Hogyan lehet egy mesterséges intelligenciát arra tanítani, hogy pontosan a saját munkastílusunkat kövesse? Az előadó, Dylan, bemutatja, milyen hibákat követnek el sokan, amikor néhány sikeres teszt után túl hamar elégedettek lesznek az AI képességeivel, pedig ezek nem bizonyítanak hosszú távú megbízhatóságot.
Az emberi munkaerő betanításának folyamatát hasonlítja össze az AI „trenírozásával”. Kiemeli, hogy az ismétlődő, kritikus fontosságú feladatoknál ugyanazt a folyamatos visszacsatolást és finomhangolást kell alkalmazni, mint új kollégák esetében. Ez a módszer biztosítja, hogy az AI kimenetei megfeleljenek az elvárt minőségnek.
Részletesen bemutatja, hogyan különböztessük meg a feladat példáit (építés és tesztelés halmaz), és hogy miért fontos elkerülni, hogy a tesztadatok a tanítási szakaszban is elérhetők legyenek az AI számára. A helyes tesztelési módszerek kidolgozására, valamint a bináris (igen/nem) minőségi kritériumok rendszerének kialakítására is kitér.
Érdekes kérdés, hogyan tehetjük pártatlanná az értékelést az úgynevezett „AI szubügynökök” alkalmazásával, akik önállóan minősítik az AI által készített munkát. A folyamat során a legkisebb, szükséges módosításokat hajtjuk végre, és külön kiemeli, hogy mikor és miért érdemes újra átmenni a fejlesztési hurkon, akár új modellek vagy változó elvárások esetén is.
Végül a szakértő rámutat, hogy saját, testreszabott készségek építése mennyire meghatározó abban, hogy az AI valóban a felhasználó elvárásai szerint működjön, szemben a másoktól letölthető, általános készségekkel.
