ИИ для фасилитаторов. От подготовки до проведения. Наталья Гульчевская. Читать онлайн. Newlib. NEWLIB.NET

Автор: Наталья Гульчевская
Издательство: Издательские решения
Серия:
Жанр произведения:
Год издания: 0
isbn: 9785006538269
Скачать книгу
атрибутированные утверждения. Например, когда мы рассматривали возможность начинать каждую главу нашей книги с цитаты, ИИ предоставил великолепно звучащие цитаты. Однако, проверяя их, мы обнаружили, что некоторые цитаты были полностью вымышленными или ошибочно приписанными известным людям, таким как Илон Маск.

      При использовании ИИ для таких задач, как генерация текстов или комментариев, важно просматривать и дорабатывать контент. ИИ часто генерирует контент, который бывает многословным, насыщенным прилагательными и сложным. Чтобы итоговый продукт был точным и эффективным, следуйте этим шагам:

      – Первичная проверка: Всегда проверяйте сгенерированный ИИ контент на наличие явных ошибок или несоответствий.

      – Проверка фактов: Проверяйте факты, цитаты и данные относительно надежных источников. Не принимайте результаты ИИ за чистую монету.

      – Уточнение: Редактируйте контент для соответствия желаемому тону и точности. Это может включать перефразирование или реорганизацию информации.

      – Множественные итерации: Будьте готовы провести несколько итераций, уточняя промпт и просматривая результаты до тех пор, пока они не будут соответствовать вашим стандартам.

      Визуальные галлюцинации ИИ

      Также могут иметь место галлюцинации в ИИ-сгенерированных изображениях. Например, изображения могут показывать людей с неестественным количеством пальцев или другими анатомическими аномалиями. Наиболее сложная проблема связана с текстом. Часто, когда ИИ включает текст в изображения, он выглядит как нечто из сна – все буквы кажутся реальными, но текст искажен или неверен.

      Пример: обучение ИИ для улучшения результатов

      Когда я готовила материалы для настольной игры OKR Test-drive, я сгенерировала множество примеров Целей и Ключевых Результатов. Однако вместо ориентированных на результат показателей я столкнулась с плохо сформулированными задачами. Генеративный ИИ обучается на огромных массивах доступных ему данных, особенно из интернета. Из-за шумихи вокруг OKR почти каждый пишет примеры OKR, зачастую без должной подготовки или реального опыта. Опираясь на фрагментарную информацию и устаревшие книги, люди публикуют примеры OKR, где Ключевые Результаты всего лишь списки задач. Такое обилие низкокачественных примеров учит ChatGPT неправильному подходу.

      Чтобы улучшить ситуацию, я обучила ИИ, используя многочисленные примеры из наших собственных данных, и создала агента GPTs под названием OKR Coach (вы можете найти его в списке ассистентов ChatGPT, или на сайтах okr-academy.ru и okr-academy.net). Результаты стали значительно лучше. Тем не менее, несмотря на обширное обучение, ошибки все же иногда случаются, что подчеркивает необходимость постоянной проверки и критической оценки. Другими словами, использование ИИ не устраняет необходимость в вашем экспертном знании темы!

      Конец ознакомительного фрагмента.

      Текст предоставлен ООО