AI-modeller og platforme

BoodleBox bliver en del af Montanas AI-indkøbsprogram

Sophie Denar
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterMontanas godkendelse af leverandøren giver BoodleBox en indkøbskanal, men etablerer…
Vis mere
  • Montanas godkendelse af leverandøren giver BoodleBox en indkøbskanal, men etablerer ikke faktisk institutionel efterspørgsel.
  • Institutioner skal beslutte dataregler og menneskelig gennemgang, før de indfører fælles AI-arbejdsområder.
  • En praktisk pilot bør starte med lavrisikoopgaver og måle både anvendelse og resultatkvalitet.

BoodleBox oplyser, at Montana har godkendt virksomheden som leverandør i delstatens indkøbsprogram Master AI Products and Services. Udvælgelsen giver berettigede myndigheder, colleges og universiteter mulighed for at købe det samarbejdsbaserede AI-arbejdsområde. Det betyder ikke, at institutionerne har afgivet ordrer, taget produktet i brug eller indgået aftale om at anvende det i hele delstaten.

Meddelelsen er et eksempel på et skifte fra, at enkelte medarbejdere eksperimenterer med AI, til at institutioner beslutter, hvad de kan købe, og hvordan medarbejderne kan bruge det. En afdeling, der afprøver en chatbot, kan måske komme hurtigt i gang. En offentlig myndighed eller et universitet, der vælger en løsning til institutionel brug, skal tage stilling til flere ting: Hvilke data må komme ind i systemet, hvilke medarbejdere må bruge det, hvad kræver menneskelig gennemgang, og hvem kan se delt arbejde?

Hvad Montanas leverandørliste ændrer

Montanas rapport fra IT-udvalget for september oplyser, at delstatens AI-udbud blev afsluttet med godkendelse af 50 leverandører. Delstaten anslår, at indkøb fra den resulterende liste kan spare omkring seks måneders indkøbstid pr. udbud. Det er delstatens estimat for rammeaftalen, ikke en måling af besparelser fra BoodleBox eller et løfte om, at en bestemt ordre vil blive gennemført seks måneder hurtigere.

BoodleBox’ meddelelse udpeger virksomheden som en af de godkendte leverandører. Den oplyste ikke købsprisen, antallet af brugerpladser eller en tidsplan for implementeringen. Det er vigtige forskelle, fordi retten til at sælge giver virksomheden adgang til en indkøbskanal, men ikke dokumenterer en faktisk efterspørgsel efter dens software. Montanas indkøbskontor beskriver eMACS som delstatens system til håndtering af leverandørregistrering, bud og kontrakter.

Sådan håndterer arbejdsområdet delt AI-arbejde

BoodleBox’ produktdokumentation beskriver et fælles arbejdsområde, hvor brugerne kan vælge mellem forskellige udbyderes modeller eller lade softwaren vælge en model. Brugerne kan også inddrage flere modeller i den samme samtale. Et team kan for eksempel bede én model om at opsummere et ikke-fortroligt dokument og en anden om at finde udeladelser. Svarene er udgangspunkter for menneskelig gennemgang, ikke en uafhængig verificering af dokumentet.

Coach Mode giver desuden råd om, hvordan man formulerer en prompt eller vurderer et svar. Memory Mode kan inddrage oplysninger fra tidligere chats i et svar, mens en beskedfunktion, der kun er for mennesker, giver deltagerne mulighed for at drøfte et problem uden at sende hver besked til en model. Funktionerne imødekommer forskellige behov: En træningsgruppe vil måske gerne have forslag efter et svar, mens et team, der overvejer en intern beslutning, måske foretrækker en almindelig samtale. Standardindstillinger og delingstilladelser afgør, om medarbejderne nemt kan opretholde disse skel.

Hvad købere stadig skal undersøge

BoodleBox oplyser, at virksomhedens sikkerheds- og databeskyttelsespraksis skelner mellem modeller, som virksomheden selv kontrollerer, og modeller, der drives af eksterne udbydere. I sidstnævnte tilfælde kan prompts og relevante uddrag af vedhæftet materiale blive sendt til en ekstern API i overensstemmelse med virksomhedens oplyste regler for datahåndtering. Institutionen skal stadig vurdere, hvilke oplysninger der må indsendes til hver model, hvordan data opbevares, og om aftalerne dækker de typer oplysninger, medarbejderne håndterer.

Et praktisk pilotprojekt bør begynde med opgaver med lav risiko og måle både brugen og kvaliteten af resultaterne. Et universitet kan for eksempel følge, hvor meget tid medarbejderne sparer på at udarbejde kursusmateriale, mens en myndighed kan tælle, hvor ofte en modelopsummering kræver væsentlige rettelser. Leverandørlisten gør indkøbene enklere. Om softwaren er nyttig og sikker i en bestemt arbejdsgang, er fortsat en beslutning, som den pågældende institution skal træffe.

Sophie Denar er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker kunstig intelligens-politik, regulering og styring på tværs af globale markeder. Hendes arbejde fokuserer på, hvordan nationale og internationale reguleringssystemer former udviklingen, udrulningen og den kommercielle udnyttelse af AI-teknologier på længere sigt.
Med et diplomatisk og globalt informeret perspektiv følger Sophie politiske initiativer fra regeringer, multilaterale institutioner og standardiseringsorganisationer, og analyserer, hvordan forskellige reguleringstilgange påvirker innovation, konkurrence og markedsadgang. Hun lægger særlig vægt på grænseoverskridende konsekvenser, overholdelsesudfordringer og balancen mellem risikostyring og teknologisk fremgang.
Artikler skrevet af Sophie Denar er AI-genererede og gennemgået af Unite.AIs redaktionelle team for at sikre nøjagtighed, neutralitet og ansvarlig dækning af AI-politik og reguleringssystemer på verdensplan.