របៀបក្លាយជាអ្នកអភិវឌ្ឍន៍ AI

របៀបក្លាយជាអ្នកអភិវឌ្ឍន៍ AI។ សេចក្តីសង្ខេប។.

អ្នកមិនមែនមកទីនេះដើម្បីតែចំណេះដឹងទូទៅទេ។ អ្នកចង់បានផ្លូវច្បាស់លាស់មួយសម្រាប់ របៀបក្លាយជាអ្នកអភិវឌ្ឍន៍ AI ដោយមិនចាំបាច់លង់ក្នុងផ្ទាំងគ្មានកំណត់ ពាក្យស្លោកស្មុគស្មាញ ឬភាពខ្វិននៃការវិភាគ។ ល្អ។ ការណែនាំនេះផ្តល់ឱ្យអ្នកនូវផែនទីជំនាញ ឧបករណ៍ដែលពិតជាសំខាន់ គម្រោងដែលទទួលបានការហៅត្រឡប់មកវិញ និងទម្លាប់ដែលបំបែកការកែច្នៃពីការដឹកជញ្ជូន។ ចូរយើងចាប់ផ្តើមសាងសង់។

អត្ថបទដែលអ្នកប្រហែលជាចង់អានបន្ទាប់ពីអត្ថបទនេះ៖

🔗 របៀបចាប់ផ្តើមក្រុមហ៊ុន AI
ការណែនាំជាជំហានៗសម្រាប់ការកសាង ការផ្តល់មូលនិធិ និងការដាក់ឱ្យដំណើរការអាជីវកម្មថ្មីថ្មោង AI របស់អ្នក។.

🔗 របៀបបង្កើត AI នៅលើកុំព្យូទ័ររបស់អ្នក
រៀនបង្កើត បណ្តុះបណ្តាល និងដំណើរការគំរូ AI នៅក្នុងស្រុកដោយភាពងាយស្រួល។.

🔗 របៀបបង្កើតគំរូ AI
ការវិភាគយ៉ាងទូលំទូលាយនៃការបង្កើតគំរូ AI ពីគំនិតរហូតដល់ការដាក់ពង្រាយ។.

🔗 តើ AI និមិត្តរូបជាអ្វី?
ស្វែងយល់ពីរបៀបដែល AI និមិត្តរូបដំណើរការ និងមូលហេតុដែលវានៅតែសំខាន់នៅសព្វថ្ងៃនេះ។.

អ្វីដែលធ្វើឱ្យអ្នកអភិវឌ្ឍន៍ AI ដ៏ល្អឥតខ្ចោះម្នាក់✅

អ្នកអភិវឌ្ឍន៍ AI ដ៏ល្អម្នាក់មិនមែនជាមនុស្សដែលទន្ទេញចាំឧបករណ៍បង្កើនប្រសិទ្ធភាពទាំងអស់នោះទេ។ វាគឺជាមនុស្សដែលអាចយកបញ្ហាមិនច្បាស់លាស់ ដាក់ស៊ុមវាភ្ជាប់ទិន្នន័យ និងគំរូជាមួយគ្នា បញ្ជូនអ្វីមួយដែលដំណើរការ វាស់វែងវាដោយស្មោះត្រង់ និងធ្វើម្តងទៀតដោយគ្មានការរំខាន។ ចំណុចសំខាន់ៗមួយចំនួន៖

  • ផាសុកភាពជាមួយរង្វិលជុំទាំងមូល៖ ទិន្នន័យ → គំរូ → វាយតម្លៃ → ដាក់ពង្រាយ → ម៉ូនីទ័រ។.

  • ភាពលំអៀងចំពោះការពិសោធន៍រហ័សជាងទ្រឹស្តីដើម... ដោយមានទ្រឹស្តីគ្រប់គ្រាន់ដើម្បីជៀសវាងអន្ទាក់ជាក់ស្តែង។.

  • ផលប័ត្រ​ដែល​បញ្ជាក់​ថា​អ្នក​អាច​ផ្តល់​លទ្ធផល​បាន មិនមែន​ត្រឹមតែ​សៀវភៅ​កត់ត្រា​នោះទេ។.

  • ផ្នត់គំនិតដែលមានទំនួលខុសត្រូវជុំវិញហានិភ័យ ភាពឯកជន និងភាពយុត្តិធម៌ - មិនមែនការអនុវត្តជាក់ស្តែងទេ។ រចនាសម្ព័ន្ធឧស្សាហកម្មដូចជា ក្របខ័ណ្ឌគ្រប់គ្រងហានិភ័យ AI របស់ NIST និង គោលការណ៍ AI របស់ OECD ជួយអ្នកឱ្យនិយាយភាសាដូចគ្នានឹងអ្នកពិនិត្យ និងអ្នកពាក់ព័ន្ធ។ [1][2]

ការសារភាពតូចមួយ៖ ពេលខ្លះអ្នកនឹងផ្ញើម៉ូដែលមួយ ហើយបន្ទាប់មកដឹងថាលទ្ធផលបឋមឈ្នះ។ ភាពរាបទាបនោះ - ចម្លែកណាស់ - គឺជាមហាអំណាចមួយ។.

សេចក្តីសង្ខេបខ្លីៗ៖ ក្រុមមួយបានបង្កើតឧបករណ៍ចាត់ថ្នាក់ដ៏ប្រណិតមួយសម្រាប់ការតម្រៀបការគាំទ្រ។ ច្បាប់ពាក្យគន្លឹះមូលដ្ឋានបានយកឈ្នះវានៅពេលឆ្លើយតបដំបូង។ ពួកគេបានរក្សាច្បាប់ ប្រើគំរូសម្រាប់ករណីគែម និងបានបញ្ជូនទាំងពីរ។ វេទមន្តតិច លទ្ធផលច្រើន។.

ផែនទីបង្ហាញផ្លូវសម្រាប់របៀបក្លាយជាអ្នកអភិវឌ្ឍន៍ AI 🗺️

នេះ​ជា​ផ្លូវ​សាមញ្ញ​មួយ​ដែល​ធ្វើ​ឡើង​វិញ​ម្តង​ហើយ​ម្តង​ទៀត។ ធ្វើ​វា​ជា​រង្វង់​ពីរ​បី​ដង​នៅ​ពេល​អ្នក​ឡើង​កម្រិត៖

  1. ភាពស្ទាត់ជំនាញក្នុងការសរសេរកម្មវិធី Python បូករួមទាំង DS libs ស្នូល៖ NumPy, pandas, scikit-learn។ សូមក្រឡេកមើលការណែនាំផ្លូវការ ហើយបន្ទាប់មកបង្កើតស្គ្រីបតូចៗរហូតដល់ម្រាមដៃរបស់អ្នកស្គាល់វា។ ការណែនាំអ្នកប្រើប្រាស់ scikit-learn ដើរតួជាសៀវភៅសិក្សាជាក់ស្តែងដ៏គួរឱ្យភ្ញាក់ផ្អើល។ [3]

  2. មូលដ្ឋានគ្រឹះ ML តាមរយៈកម្មវិធីសិក្សាដែលមានរចនាសម្ព័ន្ធ៖ គំរូលីនេអ៊ែរ ការធ្វើឱ្យមានលក្ខណៈធម្មតា ការផ្ទៀងផ្ទាត់ឆ្លង និងរង្វាស់។ កំណត់ចំណាំបង្រៀនបែបបុរាណ និងការរួមបញ្ចូលគ្នានៃវគ្គសិក្សារហ័សដំណើរការបានល្អ។

  3. ឧបករណ៍សិក្សាស៊ីជម្រៅ៖ ជ្រើសរើស PyTorch ឬ TensorFlow ហើយរៀនគ្រប់គ្រាន់ដើម្បីហ្វឹកហាត់ រក្សាទុក និងផ្ទុកគំរូ។ ដោះស្រាយសំណុំទិន្នន័យ។ និងបំបាត់កំហុសរូបរាងទូទៅ។ ចាប់ផ្តើមជាមួយ ការបង្រៀន PyTorch ប្រសិនបើអ្នកចូលចិត្ត "សរសេរកូដជាមុនសិន"។ [4]

  4. គម្រោងដែលពិតជាដឹកជញ្ជូន៖ វេចខ្ចប់ជាមួយ Docker តាមដានការដំណើរការ (សូម្បីតែកំណត់ហេតុ CSV ក៏គ្មានអ្វីល្អជាងដែរ) និងដាក់ពង្រាយ API តិចតួចបំផុត។ រៀន Kubernetes នៅពេលអ្នករីកចម្រើនលើសពីការដាក់ពង្រាយប្រអប់តែមួយ។ Docker ជាមុនសិន។ [5]

  5. ស្រទាប់ AI ដ៏មានទំនួលខុសត្រូវ៖ អនុម័តបញ្ជីត្រួតពិនិត្យហានិភ័យស្រាលដែលបំផុសគំនិតដោយ NIST/OECD (សុពលភាព ភាពជឿជាក់ តម្លាភាព យុត្តិធម៌)។ វាធ្វើឱ្យការពិភាក្សាមានភាពជាក់លាក់ និងការធ្វើសវនកម្មគួរឱ្យធុញទ្រាន់ (តាមរបៀបល្អ)។ [1][2]

  6. មានជំនាញបន្តិចបន្តួច៖ NLP ជាមួយ Transformers ចក្ខុវិស័យជាមួយការប្រឹក្សា/ViTs ទំនើបៗ អ្នកណែនាំ ឬកម្មវិធី និងភ្នាក់ងារ LLM។ ជ្រើសរើសផ្លូវមួយ បង្កើតគម្រោងតូចៗពីរ បន្ទាប់មកពង្រីកសាខា។

អ្នកនឹងពិនិត្យមើលជំហានទី 2–6 ឡើងវិញជារៀងរហូត។ និយាយឱ្យត្រង់ទៅ នោះហើយជាការងារ។.

សំណុំជំនាញដែលអ្នកពិតជានឹងប្រើប្រាស់ភាគច្រើននៃថ្ងៃ 🧰

  • Python + Data wrangling: slicing arrays, joins, groupbys, និង vectorization។ ប្រសិនបើអ្នកអាចធ្វើឱ្យខ្លាឃ្មុំផេនដារាំបាន ការហ្វឹកហាត់នឹងកាន់តែសាមញ្ញ ហើយការវាយតម្លៃក៏កាន់តែស្អាត។

  • ML ស្នូល៖ ការបំបែកការធ្វើតេស្តរថភ្លើង ការជៀសវាងការលេចធ្លាយ អក្ខរកម្មម៉ែត្រ។ មគ្គុទ្ទេសក៍ scikit-learn គឺជាអត្ថបទដ៏ល្អបំផុតមួយនៅលើផ្លូវឡើងចុះ។ [3]

  • ក្របខ័ណ្ឌ DL៖ ជ្រើសរើសមួយ ធ្វើឱ្យដំណើរការពីដើមដល់ចប់ បន្ទាប់មកមើលមួយទៀតនៅពេលក្រោយ។ ឯកសាររបស់ PyTorch ធ្វើឱ្យគំរូផ្លូវចិត្តមានភាពច្បាស់លាស់។ [4]

  • អនាម័យនៃការពិសោធន៍៖ ការរត់លើផ្លូវ ប៉ារ៉ាម៉ែត្រ និងវត្ថុបុរាណ។ អ្នកនាពេលអនាគតស្អប់បុរាណវិទ្យា។

  • ការធ្វើកុងតឺន័រ និងការរៀបចំ៖ Docker ដើម្បីវេចខ្ចប់ stack របស់អ្នក; Kubernetes នៅពេលដែលអ្នកត្រូវការច្បាប់ចម្លង ការធ្វើមាត្រដ្ឋានដោយស្វ័យប្រវត្តិ និងការអាប់ដេតរំកិល។ ចាប់ផ្តើមនៅទីនេះ។ [5]

  • មូលដ្ឋានគ្រឹះនៃ GPU៖ ដឹងថាពេលណាត្រូវជួលមួយ របៀបដែលទំហំបាច់ប៉ះពាល់ដល់អត្រាទិន្នផល និងមូលហេតុដែលប្រតិបត្តិការមួយចំនួនមានអង្គចងចាំជាប់។

  • បញ្ញាសិប្បនិម្មិត (AI) ដែលមានទំនួលខុសត្រូវ៖ កត់ត្រាប្រភពទិន្នន័យ វាយតម្លៃហានិភ័យ និងរៀបចំផែនការកាត់បន្ថយផលប៉ះពាល់ដោយប្រើលក្ខណៈសម្បត្តិច្បាស់លាស់ (សុពលភាព ភាពជឿជាក់ តម្លាភាព យុត្តិធម៌)។ [1]

កម្មវិធីសិក្សាចាប់ផ្តើម៖ តំណភ្ជាប់មួយចំនួនដែលលើសពីទម្ងន់របស់ពួកគេ 🔗

  • មូលដ្ឋានគ្រឹះ ML៖ សំណុំកំណត់ចំណាំដែលផ្តោតលើទ្រឹស្តីច្រើន + វគ្គសិក្សារហ័សដែលអនុវត្តជាក់ស្តែង។ ផ្គូផ្គងវាជាមួយនឹងការអនុវត្តក្នុង scikit-learn។ [3]

  • ក្របខ័ណ្ឌ៖ ការបង្រៀន PyTorch (ឬមគ្គុទ្ទេសក៍ TensorFlow ប្រសិនបើអ្នកចូលចិត្ត Keras)។ [4]

  • មូលដ្ឋានគ្រឹះវិទ្យាសាស្ត្រទិន្នន័យ ៖ មគ្គុទ្ទេសក៍អ្នកប្រើប្រាស់ របស់ scikit-learn ដើម្បីធ្វើអន្តរកាលម៉ែត្រ បំពង់បង្ហូរ និងការវាយតម្លៃ។ [3]

  • ការដឹកជញ្ជូន ៖ ផ្លូវ ចាប់ផ្តើម របស់ Docker ដូច្នេះ "ដំណើរការលើម៉ាស៊ីនរបស់ខ្ញុំ" ប្រែទៅជា "ដំណើរការគ្រប់ទីកន្លែង"។ [5]

ចំណាំ​ទាំងនេះ។ ពេល​ជាប់គាំង សូមអានមួយទំព័រ សាកល្បងរឿងមួយ ហើយអានម្តងទៀត។.

គម្រោងផលប័ត្រចំនួនបីដែលទទួលបានការសម្ភាសន៍ 📁

  1. ការឆ្លើយសំណួរបន្ថែមលើសំណុំទិន្នន័យផ្ទាល់ខ្លួនរបស់អ្នក

    • កោស/នាំចូលមូលដ្ឋានចំណេះដឹងពិសេស បង្កើតការបង្កប់ + ការទាញយក បន្ថែម UI ទម្ងន់ស្រាល។.

    • តាមដានភាពយឺតយ៉ាវ ភាពត្រឹមត្រូវលើសំណុំសំណួរ និងចម្លើយដែលបានពន្យារពេល និងមតិកែលម្អរបស់អ្នកប្រើប្រាស់។.

    • រួមបញ្ចូលផ្នែកខ្លីមួយអំពី "ករណីបរាជ័យ"។.

  2. គំរូចក្ខុវិស័យជាមួយនឹងការរឹតបន្តឹងការដាក់ពង្រាយពិតប្រាកដ

    • បណ្តុះបណ្តាលឧបករណ៍ចាត់ថ្នាក់ ឬឧបករណ៍ចាប់សញ្ញា បម្រើតាមរយៈ FastAPI ធ្វើកុងតឺន័រជាមួយ Docker សរសេរពីរបៀបដែលអ្នកនឹងធ្វើមាត្រដ្ឋាន។ [5]

    • ការរកឃើញការរសាត់បាត់ឯកសារ (ស្ថិតិចំនួនប្រជាជនសាមញ្ញលើលក្ខណៈពិសេសនានា គឺជាការចាប់ផ្តើមដ៏ល្អ)។.

  3. ការសិក្សាករណី AI ដែលមានទំនួលខុសត្រូវ

    • ជ្រើសរើសសំណុំទិន្នន័យសាធារណៈដែលមានលក្ខណៈពិសេសរសើប។ ធ្វើការសរសេរម៉ែត្រិច និងការកាត់បន្ថយដែលតម្រឹមទៅនឹងលក្ខណៈសម្បត្តិ NIST (សុពលភាព ភាពជឿជាក់ ភាពយុត្តិធម៌)។ [1]

គម្រោងនីមួយៗត្រូវការ៖ README មួយទំព័រ ដ្យាក្រាម ស្គ្រីបដែលអាចបង្កើតឡើងវិញបាន និងកំណត់ហេតុផ្លាស់ប្ដូរតូចមួយ។ បន្ថែមរូបសញ្ញាអារម្មណ៍ខ្លះ ពីព្រោះមនុស្សក៏អានទាំងនេះដែរ 🙂

MLOps ការដាក់ពង្រាយ និងផ្នែកដែលគ្មាននរណាម្នាក់បង្រៀនអ្នក 🚢

ការដឹកជញ្ជូនគឺជាជំនាញមួយ។ លំហូរអប្បបរមា៖

  • ​មាន​លក្ខណៈ​ជា​កុងតឺន័រ ​ជាមួយ Docker ដូច្នេះ dev ≈ prod។ ចាប់ផ្តើមជាមួយឯកសារ Getting Started ផ្លូវការ; ផ្លាស់ទីទៅ Compose សម្រាប់ការដំឡើងសេវាកម្មច្រើន។ [5]

  • តាមដានការពិសោធន៍ (សូម្បីតែនៅក្នុងស្រុក)។ ប៉ារ៉ាម៉ែត្រ ម៉ែត្រិច វត្ថុបុរាណ និងស្លាក "អ្នកឈ្នះ" ធ្វើឱ្យការលុបបំបាត់មានភាពស្មោះត្រង់ និងកិច្ចសហការអាចធ្វើទៅបាន។

  • សម្របសម្រួល ជាមួយ Kubernetes នៅពេលដែលអ្នកត្រូវការធ្វើមាត្រដ្ឋាន ឬញែកដាច់ពីគ្នា។ សិក្សាអំពីការដាក់ពង្រាយ សេវាកម្ម និងការកំណត់រចនាសម្ព័ន្ធប្រកាសជាមុនសិន។ ទប់ទល់នឹងការជំរុញឱ្យមានការកោរសក់បែប yak-shave។

  • ពេលវេលាដំណើរការលើ Cloud៖ Colab សម្រាប់ការបង្កើតគំរូដើម; វេទិកាដែលបានគ្រប់គ្រង (SageMaker/Azure ML/Vertex) នៅពេលដែលអ្នកឆ្លងកាត់កម្មវិធីប្រដាប់ក្មេងលេង។

  • ចំណេះដឹងអំពី GPU៖ អ្នកមិនចាំបាច់សរសេរខឺណែល CUDA ទេ អ្នកត្រូវដឹងថាពេលណាជាចំណុចកកស្ទះនៃកម្មវិធីផ្ទុកទិន្នន័យរបស់អ្នក។

ពាក្យប្រៀបធៀប​តូច​មួយ​ដែល​មាន​ចំណុច​ខ្វះខាត៖ សូម​គិត​អំពី MLOps ដូចជា​ម្សៅ​ធ្វើ​នំ​ជូរ - ចិញ្ចឹម​វា​ដោយ​ស្វ័យប្រវត្តិកម្ម និង​ការ​ត្រួតពិនិត្យ បើ​មិន​ដូច្នោះ​ទេ វា​នឹង​មាន​ក្លិន​ស្អុយ។.

បញ្ញាសិប្បនិម្មិត (AI) ដែលមានទំនួលខុសត្រូវ គឺជាប្រភពនៃការប្រកួតប្រជែងរបស់អ្នក 🛡️

ក្រុមការងារស្ថិតនៅក្រោមសម្ពាធដើម្បីបញ្ជាក់ពីភាពគួរឱ្យទុកចិត្ត។ ប្រសិនបើអ្នកអាចនិយាយបានច្បាស់លាស់អំពីហានិភ័យ ឯកសារ និងអភិបាលកិច្ច អ្នកនឹងក្លាយជាមនុស្សដែលមនុស្សចង់បាននៅក្នុងបន្ទប់។.

  • ប្រើប្រាស់ក្របខ័ណ្ឌដែលបានបង្កើតឡើង៖ ផ្គូផ្គងតម្រូវការទៅនឹងលក្ខណៈសម្បត្តិ NIST (សុពលភាព ភាពជឿជាក់ តម្លាភាព ភាពយុត្តិធម៌) បន្ទាប់មកប្រែក្លាយវាទៅជាធាតុត្រួតពិនិត្យ និងលក្ខណៈវិនិច្ឆ័យទទួលយកនៅក្នុង PRs។ [1]

  • ចងភ្ជាប់គោលការណ៍របស់អ្នក៖ គោលការណ៍ AI របស់ OECD សង្កត់ធ្ងន់លើសិទ្ធិមនុស្ស និងតម្លៃប្រជាធិបតេយ្យ - ងាយស្រួលប្រើនៅពេលពិភាក្សាអំពីការសម្របសម្រួល។ [2]

  • ក្រមសីលធម៌វិជ្ជាជីវៈ៖ ការយល់ព្រមខ្លីមួយចំពោះក្រមសីលធម៌នៅក្នុងឯកសាររចនា ជារឿយៗជាភាពខុសគ្នារវាង "យើងបានគិតអំពីវា" និង "យើងបានធ្វើវាដោយចេតនា"។

នេះមិនមែនជាការិយាធិបតេយ្យទេ។ វាជាសិប្បកម្ម។.

មានជំនាញបន្តិចបន្តួច៖ ជ្រើសរើសផ្លូវមួយ ហើយរៀនឧបករណ៍របស់វា 🛣️

  • LLMs និង NLP៖ ចំណុចខ្វះខាតនៃការធ្វើសញ្ញាសម្ងាត់ បង្អួចបរិបទ RAG ការវាយតម្លៃលើសពី BLEU។ ចាប់ផ្តើមជាមួយបំពង់បង្ហូរទិន្នន័យកម្រិតខ្ពស់ បន្ទាប់មកប្ដូរតាមបំណង។

  • ចក្ខុវិស័យ៖ ការបង្កើនទិន្នន័យ ការដាក់ស្លាកអនាម័យ និងការដាក់ពង្រាយទៅកាន់ឧបករណ៍គែម ដែលភាពយឺតយ៉ាវជាមហាក្សត្រី។

  • អ្នកណែនាំ៖ លក្ខណៈប្លែកនៃមតិប្រតិកម្មដោយប្រយោល យុទ្ធសាស្ត្រចាប់ផ្តើមដោយត្រជាក់ និង KPI អាជីវកម្មដែលមិនត្រូវគ្នានឹង RMSE។

  • ភ្នាក់ងារ និងការប្រើប្រាស់ឧបករណ៍៖ ការហៅមុខងារ ការឌិកូដដែលមានកម្រិត និងរនាំងសុវត្ថិភាព។

និយាយដោយស្មោះត្រង់ទៅ សូមជ្រើសរើសដែនដែលធ្វើឱ្យអ្នកចង់ដឹងចង់ឃើញនៅព្រឹកថ្ងៃអាទិត្យ។.

តារាងប្រៀបធៀប៖ ផ្លូវសម្រាប់វិធីក្លាយជាអ្នកអភិវឌ្ឍន៍ AI 📊

ផ្លូវ / ឧបករណ៍ ល្អបំផុតសម្រាប់ អារម្មណ៍​ថ្លៃដើម ហេតុអ្វីបានជាវាដំណើរការ - និងជារឿងចម្លែកមួយ
ការសិក្សាដោយខ្លួនឯង + ការអនុវត្តជាក់ស្តែង អ្នករៀនដែលរៀនដោយខ្លួនឯង បែបសេរី មូលដ្ឋានគ្រឹះដ៏រឹងមាំបូករួមទាំង API ជាក់ស្តែងនៅក្នុង scikit-learn; អ្នកនឹងរៀនលើសមូលដ្ឋានគ្រឹះ (ជារឿងល្អ)។ [3]
ការបង្រៀន PyTorch មនុស្សដែលរៀនដោយការសរសេរកូដ ឥតគិតថ្លៃ ធ្វើឱ្យអ្នកហ្វឹកហាត់បានយ៉ាងឆាប់រហ័ស; tensors + autograd mental model ចុចលឿន។ [4]
មូលដ្ឋានគ្រឹះ Docker អ្នកសាងសង់ដែលមានគម្រោងដឹកជញ្ជូន ឥតគិតថ្លៃ បរិស្ថានដែលអាចបង្កើតឡើងវិញបាន និងចល័តបាន ធ្វើឱ្យអ្នកមានអារម្មណ៍ស្រួលនៅខែទីពីរ។ សរសេរនៅពេលក្រោយ។ [5]
វគ្គសិក្សា + គម្រោង មនុស្សដែលមើលឃើញ + អនុវត្តជាក់ស្តែង ឥតគិតថ្លៃ មេរៀនខ្លីៗ + ការធ្វើឡើងវិញពិតប្រាកដចំនួន 1–2 លើសពីវីដេអូអកម្មរយៈពេល 20 ម៉ោង។.
វេទិកា ML ដែលគ្រប់គ្រង អ្នកអនុវត្តដែលមានពេលវេលាកំណត់ ប្រែប្រួល ដោះដូរ $ សម្រាប់ភាពសាមញ្ញនៃហេដ្ឋារចនាសម្ព័ន្ធ; ល្អណាស់នៅពេលដែលអ្នកហួសពីកម្មវិធីប្រដាប់ក្មេងលេង។.

មែនហើយ ចន្លោះមិនស្មើគ្នាបន្តិច។ តុពិតកម្រល្អឥតខ្ចោះណាស់។.

រង្វិលជុំសិក្សាដែលពិតជាជាប់លាប់ 🔁

  • វដ្តពីរម៉ោង៖ អានឯកសារ ២០ នាទី, សរសេរកូដ ៨០ នាទី, សរសេរចុះអ្វីដែលខូច ២០ នាទី។

  • ការសរសេរមួយទំព័រ៖ បន្ទាប់ពីគម្រោងខ្នាតតូចនីមួយៗ សូមពន្យល់អំពីការកំណត់បញ្ហា បន្ទាត់គោល រង្វាស់ និងរបៀបបរាជ័យ។

  • ការរឹតបន្តឹងដោយចេតនា៖ ហ្វឹកហាត់តែលើ CPU ឬគ្មាន libs ខាងក្រៅសម្រាប់ដំណើរការជាមុន ឬថវិកាចំនួន 200 ខ្សែ។ ការរឹតបន្តឹងបង្កើតភាពច្នៃប្រឌិត តាមរបៀបណាមួយ។

  • ការរត់ប្រណាំងលើក្រដាស៖ អនុវត្តតែការបាត់បង់ ឬកម្មវិធីផ្ទុកទិន្នន័យ។ អ្នកមិនត្រូវការ SOTA ដើម្បីរៀនច្រើនទេ។

ប្រសិនបើការផ្តោតអារម្មណ៍រអិល វាជារឿងធម្មតាទេ។ មនុស្សគ្រប់គ្នាញ័រ។ ដើរលេង ត្រលប់មកវិញ ដឹកជញ្ជូនរបស់តូចមួយ។.

ការរៀបចំសម្ភាសន៍ ដោយមិនរាប់បញ្ចូលការសម្តែងល្ខោន 🎯

  • ផលប័ត្រជាមុនសិន៖ ការទិញយកឡើងវិញពិតប្រាកដល្អជាងការដាក់ស្លាយ។ ដាក់ពង្រាយយ៉ាងហោចណាស់ការបង្ហាញតូចមួយ។

  • ពន្យល់ពី​ការសម្របសម្រួល៖ ត្រូវត្រៀមខ្លួនដើម្បីពន្យល់អំពីជម្រើសម៉ែត្រ និងរបៀបដែលអ្នកនឹងបំបាត់កំហុសក្នុងការបរាជ័យ។

  • ការគិតជាប្រព័ន្ធ៖ គូររូបទិន្នន័យ → គំរូ → API → ដ្យាក្រាមម៉ូនីទ័រ ហើយរៀបរាប់វា។

  • បញ្ញាសិប្បនិម្មិត (AI) ដែលមានទំនួលខុសត្រូវ៖ រក្សាបញ្ជីត្រួតពិនិត្យសាមញ្ញមួយឱ្យស្របទៅនឹង NIST AI RMF - វាបង្ហាញពីភាពចាស់ទុំ មិនមែនពាក្យស្លោកទេ។ [1]

  • ភាពស្ទាត់ជំនាញនៃក្របខ័ណ្ឌការងារ៖ ជ្រើសរើសក្របខ័ណ្ឌការងារមួយ ហើយប្រថុយប្រថានជាមួយវា។ ឯកសារផ្លូវការគឺជាល្បែងយុត្តិធម៌ក្នុងការសម្ភាសន៍។ [4]

សៀវភៅធ្វើម្ហូបតូច៖ គម្រោងដំបូងរបស់អ្នកចាប់ពីដើមដល់ចប់ក្នុងរយៈពេលចុងសប្តាហ៍ 🍳

  1. ទិន្នន័យ៖ ជ្រើសរើសសំណុំទិន្នន័យស្អាត។

  2. បន្ទាត់គោល៖ គំរូ scikit-learn ជាមួយនឹងការផ្ទៀងផ្ទាត់ឆ្លង; កត់ត្រារង្វាស់មូលដ្ឋាន។ [3]

  3. DL pass: ភារកិច្ចដូចគ្នានៅក្នុង PyTorch ឬ TensorFlow; ប្រៀបធៀបផ្លែប៉ោមទៅនឹងផ្លែប៉ោម។ [4]

  4. ការតាមដាន៖ ការដំណើរការកំណត់ត្រា (សូម្បីតែ CSV សាមញ្ញ + ត្រាពេលវេលា)។ ដាក់ស្លាកអ្នកឈ្នះ។

  5. Serve: រុំការព្យាករណ៍នៅក្នុងផ្លូវ FastAPI, dockerize, ដំណើរការនៅក្នុងមូលដ្ឋាន។ [5]

  6. សូមឆ្លុះបញ្ចាំង៖ តើរង្វាស់អ្វីដែលសំខាន់សម្រាប់អ្នកប្រើប្រាស់ ហានិភ័យអ្វីខ្លះដែលមាន និងអ្វីដែលអ្នកនឹងតាមដានបន្ទាប់ពីការដាក់ឱ្យដំណើរការ - សូមខ្ចីពាក្យពី NIST AI RMF ដើម្បីរក្សាវាឱ្យច្បាស់លាស់។ [1]

តើនេះល្អឥតខ្ចោះទេ? ទេ។ តើវាល្អជាងការរង់ចាំវគ្គសិក្សាដ៏ល្អឥតខ្ចោះទេ? ពិតជាអស្ចារ្យណាស់។.

អន្ទាក់ទូទៅដែលអ្នកអាចជៀសវាងបានតាំងពីដំបូង ⚠️

  • ការសម្របខ្លួនការរៀនសូត្ររបស់អ្នកទៅនឹងការបង្រៀន៖ ល្អណាស់ក្នុងការចាប់ផ្តើម ប៉ុន្តែត្រូវប្តូរទៅគិតអំពីបញ្ហាជាមុនសិន។

  • ការរំលងការរចនាការវាយតម្លៃ៖ កំណត់ភាពជោគជ័យមុនពេលបណ្តុះបណ្តាល។ សន្សំសំចៃម៉ោង។

  • ការមិនអើពើនឹងកិច្ចសន្យាទិន្នន័យ៖ ការរសាត់នៃគ្រោងការណ៍បំបែកប្រព័ន្ធច្រើនជាងគំរូធ្វើ។

  • ការភ័យខ្លាចនៃការដាក់ពង្រាយ៖ Docker មានភាពរួសរាយរាក់ទាក់ជាងអ្វីដែលវាមើលទៅ។ ចាប់ផ្តើមពីតូច; ទទួលយកថាការបង្កើតដំបូងនឹងមានភាពរញ៉េរញ៉ៃ។ [5]

  • ក្រមសីលធម៌មានសុពលភាព៖ ដាក់វានៅពេលក្រោយ ហើយវាប្រែក្លាយទៅជាការងារអនុលោមតាមច្បាប់។ ធ្វើវាឱ្យទៅជាការរចនា - ស្រាលជាងមុន ល្អជាង។ [1][2]

TL;DR 🧡

ប្រសិនបើអ្នកចាំរឿងមួយ៖ របៀបក្លាយជាអ្នកអភិវឌ្ឍន៍ AI មិនមែននិយាយអំពីការស្តុកទុកទ្រឹស្តី ឬការដេញតាមគំរូភ្លឺចែងចាំងនោះទេ។ វានិយាយអំពីការដោះស្រាយបញ្ហាពិតប្រាកដម្តងហើយម្តងទៀតជាមួយនឹងរង្វិលជុំតឹងរ៉ឹង និងផ្នត់គំនិតដែលមានទំនួលខុសត្រូវ។ រៀនពីគំនរទិន្នន័យ ជ្រើសរើសក្របខ័ណ្ឌ DL មួយ បញ្ជូនរបស់តូចៗជាមួយ Docker តាមដានអ្វីដែលអ្នកធ្វើ និងចងជម្រើសរបស់អ្នកទៅនឹងការណែនាំដែលគួរឱ្យគោរពដូចជា NIST និង OECD។ បង្កើតគម្រោងតូចៗគួរឱ្យស្រឡាញ់ចំនួនបី ហើយនិយាយអំពីវាដូចជាមិត្តរួមក្រុម មិនមែនជាអ្នកលេងមន្តអាគមទេ។ នោះហើយជាវា - ភាគច្រើន។

ហើយបាទ/ចាស៎ សូមនិយាយឃ្លានេះឱ្យឮៗ ប្រសិនបើវាជួយ៖ ខ្ញុំដឹងពីរបៀបក្លាយជាអ្នកអភិវឌ្ឍន៍ AI។ បន្ទាប់មក សូមទៅបញ្ជាក់វាជាមួយនឹងការកសាងដែលផ្តោតអារម្មណ៍រយៈពេលមួយម៉ោងនៅថ្ងៃនេះ។

ឯកសារយោង

[1] NIST។ ក្របខ័ណ្ឌគ្រប់គ្រងហានិភ័យបញ្ញាសិប្បនិម្មិត (AI RMF 1.0)។ (PDF) - តំណភ្ជាប់
[2] OECD។ គោលការណ៍ AI របស់ OECD - ទិដ្ឋភាពទូទៅ - តំណភ្ជាប់
[3] scikit-learn។ សៀវភៅណែនាំអ្នកប្រើប្រាស់ (មានស្ថេរភាព) - តំណភ្ជាប់
[4] PyTorch។ ឯកសារបង្រៀន (រៀនមូលដ្ឋានគ្រឹះ។ល។) - តំណភ្ជាប់
[5] Docker។ ចាប់ផ្តើម - តំណភ្ជាប់

ស្វែងរក AI ចុងក្រោយបំផុតនៅហាងជំនួយការ AI ផ្លូវការ

អំពីយើង

ត្រឡប់ទៅប្លុកវិញ