តើមនុស្សយន្តប្រើប្រាស់ AI យ៉ាងដូចម្តេច? [វីដេអូ និងសំណួរ]

ចម្លើយខ្លី៖ មនុស្សយន្តប្រើប្រាស់បញ្ញាសិប្បនិម្មិត (AI) ដើម្បីដំណើរការរង្វិលជុំជាបន្តបន្ទាប់នៃការចាប់សញ្ញា ការយល់ដឹង ការធ្វើផែនការ ការធ្វើសកម្មភាព និងការរៀនសូត្រ ដូច្នេះពួកវាអាចធ្វើចលនា និងធ្វើការដោយសុវត្ថិភាពនៅក្នុងបរិស្ថានដែលមានភាពរញ៉េរញ៉ៃ និងផ្លាស់ប្តូរ។ នៅពេលដែលឧបករណ៍ចាប់សញ្ញាមានសំឡេងរំខាន ឬទំនុកចិត្តធ្លាក់ចុះ ប្រព័ន្ធដែលរចនាបានល្អនឹងថយចុះល្បឿន ឈប់ដោយសុវត្ថិភាព ឬសុំជំនួយជាជាងការទាយ។

ចំណុចសំខាន់ៗ៖

រង្វិលជុំស្វ័យភាព៖ កសាងប្រព័ន្ធជុំវិញអារម្មណ៍-យល់-ធ្វើផែនការ-ធ្វើសកម្មភាព-រៀន មិនមែនជាគំរូតែមួយនោះទេ។

ភាពរឹងមាំ៖ រចនាឡើងសម្រាប់ពន្លឺចាំង ភាពរញ៉េរញ៉ៃ ការរអិល និងចលនារបស់មនុស្សដែលមិនអាចទាយទុកជាមុនបាន។

ភាពមិនប្រាកដប្រជា៖ បង្ហាញទំនុកចិត្ត ហើយប្រើប្រាស់វាដើម្បីបង្កឱ្យមានឥរិយាបថដែលមានសុវត្ថិភាព និងអភិរក្សនិយមជាងមុន។

កំណត់ហេតុសុវត្ថិភាព៖ កត់ត្រាសកម្មភាព និងបរិបទ ដើម្បីឱ្យការបរាជ័យអាចធ្វើសវនកម្ម និងអាចជួសជុលបាន។

ជង់​ចម្រុះ៖ ផ្សំ ML ជាមួយនឹង​ការរឹតបន្តឹង​រូបវិទ្យា និង​ការគ្រប់គ្រង​បែបបុរាណ​សម្រាប់​ភាពជឿជាក់។

ខាងក្រោមនេះគឺជាទិដ្ឋភាពទូទៅអំពីរបៀបដែល AI បង្ហាញនៅក្នុងមនុស្សយន្ត ដើម្បីធ្វើឱ្យពួកវាដំណើរការប្រកបដោយប្រសិទ្ធភាព។.

អត្ថបទដែលអ្នកប្រហែលជាចង់អានបន្ទាប់ពីអត្ថបទនេះ៖

🔗 នៅពេលដែលមនុស្សយន្តរបស់ Elon Musk គំរាមកំហែងដល់ការងារ
អ្វីដែលមនុស្សយន្តរបស់ក្រុមហ៊ុន Tesla អាចធ្វើបាន និងតួនាទីអ្វីខ្លះដែលអាចផ្លាស់ប្តូរ។.

🔗 តើមនុស្សយន្ត AI ជាអ្វី?
ស្វែងយល់ពីរបៀបដែលមនុស្សយន្តស្រដៀងនឹងមនុស្ស យល់ឃើញ ផ្លាស់ទី និងធ្វើតាមការណែនាំ។.

🔗 តើការងារអ្វីខ្លះដែល AI នឹងជំនួស
តួនាទីដែលងាយរងគ្រោះបំផុតចំពោះស្វ័យប្រវត្តិកម្ម និងជំនាញដែលនៅតែមានតម្លៃ។.

🔗 ការងារ​បញ្ញា​សិប្បនិម្មិត និង​អាជីព​នា​ពេល​អនាគត
ផ្លូវអាជីព AI សព្វថ្ងៃនេះ និងរបៀបដែល AI ផ្លាស់ប្តូរនិន្នាការការងារ។.

តើមនុស្សយន្តប្រើប្រាស់ AI យ៉ាងដូចម្តេច? គំរូផ្លូវចិត្តរហ័ស

មនុស្សយន្តភាគច្រើនដែលប្រើ AI ធ្វើតាមរង្វិលជុំដូចនេះ៖

• អារម្មណ៍ 👀៖ កាមេរ៉ា មីក្រូហ្វូន LiDAR ឧបករណ៍ចាប់សញ្ញាកម្លាំង ឧបករណ៍អ៊ិនកូដកង់ ជាដើម។

• យល់​ដឹង ​🧠៖ រកឃើញវត្ថុ ប៉ាន់ស្មានទីតាំង ស្គាល់ស្ថានភាព និងទស្សន៍ទាយចលនា។

• ផែនការ 🗺️៖ ជ្រើសរើសគោលដៅ គណនាផ្លូវដែលមានសុវត្ថិភាព និងកំណត់ពេលភារកិច្ច។

• សកម្មភាព 🦾៖ បង្កើតពាក្យបញ្ជាម៉ូទ័រ ការក្តាប់ ការរមៀល តុល្យភាព និងជៀសវាងឧបសគ្គ។

• រៀន 🔁៖ កែលម្អការយល់ឃើញ ឬឥរិយាបថពីទិន្នន័យ (ជួនកាលតាមអ៊ីនធឺណិត ជារឿយៗក្រៅបណ្តាញ)។

«បញ្ញាសិប្បនិម្មិត» ជាច្រើនរបស់មនុស្សយន្ត គឺជាជង់នៃបំណែកៗដែលធ្វើការរួមគ្នា - ការយល់ឃើញ ការ ប៉ាន់ស្មានស្ថានភាព ការធ្វើផែនការ និង ការគ្រប់គ្រង - ដែលរួមគ្នាបង្កើតបានជាស្វ័យភាព។

ការពិតជាក់ស្តែងមួយនៅក្នុង "វាល"៖ ផ្នែកដែលពិបាកជាធម្មតាមិនមែនជាការធ្វើឱ្យមនុស្សយន្តធ្វើអ្វីមួយម្តងនៅក្នុងការបង្ហាញជាក់ស្តែងនោះទេ - វាគឺជាការធ្វើឱ្យវាធ្វើរឿងសាមញ្ញដូចគ្នា ដោយអាចទុកចិត្តបាន នៅពេលដែលភ្លើងផ្លាស់ប្តូរ កង់រអិល កម្រាលឥដ្ឋភ្លឺចែងចាំង ធ្នើរបានផ្លាស់ប្តូរ ហើយមនុស្សដើរដូចជា NPCs ដែលមិនអាចទាយទុកជាមុនបាន។

អ្វីដែលធ្វើឱ្យខួរក្បាល AI ល្អសម្រាប់មនុស្សយន្ត

ការរៀបចំ AI មនុស្សយន្តដ៏រឹងមាំមួយមិនគួរគ្រាន់តែឆ្លាតវៃនោះទេ - វាគួរតែមាន ភាពជឿជាក់ នៅក្នុងបរិយាកាសដែលមិនអាចទាយទុកជាមុនបាន និងក្នុងពិភពពិត។

លក្ខណៈសំខាន់ៗរួមមាន៖

• ការអនុវត្តជាក់ស្តែង ⏱️ (ពេលវេលាមានសារៈសំខាន់សម្រាប់ការសម្រេចចិត្ត)

• ភាពរឹងមាំចំពោះទិន្នន័យរញ៉េរញ៉ៃ (ពន្លឺចាំង សំឡេងរំខាន ភាពរញ៉េរញ៉ៃ ភាពព្រិលៗដោយចលនា)

• របៀបបរាជ័យដ៏ទន់ភ្លន់ 🧯 (បន្ថយល្បឿន ឈប់ដោយសុវត្ថិភាព សុំជំនួយ)

• អាទិភាពល្អ + ការរៀនសូត្រល្អ (រូបវិទ្យា + ការរឹតបន្តឹង + ML- មិនមែនគ្រាន់តែជា "អារម្មណ៍")

• គុណភាពនៃការយល់ឃើញដែលអាចវាស់វែងបាន 📏 (ដឹងពីពេលដែលឧបករណ៍ចាប់សញ្ញា/ម៉ូដែលត្រូវបានចុះខ្សោយ)

មនុស្សយន្តល្អបំផុតច្រើនតែមិនមែនជាមនុស្សយន្តដែលអាចធ្វើល្បិចកលបានម្តងនោះទេ ប៉ុន្តែជាមនុស្សយន្តដែលអាចធ្វើការងារគួរឱ្យធុញបានយ៉ាងល្អជារៀងរាល់ថ្ងៃ។.

តារាងប្រៀបធៀបនៃប្លុកសំណង់ AI រ៉ូបូតទូទៅ

ការយល់ឃើញ៖ របៀបដែលមនុស្សយន្តប្រែក្លាយទិន្នន័យឧបករណ៍ចាប់សញ្ញាឆៅទៅជាអត្ថន័យ

ការយល់ឃើញ គឺជាកន្លែងដែលមនុស្សយន្តប្រែក្លាយស្ទ្រីមឧបករណ៍ចាប់សញ្ញាទៅជាអ្វីមួយដែលពួកវាអាចប្រើប្រាស់បាន៖

• កាមេរ៉ា → ការសម្គាល់វត្ថុ ការប៉ាន់ស្មានឥរិយាបថ ការយល់ដឹងពីទិដ្ឋភាព

• LiDAR → ចម្ងាយ + ធរណីមាត្រឧបសគ្គ

• កាមេរ៉ាជម្រៅ → រចនាសម្ព័ន្ធ 3D និងទំហំទំនេរ

• មីក្រូហ្វូន → សញ្ញាសំឡេង និងសំឡេង

• ឧបករណ៍ចាប់សញ្ញាកម្លាំង/កម្លាំងបង្វិលជុំ → ការក្តាប់ និងការសហការដែលមានសុវត្ថិភាពជាងមុន

• ឧបករណ៍ចាប់សញ្ញាប៉ះ → ការរកឃើញការរអិល ព្រឹត្តិការណ៍ប៉ះ

មនុស្សយន្តពឹងផ្អែកលើ AI ដើម្បីឆ្លើយសំណួរដូចជា៖

• «តើ​មាន​វត្ថុ​អ្វី​ខ្លះ​នៅ​ពី​មុខ​ខ្ញុំ?»

• «នោះជាមនុស្សឬក៏តុក្កតា?»

• «តើ​ចំណុច​ដៃ​នៅ​ឯណា?»

• «មានអ្វីមួយកំពុងរំកិលមករកខ្ញុំមែនទេ?»

ព័ត៌មានលម្អិតដ៏ស្រទន់ ប៉ុន្តែសំខាន់មួយ៖ ប្រព័ន្ធយល់ឃើញគួរតែបង្ហាញ ភាពមិនប្រាកដប្រជា (ឬតំណាងទំនុកចិត្ត) មិនមែនគ្រាន់តែជាចម្លើយបាទ/ទេនោះទេ ពីព្រោះការធ្វើផែនការ និងការសម្រេចចិត្តសុវត្ថិភាពនៅផ្នែកខាងក្រោមអាស្រ័យលើ ភាពប្រាកដប្រជា របស់រ៉ូបូត។

ការធ្វើមូលដ្ឋានីយកម្ម និងការគូសផែនទី៖ ដឹងពីកន្លែងដែលអ្នកនៅដោយមិនភ័យស្លន់ស្លោ

មនុស្សយន្តត្រូវដឹងពីកន្លែងដែលវាដំណើរការបានត្រឹមត្រូវ។ ជារឿយៗវាត្រូវបានដោះស្រាយតាមរយៈ SLAM (Simultaneous Localization and Mapping)៖ ការបង្កើតផែនទី ខណៈពេលកំពុងប៉ាន់ស្មានទីតាំងរបស់មនុស្សយន្តក្នុងពេលតែមួយ។ នៅក្នុងរូបមន្តបុរាណ SLAM ត្រូវបានចាត់ទុកថាជាបញ្ហាប៉ាន់ស្មានប្រូបាប៊ីលីតេ ជាមួយនឹងក្រុមគ្រួសារទូទៅរួមទាំងវិធីសាស្រ្តផ្អែកលើ EKF និងវិធីសាស្រ្តផ្អែកលើតម្រងភាគល្អិត។ [1]

ជាធម្មតារ៉ូបូតរួមបញ្ចូលគ្នា៖

• អូដូមេទ្រីកង់ (ការតាមដានជាមូលដ្ឋាន)

• ការផ្គូផ្គងស្កេន LiDAR ឬចំណុចសម្គាល់ដែលមើលឃើញ

• IMU (ការបង្វិល/ការបង្កើនល្បឿន)

• GPS (ក្រៅផ្ទះ មានដែនកំណត់)

មនុស្សយន្តមិនអាចត្រូវបានកំណត់ទីតាំងបានល្អឥតខ្ចោះជានិច្ចនោះទេ ដូច្នេះជង់ល្អៗធ្វើសកម្មភាពដូចជាមនុស្សធំ៖ តាមដានភាពមិនប្រាកដប្រជា រកឃើញការរសាត់បាត់ និងត្រលប់ទៅរកឥរិយាបថដែលមានសុវត្ថិភាពជាងមុននៅពេលដែលទំនុកចិត្តធ្លាក់ចុះ។.

ការធ្វើផែនការ និងការធ្វើការសម្រេចចិត្ត៖ ការជ្រើសរើសអ្វីដែលត្រូវធ្វើបន្ទាប់

នៅពេលដែលមនុស្សយន្តមានរូបភាពដែលអាចអនុវត្តបាននៃពិភពលោក វាត្រូវសម្រេចចិត្តថាត្រូវធ្វើអ្វី។ ការធ្វើផែនការច្រើនតែបង្ហាញជាពីរស្រទាប់៖

• ការធ្វើផែនការក្នុងស្រុក (ប្រតិកម្មរហ័ស) ⚡
  ជៀសវាងឧបសគ្គ បន្ថយល្បឿននៅជិតមនុស្ស ដើរតាមគន្លងផ្លូវ/ច្រករបៀង។

• ការធ្វើផែនការសកល (រូបភាពធំជាង) 🧭
  ជ្រើសរើសគោលដៅ ផ្លូវជុំវិញតំបន់ដែលត្រូវបានរារាំង កំណត់ពេលភារកិច្ច។

នៅក្នុងការអនុវត្តជាក់ស្តែង នេះជាកន្លែងដែលមនុស្សយន្តប្រែក្លាយ "ខ្ញុំគិតថាខ្ញុំឃើញផ្លូវច្បាស់លាស់" ទៅជាពាក្យបញ្ជាចលនាជាក់ស្តែង ដែលនឹងមិនកាត់ជ្រុងធ្នើរ ឬរសាត់ចូលទៅក្នុងកន្លែងផ្ទាល់ខ្លួនរបស់មនុស្សឡើយ។.

ការគ្រប់គ្រង៖ ប្រែក្លាយផែនការទៅជាចលនារលូន

ប្រព័ន្ធត្រួតពិនិត្យបំលែងសកម្មភាពដែលបានគ្រោងទុកទៅជាចលនាពិត ខណៈពេលដែលដោះស្រាយជាមួយនឹងការរំខានក្នុងពិភពពិតដូចជា៖

• ការកកិត

• ការផ្លាស់ប្តូរបន្ទុក

• ទំនាញផែនដី

• ការពន្យាពេលម៉ូទ័រ និងប្រតិកម្មតបវិញ

ឧបករណ៍ទូទៅរួមមាន PIDការគ្រប់គ្រង ផ្អែកលើគំរូការគ្រប់គ្រង ព្យាករណ៍គំរូនិង ចលនវិទ្យាបញ្ច្រាស សម្រាប់ដៃ ពោលគឺគណិតវិទ្យាដែលប្រែក្លាយ "ដាក់ឧបករណ៍ក្តាប់ នៅទីនោះ" ទៅជាចលនាសន្លាក់។ [2]

វិធីមានប្រយោជន៍មួយដើម្បីគិតអំពីវា៖
ការធ្វើផែនការជ្រើសរើសផ្លូវមួយ។
ការគ្រប់គ្រងធ្វើឱ្យមនុស្សយន្តពិតជាដើរតាមវាដោយមិនរង្គើ ហោះលើសល្បឿន ឬញ័រដូចរទេះទិញទំនិញដែលមានជាតិកាហ្វេអ៊ីននោះទេ។

ការរៀនសូត្រ៖ របៀបដែលមនុស្សយន្តមានភាពប្រសើរឡើងជំនួសឱ្យការត្រូវបានសរសេរកម្មវិធីឡើងវិញជារៀងរហូត

មនុស្សយន្តអាចកែលម្អបានដោយការរៀនពីទិន្នន័យជាជាងការលៃតម្រូវដោយដៃបន្ទាប់ពីការផ្លាស់ប្តូរបរិស្ថាននីមួយៗ។.

វិធីសាស្រ្តសិក្សាសំខាន់ៗរួមមាន៖

• ការរៀនសូត្រដែលមានការត្រួតពិនិត្យ 📚៖ រៀនពីឧទាហរណ៍ដែលមានស្លាក (ឧទាហរណ៍ “នេះជាបន្ទះឈើ”)។

• ការរៀនសូត្រដោយខ្លួនឯង 🔍៖ រៀនរចនាសម្ព័ន្ធពីទិន្នន័យឆៅ (ឧទាហរណ៍ ការទស្សន៍ទាយស៊ុមនាពេលអនាគត)។

• ការរៀនសូត្រពង្រឹងសមត្ថភាព 🎯៖ រៀនសកម្មភាពដោយបង្កើនសញ្ញារង្វាន់ឱ្យបានអតិបរមាតាមពេលវេលា (ជារឿយៗត្រូវបានហ៊ុមព័ទ្ធដោយភ្នាក់ងារ បរិស្ថាន និងផលចំណេញ)។ [3]

កន្លែងដែល RL ភ្លឺស្វាង៖ ការរៀនឥរិយាបថស្មុគស្មាញ ដែលការរចនាឧបករណ៍បញ្ជាដោយដៃគឺជារឿងឈឺចាប់។
កន្លែងដែល RL កាន់តែមានភាពទាក់ទាញ៖ ប្រសិទ្ធភាពទិន្នន័យ សុវត្ថិភាពអំឡុងពេលរុករក និងចន្លោះប្រហោង sim-to-real។

អន្តរកម្មរវាងមនុស្ស និងមនុស្សយន្ត៖ បញ្ញាសិប្បនិម្មិត (AI) ដែលជួយមនុស្សយន្តធ្វើការជាមួយមនុស្ស

ចំពោះមនុស្សយន្តនៅក្នុងផ្ទះ ឬកន្លែងធ្វើការ អន្តរកម្មមានសារៈសំខាន់។ បញ្ញាសិប្បនិម្មិត (AI) អនុញ្ញាតឱ្យ៖

• ការស្គាល់សំឡេង (សំឡេង → ពាក្យ)

• ការរកឃើញចេតនា (ពាក្យ → អត្ថន័យ)

• ការយល់ដឹងអំពីកាយវិការ (ចង្អុល ភាសាកាយវិការ)

នេះស្តាប់ទៅសាមញ្ញរហូតដល់អ្នកផ្ញើវា៖ មនុស្សមិនស៊ីសង្វាក់គ្នា ការសង្កត់សំឡេងខុសគ្នា បន្ទប់មានសំឡេងរំខាន ហើយពាក្យ «នៅទីនោះ» មិនមែនជាស៊ុមសម្របសម្រួលទេ។.

ទំនុកចិត្ត សុវត្ថិភាព និង «កុំធ្វើជាមនុស្សគួរឲ្យខ្លាច»៖ ផ្នែកដែលមិនសូវសប្បាយ ប៉ុន្តែសំខាន់

មនុស្សយន្តគឺជាប្រព័ន្ធ AI ដែលមាន ផលវិបាកខាងរូបវន្តដូច្នេះការជឿទុកចិត្ត និងការអនុវត្តសុវត្ថិភាពមិនអាចជារឿងបន្ទាប់បន្សំបានទេ។

រន្ទាសុវត្ថិភាពជាក់ស្តែងច្រើនតែរួមមាន៖

• តាមដានទំនុកចិត្ត/ភាពមិនប្រាកដប្រជា

• ឥរិយាបថអភិរក្សនិយមនៅពេលដែលការយល់ឃើញធ្លាក់ចុះ

• សកម្មភាពកត់ត្រាសម្រាប់ការបំបាត់កំហុស និងការធ្វើសវនកម្ម

• ព្រំដែនច្បាស់លាស់លើអ្វីដែលមនុស្សយន្តអាចធ្វើបាន

មធ្យោបាយកម្រិតខ្ពស់ដ៏មានប្រយោជន៍មួយដើម្បីកំណត់រឿងនេះគឺការគ្រប់គ្រងហានិភ័យ៖ ការគ្រប់គ្រង ការកំណត់ផែនទីហានិភ័យ ការវាស់វែងហានិភ័យ និងការគ្រប់គ្រងវានៅទូទាំងវដ្តជីវិត ដែលស្របនឹងរបៀបដែល NIST រៀបចំរចនាសម្ព័ន្ធការគ្រប់គ្រងហានិភ័យ AI ឱ្យកាន់តែទូលំទូលាយ។ [4]

និន្នាការ "គំរូធំ"៖ មនុស្សយន្តដែលប្រើប្រាស់គំរូគ្រឹះ

គំរូមូលនិធិកំពុងជំរុញឆ្ពោះទៅរកឥរិយាបថមនុស្សយន្តដែលមានគោលបំណងទូទៅជាងមុន ជាពិសេសនៅពេលដែលភាសា ចក្ខុវិស័យ និងសកម្មភាពត្រូវបានធ្វើគំរូរួមគ្នា។.

ឧទាហរណ៍​មួយ​នៃ​ទិសដៅ​គឺ ​ចក្ខុវិស័យ-ភាសា-សកម្មភាព (VLA) ដែល​ប្រព័ន្ធ​មួយ​ត្រូវ​បាន​បណ្តុះបណ្តាល​ឱ្យ​ភ្ជាប់​អ្វី​ដែល​វា​ឃើញ + អ្វីដែល​វា​ត្រូវ​បាន​ប្រាប់​ឱ្យ​ធ្វើ + សកម្មភាព​អ្វី​ដែល​វា​គួរ​ធ្វើ។ RT-2 គឺជា​ឧទាហរណ៍​ដែល​ត្រូវ​បាន​ដកស្រង់​យ៉ាង​ទូលំទូលាយ​នៃ​រចនាប័ទ្ម​នៃ​វិធីសាស្ត្រ​នេះ។ [5]

ផ្នែកដ៏គួរឱ្យរំភើប៖ ការយល់ដឹងកាន់តែមានភាពបត់បែន និងកម្រិតខ្ពស់។
ការត្រួតពិនិត្យការពិត៖ ភាពជឿជាក់នៃពិភពរូបវន្តនៅតែទាមទាររបាំងការពារ - ការប៉ាន់ស្មានបែបបុរាណ ការរឹតបន្តឹងសុវត្ថិភាព និងការគ្រប់គ្រងបែបអភិរក្សមិនបាត់ទៅណាឡើយ ដោយសារតែមនុស្សយន្តអាច "និយាយបានឆ្លាតវៃ"។

សុន្ទរកថាចុងក្រោយ

ដូច្នេះ តើ មនុស្សយន្តប្រើប្រាស់ AI យ៉ាងដូចម្តេច? មនុស្សយន្តប្រើប្រាស់ AI ដើម្បី យល់ឃើញ ប៉ាន់ស្មាន ស្ថានភាព (តើខ្ញុំនៅឯណា?) រៀបចំផែនការ និង គ្រប់គ្រង - ហើយជួនកាល រៀន ពីទិន្នន័យដើម្បីកែលម្អ។ AI អនុញ្ញាតឱ្យមនុស្សយន្តដោះស្រាយភាពស្មុគស្មាញនៃបរិស្ថានថាមវន្ត ប៉ុន្តែភាពជោគជ័យអាស្រ័យលើប្រព័ន្ធដែលអាចទុកចិត្តបាន និងអាចវាស់វែងបានជាមួយនឹងឥរិយាបថសុវត្ថិភាពជាមុនសិន។

ឧទាហរណ៍​ក្នុង​ពិភព​ពិត៖ ការ​បង្កើត​ជំនួយការ AI សម្រាប់​មនុស្សយន្ត​ឃ្លាំង

សេណារីយ៉ូ

ស្រមៃមើលឃ្លាំងដឹកជញ្ជូនតូចមួយដែលប្រើប្រាស់មនុស្សយន្តចល័តស្វ័យប្រវត្តិដើម្បីផ្លាស់ទីកាបូបដែលបិទជិតពីតុវេចខ្ចប់ទៅកាន់តំបន់បញ្ជូន។ មនុស្សយន្តនេះមិនចាំបាច់ "យល់អ្វីៗគ្រប់យ៉ាង" ទេ។ វាត្រូវធ្វើការងារមួយដែលអាចទុកចិត្តបាន៖ ប្រមូលកាបូប រុករកច្រកផ្លូវរួមគ្នា ជៀសវាងមនុស្ស និងឡានដឹកទំនិញ និងឈប់ដោយសុវត្ថិភាពនៅពេលដែលទំនុកចិត្តធ្លាក់ចុះ។.

បច្ចេកវិទ្យា AI stack នឹងរួមបញ្ចូលគ្នានូវចក្ខុវិស័យកុំព្យូទ័រ LiDAR SLAM ការធ្វើផែនការផ្លូវ ការជៀសវាងឧបសគ្គ និងការណែនាំភាសាជាមូលដ្ឋានពីបុគ្គលិក។ អ្នកត្រួតពិនិត្យអាចនិយាយថា "យកកាបូបនេះទៅកន្លែងបញ្ជូនលេខ 3" ប៉ុន្តែមនុស្សយន្តនៅតែត្រូវការច្បាប់សុវត្ថិភាពរឹងមាំនៅក្រោមស្រទាប់ភាសា។.

នេះ​ជា​ឧទាហរណ៍​ដ៏​រឹងមាំ​មួយ ពី​ព្រោះ​វា​បង្ហាញ​ថា AI រ៉ូបូត​ដំណើរការ​ជា​ជង់​ជាក់ស្តែង ជាជាង​ម៉ូដែល​យក្ស​មួយ​ធ្វើការ​ស្មាន។.

អ្វីដែលជំនួយការត្រូវការ

ការរៀបចំនឹងត្រូវការ៖

• ផែនទីឃ្លាំង រួមទាំងតុវេចខ្ចប់ ចំណតដឹកជញ្ជូន តំបន់ហាមឃាត់ ចំណុចសាកថ្ម និងច្រកតូចចង្អៀត

• ទិន្នន័យកាមេរ៉ា ឬកាមេរ៉ាជម្រៅសម្រាប់សម្គាល់កាបូប មនុស្ស សញ្ញាសម្គាល់កម្រាលឥដ្ឋ និងផ្លូវដែលត្រូវបានរារាំង

• LiDAR ឬឧបករណ៍ចាប់សញ្ញាចម្ងាយផ្សេងទៀតសម្រាប់រកឃើញឧបសគ្គ

• ឧបករណ៍អ៊ិនកូដកង់ និងទិន្នន័យ IMU សម្រាប់ការធ្វើមូលដ្ឋានីយកម្ម

• ច្បាប់សម្រាប់ដែនកំណត់ល្បឿន ចម្ងាយឈប់ និងឥរិយាបថសុវត្ថិភាពរបស់មនុស្ស

• បញ្ជីភារកិច្ចពីប្រព័ន្ធឃ្លាំង ដូចជាលេខសម្គាល់កាបូប ចំណុចទទួល និងគោលដៅ

• កំណត់ហេតុដែលកត់ត្រាផ្លូវ ពិន្ទុទំនុកចិត្ត ការឈប់ ការជិតបុក និងអន្តរាគមន៍របស់មនុស្ស

ចំណុចសំខាន់គឺថា ការណែនាំភាសាមិនគួរជាស្រទាប់ត្រួតពិនិត្យតែមួយគត់នោះទេ។ មនុស្សយន្តអាចទទួលយកពាក្យបញ្ជាដែលងាយស្រួលសម្រាប់មនុស្ស ប៉ុន្តែចលនាគួរតែត្រូវបានគ្រប់គ្រងដោយការរឹតបន្តឹងលើការធ្វើផែនទី ការធ្វើផែនការ ការគ្រប់គ្រង និងការរឹតបន្តឹងសុវត្ថិភាព។.

ឧទាហរណ៍នៃការណែនាំ

ការណែនាំប្រតិបត្តិការសាមញ្ញសម្រាប់ជំនួយការរ៉ូបូតអាចមើលទៅដូចនេះ៖

អ្នកគឺជាជំនួយការភារកិច្ចសម្រាប់មនុស្សយន្តចល័តឃ្លាំង។ ការងាររបស់អ្នកគឺប្រែក្លាយសំណើរបស់បុគ្គលិកទៅជាភារកិច្ចផ្លាស់ទីដោយសុវត្ថិភាព។ បង្កើតភារកិច្ចតែនៅពេលដែលចំណុចទទួល គោលដៅ និងលេខសម្គាល់កាបូបមានភាពច្បាស់លាស់។ ប្រសិនបើមានព័ត៌មានលម្អិតណាមួយបាត់ សូមសួរសំណួរបំភ្លឺខ្លីមួយ។ កុំបង្កើតទីតាំង។ ប្រសិនបើផ្លូវត្រូវបានរារាំង សូមជ្រើសរើសផ្លូវជំនួសដែលត្រូវបានអនុម័ត ប្រសិនបើមាន។ ប្រសិនបើទំនុកចិត្តលើការយល់ឃើញធ្លាក់ចុះក្រោមកម្រិតសុវត្ថិភាព សូមបន្ថយល្បឿន ឈប់ ឬស្នើសុំជំនួយពីមនុស្ស។ កត់ត្រារាល់ការទទួលដែលបរាជ័យ ផ្លូវដែលត្រូវបានរារាំង ការឈប់បន្ទាន់ និងការជំនួសដោយដៃ។.

សំណើរបស់បុគ្គលិកអាចជា៖

រំកិល​កាបូប T-1842 ពី​តុ​វេច​ខ្ចប់​លេខ 6 ទៅ​ច្រក​ចែកចាយ​លេខ 3។.

ការឆ្លើយតបដ៏ល្អមួយនឹងមានៈ

ភារកិច្ចត្រូវបានទទួលយក៖ ប្រមូលកាបូប T-1842 ពីតុវេចខ្ចប់លេខ 6 ហើយយកវាទៅច្រកចែកចាយលេខ 3។ ផ្លូវត្រូវបានជ្រើសរើសឆ្លងកាត់ច្រកផ្លូវ B។ ល្បឿនត្រូវបានកំណត់នៅជិតផ្លូវឆ្លងកាត់សម្រាប់អ្នកថ្មើរជើង។ ប្រសិនបើច្រកផ្លូវ B ត្រូវបានរារាំង សូមប្រើផ្លូវបម្រុង C ដែលត្រូវបានអនុម័ត។.

ប្រតិកម្មមិនល្អនឹងមានៈ

ពិតណាស់ ខ្ញុំនឹងយកវាទៅកន្លែងបញ្ជូន។.

កំណែមិនល្អនេះមិនច្បាស់លាស់ពេកទេ។ វាមិនបញ្ជាក់ពីអត្តសញ្ញាណកាបូប ចំណុចទទួល គោលដៅ ផ្លូវ ឬឥរិយាបថសុវត្ថិភាពទេ។.

របៀបសាកល្បងវា

មុន​នឹង​អនុញ្ញាត​ឲ្យ​មនុស្សយន្ត​ធ្វើការ​នៅ​ក្នុង​ច្រក​ផ្លូវ​ផ្ទាល់ សូម​សាកល្បង​វា​ជាមួយ​នឹង​បញ្ជី​ត្រួតពិនិត្យ​តូច​មួយ៖

• សុំឱ្យវាផ្លាស់ទីកាបូបដែលមានព័ត៌មានលម្អិតពេញលេញ

• សុំឱ្យវាផ្លាស់ទីកាបូបដោយមិនផ្តល់ឱ្យច្រកចែកចាយ

• ដាក់ឧបសគ្គរាងដូចមនុស្សនៅលើផ្លូវ

• ផ្លាស់ទីសញ្ញាសម្គាល់ធ្នើរ ហើយពិនិត្យមើលថាតើទំនុកចិត្តលើការធ្វើមូលដ្ឋានីយកម្មធ្លាក់ចុះឬអត់

• បង្កើតពន្លឺចាំងលើឥដ្ឋ ហើយពិនិត្យមើលថាតើទំនុកចិត្តលើការយល់ឃើញផ្លាស់ប្តូរឬអត់

• បិទផ្លូវដើរដែលពេញចិត្ត ហើយពិនិត្យមើលថាតើវាជ្រើសរើសផ្លូវបម្រុងដែលត្រូវបានអនុម័តឬអត់

• សួររកគោលដៅដែលមិនមាន ហើយពិនិត្យមើលថាតើវាបដិសេធឬអត់ ជំនួសឲ្យការទាយ

• ពិនិត្យមើលកំណត់ហេតុបន្ទាប់ពីការរត់នីមួយៗ ដើម្បីបញ្ជាក់ថាការឈប់ ការប្តូរផ្លូវ និងការជំនួសត្រូវបានកត់ត្រាទុក។

គោលដៅមិនមែនគ្រាន់តែជា "តើមនុស្សយន្តបានមកដល់ទេ?" សំណួរដែលល្អជាងនេះគឺ "តើវាមានឥរិយាបថសុវត្ថិភាព និងអាចទស្សន៍ទាយបានដែរឬទេ នៅពេលដែលបរិស្ថានក្លាយជាមិនប្រាកដប្រជា?"

លទ្ធផល

លទ្ធផលជាឧទាហរណ៍៖ ផ្អែកលើពេលវេលា ឧទាហរណ៍ចំនួន ២០ នៃភារកិច្ចដឹកជញ្ជូនកាបូបនៅក្នុងតំបន់សាកល្បងឃ្លាំងតូចមួយ។.

មុនពេលប្រើប្រាស់ដំណើរការការងាររបស់រ៉ូបូត អ្នករត់ម្នាក់ចំណាយពេលជាមធ្យម ៤ នាទី ៣០ វិនាទីក្នុងមួយការផ្លាស់ទីកាបូប រួមទាំងការដើរត្រឡប់ទៅតុវេចខ្ចប់វិញ។ បន្ទាប់ពីណែនាំរ៉ូបូតសម្រាប់ការផ្ទេរកាបូបសាមញ្ញៗពីចំណុចមួយទៅចំណុចមួយ ពេលវេលាដោះស្រាយរបស់មនុស្សបានធ្លាក់ចុះមកត្រឹមប្រហែល ៥០ វិនាទីក្នុងមួយកិច្ចការ ភាគច្រើនសម្រាប់ការដាក់កាបូប និងការបញ្ជាក់ការងារ។.

នោះនឹងជួយសន្សំសំចៃពេលវេលាប្រហែល 3 នាទី 40 វិនាទីក្នុងមួយការផ្លាស់ទីកាបូប។ ក្នុងចំណោមការផ្លាស់ទីកាបូបចំនួន 80 ដងក្នុងមួយថ្ងៃ ការសន្សំសំចៃពេលវេលាប៉ាន់ស្មាននឹងមានប្រហែល 293 នាទី ឬតិចជាង 4.9 ម៉ោងធ្វើការក្នុងមួយថ្ងៃ។.

ការត្រួតពិនិត្យសុវត្ថិភាពនៅក្នុងការធ្វើតេស្តដូចគ្នាគួរតែត្រូវបានតាមដានដោយឡែកពីគ្នា។ ឧទាហរណ៍៖

• កិច្ចការចំនួន 20 ក្នុងចំណោម 20 បានទៅដល់គោលដៅត្រឹមត្រូវ

• ព្រឹត្តិការណ៍ផ្លូវដែលត្រូវបានរារាំងចំនួន 3 ត្រូវបានដោះស្រាយជាមួយនឹងការប្តូរផ្លូវដែលត្រូវបានអនុម័ត

• ព្រឹត្តិការណ៍​ទំនុកចិត្ត​ទាប​ចំនួន 2 បាន​បង្ក​ឲ្យ​មាន​ការ​ឈប់​ដោយ​សុវត្ថិភាព

• គោលដៅដែលមិនទាន់ត្រូវបានអនុម័តចំនួន 0 ត្រូវបានទទួលយក

• លេខសម្គាល់កាបូបដែលបាត់ចំនួន 0 ត្រូវបានទាយ

តួលេខទាំងនេះគ្រាន់តែជាឧទាហរណ៍ប៉ុណ្ណោះ មិនមែនជាការអះអាងអំពីផលិតផលមនុស្សយន្តជាក់លាក់ណាមួយឡើយ។ ក្រុមមួយអាចផ្ទៀងផ្ទាត់លទ្ធផលដោយកំណត់ពេលវេលាភារកិច្ចមុន និងក្រោយពេលដាក់ពង្រាយ រាប់ការជំនួសដោយដៃ ពិនិត្យមើលកំណត់ហេតុផ្លូវ និងពិនិត្យមើលការដឹកជញ្ជូនដែលបរាជ័យ។.

អ្វីដែលអាចខុសបាន

ការបរាជ័យទូទៅបំផុតគឺការផ្តល់សេរីភាពច្រើនពេកដល់មនុស្សយន្ត។ គំរូភាសាអាចយល់ពីការណែនាំ ប៉ុន្តែនោះមិនមានន័យថាវាគួរតែត្រូវបានទុកចិត្តឱ្យបង្កើតផ្លូវ មិនអើពើនឹងពិន្ទុទំនុកចិត្ត ឬសម្រេចចិត្តថាអ្វី "ប្រហែលជាមានសុវត្ថិភាព" នោះទេ។.

បញ្ហាជាក់ស្តែងផ្សេងទៀតរួមមាន៖

• ផែនទីហួសសម័យបន្ទាប់ពីធ្នើរ ឬកៅអីត្រូវបានផ្លាស់ទី

• ភ្លើងបំភ្លឺមិនល្អ ឬកម្រាលឥដ្ឋឆ្លុះបញ្ចាំង ធ្វើឲ្យម៉ូដែលមើលឃើញច្រឡំ

• បុគ្គលិកប្រើឈ្មោះទីតាំងក្រៅផ្លូវការដែលមនុស្សយន្តមិនទទួលស្គាល់

• លេខសម្គាល់កាបូបដែលបាត់បណ្តាលឱ្យប្រព័ន្ធជ្រើសរើសរបស់របរខុស

• ការកត់ត្រាទិន្នន័យខ្សោយ ដែលធ្វើឱ្យការស្ទើរតែជួបគ្រោះថ្នាក់ពិបាកស៊ើបអង្កេត

• ការអះអាងលើសកម្រិតនៃការអនុវត្តដោយមិនវាស់វែងការរត់ដែលបរាជ័យ និងអន្តរាគមន៍របស់មនុស្ស

ច្បាប់​ដ៏​ល្អ​មួយ​គឺ​សាមញ្ញ៖ នៅពេល​ដែល​មនុស្សយន្ត​មិន​ប្រាកដប្រជា វា​គួរតែ​ក្លាយជា​មនុស្ស​អភិរក្សនិយម​ជាង​មុន មិនមែន​ច្នៃប្រឌិត​ជាង​មុន​នោះទេ។.

សម្ភារៈសិក្សាជាក់ស្តែង

ការរៀបចំ AI មនុស្សយន្តដ៏រឹងមាំមួយត្រូវបានបង្កើតឡើងជុំវិញការងារតូចចង្អៀត ការបញ្ចូលច្បាស់លាស់ ឥរិយាបថសុវត្ថិភាពដែលអាចវាស់វែងបាន និងជម្រើសជំនួសដែលអាចទុកចិត្តបាន។ “ភាពវៃឆ្លាត” មិនមែនគ្រាន់តែស្គាល់វត្ថុ ឬការធ្វើតាមការណែនាំនោះទេ។ វាគឺជាការដឹងថាពេលណាត្រូវផ្លាស់ទី ពេលណាត្រូវបន្ថយល្បឿន ពេលណាត្រូវឈប់ និងពេលណាត្រូវសុំជំនួយ។.

សំណួរដែលសួរញឹកញាប់

តើមនុស្សយន្តប្រើប្រាស់ AI ដើម្បីដំណើរការដោយស្វ័យភាពយ៉ាងដូចម្តេច?

មនុស្សយន្តប្រើប្រាស់បញ្ញាសិប្បនិម្មិត (AI) ដើម្បីដំណើរការរង្វិលជុំស្វ័យភាពជាបន្តបន្ទាប់៖ ស្វែងយល់ពីពិភពលោក បកស្រាយអ្វីដែលកំពុងកើតឡើង រៀបចំផែនការជំហានបន្ទាប់ដែលមានសុវត្ថិភាព ធ្វើសកម្មភាពតាមរយៈម៉ូទ័រ និងរៀនពីទិន្នន័យ។ នៅក្នុងការអនុវត្ត នេះគឺជាគំនរនៃសមាសធាតុដែលធ្វើការរួមគ្នាជាជាងគំរូ "វេទមន្ត" មួយ។ គោលបំណងគឺឥរិយាបថដែលអាចទុកចិត្តបាននៅក្នុងបរិស្ថានដែលកំពុងផ្លាស់ប្តូរ មិនមែនជាការបង្ហាញម្តងម្កាលក្រោមលក្ខខណ្ឌល្អឥតខ្ចោះនោះទេ។.

តើ AI មនុស្សយន្តគ្រាន់តែជាគំរូមួយ ឬជាជង់ស្វ័យភាពពេញលេញ?

នៅក្នុងប្រព័ន្ធភាគច្រើន បញ្ញាសិប្បនិម្មិតរបស់មនុស្សយន្តគឺជាជង់ពេញលេញមួយ៖ ការយល់ឃើញ ការប៉ាន់ស្មានស្ថានភាព ការធ្វើផែនការ និងការគ្រប់គ្រង។ ការរៀនម៉ាស៊ីនជួយជាមួយនឹងភារកិច្ចដូចជាចក្ខុវិស័យ និងការទស្សន៍ទាយ ខណៈពេលដែលការរឹតបន្តឹងរូបវិទ្យា និងការគ្រប់គ្រងបែបបុរាណរក្សាចលនាឱ្យមានស្ថេរភាព និងអាចទស្សន៍ទាយបាន។ ការដាក់ពង្រាយពិតប្រាកដជាច្រើនប្រើវិធីសាស្រ្តចម្រុះ ពីព្រោះភាពជឿជាក់មានសារៈសំខាន់ជាងភាពឆ្លាតវៃ។ នោះហើយជាមូលហេតុដែលការរៀន "vibes-only" កម្រនឹងរស់រានមានជីវិតនៅខាងក្រៅការកំណត់ដែលបានគ្រប់គ្រង។.

តើ​មនុស្សយន្ត AI ពឹងផ្អែកលើឧបករណ៍ចាប់សញ្ញា និងគំរូនៃការយល់ឃើញអ្វីខ្លះ?

មនុស្សយន្ត AI ជារឿយៗរួមបញ្ចូលគ្នានូវកាមេរ៉ា LiDAR ឧបករណ៍ចាប់សញ្ញាជម្រៅ មីក្រូហ្វូន IMU ឧបករណ៍អ៊ិនកូដឌ័រ និងឧបករណ៍ចាប់សញ្ញាកម្លាំង/កម្លាំងបង្វិលជុំ ឬឧបករណ៍ចាប់សញ្ញាប៉ះ។ គំរូការយល់ឃើញប្រែក្លាយចរន្តទាំងនេះទៅជាសញ្ញាដែលអាចប្រើបានដូចជាអត្តសញ្ញាណវត្ថុ ឥរិយាបថ ទំហំទំនេរ និងសញ្ញាចលនា។ ការអនុវត្តជាក់ស្តែងល្អបំផុតគឺការបញ្ចេញទំនុកចិត្ត ឬភាពមិនប្រាកដប្រជា មិនមែនគ្រាន់តែស្លាកនោះទេ។ ភាពមិនប្រាកដប្រជានោះអាចណែនាំផែនការដែលមានសុវត្ថិភាពជាងមុន នៅពេលដែលឧបករណ៍ចាប់សញ្ញាចុះខ្សោយដោយសារពន្លឺចាំង ភាពព្រិល ឬភាពរញ៉េរញ៉ៃ។.

តើ SLAM នៅក្នុងមនុស្សយន្តជាអ្វី ហើយហេតុអ្វីបានជាវាសំខាន់?

SLAM (ទីតាំង និងការធ្វើផែនទីក្នុងពេលដំណាលគ្នា) ជួយមនុស្សយន្តបង្កើតផែនទី ខណៈពេលដែលប៉ាន់ស្មានទីតាំងរបស់វាក្នុងពេលតែមួយ។ វាជាចំណុចកណ្តាលសម្រាប់មនុស្សយន្តដែលធ្វើចលនាជុំវិញ និងត្រូវការរុករកដោយមិន "ភ័យស្លន់ស្លោ" នៅពេលដែលលក្ខខណ្ឌផ្លាស់ប្តូរ។ ការបញ្ចូលធម្មតារួមមាន odometry កង់, IMU និង LiDAR ឬចំណុចសម្គាល់ចក្ខុវិស័យ ជួនកាល GPS នៅខាងក្រៅ។ ជង់ល្អតាមដានការរសាត់ និងភាពមិនប្រាកដប្រជា ដូច្នេះមនុស្សយន្តអាចមានឥរិយាបថអភិរក្សជាងមុន នៅពេលដែលទីតាំងមានភាពរង្គោះរង្គើ។.

តើ​ការ​ធ្វើ​ផែនការ​មនុស្សយន្ត និង​ការ​គ្រប់គ្រង​មនុស្សយន្ត​ខុស​គ្នា​យ៉ាង​ដូចម្តេច?

ការធ្វើផែនការសម្រេចថាមនុស្សយន្តគួរធ្វើអ្វីបន្ទាប់ ដូចជាការជ្រើសរើសគោលដៅ ការបង្វែរផ្លូវជុំវិញឧបសគ្គ ឬការជៀសវាងមនុស្ស។ ការគ្រប់គ្រងប្រែក្លាយផែនការនោះទៅជាចលនារលូន និងមានស្ថេរភាព ទោះបីជាមានការកកិត ការផ្លាស់ប្តូរបន្ទុក និងការពន្យារពេលម៉ូទ័រក៏ដោយ។ ការធ្វើផែនការច្រើនតែត្រូវបានបែងចែកជាការធ្វើផែនការសកល (ផ្លូវរូបភាពធំ) និងការធ្វើផែនការក្នុងស្រុក (ប្រតិកម្មលឿននៅជិតឧបសគ្គ)។ ការគ្រប់គ្រងជាទូទៅប្រើឧបករណ៍ដូចជា PID ការគ្រប់គ្រងផ្អែកលើគំរូ ឬការគ្រប់គ្រងព្យាករណ៍គំរូ ដើម្បីអនុវត្តតាមផែនការប្រកបដោយភាពជឿជាក់។.

តើមនុស្សយន្តដោះស្រាយភាពមិនប្រាកដប្រជា ឬទំនុកចិត្តទាបដោយសុវត្ថិភាពយ៉ាងដូចម្តេច?

មនុស្សយន្តដែលរចនាបានល្អចាត់ទុកភាពមិនប្រាកដប្រជាថាជាធាតុចូលមួយចំពោះឥរិយាបថ មិនមែនជាអ្វីដែលត្រូវមើលរំលងនោះទេ។ នៅពេលដែលទំនុកចិត្តលើការយល់ឃើញ ឬការធ្វើមូលដ្ឋានីយកម្មធ្លាក់ចុះ វិធីសាស្រ្តទូទៅមួយគឺបន្ថយល្បឿន បង្កើនរឹមសុវត្ថិភាព ឈប់ដោយសុវត្ថិភាព ឬស្នើសុំជំនួយពីមនុស្សជំនួសឱ្យការទាយ។ ប្រព័ន្ធក៏កត់ត្រាសកម្មភាព និងបរិបទផងដែរ ដូច្នេះឧប្បត្តិហេតុអាចធ្វើសវនកម្មបាន និងងាយស្រួលជួសជុលជាង។ ផ្នត់គំនិត "បរាជ័យដ៏ប្រណិត" នេះគឺជាភាពខុសគ្នាស្នូលរវាងការបង្ហាញ និងមនុស្សយន្តដែលអាចដាក់ពង្រាយបាន។.

តើពេលណាដែលការរៀនពង្រឹងមានប្រយោជន៍សម្រាប់មនុស្សយន្ត ហើយអ្វីដែលធ្វើឱ្យវាពិបាក?

ការរៀនពង្រឹងត្រូវបានប្រើជាញឹកញាប់សម្រាប់ជំនាញស្មុគស្មាញដូចជាការរៀបចំ ឬចលនា ដែលការរចនាឧបករណ៍បញ្ជាដោយដៃគឺពិបាក។ វាអាចរកឃើញឥរិយាបថដែលមានប្រសិទ្ធភាពតាមរយៈការសាកល្បង និងកំហុសដែលជំរុញដោយរង្វាន់ ជាញឹកញាប់នៅក្នុងការក្លែងធ្វើ។ ការដាក់ពង្រាយមានភាពស្មុគស្មាញ ពីព្រោះការរុករកអាចមិនមានសុវត្ថិភាព ទិន្នន័យអាចមានតម្លៃថ្លៃ ហើយគម្លាតស៊ីមទៅពិតអាចបំបែកគោលនយោបាយ។ បំពង់បង្ហូរជាច្រើនប្រើ RL ជាជម្រើស រួមជាមួយនឹងការរឹតបន្តឹង និងការគ្រប់គ្រងបែបបុរាណសម្រាប់សុវត្ថិភាព និងស្ថេរភាព។.

តើគំរូគ្រឹះកំពុងផ្លាស់ប្តូររបៀបដែលមនុស្សយន្តប្រើប្រាស់ AI ដែរឬទេ?

វិធីសាស្រ្តគំរូមូលដ្ឋានកំពុងជំរុញមនុស្សយន្តឆ្ពោះទៅរកឥរិយាបថធ្វើតាមការណែនាំទូទៅជាងមុន ជាពិសេសជាមួយនឹងគំរូចក្ខុវិស័យ-ភាសា-សកម្មភាព (VLA) ដូចជាប្រព័ន្ធរចនាប័ទ្ម RT-2។ ចំណុចវិជ្ជមានគឺភាពបត់បែន៖ ភ្ជាប់អ្វីដែលមនុស្សយន្តឃើញជាមួយនឹងអ្វីដែលវាត្រូវបានប្រាប់ឱ្យធ្វើ និងរបៀបដែលវាគួរធ្វើសកម្មភាព។ ការពិតគឺថាការប៉ាន់ស្មានបែបបុរាណ ការរឹតបន្តឹងសុវត្ថិភាព និងការគ្រប់គ្រងអភិរក្សនៅតែមានសារៈសំខាន់សម្រាប់ភាពជឿជាក់ខាងរូបវន្ត។ ក្រុមជាច្រើនបានកំណត់រឿងនេះថាជាការគ្រប់គ្រងហានិភ័យវដ្តជីវិត ដែលមានលក្ខណៈស្រដៀងគ្នាទៅនឹងក្របខ័ណ្ឌដូចជា AI RMF របស់ NIST។.

ឯកសារយោង

[1] Durrant-Whyte & Bailey - ការធ្វើមូលដ្ឋានីយកម្ម និងការធ្វើផែនទីក្នុងពេលដំណាលគ្នា (SLAM): ផ្នែកទី I ក្បួនដោះស្រាយសំខាន់ៗ (PDF)
[2] Lynch & Park - មនុស្សយន្តទំនើប៖ មេកានិច ការធ្វើផែនការ និងការគ្រប់គ្រង (PDF បោះពុម្ពជាមុន)
[3] Sutton & Barto - ការរៀនសូត្រពង្រឹង៖ សេចក្តីផ្តើម (សេចក្តីព្រាង PDF លើកទី 2)
[4] NIST - ក្របខ័ណ្ឌគ្រប់គ្រងហានិភ័យបញ្ញាសិប្បនិម្មិត (AI RMF 1.0) (PDF)
[5] Brohan et al. - RT-2: គំរូសកម្មភាពចក្ខុវិស័យ-ភាសា-ផ្ទេរចំណេះដឹងគេហទំព័រទៅការគ្រប់គ្រងមនុស្សយន្ត (arXiv)

ស្វែងរក AI ចុងក្រោយបំផុតនៅហាងជំនួយការ AI ផ្លូវការ

អំពីយើង