AI ที่ดีต้องการข้อมูลที่เกี่ยวข้อง

บริบททำให้งานเป็นรูปธรรม

โมเดล AI ที่ทรงพลังสามารถให้คำตอบทั่วไปที่ดีได้ เพื่อช่วยงานของคุณ มันมักต้องการบริบทเพิ่มเติม: คุณต้องการบรรลุอะไร สมมติฐานใดใช้บังคับ และข้อมูลใดเกี่ยวข้องในตอนนี้

ตัวอย่างจากค่ำคืนดูหนัง

"เราควรดูอะไรดี?" เป็นตัวอย่างง่าย ๆ คำตอบทั่วไปอาจแนะนำภาพยนตร์ยอดนิยม จุดตั้งต้นที่เกี่ยวข้องมากขึ้นสามารถคำนึงถึงบริการที่คุณใช้ สิ่งที่คุณเคยดูแล้ว และคนที่คุณจะดูด้วย นี่เป็นตัวอย่างประกอบคุณค่าของบริบท ไม่ใช่คำสัญญาว่าทุกคำแนะนำจะถูกต้อง

ปริมาณ คุณภาพ และขีดจำกัดการใช้

ข้อมูลที่มากขึ้นก็ไม่ได้ดีกว่าโดยอัตโนมัติเช่นกัน ข้อมูลเก่า ไม่ถูกต้อง หรือไม่เกี่ยวข้องอาจดึงคำตอบไปผิดทาง เช่นเดียวกับคำสั่งหรือสมมติฐานที่ไม่เหมาะกับงาน ดังนั้นแหล่งที่มา เวลา และความสำคัญของข้อมูลต้องมาพร้อมกับข้อมูลนั้น

เราเชื่อว่า AI ควรได้รับรากฐานข้อมูลเท่าที่งานต้องการ ภายในขีดจำกัดการใช้ที่ชัดเจน โมเดลไม่จำเป็นต้องมีประวัติทั้งหมดของบุคคลหนึ่งเพื่อช่วยในการเลือกครั้งเดียว การเข้าถึงบริการหนึ่งไม่ควรหมายถึงการเข้าถึงทุกอย่างที่มีอยู่ที่อื่นในระบบนิเวศด้วย

จุดยืนของเรา

AI สามารถช่วยกำหนด จัดเรียง เปรียบเทียบ และอธิบาย ผู้ใช้ยังต้องสามารถประเมินผลลัพธ์และเข้าใจความไม่แน่นอนได้ นั่นคือเหตุผลที่งานของ Ideallya ด้านข้อมูลเป็นส่วนสำคัญของงานเกี่ยวกับ AI ที่มีประโยชน์: บริบทที่เกี่ยวข้อง ต้นกำเนิดที่เข้าใจได้ และงานที่เป็นรูปธรรม

ลองเปรียบเทียบในขอบเขตเล็ก ๆ ที่ตรวจสอบได้

ขอให้ผู้ช่วย AI แนะนำภาพยนตร์สามเรื่องสำหรับคืนนี้ จากนั้นทำงานเดิมซ้ำโดยเพิ่มข้อเท็จจริงที่เกี่ยวข้องเล็กน้อย ได้แก่ ภาษาที่ทุกคนเข้าใจ เวลาที่มี แนวภาพยนตร์ที่เห็นตรงกัน และภาพยนตร์ที่เคยดูแล้ว ไม่ใส่ประวัติที่อ่อนไหวหรือไม่เกี่ยวข้องในคำสั่งทั้งสองครั้ง

เปรียบเทียบคำตอบกับข้อกำหนดเหล่านั้น คำตอบครั้งที่สองทำตามข้อจำกัดด้านเวลาและหลีกเลี่ยงภาพยนตร์ที่เคยดูแล้วหรือไม่ ตรวจสอบว่ารับชมได้หรือไม่กับผู้ให้บริการสตรีมมิง คำตอบที่ตรงกับคุณมากขึ้นก็ยังอาจมีข้อเท็จจริงที่ผิด ความมั่นใจและถ้อยคำที่ลื่นไหลไม่ได้เป็นหลักฐานว่าข้อมูลเป็นปัจจุบัน

เก็บบริบทที่มีประโยชน์ แก้ไขข้อผิดพลาด และนำรายละเอียดที่ไม่ช่วยออก วิธีนี้ทำให้คุณทดสอบคุณค่าของข้อมูลในทางปฏิบัติ แทนที่จะคิดว่าข้อมูลมากขึ้นจะทำให้คำตอบดีขึ้นเสมอ แนวทางของ NIST เกี่ยวกับ AI เชิงกำเนิดกล่าวถึงความน่าเชื่อถือและประวัติที่มาในฐานะประเด็นการจัดการความเสี่ยง