# Comportamento e accuratezza del modello

Zoom AI Companion è alimentato da una combinazione di modelli di linguaggio di grandi dimensioni (LLM) proprietari e di terze parti, progettati per fornire intelligenza contestuale attraverso i prodotti di Zoom. Le sezioni seguenti descrivono le pratiche di Zoom per i dati di addestramento, la gestione delle allucinazioni e la messa a punto delle prestazioni del sistema.

### <mark style="color:blu;">Zoom non utilizza i contenuti dei clienti per l'addestramento dei modelli</mark>

Zoom sì **è** utilizza contenuti dei clienti simili a comunicazioni—come audio, chat, condivisione dello schermo, lavagne o reazioni—per addestrare qualsiasi modello di Zoom o di terze parti.

Zoom addestra i suoi modelli utilizzando:

* Dati di dominio pubblico
* Set di dati di terze parti acquistati
* Materiali di addestramento creati da Zoom

Zoom esamina i set di dati per determinare se sono stati ottenuti legalmente e se la licenza è applicabile all'uso proposto da Zoom. Nota che utilizziamo anche fornitori di modelli di terze parti, come OpenAI e Anthropic, come parte del nostro modello federato. Si prega di fare riferimento alle informazioni che forniscono riguardo ai dati di addestramento.

### <mark style="color:blu;">L'intelligenza artificiale generativa può allucinate</mark>

Come per qualsiasi modello generativo, AI Companion può generare output che sono fattualmente errati o non pertinenti (allucinazioni). Zoom raccomanda di esaminare attentamente gli output. Zoom riduce le allucinazioni tramite:

* Testare i modelli con casi d'uso reali
* Migliorare il contesto tramite generazione aumentata dal recupero (RAG)
* Potenziare il supporto linguistico con pipeline di traduzione (ad es., dall'inglese allo spagnolo)

### <mark style="color:blu;">Le prestazioni di AI Companion sono monitorate e ottimizzate</mark>

Zoom monitora regolarmente le prestazioni dei modelli, traccia metriche di qualità e aggiorna i sistemi interni per migliorare accuratezza e trasparenza. Sebbene l'esplicabilità sia limitata dal design del modello, le regressioni delle prestazioni vengono affrontate tramite cicli di test e aggiornamento.