ចម្លើយខ្លី៖ គោលដៅចម្បងរបស់ Generative AI គឺដើម្បីបង្កើតខ្លឹមសារថ្មីដែលអាចទុកចិត្តបាន (អត្ថបទ រូបភាព អូឌីយ៉ូ កូដ និងច្រើនទៀត) ដោយការរៀនលំនាំនៅក្នុងទិន្នន័យដែលមានស្រាប់ និងពង្រីកវាដើម្បីឆ្លើយតបទៅនឹងការជំរុញ។ វាមានទំនោរជួយច្រើនបំផុតនៅពេលដែលអ្នកត្រូវការសេចក្តីព្រាងរហ័ស ឬបំរែបំរួលច្រើន ប៉ុន្តែប្រសិនបើភាពត្រឹមត្រូវនៃការពិតមានសារៈសំខាន់ សូមបន្ថែមមូលដ្ឋាន និងពិនិត្យឡើងវិញ។
ចំណុចសំខាន់ៗ៖
ជំនាន់ ៖ វាបង្កើតលទ្ធផលថ្មីៗដែលឆ្លុះបញ្ចាំងពីគំរូដែលបានរៀន មិនមែន "សច្ចភាព" ដែលបានរក្សាទុកនោះទេ។
មូលដ្ឋានគ្រឹះ ៖ ប្រសិនបើភាពត្រឹមត្រូវមានសារៈសំខាន់ សូមភ្ជាប់ចម្លើយទៅនឹងឯកសារ សម្រង់ ឬមូលដ្ឋានទិន្នន័យដែលគួរឱ្យទុកចិត្ត។
លទ្ធភាពគ្រប់គ្រង ៖ ប្រើប្រាស់ការរឹតបន្តឹងច្បាស់លាស់ (ទម្រង់ ការពិត សម្លេង) ដើម្បីដឹកនាំលទ្ធផលឱ្យមានភាពស៊ីសង្វាក់គ្នាជាងមុន។
ភាពធន់នឹងការប្រើប្រាស់ខុស ៖ បន្ថែមរនាំងសុវត្ថិភាពដើម្បីរារាំងខ្លឹមសារដែលមានគ្រោះថ្នាក់ ឯកជន ឬមិនត្រូវបានអនុញ្ញាត។
ការទទួលខុសត្រូវ ៖ ចាត់ទុកលទ្ធផលជាសេចក្តីព្រាង; កត់ត្រា វាយតម្លៃ និងបញ្ជូនការងារដែលមានហានិភ័យខ្ពស់ទៅមនុស្ស។
អត្ថបទដែលអ្នកប្រហែលជាចង់អានបន្ទាប់ពីអត្ថបទនេះ៖
🔗 តើអ្វីទៅជា AI ជំនាន់
ស្វែងយល់ពីរបៀបដែលម៉ូដែលបង្កើតអត្ថបទ រូបភាព កូដ និងច្រើនទៀត។.
🔗 តើ AI ត្រូវបានផ្សព្វផ្សាយហួសហេតុពេកទេ?
ការក្រឡេកមើលប្រកបដោយតុល្យភាពលើការផ្សព្វផ្សាយ ដែនកំណត់ និងផលប៉ះពាល់ក្នុងពិភពពិត។.
🔗 តើ AI មួយណាដែលសាកសមនឹងអ្នក
ប្រៀបធៀបឧបករណ៍ AI ដ៏ពេញនិយម ហើយជ្រើសរើសឧបករណ៍ដែលសមស្របបំផុត។.
🔗 តើមានពពុះ AI ដែរឬទេ?
សញ្ញាដែលត្រូវមើល ហានិភ័យទីផ្សារ និងអ្វីដែលនឹងកើតឡើងបន្ទាប់។.
គោលដៅចម្បងនៃការបង្កើត AI🧠
ប្រសិនបើអ្នកចង់បានការពន្យល់ខ្លីបំផុត និងត្រឹមត្រូវបំផុត៖
-
បញ្ញាសិប្បនិម្មិត (AI) រៀនពី “រូបរាង” នៃទិន្នន័យ (ភាសា រូបភាព តន្ត្រី កូដ)
-
បន្ទាប់មកវាបង្កើត គំរូថ្មី ដែលត្រូវនឹងរូបរាងនោះ
-
វាធ្វើបែបនេះដើម្បីឆ្លើយតបទៅនឹងការជំរុញ បរិបទ ឬការរឹតបន្តឹង
ដូច្នេះបាទ/ចាស៎ វាអាចសរសេរកថាខណ្ឌមួយ គូររូបភាព លាយភ្លេងឡើងវិញ ព្រាងប្រការកិច្ចសន្យា បង្កើតករណីសាកល្បង ឬរចនារបស់របរដែលស្រដៀងនឹងឡូហ្គោ។.
មិនមែនដោយសារតែវា "យល់" ដូចមនុស្សយល់នោះទេ (យើងនឹងចូលទៅក្នុងរឿងនោះ) ប៉ុន្តែដោយសារតែវាល្អក្នុងការផលិតលទ្ធផលដែលស្របនឹងស្ថិតិ និងរចនាសម្ព័ន្ធជាមួយនឹងគំរូដែលវាបានរៀន។.
ប្រសិនបើអ្នកចង់បានក្របខ័ណ្ឌសម្រាប់មនុស្សធំសម្រាប់ "របៀបប្រើប្រាស់វាដោយមិនចាំបាច់ជាន់លើតុងរួច" ក្របខ័ណ្ឌគ្រប់គ្រងហានិភ័យ AI របស់ NIST គឺជាយុថ្កាដ៏រឹងមាំសម្រាប់ការគិត និងការគ្រប់គ្រងហានិភ័យ។ [1] ហើយប្រសិនបើអ្នកចង់បានអ្វីមួយដែល ជាពិសេស ចំពោះហានិភ័យ AI ដែលបង្កើត (មិនមែនគ្រាន់តែ AI ជាទូទៅទេ) NIST ក៏បានបោះពុម្ពផ្សាយទម្រង់ GenAI ដែលពន្យល់កាន់តែស៊ីជម្រៅអំពីអ្វីដែលផ្លាស់ប្តូរនៅពេលដែលប្រព័ន្ធកំពុងបង្កើតខ្លឹមសារ។ [2]
ហេតុអ្វីបានជាមនុស្សឈ្លោះប្រកែកគ្នាអំពី "គោលដៅចម្បងនៃ AI ច្នៃប្រឌិត" 😬
មនុស្សនិយាយគ្នាហួសហេតុពេក ពីព្រោះពួកគេកំពុងប្រើអត្ថន័យខុសៗគ្នានៃពាក្យ «គោលដៅ»។
មនុស្សមួយចំនួនចង់មានន័យថា៖
-
គោលដៅបច្ចេកទេស៖ បង្កើតលទ្ធផលជាក់ស្តែង និងស៊ីសង្វាក់គ្នា (ស្នូល)
-
គោលដៅអាជីវកម្ម៖ កាត់បន្ថយថ្លៃដើម បង្កើនទិន្នផល ធ្វើឱ្យបទពិសោធន៍មានលក្ខណៈផ្ទាល់ខ្លួន
-
គោលដៅរបស់មនុស្ស៖ ទទួលបានជំនួយក្នុងការគិត បង្កើត ឬទំនាក់ទំនងបានលឿនជាងមុន
ហើយមែនហើយ ទាំងនោះប៉ះទង្គិចគ្នា។.
ប្រសិនបើយើងនៅតែរឹងមាំ គោលដៅចម្បងរបស់ Generative AI គឺ ការ បង្កើតខ្លឹមសារដែលមិនធ្លាប់មានពីមុនមក ដោយផ្អែកលើការបញ្ចូល។
រឿងអាជីវកម្មក៏ដូច្នោះដែរ។ ភាពភ័យស្លន់ស្លោខាងវប្បធម៌ក៏ដូច្នោះដែរ (សូមអភ័យទោស… ប្រហែលជា 😬)។.
អ្វីដែលមនុស្សច្រឡំ GenAI ចំពោះ (និងមូលហេតុដែលវាសំខាន់) 🧯
បញ្ជីរហ័ស "មិនមែននេះ" នឹងជួយបំភ្លឺ ការភាន់ច្រឡំ ជាច្រើន
GenAI មិនមែនជាមូលដ្ឋានទិន្នន័យទេ
វាមិន "ទាញយកការពិត" ទេ។ វាបង្កើត ដែលអាចទុកចិត្តបាន ។ ប្រសិនបើអ្នកត្រូវការការពិត អ្នកបន្ថែមមូលដ្ឋាន (ឯកសារ មូលដ្ឋានទិន្នន័យ ការដកស្រង់ ការពិនិត្យឡើងវិញរបស់មនុស្ស)។ ភាពខុសគ្នានោះគឺជារឿងរ៉ាវភាពជឿជាក់ទាំងមូល។ [2]
GenAI មិនមែនជាភ្នាក់ងារដោយស្វ័យប្រវត្តិទេ
គំរូដែលបង្កើតអត្ថបទមិនដូចគ្នានឹងប្រព័ន្ធដែលអាចចាត់វិធានការដោយសុវត្ថិភាព (ផ្ញើអ៊ីមែល ផ្លាស់ប្តូរកំណត់ត្រា ដាក់ពង្រាយកូដ) នោះទេ។ “អាចបង្កើតការណែនាំ” ≠ “គួរតែប្រតិបត្តិវា”។
GenAI មិនមានបំណងទេ
វាអាចបង្កើតខ្លឹមសារដែលស្តាប់ទៅដូចជាចេតនា។ នោះមិនដូចគ្នានឹងការមានចេតនានោះទេ។.
តើអ្វីទៅដែលធ្វើឱ្យ Generative AI មានកំណែល្អ? ✅
មិនមែនប្រព័ន្ធ «បង្កើត» ទាំងអស់សុទ្ធតែអាចអនុវត្តបានដូចគ្នានោះទេ។ កំណែល្អនៃ AI បង្កើតមិនមែនគ្រាន់តែជាប្រព័ន្ធដែលបង្កើតទិន្នផលដ៏ស្រស់ស្អាតនោះទេ - វាគឺជាប្រព័ន្ធដែលបង្កើតទិន្នផលដែល មានតម្លៃ អាចគ្រប់គ្រងបាន និងមានសុវត្ថិភាពគ្រប់គ្រាន់ សម្រាប់បរិបទ។
កំណែល្អមួយច្រើនតែមាន៖
-
ភាពស៊ីសង្វាក់គ្នា - វាមិនផ្ទុយនឹងខ្លួនវារៀងរាល់ប្រយោគពីរទេ
-
ការភ្ជាប់មូលដ្ឋាន - វាអាចភ្ជាប់លទ្ធផលទៅនឹងប្រភពនៃសេចក្តីពិត (ឯកសារ សម្រង់ មូលដ្ឋានទិន្នន័យ) 📌
-
ការគ្រប់គ្រង - អ្នកអាចគ្រប់គ្រងសម្លេង ទម្រង់ និងការរឹតបន្តឹង (មិនត្រឹមតែជំរុញអារម្មណ៍ប៉ុណ្ណោះទេ)
-
ភាពជឿជាក់ - ការណែនាំស្រដៀងគ្នាទទួលបានគុណភាពស្រដៀងគ្នា មិនមែនលទ្ធផលរ៉ូឡែតទេ
-
រនាំងសុវត្ថិភាព - វាជៀសវាងច្រកចេញដែលមានគ្រោះថ្នាក់ ឯកជន ឬមិនត្រូវបានអនុញ្ញាតតាមការរចនា។
-
ឥរិយាបថស្មោះត្រង់ - វាអាចនិយាយថា "ខ្ញុំមិនប្រាកដទេ" ជំនួសឱ្យការបង្កើត
-
ការសម្របខ្លួនទៅនឹងលំហូរការងារ - វាភ្ជាប់ទៅនឹងរបៀបដែលមនុស្សធ្វើការ មិនមែនជាលំហូរការងារបែបស្រមើស្រមៃនោះទេ
ជាទូទៅ NIST កំណត់ការសន្ទនាទាំងមូលនេះថាជា "ភាពជឿទុកចិត្ត + ការគ្រប់គ្រងហានិភ័យ" ដែលជា... រឿងមិនទាក់ទាញដែលមនុស្សគ្រប់គ្នាប្រាថ្នាថាពួកគេបានធ្វើពីមុន។ [1][2]
ពាក្យប្រៀបធៀបមិនល្អឥតខ្ចោះ (ត្រៀមខ្លួន): គំរូបង្កើតដ៏ល្អមួយគឺដូចជាជំនួយការផ្ទះបាយដ៏រហ័សរហួនម្នាក់ ដែលអាចរៀបចំអ្វីៗគ្រប់យ៉ាង... ប៉ុន្តែពេលខ្លះច្រឡំអំបិលជាមួយស្ករ ហើយអ្នកត្រូវការស្លាក និងការធ្វើតេស្តរសជាតិ ដើម្បីកុំឱ្យអ្នកបម្រើសម្លរបង្អែម 🍲🍰
កាបូបតូចសម្រាប់ប្រើប្រាស់ប្រចាំថ្ងៃរហ័ស (ផ្សំពីសមាសធាតុ ប៉ុន្តែធម្មតាខ្លាំង) 🧩
ស្រមៃមើលក្រុមគាំទ្រដែលចង់ឱ្យ GenAI រៀបចំការឆ្លើយតប៖
-
សប្តាហ៍ទី 1៖ “គ្រាន់តែអនុញ្ញាតឱ្យតារាម៉ូដែលឆ្លើយសំបុត្រ”។
-
លទ្ធផលមានល្បឿនលឿន មានទំនុកចិត្ត... ហើយពេលខ្លះខុសតាមវិធីដែលចំណាយច្រើន។.
-
-
សប្តាហ៍ទី 2: ពួកគេបន្ថែម ការទាញយក (ទាញយកការពិតពីឯកសារដែលបានអនុម័ត) + គំរូ ("តែងតែសួររកលេខសម្គាល់គណនី" "មិនដែលសន្យាសងប្រាក់វិញទេ" ។ល។)
-
កំហុសថយចុះ ភាពស៊ីសង្វាក់គ្នាប្រសើរឡើង។.
-
-
សប្តាហ៍ទី 3៖ ពួកគេបន្ថែម ច្រកពិនិត្យឡើងវិញ (ការយល់ព្រមពីមនុស្សសម្រាប់ប្រភេទដែលមានហានិភ័យខ្ពស់) + ការវាយតម្លៃសាមញ្ញ ("គោលការណ៍ត្រូវបានលើកឡើង" "ច្បាប់សងប្រាក់វិញត្រូវបានអនុវត្តតាម")។
-
ឥឡូវនេះ ប្រព័ន្ធនេះអាចដាក់ពង្រាយបាន។.
-
វឌ្ឍនភាពនោះគឺជាចំណុចសំខាន់របស់ NIST ក្នុងការអនុវត្ត៖ គំរូគឺគ្រាន់តែជាផ្នែកមួយប៉ុណ្ណោះ។ ការគ្រប់គ្រងជុំវិញវាគឺជាអ្វីដែលធ្វើឱ្យវាមានសុវត្ថិភាពគ្រប់គ្រាន់។ [1][2]
តារាងប្រៀបធៀប - ជម្រើសបង្កើតដ៏ពេញនិយម (និងមូលហេតុដែលវាដំណើរការ) 🔍
តម្លៃប្រែប្រួលឥតឈប់ឈរ ដូច្នេះវានៅតែមិនច្បាស់លាស់ដោយចេតនា។ ម្យ៉ាងទៀត៖ ប្រភេទត្រួតស៊ីគ្នា។ បាទ/ចាស៎ វារំខានណាស់។.
| ឧបករណ៍ / វិធីសាស្រ្ត | ទស្សនិកជន | តម្លៃ (ប្រហែល) | ហេតុអ្វីបានជាវាដំណើរការ (និងចំណុចតូចមួយ) |
|---|---|---|---|
| ជំនួយការជជែក LLM ទូទៅ | អ្នករាល់គ្នា ក្រុមៗ | កម្រិតឥតគិតថ្លៃ + ការជាវ | ល្អសម្រាប់ការរៀបចំសេចក្តីព្រាង ការសង្ខេប និងការបំផុសគំនិត។ ពេលខ្លះខុសដោយទំនុកចិត្ត... ដូចជាមិត្តដ៏ក្លាហានម្នាក់ 😬 |
| API LLMs សម្រាប់កម្មវិធី | អ្នកអភិវឌ្ឍន៍ ក្រុមផលិតផល | ផ្អែកលើការប្រើប្រាស់ | ងាយស្រួលក្នុងការរួមបញ្ចូលទៅក្នុងដំណើរការការងារ។ ជារឿយៗត្រូវបានផ្គូផ្គងជាមួយនឹងការទាញយកមកវិញ + ឧបករណ៍។ ត្រូវការរបាំងការពារ ឬវានឹងកាន់តែហឹរ។ |
| ឧបករណ៍បង្កើតរូបភាព (បែបសាយភាយ) | អ្នកបង្កើត, អ្នកទីផ្សារ | ការជាវ/ឥណទាន | ខ្លាំងខាងរចនាបថ + បំរែបំរួល; បង្កើតឡើងនៅលើគំរូបង្កើតរចនាប័ទ្មកាត់បន្ថយសំឡេងរំខាន [5] |
| គំរូបង្កើតប្រភពបើកចំហ | ពួក Hacker អ្នកស្រាវជ្រាវ | កម្មវិធីឥតគិតថ្លៃ + ផ្នែករឹង | ការគ្រប់គ្រង + ការប្ដូរតាមបំណង ការដំឡើងដែលងាយស្រួលសម្រាប់ភាពឯកជន។ ប៉ុន្តែអ្នកត្រូវចំណាយលើការលំបាកក្នុងការដំឡើង (និងកំដៅ GPU) |
| ម៉ាស៊ីនបង្កើតសំឡេង/តន្ត្រី | តន្ត្រីករ, អ្នកចូលចិត្តតន្ត្រី | ឥណទាន/ការជាវ | ការគិតគូរយ៉ាងរហ័សសម្រាប់បទភ្លេង ស្ទីល និងការរចនាសំឡេង។ ការផ្តល់អាជ្ញាប័ណ្ណអាចមានភាពច្របូកច្របល់ (សូមអានលក្ខខណ្ឌ) |
| ម៉ាស៊ីនបង្កើតវីដេអូ | អ្នកបង្កើត, ស្ទូឌីយោ | ការជាវ/ឥណទាន | ស្ទីលក្ដាររឿងរហ័ស និងឃ្លីបគំនិត។ ភាពស៊ីសង្វាក់គ្នានៅទូទាំងឈុតឆាកនៅតែជាបញ្ហាឈឺក្បាល |
| ការបង្កើតឡើងវិញដោយបង្កើន (RAG) | អាជីវកម្ម | ការប្រើប្រាស់អ៊ីនហ្វ្រារ៉េដ + | ជួយភ្ជាប់ការបង្កើតទៅឯកសាររបស់អ្នក; ការគ្រប់គ្រងទូទៅសម្រាប់កាត់បន្ថយ "របស់ដែលបង្កើតឡើង" [2] |
| ម៉ាស៊ីនបង្កើតទិន្នន័យសំយោគ | ក្រុមទិន្នន័យ | បែបសហគ្រាស | ងាយស្រួលប្រើនៅពេលដែលទិន្នន័យមានកម្រិត/ងាយរងគ្រោះ; ត្រូវការការផ្ទៀងផ្ទាត់ ដូច្នេះទិន្នន័យដែលបានបង្កើតមិនបញ្ឆោតអ្នកទេ 😵 |
នៅក្រោមគម្រប៖ ការបង្កើតជាទូទៅគឺជា "ការបំពេញគំរូ" 🧩
ការពិតមិនរ៉ូមែនទិក៖
បញ្ញាសិប្បនិម្មិតជាច្រើនត្រូវបាន "ទស្សន៍ទាយអ្វីដែលនឹងកើតឡើងបន្ទាប់" ដែលត្រូវបានធ្វើមាត្រដ្ឋានរហូតដល់វាមានអារម្មណ៍ដូចជាអ្វីផ្សេងទៀត។.
-
នៅក្នុងអត្ថបទ៖ បង្កើតបំណែកអត្ថបទបន្ទាប់ (ដូចសញ្ញាសម្ងាត់) ក្នុងលំដាប់ - ការរៀបចំស្វ័យប្រវត្តិបែបបុរាណដែលធ្វើឱ្យការជំរុញសម័យទំនើបមានប្រសិទ្ធភាពខ្លាំង [4]
-
នៅក្នុងរូបភាព៖ ចាប់ផ្តើមជាមួយនឹងសំឡេងរំខាន ហើយបន្ថយសំឡេងរំខានវាម្តងហើយម្តងទៀតទៅជារចនាសម្ព័ន្ធ (វិចារណញាណនៃគ្រួសារសាយភាយ) [5]
នោះហើយជាមូលហេតុដែលការជំរុញមានសារៈសំខាន់។ អ្នកកំពុងផ្តល់ឱ្យគំរូនូវលំនាំមួយផ្នែក ហើយវាបំពេញវា។.
នេះក៏ជាមូលហេតុដែល AI បង្កើតអាចពូកែខាង៖
-
«សរសេរវាដោយសំឡេងរួសរាយរាក់ទាក់ជាងនេះ»
-
«ផ្តល់ឱ្យខ្ញុំនូវជម្រើសចំណងជើងចំនួនដប់»
-
«ប្រែក្លាយកំណត់ចំណាំទាំងនេះទៅជាផែនការស្អាតមួយ»
-
"បង្កើតកូដរន្ទា + ការធ្វើតេស្ត"
...ហើយក៏ជាមូលហេតុដែលវាអាចជួបបញ្ហាជាមួយ៖
-
ភាពត្រឹមត្រូវជាក់ស្តែងយ៉ាងតឹងរ៉ឹងដោយគ្មានមូលដ្ឋាន
-
ខ្សែសង្វាក់វែងៗ និងផុយស្រួយនៃការវែកញែក
-
អត្តសញ្ញាណដែលស៊ីសង្វាក់គ្នានៅទូទាំងលទ្ធផលជាច្រើន (តួអង្គ សំឡេងម៉ាក ព័ត៌មានលម្អិតដដែលៗ)
វាមិនមែនជាការ «គិត» ដូចមនុស្សទេ។ វាកំពុងបង្កើតការបន្តដែលអាចទុកចិត្តបាន។ មានតម្លៃ ប៉ុន្តែខុសគ្នា។.
ការជជែកវែកញែកអំពីភាពច្នៃប្រឌិត - "ការបង្កើត" ទល់នឹង "ការលាយបញ្ចូលគ្នា" 🎨
មនុស្សនៅទីនេះទទួលរងការក្តៅគគុកយ៉ាងខ្លាំង។ ខ្ញុំយល់បន្តិច។.
បញ្ញាសិប្បនិម្មិត (AI) ជារឿយៗបង្កើតលទ្ធផលដែល មានអារម្មណ៍ថា ច្នៃប្រឌិត ពីព្រោះវាអាច៖
-
ផ្សំគំនិត
-
ស្វែងយល់ពីភាពប្រែប្រួលយ៉ាងឆាប់រហ័ស
-
ទំនាក់ទំនងគួរឱ្យភ្ញាក់ផ្អើលលើផ្ទៃ
-
ធ្វើត្រាប់តាមរចនាប័ទ្មជាមួយនឹងភាពត្រឹមត្រូវដ៏គួរឱ្យខ្លាច
ប៉ុន្តែវាគ្មានចេតនាទេ។ គ្មានរសជាតិខាងក្នុងទេ។ ទេ “ខ្ញុំធ្វើរឿងនេះព្រោះវាសំខាន់សម្រាប់ខ្ញុំ”។
ទោះជាយ៉ាងណាក៏ដោយ វាជាការថយក្រោយបន្តិចបន្តួច៖ មនុស្សក៏ធ្វើការលាយបញ្ចូលគ្នាជានិច្ចដែរ។ យើងគ្រាន់តែធ្វើវាដោយបទពិសោធន៍ គោលដៅ និងរសជាតិផ្ទាល់។ ដូច្នេះ ស្លាកសញ្ញាអាចនៅតែមានជម្លោះ។ ជាក់ស្តែង វាគឺជា ឥទ្ធិពលច្នៃប្រឌិត សម្រាប់មនុស្ស ហើយនោះជាផ្នែកដែលសំខាន់បំផុត។
ទិន្នន័យសំយោគ - គោលដៅដែលត្រូវបានមើលស្រាលដោយស្ងាត់ៗ 🧪
សាខាដ៏សំខាន់មួយដ៏គួរឱ្យភ្ញាក់ផ្អើលនៃបញ្ញាសិប្បនិម្មិត (AI) គឺនិយាយអំពីការបង្កើតទិន្នន័យដែលមានឥរិយាបទដូចទិន្នន័យពិត ដោយមិនបង្ហាញបុគ្គលពិត ឬករណីរសើបកម្រនោះទេ។.
ហេតុអ្វីបានជាវាមានតម្លៃ៖
-
ការរឹតបន្តឹងលើភាពឯកជន និងការអនុលោមតាមច្បាប់ (ការបង្ហាញតិចជាងនៃកំណត់ត្រាពិត)
-
ការក្លែងធ្វើព្រឹត្តិការណ៍កម្រ (ករណីគែមក្លែងបន្លំ ការបរាជ័យនៃបំពង់ចែកចាយពិសេស។ល។)
-
សាកល្បងបំពង់បង្ហូរដោយមិនប្រើទិន្នន័យផលិតកម្ម
-
ការបង្កើនទិន្នន័យនៅពេលដែលសំណុំទិន្នន័យពិតប្រាកដមានទំហំតូច
ប៉ុន្តែចំណុចខ្វះខាតនៅតែជាចំណុចខ្វះខាត៖ ទិន្នន័យសំយោគអាចបង្កើតឡើងវិញនូវភាពលំអៀង និងចំណុចខ្វាក់ដូចគ្នានឹងទិន្នន័យដើមដោយស្ងាត់ៗ - ដែលជាមូលហេតុដែលអភិបាលកិច្ច និងការវាស់វែងមានសារៈសំខាន់ដូចការបង្កើតដែរ។ [1][2][3]
ទិន្នន័យសំយោគគឺដូចជាកាហ្វេដែលគ្មានជាតិកាហ្វេអ៊ីន - វាមើលទៅដូចកាហ្វេធម្មតា មានក្លិនល្អ ប៉ុន្តែពេលខ្លះវាមិនដំណើរការដូចអ្វីដែលអ្នកគិតនោះទេ ☕🤷
ដែនកំណត់ - តើ AI ជំនាន់ទីប៉ុន្មានដែលមិនល្អ (និងមូលហេតុ) 🚧
ប្រសិនបើអ្នកចាំបានតែការព្រមានមួយប៉ុណ្ណោះ សូមចងចាំរឿងនេះ៖
គំរូបង្កើតអាចបង្កើតភាពមិនសមហេតុផលយ៉ាងស្ទាត់ជំនាញ។.
របៀបបរាជ័យទូទៅ៖
-
ការយល់ច្រឡំ - ការប្រឌិតដោយទំនុកចិត្តនៃការពិត ការដកស្រង់ ឬព្រឹត្តិការណ៍
-
ចំណេះដឹងហួសសម័យ - ម៉ូដែលដែលបានទទួលការបណ្តុះបណ្តាលលើរូបថតអេក្រង់អាចខកខានការអាប់ដេត
-
ភាពផុយស្រួយភ្លាមៗ - ការផ្លាស់ប្តូរពាក្យពេចន៍តិចតួចអាចបណ្តាលឱ្យមានការផ្លាស់ប្តូរទិន្នផលយ៉ាងច្រើន
-
ភាពលំអៀងដែលលាក់ - លំនាំដែលបានរៀនពីទិន្នន័យដែលមានលក្ខណៈលំអៀង
-
ការអនុលោមតាមហួសហេតុ - វាព្យាយាមជួយសូម្បីតែពេលដែលវាមិនគួរក៏ដោយ
-
ការវែកញែកមិនស៊ីសង្វាក់គ្នា - ជាពិសេសលើកិច្ចការដ៏វែងឆ្ងាយ
នេះជាមូលហេតុដែលការសន្ទនាអំពី "AI ដែលអាចទុកចិត្តបាន" មាន៖ តម្លាភាព ការទទួលខុសត្រូវ ភាពរឹងមាំ និងការរចនាដែលផ្តោតលើមនុស្សមិនមែនជារឿងល្អនោះទេ។ វាជារបៀបដែលអ្នកជៀសវាងការដឹកជញ្ជូនកាំភ្លើងធំដែលមានទំនុកចិត្តចូលទៅក្នុងផលិតកម្ម។ [1][3]
ការវាស់វែងភាពជោគជ័យ៖ ការដឹងពីពេលដែលគោលដៅត្រូវបានសម្រេច 📏
ប្រសិនបើ គោលដៅចម្បងរបស់ Generative AI គឺ "បង្កើតខ្លឹមសារថ្មីដ៏មានតម្លៃ" នោះរង្វាស់ជោគជ័យជាធម្មតាធ្លាក់ចូលទៅក្នុងធុងពីរ៖
រង្វាស់គុណភាព (មនុស្ស និងស្វ័យប្រវត្តិ)
-
ភាពត្រឹមត្រូវ (កន្លែងដែលអាចអនុវត្តបាន)
-
ភាពស៊ីសង្វាក់គ្នា និងភាពច្បាស់លាស់
-
ការផ្គូផ្គងរចនាប័ទ្ម (សម្លេង សំឡេងម៉ាក)
-
ភាពពេញលេញ (គ្របដណ្តប់លើអ្វីដែលអ្នកបានស្នើសុំ)
រង្វាស់លំហូរការងារ
-
ពេលវេលាដែលបានរក្សាទុកក្នុងមួយភារកិច្ច
-
ការកាត់បន្ថយការកែប្រែ
-
ទិន្នផលខ្ពស់ដោយមិនមានការដួលរលំគុណភាព
-
ការពេញចិត្តរបស់អ្នកប្រើប្រាស់ (រង្វាស់ដែលបង្ហាញឱ្យឃើញច្បាស់បំផុត ទោះបីជាវាពិបាកក្នុងការវាស់វែងក៏ដោយ)
នៅក្នុងការអនុវត្តជាក់ស្តែង ក្រុមនានាបានជួបប្រទះនឹងការពិតដ៏ឆ្គងមួយ៖
-
ម៉ូដែលនេះអាចផលិតសេចក្តីព្រាង "ល្អគ្រប់គ្រាន់" បានយ៉ាងឆាប់រហ័ស
-
ប៉ុន្តែ ការគ្រប់គ្រងគុណភាពក្លាយជាឧបសគ្គថ្មី
ដូច្នេះជ័យជម្នះពិតប្រាកដមិនមែនគ្រាន់តែជាជំនាន់នោះទេ។ វាគឺជាប្រព័ន្ធពិនិត្យឡើងវិញបូករួមទាំងជំនាន់ - ការទាញយកដី ការវាយតម្លៃ កំណត់ហេតុ ការចាប់ក្រុមក្រហម ផ្លូវបង្កើនភាពតានតឹង... របស់មិនសមរម្យទាំងអស់ដែលធ្វើឱ្យវាក្លាយជាការពិត។ [2]
គោលការណ៍ណែនាំជាក់ស្តែង “ប្រើប្រាស់វាដោយគ្មានការសោកស្ដាយ” 🧩
ប្រសិនបើអ្នកកំពុងប្រើប្រាស់ AI ដែលអាចបង្កើតបានសម្រាប់អ្វីក៏ដោយក្រៅពីភាពសប្បាយរីករាយធម្មតា ទម្លាប់មួយចំនួនអាចជួយបានច្រើន៖
-
ស្នើសុំរចនាសម្ព័ន្ធ៖ «ផ្តល់ឱ្យខ្ញុំនូវផែនការដែលមានលេខរៀង បន្ទាប់មកសេចក្តីព្រាង»។
-
ការរឹតបន្តឹងដោយបង្ខំ៖ “ប្រើតែការពិតទាំងនេះប៉ុណ្ណោះ។ ប្រសិនបើបាត់ សូមនិយាយអ្វីដែលបាត់”។
-
ស្នើសុំភាពមិនប្រាកដប្រជា៖ “រាយបញ្ជីសម្មតិកម្ម + ទំនុកចិត្ត”។
-
ប្រើប្រាស់ការតភ្ជាប់ដី៖ ភ្ជាប់ទៅឯកសារ/មូលដ្ឋានទិន្នន័យនៅពេលដែលការពិតមានសារៈសំខាន់ [2]
-
ចាត់ទុកលទ្ធផលជាសេចក្តីព្រាង៖ សូម្បីតែសេចក្តីព្រាងដ៏អស្ចារ្យក៏ដោយ
ហើយល្បិចសាមញ្ញបំផុតគឺល្បិចដែលមានលក្ខណៈមនុស្សធម៌បំផុត៖ អានវាឱ្យឮៗ។ ប្រសិនបើវាស្តាប់ទៅដូចជាមនុស្សយន្តដែលព្យាយាមធ្វើឱ្យអ្នកគ្រប់គ្រងរបស់អ្នកចាប់អារម្មណ៍ វាប្រហែលជាត្រូវការកែសម្រួល 😅
សេចក្តីសន្និដ្ឋាន 🎯
គោលដៅ ចម្បងរបស់ Generative AI គឺដើម្បី បង្កើតខ្លឹមសារថ្មីដែលសមនឹងការជំរុញ ឬការរឹតបន្តឹង ដោយការរៀនគំរូពីទិន្នន័យ និងបង្កើតលទ្ធផលដែលអាចទុកចិត្តបាន។
វាមានថាមពលខ្លាំងព្រោះវា៖
-
បង្កើនល្បឿនការព្រាង និងការបង្កើតគំនិត
-
គុណនឹងការប្រែប្រួលដោយថោក
-
ជួយបំពេញចន្លោះប្រហោងជំនាញ (ការសរសេរ ការសរសេរកូដ ការរចនា)
វាមានហានិភ័យព្រោះវា៖
-
អាចប្រឌិតការពិតបានយ៉ាងស្ទាត់ជំនាញ
-
ទទួលមរតកភាពលំអៀង និងចំណុចខ្វាក់
-
ត្រូវការមូលដ្ឋាន និងការត្រួតពិនិត្យក្នុងបរិបទធ្ងន់ធ្ងរ [1][2][3]
បើប្រើបានល្អ វាមិនសូវជា "ខួរក្បាលជំនួស" ទេ ប៉ុន្តែជា "ម៉ាស៊ីនដែលមានម៉ាស៊ីនទួរប៊ីន" ច្រើនជាង។
បើប្រើមិនបានល្អ វាជាកាំភ្លើងធំដែលមានទំនុកចិត្តចង្អុលទៅដំណើរការការងាររបស់អ្នក... ហើយវាកាន់តែថ្លៃលឿន💥
សំណួរដែលសួរញឹកញាប់
តើគោលដៅចម្បងនៃបញ្ញាសិប្បនិម្មិតបង្កើតថ្មីក្នុងភាសាប្រចាំថ្ងៃគឺជាអ្វី?
គោលដៅចម្បងនៃបច្ចេកវិទ្យា AI ដែលអាចបង្កើតបានគឺដើម្បីបង្កើតខ្លឹមសារថ្មី និងអាចទុកចិត្តបាន - អត្ថបទ រូបភាព អូឌីយ៉ូ ឬលេខកូដ - ដោយផ្អែកលើគំរូដែលវាបានរៀនពីទិន្នន័យដែលមានស្រាប់។ វាមិនមែនជាការទាញយក "ការពិត" ពីមូលដ្ឋានទិន្នន័យទេ។ ផ្ទុយទៅវិញ វាបង្កើតលទ្ធផលដែលស្របនឹងស្ថិតិជាមួយនឹងអ្វីដែលវាបានឃើញពីមុន ដែលបង្កើតឡើងដោយការជំរុញរបស់អ្នក និងការរឹតបន្តឹងណាមួយដែលអ្នកផ្តល់។.
តើបច្ចេកវិទ្យាបញ្ញាសិប្បនិម្មិត (AI) បង្កើតខ្លឹមសារថ្មីពីប្រអប់បញ្ចូលទិន្នន័យយ៉ាងដូចម្តេច?
នៅក្នុងប្រព័ន្ធជាច្រើន ការបង្កើតដំណើរការដូចជាការបំពេញលំនាំក្នុងទ្រង់ទ្រាយធំ។ ចំពោះអត្ថបទ គំរូព្យាករណ៍ពីអ្វីដែលនឹងកើតឡើងបន្ទាប់ក្នុងលំដាប់លំដោយ ដោយបង្កើតការបន្តដែលស៊ីសង្វាក់គ្នា។ ចំពោះរូបភាព គំរូបែបសាយភាយជារឿយៗចាប់ផ្តើមដោយសំឡេងរំខាន ហើយ "បំបាត់សំឡេងរំខាន" ម្តងហើយម្តងទៀតឆ្ពោះទៅរករចនាសម្ព័ន្ធ។ ការណែនាំរបស់អ្នកបម្រើជាគំរូដោយផ្នែក ហើយគំរូបំពេញវា។.
ហេតុអ្វីបានជា AI ដែលអាចបង្កើតបានជួនកាលបង្កើតការពិតដោយមានទំនុកចិត្តយ៉ាងនេះ?
បញ្ញាសិប្បនិម្មិត (AI) សម្រាប់បង្កើតទិន្នន័យត្រូវបានធ្វើឱ្យប្រសើរឡើងសម្រាប់ការបង្កើតលទ្ធផលដែលអាចទុកចិត្តបាន និងស្ទាត់ជំនាញ - មិនមែនសម្រាប់ធានាភាពត្រឹមត្រូវនៃការពិតនោះទេ។ នោះហើយជាមូលហេតុដែលវាអាចបង្កើតការមិនសមហេតុផលដែលស្តាប់ទៅគួរឱ្យជឿជាក់ ការដកស្រង់ដែលប្រឌិត ឬព្រឹត្តិការណ៍មិនត្រឹមត្រូវ។ នៅពេលដែលភាពត្រឹមត្រូវមានសារៈសំខាន់ ជាធម្មតាអ្នកត្រូវការមូលដ្ឋាន (ឯកសារដែលគួរឱ្យទុកចិត្ត ការដកស្រង់ មូលដ្ឋានទិន្នន័យ) បូករួមទាំងការពិនិត្យឡើងវិញរបស់មនុស្ស ជាពិសេសសម្រាប់ការងារដែលមានហានិភ័យខ្ពស់ ឬការងារដែលប្រឈមមុខនឹងអតិថិជន។.
តើពាក្យថា "grounding" មានន័យដូចម្តេច ហើយតើខ្ញុំគួរប្រើវានៅពេលណា?
ការភ្ជាប់មូលដ្ឋានមានន័យថា ការភ្ជាប់លទ្ធផលរបស់គំរូទៅនឹងប្រភពនៃសេចក្តីពិតដែលអាចទុកចិត្តបាន ដូចជាឯកសារដែលបានអនុម័ត មូលដ្ឋានចំណេះដឹងផ្ទៃក្នុង ឬមូលដ្ឋានទិន្នន័យដែលមានរចនាសម្ព័ន្ធ។ អ្នកគួរតែប្រើការភ្ជាប់មូលដ្ឋាននៅពេលណាដែលភាពត្រឹមត្រូវនៃការពិត ការអនុលោមតាមគោលនយោបាយ ឬភាពស៊ីសង្វាក់គ្នាមានសារៈសំខាន់ - ការឆ្លើយតបគាំទ្រ សេចក្តីព្រាងច្បាប់ ឬហិរញ្ញវត្ថុ ការណែនាំបច្ចេកទេស ឬអ្វីក៏ដោយដែលអាចបង្កគ្រោះថ្នាក់ជាក់ស្តែងប្រសិនបើខុស។.
តើខ្ញុំធ្វើដូចម្តេចដើម្បីធ្វើឲ្យលទ្ធផល AI ដែលបង្កើតថ្មីកាន់តែស៊ីសង្វាក់គ្នា និងអាចគ្រប់គ្រងបាន?
ការគ្រប់គ្រងមានភាពប្រសើរឡើងនៅពេលអ្នកបន្ថែមការរឹតបន្តឹងច្បាស់លាស់៖ ទម្រង់ដែលត្រូវការ ការពិតដែលត្រូវបានអនុញ្ញាត ការណែនាំអំពីសម្លេង និងច្បាប់ "ធ្វើ/មិនធ្វើ" ច្បាស់លាស់។ គំរូជួយ ("តែងតែសួររក X," "កុំសន្យា Y") ក៏ដូចជាការជំរុញដែលមានរចនាសម្ព័ន្ធ ("ផ្តល់ផែនការដែលមានលេខរៀង បន្ទាប់មកសេចក្តីព្រាង")។ ការស្នើសុំឱ្យគំរូរាយបញ្ជីការសន្មត់ និងភាពមិនប្រាកដប្រជាក៏អាចកាត់បន្ថយការស្មានដោយទំនុកចិត្តខ្លាំងពេកផងដែរ។.
តើ AI ដែលបង្កើតបានជារបស់ដូចគ្នានឹងភ្នាក់ងារដែលអាចធ្វើសកម្មភាពដែរឬទេ?
ទេ។ គំរូដែលបង្កើតខ្លឹមសារមិនមែនជាប្រព័ន្ធដែលគួរអនុវត្តសកម្មភាពដូចជាការផ្ញើអ៊ីមែល ការផ្លាស់ប្តូរកំណត់ត្រា ឬការដាក់ពង្រាយលេខកូដដោយស្វ័យប្រវត្តិនោះទេ។ “អាចបង្កើតការណែនាំ” គឺខុសពី “មានសុវត្ថិភាពក្នុងការដំណើរការពួកវា”។ ប្រសិនបើអ្នកបន្ថែមការប្រើប្រាស់ឧបករណ៍ ឬស្វ័យប្រវត្តិកម្ម ជាធម្មតាអ្នកត្រូវការរបាំងការពារ ការអនុញ្ញាត ការកត់ត្រា និងផ្លូវបង្កើនហានិភ័យបន្ថែម ដើម្បីគ្រប់គ្រងហានិភ័យ។.
តើអ្វីទៅដែលធ្វើឱ្យប្រព័ន្ធ AI បង្កើតឡើង «ល្អ» ក្នុងដំណើរការការងារពិតប្រាកដ?
ប្រព័ន្ធល្អមួយមានតម្លៃ អាចគ្រប់គ្រងបាន និងមានសុវត្ថិភាពគ្រប់គ្រាន់សម្រាប់បរិបទរបស់វា - មិនត្រឹមតែគួរឱ្យចាប់អារម្មណ៍នោះទេ។ សញ្ញាជាក់ស្តែងរួមមានភាពស៊ីសង្វាក់គ្នា ភាពជឿជាក់នៅទូទាំងការណែនាំស្រដៀងគ្នា ការភ្ជាប់ទៅនឹងប្រភពដែលគួរឱ្យទុកចិត្ត រនាំងសុវត្ថិភាពដែលរារាំងខ្លឹមសារដែលមិនអនុញ្ញាត ឬឯកជន និងភាពស្មោះត្រង់នៅពេលដែលវាមិនប្រាកដប្រជា។ លំហូរការងារជុំវិញ - ពិនិត្យឡើងវិញនូវគន្លង ការវាយតម្លៃ និងការត្រួតពិនិត្យ - ជារឿយៗមានសារៈសំខាន់ដូចគំរូដែរ។.
តើអ្វីទៅជាដែនកំណត់ធំៗ និងរបៀបបរាជ័យដែលត្រូវតាមដាន?
របៀបបរាជ័យទូទៅរួមមាន ការយល់ច្រឡំ ចំណេះដឹងហួសសម័យ ភាពផុយស្រួយភ្លាមៗ ភាពលំអៀងដែលលាក់កំបាំង ការអនុលោមតាមហួសហេតុ និងហេតុផលមិនស៊ីសង្វាក់គ្នាលើកិច្ចការដ៏វែងឆ្ងាយ។ ហានិភ័យកើនឡើងនៅពេលអ្នកចាត់ទុកលទ្ធផលជាការងារដែលបានបញ្ចប់ជំនួសឱ្យសេចក្តីព្រាង។ សម្រាប់ការប្រើប្រាស់ផលិតកម្ម ក្រុមការងារច្រើនតែបន្ថែមមូលដ្ឋានទាញយក ការវាយតម្លៃ ការកត់ត្រា និងការពិនិត្យឡើងវិញដោយមនុស្សសម្រាប់ប្រភេទដែលងាយរងគ្រោះ។.
តើពេលណាដែលការបង្កើតទិន្នន័យសំយោគជាការប្រើប្រាស់ដ៏ល្អនៃ AI ដែលអាចបង្កើតបាន?
ទិន្នន័យសំយោគអាចជួយបាននៅពេលដែលទិន្នន័យពិតប្រាកដមានកម្រិត ងាយរងគ្រោះ ឬពិបាកចែករំលែក និងនៅពេលដែលអ្នកត្រូវការការក្លែងធ្វើករណីកម្រ ឬបរិយាកាសសាកល្បងដែលមានសុវត្ថិភាព។ វាអាចកាត់បន្ថយការលាតត្រដាងនៃកំណត់ត្រាពិតប្រាកដ និងគាំទ្រដល់ការធ្វើតេស្តបំពង់បង្ហូរទិន្នន័យ ឬការបង្កើនប្រសិទ្ធភាព។ ប៉ុន្តែវានៅតែត្រូវការការផ្ទៀងផ្ទាត់ ពីព្រោះទិន្នន័យសំយោគអាចបង្កើតឡើងវិញនូវភាពលំអៀង ឬចំណុចខ្វាក់ពីទិន្នន័យដើម។.
ឯកសារយោង
[1] NIST's AI RMF - ក្របខ័ណ្ឌសម្រាប់គ្រប់គ្រងហានិភ័យ និងការត្រួតពិនិត្យ AI។ អានបន្ថែម
[2] NIST AI 600-1 GenAI Profile - ការណែនាំសម្រាប់ហានិភ័យ និងការកាត់បន្ថយជាក់លាក់របស់ GenAI (PDF)។ អានបន្ថែម
[3] គោលការណ៍ AI របស់ OECD - សំណុំគោលការណ៍កម្រិតខ្ពស់សម្រាប់ AI ដែលមានទំនួលខុសត្រូវ។ អានបន្ថែម
[4] Brown et al. (NeurIPS 2020) - ឯកសារមូលដ្ឋានស្តីពីការជំរុញឱ្យមានសំឡេងរំខានតិចតួច (PDF)។ អានបន្ថែម
[5] Ho et al. (2020) - ឯកសារគំរូសាយភាយដែលពិពណ៌នាអំពីការបង្កើតរូបភាពដែលមានមូលដ្ឋានលើការបន្ថយសំឡេងរំខាន (PDF)។ អានបន្ថែម