זוכרים מתי ברד של Google טען בביטחון כי טלסקופ החלל ג'יימס ווב צילם כוכבי לכת מחוץ למערכת השמש שלנו? טעויות כאלה, כאשר נעשות בתחומים כגון מימון, בריאות או משפטי, מגיעות עם מחיר כבד. עם זאת, אתגר אחד מרכזי נשאר נפוץ ביישומים ארגוניים: "הלוצינציות" של ה-AI, שבהם מודלים גנרטורים מייצרים מידע שגוי או דמיוני, מסופקים בביטחון מוחלט, והעלויות הן לעתים קרובות בלתי מוגבלות כאשר הן מתרחשות. Real Risks of AI Hallucinations in Business הסיכונים האמיתיים של ה- AI Hallucinations בעסקים הזיות אינן אי נוחות קטנה, הן יכולות לגרום לתוצאות עסקיות חמורות. דוגמאות כוללות הפרות של תאימות אם צ'אטוט שלך נותן ייעוץ רגולטורי שגוי, נזקים פיננסיים מהנחיות השקעה שגויות, או נזק למוניטין של המותג שנגרם על ידי חוסר דיוק שנמסר בביטחון ללקוחות. בעיה זו נפוצה יותר ממה שאנשים רבים מבינים.מטה הסיר את מודל הגלקטיקה שלה לאחר שגרם למידע שגוי. צ'אטובט סידני של מיקרוסופט היה בעייתי באותה מידה, כשהוא עשה הודעות מטרידות על שיטות פנימיות. אירועים אלה מדגישים את הסיכונים המבצעיים שמגיעים עם הפעלת AI הגנרטור ללא מבנה או שליטה מתאימים. אף על פי שהמודלים החדשים פחות מעצבנים, הם עדיין עושים זאת, ולעתים קרובות הם עושים זאת בדרכים מתוחכמות יותר היום מאשר אי פעם בעבר, תוך הימנעות מהגילוי. Why Current Prompt Engineering Methods Fall Short מדוע שיטות ההנדסה הנוכחיות נופלות קצרות הגורם הראשון הוא תלות בהמלצות לא מבוססות וממלצות מערכת גרועות, שם מודלים גנרטורים של AI מקבלים כניסות מעורפלות ונשארו כדי לפרש את המשמעות באופן עצמאי. שנית, מודלים לעתים קרובות חסרים מגבלות ברורות, מה שמוביל לתגובות לא עקביות ולא צפויות. שלישית, שיטות הנדסה מיידיות מסורתיות הן חלשות, ואפילו שינויים קטנים יכולים לגרום לטעויות לא צפויות ויקרות. חברות רבות ממשיכות להשקיע הרבה כדי לנסות ליצור הצעות טקסט "מושלמות".הגישה הזאת היא יקרות ולא אמין.זה מוביל למחזור של חיתוך מתמיד וחיתוך מחדש, דליפת משאבים והגדלת זמן פיתוח. Structured Prompting as a Reliable Solution פתרון אמין כמו פתרון אמין גישה יעילה יותר כוללת דרישות מבוססות. שפת מודל AI של BoundaryML (BAML) מציעה דרך לייצר יציאות AI עקביות ומצפויות.היא משנה דרישות חדות לתפקידים מוגדרים בבירור עם כניסות והיציאות מפורשות, ומפחית באופן משמעותי את חוסר ודאות. BAML משיג זאת באמצעות בדיקה מותאמת לתכנית.השיטה הזו מבטיחה כי היציאות AI לציית בקפדנות לפורמטים מוגדרים מראש. כאשר ה- AI משתנה מהציפיות, השגיאה הופכת באופן מיידי ברורה וניתנת לפעולה, מבנה זה מאפשר פתרון מהיר ומגביר באופן משמעותי את האמינות. How Structured AI Reduces Operational Costs כיצד AI מובנה מפחית עלויות תפעול דרישות מבוססות מפחידות את הסיכונים הפיננסיים הקשורים ל-Generative AI.כל הזיות יכולות להוביל לתהליכים יקרים של דיבוג, הדורשים מהמפתחים לתרגל מחדש מודלים או לכתוב מחדש קבוצות שלמות של דרישות. על ידי יישום שיטות מובנות כגון BAML, עסקים יכולים להפחית iterations יקר על ידי ייצור תוצאות נכונות מוקדם יותר. https://www.youtube.com/watch?v=TYSTlkMGXWs&embedable=true חברות המשתמשות ב-BAML הוכיחו הפחתה משמעותית בשגיאות הקשורות ל-AI, שיפור במדידות התאימות והשיג חיסכון משמעותי בהוצאות. Building Trustworthy and Scalable AI Systems בניית מערכות AI אמינות וגמישות מעבר לחיסכון בהוצאות מיידיות, גישות מובנות מספקות יתרונות עסקיים משמעותיים אחרים. היציאות שנוצרו באמצעות BAML יכולות להיבדק באופן שיטתי, ומספקות תובנות ברורות בנושאים פוטנציאליים לפני הפצה. תוכניות שקופיות מספקות נוכחות בפעולות AI, ומאפשרות לצוותים לזהות בעיות מהר יותר ובדיוק יותר. דרישות מבוססות גם מבטיחות תחזוקה טובה יותר.הצוותים יכולים להתמודד ביעילות רבה יותר ולהגדיל את מערכות ה-AI באופן אמין ברחבי הארגון. לבסוף, והכי חשוב, ביקורות מובנות מעניקות אודיטינג ליישומים ופעילויות עסקיות, אשר היא חיונית לחלוטין בכל החברות, במיוחד אלה בתעשיות מוסדרות כגון מימון או בריאות. Practical Recommendations for Executives and Founders המלצות מעשיות למנהלים ומייסדים מנהיגים עסקיים מנוסים מבינים את החשיבות של תשתית יציבה, מתוחכמת. בין אם אתה מפעיל יוזמה חדשה או משלב את ה-AI בסביבה קיימת, דרישות מבוססות מפחיתות את הסיכונים המבצעיים ומשלימות את פרויקטי ה-AI שלך ישירות עם תוצאות מדויקות. זה קריטי עבור מייסדים ומנהלים שכבר חוו את מלכודות התפעוליות שיכולות להפריע לצמיחה, במיוחד בחברות גדולות, בשווקים מוסדרים כגון בריאות, כספים או משפטיים. Take Action: Transition to Structured AI Prompting Take Action: Transition to Structured AI המשך ההסתמכות על הנדסה מיידית מסורתית נושאת סיכונים תפעוליים שניתן למנוע, ועכשיו הגיע הזמן להעריך באופן ביקורתי את זרימי העבודה הנוכחיים של AI ולזהות אזורים פגיעים פוטנציאליים. שיטות מעקב מאורגנות של AI כגון BAML מייצגות דרך ברורה קדימה.הן מאפשרות לעסק שלך לנצל את ה- AI הגנרטואלי בביטחון, תוך התמקדות בתוצאות מוחשיות ולא בניהול שגיאות שניתן למנוע. . . . ניק Talwar הוא CTO, לשעבר מיקרוסופט, והנדס AI מעשי אשר תומך במנהלים בהנחיתה של אימוץ AI. → כדי לתפוס את המחשבות האחרונות שלו. עקבו אחרי LinkedIn LinkedIn → עבור מאמרים מעמיקים המועברים ישירות לתיבת הדואר האלקטרוני שלך. להירשם ל-Free Substack → כדי להאיץ את השינוי של הארגון שלך. הצטרפו לתוכנית אסטרטגית AI Executive

Read My Stories

האודיו הזה מופק בשפת המקור של הסיפור!

אינטליגנציות AI עולה מיליוני עסקים: מה BAML עושה כדי למנוע אותם

About Author

הערות

תלו תגים

מאמר זה הוצג ב

Related Stories

97 Stories To Learn About Quicknode

ברכות עונות מ-HackerNoon: Boost Stories עם תרגומים, דיבור לטקסט ועוד

Fortunate Son From Our Neighborhood

Synthetic Audio is Now Available for 70,000+ HackerNoon Stories

97 Stories To Learn About Quicknode

ברכות עונות מ-HackerNoon: Boost Stories עם תרגומים, דיבור לטקסט ועוד

Fortunate Son From Our Neighborhood

Synthetic Audio is Now Available for 70,000+ HackerNoon Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps