Tekoälyn käyttöä sekä yritysten että muiden organisaation toiminnassa sekä tuotannossa tehostetaan. Ja tuo tehostaminen aiheuttaa ongelmia. Arvostelijat sanovat, että tekoäly antaa huonoja vastauksia, eli sen takia se olisi huono tai muuten epäasiallinen työväline. Tekoälyn antamat vastaukset riippuvat siitä, mitä lähteitä tekoäly käyttää. Samoin tekoälylle annettujen komentojen pitää olla täsmällisiä sekä pelkistettyjä. Jos tekoälyn halutaan hakevan tietoa laajalta alueelta, niin silloin tekoälyn hankkima tieto on pakostakin pintapuolista.
Mikäli tekoälyn käyttämiin parametreihin ei lisätä sellaisia määreitä, kuin että tekoälyn pitäisi käyttää viimeisintä mahdollista tietoa, niin vastaukset voivat olla vanhentuneita. Tietenkin käyttäjien pitää määritellä tekoälyn käyttämät tietolähteet niin, että tekoäly käyttää vain niitä lähteitä, joihin voidaan hyvällä syyllä pitää luotettavina. Tekoäly ei varsinaisesti ajattele. Se yhdistää tietoa eri lähteistä. Mutta se ei kuitenkaan ymmärrä lähteiden sisältöä.
Tekoälyprojektissa kannattaa muistaa seuraavat asiat.
1) Muista aina KISSAP (Keep it so simple as possible). Tosin sanoen, pidä kaikki mahdollisimman yksinkertaisena. Eli mitään mitä ei käytetä ei kannata myöskään liittää järjestelmään.
2) Kannattaa miettiä mihin tekoälyä halutaan käyttää.
3) Kannattaa miettiä mitä tietolähteitä eli tietokantoja tekoälyn kannattaa käyttää.
4) Jos käytössä on oma tietokanta, niin se kannattaa järjestää eli eheyttää sekä puhdistaa turhasta dataroskasta.
Tekoälyjä on periaatteessa kahdenlaisia.
Laajat kielimallit, Large Language Models (LLM) ovat tekoälyjä, jotka etsivät tietoa koko internetin alueelta.
Suppeat kielimallit, Small Language Models (SLM) ovat suppeampia tekoälyjä, jotka käyttävät lähteitä kapeammalla sektorilla. Noita pieniä tai suppeita kielimalleja kutsutaan joskus AI-agenteiksi. Niiden tehtävä on esimerkiksi seurata vaikkapa pörssikursseja, ja suorittaa osto tai myyntitapahtumia jos osakkeet käyttäytyvät tietyllä tavalla.
Eli periaatteessa LLM voidaan verrata esimerkiksi tietosanakirjaan tai peruskoulun oppilaaseen, joka saattaa tietää useita asioita hyvin laajalta alueelta. Mutta tuo tieto saattaa olla hyvin pintapuolista. SLM taas on kuin joku professori, joka tietää toki oman alansa asiat erittäin syvällisesti. Mutta samalla sen osaaminen saattaa olla hyvin kapeaa.
Mutta tekoäly ei voi koskaan antaa vastauksia, jotka ovat laadukkaampia kuin sen käyttämät tietolähteet. Kun esimerkiksi yhtiö aloittaa tekoälyprojektin, niin sen pitää määritellä mitä tietokantoja tekoäly käyttää. Jos tekoälyn halutaan käyvän läpi koko internetin sisältö, niin silloin sen antamista vastauksista saattaa puuttua syvällinen tieto. Jos taas yhtiö haluaa käyttää omia datavarastojaan noissa projekteissa, niin sitä ennen kannattaa kuitenkin tietokannat laittaa kuntoon, eli tietovarannot kannattaa puhdistaa vanhentuneesta tiedosta.
Samoin tietokantojen eheytys sekä turhan tiedon poisto kannattaa suorittaa sitä ennen. Kun tekoälyä lähdetään hyödyntämään, niin tietenkin henkilökunnan pitää tottua sekä opetella käyttämään tuota välinettä. Mutta jos siis tieto mitä tekoäly käyttää ei ole laadukasta, niin silloin ei tekoälykään voi tuottaa laadukkaita vastauksia. Tekoälyä voidaan huijata vaihtamalla sen käyttämän lähteen sisältö, mikä ei välttämättä ole kovin vaikea prosessi.
Ei kommentteja:
Lähetä kommentti
Huomaa: vain tämän blogin jäsen voi lisätä kommentin.