Page 312 - Izobraževanje v dobi generativne umetne inteligence

Alenka Žerovnik

juje njegovo praktičnost pri tako velikih modelih. Diferencialna zasebnost
je pogosto uporabljena tehnika, ki omogoča dodajanje šuma podatkom, s
čimer se zaščitijo posamezni podatki uporabnikov, kar je že uporabljeno v
mnogih aplikacijah UI, saj preprečuje deanonimizacijo podatkov, hkrati pa
zagotavlja agregatno analizo. Pri modelih GUI se lahko diferencialna zaseb-
nost uporablja za zaščito podatkov, pridobljenih med učenjem in interakcija-
mi z uporabniki, kar omogoča spoštovanje zasebnosti tudi v realnem času. V
kontekstu odpravljanja tveganj izpostavljenosti podatkov pa so pomembni
tudi procesi strogih pravilnikov glede dostopa do podatkov in omejevanje
vnosa občutljivih podatkov.
Izobraževalne institucije morajo zagotoviti, da je uporaba GUI skladna z
relevantnimi predpisi o varstvu podatkov in varuje osebne podatke vseh de-
ležnikov (Pack, 2024). Odločevalci bi morali v povezavi z orodji GUI vzpostaviti
jasne smernice za upravljanje s podatki, ki določajo, kako se bodo le-ti zbirali,
shranjevali in uporabljali. To je posebej pomembno v izobraževalnih kontek-
stih, kjer so lahko vključeni občutljivi podatki o učečih se.
Računalniška učinkovitost se nanaša na učinkovitost delovanja sistemov UI
glede na strojne omejitve ter na to, ali so ti sistemi s tega vidika praktični za
implementacijo v okoljih z omejenimi viri, kot so šole, visokošolske institucije
in druge izobraževalne ustanove (Woolf idr., 2013), in posledično ne vodijo v
poglabljanje razlik med institucijami. Bandi idr. (2023) razpravljajo o ključnih
strategijah za prilagajanje modelov GUI s tehnikami, kot sta kompresija mo-
dela in kvantizacija. Ti pristopi zmanjšujejo kompleksnost modela in omogo-
čajo učinkovito uporabo na omejeni infrastrukturi. V članku je poudarjen tudi
pomen izbire ustreznih arhitektur modela za uravnoteženje učinkovitosti in
zmogljivosti, s čimer »lahki« modeli v okoljih z omejenimi viri postanejo pri-
merni za aplikacije v realnem času (Bandi idr., 2023). Te optimizacije za veli-
ke jezikovne modele zmanjšujejo zahteve po računski moči in pomnilniku
ter povečujejo njihovo dostopnost in uporabnost v okoljih z omejenimi viri,
kot so šole z omejenimi računalniškimi zmogljivostmi. Revanth Vuruma idr.
(2024) se osredotočajo na implementacijo modelov GUI na robnih napravah
s strategijami, kot sta obrezovanje modela in destilacija znanja, da bi zmanj-
šali potrebo po obsežnih računalniških virih in omogočili delovanje v okolju
z omejenimi viri. Robna naprava se nanaša na naprave, ki izvajajo procesira-
nje podatkov lokalno, torej bližje viru podatkov, brez potrebe po neprekin-
jeni povezavi z oblačno infrastrukturo. To zmanjšuje odvisnost od omrežja in
omogoča hitro procesiranje ter večjo zasebnost podatkov, saj ostajajo podat-
ki na sami napravi. Destilacija znanja pa je proces, pri katerem se znanje iz
večjega in zapletenejšega modela prenese na manjši, lažji model, ki ohrani

312