Når virksomheder kombinerer eksisterende AI-modeller for at udvide deres evner, risikerer de at forringe den oprindelige funktion. Et nyt forskningspapir fra arXiv introducerer CertBind, en metode der gør det muligt at sammensætte multimodale AI-modeller – dem der forstår både tekst og billeder – uden at gå på kompromis med pålideligheden.
Kernen i problemet er, at letvægtsforbindelser mellem frosne AI-modeller kan udvide deres rækkevidde, men samtidig ændre deres oprindelige evne til at hente information. CertBind løser dette ved at indføre en flerskala-teori, der sikrer, at systemet kan identificere, hvornår en forespørgsel er pålidelig, og hvornår den skal sendes videre til en sikkerhedsmekanisme.
I praksis betyder det, at systemet kan klassificere svar som 'Direkte', 'Genoprettet', 'Certificeret' eller 'Afholdende'. Hvis en forespørgsel er usikker, afstår systemet i stedet for at give et potentielt forkert svar. Dette er afgørende for virksomheder, der implementerer AI i kritiske processer, hvor fejl kan få store konsekvenser.
Forskerne demonstrerede, at en delt rute i C-MCR benchmark reducerede native CLIP R@1 fra 0.524 til 0.290 – et markant fald. Men med CertBits produktionsmekanisme blev 0.963 af den oprindelige ydeevne genoprettet, og i den gren, der ikke krævede genopretning, var der ingen skade (no-harm-værdi på 1.000). Dette viser, at systemet kan kompensere for tab uden at ofre pålideligheden.
For beslutningstagere betyder dette, at man nu kan overveje at kombinere specialiserede AI-modeller uden at frygte, at man ødelægger deres kernefunktion. Det åbner for mere fleksible og modulære AI-arkitekturer, hvor man kan udskifte eller tilføje komponenter uden at genoptræne hele systemet – en betydelig omkostnings- og tidsbesparelse.
