ចម្លើយខ្លី៖ បញ្ញាសិប្បនិម្មិត (AI) ក្នុងការគណនាលើពពក (Cloud Computing) គឺនិយាយអំពីការប្រើប្រាស់វេទិកាលើពពក (Cloud Platforms) ដើម្បីរក្សាទុកទិន្នន័យ ជួលការគណនា បណ្តុះបណ្តាលគំរូ ដាក់ពង្រាយវាជាសេវាកម្ម និងតាមដានពួកវានៅក្នុងផលិតកម្ម។ វាសំខាន់ណាស់ ពីព្រោះការបរាជ័យភាគច្រើនប្រមូលផ្តុំគ្នានៅជុំវិញទិន្នន័យ ការដាក់ពង្រាយ និងប្រតិបត្តិការ មិនមែនគណិតវិទ្យាទេ។ ប្រសិនបើអ្នកត្រូវការការធ្វើមាត្រដ្ឋានរហ័ស ឬការចេញផ្សាយឡើងវិញដែលអាចធ្វើម្តងទៀតបាន ពពក + MLOps គឺជាផ្លូវជាក់ស្តែង។
ចំណុចសំខាន់ៗ៖
វដ្តជីវិត៖ ចុះចតទិន្នន័យ បង្កើតលក្ខណៈពិសេស បណ្តុះបណ្តាល ដាក់ពង្រាយ បន្ទាប់មកតាមដានការរសាត់ ភាពយឺតយ៉ាវ និងថ្លៃដើម។
អភិបាលកិច្ច៖ បង្កើតការគ្រប់គ្រងការចូលប្រើ កំណត់ហេតុសវនកម្ម និងការបំបែកបរិស្ថានតាំងពីដំបូង។
សមត្ថភាពផលិតឡើងវិញ៖ កត់ត្រាកំណែទិន្នន័យ កូដ ប៉ារ៉ាម៉ែត្រ និងបរិស្ថាន ដើម្បីឲ្យការដំណើរការអាចធ្វើឡើងវិញបាន។
ការគ្រប់គ្រងថ្លៃដើម៖ ប្រើប្រាស់ការចាត់ថ្នាក់ជាបាច់ ការរក្សាទុកក្នុងឃ្លាំងសម្ងាត់ ការកំណត់ទំហំស្វ័យប្រវត្តិ និងការបណ្តុះបណ្តាលភ្លាមៗ/ជាមុន ដើម្បីជៀសវាងការប៉ះទង្គិចគ្នានៃវិក្កយបត្រ។
គំរូដាក់ពង្រាយ៖ ជ្រើសរើសវេទិកាដែលបានគ្រប់គ្រង លំហូរការងារ Lakehouse, Kubernetes ឬ RAG ដោយផ្អែកលើការពិតរបស់ក្រុម។
អត្ថបទដែលអ្នកប្រហែលជាចង់អានបន្ទាប់ពីអត្ថបទនេះ៖
🔗 ឧបករណ៍គ្រប់គ្រងអាជីវកម្មពពក AI កំពូលៗ
ប្រៀបធៀបវេទិកា cloud ឈានមុខគេដែលធ្វើឱ្យប្រតិបត្តិការ ហិរញ្ញវត្ថុ និងក្រុមការងារមានភាពប្រសើរឡើង។.
🔗 បច្ចេកវិទ្យាដែលត្រូវការសម្រាប់ AI បង្កើតទ្រង់ទ្រាយធំ
ហេដ្ឋារចនាសម្ព័ន្ធ ទិន្នន័យ និងអភិបាលកិច្ចសំខាន់ៗ ដែលត្រូវការដើម្បីដាក់ពង្រាយ GenAI។.
🔗 ឧបករណ៍ AI ឥតគិតថ្លៃសម្រាប់ការវិភាគទិន្នន័យ
ដំណោះស្រាយ AI ឥតគិតថ្លៃល្អបំផុតសម្រាប់សម្អាត ធ្វើគំរូ និងមើលឃើញសំណុំទិន្នន័យ។.
🔗 តើ AI ជាអ្វីជាសេវាកម្មមួយ?
ពន្យល់ពី AIaaS អត្ថប្រយោជន៍ គំរូកំណត់តម្លៃ និងករណីប្រើប្រាស់អាជីវកម្មទូទៅ។.
បញ្ញាសិប្បនិម្មិត (AI) ក្នុងការគណនាលើពពក៖ និយមន័យសាមញ្ញ 🧠☁️
នៅក្នុងខ្លឹមសាររបស់វា បញ្ញាសិប្បនិម្មិត (AI) នៅក្នុងការគណនាលើពពក (cloud computing) មានន័យថា ការប្រើប្រាស់វេទិកាលើពពក (cloud platforms) ដើម្បីចូលប្រើ៖
-
ថាមពលគណនា (ស៊ីភីយូ, GPU, TPU) Google Cloud៖ GPU សម្រាប់ ឯកសារ AI Cloud TPU
-
ការផ្ទុក (បឹងទិន្នន័យ ឃ្លាំង ការផ្ទុកវត្ថុ) AWS៖ តើបឹងទិន្នន័យជាអ្វី? AWS៖ តើឃ្លាំងទិន្នន័យជាអ្វី? Amazon S3 (ការផ្ទុកវត្ថុ)
-
សេវាកម្ម AI (ការបណ្តុះបណ្តាលគំរូ ការដាក់ពង្រាយ API សម្រាប់ចក្ខុវិស័យ ការនិយាយ NLP) សេវាកម្ម AI AWS API AI របស់ Google Cloud
-
ឧបករណ៍ MLOps (បំពង់បង្ហូរប្រេង ការត្រួតពិនិត្យ ការចុះបញ្ជីគំរូ CI-CD សម្រាប់ ML) Google Cloud៖ តើ MLOps ជាអ្វី? ការចុះបញ្ជីគំរូ Vertex AI
ជំនួសឲ្យការទិញគ្រឿងបរិក្ខារថ្លៃៗដោយខ្លួនឯង អ្នកជួលអ្វីដែលអ្នកត្រូវការ នៅពេលដែលអ្នកត្រូវការវា NIST SP 800-145។ ដូចជាការជួលកន្លែងហាត់ប្រាណសម្រាប់ការហាត់ប្រាណខ្លាំងមួយដង ជំនួសឲ្យការសាងសង់កន្លែងហាត់ប្រាណក្នុងយានដ្ឋានរបស់អ្នក ហើយបន្ទាប់មកមិនប្រើម៉ាស៊ីនរត់ទៀតទេ។ នេះជារឿងដែលកើតឡើងចំពោះយើងដែលល្អបំផុត 😬
និយាយឱ្យច្បាស់ទៅ គឺ AI ដែលធ្វើមាត្រដ្ឋាន ដឹកជញ្ជូន ធ្វើបច្ចុប្បន្នភាព និងដំណើរការតាមរយៈហេដ្ឋារចនាសម្ព័ន្ធ cloud NIST SP 800-145។
ហេតុអ្វីបានជា AI + Cloud មានសារៈសំខាន់ខ្លាំងម្ល៉េះ 🚀
ចូរនិយាយដោយត្រង់ទៅ - គម្រោង AI ភាគច្រើនមិនបរាជ័យដោយសារតែការគណនាពិបាកនោះទេ។ ពួកគេបរាជ័យដោយសារតែ "របស់របរជុំវិញគំរូ" មានភាពច្របូកច្របល់៖
-
ទិន្នន័យត្រូវបានខ្ចាត់ខ្ចាយ
-
បរិស្ថានមិនត្រូវគ្នា
-
ម៉ូដែលនេះដំណើរការលើកុំព្យូទ័រយួរដៃរបស់នរណាម្នាក់ ប៉ុន្តែគ្មានកន្លែងណាផ្សេងទៀតទេ
-
ការដាក់ពង្រាយត្រូវបានចាត់ទុកដូចជាការគិតទុកជាមុន
-
សន្តិសុខ និងការអនុលោមតាមច្បាប់ មកដល់យឺតដូចបងប្អូនជីដូនមួយដែលមិនត្រូវបានអញ្ជើញ 😵
វេទិកា Cloud ជួយបានច្រើន ពីព្រោះវាផ្តល់ជូន៖
១) មាត្រដ្ឋានអេឡាស្ទិក 📈
ហ្វឹកហាត់គំរូមួយនៅលើចង្កោមធំមួយក្នុងរយៈពេលខ្លី បន្ទាប់មកបិទវាដោយ NIST SP 800-145។
២) ការពិសោធន៍លឿនជាងមុន ⚡
បង្កើតសៀវភៅកត់ត្រាដែលបានគ្រប់គ្រង បំពង់ដែលបានបង្កើតជាមុន និងឧទាហរណ៍ GPU យ៉ាងរហ័ស Google Cloud៖ GPU សម្រាប់ AI។
៣) ការដាក់ពង្រាយកាន់តែងាយស្រួល 🌍
ដាក់ពង្រាយម៉ូដែលជា APIs, batch jobs ឬ embedded services Red Hat: តើ REST API ជាអ្វី? SageMaker Batch Transform។
៤) ប្រព័ន្ធអេកូឡូស៊ីទិន្នន័យរួមបញ្ចូលគ្នា 🧺
បំពង់ទិន្នន័យ ឃ្លាំង និងការវិភាគរបស់អ្នកជារឿយៗស្ថិតនៅក្នុងពពករួចហើយ AWS៖ ឃ្លាំងទិន្នន័យ ទល់នឹង បឹងទិន្នន័យ។
៥) កិច្ចសហការ និងការគ្រប់គ្រង 🧩
ការអនុញ្ញាត កំណត់ហេតុសវនកម្ម ការកំណត់កំណែ និងឧបករណ៍ដែលបានចែករំលែកត្រូវបានបង្កប់នៅក្នុង (ពេលខ្លះឈឺចាប់ ប៉ុន្តែនៅតែមាន) ការចុះឈ្មោះ Azure ML (MLOps)។
របៀបដែល AI ក្នុង Cloud Computing ដំណើរការក្នុងការអនុវត្ត (លំហូរពិត) 🔁
នេះជាវដ្តជីវិតទូទៅ។ មិនមែនជាកំណែ "ដ្យាក្រាមដ៏ល្អឥតខ្ចោះ" ទេ... ជាកំណែដែលរស់នៅក្នុងនោះ។.
ជំហានទី 1: ទិន្នន័យចុះចតនៅក្នុងការផ្ទុកលើពពក 🪣
ឧទាហរណ៍៖ ធុងផ្ទុកវត្ថុ បឹងទិន្នន័យ មូលដ្ឋានទិន្នន័យពពក Amazon S3 (កន្លែងផ្ទុកវត្ថុ) AWS៖ តើបឹងទិន្នន័យជាអ្វី? ទិដ្ឋភាពទូទៅនៃ Google Cloud Storage។
ជំហានទី 2: ដំណើរការទិន្នន័យ + ការបង្កើតលក្ខណៈពិសេស 🍳
អ្នកសម្អាតវា ផ្លាស់ប្តូរវា បង្កើតមុខងារនានា ប្រហែលជាចាក់ផ្សាយវា។.
ជំហានទី 3: ការបណ្តុះបណ្តាលគំរូ 🏋️
អ្នកប្រើ cloud compute (ជាញឹកញាប់ GPUs) ដើម្បីបណ្តុះបណ្តាល Google Cloud៖ GPUs សម្រាប់ AI៖
-
ម៉ូដែល ML បុរាណ
-
គំរូសិក្សាស៊ីជម្រៅ
-
ការលៃតម្រូវគំរូគ្រឹះ
-
ប្រព័ន្ធទាញយក (ការរៀបចំបែប RAG) ក្រដាសជំនាន់ទាញយកបន្ថែម (RAG)
ជំហានទី 4: ការដាក់ពង្រាយ🚢
ម៉ូដែលត្រូវបានវេចខ្ចប់ និងបម្រើតាមរយៈ៖
-
API REST Red Hat៖ តើ API REST ជាអ្វី?
-
ចំណុចបញ្ចប់គ្មានម៉ាស៊ីនមេ ការសន្និដ្ឋានគ្មានម៉ាស៊ីនមេ SageMaker
-
កុងតឺន័រ Kubernetes Kubernetes៖ ការធ្វើមាត្រដ្ឋានស្វ័យប្រវត្តិសម្រាប់ផតផ្ដេក
-
បំពង់សម្រាប់សន្និដ្ឋានជាបាច់ SageMaker Batch Transform Vertex AI ការព្យាករណ៍ជាបាច់
ជំហានទី 5: ការត្រួតពិនិត្យ + ការអាប់ដេត 👀
បទ៖
-
ភាពយឺតយ៉ាវ
-
ម៉ូនីទ័រម៉ូដែល SageMaker សម្រាប់ការរសាត់នៃភាពត្រឹមត្រូវ
-
ការរសាត់ទិន្នន័យ Vertex AI Model Monitoring
-
តម្លៃក្នុងមួយការព្យាករណ៍
-
ករណីគែមដែលធ្វើឱ្យអ្នកខ្សឹបខ្សៀវថា "នេះមិនគួរតែអាចទៅរួចទេ..." 😭
នោះគឺជាម៉ាស៊ីន។ នោះគឺជាបញ្ញាសិប្បនិម្មិត (AI) នៅក្នុងការគណនាលើពពក (Cloud Computing) ដែលកំពុងដំណើរការ មិនមែនគ្រាន់តែជានិយមន័យមួយនោះទេ។.
តើអ្វីទៅជាកំណែល្អនៃ AI ក្នុងការគណនាលើ Cloud? ✅☁️🤖
ប្រសិនបើអ្នកចង់បានការអនុវត្ត "ល្អ" (មិនមែនគ្រាន់តែជាការបង្ហាញដ៏ទាក់ទាញនោះទេ) សូមផ្តោតលើចំណុចទាំងនេះ៖
ក) ការបំបែកកង្វល់ឲ្យបានច្បាស់លាស់ 🧱
-
ស្រទាប់ទិន្នន័យ (ការផ្ទុក ការគ្រប់គ្រង)
-
ស្រទាប់បណ្តុះបណ្តាល (ការពិសោធន៍ បំពង់បង្ហូរ)
-
ស្រទាប់បម្រើ (APIs, មាត្រដ្ឋាន)
-
ស្រទាប់ត្រួតពិនិត្យ (ម៉ែត្រិច កំណត់ហេតុ ការជូនដំណឹង) ម៉ូនីទ័រម៉ូដែល SageMaker
នៅពេលដែលអ្វីៗទាំងអស់ត្រូវបានលាយបញ្ចូលគ្នា ការបំបាត់កំហុសក្លាយជាការខូចខាតផ្លូវចិត្ត។.
ខ) សមត្ថភាពផលិតឡើងវិញតាមលំនាំដើម 🧪
ប្រព័ន្ធល្អមួយអនុញ្ញាតឱ្យអ្នកបញ្ជាក់ ដោយមិនចាំបាច់គ្រវីដៃថា៖
-
ទិន្នន័យដែលបានបណ្តុះបណ្តាលគំរូនេះ
-
កំណែកូដ
-
ប៉ារ៉ាម៉ែត្រអ៊ីពែរ
-
បរិស្ថាន
ប្រសិនបើចម្លើយគឺ "អឺម ខ្ញុំគិតថាវាជាការរត់ថ្ងៃអង្គារ..." អ្នកកំពុងជួបបញ្ហាហើយ 😅
គ) ការរចនាដែលគិតគូរពីតម្លៃ 💸
បញ្ញាសិប្បនិម្មិតលើពពក (Cloud AI) មានឥទ្ធិពលខ្លាំង ប៉ុន្តែវាក៏ជាវិធីងាយស្រួលបំផុតក្នុងការបង្កើតវិក្កយបត្រដោយចៃដន្យ ដែលធ្វើឱ្យអ្នកសង្ស័យលើជម្រើសជីវិតរបស់អ្នក។.
ការរៀបចំល្អរួមមាន៖
-
ការធ្វើមាត្រដ្ឋានដោយស្វ័យប្រវត្តិ Kubernetes: ការធ្វើមាត្រដ្ឋានដោយស្វ័យប្រវត្តិរបស់ Pod ផ្ដេក
-
ការកំណត់ពេលវេលាឧទាហរណ៍
-
ជម្រើសដែលអាចរារាំងបាននៅកន្លែងណាមួយនៅពេលដែលអាចធ្វើទៅបាន Amazon EC2 Spot Instances Google Cloud Preemptible VMs
-
ការសន្និដ្ឋានអំពីការរក្សាទុកទិន្នន័យក្នុងឃ្លាំងសម្ងាត់ និងការធ្វើជាបាច់ SageMaker Batch Transform
ឃ) សុវត្ថិភាព និងការអនុលោមតាមច្បាប់ត្រូវបានបង្កើតឡើង 🔐
មិនត្រូវបានខ្ទាស់ជាប់នៅពេលក្រោយដូចកាសែតបិទបំពង់ដែលលេចធ្លាយនោះទេ។.
ង) ផ្លូវពិតប្រាកដមួយពីគំរូដើមរហូតដល់ផលិតកម្ម 🛣️
នេះជារឿងធំ។ “កំណែ” ល្អនៃ AI នៅក្នុង cloud រួមមាន MLOps គំរូដាក់ពង្រាយ និងការត្រួតពិនិត្យតាំងពីដំបូង។ Google Cloud៖ តើ MLOps ជាអ្វី?បើមិនដូច្នោះទេ វាគឺជាគម្រោងពិព័រណ៍វិទ្យាសាស្ត្រដែលមានវិក្កយបត្រដ៏ប្រណិត។
តារាងប្រៀបធៀប៖ ជម្រើស AI-in-Cloud ដ៏ពេញនិយម (និងសម្រាប់អ្នកណា) 🧰📊
ខាងក្រោមនេះគឺជាតារាងរហ័សមួយដែលមានមតិផ្ទុយបន្តិច។ តម្លៃគឺធំទូលាយដោយចេតនា ពីព្រោះការកំណត់តម្លៃលើពពកគឺដូចជាការបញ្ជាទិញកាហ្វេ - តម្លៃមូលដ្ឋានមិនដែលជាតម្លៃនោះទេ 😵💫
| ឧបករណ៍ / វេទិកា | ទស្សនិកជន | តម្លៃ | ហេតុអ្វីបានជាវាដំណើរការ (រួមបញ្ចូលកំណត់ចំណាំចម្លែកៗ) |
|---|---|---|---|
| AWS SageMaker | ក្រុម ML និងសហគ្រាស | បង់ប្រាក់តាមការប្រើប្រាស់ | វេទិកា ML ជង់ពេញលេញ - ការហ្វឹកហ្វឺន ចំណុចបញ្ចប់ បំពង់បង្ហូរ។ មានឥទ្ធិពលខ្លាំង ប៉ុន្តែមានម៉ឺនុយគ្រប់ទីកន្លែង។. |
| បញ្ញាសិប្បនិម្មិត Google Vertex | ក្រុម ML និងអង្គការវិទ្យាសាស្ត្រទិន្នន័យ | បង់ប្រាក់តាមការប្រើប្រាស់ | ការបណ្តុះបណ្តាលដែលមានការគ្រប់គ្រងយ៉ាងរឹងមាំ + ការចុះបញ្ជីគំរូ + ការរួមបញ្ចូល។ មានអារម្មណ៍រលូននៅពេលដែលវាចុច។. |
| ការរៀនម៉ាស៊ីន Azure | សហគ្រាស អង្គការដែលផ្តោតលើ MS | បង់ប្រាក់តាមការប្រើប្រាស់ | លេងបានល្អជាមួយប្រព័ន្ធអេកូឡូស៊ី Azure។ ជម្រើសអភិបាលកិច្ចល្អ មានប៊ូតុងច្រើន។. |
| ប្លុកទិន្នន័យ (ML + Lakehouse) | ក្រុមវិស្វកម្មទិន្នន័យធ្ងន់ៗ | ការជាវ + ការប្រើប្រាស់ | ល្អសម្រាប់ការលាយបញ្ចូលគ្នារវាងបំពង់ទិន្នន័យ + ML នៅកន្លែងតែមួយ។ ជារឿយៗត្រូវបានពេញចិត្តដោយក្រុមជាក់ស្តែង។. |
| លក្ខណៈពិសេស AI ព្រិល | អង្គការដែលផ្ដោតលើការវិភាគជាចម្បង | ផ្អែកលើការប្រើប្រាស់ | ល្អនៅពេលដែលពិភពលោករបស់អ្នកស្ថិតនៅក្នុងឃ្លាំងរួចហើយ។ តិចជាង “មន្ទីរពិសោធន៍ ML” ច្រើនជាង “AI ក្នុង SQL-ish”។ |
| IBM Watsonx | ឧស្សាហកម្មដែលមានការគ្រប់គ្រង | តម្លៃសម្រាប់សហគ្រាស | អភិបាលកិច្ច និងការគ្រប់គ្រងសហគ្រាស គឺជាការផ្តោតសំខាន់មួយ។ ជារឿយៗត្រូវបានជ្រើសរើសសម្រាប់ការរៀបចំដែលផ្តោតលើគោលនយោបាយច្រើន។. |
| Kubernetes ដែលគ្រប់គ្រង (DIY ML) | វិស្វករវេទិកា | អថេរ | អាចបត់បែនបាន និងអាចប្ដូរតាមបំណងបាន។ ហើយ… អ្នកក៏ទទួលខុសត្រូវចំពោះការឈឺចាប់នៅពេលដែលវាខូចដែរ 🙃 |
| ការសន្និដ្ឋានដោយគ្មានម៉ាស៊ីនមេ (អនុគមន៍ + ចំណុចបញ្ចប់) | ក្រុមផលិតផល | ផ្អែកលើការប្រើប្រាស់ | ល្អសម្រាប់ចរាចរណ៍ដែលមានសន្ទុះខ្លាំង។ មើលការចាប់ផ្តើមត្រជាក់ និងភាពយឺតយ៉ាវដូចសត្វឥន្ទ្រី។. |
នេះមិនមែននិយាយអំពីការជ្រើសរើស "អ្នកដែលល្អបំផុត" នោះទេ - វានិយាយអំពីការផ្គូផ្គងការពិតរបស់ក្រុមរបស់អ្នក។ នោះហើយជាអាថ៌កំបាំងដ៏ស្ងប់ស្ងាត់។.
ករណីប្រើប្រាស់ទូទៅសម្រាប់ AI ក្នុង Cloud Computing (ជាមួយឧទាហរណ៍) 🧩✨
នេះជាកន្លែងដែលការដំឡើង AI-in-cloud លេចធ្លោ៖
១) ស្វ័យប្រវត្តិកម្មការគាំទ្រអតិថិជន 💬
-
ជំនួយការជជែក
-
ការកំណត់ផ្លូវសំបុត្រ
-
ការសង្ខេប
-
ការរកឃើញអារម្មណ៍ និងចេតនា Cloud Natural Language API
២) ប្រព័ន្ធណែនាំ 🛒
-
ការណែនាំអំពីផលិតផល
-
មតិព័ត៌មានមាតិកា
-
“មនុស្សក៏បានទិញដែរ”
ទាំងនេះច្រើនតែត្រូវការការសន្និដ្ឋានដែលអាចធ្វើមាត្រដ្ឋានបាន និងការអាប់ដេតស្ទើរតែភ្លាមៗ។
៣) ការរកឃើញការក្លែងបន្លំ និងការដាក់ពិន្ទុហានិភ័យ 🕵️
Cloud ធ្វើឱ្យវាកាន់តែងាយស្រួលក្នុងការដោះស្រាយការផ្ទុះឡើង ផ្សាយព្រឹត្តិការណ៍ និងដំណើរការក្រុម។.
៤) ភាពវៃឆ្លាតឯកសារ 📄
-
បំពង់ OCR
-
ការស្រង់ចេញអង្គភាព
-
ការវិភាគកិច្ចសន្យា
-
ការវិភាគវិក្កយបត្រ Snowflake Cortex AI Functions
នៅក្នុងអង្គការជាច្រើន នេះជាកន្លែងដែលពេលវេលាត្រូវបានប្រគល់មកវិញដោយស្ងាត់ៗ។
៥) ការព្យាករណ៍ និងការបង្កើនប្រសិទ្ធភាពជំនាញ 📦
ការព្យាករណ៍តម្រូវការ ការធ្វើផែនការស្តុកទំនិញ ការបង្កើនប្រសិទ្ធភាពផ្លូវដឹកជញ្ជូន។ ពពកជួយបានច្រើន ពីព្រោះទិន្នន័យមានទំហំធំ ហើយការបណ្តុះបណ្តាលឡើងវិញកើតឡើងញឹកញាប់។.
៦) កម្មវិធី AI ដែលអាចបង្កើតបាន 🪄
-
ការរៀបចំខ្លឹមសារ
-
ជំនួយសម្រាប់ការសរសេរកូដ
-
បូតចំណេះដឹងផ្ទៃក្នុង (RAG)
-
ស្តីពីការបង្កើតទិន្នន័យសំយោគ ជំនាន់ទាញយកបន្ថែម (RAG)
នេះជារឿយៗជាពេលដែលក្រុមហ៊ុននានានិយាយថា៖ «យើងត្រូវដឹងថាច្បាប់ចូលប្រើទិន្នន័យរបស់យើងនៅឯណា»។ 😬
លំនាំស្ថាបត្យកម្មដែលអ្នកនឹងឃើញគ្រប់ទីកន្លែង 🏗️
លំនាំទី 1: វេទិកា ML ដែលត្រូវបានគ្រប់គ្រង (ផ្លូវ "យើងចង់បានការឈឺក្បាលតិចជាងមុន") 😌
-
ផ្ទុកឡើងទិន្នន័យ
-
បណ្តុះបណ្តាលជាមួយការងារដែលបានគ្រប់គ្រង
-
ដាក់ពង្រាយទៅកាន់ចំណុចបញ្ចប់ដែលបានគ្រប់គ្រង
-
ត្រួតពិនិត្យនៅក្នុងផ្ទាំងគ្រប់គ្រងវេទិកា ត្រួតពិនិត្យម៉ូដែល SageMaker ត្រួតពិនិត្យម៉ូដែល Vertex AI
ដំណើរការល្អនៅពេលដែលល្បឿនមានសារៈសំខាន់ ហើយអ្នកមិនចង់បង្កើតឧបករណ៍ផ្ទៃក្នុងពីដំបូងឡើយ។.
លំនាំទី 2: Lakehouse + ML (ផ្លូវ "ទិន្នន័យជាមុន") 🏞️
-
បង្រួបបង្រួមវិស្វកម្មទិន្នន័យ + លំហូរការងារ ML
-
ដំណើរការសៀវភៅកត់ត្រា បំពង់បង្ហូរ វិស្វកម្មលក្ខណៈពិសេសនៅជិតទិន្នន័យ
-
ខ្លាំងសម្រាប់អង្គការដែលរស់នៅក្នុងប្រព័ន្ធវិភាគធំៗរួចហើយ Databricks Lakehouse
លំនាំទី 3: ML ដែលមានកុងតឺន័រនៅលើ Kubernetes (ផ្លូវ "យើងចង់បានការគ្រប់គ្រង") 🎛️
-
ម៉ូដែលកញ្ចប់នៅក្នុងកុងតឺន័រ
-
ការធ្វើមាត្រដ្ឋានជាមួយគោលការណ៍ធ្វើមាត្រដ្ឋានដោយស្វ័យប្រវត្តិ Kubernetes: ការធ្វើមាត្រដ្ឋានដោយស្វ័យប្រវត្តិរបស់ Pod ផ្ដេក
-
រួមបញ្ចូលសំណាញ់សេវាកម្ម, សមត្ថភាពសង្កេត, ការគ្រប់គ្រងអាថ៌កំបាំង
ត្រូវបានគេស្គាល់ផងដែរថាជា៖ «យើងមានទំនុកចិត្ត ហើយយើងក៏ចូលចិត្តការបំបាត់កំហុសនៅម៉ោងចៃដន្យផងដែរ»។
លំនាំទី៤៖ RAG (ជំនាន់ទាញយកបន្ថែម) (ផ្លូវ “ប្រើប្រាស់ចំណេះដឹងរបស់អ្នក”) 📚🤝
-
ឯកសារនៅក្នុងកន្លែងផ្ទុកទិន្នន័យលើពពក
-
ការបង្កប់ + ហាងវ៉ិចទ័រ
-
ស្រទាប់ទាញយកចំណីបរិបទទៅកាន់គំរូ
-
របាំងការពារ + ការគ្រប់គ្រងការចូលប្រើ + ការកត់ត្រា ក្រដាសជំនាន់ទាញយកបន្ថែម (RAG)
នេះគឺជាផ្នែកសំខាន់មួយនៃការសន្ទនា AI-in-cloud ទំនើបៗ ពីព្រោះវាជារបៀបដែលអាជីវកម្មពិតប្រាកដជាច្រើនប្រើប្រាស់ AI ដែលបង្កើតថ្មីដោយសុវត្ថិភាព។.
MLOps៖ ផ្នែកដែលមនុស្សគ្រប់គ្នាមើលស្រាល 🧯
ប្រសិនបើអ្នកចង់ឱ្យ AI នៅក្នុង Cloud ដំណើរការក្នុងផលិតកម្ម អ្នកត្រូវការ MLOps។ មិនមែនដោយសារតែវាទាន់សម័យនោះទេ - ដោយសារតែគំរូរសាត់បាត់ ទិន្នន័យផ្លាស់ប្តូរ ហើយអ្នកប្រើប្រាស់មានភាពច្នៃប្រឌិតតាមរបៀបអាក្រក់បំផុត។ Google Cloud៖ តើ MLOps ជាអ្វី?
បំណែកសំខាន់ៗ៖
-
ការតាមដានការពិសោធន៍៖ អ្វីដែលដំណើរការ អ្វីដែលមិនដំណើរការ ការតាមដាន MLflow
-
ការចុះបញ្ជីម៉ូដែល៖ ម៉ូដែល កំណែ និងទិន្នន័យមេតាដែលត្រូវបានអនុម័ត ការចុះបញ្ជីម៉ូដែល MLflow ការចុះបញ្ជីម៉ូដែល Vertex AI
-
CI-CD សម្រាប់ ML៖ ការធ្វើតេស្ត + ស្វ័យប្រវត្តិកម្មការដាក់ពង្រាយ Google Cloud MLOps (CD និងស្វ័យប្រវត្តិកម្ម)
-
ឃ្លាំងមុខងារ៖ មុខងារដែលស៊ីសង្វាក់គ្នាទូទាំងការបណ្តុះបណ្តាល និងការសន្និដ្ឋាន SageMaker Feature Store
-
ការត្រួតពិនិត្យ៖ ការធ្លាក់ចុះនៃដំណើរការ សញ្ញាលំអៀង ភាពយឺតយ៉ាវ តម្លៃ ការត្រួតពិនិត្យម៉ូដែល SageMaker ការត្រួតពិនិត្យម៉ូដែល Vertex AI
-
យុទ្ធសាស្ត្រត្រឡប់ក្រោយ៖ បាទ/ចាស៎ ដូចកម្មវិធីធម្មតាដែរ
ប្រសិនបើអ្នកមិនអើពើនឹងរឿងនេះទេ អ្នកនឹងបញ្ចប់ដោយ "សួនសត្វគំរូ" 🦓 ដែលអ្វីៗទាំងអស់មានជីវិត គ្មានអ្វីត្រូវបានដាក់ស្លាកទេ ហើយអ្នកខ្លាចបើកទ្វារ។.
សុវត្ថិភាព ភាពឯកជន និងការអនុលោមតាម (មិនមែនជាផ្នែកសប្បាយទេ ប៉ុន្តែ… មែនហើយ) 🔐😅
បញ្ញាសិប្បនិម្មិត (AI) ក្នុងការគណនាលើពពក (cloud computing) បានលើកឡើងនូវសំណួរក្តៅៗមួយចំនួន៖
ការគ្រប់គ្រងការចូលប្រើទិន្នន័យ 🧾
តើអ្នកណាអាចចូលមើលទិន្នន័យបណ្តុះបណ្តាល? កំណត់ហេតុសន្និដ្ឋាន? ការជំរុញ? លទ្ធផល?
ការអ៊ិនគ្រីប និងអាថ៌កំបាំង 🗝️
កូនសោ ថូខិន និងព័ត៌មានសម្ងាត់ត្រូវការការដោះស្រាយត្រឹមត្រូវ។ “នៅក្នុងឯកសារកំណត់រចនាសម្ព័ន្ធ” មិនមែនជាការដោះស្រាយទេ។.
ការដាក់ឱ្យនៅដាច់ដោយឡែក និងការជួល 🧱
អង្គការមួយចំនួនតម្រូវឱ្យមានបរិស្ថានដាច់ដោយឡែកសម្រាប់ការអភិវឌ្ឍ ការរៀបចំ និងផលិតកម្ម។ ពពកជួយបាន - ប៉ុន្តែលុះត្រាតែអ្នករៀបចំវាឱ្យបានត្រឹមត្រូវ។.
សមត្ថភាពសវនកម្ម 📋
អង្គការដែលមានបទប្បញ្ញត្តិច្រើនតែត្រូវបង្ហាញ៖
-
តើទិន្នន័យអ្វីខ្លះត្រូវបានប្រើប្រាស់
-
របៀបដែលការសម្រេចចិត្តត្រូវបានធ្វើឡើង
-
អ្នកណាដាក់ពង្រាយអ្វី
-
នៅពេលដែលវាបានផ្លាស់ប្តូរ IBM watsonx.governance
ការគ្រប់គ្រងហានិភ័យគំរូ ⚠️
នេះរួមបញ្ចូល៖
-
ការត្រួតពិនិត្យភាពលំអៀង
-
ការធ្វើតេស្តប្រឆាំង
-
ការការពារការចាក់បញ្ចូលរហ័ស (សម្រាប់ AI បង្កើត)
-
ការច្រោះទិន្នផលដោយសុវត្ថិភាព
ទាំងអស់នេះវិលមករកចំណុចសំខាន់វិញ៖ វាមិនមែនគ្រាន់តែជា "AI ដែលបង្ហោះតាមអ៊ីនធឺណិត" នោះទេ។ វាគឺជា AI ដែលដំណើរការក្រោមការរឹតបន្តឹងពិតប្រាកដ។.
គន្លឹះអំពីតម្លៃ និងប្រសិទ្ធភាព (ដើម្បីកុំឲ្យអ្នកយំពេលក្រោយ) 💸😵💫
គន្លឹះមួយចំនួនដែលបានសាកល្បងក្នុងសមរភូមិ៖
-
ប្រើម៉ូដែលតូចបំផុតដែលបំពេញតម្រូវការ។
ធំជាងមិនតែងតែល្អជាងនោះទេ។ ពេលខ្លះវាគ្រាន់តែ… ធំជាង។ -
ការសន្និដ្ឋានជាបាច់នៅពេលដែលអាចធ្វើទៅបាន SageMaker Batch Transform មានតម្លៃថោកជាង និងមានប្រសិទ្ធភាពជាងមុន ។
-
រក្សាទុកក្នុងឃ្លាំងសម្ងាត់យ៉ាងសកម្ម
ជាពិសេសសម្រាប់សំណួរដដែលៗ និងការបង្កប់។ -
ធ្វើមាត្រដ្ឋានដោយស្វ័យប្រវត្តិ ប៉ុន្តែត្រូវកំណត់វាឱ្យ
ខ្ពស់ ការធ្វើមាត្រដ្ឋានគ្មានដែនកំណត់អាចមានន័យថាការចំណាយគ្មានដែនកំណត់ Kubernetes: Horizontal Pod Autoscaling។ សួរខ្ញុំថាខ្ញុំដឹងដោយរបៀបណា… តាមពិតទៅ កុំធ្វើបែបនេះអី 😬 -
តាមដានថ្លៃដើមក្នុងមួយចំណុចបញ្ចប់ និងក្នុងមួយមុខងារ។
បើមិនដូច្នោះទេ អ្នកនឹងធ្វើរឿងខុស។ -
ប្រើប្រាស់ការគណនាដែលអាចលុបចោលមុនចំណុចសម្រាប់ការបណ្តុះបណ្តាល
ការសន្សំដ៏អស្ចារ្យ ប្រសិនបើការងារបណ្តុះបណ្តាលរបស់អ្នកអាចដោះស្រាយការរំខាន Amazon EC2 Spot Instances Google Cloud Preemptible VMs។
កំហុសដែលមនុស្សធ្វើ (សូម្បីតែក្រុមឆ្លាតវៃក៏ដោយ) 🤦♂️
-
ការចាត់ទុក Cloud AI ថាជា "គ្រាន់តែដោតម៉ូដែល"
-
មិនអើពើនឹងគុណភាពទិន្នន័យរហូតដល់នាទីចុងក្រោយ
-
ការដឹកជញ្ជូនម៉ូដែលដោយមិនចាំបាច់ត្រួតពិនិត្យ SageMaker Model Monitor
-
មិនមានគម្រោងសម្រាប់ការហ្វឹកហាត់ចង្វាក់ឡើងវិញ Google Cloud៖ តើ MLOps ជាអ្វី?
-
ភ្លេចថាក្រុមសន្តិសុខមានរហូតដល់សប្តាហ៍ចាប់ផ្តើម 😬
-
វិស្វកម្មហួសហេតុតាំងពីថ្ងៃដំបូង (ជួនកាលមូលដ្ឋានសាមញ្ញឈ្នះ)
មួយវិញទៀត ក៏មានរឿងឃោរឃៅមួយដែរ៖ ក្រុមនានាមើលស្រាលពីកម្រិតដែលអ្នកប្រើប្រាស់មើលងាយភាពយឺតយ៉ាវ។ គំរូដែលមានភាពត្រឹមត្រូវតិចជាងបន្តិច ប៉ុន្តែលឿន ជារឿយៗឈ្នះ។ មនុស្សគឺជាអព្ភូតហេតុតូចៗដែលមិនចេះអត់ធ្មត់។.
ចំណុចសំខាន់ៗ🧾✅
បញ្ញាសិប្បនិម្មិត (AI) ក្នុងការគណនាលើពពក (Cloud Computing) គឺជាការអនុវត្តពេញលេញនៃការកសាង និងដំណើរការបញ្ញាសិប្បនិម្មិត (AI) ដោយប្រើប្រាស់ហេដ្ឋារចនាសម្ព័ន្ធលើពពក - ការបណ្តុះបណ្តាលធ្វើមាត្រដ្ឋាន ការធ្វើឱ្យការដាក់ពង្រាយមានភាពសាមញ្ញ ការរួមបញ្ចូលបំពង់ទិន្នន័យ និងប្រតិបត្តិការគំរូជាមួយ MLOps សុវត្ថិភាព និងអភិបាលកិច្ច។ Google Cloud៖ តើ MLOps ជាអ្វី? NIST SP 800-145។
សង្ខេបរហ័ស៖
-
ពពកផ្តល់ឱ្យ AI នូវហេដ្ឋារចនាសម្ព័ន្ធដើម្បីធ្វើមាត្រដ្ឋាន និងដឹកជញ្ជូន 🚀 NIST SP 800-145
-
បញ្ញាសិប្បនិម្មិត (AI) ផ្តល់ឱ្យបន្ទុកការងារលើពពកនូវ "ខួរក្បាល" ដែលធ្វើការសម្រេចចិត្តដោយស្វ័យប្រវត្តិ 🤖
-
មន្តអាគមមិនមែនគ្រាន់តែជាការបណ្តុះបណ្តាលនោះទេ - វាគឺជាការដាក់ពង្រាយ ការត្រួតពិនិត្យ និងការគ្រប់គ្រង 🧠🔐 SageMaker Model Monitor
-
ជ្រើសរើសវេទិកាដោយផ្អែកលើតម្រូវការរបស់ក្រុម មិនមែនអ័ព្ទទីផ្សារទេ📌
-
មើលថ្លៃដើម និងប្រតិបត្តិការដូចជាសត្វស្ទាំងពាក់វ៉ែនតា 🦅👓 (ពាក្យប្រៀបធៀបមិនល្អទេ ប៉ុន្តែអ្នកយល់ហើយ)
ប្រសិនបើអ្នកមកទីនេះដោយគិតថា "បញ្ញាសិប្បនិម្មិត (AI) ក្នុងការគណនាលើពពកគ្រាន់តែជា API គំរូមួយប៉ុណ្ណោះ" ទេ - វាគឺជាប្រព័ន្ធអេកូឡូស៊ីទាំងមូល។ ពេលខ្លះឆើតឆាយ ពេលខ្លះច្របូកច្របល់ ពេលខ្លះទាំងពីរនៅពេលរសៀលតែមួយ។.
ឧទាហរណ៍ក្នុងពិភពពិត៖ ការបង្កើតជំនួយការតម្រៀបសំបុត្រគាំទ្រ AI លើពពក 🎫☁️
សេណារីយ៉ូ
ស្រមៃមើលក្រុមហ៊ុន SaaS ដែលមានមនុស្ស 40 នាក់ទទួលបានសំបុត្រគាំទ្រអតិថិជនប្រហែល 180 សន្លឹកក្នុងមួយសប្តាហ៍។ ក្រុមគាំទ្រប្រើប្រាស់ឧបករណ៍ជំនួយ ប៉ុន្តែរៀងរាល់ព្រឹកថ្ងៃច័ន្ទ នៅតែមាននរណាម្នាក់ត្រូវអានសំបុត្រថ្មី សម្រេចចិត្តលើប្រភេទ កំណត់ភាពបន្ទាន់ ពិនិត្យមើលថាតើអតិថិជនកំពុងប្រើប្រាស់ផែនការបង់ប្រាក់ឬអត់ ហើយបញ្ជូនបញ្ហានេះទៅផ្នែកគិតលុយ ផលិតផល វិស្វកម្ម ឬការគាំទ្រទូទៅ។.
ក្រុមហ៊ុនមិនត្រូវការប្រព័ន្ធ AI យក្សនោះទេ។ វាត្រូវការលំហូរការងារ AI លើពពកតូចមួយដែលអាចចាត់ថ្នាក់សំបុត្រ សង្ខេបបញ្ហា ស្នើសកម្មភាពបន្ទាប់ និងដាក់ទង់សម្គាល់ករណីដែលមានហានិភ័យសម្រាប់ការពិនិត្យឡើងវិញដោយមនុស្ស។.
ការរៀបចំជាក់ស្តែងអាចមើលទៅដូចនេះ៖
សំបុត្រត្រូវបាននាំចេញទៅក្នុងកន្លែងផ្ទុកទិន្នន័យលើពពករៀងរាល់ម៉ោង
ការងារដែលគ្មានម៉ាស៊ីនមេសម្អាតអត្ថបទសំបុត្រ និងលុបទិន្នន័យផ្ទាល់ខ្លួនដែលមិនចាំបាច់
គំរូចំណាត់ថ្នាក់ ឬគំរូភាសាដែលបង្ហោះដាក់ស្លាកសំបុត្រ
លទ្ធផលត្រូវបានសរសេរត្រឡប់ទៅប្រព័ន្ធជំនួយវិញ
ផ្ទាំងគ្រប់គ្រងតាមដានភាពយឺតយ៉ាវ ពិន្ទុទំនុកចិត្ត ភាពត្រឹមត្រូវនៃការបញ្ជូន និងតម្លៃក្នុងមួយសំបុត្រ
ចំណុចសំខាន់៖ បញ្ញាសិប្បនិម្មិត (AI) មិនបានជំនួសក្រុមជំនួយទេ។ វាកំពុងកាត់បន្ថយការងារតម្រៀបដដែលៗ ដូច្នេះមនុស្សចំណាយពេលច្រើនក្នុងការដោះស្រាយបញ្ហាជាក់ស្តែង។.
អ្វីដែលជំនួយការត្រូវការ
ដើម្បីធ្វើឱ្យការងារនេះដំណើរការបានល្អ ក្រុមការងារគួរតែរៀបចំ៖
បញ្ជីប្រភេទសំបុត្រ ដូចជាការគិតថ្លៃ ការចូល កំហុស សំណើសុំមុខងារ ការលុបចោល សុវត្ថិភាព និងទូទៅ
ឧទាហរណ៍នៃសំបុត្រពិតៗចំនួន 20-50 សន្លឹកក្នុងមួយប្រភេទ
ច្បាប់សម្រាប់នាយកដ្ឋាននីមួយៗ
ច្បាប់អាទិភាព ដូចជា “បញ្ហាសុវត្ថិភាព = បន្ទាន់” ឬ “ការដាច់ចរន្តអគ្គិសនីរបស់អតិថិជនសហគ្រាស = បន្ទាន់”
បញ្ជីខ្លីៗនៃរឿងដែលជំនួយការមិនត្រូវធ្វើ ដូចជាការសន្យាសងប្រាក់វិញ ការទទួលស្គាល់កំហុសផ្លូវច្បាប់ ឬការផ្លាស់ប្តូរការកំណត់គណនី
ការគ្រប់គ្រងការចូលប្រើ ដូច្នេះដំណើរការការងារ AI មើលឃើញតែវាលសំបុត្រដែលវាត្រូវការពិតប្រាកដប៉ុណ្ណោះ
ច្បាប់បម្រុងសម្រាប់ករណីមិនប្រាកដប្រជា
ច្បាប់ជំនួសសាមញ្ញមួយអាចជា៖
ប្រសិនបើទំនុកចិត្តទាបជាង 80% ឬសំបុត្រនិយាយអំពីផ្នែកច្បាប់ សន្តិសុខ ការសងប្រាក់វិញ ការលុបចោល ការរំលោភទិន្នន័យ ឬគ្រោះថ្នាក់ផ្នែកវេជ្ជសាស្ត្រ/ហិរញ្ញវត្ថុ សូមផ្ញើវាទៅអ្នកពិនិត្យជាមនុស្សជំនួសឱ្យការបញ្ជូនដោយស្វ័យប្រវត្តិ។.
ឧទាហរណ៍នៃការណែនាំ
អ្នកគឺជាជំនួយការតម្រៀបសំបុត្រគាំទ្រសម្រាប់ក្រុមហ៊ុន SaaS B2B។.
សូមអានសាររបស់អតិថិជន ហើយផ្ញើត្រឡប់មកវិញ៖
-
សេចក្តីសង្ខេបមួយប្រយោគនៃបញ្ហា
-
ប្រភេទមួយពីបញ្ជីនេះ៖ ការគិតថ្លៃ, ការចូល, កំហុស, សំណើរមុខងារ, ការលុបចោល, សុវត្ថិភាព, ទូទៅ
-
អាទិភាព៖ ទាប មធ្យម ខ្ពស់ ឬបន្ទាន់
-
ក្រុមដ៏ល្អបំផុតដើម្បីដោះស្រាយវា៖ ការគាំទ្រ ការគិតថ្លៃ ផលិតផល វិស្វកម្ម សុវត្ថិភាព ឬភាពជោគជ័យរបស់អតិថិជន
-
ថាតើត្រូវការត្រួតពិនិត្យដោយមនុស្សឬអត់៖ បាទ/ចាស ឬ ទេ
-
ហេតុផលខ្លីមួយសម្រាប់ការសម្រេចចិត្តរបស់អ្នក
ច្បាប់៖
កុំសន្យាសងប្រាក់វិញ។
កុំធ្វើរោគវិនិច្ឆ័យការទទួលខុសត្រូវផ្នែកច្បាប់ ឬសន្តិសុខ។
កុំបង្កើតព័ត៌មានលម្អិតអំពីគណនី។
ប្រសិនបើសារមិនច្បាស់លាស់ សូមជ្រើសរើសទូទៅ ហើយតម្រូវឱ្យមានការពិនិត្យឡើងវិញដោយមនុស្ស។
ប្រសិនបើអតិថិជនលើកឡើងពីការលាតត្រដាងទិន្នន័យ ការកាន់កាប់គណនី ការបរាជ័យក្នុងការទូទាត់ ឬការដាច់សេវាកម្ម សូមតម្រូវឱ្យមានការពិនិត្យឡើងវិញដោយមនុស្ស។
របៀបសាកល្បងវា
មុនពេលដាក់វាឲ្យដំណើរការផលិត សូមសាកល្បងវាជាមួយនឹងសំបុត្រប្រវត្តិសាស្ត្រពិត ឬសំបុត្រប្រវត្តិសាស្ត្រអនាមិកមួយឈុតតូច។.
ប្រើប្រាស់សំបុត្រចំនួន 100 ពីអតីតកាល ហើយប្រៀបធៀបការបញ្ជូនបាល់របស់ជំនួយការទល់នឹងការសម្រេចចិត្តបញ្ជូនបាល់ដើមរបស់ក្រុម។.
ពិនិត្យ៖
តើមានប្រភេទប៉ុន្មានដែលត្រូវនឹងស្លាករបស់មនុស្ស
តើសំបុត្របន្ទាន់ប៉ុន្មានត្រូវបានបញ្ជូនបន្តត្រឹមត្រូវ
តើសំបុត្រអាទិភាពទាបប៉ុន្មានសន្លឹកត្រូវបានសម្គាល់ខុសថាជាសំបុត្របន្ទាន់
ថាតើសំបុត្ររសើបត្រូវបានបញ្ជូនទៅពិនិត្យដោយមនុស្សឬអត់
រយៈពេលដំណើរការជាមធ្យមក្នុងមួយសំបុត្រ
តម្លៃក្នុងសំបុត្រ ១០០ សន្លឹក
បន្ទាប់មកដំណើរការការធ្វើតេស្តលើកទីពីរជាមួយឧទាហរណ៍មិនស្អាត៖
អតិថិជនម្នាក់សរសេរជាអក្សរធំទាំងអស់
សំបុត្រមួយមានបីច្បាប់ក្នុងពេលតែមួយ
សារនេះមានប្រវែងត្រឹមតែពីរពាក្យប៉ុណ្ណោះ ដូចជា "មិនអាចចូលបានទេ"
អ្នកប្រើប្រាស់ម្នាក់ស្នើសុំសងប្រាក់វិញ ហើយគំរាមចាត់វិធានការផ្លូវច្បាប់
អតិថិជនម្នាក់រាយការណ៍ពីឧប្បត្តិហេតុសុវត្ថិភាពដែលអាចកើតមាន
ការធ្វើតេស្តទាំងនេះមានសារៈសំខាន់ ពីព្រោះសំបុត្រសាកល្បងស្អាតគឺងាយស្រួល។ អ្នកប្រើប្រាស់ពិតប្រាកដសរសេរដោយគ្មានសណ្តាប់ធ្នាប់ បរិបទមិនច្បាស់លាស់ និងវណ្ណយុត្តិដែលមិនអាចទាយទុកជាមុនបាន។.
លទ្ធផល
លទ្ធផលជាឧទាហរណ៍៖ ផ្អែកលើពេលវេលាសម្រាប់ការជ្រើសរើសគំរូដោយដៃសម្រាប់កិច្ចការចំនួនប្រាំ មុន និងក្រោយពេលប្រើប្រាស់លំហូរការងារនេះ។.
ដំណើរការដោយដៃ៖
សំបុត្រចំនួន ១៨០ សន្លឹកក្នុងមួយសប្តាហ៍
រយៈពេលជ្រើសរើសដោយដៃជាមធ្យម៖ ២ នាទី ៣០ វិនាទីក្នុងមួយសំបុត្រ
រយៈពេលជ្រើសរើសសរុប៖ ៤៥០ នាទីក្នុងមួយសប្តាហ៍ ឬ ៧.៥ ម៉ោង
ដំណើរការដែលមានជំនួយពី Cloud AI៖
ពេលវេលាដំណើរការ AI ជាមធ្យម៖ តិចជាង 10 វិនាទីក្នុងមួយសំបុត្រ
ពេលវេលាពិនិត្យឡើងវិញជាមធ្យមរបស់មនុស្សសម្រាប់សំបុត្រដែលបានសម្គាល់៖ 1 នាទី 30 វិនាទី
អត្រាពិនិត្យឡើងវិញរបស់មនុស្ស៖ 25% នៃសំបុត្រ
ពេលវេលាវិភាគប្រចាំសប្តាហ៍ប៉ាន់ស្មាន៖ 67.5 នាទី
នោះផ្តល់នូវការសន្សំប្រមាណ 6.4 ម៉ោងក្នុងមួយសប្តាហ៍។.
ភាពត្រឹមត្រូវគួរតែត្រូវបានវាស់វែងដោយឡែកពីគ្នា។ នៅក្នុងការធ្វើតេស្តជាក់ស្តែង ក្រុមអាចកំណត់ច្បាប់បាញ់បង្ហោះដូចជា៖
យ៉ាងហោចណាស់ 90% នៃការផ្គូផ្គងប្រភេទទល់នឹងស្លាករបស់មនុស្ស
សំបុត្រទាក់ទងនឹងសុវត្ថិភាព 100% ត្រូវបានផ្ញើទៅការពិនិត្យដោយមនុស្ស
សំបុត្រតិចជាង 5% ត្រូវបានបញ្ជូនទៅនាយកដ្ឋានខុស
តម្លៃជាមធ្យមក្រោម ០,០៥ ផោនក្នុងមួយសំបុត្រ
ប្រសិនបើជំនួយការមិនបំពេញតាមលេខទាំងនោះនៅលើសំណុំតេស្តទេ វាគួរតែស្ថិតនៅក្នុងរបៀបពិនិត្យឡើងវិញជាជាងការបញ្ជូនសំបុត្រផ្ទាល់ដោយស្វ័យប្រវត្តិ។.
អ្វីដែលអាចខុសបាន
ការបរាជ័យទូទៅបំផុតគឺប្រភេទមិនច្បាស់លាស់។ ប្រសិនបើ “កំហុស” “បញ្ហាបច្ចេកទេស” និង “បញ្ហាផលិតផល” ទាំងអស់មានន័យប្រហាក់ប្រហែលគ្នា ជំនួយការនឹងចាត់ថ្នាក់មិនស៊ីសង្វាក់គ្នា។.
ហានិភ័យមួយទៀតគឺការធ្វើស្វ័យប្រវត្តិកម្មហួសហេតុពេក។ សំបុត្រអំពី "គណនីរបស់ខ្ញុំត្រូវបានចូលប្រើដោយអ្នកផ្សេង" មិនគួរត្រូវបានបញ្ជូនដោយចៃដន្យដូចបញ្ហាចូលធម្មតានោះទេ។ វាត្រូវការការដំឡើងកម្រិត ការចុះឈ្មោះ និងប្រហែលជាលំហូរការងារសុវត្ថិភាព។.
ការកត់ត្រាមិនបានល្អក៏អាចបង្កើតបញ្ហាឯកជនភាពផងដែរ។ ការជំរុញ អត្ថបទសំបុត្រ លទ្ធផលគំរូ និងការតាមដានកំហុសអាចមានទិន្នន័យអតិថិជនរសើប។ រក្សាទុកតែអ្វីដែលត្រូវការ ដាក់កម្រិតការចូលប្រើ និងកំណត់ច្បាប់រក្សាទុក។.
តម្លៃក៏អាចកើនឡើងខ្ពស់ផងដែរ។ ប្រសិនបើសំបុត្រនីមួយៗត្រូវបានផ្ញើទៅកាន់ម៉ូដែលធំមួយ ខណៈពេលដែលឧបករណ៍ចាត់ថ្នាក់តូចជាងនឹងដំណើរការ ប្រព័ន្ធនឹងក្លាយទៅជាថ្លៃពេក។ ចាប់ផ្តើមជាមួយជម្រើសតូចបំផុតដែលអាចទុកចិត្តបាន បន្ទាប់មកធ្វើឱ្យប្រសើរឡើងតែកន្លែងដែលភាពត្រឹមត្រូវពិតជាប្រសើរឡើង។.
សម្ភារៈសិក្សាជាក់ស្តែង
ការរៀបចំ AI លើ Cloud ដ៏ល្អមួយចាប់ផ្តើមតូច៖ លំហូរការងារមួយ ច្បាប់ច្បាស់លាស់ ទិន្នន័យសាកល្បង ការពិនិត្យឡើងវិញដោយមនុស្ស និងគោលដៅដែលអាចវាស់វែងបាន។ សម្រាប់ការតម្រៀបជំនួយ ជ័យជម្នះមិនមែនជា "AI ដោះស្រាយអ្វីៗគ្រប់យ៉ាង" នោះទេ។ ជ័យជម្នះគឺការតម្រៀបលឿនជាងមុន សំបុត្របន្ទាន់ដែលខកខានតិចជាងមុន ការប្រគល់ការងារឱ្យស្អាតជាងមុន និងប្រព័ន្ធដែលក្រុមអាចតាមដានជំនួសឱ្យការទុកចិត្តដោយងងឹតងងល់។.
សំណួរដែលសួរញឹកញាប់
តើ "AI ក្នុងការគណនាលើពពក" មានន័យយ៉ាងណានៅក្នុងន័យប្រចាំថ្ងៃ
បញ្ញាសិប្បនិម្មិត (AI) នៅក្នុងការគណនាលើពពកមានន័យថា អ្នកប្រើប្រាស់វេទិកាលើពពកដើម្បីរក្សាទុកទិន្នន័យ បង្វិលការគណនា (CPU/GPU/TPU) បណ្តុះបណ្តាលគំរូ ដាក់ពង្រាយពួកវា និងត្រួតពិនិត្យពួកវា - ដោយមិនចាំបាច់មានផ្នែករឹងនោះទេ។ នៅក្នុងការអនុវត្តជាក់ស្តែង ពពកក្លាយជាកន្លែងដែលវដ្តជីវិតបញ្ញាសិប្បនិម្មិតទាំងមូលរបស់អ្នកដំណើរការ។ អ្នកជួលអ្វីដែលអ្នកត្រូវការនៅពេលដែលអ្នកត្រូវការវា បន្ទាប់មកបន្ថយទំហំនៅពេលដែលអ្នករួចរាល់។.
ហេតុអ្វីបានជាគម្រោង AI បរាជ័យបើគ្មានហេដ្ឋារចនាសម្ព័ន្ធបែប cloud និង MLOps
ការបរាជ័យភាគច្រើនកើតឡើងនៅជុំវិញគំរូ មិនមែននៅខាងក្នុងវាទេ៖ ទិន្នន័យមិនស៊ីសង្វាក់គ្នា បរិស្ថានមិនស៊ីសង្វាក់គ្នា ការដាក់ពង្រាយដែលផុយស្រួយ និងគ្មានការត្រួតពិនិត្យ។ ឧបករណ៍ Cloud ជួយធ្វើឱ្យស្តង់ដារនៃការផ្ទុក ការគណនា និងការដាក់ពង្រាយ ដូច្នេះគំរូមិនជាប់គាំងលើ "វាដំណើរការលើកុំព្យូទ័រយួរដៃរបស់ខ្ញុំ"។ MLOps បន្ថែមសារធាតុស្អិតដែលបាត់៖ ការតាមដាន ការចុះឈ្មោះ បំពង់បង្ហូរ និង rollback ដូច្នេះប្រព័ន្ធនៅតែអាចបង្កើតឡើងវិញបាន និងអាចថែទាំបាន។.
លំហូរការងារធម្មតាសម្រាប់ AI ក្នុងការគណនាលើពពក ចាប់ពីទិន្នន័យរហូតដល់ផលិតកម្ម
លំហូរទូទៅមួយគឺ៖ ទិន្នន័យចុះចតនៅក្នុងការផ្ទុកលើពពក ត្រូវបានដំណើរការទៅជាលក្ខណៈពិសេស បន្ទាប់មកគំរូហ្វឹកហាត់លើការគណនាដែលអាចធ្វើមាត្រដ្ឋានបាន។ បន្ទាប់មក អ្នកដាក់ពង្រាយតាមរយៈចំណុចបញ្ចប់ API ការងារជាបាច់ ការដំឡើងគ្មានម៉ាស៊ីនមេ ឬសេវាកម្ម Kubernetes។ ជាចុងក្រោយ អ្នកត្រួតពិនិត្យភាពយឺតយ៉ាវ ការរសាត់ និងថ្លៃដើម ហើយបន្ទាប់មកធ្វើម្តងទៀតជាមួយនឹងការហ្វឹកហាត់ឡើងវិញ និងការដាក់ពង្រាយដែលមានសុវត្ថិភាពជាងមុន។ បំពង់បង្ហូរទិន្នន័យពិតប្រាកដភាគច្រើនដំណើរការឡើងវិញឥតឈប់ឈរជាជាងការដឹកជញ្ជូនម្តង។.
ការជ្រើសរើសរវាង SageMaker, Vertex AI, Azure ML, Databricks និង Kubernetes
ជ្រើសរើសដោយផ្អែកលើការពិតរបស់ក្រុមអ្នក មិនមែនសំឡេងរំខានទីផ្សារ "វេទិកាល្អបំផុត" នោះទេ។ វេទិកា ML ដែលគ្រប់គ្រង (SageMaker/Vertex AI/Azure ML) កាត់បន្ថយការឈឺក្បាលប្រតិបត្តិការជាមួយនឹងការងារបណ្តុះបណ្តាល ចំណុចបញ្ចប់ ការចុះឈ្មោះ និងការត្រួតពិនិត្យ។ Databricks ជារឿយៗសមនឹងក្រុមដែលប្រើប្រាស់វិស្វកម្មទិន្នន័យច្រើន ដែលចង់ឱ្យ ML នៅជិតបំពង់បង្ហូរទិន្នន័យ និងការវិភាគ។ Kubernetes ផ្តល់នូវការគ្រប់គ្រង និងការប្ដូរតាមបំណងអតិបរមា ប៉ុន្តែអ្នកក៏មានភាពជឿជាក់ គោលការណ៍ធ្វើមាត្រដ្ឋាន និងការបំបាត់កំហុសនៅពេលដែលមានរឿងខូចផងដែរ។.
គំរូស្ថាបត្យកម្មដែលបង្ហាញច្រើនបំផុតនៅក្នុងការដំឡើង AI cloud សព្វថ្ងៃនេះ
អ្នកនឹងឃើញគំរូចំនួនបួនជាប់លាប់៖ វេទិកា ML ដែលគ្រប់គ្រងសម្រាប់ល្បឿន lakehouse + ML សម្រាប់អង្គការដែលផ្តោតលើទិន្នន័យជាមុន ML ដែលមានកុងតឺន័រនៅលើ Kubernetes សម្រាប់ការគ្រប់គ្រង និង RAG (ជំនាន់ទាញយកបន្ថែម) សម្រាប់ "ប្រើប្រាស់ចំណេះដឹងផ្ទៃក្នុងរបស់យើងដោយសុវត្ថិភាព"។ RAG ជាធម្មតារួមបញ្ចូលឯកសារនៅក្នុងការផ្ទុកលើពពក ការបង្កប់ + ហាងវ៉ិចទ័រ ស្រទាប់ទាញយក និងការគ្រប់គ្រងការចូលប្រើជាមួយនឹងការកត់ត្រា។ គំរូដែលអ្នកជ្រើសរើសគួរតែត្រូវគ្នានឹងភាពចាស់ទុំនៃការគ្រប់គ្រង និងភាពចាស់ទុំនៃប្រតិបត្តិការរបស់អ្នក។.
របៀបដែលក្រុមដាក់ពង្រាយគំរូ AI លើពពក៖ REST APIs, batch jobs, serverless ឬ Kubernetes
API REST គឺជារឿងធម្មតាសម្រាប់ការព្យាករណ៍ពេលវេលាជាក់ស្តែង នៅពេលដែលភាពយឺតយ៉ាវនៃផលិតផលមានសារៈសំខាន់។ ការសន្និដ្ឋានជាបាច់គឺល្អសម្រាប់ការដាក់ពិន្ទុតាមកាលវិភាគ និងប្រសិទ្ធភាពចំណាយ ជាពិសេសនៅពេលដែលលទ្ធផលមិនចាំបាច់ភ្លាមៗ។ ចំណុចបញ្ចប់ដែលគ្មានម៉ាស៊ីនមេអាចដំណើរការបានល្អសម្រាប់ចរាចរណ៍ដែលមានភាពរអាក់រអួល ប៉ុន្តែការចាប់ផ្តើមត្រជាក់ និងភាពយឺតយ៉ាវត្រូវការការយកចិត្តទុកដាក់។ Kubernetes គឺល្អនៅពេលដែលអ្នកត្រូវការការធ្វើមាត្រដ្ឋានល្អិតល្អន់ និងការរួមបញ្ចូលជាមួយឧបករណ៍វេទិកា ប៉ុន្តែវាបន្ថែមភាពស្មុគស្មាញនៃប្រតិបត្តិការ។.
អ្វីដែលត្រូវតាមដានក្នុងផលិតកម្មដើម្បីរក្សាប្រព័ន្ធ AI ឱ្យមានសុខភាពល្អ
យ៉ាងហោចណាស់ សូមតាមដានភាពយឺតយ៉ាវ អត្រាកំហុស និងថ្លៃដើមក្នុងមួយការព្យាករណ៍ ដើម្បីឱ្យភាពជឿជាក់ និងថវិកានៅតែអាចមើលឃើញ។ នៅផ្នែក ML សូមតាមដានការរសាត់ទិន្នន័យ និងរសាត់ដំណើរការ ដើម្បីចាប់យកនៅពេលដែលការពិតផ្លាស់ប្តូរនៅក្រោមគំរូ។ ករណីគែមកំណត់ហេតុ និងលទ្ធផលមិនល្អក៏សំខាន់ផងដែរ ជាពិសេសសម្រាប់ករណីប្រើប្រាស់ទូទៅ ដែលអ្នកប្រើប្រាស់អាចមានភាពផ្ទុយគ្នាប្រកបដោយភាពច្នៃប្រឌិត។ ការត្រួតពិនិត្យល្អក៏គាំទ្រដល់ការសម្រេចចិត្ត rollback នៅពេលដែលគំរូដើរថយក្រោយ។.
ការកាត់បន្ថយថ្លៃដើម AI លើពពកដោយមិនធ្វើឱ្យដំណើរការធ្លាក់ចុះ
វិធីសាស្រ្តទូទៅមួយគឺការប្រើប្រាស់គំរូតូចបំផុតដែលបំពេញតាមតម្រូវការ បន្ទាប់មកបង្កើនប្រសិទ្ធភាពការសន្និដ្ឋានជាមួយនឹងការធ្វើបាច់ និងការដាក់ក្នុងឃ្លាំងសម្ងាត់។ ការធ្វើមាត្រដ្ឋានដោយស្វ័យប្រវត្តិជួយបាន ប៉ុន្តែវាត្រូវការការកំណត់កម្រិតកំណត់ ដូច្នេះ "ភាពយឺតយ៉ាវ" មិនក្លាយជា "ការចំណាយគ្មានដែនកំណត់" ទេ។ សម្រាប់ការហ្វឹកហ្វឺន ការគណនាចំណុច/ការបដិសេធជាមុនអាចសន្សំសំចៃបានច្រើន ប្រសិនបើការងាររបស់អ្នកអត់ធ្មត់នឹងការរំខាន។ ការតាមដានថ្លៃដើមក្នុងមួយចំណុចបញ្ចប់ និងក្នុងមួយមុខងារ ការពារអ្នកពីការបង្កើនប្រសិទ្ធភាពផ្នែកខុសនៃប្រព័ន្ធ។.
ហានិភ័យសុវត្ថិភាព និងការអនុលោមតាមច្បាប់ដ៏ធំបំផុតជាមួយ AI នៅក្នុងពពក
ហានិភ័យធំៗគឺការចូលប្រើប្រាស់ទិន្នន័យដែលមិនអាចគ្រប់គ្រងបាន ការគ្រប់គ្រងអាថ៌កំបាំងខ្សោយ និងការបាត់ដានសវនកម្មសម្រាប់អ្នកដែលបានបណ្តុះបណ្តាល និងដាក់ពង្រាយអ្វី។ បញ្ញាសិប្បនិម្មិតបង្កើតថ្មីបន្ថែមបញ្ហាឈឺក្បាលបន្ថែមដូចជាការចាក់បញ្ចូលរហ័ស លទ្ធផលមិនមានសុវត្ថិភាព និងទិន្នន័យរសើបដែលបង្ហាញក្នុងកំណត់ហេតុ។ បំពង់បង្ហូរជាច្រើនត្រូវការភាពឯកោបរិស្ថាន (dev/staging/prod) និងគោលការណ៍ច្បាស់លាស់សម្រាប់ការជំរុញ លទ្ធផល និងការកត់ត្រាការសន្និដ្ឋាន។ ការដំឡើងដែលមានសុវត្ថិភាពបំផុតចាត់ទុកអភិបាលកិច្ចជាតម្រូវការប្រព័ន្ធស្នូល មិនមែនជាបំណះសប្តាហ៍បើកដំណើរការនោះទេ។.
ឯកសារយោង
-
វិទ្យាស្ថានជាតិស្តង់ដារ និងបច្ចេកវិទ្យា (NIST) - SP 800-145 (ចុងក្រោយ) - csrc.nist.gov
-
Google Cloud - GPU សម្រាប់ AI - cloud.google.com
-
Google Cloud - ឯកសារ Cloud TPU - docs.cloud.google.com
-
សេវាកម្មគេហទំព័រ Amazon (AWS) - Amazon S3 (កន្លែងផ្ទុកទិន្នន័យវត្ថុ) - aws.amazon.com
-
Amazon Web Services (AWS) - តើបឹងទិន្នន័យជាអ្វី? - aws.amazon.com
-
Amazon Web Services (AWS) - តើឃ្លាំងទិន្នន័យជាអ្វី? - aws.amazon.com
-
សេវាកម្មគេហទំព័រ Amazon (AWS) - សេវាកម្ម AI AWS - aws.amazon.com
-
Google Cloud - Google Cloud AI APIs - cloud.google.com
-
Google Cloud - តើ MLOps ជាអ្វី? - cloud.google.com
-
Google Cloud - ការចុះបញ្ជីគំរូ Vertex AI (សេចក្តីផ្តើម) - docs.cloud.google.com
-
Red Hat - តើ REST API ជាអ្វី? - redhat.com
-
ឯកសារ Amazon Web Services (AWS) - ការបំលែងជាបាច់របស់ SageMaker - docs.aws.amazon.com
-
សេវាកម្មគេហទំព័រ Amazon (AWS) - ឃ្លាំងទិន្នន័យ ទល់នឹង បឹងទិន្នន័យ ទល់នឹង ទីផ្សារទិន្នន័យ - aws.amazon.com
-
Microsoft Learn - ការចុះឈ្មោះ Azure ML (MLOps) - learn.microsoft.com
-
Google Cloud - ទិដ្ឋភាពទូទៅនៃការផ្ទុកទិន្នន័យ Google Cloud - docs.cloud.google.com
-
arXiv - ក្រដាសស្តីពីការទាញយកទិន្នន័យដែលបានបង្កើនឡើង (RAG) - arxiv.org
-
ឯកសារ Amazon Web Services (AWS) - ការសន្និដ្ឋានគ្មានម៉ាស៊ីនមេ SageMaker - docs.aws.amazon.com
-
Kubernetes - ការធ្វើមាត្រដ្ឋានដោយស្វ័យប្រវត្តិសម្រាប់ផតផ្ដេក - kubernetes.io
-
Google Cloud - ការព្យាករណ៍ជាបាច់នៃ Vertex AI - docs.cloud.google.com
-
ឯកសារ Amazon Web Services (AWS) - កម្មវិធីត្រួតពិនិត្យគំរូ SageMaker - docs.aws.amazon.com
-
Google Cloud - ការត្រួតពិនិត្យគំរូ Vertex AI (ដោយប្រើការត្រួតពិនិត្យគំរូ) - docs.cloud.google.com
-
សេវាកម្មគេហទំព័រ Amazon (AWS) - ឧទាហរណ៍ Amazon EC2 Spot - aws.amazon.com
-
Google Cloud - ម៉ាស៊ីនបម្រើដែលអាចបដិសេធបាន - docs.cloud.google.com
-
ឯកសារ Amazon Web Services (AWS) - AWS SageMaker៖ របៀបដែលវាដំណើរការ (ការបណ្តុះបណ្តាល) - docs.aws.amazon.com
-
Google Cloud - Google Vertex AI - cloud.google.com
-
Microsoft Azure - ការរៀនម៉ាស៊ីន Azure - azure.microsoft.com
-
ប្លុកទិន្នន័យ - ប្លុកទិន្នន័យ Lakehouse - databricks.com
-
ឯកសារ Snowflake - លក្ខណៈពិសេស Snowflake AI (ការណែនាំទូទៅ) - docs.snowflake.com
-
IBM - IBM watsonx - ibm.com
-
Google Cloud - ឯកសារ API ភាសាធម្មជាតិ Cloud - docs.cloud.google.com
-
ឯកសារ Snowflake - អនុគមន៍ AI Cortex Snowflake (AI SQL) - docs.snowflake.com
-
MLflow - ការតាមដាន MLflow - mlflow.org
-
MLflow - ការចុះបញ្ជីគំរូ MLflow - mlflow.org
-
Google Cloud - MLOps៖ បំពង់ចែកចាយបន្ត និងស្វ័យប្រវត្តិកម្មក្នុងការរៀនម៉ាស៊ីន - cloud.google.com
-
សេវាកម្មគេហទំព័រ Amazon (AWS) - ហាងលក់លក្ខណៈពិសេស SageMaker - aws.amazon.com
-
IBM - IBM watsonx.governance - ibm.com