Artificiell intelligens Antagandet av (AI) är fortfarande i ett tidigt skede. När fler företag använder AI-system och tekniken fortsätter att mogna och förändras, kan felaktig användning utsätta ett företag för betydande finansiella, operativa, regulatoriska och ryktemässiga risker. Att använda AI för vissa affärsuppgifter eller utan skyddsräcken på plats kanske inte heller överensstämmer med en organisations kärnvärden.

Det är här AI-styrning kommer in i bilden: att ta itu med dessa potentiella och oundvikliga problem med adoption. AI-styrning hänvisar till praxis att styra, hantera och övervaka en organisations AI-aktiviteter. Det inkluderar processer som spårar och dokumenterar ursprunget till data, modeller och tillhörande metadata och pipelines för revisioner.

Ett ramverk för AI-styrning säkerställer en etisk, ansvarsfull och transparent användning av AI och maskininlärning (ML). Den omfattar riskhantering och regelefterlevnad och vägleder hur AI hanteras inom en organisation.

Grundmodeller: Kraften med kurerade datauppsättningar

Grundmodeller, även känd som "transformatorer", är moderna, storskaliga AI-modeller som tränas på stora mängder rå, omärkt data. Framväxten av grundmodellens ekosystem (som är resultatet av årtionden av forskning inom maskininlärning), naturlig språkbehandling (NLP) och andra områden, har genererat ett stort intresse för datavetenskap och AI-kretsar. Open-source-projekt, akademiska institutioner, startups och äldre teknikföretag bidrog alla till utvecklingen av grundmodeller.

Grundmodeller kan använda språk, vision och mer för att påverka den verkliga världen. De används i allt från robotik till verktyg som resonerar och interagerar med människor. GPT-3, OpenAI:s språkprediktionsmodell som kan bearbeta och generera människoliknande text, är ett exempel på en grundmodell.

Grundmodeller kan tillämpa det de lär sig från en situation till en annan genom självövervakad och överförd lärande. Med andra ord, istället för att träna många modeller på märkta, uppgiftsspecifika data, är det nu möjligt att förträna en stor modell byggd på en transformator och sedan, med ytterligare finjustering, återanvända den efter behov.

Kurerade grundmodeller, som de som skapats av IBM eller Microsoft, hjälper företag att skala och accelerera användningen och effekten av de mest avancerade AI-funktionerna med hjälp av betrodd data. Förutom naturligt språk är modeller tränad på olika modaliteter, såsom kod, tidsserier, tabeller, geospatiala och IT-händelser. Domänspecifika grundmodeller kan sedan appliceras på nya användningsfall, oavsett om de är relaterade till klimatförändringar, sjukvård, HR, kundvård, modernisering av IT-appar eller andra ämnen.

Grundmodeller finns i stor utsträckning Begagnade för ML-uppgifter som klassificering och entitetsextraktion, samt generativa AI-uppgifter som översättning, sammanfattning och skapande av realistiskt innehåll. Utvecklingen och användningen av dessa modeller förklarar den enorma mängden senaste AI-genombrott.

"Med utvecklingen av grundmodeller är AI för företag kraftfullare än någonsin", säger Arvind Krishna, IBMs styrelseordförande och VD. "Grundmodeller gör implementeringen av AI betydligt mer skalbar, prisvärd och effektiv."

Är grundmodeller pålitliga?

Det är viktigt för ett företag att arbeta med ansvarsfull, transparent och förklarlig AI, vilket kan vara svårt att komma med i dessa tidiga tider av tekniken.

De flesta av dagens största grundmodeller, inklusive stor språkmodell (LLM) som driver ChatGPT, har utbildats i information hämtad från internet. Men hur pålitlig är den träningsdatan? Generativ AI chatbots har varit kända för att förolämpa kunder och hitta på fakta. Pålitlighet är avgörande. Företag måste känna tilltro till de förutsägelser och innehåll som stora grundmodellleverantörer genererar.

Stanford Institute for Human-Centered Artificial Intelligence Centrum för forskning om stiftelsemodeller (CRFM) beskrev nyligen de många riskerna med stiftelsemodeller, såväl som möjligheter. De påpekade att ämnet träningsdata, inklusive dess källa och sammansättning, ofta förbises. Det är där behovet av en kurerad grundmodell – och pålitlig styrning – blir väsentligt.

Komma igång med grundmodeller

An AI-utvecklingsstudio kan träna, validera, ställa in och distribuera grundmodeller och bygga AI-applikationer snabbt, vilket bara kräver en bråkdel av den data som tidigare behövdes. Sådana datamängder mäts efter hur många "tokens" (ord eller orddelar) de innehåller. De erbjuder en företagsklar datauppsättning med pålitlig data som har genomgått negativ och positiv kuration.

Negativ kurering är när problematiska datamängder och AI-baserat hat tas bort och svordomsfilter används för att ta bort stötande innehåll. Positiv kurering innebär att lägga till objekt från vissa domäner, såsom ekonomi, juridiska och reglerande, cybersäkerhet och hållbarhet, som är viktiga för företagsanvändare.

Hur man skalar AL och ML med inbyggd styrning

En passform för ändamålet datalagring byggd på en öppen sjöbyggnadsarkitektur låter dig skala AI och ML samtidigt som du tillhandahåller inbyggda styrverktyg. Den kan användas med både lokal och multimolnmiljö. Den här typen av nästa generations datalager kombinerar en datasjös flexibilitet med ett datalagers prestanda och låter dig skala AI-arbetsbelastningar oavsett var de finns.

Det möjliggör automatisering och integrationer med befintliga databaser och tillhandahåller verktyg som möjliggör en förenklad installation och användarupplevelse. Det låter dig också välja rätt motor för rätt arbetsbelastning till rätt kostnad, vilket kan minska dina datalagerkostnader genom att optimera arbetsbelastningen. En databutik låter ett företag koppla befintlig data med ny data och upptäcka nya insikter med realtidsanalys och affärsintelligens. Det hjälper dig att effektivisera datateknik med minskade datapipelines, förenklad datatransformation och berikad data.

En annan fördel är ansvarsfull datadelning eftersom det stödjer fler användare med självbetjäningsåtkomst till mer data samtidigt som säkerhet och efterlevnad av styrning och lokala beslutsfattare säkerställs.

Vad en verktygslåda för AI-styrning erbjuder

När AI blir mer inbäddad i företagens dagliga arbetsflöden är det ännu viktigare att det inkluderar proaktiv styrning – under hela skapandet, driftsättningen och hanteringen av AI-tjänster – som hjälper till att säkerställa ansvarsfulla och etiska beslut.

Organisationer som införlivar styrning i sitt AI-program minimerar risker och stärker sin förmåga att uppfylla etiska principer och statliga föreskrifter: 50 % av företagsledarna tillfrågade sade att den viktigaste aspekten av förklarlig AI är att uppfylla externa reglerings- och efterlevnadsskyldigheter; Ändå har de flesta ledare inte tagit kritiska steg mot att upprätta ett ramverk för AI-styrning, och 74 % minskar inte oavsiktliga fördomar.

An Verktygssats för AI-styrning låter dig styra, hantera och övervaka AI-aktiviteter utan kostnad för att byta din datavetenskapliga plattform, även för modeller utvecklade med verktyg från tredje part. Programvaruautomatisering hjälper till att minska risker, hantera kraven i regelverk och ta itu med etiska problem. Den inkluderar AI-livscykelstyrning, som övervakar, katalogiserar och styr AI-modeller i stor skala var de än befinner sig. Det automatiserar insamling av modellmetadata och ökar prediktiv noggrannhet för att identifiera hur AI-verktyg används och var modellträning behöver göras igen.

En verktygslåda för AI-styrning låter dig också designa dina AI-program baserat på principer om ansvar och transparens. Det hjälper till att bygga förtroende för träd och dokumentdatauppsättningar, modeller och pipelines eftersom du konsekvent kan förstå och förklara din AI:s beslut. Den automatiserar också en modells fakta och arbetsflöden för att följa affärsstandarder; identifierar, hanterar, övervakar och rapporterar om risker och efterlevnad i stor skala och tillhandahåller dynamiska instrumentpaneler och anpassningsbara resultat. Ett sådant styrningsprogram kan också översätta externa regler till policyer för automatisk efterlevnad, revisionsstöd och efterlevnad och tillhandahålla anpassningsbara instrumentpaneler och rapportering.

Att använda korrekt AI-styrning innebär att ditt företag kan utnyttja grundmodeller på bästa sätt samtidigt som du är ansvarig och etisk när du går vidare med AI-teknik.

Grundmodeller, styrning och IBM

Korrekt AI-styrning är nyckeln till att utnyttja kraften i AI samtidigt som man skyddar sig mot dess otaliga fallgropar. AI innebär ansvarsfull och transparent förvaltning, som omfattar riskhantering och regelefterlevnad för att vägleda dess användning inom en organisation. Grundmodeller erbjuder ett genombrott i AI-kapacitet för att möjliggöra skalbar och effektiv distribution över olika domäner.

Watsonx är en nästa generations data- och AI-plattform byggd för att hjälpa organisationer att fullt ut utnyttja grundmodeller samtidigt som de följer principerna för ansvarsfull AI-styrning. De watsonx.governance Toolkit gör det möjligt för din organisation att bygga AI-arbetsflöden med ansvar, transparens och förklarabarhet.

Med watsonx kan organisationer:

1. Operationalisera AI-arbetsflöden för att öka effektiviteten och noggrannheten i stor skala. Din organisation kan få tillgång till automatiserade, skalbara styrnings-, risk- och efterlevnadsverktyg, som omfattar operativ risk, policy, efterlevnad, finansiell förvaltning, IT-styrning och interna/externa revisioner.
2. Spåra modeller och driv transparenta processer. Övervaka, katalogisera och styr modeller från var som helst under din AI:s livscykel.
3. Fånga och dokumentera modellmetadata för rapportgenerering. Modellvaliderare och godkännare kan komma åt automatiskt genererade faktablad för en alltid uppdaterad vy av livscykeldetaljer.
4. Öka förtroendet för AI-resultat. Samarbetsverktyg och dynamiska användarbaserade instrumentpaneler, diagram och dimensionsrapportering ökar insynen i AI-processer.
5. Möjliggöra ansvarsfull, transparent och förklarlig data och AI-arbetsflöden med watsonx.governance.