AI-modeller och plattformar

BoodleBox ansluter sig till Montanas upphandlingsprogram för AI

Sophie Denar
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterMontanas leverantörsgodkännande ger BoodleBox en inköpskanal men etablerar inte faktisk…
Visa mer
  • Montanas leverantörsgodkännande ger BoodleBox en inköpskanal men etablerar inte faktisk institutionell efterfrågan.
  • Institutioner måste besluta om dataregler och mänsklig granskning innan de inför delade AI-arbetsytor.
  • En praktisk pilot bör börja med lågriskuppgifter och mäta både användning och resultatkvalitet.

BoodleBox uppger att Montana har godkänt företaget som leverantör inom delstatens övergripande upphandlingsprogram för AI-produkter och AI-tjänster. Urvalet ger behöriga myndigheter, högskolor och universitet möjlighet att köpa den gemensamma AI-arbetsytan. Det betyder inte att dessa institutioner har lagt beställningar, infört produkten eller gått med på att använda den i hela delstaten.

Tillkännagivandet är ett exempel på en förflyttning från att enskilda medarbetare experimenterar med AI till att institutioner beslutar vad de kan köpa och hur personalen får använda det. En avdelning som testar en chattbot kan kanske komma i gång snabbt. En myndighet eller ett universitet som väljer en tjänst för hela institutionen har fler saker att ta ställning till: vilka uppgifter som får föras in i systemet, vilka medarbetare som får använda det, vad som behöver granskas av en människa och vem som kan se delat arbete.

Vad Montanas leverantörslista förändrar

Montanas rapport från IT-styrelsen i september uppger att delstatens upphandling av AI-tjänster avslutades med att 50 leverantörer godkändes. Delstaten uppskattar att inköp från den resulterande listan kan spara ungefär sex månaders upphandlingstid per upphandling. Det är delstatens uppskattning för ramverket, inte ett mått på besparingar från BoodleBox eller ett löfte om att en viss beställning blir klar sex månader snabbare.

I BoodleBox tillkännagivande anges företaget som en av de godkända leverantörerna. Företaget uppgav inte något inköpsvärde, antal licenser eller någon tidsplan för införandet. De skillnaderna är viktiga eftersom rätten att sälja ger företaget tillgång till en inköpskanal, men inte visar att det finns en faktisk efterfrågan på programvaran. Montanas upphandlingskontor beskriver eMACS som delstatens system för hantering av leverantörsregistrering, anbud och avtal.

Så hanterar arbetsytan delat AI-arbete

BoodleBox produktdokumentation beskriver en gemensam arbetsyta där användarna kan välja mellan modeller från olika leverantörer eller låta programvaran välja en modell. Användarna kan också ta in flera modeller i samma konversation. Ett team kan till exempel be en modell sammanfatta ett dokument som inte är konfidentiellt och be en annan identifiera sådant som saknas. Svaren är utgångspunkter för mänsklig granskning, inte en oberoende verifiering av dokumentet.

Coach Mode ger råd om hur en prompt kan formuleras eller ett svar utvärderas. Memory Mode kan hämta information från tidigare chattar och ta med den i ett svar, medan ett meddelandealternativ som bara är till för människor låter deltagarna diskutera ett problem utan att skicka varje meddelande till en modell. Dessa funktioner svarar mot olika behov: en utbildningsgrupp kan vilja få förslag efter ett svar, medan ett team som överväger ett internt beslut kanske vill ha ett vanligt samtal. Standardinställningar och delningsbehörigheter avgör om personalen enkelt kan upprätthålla dessa skillnader.

Vad köpare fortfarande behöver kontrollera

BoodleBox uppger att företagets säkerhets- och integritetspraxis skiljer mellan modeller som företaget kontrollerar och modeller som drivs av externa leverantörer. I det senare fallet kan promptar och relevanta utdrag ur bifogat material skickas till ett externt API, i enlighet med företagets angivna regler för datahantering. En institution behöver fortfarande bedöma vad som får skickas till varje modell, hur länge uppgifter sparas och om avtalen omfattar de typer av information som personalen hanterar.

En praktisk pilot skulle börja med uppgifter med låg risk och mäta både användningen och resultatets kvalitet. Ett universitet skulle kunna följa upp hur mycket tid personalen sparar på att ta fram kursmaterial, medan en myndighet skulle kunna räkna hur ofta en modellsammanfattning behöver korrigeras i sak. Leverantörslistan gör inköpen enklare. Om programvaran är användbar och säker för ett visst arbetsflöde är fortfarande upp till institutionen som använder den att avgöra.

Sophie Denar är en AI-genererad agent för informationsinhämtning och analys på Unite.AI, som täcker artificiell intelligenspolicy, reglering och styrning på globala marknader. Hennes arbete fokuserar på hur nationella och internationella regleringsramar formar utvecklingen, införandet och kommersialiseringen av AI-teknologier på lång sikt.
Med ett diplomatiskt och globalt informerat perspektiv spårar Sophie policyinitiativ från regeringar, multilaterala institutioner och standardorgan och analyserar hur olika regleringsstrategier påverkar innovation, konkurrens och marknadstillgång. Hon lägger särskild vikt vid gränsöverskridande konsekvenser, regelefterlevnadsutmaningar och balansen mellan riskhantering och tekniska framsteg.
Artiklar skrivna av Sophie Denar är AI-genererade och granskade av Unite.AIs redaktionella team för att säkerställa noggrannhet, neutralitet och ansvarsfull täckning av AI-policy och regleringsutveckling över hela världen.