
Kimi lader 100 digitale assistenter arbejde sammen på én opgave
Moonshot, virksomheden bag den kinesiske kunstig intelligens-tjeneste Kimi, har lanceret en ny funktion kaldet Swarm. Den gør det muligt at sætte op til 100 digitale assistenter i gang parallelt på den samme opgave. Det fremgår af et blogindlæg fra Kimi, som beskriver funktionen som en tidlig forskningsudgivelse.
Kort fortalt:
- Kimis Swarm-funktion kan ifølge leverandøren køre op til 100 parallelle digitale assistenter på én opgave
- Kimi oplyser, at en enkelt opgave kan omfatte over 1.500 automatiske delhandlinger og afvikles cirka 4,5 gange hurtigere end ved rækkefølge-behandling
- Funktionen er tilgængelig for abonnenter på det højeste abonnement
- Blogindlægget nævner ikke detaljer om databeskyttelse, databehandleraftaler eller sikkerhedskontroller
Hvad kan det bruges til?
Kimi fremhæver selv flere eksempler i blogindlægget. Blandt andet kan funktionen samle, kategorisere og opsummere over 200 tekster i én arbejdsgang. Et andet eksempel er at producere en længere rapport (omkring 100 sider) ud fra 40 dokumenter, hvor arbejdet deles op i delopgaver.
| Én digital assistent | Mange parallelle assistenter (Swarm) | |
|---|---|---|
| Arbejdsmåde | Opgaver løses trin for trin | Delopgaver fordeles og løses sideløbende |
| Omfang | Typisk mindre opgaver | Over 1.500 automatiske delhandlinger i én opgave (ifølge Kimi) |
| Hastighed | Grundlinje | Ca. 4,5 gange hurtigere ifølge Kimi |
Hvad betyder det for danske organisationer?
Funktionen er interessant, fordi den adresserer en konkret flaskehals: opgaver, der kræver gennemgang af store mængder ensartet materiale.
To danske eksempler, hvor den slags kapacitet kunne gøre en forskel:
Kommune: En forvaltning, der skal gennemgå og opsummere 150 høringssvar til en lokalplan, kan i princippet få et overblik hurtigere, hvis behandlingen kan ske parallelt.
Virksomhed: En rådgivningsvirksomhed, der skal kortlægge konkurrenter i 30 markedsnicher, kan få dækket alle nicher samtidig i stedet for én efter én.
Min vurdering: Start med det ufarlige og ensartede. Arbejde på offentligt tilgængelige dokumenter, kategorisering af henvendelser uden persondata eller markedsresearch er oplagte første skridt. Vær mere forsigtig med følsomme data, fordi blogindlægget ikke beskriver hverken databehandleraftaler eller sikkerhedskontroller. Og husk: fejl skalerer også. Hvis den underliggende model misforstår opgaven, kan du få mange fejl på én gang. Menneskelig kvalitetssikring bliver vigtigere, ikke mindre vigtig, jo flere automatiske hjælpere man sætter i arbejde.
Det kan du gøre nu
- Identificér gentagne, dokumenttunge opgaver, som i dag tager dage eller uger
- Vælg en første test, der kun bruger offentlige eller ufølsomme data
- Afklar med jeres databeskyttelsesansvarlige, om I kan bruge tjenesten under gældende regler
- Test med et lille datasæt først, og kontrollér kvaliteten manuelt bagefter
Kilder
🤖 Denne artikel er skrevet af kunstig intelligens og kan indeholde fejl.
Læs original kilde →Fandt du en fejl?