របៀបបង្កើត AI នៅលើកុំព្យូទ័ររបស់អ្នក

របៀបបង្កើត AI នៅលើកុំព្យូទ័ររបស់អ្នក។ ការណែនាំពេញលេញ។

មិនអីទេ ដូច្នេះអ្នកចង់ដឹងចង់ឃើញអំពីការបង្កើត "បញ្ញាសិប្បនិម្មិត"។ មិនមែនក្នុងន័យហូលីវូដដែលវាពិចារណាអំពីអត្ថិភាពនោះទេ ប៉ុន្តែជាប្រភេទដែលអ្នកអាចដំណើរការលើកុំព្យូទ័រយួរដៃរបស់អ្នកដែលធ្វើការព្យាករណ៍ តម្រៀបរបស់របរ និងប្រហែលជាជជែកគ្នាបន្តិចបន្តួច។ ការណែនាំអំពី របៀបបង្កើតបញ្ញាសិប្បនិម្មិតនៅលើកុំព្យូទ័ររបស់អ្នក គឺជាការប៉ុនប៉ងរបស់ខ្ញុំដើម្បីអូសអ្នកពី គ្មានអ្វីសោះ ទៅជា អ្វីមួយដែលដំណើរការក្នុងស្រុក ។ រំពឹងថានឹងមានផ្លូវកាត់ គំនិតត្រង់ៗ និងផ្លូវវង្វេងម្តងម្កាល ពីព្រោះចូរយើងនិយាយដោយស្មោះត្រង់ ការកែច្នៃមិនដែលស្អាតនោះទេ។

អត្ថបទដែលអ្នកប្រហែលជាចង់អានបន្ទាប់ពីអត្ថបទនេះ៖

🔗 របៀបបង្កើតគំរូ AI៖ ជំហានពេញលេញត្រូវបានពន្យល់
ការវិភាគច្បាស់លាស់នៃការបង្កើតគំរូ AI ពីដើមដល់ចប់។.

🔗 តើ AI និមិត្តរូបជាអ្វី៖ អ្វីគ្រប់យ៉ាងដែលអ្នកត្រូវដឹង
រៀនមូលដ្ឋានគ្រឹះ AI និមិត្តរូប ប្រវត្តិសាស្ត្រ និងកម្មវិធីសម័យទំនើប។.

🔗 តម្រូវការផ្ទុកទិន្នន័យសម្រាប់ AI៖ អ្វីដែលអ្នកត្រូវការ
យល់ដឹងពីតម្រូវការផ្ទុកទិន្នន័យសម្រាប់ប្រព័ន្ធ AI ដែលមានប្រសិទ្ធភាព និងអាចធ្វើមាត្រដ្ឋានបាន។.

ហេតុអ្វីត្រូវរំខានឥឡូវនេះ? 🧭

ដោយសារតែសម័យកាលនៃ "មានតែមន្ទីរពិសោធន៍ខ្នាត Google ប៉ុណ្ណោះដែលអាចធ្វើ AI បាន" បានកន្លងផុតទៅហើយ។ សព្វថ្ងៃនេះ ជាមួយនឹងកុំព្យូទ័រយួរដៃធម្មតា ឧបករណ៍ប្រភពបើកចំហមួយចំនួន និងភាពរឹងរូស អ្នកអាចបង្កើតគំរូតូចៗដែលចាត់ថ្នាក់អ៊ីមែល សង្ខេបអត្ថបទ ឬដាក់ស្លាករូបភាព។ មិនត្រូវការមជ្ឈមណ្ឌលទិន្នន័យទេ។ អ្នកគ្រាន់តែត្រូវការ៖

  • ផែនការមួយ,

  • ការរៀបចំស្អាតមួយ,

  • និងគោលដៅមួយដែលអ្នកអាចបញ្ចប់ដោយមិនចាំបាច់បោះម៉ាស៊ីនចេញពីបង្អួច។.

អ្វីដែលធ្វើឱ្យរឿងនេះមានតម្លៃតាមដាន ✅

អ្នកដែលសួរថា "របៀបបង្កើត AI នៅលើកុំព្យូទ័ររបស់អ្នក" ជាធម្មតាមិនចង់បានសញ្ញាបត្របណ្ឌិតទេ។ ពួកគេចង់បានអ្វីមួយដែលពួកគេពិតជាអាចដំណើរការបាន។ ផែនការល្អមួយបញ្ជាក់ពីរឿងមួយចំនួន៖

  • ចាប់ផ្តើមតូច ៖ ចាត់ថ្នាក់អារម្មណ៍ មិនមែន «ដោះស្រាយភាពវៃឆ្លាត» ទេ។

  • ភាពអាចផលិតឡើងវិញបាន ៖ conda ឬ venv ដូច្នេះអ្នកអាចសាងសង់ឡើងវិញនៅថ្ងៃស្អែកដោយមិនមានការភ័យស្លន់ស្លោ។

  • ភាពស្មោះត្រង់ផ្នែករឹង ៖ ស៊ីភីយូល្អសម្រាប់ការរៀន scikit-learn, GPUs សម្រាប់សំណាញ់ជ្រៅ (ប្រសិនបើអ្នកមានសំណាង) [2][3] ។

  • ទិន្នន័យស្អាត ៖ គ្មានសារធាតុឥតបានការដែលមានស្លាកខុសទេ; តែងតែបំបែកទៅជា train/valid/test។

  • ម៉ែត្រដែលមានន័យថាអ្វីមួយ ៖ ភាពត្រឹមត្រូវ ភាពជាក់លាក់ ការរំលឹកឡើងវិញ F1 ។ សម្រាប់អតុល្យភាព ROC-AUC/PR-AUC [1] ។

  • វិធីមួយដើម្បីចែករំលែក ៖ API តូចមួយ CLI ឬកម្មវិធីសាកល្បង។

  • សុវត្ថិភាព ៖ គ្មានសំណុំទិន្នន័យមិនច្បាស់លាស់ គ្មានការលេចធ្លាយព័ត៌មានឯកជនទេ សូមកត់សម្គាល់ហានិភ័យឱ្យបានច្បាស់លាស់ [4]។

ធ្វើ​វា​ឲ្យ​បាន​ត្រឹមត្រូវ ហើយ​សូម្បី​តែ​គំរូ "តូច" របស់​អ្នក​ក៏​ពិត​ដែរ។.

ផែនទីបង្ហាញផ្លូវដែលមិនគួរឱ្យភ័យខ្លាច🗺️

  1. ជ្រើសរើសបញ្ហាតូចមួយ + ម៉ែត្រមួយ។.

  2. ដំឡើង Python និងបណ្ណាល័យសំខាន់ៗមួយចំនួន។.

  3. បង្កើតបរិស្ថានស្អាត (អ្នកនឹងអរគុណខ្លួនឯងនៅពេលក្រោយ)។.

  4. ផ្ទុកសំណុំទិន្នន័យរបស់អ្នក បំបែកឱ្យបានត្រឹមត្រូវ។.

  5. បណ្តុះបណ្តាលមូលដ្ឋានគ្រឹះដ៏ល្ងង់ខ្លៅប៉ុន្តែស្មោះត្រង់។.

  6. សាកល្បង​ប្រើ​បណ្តាញ​សរសៃប្រសាទ​លុះត្រាតែ​វា​បន្ថែម​តម្លៃ។.

  7. វេចខ្ចប់ការបង្ហាញ។.

  8. ទុកកំណត់ចំណាំខ្លះទៅ អនាគតអ្នកនឹងអរគុណអ្នក។.

ឧបករណ៍អប្បបរមា៖ កុំស្មុគស្មាញពេក 🧰

  • Python ៖ ទាញយកពី python.org។

  • បរិស្ថាន ៖ Conda ឬ venv ជាមួយ pip។

  • សៀវភៅកត់ត្រា ៖ Jupyter សម្រាប់លេង។

  • អ្នកកែសម្រួល ៖ VS Code រួសរាយរាក់ទាក់ និងមានឥទ្ធិពល។

  • លីបស្នូល

    • ផេនដា + NumPy (ការច្របូកច្របល់ទិន្នន័យ)

    • scikit-learn (ML បុរាណ)

    • PyTorch ឬ TensorFlow (ការរៀនសូត្រស៊ីជម្រៅ GPU បង្កើតបញ្ហា) [2][3]

    • ឧបករណ៍បំលែងមុខឱប, spaCy, OpenCV (NLP + ចក្ខុវិស័យ)

  • ការបង្កើនល្បឿន (ស្រេចចិត្ត)

    • NVIDIA → ការបង្កើត CUDA [2]

    • AMD → ការបង្កើត ROCm [2]

    • Apple → PyTorch ជាមួយ​នឹង​ផ្នែក​ខាងក្រោយ​ដែក (MPS) [2]

⚡ កំណត់ចំណាំបន្ថែម៖ “ការលំបាកក្នុងការដំឡើង” ភាគច្រើននឹងបាត់ទៅវិញ ប្រសិនបើអ្នកគ្រាន់តែអនុញ្ញាតឱ្យអ្នកដំឡើងផ្លូវការផ្តល់ឱ្យអ្នកនូវ ពិតប្រាកដ សម្រាប់ការដំឡើងរបស់អ្នក។ ចម្លង បិទភ្ជាប់ រួចរាល់ [2][3]។

ច្បាប់សាមញ្ញ៖ វារលើ CPU ជាមុនសិន រួចរត់ជាមួយ GPU នៅពេលក្រោយ។.

ការជ្រើសរើសជង់របស់អ្នក៖ ទប់ទល់នឹងរបស់ភ្លឺចែងចាំង 🧪

  • ទិន្នន័យតារាង → scikit-learn។ តំរែតំរង់ឡូជីស្ទីក ព្រៃឈើចៃដន្យ ការជំរុញជម្រាល។.

  • អត្ថបទ ឬរូបភាព → PyTorch ឬ TensorFlow។ សម្រាប់អត្ថបទ ការលៃតម្រូវ Transformer តូចមួយគឺជាជ័យជម្នះដ៏ធំមួយ។.

  • Chatbot-ish → llama.cpp អាចដំណើរការ LLM តូចៗនៅលើកុំព្យូទ័រយួរដៃ។ កុំរំពឹងថានឹងមានវេទមន្ត ប៉ុន្តែវាដំណើរការសម្រាប់កំណត់ចំណាំ និងសេចក្តីសង្ខេប [5]។

ការរៀបចំបរិស្ថានស្អាត🧼

# Conda way conda create -n localai python=3.11 conda activate localai # OR venv python -m venv .venv source .venv/bin/activate # Windows: .venv\Scripts\activate

បន្ទាប់មកដំឡើងកម្មវិធីសំខាន់ៗ៖

pip ដំឡើង numpy pandas scikit-learn jupyter pip ដំឡើង torch torchvision torchaudio # ឬ tensorflow pip ដំឡើង transformers datasets

(សម្រាប់ការបង្កើត GPU ឲ្យពិតប្រាកដ គ្រាន់តែប្រើឧបករណ៍ជ្រើសរើសផ្លូវការ [2][3]។)

ម៉ូដែលដំណើរការដំបូង៖ រក្សាវាឱ្យតូច 🏁

បន្ទាត់​គោល​ជាមុនសិន។ CSV → លក្ខណៈពិសេស + ស្លាក → តំរែតំរង់​ឡូជីស្ទីក។.

ពី sklearn.linear_model នាំចូល LogisticRegression ... print("ភាពត្រឹមត្រូវ៖", accuracy_score(y_test, preds)) print(classification_report(y_test, preds))

ប្រសិនបើវាដំណើរការល្អជាងចៃដន្យ អ្នកអបអរសាទរ។ កាហ្វេ ឬខូឃី ការសម្រេចចិត្តរបស់អ្នក ☕។
សម្រាប់ថ្នាក់ដែលមិនមានតុល្យភាព សូមមើលខ្សែកោងភាពជាក់លាក់/ការរំលឹកឡើងវិញ + ខ្សែកោង ROC/PR ជំនួសឱ្យភាពត្រឹមត្រូវឆៅ [1]។

បណ្តាញសរសៃប្រសាទ (លុះត្រាតែវាជួយ) 🧠

មាន​អក្សរ​ហើយ​ចង់​ចាត់ថ្នាក់​អារម្មណ៍​ទេ? កែសម្រួល Transformer តូចមួយ​ដែល​បាន​ហ្វឹកហាត់​ជាមុន។ រហ័ស ស្អាត មិន​ធ្វើ​ឲ្យ​ម៉ាស៊ីន​របស់​អ្នក​ខូច​ឡើយ។.

ពី transformers នាំចូល AutoModelForSequenceClassification ... trainer.train() បោះពុម្ព(trainer.evaluate())

គន្លឹះ​ជំនាញ៖ ចាប់ផ្តើមជាមួយគំរូតូចៗ។ ការបំបាត់កំហុសលើទិន្នន័យ 1% ជួយសន្សំសំចៃពេលវេលា។.

ទិន្នន័យ៖ មូលដ្ឋានគ្រឹះដែលអ្នកមិនអាចរំលងបាន 📦

  • សំណុំទិន្នន័យសាធារណៈ៖ Kaggle, Hugging Face, academic repos (ពិនិត្យមើលអាជ្ញាប័ណ្ណ)។.

  • សីលធម៌៖ សម្អាតព័ត៌មានផ្ទាល់ខ្លួន គោរពសិទ្ធិ។.

  • បំបែក៖ ហ្វឹកហាត់, ផ្ទៀងផ្ទាត់, សាកល្បង។ កុំលួចមើល។.

  • ស្លាក: ភាពស៊ីសង្វាក់គ្នាមានសារៈសំខាន់ជាងម៉ូដែលប្រណីត។.

គ្រាប់បែកការពិត៖ ៦០% នៃលទ្ធផលគឺមកពីស្លាកសញ្ញាស្អាត មិនមែនមកពីវេទមន្តស្ថាបត្យកម្មទេ។.

ម៉ែត្រិចដែលធ្វើឱ្យអ្នកមានភាពស្មោះត្រង់🎯

  • ចំណាត់ថ្នាក់ → ភាពត្រឹមត្រូវ, ភាពជាក់លាក់, ការចងចាំ, F1។

  • សំណុំមិនមានតុល្យភាព → ROC-AUC, PR-AUC មានសារៈសំខាន់ជាង។

  • តំរែតំរង់ → MAE, RMSE, R²។

  • ពិនិត្យមើលការពិត → សម្លឹងមើលលទ្ធផលមួយចំនួន; តួលេខអាចកុហកបាន។

ឯកសារយោងងាយស្រួល៖ មគ្គុទ្ទេសក៍ម៉ែត្រិច scikit-learn [1]។.

គន្លឹះបង្កើនល្បឿន🚀

  • NVIDIA → ការបង្កើត PyTorch CUDA [2]

  • AMD → ROCm [2]

  • Apple → ផ្នែកខាងក្រោយ MPS [2]

  • TensorFlow → តាមដានការដំឡើង GPU ផ្លូវការ + ផ្ទៀងផ្ទាត់ [3]

ប៉ុន្តែកុំ​ធ្វើ​ឲ្យ​ប្រសើរ​ឡើង​មុន​ពេល​ដែល​ផ្លូវ​គោល​របស់​អ្នក​ដំណើរការ​។ នោះ​ប្រៀប​ដូច​ជា​ការ​ប៉ូលា​កង់​រថយន្ត​មុន​ពេល​ដែល​រថយន្ត​មាន​កង់​។.

គំរូបង្កើតក្នុងស្រុក៖ កូននាគ 🐉

  • ភាសា → សញ្ញាបត្រ LLM ដែលត្រូវបានវាស់វែងតាមរយៈ llama.cpp [5]។ ល្អសម្រាប់កំណត់ចំណាំ ឬការណែនាំអំពីកូដ មិនមែនសម្រាប់ការសន្ទនាស៊ីជម្រៅទេ។

  • រូបភាព → មានវ៉ារ្យ៉ង់សាយភាយស្ថេរភាព; សូមអានអាជ្ញាប័ណ្ណដោយប្រុងប្រយ័ត្ន។

ពេលខ្លះ Transformer ដែលត្រូវបានលៃតម្រូវយ៉ាងល្អិតល្អន់ជាក់លាក់លើភារកិច្ចមួយ យកឈ្នះលើ LLM ដែលហើមពោះលើផ្នែករឹងតូចៗ។.

ការបង្ហាញការវេចខ្ចប់៖ អនុញ្ញាតឱ្យមនុស្សចុច 🖥️

  • Gradio → ចំណុចប្រទាក់អ្នកប្រើងាយស្រួលបំផុត។

  • FastAPI → API ស្អាត។

  • Flask → ស្គ្រីបរហ័ស។

នាំចូល gradio ជា gr clf = pipeline("ការវិភាគអារម្មណ៍") ... demo.launch()

មានអារម្មណ៍ដូចជាវេទមន្ត នៅពេលដែលកម្មវិធីរុករកតាមអ៊ីនធឺណិតរបស់អ្នកបង្ហាញវា។.

ទម្លាប់ដែលជួយសង្រ្គោះសុខភាពផ្លូវចិត្ត🧠

  • Git សម្រាប់ការគ្រប់គ្រងកំណែ។.

  • MLflow ឬសៀវភៅកត់ត្រាសម្រាប់តាមដានការពិសោធន៍។.

  • ការធ្វើកំណែទិន្នន័យជាមួយ DVC ឬហាស។.

  • Docker ប្រសិនបើអ្នកដទៃត្រូវការដំណើរការរបស់របររបស់អ្នក។.

  • ភ្ជាប់​ភាពអាស្រ័យ ( requirements.txt )។

ជឿខ្ញុំចុះ អនាគតអ្នកនឹងដឹងគុណ។.

ការដោះស្រាយបញ្ហា៖ គ្រាដែលមានអារម្មណ៍ "អ្ហឺ" ជាទូទៅ 🧯

  • កំហុសក្នុងការដំឡើង? គ្រាន់តែលុប env ហើយបង្កើតឡើងវិញ។.

  • រកមិនឃើញ GPU ទេ? កម្មវិធីបញ្ជាមិនត្រូវគ្នា សូមពិនិត្យមើលកំណែ [2][3]។.

  • គំរូមិនកំពុងរៀនមែនទេ? បន្ថយអត្រារៀន ធ្វើឱ្យសាមញ្ញ ឬសម្អាតស្លាក។.

  • សមស្របពេក? ធ្វើឱ្យមានលក្ខណៈធម្មតា បោះបង់ចោល ឬគ្រាន់តែបន្ថែមទិន្នន័យ។.

  • ម៉ែត្រិចល្អពេក? អ្នកបានលេចធ្លាយសំណុំតេស្ត (វាកើតឡើងច្រើនជាងអ្នកគិត)។.

សន្តិសុខ + ការទទួលខុសត្រូវ 🛡️

  • បន្ទះ PII ។.

  • គោរពអាជ្ញាប័ណ្ណ។.

  • មូលដ្ឋាន​ជាមុន = ភាពឯកជន + ការគ្រប់គ្រង ប៉ុន្តែមានដែនកំណត់​នៃការគណនា។.

  • ចងក្រងឯកសារអំពីហានិភ័យ (ភាពយុត្តិធម៌ សុវត្ថិភាព ភាពធន់។ល។) [4]។.

តារាងប្រៀបធៀបងាយស្រួលប្រើ📊

ឧបករណ៍ ល្អបំផុតសម្រាប់ ហេតុអ្វីបានជាប្រើវា
រៀន​ដោយ​ប្រើ​ភាសា​ស្គីគីត ទិន្នន័យតារាង ឈ្នះរហ័ស API ស្អាត 🙂
PyTorch សំណាញ់ជ្រៅផ្ទាល់ខ្លួន សហគមន៍ដ៏ធំ និងអាចបត់បែនបាន
TensorFlow បំពង់ផលិតកម្ម ប្រព័ន្ធអេកូឡូស៊ី + ជម្រើសនៃការបម្រើ
ឧបករណ៍បំលែង កិច្ចការអត្ថបទ ម៉ូដែលដែលបានបណ្តុះបណ្តាលជាមុនរក្សាទុកការគណនា
ស្ប៉ាស៊ី បំពង់បង្ហូរ NLP កម្លាំងឧស្សាហកម្ម ជាក់ស្តែង
ហ្គ្រេឌីអូ ការបង្ហាញ/ចំណុចប្រទាក់អ្នកប្រើប្រាស់ 1 ឯកសារ → UI
FastAPI API ល្បឿន + ឯកសារស្វ័យប្រវត្តិ
រយៈពេលដំណើរការ ONNX ការប្រើប្រាស់ឆ្លងក្របខ័ណ្ឌ ចល័ត + មានប្រសិទ្ធភាព
llama.cpp សាលា LLM ក្នុងស្រុកតូចៗ ការវាស់បរិមាណដែលងាយស្រួលប្រើ CPU [5]
អ្នកចត ការចែករំលែក envs “វាដំណើរការគ្រប់ទីកន្លែង”

ការមុជទឹកជ្រៅជាងនេះបីដង (អ្នកពិតជានឹងប្រើ) 🏊

  1. វិស្វកម្មលក្ខណៈពិសេសសម្រាប់តារាង → ធ្វើឱ្យមានលក្ខណៈធម្មតា ប្រើប្រាស់តែមួយ សាកល្បងគំរូដើមឈើ ផ្ទៀងផ្ទាត់ភាពត្រឹមត្រូវ [1]។

  2. ការរៀនផ្ទេរសម្រាប់អត្ថបទ → កែលម្អ Transformers តូចៗ រក្សាប្រវែង seq ឲ្យល្មម F1 សម្រាប់ថ្នាក់កម្រ [1]។

  3. ការបង្កើនប្រសិទ្ធភាពសម្រាប់ការសន្និដ្ឋានក្នុងស្រុក → វាស់បរិមាណ នាំចេញ ONNX និងឧបករណ៍បង្កើតសញ្ញាសម្ងាត់ឃ្លាំងសម្ងាត់។

អន្ទាក់បុរាណ 🪤

  • ការសាងសង់ធំពេក ហើយឆាប់ពេក។.

  • មិនអើពើនឹងគុណភាពទិន្នន័យ។.

  • រំលងការបំបែកការធ្វើតេស្ត។.

  • ការសរសេរកូដចម្លង-បិទភ្ជាប់ដោយងងឹតងងល់។.

  • មិន​បាន​ចងក្រង​ឯកសារ​អ្វី​ទាំងអស់​។.

សូម្បីតែ README ក៏ជួយសន្សំសំចៃពេលវេលាច្រើនម៉ោងដែរ។.

ធនធានសិក្សាដែលមានតម្លៃសម្រាប់ពេលវេលា 📚

  • ឯកសារផ្លូវការ (PyTorch, TensorFlow, scikit-learn, Transformers)។.

  • វគ្គសិក្សា Google ML Crash, DeepLearning.AI។.

  • ឯកសារ OpenCV សម្រាប់មូលដ្ឋានគ្រឹះនៃការមើលឃើញ។.

  • ការណែនាំអំពីការប្រើប្រាស់ spaCy សម្រាប់បំពង់បង្ហូរ NLP ។.

Tiny life-hack៖ អ្នកដំឡើងផ្លូវការដែលបង្កើតពាក្យបញ្ជាដំឡើង GPU របស់អ្នកគឺជាអ្នកសង្គ្រោះជីវិត [2][3]។.

ទាញវាទាំងអស់រួមគ្នា🧩

  1. គោលដៅ → ចាត់ថ្នាក់សំបុត្រគាំទ្រជា 3 ប្រភេទ។

  2. ទិន្នន័យ → នាំចេញ CSV, អនាមិក, បំបែក។

  3. បន្ទាត់គោល → scikit-learn TF-IDF + តំរែតំរង់ឡូជីស្ទីក។

  4. ធ្វើឱ្យប្រសើរឡើង → លៃតម្រូវ Transformer ប្រសិនបើមូលដ្ឋានជាប់គាំង។

  5. ការបង្ហាញ → កម្មវិធីប្រអប់អត្ថបទ Gradio។

  6. ផ្ញើ → Docker + README។

  7. ធ្វើម្តងទៀត → ជួសជុលកំហុស ដាក់ឈ្មោះឡើងវិញ ធ្វើម្តងទៀត។

  8. ការការពារ → ហានិភ័យឯកសារ [4]។

វាមានប្រសិទ្ធភាពគួរឱ្យធុញទ្រាន់ណាស់។.

TL;DR 🎂

ការរៀនពី របៀបបង្កើត AI នៅលើកុំព្យូទ័ររបស់អ្នក = ជ្រើសរើសបញ្ហាតូចមួយ បង្កើតមូលដ្ឋាន ដោះស្រាយតែនៅពេលដែលវាជួយ និងរក្សាការដំឡើងរបស់អ្នកឱ្យអាចបង្កើតឡើងវិញបាន។ ធ្វើវាពីរដង ហើយអ្នកនឹងមានអារម្មណ៍ថាមានសមត្ថភាព។ ធ្វើវាប្រាំដង ហើយមនុស្សនឹងចាប់ផ្តើមសុំជំនួយពីអ្នក ដែលជាផ្នែកដ៏សប្បាយមួយ។

ហើយមែនហើយ ពេលខ្លះវាមានអារម្មណ៍ដូចជាការបង្រៀនអ្នកអាំងនំប៉័ងឲ្យសរសេរកំណាព្យអញ្ចឹង។ មិនអីទេ។ បន្តរៀន។ 🔌📝

ឯកសារយោង

[1] scikit-learn — ម៉ែត្រិច និងការវាយតម្លៃគំរូ៖ តំណភ្ជាប់
[2] PyTorch — ឧបករណ៍ជ្រើសរើសដំឡើងក្នុងស្រុក (CUDA/ROCm/Mac MPS): តំណភ្ជាប់
[3] TensorFlow — ដំឡើង + ការផ្ទៀងផ្ទាត់ GPU៖ តំណភ្ជាប់
[4] NIST — ក្របខ័ណ្ឌគ្រប់គ្រងហានិភ័យ AI៖ តំណភ្ជាប់
[5] llama.cpp — ឃ្លាំង LLM ក្នុងស្រុក៖ តំណភ្ជាប់

ស្វែងរក AI ចុងក្រោយបំផុតនៅហាងជំនួយការ AI ផ្លូវការ

អំពីយើង

ត្រឡប់ទៅប្លុកវិញ