به سوی یک زنجیره تامین شفاف برای هوش مصنوعی

TL;DR

• پشت گوشی هوشمند در جیب شما،.
• و تقریباً هر کالای تولیدی دیگری،.
• چیزی به نام BOM وجود دارد - صورتحساب موادی که قطعات محصول را تجزیه می‌کند و نحوه.

چه اتفاقی افتاد

پشت گوشی هوشمند در جیب شما،. و تقریباً هر کالای تولیدی دیگری،.

چیزی به نام BOM وجود دارد - صورتحساب موادی که قطعات محصول را تجزیه می‌کند و نحوه. ساخت آن را توضیح می‌دهد.

یک BOM به‌عنوان یک طرح تولید عمل می‌کند که می‌تواند به کسب‌وکارها در مدیریت موجودی،. کاهش ضایعات و بهبود کارایی زنجیره تامین کمک کند.

محصولات نرم‌افزاری در دهه 2010،. با تمرکز اولیه بر آسان‌تر کردن الزامات مجوز منبع‌باز،.

صورتحساب مواد خود را دریافت کردند. با گسترش حملات مخرب،.

دامنه BOMهای نرم افزاری (یا SBOM) گسترش یافت و آسیب پذیری‌های امنیتی و منشأ را در. بر گرفت.

اکنون،. همانطور که هوش مصنوعی برخی از نقش‌های نرم‌افزاری سنتی را به عهده می‌گیرد،.

SBOM دوباره در حال تکامل است تا سازگاری و مسئولیت‌پذیری بیشتری را به شیوه‌ای که مدل‌های پایه و. برنامه‌های کاربردی آن‌ها در حال حاضر مستند می‌شوند،.

بیاورد. استانداردها همچنان در حال تکامل هستند، اما AIBOM در سطح بالایی قرار دارد.

سطح یک رکورد استاندارد و قابل ممیزی از مجموعه داده‌ها،. وزن‌ها و روش‌های زیربنای یک مدل هوش مصنوعی مدرن ارائه می‌دهد.

این کارت مانند یک کارت مدل قابل خواندن توسط ماشین با چاپ ریز کافی است تا کاربران بتوانند. مجوزهای مجموعه داده،.

نسخه‌های قبلی مدل و نتایج ارزیابی را بررسی کنند. در تئوری،.

AIBOM رکوردی است که برای اطمینان از مطابقت مدل شما با استانداردهای اخلاقی و مقررات ایمنی و ایمنی. اصلی بررسی می‌کنید.

تا جایی که مدل‌های امروزی اصلاً مستند هستند،. ابرداده‌ها اغلب در فایل‌های PDF،.

پست‌های وبلاگ طولانی،. یا در کارت‌های مدل نیمه ساختاریافته دفن می‌شوند.

کاربران پایین‌دستی اغلب تصور کمی‌از داده‌های وارد شده به مدل‌هایی که در حال تطبیق می‌کنند یا اینکه. چگونه انتخاب‌های طراحی در طول دوره پیش‌آموزشی می‌تواند در زندگی واقعی انجام شود،.

ندارند. IBM به‌عنوان گام اول به سوی AIBOM کامل، به تازگی ابرداده‌های مدل و مجموعه داده‌های مدل‌های Granite 4.

0 خود را در JSON قابل خواندن ماشین منتشر کرده است. قالب ساختاریافته به این معنی است کارت‌های مدل و سایر اسناد هوش مصنوعی که سازندگان مدل باید.

به صورت دستی ایجاد می‌کردند،. اکنون می‌توانند فوراً تولید شوند.

شرکت‌ها همچنین می‌توانند از این قالب برای مقایسه مدل‌ها استفاده کنند و بررسی کنند که آن‌هایی که تولید. می‌شوند با سیاست‌های ایمنی و امنیت داخلی مطابقت دارند یا خیر،.

و کنترل‌های ریسک اضافی را در زمان اجرا اضافه می‌کنند. یک دنباله حسابرسی برای مدل‌های AI مانند SBOM، AIBOM اجزای نرم‌افزار جداگانه را ردیابی می‌کند.

با این حال،. دامنه آن به ویژگی‌های منحصر به فرد مدل‌های پایه گسترش می‌یابد - مواردی مانند وزن مدل،.

برنامه‌های کاربردی پایین‌دست،. و منشأ داده‌های آموزشی،.

خواه از وب جمع‌آوری شده باشند یا به‌طور خودکار،. در خطوط لوله پیچیده‌تر.

سایر اجزای هوش مصنوعی شامل سخت‌افزاری است که مدل بر روی آن آموزش دیده است و آنچه برای. اجرای آن مورد نیاز است،.

و همچنین جزئیات مربوط به نوع گسترده‌ای از LLM. عبارت prompt بیان می‌شود.

«نرم افزار در حال حاضر به‌عنوان یک تلقی می‌شود آرتیت سوریاونگکول،. محققی در کالج ترینیتی در دوبلین که بر حاکمیت هوش مصنوعی متمرکز است،.

گفت:. «هوش مصنوعی مدرن این موضوع را تغییر می‌دهد.

داده‌ها تنها یکی از بسیاری از مصنوعات اولیه است که باید به‌طور کامل مستند شود.» سپس،. مانند اکنون،.

نگرانی‌های امنیتی و مقررات در حال ظهور،. صنعت فناوری را به سمت پذیرش SBOM با گزارش‌های دقیق‌تر خود سوق داد.

بنیاد لینوکس در سال 2010 استاندارد تبادل داده بسته نرم افزاری خود (SPDX) را معرفی کرد تا مجوز. منبع‌باز منبع‌باز را برای یک سری حملات پیشرفته در لینوکس گسترش دهد.

تمرکز SPDX بر افشای خطرات امنیتی در سال 2017،. پروژه امنیت جهانی برنامه (OWASP) استاندارد خود را برای تولید اسناد نرم افزاری،.

CycloneDX معرفی کرد امنیت سایبری کشور از طریق آشکارتر کردن ریسک‌های زنجیره تامین نرم‌افزار. هم لینوکس و هم OWASP در حال حاضر استانداردهای SBOM خود را به هوش مصنوعی گسترش می‌دهند و.

تحقیقات IBM از این کار برای ایجاد افشای ساختاری جدید Granite استفاده کرد. همانطور که صنعت به سمت یک استاندارد مشترک کار می‌کند،.

محققان IBM بهترین شیوه‌های خود را با جامعه به اشتراک گذاشته اند. به‌طور کلی،.

AIBOM شش حوزه اصلی را پوشش می‌دهد - مدل‌ها،. مجموعه داده‌ها،.

کد،. سخت افزار،.

پردازش داده‌ها،. و حاکمیت.

هنگامی‌که این اطلاعات قابل خواندن توسط ماشین باشد،. می‌توان آن را با تکامل مدل‌ها و فرآیندها به روز کرد.

اطلاعات را می‌توان فوراً برای گزارش استخراج کرد،. و سیاست‌های امنیتی را می‌توان در برنامه‌های پایین‌دستی ادغام کرد تا اطمینان حاصل شود که مدل مطابق خواسته.

سازندگانش رفتار می‌کند. راکش جین،.

مدیر و معمار اصلی پلتفرم مدیریت داده در پشت IBM Granite،. گفت:.

«هر ارائه‌دهنده مدل آن را متفاوت می‌نویسد.» قبل از اینکه IBM Granite یک صورتحساب کامل از مواد داشته. باشد،.

کارهای بیشتری برای انجام دادن وجود دارد،. اما سرمایه‌گذاری تیم در حاکمیت و گردش‌های کاری خودکار باید این فرآیند را ساده‌تر کند،.

زیرا AIBM در حال حاضر به یک کامل نیاز دارد. جین.

او گفت:. «زمانی که همه آن‌ها را در قالبی قابل خواندن توسط ماشین داشته باشیم،.

بازیابی اطلاعات در مقیاس بزرگ از همه مدل‌هایمان بسیار آسان خواهد شد.» ارزش استفاده نشده LLM‌های منبع‌باز. در سال‌های اخیر به طرز چشمگیری بهبود یافته است،.

با وجود اینکه گرانیت و سایر مدل‌های باز برتر در حال حاضر عملکرد بهتری نسبت به مدل‌های مرزی. بسیار بزرگ‌تر در حوزه‌های خاص دارند بر اساس مطالعه جدید MIT،.

بازار استنتاج،. حدود 96 درصد از درآمد را به خود اختصاص داده است محققین فناوری جورجیا،.

فرانک ناگل و دانیل یوه. آنها دریافتند که این عدم تعادل از نظر اقتصادی قابل توجه است و تخمین می‌زنند که اگر.

تقاضا به مدل‌های باز تغییر کند،. هزینه‌های استنباط به‌طور متوسط ​​بیش از 70 درصد کاهش می‌یابد.

در سال 2025، مدل‌های باز می‌توانستند 24. 8 میلیارد دلار پس‌انداز به کاربران ارائه دهند.

ناگل در یک پست وبلاگی برای بنیاد لینوکس،. جایی که او اقتصاددان ارشد نیز است،.

نوشت:. «این بیشتر از تولید ناخالص داخلی سالانه کل کشورها است.

«این نشان‌دهنده صرفه‌جویی قابل توجهی در مصرف‌کننده است که می‌تواند توسط ‌ها،. توسعه‌دهندگان و کاربران پایین‌دستی جذب شود.» مشخص نیست که آیا تشخیص نام تجاری،.

معیارهای عملکرد،. یا عوامل دیگر ترجیح کاربر برای مدل‌های بسته را افزایش می‌دهند،.

اما افشاهای استاندارد شده به خودی خود احتمالاً برای متقاعد کردن کاربران به تغییر کافی نیستند. کاربران مدل هیچ او گفت:.

«اما اعتماد چیز بزرگی است و شاید AIBOM بتواند به برخی افراد کمک کند تا از این مانع. عبور کنند.

" ردیابی و اثبات منشأ داده و نسل مدل را آسان‌تر می‌کند و اگر به یک سیستم هوش. مصنوعی حمله شود،.

ابرداده‌های ساختاریافته می‌توانند به شرکت‌ها کمک کنند تا مجموعه داده‌ها،. وابستگی‌ها و نسخه‌های مدل آسیب‌دیده را جدا کنند،.

که می‌تواند منجر به اصلاح سریع‌تر شود. بیش از هر چیز بر عملکرد متمرکز است،.

در حالی که دیگران ممکن است بخواهند داده‌ها و تکنیک‌های خود را خصوصی نگه دارند تا. از مزیت بازار خود محافظت کنند.

شرکت‌هایی که از میانبر استفاده می‌کنند ممکن است نخواهند توجه را به خود جلب کنند. اگر آن‌ها داده‌های آموزشی را به‌طور تصادفی جمع‌آوری کنند و مدل‌هایشان مطالب دارای حق نسخه‌برداری را دریافت کنند،.

حتی ناخواسته،. می‌تواند راه را برای شکایت‌ها باز کند.

شکی نیست که شفافیت بررسی دقیق‌تری را به همراه دارد و می‌تواند روند توسعه را کند کند. اما شواهد فراوانی وجود دارد که نشان می‌دهد شفافیت و شیوه‌های اخلاقی همراه با آن،.

می‌تواند ارزش ایجاد کند. سیستم‌های هوش مصنوعی مسئولانه می‌توانند اعتماد را در بین مشتریان و کارمندان ایجاد کنند،.

با کاهش شکایات مشتریان و مشکلات مربوط به انطباق،. خطرات را کاهش دهند و به محصولات با کیفیت بالاتر منجر شوند.

در یک نظرسنجی اخیر از 915 مدیر اجرایی جهانی،. محققان IBM و موسسه اخلاق و خیر عمومی‌دانشگاه نوتردام دریافتند که ‌هایی که بیشترین سرمایه‌گذاری را روی.

اخلاق هوش مصنوعی انجام داده‌اند،. به‌طور متوسط 30 درصد سود عملیاتی بالاتری را نسبت به ‌هایی که کمترین هزینه را صرف کرده‌اند،.

گزارش کرده‌اند. ROI می‌تواند کوتاه‌مدت و کمی‌باشد،.

مانند سود بیشتر یا کاهش هزینه‌ها،. اما همچنین می‌تواند بازدهی کیفی مانند افزایش مهارت‌ها و قابلیت‌ها در یک شرکت فرانسوی باشد.

بر روی حاکمیت هوش مصنوعی تمرکز می‌کند. افشای ساختار یافته جدید IBM Granite برای مدل‌های زبان گرانیتی را در اینجا بررسی کنید،.

از جمله مجموعه نانو ما را در اینجا.

چرا مهم است

اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیم‌گیری سازمانی اثر می‌گذارد.

منبع

لینک منبع اصلی در کارت و صفحه مقاله نمایش داده می‌شود.