kunstmatige intelligentie De adoptie van (AI) bevindt zich nog in de beginfase. Naarmate meer bedrijven AI-systemen gebruiken en de technologie steeds volwassener wordt en verandert, kan oneigenlijk gebruik een bedrijf blootstellen aan aanzienlijke financiële, operationele, regelgevende en reputatierisico's. Het gebruik van AI voor bepaalde zakelijke taken of zonder vangrails sluit mogelijk ook niet aan bij de kernwaarden van een organisatie.

Dit is waar AI-governance een rol gaat spelen: het aanpakken van deze potentiële en onvermijdelijke adoptieproblemen. AI-beheer verwijst naar de praktijk van het aansturen, beheren en monitoren van de AI-activiteiten van een organisatie. Het omvat processen die de oorsprong van gegevens, modellen en bijbehorende metadata en pijplijnen voor audits traceren en documenteren.

Een AI-governanceframework waarborgt het ethische, verantwoorde en transparante gebruik van AI en machine learning (ML). Het omvat risicobeheer en naleving van de regelgeving en geeft richtlijnen voor het beheer van AI binnen een organisatie.

Basismodellen: de kracht van samengestelde datasets

Funderingsmodellen, ook wel ‘transformatoren’ genoemd, zijn moderne, grootschalige AI-modellen die zijn getraind op grote hoeveelheden ruwe, ongelabelde gegevens. De opkomst van het basismodel-ecosysteem (dat het resultaat is van tientallen jaren onderzoek op het gebied van machinaal leren), natuurlijke taalverwerking (NLP) en andere gebieden, heeft veel belangstelling gewekt in computerwetenschappen en AI-kringen. Open-sourceprojecten, academische instellingen, startups en oudere technologiebedrijven hebben allemaal bijgedragen aan de ontwikkeling van basismodellen.

Basismodellen kunnen taal, visie en meer gebruiken om de echte wereld te beïnvloeden. Ze worden overal in gebruikt, van robotica tot hulpmiddelen die redeneren en met mensen omgaan. GPT-3, het taalvoorspellingsmodel van OpenAI dat mensachtige tekst kan verwerken en genereren, is een voorbeeld van een basismodel.

Basismodellen kunnen wat ze van de ene situatie leren, toepassen op de andere door middel van zelfgecontroleerd en overdrachtelijk leren. Met andere woorden: in plaats van talloze modellen te trainen op gelabelde, taakspecifieke gegevens, is het nu mogelijk om één groot model, gebouwd op een transformator, vooraf te trainen en het vervolgens, met aanvullende verfijning, indien nodig opnieuw te gebruiken.

Samengestelde basismodellen, zoals die gemaakt door IBM of Microsoft, help bedrijven het gebruik en de impact van de meest geavanceerde AI-mogelijkheden te schalen en te versnellen met behulp van vertrouwde data. Naast natuurlijke taal zijn er ook modellen getraind op verschillende modaliteiten, zoals code, tijdreeksen, tabellarische, geospatiale en IT-gebeurtenisgegevens. Domeinspecifieke basismodellen kunnen vervolgens worden toegepast op nieuwe gebruiksscenario’s, of deze nu verband houden met klimaatverandering, gezondheidszorg, HR, klantenservice, modernisering van IT-apps of andere onderwerpen.

Funderingsmodellen zijn wijdverspreid gebruikt voor ML-taken zoals classificatie en entiteitsextractie, maar ook voor generatieve AI-taken zoals vertaling, samenvatting en het creëren van realistische inhoud. De ontwikkeling en het gebruik van deze modellen verklaren het enorme aantal recente AI-doorbraken.

“Met de ontwikkeling van basismodellen is AI voor het bedrijfsleven krachtiger dan ooit”, zegt Arvind Krishna, voorzitter en CEO van IBM. “Foundation-modellen maken de inzet van AI aanzienlijk schaalbaarder, betaalbaarder en efficiënter.”

Zijn funderingsmodellen betrouwbaar?

Het is essentieel voor een onderneming om te werken met verantwoordelijke, transparante en verklaarbare AI, wat in deze begindagen van de technologie een uitdaging kan zijn.

De meeste van de grootste funderingsmodellen van vandaag, inclusief de groot taalmodel (LLM) die ChatGPT aandrijven, zijn getraind op basis van informatie die van internet is gehaald. Maar hoe betrouwbaar zijn die trainingsgegevens? generatieve AI Het is bekend dat chatbots klanten beledigen en feiten verzinnen. Betrouwbaarheid is van cruciaal belang. Bedrijven moeten vertrouwen hebben in de voorspellingen en inhoud die grote aanbieders van funderingsmodellen genereren.

Het Stanford Instituut voor Mensgerichte Kunstmatige Intelligentie Centrum voor onderzoek naar funderingsmodellen (CRFM) schetste onlangs de vele risico’s van funderingsmodellen, maar ook de kansen. Ze wezen erop dat het onderwerp trainingsgegevens, inclusief de bron en samenstelling ervan, vaak over het hoofd wordt gezien. Dat is waar de behoefte aan een samengesteld basismodel – en vertrouwd bestuur – essentieel wordt.

Aan de slag met funderingsmodellen

An AI-ontwikkelingsstudio kan basismodellen trainen, valideren, afstemmen en inzetten en snel AI-applicaties bouwen, waarbij slechts een fractie van de voorheen benodigde gegevens nodig is. Dergelijke datasets worden gemeten aan de hand van het aantal ‘tokens’ (woorden of woorddelen) die ze bevatten. Ze bieden een bedrijfsklare dataset met vertrouwde gegevens die negatief en positief zijn beheerd.

Er is sprake van negatief beheer wanneer problematische datasets en op AI gebaseerde haat worden verwijderd en er filters voor godslastering worden toegepast om aanstootgevende inhoud te verwijderen. Positief beheer betekent het toevoegen van items uit bepaalde domeinen, zoals financiën, wet- en regelgeving, cyberbeveiliging en duurzaamheid, die belangrijk zijn voor zakelijke gebruikers.

Hoe u AL en ML kunt schalen met ingebouwd beheer

Een geschikt voor het doel gegevensopslag gebouwd op een open lakehouse-architectuur stelt u in staat AI en ML te schalen en tegelijkertijd ingebouwde governance-tools te bieden. Het kan worden gebruikt met zowel on-premise als multi-cloudomgevingen. Dit type datastore van de volgende generatie combineert de flexibiliteit van een datameer met de prestaties van een datawarehouse, waardoor u AI-workloads kunt schalen, waar deze zich ook bevinden.

Het maakt automatisering en integraties met bestaande databases mogelijk en biedt tools die een vereenvoudigde installatie en gebruikerservaring mogelijk maken. Hiermee kunt u ook de juiste engine voor de juiste werklast tegen de juiste kosten kiezen, waardoor uw datawarehouse-kosten mogelijk worden verlaagd door de werklast te optimaliseren. Met een datastore kan een bedrijf bestaande data verbinden met nieuwe data en nieuwe inzichten ontdekken met realtime analytics en business intelligence. Het helpt u data-engineering te stroomlijnen met verminderde datapijplijnen, vereenvoudigde datatransformatie en verrijkte data.

Een ander voordeel is het verantwoord delen van gegevens, omdat het meer gebruikers ondersteunt met zelfbedieningstoegang tot meer gegevens en tegelijkertijd de veiligheid en naleving van het bestuur en lokale beleidsmakers garandeert.

Wat een AI-governancetoolkit biedt

Naarmate AI steeds meer ingebed raakt in de dagelijkse workflows van ondernemingen, wordt het zelfs nog belangrijker dat het proactief bestuur omvat – tijdens de creatie, implementatie en beheer van AI-diensten – dat helpt verantwoorde en ethische beslissingen te garanderen.

Organisaties die governance in hun AI-programma opnemen, minimaliseren de risico’s en versterken hun vermogen om te voldoen aan ethische principes en overheidsvoorschriften: 50% van de bedrijfsleiders ondervraagde zei dat het belangrijkste aspect van verklaarbare AI het voldoen aan externe regelgevings- en complianceverplichtingen is; Toch hebben de meeste leiders nog geen cruciale stappen gezet in de richting van het opzetten van een raamwerk voor AI-beheer, en 74% vermindert onbedoelde vooroordelen niet.

An Toolkit voor AI-beheer Hiermee kunt u AI-activiteiten aansturen, beheren en monitoren zonder de kosten van het wisselen van data science-platform, zelfs voor modellen die zijn ontwikkeld met behulp van tools van derden. Softwareautomatisering helpt risico's te beperken, de vereisten van regelgevingskaders te beheren en ethische problemen aan te pakken. Het omvat AI-levenscyclusbeheer, dat AI-modellen op schaal monitort, catalogiseert en bestuurt, waar ze zich ook bevinden. Het automatiseert het vastleggen van metagegevens van modellen en verhoogt de voorspellende nauwkeurigheid om te identificeren hoe AI-tools worden gebruikt en waar modeltraining opnieuw moet worden gedaan.

Met een AI-governancetoolkit kunt u ook uw AI-programma’s ontwerpen op basis van principes van verantwoordelijkheid en transparantie. Het helpt bij het opbouwen van vertrouwen in bomen en het documenteren van datasets, modellen en pijplijnen, omdat u de beslissingen van uw AI op consistente wijze kunt begrijpen en uitleggen. Het automatiseert ook de feiten en workflows van een model om te voldoen aan bedrijfsnormen; identificeert, beheert, monitort en rapporteert risico's en compliance op schaal en biedt dynamische dashboards en aanpasbare resultaten. Een dergelijk governanceprogramma kan ook externe regelgeving vertalen in beleid voor geautomatiseerde naleving, auditondersteuning en compliance en aanpasbare dashboards en rapportage bieden.

Het gebruik van goed AI-beheer betekent dat uw bedrijf optimaal gebruik kan maken van basismodellen en er tegelijkertijd voor kan zorgen dat u verantwoordelijk en ethisch verantwoord bent als u vooruitgang boekt met AI-technologie.

Basismodellen, governance en IBM

Goed AI-beheer is van cruciaal belang om de kracht van AI te benutten en tegelijkertijd te beschermen tegen de talloze valkuilen. AI omvat verantwoordelijk en transparant beheer, dat risicobeheer en naleving van de regelgeving omvat om het gebruik ervan binnen een organisatie te begeleiden. Foundation-modellen bieden een doorbraak in AI-mogelijkheden om schaalbare en efficiënte implementatie in verschillende domeinen mogelijk te maken.

watson x is een data- en AI-platform van de volgende generatie dat is gebouwd om organisaties te helpen de basismodellen volledig te benutten en zich tegelijkertijd te houden aan verantwoorde AI-governanceprincipes. De watsonx.governance toolkit stelt uw organisatie in staat AI-workflows te bouwen met verantwoordelijkheid, transparantie en uitlegbaarheid.

Met watsonx kunnen organisaties:

1. Operationaliseer AI-workflows om de efficiëntie en nauwkeurigheid op schaal te vergroten. Uw organisatie heeft toegang tot geautomatiseerde, schaalbare governance-, risico- en compliance-tools, die betrekking hebben op operationeel risico, beleid, compliance, financieel beheer, IT-governance en interne/externe audits.
2. Volg modellen en stimuleer transparante processen. Monitor, catalogiseer en beheer modellen vanaf elke plek gedurende de levenscyclus van uw AI.
3. Leg modelmetadata vast en documenteer deze voor het genereren van rapporten. Modelvalideerders en goedkeurders hebben toegang tot automatisch gegenereerde factsheets voor een altijd actueel beeld van de levenscyclusdetails.
4. Vergroot het vertrouwen in AI-resultaten. Samenwerkingstools en dynamische, op gebruikers gebaseerde dashboards, grafieken en dimensionale rapportage vergroten de zichtbaarheid in AI-processen.
5. Maak verantwoorde, transparante en verklaarbare data mogelijk en AI-workflows met watsonx.governance.