Kwa nini hili ni muhimu

Usimamizi wa huduma unahusisha lugha nyingi na utambuzi wa mifumo: kusoma tiketi, kufupisha matukio ya hitilafu, kutafuta maarifa, kuandaa majibu, kuona ishara zisizo za kawaida katika data ya ufuatiliaji. Hizi ni kazi ambazo mifumo ya AI ya hivi karibuni inaonekana kuwa na uwezo mkubwa zaidi nazo, na wauzaji wamekimbilia kuziongeza kwenye madawati ya huduma na zana za uendeshaji. Timu zitaulizwa, kama hazijaulizwa tayari, kama zitumie.

Fursa ni halisi, na hatari pia. Mifumo ya AI inaweza kutoa uongo kwa kujiamini, kuakisi upendeleo katika mafunzo yake na katika data inayopewa, kufichua taarifa za siri ikilishwa bila uangalifu, na kuwaongoza watu kuamini pato ambalo hawajalihakiki. Visa kadhaa vilivyoripotiwa sana vinaonyesha gharama ya kuamini mahali pasipofaa. Shirika la huduma linalopokea AI bila kufikiri linaweza kuwadhuru wateja wake na sifa yake.

Kufikia 2026, AI pia imeingia kwenye mfumo huo. Ukurasa wa uthibitisho wa umma wa PeopleCert unaeleza ITIL mpya kama "ya kivitendo na ya asili ya AI kwa muundo" na kuorodhesha moduli ya ITIL AI Governance (Toleo la 5) inayofunika kutawala AI "kwa uwajibikaji na kwa ukubwa" (tazama Mada 2.2 — ITIL). Mwongozo huu haukuweza kuthibitisha kutoka machapisho ya mmiliki ITIL 5 inasema nini kuhusu AI kwa kina, kwa hiyo mada hii haieleza msimamo wa mfumo zaidi ya kauli hizo. Inategemea makala ya Wikipedia kuhusu AIOps na upotoshaji wa AI, ukurasa wa NIST kuhusu AI Risk Management Framework, na hoja za kivitendo, na inaweka lebo zoezi kama hivyo.

Dhana kuu

Mahali AI inasaidia katika usimamizi wa huduma

Matumizi mengi huangukia katika makundi machache. Jedwali linaonyesha mifano na aina ya hatari ambayo kila moja hubeba, kama usomaji wa mwongozo huu.

Matumizi AI hufanya nini Hatari kuu
Ugunduzi na uhusianishaji (AIOps) Hupata mikengeuko, huweka pamoja matukio yanayohusiana, hupendekeza sababu zinazowezekana Tahadhari za uongo, matukio yaliyokosekana, hoja zisizoeleweka
Msaada wa dawati la huduma Hupendekeza majibu, hufupisha tiketi, huandaa majibu, huelekeza maombi Majibu yasiyo sahihi au ya kubuni, toni, faragha
Kazi ya maarifa Huandaa na kuboresha makala, hutafuta maarifa Maudhui ya kubuni, vyanzo vilivyopitwa na wakati
Uchambuzi wa matukio ya hitilafu na matatizo Hufupisha mfuatano wa matukio, hupendekeza dhahania, huandaa mapitio Sababu zinazoonekana kukubalika lakini zisizo na msingi
Msaada wa mabadiliko na matoleo Hupitia mabadiliko, huandaa maelezo, hupendekeza hatari Kujiamini kupita kiasi, muktadha uliokosekana
Msimbo na otomatiki Huandika hati na usanidi Msimbo usio salama au usio sahihi, utegemezi uliofichika
Uchambuzi na kuripoti Hufupisha data, huandaa ripoti Hesabu zisizo sahihi, takwimu za kubuni

AIOps

Makala ya Wikipedia yanaeleza AIOps kama kutumia AI, kujifunza kwa mashine, na uchambuzi wa data kubwa kuweka kiotomatiki na kuboresha usimamizi wa kituo cha data, kwa lengo la kugundua, kuchunguza, na kutatua masuala ya TEHAMA kwa ufanisi zaidi kuliko njia za jadi. Yanasema Gartner ilifafanua AIOps kwa mara ya kwanza mwaka 2016. Makala yanaorodhesha uwezo ikijumuisha uhusianishaji wa matukio ya mfumo, ugunduzi wa mikengeuko, uchambuzi wa chanzo cha tatizo, kubaini sababu, uchambuzi wa kutabiri, usimamizi wa matukio ya hitilafu, urekebishaji wa kiotomatiki, utabiri wa utendaji, ugawaji wa rasilimali, na usimamizi wa uwezo. Yanasema AIOps hutumia data ya uchunguzi, kama kumbukumbu na ufuatiliaji, na data ya mwingiliano, kama tiketi, matukio ya mfumo, na rekodi za matukio ya hitilafu.

Makala yanadai manufaa, kama wastani wa muda wa kugundua kuboreka kwa asilimia 15 hadi 20 na matukio muhimu ya hitilafu kushuka kwa zaidi ya asilimia 50, lakini yanabainisha kuwa haya yanatoka makala moja ya kampuni ya ushauri na hayajathibitishwa kwa kujitegemea katika maandishi. Hayataji ukosoaji, visa vya kushindwa, wala mipaka. Chukulia madai ya wauzaji ipasavyo, na ujaribu zana yoyote dhidi ya matukio yako ya hitilafu (tazama Mada 3.10 — Ufuatiliaji na Usimamizi wa Matukio ya Mfumo).

AI ya kuzalisha na upotoshaji

Makala ya Wikipedia kuhusu upotoshaji katika AI yanafafanua kama jibu lenye taarifa za uongo au za kupotosha zinazowasilishwa kama ukweli, na yanabainisha kuwa neno hilo linakosolewa kwa kuipa programu sifa za binadamu. Yanatoa sababu: mafunzo ya awali ya kutabiri neno linalofuata hutuza kubahatisha modeli inapokosa taarifa, seti za data zinaweza kuwa pungufu au zisizowakilisha, na watafiti wa OpenAI wanahoji kuwa mafunzo na tathmini hutuza kubahatisha kuliko kukiri kutokuwa na uhakika. Mifano inayorekodi ni pamoja na:

  • Mata v. Avianca (Mei 2023): wakili aliwasilisha kesi sita za uongo zilizotengenezwa na ChatGPT; hakimu alitoza faini ya US$5,000 tarehe 23 Juni 2023.
  • Moffatt v. Air Canada (Februari 2024): mahakama ya usuluhishi iliishikilia shirika la ndege kwa sera ya msiba ambayo chatbot yake ilibuni.
  • Ripoti za kampuni ya ushauri zilizokuwa na nukuu za uongo, na utafiti uliopata kuwa marejeo 69 kati ya 178 ya GPT-3 yalikuwa na vitambulisho visivyo sahihi au visivyokuwepo.

Haya ni matokeo ya kuamini pato lisilothibitishwa: dhima ya kisheria, mfiduo wa kifedha, na imani iliyoharibika. Katika usimamizi wa huduma, chatbot inayobuni sera au utaratibu huunda aina ileile ya hatari.

Kupunguza: kutegemeza na ukaguzi

Makala yanaeleza retrieval-augmented generation (RAG) kama kuruhusu modeli kufikia vyanzo vya nje kabla ya kujibu. Pia yanaorodhesha mbinu zinazohusiana na data, mbinu za modeli na utabiri, na mapendekezo kama programu ya vizuizi vya usalama na kupima kujiamini, na kubainisha kuwa hakuna chanzo anachotoa kinachopima kiasi gani yoyote kati ya hizo hupunguza upotoshaji. Kwa timu ya huduma, hatua za kivitendo za kupunguza ni:

  • Tegemeza majibu katika nyenzo zako zilizoidhinishwa, kama hifadhi ya maarifa, na uonyeshe chanzo.
  • Mweke mtu katika mzunguko kwa kila kitu kinachomgusa mteja, ahadi, au uzalishaji.
  • Uliza AI haina uhakika na nini, na uchukulie kauli zisizo na msingi kama zisizothibitishwa.
  • Jaribu mara kwa mara kwa visa halisi, ikijumuisha visa ambapo jibu sahihi ni "sijui."

Mifumo ya usimamizi wa hatari

National Institute of Standards and Technology (NIST) ilichapisha AI Risk Management Framework (AI RMF 1.0) tarehe 26 Januari 2023, ambayo inaieleza kama iliyokusudiwa kutumika kwa hiari, kusaidia kusimamia hatari za AI kwa watu binafsi, mashirika, na jamii na kuboresha uwezo wa kujumuisha mambo ya kuaminika katika muundo, uendelezaji, matumizi, na tathmini ya bidhaa, huduma, na mifumo ya AI. Ukurasa wa NIST unataja kazi nne, Govern, Map, Measure, na Manage, lakini hauzieleze. Pia ilitoa Generative Artificial Intelligence Profile (NIST-AI-600-1) tarehe 26 Julai 2024 kusaidia mashirika kutambua hatari za kipekee kwa AI ya kuzalisha, na inasema mfumo unarekebishwa. Soma mfumo wenyewe kwa undani. Kanuni nyingine kuhusu AI, kama sheria na viwango, hutofautiana kwa nchi na sekta; uliza kazi zako za kisheria na uzingatiaji, na upate maandishi (tazama Mada 5.7 — Utawala, Hatari, na Uzingatiaji).

Ulinzi wa data na faragha

Kila kitu kinachopewa huduma ya AI kinaweza kuhifadhiwa, kutumika kwa mafunzo, au kufichuliwa, kulingana na huduma na masharti. Tiketi, kumbukumbu, na nakala za mazungumzo mara nyingi huwa na data binafsi, vitambulisho vya siri, na taarifa za siri za biashara. Kabla ya kutumia zana yoyote ya AI na data halisi, jua data huenda wapi, nani anaweza kuiona, inatunzwa kwa muda gani, na kama inatumika kufunza modeli, na utumie sera yako ya usalama wa taarifa (tazama Mada 3.13 — Usimamizi wa Usalama wa Taarifa). Ondoa au badilisha data binafsi na za siri kabla ya kuzibandika kwenye zana ambayo hujaiidhinisha.

Uwajibikaji na uwazi

Mtu au timu lazima abaki kuwajibika kwa maamuzi ambayo AI inachangia. AI inapoandaa jibu, mtumaji anawajibika. AI inapopendekeza chanzo cha tatizo, mchunguzi anawajibika kulijaribu. Waambie wateja wanapozungumza na mfumo wa kiotomatiki pale sheria, mkataba, au haki inapohitaji, na utoe njia kwa mtu. Weka rekodi za kile AI iliulizwa na ilichozalisha kwa maamuzi muhimu, kama ungefanya kwa zana nyingine (tazama Mada 5.1 — Usimamizi wa Huduma wa Agile kuhusu ushahidi).

Upendeleo na haki

Mifumo ya AI hujifunza kutoka kwa data inayoakisi maamuzi na mapengo ya zamani. Msaidizi wa upangaji wa kipaumbele aliyefunzwa kwa tiketi za kihistoria anaweza kuchukulia baadhi ya makundi ya watumiaji au baadhi ya aina za matatizo kuwa za kipaumbele cha chini. Kagua pato katika makundi, shirikisha watu wenye mitazamo tofauti katika majaribio, na uangalie mifumo. Vyanzo vilivyosomwa kwa mwongozo huu havieleze upendeleo kwa undani, kwa hiyo hii ni tahadhari ya jumla, si matokeo.

Kupima AI

Pima ubora na athari ya hatua yoyote ya AI, si wingi wake tu: mara ngapi binadamu wanaipuuza, mara ngapi ni makosa, kazi zinachukua muda gani kwa kutumia na bila kuitumia, na watumiaji wanasema nini (tazama Mada 5.6 — Vipimo na Upimaji). Kuwa mwangalifu kuhusu takwimu za wauzaji; madai ya manufaa ya makala ya AIOps yenyewe yanategemea chanzo kimoja.

Ujuzi na maelekezo

Ujuzi wa kivitendo wa kufanya kazi na AI unajumuisha kuandika maagizo wazi, kutoa nyenzo sahihi, kuomba kutokuwa na uhakika, na kuthibitisha pato. Mada 6.3 — Ujuzi wa Akili Bandia na Maelekezo inashughulikia hili kwa undani.

Mipaka ya vyanzo

Makala ya AIOps hayana ukosoaji na takwimu zake za manufaa zinatoka chanzo kimoja; makala ya upotoshaji yamewekwa alama ya kuhitaji kusasishwa na yalisomwa kwa sehemu; ukurasa wa NIST haueleze kazi za mfumo; na ukurasa wa PeopleCert haueleze ITIL 5 inasema nini kuhusu AI. Mada hii kwa hiyo inatoa maelezo ya tahadhari na kuacha mahususi kwa vyanzo vya msingi.

Mazoea bora

  1. Anza na matumizi ya hatari ndogo na swali wazi. Chagua kazi ambapo makosa ni nafuu na rahisi kunasa, kama kuandaa muhtasari wa matumizi ya ndani, na ufafanue mafanikio yanamaanisha nini.
  2. Mweke mtu anayewajibika. Taja nani anawajibika kwa AI inachochangia, na uhitaji mapitio kwa chochote kinachomfikia mteja, kubadilisha uzalishaji, au kutoa ahadi.
  3. Tegemeza majibu katika nyenzo zilizoidhinishwa. Pale unapotumia AI kwa majibu, iunganishe na hifadhi yako ya maarifa na uonyeshe chanzo. Ifanye iseme "sijui" inapokosa.
  4. Linda data. Amua data gani inaweza kwenda kwa zana gani, ondoa data binafsi na za siri, na utumie zana zilizoidhinishwa zenye masharti uliyoyasoma. Shirikisha wafanyakazi wa usalama na kisheria mapema.
  5. Jaribu kwa visa halisi. Kusanya seti ya tiketi na matukio ya hitilafu halisi yenye majibu yanayojulikana, endesha AI juu yake, na urekodi inaposhindwa. Rudia baada ya mabadiliko yoyote ya zana au mipangilio.
  6. Thibitisha madai na marejeo. Hakiki majina, nambari, nukuu, na taratibu dhidi ya vyanzo, kama visa vya nukuu za mahakama za kubuni vinavyoonyesha. Usikubali kamwe marejeo ambayo hujayaona.
  7. Kuwa mwaminifu kwa wateja. Sema mfumo wa kiotomatiki unapojibu pale ni muhimu, na utoe njia rahisi kwa mtu.
  8. Angalia upendeleo. Pitia pato katika makundi ya watumiaji na aina za matatizo, na ushirikishe watu wanaoweza kuona mapengo. Rekebisha au acha matumizi pale madhara yanapoonekana.
  9. Pima ubora na athari. Fuatilia viwango vya kupuuza, viwango vya makosa, muda uliookolewa, na maoni ya watumiaji. Linganisha na mchakato bila AI, na uwe na shaka kuhusu takwimu za wauzaji.
  10. Tunza rekodi. Kwa maamuzi muhimu, hifadhi kilichoulizwa na kilichozalishwa, nani alikipitia, na kilichoamuliwa. Hii inaunga mkono uwajibikaji na ukaguzi.
  11. Tumia mfumo wa hatari. Pokea mbinu inayotambulika, kama AI RMF ya NIST au sera ya AI ya shirika, kupanga maamuzi kuhusu mahali AI inaruhusiwa. Ichukulie kama mwongozo wa kufikiri.
  12. Wafunze watu. Wafundishe wafanyakazi jinsi zana zinavyofanya kazi, zinaposhindwa, na kinachoruhusiwa. Sasisha mafunzo zana na kanuni zinapobadilika.

Maswali ya kujadili na timu yako

Wapi tayari tunatumia AI, rasmi au la?

Uliza kwa uaminifu. Wafanyakazi mara nyingi hutumia zana za umma na tiketi halisi. Lengo si kuadhibu bali kuelewa. Orodhesha matumizi na data inayohusika. Jadili yapi yanakubalika na yapi yanahitaji njia salama zaidi. Kubaliana sera fupi.

Kazi gani tungependa msaada zaidi nayo, na nini kinatokea AI ikikosea?

Chagua kazi na upitie kisa cha kushindwa. Kama jibu ni barua pepe ya kuomba radhi, hatari ni ndogo; kama ni maagizo yasiyo sahihi kwa mteja, hatari ni kubwa zaidi. Hii husaidia kupanga matumizi kwa hatari. Chagua jaribio la kwanza lenye madhara machache.

Tungejuaje kwamba jibu la AI si sahihi?

Uliza nani anakagua majibu na vipi. Majibu ya kawaida: hakuna, au aliyeuliza. Jadili vyanzo, majaribio, na mapitio ya pili. Kubaliana ukaguzi wa chini kwa kila aina ya matumizi.

Ni data gani tunayostarehe kuiweka kwenye zana ya AI, na ipi hatustarehe?

Kusanya aina: tiketi, kumbukumbu, majina ya wateja, vitambulisho vya siri, mikataba. Weka alama kila moja kama inakubalika, inakubalika baada ya kuondoa sehemu nyeti, au kamwe. Hakiki na usalama na kisheria. Andika kama mwongozo wa ukurasa mmoja.

Nani anawajibika uamuzi uliosaidiwa na AI unapoenda vibaya?

Tumia mfano wa zamani wa uamuzi uliosaidiwa na zana. Uliza nani alijibu. Kubaliana kuwa mtu aliyetajwa anabaki kuwajibika na ushahidi gani anapaswa kutunza. Bainisha pengo lolote ambapo hakuna ambaye angewajibika.

Nini kingetushawishi kuwa zana inafaa kubaki?

Iombe timu ieleze ushahidi ambao ingekubali: muda uliookolewa kwa ubora sawa au bora zaidi, makosa machache, kuridhika kwa watumiaji. Jadili jinsi ya kuukusanya katika jaribio. Kubaliana tarehe ya mapitio.

Kwa vitendo: mfano wa agile ITIL

Dawati la huduma la TEHAMA la mamlaka ya kitaifa ya kodi linashughulikia takriban mawasiliano 1,200 kwa wiki kutoka kwa wafanyakazi, mengi yakiwa maswali ya kawaida. Meneja wa dawati anapendekeza msaidizi wa AI kupendekeza majibu kutoka hifadhi ya maarifa na kuandaa majibu. Afisa wa usalama wa mamlaka ana wasiwasi kuhusu data binafsi katika tiketi na kuhusu majibu yasiyo sahihi kuwafikia wafanyakazi.

Wanakubaliana jaribio la awali lenye mipaka. Msaidizi anafanya kazi tu kutoka makala ya maarifa yaliyoidhinishwa, anaonyesha ni makala gani kila pendekezo linatoka, na anasema anapopata hakuna kinachohusiana. Wachambuzi wanapitia kila jibu lililopendekezwa kabla ya kutuma, na zana haiwezi kutuma yenyewe. Tiketi zinaskaniwa kwa data binafsi na vitambulisho vya siri, ambavyo vinaondolewa kabla msaidizi hajaviona. Seti ya majaribio ya tiketi 200 za zamani zenye majibu yanayojulikana inatumika kabla ya jaribio la awali, na timu inarekodi msaidizi anaposhindwa. Meneja wa dawati na afisa wa usalama wanakubaliana vipimo: mara ngapi wachambuzi wanahariri au kukataa mapendekezo, muda wa jibu la kwanza, na swali fupi la kuridhika kwa wafanyakazi. Jaribio linaendeshwa kwa miezi mitatu, na meneja anaripoti kwenye mapitio ya pamoja yanayojumuisha mchambuzi na mwakilishi wa wafanyakazi.

Mwishoni, wachambuzi wanakubali mapendekezo mengi kwa maswali ya kawaida na muda wa jibu kwa haya unashuka. Seti ya majaribio inaonyesha kuwa msaidizi anatoa jibu la kujiamini lakini si sahihi kwa maswali kuhusu sera iliyobadilishwa hivi karibuni, kwa sababu makala ya maarifa yalikuwa yamepitwa na wakati. Baadhi ya matatizo yanabaki. Wachambuzi wawili walianza kutuma mapendekezo bila kukagua sana walipokuwa na shughuli nyingi, mfanyakazi mwenye swali lisilo la kawaida alipokea jibu hafifu lililokosa hoja, na masharti ya muuzaji kuhusu kuhifadhi data hayakuwa wazi. Meneja anaongeza kanuni kwamba mabadiliko ya sera lazima yasasishe makala ya maarifa kabla hayajaanza kutumika, anatumia ukaguzi wa sampuli wa majibu yaliyotumwa na mchambuzi mwandamizi, na kuwaomba ununuzi na afisa wa usalama kufafanua masharti kabla ya kupanua jaribio.

Mitazamo minne

Timu za bidhaa na utoaji

Timu za utoaji zinaweza kuongeza vipengele vya AI kwenye bidhaa na kutumia AI kuandika msimbo na majaribio. Hakiki msimbo uliozalishwa kwa usahihi na usalama, weka siri nje ya maelekezo, na uwe wazi kwa watumiaji AI inapohusika. Jenga ufuatiliaji wa tabia ya AI ndani ya huduma yako.

Timu za huduma na uendeshaji

Timu za uendeshaji zitakutana na AI katika ufuatiliaji, zana za dawati, na uchambuzi. Chukulia mapendekezo ya AI kama dhahania, yajaribu, na utunze rekodi. Saidia kufafanua data gani inaweza kutumika, na utoe maoni kuboresha nyenzo za kutegemeza.

Uongozi na utawala

Viongozi huweka sera, kiwango cha hatari wanachokubali, na uwajibikaji kwa AI. Omba orodha ya matumizi, mfumo wa hatari, na ushahidi kutoka majaribio ya awali, si madai ya wauzaji. Hakikisha wafanyakazi wa kisheria, usalama, na faragha wanashirikishwa tangu mwanzo.

Wateja na watumiaji

Wateja na watumiaji wanapaswa kuambiwa wanaposhughulika na mfumo wa kiotomatiki pale ni muhimu, na wawe na njia kwa mtu. Ripoti majibu yasiyo sahihi au ya ajabu, kwa kuwa ni ushahidi. Waulize watoa huduma wanalindaje data yako na kukagua pato la AI.

Sababu za kawaida za kushindwa

  • Kuamini pato lisilothibitishwa. Ukweli wa kubuni unawafikia wateja. Badala yake, tegemeza majibu katika nyenzo zilizoidhinishwa na uthibitishe kabla ya kutuma.
  • AI ya kivuli. Wafanyakazi wanabandika data halisi kwenye zana za umma. Badala yake, toa zana zilizoidhinishwa na sera wazi ya data.
  • Hakuna mtu anayewajibika. Hakuna anayejibu kwa maamuzi yaliyosaidiwa na AI. Badala yake, taja mmiliki na uhitaji mapitio.
  • Kuamini takwimu za wauzaji. Madai ya manufaa hayahakikiwi. Badala yake, jaribu kwa visa vyako mwenyewe na upime.
  • Kutegemeza kulikopitwa na wakati. Hifadhi ya maarifa si sahihi na AI inairudia. Badala yake, weka makala ya kisasa na yenye wamiliki.
  • Upendeleo uliofichika. Baadhi ya watumiaji au masuala yanatendewa vibaya zaidi. Badala yake, jaribu katika makundi na upitie pato.
  • Kuweka kiotomatiki kabla ya kuelewa. AI inatenda kwenye uzalishaji bila ukaguzi. Badala yake, anza na pendekezo na mapitio, na uhamie kwenye hatua kwa vizuizi thabiti tu.
  • Hakuna rekodi. Maamuzi hayawezi kukaguliwa. Badala yake, tunza kumbukumbu za kilichoulizwa, kilichozalishwa, na kilichoamuliwa.

Modeli ya ukomavu

Nyanja Kuanza Kukua Kusanifisha Kusimamia Kuratibu
Sera na uwajibikaji Matumizi ni bila mpangilio na hayarekodiwi Baadhi ya timu zina kanuni Sera iliyoandikwa, orodha ya matumizi, na wamiliki waliotajwa Uzingatiaji wa sera na matukio ya hitilafu hupitiwa Sera imeoanishwa katika timu, wasambazaji, na wadhibiti
Ubora na kutegemeza Pato linaaminika kwa chaguo-msingi Baadhi ya ukaguzi kwa matumizi muhimu Majibu yanategemezwa katika vyanzo vilivyoidhinishwa na kujaribiwa kwa visa halisi Viwango vya makosa na kupuuza hupimwa na kutendewa kazi Kutegemeza na majaribio hushirikiwa na kuboreshwa katika timu
Ulinzi wa data na haki Data hubandikwa kwa uhuru Baadhi ya kanuni za data zipo Kanuni za ushughulikiaji wa data na ukaguzi wa upendeleo ni za kawaida Matukio ya data na matokeo ya haki hufuatiliwa na kurekebishwa Mazoea ya data na haki huratibiwa katika shirika na wasambazaji
Thamani na kujifunza Thamani inadhaniwa Baadhi ya majaribio yanaendeshwa Majaribio ya awali yana vipimo na maamuzi yaliyokubaliwa Manufaa na gharama hupimwa dhidi ya msingi Kujifunza kutoka matumizi ya AI kunaenea katika huduma kila mara

Orodha hakiki

  • Tuna orodha ya mahali AI inatumika ndani au karibu na huduma zetu, ikijumuisha matumizi yasiyo rasmi.
  • Mtu aliyetajwa anawajibika kwa kila matumizi yaliyosaidiwa na AI.
  • Sera iliyoandikwa inasema data gani inaweza kwenda kwenye zana zipi.
  • Data binafsi na siri huondolewa au kufichwa kabla ya matumizi na zana ambazo hazijaidhinishwa kwazo.
  • Majibu yanayoonyeshwa kwa wateja au kutumika katika maamuzi yanategemezwa katika nyenzo zilizoidhinishwa na kupitiwa.
  • Tuna seti ya majaribio ya visa halisi na tunaiendesha tena baada ya mabadiliko.
  • Wateja wanaambiwa mfumo wa kiotomatiki unapojibu, pale ni muhimu, na wana njia kwa mtu.
  • Tunapima kiwango cha kupuuza, kiwango cha makosa, muda uliookolewa, na maoni ya watumiaji.
  • Rekodi zinatunzwa kwa maamuzi muhimu yaliyosaidiwa na AI.
  • Wafanyakazi wa kisheria, usalama, na faragha wamepitia matumizi yetu na masharti ya zana.

Maelekezo ya AI

Madhumuni: kuandaa orodha ya matumizi ya AI kutokana na wanayokuambia watu.

Help me structure an inventory of AI use in our service organization.

What people have told us they use AI for (paste notes; remove names): [paste].
Tools mentioned: [list].
Types of data involved, as far as we know: [list].

Produce a table with: use, tool, data involved, who is accountable (use "unknown" if not given), risk if wrong (low, medium, high with a one-sentence reason from my notes), and one question to ask. Do not guess about tools or terms I did not mention. Ask clarifying questions first, and list what you are unsure of.

Madhumuni: kubuni seti ya majaribio kwa msaidizi wa AI.

Design a test set for an AI assistant that suggests answers to service desk questions.

The knowledge sources it will use: [describe].
Types of question we get: [list with rough share if you know].
Cases where the right answer is "not in the knowledge base" or "escalate": [describe].

Propose a structure for 100-200 test cases (categories, how to choose real examples, how to record the correct answer and its source), how to score answers (correct, partly correct, wrong, confidently wrong, correctly declined), and how to repeat after changes. Do not invent test content; tell me what to collect. Ask clarifying questions first, and list what you are unsure of.

Madhumuni: kuandika sera ya ukurasa mmoja ya matumizi ya AI kwa timu.

Draft a one-page AI use policy for [team].

Tools approved: [list, or write "none yet"].
Data we handle (types and sensitivity): [list].
Rules we must follow, with source text from legal, security, or contracts: [paste, or write "none known"].
Roles: [list].

Write plain-language sections: what AI may be used for, what data may and may not be put into tools, what must be checked by a person before use, who is accountable, how to record significant uses, how to report problems. Mark every item that is an assumption. Do not state that any law requires something unless I pasted its text. Ask clarifying questions first, and list what you are unsure of.

Madhumuni: kupitia jibu lililotolewa na AI kabla halijaenda kwa mtumiaji.

Here is a draft answer that an AI tool produced for a user question.

The user's question: [paste, with personal data removed].
The knowledge article(s) the answer should be based on: [paste].
The draft answer: [paste].

Check the draft against the article only. List statements that are supported by the article (quote the part), statements that are not supported, anything missing that the user would need, and the tone. Suggest a corrected version that uses only the article. Do not add facts. List what you are unsure of.

Ujuzi wa AI

Vyanzo muhimu

  • AIOps (Wikipedia): maelezo mafupi ya AI kwa uendeshaji wa TEHAMA, uwezo wake, na manufaa yanayodaiwa, bila ukosoaji.
  • Hallucination (artificial intelligence) (Wikipedia): sababu, mifano, na mawazo ya kupunguza kwa pato la uongo.
  • AI Risk Management Framework (NIST): mfumo wa hiari na wasifu wake wa AI ya kuzalisha; soma mfumo wenyewe kwa undani.
  • ITIL certifications (PeopleCert): kauli za umma za mmiliki kuhusu ITIL mpya na moduli yake ya utawala wa AI.

Marejeo

  1. AIOps — Wikipedia — https://en.wikipedia.org/wiki/AIOps
  2. Hallucination (artificial intelligence) — Wikipedia — https://en.wikipedia.org/wiki/Hallucination_(artificial_intelligence)
  3. AI Risk Management Framework — NIST — https://www.nist.gov/itl/ai-risk-management-framework
  4. ITIL certifications — PeopleCert — https://www.peoplecert.org/browse-certifications/it-governance-and-service-management/ITIL-1
  5. Retrieval-augmented generation — Wikipedia — https://en.wikipedia.org/wiki/Retrieval-augmented_generation
  6. Artificial intelligence — Wikipedia — https://en.wikipedia.org/wiki/Artificial_intelligence
  7. Large language model — Wikipedia — https://en.wikipedia.org/wiki/Large_language_model
  8. Algorithmic bias — Wikipedia — https://en.wikipedia.org/wiki/Algorithmic_bias
  9. IT service management — Wikipedia — https://en.wikipedia.org/wiki/IT_service_management