{"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\/news\/organizacziya-osi-vyrabotala-kriterii-otkrytosti-ai-sistem","title":{"rendered":"Die OSI hat Kriterien f\u00fcr die Offenheit von KI-Systemen entwickelt","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Die Organisation Open Source Initiative (OSI), die sich mit der \u00dcberpr\u00fcfung von Lizenzen im Hinblick auf die Kriterien f\u00fcr Open Source besch\u00e4ftigt, hat das Dokument Open Source AI Definition v1.0 (OSAID) genehmigt, das eine Definition f\u00fcr offene KI formuliert. Ein KI-System kann als offen betrachtet werden, wenn es den folgenden Kriterien entspricht: <\/p>\n
\n
Die M\u00f6glichkeit, es f\u00fcr beliebige Zwecke zu nutzen, ohne eine separate Genehmigung einholen zu m\u00fcssen;\n
Die M\u00f6glichkeit, die Funktionsweise des Systems 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, sowohl die unver\u00e4nderte Version als auch die bearbeitete Version nach \u00c4nderungen an Dritte weiterzugeben, ohne Einschr\u00e4nkungen hinsichtlich der Zweckbestimmung der Nutzung. <\/ul>\n
Um die M\u00f6glichkeit zur Vornahme von \u00c4nderungen zu bieten, muss ein offenes KI-System Folgendes enthalten: <\/p>\n
\n
Detaillierte Informationen \u00fcber die f\u00fcr das Training verwendeten Daten und die Methodologie des Trainings. Die Informationen m\u00fcssen ausreichend sein, damit ein professioneller Entwickler in der Lage ist, ein entsprechendes KI-System mit denselben oder \u00e4hnlichen Daten selbst zu rekonstruieren.\n
Den Quellcode, der sowohl die Ausf\u00fchrung des KI-Systems als auch den Trainingsprozess erm\u00f6glicht. Der Code muss auch Bereiche wie die Vorverarbeitung, die Datenvalidierung und die Tokenisierung abdecken. Dar\u00fcber hinaus ist eine detaillierte Beschreibung der Modellarchitektur bereitzustellen. <\/li>\n
Die Modelparameter (Gewichtsfaktoren), die darauf hindeuten, dass ein einsatzbereiter Snapshot des Status nach dem Training oder eine finale optimierte Version des Modells vorliegt. <\/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 versuchen, konform zu sein, jedoch \u00c4nderungen an Lizenzen oder Nutzungsbedingungen erfordern: BLOOM (BigScience), Starcoder2 (BigCode) und Falcon (TII). <\/p>\n