{"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\/it\/blog\/novosti-interneta\/organizacziya-osi-vyrabotala-kriterii-otkrytosti-ai-sistem","title":{"rendered":"L'organizzazione OSI ha sviluppato criteri per la trasparenza dei sistemi AI.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
L'organizzazione Open Source Initiative (OSI), che si occupa di verificare le licenze per la conformit\u00e0 ai criteri Open Source, ha approvato il documento Open Source AI Definition v1.0 (OSAID), in cui viene fornita una definizione di intelligenza artificiale aperta. Un sistema AI pu\u00f2 essere considerato aperto se soddisfa i seguenti criteri: <\/p>\n
\n
Possibilit\u00e0 di utilizzo per qualsiasi scopo senza necessit\u00e0 di ottenere un permesso separato;\n
Possibilit\u00e0 di studiare il funzionamento del sistema e ispezionare i suoi componenti;\n
Possibilit\u00e0 di apportare modifiche per qualsiasi scopo, compreso il cambiamento delle informazioni fornite dal sistema;\n
Possibilit\u00e0 di trasferire a terzi sia la versione originale che la revisione dopo le modifiche, senza limitazioni sugli scopi di utilizzo. <\/ul>\n
Per consentire modifiche, un sistema AI aperto deve includere: <\/p>\n
\n
Informazioni dettagliate sui dati utilizzati durante l'addestramento e sulla metodologia di apprendimento. Le informazioni devono essere sufficienti affinch\u00e9 un sviluppatore professionista possa ricreare un sistema AI equivalente, utilizzando gli stessi o simili dati per l'addestramento.\n
Il codice sorgente che consente sia di avviare un sistema AI che di eseguire il processo di addestramento. Il codice deve anche coprire aree come il preprocessing, la verifica dei dati e la tokenizzazione. Inoltre, deve essere fornita una descrizione dettagliata dell'architettura del modello. <\/li>\n
Parametri del modello (pesi), indicando la presenza di uno stato di tipo snapshot pronto all'uso dopo l'addestramento o la disponibilit\u00e0 di una versione finale ottimizzata del modello. <\/li>\n<\/ul>\n
Grandi modelli di linguaggio di machine learning riconosciuti come conformi ai criteri stabiliti: Pythia (Eleuther AI), OLMo (AI2), Amber (LLM360), CrystalCoder (LLM360) e T5 (Google). <\/p>\n
Grandi modelli di linguaggio di machine learning che ambiscono a essere conformi, ma necessitano di modifiche alle licenze o alle regole d'uso: BLOOM (BigScience), Starcoder2 (BigCode) e Falcon (TII). <\/p>\n