AI ສຳລັບວິສະວະກອນກົນຈັກ: ເຄື່ອງມືທີ່ທ່ານຈຳເປັນຕ້ອງຮູ້

ປັນຍາປະດິດ (AI) ໃນວິສະວະກຳກົນຈັກ ກຳລັງກາຍເປັນສ່ວນໜຶ່ງຂອງກ່ອງເຄື່ອງມືມາດຕະຖານຢ່າງໄວວາ ສຳລັບການແກ້ໄຂບັນຫາທີ່ສັບສົນ, ເລັ່ງຂະບວນການເຮັດວຽກ, ແລະແມ່ນແຕ່ປົດລັອກເສັ້ນທາງການອອກແບບທີ່ພວກເຮົາບໍ່ສາມາດພະຍາຍາມໄດ້ຢ່າງຈິງຈັງໃນສິບປີກ່ອນ. ຈາກການບຳລຸງຮັກສາແບບຄາດເດົາໄປສູ່ການອອກແບບແບບສ້າງສັນ, AI ກຳລັງປ່ຽນວິທີທີ່ວິສະວະກອນກົນຈັກລະດົມສະໝອງ, ທົດສອບ, ແລະປັບປຸງລະບົບຕ່າງໆໃນໂລກຕົວຈິງ.

ຖ້າທ່ານຍັງສົງໄສຢູ່ວ່າ AI ເໝາະສົມກັບຫຍັງແທ້ໆ (ແລະບໍ່ວ່າມັນຈະເປັນເລື່ອງທີ່ໜ້າຕື່ນເຕັ້ນຫຼືເປັນປະໂຫຍດແທ້ໆ), ບົດຄວາມນີ້ຈະອະທິບາຍມັນອອກມາ - ການເວົ້າແບບກົງໄປກົງມາ, ສະໜັບສະໜູນດ້ວຍຂໍ້ມູນແລະກໍລະນີຕົວຈິງ, ບໍ່ແມ່ນພຽງແຕ່ການຄາດເດົາເທົ່ານັ້ນ.

ບົດຄວາມທີ່ທ່ານອາດຈະຢາກອ່ານຫຼັງຈາກບົດຄວາມນີ້:

🔗 ວິທີການກາຍເປັນວິສະວະກອນ AI
ຄູ່ມືແນະນຳເທື່ອລະຂັ້ນຕອນໃນການເລີ່ມຕົ້ນອາຊີບວິສະວະກຳ AI ທີ່ປະສົບຜົນສຳເລັດ.

🔗 ເຄື່ອງມື AI ສຳລັບວິສະວະກອນທີ່ຊ່ວຍເພີ່ມນະວັດຕະກໍາປະສິດທິພາບ
ຄົ້ນພົບເຄື່ອງມື AI ທີ່ສຳຄັນທີ່ເຮັດໃຫ້ວຽກງານ ແລະ ໂຄງການວິສະວະກຳມີປະສິດທິພາບຂຶ້ນ.

🔗 ການນຳໃຊ້ວິສະວະກຳຂອງອຸດສາຫະກຳທີ່ຫັນປ່ຽນປັນຍາປະດິດ
ສຳຫຼວດວິທີທີ່ AI ກຳລັງປະຕິວັດການປະຕິບັດດ້ານວິສະວະກຳໃນທົ່ວອຸດສາຫະກຳທົ່ວໂລກ.

🔗 ສິ່ງທີ່ເຮັດໃຫ້ AI ສຳລັບ CAD ດີແທ້ແມ່ນຫຍັງ
ປັດໄຈຫຼັກທີ່ກຳນົດເຄື່ອງມື CAD ທີ່ໃຊ້ AI ທີ່ມີປະສິດທິພາບສຳລັບວິສະວະກອນ.

ສິ່ງໃດທີ່ເຮັດໃຫ້ AI ສຳລັບວິສະວະກອນກົນຈັກມີປະໂຫຍດແທ້? 🌟

• ຄວາມໄວ + ຄວາມແມ່ນຍຳ : ຮູບແບບທີ່ໄດ້ຮັບການຝຶກອົບຮົມ ແລະ ຕົວແທນທີ່ຮັບຮູ້ຟີຊິກສ໌ ຫຼຸດຜ່ອນການຈຳລອງ ຫຼື ວົງຈອນການເພີ່ມປະສິດທິພາບຈາກຊົ່ວໂມງເປັນວິນາທີ, ໂດຍສະເພາະເມື່ອນຳໃຊ້ຮູບແບບລຳດັບຫຼຸດລົງ ຫຼື ຕົວປະຕິບັດການລະບົບປະສາດ [5].

• ການປະຫຍັດຕົ້ນທຶນ : ໂຄງການບຳລຸງຮັກສາແບບຄາດເດົາຊ່ວຍຫຼຸດຜ່ອນເວລາຢຸດເຮັດວຽກຢ່າງຕໍ່ເນື່ອງໄດ້ 30–50% ໃນຂະນະທີ່ຍືດອາຍຸການໃຊ້ງານຂອງເຄື່ອງຈັກໄດ້ 20–40% ຖ້າເປີດໃຊ້ງານຢ່າງຖືກຕ້ອງ [1].

• ການອອກແບບທີ່ສະຫຼາດກວ່າ : ອັລກໍຣິທຶມທີ່ສ້າງສັນຍັງສືບຕໍ່ສ້າງຮູບຮ່າງທີ່ເບົາກວ່າແຕ່ແຂງແຮງກວ່າ ເຊິ່ງຍັງຄົງເຊື່ອຟັງຂໍ້ຈຳກັດ; ເບາະນັ່ງທີ່ພິມດ້ວຍເຄື່ອງພິມ 3D ທີ່ມີຊື່ສຽງຂອງ GM ມີນ້ ຳໜັກເບົາກວ່າ 40% ແລະ ລຸ້ນກ່ອນ 20%

• ຄວາມເຂົ້າໃຈທີ່ຂັບເຄື່ອນດ້ວຍຂໍ້ມູນ : ແທນທີ່ຈະອີງໃສ່ຄວາມຮູ້ສຶກທີ່ສະແດງອອກຢ່າງດຽວ, ວິສະວະກອນໃນປັດຈຸບັນໄດ້ວາງທາງເລືອກຕ່າງໆໄວ້ທຽບກັບເຊັນເຊີທີ່ຜ່ານມາ ຫຼື ຂໍ້ມູນການຜະລິດ - ແລະ ເຮັດຊ້ຳໄດ້ໄວຂຶ້ນຫຼາຍ.

• ການຮ່ວມມື, ບໍ່ແມ່ນການເຂົ້າຄວບຄຸມ : ໃຫ້ຄິດວ່າ AI ເປັນ "ຜູ້ຮ່ວມນຳ". ຜົນໄດ້ຮັບທີ່ເຂັ້ມແຂງທີ່ສຸດແມ່ນເກີດຂຶ້ນເມື່ອຄວາມຊ່ຽວຊານຂອງມະນຸດຮ່ວມມືກັບການລ່າສັດຮູບແບບຂອງ AI ແລະ ການສຳຫຼວດດ້ວຍກຳລັງແຮງ.

ຕາຕະລາງປຽບທຽບ: ເຄື່ອງມື AI ທີ່ນິຍົມສຳລັບວິສະວະກອນກົນຈັກ 📊

ຄຳແນະນຳກ່ຽວກັບລາຄາ: ແຕກຕ່າງກັນຫຼາຍຂຶ້ນກັບບ່ອນນັ່ງ, ໂມດູນ, ສ່ວນເສີມ HPC - ຢືນຢັນກັບຜູ້ຂາຍສະເໝີ.

ບ່ອນທີ່ AI ມີບົດບາດສຳຄັນໃນຂະບວນການເຮັດວຽກວິສະວະກຳກົນຈັກ 🛠️

1. ການເພີ່ມປະສິດທິພາບການອອກແບບ

   • ການເພີ່ມປະສິດທິພາບດ້ານການສ້າງ ແລະ ການສ້າງໂທໂພໂລຢີ ຈະຄົ້ນຫາພື້ນທີ່ອອກແບບພາຍໃຕ້ຂໍ້ຈຳກັດດ້ານຄ່າໃຊ້ຈ່າຍ, ວັດສະດຸ ແລະ ຄວາມປອດໄພ.

   • ຫຼັກຖານມີຢູ່ແລ້ວ: ວົງເລັບຊິ້ນດຽວ, ຕົວຍຶດ, ແລະໂຄງສ້າງຕາໜ່າງທີ່ຕີເປົ້າໝາຍຄວາມແຂງກະດ້າງໃນຂະນະທີ່ຫຼຸດນ້ຳໜັກ [2].

2. ການຈຳລອງ ແລະ ການທົດສອບ

   • ແທນທີ່ຈະໃຊ້ brute-force FEA/CFD ສຳລັບທຸກໆສະຖານະການ, ໃຫ້ໃຊ້ ຕົວແທນ ຫຼື ຮູບແບບທີ່ຫຼຸດລົງ ເພື່ອຊູມເຂົ້າໃສ່ກໍລະນີສຳຄັນ. ນອກເໜືອໄປຈາກຄ່າໃຊ້ຈ່າຍໃນການຝຶກອົບຮົມ, ເລັ່ງຄວາມໄວຂຶ້ນຕາມລຳດັບຄວາມສຳຄັນ [5].

   • ການແປ: ຮຽນ “ຈະເປັນແນວໃດຖ້າ” ຫຼາຍຂຶ້ນກ່ອນອາຫານທ່ຽງ, ມີວຽກຄ້າງຄືນໜ້ອຍລົງ.

3. ການບຳລຸງຮັກສາແບບຄາດຄະເນ (PdM)

   • ແບບຈຳລອງຕິດຕາມການສັ່ນສະເທືອນ, ອຸນຫະພູມ, ສຽງ, ແລະອື່ນໆ, ເພື່ອຈັບຄວາມຜິດປົກກະຕິກ່ອນຄວາມລົ້ມເຫຼວ. ຜົນໄດ້ຮັບ? ການຫຼຸດຜ່ອນເວລາຢຸດເຮັດວຽກ 30–50% ບວກກັບອາຍຸການໃຊ້ງານທີ່ຍາວນານຂຶ້ນເມື່ອໂປຣແກຣມຕ່າງໆຖືກກຳນົດຂອບເຂດຢ່າງຖືກຕ້ອງ [1].

   • ຕົວຢ່າງໄວໆ: ກຸ່ມປໍ້າທີ່ມີເຊັນເຊີສັ່ນສະເທືອນ + ອຸນຫະພູມໄດ້ຝຶກແບບຈຳລອງການເພີ່ມຄວາມຊັນໃຫ້ໝາຍເຖິງການສວມໃສ່ຂອງແບຣິງລ່ວງໜ້າປະມານ 2 ອາທິດ. ຄວາມລົ້ມເຫຼວໄດ້ຍ້າຍຈາກໂໝດສຸກເສີນໄປສູ່ການປ່ຽນທີ່ກຳນົດເວລາໄວ້.

4. ຫຸ່ນຍົນ ແລະ ອັດຕະໂນມັດ

   • ML ປັບແຕ່ງການຕັ້ງຄ່າການເຊື່ອມ, ວິໄສທັດນຳພາການເລືອກ/ສະຖານທີ່, ປັບການປະກອບ. ວິສະວະກອນອອກແບບຈຸລັງທີ່ຮຽນຮູ້ຈາກຄຳຕິຊົມຂອງຜູ້ປະຕິບັດການຢ່າງຕໍ່ເນື່ອງ.

5. ຄູ່ແຝດດິຈິຕອລ

   • ຮູບແບບຈຳລອງແບບເສມືນຂອງຜະລິດຕະພັນ, ສາຍການຜະລິດ, ຫຼື ໂຮງງານຊ່ວຍໃຫ້ທີມງານທົດສອບການປ່ຽນແປງໂດຍບໍ່ຕ້ອງແຕະຕ້ອງຮາດແວ. ແມ່ນແຕ່ຄູ່ແຝດບາງສ່ວນ (“ແຍກສ່ວນ”) ກໍ່ສະແດງໃຫ້ເຫັນ ການຫຼຸດຜ່ອນຕົ້ນທຶນ 20–30% [3].

ການອອກແບບທີ່ສ້າງສັນ: ດ້ານທີ່ໜ້າຕື່ນເຕັ້ນ 🎨⚙️

ແທນທີ່ຈະຮ່າງຮ່າງ, ເຈົ້າຕັ້ງເປົ້າໝາຍ (ຮັກສາມວນສານ) ໝຸນອອກ ຮູບຊົງເລຂາຄະນິດຫຼາຍພັນຮູບ.

• ຫຼາຍອັນຄ້າຍຄືກັບປະກາລັງ, ກະດູກ, ຫຼືຮູບຮ່າງຂອງມະນຸດຕ່າງດາວ - ແລະນັ້ນກໍ່ບໍ່ເປັນຫຍັງ; ທຳມະຊາດໄດ້ຮັບການປັບປຸງໃຫ້ມີປະສິດທິພາບແລ້ວ.

• ກົດລະບຽບການຜະລິດມີຄວາມສຳຄັນ: ຜົນຜະລິດບາງຢ່າງເໝາະສົມກັບການຫລໍ່/ການເຈາະ, ບາງອັນມີແນວໂນ້ມທີ່ຈະເປັນການເພີ່ມເຕີມ.

• ກໍລະນີຕົວຈິງ: ຂາຕັ້ງຂອງ GM (ຊິ້ນສ່ວນສະແຕນເລດອັນດຽວ ທຽບກັບແປດຊິ້ນສ່ວນ) ຍັງຄົງເປັນຕົວຢ່າງທີ່ໂດດເດັ່ນ - ເບົາກວ່າ, ແຂງແຮງກວ່າ , ແລະ ປະກອບງ່າຍກວ່າ [2].

AI ສຳລັບການຜະລິດ ແລະ ອຸດສາຫະກຳ 4.0 🏭

ຢູ່ຊັ້ນວາງສິນຄ້າ, AI ໂດດເດັ່ນໃນ:

• ລະບົບຕ່ອງໂສ້ການສະໜອງ ແລະ ການກຳນົດເວລາ : ການຄາດຄະເນຄວາມຕ້ອງການ, ສິນຄ້າຄົງຄັງ ແລະ ການຊື້ສິນຄ້າທີ່ດີຂຶ້ນ - ຫຼຸດຜ່ອນສິນຄ້າຄົງຄັງ “ສຳລັບກໍລະນີພິເສດ”.

• ການອັດຕະໂນມັດຂອງຂະບວນການ : ຄວາມໄວ/ການປ້ອນ ແລະ ຈຸດທີ່ຕັ້ງໄວ້ຂອງ CNC ສາມາດປັບຕົວເຂົ້າກັບການປ່ຽນແປງໄດ້ຕາມເວລາຈິງ.

• ຄູ່ແຝດດິຈິຕອລ : ຈຳລອງການປັບແຕ່ງ, ກວດສອບເຫດຜົນ, ທົດສອບໄລຍະເວລາຢຸດເຮັດວຽກກ່ອນການປ່ຽນແປງ. ການຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍ 20–30% ເນັ້ນໃຫ້ເຫັນເຖິງຂໍ້ດີ [3].

ສິ່ງທ້າທາຍທີ່ວິສະວະກອນຍັງປະເຊີນຢູ່ 😅

• ເສັ້ນໂຄ້ງການຮຽນຮູ້ : ການປະມວນຜົນສັນຍານ, ການກວດສອບຂ້າມ, MLOps - ທັງໝົດລ້ວນແຕ່ລວມເຂົ້າກັນໃນກ່ອງເຄື່ອງມືແບບດັ້ງເດີມ.

• ປັດໄຈຄວາມໄວ້ວາງໃຈ : ຮູບແບບກ່ອງດຳອ້ອມຮອບຂອບເຂດຄວາມປອດໄພແມ່ນໜ້າວິຕົກກັງວົນ. ບວກກັບຂໍ້ຈຳກັດດ້ານຟີຊິກ, ຮູບແບບທີ່ສາມາດຕີຄວາມໄດ້, ການຕັດສິນໃຈທີ່ບັນທຶກໄວ້.

• ຄ່າໃຊ້ຈ່າຍໃນການເຊື່ອມໂຍງ : ເຊັນເຊີ, ທໍ່ຂໍ້ມູນ, ການຕິດສະຫຼາກ, HPC - ບໍ່ມີອັນໃດຟຣີ. ທົດລອງໃຊ້ຢ່າງເຂັ້ມງວດ.

• ຄວາມຮັບຜິດຊອບ : ຖ້າການອອກແບບທີ່ໄດ້ຮັບການສະໜັບສະໜູນຈາກ AI ລົ້ມເຫຼວ, ວິສະວະກອນຍັງຕ້ອງຮັບຜິດຊອບ. ປັດໄຈການກວດສອບ ແລະ ຄວາມປອດໄພຍັງຄົງມີຄວາມສຳຄັນຫຼາຍ.

ຄຳແນະນຳຈາກຜູ້ຊ່ຽວຊານ: ສຳລັບ PdM, ໃຫ້ຕິດຕາມ ຄວາມແມ່ນຍຳທຽບກັບການຈື່ຈຳ ເພື່ອຫຼີກລ່ຽງຄວາມອິດເມື່ອຍຂອງສັນຍານເຕືອນ. ປຽບທຽບກັບມາດຕະຖານທີ່ອີງໃສ່ກົດລະບຽບ; ຕັ້ງເປົ້າໝາຍ “ດີກ່ວາວິທີການປັດຈຸບັນຂອງທ່ານ”, ບໍ່ພຽງແຕ່ “ດີກວ່າບໍ່ມີຫຍັງເລີຍ”.

ທັກສະທີ່ວິສະວະກອນກົນຈັກຕ້ອງການ🎓

• Python ຫຼື MATLAB (NumPy/Pandas, ການປະມວນຜົນສັນຍານ, ພື້ນຖານ scikit-learn, ກ່ອງເຄື່ອງມື MATLAB ML)

• ພື້ນຖານຂອງ ML (ການຊີ້ນຳ ທຽບກັບ ການບໍ່ຊີ້ນຳ, ການຖົດຖອຍ ທຽບກັບ ການຈັດປະເພດ, ການ overfitting, ການກວດສອບຄວາມຖືກຕ້ອງຂ້າມ)

• ການເຊື່ອມໂຍງ CAD/CAE (APIs, ວຽກແບບ batch, ການສຶກສາ parametric)

• IoT + ຂໍ້ມູນ (ການເລືອກເຊັນເຊີ, ການເກັບຕົວຢ່າງ, ການຕິດສະຫຼາກ, ການຄຸ້ມຄອງ)

ເຖິງແມ່ນວ່າການຂຽນໂປຣແກຣມທີ່ງ່າຍດາຍກໍ່ຍັງຊ່ວຍໃຫ້ທ່ານສາມາດເຮັດວຽກ ແລະ ທົດລອງໄດ້ຢ່າງອັດຕະໂນມັດໃນຂອບເຂດກ້ວາງຂວາງ.

ວິໄສທັດໃນອະນາຄົດ🚀

ຄາດຫວັງວ່າ “ຜູ້ຮ່ວມທົດລອງ” ຂອງ AI ຈະຈັດການກັບການເຊື່ອມໂຍງ, ການຕັ້ງຄ່າ ແລະ ການເພີ່ມປະສິດທິພາບລ່ວງໜ້າແບບຊ້ຳໆ - ເຮັດໃຫ້ວິສະວະກອນມີອິດສະຫຼະໃນການຕັດສິນ. ກຳລັງເກີດຂຶ້ນຢູ່ແລ້ວ:

• ສາຍອັດຕະໂນມັດ ທີ່ປັບຕົວພາຍໃນຮາວປ້ອງກັນທີ່ກຳນົດໄວ້.

• ວັດສະດຸທີ່ຄົ້ນພົບໂດຍ AI ຂະຫຍາຍພື້ນທີ່ທາງເລືອກ - ຮູບແບບຂອງ DeepMind ຄາດຄະເນ 2.2 ລ້ານຄົນ , ໂດຍມີປະມານ 381,000 ຄົນ ທີ່ຖືກໝາຍວ່າມີຄວາມໝັ້ນຄົງ (ການສັງເຄາະຍັງຄ້າງຢູ່) [4].

• ຊິມທີ່ໄວຂຶ້ນ : ຮູບແບບທີ່ຫຼຸດລົງ ແລະ ຕົວປະຕິບັດການປະສາດໃຫ້ຄວາມໄວເພີ່ມຂຶ້ນຢ່າງຫຼວງຫຼາຍເມື່ອຖືກກວດສອບແລ້ວ, ໂດຍລະມັດລະວັງຕໍ່ຄວາມຜິດພາດຂອງ edge-case [5].

ແຜນຜັງການຈັດຕັ້ງປະຕິບັດຕົວຈິງ 🧭

1. ເລືອກກໍລະນີການນຳໃຊ້ທີ່ມີຄວາມເຈັບປວດສູງໜຶ່ງກໍລະນີ (ຄວາມລົ້ມເຫຼວຂອງແບຣິ່ງປໍ້າ, ຄວາມແຂງຂອງຕົວຖັງ ທຽບກັບ ນ້ຳໜັກ).

2. ເຄື່ອງມື + ຂໍ້ມູນ : ການເກັບຕົວຢ່າງແບບລັອກລົງ, ໜ່ວຍ, ປ້າຍຊື່, ບວກກັບສະພາບການ (ຮອບວຽນການເຮັດວຽກ, ການໂຫຼດ).

3. ພື້ນຖານກ່ອນ : ເກນງ່າຍໆ ຫຼື ການກວດສອບໂດຍອີງໃສ່ຟີຊິກເປັນຕົວຄວບຄຸມ.

4. ຮູບແບບ + ການກວດສອບຄວາມຖືກຕ້ອງ : ແບ່ງຕາມລຳດັບເວລາ, ກວດສອບຄວາມຖືກຕ້ອງ, ຕິດຕາມການຮຽກຄືນ/ຄວາມແມ່ນຍຳ ຫຼື ຄວາມຜິດພາດ ທຽບກັບຊຸດການທົດສອບ.

5. ມະນຸດຢູ່ໃນວົງຈອນ : ການໂທທີ່ມີຜົນກະທົບສູງຈະຖືກກວດສອບໂດຍວິສະວະກອນ. ຄຳຕິຊົມແຈ້ງໃຫ້ຊາບເຖິງການຝຶກອົບຮົມຄືນໃໝ່.

6. ວັດແທກຜົນຕອບແທນຈາກການລົງທຶນ (ROI) : ເຊື່ອມໂຍງຜົນກຳໄລກັບການຫຼຸດຜ່ອນເວລາຢຸດເຮັດວຽກ, ປະຫຍັດເສດເຫຼືອ, ເວລາຮອບວຽນ, ແລະ ພະລັງງານ.

7. ປັບຂະໜາດໄດ້ພຽງແຕ່ຫຼັງຈາກໂຄງການນຳທາງຜ່ານແຖບ (ທັງດ້ານເຕັກນິກ ແລະ ເສດຖະກິດ).

ຄຸ້ມຄ່າກັບການໂຄສະນາບໍ? ✅

ແມ່ນແລ້ວ. ມັນບໍ່ແມ່ນຝຸ່ນວິເສດ ແລະ ມັນຈະບໍ່ລຶບລ້າງພື້ນຖານ - ແຕ່ໃນຖານະທີ່ເປັນ ຜູ້ຊ່ວຍແບບ turbo , AI ຊ່ວຍໃຫ້ທ່ານສາມາດຄົ້ນຫາທາງເລືອກເພີ່ມເຕີມ, ທົດສອບກໍລະນີເພີ່ມເຕີມ, ແລະ ເຮັດການໂທທີ່ຄົມຊັດຂຶ້ນໂດຍໃຊ້ເວລາຢຸດເຮັດວຽກໜ້ອຍລົງ. ສຳລັບວິສະວະກອນກົນຈັກ, ການເຂົ້າໄປເຮັດວຽກໃນປັດຈຸບັນແມ່ນຄ້າຍຄືກັບການຮຽນຮູ້ CAD ໃນຊ່ວງຕົ້ນໆ. ຜູ້ທີ່ຮັບຮອງເອົາໃນຕອນຕົ້ນໄດ້ປຽບ.

ເອກະສານອ້າງອີງ

[1] McKinsey & Company (2017). ການຜະລິດ: ການວິເຄາະເຮັດໃຫ້ຜົນຜະລິດ ແລະ ຜົນກຳໄລອອກມາ. ລິ້ງ

[2] Autodesk. General Motors | ການອອກແບບແບບສ້າງສັນໃນການຜະລິດລົດยนต์. (ການສຶກສາກໍລະນີກ່ຽວກັບວົງເລັບບ່ອນນັ່ງ GM). ລິ້ງ

[3] Deloitte (2023). ຄູ່ແຝດດິຈິຕອລສາມາດເພີ່ມຜົນໄດ້ຮັບດ້ານອຸດສາຫະກໍາ. ລິ້ງ

[4] ທຳມະຊາດ (2023). ການຂະຫຍາຍການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງສຳລັບການຄົ້ນພົບວັດສະດຸ. ລິ້ງ

[5] ຂອບເຂດໃນຟີຊິກສາດ (2022). ການສ້າງແບບຈຳລອງ ແລະ ການເພີ່ມປະສິດທິພາບທີ່ຂັບເຄື່ອນດ້ວຍຂໍ້ມູນໃນການເຄື່ອນໄຫວຂອງແຫຼວ (ບົດບັນນາທິການ). ລິ້ງ

ຊອກຫາ AI ລ່າສຸດໄດ້ທີ່ຮ້ານ AI Assistant ຢ່າງເປັນທາງການ

ກ່ຽວກັບພວກເຮົາ