حاکمیت بر عامل‌های هوش مصنوعی: دیدپذیری و کنترل

عامل‌های هوش مصنوعی اغلب در نسخه‌های نمایشی چشمگیر به نظر می‌رسند اما وقتی به مرحله تولید می‌رسند با مشکل مواجه می‌شوند، جایی که شما به دیدپذیری، کنترل‌های ایمنی و پاسخ‌گویی شفاف برای هر اقدامی که یک عامل انجام می‌دهد نیاز دارید.

در این دوره عملی، Kesha Williams - رهبر فناوری یادگیری ماشین با بیش از 25 سال تجربه - به شما نشان می‌دهد چگونه در پایتون کار کنید تا یک عامل خرید کنترل‌نشده را به یک سیستم تحت حاکمیت تبدیل کنید که در محیط‌های دنیای واقعی به‌طور قابل پیش‌بینی رفتار می‌کند.

از طریق کدنویسی عملی در GitHub Codespaces، بیاموزید چگونه لاگ کردن ساختاریافته را برای قابل مشاهده‌سازی رفتار عامل اضافه کنید، گاردریل های زمان اجرا را برای مسدود کردن اقدامات ناامن پیاده‌سازی نمایید، و گردش‌کارهای تأیید انسان-در-حلقه را برای تغییرات پرخطر معرفی کنید.

Kesha همچنین نشان می‌دهد چگونه یک فهرست موجودی عامل‌ها و یک چک‌لیست استقرار قابل استفاده مجدد بسازید که می‌توانید آن را با چارچوب خود تطبیق دهید و به شما یک جعبه ابزار حاکمیتی عملی ارائه می‌دهد - چه در حال ارائه اولین ویژگی عامل خود باشید یا یک گردش‌کار هوش مصنوعی سازمانی را مستحکم‌سازی کنید.