តើក្រុមហ៊ុន AI ជាអ្វី?

ចម្លើយខ្លី៖ ក្រុមហ៊ុន AI គឺជាក្រុមហ៊ុនដែលផលិតផលស្នូល តម្លៃ ឬគុណសម្បត្តិប្រកួតប្រជែងរបស់វាពឹងផ្អែកលើ AI - ប្រសិនបើដក AI ចេញ នោះការផ្តល់ជូននឹងដួលរលំ ឬកាន់តែអាក្រក់ទៅៗ។ ប្រសិនបើ AI បរាជ័យនៅថ្ងៃស្អែក ហើយអ្នកនៅតែអាចផ្តល់ជូនជាមួយសៀវភៅបញ្ជី ឬកម្មវិធីមូលដ្ឋាន អ្នកទំនងជាប្រើប្រាស់ AI មិនមែនជា AI ដើមទេ។ ក្រុមហ៊ុន AI ពិតប្រាកដមានភាពខុសគ្នាតាមរយៈទិន្នន័យ ការវាយតម្លៃ ការដាក់ពង្រាយ និងរង្វិលជុំធ្វើម្តងទៀតយ៉ាងតឹងរ៉ឹង។

ចំណុចសំខាន់ៗ៖

ការពឹងផ្អែកស្នូល ៖ ប្រសិនបើការដក AI ចេញធ្វើឱ្យផលិតផលខូច អ្នកកំពុងសម្លឹងមើលក្រុមហ៊ុន AI។

ការធ្វើតេស្តសាមញ្ញ ៖ ប្រសិនបើអ្នកអាចដើរខ្វិនៗដោយគ្មាន AI អ្នកប្រហែលជាមាន AI ហើយ។

សញ្ញាប្រតិបត្តិការ ៖ ក្រុមដែលពិភាក្សាអំពីភាពរសាត់ ការវាយតម្លៃសំណុំ ភាពយឺតយ៉ាវ និងរបៀបបរាជ័យ ច្រើនតែធ្វើការងារដ៏លំបាក។

ភាពធន់នឹងការប្រើប្រាស់ខុស ៖ បង្កើតរបាំងការពារ ការត្រួតពិនិត្យ និងផែនការដកថយសម្រាប់ពេលដែលម៉ូដែលបរាជ័យ។

ការយកចិត្តទុកដាក់របស់អ្នកទិញ ៖ ជៀសវាងការលាងសម្អាតដោយប្រើ AI ដោយទាមទារយន្តការ ម៉ែត្រិច និងការគ្រប់គ្រងទិន្នន័យឱ្យបានច្បាស់លាស់។

«ក្រុមហ៊ុន AI» ត្រូវបានគេបោះចោលដោយសេរី ដូច្នេះវាមានហានិភ័យនៃការមានន័យគ្រប់យ៉ាង និងគ្មានអ្វីទាំងអស់ក្នុងពេលតែមួយ។ ក្រុមហ៊ុនចាប់ផ្តើមអាជីវកម្មមួយអះអាងឋានៈ AI ពីព្រោះវាបន្ថែមប្រអប់បំពេញស្វ័យប្រវត្តិ។ ក្រុមហ៊ុនមួយទៀតបណ្តុះបណ្តាលគំរូ បង្កើតឧបករណ៍ ដឹកជញ្ជូនផលិតផល និងដាក់ពង្រាយទៅក្នុងបរិយាកាសផលិតកម្ម... ហើយនៅតែត្រូវបានដាក់បញ្ចូលគ្នាទៅក្នុងធុងតែមួយ។.

ដូច្នេះ​ស្លាក​សញ្ញា​ត្រូវការ​គែម​មុត​ស្រួច​ជាង​មុន។ ភាព​ខុស​គ្នា​រវាង​អាជីវកម្ម​ដែល​មាន​ដើម​កំណើត​ដោយ AI និង​អាជីវកម្ម​ស្តង់ដារ​ដែល​មាន​ការ​រៀន​សូត្រ​ដោយ​ម៉ាស៊ីន​តិចតួច​នឹង​បង្ហាញ​ឡើង​យ៉ាង​ឆាប់​រហ័ស​នៅ​ពេល​ដែល​អ្នក​ដឹង​ពី​អ្វី​ដែល​ត្រូវ​រក​មើល។.

អត្ថបទដែលអ្នកប្រហែលជាចង់អានបន្ទាប់ពីអត្ថបទនេះ៖

🔗 របៀបដែល AI upscaling ដំណើរការ
ស្វែងយល់ពីរបៀបដែលម៉ូដែលបន្ថែមព័ត៌មានលម្អិតដើម្បីពង្រីករូបភាពបានស្អាត។

🔗 កូដ AI មើលទៅដូចអ្វី
សូមមើលឧទាហរណ៍នៃកូដដែលបានបង្កើត និងរបៀបដែលវាត្រូវបានរៀបចំឡើង។

🔗 តើ​ក្បួនដោះស្រាយ AI ជាអ្វី?
ស្វែងយល់ពីក្បួនដោះស្រាយដែលជួយ AI រៀន ទស្សន៍ទាយ និងបង្កើនប្រសិទ្ធភាព។

🔗 តើអ្វីទៅជាការដំណើរការជាមុនរបស់ AI
ស្វែងយល់ពីជំហានដែលសម្អាត ដាក់ស្លាក និងធ្វើទ្រង់ទ្រាយទិន្នន័យសម្រាប់ការបណ្តុះបណ្តាល។

---

តើក្រុមហ៊ុន AI ជាអ្វី៖ និយមន័យដ៏ស្អាតស្អំដែលគាំទ្រ ✅

និយមន័យជាក់ស្តែង៖

ក្រុមហ៊ុន AI គឺជាអាជីវកម្មដែល ផលិតផលស្នូល តម្លៃ ឬគុណសម្បត្តិប្រកួតប្រជែងរបស់វាពឹងផ្អែកលើបញ្ញាសិប្បនិម្មិត - មានន័យថាប្រសិនបើអ្នកដក AI ចេញ “របស់របរ” របស់ក្រុមហ៊ុននឹងដួលរលំ ឬកាន់តែអាក្រក់ទៅៗ។ ( OECD , NIST AI RMF )

មិនមែន “យើងបានប្រើ AI ម្តងក្នុងកម្មវិធី hackathon” នោះទេ។ មិនមែន “យើងបានបន្ថែម chatbot ទៅក្នុងទំព័រទំនាក់ទំនង” នោះទេ។ ច្រើនទៀតដូចជា៖

• ផលិតផលនេះ គឺជា ប្រព័ន្ធ AI (ឬត្រូវបានដំណើរការដោយប្រព័ន្ធមួយពីដើមដល់ចប់) ( OECD )

• គុណសម្បត្តិរបស់ក្រុមហ៊ុនបានមកពីគំរូ ទិន្នន័យ ការវាយតម្លៃ និងការធ្វើម្តងទៀត ( Google Cloud MLOps , NIST AI RMF Playbook - Measure )

• បញ្ញាសិប្បនិម្មិតមិនមែនជាលក្ខណៈពិសេសទេ - វាគឺជាម៉ាស៊ីន 🧠⚙️

នេះជាវិធីពិនិត្យពោះវៀនងាយៗ៖

ស្រមៃមើលថា AI នឹងបរាជ័យនៅថ្ងៃស្អែក។ ប្រសិនបើអតិថិជននៅតែបង់ប្រាក់ឱ្យអ្នក ហើយអ្នកអាចនឹងមានបញ្ហាជាមួយសៀវភៅបញ្ជី ឬកម្មវិធីមូលដ្ឋាន អ្នកទំនងជាមាន AI មិនមែន AI ដើមទេ។.

ហើយមែនហើយ មានតំបន់កណ្តាលព្រិលៗ។ ដូចជារូបថតដែលថតតាមបង្អួចដែលមានអ័ព្ទ... មិនមែនជាពាក្យប្រៀបធៀបដ៏ល្អទេ ប៉ុន្តែអ្នកយល់ហើយ 😄

---

ភាពខុសគ្នារវាង “ក្រុមហ៊ុន AI” និង “ក្រុមហ៊ុនដែលបើកដំណើរការដោយ AI” (ផ្នែកនេះជួយសន្សំសំចៃអំណះអំណាង) 🥊

អាជីវកម្មទំនើបភាគច្រើនប្រើប្រាស់ AI ក្នុងទម្រង់ណាមួយ។ តែម្យ៉ាងវាមិនធ្វើឱ្យពួកគេក្លាយជាក្រុមហ៊ុន AI នោះទេ។ ( OECD )

ជាធម្មតាក្រុមហ៊ុន AI៖

• លក់សមត្ថភាព AI ដោយផ្ទាល់ (ម៉ូដែល អ្នកបើកយន្តហោះរួម ស្វ័យប្រវត្តិកម្មឆ្លាតវៃ)

• បង្កើតប្រព័ន្ធ AI ផ្ទាល់ខ្លួនជាផលិតផលស្នូល

• មាន​វិស្វកម្ម AI ដ៏​ម៉ត់ចត់ ការវាយតម្លៃ និងការដាក់ពង្រាយ​ជាមុខងារស្នូល ( Google Cloud MLOps )

• រៀនពីទិន្នន័យជាបន្តបន្ទាប់ និងបង្កើនប្រសិទ្ធភាពជារង្វាស់សំខាន់ 📈 ( សៀវភៅស Google MLOps )

ជាធម្មតាក្រុមហ៊ុនដែលប្រើប្រាស់ AI៖

• ប្រើប្រាស់ AI ផ្ទៃក្នុងដើម្បីកាត់បន្ថយថ្លៃដើម បង្កើនល្បឿនដំណើរការការងារ ឬកែលម្អការកំណត់គោលដៅ

• នៅតែលក់របស់ផ្សេងទៀត (ទំនិញលក់រាយ សេវាកម្មធនាគារ ភស្តុភារ ប្រព័ន្ធផ្សព្វផ្សាយ។ល។)

• អាចជំនួស AI ដោយកម្មវិធីបែបប្រពៃណី ហើយនៅតែ «ក្លាយជាខ្លួនវា»

ឧទាហរណ៍ (ជាទូទៅដោយចេតនា ពីព្រោះការជជែកវែកញែកអំពីម៉ាកយីហោគឺជាចំណង់ចំណូលចិត្តសម្រាប់មនុស្សមួយចំនួន)៖

• ធនាគារមួយដែលប្រើប្រាស់ AI សម្រាប់ការរកឃើញការក្លែងបន្លំ - បើកដំណើរការដោយ AI

• អ្នកលក់រាយម្នាក់កំពុងប្រើប្រាស់ AI សម្រាប់ការព្យាករណ៍ស្តុក - បើកដំណើរការដោយ AI

• ក្រុមហ៊ុនដែលផលិតផលរបស់ខ្លួនជាភ្នាក់ងារគាំទ្រអតិថិជន AI - ទំនងជាក្រុមហ៊ុន AI

• វេទិកាមួយដែលលក់ឧបករណ៍ត្រួតពិនិត្យ វាយតម្លៃ និងដាក់ពង្រាយគំរូ - ក្រុមហ៊ុន AI (ហេដ្ឋារចនាសម្ព័ន្ធ) ( Google Cloud MLOps )

ដូច្នេះបាទ/ចាស៎… ពេទ្យធ្មេញរបស់អ្នកអាចប្រើ AI សម្រាប់កំណត់ពេលរំលឹក។ នោះមិនធ្វើឱ្យពួកគេក្លាយជាក្រុមហ៊ុន AI ទេ 😬🦷

---

អ្វីដែលធ្វើឱ្យក្រុមហ៊ុន AI ក្លាយជាក្រុមហ៊ុនល្អ ​​🏗️

មិនមែនក្រុមហ៊ុន AI ទាំងអស់សុទ្ធតែត្រូវបានបង្កើតឡើងដូចគ្នានោះទេ ហើយតាមពិតទៅ ក្រុមហ៊ុនខ្លះភាគច្រើនជាក្រុមហ៊ុនដែលមានភាពរស់រវើក និងដើមទុនបណ្តាក់ទុន។ កំណែល្អ របស់ក្រុមហ៊ុន AI ច្រើនតែមានលក្ខណៈមួយចំនួនដែលលេចឡើងម្តងហើយម្តងទៀត៖

• ភាពជាម្ចាស់បញ្ហាច្បាស់លាស់ ៖ ពួកគេដោះស្រាយបញ្ហាជាក់លាក់មួយ មិនមែន "AI សម្រាប់អ្វីៗគ្រប់យ៉ាង" ទេ

• លទ្ធផលដែលអាចវាស់វែងបាន ៖ ភាពត្រឹមត្រូវ សន្សំសំចៃពេលវេលា កាត់បន្ថយថ្លៃដើម កំហុសតិចជាងមុន ការបម្លែងខ្ពស់ - ជ្រើសរើសអ្វីមួយ ហើយតាមដានវា ( NIST AI RMF )

• វិន័យទិន្នន័យ ៖ គុណភាពទិន្នន័យ ការអនុញ្ញាត ការគ្រប់គ្រង និងរង្វិលជុំមតិប្រតិកម្មមិនមែនជាជម្រើសទេ ( NIST AI RMF )

• វប្បធម៌វាយតម្លៃ ៖ ពួកគេសាកល្បងគំរូដូចមនុស្សពេញវ័យ - ជាមួយនឹងស្តង់ដារ ករណីគែម និងការត្រួតពិនិត្យ 🔍 ( Google Cloud MLOps , Datadog )

• ការពិតនៃការដាក់ពង្រាយ ៖ ប្រព័ន្ធនេះដំណើរការក្នុងស្ថានភាពប្រចាំថ្ងៃដែលមិនស្អាត មិនមែនគ្រាន់តែនៅក្នុងការបង្ហាញប៉ុណ្ណោះទេ

• គែមដែលអាចការពារបាន ៖ ទិន្នន័យដូមេន ការចែកចាយ ការរួមបញ្ចូលលំហូរការងារ ឬឧបករណ៍កម្មសិទ្ធិ (មិនមែនគ្រាន់តែ "យើងហៅថា API")

សញ្ញាគួរឱ្យភ្ញាក់ផ្អើលមួយ៖

• ប្រសិនបើក្រុមមួយនិយាយអំពី ភាពយឺតយ៉ាវ (latency), ការរសាត់ (slipping), សំណុំវាយតម្លៃ (eval sets), ការយល់ច្រឡំ (hallucinations) និងរបៀបបរាជ័យ (failure modes ) ពួកគេទំនងជាកំពុងធ្វើការងារ AI ពិតប្រាកដ។ ( IBM - Model drift , OpenAI - hallucinations , Google Cloud MLOps )

• ប្រសិនបើពួកគេភាគច្រើននិយាយអំពី "បដិវត្តន៍ភាពស៊ីសង្វាក់គ្នាជាមួយនឹងភាពវៃឆ្លាត" អ្នកដឹងហើយថាវាយ៉ាងម៉េច 😅

---

តារាងប្រៀបធៀប៖ «ប្រភេទ» ក្រុមហ៊ុន AI ទូទៅ និងអ្វីដែលពួកគេកំពុងលក់ 📊🤝

ខាងក្រោមនេះគឺជាតារាងប្រៀបធៀបរហ័ស ប៉ុន្តែមិនល្អឥតខ្ចោះបន្តិច (ដូចជាអាជីវកម្មប្រចាំថ្ងៃ)។ តម្លៃគឺជា "រចនាប័ទ្មកំណត់តម្លៃធម្មតា" មិនមែនជាលេខពិតប្រាកដទេ ពីព្រោះវាប្រែប្រួលច្រើន។.

ជម្រើស / ប្រភេទ	ទស្សនិកជនល្អបំផុត	តម្លៃ (ធម្មតា)	ហេតុអ្វីបានជាវាដំណើរការ
អ្នកបង្កើតគំរូគ្រឹះ	អ្នកអភិវឌ្ឍន៍ សហគ្រាស មនុស្សគ្រប់គ្នា..	កិច្ចសន្យាធំៗ ផ្អែកលើការប្រើប្រាស់	ម៉ូដែលទូទៅដ៏រឹងមាំក្លាយជាវេទិកាមួយ - ស្រទាប់ "ស្រដៀងនឹងប្រព័ន្ធប្រតិបត្តិការ" ( ការកំណត់តម្លៃ OpenAI API )
កម្មវិធី Vertical AI (ផ្នែកច្បាប់ វេជ្ជសាស្ត្រ ហិរញ្ញវត្ថុ។ល។)	ក្រុមដែលមានដំណើរការការងារជាក់លាក់	តម្លៃជាវ + កៅអី	ការរឹតបន្តឹងដែនកាត់បន្ថយភាពវឹកវរ; ភាពត្រឹមត្រូវអាចលោតផ្លោះ (នៅពេលធ្វើបានត្រឹមត្រូវ)
ជំនួយការ AI សម្រាប់ការងារចំណេះដឹង	ផ្នែកលក់, ការគាំទ្រ, អ្នកវិភាគ, និងប្រតិបត្តិការ	ក្នុងមួយខែសម្រាប់អ្នកប្រើប្រាស់ម្នាក់ៗ	សន្សំសំចៃពេលវេលាបានយ៉ាងរហ័ស រួមបញ្ចូលទៅក្នុងឧបករណ៍ប្រចាំថ្ងៃ... ស្អិតជាប់នៅពេលដែលវាល្អ ( តម្លៃ Microsoft 365 Copilot )
MLOps / វេទិកាប្រតិបត្តិការគំរូ	ក្រុម AI ក្នុងផលិតកម្ម	កិច្ចសន្យាសហគ្រាស (ពេលខ្លះឈឺចាប់)	ការត្រួតពិនិត្យ ការដាក់ពង្រាយ ការគ្រប់គ្រង - មិនទាក់ទាញ ប៉ុន្តែចាំបាច់ ( Google Cloud MLOps )
ក្រុមហ៊ុន Data + Labeling	អ្នកសាងសង់គំរូ, សហគ្រាស	ក្នុងមួយភារកិច្ច ក្នុងមួយស្លាក លាយបញ្ចូលគ្នា	ទិន្នន័យ​ល្អ​ជាង​មុន​ច្រើន​តែ​ល្អ​ជាង​មុន ( MIT Sloan / Andrew Ng លើ AI ដែល​ផ្ដោត​លើ​ទិន្នន័យ )
បញ្ញាសិប្បនិម្មិត Edge / បញ្ញាសិប្បនិម្មិតនៅលើឧបករណ៍	ផ្នែករឹង + IoT អង្គការដែលយកចិត្តទុកដាក់ខ្លាំងចំពោះភាពឯកជន	ក្នុងមួយឧបករណ៍ ការផ្តល់អាជ្ញាប័ណ្ណ	ភាពយឺតយ៉ាវទាប + ភាពឯកជន; ក៏ដំណើរការក្រៅបណ្តាញផងដែរ (កិច្ចព្រមព្រៀងដ៏ធំ) ( Nvidia , IBM )
ទីប្រឹក្សា/អ្នករួមបញ្ចូល AI	អង្គការមិនមែនដើមកំណើត AI	ផ្អែកលើគម្រោង អ្នករក្សា	ដំណើរការលឿនជាងការជួលបុគ្គលិកផ្ទៃក្នុង - ប៉ុន្តែអាស្រ័យលើទេពកោសល្យ ក្នុងការអនុវត្តជាក់ស្តែង
ការវាយតម្លៃ / ឧបករណ៍សុវត្ថិភាព	ម៉ូដែលដឹកជញ្ជូនរបស់ក្រុម	ការជាវដែលមានកម្រិត	ជួយជៀសវាងការបរាជ័យដោយស្ងៀមស្ងាត់ - ហើយបាទ/ចាស៎ វាសំខាន់ណាស់ ( NIST AI RMF , OpenAI - ការយល់ច្រឡំ )

សូមកត់សម្គាល់អ្វីមួយ។ “ក្រុមហ៊ុន AI” អាចមានន័យថាអាជីវកម្មខុសគ្នាខ្លាំង។ ខ្លះលក់ម៉ូដែល។ ខ្លះលក់ប៉ែលសម្រាប់សាងសង់ម៉ូដែល។ ខ្លះលក់ផលិតផលសម្រេច។ ម៉ាកដូចគ្នា ការពិតខុសគ្នាទាំងស្រុង។.

---

គំរូដើមសំខាន់ៗរបស់ក្រុមហ៊ុន AI (និងអ្វីដែលពួកគេធ្វើខុស) 🧩

ចូរយើងចូលទៅជ្រៅជាងនេះបន្តិច ពីព្រោះនេះជាកន្លែងដែលមនុស្សជំពប់ដួល។.

១) ក្រុមហ៊ុនដែលផ្តោតលើគំរូជាមុន 🧠

ទាំងនេះសាងសង់ ឬកែលម្អម៉ូដែល។ ចំណុចខ្លាំងរបស់ពួកវាជាធម្មតាគឺ៖

• ទេពកោសល្យស្រាវជ្រាវ

• ការបង្កើនប្រសិទ្ធភាពកុំព្យូទ័រ

• រង្វិលជុំវាយតម្លៃ និងការធ្វើម្តងទៀត

• ហេដ្ឋារចនាសម្ព័ន្ធ​បម្រើ​សេវាកម្ម​ដែល​មាន​ដំណើរការ​ខ្ពស់ ( សៀវភៅ​ស Google MLOps )

ចំណុចខ្វះខាតទូទៅ៖

• ពួកគេសន្មតថា “គំរូល្អជាង” ស្មើនឹង “ផលិតផលល្អជាង” ដោយស្វ័យប្រវត្តិ។
  វាមិនដូច្នោះទេ។ អ្នកប្រើប្រាស់មិនទិញគំរូទេ ពួកគេទិញលទ្ធផល។

២) ក្រុមហ៊ុន AI ដែលផ្តោតលើផលិតផលជាមុន 🧰

ទាំងនេះបង្កប់ AI នៅខាងក្នុងដំណើរការការងារ។ ពួកគេឈ្នះតាមរយៈ៖

• ការចែកចាយ

• UX និងការរួមបញ្ចូលគ្នា

• រង្វិលជុំមតិប្រតិកម្មខ្លាំង

• ភាពជឿជាក់លើសពីភាពវៃឆ្លាតឆៅ

ចំណុចខ្វះខាតទូទៅ៖

• ពួកគេមើលស្រាលឥរិយាបថគំរូនៅក្នុងធម្មជាតិ។ អ្នកប្រើប្រាស់ពិតប្រាកដនឹងបំបែកប្រព័ន្ធរបស់អ្នកតាមវិធីថ្មីៗ និងច្នៃប្រឌិត។ ជារៀងរាល់ថ្ងៃ។.

៣) ក្រុមហ៊ុន AI ហេដ្ឋារចនាសម្ព័ន្ធ ⚙️

សូមគិតអំពីការត្រួតពិនិត្យ ការដាក់ពង្រាយ ការគ្រប់គ្រង ការវាយតម្លៃ និងការរៀបចំ។ ពួកគេឈ្នះតាមរយៈ៖

• កាត់បន្ថយការឈឺចាប់ប្រតិបត្តិការ

• ការគ្រប់គ្រងហានិភ័យ

• ការធ្វើឱ្យ AI អាចធ្វើម្តងទៀតបាន និងមានសុវត្ថិភាព ( NIST AI RMF , Google Cloud MLOps )

ចំណុចខ្វះខាតទូទៅ៖

• ពួកគេបង្កើតសម្រាប់ក្រុមកម្រិតខ្ពស់ ហើយមិនអើពើនឹងអ្នកដទៃទាំងអស់ បន្ទាប់មកឆ្ងល់ថាហេតុអ្វីបានជាការទទួលយកមានល្បឿនយឺត។.

៤) ក្រុមហ៊ុន AI ដែលផ្តោតលើទិន្នន័យ 🗂️

ទាំងនេះផ្តោតលើបំពង់ទិន្នន័យ ការដាក់ស្លាក ទិន្នន័យសំយោគ និងការគ្រប់គ្រងទិន្នន័យ។ ពួកគេឈ្នះតាមរយៈ៖

• ការកែលម្អគុណភាពសញ្ញាបណ្តុះបណ្តាល

• កាត់បន្ថយសំឡេងរំខាន

• ការអនុញ្ញាតឱ្យមានឯកទេស ( MIT Sloan / Andrew Ng លើ AI ដែលផ្តោតលើទិន្នន័យ )

ចំណុចខ្វះខាតទូទៅ៖

• ពួកគេលក់លើសលប់នូវពាក្យថា "ទិន្នន័យដោះស្រាយអ្វីៗគ្រប់យ៉ាង"។ ទិន្នន័យមានឥទ្ធិពលខ្លាំង ប៉ុន្តែអ្នកនៅតែត្រូវការការធ្វើគំរូល្អ និងការគិតគូរពីផលិតផលដ៏រឹងមាំ។.

---

អ្វីដែលស្ថិតនៅក្នុងក្រុមហ៊ុន AI នៅក្រោមគម្រប៖ ជង់ ប្រហែល 🧱

ប្រសិនបើអ្នកលួចមើលពីក្រោយវាំងនន ក្រុមហ៊ុន AI ពិតប្រាកដភាគច្រើនមានរចនាសម្ព័ន្ធផ្ទៃក្នុងស្រដៀងគ្នា។ មិនមែនជានិច្ចទេ ប៉ុន្តែជាញឹកញាប់។.

ស្រទាប់ទិន្នន័យ📥

• ការប្រមូល និងការទទួលទាន

• ការដាក់ស្លាក ឬការត្រួតពិនិត្យខ្សោយ

• ភាពឯកជន, ការអនុញ្ញាត, ការរក្សាទុក

• រង្វិលជុំមតិប្រតិកម្ម (ការកែតម្រូវរបស់អ្នកប្រើប្រាស់ លទ្ធផល ការពិនិត្យឡើងវិញដោយមនុស្ស) ( NIST AI RMF )

ស្រទាប់​គំរូ 🧠

• ការជ្រើសរើសគំរូមូលដ្ឋាន (ឬការបណ្តុះបណ្តាលពីដំបូង)

• ការលៃតម្រូវល្អិតល្អន់ ការចម្រាញ់ វិស្វកម្មរហ័ស (បាទ/ចាស៎ នៅតែរាប់បញ្ចូល)

• ប្រព័ន្ធទាញយកទិន្នន័យ (ស្វែងរក + ចំណាត់ថ្នាក់ + មូលដ្ឋានទិន្នន័យវ៉ិចទ័រ) ( ឯកសារ RAG (Lewis et al., 2020) , Oracle - ការស្វែងរកវ៉ិចទ័រ )

• ឈុតវាយតម្លៃ និងសំណុំសាកល្បង ( Google Cloud MLOps )

ស្រទាប់ផលិតផល🧑💻

• UX ដែលដោះស្រាយភាពមិនប្រាកដប្រជា (សញ្ញាសម្គាល់ទំនុកចិត្ត ស្ថានភាព "ពិនិត្យឡើងវិញ")

• របាំងការពារ (គោលនយោបាយ ការបដិសេធ ការបំពេញដោយសុវត្ថិភាព) ( NIST AI RMF )

• ការរួមបញ្ចូលលំហូរការងារ (អ៊ីមែល, CRM, ឯកសារ, ការលក់សំបុត្រ។ល។)

ស្រទាប់ប្រតិបត្តិការ 🛠️

• ការតាមដានសម្រាប់ការរសាត់ និងការរិចរិល ( IBM - Model drift , Google Cloud MLOps )

• ការឆ្លើយតបទៅនឹងឧប្បត្តិហេតុ និងការដកថយ ( Uber - សុវត្ថិភាពនៃការដាក់ពង្រាយ )

• ការគ្រប់គ្រងថ្លៃដើម (កុំព្យូទ័រអាចជាសត្វចម្លែកតូចមួយដែលឃ្លាន)

• អភិបាលកិច្ច សវនកម្ម ការគ្រប់គ្រងការចូលប្រើ ( NIST AI RMF , ISO/IEC 42001 )

ហើយផ្នែកដែលគ្មាននរណាម្នាក់ផ្សព្វផ្សាយ៖

• ដំណើរការរបស់មនុស្ស - អ្នកពិនិត្យឡើងវិញ ការកើនឡើង ការធានាគុណភាព និងបំពង់បង្ហូរមតិកែលម្អរបស់អតិថិជន។
  បញ្ញាសិប្បនិម្មិតមិនមែន "កំណត់វាហើយភ្លេចវាចោល" ទេ។ វាដូចជាការថែសួនច្រើនជាង។ ឬដូចជាការចិញ្ចឹមសត្វរ៉ាក់ឃូន។ វាអាចគួរឱ្យស្រលាញ់ ប៉ុន្តែវានឹងបំផ្លាញផ្ទះបាយរបស់អ្នកទាំងស្រុង ប្រសិនបើអ្នកមិនមើល 😬🦝

---

គំរូអាជីវកម្ម៖ របៀបដែលក្រុមហ៊ុន AI រកលុយបាន 💸

ក្រុមហ៊ុន AI ច្រើនតែធ្លាក់ចូលទៅក្នុងទម្រង់នៃការរកប្រាក់ទូទៅមួយចំនួន៖

• ផ្អែកលើការប្រើប្រាស់ (ក្នុងមួយសំណើ ក្នុងមួយថូខឹន ក្នុងមួយនាទី ក្នុងមួយរូបភាព ក្នុងមួយភារកិច្ច) ( ការកំណត់តម្លៃ OpenAI API , OpenAI - ថូខឹន )

• ការជាវផ្អែកលើកៅអី (ក្នុងមួយអ្នកប្រើប្រាស់ក្នុងមួយខែ) ( តម្លៃ Microsoft 365 Copilot )

• ការកំណត់តម្លៃផ្អែកលើលទ្ធផល (កម្រ ប៉ុន្តែមានឥទ្ធិពល - បង់ក្នុងមួយការបម្លែង ឬសំបុត្រដែលបានដោះស្រាយ)

• កិច្ចសន្យាសហគ្រាស (ការគាំទ្រ ការអនុលោមតាម កិច្ចព្រមព្រៀងសេវាកម្ម ការដាក់ពង្រាយតាមតម្រូវការ)

• ការផ្តល់អាជ្ញាប័ណ្ណ (នៅលើឧបករណ៍ បង្កប់ រចនាប័ទ្ម OEM) ( Nvidia )

ភាពតានតឹងដែលក្រុមហ៊ុន AI ជាច្រើនប្រឈមមុខ៖

• អតិថិជនចង់បានការចំណាយដែលអាចព្យាករណ៍ទុកជាមុនបាន 😌

• តម្លៃ AI អាចប្រែប្រួលទៅតាមការប្រើប្រាស់ និងជម្រើសម៉ូដែល 😵

ដូច្នេះក្រុមហ៊ុន AI ល្អៗ ពូកែខ្លាំងណាស់ក្នុង៖

• ការបញ្ជូនភារកិច្ចទៅកាន់ម៉ូដែលថោកជាងនៅពេលដែលអាចធ្វើទៅបាន

• លទ្ធផលនៃការរក្សាទុកទិន្នន័យ

• សំណើសុំបាច់

• ការគ្រប់គ្រងទំហំបរិបទ

• ការរចនា UX ដែលមិនលើកទឹកចិត្ត "ការវិលជុំគ្មានទីបញ្ចប់នៃការណែនាំ" (យើងទាំងអស់គ្នាបានធ្វើវាហើយ…)

---

សំណួរ​សំខាន់៖ តើ​អ្វី​ដែល​ធ្វើ​ឱ្យ​ក្រុមហ៊ុន AI អាច​ការពារ​បាន 🏰

នេះ​ជា​ផ្នែក​ដ៏​ក្តៅគគុក។ មនុស្ស​ជាច្រើន​សន្មត​ថា​ប្រឡាយ​ទឹក​នេះ​គឺ​ជា «គំរូ​របស់​យើង​ល្អ​ជាង»។ ពេលខ្លះ​វា​ល្អ​ជាង ប៉ុន្តែ​ជា​ញឹក​ញាប់… មិនមែន​ទេ។.

គុណសម្បត្តិការពារទូទៅ៖

• ទិន្នន័យផ្ទាល់ខ្លួន (ជាពិសេសដែនជាក់លាក់)

• ការចែកចាយ (បង្កប់នៅក្នុងលំហូរការងារដែលអ្នកប្រើប្រាស់រស់នៅរួចហើយ)

• ថ្លៃដើមនៃការប្តូរ (ការធ្វើសមាហរណកម្ម ការផ្លាស់ប្តូរដំណើរការ ទម្លាប់ក្រុម)

• ទំនុកចិត្តលើម៉ាក (ជាពិសេសសម្រាប់ដែនដែលមានហានិភ័យខ្ពស់)

• ឧត្តមភាពប្រតិបត្តិការ (ការដឹកជញ្ជូន AI ដែលអាចទុកចិត្តបានក្នុងទ្រង់ទ្រាយធំគឺពិបាក) ( Google Cloud MLOps )

• ប្រព័ន្ធ​ដែល​ប្រើប្រាស់​មនុស្ស​ក្នុង​រង្វង់ (ដំណោះស្រាយ​ចម្រុះ​អាច​មាន​ប្រសិទ្ធភាព​លើស​ពី​ស្វ័យប្រវត្តិកម្ម​សុទ្ធសាធ) ( NIST AI RMF , EU AI Act - ការត្រួតពិនិត្យ​ដោយ​មនុស្ស (មាត្រា 14) )

ការពិតមួយដែលមិនស្រួលបន្តិច៖
ក្រុមហ៊ុនពីរអាចប្រើគំរូមូលដ្ឋានដូចគ្នា ហើយនៅតែមានលទ្ធផលខុសគ្នាខ្លាំង។ ភាពខុសគ្នាជាធម្មតាគឺអ្វីៗគ្រប់យ៉ាងនៅជុំវិញគំរូ - ការរចនាផលិតផល ការវាយតម្លៃ រង្វិលជុំទិន្នន័យ និងរបៀបដែលពួកគេដោះស្រាយការបរាជ័យ។

---

របៀបសម្គាល់ការលាងសម្អាតដោយ AI (ហៅម្យ៉ាងទៀតថា "យើងបានបន្ថែមពន្លឺចែងចាំង ហើយហៅវាថាភាពវៃឆ្លាត") 🚩

ប្រសិនបើអ្នកកំពុងវាយតម្លៃពីអ្វីដែលក្រុមហ៊ុន AI មាននៅក្នុងធម្មជាតិ សូមប្រយ័ត្នចំពោះសញ្ញាក្រហមទាំងនេះ៖

• គ្មានការពិពណ៌នាអំពីសមត្ថភាព AI ច្បាស់លាស់ទេ ៖ ការធ្វើទីផ្សារច្រើន គ្មានយន្តការ

• វេទមន្តបង្ហាញ ៖ ការបង្ហាញគួរឱ្យចាប់អារម្មណ៍ មិនចាំបាច់និយាយអំពីករណីគែមទេ

• គ្មានរឿងរ៉ាវវាយតម្លៃទេ ៖ ពួកគេមិនអាចពន្យល់ពីរបៀបដែលពួកគេសាកល្បងភាពជឿជាក់បានទេ ( Google Cloud MLOps )

• ចម្លើយទិន្នន័យរលកដៃ ៖ មិនច្បាស់លាស់ថាទិន្នន័យមកពីណា ឬវាត្រូវបានគ្រប់គ្រងយ៉ាងដូចម្តេច ( NIST AI RMF )

• គ្មានផែនការសម្រាប់ការត្រួតពិនិត្យទេ ៖ ពួកវាធ្វើសកម្មភាពដូចជាគំរូមិនរសាត់បាត់ទៅ ( IBM - Model drift )

• ពួកគេមិនអាចពន្យល់ពីរបៀបបរាជ័យបានទេ ៖ អ្វីៗគឺ "ស្ទើរតែល្អឥតខ្ចោះ" (គ្មានអ្វីល្អឥតខ្ចោះ) ( OpenAI - ការយល់ច្រឡំ )

ទង់ពណ៌បៃតង (ផ្ទុយពីនេះ ធ្វើឲ្យស្ងប់ចិត្ត) ✅៖

• ពួកគេបង្ហាញពីរបៀបដែលពួកគេវាស់ស្ទង់ការអនុវត្ត

• ពួកគេនិយាយអំពីដែនកំណត់ដោយមិនភ័យស្លន់ស្លោ

• ពួកគេមានផ្លូវពិនិត្យឡើងវិញដោយមនុស្ស និងការកើនឡើងនៃបញ្ហា ( NIST AI RMF , EU AI Act - ការត្រួតពិនិត្យដោយមនុស្ស (មាត្រា 14) )

• ពួកគេយល់ពីតម្រូវការឯកជនភាព និងការអនុលោមតាមច្បាប់ ( NIST AI RMF , EU AI Act )

• ពួកគេអាចនិយាយថា "យើងមិនធ្វើបែបនោះទេ" ដោយមិនចាំបាច់បាក់ទឹកចិត្ត 😅

---

ប្រសិនបើអ្នកកំពុងសាងសង់មួយ៖ បញ្ជីត្រួតពិនិត្យជាក់ស្តែងសម្រាប់ការក្លាយជាក្រុមហ៊ុន AI 🧠📝

ប្រសិនបើអ្នកកំពុងព្យាយាមផ្លាស់ប្តូរពី "ក្រុមហ៊ុនដែលបើកដំណើរការដោយ AI" ទៅជា "ក្រុមហ៊ុន AI" នេះគឺជាផ្លូវដែលអាចអនុវត្តបាន៖

• ចាប់ផ្តើមជាមួយនឹងលំហូរការងារមួយដែលធ្វើឲ្យមនុស្សឈឺចាប់គ្រប់គ្រាន់ ដែលពួកគេនឹងចំណាយប្រាក់ដើម្បីជួសជុលវា

• លទ្ធផលឧបករណ៍ដំបូង (មុនពេលអ្នកធ្វើមាត្រដ្ឋាន)

• បង្កើតសំណុំវាយតម្លៃពីករណីអ្នកប្រើប្រាស់ពិតប្រាកដ ( Google Cloud MLOps )

• បន្ថែមរង្វិលជុំមតិប្រតិកម្មពីថ្ងៃដំបូង

• ធ្វើឱ្យរបាំងការពារជាផ្នែកមួយនៃការរចនា មិនមែនជាការគិតគូរពីក្រោយនោះទេ ( NIST AI RMF )

• កុំសាងសង់លើសកម្រិត - ដឹកជញ្ជូនក្រូចឆ្មារតូចចង្អៀតដែលអាចទុកចិត្តបាន

• ចាត់ទុកការដាក់ពង្រាយដូចជាផលិតផល មិនមែនជាជំហានចុងក្រោយទេ ( Google Cloud MLOps )

ដូចគ្នានេះដែរ ដំបូន្មានផ្ទុយពីវិចារណញាណដែលមានប្រសិទ្ធភាព៖

• ចំណាយពេលច្រើនលើអ្វីដែលកើតឡើងនៅពេលដែល AI ខុសជាជាងពេលដែលវាត្រឹមត្រូវ។
  នោះហើយជាកន្លែងដែលទំនុកចិត្តត្រូវបានឈ្នះ ឬបាត់បង់។ ( NIST AI RMF )

---

សេចក្តីសង្ខេបចុងក្រោយ🧠✨

ដូច្នេះ… អ្វីដែលក្រុមហ៊ុន AI មានលក្ខណៈ គឺអាស្រ័យទៅលើឆ្អឹងខ្នងសាមញ្ញមួយ៖

វាជាក្រុមហ៊ុនមួយដែល AI គឺជាម៉ាស៊ីន មិនមែនជាគ្រឿងតុបតែងទេ។ ប្រសិនបើអ្នកដក AI ចេញ ហើយផលិតផលឈប់មានន័យ (ឬបាត់បង់គុណសម្បត្តិរបស់វា) អ្នកប្រហែលជាកំពុងសម្លឹងមើលក្រុមហ៊ុន AI ពិតប្រាកដមួយ។ ប្រសិនបើ AI គ្រាន់តែជាឧបករណ៍មួយក្នុងចំណោមឧបករណ៍ជាច្រើន វាជាការត្រឹមត្រូវជាងក្នុងការហៅវាថា AI-enabled។

ហើយទាំងពីរគឺល្អ។ ពិភពលោកត្រូវការទាំងពីរ។ ប៉ុន្តែស្លាកសញ្ញាមានសារៈសំខាន់នៅពេលអ្នកកំពុងវិនិយោគ ជួល ទិញកម្មវិធី ឬព្យាយាមស្វែងយល់ថាតើអ្នកកំពុងត្រូវបានលក់ជាមនុស្សយន្ត ឬរូបចម្លាក់ក្រដាសកាតុងដែលមានភ្នែកហ្គូហ្គល 🤖👀

---

សំណួរដែលសួរញឹកញាប់

តើ​អ្វី​ទៅ​ដែល​ចាត់​ទុក​ថា​ជា​ក្រុមហ៊ុន​ដែល​មាន​បញ្ញា​សិប្បនិម្មិត (AI) ធៀប​នឹង​ក្រុមហ៊ុន​ដែល​មាន​បញ្ញា​សិប្បនិម្មិត (AI)?

ក្រុមហ៊ុន AI គឺជាក្រុមហ៊ុនមួយដែលផលិតផលស្នូល តម្លៃ ឬគុណសម្បត្តិប្រកួតប្រជែងពឹងផ្អែកលើ AI - ប្រសិនបើដក AI ចេញ នោះការផ្តល់ជូននឹងដួលរលំ ឬកាន់តែអាក្រក់ទៅៗ។ ក្រុមហ៊ុនដែលប្រើប្រាស់ AI ប្រើប្រាស់ AI ដើម្បីពង្រឹងប្រតិបត្តិការ (ដូចជាការព្យាករណ៍ ឬការរកឃើញការក្លែងបន្លំ) ប៉ុន្តែនៅតែលក់អ្វីមួយដែលមិនមែនជា AI។ ការសាកល្បងសាមញ្ញមួយ៖ ប្រសិនបើ AI បរាជ័យនៅថ្ងៃស្អែក ហើយអ្នកនៅតែអាចដំណើរការជាមួយកម្មវិធីមូលដ្ឋានបាន អ្នកទំនងជាប្រើប្រាស់ AI។.

តើខ្ញុំអាចដឹងយ៉ាងរហ័សដោយរបៀបណាថាអាជីវកម្មមួយពិតជាក្រុមហ៊ុន AI?

សូមពិចារណាអំពីអ្វីដែលនឹងកើតឡើងប្រសិនបើ AI ឈប់ដំណើរការ។ ប្រសិនបើអតិថិជននៅតែបង់ប្រាក់ ហើយអាជីវកម្មអាចដើរយឺតជាមួយសៀវភៅបញ្ជី ឬកម្មវិធីប្រពៃណី វាប្រហែលជាមិនមែនជា AI ដើមទេ។ ក្រុមហ៊ុន AI ពិតប្រាកដក៏មានទំនោរនិយាយក្នុងន័យប្រតិបត្តិការជាក់ស្តែងផងដែរ៖ សំណុំវាយតម្លៃ ភាពយឺតយ៉ាវ ការរសាត់បាត់ ការយល់ច្រឡំ ការត្រួតពិនិត្យ និងរបៀបបរាជ័យ។ ប្រសិនបើវាគ្រាន់តែជាការធ្វើទីផ្សារប៉ុណ្ណោះ ហើយគ្មានយន្តការទេ នោះគឺជាទង់ក្រហម។.

តើអ្នកត្រូវបណ្តុះបណ្តាលគំរូផ្ទាល់ខ្លួនរបស់អ្នកឱ្យក្លាយជាក្រុមហ៊ុន AI ដែរឬទេ?

ទេ។ ក្រុមហ៊ុន AI ជាច្រើនបង្កើតផលិតផលដ៏រឹងមាំនៅលើកំពូលនៃម៉ូដែលដែលមានស្រាប់ ហើយនៅតែមានលក្ខណៈសម្បត្តិគ្រប់គ្រាន់ជា AI-native នៅពេលដែល AI គឺជាម៉ាស៊ីននៃផលិតផល។ អ្វីដែលសំខាន់គឺថាតើម៉ូដែល ទិន្នន័យ ការវាយតម្លៃ និងរង្វិលជុំនៃការធ្វើម្តងទៀតជំរុញដំណើរការ និងភាពខុសគ្នាដែរឬទេ។ ទិន្នន័យដែលមានកម្មសិទ្ធិ ការរួមបញ្ចូលលំហូរការងារ និងការវាយតម្លៃយ៉ាងម៉ត់ចត់អាចបង្កើតគែមពិតប្រាកដសូម្បីតែគ្មានការបណ្តុះបណ្តាលពីដំបូងក៏ដោយ។.

តើ​ក្រុមហ៊ុន AI សំខាន់ៗ​មាន​អ្វីខ្លះ ហើយ​តើ​ពួកគេ​ខុស​គ្នា​យ៉ាង​ដូចម្តេច?

ប្រភេទទូទៅរួមមាន កម្មវិធីបង្កើតគំរូមូលដ្ឋាន កម្មវិធី AI បញ្ឈរ (ដូចជាឧបករណ៍ផ្នែកច្បាប់ ឬវេជ្ជសាស្ត្រ) អ្នកបើកយន្តហោះរួមសម្រាប់ការងារចំណេះដឹង វេទិកាប្រតិបត្តិការគំរូ MLOps/អាជីវកម្មទិន្នន័យ និងស្លាក បញ្ញាសិប្បនិម្មិតគែម/នៅលើឧបករណ៍ ក្រុមហ៊ុនប្រឹក្សាយោបល់/អ្នករួមបញ្ចូល និងអ្នកផ្តល់សេវាឧបករណ៍វាយតម្លៃ/សុវត្ថិភាព។ ពួកគេទាំងអស់គ្នាអាចជា "ក្រុមហ៊ុន AI" ប៉ុន្តែពួកគេលក់របស់ផ្សេងៗគ្នាខ្លាំងណាស់៖ គំរូ ផលិតផលសម្រេច ឬហេដ្ឋារចនាសម្ព័ន្ធដែលធ្វើឱ្យ AI ផលិតកម្មអាចទុកចិត្តបាន និងអាចគ្រប់គ្រងបាន។.

តើ​ក្រុមហ៊ុន AI ធម្មតា​មើលទៅ​ដូច​អ្វី​នៅ​ក្រោម​ក្រណាត់?

ក្រុមហ៊ុន AI ជាច្រើនចែករំលែកជង់រដុបមួយ៖ ស្រទាប់ទិន្នន័យ (ការប្រមូល ការដាក់ស្លាក ការគ្រប់គ្រង រង្វិលជុំមតិប្រតិកម្ម) ស្រទាប់គំរូ (ការជ្រើសរើសគំរូមូលដ្ឋាន ការលៃតម្រូវល្អិតល្អន់ ការស្វែងរក RAG/វ៉ិចទ័រ ឈុតវាយតម្លៃ) ស្រទាប់ផលិតផល (UX សម្រាប់ភាពមិនប្រាកដប្រជា របាំងការពារ ការរួមបញ្ចូលលំហូរការងារ) និងស្រទាប់ប្រតិបត្តិការ (ការត្រួតពិនិត្យសម្រាប់ការរសាត់បាត់ ការឆ្លើយតបទៅនឹងឧប្បត្តិហេតុ ការគ្រប់គ្រងថ្លៃដើម ការធ្វើសវនកម្ម)។ ដំណើរការរបស់មនុស្ស - អ្នកពិនិត្យ ការកើនឡើង ការធានាគុណភាព - ជារឿយៗជាឆ្អឹងខ្នងដែលមិនគួរឱ្យចាប់អារម្មណ៍។.

តើ​ម៉ែត្រ​អ្វីខ្លះ​ដែល​បង្ហាញ​ថា​ក្រុមហ៊ុន AI កំពុង​ធ្វើ «ការងារ​ពិតប្រាកដ» មិនមែន​គ្រាន់តែ​ជា​ការ​បង្ហាញ​ប៉ុណ្ណោះ?

សញ្ញាខ្លាំងជាងនេះទៅទៀតគឺលទ្ធផលដែលអាចវាស់វែងបានដែលភ្ជាប់ទៅនឹងផលិតផល៖ ភាពត្រឹមត្រូវ ការសន្សំសំចៃពេលវេលា ការកាត់បន្ថយថ្លៃដើម កំហុសតិចជាងមុន ឬការបំលែងខ្ពស់ជាងមុន - រួមផ្សំជាមួយនឹងវិធីសាស្ត្រច្បាស់លាស់សម្រាប់វាយតម្លៃ និងតាមដានរង្វាស់ទាំងនោះ។ ក្រុមពិតប្រាកដបង្កើតស្តង់ដារ ករណីសាកល្បងគែម និងតាមដានការអនុវត្តបន្ទាប់ពីការដាក់ពង្រាយ។ ពួកគេក៏មានគម្រោងសម្រាប់ពេលដែលគំរូខុស មិនមែនគ្រាន់តែពេលដែលវាត្រឹមត្រូវនោះទេ ពីព្រោះការជឿទុកចិត្តអាស្រ័យលើការដោះស្រាយការបរាជ័យ។.

តើក្រុមហ៊ុន AI ជាទូទៅរកលុយដោយរបៀបណា ហើយតើអន្ទាក់កំណត់តម្លៃអ្វីខ្លះដែលអ្នកទិញគួរតាមដាន?

គំរូទូទៅរួមមានការកំណត់តម្លៃផ្អែកលើការប្រើប្រាស់ (ក្នុងមួយសំណើ/ថូខឹន/ភារកិច្ច) ការជាវផ្អែកលើកៅអី ការកំណត់តម្លៃផ្អែកលើលទ្ធផល (កម្រជាង) កិច្ចសន្យាសហគ្រាសជាមួយ SLA និងអាជ្ញាប័ណ្ណសម្រាប់ AI ដែលបានបង្កប់ ឬនៅលើឧបករណ៍។ ភាពតានតឹងសំខាន់មួយគឺភាពអាចទស្សន៍ទាយបាន៖ អតិថិជនចង់បានការចំណាយដែលមានស្ថេរភាព ខណៈពេលដែលថ្លៃដើម AI អាចប្រែប្រួលទៅតាមការប្រើប្រាស់ និងជម្រើសគំរូ។ អ្នកលក់ដ៏រឹងមាំគ្រប់គ្រងរឿងនេះជាមួយនឹងការបញ្ជូនបន្តទៅគំរូដែលមានតម្លៃថោកជាង ការដាក់ក្នុងឃ្លាំងសម្ងាត់ ការចាត់ថ្នាក់ជាបាច់ និងការគ្រប់គ្រងទំហំបរិបទ។.

តើ​អ្វី​ទៅ​ដែល​ធ្វើ​ឱ្យ​ក្រុមហ៊ុន AI អាច​ការពារ​បាន ប្រសិនបើ​មនុស្ស​គ្រប់គ្នា​អាច​ប្រើ​គំរូ​ស្រដៀង​គ្នា​បាន?

ជារឿយៗ ស្នាមប្រេះមិនមែនគ្រាន់តែជា "គំរូល្អជាង" នោះទេ។ ការការពារអាចមកពីទិន្នន័យដែនកម្មសិទ្ធិ ការចែកចាយនៅក្នុងលំហូរការងារដែលអ្នកប្រើប្រាស់រស់នៅរួចហើយ ការផ្លាស់ប្តូរថ្លៃដើមពីការរួមបញ្ចូល និងទម្លាប់ ការជឿទុកចិត្តលើម៉ាកយីហោនៅក្នុងតំបន់ដែលមានហានិភ័យខ្ពស់ និងឧត្តមភាពប្រតិបត្តិការក្នុងការដឹកជញ្ជូន AI ដែលអាចទុកចិត្តបាន។ ប្រព័ន្ធដែលមនុស្សប្រើប្រាស់ក្នុងរង្វិលជុំក៏អាចមានប្រសិទ្ធភាពខ្ពស់ជាងស្វ័យប្រវត្តិកម្មសុទ្ធសាធផងដែរ។ ក្រុមពីរអាចប្រើគំរូដូចគ្នា និងទទួលបានលទ្ធផលខុសគ្នាខ្លាំងដោយផ្អែកលើអ្វីៗគ្រប់យ៉ាងនៅជុំវិញវា។.

តើខ្ញុំអាចសម្គាល់ការលាងសម្អាតដោយ AI យ៉ាងដូចម្តេចនៅពេលវាយតម្លៃអ្នកលក់ ឬក្រុមហ៊ុនចាប់ផ្តើមអាជីវកម្ម?

សូមប្រយ័ត្នចំពោះការអះអាងមិនច្បាស់លាស់ដែលគ្មានសមត្ថភាព AI ច្បាស់លាស់ “វេទមន្តបង្ហាញ” ដែលគ្មានករណីគែម និងអសមត្ថភាពក្នុងការពន្យល់ពីការវាយតម្លៃ ការគ្រប់គ្រងទិន្នន័យ ការត្រួតពិនិត្យ ឬរបៀបបរាជ័យ។ ការអះអាងដែលមានទំនុកចិត្តខ្លាំងពេកដូចជា “ស្ទើរតែល្អឥតខ្ចោះ” គឺជាសញ្ញាព្រមានមួយទៀត។ ទង់ពណ៌បៃតងរួមមានការវាស់វែងដែលមានតម្លាភាព ដែនកំណត់ច្បាស់លាស់ ផែនការត្រួតពិនិត្យសម្រាប់ការរសាត់បាត់ និងការពិនិត្យឡើងវិញរបស់មនុស្ស ឬផ្លូវបង្កើនប្រសិទ្ធភាពដែលបានកំណត់យ៉ាងល្អ។ ក្រុមហ៊ុនដែលអាចនិយាយថា “យើងមិនធ្វើបែបនោះទេ” ជារឿយៗគួរឱ្យទុកចិត្តជាងក្រុមហ៊ុនដែលសន្យាគ្រប់យ៉ាង។.

ឯកសារយោង

1. OECD - oecd.ai

2. អង្គការ OECD - oecd.org

3. វិទ្យាស្ថានជាតិស្តង់ដារ និងបច្ចេកវិទ្យា (NIST) - NIST AI RMF (AI 100-1) - nist.gov

4. សៀវភៅណែនាំសម្រាប់ក្របខ័ណ្ឌគ្រប់គ្រងហានិភ័យ AI របស់ NIST (AI RMF) - វិធានការ - nist.gov

5. Google Cloud - MLOps៖ បំពង់ចែកចាយបន្ត និងស្វ័យប្រវត្តិកម្មក្នុងការរៀនម៉ាស៊ីន - google.com

6. Google - មគ្គុទ្ទេសក៍សម្រាប់អ្នកអនុវត្តចំពោះ MLOps (ឯកសារស) - google.com

7. Google Cloud - តើ MLOps ជាអ្វី? - google.com

8. Datadog - ការអនុវត្តល្អបំផុតនៃក្របខ័ណ្ឌវាយតម្លៃ LLM - datadoghq.com

9. IBM - ការរសាត់នៃគំរូ - ibm.com

10. OpenAI - ហេតុអ្វីបានជាគំរូភាសាមានអារម្មណ៍ស្រមើស្រមៃ - openai.com

11. OpenAI - តម្លៃ API - openai.com

12. មជ្ឈមណ្ឌលជំនួយ OpenAI - តើថូខឹនជាអ្វី និងរបៀបរាប់វា - openai.com

13. Microsoft - តម្លៃ Microsoft 365 Copilot - microsoft.com

14. សាលាគ្រប់គ្រង MIT Sloan - ហេតុអ្វីបានជាដល់ពេលសម្រាប់បញ្ញាសិប្បនិម្មិតដែលផ្តោតលើទិន្នន័យ - mit.edu

15. NVIDIA - តើ Edge AI ជាអ្វី? - nvidia.com

16. IBM - Edge ទល់នឹង cloud AI - ibm.com

17. Uber - ការលើកកម្ពស់ស្តង់ដារសុវត្ថិភាពនៃការដាក់ពង្រាយគំរូ ML - uber.com

18. អង្គការអន្តរជាតិសម្រាប់ការធ្វើស្តង់ដារភាវូបនីយកម្ម (ISO) - ទិដ្ឋភាពទូទៅនៃ ISO/IEC 42001 - iso.org

19. arXiv - ការបង្កើត​ដែល​បាន​បង្កើន​ការ​ទាញ​យក​សម្រាប់​កិច្ចការ NLP ដែល​ពឹងផ្អែក​លើ​ចំណេះដឹង (Lewis et al., 2020) - arxiv.org

20. Oracle - ការស្វែងរកវ៉ិចទ័រ - oracle.com

21. ច្បាប់​ស្តីពី​បញ្ញា​សិប្បនិម្មិត (EU) - ការត្រួតពិនិត្យ​ពី​មនុស្ស (មាត្រា 14) - artificialintelligenceact.eu

22. គណៈកម្មការអឺរ៉ុប - ក្របខ័ណ្ឌបទប្បញ្ញត្តិស្តីពី AI (ទិដ្ឋភាពទូទៅនៃច្បាប់ AI) - europa.eu

23. យូធូប - youtube.com

24. ហាងជំនួយការ AI - របៀបដែលការបង្កើនប្រសិទ្ធភាព AI ដំណើរការ - aiassistantstore.com

25. ហាងជំនួយការ AI - លេខកូដ AI មើលទៅដូចអ្វី - aiassistantstore.com

26. ហាងជំនួយការ AI - អ្វីទៅជាក្បួនដោះស្រាយ AI - aiassistantstore.com

27. ហាងជំនួយការ AI - តើការកែច្នៃជាមុនរបស់ AI ជាអ្វី - aiassistantstore.com

ស្វែងរក AI ចុងក្រោយបំផុតនៅហាងជំនួយការ AI ផ្លូវការ

អំពីយើង