Gilus dirbtinio intelekto samprotavimas: išsamus vadovas

„Informatec Digital“ » Ištekliai » Gilusis mąstymas dirbtinio intelekto srityje: išsamus vadovas

Dirbtinis intelektas žengia milžinišką žingsnį į priekį dėl naujos kartos modelių, gebančių daug struktūriškiau mąstyti. Jie ne tik generuoja tekstą ar vaizdus: jie gali suskaidyti problemas, įvertinti galimybes ir žingsnis po žingsnio pagrįsti savo atsakymus. Techniniame pasaulyje tai vadinama giliuoju samprotavimu.

Norint suprasti, kuria kryptimi juda dirbtinis intelektas, labai svarbu tiksliai suprasti, kas yra gilusis samprotavimas dirbtiniame intelekte , kuo jis skiriasi nuo klasikinio gilaus mokymosi ir kaip jis naudojamas realaus pasaulio įrankiuose, tokiuose kaip „Copilot Studio“, arba tokiose srityse kaip medicina ar klientų aptarnavimas. Visa tai aptarsime ramiai, tačiau naudodami kuo aiškesnę ir prieinamesnę kalbą.

Kas yra gilusis samprotavimas dirbtiniame intelekte?

Kalbėdami apie gilųjį samprotavimą, turime omenyje labai pažangius, didelio masto kalbos modelius, specialiai sukurtus sudėtingoms užduotims, reikalaujančioms kelių mąstymo žingsnių, atlikti. Užuot pateikę tiesioginį, paviršutinišką atsakymą, jie skiria laiko „vidiniam mąstymui“, sukurdami vidinių minčių grandinę, prieš pateikdami rezultatą vartotojui.

Šie modeliai geba logiškai samprotauti, atlikti išsamią analizę ir spręsti problemas, suskaidydami užduotį į mažesnes problemas. Nors galutinis vartotojas ne visada yra mokomas šio vidinio mąstymo proceso , jis yra ir leidžia jiems pateikti daug sudėtingesnius atsakymus nei tradiciniai kalbos modeliai.

Pagrindinė idėja yra ta, kad gilaus samprotavimo modelis neapsiriboja kito žodžio numatymu remiantis vien statistika; jis bando sekti vidinių išvadų seką, panašiai kaip žmogus spręstų matematikos uždavinį, analizuotų finansinius duomenis ar kurtų strategiją.

Praktiškai tai atveria duris dirbtinio intelekto agentui atlikti ilgas, daugiakintamas užduotis , kurios anksčiau buvo beveik išimtinai žmonių specialistų sritis: nuo rinkos tendencijų analizės iki sudėtingos medicininės ataskaitos komentavimo.

Gilus samprotavimas „Copilot Studio“ programoje: kaip tai veikia ir kaip tai naudoti

Kurdamas agentą, kūrėjas apibrėžia instrukcijas ir užduotis, kurias jis turi atlikti . Šios užduotys gali būti nuo labai paprastų sąveikų (atsakymų į dažniausiai užduodamus klausimus) iki labai sudėtingų srautų, kuriems reikalinga išsami analizė. Veiksmuose, kuriems reikalinga išsamesnė analizė, modeliui galima nurodyti naudoti sudėtingesnį samprotavimą.

Norėdami suaktyvinti šias galimybes „Copilot Studio“, pridėkite konkretų raktinį žodį („priežastis“) prie atitinkamų agento instrukcijų veiksmų. Pavyzdžiui: „Naudokite priežastį, kad nustatytumėte kitą skaičių serijoje 2, 5, 10, 17...“. Tuo metu, vykdymo metu, „Copilot“ iškviečia gilaus samprotavimo modelį (šiuo metu tai yra „Azure OpenAI o3“ modelis), kad apdorotų tą konkrečią dalį.

Šis nuoseklus metodas leidžia kūrėjui kontroliuoti, kada agentas atlieka sudėtingesnį samprotavimą , o kada pakanka greito, paprastesnio atsakymo. Tai optimizuoja pusiausvyrą tarp atsakymo kokybės, skaičiavimo sąnaudų ir greičio.

Trumpai tariant, „Copilot Studio“ naudoja gilųjį samprotavimą kaip tikslinį agento sprendimų priėmimo gebėjimų sustiprinimą , o ne kaip nuolatinį, viskam įgalintą funkciją. Tai leidžia ją pritaikyti realiose verslo situacijose.

Giliojo mąstymo numatytasis panaudojimas: nuo finansų iki pažangiosios matematikos

Giluminio mąstymo modeliai puikiai tinka sudėtingoms užduotims, turinčioms daug žingsnių ir priklausomybių . Štai keli aiškūs jų naudojimo pavyzdžiai, jau įdiegti tokiose platformose kaip „Copilot Studio“:

Rinkos tendencijų analizė ir investavimo rekomendacijos : modelis gali suskirstyti finansinius duomenis į lengvai valdomas dalis, tirti laiko eilutes, palyginti istorinę informaciją, dabartines rinkos sąlygas ir prognozes, ir remiantis tuo rekomenduoti perspektyviausias investavimo galimybes.

Atsargų valdymas ir paklausos prognozavimas : remiantis informacija apie ankstesnius pardavimus, sezoniškumą, tiekimo grandinės srautus ir klientų elgesio pokyčius, modelis gali pasiūlyti atsargų strategijas , persvarstyti saugos lygius ir pasiūlyti koregavimus, siekiant sumažinti prekių trūkumą ar perteklių.

Diferencialinių lygčių ir sudėtingų matematinių problemų sprendimas : šie modeliai gali atlikti sudėtingesnius pratimus, suskaidydami problemą į susietus loginius veiksmus , paaiškindami, kas daroma kiekviename etape, o tai ypač naudinga švietimo ar tyrimų kontekste.

Iš esmės, kai reikia laikytis ne trivialus žingsnis po žingsnio samprotavimo proceso , gilaus samprotavimo modeliai suteikia didžiulę pridėtinę vertę, palyginti su paprastesniais modeliais, kurie reaguoja tik tiesiogiai.

Vertinimas, metrika ir atskaitomybė gilaus samprotavimo modeliuose

Kad šios sistemos būtų naudingos realioje aplinkoje, nepakanka vien „išmaniųjų“ sistemų: jos turi būti patikimos, saugios ir atsekamos . Štai kodėl gilaus samprotavimo modeliai, tokie kaip naudojami „Copilot Studio“, prieš pateikiant juos vartotojams, yra kelis kartus įvertinami.

Pirmiausia įvertinamas modelio pagrindas , t. y. patikrinama, ar jis pagrįstas realaus pasaulio kontekstu ir ne tik atsitiktinai sukuria duomenis. Tai atliekama išbandant modelį scenarijuose su žinoma informacija ir tikrinant, kiek tiksliai jis atitinka tą kontekstą.

Antra, analizuojamas atsakingo dirbtinio intelekto principų laikymasis : apsauga nuo bandymų atlikti „jailbreak“ (priverčiant modelį apeiti savo ribas), tarpdomenų injekcijos atakų (piktavališko instrukcijų iš skirtingų šaltinių maišymo) ir žalingo ar netinkamo turinio filtravimo.

Galiausiai, atsakymų tikslumas matuojamas keliais naudojimo atvejais. Našumas vertinamas pagal šiuos matmenis atliekant įvairius testus, todėl galiausiai publikuojami tik tie modeliai, kurie atitinka tam tikrą standartą.

Toks nuolatinis vertinimas yra labai svarbus siekiant užtikrinti, kad gilaus samprotavimo modeliai netaptų „nekontroliuojama juoda dėže “, o taptų įrankiais, kuriuos organizacijos gali audituoti, testuoti ir lyginti.

Gilaus mąstymo apribojimai ir kaip juos sušvelninti

Vien tai, kad modelis yra „gilesnis“, dar nereiškia, kad jis tobulas. Tiesą sakant, šios sistemos turi reikšmingų apribojimų , pavyzdžiui, užduotys, kuriose „ChatGPT“ neveikia , kuriuos svarbu suprasti.

Pirmasis yra atsako laikas . Kadangi samprotavimo modeliams reikia daugiau vidinių skaičiavimų, jie paprastai užtrunka ilgiau nei standartiniai kalbos modeliai. Tai gali tapti problema programose, jautriose delsai (pavyzdžiui, pokalbyje su nekantrus klientu), jei jos naudojamos per daug.

Antras apribojimas yra tas, kad agentas gali naudoti tokio tipo modelius tik tuo atveju, jei tai leidžia jo konfigūracija . Kitaip tariant, gilaus mąstymo funkcijos agente turi būti aiškiai aktyvuotos; jos ne visais atvejais įjungiamos pagal numatytuosius nustatymus.

Siekiant sumažinti šiuos trūkumus, rekomenduojama: aktyvuoti gilųjį samprotavimą tik tuose agentuose, kuriems jo reikia ; naudoti atitinkamą raktinį žodį tik tuose veiksmuose, kuriems iš tiesų naudinga gilioji analizė; ir rezervuoti šiuos modelius užduotims, kurioms priimtina palaukti šiek tiek ilgiau mainais už geresnę atsakymo kokybę.

Be to, gera praktika yra įspėti galutinius vartotojus , kad kai kuriems sudėtingiems agentų atsakymams gali prireikti kelių papildomų sekundžių, siekiant valdyti lūkesčius ir išvengti nusivylimo.

Gera eksploatavimo praktika atsakingam naudojimui

Operaciniu požiūriu, yra keletas strategijų, užtikrinančių, kad gilusis samprotavimas organizacijose būtų taikomas efektyviai ir saugiai .

Pirmasis – apriboti jo naudojimą agentams, kuriems iš tiesų reikalingos sudėtingos samprotavimo grandinės , pvz., nestruktūrizuota duomenų analizė, kritiniai sprendimai, pagrįsti keliais veiksniais, arba ilgų ir gerai pagrįstų ataskaitų generavimas. Įgalinti jį pagal numatytuosius nustatymus viskam yra išteklių švaistymas.

Antra rekomendacija – kruopščiai patikrinti agentą, peržiūrint išvesties kokybę, nuoseklumą ir patikimumą, kai iškviečiamas samprotavimo modelis. Šie testai leidžia aptikti situacijas, kai modelis gali sugesti, suklastoti duomenis arba netinkamai prisitaikyti prie konkrečios įmonės srities.

Tokios priemonės kaip veiklos žemėlapis leidžia matyti, kada seanso metu agentas atliko gilų samprotavimą, peržiūrėti vidinius veiksmus ir palyginti rezultatus. Tai padeda nustatyti, ar modelis tikrai teikia laukiamą vertę.

Taip pat naudinga sistemingai palyginti rezultatus su giliu samprotavimu ir be jo, atnaujinant instrukcijas ir atliekant A/B testus. Tai nustato, kurios srauto dalys gauna naudos iš šių modelių naudojimo, o kur pakanka paprastesnio kalbos modelio.

Nuo mašininio mokymosi iki gilaus mokymosi ir generatyvinio dirbtinio intelekto

Norint tinkamai įvertinti gilųjį mąstymą, naudinga apžvelgti dirbtinio intelekto technologijų evoliuciją: mašininis mokymasis, gilusis mokymasis ir generatyvusis dirbtinis intelektas sudaro savotiškas sudėtingumo kopėčias.

Tradicinis mašininis mokymasis labai rėmėsi prižiūrimu mokymusi. Pavyzdžiui, norint sukurti sistemą, kuri galėtų atpažinti gyvūnus vaizduose, reikėjo rankiniu būdu pažymėti šimtus tūkstančių nuotraukų, apmokyti algoritmą, išbandyti jį su naujais vaizdais, išanalizuoti klaidas ir vėl išplėsti pažymėtą duomenų rinkinį, siekiant pagerinti tikslumą.

Šis procesas pareikalavo daug žmogaus įsikišimo, vadinamojo atributų inžinerijos proceso metu : reikėjo nuspręsti, kurias savybes išskirti (spalvą, tekstūrą, formas ir kt.) ir kaip jas pavaizduoti skaitmeniniu būdu, kad algoritmas galėtų mokytis.

Giliojo mokymosi dėka daugiasluoksniai neuroniniai tinklai perėmė užduotį tiesiogiai mokytis šių reprezentacijų iš neapdorotų duomenų (vaizdų, teksto, garso ir kt.). Nebereikėjo rankiniu būdu apibrėžti visų atributų: modelis pats atrado, kurie modeliai buvo svarbūs.

Kitas žingsnis – generatyviniai dirbtinio intelekto modeliai, pagrįsti transformacinėmis architektūromis . Šie modeliai, kaip ir dideli kalbos modeliai, ne tik atpažįsta šablonus, bet ir generuoja naują turinį (tekstą, vaizdus, ​​kodą), derindami tuos šablonus naujais būdais.

Gilus samprotavimas grindžiamas šiuo pagrindu: jis sujungia transformatorių generatyvinį pajėgumą su vidinėmis strategijomis, skirtomis ilgesnėms, labiau struktūrizuotoms minčių grandinėms sekti.

Giliojo mokymosi pranašumai, palyginti su klasikiniu mašininiu mokymusi

Gilusis mokymasis suteikė daug aiškių pranašumų, palyginti su tradiciniu mašininiu mokymusi (ML) , kurie yra techninis pagrindas daugeliui gilaus samprotavimo pažangos.

Viena vertus, jis siūlo daug efektyvesnį nestruktūrizuotų duomenų (laisvos formos teksto, vaizdų, garso) apdorojimą. Nors klasikinį algoritmą užvaldytų beveik begalinė tos pačios minties išreiškimo būdų įvairovė, gilus tinklas gali tiesiogiai išmokti šiuos atitikmenis. Taigi, jis gali suprasti, kad „Kaip galiu pervesti pinigus?“ ir „Ar galite paaiškinti, kaip atlikti mokėjimą?“ nurodo to paties tipo veiksmus.

Be to, gilieji tinklai labai gerai atskleidžia paslėptus ryšius ir netikėtus modelius . Modelis, apmokytas pagal pirkimo duomenis, gali pasiūlyti produktus, kurių klientas dar neįsigijo, tiesiog palygindamas jo elgesį su panašių vartotojų elgesiu, net jei jiems nebuvo aiškiai pasakyta ta konkreti rekomendacija.

Kitas privalumas yra galimybė mokytis neprižiūrint arba iš dalies prižiūrint . Tinklai laikui bėgant gali prisitaikyti prie vartotojo elgesio, nereikalaudami milijonų paženklintų duomenų taškų. Pavyzdžiui, automatinis rašybos tikrintuvas gali įtraukti žodžius kitomis kalbomis, kai vartotojas juos dažnai rašo.

Galiausiai, gilusis mokymasis yra labai galingas dirbant su nepastoviais arba labai kintančiais duomenimis , pavyzdžiui, finansinėmis operacijomis. Jis gali išmokti atskirti įprastus mokėjimo elgsenos modelius ir pažymėti tuos, kurie nukrypsta nuo jų, kaip galimą sukčiavimą.

Giliojo mokymosi taikymas: nuo medicinos iki savaeigių automobilių

Gilusis mokymasis tapo labai paplitęs medicinoje ir diagnostikoje . Jis naudojamas medicininiams vaizdams klasifikuoti, organams ir pažeidimams segmentuoti, skaitmeninei histopatologijai analizuoti ir diagnozuoti naudojant rentgeno nuotraukas, MRT ir laboratorinius tyrimus.

Nuo 2022 m. „Vision Transformer“ (ViT) architektūros demonstravo našumą, panašų į klasikinius konvoliucinius neuroninius tinklus ar net juos pranašesnį atliekant didelio masto medicininių vaizdų klasifikavimo užduotis. Jų pagrindinis privalumas yra gebėjimas užfiksuoti globalias priklausomybes gigapikselių vaizduose naudojant hierarchinius savikontrolės mechanizmus.

Už medicinos srities ribų gilusis mokymasis yra autonominių transporto priemonių, veido atpažinimo, balso asistentų, tokių kaip „Alexa“ ir „Siri“, televizijos ir muzikos rekomendavimo sistemų ir daugelio kitų sistemų pagrindas. Visais šiais atvejais modelis turi interpretuoti triukšmingus ir labai kintančius realaus pasaulio duomenis.

Tokie reikšmingi eksperimentai kaip „AlphaGo“ , kurio metu buvo išmokta žaisti „Go“ ir įveikti elitinius žmonių meistrus, pademonstravo, kiek gilusis neuroninis tinklas gali pasiekti įgūdžių, laikomų „intuityviais“ ar „kūrybiškais“, programuotojui nereikalaujant jam aiškinti kiekvieno judesio.

Kas tiksliai yra gilusis mokymasis: sluoksniai, hierarchijos ir skaičiavimo galia

Nors nėra vieno universalaus apibrėžimo, dauguma tyrėjų sutinka, kad gilusis mokymasis grindžiamas keliais netiesinio apdorojimo sluoksniais , kurie iš duomenų išskiria vis abstraktesnes savybes.

Apatiniuose sluoksniuose mokomasi paprastų savybių (paveikslėlio rėmeliai, pagrindiniai žodžių junginiai), o viršutiniuose sluoksniuose šios savybės sujungiamos, kad būtų suformuotos sudėtingesnės sąvokos (veidai, objektai, sakinių reikšmės).

Skirtumas nuo „paviršutiniškų“ algoritmų pirmiausia slypi grandininių transformacijų skaičiuje . Nors klasikinis modelis gali taikyti vieną ar dvi transformacijas, gilusis modelis gali turėti dešimtis ar šimtus tarpinių sluoksnių, todėl gali atvaizduoti daug sudėtingesnes funkcijas.

Kaina yra ta, kad giliųjų tinklų mokymui reikia milžiniškos skaičiavimo galios . Štai kodėl GPU tapo pagrindine šių modelių mokymo priemone dėl jų gebėjimo atlikti didelio masto lygiagrečias operacijas (GPGPU).

Didžiausi debesijos paslaugų teikėjai („Amazon“, „Azure“, IBM, „Google“ ir kt.) jau siūlo infrastruktūras su specializuotais GPU ir mašininio mokymosi PaaS platformomis, tokiomis kaip „TensorFlow“ pagrindu su iš anksto apmokytais modeliais ir įrankiais, pritaikytais kiekvienam atvejui.

Aktualiausi gilaus mokymosi algoritmai ir architektūros

Giliojo mokymosi srityje atsirado keletas neuroninių tinklų tipų , kurių kiekvienas optimizuotas tam tikro tipo duomenims ar problemai.

Konvoliuciniai neuroniniai tinklai (CNN) skirti vaizdams ir vaizdo įrašams apdoroti. Jie naudoja filtrus (konvoliucijas), kurie nuskaito vaizdą, kad aptiktų vietinius modelius ir juos sujungtų. Jie yra šiuolaikinės kompiuterinės regos pagrindas: veido atpažinimas, objektų klasifikavimas, medicininių vaizdų analizė ir kt.

Pasikartojantys neuroniniai tinklai (RNN) ir jų šiuolaikiniai variantai turi grįžtamojo ryšio kilpas, kurios leidžia jiems „prisiminti“ praeities informaciją. Dėl to jie yra labai naudingi sekoms, tokioms kaip tekstas, garsas ar laiko eilutės. Pavyzdžiui, navigacijos sistema gali naudoti šią atmintį, kad numatytų dažniausiai pasitaikančius eismo kamščius ir pasiūlytų alternatyvius maršrutus.

Lygiagrečiai atsirado tokios sąvokos kaip ansamblinis mokymasis, liekamieji tinklai, vizijos transformatoriai ir daugelis kitų, kurios plečia ir tobulina giliųjų tinklų gebėjimą prisitaikyti prie konkrečių problemų.

Visa ši techninė ekosistema šiandien leidžia kurti modelius, pagrįstus giliu samprotavimu : be šio galingų ir keičiamo mastelio architektūrų pagrindo tai būtų neįmanoma.

Samprotavimo tipai, kuriuos DI gali imituoti

Šiuolaikinės dirbtinio intelekto sistemos gali derinti kelias skirtingas samprotavimo strategijas , priklausomai nuo duomenų tipo ir tikslinės programos. Jos neapsiriboja vienu „mąstymo būdu“.

Įprasti metodai apima dedukcinį samprotavimą (pradedant nuo bendrųjų taisyklių, siekiant padaryti konkrečias išvadas), indukcinį samprotavimą (apibendrinant remiantis pavyzdžiais), tikimybinį samprotavimą (dirbant su neapibrėžtumu) ir neapibrėžtąjį samprotavimą (nagrinėjant netikslius terminus, tokius kaip „aukštas“, „žemas“, „vidutinis“).

Taip pat nagrinėjami tokie metodai kaip abdukcinis samprotavimas (siūlomas labiausiai tikėtinas faktų rinkinio paaiškinimas), sveiko proto samprotavimas , erdvinis ir laiko samprotavimas (labai svarbus robotikoje ir autonominiame vairavime) ir neurosimbolinis samprotavimas , kuris integruoja neuroninius tinklus su simboline logika.

Gilus samprotavimas remiasi šiuo įrankių rinkiniu, kad sukurtų turtingesnes išvadų grandines , prireikus derindamas duomenis, statistiką ir taisykles.

Dirbtinis intelektas, mašininis mokymasis ir gilusis mokymasis: pagrindiniai skirtumai

Terminams patikslinti: dirbtinis intelektas (DI) yra plačiausias skėtinis terminas, apimantis bet kokią sistemą, galinčią atlikti su žmogaus intelektu susijusias užduotis (samprotavimą, mokymąsi, suvokimą ir kt.). DI srityje turime mašininį mokymąsi (ML) , kuris orientuotas į algoritmus, kurie mokosi iš duomenų neprogramuodami kiekvienu atveju atskirai.

Gilusis mokymasis savo ruožtu yra mašininio mokymosi pogrupis, kuris naudoja daugiasluoksnius neuroninius tinklus, kad galėtų tiesiogiai mokytis iš didelių duomenų kiekių. Pagrindinis skirtumas yra modelio struktūroje ir tai, kaip išskiriamos savybės.

Praktiškai klasikinis mašininis mokymasis paprastai reikalauja daugiau rankinio darbo kuriant funkcijas , mažiau duomenų ir mažesnės skaičiavimo galios, o gilusis mokymasis reikalauja didžiulių duomenų rinkinių, galingų GPU ir ilgo mokymo laiko, tačiau suteikia nepaprastą galimybių šuolį atliekant sudėtingas užduotis ir dirbant su nestruktūrizuotais duomenimis.

Kalbant apie interpretuojamumą, paprastus mašininio mokymosi modelius (tiesinę regresiją, negilius medžius) lengviau paaiškinti, o gilieji tinklai elgiasi labiau kaip „juodosios dėžės“. Tai taip pat turi įtakos gilaus samprotavimo modeliams, kurie paveldi dalį šio neskaidrumo, nors dedamos pastangos juos padaryti skaidresnius.

Gilus mąstymas ir klientų aptarnavimas

Viena iš sričių, kurioje praktinis dirbtinio intelekto ir gilaus mokymosi panaudojimas auga labiausiai, yra klientų aptarnavimas . Daugelyje dabartinių sistemų naudojami mašininio mokymosi algoritmai savitarnai, žmonių agentų palaikymui ir darbo eigos organizavimui.

Šias sistemas maitinantys duomenys gaunami iš realių klientų užklausų , incidentų istorijos, pirkimo konteksto ir naudojimo elgsenos. Naudojant šiuos modelius, prognozės ir pasiūlymai tampa greitesni ir tikslesni.

Šioje aplinkoje gilus mąstymas leidžia robotams ne tik atsakyti į paprastus klausimus, bet ir analizuoti visą kliento situaciją , peržiūrėti jo istoriją, įvertinti įvairius galimus sprendimus ir argumentuoti už geriausią, suteikiant didesnį suasmeninimo laipsnį.

Specializuotos platformos, tokios kaip kai kurių klientų patirties sprendimų pažangūs robotai, jau sujungia dideles klientų ketinimų duomenų bazes su gilaus mokymosi modeliais, kad pasiūlytų natūralesnius ir naudingesnius atsakymus , padidintų žmonių agentų produktyvumą ir supaprastintų palaikymo srautų sąranką.

Giluminio mąstymo modeliams vis geriau integruojant juos į šio tipo įrankius, matysime virtualius agentus, gebančius vesti ilgus ir sudėtingus pokalbius , išlaikyti temą, pagrįsti sprendimus ir prisitaikyti prie vartotojo tono beveik taip, kaip tai darytų žmogus.

Visa ši kelionė – nuo ​​klasikinio mašininio mokymosi iki gilaus mokymosi, generatyvinio dirbtinio intelekto ir gilaus samprotavimo – atskleidžia aiškią trajektoriją: vis labiau artėjame prie sistemų, kurios ne tik atpažįsta modelius, bet ir geba struktūrizuotai mąstyti apie sudėtingas problemas . Dabartinis iššūkis yra ne tik techninis, bet ir etinis bei praktinis: užtikrinti, kad šie modeliai būtų tinkamai įvertinti, naudojami ten, kur jie teikia realią vertę, būtų valdoma jų rizika ir jie būtų atsakingai integruoti į tokias priemones kaip „Copilot Studio“, kad dirbtinis intelektas taptų galingu ir patikimu sąjungininku kasdieniame darbe.