Kuis terkait panduan · Keras Tingkat

Kuis Mitos AI

Menguji bukti di balik jawaban yang lancar, asumsi data dan ukuran model, demo, tolok ukur, tanggung jawab otomatisasi, dan cakupan.

Jalur panduan terkaitMitos AI
Pertanyaan 1 dari 8

Sebuah model menjawab dengan lancar dan menyebutkan sumbernya. Apa yang tetap harus diperiksa oleh pembaca?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Sebuah model menjawab dengan lancar dan menyebutkan sumbernya. Apa yang tetap harus diperiksa oleh pembaca?
    • Hanya apakah jawabannya sopan
    • Apakah responsnya cukup panjang
    • Apakah model tersebut menggunakan jendela konteks yang besar
    • Apakah sumber tersebut ada dan mendukung klaim tersebut
  2. Apakah lebih banyak data pelatihan menjamin sistem yang lebih baik?
    • Tidak; data bisa tidak relevan atau memiliki cacat secara sistematis
    • Ya, jika data tersebut berasal dari internet
    • Ya, terlepas dari tugasnya
    • Tidak ada model yang dapat belajar dari lebih banyak data
  3. Mengapa membandingkan model yang lebih besar dengan alternatif yang lebih kecil atau lebih sederhana?
    • Model yang lebih besar selalu memiliki akurasi yang lebih buruk
    • Hal itu mungkin membiayai lebih mahal tanpa memenuhi kebutuhan tugas
    • Skor tolok ukur tidak dapat diukur
    • Ukuran model menentukan hukum penerapan
  4. Sebuah demo menyelesaikan satu kasus yang mengesankan. Kesimpulan apa yang dibenarkan?
    • Bahwa sistem dapat menangani setiap kasus yang sulit
    • Bahwa sistem akan andal dalam produksi
    • Hanya bahwa pengaturan yang didemonstrasikan menangani kasus tersebut; lebih banyak pengujian diperlukan
    • Bahwa tidak ada alat atau konteks yang berkontribusi
  5. Apakah otomatisasi menghilangkan tanggung jawab manusia atas sistem?
    • Ya, ketika output dihasilkan secara otomatis
    • Ya, jika vendor menghosting model tersebut
    • Hanya jika model memiliki skor yang tinggi
    • Tidak; orang memilih tujuan, data, antarmuka, izin, dan kondisi penerapan
  6. Apa yang dikatakan oleh satu kegagalan tentang sebuah sistem?
    • Ini menunjukkan kegagalan yang layak diuji, tetapi bukan berarti setiap penggunaan tidak efektif
    • Bahwa sistem tersebut tidak berguna untuk semua tugas
    • Bahwa model tersebut sadar
    • Bahwa semua versi masa depan akan gagal secara identik
  7. Apa perbedaan antara hasil tolok ukur (benchmark) dengan hal lain?
    • Skor yang diukur
    • Prediksi masa depan atau pernyataan tentang kesadaran
    • Pengaturan evaluasi
    • Ujian khusus tugas
  8. Bagaimana klaim kemampuan yang luas harus dirumuskan?
    • Seskuat mungkin untuk menarik perhatian
    • Sebagai jaminan berdasarkan satu skor
    • Pada cakupan yang benar-benar didukung oleh bukti pendukung
    • Tanpa menyebutkan kondisi pengujian