AI图鉴

AI图鉴首页 › AI 资讯 › 从合成企业数据评价到真实的Microsoft Copilot AI信心

从合成企业数据评价到真实的Microsoft Copilot AI信心

来源:Microsoft Research · 发布时间:10-30 · 由 AI图鉴每小时自动聚合

在企业规模上评价Microsoft Copilot需要测试数据,能够捕捉真实组织的全部复杂性,然而真实的企业数据包含s.

看着

- 在企业规模上评价Microsoft Copilot需要测试数据,能够捕捉真实组织的全部复杂性,但真实的企业数据包含在任何情况下都不能用于评价的敏感信息。

- 为了解决这一紧张关系,我们建立了行业评价数据生成平台:以公开的实时数据来源为基础的全面合成企业环境,如O*NET职业数据、在线职位发布和证监会备案。

——合成环境模仿真实的商业工作流程,帮助Microsoft发现通用的基准测试会错过的问题。

- 安全和隐私通过设计纳入平台。 每一种环境都是完全合成和自动化的内容安全检查,使生成的数据没有有害或个人可识别的材料。

每天,全世界数百万知识工作者依靠Microsoft Copilot起草文件,总结会议,表面相关信息,加快生产力。 在幕后,这是由人工智能系统网络提供动力的,确保这些系统如愿以偿,需要对评价采取深思熟虑的办法。 在Microsoft,我们知道高性能并非来自猜测。 它来自测试,测量,并不停地运动。

医疗保健组织不断从各团队中合成安全信号,以便它们能够做出更快,更好的决定,直接影响患者的结果和监管信心。

他们可以要求Copilot对一次会议进行总结,为其团队提取行动项目。 在数秒内,Copilot会提供一份结构化的总结,引用记录中的具体讨论要点。 但是,我们如何确保这种反应准确、完整和以会议内容为适当基础?这就是我们的评估系统。

我们制定了一个结构化的评价战略,称为 " 行业评价数据生成平台 ",其中包括行业特定评价数据集,旨在对照现实企业情景测试AI系统,其基础是三个核心支柱:

- 合成企业环境:模拟Microsoft Copilot环境,使用现实的用户,会议,电子邮件,文件和组织结构,replicate在不使用任何客户数据的情况下,了解真实组织的复杂性。

- 为快速、可复制地创建评价数据集提供自动查询生成管道

- 结构化质量框架,以确保合成数据符合进行有意义评价的标准

这些支柱共同帮助我们回答两个基本问题:Microsoft Copilot是否真的在做我们的用户需要它做的事情,并且我们能够在不接触他们的数据的情况下证明它?

从合成环境生成到自动查询管道

合成企业环境

评估企业AI需要测试数据,能够捕捉真实组织的全部复杂性:报告结构,项目历史,通信模式,以及特定领域的工作流程。 但真正的企业数据包含敏感信息,在任何情况下都不能用于评价。 这是我们要解决的中心紧张局势。

我们不依靠手工设计的小型试验装置,而是创造完整的合成环境:模拟企业工作空间,每个工作空间都有现实的组织结构、交流历史和工作文物。 在Microsoft术语中,这些模拟工作空间中的每一个被称为“租户”。 租户是一个孤立的组织环境,有自己的用户、数据和配置。 这些环境是可扩展的基线,各小组和组织可以随意建立。 它们旨在展示相同的结构和行为属性,使企业AI评价有意义。

以真实世界的信号定位

为了确保我们的合成环境是现实的,我们将这些环境建立在公开提供的真实世界数据来源中。

- 利用美国劳工部职业数据库的O*NET数据,使合成雇员的角色和责任切合实际,调整分派给不同角色的工作活动的组合和频率,并调整行业具体的工作流程,如临床试验审查或组合更新。

- 在线职位公布提供现实的角色头衔、报告等级和部门组成。

- 证监会的备案为组织规模、业务单位结构和财务背景提供信息。 所有这些来源均可公开查阅,并经过Microsoft法律和政策组织的审查和批准。

重要的是,这些合成环境不是静态的快照。 他们模拟活跃的、时间演变的组织,包括会议历史、项目时间表、几周内发展的电子邮件线条、以及自然展开的组织变革。 这种时间维度至关重要,因为大量的Copilot查询本质上是时间意识的。 “小组上周四决定了什么?” 或“自上次季度审查以来有什么变化?” 等问题只有在基本数据具有真正的时间结构时才会产生有意义的评价。

行业模拟

我们创造了三个合成环境,跨越多个行业,每个行业都有与真实世界使用不同的特征:

- 药品环境,包括监管提交工作流程、临床试验讨论和交叉功能安全审查会议

- 资本市场环境,包括交易管道、合规通信和客户组合审查

- 一个模拟短跑规划、代码审查讨论和产品发布协调的信息技术/软件公司

这种行业的特异性确保了我们的评价查询测试Copilot与这些域中真正的用户实际提出的问题的种类,而不是依赖可能不是表面域特定故障模式的通用测试案例。

自动查询生成

虽然合成环境为评价提供了基础,但它们面临一个关键限制:我们仍然需要现实的评价查询。 这些都是测试Copilot能否表面显示正确信息,正确合成,并有益地呈现的问题。 手动写上千个禁闭,行业特定查询费用高昂且缓慢。 我们的自动输油管就是从那里进来的。

六阶段管道

我们建造了一条自动管道把简单的,通用的查询想法变成现实的,针对行业的Copilot问题。 它从一个庞大的图书馆开始,包含一些共同的工作场所任务,将它们缩小到与特定行业相关的,系统然后利用人工智能生成基于合成环境数据的查询,将其重写为更自然和人性化的声音,并验证每个查询的准确性和独特性。 结果形成了一套丰富的高质量,生命般的查询,使得Copilot在现实世界的情景中能够进行可伸缩和可靠的评价。

验证合成质量

当然,生成合成数据只是挑战的一部分。 我们还需要确保数据足以产生有意义的评价。 我们利用内部语义评价框架评估合成环境质量,该框架衡量三个层面的质量:

- 结构忠诚:组织结构是否反映了现实的报告等级、团队规模和跨职能关系?

- 背景相关性:查询和工作流程是否代表企业的实际使用模式?

- 行为现实主义:模拟用户是否展现人性化的交流模式和协作动力?.

- 内容安全:生成的内容是否没有有害、冒犯性或个人可识别的材料,是否避免冒充真正的个人?

端对端自动化

虽然我们的合成环境和查询管道提供了方法,但它们在缺乏适当自动化的情况下面临若干实际限制,包括:

- 可复制性:人工程序每次产生不同的结果,难以比较发布的评价。

- 规模:工业纵向和配置变体的数量超过任何团队能够合理手工生产的数量。

- 迭代速度:手工创建需要几天时间,延迟基本反馈,减缓发展周期。

——跨团队一致性:没有标准化的工具,不同的团队会制作格式和质量不相容的评价数据集。

这种自动化将评价数据集的创建从一个多日人工过程减少到自动运行。 我们估计每个评价数据集节省约100 000美元,项目节省总额节省约300 000美元。 但更重要的结果是,任何团队现在都可以从同一个配置中重新生成一个评价数据集,并获得相同的结果。

美洲会议

通过设计实现隐私和安全

企业级别评价要求的不仅仅是良好的方法。 它需要一种隐私姿态,允许团队在不损害用户信任的情况下快速行动。 我国行业评价数据集的一个不可谈判的设计原则是在管道的任何阶段都不使用真正的客户数据。 从组织结构到电子邮件内容到会议记录,每个要素都是合成的,没有客户数据投入。 由于数据同时是完全合成和安全筛选的,团队可以广泛共享和再利用,而无需引入声誉,合规,或责任AI风险。

我们的保障措施包括:在引用真实世界统计分布的地方采用保护隐私的汇总技术,对所有公共数据来源进行专家法律审查和批准,在整个管道中明确数据来源和分类跟踪。

这意味着跨越Microsoft的团队可以自由使用这些评价数据集进行实验,设定基准,进行回归测试,而无需隐私审查间接费用或数据处理限制,否则会减缓迭代。 隐私设计并不是对系统的制约。 这正是使广泛收养成为可能的原因。

结果和影响

自该项目启动以来,我们看到在多个层面都有重大改进。

在合成数据质量方面,我们的内部评分系统显示,在生成数据的结构、背景和统计可靠性方面,质量有了显著提高。 通过综合质量衡量标准(衡量合成数据如何紧密地反映真实企业环境的复杂性和模式),与我们最初的生成方法相比,得分提高了39%。 一些行业特定环境的质量分数在1.0分中达到0.9分以上,表明域集中生成产生高度现实的评价环境。 这些改进部分是通过纳入现实的工业信号,部分是通过关键的复合质量衡量标准实现质量改进的自动化,这有助于改善我们合成工业环境的结构完整性、环境一致性和统计多样性。

在规模和效率方面,每个合成环境现在都有数百个用户,拥有跨越三个行业纵向的完整通信历史。 评价数据集的创建从多日人工工作到管道自动运行。

在组织采纳方面,我国行业评价数据生成平台已发布到内部共享目录,用于跨团队重复使用,并作为Microsoft Copilot的第一个标准化评价基线。 不同之处不只是递增。 这是各小组如何对待评价的转变:从临时的手工程序转变为标准化的、有代表性的

本文由 AI图鉴自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

相关免费羊毛

同源资讯

阅读原文(microsoft.com)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI图鉴首页 · 提交工具 · 商务合作 · 关于本站 · 600 款 AI 工具分类导航 · 每日 AI 热门项目与动态