مدل KLM برای ثبت شواهد پشت پاسخ‌های هوش مصنوعی معرفی شد

پژوهشگران در پیش‌چاپی با عنوان «مدل لایهٔ دانش» (KLM) طرحی برای ثبت مبنای پاسخ‌های هوش مصنوعی معرفی کرده‌اند تا ارزیابان بتوانند شواهد و ارزیابی‌های دانشیِ ثبت‌شده را بررسی کنند. این مشخصات باز و مستقل از پیاده‌سازی است و ارزیابی‌های نسخه‌دار، روابط میان شواهد و موارد صریحاً ناشناخته را در بر می‌گیرد.

SEDIM، معماری دانش و شواهد در Nage AI OS، به‌عنوان پیاده‌سازی مرجع معرفی شده است. نویسندگان به نسخهٔ KLM v0.3 اشاره می‌کنند. به‌گفتهٔ چکیده، داده‌های تجربی از آزمایش‌های داخلیِ جداگانه گردآوری شده‌اند و اعتبارسنجی سرتاسری محسوب نمی‌شوند. در یکی از این موارد، یک آزمون تاریخیِ مسیریابی میان دامنه‌های پلتفرم، ۱۳۷ طبقه‌بندی درست از ۱۵۰ مورد را در ۱۵ کلاس گزارش می‌کند؛ معادل ۹۱٫۳ درصد، با بازهٔ اسمی ۹۵درصدی ویلسون از ۸۵٫۷ تا ۹۴٫۹ درصد. چکیده می‌گوید صورت این نسبت از یک خلاصهٔ گرد‌شده بازیابی شده است.