另一方面，人工智能允许系统从数据中学习，而不是被显式编程。系统学习数据中的模式和关系来做出预测或决策，而开发人员无需显式设置所有规则。训练数据不是提供如何解决问题的直接说明，而是用于训练模型识别模式和关系。然后使用经过训练的模型对新数据进行预测。它还可以通过使用新数据进行进一步训练来迭代改进。
总体而言，两种方法之间的主要区别在于解决问题的方式。传统项目使用明确的指令和规则，而人工智能是数据驱动的，系统无需明确编程即可学习执行任务。
法学硕士尤其难以评估，并且其答案只能在非常有限的范围内预测。这使得首先测试生成式人工智能解决方案作为 PoC（“概念验证”）的一部分变得更加重要。通常，作为敏捷开发方法的一部分，首先要相互测试和评估各种模型、参数和提示组合。
6.公共生成人工智能并不便宜
使用“本地”解决方案时的另一个重要问题是成本。除了纯粹的许 网络营销联系清单 可成本（使用商业法学硕士时大约为 0.02-0.06 欧元/1000 个字）之外，还必须提供足够强大的硬件基础设施，或者在必要时购买足够强大的硬件基础设施。除了运营和服务器成本之外，专用图形处理器 (GPU) 也是主要成本驱动因素（每单位约 12,000-20,000 欧元）。因此，大多数应用的成本预计在六位数范围内。
7. 公共生成人工智能应该可持续和可重复使用
生成式人工智能在公共管理中具有巨大的应用潜力。为了使其长期使用，应该以可持续和可重复使用的方式开发适当的人工智能系统。这意味着开发应该集中于创建不仅现在有用，而且将来也可以适应和开发的系统。可持续性还包括负责任地使用资源和尽量减少对环境的影响。特别是复杂的人工智能应用程序极其消耗资源，这就是为什么尽可能节能地实施生成式人工智能变得更加重要。通过考虑这些原则，可以开发公共部门的生成式人工智能系统，以提供可持续的附加值，同时满足道德和环境标准。