Microsoft AI istemlerinin verilmesi, yanıtın işaretsiz olması ve döngünün tekrarlanması için bir düzeltme olduğuna inanıyor.
Bu verimsizlik kaynakların tükenmesine niçin olur. “Tecrübe etme-yanılma döngüsü öngörülemez ve cesaret kırıcı olabilir” ve üretkenliği artırıcı olması ihtiyaç duyulan şeyi bir süre yitirilmesine dönüştürebilir. Data çalışanları çoğu zaman öğrenmeyi umdukları materyali anlamaktan oldukca etkileşimin kendisini yönetmeye daha çok süre ayırırlar.
Microsoft, belirsiz naturel dil isteklerini kati, dinamik arayüz kontrolleriyle değiştirerek bu çelişkiyi gidermek için tasarlanmış bir kullanıcı arayüzü çerçevesi olan Promptions’ı (istem + seçenekler) yayımladı. Açık kaynak aracı, iş gücünün büyük dil modelleri (LLM’ler) ile iyi mi etkileşimde bulunduğunu standartlaştırmaya yönelik bir yöntem sunarak yapılandırılmamış sohbetten rehberli ve güvenilir iş akışlarına doğru aşama kaydediyor.
İçindekiler
Anlama darboğazı
Halkın ilgisi çoğu zaman suni zekanın metin yada fotoğraf üretmesine odaklanır, sadece kurumsal kullanımın büyük bir bileşeni, suni zekanın açıklamasını, açıklamasını yada öğretmesini istemek anlamına gelir. Bu fark dahili takımlama için dirimsel öneme haizdir.
Bir elektronik tablo formülünü düşünün: Bir kullanıcı rahat bir sözdizimi dökümü, diğeri hata ayıklama kılavuzu ve diğeri de meslektaşlarına eğitim vermek için uygun bir izahat isteyebilir. Aynı formül, kullanıcının rolüne, uzmanlığına ve hedeflerine bağlı olarak tamamen değişik açıklamalar gerektirebilir.
Mevcut söyleşi arayüzleri bu amacı nadiren etkili bir halde yakalıyor. Kullanıcılar çoğu zaman bir suali ifade etme şeklinin suni zekanın gereksinim duyduğu detay düzeyiyle eşleşmediğini farkına varır. Microsoft, “Hakkaten ne istediklerini açıklığa kavuşturmak, üretilmesi yorucu, uzun ve dikkatli bir halde anlatılmış istemler gerektirebilir” diye açıklıyor.
İstemler, suni zeka istemleriyle ilgili bu tanıdık problemi düzeltmek için bir ara yazılım katmanı olarak çalışır. Sistem, kullanıcıları uzun spesifikasyonlar yazmaya zorlamak yerine, gerçek zamanlı olarak izahat uzunluğu, üslup yada belirli odak alanları benzer biçimde tıklanabilir seçenekler oluşturmak için amacı ve konuşma geçmişini çözümleme eder.
Verimlilik ve karmaşıklık
Microsoft araştırmacıları, statik kontrolleri yeni dinamik sistemle karşılaştırarak bu yaklaşımı kontrol etti. Bulgular, bu tür araçların canlı bir ortamda iyi mi çalıştığına dair gerçekçi bir görünüm sunuyor.
Katılımcılar devamlı olarak dinamik kontrollerin, istemlerini yeniden yeniden ifade etmeden görevlerinin ayrıntılarını ifade etmeyi kolaylaştırdığını bildirdi. Bu, süratli mühendislik çabalarını azalttı ve kullananların, ifadelerin mekaniğini yönetmek yerine içinde ne olduğu anlamaya daha çok odaklanmasına olanak tanıdı. Sistem, “Tahsil Hedefi” ve “Cevap Formatı” benzer biçimde seçenekleri ortaya çıkararak iştirakçilerin hedefleri hakkında daha bilgili düşünmelerini sağlamış oldu.
Sadece evlat edinme bazı ödünleşimleri de bununla beraber getirir. Katılımcılar uyarlanabilirliğe kıymet veriyordu sadece hem de sistemi yorumlamanın daha zor bulunduğunu da düşünüyorlardı. Bazıları, seçilen bir seçeneğin tepkiyi iyi mi etkileyeceğini tahmin etmekte zorlandı; kontrollerin saydam görünmediğini, bundan dolayı etkinin sadece çıktı ortaya çıktıktan sonrasında belirginleştiğini belirtti.
Bu, kurulması ihtiyaç duyulan bir dengeyi vurgular. Dinamik arayüzler karmaşık görevleri kolaylaştırabilir sadece bir onay kutusu ile son çıktı arasındaki bağlantının kullanıcı uyarlamasını gerektirdiği bir öğrenme eğrisi sunabilir.
Ikazlar: Suni zeka istemlerini düzeltmenin çözümü?
Prommpions, kullanıcı ile temel dil modeli içinde yer edinen bir ara yazılım katmanı olarak işlev görecek şekilde hafifçe olacak şekilde tasarlanmıştır.
Mimari iki ana bileşenden oluşur:
- Opsiyon Modülü: İlgili kullanıcı arayüzü öğelerini oluşturmak için kullanıcının istemini ve konuşma geçmişini inceler.
- Söyleşi Modülü: Suni zekanın yanıtını oluşturmak için bu seçimleri birleştirir.
Güvenlik ekipleri için bilhassa dikkat edilmesi ihtiyaç duyulan nokta, “oturumlar içinde veri depolamaya gerek olmaması, uygulamayı rahat kılıyor.” Bu durum bilgisi olmayan tasarım, çoğu zaman karmaşık suni zeka katmanlarıyla ilişkili veri yönetimi endişelerini azaltır.
“Süratli mühendislik”ten “süratli seçim”e geçiş, müessese genelinde daha tutarlı suni zeka çıktılarına giden bir yol sunar. Teknoloji liderleri, kullanıcının amacına rehberlik eden kullanıcı arayüzü çerçevelerini uygulayarak suni zeka yanıtlarının değişkenliğini azaltabilir ve iş gücü verimliliğini artırabilir.
Başarı kalibrasyona bağlıdır. Dinamik seçeneklerin suni zeka çıktısını iyi mi etkilediği ve çoklu kontrollerin karmaşıklığının yönetimi ile ilgili kullanılabilirlik zorlukları devam etmektedir. Liderler bunu suni zeka istemlerinin neticelerini düzeltmeye yönelik eksiksiz bir çözüm olarak değil, kendi dahili geliştirici platformları ve destek araçları içinde kontrol edilecek bir tasarım modeli olarak görmelidir.
Ek olarak bakınız: Kafa karışıklığı: Suni zeka aracıları karmaşık kurumsal görevleri üstüne alıyor
Sektör liderlerinden suni zeka ve büyük veri hakkında daha çok informasyon edinmek ister misiniz? Çıkış yapmak Yapay Zeka ve Büyük Veri Fuarı Amsterdam, Kaliforniya ve Londra’da gerçekleşiyor. Kapsamlı etkinlik, TechEx ve öteki önde gelen teknoloji etkinlikleriyle aynı yerde bulunuyor. Tıklamak Burada daha çok informasyon için.
AI News tarafınca desteklenmektedir TechForge Medyası. Yaklaşan öteki kurumsal teknoloji etkinliklerini ve web seminerlerini keşfedin Burada.