Omówienie praktyk dotyczących odpowiedzialnej sztucznej inteligencji dla modeli Azure OpenAI

Ważne

Tłumaczenia nieanglojęzyczne są dostępne tylko dla wygody. Zapoznaj się zEN-US wersją tego dokumentu, aby uzyskać ostateczną wersję.

Wiele modeli Azure OpenAI to generatywne modele sztucznej inteligencji, które pokazują ulepszenia w zaawansowanych funkcjach, takich jak generowanie treści i kodu, podsumowywanie i wyszukiwanie. Dzięki wielu tym ulepszeniom zwiększa się również odpowiedzialne wyzwania związane ze sztuczną inteligencją związane ze szkodliwą zawartością, manipulacją, zachowaniem przypominającym człowieka, prywatnością i nie tylko. Aby uzyskać więcej informacji na temat możliwości, ograniczeń i odpowiednich przypadków użycia dla tych modeli, zapoznaj się z notą przezroczystości.

Oprócz uwagi na temat przejrzystości udostępniamy zalecenia techniczne i zasoby ułatwiające klientom projektowanie, opracowywanie, wdrażanie i używanie systemów sztucznej inteligencji, które wdrażają modele Azure OpenAI w odpowiedzialny sposób. Nasze zalecenia opierają się na standardzie Microsoft Responsible AI Standard, który określa wymagania dotyczące zasad przestrzeganych przez nasze zespoły inżynieryjne. Większość zawartości standardu jest zgodna ze wzorcem, prosząc zespoły o zidentyfikowanie, mierzenie i eliminowanie potencjalnych szkód oraz planowanie działania systemu sztucznej inteligencji. Zgodnie z tymi praktykami te zalecenia są zorganizowane w cztery etapy:

  1. Zidentyfikuj : Zidentyfikuj i określ priorytety potencjalnych szkód, które mogą wynikać z twojego systemu sztucznej inteligencji poprzez iteracyjne red-teaming, stress-testing i analizę.
  2. Miara: zmierz częstotliwość i ważność tych szkód, ustanawiając jasne metryki, tworząc zestawy testów pomiarów i kończąc iteracyjne, systematyczne testowanie (zarówno ręczne, jak i zautomatyzowane).
  3. Łagodzenie: zmniejszanie szkód przez implementowanie narzędzi i strategii, takich jak inżynieria monitów i korzystanie z naszych filtrów zawartości (wcześniej filtrów zawartości). Powtórz pomiar, aby przetestować skuteczność po zaimplementowaniu środków zaradczych.
  4. Obsługa: definiowanie i wykonywanie planu gotowości wdrożeniowej i operacyjnej.

Oprócz ich korespondencji ze standardem odpowiedzialnej sztucznej inteligencji Microsoft te etapy odpowiadają ściśle funkcjom NIST AI Risk Management Framework.

Zidentyfikować

Pierwszym etapem cyklu życia odpowiedzialnej sztucznej inteligencji jest zidentyfikowanie potencjalnych szkód, które mogą wystąpić w systemie sztucznej inteligencji lub mogą być spowodowane przez system sztucznej inteligencji. Im wcześniej zaczniesz identyfikować potencjalne szkody, tym bardziej skuteczne może być ich ograniczenie. Oceniając potencjalne szkody, opracuj zrozumienie typów szkód, które mogą wynikać z używania Azure OpenAI Service w określonych kontekstach. Ta sekcja zawiera zalecenia i zasoby, których można użyć do identyfikowania szkód poprzez ocenę wpływu, iteracyjne czerwone testy zespołu, testy obciążeniowe i analizy. Testy Red Team i testy warunków skrajnych to metody, w których grupa testerów celowo bada system, aby zidentyfikować jego ograniczenia, powierzchnię narażenia na ryzyko i podatności.

Te kroki tworzą priorytetową listę potencjalnych szkód dla każdego konkretnego scenariusza.

  1. Zidentyfikuj szkody, które są istotne dla konkretnego modelu, aplikacji i scenariusza wdrażania.
    1. Zidentyfikuj potencjalne szkody związane z możliwościami modelu, które wykorzystujesz w swoim systemie, na przykład w porównaniu modelu GPT-3 do modelu GPT-4. Każdy model ma różne możliwości, ograniczenia i zagrożenia.
    2. Zidentyfikuj wszelkie inne szkody lub zwiększony zakres szkód przedstawionych przez zamierzone użycie opracowywanego systemu. Rozważ użycie oceny wpływu odpowiedzialnej sztucznej inteligencji , aby zidentyfikować potencjalne szkody.
      1. Rozważmy na przykład system sztucznej inteligencji, który podsumowuje tekst. Niektóre zastosowania generowania tekstu są mniej ryzykowne niż inne. Jeśli system jest używany w domenie opieki zdrowotnej do podsumowania uwag lekarza, ryzyko szkody wynikającej z niedokładności jest wyższe niż w przypadku, gdy system podsumowuje artykuły online.
  2. Określanie priorytetów szkód na podstawie elementów ryzyka, takich jak częstotliwość i ważność. Oceń poziom ryzyka dla każdej szkody i prawdopodobieństwo wystąpienia każdego ryzyka w celu nadania priorytetów zidentyfikowanej liście szkód. Rozważ współpracę z ekspertami i menedżerami ds. ryzyka w organizacji oraz z odpowiednimi osobami biorącymi udział w projekcie zewnętrznym, jeśli jest to konieczne.
  3. Przeprowadź testy red team i testy obciążeniowe, zaczynając od największych priorytetowych zagrożeń. Zrozumieć lepiej, czy i jak zidentyfikowane szkody występują w twoim scenariuszu. Zidentyfikuj nowe szkody, których początkowo nie przewidywaliśmy.
  4. Udostępnij te informacje odpowiednim uczestnikom projektu przy użyciu wewnętrznych procesów zgodności organizacji.

Na końcu tego etapu Identyfikacji masz udokumentowaną listę zagrożeń z priorytetami. Gdy pojawiają się nowe szkody i nowe wystąpienia szkód poprzez dalsze testowanie i korzystanie z systemu, zaktualizuj i ulepsz tę listę.

Pomiar

Po zidentyfikowaniu priorytetowej listy szkód opracuj podejście do systematycznego pomiaru poszczególnych szkód i przeprowadzania ocen systemu sztucznej inteligencji. Do pomiaru można użyć metod ręcznych i zautomatyzowanych. Zalecamy użycie obu metod, począwszy od pomiaru ręcznego.

Pomiar ręczny jest przydatny w następujących celach:

  • Mierzenie postępu w kluczowych kwestiach priorytetowych. W przypadku łagodzenia określonych szkód najczęściej najbardziej produktywne jest ręczne sprawdzanie postępu w odniesieniu do małego zestawu danych, dopóki szkoda nie zostanie już zaobserwowana przed przejściem do zautomatyzowanego pomiaru.
  • Definiowanie i raportowanie metryk do momentu, gdy automatyczne pomiary będą wystarczająco niezawodne, aby można było polegać wyłącznie na nich.
  • Sprawdzanie punktowe okresowo w celu pomiaru jakości pomiarów automatycznych.

Automatyczna miara jest przydatna w następujących celach:

  • Pomiar na dużą skalę ze zwiększonym pokryciem w celu zapewnienia bardziej kompleksowych wyników.
  • Ciągły pomiar w celu monitorowania jakiejkolwiek regresji podczas rozwoju systemu, użycia i środków zaradczych.

Poniższe zalecenia ułatwiają mierzenie systemu sztucznej inteligencji pod kątem potencjalnych szkód. Zalecamy wykonanie tego procesu ręcznie, a następnie opracowanie planu automatyzacji procesu:

  1. Utwórz dane wejściowe, które prawdopodobnie spowodują wygenerowanie każdego priorytetowego uszkodzenia: Utwórz zestawy pomiarów, generując wiele różnych przykładów docelowych danych wejściowych, które mogą generować poszczególne priorytetowe szkody.

  2. Generowanie danych wyjściowych systemu: Przekaż przykłady z zestawów miar jako dane wejściowe do systemu w celu wygenerowania danych wyjściowych systemu. Dokumentowanie danych wyjściowych.

  3. Oceń dane wyjściowe systemu i zgłoś wyniki odpowiednim interesariuszom

    1. Zdefiniuj jasne metryki. Dla każdego zamierzonego użycia systemu ustanów metryki, które mierzą częstotliwość i stopień powagi każdego potencjalnie szkodliwego wyniku. Utwórz jasne definicje, aby sklasyfikować dane wyjściowe, które należy wziąć pod uwagę jako szkodliwe lub problematyczne w kontekście systemu i scenariusza, dla każdego określonego typu zidentyfikowanej szkody.
    2. Oceń dane wyjściowe względem przejrzystych definicji metryk. Rejestruj i kwantyfikuj wystąpienia szkodliwych wyników. Powtarzaj pomiary okresowo, aby ocenić środki zaradcze i monitorować wszelkie regresje.
    3. Udostępnij te informacje odpowiednim uczestnikom projektu przy użyciu wewnętrznych procesów zgodności organizacji.

Na końcu tego etapu pomiaru należy mieć zdefiniowaną metodę pomiaru, aby sprawdzić, jak system działa dla każdego potencjalnego uszkodzenia, a także początkowy zestaw udokumentowanych wyników. W miarę kontynuowania implementowania i testowania środków zaradczych należy uściślić metryki i zestawy pomiarów. Na przykład dodaj metryki dla nowych szkód, których początkowo nie przewidywaliśmy. Zaktualizuj wyniki.

Złagodzić

Ograniczenie szkód przedstawionych przez duże modele językowe, takie jak modele Azure OpenAI, wymaga iteracyjnego, warstwowego podejścia obejmującego eksperymentowanie i ciągłe pomiary. Zalecamy opracowanie planu ograniczania ryzyka obejmującego cztery warstwy środków zaradczych dla szkód zidentyfikowanych we wcześniejszych etapach tego procesu:

Diagram warstw ograniczania ryzyka.

  1. Na poziomie modelu zapoznaj się z używanymi modelami i czynnościami dostrajania, które podejmuje deweloperzy modelu, aby dopasować model do zamierzonego użycia oraz zmniejszyć ryzyko potencjalnie szkodliwych zastosowań i wyników.
    1. Na przykład programiści używają metod uczenia wzmacniającego jako narzędzia odpowiedzialnej sztucznej inteligencji, aby lepiej dopasować GPT-4 do celów zamierzonych przez projektantów.
  2. Na poziomie systemu bezpieczeństwa należy zrozumieć środki zaradcze na poziomie platformy, które deweloperzy implementują, na przykład Azure OpenAI Guardrails (wcześniej filtry zawartości), które pomagają blokować wyjścia szkodliwej zawartości.
  3. Na poziomie aplikacji deweloperzy aplikacji mogą wdrażać metaprompt oraz projektowanie i rozwiązania skoncentrowane na użytkowniku. Metaprompts to instrukcje, które podajesz modelowi, aby kierować jego zachowaniem. Ich użycie może mieć kluczowy wpływ na to, jak system zachowuje się zgodnie z oczekiwaniami. Interwencje związane z projektowaniem i środowiskiem użytkownika (UX) skoncentrowane na użytkowniku są również kluczowymi narzędziami zaradczymi w celu zapobiegania niewłaściwemu używaniu i nadmiernemu poleganiu na sztucznej inteligencji.
  4. Na poziomie pozycjonowania wykształć osoby, które korzystają z systemu lub mają wpływ na jego możliwości i ograniczenia.

W poniższych sekcjach przedstawiono konkretne zalecenia dotyczące implementowania środków zaradczych w różnych warstwach. Nie wszystkie te środki zaradcze są odpowiednie dla każdego scenariusza. Z drugiej strony te środki zaradcze mogą być niewystarczające w niektórych scenariuszach. Należy uważnie rozważyć twój scenariusz i zidentyfikowane wcześniej szkody. Podczas wdrażania środków zaradczych opracuj proces mierzenia i dokumentowania ich skuteczności dla systemu i scenariusza.

  1. Środki zaradcze na poziomie modelu: Przejrzyj i określ, który podstawowy model Azure OpenAI najlepiej pasuje do systemu, który tworzysz. Poinformuj się o swoich możliwościach, ograniczeniach i wszelkich środkach podjętych w celu zmniejszenia ryzyka potencjalnych szkód, które zidentyfikowano. Jeśli na przykład używasz GPT-4, oprócz przeczytania tej uwagi dotyczącej przezroczystości, zapoznaj się z kartą systemową GPT-4 OpenAI, która wyjaśnia wyzwania bezpieczeństwa przedstawione przez model i procesy bezpieczeństwa przyjęte przez OpenAI w celu przygotowania GPT-4 do wdrożenia. Poeksperymentuj z różnymi wersjami modeli (w tym poprzez czerwone tworzenie zespołu i pomiar), aby zobaczyć, jak szkody występują inaczej.

  2. Środki zaradcze na poziomie bezpieczeństwa systemu: Identyfikacja i ocena skuteczności rozwiązań na poziomie platformy, takich jak Azure OpenAI Guardrails (wcześniej filtry zawartości), w celu złagodzenia potencjalnych szkód, które zostały zidentyfikowane.

  3. Środki zaradcze na poziomie aplikacji: Inżynieria promptów, w tym dostrajanie metapromptów, może być skutecznym środkiem zaradczym na wiele różnych typów szkód. Przejrzyj i zaimplementuj metaprompt (nazywany również "komunikatem systemowym" lub "monitem systemowym") wskazówki i najlepsze rozwiązania udokumentowane tutaj.

    Zaimplementuj następujące interwencje, wskazówki i najlepsze rozwiązania dotyczące projektowania i środowiska użytkownika w centrum użytkownika, aby umożliwić użytkownikom korzystanie z systemu zgodnie z oczekiwaniami i zapobieganie nadmiernemu poleganiu na systemie sztucznej inteligencji:

    1. Przegląd i edytowanie interwencji: Zaprojektuj środowisko użytkownika (UX), aby zachęcić osoby korzystające z systemu do przeglądania i edytowania wygenerowanych przez sztuczną inteligencję danych wyjściowych przed ich zaakceptowaniem (zobacz HAX G9: Obsługa wydajnej korekty).
    2. Wyróżnij potencjalne niedokładności w danych wyjściowych generowanych przez sztuczną inteligencję (zobacz HAX G2: Wyjaśnij, jak dobrze system może robić to, co może zrobić), zarówno wtedy, gdy użytkownicy po raz pierwszy zaczną korzystać z systemu i w odpowiednim czasie w trakcie ciągłego użytkowania. W pierwszym środowisku uruchamiania (FRE) powiadamiaj użytkowników, że wygenerowane przez sztuczną inteligencję dane wyjściowe mogą zawierać niedokładności i że powinny zweryfikować informacje. W całym środowisku dołącz przypomnienia dotyczące sprawdzania danych wyjściowych generowanych przez sztuczną inteligencję pod kątem potencjalnych niedokładności, zarówno ogólnych, jak i w odniesieniu do określonych typów zawartości, które system może generować niepoprawnie. Jeśli na przykład proces pomiaru ustali, że system ma niższą dokładność z liczbami, oznacz liczby w wygenerowanych danych wyjściowych, aby powiadomić użytkownika i zachęcić ich do sprawdzania numerów lub wyszukiwania źródeł zewnętrznych w celu weryfikacji.
    3. Użytkownik ponosi odpowiedzialność. Przypomnij innym osobom, że są one odpowiedzialny za ostateczną zawartość podczas przeglądania zawartości wygenerowanej przez sztuczną inteligencję. Na przykład w przypadku oferowania sugestii dotyczących kodu przed zaakceptowaniem należy przypomnieć deweloperowi, aby przejrzeł i przetestował sugestie.
    4. Ujawnianie roli sztucznej inteligencji w interakcji. Uświadomić ludziom, że wchodzą w interakcje z systemem sztucznej inteligencji (w przeciwieństwie do innego człowieka). W razie potrzeby poinformuj użytkowników zawartości, że zawartość jest częściowo lub w pełni generowana przez model sztucznej inteligencji. Takie powiadomienia mogą być wymagane przez prawo lub odpowiednie dobre praktyki. Mogą one zmniejszyć niewłaściwe poleganie na danych wyjściowych generowanych przez sztuczną inteligencję i może pomóc konsumentom korzystać z własnego osądu w zakresie interpretowania i działania na tej zawartości.
    5. Zapobiegaj antropomorfizacji systemu. Modele sztucznej inteligencji mogą generować treści zawierające opinie, wypowiedzi emocjonalne lub inne sformułowania, które mogą sugerować, że przypominają one ludzi. Takie treści mogą być mylone z ludzką tożsamością. Taka zawartość może wprowadzać ludzi w błąd do myślenia, że system ma pewne możliwości, chociaż tego nie ma. Zaimplementuj mechanizmy, które zmniejszają ryzyko wystąpienia takich danych wyjściowych lub zawierają ujawnienia, aby zapobiec błędnej interpretacji danych wyjściowych.
    6. Przytaczaj odwołania i źródła informacji. Jeśli system generuje zawartość na podstawie odwołań wysyłanych do modelu, wyraźnie powołując się na źródła informacji pomaga ludziom zrozumieć, skąd pochodzi zawartość wygenerowana przez sztuczną inteligencję.
    7. Ogranicz długość danych wejściowych i wyjściowych, w stosownych przypadkach. Ograniczenie długości danych wejściowych i wyjściowych może zmniejszyć prawdopodobieństwo wytwarzania niepożądanej zawartości, nieprawidłowego użycia systemu poza zamierzonymi zastosowaniami lub innych szkodliwych lub niezamierzonych zastosowań.
    8. Dane wejściowe struktury i/lub dane wyjściowe systemu. Użyj technik inżynierii promptów w aplikacji, aby strukturyzować dane wejściowe do systemu, aby zapobiec otwartym odpowiedziom. Można również ograniczyć strukturę danych wyjściowych w określonych formatach lub wzorcach. Na przykład, jeśli Twój system generuje dialog dla fikcyjnej postaci w odpowiedzi na zapytania, ogranicz dane wejściowe, aby ludzie mogli zapytać tylko o określony zestaw pojęć.
    9. Przygotuj wstępnie określone odpowiedzi. Istnieją pewne zapytania, do których model może generować obraźliwe, niewłaściwe lub w inny sposób szkodliwe odpowiedzi. W przypadku wykrycia szkodliwych lub obraźliwych zapytań lub odpowiedzi można zaprojektować system w celu dostarczenia wstępnie określonej odpowiedzi użytkownikowi. Wstępnie określone odpowiedzi powinny być przemyślanie opracowane. Na przykład aplikacja może dostarczyć wstępnie napisane odpowiedzi na pytania, takie jak "kim/czym jesteś?", aby uniknąć odpowiedzi systemu antropomorfizowanych. Możesz również użyć wstępnie określonych odpowiedzi na pytania, takie jak "Jakie są Twoje warunki użytkowania?", aby skierować ludzi do odpowiednich zasad.
    10. Ogranicz automatyczne publikowanie w mediach społecznościowych. Ogranicz sposób automatyzowania produktu lub usługi przez użytkowników. Możesz na przykład zablokować automatyczne publikowanie zawartości wygenerowanej przez sztuczną inteligencję w witrynach zewnętrznych (w tym w mediach społecznościowych) lub uniemożliwić automatyczne wykonywanie wygenerowanego kodu.
    11. Wykrywanie botów. Opracuj i zaimplementuj mechanizm, aby uniemożliwić użytkownikom tworzenie interfejsu API na podstawie produktu.

  4. Środki zaradcze na poziomie pozycjonowania:

    1. Bądź odpowiednio transparentny. Zapewnienie odpowiedniego poziomu przejrzystości osobom korzystającym z systemu, dzięki czemu mogą podejmować świadome decyzje dotyczące korzystania z systemu.
    2. Podaj dokumentację systemu. Tworzenie i dostarczanie materiałów edukacyjnych dla systemu, w tym wyjaśnienie jego możliwości i ograniczeń. Na przykład ta zawartość może znajdować się w postaci strony "dowiedz się więcej" dostępnej za pośrednictwem systemu.
    3. Publikowanie wytycznych użytkownika i najlepszych rozwiązań. Pomóż użytkownikom i interesariuszom odpowiednio korzystać z systemu, publikując najlepsze praktyki, na przykład dotyczące tworzenia wytycznych, przeglądania wyników przed ich zaakceptowaniem itd. Takie wytyczne mogą pomóc ludziom zrozumieć, jak działa system. Jeśli to możliwe, uwzględnij wytyczne i najlepsze rozwiązania bezpośrednio w środowisku użytkownika.

W miarę wdrażania środków zaradczych w celu rozwiązania potencjalnych zidentyfikowanych szkód opracuj proces ciągłego pomiaru skuteczności takich środków zaradczych. Udokumentuj wyniki pomiarów. Przejrzyj te wyniki pomiaru, aby stale ulepszać system.

Działać

Po wprowadzeniu systemów pomiaru i ograniczania ryzyka zdefiniuj i wykonaj plan wdrożenia i gotowości operacyjnej. Ten etap obejmuje ukończenie odpowiednich przeglądów systemu i planów ograniczania ryzyka z odpowiednimi uczestnikami projektu, ustanowienie potoków w celu zbierania danych telemetrycznych i opinii oraz opracowywanie planu reagowania na zdarzenia i wycofywania.

Weź pod uwagę następujące zalecenia dotyczące wdrażania i eksploatacji systemu korzystającego z usługi Azure OpenAI z odpowiednimi, ukierunkowanymi środkami łagodzenia szkód.

  1. Współpracuj z zespołami ds. zgodności w organizacji, aby zrozumieć, jakie typy przeglądów są wymagane dla systemu i kiedy je ukończyć. Przeglądy mogą obejmować przegląd prawny, przegląd prywatności, przegląd zabezpieczeń, przegląd ułatwień dostępu i inne.

  2. Opracuj i zaimplementuj następujące składniki:

    1. Plan dostarczania etapowego. Uruchamianie systemów korzystających z usługi Azure OpenAI stopniowo przy użyciu podejścia do dostarczania etapowego. Takie podejście daje ograniczony zestaw osób możliwość wypróbowania systemu, przekazywania opinii, zgłaszania problemów i problemów oraz sugerowania ulepszeń przed udostępnieniem systemu szerzej. Pomaga również zarządzać ryzykiem nieprzewidzianych trybów awarii, nieoczekiwanych zachowań systemowych i zgłaszanych nieoczekiwanych problemów.
    2. Plan reagowania na zdarzenia. Opracuj plan reagowania na zdarzenia i oceń czas potrzebny do reagowania na zdarzenie.
    3. Plan wycofywania. Upewnij się, że możesz szybko i efektywnie wycofać system, jeśli wystąpi nieprzewidziany incydent.
    4. Natychmiastowe działania w przypadku nieprzewidzianych szkód. Utwórz niezbędne funkcje i procesy, aby zablokować problematyczne monity i odpowiedzi w miarę ich odnajdowania i jak najbliżej czasu rzeczywistego. Gdy wystąpią nieoczekiwane szkody, zablokuj problematyczne monity i odpowiedzi tak szybko, jak to możliwe. Opracowywanie i wdrażanie odpowiednich środków zaradczych. Zbadaj incydent i zaimplementuj długoterminowe rozwiązanie.
    5. Mechanizm blokowania osób, które nadużywają systemu. Opracuj mechanizm identyfikowania użytkowników, którzy naruszają zasady zawartości (na przykład przez generowanie mowy nienawiści) lub w inny sposób używają systemu do niezamierzonych lub szkodliwych celów. Podejmij działania przeciwko dalszym nadużyciom. Jeśli na przykład użytkownik często używa systemu do generowania zawartości zablokowanej lub oflagowanej przez systemy bezpieczeństwa zawartości, rozważ zablokowanie im dalszego korzystania z systemu. W razie potrzeby zaimplementuj mechanizm odwołania.
    6. Skuteczne kanały opinii użytkowników. Zaimplementuj kanały opinii, za pośrednictwem których osoby biorące udział w projekcie (i ogół społeczeństwa, jeśli ma to zastosowanie), mogą przesyłać opinie lub zgłaszać problemy z wygenerowaną zawartością lub w inny sposób powstają podczas korzystania z systemu. Dokumentowanie sposobu przetwarzania, analizowania i rozwiązywania takich opinii. Oceń opinie użytkowników i pracuj nad ulepszeniem systemu na ich podstawie. Jednym z podejść może być dołączenie przycisków z wygenerowaną zawartością, która umożliwia użytkownikom identyfikowanie zawartości jako "niedokładnej", "szkodliwej" lub "niekompletnej". Takie podejście może zapewnić bardziej powszechnie używany, ustrukturyzowany i zwrotny sygnał do analizy.
    7. Dane telemetryczne. Identyfikowanie i rejestrowanie (zgodne z obowiązującymi przepisami dotyczącymi prywatności, zasad i zobowiązań) sygnały wskazujące zadowolenie użytkowników lub ich zdolność do korzystania z systemu zgodnie z oczekiwaniami. Użyj danych telemetrycznych, aby zidentyfikować luki i poprawić system.

Dokument ten nie jest przeznaczony do interpretacji i nie powinien być interpretowany jako dostarczanie porad prawnych. Jurysdykcja, w której działasz, może mieć różne wymagania regulacyjne lub prawne, które mają zastosowanie do twojego systemu sztucznej inteligencji. Skontaktuj się ze specjalistą prawnym, jeśli nie masz pewności co do przepisów prawa lub przepisów, które mogą mieć zastosowanie do systemu, zwłaszcza jeśli uważasz, że mogą one mieć wpływ na te zalecenia. Należy pamiętać, że nie wszystkie te zalecenia i zasoby są odpowiednie dla każdego scenariusza, a z drugiej strony te zalecenia i zasoby mogą być niewystarczające w przypadku niektórych scenariuszy.

Dowiedz się więcej o odpowiedzialnej sztucznej inteligencji

Dowiedz się więcej o Azure OpenAI

  • Last updated on