Ứng dụng đầu cuối: Đánh giá, xác nhận, đạo đức và ranh giới

Lợi nhuận:

• Khả năng thiết lập một bộ thử nghiệm nhỏ (eval) để đánh giá mô hình bằng dữ liệu của riêng bạn
• Nhúng xác minh của con người, giới hạn và chính sách sử dụng có trách nhiệm vào quy trình làm việc
• Nhận biết các rủi ro về ảo giác, quyền riêng tư và đạo đức và thực hiện các biện pháp giảm thiểu

Bạn đã chọn đúng mẫu; Công việc đã xong chưa? Không, công việc thực sự bắt đầu ngay bây giờ. Việc đưa một mô hình vào hoạt động kinh doanh của bạn bao gồm việc thử nghiệm nó dựa trên dữ liệu của chính bạn, xác thực kết quả đầu ra của nó và đóng khung nó một cách có trách nhiệm. Đơn vị cuối cùng này biến toàn bộ mô-đun thành một ứng dụng toàn diện: bạn sẽ học cách thiết lập một bộ thử nghiệm nhỏ (eval), nhúng xác minh của con người vào quy trình làm việc, quản lý rủi ro về ảo giác và quyền riêng tư cũng như vạch ra các ranh giới về đạo đức. Sau khi thiết bị hoàn thiện, bạn sẽ được trang bị để không chỉ chọn mẫu mà còn có thể tự tin vận hành nó.

Đánh giá (Đánh giá): Kiểm tra bằng dữ liệu của riêng bạn

Bây giờ bạn biết rằng chỉ dữ liệu thực tế chứ không phải quảng cáo mới có thể cho biết mô hình có phù hợp với doanh nghiệp của bạn hay không. Cách để đo lường điều này là thiết lập một bộ đánh giá (eval): một tập hợp nhỏ các mẫu từ công việc của bạn đã biết câu trả lời đúng.

Một đánh giá đơn giản được thiết lập như thế này:

1. Thu thập 10-30 mẫu thật. Chọn đầu vào đặc trưng cho công việc của bạn (kết hợp giữa khó và dễ).
2. Xác định "đầu ra đúng/mong đợi" cho mỗi ví dụ. Chuyên gia sẽ trả lời thế nào?
3. Chạy ứng viên thông qua các ví dụ tương tự. Kiểm tra từng mô hình bạn đang so sánh với cùng một bộ.
4. Chấm điểm kết quả. Có bao nhiêu ví dụ là đúng? Anh ấy đã sai ở đâu? Những sai lầm có được chấp nhận không?
5. So sánh và lựa chọn. Chọn không phải điểm tổng thể cao nhất mà là điểm đáng tin cậy nhất trong các ví dụ quan trọng nhất đối với bạn.

Mẹo: Đừng tin tưởng một cách mù quáng vào bảng xếp hạng. Một mô hình có thể xếp hạng đầu tiên trên toàn cầu nhưng hoạt động kém hơn mô hình đứng thứ hai trong các văn bản pháp lý cụ thể của Thổ Nhĩ Kỳ. Đánh giá của riêng bạn về 20 mẫu có giá trị hơn hàng trăm bài kiểm tra công khai.

Ảo giác: Rủi ro quỷ quyệt nhất của Người mẫu

Ảo giác là khi mô hình tạo ra thông tin không thực sự đúng bằng ngôn ngữ tự tin. Thay vì nói “Tôi không biết”, mô hình có thể tạo ra một bộ luật không tồn tại, một số liệu thống kê bịa đặt hoặc một ngày tháng sai lệch; Hơn nữa, anh ấy làm điều này bằng một ngôn ngữ cực kỳ thuyết phục. Đây là khía cạnh nguy hiểm nhất của AI vì lỗi đội lốt sự thật.

Bạn không thể loại bỏ hoàn toàn ảo giác, nhưng bạn có thể giảm bớt và nắm bắt nó:

• Căn cứ vào nguồn: Yêu cầu mô hình tạo câu trả lời từ tài liệu bạn cung cấp chứ không phải từ "bộ nhớ" của chính nó (logic RAG).
• Nguồn yêu cầu: Nói, "Bên cạnh mỗi tuyên bố, hãy viết tài liệu/phần làm cơ sở cho tuyên bố đó"; Nếu anh ta không thể đưa ra nguồn, hãy nghi ngờ.
• Khiến mọi người nói rằng họ không chắc chắn: Hướng dẫn "Nếu bạn không chắc chắn, hãy viết 'không rõ ràng'" làm giảm tính phù hợp của mô hình.
• Xác minh của con người: Các đầu ra quan trọng phải được con người xác minh.

Thận trọng: Không bao giờ sử dụng đầu ra của mô hình mà không xác thực nó cho các quyết định pháp lý, y tế hoặc tài chính. Một "điều luật" hoặc "thông tin về liều lượng" do mô hình tạo ra có thể hoàn toàn bịa đặt. Trong những lĩnh vực này, AI là công cụ phác thảo/sơ bộ; Người có năng lực luôn là người nói lời cuối cùng.

Yêu cầu xác minh con người

Trí tuệ nhân tạo hoạt động tốt nhất như một công cụ thúc đẩy con người chứ không khiến họ mất việc. Thiết lập đúng như sau: tạo hoặc sơ tuyển bản dự thảo mô hình; con người xem xét, sửa chữa và phê duyệt. Việc xác minh cần nghiêm ngặt đến mức nào tùy thuộc vào chi phí của lỗi.

Nhiệm vụ

Chi phí lỗi

xác minh con người

Dự thảo mô tả sản phẩm

thấp

Kiểm soát mẫu là đủ

Phản hồi email của khách hàng

trung bình

Đánh giá trước khi gửi

Phân tích rủi ro hợp đồng

cao

Xác nhận từng bài viết của chuyên gia

Tư vấn y tế/tài chính

rất cao

Xác minh đầy đủ của chuyên gia, chỉ hỗ trợ AI

Bảng này tạo ra sự cân bằng giữa "kiểm tra thủ công mọi đầu ra" và "không kiểm tra gì cả". Mặc dù việc kiểm soát mẫu là đủ cho những công việc có chi phí thấp nhưng mọi đầu ra đều phải được xác minh cho những công việc có giá cao.

Sử dụng có đạo đức và có trách nhiệm

Mặc dù việc lựa chọn mô hình có vẻ giống như một quyết định mang tính kỹ thuật nhưng đằng sau nó vẫn có những trách nhiệm đạo đức:

• Tính minh bạch: Hãy để khách hàng hoặc nhân viên của bạn biết rằng bạn đang sử dụng AI ở những nơi thích hợp. Khách hàng có quyền biết liệu họ đang nói chuyện với con người hay AI.
• Độ lệch: Các mô hình có thể kế thừa độ lệch từ dữ liệu mà chúng được đào tạo. Giám sát tính công bằng của kết quả trong các lĩnh vực nhạy cảm như tuyển dụng và đánh giá tín dụng.
• Quyền riêng tư: Đưa các nguyên tắc bảo vệ dữ liệu bạn đã học ở bài 8 vào quy trình làm việc; Đừng gửi dữ liệu cá nhân một cách liều lĩnh.
• Trách nhiệm giải trình: Khi xảy ra sai sót, lời bào chữa “AI made it” là chưa đủ. Trách nhiệm thuộc về cơ quan sử dụng phương tiện. Vì vậy, quá trình xác minh tài liệu.

Mẹo: Viết một chút “chính sách sử dụng có trách nhiệm” vào quy trình làm việc của bạn: công việc nào có thể sử dụng AI, dữ liệu nào không thể gửi, ai sẽ xác minh dữ liệu đó và cách báo cáo lỗi. Tài liệu một trang này ngăn ngừa các vấn đề lớn trong tương lai.

Ba trường hợp thực tế

Trường hợp 1 - Hối tiếc mà không thiết lập đánh giá. Nhóm bảo hiểm bắt đầu tóm tắt các yêu cầu bồi thường mà không thử nghiệm mô hình phổ biến nhất. Sau hai tuần, họ nhận ra rằng mô hình này thường xuyên mắc lỗi về thuật ngữ kỹ thuật của Thổ Nhĩ Kỳ và đọc sai một số số liệu. Khi họ thiết lập đánh giá 20 mẫu và so sánh ba mô hình, họ chuyển sang mô hình không phổ biến nhất nhưng chính xác hơn trong các văn bản kỹ thuật của Thổ Nhĩ Kỳ. Sự mất mát: hai tuần và công sức hiệu đính. Bài học: đánh giá trước, triển khai sau.

Trường hợp 2 - Quá trình nắm bắt ảo giác. Trợ lý luật sư nhìn thấy tham chiếu "Quyết định của Tòa án Tối cao" trong bản in mẫu. Vì quy trình của họ có quy tắc "xác minh mọi tham chiếu", anh ta tìm kiếm quyết định và nhận thấy rằng không có quyết định nào như vậy tồn tại; Anh ấy đã tạo ra một mô hình. Nhờ xác minh của con người, thông tin bịa đặt không bao giờ đến được với khách hàng. Nếu không có quy tắc xác minh, việc mất danh tiếng có thể nghiêm trọng.

Trường hợp 3 - Tin tưởng một cách minh bạch. Một công ty thương mại điện tử đưa ra phản hồi hỗ trợ khách hàng bằng AI, nhưng thêm ghi chú dưới mỗi phản hồi: "Phản hồi này được chuẩn bị với sự hỗ trợ của trí tuệ nhân tạo và đã được một trong những đại diện của chúng tôi xem xét." Khách hàng hài lòng hơn với cả phản hồi nhanh chóng và sự tự tin khi nhìn thấy con người tham gia. Tính minh bạch không phải là điểm yếu cần che giấu mà là nguồn gốc của sự tin cậy.

Lời nhắc yếu / Lời nhắc mạnh: Đầu ra có thể kiểm chứng

Dấu nhắc yếu:

Hãy cho tôi biết về các điều khoản rủi ro của hợp đồng này.

Có thể phù hợp với mô hình; không có nguồn, không có dấu hiệu không chắc chắn.

Lời nhắc mạnh mẽ:

Vai trò của bạn: nhà phân tích hợp đồng (quyết định cuối cùng thuộc về luật sư). Nhiệm vụ: Đánh dấu các điều khoản tiềm ẩn rủi ro trong hợp đồng sau. Đối với mỗi phát hiện: (1) số mệnh đề và trích dẫn nguyên văn, (2) tại sao nó nguy hiểm, (3) mức độ tin cậy của bạn (cao/trung bình/thấp). Chỉ dựa vào các mệnh đề trong văn bản; Đừng bịa đặt bất cứ điều gì không có trong văn bản. Trường hợp bạn không chắc chắn, hãy viết "yêu cầu xác nhận của luật sư". [hợp đồng]

Lời nhắc mạnh mẽ liên kết từng tuyên bố với nguồn (số bài viết + trích dẫn), yêu cầu mức độ tin cậy và cấm bịa đặt; Điều này làm cho ảo giác có thể bắt được.

Mẫu có thể sao chép

1. Thiết kế bộ đánh giá:

Thiết kế một bộ đánh giá cho nhiệm vụ sau [TASK]. Đề xuất 15 đầu vào mẫu (dễ-trung bình-khó hỗn hợp), cách xác định "đầu ra đúng mong đợi" cho từng đầu vào và xác định tiêu chí chấm điểm (1-5).

2. Bọc giảm ảo giác:

Viết lại lời nhắc sau để giảm việc bịa đặt: "[PROMPT]". Thêm quy tắc trích dẫn nguồn, chỉ định mức độ tin cậy và "hãy cho tôi biết nếu bạn không chắc chắn".

3. Thiết kế luồng xác minh:

Trong quy trình làm việc sau đây [WORKFLOW] Thiết kế bước xác minh của con người đối với đầu ra AI. Xác định mức độ nghiêm ngặt của việc xác minh dựa trên chi phí sai sót; viết ai sẽ kiểm tra cái gì, khi nào.

4. Dự thảo chính sách sử dụng có trách nhiệm:

Dự thảo "chính sách sử dụng AI có trách nhiệm" dài một trang cho một nhóm trong [NGÀNH CÔNG NGHIỆP]. Bao gồm các tiêu đề sau: sử dụng được phép, dữ liệu bị cấm, trách nhiệm xác minh, báo cáo minh bạch, báo cáo lỗi.

Những lỗi thường gặp

• Triển khai mà không có đánh giá: Bắt đầu mô hình mà không thử nghiệm nó bằng dữ liệu của riêng bạn và nhận thấy các lỗi sau khi chúng được phản ánh trong khách hàng/công việc.
• Dựa vào ảo giác: Sử dụng ngôn ngữ tự tin của người mẫu là sự thật mà không cần xác minh tài liệu tham khảo.
• Bỏ qua xác minh của con người: Không kiểm tra đầu ra trong các quyết định chi phí cao; Dựa vào lời bào chữa “AI đã làm được”.
• Tránh tính minh bạch: Che giấu việc bạn sử dụng AI; cảm thấy mất tự tin khi nó xảy ra.
• Bỏ qua đạo đức và thành kiến: Sử dụng các quyết định nhạy cảm (tuyển dụng, tín dụng) mà không giám sát tính công bằng của đầu ra.

Tóm lại

• Trước khi triển khai một mô hình, hãy thiết lập một bộ đánh giá nhỏ với dữ liệu của riêng bạn và kiểm tra các ứng viên; thứ hạng tổng thể không đại diện cho doanh nghiệp của bạn.
• Ảo giác là sự tự tin tạo ra ngôn ngữ sai lệch của người mẫu; Được nắm bắt bởi sự phân bổ nguồn, mức độ tin cậy và xác minh của con người.
• Mức độ xác minh nghiêm ngặt của con người được điều chỉnh theo chi phí sai sót; Trong những lĩnh vực quan trọng AI chỉ hỗ trợ, quyết định là ở con người.
• Tính minh bạch, kiểm soát thiên vị, bảo mật và trách nhiệm giải trình; là bốn trụ cột của việc sử dụng AI có trách nhiệm. Chính sách một trang ngăn chặn những rủi ro lớn.

Nhiệm vụ ứng dụng

Thiết lập một bộ đánh giá gồm 15 ví dụ với mẫu 1 trong đơn vị này (thiết kế bộ đánh giá) cho (các) mô hình ứng cử viên mà bạn đã chọn trong suốt mô-đun và so sánh ít nhất hai mô hình với bộ này. Sau đó, thiết kế cách con người xác minh kết quả đầu ra bằng mẫu 3 (luồng xác thực) và soạn thảo chính sách một trang cho nhóm của bạn bằng mẫu 4 (chính sách sử dụng có trách nhiệm). Ba sản phẩm phân phối này biến toàn bộ mô-đun thành một kế hoạch triển khai khả thi.

danh sách kiểm tra

• [ ] Với dữ liệu của riêng mình, tôi có thể thiết lập một bộ đánh giá nhỏ và so sánh các mô hình.
• [ ] Tôi có thể nhận ra ảo giác và áp dụng các biện pháp giảm nhẹ và ngăn chặn.
• [ ] Tôi có thể điều chỉnh mức độ nghiêm ngặt của việc xác minh con người dựa trên chi phí sai sót.
• [ ] Tôi có thể đưa các nguyên tắc minh bạch, thiên vị, bảo mật và trách nhiệm giải trình vào quy trình làm việc.
• [ ] Tôi có thể soạn thảo chính sách sử dụng AI có trách nhiệm dài một trang.

Thi học phần

1. Sự khác biệt giữa 'nhà cung cấp' AI và 'gia đình kiểu mẫu' là gì?

• A) Nhà cung cấp là công ty phát triển mô hình và gia đình mô hình là nhóm mô hình của công ty đó dưới một thương hiệu ✔
• B) Chúng hoàn toàn giống nhau và được sử dụng thay thế cho nhau
• C) Nhà cung cấp là giá của model, dòng model là tốc độ của model.
• D) Dòng mô hình đề cập đến công ty, nhà cung cấp đề cập đến một phiên bản mô hình duy nhất

Mô tả: Nhà cung cấp là công ty đã phát triển mô hình (ví dụ: Anthropic); Gia đình kiểu mẫu là nhóm kiểu mẫu mà công ty đó tập hợp dưới một thương hiệu (ví dụ: Claude). Phiên bản mô hình là một phiên bản cụ thể trong gia đình.

2. Làm thế nào có thể xác định chính xác nhất 'trọng số' của một mô hình?

• A) Đó là số lượng mã thông báo mà mô hình có thể tạo ra mỗi phút
• B) Đó là hàng tỷ tham số số mà mô hình học được trong quá trình đào tạo và lưu trữ thông tin của nó. ✔
• C) Đó là phí thuê bao hàng tháng của mô hình
• D) Đó là số lượng ngôn ngữ được mô hình hỗ trợ

Mô tả: Trọng số là hàng tỷ tham số số mà mô hình học được trong quá trình đào tạo; Đó là nơi lưu trữ 'mọi thứ mà mô hình biết'. Sự phân biệt trọng lượng đóng/rõ ràng phụ thuộc vào việc liệu các tham số này có thể được tải xuống và chạy hay không.

3. Câu nào đúng về 'open-weight' và 'open-source'?

• A) Chúng hoàn toàn giống nhau và cả hai đều có mục đích sử dụng thương mại không giới hạn
• B) Trọng lượng mở cũng luôn công khai dữ liệu đào tạo
• C) Nó không giống nhau; Trong trọng số mở, thường chỉ có các thông số được chia sẻ và các điều khoản cấp phép có thể hạn chế việc sử dụng thương mại ✔
• D) Không thể tải xuống các mô hình nguồn mở, có thể tải xuống các mô hình trọng lượng mở

Giải thích: Trong trọng số mở, chỉ các tham số mô hình được chia sẻ; dữ liệu và quy trình đào tạo thường không được tiết lộ và một số giấy phép hạn chế việc sử dụng thương mại. Vì vậy 'trọng lượng mở' không hoàn toàn giống với 'nguồn mở'.

4. Đặc điểm mô hình nào sau đây có tính quyết định nhất đối với đội ngũ pháp lý đọc và phân tích các hợp đồng dài hạn?

• A) Có giá token thấp nhất
• B) Có khả năng xử lý hình ảnh (đa phương thức)
• C) Có giấy phép cân mở
• D) Có cửa sổ ngữ cảnh rộng ✔

Giải thích: Mô hình cần một cửa sổ ngữ cảnh lớn để xử lý toàn bộ tài liệu dài; Cửa sổ ngữ cảnh là tổng số lượng mã thông báo mà mô hình có thể ghi nhớ tại một thời điểm.

5. Điều nào đúng về việc định giá mã thông báo cho các mô hình trọng lượng đóng?

• A) Mã thông báo đầu ra thường đắt hơn đáng kể so với mã thông báo đầu vào ✔
• B) Giá đầu vào và đầu ra luôn bằng nhau
• C) Chỉ tính phí cố định hàng tháng, số tiền sử dụng không liên quan
• D) Token đầu vào luôn đắt hơn đầu ra gấp nhiều lần

Giải thích: Giá được tính trên mỗi mã thông báo và mã thông báo đầu ra mà mô hình tạo ra thường đắt hơn vài lần so với mã thông báo đầu vào bạn gửi. Do đó, các bản in dài và không cần thiết sẽ làm tăng chi phí nhanh chóng.

6. Tính năng nào trong mô hình cần thiết cho đội ngũ kế toán muốn tự động trích xuất dữ liệu từ hình ảnh hóa đơn?

• A) Cửa sổ ngữ cảnh rộng nhất có thể
• B) Đa phương thức (khả năng xử lý hình ảnh) ✔
• C) Giấy phép cân mở
• D) Mức độ lý luận cao nhất

Giải thích: Để hiểu nội dung trực quan, mô hình phải có khả năng xử lý hình ảnh cũng như văn bản, nghĩa là nó phải đa phương thức. Đa phương thức là khả năng mô hình xử lý nhiều loại dữ liệu, chẳng hạn như văn bản, hình ảnh và đôi khi là âm thanh.

7. Lựa chọn hợp lý nhất cho một nhiệm vụ đơn giản, có khối lượng lớn (ví dụ: phân loại tích cực/tiêu cực của hàng nghìn bài đánh giá) là gì?

• A) Luôn là mô hình lý luận mạnh nhất và đắt giá nhất
• B) Một mô hình chỉ hoạt động trên trọng lượng mở và trên máy chủ của chính nó
• C) Một mô hình nhẹ và chi phí thấp vì nhiệm vụ đơn giản và khối lượng lớn ✔
• D) Mô hình có cửa sổ ngữ cảnh rộng nhất

Mô tả: Một mẫu nhẹ, chi phí thấp thực hiện được các công việc đơn giản, khối lượng lớn; Việc sử dụng mô hình mạnh mẽ và đắt tiền nhất sẽ tạo ra những chi phí không cần thiết ở đây. Cách tiếp cận đúng là làm cho độ khó của nhiệm vụ phù hợp với cấp độ mô hình.

8. Điều gì kích hoạt việc gửi văn bản chứa dữ liệu cá nhân tới nhà cung cấp AI ở nước ngoài dưới dạng KVKK?

• A) Nó không tạo ra bất kỳ trách nhiệm pháp lý nào
• B) Chỉ quan trọng nếu nhà cung cấp ở EU, không có trường hợp nào khác
• C) Nghiêm cấm trong mọi trường hợp, bất kể dữ liệu có ẩn danh hay không
• D) Việc truyền dữ liệu ra nước ngoài được xem xét và tuân theo các điều kiện đặc biệt của KVKK ✔

Giải thích: Dữ liệu vận hành trên máy chủ của nhà cung cấp ở nước ngoài được coi là 'truyền dữ liệu ra nước ngoài' và phải tuân theo các điều kiện đặc biệt của KVKK về chủ đề này (chẳng hạn như sự đồng ý rõ ràng, quyết định thỏa đáng, sự đảm bảo phù hợp).

9. Chế độ “lý luận” của mô hình có tác dụng gì và nó ảnh hưởng đến chi phí như thế nào?

• A) Nó làm tăng độ chính xác trong các vấn đề phức tạp, nhưng làm tăng chi phí và độ trễ vì nó tạo ra nhiều mã thông báo hơn ✔
• B) Luôn làm cho mô hình trở nên miễn phí
• C) Chỉ tăng số lượng ngôn ngữ được mô hình hỗ trợ
• D) Luôn rút gọn câu trả lời và giảm chi phí

Mô tả: Chế độ suy luận cho phép mô hình “suy nghĩ” từng bước trước khi đưa ra câu trả lời; Nó làm tăng độ chính xác trong các vấn đề phức tạp và nhiều bước, nhưng nó cũng làm tăng chi phí và độ trễ vì nó tạo ra nhiều mã thông báo hơn.

10. Cách tiếp cận đáng tin cậy nhất khi đánh giá (đánh giá) một mô hình cho doanh nghiệp của bạn là gì?

• A) Chỉ cần chọn mô hình phổ biến nhất và sử dụng nó mà không cần thử nghiệm
• B) Thiết lập một tập hợp thử nghiệm nhỏ gồm các nhiệm vụ thực tế của riêng bạn và so sánh các mô hình với nó ✔
• C) Chỉ cần nhìn vào điểm chuẩn được đề cập trong quảng cáo
• D) Tự động chấp nhận mô hình có cửa sổ ngữ cảnh cao nhất là tốt nhất

Giải thích: Thay vì mù quáng dựa vào bảng xếp hạng, hãy tạo một tập hợp thử nghiệm nhỏ gồm các nhiệm vụ thực tế của riêng bạn và so sánh các mô hình trên tập hợp này sẽ tìm ra mô hình thực sự phù hợp với doanh nghiệp của bạn.

11. Việc biết rằng đầu ra của mô hình có thể chứa 'ảo giác' sẽ định hình quy trình làm việc của bạn như thế nào?

• A) Đầu ra phải luôn được coi là chính xác và được xuất bản trực tiếp
• B) Ảo giác chỉ xuất hiện ở các mô hình miễn phí, không có ở các mô hình trả phí
• C) Trong các quyết định quan trọng, đầu ra phải được con người xác minh và nguồn phải được xác nhận ✔
• D) Ảo giác có thể được loại bỏ hoàn toàn bằng cách thay đổi mô hình

Giải thích: Ảo giác là khi mô hình tạo ra thông tin không thực sự đúng bằng ngôn ngữ tự tin. Do rủi ro này, cần phải có sự xác minh đầu ra của con người, đặc biệt đối với các quyết định pháp lý, y tế và tài chính.

12. Logic cơ bản của cách tiếp cận 'danh mục đầu tư kiểu mẫu' được các tổ chức trưởng thành áp dụng là gì?

• A) Để đảm bảo sự đơn giản bằng cách thực hiện mọi công việc bằng một mô hình duy nhất, đắt tiền nhất.
• B) Chỉ sử dụng mẫu rẻ nhất và hoàn toàn bỏ qua chất lượng
• C) Không sử dụng bất kỳ mô hình nào và thực hiện tất cả công việc một cách thủ công
• D) Tối ưu hóa chi phí và giảm sự phụ thuộc vào một nhà cung cấp duy nhất bằng cách sử dụng các mô hình khác nhau tùy theo nhiệm vụ ✔

Mô tả: Danh mục mô hình sử dụng các mô hình khác nhau tùy theo nhiệm vụ: mô hình giá rẻ cho các công việc đơn giản và cồng kềnh, mô hình mạnh mẽ cho các công việc phức tạp, mô hình mở/khu vực cho dữ liệu bí mật. Điều này vừa tối ưu hóa chi phí vừa giảm sự phụ thuộc vào một nhà cung cấp duy nhất.

13. Tại sao nước xuất xứ và chính sách lưu giữ dữ liệu có thể là tiêu chí để lựa chọn mô hình?

• A) Bởi vì nó ảnh hưởng trực tiếp đến các yêu cầu về quy định, chủ quyền dữ liệu và quyền riêng tư ✔
• B) Chỉ vì nó quyết định tốc độ phản hồi của mô hình
• C) Bởi vì nó xác định các định dạng tệp được mô hình hỗ trợ
• D) Bởi vì nó không có tác dụng thực tế nên nó chỉ là một chi tiết tiếp thị

Mô tả: Quốc gia nơi đặt trụ sở của nhà phát triển mô hình và nơi/lượng dữ liệu được lưu trữ; Nó có tính quyết định về mặt quy định pháp lý, chủ quyền dữ liệu và quyền riêng tư. Ví dụ: đối với một tổ chức muốn lưu trữ trong EU, nhà cung cấp khu vực hoặc tùy chọn không lưu trữ trở nên quan trọng.

14. Điều nào giải thích rõ nhất tại sao việc tìm kiếm một 'mô hình tốt nhất duy nhất' trong một nhiệm vụ lại gây hiểu lầm?

• A) Tất cả các mô hình thực sự có khả năng giống hệt nhau
• B) Mẫu mã đa dạng về kích thước nên 'tốt nhất' tùy thuộc vào yêu cầu công việc ✔
• C) Mô hình đắt nhất tự động là tốt nhất trong mọi nhiệm vụ
• D) Việc lựa chọn mô hình phải được thực hiện hoàn toàn ngẫu nhiên

Mô tả: Các mô hình mạnh mẽ ở các khía cạnh khác nhau như tốc độ, chi phí, bối cảnh, đa phương thức, quyền riêng tư và lý luận. Một mô hình dẫn đầu ở một khía cạnh nào đó có thể yếu ở một khía cạnh khác; vì vậy 'tốt nhất' luôn phụ thuộc vào yêu cầu công việc.