Përgjigje e shkurtër: Qëllimi kryesor i IA-së gjeneruese është të prodhojë përmbajtje të re dhe të besueshme (tekst, imazhe, audio, kod dhe më shumë) duke mësuar modele në të dhënat ekzistuese dhe duke i zgjeruar ato në përgjigje të një kërkese. Ajo tenton të ndihmojë më shumë kur keni nevojë për drafte të shpejta ose variacione të shumëfishta, por nëse saktësia faktike ka rëndësi, shtoni bazë dhe rishikim.
Përmbledhjet kryesore:
Gjenerimi : Krijon rezultate të reja që pasqyrojnë modele të mësuara, jo "të vërtetën" e ruajtur.
Bazë : Nëse saktësia ka rëndësi, lidhni përgjigjet me dokumente, citime ose baza të dhënash të besueshme.
Kontrollueshmëria : Përdorni kufizime të qarta (format, fakte, ton) për të drejtuar rezultatet me më shumë qëndrueshmëri.
Rezistencë ndaj keqpërdorimit : Shtoni kangjella sigurie për të bllokuar përmbajtjen e rrezikshme, private ose të palejuar.
Përgjegjshmëria : Trajtojini rezultatet si drafte; regjistroni, vlerësoni dhe drejtoni punën me rrezik të lartë te njerëzit.
Artikuj që mund t'ju pëlqejnë të lexoni pas këtij:
🔗 Çfarë është IA gjenerative
Kuptoni se si modelet krijojnë tekst, imazhe, kod dhe më shumë.
🔗 A është inteligjenca artificiale tepër e ekzagjeruar?
Një vështrim i ekuilibruar mbi ekzaltimin, kufizimet dhe ndikimin në botën reale.
🔗 Cila inteligjencë artificiale është e duhura për ju
Krahasoni mjetet e njohura të IA-së dhe zgjidhni atë që i përshtatet më së miri.
🔗 A ka një flluskë inteligjence artificiale
Shenjat për t'u ndjekur, rreziqet e tregut dhe çfarë vjen më pas.
Qëllimi kryesor i IA-së Gjenerative🧠
Nëse dëshironi shpjegimin më të shkurtër dhe të saktë:
-
IA gjeneruese mëson "formën" e të dhënave (gjuhën, imazhet, muzikën, kodin)
-
Pastaj gjeneron mostra të reja që përputhen me atë formë
-
E bën këtë në përgjigje të një nxitjeje, konteksti ose kufizimesh
Pra, po, mund të shkruajë një paragraf, të pikturojë një figurë, të rimiksojë një melodi, të hartojë një klauzolë kontrate, të gjenerojë raste testimi ose të dizajnojë një gjë të ngjashme me logon.
Jo sepse “kupton” siç e kupton një njeri (do të flasim për këtë), por sepse është i mirë në prodhimin e rezultateve që janë statistikisht dhe strukturisht në përputhje me modelet që ka mësuar.
Nëse dëshironi një përshkrim të pjekur për "si ta përdorni këtë pa shkelur mbi grabuja", Korniza e Menaxhimit të Riskut të IA-së e NIST-it është një spirancë e fortë për të menduarit rrezik + kontrolle. [1] Dhe nëse dëshironi diçka të posaçërisht për rreziqet gjeneruese të IA-së (jo vetëm IA-në në përgjithësi), NIST gjithashtu publikoi një profil të GenAI që shkon më thellë në atë që ndryshon kur sistemi gjeneron përmbajtje. [2]
Pse njerëzit debatojnë rreth "qëllimit kryesor të IA-së Gjenerative" 😬
Njerëzit flasin pa përmendur njëri-tjetrin sepse përdorin kuptime të ndryshme të fjalës "qëllim"
Disa njerëz nënkuptojnë:
-
Qëllimi teknik: gjenerimi i rezultateve realiste dhe koherente (thelbi)
-
Qëllimi i biznesit: ulja e kostos, rritja e prodhimit, personalizimi i përvojave
-
Qëllimi njerëzor: të marrësh ndihmë për të menduar, krijuar ose komunikuar më shpejt
Dhe po, ato përplasen.
Nëse qëndrojmë të qëndrueshëm, qëllimi kryesor i IA-së Gjenerative është gjenerimi - krijimi i përmbajtjes që nuk ekzistonte më parë, e kushtëzuar nga të dhënat hyrëse.
Gjërat e biznesit janë në rrjedhën e poshtme. Paniku kulturor është gjithashtu në rrjedhën e poshtme (më falni… pak a shumë 😬).
Me çfarë njerëzit e ngatërrojnë GenAI (dhe pse kjo ka rëndësi) 🧯
Një listë e shpejtë "jo kjo" sqaron shumë konfuzion:
GenAI nuk është një bazë të dhënash
Nuk “gjeneron të vërtetën”. Gjeneron të besueshme . Nëse keni nevojë për të vërtetën, shtoni bazat (dokumente, baza të dhënash, citime, rishikime njerëzore). Ky ndryshim është në thelb e gjithë historia e besueshmërisë. [2]
GenAI nuk është automatikisht një agjent
Një model që gjeneron tekst nuk është e njëjta gjë me një sistem që mund të ndërmarrë veprime në mënyrë të sigurt (të dërgojë email, të ndryshojë të dhënat, të vendosë kod). "Mund të gjenerojë udhëzime" ≠ "duhet t'i ekzekutojë ato"
GenAI nuk është i qëllimshëm
Mund të prodhojë përmbajtje që tingëllon e qëllimshme. Kjo nuk është e njëjta gjë me të pasurit qëllim.
Çfarë e bën një version të mirë të IA-së Gjenerative? ✅
Jo të gjitha sistemet “gjeneruese” janë po aq praktike. Një version i mirë i IA-së gjeneruese nuk është vetëm ai që prodhon rezultate të bukura - është ai që prodhon rezultate që janë të vlefshme, të kontrollueshme dhe mjaftueshëm të sigurta për kontekstin.
Një version i mirë tenton të ketë:
-
Koherenca - nuk bie në kundërshtim me veten çdo dy fjali
-
Bazë - mund të lidhë rezultatet me një burim të vërtetë (dokumente, citime, baza të dhënash) 📌
-
Kontrollueshmëria - mund të drejtoni tonin, formatin, kufizimet (jo vetëm nxitjen e atmosferës)
-
Besueshmëria - kërkesa të ngjashme marrin cilësi të ngjashme, jo rezultate rulete
-
Kanale sigurie - shmang daljet e rrezikshme, private ose të palejuara me projektim
-
Sjellje të sinqerta - mund të thotë "Nuk jam i sigurt" në vend që të shpikë
-
Përshtatja e rrjedhës së punës - përputhet me mënyrën se si punojnë njerëzit, jo me një rrjedhë pune imagjinare
NIST në thelb e përshkruan të gjithë këtë bisedë si "besueshmëri + menaxhim risku", që është... gjëja jo seksi që të gjithë do të donin ta kishin bërë më parë. [1][2]
Një metaforë e papërsosur (përgatitu): një model i mirë gjenerues është si një asistent kuzhine shumë i shpejtë që mund të përgatisë çdo gjë… por ndonjëherë ngatërron kripën me sheqerin, dhe ke nevojë për etiketim dhe teste shijeje në mënyrë që të mos shërbesh gjellë ëmbëlsire 🍲🍰
Një mini-çantë e shpejtë për përdorim të përditshëm (e përbërë, por shumë normale) 🧩
Imagjinoni një ekip mbështetës që dëshiron që GenAI të hartojë përgjigje:
-
Java 1: "Thjesht lëre modelen të përgjigjet në pyetjet e biletave."
-
Rezultati është i shpejtë, i sigurt… dhe ndonjëherë i gabuar në mënyra të kushtueshme.
-
-
Java 2: Ata shtojnë rikthimin (nxjerr fakte nga dokumentet e miratuara) + shabllone ("kërko gjithmonë ID-në e llogarisë", "mos premto kurrë rimbursime", etj.).
-
Gabimet bien, qëndrueshmëria përmirësohet.
-
-
Java 3: Ata shtojnë një korsi shqyrtimi (miratim njerëzor për kategoritë me rrezik të lartë) + vlerësime të thjeshta ("politika e cituar", "rregulli i rimbursimit i ndjekur").
-
Tani sistemi është i disponueshëm për t’u instaluar.
-
Ky progresion është në thelb qëllimi i NIST-it në praktikë: modeli është vetëm një pjesë; kontrollet rreth tij janë ato që e bëjnë atë mjaftueshëm të sigurt. [1][2]
Tabela krahasuese - opsionet gjeneruese të njohura (dhe pse funksionojnë) 🔍
Çmimet ndryshojnë vazhdimisht, kështu që kjo mbetet qëllimisht e paqartë. Gjithashtu: kategoritë mbivendosen. Po, është bezdisëse.
| Mjet / qasje | Audienca | Çmimi (afërsisht) | Pse funksionon (dhe një veçori e vogël) |
|---|---|---|---|
| Asistentë të përgjithshëm të bisedave për LLM | Të gjithë, ekipet | Nivel falas + abonim | I shkëlqyer për hartim, përmbledhje, shkëmbim idesh. Ndonjëherë gabon me bindje… si një mik i guximshëm 😬 |
| API LLM për aplikacione | Zhvilluesit, ekipet e produkteve | Bazuar në përdorim | I lehtë për t’u integruar në rrjedhat e punës; shpesh shoqërohet me mjete rikuperimi + mjete. Nevojiten parmakë mbrojtës ose bëhet shumë i vështirë |
| Gjeneratorë imazhesh (stili i difuzionit) | Krijuesit, tregtarët | Abonim/kredite | I fortë në stil + variacion; i ndërtuar mbi modele gjenerimi në stilin e heqjes së zhurmës [5] |
| Modele gjeneruese me burim të hapur | Hakerët, studiuesit | Softuer + harduer falas | Kontroll + personalizim, konfigurime miqësore me privatësinë. Por ju paguani për dhimbjen e konfigurimit (dhe ngarkesën e GPU-së) |
| Gjeneratorë audio/muzike | Muzikantët, hobistët | Kredite/abonim | Ideim i shpejtë për meloditë, trungjet, dizajnin e tingullit. Licencimi mund të jetë konfuz (lexoni termat) |
| Gjeneratorë videosh | Krijuesit, studiot | Abonim/kredite | Storyboard-e dhe klipe konceptuale të shpejta. Konsistenca në të gjitha skenat është ende problemi |
| Gjenerimi i shtuar i rikuperimit (RAG) | Bizneset | Përdorimi i Infra + | Ndihmon në lidhjen e gjenerimit me dokumentet tuaja; një kontroll i zakonshëm për reduktimin e "gjërave të sajuara" [2] |
| Gjeneratorë të të dhënave sintetike | Ekipet e të dhënave | Si ndërmarrje | I dobishëm kur të dhënat janë të pakta/të ndjeshme; ka nevojë për validim në mënyrë që të dhënat e gjeneruara të mos ju mashtrojnë 😵 |
Nën kapuç: gjenerimi është në thelb "përfundim modeli" 🧩
E vërteta jo romantike:
Shumë lloje të inteligjencës artificiale gjeneruese “parashikojnë çfarë vjen më pas” të shkallëzuara derisa të ndihen si diçka tjetër.
-
Në tekst: prodhoni pjesën tjetër të tekstit (siç është simboli) në një sekuencë - konfigurimi klasik autoregresiv që e bëri nxitjen moderne kaq efektive [4]
-
Në imazhe: filloni me zhurmë dhe çzhurmojeni atë në mënyrë iterative në strukturë (intuita e familjes së difuzionit) [5]
Kjo është arsyeja pse sugjerimet kanë rëndësi. Ju po i jepni modelit një model të pjesshëm dhe ai e plotëson atë.
Kjo është gjithashtu arsyeja pse IA gjeneruese mund të jetë e shkëlqyer në:
-
"Shkruaje këtë me një ton më miqësor"
-
"Më jepni dhjetë opsione për titullin"
-
"Shndërroni këto shënime në një plan të pastër"
-
"Gjeneroni kodin e skeletit + testet"
...dhe gjithashtu pse mund të ketë vështirësi me:
-
saktësi e rreptë faktike pa bazë
-
zinxhirë të gjatë e të brishtë arsyetimi
-
identitet i qëndrueshëm në shumë rezultate (personazhe, zëri i markës, detaje të përsëritura)
Nuk është “të mendosh” si një person. Është të gjenerosh vazhdime të besueshme. I vlefshëm, por i ndryshëm.
Debati mbi kreativitetin - "krijimi" vs "ripërzierja" 🎨
Njerëzit nxehen në mënyrë disproporcionale këtu. E kuptoj pak a shumë.
IA gjeneruese shpesh prodhon rezultate që ndihen krijuese sepse mund të:
-
kombinoni konceptet
-
eksploroni variacionin shpejt
-
shoqata të habitshme sipërfaqësore
-
imitojnë stilet me një saktësi të çuditshme
Por nuk ka qëllim. Asnjë shije të brendshme. Asnjë "E bëra këtë sepse ka rëndësi për mua"
Një kthim prapa i lehtë: njerëzit gjithashtu rimiksojnë vazhdimisht. Ne e bëjmë këtë thjesht me përvojën e jetuar, qëllimet dhe shijen. Kështu që etiketa mund të mbetet e kontestuar. Praktikisht, është një levë krijuese për njerëzit, dhe kjo është pjesa që ka më shumë rëndësi.
Të dhëna sintetike - qëllimi i nënvlerësuar në heshtje 🧪
Një degë çuditërisht e rëndësishme e IA-së gjeneruese ka të bëjë me gjenerimin e të dhënave që sillen si të dhëna reale, pa ekspozuar individë të vërtetë ose raste të rralla dhe të ndjeshme.
Pse është e vlefshme:
-
kufizime të privatësisë dhe pajtueshmërisë (më pak ekspozim i të dhënave reale)
-
simulim i ngjarjeve të rralla (raste mashtrimi në kufijtë e fushës, dështime të tubacioneve të specializuara, etj.)
-
testimi i tubacioneve pa përdorur të dhëna prodhimi
-
shtimi i të dhënave kur grupet e të dhënave reale janë të vogla
Por problemi mbetet problemi: të dhënat sintetike mund të riprodhojnë në heshtje të njëjtat paragjykime dhe pika të verbëra si të dhënat origjinale - prandaj qeverisja dhe matja kanë rëndësi po aq sa gjenerimi. [1][2][3]
Të dhënat sintetike janë si kafeja pa kafeinë - duket si duhet, ka aromë të mirë, por ndonjëherë nuk bën punën që menduat se do të bënte ☕🤷
Kufijtë - në çfarë është e keqe IA gjeneruese (dhe pse) 🚧
Nëse mbani mend vetëm një paralajmërim, mbani mend këtë:
Modelet gjeneruese mund të prodhojnë gjëra të pakuptimta rrjedhshme.
Mënyrat e zakonshme të dështimit:
-
Halucinacione - trillim i sigurt i fakteve, citimeve ose ngjarjeve
-
Njohuri të vjetra - modelet e trajnuara në pamje të çastit mund të humbasin përditësimet
-
Brishtësia e menjëhershme - ndryshimet e vogla të fjalëve mund të shkaktojnë ndryshime të mëdha në rezultate
-
Paragjykim i fshehur - modele të mësuara nga të dhëna të shtrembëruara
-
Mbi-përputhje - përpiqet të ndihmojë edhe kur nuk duhet
-
Arsyetim jo konsistent - veçanërisht në detyra të gjata
Pikërisht për këtë arsye ekziston biseda për "IA të besueshme": transparenca, llogaridhënia, qëndrueshmëria dhe dizajni i përqendruar te njeriu nuk janë gjëra të këndshme për t'u pasur; ato janë mënyra se si shmangni futjen në prodhim të një sistemi besimi. [1][3]
Matja e suksesit: të dish kur arrihet qëllimi 📏
Nëse qëllimi kryesor i IA-së Gjenerative është "gjenerimi i përmbajtjes së re të vlefshme", atëherë metrikat e suksesit zakonisht ndahen në dy kategori:
Metrikat e cilësisë (njerëzore dhe të automatizuara)
-
korrektësia (kur është e aplikueshme)
-
koherencë dhe qartësi
-
përputhje stili (toni, zëri i markës)
-
plotësia (mbulon atë që kërkuat)
Metrikat e rrjedhës së punës
-
kohë e kursyer për detyrë
-
reduktim në rishikime
-
rendiment më i lartë pa rënie të cilësisë
-
kënaqësia e përdoruesit (metrika më domethënëse, edhe nëse është e vështirë të përcaktohet sasia)
Në praktikë, ekipet hasën një të vërtetë të vështirë:
-
modeli mund të prodhojë shpejt skica "mjaft të mira"
-
por kontrolli i cilësisë bëhet pengesa e re
Pra, fitorja e vërtetë nuk është vetëm gjenerimi. Është gjenerimi plus sistemet e rishikimit - tokëzimi i rikuperimit, suitat e vlerësimit, regjistrimi, bashkimi i të dhënave me të kuqe, shtigjet e përshkallëzimit… të gjitha gjërat jo tërheqëse që e bëjnë atë të vërtetë. [2]
Udhëzime praktike "përdoreni pa keqardhje" 🧩
Nëse po përdorni IA gjeneruese për ndonjë gjë përtej argëtimit të rastësishëm, disa zakone ndihmojnë shumë:
-
Kërko për strukturën: “Më jep një plan me numër, pastaj një draft.”
-
Detyrimi i kufizimeve: "Përdorni vetëm këto fakte. Nëse mungojnë, thoni se çfarë mungon."
-
Kërkesë për pasiguri: "Listo supozimet + besimin".
-
Përdorni tokëzimin: lidheni me dokumente/baza të dhënash kur faktet kanë rëndësi [2]
-
Trajtojini rezultatet si drafte: madje edhe ato të shkëlqyera
Dhe truku më i thjeshtë është ai më njerëzor: lexojeni me zë të lartë. Nëse tingëllon si një robot i çuditshëm që përpiqet të bëjë përshtypje te menaxheri juaj, ndoshta ka nevojë për redaktim 😅
Përmbledhje 🎯
Qëllimi kryesor i IA-së Gjenerative është të gjenerojë përmbajtje të re që i përshtatet një nxitjeje ose kufizimi , duke mësuar modele nga të dhënat dhe duke prodhuar rezultate të besueshme.
Është i fuqishëm sepse:
-
përshpejton hartimin dhe ideimin
-
shumëfishon variacionet me çmim të ulët
-
ndihmon në kapërcimin e boshllëqeve në aftësi (shkrimi, kodimi, dizajni)
Është e rrezikshme sepse:
-
mund të sajojë fakte rrjedhshëm
-
trashëgon paragjykime dhe pika të verbëra
-
ka nevojë për mbështetje dhe mbikëqyrje në kontekste serioze [1][2][3]
I përdorur mirë, është më pak "trur zëvendësues" dhe më shumë "motor me turbo".
I përdorur keq, është një top besimi i drejtuar nga rrjedha juaj e punës... dhe kjo kushton shpejt 💥
Pyetje të shpeshta
Cili është qëllimi kryesor i IA-së gjenerative në gjuhën e përditshme?
Qëllimi kryesor i IA-së gjeneruese është të prodhojë përmbajtje të re dhe të besueshme - tekst, imazhe, audio ose kod - bazuar në modelet që ka mësuar nga të dhënat ekzistuese. Nuk po rikuperon "të vërtetën" nga një bazë të dhënash. Në vend të kësaj, ajo gjeneron rezultate që janë statistikisht në përputhje me atë që ka parë më parë, të formuara nga kërkesa juaj dhe çdo kufizim që ofroni.
Si gjeneron IA gjeneruese përmbajtje të re nga një kërkesë?
Në shumë sisteme, gjenerimi funksionon si përfundimi i modelit në shkallë të gjerë. Për tekstin, modeli parashikon se çfarë vjen më pas në një sekuencë, duke krijuar vazhdimësi koherente. Për imazhet, modelet e stilit të difuzionit shpesh fillojnë me zhurmë dhe në mënyrë iterative "zhurmohen" drejt strukturës. Kërkesa juaj shërben si një shabllon i pjesshëm dhe modeli e plotëson atë.
Pse IA gjeneruese ndonjëherë shpik fakte me kaq siguri?
IA gjeneruese është e optimizuar për prodhimin e rezultateve të besueshme dhe rrjedhshme - jo për të garantuar saktësinë faktike. Kjo është arsyeja pse ajo mund të prodhojë gjëra të pakuptimta që tingëllojnë të sigurta, citime të sajuara ose ngjarje të pasakta. Kur saktësia ka rëndësi, zakonisht keni nevojë për mbështetje (dokumente të besueshme, citime, baza të dhënash) plus rishikim njerëzor, veçanërisht për punë me rrezik të lartë ose me klientë.
Çfarë do të thotë "tokëzim" dhe kur duhet ta përdor atë?
Tokëzimi do të thotë lidhja e rezultatit të modelit me një burim të besueshëm të së vërtetës, siç është dokumentacioni i miratuar, bazat e brendshme të njohurive ose bazat e të dhënave të strukturuara. Ju duhet të përdorni tokëzimin sa herë që saktësia faktike, përputhshmëria me politikat ose qëndrueshmëria kanë rëndësi - përgjigjet e mbështetjes, draftet ligjore ose financiare, udhëzimet teknike ose çdo gjë që mund të shkaktojë dëm të prekshëm nëse është e gabuar.
Si t’i bëj rezultatet gjeneruese të IA-së më të qëndrueshme dhe të kontrollueshme?
Kontrollueshmëria përmirësohet kur shtoni kufizime të qarta: formatin e kërkuar, faktet e lejuara, udhëzimet për tonin dhe rregulla të qarta "bëj/mos bëj". Shabllonet ndihmojnë ("Gjithmonë kërko X," "Asnjëherë mos premto Y"), ashtu si edhe kërkesat e strukturuara ("Jep një plan me numër, pastaj një draft"). T'i kërkosh modelit të rendisë supozimet dhe pasigurinë gjithashtu mund të zvogëlojë hamendësimet tepër të sigurta.
A është IA gjeneruese e njëjta gjë me një agjent që mund të ndërmarrë veprime?
Jo. Një model që gjeneron përmbajtje nuk është automatikisht një sistem që duhet të ekzekutojë veprime si dërgimi i email-eve, ndryshimi i të dhënave ose vendosja e kodit. "Mund të gjenerojë udhëzime" është e ndryshme nga "i ekzekutoj ato në mënyrë të sigurt". Nëse shtoni përdorimin e mjeteve ose automatizimin, zakonisht keni nevojë për mbrojtje shtesë, leje, regjistrime dhe shtigje përshkallëzimi për të menaxhuar rrezikun.
Çfarë e bën një sistem të inteligjencës artificiale gjeneruese "të mirë" në rrjedhat reale të punës?
Një sistem i mirë është i vlefshëm, i kontrollueshëm dhe mjaftueshëm i sigurt për kontekstin e tij - jo vetëm mbresëlënës. Sinjalet praktike përfshijnë koherencën, besueshmërinë në të gjitha kërkesat e ngjashme, lidhjen me burime të besueshme, kangjellat e sigurisë që bllokojnë përmbajtjen e palejuar ose private dhe sinqeritetin kur është e pasigurt. Fluksi i punës përreth - korsitë e rishikimit, vlerësimi dhe monitorimi - shpesh kanë po aq rëndësi sa modeli.
Cilat janë kufizimet dhe mënyrat më të mëdha të dështimit për të cilat duhet të keni kujdes?
Mënyrat e zakonshme të dështimit përfshijnë halucinacione, njohuri të ndenjura, brishtësi të menjëhershme, paragjykime të fshehura, pajtueshmëri të tepruar dhe arsyetim jokonsistues për detyra të gjata. Rreziku rritet kur rezultatet trajtohen si punë e përfunduar në vend të drafteve. Për përdorim në prodhim, ekipet shpesh shtojnë mbështetje për rikthimin e të dhënave, vlerësime, regjistrim dhe rishikim njerëzor për kategoritë e ndjeshme.
Kur është gjenerimi i të dhënave sintetike një përdorim i mirë i IA-së gjeneruese?
Të dhënat sintetike mund të ndihmojnë kur të dhënat reale janë të pakta, të ndjeshme ose të vështira për t'u ndarë, dhe kur keni nevojë për simulim të rasteve të rralla ose mjedise të sigurta testimi. Ato mund të zvogëlojnë ekspozimin e të dhënave reale dhe të mbështesin testimin ose zgjerimin e tubacionit. Por ato ende kanë nevojë për validim, sepse të dhënat sintetike mund të riprodhojnë paragjykime ose pika të verbëra nga të dhënat origjinale.
Referencat
[1] RMF i IA-së i NIST-it - një kornizë për menaxhimin e rreziqeve dhe kontrolleve të IA-së. lexoni më
[2] Profili GenAI 600-1 i NIST-it - udhëzime për rreziqet dhe zbutjet specifike të GenAI-së (PDF). lexoni më shumë
[3] Parimet e IA-së të OECD-së - një grup parimesh të nivelit të lartë për IA-në e përgjegjshme. lexoni më shumë
[4] Brown et al. (NeurIPS 2020) - punim themelor mbi nxitjen me pak të shtëna me modele të mëdha gjuhësore (PDF). lexoni më shumë
[5] Ho et al. (2020) - punim mbi modelin e difuzionit që përshkruan gjenerimin e imazheve të bazuara në heqjen e zhurmës (PDF). lexoni më shumë