AI zalishi kwa matukio, maarifa na mabadiliko
AI zalishi inaweza kufupisha matukio ya hitilafu, kuandaa makala za maarifa na postmortem, na kusaidia kutathmini mabadiliko; huokoa muda mwingi zaidi kwenye rasimu za kwanza na kidogo zaidi kwenye ukweli, kwa hiyo itumie kwa kuandika na kusoma, thibitisha kila dai dhidi ya rekodi, na umweke mtu aliyetajwa awajibike kwa kinachotumwa au kuidhinishwa.
Kwa nini hili ni muhimu
Kazi nyingi katika kuendesha huduma ni kuandika na kusoma. Wakati wa tukio la hitilafu, mtu huandika masasisho ya hali huku wengine wakisoma kumbukumbu za soga. Baadaye, mtu huandika ratiba ya matukio na mapitio. Makala ya maarifa huanza kama dokezo la utatuzi wa tiketi linalohitaji kugeuzwa kuwa kitu kinachosomeka. Ombi la badiliko linahitaji maelezo, tathmini ya hatari, na mpango. Kazi hizi zinachukua muda, zinajirudia, na mara nyingi hufanywa kwa kuchelewa na vibaya kwa sababu kila mtu ana shughuli.
AI zalishi inafaa vizuri kwa aina hii ya kazi. Modeli kubwa za lugha zinaweza kusoma mfululizo mrefu na kutoa muhtasari ndani ya sekunde. Zinaweza kugeuza madokezo ghafi kuwa rasimu safi na kupendekeza muundo wa mapitio. Zikitumika vizuri, huwaachia watu wenye ujuzi nafasi kwa busara na mazungumzo. Zikitumika vibaya, huzalisha maandishi ya kujiamini, mazuri, ambayo si sahihi: ratiba ya matukio yenye nyakati zilizobuniwa, chanzo cha msingi ambacho hakuna aliyekipata, hatua ya kitabu cha uendeshaji isiyokuwepo.
Tofauti iko katika jinsi kazi inavyoandaliwa. Mpe modeli rekodi halisi, iombe itumie hiyo tu, ifanye ionyeshe vyanzo vyake, na mtu akague kabla ya chochote kushirikiwa. Mada hii inatoa mifumo ya vitendo kwa maeneo matatu: matukio ya hitilafu, maarifa, na mabadiliko. Inajenga juu ya mawazo ya jumla katika mada 5.1 — AI katika usimamizi wa huduma na inahusiana na usimamizi wa matukio ya hitilafu (mada 3.2 — Usimamizi wa Matukio ya Hitilafu), usimamizi wa matatizo (mada 3.3 — Usimamizi wa Matatizo), usimamizi wa maarifa (mada 3.9 — Usimamizi wa Maarifa), na uwezeshaji wa mabadiliko (mada 3.4 — Uwezeshaji wa Mabadiliko). Maswali ya utawala yako katika mada 5.6 — Utawala, hatari na kufuata sheria za AI.
Dhana kuu
AI zalishi. Mifumo inayozalisha maudhui mapya, kama maandishi na msimbo, kutokana na maelekezo. Wikipedia inaeleza AI zalishi na modeli kubwa za lugha. Kwa kazi ya huduma, maandishi ndiyo matokeo makuu: muhtasari, rasimu, maelezo, na madokezo yenye muundo.
Kuota (hallucination). Matokeo ambayo ni ya kimaandishi na hayana msingi au ni ya uongo. Wikipedia inaeleza kuota katika AI. Ni sifa ya jinsi modeli hizi zinavyofanya kazi, si hitilafu nadra. Hatari ni kubwa zaidi modeli inapoulizwa ukweli ambao haikupewa: wakati kamili, sababu, nambari ya sera, chaguo la API.
Msingi wa majibu. Kuipa modeli nyenzo chanzo na kuiomba ijibu kutoka hapo tu. Kizazi kilichoongezewa urejeshaji, kinachoelezwa na Wikipedia, hupata nyaraka husika na kuzitoa. Kwa matukio ya hitilafu, chanzo ni ratiba ya matukio, soga, na data ya ufuatiliaji; kwa maarifa, tiketi na makala zilizopo; kwa mabadiliko, rekodi ya badiliko na mabadiliko ya awali yanayofanana. Msingi hupunguza makosa lakini haiyaondoi kabisa.
Dirisha la muktadha. Kiasi cha maandishi ambacho modeli inaweza kuzingatia kwa wakati mmoja. Wikipedia inaeleza dirisha la muktadha. Soga ndefu za matukio ya hitilafu zinaweza kulizidi, kwa hiyo maingizo marefu hufupishwa kwa sehemu. Kagua kama nyenzo muhimu ziliachwa.
Kufupisha. Kupunguza maandishi marefu hadi pointi zake kuu. Wikipedia inaeleza ufupishaji wa kiotomatiki. Muhtasari hupoteza maelezo kwa makusudi, na unaweza kuyapotosha. Unatumika vizuri zaidi kama mwongozo wa asili, pamoja na njia ya kukagua.
Rasimu, si maamuzi. Matumizi salama zaidi ni kutoa rasimu ya kwanza ili mtu ahariri na kuimiliki. Jina la mtu huenda kwenye matokeo, na anawajibika kwayo. Hii inaweka busara kwa binadamu na kutumia modeli kwa sehemu ya kimitambo.
Maelekezo. Maandishi yanayopewa modeli. Maelekezo wazi, yenye jukumu, kazi, vyanzo, muundo, na la kufanya taarifa zinapokosekana, huboresha matokeo. Tazama mada 5.7 — Ujuzi wa Akili Bandia na Maelekezo.
Usiri. Soga za matukio ya hitilafu na tiketi mara nyingi zina siri, data binafsi, na maelezo ya usalama. Mahali maandishi yanaenda ni muhimu: modeli inayoendeshwa na shirika lako, huduma ya muuzaji chini ya mkataba, au zana ya umma chini ya masharti yasiyojulikana. Amua nini kinaweza kwenda wapi. Tazama mada 5.6 — Utawala, hatari na kufuata sheria za AI.
Sindano ya maelekezo. Maandishi katika nyenzo unayoipa modeli, kama mwili wa tiketi au mstari wa kumbukumbu, yanaweza kuwa na maelekezo yanayojaribu kubadilisha tabia yake. Wikipedia inaeleza sindano ya maelekezo. Chukulia maingizo yote kama yasiyoaminika, na usiruhusu modeli yenye mamlaka ya kutenda isome maudhui kutoka vyanzo visivyojulikana.
Upendeleo wa otomatiki. Mwelekeo wa kuamini mapendekezo ya kiotomatiki, hasa ukiwa umechoka au una shughuli. Wikipedia inaeleza upendeleo wa otomatiki. Wakati wa tukio la hitilafu, pendekezo la kimaandishi linaweza kuwapeleka wanaojibu njia mbaya. Chukulia matokeo ya AI kama dhana.
Matukio ya hitilafu. Kazi zenye manufaa ni pamoja na kufupisha mfululizo kwa mjibu mpya, kuandaa sasisho la hali kwa mapitio, kutoa ratiba ya matukio yenye mihuri ya wakati kutoka kwenye rekodi, kupata matukio ya hitilafu ya awali yanayofanana, na kupendekeza maswali ya mapitio. Kazi hatari ni pamoja na kutaja chanzo cha msingi kama ukweli na kutuma sasisho kwa wateja bila mapitio.
Maarifa. Kazi zenye manufaa ni pamoja na kugeuza tiketi iliyotatuliwa kuwa rasimu ya makala, kuandika upya makala kwa lugha rahisi, kupendekeza vichwa na tagi, na kupata nakala. Kazi hatari ni pamoja na kuchapisha rasimu bila ukaguzi wa kiufundi, na kutegemea modeli kujua suluhisho sahihi.
Mabadiliko. Kazi zenye manufaa ni pamoja na kukagua maelezo ya badiliko kwa taarifa zinazokosekana, kufupisha ombi kubwa la kuvuta, kupendekeza visa vya majaribio, na kuorodhesha mambo ya hatari kutoka kwa mabadiliko ya awali yanayofanana. Kazi hatari ni pamoja na kuidhinisha badiliko au kukadiria hatari yake kuwa "ndogo" kwa neno la modeli pekee.
Msimbo na hati. Modeli zinaweza kuandaa hati, maswali, na usanidi. Wikipedia inaeleza uzalishaji wa msimbo kwa maana pana. Msimbo uliozalishwa unaweza kuwa na makosa, dosari za usalama, au maswali ya leseni. Uchukulie kama msimbo usioaminika: uupitie, uujaribu, na uuendeshe kupitia mfereji. Tazama mada 3.4 — Uwezeshaji wa Mabadiliko na mada 4.2 — Usimamizi wa Mali za Programu.
Rekodi na ukaguzi. Weka rekodi ya jinsi AI ilivyotumika: maelekezo, vyanzo vilivyotolewa, matokeo, nani alipitia, na kilichobadilika. Wikipedia inaeleza njia za ukaguzi. Hii inaunga mkono kujifunza na uwajibikaji.
Lenzi zinavyolingana. AI zalishi ni mojawapo ya aina zinazoonekana zaidi za lenzi ya AI. Zoea la uchapuchapu linapendekeza majaribio mafupi na mrejesho kutoka kwa watu wanaofanya kazi. Uendeshaji otomatiki unaweza kupeleka rasimu kwenye zana, kukiwa na milango ya mapitio. Uchanganuzi unaonyesha matumizi yapi yanaokoa muda na yapi yanasababisha kazi upya.
Mazoea bora
- Ipe rekodi na useme itumie hiyo tu. Bandika au rejesha ratiba ya matukio, tiketi, au badiliko halisi, na uagize modeli itumie maandishi yaliyotolewa tu. Iambie iandike "haijatajwa" taarifa inapokosekana.
- Omba nukuu na marejeo. Fanya modeli itaje mistari au makala ilizotumia, ili mtu aweze kukagua kila dai haraka.
- Tenganisha ukweli na hitimisho. Omba ukweli uliochukuliwa kutoka kwenye rekodi kwanza, na dhana zilizowekewa lebo wazi pili. Usiruhusu dhana zionekane kama matokeo.
- Weka mmiliki wa binadamu. Mtu anayetuma sasisho, kuchapisha makala, au kuidhinisha badiliko anamiliki maudhui, chochote modeli ilichoandaa. Fanya hilo wazi katika mchakato.
- Usitume matokeo yasiyopitiwa nje. Masasisho ya hali kwa wateja, wadhibiti, au umma yanahitaji mapitio na idhini ya binadamu. Rasimu za ndani ni za hatari ndogo lakini bado zinahitaji ukaguzi.
- Linda data. Tumia zana zilizoidhinishwa kwa unyeti wa maudhui. Ondoa siri na data binafsi unapoweza, na usibandike kamwe vitambulisho.
- Kagua namba, majina, na nyakati. Hapa ndipo ubunifu unapojitokeza zaidi. Linganisha kila namba katika rasimu na chanzo.
- Jaribu na visa halisi. Endesha mbinu kwenye matukio ya hitilafu na tiketi za zamani ambapo unajua ukweli, na uone inapoanguka. Shiriki matokeo na usasishe maelekezo yako.
- Rekodi matumizi. Rekodi kwamba AI ilisaidia, pamoja na vyanzo na mpitiaji. Fuatilia masahihisho kujua kazi zipi zinaifaa.
- Pitia na staafisha. Pitia matumizi yapi yanaokoa muda na yapi yanasababisha kazi upya. Acha yale yasiyosaidia.
Maswali ya kujadili na timu yako
Ni kazi zipi za kuandika na kusoma katika matukio yetu ya hitilafu na mabadiliko zinachukua muda mwingi zaidi, na zipi ni za hatari ndogo? Fanya orodha. Tarajia ratiba za matukio, masasisho ya hali, rasimu za mapitio, na maelezo ya mabadiliko. Panga kwa hatari. Ili kwenda mbali zaidi, chagua kazi moja ya hatari ndogo ya kujaribu na AI.
Tungehitaji kukagua nini katika muhtasari wa tukio la hitilafu ulioandikwa na AI kabla ya kuuamini? Fikiria nyakati, sababu, na athari. Tarajia makubaliano kwamba nyakati na sababu zinahitaji ukaguzi. Ili kwenda mbali zaidi, andika orodha hakiki fupi.
Ni taarifa zipi hazipaswi kamwe kuingia kwenye zana ya AI, na tunafanyaje iwe rahisi kufuata hilo? Orodhesha siri, data binafsi, na maelezo ya usalama. Tarajia mkanganyiko kuhusu kinachohesabiwa. Ili kwenda mbali zaidi, kubaliana kanuni rahisi na zana salama kwa zilizobaki.
Tungejuaje kama muhtasari au rasimu za AI zilikuwa zinafanya hifadhi yetu ya maarifa kuwa mbaya zaidi? Fikiria hatua mbaya na makosa yanayorudiwa. Tarajia "hatungejua". Ili kwenda mbali zaidi, chukua sampuli ya makala zilizosaidiwa na AI kwa usahihi kila mwezi.
Tungeruhusu AI ipendekeze hatari ya badiliko lini, na nani anaamua? Jadili. Tarajia tahadhari kuhusu idhini na starehe na maelekezo ya taarifa zinazokosekana. Ili kwenda mbali zaidi, kubaliana kwamba AI inaweza kupendekeza maswali na mabadiliko ya awali yanayofanana, na kwamba mtu anakadiria hatari.
Nani katika timu yetu ni mzuri wa kukagua matokeo ya AI, na tunaweza kueneza ujuzi huo vipi? Kukagua ni ujuzi. Tarajia watu wachache wenye kujiamini. Ili kwenda mbali zaidi, endesha zoezi fupi ambapo timu inakagua rasimu yenye dosari pamoja.
Kwa vitendo: mfano wa usimamizi wa huduma
Timu ya teknolojia ya uendeshaji ya reli ya taifa inaendesha mifumo ya msaada wa ishara. Baada ya kila tukio kubwa la hitilafu, mhandisi hutumia nusu siku kuandika mapitio kutoka kwa kumbukumbu za soga, grafu za ufuatiliaji, na madokezo ya tiketi. Mapitio ni ya kuchelewa, na ya hivi karibuni yalikuwa membamba.
Kiongozi wa timu anajaribu msaidizi wa AI zalishi, anayeendeshwa chini ya mkataba wa reli na muuzaji asiyehifadhi wala kufunza kwa maingizo, kwa rasimu ya kwanza ya mapitio. Kwa kila tukio la hitilafu, mhandisi anasafirisha kumbukumbu ya soga na historia ya tiketi, anaondoa majina ya wafanyakazi, na kumpa msaidizi maelekezo haya: tumia maandishi yaliyotolewa tu; toa ratiba ya matukio na kila ingizo likinukuu mstari wa chanzo; orodhesha athari, kama ilivyotajwa; orodhesha kilichosaidia na kilichopunguza kasi ya jibu; weka alama chochote kisicho katika maandishi kama "haijatajwa"; na weka dhana katika sehemu tofauti iliyowekewa lebo hivyo.
Katika jaribio la kwanza, kwenye tukio la hitilafu la zamani, ratiba ya matukio ya rasimu ni sahihi isipokuwa inatoa wakati wa kuanzisha upya wa 02:15, wakati soga inasema "karibu saa na robo, nadhani" na tiketi inasema 02:22; mhandisi anaisahihisha. Rasimu pia inaorodhesha kama sababu "swichi ya mtandao yenye hitilafu", ambayo inaonekana kwenye soga kama dhana iliyokanushwa baadaye; mapitio yaliihamishia kwenye dhana, kama ilivyoagizwa, lakini haikutaja kukanushwa. Mhandisi anarekebisha yote mawili na kutuma rasimu kwa timu ndani ya saa mbili badala ya nne.
Baada ya matukio ya hitilafu kumi, timu inakadiria rasimu za kwanza zinachukua takriban theluthi ya muda. Wanaongeza kanuni kwamba mhandisi anakagua kila wakati na sababu dhidi ya chanzo, na kwamba mapitio yanarekodi kuwa AI iliandaa toleo la kwanza. Pia wanaamua kutotumia AI kukadiria hatari katika rekodi za mabadiliko bado.
Kinachobadilika: mapitio yanafika ndani ya siku na yana maelezo zaidi kuhusu kilichosaidia. Kinachobaki kigumu: wahandisi wakati mwingine wanakubali maneno ya modeli ya sababu ambazo ushahidi unaziunga mkono kwa udhaifu; maelezo ya siri wakati mwingine yanabaki katika soga zilizosafirishwa; na mhandisi mmoja ana wasiwasi kwamba ujuzi wa kuandaa utafifia. Kiongozi anapanga kikao cha robo mwaka ambacho wahandisi wanaandika mapitio moja bila AI, na kulinganisha.
Mitazamo minne
Timu za bidhaa na utoaji
Tumia AI kuandaa maelezo ya mabadiliko, mawazo ya majaribio, na maelezo ya toleo kutoka kwa rekodi zako mwenyewe, na uyapitie. Chukulia msimbo uliozalishwa kama usioaminika: ujaribu na uuchunguze kama badiliko lingine lolote.
Timu za huduma na uendeshaji
Tumia AI kufupisha mfululizo na kuandaa masasisho, mapitio, na makala, na vyanzo vimeambatishwa. Kagua kila wakati, jina, na sababu, na umiliki unachochapisha.
Uongozi na utawala
Weka kanuni za data na idhini, na ufadhili zana zinazozikidhi. Omba ushahidi wa muda uliookolewa na makosa yaliyonaswa. Usikubali matokeo ya AI kama rekodi ya ukweli.
Wateja na watumiaji
Unapaswa kupokea masasisho ambayo mtu ameyakagua. Ukiona kosa katika unachopokea, mwambie mtoaji. Uliza AI inatumikaje katika unachoambiwa.
Uchapuchapu, AI, uendeshaji otomatiki na uchanganuzi
Uchapuchapu
Jaribu kazi moja ya kuandika kwa wakati na watu wanaoifanya, kusanya mrejesho, na uboreshe maelekezo. Weka mapitio mafupi na ya mara kwa mara. Tahadhari: usiruhusu rasimu ya haraka zaidi ifupishe tafakari; thamani ya mapitio iko katika kujifunza.
AI
Jenga kila matumizi juu ya rekodi, onyesha vyanzo, na umweke mtu awajibike. Jaribu kwa visa vya zamani na urekodi matumizi ya AI. Tahadhari: maandishi ya kimaandishi huficha ushahidi dhaifu; iombe modeli iweke lebo ya kujiamini na vyanzo, na ukague. Tazama mada 5.7 — Ujuzi wa Akili Bandia na Maelekezo.
Uendeshaji otomatiki
Fanya mfumo wa mabomba uwe wa kiotomatiki: safirisha rekodi, ondoa siri, ita modeli, ambatisha rasimu kwenye tiketi, na umjulishe mpitiaji. Weka mlango wa mapitio kabla ya kuchapisha. Tahadhari: mfereji unaochapisha rasimu kiotomatiki hueneza makosa; hitaji idhini. Tazama mada 6.2 — Uendeshaji otomatiki wa mtiririko wa kazi na uratibu.
Uchanganuzi
Fuatilia muda wa kutoa mapitio, marekebisho yaliyofanywa kwa rasimu, makosa yaliyopatikana, na matumizi kwa aina ya kazi. Tahadhari: kuhesabu rasimu zilizotolewa kunazawadia wingi, na muda uliookolewa mara nyingi unakadiriwa; chukua sampuli ya ubora wa nyaraka za mwisho. Tazama kitabu cha Service Management Metrics na mada 7.3 — Upimaji na utoaji taarifa.
Njia za kawaida za kushindwa
- Ukweli kutoka kwenye kumbukumbu. Modeli inabuni nyakati na sababu. Toa rekodi na uhitaji nukuu.
- Masasisho ya nje yasiyopitiwa. Taarifa zisizo sahihi zinawafikia wateja. Hitaji idhini ya binadamu.
- Siri kwenye maelekezo. Data nyeti inavuja. Tumia zana zilizoidhinishwa na uondoe siri.
- Kuweka muhuri tu. Wapitiaji wanakubali rasimu bila kukagua. Toa orodha hakiki na uchukue sampuli ya mapitio.
- Maingizo yanayodanganya modeli. Maandishi ya uadui yanabadilisha tabia. Chukulia maingizo kama yasiyoaminika.
- Kutumia AI kukadiria hatari. "Ndogo" ya kimaandishi inaaminiwa. Tumia AI kuuliza maswali, na wacha watu wakadirie hatari.
- Kupungua kwa ujuzi. Watu wanaacha kuandika na kukagua. Weka mazoezi na ubora wa mapitio.
Modeli ya ukomavu
| Kipimo | Kuanzisha | Kuendeleza | Kusanifisha | Kusimamia | Kuratibu |
|---|---|---|---|---|---|
| Matumizi | Majaribio ya mtu binafsi | Vidokezo vilivyoshirikiwa | Mifumo iliyoidhinishwa kwa matukio ya hitilafu, maarifa, na mabadiliko | Mifumo inapitiwa kwa matokeo | Mifumo imeunganishwa katika zana kwa utawala |
| Msingi na ukaguzi | Kumbukumbu ya modeli | Baadhi ya vyanzo vinaonyeshwa | Vyanzo vinanukuliwa na ukweli unakaguliwa dhidi ya rekodi | Makosa yanafuatiliwa na kurudishwa | Uthibitisho kiasi cha kiotomatiki, kwa idhini ya binadamu |
| Ulinzi wa data | Haujawazi | Ufahamu | Zana zilizoidhinishwa na kanuni | Uzingatiaji unafuatiliwa | Udhibiti umejengwa ndani ya zana na mifereji |
| Uwajibikaji | Haujawazi | Usio rasmi | Wamiliki walioitwa kwa kila matokeo | Wamiliki na mapitio vinakaguliwa | Uwajibikaji umeunganishwa kati ya huduma |
Orodha hakiki
- Tulichagua kazi chache za kuandika za hatari ndogo kwa AI zalishi.
- Tunaipa modeli rekodi na kuiambia itumie hiyo tu.
- Matokeo yananukuu vyanzo vyake na kutenganisha ukweli na dhana.
- Mtu aliyetajwa anamiliki na kupitia kila matokeo kabla ya kushirikiwa.
- Tunatumia zana zilizoidhinishwa kwa maudhui nyeti na kuondoa siri.
- Tunakagua nyakati, majina, namba, na sababu dhidi ya chanzo.
- Tunarekodi AI ilipositisha na nani alipitia.
- Hatuiruhusu AI kuidhinisha mabadiliko au kutaja vyanzo vya msingi peke yake.
Maelekezo ya AI
Jenga ratiba ya matukio ya tukio la hitilafu yenye vyanzo.
Below is the chat log and ticket history of an incident, with names removed: [paste].
Produce a timeline table with columns: time (exactly as written; write "not stated" if no time), event, and the quoted source line. Then list impact as stated in the text, and a separate section "Hypotheses mentioned" with who raised each and whether the text shows it was confirmed or ruled out. Do not add anything not in the text.
List what you are unsure of.
Andaa makala ya maarifa kutoka kwa tiketi iliyotatuliwa.
Here is a resolved ticket with notes, personal data removed: [paste]. Here are existing articles on related topics: [paste titles and summaries].
Draft a new article with a title in plain words, symptom, steps, and how to check it worked. Use only the ticket. Mark missing information with [missing], and list existing articles that might duplicate this one.
List what you are unsure of.
Kagua maelezo ya badiliko.
Here is a change description: [paste]. Our required items: [list].
List which required items are missing or unclear, list questions a reviewer should ask, and list any statements in the description that look inconsistent with each other. Do not rate the risk or recommend approval.
List what you are unsure of.
Ujuzi wa AI
- postmortem: tumia kuunda mapitio ya matukio ya hitilafu ambayo AI inaandaa na watu wanamiliki.
- prompt-engineering: tumia kuandika maelekezo wazi, yenye msingi.
- runbook: tumia kugeuza taratibu kuwa vitabu vya uendeshaji vinavyokaguliwa na kujaribiwa.
- release-notes: tumia kuandaa maelezo ya toleo kwa mapitio.
- change-request: tumia kufafanua maelezo mazuri ya badiliko yana nini.
Vyanzo vikuu
- NIST, AI Risk Management Framework: muundo wa kutambua na kusimamia hatari za matumizi ya AI.
- OWASP, guidance on risks for applications built on large language models (owasp.org): ushauri wa jamii kuhusu sindano ya maelekezo na hatari zinazohusiana.
- Wikipedia, "Generative AI" and "Hallucination (artificial intelligence)": muhtasari wa teknolojia na hali yake kuu ya kushindwa.
- Wikipedia, "Automation bias": kwa nini watu wanaamini mapendekezo ya kiotomatiki kupita kiasi.
Marejeo
- Generative AI — Wikipedia — https://en.wikipedia.org/wiki/Generative_AI
- Large language model — Wikipedia — https://en.wikipedia.org/wiki/Large_language_model
- Hallucination (artificial intelligence) — Wikipedia — https://en.wikipedia.org/wiki/Hallucination_(artificial_intelligence)
- Retrieval-augmented generation — Wikipedia — https://en.wikipedia.org/wiki/Retrieval-augmented_generation
- Automatic summarization — Wikipedia — https://en.wikipedia.org/wiki/Automatic_summarization
- Prompt injection — Wikipedia — https://en.wikipedia.org/wiki/Prompt_injection
- Automation bias — Wikipedia — https://en.wikipedia.org/wiki/Automation_bias
- Context window — Wikipedia — https://en.wikipedia.org/wiki/Context_window
- Postmortem documentation — Wikipedia — https://en.wikipedia.org/wiki/Postmortem_documentation
- Audit trail — Wikipedia — https://en.wikipedia.org/wiki/Audit_trail
- AI Risk Management Framework — NIST — https://www.nist.gov/itl/ai-risk-management-framework
- OWASP — OWASP Foundation — https://owasp.org