{"id":120383,"date":"2024-10-29T01:09:07","date_gmt":"2024-10-28T23:09:07","guid":{"rendered":"https:\/\/prohoster.info\/blog\/novosti-interneta\/organizacziya-osi-vyrabotala-kriterii-otkrytosti-ai-sistem"},"modified":"2024-10-29T01:09:07","modified_gmt":"2024-10-28T23:09:07","slug":"organizacziya-osi-vyrabotala-kriterii-otkrytosti-ai-sistem","status":"publish","type":"post","link":"https:\/\/prohoster.info\/de\/blog\/novosti-interneta\/organizacziya-osi-vyrabotala-kriterii-otkrytosti-ai-sistem","title":{"rendered":"Die OSI-Organisation hat Kriterien f\u00fcr die Offenheit von KI-Systemen entwickelt.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Die Open Source Initiative (OSI), die Lizenzen auf \u00dcbereinstimmung mit den Open Source-Kriterien \u00fcberpr\u00fcft, hat das Dokument Open Source AI Definition v1.0 (OSAID) genehmigt, in dem eine Definition f\u00fcr offene KI formuliert wurde. Ein KI-System kann als offen angesehen werden, wenn es die folgenden Kriterien erf\u00fcllt: <\/p>\n
\n
Die Nutzung f\u00fcr beliebige Zwecke ist ohne die Notwendigkeit einer separaten Genehmigung m\u00f6glich;\n
Die M\u00f6glichkeit, das System zu studieren und seine Komponenten zu inspizieren;\n
Die M\u00f6glichkeit, \u00c4nderungen f\u00fcr beliebige Zwecke vorzunehmen, einschlie\u00dflich der \u00c4nderung der vom System ausgegebenen Informationen;\n
Die M\u00f6glichkeit, anderen das Original sowie bearbeitete Versionen nach \u00c4nderungen zu \u00fcbergeben, ohne Einschr\u00e4nkungen bez\u00fcglich der Nutzungsm\u00f6glichkeiten. <\/ul>\n
Um \u00c4nderungen zu erm\u00f6glichen, muss ein offenes KI-System Folgendes umfassen: <\/p>\n
\n
Detaillierte Informationen zu den verwendeten Daten und der Lernmethodologie. Die Informationen sollten ausreichend sein, damit ein professioneller Entwickler in der Lage ist, ein entsprechendes KI-System aus denselben oder \u00e4hnlichen Daten selbst zu rekonstruieren.\n
Der Quellcode, der sowohl die Ausf\u00fchrung des KI-Systems als auch den Trainingsprozess erm\u00f6glicht. Der Code sollte auch Bereiche wie Vorverarbeitung, Datenpr\u00fcfung und Tokenisierung abdecken. Zudem ist eine detaillierte Beschreibung der Modellarchitektur bereitzustellen. <\/li>\n
Die Modellparameter (Gewichtungskoeffizienten), die einen einsatzbereiten Zustand nach dem Training oder eine final optimierte Version des Modells implizieren. <\/li>\n<\/ul>\n
Gro\u00dfe Sprachmodelle des maschinellen Lernens, die als konform mit den festgelegten Kriterien anerkannt sind: Pythia (Eleuther AI), OLMo (AI2), Amber (LLM360), CrystalCoder (LLM360) und T5 (Google). <\/p>\n
Gro\u00dfe Sprachmodelle des maschinellen Lernens, die einen Anspruch auf Konformit\u00e4t erheben, jedoch \u00c4nderungen an den Lizenzen oder Nutzungsbedingungen erfordern: BLOOM (BigScience), Starcoder2 (BigCode) und Falcon (TII). <\/p>\n