1
00:00:00,600 --> 00:00:01,880
Zacznijmy od firmowej skrzynki.

2
00:00:02,200 --> 00:00:05,320
Klient pisze: szafa dotarła uszkodzona, proszę o wymianę.

3
00:00:05,560 --> 00:00:06,760
Otwarcie sklepu już jutro.

4
00:00:07,400 --> 00:00:08,760
Co powinien zrobić system?

5
00:00:09,080 --> 00:00:11,320
Na początek wystarczy jedna mała decyzja.

6
00:00:11,507 --> 00:00:14,520
Przekazać wiadomość do reklamacji, sprzedaży czy księgowości?

7
00:00:15,000 --> 00:00:17,320
Zamiast długiej odpowiedzi potrzebujemy wyboru.

8
00:00:17,600 --> 00:00:20,280
Właśnie do takich zadań służy model decyzji typowanych.

9
00:00:20,680 --> 00:00:23,400
Z góry określasz, jakiego rodzaju odpowiedź jest dozwolona.

10
00:00:23,613 --> 00:00:26,920
Model ocenia możliwości, a aplikacja wykorzystuje wynik.

11
00:00:27,187 --> 00:00:32,920
Przejdziemy od tego prostego wyboru do prawdopodobieństw,
dynamicznych klasyfikatorów i decyzji z kosztami.

12
00:00:33,180 --> 00:00:36,840
Liczby w animacjach są przykładami do nauki, a nie wynikami
benchmarku.

13
00:00:38,733 --> 00:00:40,573
Zanim zajrzymy do środka, krótka historia.

14
00:00:40,829 --> 00:00:43,933
TypeSafe przedstawiło Jev jako pierwszy model System One.

15
00:00:44,533 --> 00:00:50,413
Zwróciło uwagę na prosty pomysł: sztuczna inteligencja może oddawać
programowi gotową decyzję i prawdopodobieństwa.

16
00:00:50,933 --> 00:00:53,053
Sama klasyfikacja istnieje od dawna.

17
00:00:53,253 --> 00:00:57,613
Tutaj ważne jest połączenie rozumienia języka z zadaniem
definiowanym w każdym zapytaniu.

18
00:00:57,913 --> 00:01:00,973
Jednym interfejsem można obsłużyć wiele różnych procesów.

19
00:01:01,253 --> 00:01:05,933
Wokół Jev zaczęły powstawać narzędzia, otwarte implementacje i
kolejne udoskonalenia.

20
00:01:06,253 --> 00:01:13,053
Do tego nurtu należy basal: polski projekt rozwijający modele i
własny silnik decyzyjny, dostępny do uruchomienia lokalnie.

21
00:01:13,346 --> 00:01:18,253
To właśnie tę drogę przejdziemy: od idei i prostych typów
odpowiedzi do rozszerzeń basala.

22
00:01:18,553 --> 00:01:21,293
Najpierw rozszyfrujmy nazwę System One.

23
00:01:23,167 --> 00:01:25,327
Skąd określenie System One, czyli System jeden?

24
00:01:25,887 --> 00:01:29,727
Nawiązuje do podziału spopularyzowanego przez psychologa Daniela
Kahnemana.

25
00:01:29,956 --> 00:01:33,407
System jeden opisuje szybkie, automatyczne reakcje.

26
00:01:33,590 --> 00:01:37,326
System dwa: wolniejsze, świadome rozważanie kolejnych kroków.

27
00:01:37,807 --> 00:01:40,527
W sztucznej inteligencji to analogia do sposobu pracy.

28
00:01:40,847 --> 00:01:44,927
Szybki wybór spośród możliwości zamiast długiego generowania
uzasadnienia.

29
00:01:45,227 --> 00:01:50,527
Nie znaczy to, że model odtwarza ludzki umysł albo że szybka
odpowiedź zawsze jest poprawna.

30
00:01:50,827 --> 00:01:58,127
Jednym z przykładów takiego systemu jest basal: polski, otwarty
model decyzyjny, czyli dynamiczny klasyfikator typu System One.

31
00:01:58,500 --> 00:02:03,647
Możesz uruchomić go na własnym sprzęcie i podawać mu pytania oraz
opisy dozwolonych odpowiedzi.

32
00:02:04,067 --> 00:02:06,847
Basal posłuży nam dalej jako konkretny przykład.

33
00:02:07,027 --> 00:02:10,366
Najpierw zobaczmy, jak wygląda taka decyzja z perspektywy
aplikacji.

34
00:02:12,167 --> 00:02:15,447
Możesz potraktować taki model jak inteligentny if albo case.

35
00:02:15,927 --> 00:02:18,007
Dajesz dane wejściowe, czyli kontekst.

36
00:02:18,287 --> 00:02:21,047
Dodajesz pytanie i kilka możliwych odpowiedzi.

37
00:02:21,607 --> 00:02:26,167
Zamiast pisać regułę dla każdego sformułowania, prosisz model o
ocenę znaczenia.

38
00:02:26,455 --> 00:02:32,007
Dostajesz prawdopodobieństwo każdej opcji i wskazanie tej, którą
model uznaje za najbardziej trafną.

39
00:02:32,647 --> 00:02:39,287
W naszym przykładzie: osiemdziesiąt dwa procent dla reklamacji,
dwanaście dla sprzedaży i sześć dla księgowości.

40
00:02:39,714 --> 00:02:42,887
Przy wyborze jednej kategorii suma wynosi sto procent.

41
00:02:43,267 --> 00:02:45,927
Najwyższy słupek wskazuje wybraną kategorię.

42
00:02:46,117 --> 00:02:51,207
Program dostaje ustalony identyfikator i liczby, więc może łatwo
wybrać dalszą ścieżkę.

43
00:02:51,727 --> 00:02:58,647
Odczyt wyboru zamiast generowania długiej odpowiedzi zwykle oznacza
mniej obliczeń, krótszy czas i niższy koszt.

44
00:02:58,927 --> 00:02:59,927
Ale uwaga.

45
00:03:00,167 --> 00:03:02,567
Poprawny format nie oznacza poprawnej decyzji.

46
00:03:02,940 --> 00:03:07,927
Jeśli w opcjach zabraknie właściwej odpowiedzi, model nadal może
wskazać jedną z podanych.

47
00:03:08,407 --> 00:03:11,847
Warto przewidzieć opcję inny temat albo brak danych.

48
00:03:13,733 --> 00:03:17,093
Klasyczny klasyfikator często uczymy dla konkretnego zestawu klas.

49
00:03:17,280 --> 00:03:19,893
Na przykład reklamacje, sprzedaż i księgowość.

50
00:03:20,293 --> 00:03:23,893
Zmiana tego zestawu może wymagać nowych danych i dotrenowania.

51
00:03:24,173 --> 00:03:26,613
Tutaj opisy klas są częścią wejścia.

52
00:03:26,973 --> 00:03:31,093
Dla tej samej wiadomości możemy teraz zapytać: jakiej pomocy
oczekuje klient?

53
00:03:31,693 --> 00:03:34,613
Opcje to wymiana, zwrot pieniędzy i naprawa.

54
00:03:35,093 --> 00:03:36,933
Wagi modelu pozostają takie same.

55
00:03:37,213 --> 00:03:41,653
Zmieniliśmy definicję zadania, a więc dynamicznie zbudowaliśmy inny
klasyfikator.

56
00:03:41,906 --> 00:03:47,893
Model musiał być wcześniej wytrenowany do takich zadań, ale nie
trenujemy go ponownie dla każdej listy klas.

57
00:03:48,266 --> 00:03:52,053
Co więcej, wynik pierwszej decyzji może sterować następnym
pytaniem.

58
00:03:52,426 --> 00:03:55,413
Jeśli to reklamacja, pytamy o sposób rozwiązania.

59
00:03:55,653 --> 00:03:57,973
Jeśli oferta, pytalibyśmy o produkt.

60
00:03:58,373 --> 00:04:00,773
Tę logikę układa aplikacja lub agent.

61
00:04:02,633 --> 00:04:04,393
Zajrzyjmy do środka na przykładzie basala.

62
00:04:05,065 --> 00:04:08,073
Kontekst, pytanie i opisy opcji trafiają do transformera.

63
00:04:08,420 --> 00:04:11,193
Każda opcja dostaje krótki kod, na przykład literę.

64
00:04:11,593 --> 00:04:14,633
Po przetworzeniu wejścia odczytujemy wyniki dla tych kodów.

65
00:04:14,873 --> 00:04:17,673
Nie musimy generować całego zdania token po tokenie.

66
00:04:18,193 --> 00:04:22,473
Kolejne warstwy budują reprezentację, z której można ocenić każdą
opcję.

67
00:04:22,766 --> 00:04:24,953
Te surowe wyniki nazywamy logitami.

68
00:04:25,193 --> 00:04:29,513
Funkcja softmax zamienia je na dodatnie wartości sumujące się do
jedności.

69
00:04:29,730 --> 00:04:33,673
Temperatura może później dopasować ostrość rozkładu podczas
kalibracji.

70
00:04:33,973 --> 00:04:36,633
Silnik mapuje kody z powrotem na nasze etykiety.

71
00:04:36,926 --> 00:04:39,513
To jeden ze sposobów budowania modeli decyzyjnych.

72
00:04:39,806 --> 00:04:43,273
Inne implementacje mogą używać osobnej głowicy klasyfikacyjnej.

73
00:04:43,573 --> 00:04:46,313
Sam format odpowiedzi nie narzuca architektury.

74
00:04:48,167 --> 00:04:51,127
Zwykły model generatywny też może sklasyfikować wiadomość.

75
00:04:51,407 --> 00:04:55,367
Najpierw przetwarza wejście, a potem tworzy odpowiedź token po
tokenie.

76
00:04:55,740 --> 00:04:58,407
Każdy kolejny fragment zależy od poprzednich.

77
00:04:58,847 --> 00:05:01,927
Dłuższa odpowiedź oznacza więcej kolejnych kroków obliczeń.

78
00:05:02,527 --> 00:05:07,527
W basalu po przetworzeniu wejścia odczytujemy oceny dozwolonych
opcji i kończymy.

79
00:05:07,847 --> 00:05:10,407
Nie potrzebujemy pętli pisania całego zdania.

80
00:05:10,674 --> 00:05:17,687
Generatywny model może zachowywać wcześniejsze obliczenia w pamięci
podręcznej, ale nadal musi wyznaczać następne tokeny.

81
00:05:18,207 --> 00:05:24,247
Mniej kroków oraz mniejszy, wyspecjalizowany model to krótszy czas
i mniejsze zapotrzebowanie na obliczenia.

82
00:05:24,847 --> 00:05:31,367
W zadaniach wyboru taki system może być wielokrotnie szybszy i
znacznie tańszy niż duży model generujący odpowiedź.

83
00:05:32,114 --> 00:05:34,887
Przy tysiącach decyzji te oszczędności się kumulują.

84
00:05:35,180 --> 00:05:36,727
To nie jest stały mnożnik.

85
00:05:36,914 --> 00:05:40,727
Model generatywny zwracający tylko jedną literę też może być
szybki.

86
00:05:41,447 --> 00:05:47,687
Zysk mierzymy na tych samych zadaniach, przy wymaganej jakości,
uwzględniając sprzęt, długość wejścia i obciążenie.

87
00:05:49,567 --> 00:05:52,047
Dla tej samej wiadomości możemy zadać trzy różne pytania.

88
00:05:52,310 --> 00:05:54,527
Choice: do którego zespołu?

89
00:05:54,900 --> 00:05:56,767
Reklamacje, sprzedaż czy księgowość?

90
00:05:57,127 --> 00:06:01,967
Wynikiem jest jedna opcja i rozkład prawdopodobieństw sumujący się
do stu procent.

91
00:06:02,607 --> 00:06:05,407
Noul: czy klient prosi o wymianę?

92
00:06:06,031 --> 00:06:10,048
Dostajemy prawdopodobieństwo odpowiedzi tak, na przykład
dziewięćdziesiąt jeden procent.

93
00:06:10,528 --> 00:06:13,568
To liczba od zera do jedności, a nie samo prawda albo fałsz.

94
00:06:13,888 --> 00:06:18,528
Score: jak pilna jest sprawa na opisanej skali od zera do czterech?

95
00:06:19,228 --> 00:06:22,928
Model ocenia poziomy, a silnik może policzyć ich średnią ważoną.

96
00:06:23,128 --> 00:06:25,410
Tutaj wynosi ona dwa przecinek sześćdziesiąt pięć.

97
00:06:25,837 --> 00:06:28,370
To ocena na skali, nie procent pewności.

98
00:06:28,663 --> 00:06:32,530
Te trzy podstawowe typy znajdziemy w interfejsie Jev i w basalu.

99
00:06:32,890 --> 00:06:36,850
Jeden wybór, ocena tak lub nie, albo uporządkowana skala.

100
00:06:37,290 --> 00:06:39,810
A co, jeśli wiadomość pasuje do kilku etykiet naraz?

101
00:06:41,767 --> 00:06:44,007
Wróćmy do pękniętej szafy i prośby o wymianę.

102
00:06:44,327 --> 00:06:47,607
Pytamy teraz: jakie tematy są obecne w wiadomości?

103
00:06:47,927 --> 00:06:50,887
Uszkodzenie, wymiana czy problem z płatnością?

104
00:06:51,227 --> 00:06:54,327
Typ multi ocenia każdą etykietę osobno.

105
00:06:54,607 --> 00:07:01,687
W naszym przykładzie uszkodzenie ma dziewięćdziesiąt pięć procent,
wymiana osiemdziesiąt trzy, a płatność dwanaście.

106
00:07:02,447 --> 00:07:04,247
Dwa tematy mogą być prawdziwe jednocześnie.

107
00:07:04,467 --> 00:07:07,047
Silnik wybiera etykiety według ustalonego progu.

108
00:07:07,260 --> 00:07:10,567
Przy pięćdziesięciu procentach zostają uszkodzenie i wymiana.

109
00:07:10,807 --> 00:07:16,807
Suma tych prawdopodobieństw nie musi wynosić sto procent, bo nie
jest to wybór jednej wykluczającej kategorii.

110
00:07:17,074 --> 00:07:19,047
To jedno z rozszerzeń silnika basal.

111
00:07:19,314 --> 00:07:27,447
Do podstawowych typów dodaliśmy gotowe multi, act i tool: wybór
zestawu, działania według kosztów oraz narzędzia agenta.

112
00:07:27,767 --> 00:07:30,967
Oszczędzają składanie tej logiki od początku w każdej aplikacji.

113
00:07:32,867 --> 00:07:36,947
Załóżmy, że model przy stu podobnych decyzjach deklaruje pewność
dziewięćdziesięciu procent.

114
00:07:37,427 --> 00:07:42,707
Jeśli jest dobrze skalibrowany, oczekujemy około dziewięćdziesięciu
poprawnych odpowiedzi w tej grupie.

115
00:07:43,134 --> 00:07:46,707
To własność wielu decyzji, a nie gwarancja dla jednej wiadomości.

116
00:07:46,987 --> 00:07:49,347
Model może być zbyt pewny siebie.

117
00:07:49,647 --> 00:07:54,147
Dlatego kalibrację dopasowujemy na osobnych danych, a sprawdzamy na
niezależnym teście.

118
00:07:54,587 --> 00:07:56,547
Teraz ustawmy próg.

119
00:07:56,847 --> 00:07:59,667
Powyżej progu sprawa idzie do automatyzacji.

120
00:07:59,967 --> 00:08:01,187
Poniżej, do człowieka.

121
00:08:01,827 --> 00:08:05,667
Gdy podnosimy próg, system zwykle wykonuje mniej pracy
samodzielnie.

122
00:08:06,254 --> 00:08:08,707
Próg dobieramy do zmierzonego błędu w naszym procesie.

123
00:08:08,960 --> 00:08:12,387
Parametr max error nie daje magicznej gwarancji.

124
00:08:12,654 --> 00:08:19,587
Jeśli nie mamy potwierdzonego progu albo dane się zmienią,
potrzebujemy weryfikacji i możliwości odmowy automatycznej decyzji.

125
00:08:21,433 --> 00:08:23,033
Wyobraźmy sobie teraz zwrot pieniędzy.

126
00:08:23,453 --> 00:08:27,193
Model ocenia, że reklamacja jest zasadna z prawdopodobieństwem
dziewięćdziesięciu procent.

127
00:08:27,713 --> 00:08:30,153
Czy powinniśmy automatycznie wypłacić pieniądze?

128
00:08:30,553 --> 00:08:37,193
Załóżmy, że niesłuszna wypłata kosztuje tysiąc złotych, niesłuszna
odmowa dwieście, a sprawdzenie przez człowieka dwadzieścia.

129
00:08:37,646 --> 00:08:39,593
To umowne koszty naszego przykładu.

130
00:08:40,113 --> 00:08:44,073
Oczekiwany koszt wypłaty to dziesięć procent razy tysiąc, czyli sto
złotych.

131
00:08:44,593 --> 00:08:49,754
Oczekiwany koszt odmowy to dziewięćdziesiąt procent razy dwieście,
czyli sto osiemdziesiąt.

132
00:08:50,446 --> 00:08:51,913
Człowiek kosztuje dwadzieścia.

133
00:08:52,313 --> 00:08:56,793
Typ act wybiera działanie o najniższym oczekiwanym koszcie według
podanych zasad.

134
00:08:57,033 --> 00:08:59,273
Tutaj: sprawdzenie przez człowieka.

135
00:08:59,513 --> 00:09:02,873
Model ocenia prawdopodobieństwa, kod liczy koszty.

136
00:09:03,313 --> 00:09:06,793
A osobne uprawnienia i reguły decydują, czy wolno wykonać
działanie.

137
00:09:08,667 --> 00:09:10,027
Agent ma obsłużyć reklamację.

138
00:09:10,294 --> 00:09:15,067
Udostępniamy mu trzy narzędzia: sprawdź zamówienie, poproś o
zdjęcie i zleć wymianę.

139
00:09:15,280 --> 00:09:17,467
Pytanie brzmi: które narzędzie wybrać teraz?

140
00:09:17,687 --> 00:09:19,947
Procedura wymaga najpierw sprawdzenia zakupu.

141
00:09:20,187 --> 00:09:24,427
Typ tool ocenia opisy narzędzi względem stanu i wskazuje
sprawdzenie zamówienia.

142
00:09:24,720 --> 00:09:27,947
Może też wybrać brak wywołania lub potrzebę dopytania.

143
00:09:28,294 --> 00:09:30,507
Wybór narzędzia nie jest jego wykonaniem.

144
00:09:30,857 --> 00:09:32,347
Basal nie tworzy tutaj argumentów.

145
00:09:32,574 --> 00:09:35,227
Numer zamówienia dostarcza aplikacja lub agent.

146
00:09:35,427 --> 00:09:39,227
Kod sprawdza argumenty i uprawnienia, a dopiero potem uruchamia
operację.

147
00:09:39,487 --> 00:09:41,067
Wynik odczytu wraca do stanu.

148
00:09:41,307 --> 00:09:44,827
Teraz model może wybrać następny krok na podstawie nowych
informacji.

149
00:09:45,047 --> 00:09:48,267
Act i tool są eksperymentalnymi rozszerzeniami silnika basal.

150
00:09:48,534 --> 00:09:51,387
Przed automatycznym działaniem sprawdzamy je w swoim procesie.

151
00:09:53,500 --> 00:09:54,780
Wróćmy do naszej wiadomości.

152
00:09:55,260 --> 00:10:00,060
Chcemy znać kategorię, pilność, potrzebę odpowiedzi i pasujące
etykiety.

153
00:10:00,487 --> 00:10:05,100
Można wysłać cztery osobne zapytania i cztery razy przetworzyć ten
sam tekst.

154
00:10:05,650 --> 00:10:08,860
Silnik basala potrafi współdzielić obliczenia dla tego kontekstu.

155
00:10:09,127 --> 00:10:11,820
To mechanizm state once, ask many.

156
00:10:12,260 --> 00:10:15,900
Wspólny początek liczymy raz, a pytania tworzą osobne gałęzie.

157
00:10:16,220 --> 00:10:18,460
Każda gałąź otrzymuje własny wynik.

158
00:10:18,700 --> 00:10:22,700
Pytania niezależne możemy umieścić w jednym żądaniu do interfejsu
System One.

159
00:10:23,073 --> 00:10:27,660
Jeśli kolejne pytanie zależy od poprzedniej odpowiedzi, wysyłamy je
w następnym kroku.

160
00:10:27,873 --> 00:10:31,100
To oszczędza powtarzane obliczenia, szczególnie przy długim
kontekście.

161
00:10:31,420 --> 00:10:35,420
Dokładny zysk zależy od sprzętu, długości danych i silnika.

162
00:10:35,780 --> 00:10:39,820
Jedno żądanie nie musi oznaczać jednego fizycznego przebiegu całej
sieci.

163
00:10:41,667 --> 00:10:42,707
Jak wygląda to w programie?

164
00:10:43,147 --> 00:10:46,547
Aplikacja pobiera wiadomość i wysyła jedno żądanie do serwera.

165
00:10:46,803 --> 00:10:50,867
Pole state zawiera kontekst, a questions opisuje pytania.

166
00:10:51,214 --> 00:10:53,987
Tu pytamy o zespół i o to, czy klient chce wymiany.

167
00:10:54,240 --> 00:10:57,027
Model nie otwiera sam skrzynki ani firmowej bazy.

168
00:10:57,467 --> 00:10:58,787
Ocenia przekazane informacje.

169
00:10:59,187 --> 00:11:07,027
W odpowiedzi aplikacja otrzymuje identyfikator reklamacje i
prawdopodobieństwa, a obok wynik pytania tak lub nie.

170
00:11:07,247 --> 00:11:08,707
Rozdzielmy trzy role.

171
00:11:08,920 --> 00:11:10,387
Model ocenia znaczenie.

172
00:11:10,587 --> 00:11:15,747
Silnik przygotowuje wejście, odczytuje wyniki i liczy potrzebne
reguły, na przykład koszty.

173
00:11:16,187 --> 00:11:19,267
Aplikacja dostarcza dane oraz wykonuje dozwolone działania.

174
00:11:19,567 --> 00:11:22,467
Dodatki silnika nie zawsze są nowymi typami decyzji.

175
00:11:22,774 --> 00:11:25,987
Facts pomaga obliczać rozpoznane kwoty i daty w kodzie.

176
00:11:26,327 --> 00:11:28,627
MCP udostępnia decyzje agentom.

177
00:11:28,907 --> 00:11:33,027
Nadal potrzebujemy własnych zasad procesu, a nie tylko połączenia z
modelem.

178
00:11:34,900 --> 00:11:38,340
Nie pytajmy od razu: czy sprawa jest pilna, zasadna i należy
wymienić towar?

179
00:11:38,660 --> 00:11:39,860
To kilka różnych ocen.

180
00:11:40,020 --> 00:11:41,780
Rozdzielmy je na osobne, krótkie pytania.

181
00:11:42,073 --> 00:11:43,540
Opiszmy znaczenie odpowiedzi.

182
00:11:44,020 --> 00:11:46,820
Dla pilności samo zero do czterech jest niejasne.

183
00:11:47,012 --> 00:11:53,220
Zero może oznaczać brak potrzeby działania, trzy odpowiedź jeszcze
dziś, a cztery natychmiastowe zagrożenie bezpieczeństwa.

184
00:11:53,673 --> 00:11:58,900
Jeśli potrzebna jest reguła firmy lub treść dokumentu, aplikacja
powinna umieścić ją w kontekście.

185
00:11:59,300 --> 00:12:02,820
Dla wyboru jednego zespołu określamy wyraźne granice kategorii.

186
00:12:03,060 --> 00:12:04,980
Dla kilku tematów wybieramy multi.

187
00:12:05,407 --> 00:12:07,220
Przewidujemy też brak danych.

188
00:12:07,540 --> 00:12:10,820
Gdy nie znamy daty dostawy, nie każemy modelowi jej zgadywać.

189
00:12:11,100 --> 00:12:14,500
Niech wskaże brak informacji, a proces poprosi o uzupełnienie.

190
00:12:14,860 --> 00:12:17,220
Dokładne obliczenia zostawiamy kodowi.

191
00:12:19,333 --> 00:12:20,373
Skąd model to potrafi?

192
00:12:20,933 --> 00:12:25,333
W basalu zaczynamy od modelu językowego, który dodatkowo uczymy
zadań decyzyjnych.

193
00:12:25,593 --> 00:12:32,133
Trening uczy model wybierać, kalibracja dopasowuje pewność, a
niezależny test sprawdza, jak działa na nowych przykładach.

194
00:12:32,693 --> 00:12:35,253
W aplikacji rozdzielamy odpowiedzialności.

195
00:12:35,803 --> 00:12:37,173
Kod liczy kwoty i terminy.

196
00:12:37,373 --> 00:12:39,173
Model interpretuje znaczenie.

197
00:12:39,413 --> 00:12:41,333
Reguły sprawdzają uprawnienia.

198
00:12:41,973 --> 00:12:44,533
Trudne lub ryzykowne przypadki trafiają do człowieka.

199
00:12:44,833 --> 00:12:49,813
Typowany wynik nie chroni sam z siebie przed błędami ani złośliwymi
instrukcjami w dokumencie.

200
00:12:50,093 --> 00:12:54,773
Potrzebne są testy własnego procesu i kontrola tego, co aplikacja
robi z odpowiedzią.

201
00:12:55,413 --> 00:12:57,253
A co z obrazem albo nagraniem?

202
00:12:57,913 --> 00:13:00,213
W modelu multimodalnym zmienia się wejście.

203
00:13:00,653 --> 00:13:04,933
Zasada pozostaje taka sama: kontekst, pytanie, dozwolony typ
wyniku.

204
00:13:05,233 --> 00:13:07,733
Tak działa również rodzina basal omni.

205
00:13:09,633 --> 00:13:12,353
Weźmy jeden proces i przykłady ocenione przez człowieka.

206
00:13:12,793 --> 00:13:17,473
Dodaj zwykłe wiadomości, przypadki graniczne i brakujące
informacje.

207
00:13:17,873 --> 00:13:24,593
Sprawdź też pary różniące się jednym słowem: proszę o wymianę oraz
nie proszę o wymianę.

208
00:13:24,993 --> 00:13:28,913
Sprawdzaj każdą kategorię osobno, a nie tylko średni wynik.

209
00:13:29,553 --> 00:13:34,993
Zmierz błędy, czas odpowiedzi i to, ile spraw można obsłużyć przy
akceptowanym ryzyku.

210
00:13:35,660 --> 00:13:40,353
Próg dobieraj na innych przykładach niż te, na których oceniasz
końcowy wynik.

211
00:13:41,193 --> 00:13:43,552
Czy poprawienie odpowiedzi uczy model?

212
00:13:43,853 --> 00:13:46,353
Samo kliknięcie nie zmienia jego wag.

213
00:13:46,577 --> 00:13:53,313
Korekty możemy zapisać jako etykiety, wykorzystać do testów,
ulepszenia pytań albo osobnego dotrenowania.

214
00:13:53,953 --> 00:13:56,913
Zmiana opcji w zapytaniu nie jest treningiem.

215
00:13:57,433 --> 00:14:02,913
Najpierw uruchom system w trybie obserwacji: proponuje decyzje, ale
ich nie wykonuje.

216
00:14:03,366 --> 00:14:08,273
Po sprawdzeniu jakości stopniowo włączaj automatyzację i obserwuj
nowe błędy.

217
00:14:08,633 --> 00:14:12,353
Dopiero tak powstaje zaufanie do konkretnego wdrożenia.

218
00:14:14,333 --> 00:14:15,213
Złóżmy wszystko razem.

219
00:14:15,453 --> 00:14:16,813
Wiadomość trafia do modelu.

220
00:14:17,186 --> 00:14:18,413
Pytanie określa zadanie.

221
00:14:18,693 --> 00:14:20,653
Opcje wyznaczają przestrzeń odpowiedzi.

222
00:14:21,093 --> 00:14:25,373
Otrzymujemy rozkład prawdopodobieństw, a potem wybieramy działanie
według zasad procesu.

223
00:14:25,629 --> 00:14:28,493
Modele generatywne i decyzyjne mogą się uzupełniać.

224
00:14:29,053 --> 00:14:31,533
Basal wybiera, że potrzebne jest zdjęcie uszkodzenia.

225
00:14:31,773 --> 00:14:34,653
Bielik może napisać uprzejmy szkic prośby o zdjęcie.

226
00:14:34,933 --> 00:14:38,813
Jedno zadanie to ograniczony wybór, drugie to ułożenie nowej
treści.

227
00:14:39,213 --> 00:14:39,933
Jeden model.

228
00:14:40,213 --> 00:14:42,493
Wiele dynamicznie definiowanych klasyfikatorów.

229
00:14:42,840 --> 00:14:44,493
Ty określasz możliwości.

230
00:14:44,866 --> 00:14:45,613
Model je ocenia.

231
00:14:45,893 --> 00:14:46,813
Aplikacja działa.

232
00:14:47,053 --> 00:14:49,693
A człowiek zachowuje kontrolę tam, gdzie jest potrzebna.