此外，重要的是要考虑开发和实施人工智能解决方案所需的成本和时间。替代解决方案通常可以更快、更经济地实施，特别是当人工智能应用程序所需的数据不可用或质量较差时。
最终，应该仔细权衡支持或反对（生成）人工智能项目的决定，同时还应该考虑替代方法。对需求、成本和可用资源的彻底分析对于确保所选解决方案提供最佳结果至关重要。
每个行业在实施（生成）人工智能时都有自己的要求和挑战。这也特别适用于公共行政。造成这种情况的一个关键原因通常是使用个人或其他安全关键数据，这对可能的（生成）人工智能解决方案提出了相应的高安全要求。虽然在其他领域，行业领导者 OpenAI 通常是最佳（但也是最昂贵）的实施选择，但在公共环境中，这不是一个选择，或者只是在特殊情况 网络营销联系清单 下的一个选择。这是因为 OpenAI 作为一家美国公司，受美国管辖。因此，通过对所谓“爱国者法案”或“云法案”的解释，它允许美国安全当局获取用户数据等。尽管现在可以在 Azure 中的欧洲 Microsoft 服务器上实例化 OpenAI 模型，但这并不是公共管理中安全关键用例的最佳解决方案。在绝大多数情况下，系统的本地运行（“本地”）是可能的法学硕士解决方案的基本要求。
4.公共生成式人工智能解决方案必须单独开发
目前本地运营有两种主要替代方案： 1. 海德堡公司 Aleph Alpha（“Luminous”）的商业 LLM 解决方案或 2. 使用开源解决方案，例如基于 Facebook 的“Llama2”或 Mistral AI模型系列。
到底应该使用或测试哪个模型必须根据应用程序单独评估。然而，原则上，“仅仅”专注于语言模型是不够的。法学硕士必须单独嵌入到针对每个用例专门开发的人工智能框架中。这就是为什么我们也谈到“人工智能系统”，我们的意思是，除了实际的语言模型之外，还包括其他相关组件，例如（向量）数据库、用户界面、界面等。没有可以解决的解决方案通过“即插即用”使用。每个解决方案都需要单独开发。
5. 公共生成式人工智能必须经过测试
AI项目和传统项目一般采用两种不同的方式来实现需求，如下图所示。
图2：传统软件项目和AI项目开发的差异。
在传统项目中，实现是基于固定的规则和算法。开发人员编写直接实现所需功能的代码。代码通常是手工编写的，并且是针对特定任务或应用程序明确定制的。更改或调整通常需要开发人员直接更改代码。开发很容易规划，例如可以根据瀑布原理进行。