AI tốt cần dữ liệu liên quan

Bối cảnh làm nhiệm vụ trở nên cụ thể

Một mô hình AI mạnh có thể đưa ra câu trả lời chung tốt. Để giúp với nhiệm vụ của bạn, nó thường cần thêm bối cảnh: bạn muốn đạt được gì, giả định nào áp dụng và thông tin nào liên quan hiện nay.

Một ví dụ từ buổi xem phim

"Chúng ta nên xem gì?" là một ví dụ đơn giản. Một câu trả lời chung có thể gợi ý phim phổ biến. Một điểm khởi đầu liên quan hơn có thể tính đến các dịch vụ bạn dùng, những gì bạn đã xem và bạn sẽ xem cùng ai. Đây là một ví dụ minh họa về giá trị của bối cảnh, không phải lời hứa rằng mọi gợi ý đều đúng.

Số lượng, chất lượng và giới hạn sử dụng

Nhiều dữ liệu hơn cũng không tự động tốt hơn. Thông tin cũ, sai hoặc không liên quan có thể kéo câu trả lời đi sai hướng. Điều tương tự áp dụng cho chỉ dẫn hoặc giả định không phù hợp với nhiệm vụ. Vì vậy nguồn, thời điểm và ý nghĩa của thông tin phải đi kèm với nó.

Chúng tôi tin AI nên nhận nền tảng dữ liệu mà nhiệm vụ cần, trong các giới hạn sử dụng rõ ràng. Một mô hình không cần toàn bộ lịch sử của một người để giúp với một lựa chọn. Quyền truy cập vào một dịch vụ cũng không nên đồng nghĩa với quyền truy cập vào mọi thứ tồn tại ở nơi khác trong hệ sinh thái.

Lập trường của chúng tôi

AI có thể giúp diễn đạt, sắp xếp, so sánh và giải thích. Người dùng vẫn phải có thể đánh giá kết quả và hiểu sự bất định. Vì vậy công việc của Ideallya với dữ liệu là một phần quan trọng của công việc về AI hữu ích: bối cảnh liên quan, nguồn gốc dễ hiểu và nhiệm vụ cụ thể.

Thử một phép so sánh nhỏ, có thể kiểm tra

Yêu cầu trợ lý AI gợi ý ba bộ phim cho tối nay. Sau đó lặp lại nhiệm vụ với vài thông tin phù hợp: ngôn ngữ mọi người đều hiểu, thời gian có sẵn, thể loại cùng đồng ý và phim đã xem. Không đưa lịch sử nhạy cảm hoặc không liên quan vào cả hai lời nhắc.

Đối chiếu câu trả lời với những yêu cầu đó. Câu trả lời thứ hai có tuân thủ giới hạn thời gian và tránh phim đã xem không? Kiểm tra khả năng xem phim với nhà cung cấp phát trực tuyến. Câu trả lời mang tính cá nhân hơn vẫn có thể chứa thông tin sai; sự tự tin và cách diễn đạt trôi chảy không phải bằng chứng rằng thông tin còn cập nhật.

Giữ lại ngữ cảnh hữu ích, sửa lỗi và loại bỏ chi tiết không giúp ích. Cách này giúp bạn thử nghiệm thực tế giá trị dữ liệu của mình thay vì mặc định rằng càng nhiều dữ liệu thì câu trả lời luôn càng tốt. Hướng dẫn của NIST về AI tạo sinh xem độ tin cậy và nguồn gốc là những vấn đề quản lý rủi ro.