បញ្ញាសិប្បនិម្មិតអាចមានអារម្មណ៍ដូចជាល្បិចវេទមន្តដែលមនុស្សគ្រប់គ្នាងក់ក្បាលមើល ខណៈពេលកំពុងគិតយ៉ាងស្ងៀមស្ងាត់… រង់ចាំបន្តិច តើវាដំណើរការយ៉ាងដូចម្តេច ? ដំណឹងល្អ។ យើងនឹងពន្យល់វាដោយមិនចាំបាច់គិតច្រើន រក្សាភាពជាក់ស្តែង ហើយបន្ថែមការប្រៀបធៀបមិនល្អឥតខ្ចោះមួយចំនួនដែលនៅតែធ្វើឱ្យវាកាន់តែទាក់ទាញ។ ប្រសិនបើអ្នកគ្រាន់តែចង់បានខ្លឹមសារសំខាន់ សូមរំលងទៅចម្លើយមួយនាទីខាងក្រោម។ ប៉ុន្តែតាមពិតទៅ ព័ត៌មានលម្អិតគឺជាកន្លែងដែលអំពូលភ្លើងលេចចេញមក 💡។
អត្ថបទដែលអ្នកប្រហែលជាចង់អានបន្ទាប់ពីអត្ថបទនេះ៖
🔗 តើ GPT តំណាងឱ្យអ្វី
អ្នកពន្យល់រហ័សនៃអក្សរកាត់ GPT និងអត្ថន័យរបស់វា។
🔗 តើ AI ទទួលបានព័ត៌មានរបស់វានៅឯណា
ប្រភព AI ប្រើដើម្បីរៀន បណ្តុះបណ្តាល និងឆ្លើយសំណួរ។
🔗 របៀបបញ្ចូល AI ទៅក្នុងអាជីវកម្មរបស់អ្នក
ជំហានជាក់ស្តែង ឧបករណ៍ និងលំហូរការងារដើម្បីរួមបញ្ចូល AI ប្រកបដោយប្រសិទ្ធភាព។
🔗 របៀបចាប់ផ្តើមក្រុមហ៊ុន AI
ពីគំនិតរហូតដល់ការចាប់ផ្តើម៖ សុពលភាព ការផ្តល់មូលនិធិ ក្រុម និងការប្រតិបត្តិ។
តើ AI ដំណើរការយ៉ាងដូចម្តេច? ចម្លើយមួយនាទី⏱️
បញ្ញាសិប្បនិម្មិត (AI) រៀនគំរូពីទិន្នន័យដើម្បីធ្វើការព្យាករណ៍ ឬបង្កើតខ្លឹមសារ - មិនចាំបាច់មានច្បាប់សរសេរដោយដៃទេ។ ប្រព័ន្ធមួយស្រូបយកឧទាហរណ៍ វាស់ស្ទង់ថាតើវាខុសប៉ុណ្ណាតាមរយៈអនុគមន៍បាត់បង់ និងជំរុញប៉ារ៉ាម៉ែត្រខាងក្នុងរបស់វា-ឱ្យតិចជាងមុនរាល់ពេល។ លាងសម្អាត ធ្វើម្តងទៀត កែលម្អ។ ដោយមានវដ្តគ្រប់គ្រាន់ វាទទួលបានប្រយោជន៍។ រឿងដូចគ្នា មិនថាអ្នកកំពុងចាត់ថ្នាក់អ៊ីមែល រកឃើញដុំសាច់ លេងហ្គេមក្តារ ឬសរសេររឿងកំប្លែងហៃគុសនោះទេ។ សម្រាប់មូលដ្ឋានគ្រឹះភាសាសាមញ្ញនៅក្នុង "ការរៀនម៉ាស៊ីន" ទិដ្ឋភាពទូទៅរបស់ IBM គឺរឹងមាំ [1]។
AI ទំនើបបំផុតគឺការរៀនម៉ាស៊ីន។ កំណែសាមញ្ញ៖ ចិញ្ចឹមក្នុងទិន្នន័យ រៀនគូសផែនទីពីធាតុចូលទៅលទ្ធផល បន្ទាប់មកធ្វើទូទៅទៅវត្ថុថ្មី។ មិនមែនជាវេទមន្ត-គណិតវិទ្យា ការគណនាទេ ហើយប្រសិនបើយើងស្មោះត្រង់ នោះគឺជាសិល្បៈមួយ។
"តើ AI ដំណើរការយ៉ាងដូចម្តេច?" ✅
នៅពេលដែលមនុស្ស Google តើ AI ដំណើរការយ៉ាងដូចម្តេច?ជាធម្មតាពួកគេចង់បាន៖
-
គំរូផ្លូវចិត្តដែលអាចប្រើឡើងវិញបាន ពួកគេអាចទុកចិត្តបាន។
-
ផែនទីនៃប្រភេទការរៀនសូត្រសំខាន់ៗ ដូច្នេះពាក្យចចាមអារ៉ាមឈប់គួរឲ្យខ្លាច
-
មើលទៅក្នុងបណ្តាញសរសៃប្រសាទដោយមិនបាត់បង់
-
ហេតុអ្វីបានជា transformers ហាក់ដូចជាដំណើរការពិភពលោកឥឡូវនេះ
-
បំពង់បង្ហូរជាក់ស្តែងពីទិន្នន័យទៅការដាក់ពង្រាយ
-
តារាងប្រៀបធៀបរហ័សដែលអ្នកអាចថតអេក្រង់និងរក្សាទុក
-
ផ្លូវការពារលើក្រមសីលធម៌ ភាពលំអៀង និងភាពអាចជឿជាក់បានដែលមិនមែនជារលកនៃដៃ
នោះហើយជាអ្វីដែលអ្នកនឹងទទួលបាននៅទីនេះ។ ប្រសិនបើខ្ញុំដើរលេង វាដូចជាមានបំណងចង់ធ្វើដំណើរតាមដងផ្លូវ ហើយចងចាំផ្លូវល្អជាងនៅពេលក្រោយ។ 🗺️
ធាតុផ្សំស្នូលនៃប្រព័ន្ធ AI ភាគច្រើន 🧪
គិតពីប្រព័ន្ធ AI ដូចជាផ្ទះបាយ។ គ្រឿងផ្សំបួនមុខបង្ហាញម្តងហើយម្តងទៀត៖
-
ទិន្នន័យ — ឧទាហរណ៍ដែលមាន ឬគ្មានស្លាក។
-
ម៉ូដែល — អនុគមន៍គណិតវិទ្យាដែលមានប៉ារ៉ាម៉ែត្រដែលអាចលៃតម្រូវបាន។
-
គោលបំណង — អនុគមន៍ខាតដែលវាស់ស្ទង់ពីភាពអាក្រក់នៃការស្មាន។
-
ការបង្កើនប្រសិទ្ធភាព — ក្បួនដោះស្រាយដែលជំរុញប៉ារ៉ាម៉ែត្រដើម្បីកាត់បន្ថយការខាតបង់។
នៅក្នុងការរៀនស៊ីជម្រៅ ការញញួរនោះជាធម្មតា មានការធ្លាក់ចុះនៃជម្រាល ជាមួយនឹង ការបន្តពូជ- ជាវិធីដ៏មានប្រសិទ្ធភាពមួយដើម្បីរកឱ្យឃើញថាតើប៊ូតុងមួយណានៅលើបន្ទះសំឡេងដ៏ធំសម្បើមត្រូវបានស្រែក បន្ទាប់មកបង្វែរសក់ [2] ។
ករណីតូច៖ យើងបានជំនួសតម្រងសារឥតបានការដែលមានមូលដ្ឋានលើច្បាប់ផុយស្រួយជាមួយនឹងគំរូតូចមួយដែលមានការត្រួតពិនិត្យ។ បន្ទាប់ពីរយៈពេលមួយសប្តាហ៍នៃការដាក់ស្លាក → វាស់វែង → រង្វិលជុំអាប់ដេត លទ្ធផលវិជ្ជមានមិនពិតបានធ្លាក់ចុះ ហើយសំបុត្រគាំទ្របានធ្លាក់ចុះ។ គ្មានអ្វីពិសេសទេ - គ្រាន់តែគោលបំណងស្អាតជាងមុន (ភាពជាក់លាក់លើអ៊ីមែល "ហាំ") និងការបង្កើនប្រសិទ្ធភាពកាន់តែប្រសើរ។
សិក្សាគំរូដោយក្រឡេកមើល 🎓
-
ការរៀនសូត្រដែលមានការត្រួតពិនិត្យ
អ្នកផ្តល់គូបញ្ចូល-ទិន្នផល (រូបថតដែលមានស្លាក អ៊ីមែលដែលសម្គាល់ថាជាសារឥតបានការ/មិនមែនជាសារឥតបានការ)។ គំរូរៀនបញ្ចូល → ទិន្នផល។ ឆ្អឹងខ្នងនៃប្រព័ន្ធជាក់ស្តែងជាច្រើន [1]។ -
ការរៀនដែលគ្មានការត្រួតពិនិត្យ
គ្មានស្លាកសញ្ញា។ ស្វែងរករចនាសម្ព័ន្ធ-ចង្កោម ការបង្ហាប់ កត្តាមិនទាន់ឃើញច្បាស់។ ល្អសម្រាប់ការរុករក ឬហ្វឹកហាត់ជាមុន។ -
ការរៀនគ្រប់គ្រងដោយខ្លួនឯង
គំរូបង្កើតស្លាកផ្ទាល់ខ្លួនរបស់វា (ទស្សន៍ទាយពាក្យបន្ទាប់ បំណះរូបភាពដែលបាត់)។ ប្រែក្លាយទិន្នន័យឆៅទៅជាសញ្ញាបណ្តុះបណ្តាលតាមមាត្រដ្ឋាន; គាំទ្រគំរូភាសាទំនើប និងចក្ខុវិស័យ។ -
ការរៀនសូត្របែបពង្រឹងសមត្ថភាព
ភ្នាក់ងារធ្វើសកម្មភាព ប្រមូល រង្វាន់និងរៀនគោលនយោបាយដែលបង្កើនរង្វាន់សរុបឱ្យបានអតិបរមា។ ប្រសិនបើ “មុខងារតម្លៃ” “គោលនយោបាយ” និង “ការរៀនសូត្រពីភាពខុសគ្នានៃពេលវេលា” បន្លឺឡើង - នេះគឺជាផ្ទះរបស់ពួកគេ [5]។
បាទ/ចាស, ប្រភេទព្រិលៗនៅក្នុងការអនុវត្ត។ វិធីសាស្រ្តកូនកាត់គឺជារឿងធម្មតា។ ជីវិតពិតគឺរញ៉េរញ៉ៃ; វិស្វកម្មល្អជួបវានៅកន្លែងណា។
នៅខាងក្នុងបណ្តាញសរសៃប្រសាទដោយមិនឈឺក្បាល🧠
បណ្តាញសរសៃប្រសាទដាក់ស្រទាប់នៃឯកតាគណិតវិទ្យាតូចៗ (ណឺរ៉ូន)។ ស្រទាប់នីមួយៗបំលែងធាតុចូលជាមួយនឹងទម្ងន់ ភាពលំអៀង និងភាពមិនលីនេអ៊ែរដូចជា ReLU ឬ GELU។ ស្រទាប់ដំបូងៗរៀនលក្ខណៈពិសេសសាមញ្ញៗ។ ស្រទាប់ជ្រៅៗអ៊ិនកូដអរូបី។ “វេទមន្ត” - ប្រសិនបើយើងអាចហៅវាថា - គឺជា សមាសភាព៖ ច្រវាក់អនុគមន៍តូចៗ ហើយអ្នកអាចធ្វើគំរូបាតុភូតស្មុគស្មាញយ៉ាងខ្លាំង។
រង្វិលជុំបណ្តុះបណ្តាល, vibes- only:
-
ស្មាន → កំហុសរង្វាស់ → គុណលក្ខណៈបន្ទោសតាមរយៈ backprop → nudge weights → repeat.
ធ្វើបែបនេះជាដុំៗ ហើយដូចជាអ្នករាំដែលច្របូកច្របល់ធ្វើឱ្យបទចម្រៀងនីមួយៗមានភាពល្អប្រសើរ ម៉ូដែលឈប់ដើរលើម្រាមជើងរបស់អ្នក។ សម្រាប់ជំពូកផ្នែកខាងក្រោយដ៏ម៉ត់ចត់ មិត្តភាព សូមមើល [2] ។
ហេតុអ្វីបានជាឧបករណ៍បំលែងបំរែបំរួល - និងអ្វីដែល "ការយកចិត្តទុកដាក់" ពិតជាមានន័យ🧲
ឧបករណ៍ Transformers ប្រើប្រាស់ ការយកចិត្តទុកដាក់ដោយខ្លួនឯង ដើម្បីថ្លឹងថ្លែងថាតើផ្នែកណានៃការបញ្ចូលមានសារៈសំខាន់ចំពោះគ្នាទៅវិញទៅមក ទាំងអស់ក្នុងពេលតែមួយ។ ជំនួសឱ្យការអានប្រយោគមួយយ៉ាងតឹងរ៉ឹងពីឆ្វេងទៅស្តាំដូចម៉ូដែលចាស់ៗ ឧបករណ៍ Transformer អាចមើលគ្រប់ទីកន្លែង និងវាយតម្លៃទំនាក់ទំនងយ៉ាងស្វាហាប់ ដូចជាការស្កេនបន្ទប់ដែលមានមនុស្សច្រើន ដើម្បីមើលថាអ្នកណាកំពុងនិយាយជាមួយអ្នកណា។
ការរចនានេះបានទម្លាក់ការកើតឡើងដដែលៗ និងការច្របូកច្របល់សម្រាប់ការធ្វើគំរូតាមលំដាប់ ដែលអនុញ្ញាតឱ្យមានភាពស្របគ្នាដ៏ធំ និងការធ្វើមាត្រដ្ឋានដ៏ល្អបំផុត។ ក្រដាសដែលទាត់វាចោល-ការយកចិត្តទុកដាក់គឺអ្វីទាំងអស់ដែលអ្នកត្រូវការ- បង្ហាញស្ថាបត្យកម្ម និងលទ្ធផល [3] ។
ការយកចិត្តទុកដាក់លើខ្លួនឯងក្នុងមួយជួរ៖ បង្កើត សំណួរ គន្លឹះ និង វ៉ិចទ័រ តម្លៃ សម្រាប់ និមិត្តសញ្ញានីមួយៗ។ គណនាភាពស្រដៀងគ្នាដើម្បីទទួលបានទម្ងន់យកចិត្តទុកដាក់; លាយតម្លៃទៅតាមនោះ។ Fussy នៅក្នុងលម្អិត, ឆើតឆាយនៅក្នុងស្មារតី។
ចំណាំ៖ Transformers ត្រួតត្រា មិនមែនផ្តាច់មុខទេ។ CNNs, RNNs និងក្រុមមែកធាងនៅតែឈ្នះលើប្រភេទទិន្នន័យជាក់លាក់ និងដែនកំណត់ពេលវេលា/ការចំណាយ។ ជ្រើសរើសស្ថាបត្យកម្មសម្រាប់ការងារ មិនមែនជាការឃោសនាបំផ្លើសនោះទេ។
តើ AI ដំណើរការយ៉ាងដូចម្តេច? បំពង់បង្ហូរទឹកដែលអ្នកនឹងប្រើពិតប្រាកដ🛠️
-
ការកំណត់បញ្ហា
តើអ្នកកំពុងទស្សន៍ទាយ ឬបង្កើតអ្វី ហើយតើជោគជ័យនឹងត្រូវវាស់វែងដោយរបៀបណា? -
ទិន្នន័យ
ដាក់ស្លាកប្រសិនបើចាំបាច់ សម្អាត និងបំបែក។ រំពឹងថានឹងបាត់បង់តម្លៃ និងករណីគែម។ -
គំរូ
សាមញ្ញ។ មូលដ្ឋាន (តំរែតំរង់តំរែតំរង់តំរែតំរង់តំរែតំរង់ជម្រាលឬឧបករណ៍បំលែងតូចមួយ) ជារឿយៗយកឈ្នះភាពស្មុគស្មាញរបស់វីរជន។ -
ការបណ្តុះបណ្តាល
ជ្រើសរើសគោលបំណង ជ្រើសរើសឧបករណ៍បង្កើនប្រសិទ្ធភាព កំណត់ប៉ារ៉ាម៉ែត្រខ្ពស់ ធ្វើម្តងទៀត។ -
ការវាយតម្លៃ
ប្រើរយៈពេលរង់ចាំ សុពលភាពឆ្លងកាត់ និងម៉ែត្រដែលភ្ជាប់ទៅនឹងគោលដៅពិតប្រាកដរបស់អ្នក (ភាពត្រឹមត្រូវ F1, AUROC, BLEU, ភាពងឿងឆ្ងល់, ភាពយឺតយ៉ាវ)។ -
ការដាក់ពង្រាយ
បម្រើនៅពីក្រោយ API ឬបង្កប់ក្នុងកម្មវិធី។ តាមដានភាពយឺតយ៉ាវ ថ្លៃដើម លំហូរចូល។ -
ការត្រួតពិនិត្យ និងអភិបាលកិច្ច
ឃ្លាំមើលភាពរអាក់រអួល ភាពយុត្តិធម៌ ភាពរឹងមាំ និងសន្តិសុខ។ ក្របខ័ណ្ឌគ្រប់គ្រងហានិភ័យ AI របស់ NIST (GOVERN, MAP, MEASURE, MANAGE) គឺជាបញ្ជីត្រួតពិនិត្យជាក់ស្តែងសម្រាប់ប្រព័ន្ធដែលគួរឱ្យទុកចិត្តពីដើមដល់ចប់ [4]។
Mini-case៖ គំរូចក្ខុវិស័យបានចូលទៅក្នុងមន្ទីរពិសោធន៍ បន្ទាប់មកបានរលត់ទៅក្នុងកន្លែងពេលមានពន្លឺផ្លាស់ប្តូរ។ ការត្រួតពិនិត្យការរសាត់ទង់ជាតិនៅក្នុងអ៊ីស្តូក្រាមបញ្ចូល; ការបង្កើនរហ័ស + ការកែសំរួលការកែសំរួលដំណើរការបានស្តារឡើងវិញ។ ធុញ? បាទ។ មានប្រសិទ្ធភាព? បាទ។
តារាងប្រៀបធៀប - វិធីសាស្រ្ត, តើពួកគេសម្រាប់អ្នកណា, ការចំណាយរដុប, ហេតុអ្វីបានជាពួកគេធ្វើការ📊
មិនល្អឥតខ្ចោះតាមគោលបំណង៖ ឃ្លាមិនស្មើគ្នាបន្តិចជួយឱ្យវាមានអារម្មណ៍ជាមនុស្ស។
| វិធីសាស្រ្ត | ទស្សនិកជនតាមឧត្ដមគតិ | តម្លៃ | ហេតុអ្វីបានជាវាដំណើរការ / កំណត់ចំណាំ |
|---|---|---|---|
| ការសិក្សាត្រួតពិនិត្យ | អ្នកវិភាគ ក្រុមផលិតផល | ទាប–មធ្យម | ការបញ្ចូលផែនទីដោយផ្ទាល់ → ស្លាក។ អស្ចារ្យនៅពេលដែលស្លាកមាន; បង្កើតជាឆ្អឹងខ្នងនៃប្រព័ន្ធដែលបានដាក់ពង្រាយជាច្រើន [1] ។ |
| គ្មានការត្រួតពិនិត្យ | អ្នករុករកទិន្នន័យ R&D | ទាប | ស្វែងរកចង្កោម/ការបង្ហាប់/កត្តាដែលមិនទាន់ឃើញច្បាស់-ល្អសម្រាប់ការរកឃើញ និងការហ្វឹកហាត់ជាមុន។ |
| ការត្រួតពិនិត្យដោយខ្លួនឯង។ | ក្រុមវេទិកា | មធ្យម | បង្កើតស្លាកដោយខ្លួនឯងពីមាត្រដ្ឋានទិន្នន័យឆៅជាមួយការគណនា និងទិន្នន័យ។ |
| ការពង្រឹងការរៀនសូត្រ | មនុស្សយន្ត, ការស្រាវជ្រាវ ops | មធ្យម–ខ្ពស់ | រៀនគោលការណ៍ពីសញ្ញារង្វាន់; អាន Sutton & Barto សម្រាប់ Canon [5] ។ |
| ឧបករណ៍បំលែង | NLP, ចក្ខុវិស័យ, ពហុមុខងារ | មធ្យម–ខ្ពស់ | ការយកចិត្តទុកដាក់លើខ្លួនឯងចាប់យក deps រយៈចម្ងាយឆ្ងាយ និងស្របគ្នាបានយ៉ាងល្អ; សូមមើលក្រដាសដើម [3] ។ |
| ML បុរាណ (ដើមឈើ) | កម្មវិធី Tabular biz | ទាប | តម្លៃថោក លឿន ជាញឹកញាប់គួរឱ្យភ្ញាក់ផ្អើលជាមូលដ្ឋានរឹងមាំលើទិន្នន័យដែលមានរចនាសម្ព័ន្ធ។ |
| ផ្អែកលើច្បាប់ / និមិត្តសញ្ញា | ការអនុលោមតាម, ការកំណត់ | ទាបណាស់ | តក្កវិជ្ជាតម្លាភាព; មានប្រយោជន៍នៅក្នុងកូនកាត់ នៅពេលដែលអ្នកត្រូវការសវនកម្ម។ |
| ការវាយតម្លៃ និងហានិភ័យ | មនុស្សគ្រប់គ្នា | ប្រែប្រួល | ប្រើ GOVERN-MAP-MEASURE-MANAGE របស់ NIST ដើម្បីរក្សាវាឱ្យមានសុវត្ថិភាព និងមានប្រយោជន៍ [4] ។ |
តម្លៃ-ish = ការដាក់ស្លាកទិន្នន័យ + ការគណនា + មនុស្ស + ការបម្រើ។
ការជ្រមុជទឹកជ្រៅ 1 - មុខងារបាត់បង់ ជម្រាល និងជំហានតូចៗដែលផ្លាស់ប្តូរអ្វីៗគ្រប់យ៉ាង📉
ស្រមៃថាសមនឹងបន្ទាត់ដើម្បីទស្សន៍ទាយតម្លៃផ្ទះពីទំហំ។ អ្នកជ្រើសរើសប៉ារ៉ាម៉ែត្រ (w) និង (b) ទស្សន៍ទាយ (\hat{y} = wx + b) ហើយវាស់កំហុសជាមួយនឹងការបាត់បង់ការេមធ្យម។ ជម្រាលប្រាប់អ្នកពីទិសដៅដែលត្រូវផ្លាស់ទី (w) និង (b) ដើម្បីកាត់បន្ថយការបាត់បង់លឿនបំផុត ដូចជាការដើរចុះចំណោតក្នុងអ័ព្ទ ដោយមានអារម្មណ៍ថាផ្លូវដីមានជម្រាល។ ធ្វើបច្ចុប្បន្នភាពបន្ទាប់ពីបណ្តុំនីមួយៗ ហើយបន្ទាត់របស់អ្នកកាន់តែខិតទៅជិតការពិត។
នៅក្នុងសំណាញ់ជ្រៅ វាជាបទចម្រៀងដូចគ្នាដែលមានក្រុមធំជាង។ Backprop គណនាពីរបៀបដែលប៉ារ៉ាម៉ែត្ររបស់ស្រទាប់នីមួយៗបានប៉ះពាល់ដល់កំហុសចុងក្រោយប្រកបដោយប្រសិទ្ធភាព ដូច្នេះអ្នកអាចរុញប៊ូតុងរាប់លាន (ឬរាប់ពាន់លាន) ទៅទិសដៅត្រឹមត្រូវ [2]។
វិចារណញាណសំខាន់ៗ៖
-
ការបាត់បង់បង្កើតជាទេសភាព។
-
ជម្រាលគឺជាត្រីវិស័យរបស់អ្នក។
-
អត្រាសិក្សាមានទំហំជំហានធំពេក ហើយអ្នកញ័រ តូចពេក ហើយអ្នកងងុយគេង។
-
ភាពទៀងទាត់រក្សាអ្នកពីការទន្ទេញចាំសំណុំហ្វឹកហាត់ដូចសត្វសេកជាមួយនឹងការរំលឹកដ៏ល្អឥតខ្ចោះ ប៉ុន្តែគ្មានការយល់ដឹង។
ការជ្រមុជទឹកជ្រៅ 2 - ការបង្កប់ ការជំរុញ និងការទាញយក 🧭
បង្កប់ ផែនទីពាក្យ រូបភាព ឬធាតុទៅក្នុងចន្លោះវ៉ិចទ័រ ដែលវត្ថុស្រដៀងគ្នាចូលមកជិតគ្នា។ ដែលអនុញ្ញាតឱ្យអ្នក៖
-
ស្វែងរកអត្ថបទដែលស្រដៀងនឹងពាក្យ
-
ការស្វែងរកថាមពលដែលយល់ពីអត្ថន័យ
-
ដោតចូលទៅក្នុង retrieval-augmented generation (RAG) ដូច្នេះគំរូភាសាអាចរកមើលការពិតមុនពេលវាសរសេរ
ការបំផុសគំនិត គឺជារបៀបដែលអ្នកដឹកនាំគំរូទូទៅ-ពិពណ៌នាអំពីកិច្ចការ ផ្តល់ឧទាហរណ៍ កំណត់ឧបសគ្គ។ គិតថាវាដូចជាការសរសេរលម្អិតជាក់លាក់សម្រាប់អ្នកហាត់ការដែលមានល្បឿនលឿន៖ អន្ទះសារ ម្តងម្កាលមានទំនុកចិត្តខ្លាំងពេក។
គន្លឹះជាក់ស្តែង៖ ប្រសិនបើគំរូរបស់អ្នកមានការយល់ច្រឡំ សូមបន្ថែមការទាញយកមកវិញ រឹតបន្តឹងការណែនាំ ឬវាយតម្លៃជាមួយនឹងរង្វាស់ដែលមានមូលដ្ឋានជំនួសឱ្យ "ភាពរំជើបរំជួល"។
ការជ្រមុជទឹកជ្រៅ 3 - ការវាយតម្លៃដោយគ្មានការបំភាន់🧪
ការវាយតម្លៃល្អមានអារម្មណ៍ថាគួរឱ្យធុញ - ដែលពិតជាចំណុច។
-
ប្រើសំណុំតេស្តចាក់សោ។
-
ជ្រើសរើសម៉ែត្រដែលឆ្លុះបញ្ចាំងពីការឈឺចាប់របស់អ្នកប្រើប្រាស់។
-
ដំណើរការការលុបបំបាត់ចោល ដូច្នេះអ្នកដឹងថាអ្វីដែលពិតជាបានជួយ។
-
ការបរាជ័យក្នុងកំណត់ហេតុជាមួយនឹងឧទាហរណ៍រញ៉េរញ៉ៃពិតប្រាកដ។
នៅក្នុងផលិតកម្ម ការត្រួតពិនិត្យគឺជាការវាយតម្លៃដែលមិនឈប់ឈរ។ អណ្តែតកើតឡើង។ ពាក្យស្លោកថ្មីលេចឡើង ឧបករណ៍ចាប់សញ្ញាត្រូវបានកែតម្រូវឡើងវិញ ហើយគំរូកាលពីម្សិលមិញរអិលបន្តិច។ ក្របខ័ណ្ឌ NIST គឺជាឯកសារយោងជាក់ស្តែងសម្រាប់ការគ្រប់គ្រងហានិភ័យ និងអភិបាលកិច្ចដែលកំពុងបន្ត - មិនមែនជាឯកសារគោលនយោបាយដើម្បីដាក់ [4] ។
កំណត់ចំណាំអំពីក្រមសីលធម៌ ភាពលំអៀង និងភាពជឿជាក់ ⚖️
ប្រព័ន្ធ AI ឆ្លុះបញ្ចាំងពីទិន្នន័យ និងបរិបទនៃការដាក់ពង្រាយរបស់ពួកគេ។ នោះនាំមកនូវហានិភ័យ៖ ភាពលំអៀង កំហុសមិនស្មើគ្នានៅទូទាំងក្រុម ភាពផុយស្រួយនៅក្រោមការផ្លាស់ប្តូរការចែកចាយ។ ការប្រើប្រាស់សីលធម៌មិនមែនជាជម្រើសទេ វាជាការភ្នាល់លើតុ។ NIST ចង្អុលទៅការអនុវត្តជាក់ស្តែង៖ ចងក្រងឯកសារហានិភ័យ និងផលប៉ះពាល់ វិធានការសម្រាប់ការលំអៀងដែលបង្កគ្រោះថ្នាក់ បង្កើតការថយក្រោយ និងរក្សាមនុស្សនៅក្នុងរង្វិលជុំនៅពេលដែលប្រាក់ភ្នាល់មានកម្រិតខ្ពស់ [4] ។
ចលនាបេតុងដែលជួយ៖
-
ប្រមូលទិន្នន័យតំណាងផ្សេងៗគ្នា
-
វាស់ស្ទង់ការអនុវត្តលើចំនួនប្រជាជនរង
-
កាតគំរូឯកសារ និងសន្លឹកទិន្នន័យ
-
បន្ថែមការត្រួតពិនិត្យរបស់មនុស្សដែលភាគហ៊ុនមានកម្រិតខ្ពស់
-
ការរចនាបរាជ័យ - មានសុវត្ថិភាពនៅពេលដែលប្រព័ន្ធមិនប្រាកដប្រជា
តើ AI ដំណើរការយ៉ាងដូចម្តេច? ក្នុងនាមជាគំរូផ្លូវចិត្ត អ្នកអាចប្រើ 🧩 ឡើងវិញបាន។
បញ្ជីត្រួតពិនិត្យតូច អ្នកអាចអនុវត្តបានស្ទើរតែគ្រប់ប្រព័ន្ធ AI៖
-
តើអ្វីជាគោលបំណង? ការទស្សន៍ទាយ ចំណាត់ថ្នាក់ ជំនាន់ ការគ្រប់គ្រង?
-
តើសញ្ញានៃការរៀនសូត្រមកពីណា? ស្លាក, ភារកិច្ចគ្រប់គ្រងដោយខ្លួនឯង, រង្វាន់?
-
តើស្ថាបត្យកម្មអ្វីដែលត្រូវប្រើ? គំរូលីនេអ៊ែរ ក្រុមមែកធាង CNN RNN ប្លែង [3]?
-
តើវាត្រូវបានធ្វើឱ្យប្រសើរយ៉ាងដូចម្តេច? បំរែបំរួលនៃជម្រាលជម្រាល/ផ្ទៃខាងក្រោយ [2]?
-
តើរបបទិន្នន័យអ្វី? ឈុតដែលមានស្លាកតូច មហាសមុទ្រនៃអត្ថបទគ្មានស្លាក បរិស្ថានក្លែងធ្វើ?
-
តើរបៀបនៃការបរាជ័យ និងវិធានការការពារមានអ្វីខ្លះ? ភាពលំអៀង ការរសាត់បាត់ ការយល់ច្រឡំ ភាពយឺតយ៉ាវ ការកំណត់ថ្លៃដើមទៅតាម GOVERN-MAP-MEASURE-MANAGE [4] របស់ NIST។
ប្រសិនបើអ្នកអាចឆ្លើយសំណួរទាំងនោះបាន អ្នកយល់ជាមូលដ្ឋានអំពីប្រព័ន្ធ - អ្វីដែលនៅសល់គឺព័ត៌មានលម្អិតនៃការអនុវត្ត និងចំណេះដឹងអំពីដែន។
ប្រភពរហ័សដែលមានតម្លៃចំណាំ🔖
-
ការណែនាំជាភាសាសាមញ្ញចំពោះគំនិតនៃការរៀនម៉ាស៊ីន (IBM) [1]
-
ការផ្សព្វផ្សាយខាងក្រោយជាមួយដ្យាក្រាម និងគណិតវិទ្យាទន់ភ្លន់ [2]
-
ក្រដាសបំប្លែងដែលបានផ្លាស់ប្តូរគំរូតាមលំដាប់ [3]
-
ក្របខ័ណ្ឌគ្រប់គ្រងហានិភ័យ AI របស់ NIST (អភិបាលកិច្ចជាក់ស្តែង) [4]
-
សៀវភៅសិក្សាការពង្រឹង Canonical (ឥតគិតថ្លៃ) [5]
សំណួរដែលសួរញឹកញាប់អំពីផ្លេកបន្ទោរ ⚡
តើ AI គ្រាន់តែជាស្ថិតិមែនទេ?
វាគឺជាស្ថិតិបូករួមទាំងការបង្កើនប្រសិទ្ធភាព ការគណនា វិស្វកម្មទិន្នន័យ និងការរចនាផលិតផល។ ស្ថិតិគឺជាគ្រោងឆ្អឹង ហើយអ្វីដែលនៅសល់គឺជាសាច់ដុំ។
តើម៉ូដែលធំ ៗ តែងតែឈ្នះទេ?
ការធ្វើមាត្រដ្ឋានអាចជួយបាន ប៉ុន្តែគុណភាពទិន្នន័យ ការវាយតម្លៃ និងការដាក់ឱ្យប្រើប្រាស់មានឧបសគ្គច្រើនតែសំខាន់ជាង។ ម៉ូដែលតូចបំផុតដែលសម្រេចបានគោលដៅរបស់អ្នក ជាធម្មតាល្អបំផុតសម្រាប់អ្នកប្រើប្រាស់ និងកាបូប។
តើ AI អាចយល់បានទេ?
កំណត់ យល់។ ម៉ូដែលចាប់យករចនាសម្ព័ន្ធនៅក្នុងទិន្នន័យ និងធ្វើឱ្យមានការចាប់អារម្មណ៍ជាទូទៅ។ ប៉ុន្តែពួកគេមានចំណុចពិការភ្នែក ហើយអាចខុសដោយទំនុកចិត្ត។ ចាត់ទុកពួកគេដូចជាឧបករណ៍ដ៏មានឥទ្ធិពល - មិនមែនជាអ្នកប្រាជ្ញ។
តើយុគសម័យ Transformer មានជារៀងរហូតទេ?
ប្រហែលជាមិនមែនជារៀងរហូតទេ។ វាលេចធ្លោឥឡូវនេះ ពីព្រោះការយកចិត្តទុកដាក់ស្របគ្នា និងមានមាត្រដ្ឋានល្អ ដូចដែលឯកសារដើមបានបង្ហាញ [3]។ ប៉ុន្តែការស្រាវជ្រាវនៅតែបន្តដំណើរការ។
តើ AI ដំណើរការយ៉ាងដូចម្តេច? យូរពេកអត់បានអាន🧵
-
AI រៀនលំនាំពីទិន្នន័យ កាត់បន្ថយការខាតបង់ និងទូទៅទៅការបញ្ចូលថ្មី [1,2]។
-
ការសិក្សាដែលស្ថិតក្រោមការត្រួតពិនិត្យ, មិនមានការត្រួតពិនិត្យ, ការត្រួតពិនិត្យដោយខ្លួនឯង, និងការសិក្សាពង្រឹងគឺជាការរៀបចំការបណ្តុះបណ្តាលចម្បង; RL រៀនពីរង្វាន់ [5] ។
-
បណ្តាញសរសៃប្រសាទប្រើការបន្តពូជពង្ស និងការចុះជម្រាលដើម្បីកែតម្រូវប៉ារ៉ាម៉ែត្ររាប់លានប្រកបដោយប្រសិទ្ធភាព [2] ។
-
Transformers គ្រប់គ្រងកិច្ចការតាមលំដាប់លំដោយជាច្រើន ដោយសារតែការយកចិត្តទុកដាក់លើខ្លួនឯងចាប់យកទំនាក់ទំនងស្របគ្នាតាមមាត្រដ្ឋាន [3] ។
-
AI ពិភពពិតគឺជាបំពង់បង្ហូរចេញពីបញ្ហាតាមរយៈការដាក់ពង្រាយ និងអភិបាលកិច្ច ហើយក្របខ័ណ្ឌរបស់ NIST ធ្វើឱ្យអ្នកមានភាពស្មោះត្រង់អំពីហានិភ័យ [4] ។
ប្រសិនបើមាននរណាម្នាក់សួរម្តងទៀត ថា តើ AI ដំណើរការយ៉ាងដូចម្តេច?អ្នកអាចញញឹម ញ៉ាំកាហ្វេរបស់អ្នក ហើយនិយាយថា៖ វារៀនពីទិន្នន័យ បង្កើនប្រសិទ្ធភាពការបាត់បង់ និងប្រើស្ថាបត្យកម្មដូចជា Transformers ឬ Tree Ensembles អាស្រ័យលើបញ្ហា។ បន្ទាប់មកបន្ថែមការព្រិចភ្នែក ព្រោះវាទាំងសាមញ្ញ និងពេញលេញដោយលួចលាក់។ 😉
ឯកសារយោង
[1] IBM - តើ Machine Learning ជាអ្វី?
អានបន្ថែម
[2] Michael Nielsen - របៀបដែល Backpropagation Algorithm ដំណើរការ
អានបន្ថែម
[3] Vaswani et al ។ - ការយកចិត្តទុកដាក់គឺអ្វីទាំងអស់ដែលអ្នកត្រូវការ (arXiv)
អានបន្ថែម
[4] NIST - ក្របខ័ណ្ឌគ្រប់គ្រងហានិភ័យបញ្ញាសិប្បនិម្មិត (AI RMF 1.0)
អានបន្ថែម
[5] Sutton & Barto - ការរៀនសូត្របែបពង្រឹង៖ សេចក្តីផ្តើម (លើកទី២)
អានបន្ថែម