AI宝库

AI宝库首页 › 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宝库每小时自动聚合

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,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,而真实的企业数据却包含在任何情况下都不能用于评价的敏感信息。

- 为解决这一紧张关系,我们建立了工业评估数据生成平台: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业务工作流程,帮助Microsoft找到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。 每个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,并加快生产力。 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。 其出自于测试,测量,并不断地延展。

医疗保健组织不断从各团队合成安全信号,以便他们能够做出更快,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总结一次会面,为团队提取行动项目。 在数秒内,Copilot会发出一份结构化的总结,引用了笔录中的具体讨论要点。 但是,我们如何确保这种反应准确、完整并适当基于会议内容?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,称为工业评价数据生成平台,其中包括行业特定评价数据集,旨在对照现实的企业情景测试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,而replicate则不使用任何客户数据,了解真实组织的复杂性

- 用于快速、可复制地创建评价数据集的自动查询生成管道

- 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,而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。 这就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,而是产生完整的合成环境: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名词中,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,我们把它们建立在公开的可获取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,使合成员工角色和责任现实化,调整分派给不同角色的工作活动的组合和频率,并调整行业特定工作流程,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快照。 它们模拟动态、时间变化的组织,包括会议历史、项目时间表、数周来发展起来的电子邮件线程以及自然展开的组织变化。 这种时间维度至关重要,因为大量的Copilot查询本身就具有时间意识。 “小组上周四决定了什么?” 或“自上个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,每个行业都有不同的特征,反映了真实世界的用法:

- 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

- 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询问的各类问题,而不是依赖于可能不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的限制:我们仍然需要现实的评价查询。 这些是检验Copilot能否表出正确的信息,正确合成,并有益地呈现出来的问题。 手工写上千个禁入,行业特定查询费用高得令人望而却步。 我们的自动输油管就是从那里进来的。

六阶段管道

我们建造了一个自动管道,将简单,通用的查询想法变成现实的,针对工业的Copilot问题。 并使用特定域的语言和背景来调整。 系统然后使用AI生成基于合成环境数据的查询,将查询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。 结果产生了一套丰富的高质量,活生生的查询,使得Copilot在现实世界的各种情景中能够被可伸缩和可靠地评价。

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?

- 关联性: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:模拟用户是否展现出类似人类的交流模式和协作动态?

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

端到端自动化

虽然我们的合成环境和查询管道提供了方法,但它们面临若干实际限制,没有适当的自动化,包括:

- 可复制性:人工程序每次产生不同的结果,难以比较整个发布的评价。

- 规模:行业垂直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。

- 迭接速度:人工创建需要几天时间,推迟基本反馈,并减缓发展周期。

- 跨小组一致性: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。

这种自动化减少了评价数据集的创建,从多日人工流程到自动运行。 我们估计,每个评价数据集可节省约100 000美元,项目总节省约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。

焦点:事件系列

隐私和设计安全

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。 由于数据同时被完全合成和安全筛选,团队可以广泛共享并再利用,而无需引入声誉,合规,或责任AI风险。

我们的保障措施包括提供真实世界统计分布参考的隐私保护汇总技术,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的团队可以自由地使用这些评价数据集进行实验,设定基准,并进行回归测试,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限制。 这正是使广泛通过成为可能的原因。

成果和影响

自该项目启动以来,我们看到在多个层面都有了重大改进。

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(它衡量合成数据如何紧密地反映真实企业环境的复杂性和规律),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超过1.0分的0.9分,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,这些衡量标准有助于改善我们合成工业环境的结构完整性、背景一致性和统计多样性。

在规模和效率方面,现在每个合成环境都包含数百个用户,拥有跨越三个行业纵向的完整通信历史。 评价数据集的建立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内部共享目录,用于跨团队再利用,并被确定为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:从临时人工程序改为标准化

本文由 AI宝库自动抓取并翻译,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宝库首页 · 提交工具 · 商务合作 · 关于本站 · 599 款 AI 工具分类导航 · 每日 AI 热门项目与动态