Mradi wa Mwisho hadi Mwisho, Utumiaji Uwajibikaji wa Akili Bandia na Ramani ya Barabara katika Taaluma.

Faida:

• Uwezo wa kuunda kipengele cha simu kutoka mwisho hadi mwisho na kuthibitishwa katika muundo, msimbo, ujumuishaji wa AI, faragha, majaribio, utatuzi, utendaji na hatua za kutolewa.
• Uwezo wa kuanzisha mfumo wa uwajibikaji na utumiaji wa kimaadili wa akili ya bandia na kanuni za uwazi, uthibitishaji-uwajibikaji na haki-isiyo ya kiume.
• Kuwa na uwezo wa kuunda mazoezi endelevu ya kitaaluma kwa kutofautisha maeneo ambayo akili ya bandia ina nguvu na dhaifu na kuweka uamuzi wa mwisho mikononi mwa wanadamu.

Katika sehemu hii yote, tulitumia AI katika kila hatua ya ukuzaji wa simu ya mkononi: utengenezaji wa msimbo, kiolesura, ujumuishaji wa AI ya kifaa na wingu, majaribio, utatuzi, utendakazi, faragha, na uwasilishaji wa duka. Katika kitengo hiki cha mwisho, tutachanganya vipande hivi vyote katika mtiririko mmoja wa mwisho hadi mwisho, kufafanua mfumo wa matumizi ya kuwajibika na ya kimaadili ya AI, na kuzungumza kuhusu jinsi ya kugeuza ujuzi huu kuwa mazoezi endelevu ya kitaaluma. Ujumbe wa msingi haujabadilika, lakini sasa umeimarishwa: AI ni nguvu inayozidisha msanidi wa rununu anayefaa; sio mbadala. Ni mtu anayewajibika kwa ubora, usalama na ahadi ya bidhaa kwa mtumiaji.

Kipengele cha mwisho hadi mwisho: kuchanganya sehemu

Kutengeneza kipengele halisi kutoka mwanzo hadi mwisho kwa usaidizi wa AI huchanganya kila kitengo ambacho tumejifunza katika msururu. Mfano: "ongeza gharama kutoka kwa risiti". Mtiririko hufanya kazi kama hii:

1. Kubuni (Kitengo cha 3). Rasimu ya skrini na hali nne (kupakia/tupu/kosa/imejaa) na AI, omba ufikiaji tangu mwanzo.
2. Kanuni (Kitengo cha 2). Tengeneza kamera, muundo wa data na safu ya ViewModel kwa safu na MVVM; thibitisha kila safu.
3. Kwenye kifaa AI (Kitengo cha 4). Kiasi cha kusoma/tarehe kutoka kwa risiti yenye utambuzi wa maandishi wa ML Kit; Zingatia kuchakata na kuweka bao la uhakika.
4. Usiri (Kitengo cha 9). Omba ruhusa ya kamera bila upendeleo mdogo, andika hali ya kukataa, weka data kwenye kifaa.
5. Upimaji (Kitengo cha 6). Tengeneza vipimo vya kitengo cha mantiki ya uchimbaji, upimaji wa UI wa onyesho; Jumuisha majimbo ya mpaka.
6. Utatuzi (Kitengo cha 7). Fanya AI ichanganue ajali kwa kutumia muktadha na kutatua chanzo kikuu.
7. Utendaji (Kitengo cha 8). Pima gharama ya betri ya uchakataji wa kamera na uiweke ifaayo betri.
8. Utangazaji (Kitengo cha 10). Ripoti matumizi ya AI kwa uwazi, jaza fomu ya faragha kwa ukweli, na ufanye majaribio ya kibinafsi.

Katika kila hatua, AI huharakisha, mwanadamu huthibitisha na kuamua. Kitanzi hiki ndio msingi wa moduli.

Kidokezo: Usijaribu kufanya AI ifanye kipengele changamano na ombi moja kubwa. Igawanye katika hatua zinazoweza kuthibitishwa kama ilivyo hapo juu. Kujaribu matokeo ya kila hatua na kuendelea hadi inayofuata ni salama na hatimaye haraka zaidi; Kwa sababu unapata kosa kubwa sio mwisho, lakini katika hatua ya kwanza.

Matumizi ya kuwajibika na ya kimaadili ya AI

Uwezo wa kiufundi pekee hautoshi; mfumo unaowajibika huikamilisha. Kanuni tatu:

Uwazi. Mtumiaji lazima ajue kwamba anaingiliana na AI. AI ya siri ni uvunjaji wa uaminifu. Maudhui yanayotokana na AI yamewekwa alama; Ushauri wa AI unawasilishwa kama "ushauri wa kusaidia" badala ya "ukweli mgumu."

Uthibitishaji na uwajibikaji. Pato la AI ni mahali pa kuanzia, sio bidhaa iliyokamilishwa. Unawajibika kwa kila safu ya msimbo iliyochapishwa, kila jibu la AI, kila shughuli ya data. "AI iliandika hivyo" sio utetezi.

Uadilifu na kutokuwa wa kiume. Miundo ya AI inaweza kubeba upendeleo kutoka kwa data ambayo wamefunzwa. Utambuzi wa uso unaweza kuwa mbaya zaidi kwa baadhi ya rangi za ngozi, injini ya mapendekezo inaweza kuwatenga kikundi. Ni jukumu lako kujaribu kuwa bidhaa yako inafanya kazi kwa usawa katika vikundi tofauti vya watumiaji.

Makini: Mbinu yoyote unayojifunza katika uwanja wa IT na usalama inatumika kwa madhumuni yaliyoidhinishwa na ya kujenga tu. Kutumia AI kuunda programu hasidi, kuvunja programu ya mtu mwingine bila ruhusa, kukusanya data ya mtumiaji bila ridhaa, au kutoa maudhui yanayopotosha ni kinyume cha sheria na ni kinyume cha maadili ya taaluma. Kipimo cha nguvu kinadhihirishwa pale ambapo hutumii.

Kutambua mipaka ya AI

Msanidi aliyekomaa anajua wapi AI inang'aa na inapokosekana.

AI ina nguvu

AI ni dhaifu

Nambari ya mold, uzalishaji wa boilerplate

Maamuzi ya bidhaa na usanifu

Rasimu ya majaribio na nyaraka

Kuelewa muktadha wa biashara na mtumiaji

Usomaji wa kumbukumbu ya kuacha kufanya kazi, uchanganuzi wa hitilafu

Utambuzi wa sababu za msingi (uthibitisho unahitajika)

Kujifunza, ufafanuzi wa dhana

Maelezo ya API ya sasa/ambayo hayajatengenezwa

Maandishi, maelezo, tafsiri

Maadili, usalama na uamuzi wa mwisho wa kisheria

Kuingiza tofauti hii ni muhimu kwa kutumia AI ipasavyo na kuzuia mitego yake.

kesi tatu ndogo

Kesi ya 1 - Kasi ya mwisho hadi mwisho. Msanidi programu mmoja alimaliza kipengele cha "unplugged" katika siku 4 na mtiririko wa hatua 8 hapo juu; Bila AI makadirio yalikuwa siku 12. Lakini kwa sababu alithibitisha kila hatua, kichapo hicho kiliidhinishwa mara ya kwanza. Kasi ilikuwa ya kweli kwa sababu nidhamu ilikuwa ya kweli. Somo: Uthibitishaji wa AI + ni haraka kuliko AI - uthibitishaji.

Kesi ya 2 - Upendeleo ulipatikana. Wakati wa kujaribu kipengele cha ubashiri wa nomino-jinsia chenye msingi wa AI, timu iligundua makosa ya kimfumo katika baadhi ya nomino za Kituruki; modeli ilifunzwa kwa data nyingi za Kiingereza. Kipengele kimebadilishwa hadi kumuuliza mtumiaji badala ya kutoa dhana isiyo sahihi. Somo: ni kazi ya msanidi programu kujaribu upendeleo wa mafunzo ya modeli.

Kesi ya 3 - Utetezi wa "AI nilisema" ulianguka. Msanidi programu alichapisha msimbo wa malipo unaozalishwa na AI bila kuuthibitisha; Katika hali moja mbaya nambari hiyo ilikuwa ikifanya makusanyo maradufu. Wajibu hauondolewi kwa kusema "AI iliandika"; Kama mwenye akaunti, alikuwa msanidi programu. Somo: jukumu haliwezi kukabidhiwa.

Mwongozo dhaifu / Mwongozo thabiti

Kidokezo dhaifu: "Niandikie maombi kamili ya kuchanganua risiti."

Kidokezo chenye nguvu: "Nisaidie kukuza kipengele cha 'ongeza gharama kutoka kwa risiti' hatua kwa hatua. Hebu tuendelee kwa utaratibu, ninapothibitisha na kuidhinisha kila hatua, nenda kwenye inayofuata: 1) Skrini + hali nne + ufikivu2) Tabaka za MVVM (kamera, modeli, ViewModel)3) Kiasi cha kusoma/tarehe kutoka kwa risiti + kibali cha ML + kibali cha 4 Kitmerasi) mtiririko wa kukataliwa5) Majaribio ya kitengo na UI Niambie hatari na pointi ninazohitaji kuthibitisha katika kila hatua."

Violezo vinavyoweza kunakiliwa

Kiolezo cha upangaji wa mwisho hadi mwisho: "Nitatengeneza kipengele kifuatacho: [kipengele]. Kigawanye katika hatua zinazoweza kuthibitishwa: muundo, msimbo, ushirikiano wa AI, faragha/ruhusa, majaribio, utendakazi, toleo. Andika matokeo, hatari na vigezo vya uthibitishaji kwa kila hatua. Usitengeneze toleo moja kubwa la uzalishaji."

Kiolezo cha ukaguzi wa maadili/upendeleo: "Kagua kipengele kifuatacho cha AI kwa haki na upendeleo: [kipengele]. Ni vikundi gani vya watumiaji vinavyoweza kufanya vibaya? Je, data ya mafunzo huathiri vipi upendeleo? Je, ninaijaribuje, nawezaje kuifanya ijumuishe zaidi?"

Kiolezo cha kuangalia uwajibikaji: "Orodhesha maswali ya uwajibikaji ninayopaswa kuuliza kabla ya kutoa msimbo/kipengele hiki kinachozalishwa na AI: niliielewa, nimeifanyia majaribio, ni salama, ni wazi kwa mtumiaji, ni halali/kimaadili?"

Kiolezo cha kuendelea cha kujifunza: "Pendekeza mpango wa vitendo wa wiki 4 ili kuboresha ujuzi wangu wa AI katika msanidi wa simu: mada moja kila wiki (msimbo, ujumuishaji, majaribio, kutolewa), kwa lengo la mradi mdogo na tabia ya uthibitishaji."

Makosa ya kawaida

• Inazalisha kipengele changamano na ombi moja kubwa. Haiwezi kuthibitishwa; kuivunja katika hatua.
• Kuepuka kuwajibika kwa kusema "AI iliandika hivyo". Unawajibikia msimbo uliochapishwa.
• Sio kupima upendeleo wa AI. Mfano huo unaweza kufanya kazi vibaya katika baadhi ya vikundi; Jaribu haki.
• Kuficha mwingiliano wa AI kutoka kwa mtumiaji. Uwazi ndio msingi wa uaminifu.
• Kusahau mapungufu ya AI. Watu wana usemi wa mwisho juu ya usanifu, maadili na API ya sasa.
• Ili kuacha kujifunza. Zana na sheria za duka hubadilika haraka; Endelea kusasishwa kila wakati.

Kwa muhtasari

Kipengele cha mwisho hadi mwisho kinachanganya sehemu zote za moduli katika mlolongo: muundo, msimbo, ushirikiano wa AI, faragha, majaribio, utatuzi, utendaji na kutolewa. Katika kila hatua, AI huharakisha, binadamu huthibitisha na kuamua; Kazi ngumu imegawanywa katika hatua ndogo zinazoweza kuthibitishwa. Matumizi ya uwajibikaji yanatokana na kanuni tatu: uwazi, uthibitishaji-uwajibikaji na usawa-usidhuru. AI ni kizidishio chenye nguvu, lakini wanadamu wana usemi wa mwisho juu ya usanifu, maadili, usalama na maarifa ya sasa. "AI ilifanya hivyo" sio utetezi; Unawajibika kwa bidhaa yako na ahadi unayotoa kwa mtumiaji wako. Kwa nidhamu hii, AI hukufanya uwe haraka, mpana zaidi na mwenye nguvu katika kazi yako yote.

Jukumu la maombi

Changanua kipengele cha simu unachochagua (k.m. "kufupisha kwa kuandika madokezo ya sauti" au "utambuzi wa bidhaa kutoka kwa picha") katika hatua zinazoweza kuthibitishwa kwa "Kiolezo cha kupanga mwisho hadi mwisho". Kwa kweli tengeneza na uthibitishe angalau hatua moja na AI. Kisha, changanua ni vikundi vipi vya watumiaji ambavyo kipengele kinaweza kusababisha matatizo na "Kiolezo cha udhibiti wa Maadili/upendeleo" na ujibu maswali unayohitaji kuuliza kabla ya kutolewa kwa "Kiolezo cha kudhibiti dhima".

orodha ya ukaguzi

• [ ] Nilivunja kipengele katika hatua ndogo zinazoweza kuthibitishwa, sio toleo moja kubwa
• [ ] Nilithibitisha matokeo ya AI kwa kila hatua na kufanya uamuzi
• [ ] Niliwasilisha mwingiliano wa AI kwa uwazi kwa mtumiaji
• [ ] Nilitathmini kama kipengele kinafanya kazi kwa haki/upendeleo katika vikundi tofauti
• [ ] Nilijibu maswali ya uwajibikaji kabla ya kutolewa (yaliyoeleweka/jaribio/salama/kimaadili)
• [ ] Nimetumia AI kwa madhumuni yanayofaa na yenye kujenga na ninapanga kuendelea kujifunza

Mtihani wa Moduli

1. Ni ipi kati ya zifuatazo ni nafasi sahihi zaidi ya akili ya bandia katika ukuzaji wa rununu?

• A) AI inachukua nafasi ya msanidi programu; inaweza kuchapishwa moja kwa moja bila kusoma kanuni inazalisha
• B) Akili ya bandia hufanya kazi tu katika maandishi ya maandishi, haina uhusiano wowote na utengenezaji wa msimbo
• C) Akili ya bandia ni msaidizi na kiongeza kasi; Wajibu wa maamuzi ya usanifu, usalama na utangazaji ni wa wanadamu ✔
• D) Kwa kuwa akili ya bandia hutoa nambari sahihi kila wakati, majaribio ya ziada na uthibitishaji sio lazima.

Maelezo: Akili Bandia ni msaidizi na kichapuzi ambacho hutoa msimbo, michoro na suluhu. Wajibu na uidhinishaji wa mwisho wa maamuzi kama vile usanifu, idhini, usalama na uchapishaji ni wa msanidi anayefaa; Wanadamu wanawajibika kwa kila mstari unaochapishwa.

2. Unapoomba msimbo wa simu kutoka kwa akili ya bandia, ni nini huongeza ubora wa usanifu wa kanuni zinazozalishwa zaidi?

• A) Weka kidokezo kifupi iwezekanavyo na useme 'niandikie programu'
• B) Kwanza, weka usanifu kama MVVM na uombe nambari hiyo kwa vipande vidogo, safu kwa safu ✔
• C) Kuzalisha kipengele kizima kama faili moja kubwa kwa haraka moja
• D) Usielezee usanifu kabisa na uache uamuzi bora kwa akili ya bandia

Ufafanuzi: Kuweka usanifu kama MVVM na kuhitaji safu kwa safu kabla ya kuandika nambari moja kwa moja kwa AI hutoa muundo unaoweza kupimwa na kudumishwa ambao hutenganisha mantiki kutoka kwa skrini. Ombi bila usanifu hurejesha msimbo ambao hubandika kila kitu kwenye skrini.

3. Ni nini kinachopuuzwa mara kwa mara wakati wa kuunda kiolesura chenye akili ya bandia na ni nini muhimu zaidi katika matumizi halisi?

• A) Kuunda hali ya upakiaji, tupu na hitilafu, sio tu skrini nzima ✔
• B) Inazalisha skrini nzima inayoonekana bora pekee, kuruka visa vingine
• C) Kuongeza rangi nyingi na uhuishaji iwezekanavyo kwa kila skrini
• D) Kuacha vitambulisho vya ufikivu vya kudumu na vinavyohusu mwonekano pekee

Maelezo: Wasanidi mara nyingi huzingatia tu hali ya 'kamili'; ambapo katika hali halisi mtumiaji mara nyingi hukutana na hali ya upakiaji, tupu na makosa. Kuzalisha hali zote nne (kupakia / tupu / kosa / kamili) ni siri ya kiolesura cha nguvu.

4. Kwa nini AI ya kifaa mara nyingi huwa chaguo-msingi kwa kipengele kinachochakata data nyeti ya kibinafsi (k.m. kipimo cha afya)?

• A) Miundo iliyo kwenye kifaa huwa sahihi zaidi kuliko wingu
• B) Uchakataji kwenye kifaa kamwe hauleti gharama za betri au kichakataji
• C) Usindikaji wa kifaa hauna kikomo kwa suala la ukubwa wa mfano
• D) Kwa kuwa data haiachii simu, hutoa faida kubwa katika suala la faragha na imani ya mtumiaji ✔

Maelezo: Usindikaji wa kifaa hauondoi data kutoka kwa simu; Hii ni faida kubwa katika suala la kufuata faragha na uaminifu wa mtumiaji, pamoja na kwamba inafanya kazi nje ya mtandao na papo hapo. Kikomo chake ni nguvu ya kifaa na ukubwa wa muundo.

5. Je, ni hitilafu gani ya kawaida ya 'kimya' ambayo husababisha matokeo yasiyo na maana na haitoi ujumbe wa makosa katika muunganisho wa muundo wa kifaa?

• A) Tahajia isiyo sahihi ya jina la faili la modeli
• B) Azimio la chini la ikoni ya programu
• C) Usindikaji wa awali usio sahihi (ukubwa/urekebishaji) ✔
• D) Mandhari ya skrini nyeusi

Ufafanuzi: Kufanya uchakataji wa pembejeo kimakosa kutaleta matokeo yasiyo sahihi kabisa bila makosa ya kutupa. Thamani za kuchakata mapema zinapaswa kuthibitishwa kutoka kwa hati za muundo.

6. Ni sheria gani muhimu zaidi ya usalama wakati wa kuunganisha LLM ya wingu kwenye programu ya simu?

• A) Kitufe cha API kinapaswa kuwekwa tu nyuma, sio kwa mteja; maombi lazima yapitie kwa wakala ✔
• B) Kitufe cha API kinapaswa kupachikwa moja kwa moja kwenye msimbo wa programu kwa urahisi
• C) Kitufe cha API kinapaswa kushirikiwa katika maelezo ya programu
• D) Kitufe cha API kinapaswa kuwekwa kwenye mteja na kufichwa tu kwa kubadilisha jina.

Ufumbuzi: Kitufe cha API hakijapachikwa katika msimbo wa programu ya simu; kwa sababu programu inaweza kubadilishwa na ufunguo kutolewa. Usanifu sahihi ni kuweka ufunguo tu katika mazingira ya nyuma na kupitisha maombi kupitia seva yako ya wakala.

7. Ni nini huongeza kasi inayotambuliwa na mtumiaji na kiwango cha kukamilika kwa vipengele katika majibu marefu ya LLM?

• A) Kusubiri hadi jibu lote litolewe na kulionyesha mara moja
• B) Kuonyesha jibu neno kwa neno, kama linavyotolewa, kwa kutiririsha ✔
• C) Kutuma historia nzima ya gumzo kwa mtindo na kila ombi
• D) Panua maagizo ya kielelezo ili kupanua jibu kadiri inavyowezekana

Maelezo: Kutiririsha kwa kiasi kikubwa huongeza kasi inayofahamika na ufasaha kwa kuonyesha mwitikio unapotolewa neno baada ya neno. Badala ya kusubiri kwenye skrini tupu, mtumiaji hutazama fomu ya maandishi; Hii inapunguza kwa kiasi kikubwa kiwango cha kuachwa.

8. Je, ni tatizo gani la kawaida katika majaribio yanayotolewa na akili ya bandia ambayo hufanya mtihani kuwa hauna thamani?

• A) Majaribio huchukua hali nyingi sana za kikomo
• B) Majaribio hutumia vitu vya dhihaka, sio huduma halisi
• C) Majaribio hukimbia haraka sana
• D) Upeo hupungua kwa majaribio tupu/isiyo na maana ambayo kwa hakika hayathibitishi tabia ✔

Ufafanuzi: Akili ya Bandia wakati mwingine hutoa majaribio ambayo hayathibitishi matokeo yoyote (kwa mfano, piga simu tu chaguo la kukokotoa na uandike madai tupu). Hizi huongeza nambari ya chanjo lakini haitoi ulinzi wa kweli; Kila jaribio lazima liangaliwe ili kuthibitisha tabia yenye maana.

9. Kwa nini si suluhu ya kutosha kunyamazisha ajali kwa kuiweka katika jaribio la kukamata na pendekezo la kijasusi bandia?

• A) Jaribu-kukamata haiwezi kutumika hata kidogo katika programu za simu
• B) Ajali inakoma, lakini kwa kuwa chanzo hakijatatuliwa, tatizo hurudi katika hali tofauti ✔
• C) Kutumia kujaribu-kukamata kunapunguza kasi ya programu, kwa hivyo ni marufuku
• D) Hitilafu iliyonyamazishwa inakataliwa kiotomatiki na duka

Maelezo: Kunyamazisha dalili hakusuluhishi sababu kuu; Kuacha kufanya kazi hukoma, lakini tatizo la awali (k.m. muunganisho uliovunjika wa data) hurudi kwa njia nyingine (k.m. kupoteza data). Lengo la utatuzi wa kitaalamu ni kutatua chanzo, si dalili.

10. Ni kanuni gani ya msingi ya kufuata katika uboreshaji wa utendaji?

• A) Kwanza chukua wasifu na upime kizuizi halisi, kisha uboresha ✔
• B) Kubahatisha ambapo ni polepole na kuzingatia huko
• C) Kutafuta faida ndogo katika kila kazi
• D) Kupima utendaji kwenye emulator na usijaribu kamwe kifaa halisi

Maelezo: Pima kwanza, boresha baadaye. Kikwazo halisi ni karibu kila mara katika eneo tofauti kuliko ilivyotabiriwa; Uboreshaji bila kuweka wasifu ni dhana isiyoeleweka na mara nyingi ni upotezaji wa juhudi.

11. Ni jambo gani muhimu zaidi la uhandisi kwa kipengele cha AI kinachoendeshwa kila mara (k.m. tafsiri ya kamera ya moja kwa moja)?

• A) Kipengele huomba ruhusa nyingi iwezekanavyo
• B) Kudhibiti gharama ya betri na kichakataji cha uchakataji unaoendelea kwa kutumia masafa ya sampuli na usindikaji wa bechi ✔
• C) Endesha kipengele kwenye simu za bei ghali pekee
• D) Kuendelea kutoa kamera kwa kasi ya juu zaidi ya fremu

Maelezo: Mfano wa kufanya kazi kila wakati, kamera na mtandao; Inaweza kutumia betri kwa haraka, kuwasha moto kifaa na kuzuiwa na mfumo. Kupunguza marudio ya sampuli, kuunganishwa, na kukimbia tu inapohitajika ni njia za kudhibiti gharama ya betri.

12. Je, kanuni ya 'mapendeleo kidogo' katika usimamizi wa ruhusa inamaanisha nini katika ukuzaji wa rununu?

• A) Kuomba ruhusa zote zinazowezekana wakati wa kuanza, ikiwa tu.
• B) Kufanya programu isifanye kazi ikiwa ruhusa imekataliwa
• C) Kuomba ruhusa pana zaidi na kupanga kuipunguza baadaye.
• D) Kuomba tu ruhusa inayohitajika, inapohitajika na ndani ya mawanda finyu zaidi, kwa hali ya kukataliwa ✔

Ufafanuzi: Upendeleo mdogo ni kuomba tu ruhusa inayohitajika, inapohitajika, na kwa kiwango finyu iwezekanavyo. Ruhusa nyingi hudhoofisha uaminifu wa watumiaji, husababisha kukataliwa kwa duka, na huongeza hatari ya kuvuja kwa data.

13. Ni mahitaji gani mahususi yanapaswa kutimizwa wakati wa kuwasilisha maombi yenye akili ya bandia kwenye duka?

• A) Uwazi wa maudhui, udhibiti wa maudhui na ufichuaji wa data kwenda kwa akili bandia kwa njia ya usiri ✔
• B) Kuficha matumizi ya akili ya bandia kutoka kwa mtumiaji
• C) Kuashiria data ambayo kwa kweli haijakusanywa katika fomu ya faragha
• D) Vipengele vya kuahidi ambavyo havipo katika maelezo

Ufumbuzi: Maduka yanatarajia uwazi wa maudhui (taarifa kwamba inazalisha AI), udhibiti wa maudhui (uchujaji wa matokeo hatari na arifa ya mtumiaji), na ufichuaji wa matumizi ya data kutoka kwa programu zilizo na akili bandia; Ilani ya usahihi inahitajika katika eneo nyeti. Maombi ambayo yameacha haya yatakataliwa.

14. Kwa nini utetezi wa 'AI uliiandika hivyo' ni batili wakati hitilafu ya kesi ya makali inapotokea katika msimbo uliochapishwa wa AI?

• A) Kwa sababu akili ya bandia daima hutoa msimbo usio na makosa, kosa hutoka kwa mtumiaji
• B) Kwa sababu duka hurekebisha kiotomati nambari inayotokana na AI
• C) Kwa sababu jukumu haliwezi kuhamishwa kwa akili ya bandia; Msanidi anawajibika kwa nambari na data zilizochapishwa ✔
• D) Kwa sababu msimbo wa akili bandia haujawekwa moja kwa moja

Maelezo: Pato la AI ni mahali pa kuanzia, sio bidhaa iliyokamilishwa. Ni msanidi ambaye anawajibika kwa kila laini iliyochapishwa, kila data iliyochakatwa, na kila ahadi iliyotolewa; jukumu haliwezi kukabidhiwa kwa AI, kwa hivyo matokeo lazima yaeleweke na kujaribiwa kabla ya kuchapishwa.