กำไร:
- ความสามารถในการตั้งค่าชุดทดสอบขนาดเล็ก (eval) ที่ประเมินแบบจำลองด้วยข้อมูลของคุณเอง
- ฝังการตรวจสอบโดยมนุษย์ ขีดจำกัด และนโยบายการใช้งานอย่างรับผิดชอบลงในขั้นตอนการทำงาน
- ตระหนักถึงภาพหลอน ความเป็นส่วนตัว และความเสี่ยงด้านจริยธรรม และดำเนินมาตรการบรรเทาผลกระทบ
คุณได้เลือกรุ่นที่ถูกต้อง งานเสร็จแล้วเหรอ? ไม่ งานจริงเริ่มแล้ว การวางโมเดลในธุรกิจของคุณคือการทดสอบกับข้อมูลของคุณเอง ตรวจสอบความถูกต้องของผลลัพธ์ และกำหนดกรอบอย่างมีความรับผิดชอบ หน่วยสุดท้ายนี้จะเปลี่ยนทั้งโมดูลให้เป็นแอปพลิเคชันแบบ end-to-end: คุณจะได้เรียนรู้วิธีตั้งค่าชุดทดสอบขนาดเล็ก (eval) ใส่การตรวจสอบโดยมนุษย์ลงในขั้นตอนการทำงาน จัดการความเสี่ยงด้านภาพหลอนและความเป็นส่วนตัว และวาดขอบเขตทางจริยธรรม เมื่ออุปกรณ์เสร็จสิ้น คุณจะไม่เพียงแต่เลือกรุ่นเท่านั้น แต่ยังทดสอบการใช้งานด้วยความมั่นใจอีกด้วย
การประเมิน (Eval): การทดสอบด้วยข้อมูลของคุณเอง
ตอนนี้คุณรู้แล้วว่าเฉพาะข้อมูลจริงของคุณ ไม่ใช่โฆษณาเท่านั้นที่สามารถบอกได้ว่ารูปแบบใดเหมาะกับธุรกิจของคุณ วิธีวัดสิ่งนี้คือการตั้งค่าชุดการประเมิน (eval) ซึ่งเป็นกลุ่มตัวอย่างเล็กๆ น้อยๆ จากงานของคุณซึ่งทราบคำตอบที่ถูกต้อง
มีการตั้งค่าการประเมินอย่างง่ายดังนี้:
- เก็บตัวอย่างจริง 10-30 ตัวอย่าง เลือกอินพุตที่เป็นแบบฉบับของงานของคุณ (ผสมผสานระหว่างความยากและง่าย)
- กำหนด "ผลลัพธ์ที่ถูกต้อง/คาดหวัง" สำหรับแต่ละตัวอย่าง ผู้เชี่ยวชาญจะตอบว่าอย่างไร?
- เรียกใช้ผู้สมัครโดยใช้ตัวอย่างเดียวกัน ทดสอบโมเดลที่คุณกำลังเปรียบเทียบทีละตัวกับชุดเดียวกัน
- คะแนนผลลัพธ์ มีกี่ตัวอย่างที่เป็นความจริง? เขาผิดพลาดตรงไหน? ข้อผิดพลาดเป็นที่ยอมรับหรือไม่?
- เปรียบเทียบและเลือก เลือกไม่ใช่คะแนนรวมสูงสุด แต่เป็นคะแนนที่น่าเชื่อถือที่สุดในตัวอย่างที่สำคัญที่สุดสำหรับคุณ
เคล็ดลับ: อย่าเชื่อถือกระดานผู้นำโดยสุ่มสี่สุ่มห้า โมเดลอาจอันดับหนึ่งของโลก แต่ทำงานได้แย่กว่าโมเดลอันดับสองในข้อความทางกฎหมายของตุรกีโดยเฉพาะ การประเมินตัวอย่าง 20 ตัวอย่างของคุณมีค่ามากกว่าการทดสอบสาธารณะหลายร้อยรายการ
ภาพหลอน: ความเสี่ยงที่ร้ายกาจที่สุดของแบบจำลอง
ภาพหลอนคือเมื่อแบบจำลองสร้างข้อมูลที่ไม่เป็นความจริงในภาษาที่มั่นใจ แทนที่จะพูดว่า "ฉันไม่รู้" แบบจำลองอาจสร้างกฎหมายที่ไม่มีอยู่จริง สถิติที่สร้างขึ้น หรือวันที่ที่เป็นเท็จ นอกจากนี้เขายังทำสิ่งนี้ด้วยภาษาที่น่าเชื่อถืออย่างยิ่ง นี่เป็นแง่มุมที่อันตรายที่สุดของ AI เนื่องจากข้อผิดพลาดปลอมแปลงเป็นความจริง
คุณไม่สามารถกำจัดภาพหลอนได้ทั้งหมด แต่คุณสามารถลดภาพหลอนและจับมันได้:
- ยึดตามแหล่งที่มา: ขอให้โมเดลสร้างคำตอบจากเอกสารที่คุณให้ ไม่ใช่จาก "หน่วยความจำ" ของตัวเอง (ตรรกะ RAG)
- แหล่งที่มาของคำขอ: พูดว่า "ถัดจากการอ้างสิทธิ์แต่ละรายการ ให้เขียนเอกสาร/ส่วนที่เป็นข้อมูลอ้างอิง"; หากเขาไม่สามารถให้แหล่งที่มาได้ ให้สงสัย
- การทำให้ผู้คนบอกว่าพวกเขาไม่แน่ใจ: คำสั่ง "หากคุณไม่แน่ใจ เขียนว่า 'ไม่ชัดเจน'" จะช่วยลดการปรับโมเดลให้เหมาะสม
- การตรวจสอบโดยมนุษย์: ผลลัพธ์ที่สำคัญจะต้องได้รับการตรวจสอบโดยมนุษย์
ข้อควรระวัง: ห้ามใช้เอาต์พุตโมเดลโดยไม่ตรวจสอบเพื่อการตัดสินใจทางกฎหมาย ทางการแพทย์ หรือทางการเงิน "บทความเกี่ยวกับกฎหมาย" หรือ "ข้อมูลปริมาณยา" ที่แบบจำลองดังกล่าวสร้างขึ้นอาจถูกสร้างขึ้นโดยสิ้นเชิง ในด้านเหล่านี้ AI เป็นเครื่องมือแบบร่าง/เบื้องต้น คนเก่งย่อมมีคำพูดสุดท้ายเสมอ
ข้อกำหนดสำหรับการตรวจสอบโดยมนุษย์
ปัญญาประดิษฐ์ทำงานได้ดีที่สุดในฐานะเครื่องมือที่ช่วยเร่งการทำงานของผู้คน ไม่ใช่ทำให้พวกเขาตกงาน การตั้งค่าที่ถูกต้องมีดังนี้: สร้างหรือตรวจสอบคุณสมบัติแบบร่างแบบจำลองล่วงหน้า การตรวจสอบโดยมนุษย์ แก้ไข และอนุมัติ การตรวจสอบความถูกต้องเข้มงวดเพียงใดนั้นขึ้นอยู่กับต้นทุนของข้อผิดพลาด
ภารกิจ
ค่าผิดพลาด
การตรวจสอบของมนุษย์
ร่างคำอธิบายผลิตภัณฑ์
ต่ำ
การควบคุมตัวอย่างก็เพียงพอแล้ว
การตอบกลับอีเมลของลูกค้า
ปานกลาง
ทบทวนก่อนส่ง
การวิเคราะห์ความเสี่ยงของสัญญา
สูง
บทความต่อบทความการยืนยันจากผู้เชี่ยวชาญ
คำแนะนำทางการแพทย์/การเงิน
สูงมาก
การตรวจสอบโดยผู้เชี่ยวชาญเต็มรูปแบบ รองรับ AI เท่านั้น
ตารางนี้ทำให้เกิดความสมดุลระหว่าง "การตรวจสอบทุกเอาต์พุตด้วยตนเอง" และ "ไม่ตรวจสอบเลย" แม้ว่าการควบคุมตัวอย่างจะเพียงพอสำหรับงานที่มีต้นทุนต่ำ แต่ทุกผลผลิตจะต้องได้รับการตรวจสอบสำหรับงานที่มีราคาสูง
การใช้อย่างมีจริยธรรมและความรับผิดชอบ
แม้ว่าการเลือกรุ่นอาจดูเหมือนเป็นการตัดสินใจทางเทคนิค แต่ก็มีความรับผิดชอบด้านจริยธรรมที่อยู่เบื้องหลัง:
- ความโปร่งใส: ให้ลูกค้าหรือพนักงานของคุณทราบว่าคุณกำลังใช้ AI ในสถานที่ที่เหมาะสม ลูกค้ามีสิทธิ์ที่จะรู้ว่าพวกเขากำลังพูดคุยกับมนุษย์หรือ AI
- อคติ: โมเดลสามารถสืบทอดอคติจากข้อมูลที่ได้รับการฝึก ติดตามความเป็นธรรมของผลลัพธ์ในด้านที่มีความละเอียดอ่อน เช่น การสรรหาบุคลากรและการประเมินเครดิต
- ความเป็นส่วนตัว: ฝังหลักการปกป้องข้อมูลที่คุณเรียนรู้ในหน่วยที่ 8 ลงในเวิร์กโฟลว์ อย่าส่งข้อมูลส่วนบุคคลโดยประมาท
- ความรับผิดชอบ: เมื่อเกิดข้อผิดพลาด การป้องกัน "AI ทำมัน" ยังไม่เพียงพอ ความรับผิดชอบอยู่ที่สถาบันที่ใช้ยานพาหนะ ดังนั้นกระบวนการตรวจสอบเอกสาร
เคล็ดลับ: เขียน “นโยบายการใช้งานอย่างมีความรับผิดชอบ” เล็กๆ น้อยๆ ลงในขั้นตอนการทำงานของคุณ: งานใดบ้างที่สามารถใช้ AI ได้ ข้อมูลใดบ้างที่ไม่สามารถส่งข้อมูลได้ ใครเป็นผู้ตรวจสอบ และจะรายงานข้อผิดพลาดอย่างไร เอกสารหน้าเดียวนี้จะช่วยป้องกันปัญหาสำคัญในอนาคต
สามกรณีที่สมจริง
กรณีที่ 1 — เสียใจโดยไม่สร้างการประเมิน ทีมประกันภัยเริ่มสรุปการเคลมโดยไม่ต้องทดสอบรุ่นที่ได้รับความนิยมสูงสุด หลังจากผ่านไปสองสัปดาห์ พวกเขาพบว่าแบบจำลองมักทำผิดพลาดในแง่เทคนิคของตุรกี และอ่านจำนวนบางส่วนไม่ถูกต้อง เมื่อพวกเขาตั้งค่าตัวอย่าง 20 ตัวอย่างและเปรียบเทียบทั้งสามรุ่น พวกเขาจะเปลี่ยนไปใช้โมเดลที่ไม่ได้รับความนิยมมากที่สุด แต่มีความแม่นยำมากกว่าในตำราทางเทคนิคของตุรกี การสูญเสีย: สองสัปดาห์และแรงงานพิสูจน์อักษร บทเรียน: ประเมินก่อน ปรับใช้ในภายหลัง
กรณีที่ 2 — กระบวนการที่จับภาพหลอน นักกฎหมายชุมชนเห็นการอ้างอิง "คำตัดสินของศาลฎีกา" ในแบบจำลองที่พิมพ์ออกมา เนื่องจากกระบวนการของพวกเขามีกฎ "ตรวจสอบการอ้างอิงทุกรายการ" เขาจึงมองหาการตัดสินใจและพบว่าไม่มีการตัดสินใจดังกล่าวอยู่ เขาสร้างแบบจำลองขึ้นมา ต้องขอบคุณการตรวจสอบโดยมนุษย์ ข้อมูลที่สร้างขึ้นจึงไม่สามารถเข้าถึงลูกค้าได้ หากไม่มีกฎการตรวจสอบ การสูญเสียชื่อเสียงอาจร้ายแรงได้
กรณีที่ 3 — ไว้วางใจด้วยความโปร่งใส บริษัทอีคอมเมิร์ซแห่งหนึ่งสร้างการตอบกลับการสนับสนุนลูกค้าด้วย AI แต่เพิ่มหมายเหตุไว้ใต้การตอบกลับแต่ละครั้ง: "การตอบกลับนี้จัดทำขึ้นด้วยการสนับสนุนปัญญาประดิษฐ์ และได้รับการตรวจสอบโดยหนึ่งในตัวแทนของเรา" ลูกค้าพึงพอใจมากขึ้นกับทั้งการตอบสนองที่รวดเร็วและความมั่นใจเมื่อได้เห็นคนมีส่วนร่วม ความโปร่งใสไม่ใช่จุดอ่อนที่ต้องซ่อนไว้ แต่เป็นแหล่งของความไว้วางใจ
พร้อมท์อ่อน / พร้อมท์แรง: ผลลัพธ์ที่ตรวจสอบได้
พรอมต์ที่อ่อนแอ:
บอกฉันเกี่ยวกับข้อเสี่ยงของสัญญานี้
สามารถใส่โมเดลได้ ไม่มีแหล่งที่มา ไม่มีสัญญาณของความไม่แน่นอน
พรอมต์อันทรงพลัง:
บทบาทของคุณ: นักวิเคราะห์สัญญา (การตัดสินใจขั้นสุดท้ายเป็นของทนายความ) งาน: เน้นข้อความที่อาจมีความเสี่ยงในสัญญาต่อไปนี้ สำหรับการค้นพบแต่ละครั้ง: (1) หมายเลขประโยคและคำพูดแบบคำต่อคำ (2) เหตุใดจึงมีความเสี่ยง (3) ระดับความเชื่อมั่นของคุณ (สูง/ปานกลาง/ต่ำ) อาศัยเฉพาะส่วนคำสั่งในข้อความเท่านั้น อย่าสร้างสิ่งที่ไม่ได้อยู่ในข้อความ ในกรณีที่ไม่แน่ใจ ให้เขียนว่า "ต้องมีการยืนยันทนายความ" [สัญญา]
ข้อความพร้อมท์ที่ชัดเจนเชื่อมโยงการอ้างสิทธิ์แต่ละรายการกับแหล่งที่มา (หมายเลขบทความ + การอ้างอิง) ต้องมีระดับความเชื่อมั่น และห้ามการแต่งเติม ทำให้สามารถจับภาพหลอนได้
เทมเพลตที่คัดลอกได้
1. การออกแบบชุดประเมินผล:
ออกแบบชุดการประเมินสำหรับงานต่อไปนี้ [TASK] แนะนำอินพุตตัวอย่าง 15 รายการ (ผสมง่าย-ปานกลาง-ยาก) วิธีกำหนด "ผลลัพธ์ที่ถูกต้องที่คาดหวัง" สำหรับแต่ละข้อ และกำหนดเกณฑ์การให้คะแนน (1-5)
2. ผ้าพันลดอาการประสาทหลอน:
เขียนพร้อมท์ต่อไปนี้ใหม่เพื่อลดการประดิษฐ์: "[PROMPT]" เพิ่มกฎสำหรับการอ้างอิงแหล่งที่มา ระบุระดับความเชื่อมั่น และ "บอกฉันหากคุณไม่แน่ใจ"
3. การออกแบบขั้นตอนการตรวจสอบ:
ในขั้นตอนการทำงานต่อไปนี้ [เวิร์กโฟลว์] ออกแบบขั้นตอนการตรวจสอบโดยมนุษย์สำหรับเอาต์พุต AI กำหนดว่าการตรวจสอบความถูกต้องควรเข้มงวดเพียงใดโดยพิจารณาจากต้นทุนของข้อผิดพลาด เขียนว่าใครจะตรวจสอบอะไรเมื่อไหร่
4. ร่างนโยบายการใช้งานอย่างรับผิดชอบ:
ร่าง "นโยบายการใช้ AI อย่างมีความรับผิดชอบ" หนึ่งหน้าสำหรับทีมใน [อุตสาหกรรม] รวมหัวข้อต่อไปนี้: การใช้งานที่ได้รับอนุญาต ข้อมูลที่ต้องห้าม ความรับผิดชอบในการตรวจสอบ การรายงานเพื่อความโปร่งใส การรายงานข้อผิดพลาด
ข้อผิดพลาดทั่วไป
- การปรับใช้โดยไม่มีการประเมิน: การเริ่มต้นโมเดลโดยไม่ต้องทดสอบด้วยข้อมูลของคุณเอง และสังเกตเห็นข้อผิดพลาดหลังจากที่สะท้อนให้เห็นในลูกค้า/งาน
- อาศัยภาพหลอน: การใช้ภาษาที่มั่นใจของแบบจำลองเป็นความจริงโดยไม่ต้องตรวจสอบการอ้างอิง
- ข้ามการตรวจสอบโดยมนุษย์: การไม่ตรวจสอบผลผลิตในการตัดสินใจที่มีต้นทุนสูง อาศัยการป้องกันแบบ "AI ทำได้"
- การหลีกเลี่ยงความโปร่งใส: การซ่อนการใช้ AI ของคุณ สูญเสียความมั่นใจเมื่อเกิดขึ้น
- การเพิกเฉยต่อหลักจริยธรรมและอคติ: การใช้การตัดสินใจที่ละเอียดอ่อน (การจ้างงาน การให้เครดิต) โดยไม่ตรวจสอบความเป็นธรรมของผลลัพธ์
โดยสรุป
- ก่อนที่จะปรับใช้โมเดล ให้ตั้งค่าชุดการประเมินขนาดเล็กด้วยข้อมูลของคุณเอง และทดสอบตัวเลือก การจัดอันดับโดยรวมไม่ได้แสดงถึงธุรกิจของคุณ
- ภาพหลอนคือการผลิตภาษาเท็จอย่างมั่นใจ บันทึกโดยการระบุแหล่งที่มา ระดับความไว้วางใจ และการตรวจสอบโดยมนุษย์
- ความเข้มงวดของการตรวจสอบโดยมนุษย์จะถูกปรับตามต้นทุนของข้อผิดพลาด ในพื้นที่วิกฤติ AI เป็นเพียงการสนับสนุน การตัดสินใจเป็นของมนุษย์
- ความโปร่งใส การควบคุมอคติ การรักษาความลับ และความรับผิดชอบ คือเสาหลักสี่ประการของการใช้ AI อย่างมีความรับผิดชอบ นโยบายหน้าเดียวป้องกันความเสี่ยงที่สำคัญ
งานสมัคร
ตั้งค่าชุดการประเมิน 15 ตัวอย่างด้วยเทมเพลต 1 ในหน่วยนี้ (การออกแบบชุดการประเมิน) สำหรับแบบจำลองที่คุณเลือกตลอดทั้งโมดูล และเปรียบเทียบแบบจำลองอย่างน้อยสองแบบกับชุดนี้ จากนั้น ออกแบบวิธีที่มนุษย์จะตรวจสอบผลลัพธ์ด้วยเทมเพลต 3 (ขั้นตอนการตรวจสอบความถูกต้อง) และร่างนโยบายหน้าเดียวสำหรับทีมของคุณด้วยเทมเพลต 4 (นโยบายการใช้งานอย่างมีความรับผิดชอบ) การส่งมอบทั้งสามนี้เปลี่ยนโมดูลทั้งหมดให้เป็นแผนการปรับใช้ที่ใช้งานได้
รายการตรวจสอบ
- [ ] ด้วยข้อมูลของฉันเอง ฉันสามารถตั้งค่าชุดการประเมินขนาดเล็กและเปรียบเทียบแบบจำลองได้
- [ ] ฉันสามารถรับรู้ถึงภาพหลอนและใช้มาตรการบรรเทาและจับกุมได้
- [ ] ฉันสามารถปรับความเข้มงวดในการตรวจสอบโดยมนุษย์โดยพิจารณาจากต้นทุนของข้อผิดพลาด
- [ ] ฉันสามารถฝังหลักการความโปร่งใส อคติ การรักษาความลับ และความรับผิดชอบไว้ในขั้นตอนการทำงานได้
- [ ] ฉันสามารถร่างนโยบายการใช้ AI ที่รับผิดชอบหนึ่งหน้าได้
การสอบโมดูล
1. อะไรคือความแตกต่างระหว่าง 'ผู้ให้บริการ' และ 'ตระกูลตัวอย่าง' ของ AI?
- A) ผู้ให้บริการคือบริษัทที่พัฒนาโมเดล และตระกูลโมเดลคือกลุ่มโมเดลของบริษัทนั้นภายใต้แบรนด์ ✔
- B) เป็นสิ่งเดียวกันทุกประการและใช้แทนกันได้
- C) ผู้ให้บริการคือราคาของรุ่น ตระกูลรุ่นคือความเร็วของรุ่น
- D) ตระกูลโมเดลหมายถึงบริษัท ซัพพลายเออร์หมายถึงเวอร์ชันโมเดลเดียว
คำอธิบาย: ผู้ให้บริการคือบริษัทที่พัฒนาแบบจำลอง (เช่น Anthropic) ตระกูลโมเดลคือกลุ่มโมเดลที่บริษัทนั้นรวบรวมภายใต้แบรนด์ (เช่น Claude) รุ่นโมเดลเป็นรุ่นเฉพาะภายในตระกูล
2. 'น้ำหนัก' ของแบบจำลองสามารถกำหนดได้แม่นยำที่สุดได้อย่างไร?
- A) คือจำนวนโทเค็นที่โมเดลสามารถผลิตได้ต่อนาที
- B) โมเดลเรียนรู้ระหว่างการฝึกและจัดเก็บข้อมูลเป็นพารามิเตอร์ตัวเลขหลายพันล้านพารามิเตอร์ ✔
- C) เป็นค่าสมัครสมาชิกรายเดือนของรุ่น
- D) คือจำนวนภาษาที่โมเดลรองรับ
คำอธิบาย: น้ำหนักคือพารามิเตอร์ตัวเลขนับพันล้านที่โมเดลเรียนรู้ระหว่างการฝึก เป็นที่จัดเก็บ 'ทุกสิ่งที่โมเดลรู้' ความแตกต่างน้ำหนักแบบปิด/ชัดเจนขึ้นอยู่กับว่าสามารถดาวน์โหลดและเรียกใช้พารามิเตอร์เหล่านี้ได้หรือไม่
3. ข้อความใดเป็นจริงเกี่ยวกับ 'open-weight' และ 'open-source'
- A) เป็นแนวคิดเดียวกันทุกประการ และให้นำไปใช้ในเชิงพาณิชย์ได้ไม่จำกัด
- B) Open Weight จะเปิดเผยข้อมูลการฝึกอบรมต่อสาธารณะเสมอเช่นกัน
- C) มันไม่เหมือนกัน ในการถ่วงน้ำหนักแบบเปิด โดยปกติแล้วจะมีการแชร์เฉพาะพารามิเตอร์เท่านั้น และเงื่อนไขสิทธิ์การใช้งานอาจจำกัดการใช้งานเชิงพาณิชย์ ✔
- D) ไม่สามารถดาวน์โหลดโมเดลโอเพ่นซอร์สได้ แต่สามารถดาวน์โหลดโมเดลโอเพ่นซอร์สได้
คำอธิบาย: ในการถ่วงน้ำหนักแบบเปิด จะมีการแบ่งใช้เฉพาะพารามิเตอร์โมเดลเท่านั้น ข้อมูลและกระบวนการฝึกอบรมมักไม่ได้รับการเปิดเผย และใบอนุญาตบางประเภทจะจำกัดการใช้งานเชิงพาณิชย์ ดังนั้น 'น้ำหนักเปิด' จึงไม่เหมือนกับ 'โอเพ่นซอร์ส' ทุกประการ
4. ข้อใดต่อไปนี้เป็นคุณลักษณะแบบจำลองที่สำคัญที่สุดสำหรับทีมกฎหมายที่อ่านและวิเคราะห์สัญญาระยะยาว
- A) มีราคาโทเค็นต่ำที่สุด
- B) มีความสามารถในการประมวลผลภาพ (หลายรูปแบบ)
- C) มีใบอนุญาตน้ำหนักแบบเปิด
- D) มีหน้าต่างบริบทที่กว้าง ✔
คำอธิบาย: โมเดลต้องการหน้าต่างบริบทขนาดใหญ่เพื่อประมวลผลเอกสารขนาดยาวโดยรวม หน้าต่างบริบทคือจำนวนโทเค็นทั้งหมดที่โมเดลสามารถจดจำได้ในแต่ละครั้ง
5. ข้อใดเป็นจริงเกี่ยวกับการกำหนดราคาโทเค็นสำหรับโมเดลน้ำหนักปิด
- A) โทเค็นเอาต์พุตมักจะมีราคาแพงกว่าโทเค็นอินพุตอย่างมาก ✔
- B) อินพุตและเอาต์พุตจะมีราคาเท่ากันเสมอ
- C) เรียกเก็บเฉพาะค่าธรรมเนียมรายเดือนคงที่ จำนวนการใช้งานไม่เกี่ยวข้อง
- D) โทเค็นอินพุตมีราคาแพงกว่าเอาต์พุตหลายเท่าเสมอ
คำอธิบาย: ราคาจะคำนวณต่อโทเค็น และโทเค็นเอาต์พุตที่โมเดลสร้างขึ้นมักจะมีราคาแพงกว่าโทเค็นอินพุตที่คุณส่งหลายเท่า ดังนั้นการพิมพ์ที่ยาวและไม่จำเป็นจะทำให้ต้นทุนเพิ่มขึ้นอย่างรวดเร็ว
6. คุณลักษณะใดในแบบจำลองที่จำเป็นสำหรับทีมบัญชีที่ต้องการดึงข้อมูลจากรูปภาพใบแจ้งหนี้โดยอัตโนมัติ
- A) หน้าต่างบริบทที่กว้างที่สุดเท่าที่จะเป็นไปได้
- B) ความหลากหลาย (ความสามารถในการประมวลผลภาพ) ✔
- C) ใบอนุญาตน้ำหนักแบบเปิด
- D) ระดับสูงสุดของการใช้เหตุผล
คำอธิบาย: เพื่อให้เข้าใจเนื้อหาที่เป็นภาพ โมเดลจะต้องสามารถประมวลผลรูปภาพและข้อความได้ กล่าวคือ จะต้องเป็นแบบหลายรูปแบบ Multimodality คือความสามารถของโมเดลในการจัดการข้อมูลหลายประเภท เช่น ข้อความ รูปภาพ และบางครั้งเสียง
7. ข้อใดคือตัวเลือกที่สมเหตุสมผลที่สุดสำหรับงานง่ายๆ ที่มีปริมาณมากและ (เช่น การจัดหมวดหมู่เชิงบวก/เชิงลบของบทวิจารณ์นับพันรายการ)
- A) รูปแบบการให้เหตุผลที่แข็งแกร่งที่สุดและแพงที่สุดเสมอ
- B) โมเดลที่ใช้งานได้เฉพาะบนน้ำหนักเปิดและบนเซิร์ฟเวอร์ของตัวเองเท่านั้น
- C) รุ่นน้ำหนักเบาและราคาประหยัด เพราะงานง่ายและมีปริมาณมาก ✔
- D) โมเดลที่มีหน้าต่างบริบทกว้างที่สุด
คำอธิบาย: โมเดลราคาประหยัดน้ำหนักเบาช่วยแก้ปัญหางานง่ายๆ ในปริมาณมาก การใช้โมเดลที่ทรงพลังและมีราคาแพงที่สุดทำให้เกิดต้นทุนที่ไม่จำเป็นที่นี่ แนวทางที่ถูกต้องคือการจับคู่ความยากของงานกับระดับโมเดล
8. อะไรทำให้เกิดการส่งข้อความที่มีข้อมูลส่วนบุคคลไปยังผู้ให้บริการ AI ในต่างประเทศในแง่ของ KVKK
- ก) ไม่สร้างความรับผิดทางกฎหมายใดๆ
- B) สำคัญเฉพาะในกรณีที่ผู้ให้บริการอยู่ในสหภาพยุโรปเท่านั้น ในกรณีอื่น ๆ
- C) ห้ามโดยเด็ดขาดในทุกสถานการณ์ ไม่ว่าข้อมูลนั้นจะไม่เปิดเผยตัวตนหรือไม่ก็ตาม
- D) การถ่ายโอนข้อมูลไปต่างประเทศถือเป็นการพิจารณาและอยู่ภายใต้เงื่อนไขพิเศษของ KVKK ✔
คำอธิบาย: ข้อมูลการดำเนินงานบนเซิร์ฟเวอร์ของผู้ให้บริการในต่างประเทศถือเป็น 'การถ่ายโอนข้อมูลไปต่างประเทศ' และอยู่ภายใต้เงื่อนไขพิเศษของ KVKK ในหัวข้อนี้ (เช่น การยินยอมอย่างชัดแจ้ง การตัดสินใจที่เพียงพอ การรับรองที่เหมาะสม)
9. โหมด 'การให้เหตุผล' ของแบบจำลองทำหน้าที่อะไร และส่งผลต่อต้นทุนอย่างไร
- A) เพิ่มความแม่นยำในปัญหาที่ซับซ้อน แต่เพิ่มต้นทุนและความล่าช้าเนื่องจากสร้างโทเค็นมากขึ้น ✔
- B) ทำให้โมเดลเป็นอิสระเสมอ
- C) เพิ่มจำนวนภาษาที่โมเดลรองรับเท่านั้น
- D) ย่อคำตอบให้สั้นลงและลดต้นทุนเสมอ
คำอธิบาย: โหมดการใช้เหตุผลช่วยให้แบบจำลอง 'คิด' ทีละขั้นตอนก่อนที่จะให้คำตอบ เพิ่มความแม่นยำในปัญหาหลายขั้นตอนและซับซ้อน แต่ยังเพิ่มต้นทุนและความล่าช้าเนื่องจากสร้างโทเค็นมากขึ้น
10. อะไรคือแนวทางที่เชื่อถือได้มากที่สุดในการประเมิน (ประเมิน) โมเดลสำหรับธุรกิจของคุณเอง?
- A) เพียงแค่เลือกรุ่นที่ได้รับความนิยมสูงสุดแล้วใช้งานโดยไม่ต้องทดสอบ
- B) ตั้งค่าชุดทดสอบเล็กๆ ของงานจริงของคุณเอง และเปรียบเทียบแบบจำลองกับมัน ✔
- C) เพียงดูคะแนนมาตรฐานที่กล่าวถึงในโฆษณา
- D) ยอมรับโมเดลที่มีหน้าต่างบริบทสูงสุดว่าดีที่สุดโดยอัตโนมัติ
คำอธิบาย: แทนที่จะสุ่มสี่สุ่มห้าพึ่งพาลีดเดอร์บอร์ด การสร้างชุดทดสอบเล็กๆ ของงานจริงของคุณเองและการเปรียบเทียบแบบจำลองในชุดนี้จะเผยให้เห็นรูปแบบที่เหมาะกับธุรกิจของคุณจริงๆ
11. ความรู้ที่ว่าโมเดลเอาท์พุตอาจมี 'ภาพหลอน' ส่งผลต่อกระบวนการทำงานของคุณอย่างไร
- A) ผลงานควรได้รับการพิจารณาว่าถูกต้องและเผยแพร่โดยตรง
- B) อาการประสาทหลอนพบเห็นได้ในรุ่นฟรีเท่านั้น ไม่เห็นในรุ่นที่ต้องชำระเงิน
- C) ในการตัดสินใจที่สำคัญ ผลลัพธ์จะต้องได้รับการตรวจสอบโดยมนุษย์และแหล่งที่มาจะต้องได้รับการยืนยัน ✔
- D) อาการประสาทหลอนสามารถกำจัดได้อย่างสมบูรณ์โดยเพียงแค่เปลี่ยนแบบจำลอง
คำอธิบาย: ภาพหลอนเกิดขึ้นเมื่อแบบจำลองสร้างข้อมูลที่ไม่เป็นความจริงในภาษาที่มั่นใจ เนื่องจากความเสี่ยงนี้ จึงจำเป็นต้องมีการตรวจสอบผลลัพธ์โดยมนุษย์ โดยเฉพาะอย่างยิ่งสำหรับการตัดสินใจทางกฎหมาย ทางการแพทย์ และทางการเงิน
12. อะไรคือตรรกะพื้นฐานของแนวทาง 'โมเดลพอร์ตโฟลิโอ' ที่สถาบันที่มีวุฒิภาวะนำมาใช้?
- A) เพื่อให้เกิดความเรียบง่ายโดยให้ทุกงานเสร็จในโมเดลเดียวและมีราคาแพงที่สุด
- B) ใช้เฉพาะรุ่นที่ถูกที่สุดและละเลยคุณภาพโดยสิ้นเชิง
- C) ห้ามใช้โมเดลใดๆ และทำงานทั้งหมดด้วยตนเอง
- D) การเพิ่มประสิทธิภาพต้นทุนและลดการพึ่งพาผู้ให้บริการรายเดียวโดยใช้โมเดลที่แตกต่างกันตามงาน ✔
คำอธิบาย: พอร์ตโฟลิโอโมเดลคือการใช้โมเดลที่แตกต่างกันตามงาน: โมเดลราคาถูกสำหรับงานง่ายและเทอะทะ, โมเดลทรงพลังสำหรับงานที่ซับซ้อน, โมเดลน้ำหนักเปิด/แบบจำลองภูมิภาคสำหรับข้อมูลที่เป็นความลับ สิ่งนี้ทั้งปรับต้นทุนให้เหมาะสมและลดการพึ่งพาผู้ให้บริการรายเดียว
13. เหตุใดประเทศต้นทางและนโยบายการเก็บรักษาข้อมูลจึงเป็นเกณฑ์ในการเลือกแบบจำลอง?
- ก) เนื่องจากมีผลกระทบโดยตรงต่อข้อกำหนดด้านกฎระเบียบ อธิปไตยของข้อมูล และความเป็นส่วนตัว ✔
- B) เพียงเพราะมันกำหนดความเร็วการตอบสนองของโมเดลเท่านั้น
- C) เนื่องจากจะกำหนดรูปแบบไฟล์ที่โมเดลรองรับ
- D) เนื่องจากไม่มีผลในทางปฏิบัติ จึงเป็นเพียงรายละเอียดทางการตลาดเท่านั้น
คำอธิบาย: ประเทศที่ผู้พัฒนาโมเดลตั้งอยู่ และสถานที่/จำนวนข้อมูลที่ถูกจัดเก็บ เป็นสิ่งที่ชี้ขาดในแง่ของกฎระเบียบทางกฎหมาย อธิปไตยของข้อมูล และความเป็นส่วนตัว ตัวอย่างเช่น สำหรับองค์กรที่ต้องการโฮสต์ภายในสหภาพยุโรป ผู้ให้บริการระดับภูมิภาคหรือตัวเลือกพื้นที่เก็บข้อมูลแบบศูนย์จึงมีความสำคัญ
14. ข้อใดอธิบายได้ดีที่สุดว่าทำไมการมองหา 'โมเดลที่ดีที่สุดเพียงตัวเดียว' ในงานจึงทำให้เข้าใจผิด
- A) จริงๆ แล้วทุกรุ่นมีความสามารถเหมือนกันทุกประการ
- B) โมเดลมีความเข้มแข็งในขนาดที่แตกต่างกัน ดังนั้น 'ดีที่สุด' ขึ้นอยู่กับความต้องการของงาน ✔
- C) รุ่นที่แพงที่สุดจะดีที่สุดโดยอัตโนมัติในทุกงาน
- D) การเลือกแบบจำลองควรทำแบบสุ่มโดยสมบูรณ์
คำอธิบาย: โมเดลมีความแข็งแกร่งในมิติต่างๆ เช่น ความเร็ว ต้นทุน บริบท ความหลากหลาย ความเป็นส่วนตัว และการใช้เหตุผล โมเดลที่เป็นผู้นำในมิติหนึ่งอาจอ่อนแอในอีกมิติหนึ่ง ดังนั้น 'ดีที่สุด' ขึ้นอยู่กับความต้องการของงานเสมอ