको आफ्नै 20 नमूनाहरूको मूल्याङ्कन सयौं सार्वजनिक परीक्षणहरू भन्दा बढी मूल्यवान छ।

हेलुसिनेशन: मोडेलको सबैभन्दा कपटी जोखिम

एक भ्रम तब हुन्छ जब मोडेलले जानकारी उत्पादन गर्दछ जुन वास्तवमा सत्य होइन, विश्वस्त भाषामा। "मलाई थाहा छैन" भन्नुको सट्टा, मोडेलले अस्तित्वमा नभएको कानून, बनाइएको तथ्याङ्क वा गलत मिति उत्पादन गर्न सक्छ; यसबाहेक, उसले यो अत्यन्त विश्वस्त भाषामा गर्छ। यो AI को सबैभन्दा खतरनाक पक्ष हो किनभने त्रुटि सत्यको रूपमा मास्करेड हुन्छ।

तपाईं भ्रमलाई पूर्ण रूपमा हटाउन सक्नुहुन्न, तर तपाईं यसलाई कम गर्न सक्नुहुन्छ र यसलाई समात्न सक्नुहुन्छ:

• यसलाई स्रोतमा आधारित गर्नुहोस्: तपाईंले उपलब्ध गराउनुभएको कागजातहरूबाट जवाफहरू उत्पन्न गर्न मोडेललाई सोध्नुहोस्, यसको आफ्नै "मेमोरी" (RAG तर्क) बाट होइन।
• अनुरोध स्रोतहरू: भन्नुहोस्, "प्रत्येक दावीको छेउमा, कागजात/खण्ड लेख्नुहोस् जसमा यो आधारित छ"; यदि उसले स्रोत दिन सक्दैन भने, संदिग्ध हुनुहोस्।
• मानिसहरूलाई उनीहरू निश्चित छैनन् भनी भन्नु: निर्देशन "यदि तपाईं निश्चित हुनुहुन्न भने, 'स्पष्ट छैन' लेख्नुहोस्" मोडेल फिटिङ घटाउँछ।
• मानव प्रमाणीकरण: महत्वपूर्ण आउटपुटहरू मानव द्वारा प्रमाणित गरिनु पर्छ।

सावधानी: कानुनी, चिकित्सा वा वित्तीय निर्णयहरूको लागि प्रमाणीकरण बिना मोडेल आउटपुट प्रयोग नगर्नुहोस्। मोडेल द्वारा उत्पादित "कानून लेख" वा "खुराक जानकारी" पूर्णतया बनावटी हुन सक्छ। यी क्षेत्रहरूमा, एआई एक मस्यौदा/प्रारम्भिक उपकरण हो; एक सक्षम व्यक्तिको सधैं अन्तिम शब्द हुन्छ।

मानव प्रमाणीकरणको लागि आवश्यकता

आर्टिफिसियल इन्टेलिजेन्स एक उपकरणको रूपमा राम्रो काम गर्दछ जसले मानिसहरूलाई गति दिन्छ, तिनीहरूलाई कामबाट बाहिर राख्दैन। सही सेटअप निम्नानुसार छ: मोडेल ड्राफ्ट उत्पादन वा पूर्व-योग्यता; मानव समीक्षा, सुधार, र अनुमोदन। प्रमाणीकरण कत्तिको कडा हुनु आवश्यक छ त्रुटिको लागतमा निर्भर गर्दछ।

खोज

त्रुटि लागत

मानव प्रमाणीकरण

उत्पादन विवरण मस्यौदा

कम

नमूना नियन्त्रण पर्याप्त छ

ग्राहक ईमेल प्रतिक्रिया

मध्यम

पूर्व-सबमिशन समीक्षा

अनुबंध जोखिम विश्लेषण

उच्च

लेख विशेषज्ञ पुष्टिकरण द्वारा लेख

चिकित्सा/आर्थिक सल्लाह

धेरै उच्च

पूर्ण विशेषज्ञ प्रमाणिकरण, एआई समर्थन मात्र

यो तालिकाले "प्रत्येक आउटपुट म्यानुअल रूपमा जाँच गर्ने" र "कुनै पनि जाँच नगर्ने" बीचको सन्तुलन मिलाउँछ। जबकि नमूना नियन्त्रण कम लागत कार्यहरु को लागी पर्याप्त छ, प्रत्येक आउटपुट उच्च-मूल्य कार्यहरु को लागी प्रमाणित गरिनु पर्छ।

नैतिक र जिम्मेवार प्रयोग

यद्यपि मोडेल छनोट प्राविधिक निर्णय जस्तो लाग्न सक्छ, यसको पछाडि नैतिक जिम्मेवारीहरू छन्:

• पारदर्शिता: तपाईंका ग्राहक वा कर्मचारीहरूलाई थाहा दिनुहोस् कि तपाईंले उपयुक्त ठाउँहरूमा AI प्रयोग गरिरहनुभएको छ। ग्राहकसँग आफूले मानव वा एआईसँग कुरा गर्दै हुनुहुन्छ भनी जान्न पाउने अधिकार छ।
• पूर्वाग्रह: मोडेलहरूले उनीहरूलाई तालिम दिइएको डेटाबाट पूर्वाग्रह प्राप्त गर्न सक्छन्। भर्ती र क्रेडिट मूल्याङ्कन जस्ता संवेदनशील क्षेत्रहरूमा परिणामहरूको निष्पक्षता अनुगमन गर्नुहोस्।
• गोपनीयता: तपाईंले एकाइ 8 मा सिकेका डाटा सुरक्षा सिद्धान्तहरूलाई कार्यप्रवाहमा इम्बेड गर्नुहोस्; लापरवाही व्यक्तिगत डाटा नपठाउनुहोस्।
• जवाफदेहिता: जब गल्ती हुन्छ, "एआईले यसलाई बनायो" प्रतिरक्षा पर्याप्त छैन। सवारी साधन प्रयोग गर्ने जिम्मेवारी संस्थाको हो। त्यसैले कागजात प्रमाणीकरण प्रक्रियाहरू।

सुझाव: तपाईंको कार्यप्रवाहमा थोरै "जिम्मेवार प्रयोग नीति" लेख्नुहोस्: कुन कार्यहरूले AI प्रयोग गर्न सक्छन्, कुन डाटा पठाउन सकिँदैन, कसले यसलाई प्रमाणित गर्नेछ, र त्रुटिहरू कसरी रिपोर्ट गरिनेछ। यो एक-पृष्ठ कागजातले भविष्यमा प्रमुख समस्याहरूलाई रोक्छ।

तीन यथार्थवादी केसहरू

केस 1 - eval स्थापना बिना अफसोस। एक बीमा टोलीले सबैभन्दा लोकप्रिय मोडेल परीक्षण नगरी दावीहरू संक्षेप गर्न थाल्छ। दुई हप्ता पछि, तिनीहरूले महसुस गर्छन् कि मोडेलले प्राय: टर्की प्राविधिक सर्तहरूमा गल्ती गर्छ र केही मात्राहरू गलत रूपमा पढ्छ। जब तिनीहरूले 20 नमूनाहरूको मूल्याङ्कन सेट अप गर्छन् र तीनवटा मोडेलहरू तुलना गर्छन्, तिनीहरू मोडेलमा स्विच गर्छन् जुन सबैभन्दा लोकप्रिय छैन तर टर्की प्राविधिक पाठहरूमा बढी सटीक छ। घाटा: दुई हप्ता र प्रूफरीडिङ श्रम। पाठ: पहिले eval, पछि प्रयोग गर्नुहोस्।

केस २ - भ्रमलाई क्याप्चर गर्ने प्रक्रिया। एक paralegal ले मोडेल प्रिन्टआउटमा "सर्वोच्च अदालतको निर्णय" सन्दर्भ देख्छ। तिनीहरूको प्रक्रियामा "प्रत्येक सन्दर्भ प्रमाणित गर्नुहोस्" नियम भएको हुनाले, उसले निर्णय खोज्छ र त्यस्तो कुनै निर्णय अवस्थित छैन भनेर फेला पार्छ। उनले मोडल बनाए । मानव प्रमाणीकरणको लागि धन्यवाद, बनावटी जानकारी ग्राहकमा कहिल्यै पुग्दैन। प्रमाणीकरण नियम बिना, प्रतिष्ठाको हानि गम्भीर हुन सक्छ।

केस ३ - पारदर्शिताका साथ विश्वास गर्नुहोस्। एक ई-वाणिज्य कम्पनीले AI मार्फत ग्राहक समर्थन प्रतिक्रियाहरू उत्पादन गर्दछ, तर प्रत्येक प्रतिक्रिया अन्तर्गत एक नोट थप्छ: "यो प्रतिक्रिया कृत्रिम बुद्धिमत्ता समर्थनको साथ तयार गरिएको थियो र हाम्रा प्रतिनिधिहरू मध्ये एकद्वारा समीक्षा गरिएको थियो।" ग्राहकहरू द्रुत प्रतिक्रिया र मानिस संलग्न भएको देख्ने आत्मविश्वास दुवैबाट बढी सन्तुष्ट छन्। पारदर्शिता लुकाउने कमजोरी होइन, विश्वासको स्रोत हो।

कमजोर प्रम्प्ट / बलियो प्रम्प्ट: प्रमाणित आउटपुट

कमजोर प्रम्प्ट:

मलाई यस सम्झौताका जोखिमपूर्ण खण्डहरूको बारेमा बताउनुहोस्।

मोडेल फिट हुन सक्छ; कुनै स्रोत छैन, अनिश्चितताको कुनै संकेत छैन।

शक्तिशाली प्रम्प्ट:

तपाईंको भूमिका: अनुबंध विश्लेषक (अन्तिम निर्णय एक वकील को हो)। कार्य: निम्न अनुबंधमा सम्भावित जोखिमपूर्ण खण्डहरू हाइलाइट गर्नुहोस्। प्रत्येक खोजको लागि: (1) क्लज नम्बर र शब्दावली उद्धरण, (2) यो किन जोखिमपूर्ण छ, (3) तपाईंको आत्मविश्वास स्तर (उच्च/मध्यम/कम)। पाठमा रहेका खण्डहरूमा मात्र भर पर्नुहोस्; पाठमा नभएको कुरा नबनाउ। जहाँ तपाईं निश्चित हुनुहुन्न, "वकिल पुष्टिकरण आवश्यक छ" लेख्नुहोस्। [अनुबंध]

बलियो प्रम्प्टले प्रत्येक दावीलाई स्रोतमा जोड्छ (लेख नम्बर + उद्धरण), विश्वासको स्तर चाहिन्छ, र बनावटलाई निषेध गर्दछ; यसले भ्रमलाई समात्न योग्य बनाउँछ।

प्रतिलिपि गर्न मिल्ने टेम्प्लेटहरू

1. Eval सेट डिजाइन:

निम्न कार्य [TASK] को लागि एक मूल्याङ्कन सेट डिजाइन गर्नुहोस्। 15 नमूना इनपुटहरू सुझाव दिनुहोस् (मिश्रित सजिलो-मध्यम-कठीन), प्रत्येकको लागि "अपेक्षित सही आउटपुट" कसरी परिभाषित हुनेछ, र स्कोरिङ मापदण्ड (1-5) निर्धारण गर्नुहोस्।

2. भ्रम घटाउने र्याप:

फेब्रिकेसन कम गर्न निम्न प्रम्प्ट पुन: लेख्नुहोस्: "[PROMPT]"। स्रोतहरू उद्धृत गर्नका लागि नियमहरू थप्नुहोस्, आत्मविश्वास स्तरहरू निर्दिष्ट गर्नुहोस्, र "यदि तपाईं निश्चित हुनुहुन्न भने मलाई भन्नुहोस्।"

3. प्रमाणीकरण प्रवाह डिजाइन:

निम्न कार्यप्रवाहमा [वर्कफ्लो] एआई आउटपुटको लागि मानव प्रमाणीकरण चरण डिजाइन गर्नुहोस्। त्रुटिको लागतमा आधारित प्रमाणीकरण कत्तिको कडा हुनुपर्छ भनेर निर्धारण गर्नुहोस्; कसले के, कहिले जाँच गर्नेछ लेख्नुहोस्।

4. जिम्मेवार उपयोग नीतिको मस्यौदा:

[उद्योग] मा टोलीको लागि एक पृष्ठको "जिम्मेवार एआई प्रयोग नीति" को मस्यौदा बनाउनुहोस्। निम्न शीर्षकहरू समावेश गर्नुहोस्: अनुमति दिइएको प्रयोग, निषेधित डाटा, प्रमाणिकरण जिम्मेवारी, पारदर्शिता रिपोर्टिङ, त्रुटि रिपोर्टिङ।

सामान्य गल्तीहरू

• Eval बिना डिप्लोइङ: तपाईंको आफ्नै डाटाको साथ परीक्षण नगरीकन मोडेल सुरु गर्दै र ग्राहक/काममा प्रतिबिम्बित भएपछि त्रुटिहरू याद गर्दै।
• भ्रममा भर पर्दै: सन्दर्भहरू प्रमाणित नगरी सत्यको रूपमा मोडेलको विश्वस्त भाषा प्रयोग गर्दै।
• मानव प्रमाणीकरण बाइपास गर्दै: उच्च लागत निर्णयहरूमा आउटपुट अनचेक छोडेर; "एआई गर्यो इट" डिफेन्समा झुकाव।
• पारदर्शिता बेवास्ता गर्दै: AI को तपाईंको प्रयोग लुकाउँदै; आत्मविश्वासको हानि अनुभव गर्दा यो हुन्छ।
• नैतिकता र पूर्वाग्रहलाई बेवास्ता गर्दै: उत्पादनको निष्पक्षताको अनुगमन नगरी संवेदनशील निर्णयहरू (भर्ती, क्रेडिट) प्रयोग गर्दै।

संक्षेपमा

• मोडेल डिप्लोइ गर्नु अघि, तपाईंको आफ्नै डाटाको साथ सानो इभल सेट अप गर्नुहोस् र उम्मेदवारहरूको परीक्षण गर्नुहोस्; समग्र रैंकिंगले तपाईंको व्यवसायको प्रतिनिधित्व गर्दैन।
• भ्रम भनेको झुटो भाषाको मोडेलको आत्मविश्वासी उत्पादन हो; स्रोत एट्रिब्युसन, विश्वासको स्तर, र मानव प्रमाणीकरण द्वारा कब्जा।
• मानव प्रमाणिकरणको कठोरता त्रुटिको लागत अनुसार समायोजित हुन्छ; महत्वपूर्ण क्षेत्रहरूमा एआई मात्र समर्थन हो, निर्णय मानवको हो।
• पारदर्शिता, पूर्वाग्रह नियन्त्रण, गोपनीयता र जवाफदेहिता; जिम्मेवार एआई प्रयोगका चार स्तम्भहरू हुन्। एक पृष्ठ नीतिले प्रमुख जोखिमहरूलाई रोक्छ।

आवेदन कार्य

तपाईंले मोड्युल भरि चयन गर्नुभएको उम्मेदवार मोडेल(हरू) को लागि यस इकाईमा टेम्प्लेट 1 (eval सेट डिजाइन) को साथ 15 उदाहरणहरूको मूल्याङ्कन सेट सेट अप गर्नुहोस् र यो सेटको विरुद्ध कम्तिमा दुई मोडेलहरू तुलना गर्नुहोस्। त्यसपछि टेम्प्लेट 3 (प्रमाणीकरण प्रवाह) मार्फत आउटपुट कसरी प्रमाणित हुनेछ भनेर डिजाइन गर्नुहोस् र टेम्प्लेट 4 (जिम्मेवार प्रयोग नीति) को साथ तपाईंको टोलीको लागि एक-पृष्ठ नीतिको मस्यौदा बनाउनुहोस्। यी तीन डेलिभरेबलहरूले सम्पूर्ण मोड्युललाई कार्ययोग्य तैनाती योजनामा ​​परिणत गर्दछ।

चेकलिस्ट

• [ ] मेरो आफ्नै डाटाको साथ, म एउटा सानो eval सेट सेटअप गर्न सक्छु र मोडेलहरू तुलना गर्न सक्छु।
• [ ] म भ्रम चिन्न सक्छु र कम गर्ने र पक्राउ गर्ने उपायहरू लागू गर्न सक्छु।
• [] म त्रुटिको लागतमा आधारित मानव प्रमाणिकरणको कठोरता समायोजन गर्न सक्छु।
• [] म कार्यप्रवाहमा पारदर्शिता, पूर्वाग्रह, गोपनीयता र जवाफदेहिता सिद्धान्तहरू इम्बेड गर्न सक्छु।
• [ ] म एक-पृष्ठ जिम्मेवार एआई प्रयोग नीतिको मस्यौदा तयार गर्न सक्छु।

मोड्युल परीक्षा

1. एआई 'प्रदायक' र 'मोडल परिवार' बीच के भिन्नता छ?

• A) प्रदायक भनेको मोडेल विकास गर्ने कम्पनी हो, र मोडेल परिवार भनेको ब्रान्ड अन्तर्गत उक्त कम्पनीको मोडेल समूह हो ✔
• ख) तिनीहरू ठ्याक्कै एउटै कुरा हुन् र एकान्तर रूपमा प्रयोग गरिन्छ
• C) प्रदायक मोडेलको मूल्य हो, मोडेल परिवार मोडेलको गति हो।
• D) मोडेल परिवारले कम्पनीलाई बुझाउँछ, आपूर्तिकर्ताले एकल मोडेल संस्करणलाई बुझाउँछ

विवरण: प्रदायक त्यो कम्पनी हो जसले मोडेल (जस्तै एन्थ्रोपिक); मोडेल परिवार मोडेल समूह हो जुन कम्पनीले ब्रान्ड अन्तर्गत संकलन गर्दछ (उदाहरणका लागि, क्लाउड)। मोडेल संस्करण परिवार भित्र एक विशिष्ट संस्करण हो।

2. मोडेलको 'तौल' कसरी सबैभन्दा सही रूपमा परिभाषित गर्न सकिन्छ?

• A) यो मोडेलले प्रति मिनेट उत्पादन गर्न सक्ने टोकनहरूको संख्या हो
• B) यो अरबौं संख्यात्मक मापदण्डहरू हो जुन मोडेलले प्रशिक्षणको क्रममा सिक्छ र यसको जानकारी भण्डारण गर्दछ। ✔
• C) यो मोडेलको मासिक सदस्यता शुल्क हो
• D) यो मोडेल द्वारा समर्थित भाषाहरूको संख्या हो

विवरण: तौलहरू अरबौं संख्यात्मक मापदण्डहरू हुन् जुन मोडेलले प्रशिक्षणको क्रममा सिक्छन्; यो जहाँ 'मोडल थाहा छ सबै कुरा' भण्डारण गरिएको छ। बन्द/स्पष्ट तौल भिन्नता यी प्यारामिटरहरू डाउनलोड र चलाउन सकिन्छ कि हुँदैन भन्नेमा निर्भर गर्दछ।

3. 'ओपन-वेट' र 'ओपन-सोर्स' बारे कुन कथन सही छ?

• A) तिनीहरू ठ्याक्कै उस्तै अवधारणाहरू हुन् र दुवैले असीमित व्यावसायिक प्रयोग दिन्छन्
• ख) खुल्ला वजनले सधैं प्रशिक्षण डेटा सार्वजनिक गर्दछ
• ग) यो एउटै कुरा होइन; खुला वजनमा, सामान्यतया केवल प्यारामिटरहरू साझेदारी गरिन्छ र इजाजतपत्र सर्तहरूले व्यावसायिक प्रयोगलाई सीमित गर्न सक्छ ✔
• D) खुला स्रोत मोडेलहरू डाउनलोड गर्न सकिँदैन, खुला वजन मोडेलहरू डाउनलोड गर्न सकिन्छ

स्पष्टीकरण: खुला वजनमा, केवल मोडेल प्यारामिटरहरू साझा गरिन्छन्; प्रशिक्षण डेटा र प्रक्रिया प्रायः खुलासा हुँदैन, र केही इजाजतपत्रहरूले व्यावसायिक प्रयोगलाई सीमित गर्दछ। त्यसैले 'खुला वजन' ठ्याक्कै 'खुला स्रोत' जस्तै होइन।

4. लामो अनुबंधहरू पढ्न र विश्लेषण गर्ने कानूनी टोलीको लागि निम्न मध्ये कुन सबैभन्दा निर्णायक मोडेल विशेषता हो?

• A) सबैभन्दा कम टोकन मूल्य भएको
• B) भिजुअल (बहु मोडल) प्रशोधन क्षमता भएको
• ग) खुला तौल लाइसेन्स भएको
• घ) फराकिलो सन्दर्भ विन्डो भएको ✔

स्पष्टीकरण: लामो कागजातहरू समग्र रूपमा प्रशोधन गर्न मोडेललाई ठूलो सन्दर्भ विन्डो चाहिन्छ; सन्दर्भ सञ्झ्याल भनेको मोडेलले एक पटकमा ध्यानमा राख्न सक्ने टोकनहरूको कुल रकम हो।

5. बन्द वजन मोडेलहरूको लागि टोकन मूल्य निर्धारणको बारेमा कुन सत्य हो?

• A) आउटपुट टोकन सामान्यतया इनपुट टोकन भन्दा धेरै महँगो हुन्छ ✔
• B) इनपुट र आउटपुट सधैं उही मूल्य हो
• ग) केवल निश्चित मासिक शुल्क चार्ज गरिएको छ, प्रयोग रकम अप्रासंगिक छ
• D) इनपुट टोकन जहिले पनि आउटपुट भन्दा धेरै गुणा महँगो हुन्छ

स्पष्टीकरण: मूल्य प्रति टोकन गणना गरिन्छ, र मोडेलले उत्पादन गरेको आउटपुट टोकन तपाईले पठाउनुभएको इनपुट टोकन भन्दा धेरै गुणा महँगो हुन्छ। तसर्थ, लामो र अनावश्यक प्रिन्टआउटहरूले छिटो लागत बढाउँछन्।

6. इनभ्वाइस छविहरूबाट स्वचालित रूपमा डेटा निकाल्न चाहने लेखा टोलीको लागि मोडेलमा कुन सुविधा आवश्यक छ?

• क) फराकिलो सम्भावित सन्दर्भ विन्डो
• ख) बहुविधता (दृश्य प्रशोधन क्षमता) ✔
• ग) खुला तौल लाइसेन्स
• D) तर्क को उच्चतम स्तर

स्पष्टीकरण: भिजुअल सामग्री बुझ्नको लागि, मोडेलले छविहरूको साथसाथै पाठलाई प्रशोधन गर्न सक्षम हुनुपर्दछ, अर्थात्, यो बहुविध हुनुपर्छ। बहुविधता भनेको पाठ, छविहरू, र कहिलेकाहीँ अडियो जस्ता धेरै प्रकारका डाटाहरू ह्यान्डल गर्न मोडेलको क्षमता हो।

7. उच्च मात्रा, सरल कार्य (जस्तै हजारौं समीक्षाहरूको सकारात्मक/नकारात्मक वर्गीकरण) को लागि सबैभन्दा तार्किक छनौट के हो?

• ए) सधैं बलियो र सबैभन्दा महँगो तर्क मोडेल
• B) एउटा मोडेल जसले खुला वजन र आफ्नै सर्भरमा मात्र काम गर्दछ
• C) हल्का र कम लागतको मोडेल, किनभने कार्य सरल छ र भोल्युम उच्च छ ✔
• D) फराकिलो सन्दर्भ विन्डो भएको मोडेल

विवरण: हल्का, कम लागतको मोडेलले सरल, उच्च-भोल्युम कार्यहरूको लागि ट्रिक गर्छ; सबैभन्दा शक्तिशाली र महँगो मोडेल प्रयोग गर्दा यहाँ अनावश्यक लागतहरू सिर्जना हुन्छ। सही दृष्टिकोण भनेको कार्यको कठिनाईलाई मोडेल तहमा मिलाउनु हो।

8. KVKK को सन्दर्भमा विदेशी-आधारित AI प्रदायकलाई व्यक्तिगत डेटा समावेश गरिएको पाठ पठाउन के कारणले ट्रिगर गर्छ?

• A) यसले कुनै कानूनी दायित्व सिर्जना गर्दैन
• B) प्रदायक EU मा छ भने मात्र फरक पर्दैन, अन्य कुनै पनि अवस्थामा
• C) डेटा गुमनाम होस् वा नहोस्, यो सबै परिस्थितिहरूमा कडा रूपमा निषेध गरिएको छ।
• D) विदेशमा डाटा स्थानान्तरण मानिन्छ र KVKK को विशेष सर्तहरूको अधीनमा छ ✔

स्पष्टीकरण: विदेशमा प्रदायकको सर्भरमा सञ्चालन हुने डाटालाई 'विदेशमा डाटा ट्रान्सफर' मानिन्छ र यो विषयमा KVKK को विशेष सर्तहरूको अधीनमा छ (जस्तै स्पष्ट सहमति, पर्याप्तता निर्णय, उपयुक्त आश्वासनहरू)।

9. मोडेलको 'तर्क' मोडले के गर्छ र यसले लागतलाई कसरी असर गर्छ?

• A) यसले जटिल समस्याहरूमा शुद्धता बढाउँछ, तर यसले थप टोकनहरू उत्पन्न गर्दा लागत र ढिलाइ बढाउँछ ✔
• B) मोडेललाई सधैं निःशुल्क बनाउँछ
• C) मोडेल द्वारा समर्थित भाषाहरूको संख्या मात्र बढाउँछ
• घ) उत्तरहरू सधैं छोटो पार्नुहोस् र लागत घटाउनुहोस्

विवरण: तर्क मोडले मोडेललाई जवाफ दिनु अघि चरणबद्ध रूपमा 'सोच्न' अनुमति दिन्छ; यसले बहु-चरण र जटिल समस्याहरूमा शुद्धता बढाउँछ, तर यसले लागत र ढिलाइ पनि बढाउँछ किनभने यसले थप टोकनहरू उत्पन्न गर्दछ।

10. तपाईको आफ्नै व्यवसायको लागि मोडेलको मूल्याङ्कन (मूल्याङ्कन) गर्दा सबैभन्दा भरपर्दो दृष्टिकोण के हो?

• क) केवल सबैभन्दा लोकप्रिय मोडेल छनोट गर्दै र परीक्षण बिना प्रयोग
• ख) तपाईंको आफ्नै वास्तविक कार्यहरूको सानो परीक्षण सेट सेटअप गर्नुहोस् र यससँग मोडेलहरू तुलना गर्नुहोस् ✔
• ग) विज्ञापनहरूमा उल्लेख गरिएको बेन्चमार्क स्कोर हेर्दै
• D) स्वचालित रूपमा उच्चतम सन्दर्भ विन्डोको साथ मोडेललाई उत्तम रूपमा स्वीकार गर्नुहोस्

स्पष्टीकरण: लिडरबोर्डहरूमा अन्धाधुन्ध भर पर्नुको सट्टा, तपाईंको आफ्नै वास्तविक कार्यहरूको एउटा सानो परीक्षण सेट सिर्जना गर्नुहोस् र यस सेटमा मोडेलहरू तुलना गर्दा तपाईंको व्यवसायलाई साँच्चै उपयुक्त हुने कुरा प्रकट हुनेछ।

11. मोडल आउटपुटमा 'भ्रम' समावेश हुन सक्ने ज्ञानले तपाईंको कार्यप्रवाहलाई कसरी आकार दिनुपर्छ?

• क) आउटपुट जहिले पनि सही मानिनुपर्छ र सीधै प्रकाशित गर्नुपर्छ
• B) भ्रम नि: शुल्क मोडेलहरूमा मात्र देखिन्छ, सशुल्क मोडेलहरूमा होइन
• C) महत्वपूर्ण निर्णयहरूमा, आउटपुट मानव द्वारा प्रमाणित गरिनु पर्छ र स्रोतहरू पुष्टि गरिनु पर्छ ✔
• घ) केवल मोडेल परिवर्तन गरेर भ्रम पूर्ण रूपमा हटाउन सकिन्छ

स्पष्टीकरण: एक भ्रम हो जब मोडेलले जानकारी उत्पादन गर्दछ जुन वास्तवमा सत्य होइन, विश्वस्त भाषामा। यस जोखिमको कारण, विशेष गरी कानूनी, चिकित्सा र वित्तीय निर्णयहरूको लागि, मानव द्वारा उत्पादनको प्रमाणीकरण आवश्यक पर्दछ।

12. परिपक्व संस्थाहरूले अपनाएको 'मोडेल पोर्टफोलियो' दृष्टिकोणको आधारभूत तर्क के हो?

• क) एकल, सबैभन्दा महँगो मोडेलद्वारा प्रत्येक काम गरि सरलता सुनिश्चित गर्न।
• ख) सस्तो मोडल मात्र प्रयोग गर्ने र गुणस्तरलाई पूर्ण रूपमा बेवास्ता गर्ने
• ग) कुनै पनि मोडेल प्रयोग नगर्नुहोस् र सबै काम म्यानुअल रूपमा गर्नुहोस्
• D) कार्य अनुसार विभिन्न मोडेलहरू प्रयोग गरेर लागतलाई अनुकूलन गर्ने र एकल प्रदायकमा निर्भरता घटाउने ✔

विवरण: मोडेल पोर्टफोलियो कार्य अनुसार विभिन्न मोडेलहरू प्रयोग गर्न हो: सरल र भारी कामहरूको लागि सस्तो मोडेल, जटिल कामहरूको लागि शक्तिशाली मोडेल, गोप्य डाटाको लागि खुला वजन/क्षेत्रीय मोडेल। यसले लागतलाई अप्टिमाइज गर्छ र एकल प्रदायकमा निर्भरता घटाउँछ।

13. किन मूल देश र डाटा रिटेन्सन नीति मोडेल चयनको लागि मापदण्ड हुन सक्छ?

• A) किनभने यसले प्रत्यक्ष रूपमा नियामक, डेटा सार्वभौमिकता र गोपनीयता आवश्यकताहरूलाई असर गर्छ ✔
• B) केवल किनभने यसले मोडेलको प्रतिक्रिया गति निर्धारण गर्दछ
• C) किनभने यसले मोडेलद्वारा समर्थित फाइल ढाँचाहरू निर्धारण गर्दछ
• D) किनभने यसको कुनै व्यावहारिक प्रभाव छैन, यो केवल एक मार्केटिंग विवरण हो

विवरण: देश जहाँ मोडेलको विकासकर्ता अवस्थित छ र कहाँ/कति डाटा भण्डारण गरिएको छ; यो कानूनी नियमन, डाटा सार्वभौमिकता र गोपनीयता को मामला मा निर्णायक छ। उदाहरणका लागि, EU भित्र होस्ट गर्न चाहने संगठनको लागि, क्षेत्रीय प्रदायक वा शून्य भण्डारण विकल्प महत्त्वपूर्ण हुन्छ।

14. कुन कार्यमा 'एकल उत्कृष्ट मोडेल' खोज्नु भ्रामक छ भनेर कुन राम्रोसँग व्याख्या गर्छ?

• A) सबै मोडेलहरूसँग वास्तवमा उस्तै क्षमताहरू छन्
• B) मोडेलहरू विभिन्न आकारहरूमा बलियो हुन्छन्, त्यसैले 'उत्तम' कामको आवश्यकतामा निर्भर गर्दछ ✔
• C) सबैभन्दा महँगो मोडेल स्वचालित रूपमा हरेक कार्यमा उत्कृष्ट हुन्छ
• घ) मोडेल छनोट पूर्णतया अनियमित रूपमा हुनुपर्छ

विवरण: मोडेलहरू गति, लागत, सन्दर्भ, बहुविधता, गोपनीयता र तर्क जस्ता विभिन्न आयामहरूमा बलियो हुन्छन्। एउटा मोडेल जुन एक आयाममा नेता हो अर्कोमा कमजोर हुन सक्छ; त्यसैले 'उत्तम' सधैं काम आवश्यकता मा निर्भर गर्दछ।