作者认为，虽然大型语言模型（LLM）可以为决策提供解释，但决策本身应由确定性代码而非LLM来处理。这种方法确保了可审计性，允许第三方根据实现情况检查和重现决策是如何达成的。通过在确定性代码（如Python函数）中将输出强制限制在一组固定的可能性内，系统可以保证可复现的结果，这与LLM的概率性不同。这与以LLM为中心的管道形成对比，在后者的管道中，分类和解释源于相同的不可预测过程，这使得审计复杂化，并突显了对强大AI治理工具的需求。 AI
影响 强调了在AI系统中需要确定性层以确保决策的可审计性和可复现性，而不是仅仅依赖LLM的输出。
排序理由 该条目是一篇评论文章，讨论了将LLM集成到软件系统中的设计原则，重点关注可审计性。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
