Uno studio contabile sta implementando un sistema di elaborazione documenti basato su LLM e desidera seguire pratiche di IA responsabile. Quali due azioni dovrebbe intraprendere lo studio durante lo sviluppo e l'implementazione? (Scegli due.)

Per garantire pratiche di IA responsabile, è fondamentale includere metriche di equità (fairness metrics) nella valutazione del modello. Questo aiuta a identificare e mitigare bias indesiderati che potrebbero portare a risultati discriminatori, specialmente in contesti sensibili come uno studio contabile. Inoltre, modificare i dati di training per mitigare i bias è un passo proattivo essenziale. I bias nei dati di training si riflettono direttamente nelle prestazioni del modello, quindi la loro correzione alla fonte è cruciale per un sistema equo e affidabile. Regolare il parametro di temperatura e applicare tecniche di prompt engineering sono utili per ottimizzare le prestazioni o il comportamento del modello, ma non affrontano direttamente le questioni di IA responsabile legate all'equità e ai bias. Evitare l'overfitting è una buona pratica di machine learning generale, ma non è specifica per l'IA responsabile.