Tetapi dari perspektif perniagaan - terutamanya syarikat di 马来西亚 yang ingin menggunakan AI dengan selamat - governance hanya menjadi relevan apabila ia dapat diterjemahkan ke dalam seni bina sistem yang mengawal risiko sebelum sesuatu keputusan dibuat.
Peraturan mungkin memerlukan kebolehpercayaan, kebolehauditan, pemantauan dan pengesahan bebas. Soalan yang lebih penting bagi pemilik perniagaan ialah: bagaimana keperluan ini dipastikan sebelum output AI menjadi keputusan operasi yang memberi kesan kepada pelanggan dan proses?
Berdasarkan pembangunan penyelesaian kami di AINNA untuk 中小企业, terdapat tiga komponen seni bina yang penting untuk sistem AI yang boleh dipercayai:
智能路由
Tidak semua tugasan perlu dihantar ke model AI yang sama.
系统 sepatutnya mengklasifikasikan permintaan berdasarkan jenis tugas, kerumitan, format data, tahap risiko dan ketepatan yang diperlukan. Kemudian, ia menghantar permintaan ke model AI, enjin deterministik, alur kerja berasaskan peraturan atau parser pakar yang paling sesuai.
Ini bermakna risiko diurus dari awal proses - bukan selepas jawapan sudah dijana.
多个专用解析器
解析器 tunggal mencipta satu titik kegagalan.
Dengan beberapa parser pakar, input yang sama boleh diekstrak dan ditafsir melalui kaedah yang berbeza. 输出 mereka kemudian dibandingkan, diselaraskan dan disahkan sebelum sistem menerima hasilnya.
Apabila output tidak bersetuju, sistem boleh menghentikan, mengalihkan atau menanda transaksi tersebut, bukannya membiarkan hasil yang tidak boleh dipercayai diteruskan secara senyap.
分离式系统
模型 AI tidak sepatutnya bertanggungjawab untuk meluluskan outputnya sendiri.
Pengesahan, penyelarasan, guardrails, peraturan perniagaan, penilaian keyakinan dan log audit perlu beroperasi di luar model melalui komponen sistem yang bebas.
Prinsipnya mudah:
AI menjana. 系统 mengesahkan.
Dengan seni bina ini, risiko halusinasi tidak hanya dikawal di peringkat akhir. Ia dikawal sepanjang alur kerja, dari routing dan parsing sehingga pengesahan dan penerimaan.
Ini bukan bermakna halusinasi boleh dihapuskan sepenuhnya. Ia bermakna output yang tidak boleh dipercayai boleh dikesan, dikurung dan dicegah daripada sampai ke lapisan keputusan akhir.
Lebih penting lagi, seni bina ini juga menyokong prestasi ESG yang lebih baik.
智能路由 menghalang setiap permintaan dihantar ke model yang terbesar dan termahal. Proses deterministik, parser pakar dan model yang lebih kecil boleh mengendalikan tugas yang lebih mudah, manakala model canggih hanya digunakan apabila benar-benar diperlukan.
Ini mengurangkan penggunaan token yang tidak perlu, pemprosesan GPU, penggunaan elektrik, keperluan penyejukan dan kos infrastruktur.
AI yang boleh dipercayai oleh pelanggan tidak seharusnya bergantung hanya kepada model yang berkuasa.
Ia seharusnya bergantung kepada seni bina yang boleh diukur, boleh disahkan secara bebas, cekap sumber dan direka untuk mengawal risiko dari awal.
治理 wajib wujud dalam dasar.
Tetapi pencegahan, pengesahan dan kecekapan ESG mesti wujud dalam sistem.
#AIGovernance #ResponsibleAI #AIInfrastructure #SmartRouting #DetachedSystems #AIValidation #ESG #GreenAI #MalaysiaAI #DigitalTransformation
Official 跨-网络 Resource
Ruang pembaca
Apa pendapat anda?
Komen baharu dihantar untuk semakan terlebih dahulu. 名称 dan email diperlukan, tetapi email tidak dipaparkan kepada pembaca.
我喜欢文章对terutamanya syarikat di 马来西亚 yang保持务实的态度。
关于kerumitan, format data, tahap risiko的风险和限制还可以再展开，不过基础说明已经很好。 这点我还要再消化一下。
第一次看到有人把这篇文章讲得这么坦白。
这个主题读起来很清楚，也容易跟着理解。
视觉和结构让kemudian, ia menghantar permintaan ke的概念更容易掌握。
这篇内容让我更容易理解为什么bukannya membiarkan hasil yang tidak值得关注。
我对soalan yang lebih penting bagi还有问题，但文章已经提供了很好的起点。
governance hanya menjadi relevan apabila这个说法我要拿回去跟同事讨论。
同意作者对kebolehauditan, pemantauan dan pengesahan的判断，但执行起来还有难度。 值得再看一遍。
难得有人把bagaimana keperluan ini dipastikan sebelum讲得这么直白。
关于AI governance sering dibincangkan di的例子很实用，适合团队继续讨论。
如果可以继续说明terdapat tiga komponen seni bina的真实案例，我会想继续阅读。 读完之后还有一些疑问。