- A mélyreható gondolkodás a fejlett nyelvi modelleket belső gondolkodási láncokkal ötvözi, hogy lépésről lépésre oldjon meg összetett problémákat.
- Az olyan eszközök, mint a Copilot Studio, csak kritikus feladatokban aktiválják ezeket a modelleket kulcsszavak használatával, egyensúlyozva a pontosság, a költség és a sebesség között.
- A mélytanulás és az olyan architektúrák, mint a CNN-ek, a ViT-ek és a transzformátorok, lefektetik az orvosi, pénzügyi és ügyfélszolgálati alkalmazások technikai alapjait.
- Elfogadása megköveteli az ésszerűség, a pontosság és a felelős mesterséges intelligencia értékelését, enyhítve az olyan korlátokat, mint a késleltetés és a rosszul kontrollált válaszok kockázata.
A mesterséges intelligencia hatalmas előrelépést tesz a sokkal strukturáltabb gondolkodásra képes modellek új generációjának köszönhetően. Nem csak szöveget vagy képeket generálnak: lebontják a problémákat, értékelik a lehetőségeket, és lépésről lépésre megindokolják a válaszaikat. Ezt nevezik a technikai világban mélyreható érvelésnek.
A mesterséges intelligencia fejlődési irányának megértéséhez kulcsfontosságú pontosan megérteni, hogy mit is jelent a mélyreható gondolkodás a mesterséges intelligenciában , hogyan különbözik a klasszikus mélytanulástól, és hogyan használják valós eszközökben, mint például a Copilot Studio, vagy olyan területeken, mint az orvostudomány vagy az ügyfélszolgálat. Mindezt higgadtan, de a lehető legvilágosabb és legközérthetőbb nyelven fogjuk kifejteni.
Mit jelent a mélyreható gondolkodás a mesterséges intelligenciában?
Amikor mélyreható gondolkodásról beszélünk, nagyon fejlett, nagyléptékű nyelvi modellekre utalunk, amelyeket kifejezetten összetett, több gondolkodási lépést igénylő feladatok kezelésére terveztek. Ahelyett, hogy közvetlen, felületes választ adnának, időt szánnak a „belső gondolkodásra”, belső gondolatok láncolatát generálva, mielőtt az eredményt bemutatnák a felhasználónak.
Ezek a modellek képesek logikus gondolkodásra, részletes elemzésre és problémamegoldásra azáltal, hogy a feladatot kisebb részproblémákra bontják. Bár ezt a belső gondolkodási folyamatot nem mindig tanítják meg a végfelhasználónak, mégis jelen van, és ez teszi lehetővé számukra, hogy sokkal kifinomultabb válaszokat adjanak, mint a hagyományos nyelvi modellek.
A kulcsötlet az, hogy egy mélyreható gondolkodási modell nem korlátozódik a következő szó pusztán statisztikák alapján történő előrejelzésére; megpróbál belső következtetések sorozatát követni, hasonlóan ahhoz, ahogyan valaki megoldana egy matematikai problémát, elemezne pénzügyi adatokat, vagy kidolgozna egy stratégiát.
A gyakorlatban ez megnyitja az utat egy mesterséges intelligencia által vezérelt ügynök számára, hogy olyan hosszú, többváltozós feladatokat is elvégezzen , amelyek korábban szinte kizárólag emberi szakemberek hatáskörébe tartoztak: a piaci trendek elemzésétől kezdve egy összetett orvosi jelentés kommentálásáig.
Mélyreható érvelés a Copilot Studioban: hogyan működik és hogyan kell használni
Egy ágens tervezésekor a létrehozó határozza meg az általa végrehajtandó utasításokat és feladatokat . Ezek a feladatok a nagyon egyszerű interakcióktól (gyakran ismételt kérdések megválaszolása) a nagyon összetett folyamatokig terjedhetnek, amelyek alapos elemzést igényelnek. Az alaposabb elemzést igénylő lépésekben a modell utasítható speciális érvelés használatára.
Ezen funkciók Copilot Studio-ban történő aktiválásához adjon hozzá egy adott kulcsszót („ok”) az ügynök utasításainak vonatkozó lépéseihez. Például: „Használja az okot a 2, 5, 10, 17 sorozat következő számának meghatározásához…”. Ezen a ponton, a végrehajtás során a Copilot meghívja a mélyreható érvelési modellt (jelenleg az Azure OpenAI o3 modellt) az adott rész feldolgozásához.
Ez a lépésről lépésre történő megközelítés lehetővé teszi a fejlesztő számára, hogy szabályozza, mikor végez az ágens összetett érvelést , és mikor elegendő egy gyors, egyszerűbb válasz. Ez optimalizálja az egyensúlyt a válasz minősége, a számítási költség és a sebesség között.
Röviden, a Copilot Studio a mélyreható érvelést az ügynök döntéshozatali képességeinek célzott megerősítésére használja , nem pedig olyasmiként, ami folyamatosan mindenre engedélyezve van. Ez teszi életképessé a valós üzleti helyzetekben.
A mélyreható gondolkodás tervezett felhasználási módjai: a pénzügyektől a haladó matematikáig
A mélyreható gondolkodási modellek kiválóan teljesítenek összetett, sok lépésből és függőségből álló feladatokban . Néhány egyértelmű példa a használatukra, amelyeket már megvalósítottak olyan platformokon, mint a Copilot Studio, a következők:
Piaci trendelemzés és befektetési ajánlások : a modell képes a pénzügyi adatokat kezelhető darabokra bontani, idősorokat tanulmányozni, kereszthivatkozásokat készíteni a historikus információkkal, a jelenlegi piaci körülményekkel és előrejelzésekkel, és ezek alapján ajánlásokat tenni a legígéretesebb befektetési lehetőségekre.
Készletgazdálkodás és kereslet-előrejelzés : A korábbi értékesítésekre, a szezonalitásra, az ellátási lánc folyamataira és a vevői viselkedés változásaira vonatkozó információk alapján a modell készletstratégiákat javasolhat , újragondolhatja a biztonsági szinteket, és módosításokat javasolhat a készlethiány vagy a felesleges áruk minimalizálása érdekében.
Differenciálegyenletek és összetett matematikai problémák megoldása : ezek a modellek a problémát összekapcsolt logikai lépésekre bontva , elmagyarázva, hogy mi történik az egyes fázisokban, különösen hasznosak oktatási vagy kutatási környezetben, képesek kezelni a haladó feladatokat.
Lényegében, amikor egy nem triviális, lépésről lépésre történő érvelési folyamatot kell követni , a mélyreható érvelési modellek óriási hozzáadott értéket képviselnek az egyszerűbb, csak közvetlenül reagáló modellekhez képest.
Értékelés, mérőszámok és elszámoltathatóság a mélyreható érvelési modellekben
Ahhoz, hogy ezek a rendszerek valós környezetben is hasznosak legyenek, nem elég, ha „okosak”: megbízhatóaknak, biztonságosaknak és nyomon követhetőeknek kell lenniük . Ezért a mélyreható gondolkodási modellek, mint amilyeneket a Copilot Studio-ban használnak, számos értékelésen esnek át, mielőtt elérhetővé válnának a felhasználók számára.
Először is, a modell alapjait értékelik ; azaz ellenőrzik, hogy valós kontextuson alapul-e, és nem csupán véletlenszerűen talál ki adatokat. Ezt úgy teszik, hogy a modellt ismert információkkal rendelkező forgatókönyvekben tesztelik, és ellenőrzik, hogy mennyire pontosan marad hű az adott kontextushoz.
Másodszor, a felelős mesterséges intelligencia alapelveinek való megfelelést elemzik : védelmet a jailbreak kísérletek (a modell korlátainak megkerülésére kényszerítése), a domainek közötti injekciózási támadások (különböző forrásokból származó utasítások rosszindulatú keverése) és a káros vagy nem megfelelő tartalom szűrése ellen.
Végül a válaszok pontosságát több használati esetre kiterjedően mérik. A teljesítményt ezeken a dimenziókon keresztül, változatos tesztkészlettel pontozzák, így végül csak azok a modellek kerülnek publikálásra, amelyek megfelelnek egy bizonyos szabványnak.
Az ilyen típusú folyamatos értékelés kulcsfontosságú annak biztosításához, hogy a mélyreható érvelési modellek ne váljanak „kontrollálhatatlan fekete dobozzá ”, hanem olyan eszközökké, amelyeket a szervezetek auditálhatnak, tesztelhetnek és összehasonlíthatnak.
A mélyreható gondolkodás korlátai és azok enyhítésének módjai
Attól, hogy egy modell „mélyebb”, még nem jelenti azt, hogy tökéletes. Valójában ezeknek a rendszereknek jelentős korlátaik vannak , például azok a feladatok, amelyekben a ChatGPT kudarcot vall , és amelyeket fontos megérteni.
Az első a válaszidő . Mivel több belső számítást igényelnek, a következtetési modellek jellemzően tovább tartanak, mint a standard nyelvi modellek. Ez problémát jelenthet a késleltetésre érzékeny alkalmazásokban (például egy türelmetlen ügyféllel folytatott beszélgetésben), ha túlzottan használják őket.
A második korlátozás az, hogy egy ágens csak akkor használhatja ezeket a modelleket, ha a konfigurációja ezt lehetővé teszi . Más szóval, a mélyreható gondolkodási függvényeket explicit módon aktiválni kell az ágensben; ezek nem minden esetben engedélyezettek alapértelmezés szerint.
Ezen hátrányok minimalizálása érdekében ajánlott: csak azoknál az ágenseknél aktiválni a mélyreható gondolkodást, amelyeknek szükségük van rá ; a megfelelő kulcsszót csak azokban a lépésekben használni, amelyek valóban profitálnak a mélyreható elemzésből; és ezeket a modelleket olyan feladatokhoz fenntartani, ahol elfogadható a hosszabb várakozás a kiváló válaszminőségért cserébe.
Ezenkívül jó gyakorlat figyelmeztetni a végfelhasználókat , hogy egyes összetett ügynöki válaszok néhány plusz másodpercet is igénybe vehetnek, hogy kezelni tudják az elvárásokat és elkerüljék a frusztrációt.
Jó üzemeltetési gyakorlatok a felelős használatért
Működési szempontból számos stratégia létezik annak biztosítására, hogy a mélyreható érvelés hatékonyan és biztonságosan alkalmazható legyen a szervezetekben.
Az első az, hogy a használatát azokra az ágensekre korlátozzák , amelyek valóban összetett gondolkodási láncokat igényelnek , mint például a strukturálatlan adatelemzés, a több tényezőn alapuló kritikus döntések, vagy a hosszú és jól indokolt jelentések generálása. Az alapértelmezés szerinti engedélyezése mindenre erőforrás-pazarlás.
A második ajánlás az ágens alapos tesztelése, a kimenetek minőségének, konzisztenciájának és megbízhatóságának áttekintése a következtetési modell meghívásakor. Ezek a tesztek lehetővé teszik az olyan helyzetek észlelését, ahol a modell meghibásodhat, adatokat manipulálhat, vagy nem alkalmazkodik jól a vállalat specifikus területéhez.
Az olyan eszközök, mint az aktivitástérkép, lehetővé teszik, hogy lásd, egy munkamenet során mikor végzett mélyreható érvelést az ügynök, áttekintsd a belső lépéseket és összehasonlítsd az eredményeket. Ez segít meghatározni, hogy a modell valóban a várt értéket nyújtja-e.
Hasznos az is, ha szisztematikusan összehasonlítjuk az eredményeket mélyreható érveléssel és anélkül az utasítások frissítésével és A/B tesztek futtatásával. Ez azonosítja, hogy a folyamat mely részei profitálnak ezeknek a modelleknek a használatából, és hol elegendő egy egyszerűbb nyelvi modell.
A gépi tanulástól a mélytanuláson és a generatív mesterséges intelligencián át
A mélyreható gondolkodás megfelelő elhelyezéséhez hasznos áttekinteni a mesterséges intelligencia technológiák fejlődését: a gépi tanulás, a mélytanulás és a generatív mesterséges intelligencia egyfajta komplexitási létrát alkot.
A hagyományos gépi tanulás nagymértékben támaszkodott a felügyelt tanulásra. Például egy olyan rendszer létrehozásához, amely képes felismerni az állatokat a képeken, manuálisan kellett címkézni több százezer fotót, betanítani az algoritmust, új képekkel tesztelni, elemezni a hibákat, majd a címkézett adathalmazt ismét kibővíteni a pontosság javítása érdekében.
Ez a folyamat sok emberi beavatkozást igényelt az úgynevezett attribútummérnökségben : annak eldöntésében, hogy mely jellemzőket kell kinyerni (szín, textúra, formák stb.), és hogyan kell azokat numerikusan ábrázolni, hogy az algoritmus tanulni tudjon.
A mélytanulásnak köszönhetően a többrétegű neurális hálózatok átvették ezen reprezentációk közvetlen tanulásának feladatát a nyers adatokból (képek, szöveg, hanganyag stb.). Már nem volt szükség az összes attribútum manuális meghatározására: a modell maga fedezte fel, hogy mely minták relevánsak.
A következő lépés a transzformatív architektúrákon alapuló generatív MI-modellek . Ezek a modellek, a nagy nyelvi modellekhez hasonlóan, nemcsak mintákat ismernek fel, hanem új tartalmat (szöveget, képeket, kódot) is generálnak ezen minták újszerű kombinálásával.
A mélyreható gondolkodás erre az alapra épül: az átalakítók generatív kapacitását olyan belső stratégiákkal ötvözi, amelyek hosszabb, strukturáltabb gondolati láncolatokat kívánnak követni.
A mélytanulás előnyei a klasszikus gépi tanulással szemben
A mélytanulás számos egyértelmű előnyt vezetett be a hagyományos gépi tanulással (ML) szemben , amelyek a mély gondolkodás számos előrelépésének technikai alapját képezik.
Egyrészt sokkal hatékonyabb feldolgozást kínál a strukturálatlan adatok (szabad szöveg, képek, hanganyagok) esetében. Míg egy klasszikus algoritmust túlterhelne a gondolat kifejezésének szinte végtelen sokfélesége, egy mély hálózat közvetlenül képes megtanulni ezeket az ekvivalenciákat. Így megértheti, hogy a „Hogyan utalhatok pénzt?” és a „Elmagyaráznád, hogyan kell fizetni?” ugyanarra a típusú cselekvésre utalnak.
Továbbá a mély hálózatok nagyon jók a rejtett kapcsolatok és a váratlan minták feltárásában . Egy vásárlási adatokon képzett modell olyan termékeket is javasolhat, amelyeket a vásárló még nem vásárolt meg, egyszerűen azáltal, hogy összehasonlítja a viselkedését hasonló felhasználók viselkedésével, még akkor is, ha nem tanították meg nekik kifejezetten ezt a konkrét ajánlást.
További előny a felügyelet nélküli vagy félig felügyelt tanulási képesség . A hálózatok idővel képesek alkalmazkodni a felhasználói viselkedéshez anélkül, hogy több millió címkézett adatpontra lenne szükségük. Egy automatikus helyesírás-ellenőrző például más nyelveken írt szavakat is be tud építeni, ahogy a felhasználó gyakran begépeli azokat.
Végül, a mélytanulás nagyon hatékony az ingadozó vagy rendkívül változó adatok , például a pénzügyi tranzakciók esetében. Megtanulja megkülönböztetni a fizetési viselkedés normál mintáit, és az ettől eltérőeket potenciális csalásként jelöli meg.
A mélytanulás alkalmazásai: az orvostudománytól az önvezető autókig
A mélytanulás (deep learning) rendkívül elterjedt az orvostudományban és a diagnosztikában . Orvosi képek osztályozására, szervek és elváltozások szegmentálására, digitális hisztopatológia elemzésére, valamint röntgen, MRI és laboratóriumi vizsgálatok segítségével történő diagnózis felállítására használják.
2022 óta a Vision Transformer (ViT) architektúrák a klasszikus konvolúciós neurális hálózatokhoz hasonló, vagy akár azoknál jobb teljesítményt mutattak nagyméretű orvosi képosztályozási feladatokban. Legfőbb előnyük, hogy hierarchikus öngondoskodási mechanizmusokon keresztül képesek rögzíteni a gigapixeles képek globális függőségeit.
Az orvostudományon kívül a mélytanulás az önvezető járművek, az arcfelismerés, az olyan hangasszisztensek, mint az Alexa és a Siri, a TV- és zeneajánló rendszerek és sok más mögött is áll. Mindezen esetekben a modellnek zajos és rendkívül változó valós adatokat kell értelmeznie.
Az olyan mérföldkőnek számító kísérletek, mint az AlphaGo , amely megtanult Go-zni és legyőzni elit emberi mestereket, demonstrálták, hogy egy mély neurális hálózat milyen mértékben képes „intuitívnak” vagy „kreatívnak” tekinthető készségeket elérni anélkül, hogy a programozónak minden egyes mozdulatát meg kellene mondania.
Mi is pontosan a mélytanulás: rétegek, hierarchiák és számítási teljesítmény
Bár nincs egyetlen univerzális definíció, a legtöbb kutató egyetért abban, hogy a mélytanulás a nemlineáris feldolgozás több rétegén alapul , amelyek egyre absztraktabb jellemzőket vonnak ki az adatokból.
Az alsóbb rétegekben egyszerű jellemzőket tanulunk meg (képek szegélyei, alapvető szókapcsolatok), míg a felső rétegek ezeket a jellemzőket kombinálva összetettebb fogalmakat alkotnak (arcok, tárgyak, mondatjelentések).
A „sekély” algoritmusok közötti különbség elsősorban a láncolt transzformációk számában rejlik . Míg egy klasszikus modell egy vagy két transzformációt alkalmazhat, egy mély modell több tíz vagy több száz köztes réteget is tartalmazhat, ami lehetővé teszi sokkal összetettebb függvények ábrázolását.
A költség az, hogy a mély hálózatok betanítása hatalmas számítási teljesítményt igényel . Ezért a GPU-k váltak az ilyen modellek betanításának alapvető eszközévé, mivel képesek nagyméretű párhuzamos műveleteket (GPGPU) végrehajtani.
A nagyobb felhőszolgáltatók (Amazon, Azure, IBM, Google stb.) már kínálnak speciális GPU-kkal és gépi tanuláson alapuló PaaS platformokkal rendelkező infrastruktúrákat , például a TensorFlow-n alapulókat, előre betanított modellekkel és eszközökkel, amelyekkel az egyes esetekhez igazíthatók.
Legrelevánsabb mélytanulási algoritmusok és architektúrák
A mélytanuláson belül többféle neurális hálózat jelent meg , amelyek mindegyike egy bizonyos típusú adatra vagy problémára van optimalizálva.
A konvolúciós neurális hálózatok (CNN-ek) képek és videók feldolgozására szolgálnak. Szűrőket (konvolúciókat) használnak, amelyek beolvassák a képet, hogy lokális mintákat észleljenek, majd azokat kombinálják. Ezek a modern számítógépes látás alapjai: arcfelismerés, tárgyosztályozás, orvosi képelemzés és egyebek.
A rekurrens neurális hálózatok (RNN) és modern változataik visszacsatolási hurkokat tartalmaznak, amelyek lehetővé teszik számukra a múltbeli információk „megjegyzését”. Ez nagyon hasznossá teszi őket olyan sorozatok esetében, mint a szöveg, a hang vagy az idősorok. Egy navigációs rendszer például ezeket az emlékeket felhasználhatja a gyakori forgalmi dugók előrejelzésére és alternatív útvonalak javaslatára.
Ezzel párhuzamosan olyan koncepciók jelentek meg, mint az együttes tanulás, a reziduális hálózatok, a látásmód-transzformátorok és sok más, amelyek kibővítik és finomítják a mély hálózatok azon képességét, hogy alkalmazkodjanak a specifikus problémákhoz.
Ez a teljes technikai ökoszisztéma teszi lehetővé ma, hogy mélyreható érvelésen alapuló modelleket építsünk: a hatékony és skálázható architektúrák ezen alapja nélkül lehetetlen lenne.
Az MI által emulálható érvelési típusok
A modern mesterséges intelligencia rendszerek több különböző érvelési stratégiát is képesek kombinálni az adattípustól és a célalkalmazástól függően. Nem korlátozódnak egyetlen „gondolkodásmódra”.
Az elterjedt megközelítések közé tartozik a deduktív érvelés (általános szabályokból kiindulva konkrét következtetésekre jutunk), az induktív érvelés (példákból általánosítva), a valószínűségi érvelés (bizonytalansággal dolgozva) és a fuzzy érvelés (pontatlan kifejezések, például „magas”, „alacsony”, „közepes” kezelése).
Olyan megközelítéseket is vizsgálnak, mint az abduktív érvelés (a tények leghihetőbb magyarázatának javaslata), a józan ész alapú érvelés , a térbeli és időbeli érvelés (nagyon fontos a robotikában és az önvezető autókban), valamint a neuroszimbolikus érvelés , amely a neurális hálózatokat szimbolikus logikával integrálja.
A mélyreható érvelés erre az eszköztárra támaszkodik, hogy gazdagabb következtetési láncokat építsen fel , szükség esetén adatokat, statisztikákat és szabályokat ötvözve.
MI, gépi tanulás és mélytanulás: főbb különbségek
A fogalmak tisztázása érdekében: a mesterséges intelligencia (MI) a legtágabb gyűjtőfogalom, amely magában foglal minden olyan rendszert, amely képes az emberi intelligenciához kapcsolódó feladatok (érvelés, tanulás, érzékelés stb.) elvégzésére. A MI-n belül létezik a gépi tanulás (ML) , amely az adatokból tanuló algoritmusokra összpontosít, anélkül, hogy eseti programozásra kerülnének.
A mélytanulás viszont a gépi tanulás egy olyan részhalmaza, amely többrétegű neurális hálózatokat használ a nagy mennyiségű adat közvetlen tanulmányozásához. A fő különbség a modell felépítésében és a jellemzők kinyerésének módjában rejlik.
Gyakorlati szinten a klasszikus gépi tanulás általában több manuális munkát igényel a funkciótervezésben , kevesebb adatot és kevesebb számítási teljesítményt, míg a mélytanulás hatalmas adatkészleteket, nagy teljesítményű GPU-kat és hosszú betanítási időket igényel, de figyelemre méltó képességugrást kínál az összetett feladatok és a strukturálatlan adatok esetében.
Az értelmezhetőség szempontjából az egyszerű gépi tanulási modellek (lineáris regresszió, sekély fák) könnyebben magyarázhatók, míg a mély hálózatok inkább „fekete dobozokként” viselkednek. Ez a mély gondolkodású modelleket is érinti, amelyek öröklik ennek az átlátszatlanságnak egy részét, bár erőfeszítések folynak az átláthatóbbá tételükre.
Mélyreható érvelés és ügyfélszolgálat
Az egyik terület, ahol a mesterséges intelligencia és a mélytanulás gyakorlati alkalmazása a legnagyobb mértékben növekszik, az ügyfélszolgálat . Számos jelenlegi rendszer gépi tanulási algoritmusokat használ önkiszolgáláshoz, emberi ügynökök támogatásához és munkafolyamatok vezényléséhez.
Az ezeket a rendszereket tápláló adatok valós ügyfél-megkeresésekből , incidenselőzményekből, vásárlási kontextusból és használati viselkedésből származnak. Ahogy ezek a modellek beépülnek az adatokba, az előrejelzések és javaslatok gyorsabbak és pontosabbak lesznek.
Ebben a környezetben a mélyreható gondolkodás lehetővé teszi a botok számára, hogy ne csak egyszerű kérdésekre válaszoljanak, hanem elemezzék az ügyfél teljes helyzetét , áttekintsék a történetét, felmérjék a különböző lehetséges megoldásokat, és a legjobb mellett érveljenek, nagyobb fokú személyre szabással.
A specializált platformok, mint például egyes ügyfélélmény-megoldások fejlett botjai, már most is kombinálják az ügyfelek szándékait tartalmazó hatalmas adatbázisokat a mélytanulási modellekkel, hogy természetesebb és hasznosabb válaszokat kínáljanak , növelve az emberi ügynökök termelékenységét és egyszerűsítve a támogatási folyamatok beállítását.
Ahogy a mélyreható gondolkodási modellek egyre jobban integrálódnak az ilyen típusú eszközökbe, virtuális ágenseket fogunk látni, akik képesek lesznek hosszú és bonyolult beszélgetéseket lebonyolítani , fenntartani a fonalat, indokolni a döntéseiket, és szinte ugyanúgy alkalmazkodni a felhasználó hangneméhez, mint egy személy.
Ez az egész út, a klasszikus gépi tanulástól a mélytanuláson, a generatív mesterséges intelligencián át a mélyreható érvelésig, egyértelmű pályát mutat: egyre közelebb kerülünk azokhoz a rendszerekhez, amelyek nemcsak mintákat ismernek fel, hanem képesek strukturált gondolkodásra is összetett problémákról . A kihívás most nemcsak technikai, hanem etikai és operatív is: biztosítani, hogy ezeket a modelleket megfelelően értékeljék, ott használják, ahol valódi értéket képviselnek, kockázataikat kezeljék, és felelősségteljesen integrálják azokat olyan eszközökbe, mint a Copilot Studio, hogy a mesterséges intelligencia hatékony és megbízható szövetségessé váljon a mindennapi munkában.
