توسعه هوش مصنوعی مولد از نمونه اولیه تا فاز عملیاتی، نیازمند یک رویکرد استراتژیک سه‌جانبه است. ابتدا، انتخاب پلتفرم هوش مصنوعی مناسب و مدل‌های انعطاف‌پذیر (با در نظر گرفتن قابلیت سفارشی‌سازی مانند RAG^۱ برای دقت بالاتر) حیاتی است. هم‌چنین، باید یک چارچوب ارزیابی جامع شامل شاخص‌های کلیدی عملکرد (KPIs) برای سنجش کیفیت، ایمنی و هزینه‌های مدل‌ها تعریف شود، زیرا آن‌چه اندازه‌گیری نشود قابل بهبود نیست. در نهایت، رعایت اصول هوش مصنوعی مسئولیت‌پذیر، از جمله مدیریت ریسک‌های منحصربه‌فردی نظیر توهم‌زایی و تزریق پرامپت، در تمام چرخه‌ی عمر پروژه ضروری است تا پیاده‌سازی هوش مصنوعی مولد در محیط سازمانی به طور ایمن و ارزش‌آفرین انجام پذیرد.

هوش مصنوعی مولد (Generative AI) در حال متحول کردن صنایع مختلف است، اما تبدیل ایده‌های اولیه به راه‌حل‌های عملی و گسترده نیازمند یک برنامه‌ریزی استراتژیک است. در این مسیر، ملاحظات کلیدی شامل انتخاب پلتفرم مناسب، سنجش عملکرد و رعایت اصول هوش مصنوعی مسئولیت‌پذیر (Responsible AI) حیاتی هستند.

مدیران کسب‌وکارها این روزها حسابی درگیر موضوع هوش مصنوعی مولد هستند. در راستای کمک به شما برای درک بهتر این حوزه‌ی تحول‌آفرین و پرشتاب، این مقاله بر اساس ستون «The Prompt» گوگل کلاود و مشاهدات وارن بارکلی، رهبر محصول هوش مصنوعی در آن مجموعه، تدوین شده است.

اوج‌گیری هوش مصنوعی مولد در کسب‌وکارها

تنها چند سال پیش، هوش مصنوعی مولد (Gen AI) زمزمه‌ای در دنیای فناوری بود، اما امروز به نظر می‌رسد در هر گوشه‌ای حضور دارد و صنایع را بازآفرینی کرده و با سرعتی غیرقابل تصور در حال تکامل است.

آمارها نشان می‌دهند که در حال حاضر بیش از ۶۰٪ از سازمان‌های بزرگ به طور فعال از هوش مصنوعی مولد در فاز عملیاتی استفاده می‌کنند. این امر به افزایش بهره‌وری، رشد کسب‌وکار، تقویت امنیت و بهبود تجربه‌ی کاربری کمک شایانی کرده است. تنها در یک سال اخیر، فقط در مورد هوش مصنوعی گوگل، شاهد افزایش شگفت‌انگیز ۳۶ برابری در استفاده از Gemini API و حدود ۵ برابری در استفاده از Imagen API در پلتفرم Vertex AI بوده‌ایم. این ارقام شاهدی واضح بر حرکت قاطع کاربران برای ادغام هوش مصنوعی مولد در برنامه‌های کاربردی واقعی‌شان است.

چالش: گذار از آزمایش به ارزش‌آفرینی واقعی

با این حال، بسیاری از سازمان‌ها با یک حقیقت تلخ روبه‌رو هستند: استخراج ارزش از قابلیت‌های قدرتمند هوش مصنوعی مولد به سادگی تایپ یک پرس‌وجو و گرفتن پاسخ نیست. این فرآیند نیازمند شناسایی دقیق مسایل کسب‌وکار که قرار است با هوش مصنوعی حل شوند، اولویت‌بندی موارد استفاده‌ی برتر و تدوین یک استراتژی جامع هوش مصنوعی است. به طور خاص، بسیاری از مدیران در مدیریت پیچیدگی‌های ادغام و پیاده‌سازی ابزارهای هوش مصنوعی مولد در محیط‌های سازمانی با حفظ حریم خصوصی، امنیت، کنترل و انطباق مورد نیاز؛ با چالش روبرو هستند.

برای کمک به سازمان‌ها در عبور از این چالش، گوگل کتاب الکترونیکی جدیدی تحت عنوان «هوش مصنوعی مولد: از نمونه اولیه تا تولید» منتشر کرده است. این راهنما با بهره‌گیری از دو دهه تجربه در عملیاتی کردن هوش مصنوعی در مقیاس بزرگ و بینش‌های حاصل از کار با مشتریان، گام‌هایی را ترسیم می‌کند که به سازمان‌ها کمک کرده‌اند تا با موفقیت از مرحله آزمایش هوش مصنوعی عبور کنند. با این هدف، در ادامه سه نکته‌ی کلیدی از این کتاب الکترونیکی را در مورد توسعه هوش مصنوعی مولد موفق به اشتراک می‌گذارم که می‌تواند در عملیاتی کردن موارد استفاده شما بسیار مفید باشد:

۱. پلتفرم و مدل مناسب، عامل تعیین‌کننده

همان طور که همیشه گفته می‌شود، باید روی یک پلتفرم هوش مصنوعی سرمایه‌گذاری کنید، نه فقط مدل‌ها. انتخاب یک مدل هوش مصنوعی مولد به ندرت یک تصمیم نهایی است؛ به احتمال زیاد با تکامل کسب‌وکار خود، نیاز به به‌روزرسانی مدل، ارتقای نسخه‌ی آن یا حتا تغییر کلی به یک مدل دیگر خواهید داشت. حتا ممکن است برخی موارد استفاده، نیازمند به‌کارگیری مدل‌های متعدد برای بهینه‌سازی عملکرد و هزینه باشند.

پلتفرم‌های هوش مصنوعی دسترسی به ابزارها و قابلیت‌های حیاتی لازم برای توسعه، پیاده‌سازی و مدیریت ایمن سیستم‌های هوش مصنوعی در مقیاس بالا را فراهم می‌کنند و به عنوان یک پایه و اساس قوی برای هر ابتکار هوش مصنوعی – نه فقط هوش مصنوعی مولد – عمل می‌کنند. بنابراین، سازمان‌ها نباید تنها مدل‌های مختلف را ارزیابی کنند، بلکه باید قابلیت‌های پلتفرمی را نیز که برای دستیابی به اهدافشان در طول فرآیند انتخاب نیاز خواهند داشت، با دقت بررسی کنند.

برای مثال، باید بررسی کنید که آیا ارایه‌دهنده، زیرساختی متناسب با الزامات شما ارایه می‌دهد، آیا مدل‌ها می‌توانند طیف گسترده‌ای از نیازها و بودجه‌ها را برآورده کنند، انواع مختلف مدالیته‌ها^۲ و اندازه‌های موجود کدامند و منابع موجود برای شخصی‌سازی، تنظیم دقیق^۳ یا تغییر مدل‌ها به چه صورت است.

علاوه بر این، درک انواع مختلف مدل‌های هوش مصنوعی مولد برای ارزش‌آفرینی و نوآوری با این فناوری حیاتی است. هنگام انتخاب مدل‌ها برای آزمایش و ارزیابی، باید نقاط قوت و ضعف مدل‌های مختلف را در برابر الزامات خاص سازمان خود بسنجید؛ از جمله مورد استفاده‌ی منحصربه‌فرد شما، حاکمیت داده و مدل، عوامل عملکرد و قابلیت‌های دیگر مانند پنجره‌های متنی^۴، مجموعه داده‌های آموزشی، چندوجهی بودن^۵ و تعداد پارامترهای مدل.

بسیاری از مشتریان گوگل به این نتیجه رسیده‌اند که شروع کار با یک مدل اختصاصی بزرگ به آن‌ها کمک کرده است تا با قابلیت‌های آن آشنا شده و ورودی‌ها و خروجی‌های آن را درک کنند. استفاده از مدل‌های بنیادین^۶ به عنوان نقطه‌ی شروع می‌تواند به شما این امکان را بدهد که برنامه‌های ایمن و با کیفیت را به سرعت بسازید، بدون این که نیاز به پیاده‌سازی مدل‌های کوچک‌تر یا منبع باز داشته باشید که اغلب به اقدامات حفاظتی اضافی نیاز دارند. پس از آن، می‌توانید درک بهتری از نیازهای کسب‌وکار خود از مدل‌های هوش مصنوعی مولد، مانند هزینه‌های کم‌تر، زمان پاسخ‌گویی سریع‌تر، یا دانش دامنه‌ی تخصصی‌تر به دست آورید.

چرا به پلتفرم هوش مصنوعی نیاز داریم؟

پلتفرم‌های هوش مصنوعی دسترسی به ابزارها و قابلیت‌های حیاتی لازم برای توسعه، پیاده‌سازی و مدیریت ایمن سیستم‌های هوش مصنوعی در مقیاس بالا را فراهم می‌کنند و به عنوان یک پایه و اساس قوی برای هر ابتکار هوش مصنوعی عمل می‌کنند. بنابراین، هنگام توسعه هوش مصنوعی مولد، سازمان‌ها باید علاوه بر ارزیابی مدل‌ها، قابلیت‌های پلتفرمی زیر را نیز در نظر بگیرند:

• زیرساخت انعطاف‌پذیر: آیا ارایه‌دهنده، زیرساختی متناسب با الزامات پردازشی شما (مانند GPUهای خاص) ارایه می‌دهد؟
• تنوع مدل: آیا مدل‌ها (از نظر مدالیته، اندازه و بودجه) تنوع کافی دارند و قابلیت استفاده از چندین مدل به صورت هم‌زمان برای بهینه‌سازی عملکرد و هزینه وجود دارد؟
• قابلیت‌های سفارشی‌سازی^۷: آیا ابزارهای لازم برای تنظیم دقیق مدل‌ها، بهینه‌سازی پرامپت‌ها و یا استفاده از تکنیک تولید مبتنی بر بازیابی (RAG) فراهم شده است؟
• سهولت تغییر: قابلیت سوییچ آسان بین مدل‌ها و نسخه‌های مختلف برای انطباق با نیازهای در حال تغییر کسب‌وکار چه‌قدر است؟

استراتژی انتخاب مدل: از بزرگ تا بهینه

بسیاری از کاربران سازمانی، از یک مدل اختصاصی بزرگ^۸ استفاده می‌کنند. این مدل‌ها به دلیل پایداری و کیفیت بالا، امکان ساخت برنامه‌های ایمن و سریع را فراهم می‌کنند. پس از کسب تجربه و درک دقیق‌تر نیازهای کسب‌وکار (مانند نیاز به هزینه‌های پایین‌تر، زمان پاسخ‌گویی سریع‌تر یا دانش دامنه تخصصی)، می‌توان به سمت مدل‌های کوچک‌تر یا مدل‌های منبع باز^۹ حرکت کرد. مهم آن است که مدل انتخابی، قابلیت‌هایی چون پنجره‌های متنی بزرگ، چندوجهی بودن و پارامترهای مناسب را برای مورد استفاده خاص شما داشته باشد.

۲. آن چه سنجیده نشود، بهبود نمی‌یابد

بهینه‌سازی مدل‌های هوش مصنوعی مولد برای اطمینان از قابلیت اطمینان و دقت کافی برای پشتیبانی از موارد استفاده سازمانی، یکی از بزرگ‌ترین موانعی است که سازمان‌ها هنگام عملیاتی کردن سیستم‌های هوش مصنوعی باید بر آن غلبه کنند. مدل‌های هوش مصنوعی مولد می‌توانند پاسخ‌های متفاوتی را حتا با دریافت یک ورودی تولید کنند (Non-Deterministic هستند)؛ بنابراین ایجاد یک چارچوب ارزیابی هوش مصنوعی مولد از همان ابتدا، شامل معیارها و قابلیت‌های ارزیابی برای مشاهده و نظارت بر مدل‌های هوش مصنوعی مولد، حیاتی است.

هنگامی که فراتر از بازی با ایده‌ها و آزمایش می‌روید، باید شاخص‌های کلیدی عملکرد (KPI) برای هوش مصنوعی مولد تنظیم کنید تا به شما در اندازه‌گیری کیفیت، ایمنی و عملکرد مدل‌هایتان کمک کند. این معیارها برای شناسایی حوزه‌هایی که در سیستم هوش مصنوعی شما نیاز به بهبود دارند و پیگیری پیشرفت شما برای به دست آوردن تصویری واضح از عملکرد مدل‌هایتان، کلیدی هستند.

به طور خاص، برای ارزیابی طیف گسترده‌ای از ورودی‌ها و سناریوهای ممکن که یک مدل ممکن است پس از عملیاتی شدن با آن‌ها مواجه شود، باید از معیارهای مختلفی استفاده کنید. به عنوان مثال، موارد استفاده مانند خلاصه‌سازی، پرسش و پاسخ و تولید محتوا؛ همگی نیازمند KPIهای متفاوتی خواهند بود و این معیارها به احتمال زیاد در شرکت‌های مختلف نیز متفاوت خواهند بود.

به طور کلی، معیارها می‌توانند به شما کمک کنند تا اقدامات لازم را برای دستیابی ابزارها و سیستم‌های هوش مصنوعی مولد به اهداف استراتژیک کلی خود تعیین کنید. برای مثال، بهبود تاخیر^۱۰ و هزینه‌ها، اغلب مستلزم تغییر مدل و بازنگری در انتخاب مدل است. اگر به دنبال اصلاح پاسخ مدل هستید، باید رفتار مدل را از طریق شخصی‌سازی یا تقویت، مانند بهینه‌سازی پرامپت، تنظیم دقیق یا تولید مبتنی بر بازیابی (RAG)، تطبیق دهید.

تنظیم KPIهای مناسب برای هوش مصنوعی مولد

هنگامی که فراتر از مرحله‌ی آزمایش می‌روید، باید شاخص‌های کلیدی عملکرد (KPI) مشخصی را برای هوش مصنوعی مولد تعیین کنید تا کیفیت، ایمنی و عملکرد مدل‌هایتان سنجیده شود. این معیارها برای توسعه هوش مصنوعی مولد و بهبود مستمر آن ضروری هستند:

• معیارهای کیفیت پاسخ: این معیارها باید بر اساس مورد استفاده شما تنظیم شوند. برای مثال:
  • خلاصه‌سازی: سنجه‌هایی برای دقت در بازنمایی حقایق و انسجام متن تولید شده.
  • پرسش و پاسخ (Q&A): سنجه‌هایی برای ارتباط پاسخ با پرسش و صحت اطلاعات.
  • تولید محتوا: سنجه‌هایی برای خلاقیت، لحن مناسب و پیروی از دستورالعمل‌های خاص برند.
• معیارهای ایمنی^۱۱: اندازه‌گیری میزان تولید محتوای سمی، مغرضانه یا نامناسب.
• معیارهای فنی و اقتصادی: شامل میزان تاخیر^۱۲ در پاسخ‌دهی و هزینه‌های استنتاج^۱۳ که برای توجیه‌پذیری اقتصادی پروژه بسیار مهم هستند.

راهکارهای بهبود عملکرد مدل

در صورت لزوم، باید اقدامات لازم برای بهبود عملکرد را بر اساس KPIها انجام داد. به عنوان مثال:

۳. هوش مصنوعی مسئولیت‌پذیر، قلب هر هوش مصنوعی مولد

حاکمیت^۱۴، ایمنی، انصاف و فرصت‌های برابر، تنها یک مرحله در مسیر از نمونه‌ی اولیه تا برنامه کاربردی واقعی نیستند؛ این‌ها بهترین شیوه‌های اصلی هستند که باید به طور مستمر توسط ارایه‌دهندگان مدل و سازمان‌ها به طور یک‌سان رعایت شوند. علاوه بر ایجاد فرآیندهای اثربخش برای حاکمیت و درک خطرات امنیتی منحصربه‌فرد مرتبط با سیستم‌های هوش مصنوعی، باید تلاش کنید تا سازمان خود را برای ساخت و استفاده ایمن و مسئولانه از هوش مصنوعی مولد توانمند سازید.

برای انجام این کار؛ باید به ملاحظات اخلاقی، انطباق قانونی و اطمینان از ایمنی کلی سیستم‌های هوش مصنوعی مولد خود در طول فرآیند انتشار، اعتبارسنجی و پیاده‌سازی برنامه‌های کاربردی خود بپردازید.

مقابله با آسیب‌پذیری‌های منحصر به فرد Gen AI

به طور خاص، هوش مصنوعی مولد برخی آسیب‌پذیری‌های منحصربه‌فرد را به سیستم‌های سازمانی وارد می‌کند که می‌تواند بر ایمنی کلی سیستم‌های شما اثر بگذارد و تیم‌ها باید آن‌ها را مدیریت کنند، از جمله:

• توهم‌زایی^۱۵: هنگامی که مدل‌های هوش مصنوعی مولد فاقد دانش واقعی مبتنی بر حقایق یا درک دقیق موضوعات هستند، می‌توانند خروجی‌هایی تولید کنند که موجه به نظر می‌رسند اما نادرست، نامرتبط، نامناسب یا به کلی ساختگی هستند.
  • راهکار: استفاده از تکنیک RAG، فیلتر کردن استنادات و آموزش کاربر برای اعتبارسنجی خروجی‌ها.
• تزریق پرامپت^۱۶ و فرار از محدودیت^۱۷: سیستم‌های هوش مصنوعی مولد در برابر تکنیک‌های جدیدی آسیب‌پذیر هستند که از پرامپت‌های مخرب یا دستورات جایگزین برای دستکاری مدل‌ها جهت تولید خروجی‌های ناخواسته، تغییر رفتار یا منطق زیربنایی مورد نظرشان یا افشای داده‌های حساس استفاده می‌کنند.
  • راهکار: استفاده از ابزارهای امنیتی لایه‌ی محافظتی مانند Model Armor (در پلتفرم‌های گوگل کلاود) برای تنظیم سیاست‌ها و فیلترهای امنیتی در پرامپت‌ها و پاسخ‌ها.
• مسمومیت داده‌های آموزشی^۱۸: داده‌های آموزشی که هوش مصنوعی مولد و سایر انواع هوش مصنوعی برای تولید و تصمیم‌گیری استفاده می‌کنند، می‌توانند با هدف به خطر انداختن یک‌پارچگی، دقت و قابلیت اطمینان رفتار و خروجی‌های مدل، آلوده شوند.
  • راهکار: پیاده‌سازی فرآیندهای قوی برای بررسی و آماده‌سازی داده‌ها و استفاده از ابزارهای تعدیل محتوا و شناسایی سوگیری.

تیم‌های شما به ابزارهای هوش مصنوعی مسئولیت‌پذیر و قابلیت‌های حفاظت از هوش مصنوعی برای شناسایی، ارزیابی و کاهش ریسک‌ها در موارد استفاده و برنامه‌های کاربردی خود نیاز خواهند داشت؛ مانند ابزارهایی برای آماده‌سازی داده‌ها، تعدیل محتوا، ایمنی مدل، فیلتر کردن استنادات، قابلیت توضیح‌پذیری و کاهش سوگیری. به عنوان مثال، ابزارهایی مانند Model Armor به کاربران این امکان را می‌دهند که سیاست‌هایی را پیکربندی کرده و فیلترهایی را برای محافظت از پرامپت‌ها و پاسخ‌های مدل هوش مصنوعی مولد در برابر طیف گسترده‌ای از نقض‌های امنیتی و ایمنی محتوای احتمالی تنظیم کنند.

انجام بررسی‌های منظم محصول و موارد استفاده، اقدام دیگری است که می‌تواند به شما در کاهش تاثیرات منفی قبل از انتشار کمک کند. علاوه بر این، تشویق تیم‌های خود به استفاده از جدیدترین منابع آموزشی، تحقیقات و بهترین شیوه‌ها می‌تواند به اطمینان از درک همه افراد – از توسعه‌دهندگان تا دانشمندان داده، تحلیلگران و کاربران تجاری – از جدیدترین فناوری‌های هوش مصنوعی، نحوه‌ی استفاده از آن‌ها و خطرات مرتبط کمک کند.

ایجاد یک فرهنگ ایمن

برای توسعه هوش مصنوعی مولد به صورت ایمن و مسئولانه، نیاز به یک رویکرد جامع دارید:

• ابزارهای مسئولیت‌پذیر: دسترسی تیم‌ها به ابزارهایی برای ارزیابی ریسک، کاهش سوگیری، قابلیت توضیح‌پذیری^۱۹ و تعدیل محتوا.
• نظارت مستمر: انجام بررسی‌های منظم محصول و مورد استفاده^۲۰ قبل و بعد از انتشار.
• توانمندسازی تیم‌ها: اطمینان از این که همه‌ی اعضای سازمان (از توسعه‌دهنده تا کاربر نهایی) با استفاده از منابع آموزشی و تحقیقاتی به‌روز، آخرین فناوری‌ها؛ نحوه‌ی استفاده صحیح و خطرات مرتبط با هوش مصنوعی را درک می‌کنند.

به طور کلی، ساخت و پیاده‌سازی برنامه‌ها و سیستم‌های هوش مصنوعی مولد یک فرآیند تکراری است که نه تنها نیازمند سنجش، ارزیابی و اصلاح مداوم مدل است، بلکه باید شیوه‌های هوش مصنوعی مسئولیت‌پذیر را در کل چرخه عمر توسعه محصول در بر گیرد.

راهکار تخصصی: تولید مبتنی بر بازیابی (RAG) برای کاهش توهم‌زایی

تولید مبتنی بر بازیابی (Retrieval Augmented Generation – RAG) یک تکنیک کلیدی است که با ترکیب قدرت مدل‌های زبان بزرگ (LLMs) با سیستم‌های بازیابی اطلاعات، مشکل توهم‌زایی را به طور موثری کاهش می‌دهد و صحت پاسخ‌ها را افزایش می‌دهد.

RAG چگونه کار می‌کند؟

1. آماده‌سازی دانش خارجی: اسناد سازمانی (مانند داکیومنت‌ها، قراردادها یا پایگاه‌های داده داخلی) به تکه‌های کوچک (Chunks) تقسیم می‌شوند. این تکه‌ها با استفاده از یک مدل جاسازی^۲۱ به بردارهای عددی تبدیل شده و در یک پایگاه داده برداری^۲۲ ذخیره می‌شوند. این پایگاه داده، منبع دانش معتبر سیستم شماست.
2. بازیابی^۲۳: هنگام دریافت پرسش کاربر، سیستم پرسش را به یک بردار تبدیل کرده و در پایگاه داده برداری جست‌وجوی معنایی^۲۴ انجام می‌دهد تا مرتبط‌ترین تکه‌های دانش را بازیابی کند، حتی اگر کلمات کلیدی به طور دقیق یک‌سان نباشند.
3. تقویت و تولید^۲۵: تکه‌های بازیابی‌شده به همراه پرسش اصلی کاربر، به عنوان متن زمینه (Context) به مدل هوش مصنوعی مولد (LLM) ارسال می‌شوند. مدل اکنون پاسخ خود را نه فقط بر اساس دانش عمومی خود، بلکه با اتکا به اطلاعات معتبر و تخصصی بازیابی‌شده تولید می‌کند.

مزایای پیاده‌سازی RAG

• افزایش صحت و کاهش توهم‌زایی: مدل به «حقایق» پایگاه دانش خارجی «پایبند» می‌شود.
• به‌روزرسانی آسان دانش: نیازی به بازآموزی پرهزینه مدل برای به‌روزرسانی اطلاعات نیست؛ کافی است اسناد در پایگاه داده برداری را به‌روز کنید.
• شفافیت: پاسخ‌های تولیدشده می‌توانند مستندسازی^۲۶ شوند و به منابع اصلی بازیابی‌شده لینک داده شوند.

پروژه‌های خود را از نمونه‌ی اولیه به تولید برسانید

هوش مصنوعی مولد ظرفیت بزرگی برای کسب‌وکارها در سراسر جهان دارد، اما برای تحقق آن، سازمان‌ها باید برای آن‌چه که به واقع برای قرار دادن مدل‌ها در فاز تولید لازم است، آماده باشند. ممکن است در شروع کار دلهره‌آور به نظر برسد، اما نباید این طور باشد. امیدوارم، بینش‌هایی که در بالا به اشتراک گذاشته شد، وضوح بیش‌تری در مورد نحوه‌ی غلبه بر چالش‌های ساخت با هوش مصنوعی مولد به شما داده باشد.

دسترسی به کتاب الکترونیکی کامل: Gen AI: From prototype to production ebook

1. Retrieval-Augmented Generation ↩︎
2. Multimodalities ↩︎
3. Fine-tuning ↩︎
4. Context Windows ↩︎
5. Multimodality ↩︎
6. Foundation Models ↩︎
7. Customization ↩︎
8. Proprietary Foundation Model ↩︎
9. Open-source ↩︎
10. Latency ↩︎
11. Safety Metrics ↩︎
12. Latency ↩︎
13. Inference Costs ↩︎
14. Governance ↩︎
15. Hallucinations ↩︎
16. Prompt injection ↩︎
17. Jailbreaking ↩︎
18. Training data poisoning ↩︎
19. Explainability ↩︎
20. Use Case Reviews ↩︎
21. Embedding Model ↩︎
22. Vector Database ↩︎
23. Retrieval ↩︎
24. Semantic Search ↩︎
25. Augmentation and Generation ↩︎
26. Citation ↩︎