XiaoMi-AI文件搜索系统
World File Search SystemAIaaS
脱离背景：调查“人工智能即服务”的偏见和公平性问题
“人工智能即服务”（AIaaS）是一个快速增长的市场，提供各种即插即用的人工智能服务和工具。AIaaS 使其客户（用户）——可能缺乏开发自己系统的专业知识、数据和/或资源——能够轻松地构建人工智能功能并将其集成到他们的应用程序中。然而，众所周知，人工智能系统可以包含可能对社会产生影响的偏见和不平等。本文认为，公平的情境敏感性通常与 AIaaS 的“一刀切”方法不相容，从而导致问题和紧张局势。具体来说，我们通过提出基于用户可获得的自主权级别的人工智能服务分类法来审查和系统化 AIaaS 空间。然后，我们严格审查 AIaaS 的不同类别，概述这些服务如何导致偏见或在最终用户应用程序环境中造成其他危害。在此过程中，我们力求引起研究人员对这一新兴领域挑战的关注。
监控滥用行为，提供负责任的“人工智能即服务”
人工智能越来越多地以“即服务”的形式提供（AIaaS）。这意味着服务提供商向客户提供预先构建的人工智能模型和服务，用于诸如对象识别、文本翻译、文本到语音转换和面部识别等任务。这些产品使客户能够轻松地将一系列强大的人工智能驱动功能集成到他们的应用程序中。客户通过提供商的 API 访问这些模型，向其发送应用模型的特定数据，并返回结果。然而，在许多情况下，使用人工智能可能会出现问题。AIaaS 服务通常代表通用功能，只需“单击”即可获得。因此，出于声誉或责任的原因，提供商可能会寻求确保他们提供的 AIaaS 服务被客户用于“适当”的目的。本文介绍并探讨了 AIaaS 提供商发现客户可能滥用服务的情况的概念。通过专题示例，我们探讨了可能表明需要审查的情况的技术使用模式，并提出了监控滥用行为的一些法律和技术挑战。总之，通过引入这一概念，我们指出了从各个角度进行进一步探究的潜在领域。
监控滥用行为，提供负责任的“人工智能即服务”
人工智能越来越多地以“即服务”的形式提供（AIaaS）。这意味着服务提供商向客户提供预先构建的人工智能模型和服务，用于诸如对象识别、文本翻译、文本到语音转换和面部识别等任务。这些产品使客户能够轻松地将一系列强大的人工智能驱动功能集成到他们的应用程序中。客户通过提供商的 API 访问这些模型，向其发送应用模型的特定数据，并返回结果。然而，在许多情况下，使用人工智能可能会出现问题。AIaaS 服务通常代表通用功能，只需“单击”即可获得。因此，出于声誉或责任的原因，提供商可能会寻求确保他们提供的 AIaaS 服务被客户用于“适当”的目的。本文介绍并探讨了 AIaaS 提供商发现客户可能滥用服务的情况的概念。通过专题示例，我们探讨了可能表明需要审查的情况的技术使用模式，并提出了监控滥用行为的一些法律和技术挑战。总之，通过引入这一概念，我们指出了从各个角度进行进一步探究的潜在领域。
AI 技术堆栈模型
（例如 Salesforce 和 Sense Time）通过将云服务与 AI 核心组件（例如，大量数据、高级学习算法和强大的计算硬件）集成在一起，已成为 AI 即服务 (AIaaS) 竞赛的主要参与者。4 尽管 AIaaS 产品允许公司利用 AI 功能而无需从头开始投入大量资源，8 但出现了许多问题，阻碍了所需 AI 系统的开发。例如，当前的 AI 产品被认为是一个完全捆绑的软件包，不同供应商之间的互操作性较低，并导致供应商锁定和专有问题。此外，不同层的紧密耦合组件限制了新功能的扩展，并抑制了开发人员在选择合适的 AI 组件进行实际实施时的灵活性和适应性。此外，当供应商将多个 AI 产品捆绑成一个包时，可靠性就会受到质疑，因为为每个 AI 产品定义透明的服务级别协议 (SLA) 是一项挑战。此外，捆绑的 AI 产品被视为严格控制的系统，会抑制开源社区的支持并提高锁定成本，从而增加潜在的不兼容性并引入不同供应商之间未来的迁移成本。
人工智能即服务
组织越来越多地使用人工智能来执行以前被认为只有人类才能执行的复杂任务。在一些狭窄的应用领域，人工智能现在甚至超越了人类的表现。此类复杂任务的例子包括分析医疗数据以协助医生更快、更准确地做出医疗决策（Madani 等人2018 ），或在数小时或数天（而不是数月）内分析大量视频片段以支持刑事调查（Crawford 2019 ）。然而，组织面临的一个主要挑战是采用和整合人工智能的复杂而艰巨的过程，这被认为是“一段旅程，而不是目的地”（Dutta 2018 ）。这种普遍的犹豫源于人工智能专家的稀缺（Chui 和 Malhotra 2018 ）；组织缺乏能力和预算来建立和维护所需的大量 IT 资源（Romero 等人2019 ）；以及如何有效部署和配置基于 AI 的系统的知识有限（Yao 等人2017 ），等等。因此，大多数组织仍然未能采用 AI 并充分利用其潜力（Ransbotham 等人2019 ；Zapadka 等人2020 ）。为了促进 AI 的传播和应用，亚马逊、谷歌、IBM、微软、Salesforce 或 SAP 等云提供商已开始提供机器学习、深度学习、分析和推理即服务，将从云端配置 AI 功能的讨论付诸实践。此外，初创企业和中小型企业 (SME) 也在顺应这一趋势，提供独特的基于云的 AI 服务，以满足各行各业中小型企业的需求。例如，Incomaker 提供基于 AI 的销售和营销自动化工具。这些服务被称为人工智能即服务 (AIaaS)。从本质上讲，AIaaS 结合了 AI（即机器执行我们认知功能的能力）。
在为时已晚之前规范人工智能大型语言模型，是吗......
10 Cobbe 和 Singh 的论文旨在将基础模型与 LLM 进行比较。他们解释说，“考虑到对数据、专业知识和计算能力的需求，内部机器学习可能会令人望而却步。通过让开发人员能够以低成本、无需大量投入的方式将最先进的 ML 功能‘插入’到他们的应用程序中，AIaaS 增加了 ML 支撑更广泛应用程序的可能性”。 Jennifer Cobbe 和 Jatinder Singh，“人工智能即服务：法律责任、义务和政策挑战” [2021] 计算机法律与安全评论 < https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3824736> 访问日期：2021 年 9 月 19 日 11 Bommasani 等人 (n 8) 3. 12 例如，如果基础模型在有毒数据上进行训练，那么建立在它们之上的所有下游应用程序都会因此受到“污染”。 13 Emily M. Bender 和 Alexander Koller，《攀登自然语言理解：数据时代的意义、形式和理解》（计算语言学协会 2020 年）< https://aclanthology.org/2020.acl-main.463/ > 于 2021 年 9 月 15 日访问 14 Samoili 等人（注 5）
aiSTROM – 制定成功的 AI 战略的路线图
摘要 Rackspace Technology 最近对 1,870 家公司进行的一项调查显示，共有 34% 的 AI 研发项目失败或被放弃 [1]。本文介绍了一种新的战略路线图 aiSTROM，可帮助管理者制定 AI 战略。它提供了一种全面的方法，指导管理者和主要开发人员克服实施过程中的各种挑战。在 aiSTROM 框架中，首先确定前 n 个潜在项目（通常为 3-5 个）。对于每个项目，都会彻底分析七个重点领域。这些领域包括制定数据战略，该战略将考虑到独特的跨部门机器学习数据需求、安全性和法律要求。鉴于 AI 人才的稀缺，aiSTROM 随后指导管理者思考如何组建跨学科的人工智能 (AI) 实施团队。一旦制定了 AI 团队战略，就需要在组织内进行定位，可以是跨部门的，也可以是独立的部门。其他考虑因素包括人工智能即服务 (AIaas) 和外包开发。在研究新技术时，我们必须考虑偏见、黑盒模型的合法性以及让人类参与其中等挑战。接下来，与任何项目一样，需要定义基于价值的关键绩效指标 (KPI) 来跟踪和验证进度。根据公司的风险策略，SWOT 分析（优势、劣势、机会和威胁）可以帮助进一步对入围项目进行分类。最后，应确保该策略包括对员工的持续教育，以形成采用文化。这个独特而全面的框架为管理人员和首席开发人员提供了一个实用的工具。
云计算的演变：趋势，问题和未来...
抽象的云计算已成为现代IT基础架构的基石，通过按需访问计算资源来改变服务交付。本文对云计算的演变进行了全面评论，重点是2016年至2024年的趋势，问题和未来方向。关键的里程碑包括引入IaaS，Paas和SaaS，以及虚拟化和容器化技术的进步。向云本地和无服务器体系结构的转变标志着可扩展性和效率的显着飞跃。当前的趋势包括采用混合和多云环境，AI作为服务的兴起（AIAA）以及边缘和雾计算的集成以支持物联网。这些趋势证明了云的发展，以满足各种应用需求。的持续挑战，例如安全和隐私问题，成本管理的复杂性和互操作性问题。高级安全措施，包括AI驱动的威胁检测和零信任框架，被强调为关键发展。未来的方向强调与新兴技术（如量子计算和区块链），可持续实践，以减少数据中心的环境影响，并扩大实时物联网分析的边缘计算。应对这些挑战并利用未来的技术进步对于云计算的持续增长和影响至关重要。本文对云计算的当前状态和未来轨迹进行了详细的分析，是该领域研究人员和从业人员的宝贵资源。关键字： - 云计算，混合云，多云，AI作为服务，边缘计算，无服务器计算，安全性，量子计算，可持续性，物联网（IoT）