End-to-End Application: Pagsusuri, Pagpapatunay, Etika at Mga Hangganan

Mga nadagdag:

• Kakayahang mag-set up ng maliit na set ng pagsubok (eval) na sinusuri ang isang modelo gamit ang sarili mong data
• I-embed ang pag-verify ng tao, mga limitasyon at patakaran sa responsableng paggamit sa daloy ng trabaho
• Kilalanin ang guni-guni, privacy at etikal na mga panganib at ipatupad ang mga hakbang sa pagpapagaan

Napili mo ang tamang modelo; Tapos na ba ang trabaho? Hindi, ang tunay na gawain ay magsisimula na ngayon. Ang paglalagay ng modelo sa iyong negosyo ay bumaba sa pagsubok nito laban sa sarili mong data, pagpapatunay ng output nito, at pag-frame nito nang responsable. Ginagawa ng panghuling unit na ito ang buong module sa isang end-to-end na application: matututunan mo kung paano mag-set up ng maliit na test suite (eval), mag-embed ng human verification sa workflow, pamahalaan ang mga panganib sa hallucination at privacy, at gumuhit ng mga etikal na hangganan. Kapag natapos na ang yunit, mabibigyan ka ng kagamitan upang hindi lamang pumili ng modelo kundi i-commission din ito nang may kumpiyansa.

Pagsusuri (Eval): Pagsubok gamit ang Iyong Sariling Data

Ngayon alam mo na na ang iyong aktwal na data lang, hindi ang mga ad, ang makakapagsabi kung ang isang modelo ay akma sa iyong negosyo. Ang paraan para sukatin ito ay ang pag-set up ng set ng pagsusuri (eval): isang maliit na koleksyon ng mga sample mula sa iyong trabaho kung saan alam ang tamang sagot.

Ang isang simpleng eval ay naka-set up tulad nito:

1. Mangolekta ng 10-30 totoong sample. Pumili ng mga input na karaniwan sa iyong trabaho (paghaluin ang mahirap at madali).
2. Tukuyin ang "tama/inaasahang output" para sa bawat halimbawa. Ano ang isasagot ng isang eksperto?
3. Patakbuhin ang mga kandidato sa parehong mga halimbawa. Subukan ang mga modelong inihahambing mo nang paisa-isa sa parehong hanay.
4. Markahan ang mga resulta. Sa ilang halimbawa ito totoo? Saan siya nagkamali? Katanggap-tanggap ba ang mga pagkakamali?
5. Ihambing at piliin. Piliin hindi ang pinakamataas na kabuuang marka, ngunit ang isa na pinaka-maaasahan sa mga pinaka-kritikal na halimbawa para sa iyo.

Tip: Huwag bulag na magtiwala sa mga leaderboard. Ang isang modelo ay maaaring unang ranggo sa buong mundo, ngunit gumaganap nang mas malala kaysa sa pangalawang lugar na modelo sa iyong mga partikular na Turkish legal na teksto. Ang iyong sariling eval ng 20 sample ay nagkakahalaga ng higit sa daan-daang pampublikong pagsubok.

Halucination: Ang Pinakamalalang Panganib ng Modelo

Ang guni-guni ay kapag ang modelo ay gumagawa ng impormasyon na hindi talaga totoo, sa isang tiwala na wika. Sa halip na sabihing "Hindi ko alam," ang modelo ay maaaring gumawa ng isang hindi umiiral na piraso ng batas, isang gawa-gawang istatistika, o isang maling petsa; Bukod dito, ginagawa niya ito sa isang lubhang nakakumbinsi na wika. Ito ang pinaka-mapanganib na aspeto ng AI dahil ang error ay nagpapanggap bilang katotohanan.

Hindi mo ganap na maalis ang guni-guni, ngunit maaari mo itong bawasan at mahuli:

• Ibase ito sa pinagmulan: Hilingin sa modelo na bumuo ng mga sagot mula sa mga dokumentong ibinigay mo, hindi mula sa sarili nitong "memorya" (RAG logic).
• Humiling ng mga mapagkukunan: Sabihin, "Sa tabi ng bawat paghahabol, isulat ang dokumento/seksyon kung saan ito batay"; Kung hindi siya makapagbigay ng source, maghinala.
• Ang pagpapaalam sa mga tao na sabihing hindi sila sigurado: Ang pagtuturo na "Kung hindi ka sigurado, isulat ang 'hindi malinaw'" ay binabawasan ang pagkakaangkop ng modelo.
• Pag-verify ng tao: Ang mga kritikal na output ay dapat na ma-verify ng isang tao.

Mag-ingat: Huwag kailanman gumamit ng output ng modelo nang hindi ito pinapatunayan para sa mga legal, medikal o pinansyal na desisyon. Ang isang "artikulo ng batas" o "impormasyon sa dosis" na ginawa ng modelo ay maaaring ganap na gawa-gawa. Sa mga lugar na ito, ang AI ay isang draft/preliminary tool; Ang isang karampatang tao ay palaging may huling salita.

Kinakailangan para sa Pagpapatunay ng Tao

Pinakamahusay na gumagana ang artificial intelligence bilang isang tool na nagpapabilis sa mga tao, hindi nagpapaalis sa kanila sa trabaho. Ang tamang pag-setup ay ang mga sumusunod: gumagawa o nag-pre-qualify sa draft ng modelo; ang mga pagsusuri, itinatama, at inaaprobahan ng tao. Kung gaano kahigpit ang pag-verify ay depende sa halaga ng error.

Paghanap

Gastos ng error

pagpapatunay ng tao

draft ng paglalarawan ng produkto

mababa

Sapat na ang sample control

Tugon sa email ng customer

daluyan

Pagsusuri bago ang pagsusumite

Pagsusuri ng panganib sa kontrata

mataas

Artikulo sa pamamagitan ng artikulo ng pagkumpirma ng eksperto

Medikal/pinansyal na payo

napakataas

Buong pag-verify ng eksperto, suporta sa AI lang

Tinatamaan ng talahanayang ito ang balanse sa pagitan ng "manu-manong pagsuri sa bawat output" at "hindi pagsuri sa lahat." Bagama't sapat ang sample control para sa mga murang trabaho, dapat na ma-verify ang bawat output para sa mga trabahong may mataas na presyo.

Etikal at Responsableng Paggamit

Bagama't ang pagpili ng modelo ay maaaring mukhang isang teknikal na desisyon, may mga etikal na responsibilidad sa likod nito:

• Transparency: Ipaalam sa iyong mga customer o empleyado na gumagamit ka ng AI sa mga naaangkop na lugar. Ang isang customer ay may karapatang malaman kung nakikipag-usap sila sa isang tao o AI.
• Bias: Maaaring magmana ng bias ang mga modelo mula sa data kung saan sila sinanay. Subaybayan ang pagiging patas ng mga resulta sa mga sensitibong lugar gaya ng recruitment at credit assessment.
• Privacy: I-embed ang mga prinsipyo sa proteksyon ng data na natutunan mo sa unit 8 sa workflow; Huwag magpadala ng personal na data nang walang ingat.
• Pananagutan: Kapag nagkamali, hindi sapat ang pagtatanggol ng "AI made it". Ang responsibilidad ay nakasalalay sa institusyong gumagamit ng sasakyan. Kaya mga proseso ng pag-verify ng dokumento.

Tip: Sumulat ng kaunting “responsableng patakaran sa paggamit” sa iyong workflow: anong mga trabaho ang maaaring gumamit ng AI, anong data ang hindi maipadala, sino ang magbe-verify nito, at kung paano iuulat ang mga error. Pinipigilan ng isang pahinang dokumentong ito ang mga malalaking problema sa hinaharap.

Tatlong Makatotohanang Kaso

Kaso 1 — Panghihinayang nang hindi nagtatag ng eval. Nagsisimula ang isang pangkat ng insurance sa pagbubuod ng mga claim nang hindi sinusuri ang pinakasikat na modelo. Pagkalipas ng dalawang linggo, napagtanto nila na ang modelo ay madalas na nagkakamali sa mga teknikal na termino ng Turkish at nagbabasa ng ilang halaga nang hindi tama. Kapag nag-set up sila ng eval ng 20 sample at inihambing ang tatlong modelo, lumipat sila sa modelong hindi pinakasikat ngunit mas tumpak sa mga teknikal na teksto ng Turkish. Ang pagkawala: dalawang linggo at proofreading labor. Lesson: eval muna, deploy mamaya.

Kaso 2 — Ang prosesong kumukuha ng guni-guni. Nakikita ng isang paralegal ang isang sanggunian na "desisyon ng Korte Suprema" sa modelong printout. Dahil ang kanilang proseso ay may panuntunang "i-verify ang bawat sanggunian", hinahanap niya ang desisyon at nalaman niyang walang ganoong desisyon ang umiiral; Gumawa siya ng isang modelo. Salamat sa pag-verify ng tao, ang gawa-gawang impormasyon ay hindi nakakarating sa kliyente. Kung wala ang panuntunan sa pag-verify, maaaring malubha ang pagkawala ng reputasyon.

Kaso 3 — Magtiwala nang may transparency. Ang isang e-commerce na kumpanya ay gumagawa ng mga tugon sa suporta sa customer gamit ang AI, ngunit nagdaragdag ng isang tala sa ilalim ng bawat tugon: "Ang tugon na ito ay inihanda gamit ang suporta sa artificial intelligence at sinuri ng isa sa aming mga kinatawan." Mas nasisiyahan ang mga customer sa parehong mabilis na pagtugon at kumpiyansa na makita ang isang tao na nakikipag-ugnayan. Ang transparency ay hindi isang kahinaan upang itago, ngunit isang mapagkukunan ng tiwala.

Mahinang Prompt / Malakas na Prompt: Na-verify na Output

Mahinang prompt:

Sabihin sa akin ang tungkol sa mga mapanganib na sugnay ng kontratang ito.

Maaaring magkasya ang modelo; walang pinagmulan, walang senyales ng kawalan ng katiyakan.

Napakahusay na prompt:

Ang iyong tungkulin: contract analyst (ang huling desisyon ay pag-aari ng isang abogado). Gawain: I-highlight ang mga potensyal na peligrosong sugnay sa sumusunod na kontrata. Para sa bawat paghahanap: (1) numero ng sugnay at verbatim quote, (2) kung bakit ito mapanganib, (3) antas ng iyong kumpiyansa (mataas/medium/mababa). Umasa lamang sa mga sugnay sa teksto; Huwag gumawa ng anumang bagay na wala sa teksto. Kung hindi ka sigurado, isulat ang "kinakailangan ang kumpirmasyon ng abogado". [kontrata]

Iniuugnay ng malakas na prompt ang bawat claim sa pinagmulan (numero ng artikulo + pagsipi), nangangailangan ng antas ng kumpiyansa, at ipinagbabawal ang paggawa; Ginagawa nitong madaling mahuli ang hallucination.

Mga Kopyadong Template

1. Disenyo ng hanay ng Eval:

Magdisenyo ng set ng pagsusuri para sa sumusunod na gawain [GAWAIN]. Magmungkahi ng 15 sample na input (pinaghalong easy-medium-difficult), kung paano tutukuyin ang "inaasahang tamang output" para sa bawat isa, at tukuyin ang criterion ng pagmamarka (1-5).

2. Ballot na nakakabawas sa hallucination:

Isulat muli ang sumusunod na prompt upang bawasan ang katha: "[PROMPT]". Magdagdag ng mga panuntunan para sa pagbanggit ng mga pinagmulan, pagtukoy ng mga antas ng kumpiyansa, at "sabihin sa akin kung hindi ka sigurado."

3. Disenyo ng daloy ng pag-verify:

Sa sumusunod na daloy ng trabaho [WORKFLOW] Magdisenyo ng hakbang sa pag-verify ng tao para sa output ng AI. Tukuyin kung gaano kahigpit dapat ang pag-verify batay sa halaga ng error; isulat kung sino ang susuriin kung ano, kailan.

4. Bumuo ng responsableng patakaran sa paggamit:

Bumuo ng isang pahinang "responsableng patakaran sa paggamit ng AI" para sa isang team sa [INDUSTRY]. Isama ang mga sumusunod na heading: pinahihintulutang paggamit, ipinagbabawal na data, responsibilidad sa pag-verify, pag-uulat ng transparency, pag-uulat ng error.

Mga karaniwang pagkakamali

• Pag-deploy nang walang Eval: Sinisimulan ang modelo nang hindi sinusubok ito gamit ang sarili mong data at napapansin ang mga error pagkatapos na maipakita ang mga ito sa customer/trabaho.
• Pag-asa sa guni-guni: Paggamit ng tiwala na wika ng modelo bilang katotohanan nang hindi bini-verify ang mga sanggunian.
• Pag-bypass sa pag-verify ng tao: Pag-iiwan sa output na hindi naka-check sa mga desisyon na may mataas na halaga; Nakasandal sa "AI did it" defense.
• Pag-iwas sa transparency: Pagtatago ng iyong paggamit ng AI; nakakaranas ng pagkawala ng kumpiyansa kapag nangyari ito.
• Pagbabalewala sa etika at bias: Paggamit ng mga sensitibong desisyon (pag-hire, kredito) nang hindi sinusubaybayan ang pagiging patas ng output.

Sa buod

• Bago mag-deploy ng modelo, mag-set up ng maliit na eval set gamit ang sarili mong data at subukan ang mga kandidato; Ang pangkalahatang mga ranggo ay hindi kumakatawan sa iyong negosyo.
• Ang hallucination ay ang kumpiyansa na paggawa ng modelo ng maling wika; Nakuha sa pamamagitan ng pagpapatungkol sa pinagmulan, antas ng tiwala, at pagpapatunay ng tao.
• Ang kahigpitan ng pagpapatunay ng tao ay nababagay ayon sa halaga ng pagkakamali; Sa mga kritikal na lugar AI ay suporta lamang, ang desisyon ay tao.
• Transparency, bias control, confidentiality at accountability; ay ang apat na haligi ng responsableng paggamit ng AI. Pinipigilan ng patakaran ng isang pahina ang malalaking panganib.

Gawain ng aplikasyon

Mag-set up ng set ng pagsusuri ng 15 halimbawa na may template 1 sa unit na ito (eval set design) para sa (mga) kandidatong modelo na iyong pinili sa buong module at ihambing ang hindi bababa sa dalawang modelo laban sa set na ito. Pagkatapos ay idisenyo kung paano mabe-verify ng mga tao ang output na may template 3 (daloy ng pagpapatunay) at mag-draft ng isang pahinang patakaran para sa iyong team na may template 4 (patakaran sa responsableng paggamit). Ginagawa ng tatlong maihahatid na ito ang buong module sa isang maisasagawang plano sa pag-deploy.

checklist

• [ ] Gamit ang sarili kong data, maaari akong mag-set up ng maliit na eval set at maghambing ng mga modelo.
• [ ] Nakikilala ko ang mga guni-guni at naglalapat ng mga hakbang sa pagpapagaan at pag-aresto.
• [ ] Maaari kong ayusin ang kahigpitan ng pag-verify ng tao batay sa halaga ng error.
• [ ] Maaari kong i-embed ang mga prinsipyo ng transparency, bias, confidentiality at accountability sa workflow.
• [ ] Maaari akong bumalangkas ng isang pahinang responsableng patakaran sa paggamit ng AI.

Pagsusulit sa Module

1. Ano ang pagkakaiba sa pagitan ng isang 'provider' ng AI at isang 'modelong pamilya'?

• A) Ang provider ay ang kumpanyang bumuo ng modelo, at ang modelong pamilya ay ang modelong grupo ng kumpanyang iyon sa ilalim ng isang tatak ✔
• B) Ang mga ito ay eksaktong magkaparehong bagay at ginagamit nang palitan
• C) Provider ay ang presyo ng modelo, modelo pamilya ay ang bilis ng modelo.
• D) Ang pamilya ng modelo ay tumutukoy sa kumpanya, ang supplier ay tumutukoy sa isang solong bersyon ng modelo

Paglalarawan: Ang provider ay ang kumpanyang bumuo ng modelo (hal. Anthropic); Ang pamilya ng modelo ay ang pangkat ng modelo na kinokolekta ng kumpanyang iyon sa ilalim ng isang brand (halimbawa, Claude). Ang bersyon ng modelo ay isang partikular na bersyon sa loob ng pamilya.

2. Paano mas tumpak na matukoy ang 'mga timbang' ng isang modelo?

• A) Ito ang bilang ng mga token na maaaring gawin ng modelo kada minuto
• B) Ito ay ang bilyun-bilyong mga numerical na parameter na natutunan ng modelo sa panahon ng pagsasanay at nag-iimbak ng impormasyon nito. ✔
• C) Ito ang buwanang bayad sa subscription ng modelo
• D) Ito ang bilang ng mga wikang sinusuportahan ng modelo

Paglalarawan: Ang mga timbang ay bilyun-bilyong numerong parameter na natutunan ng modelo sa panahon ng pagsasanay; Dito nakaimbak ang 'lahat ng alam ng modelo'. Ang sarado/hayagang pagkakaiba sa timbang ay nakasalalay sa kung ang mga parameter na ito ay maaaring ma-download at tumakbo.

3. Aling pahayag ang totoo tungkol sa 'open-weight' at 'open-source'?

• A) Ang mga ito ay eksakto ang parehong mga konsepto at parehong nagbibigay ng walang limitasyong komersyal na paggamit
• B) Ang bukas na timbang ay palaging ginagawang pampubliko din ang data ng pagsasanay
• C) Hindi ito ang parehong bagay; Sa open weighting, kadalasan ay mga parameter lang ang ibinabahagi at maaaring limitahan ng mga tuntunin ng lisensya ang komersyal na paggamit ✔
• D) Hindi mada-download ang mga modelong open source, maaaring ma-download ang mga modelong open weight

Paliwanag: Sa open weighting, mga parameter lang ng modelo ang ibinabahagi; Ang data at proseso ng pagsasanay ay madalas na hindi isiwalat, at nililimitahan ng ilang lisensya ang komersyal na paggamit. Kaya ang 'open weight' ay hindi eksaktong kapareho ng 'open source'.

4. Alin sa mga sumusunod ang pinaka mapagpasyang tampok na modelo para sa isang legal na pangkat na nagbabasa at nagsusuri ng mahabang kontrata?

• A) Ang pagkakaroon ng pinakamababang presyo ng token
• B) Ang pagkakaroon ng visual (multimodal) na kakayahan sa pagproseso
• C) Pagkakaroon ng open weight license
• D) Pagkakaroon ng malawak na window ng konteksto ✔

Paliwanag: Ang modelo ay nangangailangan ng isang malaking window ng konteksto upang maproseso ang mahahabang dokumento sa kabuuan; Ang window ng konteksto ay ang kabuuang halaga ng mga token na maaaring tandaan ng modelo sa isang pagkakataon.

5. Alin ang totoo tungkol sa pagpepresyo ng token para sa mga modelong closed weight?

• A) Ang output token ay karaniwang mas mahal kaysa sa input token ✔
• B) Ang input at output ay palaging eksaktong parehong presyo
• C) Nakapirming buwanang bayad lamang ang sinisingil, ang halaga ng paggamit ay hindi nauugnay
• D) Ang input token ay palaging maraming beses na mas mahal kaysa sa output

Paliwanag: Ang presyo ay kinakalkula sa bawat token, at ang output token na ginagawa ng modelo ay karaniwang ilang beses na mas mahal kaysa sa input token na iyong ipinadala. Samakatuwid, ang mahaba at hindi kinakailangang mga printout ay mabilis na nagdaragdag ng mga gastos.

6. Aling feature sa isang modelo ang mahalaga para sa isang accounting team na gustong awtomatikong mag-extract ng data mula sa mga larawan ng invoice?

• A) Pinakamalawak na posibleng window ng konteksto
• B) Multimodality (biswal na kakayahan sa pagproseso) ✔
• C) Lisensya sa bukas na timbang
• D) Ang pinakamataas na antas ng pangangatwiran

Paliwanag: Upang maunawaan ang visual na nilalaman, dapat na kayang iproseso ng modelo ang mga imahe pati na rin ang teksto, iyon ay, dapat itong multimodal. Ang multimodality ay ang kakayahan ng modelo na pangasiwaan ang maraming uri ng data, gaya ng text, mga larawan, at kung minsan ay audio.

7. Ano ang pinakalohikal na pagpipilian para sa isang mataas na dami, simpleng gawain (hal. positibo/negatibong pag-uuri ng libu-libong review)?

• A) Palaging ang pinakamatibay at pinakamahal na modelo ng pangangatwiran
• B) Isang modelo na gumagana lamang sa bukas na timbang at sa sarili nitong server
• C) Isang magaan at murang modelo, dahil simple ang gawain at mataas ang volume ✔
• D) Ang modelo na may pinakamalawak na window ng konteksto

Paglalarawan: Ang isang magaan, murang modelo ang gumagawa ng lansihin para sa mga simple, mataas na dami ng mga gawain; Ang paggamit ng pinakamalakas at mamahaling modelo ay lumilikha ng mga hindi kinakailangang gastos dito. Ang tamang diskarte ay upang itugma ang kahirapan ng gawain sa tier ng modelo.

8. Ano ang nagti-trigger sa pagpapadala ng text na naglalaman ng personal na data sa isang dayuhang tagapagbigay ng AI sa mga tuntunin ng KVKK?

• A) Hindi ito lumilikha ng anumang legal na pananagutan
• B) Mahalaga lamang kung ang provider ay nasa EU, sa walang ibang kaso
• C) Ito ay mahigpit na ipinagbabawal sa ilalim ng lahat ng pagkakataon, hindi alintana kung ang data ay hindi nagpapakilala o hindi
• D) Ang paglipat ng data sa ibang bansa ay isinasaalang-alang at napapailalim sa mga espesyal na kondisyon ng KVKK ✔

Paliwanag: Ang pagpapatakbo ng data sa mga server ng isang provider sa ibang bansa ay itinuturing na 'paglipat ng data sa ibang bansa' at napapailalim sa mga espesyal na kundisyon ng KVKK sa paksang ito (tulad ng tahasang pagpayag, kasapatan na desisyon, naaangkop na mga kasiguruhan).

9. Ano ang ginagawa ng 'reasoning' mode ng isang modelo at paano ito nakakaapekto sa gastos?

• A) Pinapataas nito ang katumpakan sa mga kumplikadong problema, ngunit pinatataas ang gastos at pagkaantala habang bumubuo ito ng higit pang mga token ✔
• B) Palaging ginagawang libre ang modelo
• C) Pinapataas lamang ang bilang ng mga wikang sinusuportahan ng modelo
• D) Palaging paikliin ang mga sagot at bawasan ang gastos

Paglalarawan: Ang mode ng pangangatwiran ay nagbibigay-daan sa modelo na 'mag-isip' hakbang-hakbang bago ibigay ang sagot; Pinapataas nito ang katumpakan sa maraming hakbang at kumplikadong mga problema, ngunit pinapataas din nito ang gastos at pagkaantala dahil bumubuo ito ng higit pang mga token.

10. Ano ang pinaka maaasahang diskarte kapag sinusuri (eval) ang isang modelo para sa iyong sariling negosyo?

• A) Pagpili lamang ng pinakasikat na modelo at ginagamit ito nang walang pagsubok
• B) Mag-set up ng maliit na test set ng sarili mong mga totoong gawain at ihambing ang mga modelo dito ✔
• C) Tinitingnan lamang ang benchmark na marka na binanggit sa mga advertisement
• D) Awtomatikong tanggapin ang modelo na may pinakamataas na window ng konteksto bilang pinakamahusay

Paliwanag: Sa halip na bulag na umasa sa mga leaderboard, ang paggawa ng isang maliit na set ng pagsubok ng sarili mong mga tunay na gawain at paghahambing ng mga modelo sa set na ito ay magpapakita ng isa na talagang nababagay sa iyong negosyo.

11. Paano dapat hubugin ng kaalaman na ang output ng modelo ay naglalaman ng 'mga guni-guni' sa iyong daloy ng trabaho?

• A) Ang output ay dapat palaging ituring na tama at direktang nai-publish
• B) Ang hallucination ay makikita lamang sa mga libreng modelo, hindi sa mga binabayarang modelo
• C) Sa mga kritikal na desisyon, ang output ay dapat ma-verify ng isang tao at ang mga source ay dapat kumpirmahin ✔
• D) Ang guni-guni ay maaaring ganap na maalis sa pamamagitan lamang ng pagpapalit ng modelo

Paliwanag: Ang guni-guni ay kapag ang modelo ay gumagawa ng impormasyon na hindi talaga totoo, sa isang tiwala na wika. Dahil sa panganib na ito, ang pag-verify ng output ng isang tao ay dapat na kailanganin, lalo na para sa mga legal, medikal at pinansyal na desisyon.

12. Ano ang pangunahing lohika ng 'modelong portfolio' na diskarte na pinagtibay ng mga mature na institusyon?

• A) Upang matiyak ang pagiging simple sa pamamagitan ng paggawa ng bawat trabaho ng isang solong, pinakamahal na modelo.
• B) Gamit lamang ang pinakamurang modelo at ganap na binabalewala ang kalidad
• C) Huwag gumamit ng anumang mga modelo at gawin ang lahat ng gawain nang manu-mano
• D) Pag-optimize ng gastos at pagbabawas ng pag-asa sa isang provider sa pamamagitan ng paggamit ng iba't ibang modelo ayon sa gawain ✔

Paglalarawan: Ang portfolio ng modelo ay gumamit ng iba't ibang modelo ayon sa gawain: murang modelo para sa simple at malalaking trabaho, makapangyarihang modelo para sa mga kumplikadong trabaho, open weight/rehiyonal na modelo para sa kumpidensyal na data. Pareho nitong ino-optimize ang gastos at binabawasan ang pag-asa sa isang provider.

13. Bakit maaaring maging criterion para sa pagpili ng modelo ang bansang pinagmulan at patakaran sa pagpapanatili ng data?

• A) Dahil direktang nakakaapekto ito sa regulasyon, soberanya ng data at mga kinakailangan sa privacy ✔
• B) Dahil lamang sa tinutukoy nito ang bilis ng pagtugon ng modelo
• C) Dahil tinutukoy nito ang mga format ng file na sinusuportahan ng modelo
• D) Dahil wala itong praktikal na epekto, ito ay isang detalye sa marketing lamang

Paglalarawan: Bansa kung saan matatagpuan ang developer ng modelo at kung saan/kung gaano karaming data ang nakaimbak; Ito ay mapagpasyahan sa mga tuntunin ng legal na regulasyon, soberanya ng data at privacy. Halimbawa, para sa isang organisasyong gustong mag-host sa loob ng EU, nagiging mahalaga ang isang regional provider o zero storage na opsyon.

14. Alin ang pinakamahusay na nagpapaliwanag kung bakit nakaliligaw ang paghahanap ng 'solong pinakamahusay na modelo' sa isang gawain?

• A) Ang lahat ng mga modelo ay may eksaktong parehong mga kakayahan
• B) Malakas ang mga modelo sa iba't ibang laki, kaya ang 'pinakamahusay' ay depende sa kinakailangan sa trabaho ✔
• C) Ang pinakamahal na modelo ay awtomatikong ang pinakamahusay sa bawat gawain
• D) Ang pagpili ng modelo ay dapat gawin nang random

Paglalarawan: Malakas ang mga modelo sa iba't ibang dimensyon gaya ng bilis, gastos, konteksto, multimodality, privacy at pangangatwiran. Ang isang modelo na isang pinuno sa isang dimensyon ay maaaring mahina sa isa pa; kaya't ang 'pinakamahusay' ay laging nakasalalay sa kinakailangan sa trabaho.