Livoa LogoLivoa
Sākums: Ievade D, T, C
Dokumentu kopa, Uzdevums, Prasības
1. Noteikt L_str ∈ {strukturēti, pusstrukturēti, nestrukturēti}
un L_mm ∈ {zems, vidējs, augsts}
2. Noteikt L_sem:
- zems, ja vienkārša lauku atpazīšana vai atslēgvārdu meklēšana
- augsts, ja entītiju iegūšana, SRL, kopsavilkumi
- vidējs citos gadījumos
3. Noteikt L_flow:
- vienpakāpes, ja izolēts solis
- daudzpakāpes citādi
4. Noteikt L_tools:
- minimāls, ja nav ārējo rīku
- deterministisks, ja fiksēta rīku secība
- dinamiskas orkestrācijas citādi
5. Noteikt L_fb:
- zems, ja reti lietotāju labojumi
- augsts, ja regulāra atgriezeniskā saite
- vidējs citādi
6. Noteikt L_risk:
- zems, ja zema kļūdu cena un nav regulējuma
- augsts citādi
7. Lēmums 1: Izmantot TRAD, ja
L_sem = zems UN (L_str = strukturēti VAI pusstrukturēti)
UN L_flow = vienpakāpes UN L_tools ≠ dinamiskas
UN L_fb = zems VAI vidējs
8. Lēmums 2: Izmantot ML, ja
L_sem = vidējs UN L_flow = vienpakāpes
UN L_tools ≠ dinamiskas UN L_mm = zems VAI vidējs
9. Lēmums 3: Izmantot AI_MODEL, ja
L_sem = augsts UN L_flow = vienpakāpes
UN L_tools ≠ dinamiskas
10. Lēmums 4: Izmantot AI_AGENT, ja
L_flow = daudzpakāpes VAI L_tools = dinamiskas
- Ja L_fb = zems VAI vidējs: statisks vai vāji adaptīvs aģents
- Citādi: aģents ar nepārtrauktu mācīšanos
11. Lēmums 5: Riska korekcija
Ja L_risk = augsts UN S ∈ {AI_MODEL, AI_AGENT}
Pievieno cilvēka iesaisti un izskaidrojumu
12. Noklusējums: Izmantot ML
Rezultāts: TRAD
Rezultāts: ML
Rezultāts: AI_MODEL
Rezultāts: AI_AGENT
Algoritms 4.1 (pārstrādāts): Risinājuma tipa izvēle dokumentu apstrādei
Ievade:
D – dokumentu kopa
T – uzdevums
C – prasību kopa
Rezultāts:
S ∈ {TRAD, ML, AI_MODEL, AI_AGENT}
1. Parametru noteikšana (kā līdz šim)
1.1. Noteikt dokumentu strukturētību un multimodalitāti:
L_str ∈ {strukturēti, pusstrukturēti, nestrukturēti}
L_mm ∈ {zems, vidējs, augsts}
1.2. Noteikt semantisko sarežģītību:
- zems: vienkārša lauku atpazīšana, validācija, atslēgvārdu meklēšana
- augsts: entītiju/relāciju iegūšana, nolūks, SRL, IE, kopsavilkumi
- vidējs: citādi
1.3. Noteikt darbplūsmas sarežģītību:
vienpakāpes vai daudzpakāpes
1.4. Noteikt rīku un starpsistēmu orkestrāciju:
minimāls, deterministisks vai dinamiskas
1.5. Noteikt atgriezenisko saiti:
zems, augsts vai vidējs
1.6. Noteikt riska un izskaidrojamības līmeni:
zems vai augsts
2. Apvienoto asu aprēķins (A, B, C)
2.1. Satura/semantiskā sarežģītība A:
- zema, ja L_sem=zems un (L_str=strukturēti vai pusstrukturēti) un L_mm=zems
- augsta, ja L_sem=augsts vai L_str=nestrukturēti vai L_mm=augsts
- vidēja citādi
2.2. Procedurālā sarežģītība B:
- zema, ja L_flow=vienpakāpes un L_tools=minimāls
- vidēja, ja L_flow=vienpakāpes un L_tools=deterministisks
- augsta citādi
2.3. Adaptivitātes un riska profils C:
- zems, ja L_fb=zems un L_risk=zems
- augsts, ja L_fb=augsts vai L_risk=augsts
- vidējs citādi
3. 1. lēmums: Klasika vai mācīšanās?
3.1. Ja (A=zema) un (B=zema vai vidēja) un (C≠augsts) tad
S ← TRAD
strukturēti/pusstrukturēti, maza semantika, vienkārša plūsma
3.2. Ja (A=zema vai vidēja) un (B=zema vai vidēja) tad
S_kandidāts ← ML
citādi S_kandidāts ← AI
4. 2. lēmums: ML vai MI modelis? (ja nav TRAD)
4.1. Ja S_kandidāts=ML tad
ja A=vidēja un B=zema tad S ← ML
ja A=augsta tad S_kandidāts ← AI
citādi S ← ML
4.2. Ja S_kandidāts=AI un B=zema tad
S ← AI_MODEL
5. 3. lēmums: MI modelis vai MI aģents?
5.1. Ja S_kandidāts=AI un B=vidēja tad
S ← AI_AGENT (lineāra orkestrācija)
5.2. Ja S_kandidāts=AI un B=augsta tad
S ← AI_AGENT (pilnvērtīga arhitektūra)
6. 4. lēmums: Adaptivitātes un riska korekcija
6.1. Ja (C=augsts) un (S ∈ {AI_MODEL, AI_AGENT}) tad
papildina ar cilvēka iesaisti, izskaidrojumu un learning-to-defer
S klase paliek, mainās ekspluatācija
6.2. Ja (C=augsts) un (S=ML) tad
vēlams pāriet uz MI_MODEL ar labāku izskaidrojamību
vai ML + cilvēka kontrole
6.3. Ja C ≠ augsts tad
atgriež S bez papildus korekcijām
Algoritms 4.1 (pārstrādāts): Risinājuma tipa izvēle dokumentu apstrādei
Ievade:
D – dokumentu kopa
T – uzdevums
C – prasību kopa (apjoms, termiņi, riska līmenis, regulatīvās prasības)
Rezultāts:
S ∈ {TRAD, ML, AI_MODEL, AI_AGENT}
1. Parametru noteikšana (kā līdz šim)
1.1. Noteikt dokumentu strukturētību un multimodalitāti:
L_str ∈ {strukturēti, pusstrukturēti, nestrukturēti}
L_mm ∈ {zems, vidējs, augsts}
1.2. Noteikt semantisko sarežģītību:
ja T prasa vienkāršu lauku atpazīšanu, validāciju vai atslēgvārdu meklēšanu, L_sem ← zems
ja T prasa entītiju/relāciju iegūšanu, nolūku, SRL, IE vai kopsavilkumus, L_sem ← augsts
citādi L_sem ← vidējs
1.3. Noteikt darbplūsmas sarežģītību:
vienpakāpes vai daudzpakāpes
1.4. Noteikt rīku un starpsistēmu orkestrāciju:
minimāls, deterministisks vai dinamiskas orkestrācijas
1.5. Noteikt atgriezenisko saiti:
zems, augsts vai vidējs
1.6. Noteikt riska un izskaidrojamības līmeni:
zems vai augsts
2. Apvienoto asu aprēķins (A, B, C)
2.1. Satura/semantiskā sarežģītība A:
ja L_sem = zems un (L_str = strukturēti vai pusstrukturēti) un L_mm = zems, A ← zema
ja L_sem = augsts vai L_str = nestrukturēti vai L_mm = augsts, A ← augsta
citādi A ← vidēja
2.2. Procedurālā sarežģītība B:
ja L_flow = vienpakāpes un L_tools = minimāls, B ← zema
ja L_flow = vienpakāpes un L_tools = deterministisks, B ← vidēja
citādi B ← augsta
2.3. Adaptivitātes un riska profils C:
ja L_fb = zems un L_risk = zems, C ← zems
ja L_fb = augsts vai L_risk = augsts, C ← augsts
citādi C ← vidējs
3. 1. lēmums: Klasika vai mācīšanās?
3.1. Ja (A = zema) un (B = zema vai vidēja) un (C ≠ augsts) tad
S ← TRAD
strukturēti vai pusstrukturēti dokumenti, maza semantika, vienkārša plūsma
3.2. Ja (A = zema vai vidēja) un (B = zema vai vidēja) tad
S_kandidāts ← ML
citādi S_kandidāts ← AI
4. 2. lēmums: ML vai MI modelis? (ja nav TRAD)
4.1. Ja S_kandidāts = ML tad
ja A = vidēja un B = zema tad S ← ML
ja A = augsta tad S_kandidāts ← AI
citādi S ← ML
pāriet uz 6. soli
4.2. Ja S_kandidāts = AI un B = zema tad
S ← AI_MODEL
pāriet uz 6. soli
5. 3. lēmums: MI modelis vai MI aģents?
5.1. Ja S_kandidāts = AI un B = vidēja tad
S ← AI_AGENT (lineāra orkestrācija)
pāriet uz 6. soli
5.2. Ja S_kandidāts = AI un B = augsta tad
S ← AI_AGENT (pilnvērtīga arhitektūra)
pāriet uz 6. soli
6. 4. lēmums: Adaptivitātes un riska korekcija
6.1. Ja (C = augsts) un (S ∈ {AI_MODEL, AI_AGENT}) tad
papildina ar cilvēka iesaisti, izskaidrojumu un learning-to-defer
S klase paliek, mainās ekspluatācija
atgriezt S
6.2. Ja (C = augsts) un (S = ML) tad
vēlams pāriet uz MI_MODEL ar labāku izskaidrojamību
vai ML + cilvēka kontrole
atgriezt S
6.3. Ja C ≠ augsts tad
atgriezt S bez papildus korekcijām
Rezultāts: TRAD
Rezultāts: ML
Rezultāts: AI_MODEL
Rezultāts: AI_AGENT

1

by NB

0
0 uses