{"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\/es\/blog\/news\/organizacziya-osi-vyrabotala-kriterii-otkrytosti-ai-sistem","title":{"rendered":"La organizaci\u00f3n OSI ha desarrollado criterios de apertura para sistemas de IA.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
La organizaci\u00f3n Open Source Initiative (OSI), encargada de verificar licencias de acuerdo con los criterios de Open Source, ha aprobado el documento Open Source AI Definition v1.0 (OSAID), que establece la definici\u00f3n de IA abierta. Un sistema de IA puede considerarse abierto si cumple con los siguientes criterios: <\/p>\n
\n
Posibilidad de uso para cualquier prop\u00f3sito sin necesidad de obtener un permiso adicional;\n
Posibilidad de estudiar el funcionamiento del sistema e inspeccionar sus componentes;\n
Posibilidad de realizar cambios para cualquier prop\u00f3sito, incluyendo la modificaci\u00f3n de la informaci\u00f3n que el sistema proporciona;\n
Posibilidad de transferir a terceros tanto la versi\u00f3n original como las ediciones realizadas tras los cambios, sin restricciones en los fines de uso. <\/ul>\n
Para permitir los cambios, un sistema de IA abierto debe incluir: <\/p>\n
\n
Informaci\u00f3n detallada sobre los datos utilizados durante el entrenamiento y la metodolog\u00eda de ense\u00f1anza. La informaci\u00f3n debe ser suficiente para que un desarrollador profesional pueda recrear el sistema de IA equivalente, utilizando los mismos datos o datos similares para el entrenamiento.\n
C\u00f3digo fuente que permita tanto ejecutar el sistema de IA como llevar a cabo el proceso de su entrenamiento. El c\u00f3digo tambi\u00e9n debe cubrir \u00e1reas como prepocesamiento, verificaci\u00f3n de datos y tokenizaci\u00f3n. Adem\u00e1s, debe proporcionarse una descripci\u00f3n detallada de la arquitectura del modelo. <\/li>\n
Par\u00e1metros del modelo (coeficientes de peso) que implican la disponibilidad de un corte de estado listo para usar tras el entrenamiento o la existencia de una versi\u00f3n final optimizada del modelo. <\/li>\n<\/ul>\n
Grandes modelos de lenguaje de aprendizaje autom\u00e1tico que han sido reconocidos como conformes a los criterios establecidos: Pythia (Eleuther AI), OLMo (AI2), Amber (LLM360), CrystalCoder (LLM360) y T5 (Google). <\/p>\n
Grandes modelos de lenguaje de aprendizaje autom\u00e1tico que afirman cumplir, pero que requieren modificaciones en las licencias o en las normas de uso: BLOOM (BigScience), Starcoder2 (BigCode) y Falcon (TII). <\/p>\n