Israel 是 Hyro 的 CEO 和联合创始人。从以色列国防军著名的 8200 部队情报官开始他的职业生涯，Israel 是一位天生的领导者，推动他的团队克服看似不可逾越的挑战，并带领他们取得超出预期的成果。Israel 最大的爱好（仅次于他的妻子和三个孩子）是优质的咖啡，这为他超乎寻常的雄心壮志提供了动力。
文本生成式 AI 工具能够以惊人的速度完成高级写作和通信任务，这引起了公司和消费者的共鸣。但是，为了实现这些令人印象深刻的能力而在幕后发生的过程，使得对敏感的、政府监管的行业（如保险、金融或医疗保健）来说，使用生成式 AI 而不采取大量的谨慎措施是存在风险的。一些最能说明这一点的例子可以在医疗保健行业中找到。这些问题通常与训练大型语言模型（LLMs）所使用的广泛和多样化的数据集有关——这些模型是文本生成式 AI 工具为了执行高级任务而依赖的。没有程序员的外部干预，这些 LLMs 倾向于从互联网上的各种来源中不加区分地收集数据，以扩展其知识库。这种方法最适合低风险的面向消费者的用例，其中最终目标是将客户准确地引导到理想的产品。然而，随着大型数据集和 AI 模型生成输出的复杂路径变得日益复杂，医疗保健提供者所需的可解释性变得日益模糊。在此背景下，可解释性指的是理解任何给定 LLM 的逻辑路径的能力。希望采用辅助生成式 AI 工具的医疗保健专业人员必须能够理解其模型如何产生结果，以便患者和工作人员在各种决策过程中拥有完全的透明度。换句话说，在像医疗保健这样的行业中，生命岌岌可危，专业人员误解训练其 AI 工具所使用的数据的风险太高了。幸运的是，有一种方法可以绕过生成式 AI 的可解释性难题——只需要更多的控制和关注。神秘和怀疑在生成式 AI 中，理解一个 LLM 如何从输入（点 A）到输出（点 B）的概念比非生成式算法更复杂，这些算法沿着更固定的模式运行。生成式 AI...
