公司在AI训练中数据来源不透明，导致法律和伦理问题。MIT研究指出，企业难以追踪数据来源。区块链技术被提议作为解决方案，以确保数据的真实性和合规性。

该项目开发了一款OSINT风格的AI代理，收集公司公共信息并评估其声誉。该工具从LinkedIn、Glassdoor、Crunchbase等多个来源获取数据，生成简短总结和评分，帮助用户了解公司真实情况。

MIT研究人员开发了SymGen系统，帮助快速验证大型语言模型（LLM）的响应。SymGen通过生成带有引用的响应，用户可以查看数据来源，验证时间缩短约20%。目前支持表格数据，未来计划扩展至法律文件和临床总结等其他数据形式。

在InfoQ Dev Summit Boston上，Akamai的Justin Sheehy发表了一场关于在人工智能炒作时代成为负责任开发者的开场演讲。他提醒开发者们要认识到自己的力量和责任，并不要被人工智能的炒作所迷惑。他强调了人工智能的定义和当前的炒作现象，并提出了一些关于使用人工智能的建议，包括避免夸大其能力、注意数据的来源和潜在的偏见，以及确保所构建的系统对人类有益、诚实和无害。他呼吁开发者们在决策中考虑到人们的利益、保持诚实和最小化伤害，以实现负责任的开发。

两项最新研究揭示了AI基础模型的透明度问题，公司对训练数据和来源的透明度降低，引发了对AI透明度的关注。研究人员评估了十个顶级基础模型的透明度，结果显示整个行业在公众审查方面仍有困难。2024年的指数显示了一些改善，但仍存在一些不透明的问题，特别是数据来源、隐私和缓解措施方面。推动AI透明度是必要的，以确保符合道德标准，减少潜在的伤害。

Amazon DataZone推出数据沿袭功能，帮助用户了解数据来源、转换方式和使用情况，提高数据信任。用户可编程设置数据沿袭，跟踪数据移动旅程，节省时间。数据资产关联可通过可视化显示，做出明智决策。数据沿袭功能适用于Amazon DataZone所有区域，费用取决于存储使用量和API请求。

Amazon Bedrock代理现在提供了生成式人工智能（generative AI）跨多个系统和数据来源运行任务的新功能。用户可以使用新的简化控制台创建代理，并在操作组中定义代理与外部系统交互的方式。用户还可以选择将控制权交回给调用代理的应用程序，以便直接与AWS外部系统集成。用户还可以使用AWS CloudFormation部署和管理代理，确保应用程序在不同环境中的一致性和可重复性。

TechD认为生成AI的质量取决于准确的数据来源。IBM合作伙伴关系提供可扩展的解决方案，包括IBM Db2、IBM watsonx助手和NeuralSeek。这些工具协同工作，提供全面的数据管理、可访问性和安全性解决方案。这些技术使组织能够开发强大智能的对话界面，有效理解、推理和回应用户查询。

Otter推出了新的AI功能，名为“AI Chat in Channels”，允许团队向聊天机器人提问过去会议的内容。此外，Otter还扩展了AI聊天机器人的数据来源范围，并添加了AI会议摘要功能，旨在提高团队的工作效率。

本文介绍了处理SQL查询的方法，包括了解查询结构、最终结果、条件子句和数据来源等。通过逆序阅读和重复阅读查询，可以更好地理解和分析查询。阅读和理解SQL查询是现代时代每个人都应该具备的技能。

谷歌认为强密码需要更复杂，人工智能调优比关键词调优更难。LLM调优需要解决多个难点，每个LLM都需要调整。解决方案需要多个针对特定问题的LLM和来自未知来源的数据进行训练。

本文介绍了根据通货膨胀调整收入的方法，包括使用单一商品价格变化或消费价格指数（CPI）进行调整。还介绍了国内生产总值平减指数（GDP deflator）的使用。同时提到了数据的开放许可和引用数据来源。