Kwa nini hili ni muhimu

AI imehama kutoka mada ya utafiti hadi kipengele cha zana ambazo timu za huduma tayari zinatumia. Mfumo wa tiketi hupendekeza kategoria. Jukwaa la ufuatiliaji huweka tahadhari katika makundi. Msaidizi wa soga hujibu maswali ya wafanyakazi. Kihariri cha msimbo huandaa hati. Baadhi ya haya yaliwashwa na muuzaji, na hakuna aliyeamua kuyapokea katika timu.

Uwezo ni wa kweli. Kazi nyingi za huduma ni kusoma, kuandika, kupanga, na kutafuta, kazi ambazo AI ya sasa hufanya vya kutosha kuokoa muda. Hatari pia ni halisi. Mifumo ya AI hutoa majibu mazuri yanayoweza kuwa si sahihi, inaweza kuficha jinsi ilivyofikia hitimisho, inaweza kuvujisha data, na inaweza kushindwa kwa njia ngumu kutabiri. Timu inayopokea AI bila umiliki, mapitio, na vipimo hurithi hatari hizo bila faida.

Mada hii ni ramani ya sehemu ya AI ya mwongozo huu. Inaeleza aina kuu za AI katika kazi ya huduma, mahali zinaposaidia, mahali zisipo, na cha kuuliza kabla ya kupokea. Mada zinazofuata zinaenda kwa kina zaidi: uendeshaji (mada 5.2 — AIOps), dawati la huduma (mada 5.3 — Dawati la huduma la AI na mawakala pepe), AI zalishi (mada 5.4 — AI zalishi kwa matukio, maarifa na mabadiliko), mawakala wanaotenda (mada 5.5 — AI ya kiwakala na usimamizi wa binadamu), utawala (mada 5.6 — Utawala, hatari na kufuata sheria za AI), maelekezo na ujuzi (mada 5.7 — Ujuzi wa Akili Bandia na Maelekezo), na mfumo wa uendeshaji (mada 5.8 — Mfumo wa uendeshaji na ujuzi wa AI). Maelezo ya mmiliki ya toleo jipya zaidi la ITIL yanataja AI kama sehemu ya mazingira ambayo usimamizi wa huduma lazima uyashughulikie (tazama mada 1.3 — ITIL 5).

Dhana kuu

Akili bandia. Istilahi pana ya mifumo inayofanya kazi ambazo kwa kawaida zinahitaji akili ya binadamu, kama kutambua mifumo, kuelewa lugha, na kutoa mapendekezo. Makala ya Wikipedia kuhusu akili bandia inaeleza fani na historia yake. Istilahi inafunika mbinu nyingi tofauti, na kile ambacho watu humaanisha kwa "AI" hutofautiana. Unapojadili matumizi, taja mbinu na kazi.

Kujifunza kwa mashine. Mifumo inayojifunza mifumo kutoka kwa data badala ya kufuata kanuni dhahiri. Wikipedia inaeleza kujifunza kwa mashine na matawi yake. Mifano katika kazi ya huduma ni pamoja na kuainisha tiketi, kugundua vipimo visivyo vya kawaida, na kutabiri kushindwa. Hutegemea data ya kufunzia, na zinaweza kuzorota hali zinapobadilika, tatizo ambalo Wikipedia inaeleza kama kuteleza kwa dhana.

AI zalishi na modeli kubwa za lugha. Mifumo inayozalisha maudhui mapya, kama maandishi, msimbo, au picha, kutokana na maelekezo. Modeli kubwa za lugha (LLM) hufunzwa kwa kiasi kikubwa cha maandishi na zinaweza kufupisha, kuandaa, kutafsiri, na kujibu maswali. Wikipedia inaeleza AI zalishi na modeli kubwa za lugha. Matokeo yao ni mazuri kimaandishi na hayana hakikisho la ukweli.

Kuota (hallucination). Matokeo yanayoaminika lakini ya uongo au yasiyo na msingi. Wikipedia inaeleza kuota katika AI. Katika kazi ya huduma inaweza kumaanisha amri iliyobuniwa, sera iliyotungwa, au chanzo cha msingi kinachotolewa kwa kujiamini lakini si sahihi. Jipange kwa hilo: jenga majibu juu ya vyanzo, onyesha vyanzo, na ukague kabla ya kutenda.

Kizazi kilichoongezewa urejeshaji. Mfumo ambao kwanza mfumo hurejesha nyaraka husika, kama makala za maarifa, kisha kuiomba modeli ijibu kwa kutumia hizo tu. Wikipedia inaeleza mbinu hii. Inapunguza, lakini haiondoi, majibu mabaya, na inategemea ubora wa nyaraka. Tazama mada 3.9 — Usimamizi wa Maarifa.

Mawakala. Mifumo ambayo si kujibu tu bali inachukua hatua: kuita zana, kubadilisha rekodi, kuendesha hati. Wikipedia inaeleza mawakala wa akili kwa ujumla. Mawakala huongeza hatari kwa sababu makosa yana athari duniani. Tazama mada 5.5 — AI ya kiwakala na usimamizi wa binadamu.

Mahali AI inaposaidia katika usimamizi wa huduma. Matumizi ya kawaida yanaangukia katika makundi matano:

Eneo Mifano Tahadhari kuu
Dawati la huduma Kuainisha na kuelekeza tiketi, kuandaa majibu, kujibu maswali ya kawaida Majibu mabaya au yaliyobuniwa kwa watumiaji
Uendeshaji Kuweka tahadhari katika makundi, kupata hitilafu za kimuundo, kupendekeza sababu Ishara zilizokosekana zilizofichika
Maarifa Kutafuta, kufupisha, na kuandaa makala Rasimu zinazoeneza makosa
Mabadiliko na utoaji Kuandaa msimbo na majaribio, kutathmini hatari ya badiliko, kuandika maelezo ya toleo Msimbo usio salama au mbaya, alama za hatari zinazoaminiwa kupita kiasi
Usaidizi wa maamuzi Kufupisha data, kutabiri mahitaji, kupata mifumo Hitimisho la kujiamini kupita kiasi kutoka kwa data dhaifu

Binadamu ndani ya mzunguko. Mtu hupitia au kuidhinisha matokeo au kitendo cha AI kabla hakijaanza kutumika. Wikipedia inaeleza mifumo ya binadamu ndani ya mzunguko. Ni udhibiti, na hufanya kazi tu ikiwa mtu ana muda, taarifa, na mamlaka ya kusema hapana. Wikipedia pia inaeleza upendeleo wa otomatiki, mwelekeo wa kutegemea mapendekezo ya kiotomatiki kupita kiasi, unaoweza kugeuza ukaguzi wa binadamu kuwa muhuri tu.

Uwezo wa kueleza. Uwezo wa kusema kwa nini mfumo ulitoa matokeo. Wikipedia inaeleza AI inayoweza kuelezwa. Kwa baadhi ya matumizi, kama kupanga tiketi, sababu ya takriban inatosha; kwa mengine, kama uamuzi unaoathiri ufikiaji au malipo ya mtu, unahitaji zaidi. Amua maelezo kiasi gani kila matumizi yanahitaji.

Upendeleo na haki. AI iliyofunzwa kwa data ya zamani inaweza kuzaa mifumo ya zamani, ikijumuisha isiyo ya haki. Wikipedia inaeleza upendeleo wa algorithimu. Katika kazi ya huduma, upendeleo unaweza kuonekana katika nani anapata msaada haraka, maombi ya nani yanatiwa alama, au lugha ya nani mfumo inaielewa vizuri.

Data na faragha. Zana za AI huchakata data unayozipa, kama maandishi ya tiketi yenye maelezo binafsi. Data inaenda wapi, inahifadhiwa kwa muda gani, na kama inafunza modeli nyingine ni maswali ya kati. Tazama mada 5.6 — Utawala, hatari na kufuata sheria za AI.

Hatari za usalama. Mifumo ya AI ina udhaifu wake, kama sindano ya maelekezo (prompt injection), ambapo maandishi katika hati au ujumbe hujaribu kuipa modeli maelekezo mapya. Wikipedia inaeleza sindano ya maelekezo. Chukulia maingizo kutoka nje kama yasiyoaminika.

Mzunguko wa maisha na uendeshaji. Modeli inayotumika inahitaji ufuatiliaji, kufunzwa upya au kubadilishwa, uwekaji matoleo, na kustaafishwa. MLOps, inayoelezwa na Wikipedia, hutumia nidhamu ya kihandisi kwa hili. Kwa modeli ya muuzaji, bado unahitaji kufuatilia mabadiliko ya tabia baada ya masasisho.

Mifumo ya utawala. Sheria ya Akili Bandia ya Umoja wa Ulaya, inayoelezwa na Wikipedia, huweka wajibu wa kisheria unaotegemea kategoria za hatari. ISO/IEC 42001 inabainisha mfumo wa usimamizi wa akili bandia, na Taasisi ya Taifa ya Viwango na Teknolojia ya Marekani huchapisha Mfumo wa Usimamizi wa Hatari za AI. Hivi ni msamiati na muundo wa utawala; si mbadala wa ushauri wa kisheria.

Lenzi zinavyolingana. AI ni mojawapo ya lenzi nne. Zoea la uchapuchapu linapendekeza majaribio madogo na watumiaji halisi na mrejesho mfupi. Uendeshaji otomatiki ndiye jirani wa karibu zaidi: AI huamua au kupendekeza, uendeshaji otomatiki hutenda. Uchanganuzi hutoa data ambayo AI hujifunza kutoka kwayo na vipimo vinavyoonyesha kama inasaidia.

Mazoea bora

  1. Anza na tatizo, si zana. Taja maumivu mahususi, kama muda unaotumika kupanga tiketi, na kipimo cha uboreshaji. Kisha uliza kama AI ni jibu sahihi, au marekebisho rahisi zaidi yanafanya kazi.
  2. Weka orodha ya matumizi ya AI. Orodhesha kila kipengele na zana ya AI inayotumika, ikijumuisha vipengele vya wauzaji na zana binafsi ambazo wafanyakazi hutumia kwa kazi. Rekodi kusudi, data, mmiliki, na hali.
  3. Taja mmiliki wa kila matumizi. Mtu mmoja anawajibika kwa AI inachofanya, data inayotumia, na kinachotokea inapokosea. Bila mmiliki, hakuna anayegundua kuzorota.
  4. Amua mahali binadamu anaamua. Kwa kila matumizi, andika AI inaweza kufanya nini peke yake, nini kinahitaji mapitio, na nini isifanye kamwe. Fanya mapitio yawe halisi: wape wapitiaji muda na muktadha.
  5. Jenga majibu juu ya vyanzo vyako mwenyewe. Tumia urejeshaji kutoka kwa maarifa yaliyopitiwa, onyesha vyanzo kwa mtumiaji, na useme waziwazi hakuna chanzo kinachounga mkono jibu.
  6. Jaribu kabla na baada ya uzinduzi. Jenga seti ya visa vya majaribio halisi vyenye majibu yanayojulikana, ikijumuisha vya kutatanisha na vya kupinga. Viendeshe kabla ya toleo na baada ya kila badiliko la modeli au data.
  7. Pima thamani na makosa. Fuatilia muda uliookolewa, ubora wa matokeo, masahihisho ya binadamu, malalamiko ya watumiaji, na gharama. Chukua sampuli ya matokeo mara kwa mara.
  8. Linda data. Amua data gani inaweza kutumwa kwa zana zipi, ondoa maelezo binafsi na nyeti unapoweza, na ukague masharti ya mkataba kuhusu uhifadhi na matumizi ya kufunza.
  9. Panga kwa kushindwa. Fanya iwe rahisi kuzima kipengele cha AI, kuelekeza kwa mtu, na kupona. Fanyia mazoezi kushindwa kwa huduma ya AI unayoitegemea.
  10. Jenga ujuzi na ushiriki kujifunza. Wafunze watu kutumia AI vizuri na kuihoji. Shiriki kinachofanya kazi na kinachoshindwa kati ya timu. Tazama mada 5.7 — Ujuzi wa Akili Bandia na Maelekezo.

Maswali ya kujadili na timu yako

Tunatumia AI wapi tayari, ikijumuisha vipengele tulivyovichagua na zana ambazo watu wanatumia wenyewe? Waulize wote, na ukague mipangilio ya wauzaji. Tarajia orodha ndefu kuliko mtu yeyote alivyotabiri. Ili kwenda mbali zaidi, rekodi kila matumizi na mmiliki.

Ni kazi zipi zetu zaidi ni kusoma, kuandika, na kupanga, na zipi tusingetaka mashine iamue? Hii inapanga kazi kwa kufaa. Tarajia makubaliano kuhusu kuandaa na kutokubaliana kuhusu maamuzi. Ili kwenda mbali zaidi, chagua kazi moja ya hatari ndogo ya kujaribu.

Tungefanya nini msaidizi wetu wa AI akimpa mtumiaji jibu baya kwa kujiamini, na tungegunduaje? Pitia hali. Tarajia mapengo katika ugunduzi. Ili kwenda mbali zaidi, kubaliana njia ya kuchukua sampuli ya matokeo na kukusanya mrejesho wa watumiaji.

Tunatuma data gani kwa zana za AI, na tumesoma masharti? Orodhesha zana na data. Tarajia akaunti binafsi na masharti yasiyojulikana. Ili kwenda mbali zaidi, kubaliana kanuni ya nini hakipaswi kubandikwa kwenye zana za nje.

Tungejuaje kwamba matumizi ya AI yalistahili gharama yake? Omba kipimo cha faida na kipimo cha madhara. Tarajia "inahisi haraka zaidi". Ili kwenda mbali zaidi, chagua matumizi moja na ukubaliane kipimo cha kabla-na-baada.

Watu wetu wanahitaji ujuzi gani kutumia AI vizuri, na nani atawafundisha? Fikiria kuandika maelekezo mazuri, kukagua majibu, na kutambua mipaka. Tarajia viwango tofauti vya kujiamini. Ili kwenda mbali zaidi, panga kikao kifupi cha mazoezi na kazi halisi.

Kwa vitendo: mfano wa usimamizi wa huduma

Timu ya TEHAMA ya mtandao wa maktaba za umma wa taifa inasaidia matawi 200 na takriban wafanyakazi 6,000. Dawati la huduma linashughulikia kiasi kikubwa cha maswali yanayojirudia kuhusu uchapishaji, kuingia, na mfumo wa mkopo. Mkuu wa huduma anataka kutumia AI kupunguza foleni, na muuzaji wa mfumo wa tiketi ameongeza msaidizi wa AI, ulioanzishwa kwa chaguo-msingi kwa soga ya wafanyakazi.

Meneja wa huduma kwanza anaorodhesha matumizi ya AI. Mbali na msaidizi wa muuzaji, anagundua wachambuzi wawili wanatumia zana ya soga ya umma kufupisha tiketi, na kwamba mwendelezaji ameunda hati inayoandaa majibu. Anampa kila moja mmiliki na kuweka kanuni: hakuna data binafsi katika zana za umma. Kisha anachagua matumizi moja ya kuboresha: msaidizi wa wafanyakazi anayejibu maswali ya "nifanyeje", kwa kutumia hifadhi ya maarifa iliyoidhinishwa tu, akiwa na viungo vya vyanzo na kitufe kinachoonekana cha kufikia mtu.

Anajenga maswali 60 ya majaribio kutoka kwa tiketi halisi, ikijumuisha kumi ambayo hifadhi ya maarifa haiwezi kuyajibu, ambapo tabia sahihi ni kusema hivyo. Toleo la kwanza linajibu matatu kati ya hayo kumi kwa hatua zilizobuniwa. Timu inabana maelekezo na kuongeza kanuni ya kukataa wakati hakuna makala inayolingana, na kushindwa kunashuka hadi moja. Kwa mwezi wa kwanza, wakala wa dawati husoma kila mazungumzo ambayo hayakutatuliwa na msaidizi, na sampuli ya mengine.

Kinachobadilika: msaidizi anatatua takriban theluthi ya mazungumzo bila tiketi, na mawakala wanatumia muda mdogo kwenye maswali yanayojirudia. Kinachobaki kigumu: hifadhi ya maarifa ina makala zilizopitwa na wakati ambazo msaidizi anazinukuu, kwa hiyo timu lazima iisafishe; muuzaji hubadilisha modeli ya msingi bila taarifa, jambo ambalo mara moja lilibadilisha tabia usiku mmoja; na wafanyakazi katika matawi madogo wakati mwingine wanapendelea kupiga simu. Meneja anaweka mzunguko wa majaribio wa kila mwezi, mtu wa mawasiliano aliyekubaliwa kwa mabadiliko ya modeli, na ujumbe wazi kwamba kupiga simu kunabaki kupatikana.

Mitazamo minne

Timu za bidhaa na utoaji

Tumia AI kuandaa msimbo, majaribio, na nyaraka, chini ya mapitio yako ya kawaida na ukaguzi wa mfereji. Rekodi mahali AI ilipotumika, na uangalie msimbo usio salama au usio na leseni. Chukulia vipengele vya AI katika bidhaa yako mwenyewe kama huduma zenye wamiliki.

Timu za huduma na uendeshaji

Tumia AI kupanga, kufupisha, na kutafuta, huku mtu akiamua chochote kinachoathiri watumiaji au mifumo. Ripoti makosa na karibu na makosa, na usaidie kurekebisha AI inachokiona na kusema.

Uongozi na utawala

Omba orodha, wamiliki, vipimo, na mpango wa kushindwa. Weka kanuni wazi kuhusu data na maamuzi. Fadhili mafunzo na majaribio, si leseni tu.

Wateja na watumiaji

Unapaswa kujua unapozungumza na AI na uweze kufikia mtu. Mwambie mtoaji jibu lilipokuwa baya au lisilosaidia. Kuwa mwangalifu na data binafsi unayoshiriki.

Uchapuchapu, AI, uendeshaji otomatiki na uchanganuzi

Uchapuchapu

Jaribu AI katika majaribio madogo na watumiaji halisi, jifunze kutoka kwa mrejesho, na uamue kuhifadhi, kubadilisha, au kusimamisha. Weka wadau wakihusika katika AI inachoweza kufanya. Tahadhari: onyesho lenye mafanikio si ushahidi kwamba matumizi ni salama au yenye thamani; fanya jaribio halisi lenye vipimo.

AI

Mada hii ni lenzi ya AI yenyewe: kila matumizi yanahitaji mmiliki, binadamu anayeamua pale madhara yanapowezekana, ugunduzi wa makosa, na vipimo. Tahadhari: usikabidhi uwajibikaji kwa muuzaji au modeli; unabaki kuwajibika kwa matokeo ambayo huduma yako inatoa.

Uendeshaji otomatiki

AI huamua au kupendekeza; uendeshaji otomatiki hutenda. Viunganishe kwa uangalifu, kwa vikomo kuhusu kinachoweza kutokea bila idhini, kumbukumbu, na njia ya kusimamisha. Tahadhari: AI inayoanzisha uendeshaji otomatiki inaweza kuzidisha kosa haraka; ongeza vikomo vya kiwango na mapitio. Tazama mada 6.1 — Mkakati wa uendeshaji otomatiki.

Uchanganuzi

Pima faida, viwango vya makosa vilivyopatikana katika sampuli, mrejesho wa watumiaji, na gharama. Tahadhari: namba za matumizi na ukadiriaji wa watumiaji vinaweza kuonekana vizuri huku ubora ukiwa duni; chukua sampuli ya matokeo na ulinganishe na msingi wa awali. Tazama mada 7.3 — Upimaji na utoaji taarifa na kitabu cha Service Management Metrics.

Njia za kawaida za kushindwa

  • Zana kabla ya tatizo. Kipengele kinawashwa na hakuna anayepima faida. Anza na maumivu na kipimo.
  • Hakuna orodha. Matumizi yanaongezeka bila kuonekana. Orodhesha kila matumizi ya AI na mmiliki.
  • Mapitio ya binadamu kwa jina tu. Wapitiaji wanaweka muhuri tu. Toa muda, muktadha, na mamlaka, na uchukue sampuli ya maamuzi yao.
  • Majibu mabaya ya kujiamini. Watumiaji wanatenda juu ya ushauri uliobuniwa. Jenga majibu juu ya vyanzo, taja vyanzo, na ukatae usipokuwa na uhakika.
  • Uvujaji wa data. Maandishi nyeti yanaenda kwa zana za nje. Weka kanuni na ukague masharti.
  • Kupuuza mabadiliko ya modeli. Tabia inabadilika baada ya sasisho la muuzaji. Jaribu mara kwa mara na uweke mtu wa mawasiliano kwa mabadiliko.
  • Hakuna njia ya kutoka. Huduma inategemea AI bila mbadala. Toa njia kwa mtu na swichi ya kuzima.

Modeli ya ukomavu

Kipimo Kuanzisha Kuendeleza Kusanifisha Kusimamia Kuratibu
Orodha na umiliki Matumizi yasiyojulikana Matumizi makuu yameorodheshwa Orodha yenye wamiliki na makusudi Orodha inapitiwa na kujaribiwa Orodha imeunganishwa na katalogi na utawala
Maamuzi ya binadamu Hayajafafanuliwa Mapitio yasiyo rasmi Pointi za mapitio zilizofafanuliwa kwa kila matumizi Ubora wa mapitio unachukuliwa sampuli Mapitio yanarekebishwa kwa hatari na ushahidi
Majaribio na ufuatiliaji Hakuna Maonyesho Seti za majaribio na sampuli za kawaida Makosa na kuteleza vinapimwa Tathmini endelevu kati ya matumizi
Data na hatari Haijulikani Ufahamu Kanuni za data na masharti ya wauzaji Uzingatiaji unakaguliwa na kufanyiwa ukaguzi Hatari inasimamiwa kati ya timu na wasambazaji

Orodha hakiki

  • Tunaweka orodha ya matumizi ya AI, ikijumuisha vipengele vya wauzaji na zana binafsi.
  • Kila matumizi yana mmiliki aliyetajwa.
  • Tuliandika kila AI inaweza kufanya nini peke yake, nini kinahitaji mapitio, na nini isifanye.
  • Majibu yamejengwa juu ya vyanzo vilivyopitiwa na yanaviyonyesha.
  • Tuna seti ya majaribio na tunaiendesha mara kwa mara.
  • Tunachukua sampuli ya matokeo na kufuatilia makosa, masahihisho, na mrejesho.
  • Tuna kanuni za data gani inaenda kwa zana zipi.
  • Watumiaji wanaweza kufikia mtu, na tunaweza kuzima kila matumizi ya AI.

Maelekezo ya AI

Orodhesha matumizi ya AI kutoka kwa maelezo ya zana zetu.

Here is a description of the tools our team uses and what each does: [paste].
List which tools probably include AI features, what each might do, what data it might process, and a question to ask the vendor or owner. Mark clearly which items are guesses and do not state facts about vendors.
List what you are unsure of.

Andaa maswali ya majaribio kwa msaidizi.

Our assistant answers questions about [topics] using only these documents: [list titles].
Write 30 test questions: 15 that the documents answer, 10 that they do not, and 5 that try to make the assistant ignore its instructions. For each, state the correct behavior. Do not include real personal data.
List what you are unsure of.

Andaa mapitio ya matumizi ya AI.

AI use: [describe]. Owner: [role]. Data used: [list]. Decisions it affects: [list].
Draft a one-page review with: purpose, what it may do alone, what needs human review, how errors are detected, how it is switched off, and open questions. Mark every item you could not fill from my description.
List what you are unsure of.

Ujuzi wa AI

  • prompt-engineering: tumia kubuni maelekezo yaliyo wazi, yenye msingi, na yanayoweza kujaribiwa.
  • machine-learning-model-card: tumia kuandika modeli inafanya nini, data yake, na mipaka yake.
  • risk-register: tumia kurekodi hatari za AI, wamiliki, na maamuzi.
  • itil-5: tumia kuhusisha matumizi ya AI na mwongozo mpya zaidi wa mmiliki, madai yasiyothibitishwa yakiwekewa alama.
  • mlops: tumia kusimamia modeli katika mzunguko wake wa maisha.

Vyanzo vikuu

  • NIST, AI Risk Management Framework: muundo unaotumika sana wa kutambua na kusimamia hatari ya AI.
  • ISO/IEC 42001 (the standard itself): mahitaji ya mfumo wa usimamizi wa akili bandia; soma toleo la sasa kutoka kwa mchapishaji.
  • PeopleCert, ITIL certification pages: maelezo ya mmiliki ya ITIL (Version 5), ikijumuisha AI.
  • Wikipedia, "Artificial intelligence" and "Large language model": muhtasari wa fani na teknolojia.

Marejeo

  1. Artificial intelligence — Wikipedia — https://en.wikipedia.org/wiki/Artificial_intelligence
  2. Machine learning — Wikipedia — https://en.wikipedia.org/wiki/Machine_learning
  3. Generative AI — Wikipedia — https://en.wikipedia.org/wiki/Generative_AI
  4. Large language model — Wikipedia — https://en.wikipedia.org/wiki/Large_language_model
  5. Hallucination (artificial intelligence) — Wikipedia — https://en.wikipedia.org/wiki/Hallucination_(artificial_intelligence)
  6. Retrieval-augmented generation — Wikipedia — https://en.wikipedia.org/wiki/Retrieval-augmented_generation
  7. Human-in-the-loop — Wikipedia — https://en.wikipedia.org/wiki/Human-in-the-loop
  8. Automation bias — Wikipedia — https://en.wikipedia.org/wiki/Automation_bias
  9. Algorithmic bias — Wikipedia — https://en.wikipedia.org/wiki/Algorithmic_bias
  10. Artificial Intelligence Act — Wikipedia — https://en.wikipedia.org/wiki/Artificial_Intelligence_Act
  11. ITIL Foundation Bridge (Version 5) — PeopleCert — https://www.peoplecert.org/browse-certifications/it-governance-and-service-management/ITIL-1/itil-foundation-bridge-version-5-4158
  12. AI Risk Management Framework — NIST — https://www.nist.gov/itl/ai-risk-management-framework