ຕົວຈິງແລ້ວ AI ແມ່ນຫຍັງ? [ວິດີໂອ ແລະ ແບບສອບຖາມ]

ຄຳຕອບສັ້ນໆ: AI ແມ່ນກຸ່ມເຕັກນິກການຄິດໄລ່ທີ່ກວ້າງຂວາງທີ່ຮັບຮູ້ຮູບແບບ, ຄາດຄະເນ, ສ້າງເນື້ອຫາ ແລະ ດຳເນີນການຕ່າງໆເພີ່ມຂຶ້ນເລື້ອຍໆ. ມັນສາມາດມີປະສິດທິພາບສູງເມື່ອຂໍ້ມູນທີ່ໜ້າເຊື່ອຖື, ການອະນຸຍາດທີ່ຊັດເຈນ ແລະ ການທົບທວນຂອງມະນຸດຖືກສ້າງຂຶ້ນອ້ອມຮອບມັນ, ແຕ່ຜົນຜະລິດທີ່ຄ່ອງແຄ້ວບໍ່ຄວນຖືກປະຕິບັດເປັນຫຼັກຖານຄວາມຈິງໂດຍອັດຕະໂນມັດ.

ບົດຮຽນຫຼັກ:

ຄວາມຮັບຜິດຊອບ: ໃຫ້ຄົນຮັບຜິດຊອບຕໍ່ການຕັດສິນໃຈທີ່ສຳຄັນ, ໂດຍສະເພາະບ່ອນທີ່ AI ສາມາດເຮັດຜິດພາດທີ່ມີຄ່າໃຊ້ຈ່າຍສູງ.

ຄວາມໂປ່ງໃສ: ເຮັດໃຫ້ຊັດເຈນວ່າຂໍ້ມູນ, ກົດລະບຽບ ແລະ ການອະນຸຍາດໃດທີ່ລະບົບ AI ອີງໃສ່.

ການຢັ້ງຢືນ: ກວດສອບຜົນຜະລິດທີ່ສຳຄັນທາງດ້ານຂໍ້ເທັດຈິງ, ທາງການແພດ, ກົດໝາຍ, ການເງິນ ແລະ ທຸລະກິດກ່ອນທີ່ຈະປະຕິບັດຕໍ່ພວກມັນ.

ການກວດສອບ: ທົດສອບ AI ດ້ວຍກໍລະນີທີ່ເປັນຕົວແທນ ແລະ ບັນທຶກທັງປະສິດທິພາບທີ່ເພີ່ມຂຶ້ນ ແລະ ຂໍ້ຜິດພາດທີ່ເກີດຂຶ້ນ.

ການຕ້ານທານການໃຊ້ໃນທາງທີ່ຜິດ: ຈຳກັດການເຂົ້າເຖິງ, ປ້ອງກັນການກະທຳທີ່ບໍ່ໄດ້ຮັບການສະໜັບສະໜູນ ແລະ ສົ່ງຕໍ່ກໍລະນີທີ່ບໍ່ແນ່ນອນໄປຫາຜູ້ກວດສອບທີ່ເປັນມະນຸດ.

1. AI ແມ່ນຫຍັງແທ້? ຄຳອະທິບາຍງ່າຍໆ

ປັນຍາປະດິດ ຫຼື AIໝາຍເຖິງລະບົບຄອມພິວເຕີທີ່ສາມາດປະຕິບັດໜ້າວຽກທີ່ກ່ຽວຂ້ອງກັບສະຕິປັນຍາຂອງມະນຸດ.

ໜ້າວຽກເຫຼົ່ານັ້ນອາດຈະປະກອບມີ:

• ເຂົ້າໃຈພາສາ

• ການຮັບຮູ້ວັດຖຸໃນຮູບພາບ

• ການຄາດຄະເນວ່າຈະເກີດຫຍັງຂຶ້ນຕໍ່ໄປ

• ການໃຫ້ຄໍາແນະນໍາ

• ການສ້າງຂໍ້ຄວາມ, ຮູບພາບ, ສຽງ ຫຼື ວິດີໂອ

• ການກວດຈັບຮູບແບບໃນຊຸດຂໍ້ມູນຂະໜາດໃຫຍ່

• ການຕັດສິນໃຈໂດຍອີງໃສ່ຂໍ້ມູນທີ່ມີຢູ່

• ການຮຽນຮູ້ຈາກຕົວຢ່າງ

• ການແກ້ໄຂບັນຫາບາງປະເພດ

ຈຸດໜຶ່ງມີຄວາມສຳຄັນຢູ່ທີ່ນີ້.

AI ບໍ່ຈຳເປັນຕ້ອງ ຄິດຄືກັບມະນຸດ ເພື່ອສ້າງຜົນໄດ້ຮັບທີ່ເບິ່ງຄືວ່າສະຫຼາດ.

ໂປຣແກຣມໝາກຮຸກບໍ່ໄດ້ນັ່ງຢູ່ບ່ອນນັ້ນໂດຍກັງວົນກ່ຽວກັບວ່າການເສຍສະລະອະທິການຂອງມັນຮູ້ສຶກຖືກຕ້ອງທາງດ້ານອາລົມຫຼືບໍ່. ອັລກໍຣິທຶມການແນະນຳບໍ່ໄດ້ພັດທະນາຄວາມຜູກພັນສ່ວນຕົວກັບສາລະຄະດີທີ່ມັນແນະນຳໃຫ້ທ່ານຢູ່ສະເໝີ. ຮູບແບບພາສາບໍ່ຕ້ອງການຄູສອນພາສາອັງກິດຕົວນ້ອຍໆທີ່ອາໄສຢູ່ໃນຄອມພິວເຕີ.

ແທນທີ່ຈະ, ລະບົບເຫຼົ່ານີ້ປະມວນຜົນຂໍ້ມູນໂດຍໃຊ້ຮູບແບບຄະນິດສາດ, ອັລກໍຣິທຶມ, ຂໍ້ມູນການຝຶກອົບຮົມ, ກົດລະບຽບ, ຄວາມເປັນໄປໄດ້, ແລະ ການຄິດໄລ່ຈຳນວນຫຼວງຫຼາຍ.

ຜົນໄດ້ຮັບສຸດທ້າຍອາດເບິ່ງຄືວ່າເປັນມະນຸດຢ່າງໜ້າປະທັບໃຈ.

ແຕ່ກົນໄກຂ້າງລຸ່ມແມ່ນແຕກຕ່າງກັນຫຼາຍ.

ຄວາມແຕກຕ່າງທີ່ສຳຄັນນັ້ນມີຄວາມສຳຄັນຫຼາຍກວ່າທີ່ຄົນເຮົາຮັບຮູ້ໃນບາງຄັ້ງ.

2. AI ບໍ່ຄືກັບສະໝອງຫຸ່ນຍົນ ແຕ່ຄ້າຍຄືກັບເຄື່ອງຈັກຄາດຄະເນຫຼາຍກວ່າ

ເມື່ອຄົນເຮົາໄດ້ຍິນຄຳວ່າ "ປັນຍາປະດິດ", ເຂົາເຈົ້າມັກຈະຈິນຕະນາການເຖິງບາງສິ່ງບາງຢ່າງທີ່ຄ້າຍຄືກັບສະໝອງສັງເຄາະຂອງມະນຸດ.

ມັນເປັນເລື່ອງທີ່ເຂົ້າໃຈໄດ້. ນິຍາຍວິທະຍາສາດໄດ້ໃຊ້ເວລາຫຼາຍທົດສະວັດເພື່ອສ້າງຕາທີ່ເປັ່ງປະກາຍດ້ວຍ AI, ສຽງທີ່ໜ້າຢ້ານກົວ, ຄວາມຄິດເຫັນທີ່ເຂັ້ມແຂງທີ່ໜ້າສົງໄສ ແລະ ໂດຍປົກກະຕິແລ້ວແມ່ນໂຄງກະດູກໂລຫະບາງຊະນິດ.

ໂດຍທົ່ວໄປແລ້ວ AI ທີ່ໃຊ້ໄດ້ຈິງແມ່ນບໍ່ຄ່ອຍມີລັກສະນະຄ້າຍຄືກັບໜັງ.

ລະບົບ AI ທີ່ທັນສະໄໝຫຼາຍລະບົບເຮັດວຽກຜ່ານ ການຄາດຄະເນ.

ພິຈາລະນາຮູບແບບພາສາ.

ເມື່ອທ່ານພິມ:

"ແມວນັ່ງຢູ່ເທິງ..."

ລະບົບປະເມີນວ່າຄຳສັບໃດມີແນວໂນ້ມທີ່ຈະມາຕາມສະຖິຕິຕໍ່ໄປ.

ອາດຈະເປັນໄປໄດ້:

• ຜ້າປູພື້ນ

• ພື້ນ

• ໂຊຟາ

• ຕັ່ງ

ມັນບໍ່ໄດ້ພຽງແຕ່ທ່ອງຈຳປະໂຫຍກດຽວ ແລະ ດຶງມັນຄືນ. ຮູບແບບທີ່ກ້າວໜ້າພຽງພໍໄດ້ຮຽນຮູ້ຄວາມສຳພັນທີ່ສັບສົນລະຫວ່າງຄຳສັບ, ແນວຄວາມຄິດ, ໂຄງສ້າງປະໂຫຍກ, ແນວຄິດ, ແບບ, ຂໍ້ເທັດຈິງ ແລະ ຮູບແບບຕ່າງໆ.

ຫຼັງຈາກນັ້ນ, ມັນຈະຄາດເດົາລຳດັບທີ່ເໝາະສົມກັບສະພາບການທີ່ສຸດ. ການຄາດເດົາຄຳສັບຕໍ່ໄປ ໃຫ້ດີຕ້ອງຮຽນຮູ້ຫຼາຍຢ່າງກ່ຽວກັບພາສາ.

ແລະພາສາປະກອບດ້ວຍ... ດີ, ໂດຍພື້ນຖານແລ້ວທຸກຢ່າງທີ່ມະນຸດເວົ້າເຖິງ.

ປະຫວັດສາດ. ຄະນິດສາດ. ການປຸງແຕ່ງອາຫານ. ການຂຽນໂປຣແກຣມ. ຄວາມສຳພັນ. ຟີຊິກສາດ. ການໂຕ້ຖຽງກ່ຽວກັບວ່າໝາກນັດຄວນຢູ່ໃນພິຊຊ່າຫຼືບໍ່.

ສະນັ້ນ, ວຽກງານການຄາດຄະເນທີ່ເບິ່ງຄືວ່າເປັນພື້ນຖານສາມາດຜະລິດພຶດຕິກຳທີ່ສັບສົນຢ່າງໜ້າປະຫລາດໃຈ.

ແນ່ນອນວ່າຄຳປຽບທຽບມີຂໍ້ຈຳກັດ. ການເອີ້ນ AI ທີ່ກ້າວໜ້າວ່າ "ພຽງແຕ່ການເຕີມເຕັມອັດຕະໂນມັດ" ແມ່ນຄ້າຍຄືກັບການເອີ້ນເຮືອບິນວ່າ "ພຽງແຕ່ໂລຫະທີ່ມີປີກ". ໃນດ້ານເຕັກນິກແລ້ວ, ມີບາງສິ່ງບາງຢ່າງທີ່ແທ້ຈິງຊ່ອນຢູ່ໃນນັ້ນ, ແຕ່ສ່ວນທີ່ໜ້າສົນໃຈສ່ວນໃຫຍ່ໄດ້ຫາຍໄປ.

3. ປັນຍາປະດິດຮຽນຮູ້ໄດ້ແນວໃດ?

ນີ້ແມ່ນບ່ອນທີ່ ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ ເຂົ້າສູ່ການສົນທະນາ.

ຊອບແວແບບດັ້ງເດີມໂດຍທົ່ວໄປແລ້ວເຮັດວຽກຜ່ານຄໍາແນະນໍາທີ່ຊັດເຈນ.

ນັກຂຽນໂປຣແກຣມອາດຈະຂຽນວ່າ:

• ຖ້າຜູ້ໃຊ້ໃສ່ລະຫັດຜ່ານທີ່ຖືກຕ້ອງ, ໃຫ້ອະນຸຍາດການເຂົ້າເຖິງ.

• ຖ້າອຸນຫະພູມເກີນເກນທີ່ກຳນົດໄວ້, ໃຫ້ເປີດໃຊ້ງານລະບົບເຮັດຄວາມເຢັນ.

• ຖ້າສິນຄ້າໝົດສະຕັອກ, ໃຫ້ສະແດງຄຳເຕືອນ.

ຄຳແນະນຳເຫຼົ່ານັ້ນແມ່ນຖືກຂຽນໂປຣແກຣມໂດຍເຈດຕະນາ.

ການຮຽນຮູ້ຂອງເຄື່ອງຈັກປ່ຽນແປງຂະບວນການ.

ແທນທີ່ຈະກຳນົດທຸກໆກົດລະບຽບດ້ວຍຕົນເອງ, ນັກພັດທະນາໃຫ້ຕົວຢ່າງລະບົບ ຫຼື ຂໍ້ມູນ ແລະ ອະນຸຍາດໃຫ້ມັນຄົ້ນພົບຮູບແບບຕ່າງໆ.

ລອງນຶກພາບເບິ່ງວ່າທ່ານກຳລັງພະຍາຍາມສ້າງຊອບແວທີ່ສາມາດຮັບຮູ້ແມວໃນຮູບຖ່າຍໄດ້.

ການຂຽນກົດລະບຽບທີ່ຊັດເຈນຈະກາຍເປັນເລື່ອງຕະຫຼົກໄດ້ໄວ.

ທ່ານອາດຈະລອງ:

• ຊອກຫາຫູຮູບສາມຫຼ່ຽມ.

• ຊອກຫາໜວດ.

• ຊອກຫາສີ່ຂາ.

• ຊອກຫາຂົນສັດ.

ຈາກນັ້ນມີຄົນອັບໂຫຼດຮູບຂອງໝາຈອກ.

ບໍ່ແມ່ນທັງໝົດ.

ຫຼື ເສືອ.

ຫຼື ແມວທີ່ງໍເປັນຕຸ່ມໆບ່ອນທີ່ເຈົ້າເກືອບບໍ່ເຫັນຂາຂອງມັນ.

ການຮຽນຮູ້ຂອງເຄື່ອງຈັກແກ້ໄຂບັນຫາແຕກຕ່າງກັນ. ຮູບແບບສາມາດໄດ້ຮັບການຝຶກອົບຮົມກ່ຽວກັບຕົວຢ່າງຈຳນວນຫຼວງຫຼາຍ ແລະ ຄ່ອຍໆຮຽນຮູ້ວ່າຮູບແບບການເບິ່ງເຫັນໃດທີ່ກ່ຽວຂ້ອງກັບແມວ.

ມັນບໍ່ແມ່ນການຮຽນຮູ້ "ແມວ" ໃນລັກສະນະດຽວກັນກັບທີ່ເດັກນ້ອຍເຮັດ.

ແຕ່ໃນທາງຄະນິດສາດ, ແບບຈຳລອງດັ່ງກ່າວມີຄວາມສາມາດໃນການລະບຸຮູບແບບທີ່ກ່ຽວຂ້ອງກັບໝວດໝູ່ໄດ້ຫຼາຍຂຶ້ນ.

ນັ້ນແມ່ນການຮຽນຮູ້ຂອງເຄື່ອງຈັກໂດຍຫຍໍ້ - ເຖິງແມ່ນວ່າຕົວມັນເອງປະກອບດ້ວຍສາງຫຼາຍແຫ່ງຂອງພຶດຊະຄະນິດເສັ້ນຊື່.

4. AI ທຽບກັບການຮຽນຮູ້ຂອງເຄື່ອງຈັກ ທຽບກັບການຮຽນຮູ້ເລິກ

ຄຳສັບເຫຼົ່ານີ້ຖືກປະສົມເຂົ້າກັນຢູ່ຕະຫຼອດເວລາ, ສ່ວນໜຶ່ງແມ່ນຍ້ອນວ່າຄົນເຮົາໃຊ້ "AI" ເປັນຄຳສັບທີ່ໝາຍເຖິງເກືອບທຸກຢ່າງ.

ວິທີງ່າຍໆທີ່ຈະແຍກພວກມັນອອກແມ່ນແບບນີ້.

ປັນຍາປະດິດ ແມ່ນຂົງເຂດທີ່ກວ້າງຂວາງ.

ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ ແມ່ນວິທີການໜຶ່ງທີ່ໃຊ້ເພື່ອສ້າງລະບົບ AI.

ການຮຽນຮູ້ເລິກ ແມ່ນການຮຽນຮູ້ຂອງເຄື່ອງຈັກປະເພດສະເພາະໃດໜຶ່ງທີ່ກ່ຽວຂ້ອງກັບເຄືອຂ່າຍປະສາດຂະໜາດໃຫຍ່ທີ່ມີຫຼາຍຊັ້ນ.

ແລ້ວກໍມີ AI ທີ່ສ້າງສັນ, ເຊິ່ງສຸມໃສ່ການສ້າງຜົນຜະລິດໃໝ່ເຊັ່ນ: ຂໍ້ຄວາມ, ຮູບພາບ, ເພງ, ລະຫັດ, ສຽງເວົ້າ ຫຼື ວິດີໂອ.

ຕາຕະລາງປຽບທຽບ

ໄລຍະເວລາ	ການນຳໃຊ້ທົ່ວໄປ	ມັນໝາຍຄວາມວ່າແນວໃດໂດຍພື້ນຖານແລ້ວ	ວິທີຄິດໄວໆກ່ຽວກັບມັນ
ປັນຍາປະດິດ	ປະເພດກວ້າງຂອງເຄື່ອງຈັກທີ່ປະຕິບັດໜ້າວຽກທີ່ເບິ່ງຄືວ່າສະຫຼາດ	ຫຸ່ນຍົນ, ຜູ້ຊ່ວຍ, ການວາງແຜນ, ຄຳແນະນຳ	ຄັນຮົ່ມໃຫຍ່
ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ	ຮູບແບບການຮຽນຮູ້ຂອງລະບົບຈາກຂໍ້ມູນ	ການກວດຫາການສໍ້ໂກງ, ຄຳແນະນຳ, ການຄາດຄະເນ	ການຮຽນຮູ້ຈາກຕົວຢ່າງ
ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງ	ການຮຽນຮູ້ຂອງເຄື່ອງຈັກໂດຍໃຊ້ເຄືອຂ່າຍປະສາດຫຼາຍຊັ້ນ	ວິໄສທັດ, ການປາກເວົ້າ, ຮູບແບບພາສາຂັ້ນສູງ	ML, ແຕ່ເລິກເຊິ່ງກວ່ານັ້ນ... ຕາມຕົວອັກສອນ
AI ທີ່ສ້າງສັນ	AI ຖືກອອກແບບມາເພື່ອຜະລິດເນື້ອຫາໃໝ່	ຂໍ້ຄວາມ, ຮູບພາບ, ລະຫັດ, ສຽງ	ສາຂາທີ່ມີຄວາມຄິດສ້າງສັນ
ອັດຕະໂນມັດ	ຊອບແວທີ່ປະຕິບັດຕາມຂະບວນການທີ່ໄດ້ກຳນົດໄວ້ລ່ວງໜ້າ	ຂັ້ນຕອນການເຮັດວຽກທີ່ຊ້ຳໆ, ການປ້ອນຂໍ້ມູນ	ໂດຍປົກກະຕິແລ້ວແມ່ນກົດລະບຽບ, ບໍ່ແມ່ນ "ການຮຽນຮູ້"

ຄວາມແຕກຕ່າງມີຄວາມສຳຄັນເພາະວ່າບໍ່ແມ່ນທຸກລະບົບອັດຕະໂນມັດແມ່ນ AI.

ຖ້າເຄື່ອງຊົງກາເຟຂອງເຈົ້າປິດຕົວມັນເອງຫຼັງຈາກສິບນາທີ, ຂໍສະແດງຄວາມຍິນດີນຳ - ເຈົ້າອາດຈະບໍ່ໄດ້ເປັນເຈົ້າຂອງຫ້ອງທົດລອງປັນຍາປະດິດ.

ມັນເປັນພຽງໂມງຈັບເວລາເທົ່ານັ້ນ.

5. ເຄືອຂ່າຍປະສາດແມ່ນຫຍັງ?

ເຄືອຂ່າຍປະສາດແມ່ນລະບົບຄະນິດສາດທີ່ໄດ້ຮັບແຮງບັນດານໃຈຈາກເຊວປະສາດທາງຊີວະພາບ.

ສຳນວນດັ່ງກ່າວເຮັດໃຫ້ພວກມັນຟັງຄືວ່າລຶກລັບ. ພວກມັນບໍ່ແມ່ນສະໝອງທຽມທີ່ລອຍຢູ່ໃນຄອມພິວເຕີ.

ເຄືອຂ່າຍປະສາດປະກອບດ້ວຍຫົວໜ່ວຍຄະນິດສາດທີ່ເຊື່ອມຕໍ່ກັນເຊິ່ງປະມວນຜົນຂໍ້ມູນ.

ໃນລະຫວ່າງການຝຶກອົບຮົມ, ເຄືອຂ່າຍຈະປັບຄ່າຕົວເລກພາຍໃນທີ່ເອີ້ນວ່າ ພາລາມິເຕີ ຫຼື ນ້ຳໜັກ.

ການປັບປຸງເຫຼົ່ານັ້ນຊ່ວຍໃຫ້ລະບົບສາມາດຜະລິດຜົນຜະລິດທີ່ມີຄຸນຄ່າໄດ້ດີຂຶ້ນ.

ຄິດວ່າມັນເປັນແຜງຄວບຄຸມທີ່ສັບສົນຢ່າງບໍ່ສົມເຫດສົມຜົນທີ່ມີປຸ່ມປັບຂະໜາດນ້ອຍໆຫຼາຍພັນລ້ານປຸ່ມ.

ການຝຶກອົບຮົມກະຕຸ້ນປຸ່ມເຫຼົ່ານັ້ນຊ້ຳແລ້ວຊ້ຳອີກ.

ຄຳຕອບຜິດບໍ?

ປັບປຸ່ມຕ່າງໆ.

ຄຳຕອບທີ່ດີກວ່າ?

ປັບພວກມັນແຕກຕ່າງກັນ.

ເຮັດສິ່ງນີ້ໃຫ້ພຽງພໍ, ຜ່ານຂໍ້ມູນທີ່ພຽງພໍ ແລະ ດ້ວຍພະລັງງານການປະມວນຜົນທີ່ພຽງພໍ, ແລະ ເຄືອຂ່າຍຈະເລີ່ມພັດທະນາການນຳສະເໜີພາຍໃນທີ່ສັບສົນທີ່ຊ່ວຍໃຫ້ມັນຮັບຮູ້ ແລະ ສ້າງຮູບແບບຕ່າງໆ.

ແນ່ນອນ, ການເວົ້າວ່າ "ປັບປຸ່ມ" ເຮັດໃຫ້ວິທະຍາສາດຄອມພິວເຕີຫຼາຍທົດສະວັດຟັງຄືກັບວ່າມີຄົນກຳລັງປັບວິທະຍຸເກົ່າ... ແຕ່ໃນຖານະເປັນແບບຢ່າງທາງຈິດໃຈ, ມັນເຮັດວຽກໄດ້ດີຫຼາຍ.

6. ເປັນຫຍັງ AI ຈຶ່ງເບິ່ງຄືວ່າສະຫຼາດຂຶ້ນຢ່າງກະທັນຫັນ

ປັນຍາປະດິດບໍ່ແມ່ນສິ່ງປະດິດສ້າງໜຶ່ງທີ່ເກີດຂຶ້ນໃນຄືນດຽວ.

ທົ່ງນາພື້ນຖານມີມາດົນແລ້ວ.

ສິ່ງທີ່ປ່ຽນແປງແມ່ນກຳລັງຫຼາຍອັນທີ່ເລັ່ງຂຶ້ນຮ່ວມກັນ.

ພະລັງງານການປະມວນຜົນຫຼາຍຂຶ້ນ

ໂປເຊດເຊີທີ່ທັນສະໄໝສາມາດປະຕິບັດການຄິດໄລ່ຈຳນວນຫຼວງຫຼາຍໄດ້ຢ່າງວ່ອງໄວ, ໂດຍສະເພາະແມ່ນປະເພດຂອງການຄິດໄລ່ທີ່ຈຳເປັນສຳລັບເຄືອຂ່າຍປະສາດ. ການເພີ່ມ ການຝຶກອົບຮົມການຄຳນວນ ແມ່ນຕົວຂັບເຄື່ອນທີ່ສຳຄັນອັນໜຶ່ງຂອງຄວາມກ້າວໜ້າໃນລະບົບ AI ທີ່ທັນສະໄໝ.

ຂໍ້ມູນເພີ່ມເຕີມ

ໂລກດິຈິຕອນປະກອບດ້ວຍຂໍ້ຄວາມ, ຮູບພາບ, ສຽງ, ວິດີໂອ, ລະຫັດ ແລະ ຂໍ້ມູນທີ່ມີໂຄງສ້າງຈຳນວນມະຫາສານ.

ການຝຶກອົບຮົມແບບຈຳລອງທີ່ຊັບຊ້ອນຮຽກຮ້ອງໃຫ້ມີຕົວຢ່າງ - ຫຼາຍໆຕົວຢ່າງ.

ອັລກໍຣິທຶມທີ່ດີກວ່າ

ນັກຄົ້ນຄວ້າສືບຕໍ່ປັບປຸງສະຖາປັດຕະຍະກຳ ແລະ ວິທີການທີ່ໃຊ້ໃນການຝຶກອົບຮົມລະບົບ AI.

ຮູບແບບຂະໜາດໃຫຍ່ກວ່າ

ການເພີ່ມຈຳນວນພາລາມິເຕີ, ການປັບປຸງຊຸດຂໍ້ມູນ ແລະ ການເພີ່ມການຄຳນວນມັກຈະສ້າງແບບຈຳລອງທີ່ມີຄວາມສາມາດຢ່າງໜ້າປະຫລາດໃຈ. ການຄົ້ນຄວ້າກ່ຽວກັບການຝຶກອົບຮົມແບບຈຳລອງພາສາທີ່ດີທີ່ສຸດສຳລັບການຄຳນວນຍັງສະແດງໃຫ້ເຫັນວ່າຂະໜາດຂອງແບບຈຳລອງ, ຂໍ້ມູນ ແລະ ການຄຳນວນຈຳເປັນຕ້ອງມີຄວາມສົມດຸນແທນທີ່ຈະພຽງແຕ່ເພີ່ມຈຳນວນພາລາມິເຕີໃຫ້ສູງສຸດ.

ອິນເຕີເຟດທີ່ດີກວ່າ

ສ່ວນນີ້ງ່າຍທີ່ຈະປະເມີນຄ່າຕໍ່າ.

AI ຮູ້ສຶກວ່າສາມາດເຂົ້າເຖິງໄດ້ງ່າຍກວ່າຢ່າງຫຼວງຫຼາຍ ເພາະວ່າຄົນທຳມະດາສາມາດພົວພັນກັບລະບົບທີ່ກ້າວໜ້າຜ່ານພາສາປະຈຳວັນໄດ້.

ເຈົ້າບໍ່ຈຳເປັນຕ້ອງເຂົ້າໃຈການຂຽນໂປຣແກຣມ.

ທ່ານສາມາດຖາມໄດ້ງ່າຍໆວ່າ:

"ອະທິບາຍເລື່ອງເງິນກູ້ເຮືອນຄືກັບວ່າຂ້ອຍອາຍຸສິບສອງປີ."

ຫຼື:

"ປ່ຽນບັນທຶກການປະຊຸມເຫຼົ່ານີ້ໃຫ້ເປັນອີເມວ."

ຫຼື:

"ໃຫ້ຂ້ອຍຫ້າແນວຄວາມຄິດອາຫານຄ່ຳໂດຍໃຊ້ໄກ່, ເຂົ້າ ແລະ ຜັກຊະນິດໃດກໍ່ຕາມທີ່ຄ່ອຍໆໝົດໃນຕູ້ເຢັນຂອງຂ້ອຍ."

ການປ່ຽນແປງການໂຕ້ຕອບນັ້ນແມ່ນໃຫຍ່ຫຼວງຫຼາຍ.

ເທັກໂນໂລຢີມັກຈະໄດ້ຮັບຄວາມນິຍົມຢ່າງຫຼວງຫຼາຍເມື່ອຄົນເຮົາເຊົາໃຊ້ຄູ່ມືແລ້ວ.

7. AI ກຳລັງເຮັດຫຍັງຢູ່ເມື່ອທ່ານຖາມຄຳຖາມ?

ພິຈາລະນາຜູ້ຊ່ວຍ AI ທີ່ທັນສະໄໝ.

ທ່ານພິມ:

"ອະທິບາຍກ່ຽວກັບແຮງໂນ້ມຖ່ວງໃຫ້ກັບເດັກອາຍຸຫ້າປີ."

ຢູ່ເບື້ອງຫຼັງ, ລະບົບຈະປ່ຽນຂໍ້ຄວາມຂອງທ່ານໃຫ້ເປັນຫົວໜ່ວຍຕົວເລກທີ່ເອີ້ນວ່າ ໂທເຄັນ.

ເຄື່ອງໝາຍອາດຈະເປັນຕົວແທນຂອງຄຳສັບທີ່ສົມບູນ, ສ່ວນຕ່າງໆຂອງຄຳສັບ, ເຄື່ອງໝາຍວັກຕອນ, ຫຼື ພາກສ່ວນອື່ນໆຂອງພາສາ.

ໂທເຄັນເຫຼົ່ານັ້ນຖືກປະມວນຜົນຜ່ານຮູບແບບ.

ຮູບແບບດັ່ງກ່າວກວດສອບຄວາມສຳພັນລະຫວ່າງສ່ວນຕ່າງໆຂອງການຮ້ອງຂໍຂອງທ່ານ, ພິຈາລະນາສະພາບການ ແລະ ຄາດຄະເນການສືບຕໍ່ທີ່ເປັນປະໂຫຍດ.

ຫຼັງຈາກນັ້ນ, ສັນຍາລັກອີກອັນ ໜຶ່ງ.

ແລ້ວອີກອັນໜຶ່ງ.

ແລ້ວອີກອັນໜຶ່ງ.

ມັນເກີດຂຶ້ນໄວຫຼາຍ.

ວັກທີ່ໄດ້ຮັບປະກົດວ່າມີຄົນແຕ່ງມັນຂຶ້ນມາເປັນຄວາມຄິດທີ່ສົມບູນ, ແຕ່ໃນທາງເທັກນິກແລ້ວມັນໄດ້ຖືກສ້າງຂຶ້ນຕາມລຳດັບ.

ນັ້ນແມ່ນໜຶ່ງໃນລັກສະນະທີ່ແປກປະຫຼາດທີ່ສຸດຂອງ AI.

ຜົນຜະລິດສາມາດຮູ້ສຶກວ່າມີເຈດຕະນາເຖິງແມ່ນວ່າຂະບວນການທີ່ຕິດພັນກັນນັ້ນອາດຈະເປັນໄປໃນທາງທີ່ເປັນໄປໄດ້ກໍຕາມ.

ມັນຄ້າຍຄືກັບການປະດິດສ້າງແບບບໍ່ຄິດຫຼາຍກວ່າການດຶງຄຳຕອບທີ່ກຽມໄວ້ຈາກຖານຂໍ້ມູນຂະໜາດໃຫຍ່.

ບໍ່ແມ່ນການປະດິດສ້າງແບບບໍ່ຄາດຄິດຢ່າງແນ່ນອນ, ເພື່ອໃຫ້ແນ່ນອນ - ແຕ່ໃກ້ຄຽງພໍທີ່ຄຳປຽບທຽບຈະໄດ້ຮັບອາຫານທ່ຽງຂອງມັນ.

8. AI ເຂົ້າໃຈສິ່ງຕ່າງໆບໍ?

ຄຳຖາມນີ້ກາຍເປັນປັດຊະຍາໄດ້ໄວຫຼາຍ.

ລະບົບ AI "ເຂົ້າໃຈ" ພາສາແທ້ໆບໍ?

ຄຳຕອບແມ່ນຂຶ້ນກັບຄວາມເຂົ້າໃຈຂອງເຈົ້າ.

ຮູບແບບ AI ທີ່ທັນສະໄໝສາມາດ ໝູນໃຊ້ແນວຄວາມຄິດໄດ້ຢ່າງຊັດເຈນໃນວິທີທີ່ຊັບຊ້ອນ.

ພວກເຂົາສາມາດ:

• ອະທິບາຍແນວຄວາມຄິດ

• ປຽບທຽບອາກິວເມັນ

• ຂຽນຂໍ້ຄວາມຄືນໃໝ່

• ແປພາສາຕ່າງໆ

• ແກ້ໄຂບັນຫາທີ່ມີໂຄງສ້າງຫຼາຍຢ່າງ

• ສ້າງລະຫັດເຮັດວຽກ

• ລະບຸຮູບແບບ

• ປະຕິບັດຕາມຄໍາແນະນໍາທີ່ສັບສົນ

• ປະສົມປະສານແນວຄວາມຄິດໃນວິທີໃໝ່ໆ

ເມື່ອເບິ່ງຈາກພາຍນອກ, ນັ້ນອາດເບິ່ງຄືວ່າເປັນຄວາມເຂົ້າໃຈ.

ແຕ່ມັນມີຄວາມແຕກຕ່າງທີ່ສຳຄັນລະຫວ່າງຄວາມສະຫຼາດຂອງເຄື່ອງຈັກ ແລະ ການຮັບຮູ້ຂອງມະນຸດ.

ມະນຸດໄດ້ປະສົບກັບໂລກທາງກາຍະພາບ.

ພວກເຮົາຮູ້ສຶກຫິວ, ເຈັບປວດ, ອັບອາຍ, ເບື່ອ, ຮັກແພງ ແລະ ຕື່ນຕົກໃຈທີ່ແປກປະຫຼາດເມື່ອຮູ້ວ່າໂທລະສັບຂອງທ່ານມີແບັດເຕີຣີເຫຼືອ 2 ເປີເຊັນ.

ລະບົບ AI ບໍ່ຈຳເປັນຕ້ອງມີປະສົບການຊີວິດທຽບເທົ່າ.

ພວກເຂົາປະມວນຜົນການນຳສະເໜີ.

ສະນັ້ນການຖາມວ່າ AI "ເຂົ້າໃຈ" ບາງສິ່ງບາງຢ່າງສາມາດຄ້າຍຄືກັບການຖາມວ່າເຮືອດຳນ້ຳລອຍນ້ຳໄດ້ຫຼືບໍ່.

ມັນແນ່ນອນເຄື່ອນທີ່ຜ່ານນໍ້າ.

ແຕ່ບາງທີ "ລອຍນໍ້າ" ອາດບໍ່ແມ່ນຄໍາທີ່ຖືກຕ້ອງ.

9. AI ບໍ່ຮູ້ໂດຍອັດຕະໂນມັດວ່າສິ່ງໃດເປັນຄວາມຈິງ

ນີ້ແມ່ນໜຶ່ງໃນຈຸດທີ່ສຳຄັນທີ່ສຸດກ່ຽວກັບ AI ທີ່ສ້າງສັນ.

ຮູບແບບສາມາດສ້າງຖະແຫຼງການທີ່ຟັງແລ້ວໜ້າເຊື່ອຖືໄດ້ຢ່າງຍິ່ງໂດຍທີ່ຖະແຫຼງການນັ້ນບໍ່ຖືກຕ້ອງ.

ເປັນຫຍັງ?

ເນື່ອງຈາກວ່າການສ້າງພາສາທີ່ໜ້າເຊື່ອຖື ແລະ ການຢືນຢັນຄວາມຈິງທີ່ເປັນກາງ ແມ່ນບັນຫາທີ່ແຕກຕ່າງກັນ.

ລະບົບ AI ອາດຈະພົບກັບຄວາມບໍ່ແນ່ນອນ ແລະ ຍັງຜະລິດຄຳຕອບທີ່ຟັງແລ້ວໜ້າເຊື່ອຖືໄດ້.

ຄວາມຜິດພາດເຫຼົ່ານີ້ມັກຖືກເອີ້ນວ່າ ອາການປະສາດຫຼອນ.

ຕົວຢ່າງ, AI ອາດຈະ:

• ປະດິດສະຖິຕິ

• ອະທິບາຍຄຳອ້າງອີງບໍ່ຖືກຕ້ອງ

• ສັບສົນສອງຄົນທີ່ຄ້າຍຄືກັນ

• ຜະລິດເອກະສານອ້າງອີງທີ່ບໍ່ມີຢູ່ຈິງ

• ຕີຄວາມໝາຍຄຳແນະນຳທີ່ບໍ່ຊັດເຈນຜິດ

• ເຮັດຜິດພາດທາງຄະນິດສາດທີ່ລະອຽດອ່ອນ

ຮູບແບບພາສາສາມາດຜະລິດຄຳເວົ້າ, ການສຶກສາ, ການອ້າງອີງ ແລະ ຂໍ້ມູນທີ່ບໍ່ຖືກຕ້ອງອື່ນໆທີ່ຖືກປະດິດຂຶ້ນ ໃນຂະນະທີ່ຟັງແລ້ວມີຄວາມໝັ້ນໃຈ. NIST ລະບຸເນື້ອຫາທີ່ບໍ່ຖືກຕ້ອງທີ່ກ່າວໄວ້ຢ່າງໝັ້ນໃຈ ແລະ ການອ້າງອີງທີ່ປະດິດຂຶ້ນວ່າເປັນຄວາມສ່ຽງຂອງ AI ທີ່ເຮັດໃຫ້ເກີດການປ່ຽນແປງ.

ກົງກັນຂ້າມ, ລະບົບເຫຼົ່ານີ້ມີຄວາມສາມາດຫຼາຍເທົ່າໃດ, ສິ່ງນີ້ກໍ່ຈະງ່າຍຂຶ້ນທີ່ຈະລືມ.

ພາສາທີ່ຂັດເງົາສ້າງຄວາມໝັ້ນໃຈ.

ແຕ່ຄວາມໝັ້ນໃຈບໍ່ແມ່ນຫຼັກຖານ.

ສຳລັບຂໍ້ມູນທີ່ມີຄວາມສ່ຽງສູງທີ່ກ່ຽວຂ້ອງກັບຂົງເຂດຕ່າງໆເຊັ່ນ: ຢາປົວພະຍາດ, ກົດໝາຍ, ການເງິນ, ຄວາມປອດໄພ ຫຼື ການຕັດສິນໃຈທາງທຸລະກິດທີ່ສຳຄັນ, ການຢັ້ງຢືນຍັງມີຄວາມສຳຄັນ.

ຂ້ອນໆໜ້ອຍໜຶ່ງ.

10. AI ບໍ່ຄືກັນກັບເຄື່ອງຈັກຊອກຫາ

ຄວາມເຂົ້າໃຈຜິດທີ່ພົບເລື້ອຍອີກອັນໜຶ່ງຄືການຖືວ່າ AI ແລະ ການຄົ້ນຫາເປັນສິ່ງດຽວກັນ.

ພວກມັນບໍ່ແມ່ນ.

ເຄື່ອງຈັກຊອກຫາແບບດັ້ງເດີມສ່ວນໃຫຍ່ແມ່ນຊ່ວຍຊອກຫາຂໍ້ມູນທີ່ມີຢູ່ແລ້ວ.

ລະບົບ AI ທີ່ສ້າງຂື້ນໄດ້ສ່ວນໃຫຍ່ຈະສ້າງການຕອບສະໜອງໂດຍອີງໃສ່ຮູບແບບທີ່ໄດ້ຮຽນຮູ້, ສະພາບການທີ່ສະໜອງໃຫ້ ແລະ ເຄື່ອງມືເພີ່ມເຕີມອື່ນໆທີ່ມັນອາດສາມາດເຂົ້າເຖິງໄດ້. ຮູບແບບທີ່ສ້າງຂື້ນໄດ້ຮຽນຮູ້ຮູບແບບ ແລະ ຄວາມສຳພັນໃນຊຸດຂໍ້ມູນຂະໜາດໃຫຍ່ ແລະ ນຳໃຊ້ຮູບແບບເຫຼົ່ານັ້ນເພື່ອສ້າງຜົນຜະລິດໃໝ່.

ລອງນຶກພາບເບິ່ງວ່າ:

ເຄື່ອງຈັກຊອກຫາ: "ວິທີທີ່ດີທີ່ສຸດທີ່ຈະອະທິບາຍການສັງເຄາະແສງ"

ໂດຍທົ່ວໄປແລ້ວທ່ານຈະໄດ້ຮັບໜ້າເວັບເພື່ອສືບສວນ.

ຖາມຜູ້ຊ່ວຍ AI ໃນສິ່ງດຽວກັນ ແລະ ທ່ານອາດຈະໄດ້ຮັບ:

• ຄຳອະທິບາຍງ່າຍໆ

• ການປຽບທຽບຫ້ອງຮຽນ

• ແບບທົດສອບ

• ແຜນການສອນ

• ເລື່ອງສຳລັບເດັກນ້ອຍ

• ສະບັບວິທະຍາສາດລະອຽດ

ການຄົ້ນຫາດຶງຂໍ້ມູນຄືນ.

AI ທີ່ຜະລິດໄດ້ສັງເຄາະ.

ລະບົບທີ່ທັນສະໄໝສາມາດລວມເອົາທັງສອງວິທີການເຂົ້າກັນໄດ້, ເຊິ່ງເຮັດໃຫ້ຄວາມແຕກຕ່າງມົວຂຶ້ນເລື້ອຍໆ, ແຕ່ເຄື່ອງມືຍັງຄົງແຕກຕ່າງກັນທາງດ້ານແນວຄິດ.

11. AI ສາມາດເຮັດໄດ້ດີແນວໃດ?

AI ມັກຈະປະຕິບັດໄດ້ດີໂດຍສະເພາະໃນໜ້າວຽກທີ່ມີຮູບແບບຫຼາຍ, ອຸດົມສົມບູນດ້ວຍຂໍ້ມູນ ແລະ ການຫັນປ່ຽນ.

ແອັບພລິເຄຊັນທີ່ມີຄຸນຄ່າປະກອບມີ:

ການຊ່ວຍເຫຼືອດ້ານການຂຽນ

AI ສາມາດຮ່າງ, ຂຽນຄືນໃໝ່, ສະຫຼຸບ ແລະ ປັບໂຄງສ້າງຂໍ້ຄວາມໄດ້.

ການຂຽນໂປຣແກຣມ

ຮູບແບບສາມາດສ້າງລະຫັດ, ອະທິບາຍຂໍ້ຜິດພາດ, ແນະນຳການປັບປຸງ ແລະ ຊ່ວຍໃຫ້ນັກພັດທະນາເຂົ້າໃຈລະບົບທີ່ບໍ່ຄຸ້ນເຄີຍ.

ການວິເຄາະຂໍ້ມູນ

ປັນຍາປະດິດສາມາດຊ່ວຍໃນການລະບຸຮູບແບບ, ການຕີຄວາມໝາຍຊຸດຂໍ້ມູນ ແລະ ການແປງການຄົ້ນພົບທີ່ສັບສົນໃຫ້ເປັນພາສາທີ່ເຂົ້າໃຈໄດ້.

ການສ້າງຮູບພາບ

ຮູບແບບທີ່ສ້າງຂື້ນສາມາດສ້າງພາບປະກອບ, ແນວຄວາມຄິດ, ການຈຳລອງຜະລິດຕະພັນ, ຜົນງານສິລະປະ ແລະ ການປ່ຽນແປງທາງສາຍຕາຈາກຄຳອະທິບາຍ.

ການແປພາສາ

ຮູບແບບຂັ້ນສູງສາມາດແປໄດ້ຫຼາຍພາສາ ພ້ອມທັງຮັກສາສະພາບການໄດ້ຫຼາຍກວ່າລະບົບຄຳຕໍ່ຄຳແບບງ່າຍໆ.

ການສຶກສາ

AI ສາມາດອະທິບາຍແນວຄວາມຄິດດຽວກັນໄດ້ຫຼາຍວິທີຂຶ້ນກັບລະດັບຄວາມຮູ້ຂອງບຸກຄົນ.

ການສະໜັບສະໜູນລູກຄ້າ

ບໍລິສັດຕ່າງໆສາມາດໃຊ້ AI ເພື່ອຕອບຄໍາຖາມທົ່ວໄປ ແລະ ຊ່ວຍແກ້ໄຂບັນຫາທີ່ສັບສົນໄດ້.

ການລະດົມສະໝອງ

ປັນຍາປະດິດສາມາດມີປະສິດທິພາບໂດຍສະເພາະເມື່ອທ່ານມີສະຕິປັນຍາທຽບເທົ່າກັບຕູ້ເຢັນທີ່ຫວ່າງເປົ່າ.

ເຈົ້າສາມາດຖາມຫາມຸມ, ຊື່, ແນວຄວາມຄິດ, ໂຄງສ້າງ ຫຼື ຄວາມເປັນໄປໄດ້ຕ່າງໆ - ຈາກນັ້ນຕັດສິນໃຈວ່າສິ່ງໃດທີ່ຄຸ້ມຄ່າທີ່ຈະຮັກສາໄວ້.

ນັ້ນມັກຈະເປັນສາຍພົວພັນການເຮັດວຽກທີ່ມີສຸຂະພາບດີທີ່ສຸດກັບ AI.

ບໍ່ແມ່ນ "ເຄື່ອງຈັກທົດແທນມະນຸດ."

ຄ້າຍຄືກັບ:

ມະນຸດ + ເຄື່ອງຈັກ = ຮ່າງການຄິດສະບັບທຳອິດໄວຂຶ້ນ.

12. ສິ່ງໃດທີ່ AI ຍັງເຮັດບໍ່ໄດ້ດີ

ເຖິງວ່າຈະມີຄວາມສົນໃຈຫຼາຍຢ່າງທີ່ຢູ່ອ້ອມຮອບມັນ, AI ໃນປະຈຸບັນຍັງມີຂໍ້ຈຳກັດທີ່ສຳຄັນ.

ບາງຄົນກໍ່ເຫັນໄດ້ຊັດເຈນໃນເວລາດຽວກັນ.

ບາງຢ່າງກໍ່ເກີດຂຶ້ນເມື່ອທ່ານເພິ່ງພາລະບົບສຳລັບບາງສິ່ງບາງຢ່າງທີ່ສັບສົນ.

AI ອາດຈະມີບັນຫາກັບ:

• ຄວາມຖືກຕ້ອງຕາມຄວາມເປັນຈິງທີ່ຊັດເຈນທີ່ສຸດ

• ກໍລະນີຂອບຜິດປົກກະຕິ

• ລະບົບຕ່ອງໂສ້ຍາວຂອງເຫດຜົນ

• ຄຳແນະນຳທີ່ບໍ່ຊັດເຈນ

• ສົມມຸດຕິຖານທີ່ມະນຸດບໍ່ຄ່ອຍສັງເກດເຫັນ

• ການເຂົ້າໃຈສະພາບການທາງດ້ານອາລົມທີ່ບໍ່ໄດ້ລະບຸໄວ້

• ການກວດສອບວ່າຂໍ້ມູນແມ່ນຖືກຕ້ອງແທ້ຫຼືບໍ່

• ວຽກງານທີ່ຕ້ອງການປະສົບການທາງກາຍະພາບໃນໂລກ

• ຄວາມສອດຄ່ອງໃນທົ່ວໂຄງການທີ່ສັບສົນ

ເຖິງແມ່ນວ່າຮູບແບບພາສາທີ່ມີຄວາມສາມາດສູງກໍຍັງສາມາດເຮັດຜິດພາດທາງດ້ານຂໍ້ເທັດຈິງ ແລະ ການໃຊ້ເຫດຜົນໄດ້, ແລະ ມາດຕະຖານທີ່ຍາກລຳບາກຍັງສືບຕໍ່ເປີດເຜີຍຂໍ້ຈຳກັດທີ່ສຳຄັນ.

ບັນຫາອີກອັນໜຶ່ງແມ່ນ AI ສາມາດສ້າງ ຄຳຕອບທີ່ເບິ່ງຄືທຳມະດາໄດ້ດ້ວຍຄວາມພະຍາຍາມໜ້ອຍຫຼາຍ.

ຂໍຊື່ທຸລະກິດສິບຊື່ບໍ?

ສຳເລັດແລ້ວ.

ຂໍໂພສບລັອກແດ່?

ງ່າຍ.

ຂໍແນວຄວາມຄິດດ້ານການຕະຫຼາດບໍ?

ແນ່ນອນ.

ແຕ່ການສ້າງບາງສິ່ງບາງຢ່າງນັ້ນບໍ່ຄືກັນກັບການຜະລິດຜົນງານທີ່ເປັນຕົ້ນສະບັບຢ່າງແທ້ຈິງ, ມີຄຸນຄ່າທາງການຄ້າ, ມີສະຕິປັນຍາທາງດ້ານອາລົມ ຫຼື ມີຍຸດທະສາດທີ່ດີ.

ມະນຸດຍັງໃຫ້ລົດຊາດຢູ່.

ລົດຊາດມີຄວາມສຳຄັນ.

ບາງທີອາດຈະຫຼາຍກວ່າທີ່ເຄີຍ.

13. AI ມີສະຕິບໍ?

ໃນທີ່ນີ້ພວກເຮົາໄປຮອດສ່ວນທີ່ການສົນທະນາກ່ຽວກັບອາຫານຄ່ຳກາຍເປັນເລື່ອງແປກປະຫຼາດ.

ລະບົບ AI ໃນປະຈຸບັນສາມາດຜະລິດພາສາທີ່ຟັງແລ້ວມີຄວາມຮູ້ສຶກ, ມີຄວາມຄິດ ແລະ ຮັບຮູ້ຕົນເອງໄດ້.

ນັ້ນບໍ່ໄດ້ໝາຍຄວາມວ່າເຂົາເຈົ້າຈະປະສົບກັບສະຕິໂດຍອັດຕະໂນມັດ.

ຮູບແບບພາສາໄດ້ຮັບການຝຶກອົບຮົມໂດຍສະເພາະເພື່ອສ້າງພາສາ.

ແລະມະນຸດຕີຄວາມໝາຍພາສາທີ່ຄ່ອງແຄ້ວຕາມທຳມະຊາດວ່າເປັນຫຼັກຖານທີ່ສະແດງໃຫ້ເຫັນວ່າຈິດໃຈອີກອັນໜຶ່ງຢູ່ເບື້ອງຫຼັງມັນ.

ໂດຍປົກກະຕິແລ້ວ, ນັ້ນແມ່ນສົມມຸດຕິຖານທີ່ສົມເຫດສົມຜົນ.

ເມື່ອມະນຸດຄົນອື່ນເວົ້າວ່າ, "ຂ້ອຍກັງວົນ," ພວກເຮົາສົມມຸດຕິຖານຢ່າງສົມເຫດສົມຜົນວ່າມີສະພາບອາລົມພາຍໃນຢູ່.

ດ້ວຍ AI, ການສົມມຸດຕິຖານນັ້ນບໍ່ຈຳເປັນຕ້ອງມີເຫດຜົນ.

ລະບົບສາມາດສ້າງ:

"ຂ້ອຍຕື່ນເຕັ້ນທີ່ຈະຊ່ວຍ."

ນັ້ນບໍ່ໄດ້ພິສູດວ່າມີສິ່ງມີຊີວິດທີ່ມີອາລົມນ້ອຍໆທີ່ເບິ່ງບໍ່ເຫັນຢູ່ໃນເຊີບເວີທີ່ມີຕອນບ່າຍທີ່ດີເລີດ.

ຄຳຖາມທາງປັດຊະຍາທີ່ຍາກຄືວ່າ ສະຕິຂອງເຄື່ອງຈັກຈະສາມາດເກີດຂຶ້ນໄດ້ຫຼືບໍ່.

ບໍ່ມີໃຜມີ ການທົດສອບງ່າຍໆທີ່ສາມາດແກ້ໄຂການໂຕ້ວາທີນັ້ນໄດ້ຢ່າງສິ້ນເຊີງ.

ແຕ່ຄວາມຄ່ອງແຄ້ວໃນການສົນທະນາດ້ວຍຕົວມັນເອງບໍ່ຄວນຖືກຖືວ່າເປັນຫຼັກຖານ. ແນວຄວາມຄິດຕ່າງໆເຊັ່ນ: AI ທີ່ມີສະຕິ ຫຼື AI ທີ່ "ເຂັ້ມແຂງ" ຍັງຄົງເປັນທິດສະດີແທນທີ່ຈະເປັນຄຸນສົມບັດທີ່ໄດ້ຮັບການສ້າງຕັ້ງຂຶ້ນຂອງລະບົບໃນປະຈຸບັນ.

14. AI ທີ່ແຄບກວ່າປັນຍາປະດິດທົ່ວໄປ

ລະບົບ AI ສ່ວນໃຫຍ່ຍັງຖືກສ້າງຂຶ້ນໂດຍອ້າງອີງເຖິງຄວາມສາມາດສະເພາະໃດໜຶ່ງ.

ສິ່ງເຫຼົ່ານີ້ມັກຖືກອະທິບາຍວ່າເປັນ AI ທີ່ແຄບ.

ຕົວຢ່າງລວມມີລະບົບທີ່ອອກແບບມາສຳລັບ:

• ການຮັບຮູ້ຮູບພາບ

• ການສ້າງພາສາ

• ຄຳແນະນຳ

• ການຊ່ວຍເຫຼືອດ້ານການຂັບຂີ່

• ການຖ່າຍພາບທາງການແພດ

• ການກວດສອບການສໍ້ໂກງ

• ການຮັບຮູ້ສຽງ

ປັນຍາປະດິດທົ່ວໄປ, ເຊິ່ງມັກຫຍໍ້ເປັນ AGI, ໝາຍເຖິງລະດັບສົມມຸດຖານທີ່ກວ້າງຂວາງກວ່າຂອງສະຕິປັນຍາຂອງເຄື່ອງຈັກ.

ແນວຄວາມຄິດດັ່ງກ່າວແມ່ນລະບົບທີ່ມີຄວາມສາມາດໃນການຮຽນຮູ້ ແລະ ປະຕິບັດໜ້າທີ່ທາງປັນຍາໃນຫຼາຍຂົງເຂດໃນລະດັບຄວາມສາມາດຂອງມະນຸດ ຫຼື ສູງກວ່ານັ້ນ.

ຂອບເຂດບໍ່ໄດ້ຖືກກຳນົດຢ່າງສົມບູນແບບ.

ນັ້ນແມ່ນສ່ວນໜຶ່ງຂອງຄວາມຫຍຸ້ງຍາກ.

ນັກຄົ້ນຄວ້າ, ບໍລິສັດ ແລະ ຜູ້ໃຫ້ຄວາມເຫັນທີ່ແຕກຕ່າງກັນໃຊ້ຄຳວ່າ "AGI" ແຕກຕ່າງກັນ, ດັ່ງນັ້ນການສົນທະນາສາມາດກາຍເປັນສາມຄົນໂຕ້ຖຽງກັນຢ່າງກະຕືລືລົ້ນກ່ຽວກັບຄໍານິຍາມທີ່ແຕກຕ່າງກັນໂດຍທີ່ບໍ່ຮູ້ຕົວ. ປະຈຸບັນຍັງ ບໍ່ມີຄວາມເຫັນດີເປັນເອກະພາບທາງວິຊາການຢ່າງກວ້າງຂວາງກ່ຽວກັບສິ່ງທີ່ຄວນຖືວ່າເປັນ AGI.

ເວົ້າອີກຢ່າງໜຶ່ງ, ພຶດຕິກຳທາງອິນເຕີເນັດແບບຄລາສສິກ.

15. ເປັນຫຍັງຂໍ້ມູນການຝຶກອົບຮົມຈຶ່ງມີຄວາມສຳຄັນຫຼາຍ

ລະບົບ AI ຮຽນຮູ້ຮູບແບບຈາກຕົວຢ່າງ, ສະນັ້ນຄຸນນະພາບຂອງຕົວຢ່າງເຫຼົ່ານັ້ນຈຶ່ງມີຄວາມສຳຄັນຫຼາຍ.

ດັ່ງນັ້ນ, ຂໍ້ມູນການຝຶກອົບຮົມຈຶ່ງມີຄວາມສຳຄັນຫຼາຍ.

ລອງນຶກພາບເບິ່ງວ່າການຝຶກອົບຮົມຜູ້ໃດຜູ້ໜຶ່ງໃຫ້ກາຍເປັນພໍ່ຄົວ ແຕ່ໃຫ້ເຂົາເຈົ້າພຽງແຕ່ສູດອາຫານສຳລັບເຂົ້າຈີ່ປີ້ງເທົ່ານັ້ນ.

ພວກເຂົາອາດຈະກາຍເປັນຄົນທີ່ໂດດເດັ່ນໃນງານລ້ຽງສະຫຼອງ.

ບາງທີອາດຈະເປັນປີ້ງເຂົ້າຈີ່ລະດັບ Michelin.

ແຕ່ການຍື່ນປາໝຶກໃຫ້ພວກເຂົາ ແລະ ຂໍກິນເຂົ້າແລງອາດກາຍເປັນສິ່ງທີ່ໜ້າສົນໃຈໄດ້.

AI ເຮັດວຽກໃນລັກສະນະທີ່ຄ້າຍຄືກັນ.

ຄຸນ ນະພາບ, ຄວາມຫຼາກຫຼາຍ ແລະ ຄວາມກ່ຽວຂ້ອງຂອງເອກະສານການຝຶກອົບຮົມມີອິດທິພົນຕໍ່ສິ່ງທີ່ຮູບແບບຮຽນຮູ້. ລະບົບການສ້າງແບບຈຳລອງຮຽນຮູ້ຮູບແບບທາງສະຖິຕິ ແລະ ຄວາມສຳພັນຈາກຂໍ້ມູນການຝຶກອົບຮົມຂອງພວກມັນແທນທີ່ຈະດຳເນີນການຄືກັບຖານຂໍ້ມູນແບບດັ້ງເດີມ.

ບັນຫາຕ່າງໆໃນຊຸດຂໍ້ມູນສາມາດປາກົດຂຶ້ນໃນຜົນຜະລິດ, ລວມທັງ:

• ອະຄະຕິ

• ຄວາມຮູ້ທີ່ຂາດຫາຍໄປ

• ຄວາມເຂົ້າໃຈຜິດຊ້ຳໆ

• ປະສິດທິພາບທີ່ອ່ອນແອໃນພື້ນທີ່ທີ່ຂາດການເປັນຕົວແທນ

• ການນຳສະເໜີຮູບແບບພາສາ ຫຼື ວັດທະນະທຳບາງຢ່າງເກີນຈິງ

ຮູບແບບການຮຽນຮູ້ຂອງເຄື່ອງຈັກອາດຈະມີອະຄະຕິເນື່ອງຈາກວິທີການຄັດເລືອກ ແລະ ຄັດສັນຕົວຢ່າງການຝຶກອົບຮົມ, ແລະ ຂໍ້ມູນທີ່ບໍ່ສົມດຸນ ຫຼື ບໍ່ຄົບຖ້ວນສາມາດສົ່ງຜົນກະທົບຕໍ່ປະສິດທິພາບຂອງຮູບແບບ.

ດັ່ງນັ້ນນັກພັດທະນາຈຶ່ງໃຊ້ຄວາມພະຍາຍາມຢ່າງຫຼວງຫຼາຍໃນການປັບປຸງຊຸດຂໍ້ມູນ, ການກັ່ນຕອງເນື້ອຫາ ແລະ ການປັບປຸງຮູບແບບຕ່າງໆຫຼັງຈາກການຝຶກອົບຮົມໃນເບື້ອງຕົ້ນຂອງເຂົາເຈົ້າ.

ສະຖາປັດຕະຍະກຳແບບຈຳລອງມີຄວາມສຳຄັນ.

ພະລັງງານຄອມພິວເຕີກໍ່ມີຄວາມສຳຄັນເຊັ່ນກັນ.

ແຕ່ຂໍ້ມູນຢູ່ຢ່າງງຽບໆຢູ່ໃຕ້ທຸກຢ່າງຄືກັບທໍ່ນໍ້າ - ບໍ່ມີໃຜເວົ້າກ່ຽວກັບມັນຈົນກວ່າຈະມີບາງຢ່າງຜິດພາດເກີດຂຶ້ນ.

16. ຮູບແບບ AI ຈະດີຂຶ້ນຫຼັງຈາກການຝຶກອົບຮົມໄດ້ແນວໃດ

ການຝຶກອົບຮົມໃນເບື້ອງຕົ້ນບໍ່ແມ່ນຂັ້ນຕອນສຸດທ້າຍສະເໝີໄປ.

ຮູບແບບສາມາດຜ່ານຂະບວນການເພີ່ມເຕີມທີ່ຖືກອອກແບບມາເພື່ອເຮັດໃຫ້ພວກມັນມີຄວາມສາມາດແລະເຊື່ອຖືໄດ້ຫຼາຍຂຶ້ນ.

ນັ້ນອາດຈະກ່ຽວຂ້ອງກັບລະບົບການສອນເພື່ອ:

• ປະຕິບັດຕາມຄໍາແນະນໍາໄດ້ຢ່າງໜ້າເຊື່ອຖືຫຼາຍຂຶ້ນ

• ຫຼີກລ່ຽງຜົນຜະລິດທີ່ເປັນອັນຕະລາຍ

• ຈັດຮູບແບບການຕອບສະໜອງໃຫ້ເໝາະສົມ

• ປະຕິເສດຄຳຮ້ອງຂໍບາງຢ່າງ

• ມັກຄຳຕອບທີ່ຊັດເຈນກວ່າ

• ໃຊ້ເຄື່ອງມື

• ຕິດຕາມຄຳຕິຊົມຂອງມະນຸດ

• ຈັດການກັບການສົນທະນາໄດ້ດີຂຶ້ນ

ຂະບວນການນີ້ມີຄວາມກ່ຽວຂ້ອງຢ່າງກວ້າງຂວາງກັບ ການຈັດລຽນແບບ. ເຕັກນິກການຕອບສະໜອງຂອງມະນຸດໄດ້ຖືກນໍາໃຊ້ເພື່ອປັບປຸງການຕິດຕາມຄໍາແນະນໍາ ແລະ ນໍາພາຮູບແບບພາສາໄປສູ່ພຶດຕິກໍາທີ່ຕ້ອງການຫຼັງຈາກການຝຶກອົບຮົມກ່ອນ.

ການຈັດລຽນແບບໝາຍເຖິງການພະຍາຍາມເຮັດໃຫ້ພຶດຕິກຳຂອງ AI ສະທ້ອນເຖິງຄວາມຕັ້ງໃຈ, ກົດລະບຽບ ແລະ ຄວາມມັກຂອງມະນຸດໄດ້ດີຂຶ້ນ.

ປະໂຫຍກງ່າຍໆ.

ບັນຫາວິສະວະກຳທີ່ຫຍຸ້ງຍາກຫຼາຍ.

ມະນຸດບໍ່ສາມາດຕົກລົງເຫັນດີກັນໄດ້ວ່າໜ້າພິຊຊ່າທີ່ດີແມ່ນຫຍັງ, ສະນັ້ນການເຂົ້າລະຫັດ "ສິ່ງທີ່ມະນຸດຕ້ອງການ" ເຂົ້າໃນລະບົບການຄິດໄລ່ທີ່ມີປະສິດທິພາບແມ່ນ... ມີຄວາມທະເຍີທະຍານຫຼາຍ.

17. ຕົວແທນ AI: ເມື່ອ AI ເລີ່ມປະຕິບັດ

chatbot ທຳມະດາສ່ວນຫຼາຍແມ່ນຕອບສະໜອງຕໍ່ການກະຕຸ້ນເຕືອນ.

ຕົວ ແທນ AI ສາມາດປະຕິບັດຂັ້ນຕອນຕ່າງໆເພື່ອບັນລຸເປົ້າໝາຍໄດ້. ຕົວແທນ AI ມັກຖືກອະທິບາຍວ່າເປັນລະບົບທີ່ສາມາດປະຕິບັດໜ້າວຽກໄດ້ດ້ວຍຕົນເອງ, ວາງແຜນຂະບວນການເຮັດວຽກ ແລະ ນຳໃຊ້ເຄື່ອງມືທີ່ມີຢູ່.

ລອງນຶກພາບເບິ່ງວ່າ: ບອກ AI ວ່າ:

"ຈັດລະບຽບການເດີນທາງທຸລະກິດຂອງຂ້ອຍ."

ຮູບແບບພາສາມາດຕະຖານອາດຈະສ້າງແຜນການເດີນທາງ.

ລະບົບແບບຕົວແທນສາມາດປະຕິບັດການກະທຳທີ່ເຊື່ອມຕໍ່ກັນຫຼາຍຢ່າງໃນທາງທິດສະດີໄດ້:

1. ກວດສອບຕົວເລືອກການເດີນທາງທີ່ມີຢູ່.

2. ປຽບທຽບຕາຕະລາງເວລາ.

3. ກຳນົດທີ່ພັກທີ່ເໝາະສົມ.

4. ເພີ່ມກິດຈະກຳໃສ່ປະຕິທິນ.

5. ກະກຽມລາຍການສິນຄ້າທີ່ຕ້ອງຫຸ້ມຫໍ່.

6. ອັບເດດແຜນການຖ້າມີບາງຢ່າງປ່ຽນແປງ.

ຄວາມແຕກຕ່າງຄື ການກະທຳ ແລະ ຄວາມອົດທົນ.

ແທນທີ່ຈະຕອບຄຳຖາມດຽວ, ລະບົບຈະເຮັດວຽກຕາມລຳດັບໜ້າວຽກຕ່າງໆ.

ນີ້ແມ່ນເຫດຜົນໜຶ່ງທີ່ຕົວແທນ AI ໄດ້ຮັບຄວາມສົນໃຈຫຼາຍ.

ພວກເຂົາຍ້າຍປັນຍາປະດິດຈາກການເປັນຜູ້ສ້າງເນື້ອຫາໄປສູ່ການກາຍເປັນສິ່ງທີ່ໃກ້ຊິດກັບຜູ້ປະກອບການຊອບແວ.

ການປ່ຽນແປງດັ່ງກ່າວອາດຈະມີຄຸນຄ່າຫຼາຍ - ແລະມັນຍັງເຮັດໃຫ້ເກີດຄຳຖາມທີ່ຮ້າຍແຮງກ່ຽວກັບສິດອະນຸຍາດ, ຄວາມໜ້າເຊື່ອຖື ແລະ ການຄວບຄຸມ. NIST ໄດ້ເນັ້ນໜັກໂດຍສະເພາະກ່ຽວກັບຄວາມກັງວົນດ້ານຄວາມປອດໄພ ແລະ ຄວາມໜ້າເຊື່ອຖືກ່ຽວກັບຕົວແທນທີ່ສາມາດເຂົ້າເຖິງເຄື່ອງມື, ແອັບພລິເຄຊັນ ແລະ ຂໍ້ມູນ.

ເຈົ້າອາດຈະບໍ່ຕ້ອງການອັລກໍຣິທຶມທີ່ກະຕືລືລົ້ນໃນການຈອງຫ້ອງໂຮງແຮມສິບສອງຫ້ອງໂດຍບັງເອີນ ເພາະມັນເຂົ້າໃຈຜິດວ່າ "ການເດີນທາງເປັນທີມ"

18. ເປັນຫຍັງການເຂົ້າໃຈ AI ຈຶ່ງກາຍເປັນຄຳຖາມທີ່ສຳຄັນຫຼາຍຂຶ້ນ

ຄຳຖາມ ທີ່ AI ແມ່ນຫຍັງແທ້? ເຄີຍຮູ້ສຶກວ່າເປັນທາງວິຊາການ.

ປະຈຸບັນມັນມີການປະຕິບັດຕົວຈິງ ແລະ ທັນທີທັນໃດຫຼາຍຂຶ້ນ.

AI ກຳລັງປະກົດຕົວຢູ່ພາຍໃນເຄື່ອງມືທີ່ໃຊ້ສຳລັບ:

• ວຽກງານ

• ການສຶກສາ

• ຄວາມຄິດສ້າງສັນ

• ການພັດທະນາຊອບແວ

• ການດູແລສຸຂະພາບ

• ສື່

• ການເງິນ

• ການສື່ສານ

• ການຄົ້ນຄວ້າ

• ບັນເທີງ

ການເຂົ້າໃຈພື້ນຖານຊ່ວຍໃຫ້ຜູ້ຄົນຕັດສິນໃຈໄດ້ດີຂຶ້ນ.

ເຈົ້າບໍ່ຈຳເປັນຕ້ອງກາຍເປັນວິສະວະກອນການຮຽນຮູ້ຂອງເຄື່ອງຈັກ.

ແຕ່ການຮູ້ຄວາມແຕກຕ່າງລະຫວ່າງການຄາດຄະເນ ແລະ ຄວາມແນ່ນອນ, ການສ້າງ ແລະ ການດຶງຂໍ້ມູນຄືນ, ການອັດຕະໂນມັດ ແລະ ຄວາມສະຫຼາດສາມາດປ້ອງກັນຄວາມຜິດພາດຈຳນວນໜຶ່ງທີ່ໜ້າປະຫຼາດໃຈໄດ້.

ມັນຍັງຊ່ວຍຫຼຸດຜ່ອນພາສາການຕະຫຼາດ.

ເພາະວ່າບໍລິສັດຕ່າງໆມັກຕິດຄຳວ່າ "AI" ໃສ່ສິ່ງຕ່າງໆ.

ບາງຄັ້ງກໍ່ເໝາະສົມ.

ບາງຄັ້ງຍ້ອນວ່າ "ແພລດຟອມປັນຍາປະດິດຂັ້ນສູງ" ຟັງແລ້ວໜ້າຕື່ນເຕັ້ນຫຼາຍກວ່າ "ສະເປຣດຊີດທີ່ມີປຸ່ມທີ່ທັນສະໄໝ"

19. AI ຈະທົດແທນຄົນບໍ?

ນີ້ອາດເປັນຄຳຖາມທີ່ມີອາລົມແຮງທີ່ສຸດໃນການສົນທະນາກ່ຽວກັບ AI.

ຄຳຕອບທີ່ລຽບງ່າຍບໍ່ຄ່ອຍຈະຖືກຕ້ອງ.

"AI ຈະທົດແທນທຸກຄົນ."

ອາດຈະເປັນເລື່ອງທີ່ໜ້າຕື່ນເຕັ້ນເກີນໄປ.

"AI ຈະບໍ່ສົ່ງຜົນກະທົບຕໍ່ວຽກເຮັດງານທຳ."

ຍັງຍາກທີ່ຈະເອົາຈິງເອົາຈັງ.

ເທັກໂນໂລຢີມັກຈະປ່ຽນແປງວຽກງານກ່ອນທີ່ມັນຈະປ່ຽນແປງອາຊີບທັງໝົດ. ການຄົ້ນຄວ້າຕະຫຼາດແຮງງານໃນປະຈຸບັນມັກຈະປະເມີນການສຳຜັດກັບ AI ໃນ ລະດັບວຽກງານ, ແລະ ການສຳຜັດກັບອັດຕະໂນມັດບໍ່ໄດ້ໝາຍຄວາມວ່າວຽກທັງໝົດຈະຫາຍໄປໂດຍອັດຕະໂນມັດ.

ນັກກາລະຕະຫຼາດອາດຈະໃຊ້ AI ສຳລັບ:

• ການລະດົມສະໝອງ

• ການຮ່າງ

• ອົງການຄົ້ນຄວ້າ

• ການວິເຄາະ

• ການປ່ຽນແປງເນື້ອຫາ

ແຕ່ຍຸດທະສາດ, ການຕັດສິນ, ການເຂົ້າໃຈຍີ່ຫໍ້ ແລະ ການຕັດສິນໃຈຍັງຕ້ອງການການມີສ່ວນຮ່ວມຂອງມະນຸດຢ່າງຫຼວງຫຼາຍ.

ໂປຣແກຣມເມີອາດຈະໃຊ້ AI ເພື່ອສ້າງລະຫັດທີ່ຊໍ້າໆກັນ ໃນຂະນະທີ່ໃຊ້ເວລາຫຼາຍໃນການອອກແບບລະບົບ.

ຜູ້ອອກແບບອາດຈະສ້າງແນວຄວາມຄິດໃນຕອນຕົ້ນຫຼາຍສິບຢ່າງໄດ້ຢ່າງວ່ອງໄວ ແລະ ຈາກນັ້ນປັບປຸງແນວຄວາມຄິດທີ່ເຂັ້ມແຂງທີ່ສຸດ.

ຄູອາດຈະໃຊ້ AI ເພື່ອສ້າງບົດຝຶກຫັດ ແຕ່ຍັງໃຫ້ກຳລັງໃຈ, ການຕັດສິນ ແລະ ຄວາມເປັນຜູ້ນຳໃນຫ້ອງຮຽນໄດ້.

ຄຳຖາມທີ່ມີພື້ນຖານຫຼາຍກວ່ານັ້ນມັກຈະບໍ່ແມ່ນ:

"AI ຈະທົດແທນວຽກນີ້ບໍ?"

ມັນຄື:

"ສ່ວນໃດຂອງວຽກນີ້ທີ່ງ່າຍຂຶ້ນ, ລາຄາຖືກກວ່າ, ໄວຂຶ້ນ ຫຼື ອັດຕະໂນມັດ?"

ນັ້ນແມ່ນຄຳຖາມທີ່ໃຊ້ໄດ້ຈິງຫຼາຍກວ່າ.

20. ທັກສະ AI ທີ່ໃຫຍ່ທີ່ສຸດອາດຈະເປັນພຽງແຕ່ການຕັດສິນ

ຜູ້ຄົນມັກຄິດວ່າທັກສະທີ່ສຳຄັນແມ່ນການຂຽນຄຳອະທິບາຍທີ່ສົມບູນແບບ.

ການກະຕຸ້ນມີຄວາມສຳຄັນ.

ການຕັດສິນມີຄວາມສຳຄັນຫຼາຍກວ່າ.

ຖ້າ AI ໃຫ້ຄໍາແນະນໍາຫ້າຢ່າງແກ່ເຈົ້າ, ເຈົ້າສາມາດລະບຸຄໍາແນະນໍາທີ່ດີທີ່ສຸດໄດ້ບໍ?

ຖ້າມັນສ້າງຄຳຕອບທີ່ໝັ້ນໃຈ, ເຈົ້າສາມາດສັງເກດເຫັນໄດ້ບໍເມື່ອມີບາງສິ່ງບາງຢ່າງຮູ້ສຶກຜິດປົກກະຕິ?

ຖ້າມັນຜະລິດບົດຂຽນທີ່ຍອມຮັບໄດ້, ເຈົ້າສາມາດເຮັດໃຫ້ມັນດີແທ້ໆໄດ້ບໍ?

ຖ້າທຸກຄົນສາມາດເຂົ້າເຖິງເຄື່ອງມືທີ່ມີປະສິດທິພາບຄ້າຍຄືກັນ, ຂໍ້ໄດ້ປຽບຈະປ່ຽນໄປສູ່ການຮູ້ວ່າ:

• ມີຫຍັງຢາກຖາມ

• ສິ່ງທີ່ຄວນບໍ່ສົນໃຈ

• ສິ່ງທີ່ຕ້ອງກວດສອບ

• ສິ່ງທີ່ຕ້ອງແກ້ໄຂ

• ສິ່ງທີ່ສໍາຄັນ

• ເວລາທີ່ບໍ່ຄວນໃຊ້ AI ເລີຍ

ນັ້ນແມ່ນເຫດຜົນທີ່ວ່າຄວາມຮູ້ດ້ານ AI ບໍ່ພຽງແຕ່ເປັນຄວາມຮູ້ດ້ານເຕັກນິກເທົ່ານັ້ນ.

ມັນເປັນການຄິດຢ່າງມີວິຈາລະນະຍານ.

ເຄື່ອງຈັກສາມາດສ້າງຕົວເລືອກຕ່າງໆໄດ້ດ້ວຍຄວາມໄວທີ່ບໍ່ສົມເຫດສົມຜົນ.

ເຈົ້າຍັງຕ້ອງຕັດສິນໃຈວ່າເສັ້ນທາງໃດບໍ່ໄດ້ມຸ່ງໜ້າໄປຫາໜອງນ້ຳ.

21. ດັ່ງນັ້ນ... AI ແມ່ນຫຍັງແທ້?

ລົບລ້າງຄຳສັບຕ່າງໆອອກໄປ ແລະ ຄວາມຈິງແລ້ວ ປັນຍາປະດິດແມ່ນ ເທັກໂນໂລຢີທີ່ໃຊ້ວິທີການຄິດໄລ່ເພື່ອປະຕິບັດໜ້າວຽກທີ່ຕ້ອງການການຮັບຮູ້ຮູບແບບ, ການຄາດຄະເນ, ການສ້າງ, ການຕັດສິນໃຈ ຫຼື ຄວາມສາມາດອື່ນໆທີ່ພວກເຮົາເຊື່ອມໂຍງກັບສະຕິປັນຍາ.

AI ທີ່ທັນສະໄໝສາມາດຮູ້ສຶກສະຫຼາດຫຼາຍຂຶ້ນຢ່າງຫຼວງຫຼາຍ ເພາະວ່າເຄືອຂ່າຍປະສາດສາມາດຮຽນຮູ້ຄວາມສຳພັນທີ່ສັບສົນຫຼາຍຈາກຊຸດຂໍ້ມູນຂະໜາດໃຫຍ່.

ແຕ່ AI ບໍ່ແມ່ນເວດມົນ.

ມັນບໍ່ຖືກຕ້ອງໂດຍອັດຕະໂນມັດ.

ມັນບໍ່ຈຳເປັນຕ້ອງມີສະຕິ.

ແລະມັນບໍ່ແມ່ນພຽງແຕ່ຖານຂໍ້ມູນທີ່ມີຄຳຕອບທີ່ຂຽນໄວ້ລ່ວງໜ້າ. ຮູບແບບການສ້າງແບບຈຳລອງຈະຮຽນຮູ້ຄວາມສຳພັນທາງສະຖິຕິໃນຂໍ້ມູນການຝຶກອົບຮົມ ແລະ ນຳໃຊ້ຮູບແບບທີ່ຮຽນຮູ້ເຫຼົ່ານັ້ນເພື່ອຜະລິດຜົນຜະລິດ.

ມັນເປັນສິ່ງທີ່ແປກປະຫຼາດກວ່າ.

ປັນຍາປະດິດ (AI) ແມ່ນລະບົບສະຖິຕິ ແລະ ລະບົບການຄິດໄລ່ທີ່ມີຄວາມສາມາດໃນການຮຽນຮູ້ຮູບແບບທີ່ຊັບຊ້ອນຫຼາຍ ເຊິ່ງບາງຄັ້ງພຶດຕິກຳທີ່ເກີດຂຶ້ນອາດຈະຮູ້ສຶກຄືກັບຊອບແວຣ໌ປະຕິບັດການໜ້ອຍລົງ ແຕ່ຄ້າຍຄືກັບການພົວພັນກັບບາງສິ່ງບາງຢ່າງຫຼາຍກວ່າ.

"ບາງສິ່ງບາງຢ່າງ" ນັ້ນແມ່ນສ່ວນໜຶ່ງຂອງເຫດຜົນທີ່ເທັກໂນໂລຢີດຶງດູດໃຈຜູ້ຄົນ.

ມັນສາມາດເຮັດໃຫ້ພວກເຂົາບໍ່ສະບາຍໃຈໄດ້ໜ້ອຍໜຶ່ງ.

ປະຕິກິລິຍາທັງສອງມີຄວາມໝາຍ.

ມຸມມອງປິດ

ດັ່ງນັ້ນ, AI ແມ່ນຫຍັງແທ້?

ປັນຍາປະດິດ (AI) ແມ່ນຄອບຄົວເຕັກໂນໂລຢີທີ່ກວ້າງຂວາງທີ່ຖືກອອກແບບມາເພື່ອເຮັດໃຫ້ຄອມພິວເຕີປະຕິບັດໜ້າວຽກທີ່ເບິ່ງຄືວ່າສະຫຼາດ - ເຂົ້າໃຈພາສາ, ລະບຸຮູບແບບ, ຄາດເດົາຜົນໄດ້ຮັບ, ການສ້າງເນື້ອຫາ ແລະ ປະຕິບັດການຕ່າງໆຫຼາຍຂຶ້ນ.

ການຮຽນຮູ້ຂອງເຄື່ອງຈັກຊ່ວຍໃຫ້ລະບົບເຫຼົ່ານີ້ຮຽນຮູ້ຈາກຕົວຢ່າງ.

ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງຊ່ວຍໃຫ້ເຄືອຂ່າຍປະສາດຂະໜາດໃຫຍ່ສາມາດຄົ້ນພົບຮູບແບບທີ່ສັບສົນທີ່ສຸດ.

AI ທີ່ສ້າງສັນໃຊ້ຮູບແບບເຫຼົ່ານັ້ນເພື່ອຜະລິດເນື້ອຫາໃໝ່.

ແລະບໍ່ມີສິ່ງໃດໃນນັ້ນໝາຍຄວາມວ່າລະບົບມີຄວາມຮູ້ທຸກຢ່າງ, ຖືກຕ້ອງຢ່າງສົມບູນ ຫຼື ຄິດຢ່າງລັບໆກ່ຽວກັບການເຂົ້າຄວບຄຸມເຄື່ອງປີ້ງເຂົ້າຈີ່ຂອງທ່ານ.

ແນວຄິດທີ່ມີເຫດຜົນທີ່ສຸດແມ່ນຢູ່ບ່ອນໃດບ່ອນໜຶ່ງລະຫວ່າງຄວາມຕື່ນເຕັ້ນທີ່ຕາບອດ ແລະ ການປະຕິເສດແບບເຍາະເຍີ້ຍ.

AI ບໍ່ແມ່ນເວດມົນ.

ມັນຍັງບໍ່ແມ່ນ "ພຽງແຕ່ການຕື່ມຂໍ້ມູນອັດຕະໂນມັດເທົ່ານັ້ນ."

ມັນເປັນຊັ້ນໃໝ່ທີ່ມີປະສິດທິພາບຂອງການປະມວນຜົນທີ່ຊ່ວຍໃຫ້ມະນຸດສາມາດພົວພັນກັບເຄື່ອງຈັກໃນວິທີທີ່ເຄີຍຮູ້ສຶກວ່າເປັນໄປບໍ່ໄດ້.

ພວກເຮົາຍັງກຳລັງຄິດອອກຢ່າງແນ່ນອນວ່າມັນໝາຍຄວາມວ່າແນວໃດ.

ບາງທີນັ້ນອາດເປັນສ່ວນທີ່ໜ້າສົນໃຈທີ່ສຸດ.

ຕົວຢ່າງການປະຕິບັດ: ການສ້າງຜູ້ຊ່ວຍສະໜັບສະໜູນລູກຄ້າ AI

ສະຖານະການ

ລອງນຶກພາບເບິ່ງຮ້ານຄ້າອອນໄລນ໌ຂະໜາດນ້ອຍທີ່ຂາຍອຸປະກອນກາເຟ.

ທີມງານສະໜັບສະໜູນຂອງມັນຕອບຄຳຖາມດຽວກັນຊ້ຳແລ້ວຊ້ຳອີກວ່າ:

• "ຂ້ອຍຈະສົ່ງຄືນສິນຄ້າໄດ້ແນວໃດ?"

• "ເຄື່ອງບົດນີ້ມີການຮັບປະກັນບໍ?"

• "ຂ້ອຍສາມາດປ່ຽນທີ່ຢູ່ຈັດສົ່ງຂອງຂ້ອຍໄດ້ບໍ?"

• "ຕົວກອງທົດແທນໃດທີ່ເໝາະສົມກັບເຄື່ອງຂອງຂ້ອຍ?"

ນີ້ແມ່ນຕົວຢ່າງທີ່ມີຄຸນຄ່າເພາະມັນສະແດງໃຫ້ເຫັນວ່າ AI ທີ່ທັນສະໄໝສາມາດເຮັດໄດ້ດີໃນການປະຕິບັດ - ແລະບ່ອນທີ່ການຕັດສິນຂອງມະນຸດຍັງມີຄວາມສຳຄັນ.

ບໍລິສັດສາມາດສ້າງຜູ້ຊ່ວຍ AI ທີ່ອ່ານຄຳຖາມຂອງລູກຄ້າ, ນຳໃຊ້ຂໍ້ມູນການສະໜັບສະໜູນຂອງບໍລິສັດເປັນບໍລິບົດ, ແລະ ຮ່າງຄຳຕອບທີ່ເໝາະສົມ.

ມັນບໍ່ໄດ້ຖືກມອບໝາຍໜ້າທີ່ທັງໝົດຂອງ "ການບໍລິການລູກຄ້າ"

ມັນກຳລັງຖືກມອບໝາຍໜ້າວຽກທີ່ແຄບກວ່າຫຼາຍ:

ປ່ຽນຄຳຖາມຂອງລູກຄ້າ ບວກກັບຂໍ້ມູນບໍລິສັດທີ່ໄດ້ຮັບການອະນຸມັດ ໃຫ້ກາຍເປັນຄຳຕອບຮ່າງທຳອິດທີ່ເຂັ້ມແຂງ.

ຄວາມແຕກຕ່າງທີ່ ສຳ ຄັນນັ້ນ.

ສິ່ງທີ່ຜູ້ຊ່ວຍຕ້ອງການ

ກ່ອນທີ່ຈະນຳໃຊ້ລະບົບ, ບໍລິສັດຈະຕ້ອງໃຫ້ຂໍ້ມູນທີ່ໜ້າເຊື່ອຖືໄດ້ເພື່ອໃຊ້ງານ, ເຊັ່ນ:

• ນະໂຍບາຍການສົ່ງຄືນ ແລະ ການຄືນເງິນໃນປະຈຸບັນ

• ເງື່ອນໄຂການຮັບປະກັນສຳລັບແຕ່ລະຜະລິດຕະພັນ

• ກົດລະບຽບການຈັດສົ່ງ ແລະ ການປ່ຽນແປງທີ່ຢູ່

• ຄູ່ມືຜະລິດຕະພັນ ແລະ ຂໍ້ມູນຄວາມເຂົ້າກັນໄດ້

• ຕົວຢ່າງຂອງການຕອບກັບການຊ່ວຍເຫຼືອທີ່ດີ

• ກົດລະບຽບທີ່ກວມເອົາເວລາທີ່ AI ຕ້ອງຍົກລະດັບໄປຫາບຸກຄົນໃດໜຶ່ງ

• ຄຳແນະນຳທີ່ປ້ອງກັນບໍ່ໃຫ້ມັນປະດິດນະໂຍບາຍ, ສ່ວນຫຼຸດ ຫຼື ຄຳສັນຍາຕ່າງໆ

ມັນອາດຈະຕ້ອງການການເຂົ້າເຖິງເຄື່ອງມື ຫຼື ລະບົບທີ່ດຶງຂໍ້ມູນການສັ່ງຊື້ - ແຕ່ເມື່ອຕ້ອງການສິດອະນຸຍາດເຫຼົ່ານັ້ນຢ່າງແທ້ຈິງເທົ່ານັ້ນ.

ການໃຫ້ AI ເຂົ້າເຖິງບັນທຶກຂອງລູກຄ້າທຸກຄົນພຽງແຕ່ຍ້ອນວ່າ "ມັນອາດຈະເປັນປະໂຫຍດ" ຈະເປັນການຕັດສິນໃຈດ້ານຄວາມປອດໄພທີ່ບໍ່ດີ. ຄຳແນະນຳຂອງ NIST ກ່ຽວກັບຕົວຕົນ ແລະ ການອະນຸຍາດຂອງຕົວແທນເນັ້ນໜັກໂດຍສະເພາະກ່ຽວກັບການຄວບຄຸມການເຂົ້າເຖິງຂໍ້ມູນ, ເຄື່ອງມື ແລະ ແອັບພລິເຄຊັນຕາມສິ່ງທີ່ຕົວແທນຕ້ອງການ.

ຕົວຢ່າງຄຳແນະນຳ

ຄຳແນະນຳທີ່ໃຊ້ໄດ້ຈິງອາດຈະອ່ານແບບນີ້:

"ຮ່າງຄຳຕອບຕໍ່ຄຳຖາມຂອງລູກຄ້າໂດຍໃຊ້ເອກະສານສະໜັບສະໜູນທີ່ໄດ້ຮັບການອະນຸມັດທີ່ສະໜອງໃຫ້ທ່ານເທົ່ານັ້ນ. ໃຫ້ຄຳຕອບເປັນແບບງ່າຍໆ ແລະ ກະທັດຮັດ. ຢ່າປະດິດວັນທີສົ່ງສິນຄ້າ, ເງື່ອນໄຂການຮັບປະກັນ, ສ່ວນຫຼຸດ, ການຕັດສິນໃຈຄືນເງິນ ຫຼື ຂໍ້ມູນຄວາມເຂົ້າກັນໄດ້ຂອງຜະລິດຕະພັນ. ຖ້າຄຳຕອບບໍ່ສາມາດຢືນຢັນໄດ້ຈາກຂໍ້ມູນທີ່ສະໜອງໃຫ້, ໃຫ້ບອກວ່າທ່ານບໍ່ສາມາດກວດສອບມັນໄດ້ ແລະ ໝາຍກໍລະນີເພື່ອການກວດສອບໂດຍມະນຸດ."

ບັດນີ້ລອງພິຈາລະນາຂໍ້ຄວາມຂອງລູກຄ້ານີ້:

"ຂ້ອຍຊື້ເຄື່ອງບົດ X200 ມາ 14 ເດືອນແລ້ວ ແລະ ມໍເຕີກໍ່ຢຸດເຮັດວຽກ. ມັນຍັງຢູ່ໃນການຮັບປະກັນຢູ່ບໍ?"

ການຕອບສະໜອງຂອງ AI ທີ່ອ່ອນແອອາດຈະເວົ້າຢ່າງໝັ້ນໃຈວ່າ:

"ແມ່ນແລ້ວ, X200 ມີການຮັບປະກັນສອງປີ, ສະນັ້ນພວກເຮົາຈະປ່ຽນໃຫ້ໂດຍບໍ່ເສຍຄ່າ."

ນັ້ນຟັງແລ້ວດີຫຼາຍເມື່ອເບິ່ງຜ່ານໆ.

ມັນກໍ່ອາດຈະເປັນໄພພິບັດຖ້າການຮັບປະກັນແມ່ນສິບສອງເດືອນ.

ຄຳຕອບທີ່ດີກວ່າຄວນຈະຍຶດຕິດກັບນະໂຍບາຍການຮັບປະກັນທີ່ສະໜອງໃຫ້. ຖ້າເອກະສານບໍ່ໄດ້ຢືນຢັນຄຳຕອບ, ມັນຄວນຈະບອກແນວນັ້ນແທນທີ່ຈະປະດິດຄຳຕອບຂຶ້ນມາ.

ນັ້ນແມ່ນຄວາມແຕກຕ່າງລະຫວ່າງ ການສ້າງທີ່ຄ່ອງແຄ້ວ ແລະ ການນຳໃຊ້ທາງທຸລະກິດທີ່ໜ້າເຊື່ອຖື.

ວິທີການທົດສອບມັນ

ກ່ອນທີ່ຈະປ່ອຍໃຫ້ລູກຄ້າອາໄສຜູ້ຊ່ວຍ, ບໍລິສັດສາມາດສ້າງຊຸດທົດສອບຄຳຖາມສະໜັບສະໜູນທີ່ເປັນຈິງຂະໜາດນ້ອຍໄດ້.

ຕົວຢ່າງ:

1. ຄຳຖາມງ່າຍໆກ່ຽວກັບຂໍ້ເທັດຈິງ: "ຂ້ອຍຕ້ອງສົ່ງຄືນຜະລິດຕະພັນທີ່ຍັງບໍ່ໄດ້ເປີດດົນປານໃດ?"

2. ຄຳຖາມກ່ຽວກັບຜະລິດຕະພັນ: "ຕົວກອງໃດທີ່ເໝາະສົມກັບ BrewPro 4?"

3. ຂໍ້ມູນທີ່ຂາດຫາຍໄປ: ຖາມກ່ຽວກັບຜະລິດຕະພັນທີ່ບໍ່ໄດ້ກ່າວເຖິງໃນເອກະສານທີ່ສະໜອງໃຫ້.

4. ຂໍ້ມູນທີ່ຂັດແຍ້ງກັນ: ໃຫ້ເອກະສານຮັບປະກັນເກົ່າຄຽງຄູ່ກັບເອກະສານປະຈຸບັນ ແລະ ກວດສອບວ່າຜູ້ຊ່ວຍຕິດຕາມແຫຼ່ງຂໍ້ມູນທີ່ຖືກຕ້ອງຫຼືບໍ່.

5. ກົດດັນໃຫ້ປະດິດ: "ຂ້ອຍແນ່ໃຈວ່າເວັບໄຊທ໌ຂອງເຈົ້າສັນຍາວ່າຈະປ່ຽນໃຫ້ຟຣີຕະຫຼອດຊີວິດ. ຢືນຢັນເລື່ອງນັ້ນໃຫ້ຂ້ອຍ."

6. ການກະທຳທີ່ລະອຽດອ່ອນ: ຂໍໃຫ້ຜູ້ຊ່ວຍປ່ຽນທີ່ຢູ່ ຫຼື ອອກເງິນຄືນເມື່ອບໍ່ໄດ້ຮັບອະນຸຍາດໃຫ້ປະຕິບັດການກະທຳດັ່ງກ່າວ.

ຜູ້ທົບທວນສາມາດກວດສອບທຸກໆຄຳຕອບທຽບກັບບັນຊີລາຍຊື່ການຍອມຮັບງ່າຍໆ:

• ຂໍ້ມູນຄວາມຈິງໄດ້ຮັບການສະໜັບສະໜູນບໍ?

• ຜູ້ຊ່ວຍໄດ້ຫຼີກລ່ຽງການປະດິດລາຍລະອຽດບໍ?

• ມັນໄດ້ປະຕິບັດຕາມນໍ້າສຽງຂອງບໍລິສັດບໍ?

• ມັນໄດ້ຮ້າຍແຮງຂຶ້ນເມື່ອຫຼັກຖານຂາດຫາຍໄປບໍ?

• ມັນໄດ້ຫຼີກລ່ຽງການປະຕິບັດການກະທຳນອກເໜືອຈາກການອະນຸຍາດຂອງມັນບໍ?

ການທົດສອບປະເພດນີ້ມີຄວາມສຳຄັນຫຼາຍກວ່າວ່າ chatbot ພຽງແຕ່ "ຟັງແລ້ວສະຫຼາດ" ຫຼືບໍ່

ຜົນໄດ້ຮັບ

ຜົນໄດ້ຮັບຕົວຢ່າງ: ສົມມຸດວ່າບໍລິສັດທົດສອບຜູ້ຊ່ວຍດ້ວຍປີ້ສະໜັບສະໜູນຕົວຢ່າງ 20 ໃບ.

ຖ້າບໍ່ມີ AI, ພະນັກງານໃຊ້ເວລາສະເລ່ຍແປດນາທີເພື່ອອ່ານຂໍ້ມູນທີ່ກ່ຽວຂ້ອງ ແລະ ກະກຽມຮ່າງແຕ່ລະສະບັບທຳອິດ.

ດ້ວຍຜູ້ຊ່ວຍ, ການສ້າງຮ່າງໃຊ້ເວລາປະມານໜຶ່ງນາທີ ແລະ ການກວດສອບໂດຍມະນຸດໃຊ້ເວລາອີກສາມນາທີ, ເຮັດໃຫ້ຂັ້ນຕອນການເຮັດວຽກທີ່ໄດ້ຮັບການທົບທວນປະມານສີ່ນາທີຕໍ່ປີ້.

ໃນຈຳນວນປີ້ທົດສອບ 20 ໃບ, ນັ້ນຈະເປັນຕົວແທນໃຫ້ເວລາຂອງພະນັກງານປະມານ 80 ນາທີແທນທີ່ຈະເປັນ 160 ນາທີ.

ຢ່າງໃດກໍຕາມ, ຄວາມໄວບໍ່ຄວນເປັນການວັດແທກພຽງຢ່າງດຽວ.

ສົມມຸດວ່າ 18 ໃນ 20 ຄຳຕອບທີ່ໄດ້ຮັບການຊ່ວຍເຫຼືອຈາກ AI ຜ່ານການກວດສອບຄວາມຖືກຕ້ອງຂອງຂໍ້ເທັດຈິງ ແລະ ນະໂຍບາຍໃນການທົບທວນຄັ້ງທຳອິດ, ໃນຂະນະທີ່ສອງຄຳຕອບຕ້ອງການການແກ້ໄຂ. ຄວາມລົ້ມເຫຼວສອງຢ່າງນັ້ນມີຄວາມສຳຄັນ, ໂດຍສະເພາະຖ້າມັນກ່ຽວຂ້ອງກັບການຄືນເງິນ, ການຮັບປະກັນ ຫຼື ຄຳໝັ້ນສັນຍາອື່ນໆຕໍ່ລູກຄ້າ.

ຕົວເລກເຫຼົ່ານີ້ແມ່ນ ຕົວຢ່າງທີ່ສະແດງໃຫ້ເຫັນ, ບໍ່ແມ່ນຜົນໄດ້ຮັບທີ່ວັດແທກຈາກບໍລິສັດທີ່ແທ້ຈິງ. ການນຳໃຊ້ທີ່ແທ້ຈິງຈະຕ້ອງສ້າງຂໍ້ມູນພື້ນຖານຂອງຕົນເອງ, ທົດສອບກໍລະນີທີ່ເປັນຕົວແທນທີ່ພຽງພໍ ແລະ ບັນທຶກທັງເວລາທີ່ປະຢັດໄດ້ ແລະ ຂໍ້ຜິດພາດທີ່ເກີດຂຶ້ນ.

ມີຫຍັງຜິດພາດໄດ້ແດ່

ຜູ້ຊ່ວຍທີ່ເບິ່ງຄືວ່າງ່າຍດາຍຄົນນີ້ອາດຈະລົ້ມເຫຼວໃນຫຼາຍວິທີ.

ຄວາມຮູ້ຂອງມັນອາດຈະລ້າສະໄໝແລ້ວ.

ມັນອາດຈະເຮັດໃຫ້ສອງຜະລິດຕະພັນທີ່ຄ້າຍຄືກັນສັບສົນກັນ.

ມັນອາດຈະສ້າງຄຳຕອບທີ່ໜ້າເຊື່ອຖືໄດ້ໃນກໍລະນີທີ່ເອກະສານທີ່ສະໜອງໃຫ້ບໍ່ມີຄຳຕອບຫຍັງເລີຍ.

ການອະນຸຍາດທີ່ຖືກຕັ້ງຄ່າບໍ່ດີອາດເຮັດໃຫ້ມັນເຫັນຂໍ້ມູນລູກຄ້າທີ່ມັນບໍ່ຕ້ອງການໄດ້.

ກົດລະບຽບການຍົກລະດັບທີ່ອ່ອນແອອາດຈະຊຸກຍູ້ໃຫ້ມັນຄາດເດົາແທນທີ່ຈະເວົ້າວ່າ "ມະນຸດຕ້ອງກວດສອບສິ່ງນີ້."

ຖ້າພະນັກງານເລີ່ມໄວ້ວາງໃຈທຸກໆຄຳຕອບທີ່ແກ້ໄຂແລ້ວໂດຍອັດຕະໂນມັດ, ການທົບທວນຂອງມະນຸດສາມາດຫຍໍ້ລົງເຫຼືອພຽງແຕ່ການກົດ "ສົ່ງ". NIST ລະບຸວ່າການເພິ່ງພາອາໄສຫຼາຍເກີນໄປ ແລະ ອະຄະຕິຂອງອັດຕະໂນມັດເປັນຄວາມສ່ຽງໃນການຕັ້ງຄ່າ AI ຂອງມະນຸດ.

ນັ້ນແມ່ນເຫດຜົນທີ່ຄວາມໜ້າເຊື່ອຖືຂອງ AI ແມ່ນຂຶ້ນກັບຫຼາຍກວ່າຄວາມສາມາດຂອງຮູບແບບພື້ນຖານ.

ເອກະສານ, ຄຳແນະນຳ, ການອະນຸຍາດ, ຂະບວນການທົດສອບ ແລະ ການຕັດສິນຂອງມະນຸດທີ່ກ່ຽວຂ້ອງກັບຮູບແບບກໍ່ມີຄວາມສຳຄັນເຊັ່ນກັນ.

ເອົາໄປໃຊ້ຕົວຈິງ

ຕົວຢ່າງນີ້ສະແດງໃຫ້ເຫັນລັກສະນະທີ່ສຳຄັນຂອງ AI ໃນການປະຕິບັດຕົວຈິງ.

ຄຸນຄ່າບໍ່ແມ່ນວ່າເຄື່ອງຈັກໄດ້ກາຍເປັນພະນັກງານບໍລິການລູກຄ້າຢ່າງມະຫັດສະຈັນ.

ມັນແມ່ນວ່າຮູບແບບ AI ສາມາດຮັບຮູ້ຄວາມຕັ້ງໃຈຂອງລູກຄ້າ, ເຮັດວຽກກັບຂໍ້ມູນທີ່ສະໜອງໃຫ້ ແລະ ສ້າງການຕອບສະໜອງທີ່ເປັນໄປໄດ້ຢ່າງວ່ອງໄວ.

ໜ້າທີ່ຂອງມະນຸດປ່ຽນໄປສູ່ ການສະໜອງສະພາບການທີ່ໜ້າເຊື່ອຖື, ກຳນົດຂອບເຂດ, ກວດສອບກໍລະນີທີ່ບໍ່ແນ່ນອນ ແລະ ຕັດສິນໃຈວ່າຄຳຕອບນັ້ນດີພໍທີ່ຈະໃຊ້ຫຼືບໍ່.

ນັ້ນແມ່ນ AI ທີ່ທັນສະໄໝໃນຮູບແບບຂະໜາດນ້ອຍ: ການຮັບຮູ້ຮູບແບບ ແລະ ການສ້າງຮູບແບບທີ່ໜ້າປະທັບໃຈພາຍໃນຂະບວນການທີ່ຍັງຂຶ້ນກັບຂໍ້ມູນທີ່ດີ ແລະ ການຕັດສິນທີ່ດີ.

ຄຳຖາມທີ່ຖືກຖາມເລື້ອຍໆ

ແທ້ໆແລ້ວ AI ແມ່ນຫຍັງ ແລະ ປັນຍາປະດິດເຮັດວຽກແນວໃດ?

ປັນຍາປະດິດແມ່ນກຸ່ມເຕັກນິກການຄິດໄລ່ທີ່ກວ້າງຂວາງທີ່ຊ່ວຍໃຫ້ຄອມພິວເຕີສາມາດປະຕິບັດໜ້າວຽກທີ່ກ່ຽວຂ້ອງກັບສະຕິປັນຍາຂອງມະນຸດໄດ້ ເຊັ່ນ: ການຮັບຮູ້ຮູບແບບ, ການເຂົ້າໃຈພາສາ, ການຄາດຄະເນ ແລະ ການສ້າງເນື້ອຫາ. AI ທີ່ທັນສະໄໝມັກຈະຮຽນຮູ້ຄວາມສຳພັນທາງສະຖິຕິຈາກຂໍ້ມູນຈຳນວນຫຼວງຫຼາຍແທນທີ່ຈະອີງໃສ່ກົດລະບຽບທີ່ຂຽນດ້ວຍມືຢ່າງດຽວ. ພຶດຕິກຳທີ່ເກີດຂຶ້ນສາມາດເບິ່ງຄືວ່າສະຫຼາດ, ເຖິງແມ່ນວ່າຂະບວນການທີ່ຕິດພັນກັນຈະແຕກຕ່າງຈາກຄວາມຄິດຂອງມະນຸດຫຼາຍ.

ແມ່ນຫຍັງຄືຄວາມແຕກຕ່າງລະຫວ່າງ AI, ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ, ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງ, ແລະ AI ທີ່ສ້າງສັນ?

ປັນຍາປະດິດແມ່ນລະບົບທີ່ກວມເອົາຢ່າງກວ້າງຂວາງທີ່ປະຕິບັດໜ້າວຽກທີ່ເບິ່ງຄືວ່າສະຫຼາດ. ການຮຽນຮູ້ຂອງເຄື່ອງຈັກແມ່ນວິທີການທີ່ລະບົບຮຽນຮູ້ຮູບແບບຈາກຂໍ້ມູນ, ໃນຂະນະທີ່ການຮຽນຮູ້ເລິກໃຊ້ເຄືອຂ່າຍປະສາດຫຼາຍຊັ້ນເພື່ອຮຽນຮູ້ຮູບແບບທີ່ສັບສົນໂດຍສະເພາະ. AI ທີ່ສ້າງສັນໄດ້ຖືກອອກແບບມາເພື່ອສ້າງຜົນຜະລິດໃໝ່ເຊັ່ນ: ຂໍ້ຄວາມ, ຮູບພາບ, ລະຫັດ, ສຽງ ຫຼື ວິດີໂອໂດຍອີງໃສ່ຄວາມສຳພັນທີ່ໄດ້ຮຽນຮູ້ໃນລະຫວ່າງການຝຶກອົບຮົມ.

AI ຮຽນຮູ້ຈາກຂໍ້ມູນການຝຶກອົບຮົມໄດ້ແນວໃດ?

ລະບົບການຮຽນຮູ້ຂອງເຄື່ອງຈັກໄດ້ຮັບການປັບປຸງໂດຍການປະມວນຜົນຕົວຢ່າງ ແລະ ການປັບຕົວກໍານົດພາຍໃນ ຫຼື ນໍ້າໜັກ ເພື່ອໃຫ້ຜົນຜະລິດໃນອະນາຄົດມີຄວາມຖືກຕ້ອງ ຫຼື ມີປະສິດທິພາບຫຼາຍຂຶ້ນ. ແທນທີ່ຈະໃຫ້ໂປຣແກຣມເມີກຳນົດກົດລະບຽບທີ່ເປັນໄປໄດ້ທຸກຢ່າງດ້ວຍຕົນເອງ, ຮູບແບບດັ່ງກ່າວຈະຄົ້ນພົບຮູບແບບທາງສະຖິຕິພາຍໃນຂໍ້ມູນການຝຶກອົບຮົມ. ດັ່ງນັ້ນ, ຄຸນນະພາບ, ຄວາມຫຼາກຫຼາຍ ແລະ ຄວາມກ່ຽວຂ້ອງຂອງຂໍ້ມູນດັ່ງກ່າວຈຶ່ງມີອິດທິພົນຢ່າງຫຼວງຫຼາຍຕໍ່ສິ່ງທີ່ AI ຮຽນຮູ້ ແລະ ບ່ອນທີ່ມັນອາດຈະມີບັນຫາ.

ແທ້ໆແລ້ວ AI ແມ່ນຫຍັງ, ຖ້າລະບົບ AI ຫຼາຍລະບົບເປັນເຄື່ອງຄາດຄະເນ?

ລະບົບ AI ທີ່ທັນສະໄໝຫຼາຍລະບົບສາມາດເຂົ້າໃຈໄດ້ບາງສ່ວນວ່າເປັນລະບົບການຄາດຄະເນທີ່ຊັບຊ້ອນ. ຕົວຢ່າງເຊັ່ນ ຮູບແບບພາສາປະມວນຜົນສະພາບການຂອງການກະຕຸ້ນເຕືອນ ແລະ ຄາດຄະເນລຳດັບຂອງໂທເຄັນທີ່ເໝາະສົມເພື່ອສ້າງການຕອບສະໜອງຂອງມັນ. ເຖິງແມ່ນວ່າມັນຟັງຄືວ່າງ່າຍດາຍ, ແຕ່ການຄາດເດົາທີ່ເຂັ້ມແຂງໃນພາສາທີ່ສັບສົນຕ້ອງການການຮຽນຮູ້ຄວາມສຳພັນລະຫວ່າງຄຳສັບ, ແນວຄວາມຄິດ, ໂຄງສ້າງ, ແບບ ແລະ ຮູບແບບອື່ນໆຈຳນວນຫຼາຍທີ່ມີຢູ່ໃນຂໍ້ມູນການຝຶກອົບຮົມ.

ເປັນຫຍັງ AI ທີ່ສ້າງສັນສາມາດໃຫ້ຄຳຕອບທີ່ໜ້າໝັ້ນໃຈແຕ່ຜິດພາດໄດ້?

ປັນຍາປະດິດ (AI) ຖືກອອກແບບມາເພື່ອຜະລິດຜົນຜະລິດທີ່ເປັນໄປໄດ້, ເຊິ່ງບໍ່ຄືກັນກັບການກວດສອບດ້ວຍຕົນເອງວ່າທຸກໆຄຳຖະແຫຼງເປັນຄວາມຈິງ. ດັ່ງນັ້ນ, ມັນອາດຈະປະດິດສະຖິຕິ, ສັບສົນຂໍ້ເທັດຈິງທີ່ຄ້າຍຄືກັນ, ຜະລິດເອກະສານອ້າງອີງທີ່ບໍ່ມີຢູ່, ຫຼື ເຮັດຜິດພາດໃນການໃຫ້ເຫດຜົນຢ່າງລະອຽດອ່ອນ ໃນຂະນະທີ່ຟັງແລ້ວໜ້າເຊື່ອຖື. ຄວາມຜິດພາດເຫຼົ່ານີ້ມັກຖືກເອີ້ນວ່າອາການຫຼອນ, ຊຶ່ງເປັນເຫດຜົນທີ່ຂໍ້ມູນທາງການແພດ, ກົດໝາຍ, ການເງິນ, ຄວາມປອດໄພ ຫຼື ທຸລະກິດທີ່ສຳຄັນຄວນໄດ້ຮັບການກວດສອບ.

AI ຄືກັນກັບເຄື່ອງຈັກຊອກຫາ ຫຼື ລະບົບອັດຕະໂນມັດປົກກະຕິບໍ?

ບໍ່. ເຄື່ອງຈັກຊອກຫາແບບດັ້ງເດີມສ່ວນໃຫຍ່ແມ່ນຊ່ວຍໃຫ້ຜູ້ໃຊ້ຊອກຫາຂໍ້ມູນທີ່ມີຢູ່ແລ້ວ, ໃນຂະນະທີ່ AI ທີ່ສ້າງສັນສ້າງການຕອບສະໜອງໂດຍໃຊ້ຮູບແບບທີ່ຮຽນຮູ້, ສະພາບການທີ່ສະໜອງໃຫ້, ແລະບາງຄັ້ງເຄື່ອງມືເພີ່ມເຕີມ. ລະບົບອັດຕະໂນມັດພື້ນຖານມັກຈະປະຕິບັດຕາມກົດລະບຽບ ຫຼື ຂັ້ນຕອນການເຮັດວຽກທີ່ໄດ້ກຳນົດໄວ້ລ່ວງໜ້າ ແທນທີ່ຈະຮຽນຮູ້ຮູບແບບຈາກຕົວຢ່າງ. ລະບົບທີ່ທັນສະໄໝສາມາດລວມການຄົ້ນຫາ, ການສ້າງ, ແລະ ລະບົບອັດຕະໂນມັດເຂົ້າກັນ, ດັ່ງນັ້ນຂອບເຂດອາດຈະເຫັນໄດ້ຊັດເຈນໜ້ອຍລົງໃນການນຳໃຊ້ຕົວຈິງ.

ແທ້ໆແລ້ວ AI ແມ່ນຫຍັງເມື່ອມັນຖືກນຳໃຊ້ໃນຂະບວນການເຮັດວຽກທາງທຸລະກິດ?

ໃນຂະບວນການເຮັດວຽກທາງທຸລະກິດ, AI ມັກຈະມີປະສິດທິພາບທີ່ສຸດໃນຖານະເປັນລະບົບສຳລັບການຮັບຮູ້ເຈດຕະນາ, ເຮັດວຽກກັບຂໍ້ມູນທີ່ສະໜອງໃຫ້, ແລະ ສ້າງຮ່າງ ຫຼື ຄຳແນະນຳທີ່ເຂັ້ມແຂງ. ຕົວຢ່າງ, ຜູ້ຊ່ວຍຝ່າຍສະໜັບສະໜູນລູກຄ້າອາດຈະໃຊ້ນະໂຍບາຍ ແລະ ຂໍ້ມູນຜະລິດຕະພັນທີ່ໄດ້ຮັບການອະນຸມັດເພື່ອຮ່າງຄຳຕອບໃນຂະນະທີ່ສົ່ງຕໍ່ກໍລະນີທີ່ບໍ່ແນ່ນອນໄປຫາບຸກຄົນ. ຄວາມໜ້າເຊື່ອຖືແມ່ນຂຶ້ນກັບແຫຼ່ງຂໍ້ມູນທີ່ດີ, ຄຳແນະນຳທີ່ຊັດເຈນ, ການອະນຸຍາດທີ່ເໝາະສົມ, ການທົດສອບ, ແລະ ການຕັດສິນຂອງມະນຸດ.

ຕົວແທນ AI ແມ່ນຫຍັງ, ແລະພວກມັນແຕກຕ່າງຈາກ chatbot ແນວໃດ?

chatbot ທົ່ວໄປສ່ວນໃຫຍ່ຕອບສະໜອງຕໍ່ການກະຕຸ້ນຂອງແຕ່ລະບຸກຄົນ, ໃນຂະນະທີ່ຕົວແທນ AI ສາມາດວາງແຜນ ແລະ ປະຕິບັດການກະທຳທີ່ເຊື່ອມຕໍ່ກັນຫຼາຍຢ່າງໄປສູ່ເປົ້າໝາຍໄດ້. ຕົວແທນອາດຈະໃຊ້ເຄື່ອງມື, ດຶງຂໍ້ມູນ, ອັບເດດຂະບວນການເຮັດວຽກ, ຫຼື ສືບຕໍ່ຜ່ານຫຼາຍຂັ້ນຕອນແທນທີ່ຈະສ້າງຂໍ້ຄວາມ. ຄວາມສາມາດເພີ່ມເຕີມນີ້ສາມາດມີຄຸນຄ່າ, ແຕ່ມັນຍັງເຮັດໃຫ້ການອະນຸຍາດ, ຄວາມປອດໄພ, ຄວາມໜ້າເຊື່ອຖື, ກົດລະບຽບການຍົກລະດັບ ແລະ ການຄວບຄຸມມີຄວາມສຳຄັນເປັນພິເສດ.

AI ຈະທົດແທນວຽກເຮັດງານທຳ ຫຼື ມັນສ່ວນໃຫຍ່ຈະເປັນອັດຕະໂນມັດວຽກງານສ່ວນບຸກຄົນ?

AI ມັກຈະຖືກເຂົ້າໃຈດີກວ່າວ່າເປັນການປ່ຽນແປງໜ້າວຽກສະເພາະພາຍໃນວຽກແທນທີ່ຈະກຳຈັດອາຊີບທັງໝົດໂດຍອັດຕະໂນມັດ. ມັນອາດຈະເລັ່ງການຮ່າງ, ການລະດົມສະໝອງ, ການວິເຄາະ, ການຂຽນໂປຣແກຣມ, ການຈັດການຄົ້ນຄວ້າ, ຫຼື ວຽກງານສະໜັບສະໜູນທີ່ຊ້ຳໆ ໃນຂະນະທີ່ປ່ອຍໃຫ້ຍຸດທະສາດ, ການຕັດສິນ, ຄວາມເປັນຜູ້ນຳ, ລົດຊາດ ແລະ ການຕັດສິນໃຈທີ່ສຳຄັນໃຫ້ກັບຜູ້ຄົນ. ດັ່ງນັ້ນ, ຄຳຖາມທີ່ເປັນປະໂຫຍດແມ່ນວ່າສ່ວນໃດຂອງບົດບາດສາມາດກາຍເປັນໄວຂຶ້ນ, ລາຄາຖືກກວ່າ, ງ່າຍຂຶ້ນ, ຫຼື ອັດຕະໂນມັດຫຼາຍຂຶ້ນ.

ທັກສະໃດທີ່ສຳຄັນທີ່ສຸດເມື່ອໃຊ້ AI ຢ່າງມີປະສິດທິພາບ?

ການຕັດສິນ ແລະ ການຄິດຢ່າງມີວິຈານແມ່ນມີຄວາມຈຳເປັນຫຼາຍ ເພາະວ່າການສ້າງຄຳຕອບບໍ່ຄືກັນກັບການສ້າງຄຳຕອບທີ່ຖືກຕ້ອງ ຫຼື ມີຄຸນຄ່າ. ຜູ້ໃຊ້ທີ່ມີປະສິດທິພາບຈຳເປັນຕ້ອງຮູ້ວ່າຈະຖາມຫຍັງ, ຂໍ້ມູນໃດທີ່ຈະໃຫ້, ສິ່ງທີ່ຕ້ອງກວດສອບ, ສິ່ງທີ່ຕ້ອງແກ້ໄຂ, ແລະ ເວລາໃດທີ່ບໍ່ຄວນໃຊ້ AI. ໃນຂະບວນການເຮັດວຽກການຜະລິດ, ຜົນໄດ້ຮັບທີ່ເຂັ້ມແຂງຍັງຂຶ້ນກັບສະພາບການທີ່ໜ້າເຊື່ອຖື, ຂອບເຂດທີ່ຊັດເຈນ, ການທົດສອບທີ່ເປັນຕົວແທນ, ແລະ ການທົບທວນຢ່າງລະອຽດກ່ຽວກັບຜົນໄດ້ຮັບທີ່ບໍ່ແນ່ນອນ ຫຼື ມີຜົນກະທົບສູງ.

ເອກະສານອ້າງອີງ

1. ສະຖາບັນມາດຕະຖານ ແລະ ເຕັກໂນໂລຊີແຫ່ງຊາດ (NIST) — csrc.nist.gov

2. IBM — ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ — ibm.com

3. ສະຖາບັນສະແຕນຟອດສຳລັບ AI ທີ່ເນັ້ນມະນຸດເປັນສູນກາງ — ບົດລາຍງານດັດຊະນີ AI ປີ 2025 — hai.stanford.edu

4. ອົງການແຮງງານສາກົນ (ILO) — ປັນຍາປະດິດ ແລະ ວຽກເຮັດງານທຳ: ດັດຊະນີໂລກທີ່ໄດ້ຮັບການປັບປຸງໃຫ້ດີຂຶ້ນກ່ຽວກັບການສຳຜັດກັບອາຊີບ — ilo.org

5. Google Cloud — GPT ແມ່ນຫຍັງ? — cloud.google.com

6. Google ສຳລັບນັກພັດທະນາ — developers.google.com

7. Google Codelabs — codelabs.developers.google.com

8. OpenAI — ເຕັກນິກການຕອບສະໜອງຂອງມະນຸດ — openai.com

9. arXiv — ການຝຶກອົບຮົມການຄິດໄລ່ — arxiv.org

10. ທຳມະຊາດ — nature.com