ຄຳຕອບສັ້ນໆ: AI ຫຍໍ້ມາຈາກ Artificial Intelligence : ລະບົບທີ່ມະນຸດສ້າງຂຶ້ນມາເພື່ອປະຕິບັດໜ້າວຽກທີ່ກ່ຽວຂ້ອງກັບພຶດຕິກຳທີ່ສະຫຼາດ, ເຊັ່ນ: ການຮຽນຮູ້, ການຫາເຫດຜົນ, ການຮັບຮູ້, ແລະ ພາສາ. ຖ້າເຄື່ອງມືຮຽນຮູ້ຈາກຂໍ້ມູນ ແລະ ສາມາດຈັດການກັບສະຖານະການທີ່ບໍ່ຄຸ້ນເຄີຍໄດ້, ມັນຈະຢູ່ໃກ້ກັບ AI; ຖ້າມັນເຮັດວຽກຕາມກົດລະບຽບທີ່ກຳນົດໄວ້, ສ່ວນໃຫຍ່ແມ່ນລະບົບອັດຕະໂນມັດ.
ບົດຮຽນຫຼັກ:
ຄຳນິຍາມ : AI ໝາຍເຖິງ ປັນຍາປະດິດ - ລະບົບທີ່ປະຕິບັດວຽກງານການຮຽນຮູ້, ການຫາເຫດຜົນ, ການຮັບຮູ້ ຫຼື ພາສາ.
ການກວດສອບຄວາມເປັນຈິງ : ຖ້າມັນບໍ່ຮຽນຮູ້ ຫຼື ເຮັດໃຫ້ທົ່ວໄປ, ມັນອາດຈະແມ່ນຊອບແວທີ່ອີງໃສ່ກົດລະບຽບ.
ການຕໍ່ຕ້ານການນຳໃຊ້ໃນທາງທີ່ຜິດ : ປະຕິບັດຕໍ່ປ້າຍ “AI” ດ້ວຍຄວາມສົງໄສເມື່ອບໍລິສັດຕ່າງໆຕະຫຼາດການອັດຕະໂນມັດແບບງ່າຍໆເປັນ AI.
ຄວາມຮັບຜິດຊອບ : ໃນການນຳໃຊ້ທີ່ມີສ່ວນກ່ຽວຂ້ອງສູງ, ຮັບປະກັນວ່າມະນຸດ ຫຼື ອົງກອນທີ່ມີຊື່ເປັນເຈົ້າຂອງຜົນໄດ້ຮັບ ແລະ ຄວາມຜິດພາດ.
ຄວາມໂປ່ງໃສ : ມັກເຄື່ອງມືທີ່ອະທິບາຍຂໍ້ຈຳກັດ, ແບ່ງປັນຜົນການປະເມີນຜົນ, ແລະ ເຮັດໃຫ້ຊັດເຈນວ່າການຕັດສິນໃຈສາມາດຖືກທ້າທາຍໄດ້ແນວໃດ.
ບົດຄວາມທີ່ທ່ານອາດຈະຢາກອ່ານຫຼັງຈາກບົດຄວາມນີ້:
🔗 ເປົ້າໝາຍຫຼັກຂອງ AI ທີ່ສ້າງສັນໄດ້ອະທິບາຍງ່າຍໆ
ເຂົ້າໃຈວ່າ AI ທີ່ສ້າງສັນມີຈຸດປະສົງເພື່ອສ້າງຫຍັງ ແລະ ເປັນຫຍັງມັນຈຶ່ງສຳຄັນ.
🔗 AI ຖືກໂຄສະນາເກີນຈິງ ຫຼື ປ່ຽນແປງໄດ້ແທ້ໆບໍ?
ການພິຈາລະນາຢ່າງສົມດຸນກ່ຽວກັບຄຳສັນຍາ, ຂໍ້ຈຳກັດ ແລະ ຜົນກະທົບຂອງ AI ໃນໂລກຕົວຈິງ.
🔗 ການປ່ຽນຂໍ້ຄວາມເປັນສຽງແມ່ນຂັບເຄື່ອນດ້ວຍເທັກໂນໂລຢີ AI ບໍ?
ຮຽນຮູ້ວິທີການເຮັດວຽກຂອງ TTS ທີ່ທັນສະໄໝ ແລະ ສິ່ງທີ່ເຮັດໃຫ້ມັນສະຫຼາດ.
🔗 AI ສາມາດອ່ານລາຍມືດ້ວຍມືໄດ້ຢ່າງຖືກຕ້ອງບໍ?
ສຳຫຼວດຂໍ້ຈຳກັດຂອງ OCR ແລະວິທີທີ່ຮູບແບບຈັດການກັບຂໍ້ຄວາມທີ່ຂຽນດ້ວຍຕົວໜັງສືທີ່ສັບສົນ.
ຮູບແບບເຕັມຂອງ AI (ຄຳຕອບສັ້ນໆ ແລະ ຊັດເຈນ) ✅🤖
AI ຮູບແບບເຕັມ ແມ່ນ Artificial Intelligence .
ສອງຄຳ. ຜົນສະທ້ອນອັນໃຫຍ່ຫຼວງ.
-
ທຽມ = ມະນຸດສ້າງຂຶ້ນ
-
ຄວາມສະຫຼາດ = ສ່ວນທີ່ເຜັດ (ເພາະວ່າຄົນເຮົາໂຕ້ຖຽງກັນກ່ຽວກັບວ່າ "ຄວາມສະຫຼາດ" ແມ່ນຫຍັງ - ນັກວິທະຍາສາດ, ນັກປັດຊະຍາ, ແລະລຸງຂອງເຈົ້າຜູ້ທີ່ຄິດວ່າຄວາມສະຫຼາດແມ່ນ "ການຮູ້ສະຖິຕິກິລາຄຣິກເກັດ" 😅)
ຄຳນິຍາມພື້ນຖານທີ່ສະອາດ ແລະ ນຳໃຊ້ຢ່າງກວ້າງຂວາງອັນໜຶ່ງຄື: AI ແມ່ນກ່ຽວກັບການສ້າງລະບົບຕ່າງໆທີ່ສາມາດປະຕິບັດໜ້າວຽກທີ່ເຊື່ອມໂຍງກັບພຶດຕິກຳທີ່ສະຫຼາດ - ເຊັ່ນ: ການຮຽນຮູ້, ການຫາເຫດຜົນ, ການຮັບຮູ້, ແລະ ພາສາ. [1]
ແລະແມ່ນແລ້ວ - ທ່ານຈະເຫັນປະໂຫຍກ ເຕັມຮູບແບບຂອງ AI ອີກຄັ້ງໃນບົດຄວາມນີ້ເພາະວ່າ (1) ມັນຊ່ວຍຜູ້ອ່ານ ແລະ (2) ເຄື່ອງຈັກຊອກຫາແມ່ນ gremlins ນ້ອຍທີ່ເລືອກຫຼາຍ 😬.
ຄຳວ່າ "AI" ໝາຍຄວາມວ່າແນວໃດໃນການປະຕິບັດ (ແລະເປັນຫຍັງຄຳນິຍາມຈຶ່ງສັບສົນ) 🧠🧩
ນີ້ແມ່ນສິ່ງທີ່ຄວນຮູ້: AI ແມ່ນຂົງເຂດໜຶ່ງ , ບໍ່ແມ່ນຜະລິດຕະພັນດຽວ.
ບາງຄົນໃຊ້ຄຳວ່າ “AI” ເພື່ອໝາຍເຖິງ:
-
ລະບົບທີ່ ເຮັດໜ້າທີ່ຄືກັບ "ຕົວແທນອັດສະລິຍະ" (ການຕັດສິນໃຈໄປສູ່ເປົ້າໝາຍ), ຫຼື
-
ລະບົບທີ່ ແກ້ໄຂວຽກງານ "ແບບມະນຸດ" (ວິໄສທັດ, ພາສາ, ການວາງແຜນ), ຫຼື
-
ລະບົບທີ່ ຮຽນຮູ້ຮູບແບບຈາກຂໍ້ມູນ (ເຊິ່ງເປັນບ່ອນທີ່ ML ປາກົດຂຶ້ນ).
ນັ້ນແມ່ນເຫດຜົນທີ່ຄຳນິຍາມມີຄວາມວຸ້ນວາຍເລັກນ້ອຍຂຶ້ນກັບວ່າໃຜກຳລັງເວົ້າ - ແລະເປັນຫຍັງການອ້າງອີງທີ່ຈິງຈັງຈຶ່ງໃຊ້ເວລາກັບ ສິ່ງທີ່ນັບວ່າ ເປັນ AI ໃນຕອນທຳອິດ. [2]
ເປັນຫຍັງຄົນຈຶ່ງຖາມ “ຮູບແບບເຕັມຂອງ AI” ເລື້ອຍໆ (ແລະມັນບໍ່ແມ່ນຄຳຖາມທີ່ໂງ່) 👀📌
ມັນເປັນຄຳຖາມທີ່ສະຫຼາດ, ເພາະວ່າ:
-
AI ຖືກນຳໃຊ້ຢ່າງບໍ່ເປັນທາງການ , ຄືກັບວ່າມັນເປັນສິ່ງດຽວ (ມັນບໍ່ແມ່ນ)
-
ບໍລິສັດຕ່າງໆໃຊ້ “AI” ໃສ່ຜະລິດຕະພັນ ທີ່ເປັນລະບົບອັດຕະໂນມັດທີ່ທັນສະໄໝ
-
“AI” ສາມາດໝາຍເຖິງຫຍັງກໍໄດ້ຕັ້ງແຕ່ລະບົບແນະນຳ ຈົນເຖິງ chatbot ຈົນເຖິງຫຸ່ນຍົນທີ່ນຳທາງພື້ນທີ່ທາງກາຍະພາບ 🤖🛞
-
ຜູ້ຄົນປະສົມປະສານ AI ກັບ ML, ວິທະຍາສາດຂໍ້ມູນ, ຫຼື "ອິນເຕີເນັດ," ເຊິ່ງເປັນ... vibe, ແຕ່ບໍ່ຖືກຕ້ອງ 😅
ນອກຈາກນີ້: AI ເປັນທັງຂົງເຂດຕົວຈິງ ແລະ ຄຳສັບທາງການຕະຫຼາດ. ສະນັ້ນການເລີ່ມຕົ້ນຈາກພື້ນຖານ - ຄືກັບ ຮູບແບບເຕັມຂອງ AI - ແມ່ນການເຄື່ອນໄຫວທີ່ຖືກຕ້ອງ.
ບັນຊີກວດສອບ “ຊອກຫາ AI” ແບບງ່າຍໆ (ເພື່ອບໍ່ໃຫ້ເຈົ້າຖືກຫຼອກລວງ) 🕵️♀️🤖
ຖ້າທ່ານກຳລັງພະຍາຍາມຄິດໄລ່ວ່າບາງສິ່ງບາງຢ່າງແມ່ນ "AI" ຫຼືພຽງແຕ່... ຊອບແວທີ່ໃສ່ເສື້ອກັນໜາວ:
-
ມັນຮຽນຮູ້ຈາກຂໍ້ມູນບໍ? (ຫຼື ສ່ວນຫຼາຍແມ່ນເຫດຜົນຂອງກົດລະບຽບ/ຖ້າ-ຫຼັງຈາກນັ້ນ?)
-
ມັນໃຊ້ກັບສະຖານະການໃໝ່ໆທົ່ວໄປບໍ? (ຫຼື ຈັດການພຽງແຕ່ກໍລະນີທີ່ຄັບແຄບ ແລະ ມີລາຍລະອຽດລ່ວງໜ້າເທົ່ານັ້ນ?)
-
ເຈົ້າສາມາດປະເມີນມັນໄດ້ບໍ? (ຄວາມຖືກຕ້ອງ, ອັດຕາຄວາມຜິດພາດ, ກໍລະນີຂອບ, ຮູບແບບຄວາມລົ້ມເຫຼວ?)
-
ມີການກວດສອບຂອງມະນຸດສຳລັບການນຳໃຊ້ທີ່ມີສ່ວນໄດ້ສ່ວນເສຍສູງບໍ? (ໂດຍສະເພາະແມ່ນການຈ້າງງານ, ສຸຂະພາບ, ການເງິນ, ການສຶກສາ)
ສິ່ງນີ້ບໍ່ໄດ້ແກ້ໄຂທຸກໆການໂຕ້ວາທີກ່ຽວກັບຄໍານິຍາມໄດ້ຢ່າງມະຫັດສະຈັນ - ແຕ່ມັນເປັນວິທີທາງປະຕິບັດເພື່ອຕັດຜ່ານຄວາມມົວຂອງການຕະຫຼາດ.
ເປັນຫຍັງຄຳອະທິບາຍ AI ທີ່ດີຈຶ່ງມີຂໍ້ຈຳກັດ (ເພາະວ່າ AI ມີຫຼາຍ) 🚧
ຄຳອະທິບາຍທີ່ໜັກແໜ້ນກ່ຽວກັບ AI ຄວນກ່າວເຖິງວ່າ AI ສາມາດເປັນ:
-
ເກັ່ງຫຼາຍໃນວຽກງານແຄບໆ (ຈັດປະເພດຮູບພາບ, ຄາດເດົາຮູບແບບ)
-
ແລະ ຂາດສະຕິປັນຍາທົ່ວໄປຢ່າງໜ້າປະຫລາດໃຈ (ສະພາບການ, ຄວາມບໍ່ແນ່ນອນ, “ສິ່ງທີ່ມະນຸດທຳມະດາຈະເຮັດຢ່າງຈະແຈ້ງ”)
ມັນຄືກັບພໍ່ຄົວທີ່ເຮັດຊູຊິທີ່ສົມບູນແບບແຕ່ຕ້ອງການຄໍາແນະນໍາເປັນລາຍລັກອັກສອນເພື່ອຕົ້ມໄຂ່.
ນອກຈາກນີ້: ລະບົບ AI ທີ່ທັນສະໄໝສາມາດ ຜິດພາດໄດ້ຢ່າງໝັ້ນໃຈ , ສະນັ້ນການຊີ້ນຳ AI ທີ່ມີຄວາມຮັບຜິດຊອບຈຶ່ງສຸມໃສ່ ຄວາມໜ້າເຊື່ອຖື, ຄວາມໂປ່ງໃສ, ຄວາມປອດໄພ, ອະຄະຕິ ແລະ ຄວາມຮັບຜິດຊອບ , ບໍ່ພຽງແຕ່ "ໂອ້ຍ ມັນສ້າງສິ່ງຕ່າງໆ." [3]
ຕາຕະລາງປຽບທຽບ: ຊັບພະຍາກອນ AI ທີ່ເປັນປະໂຫຍດ (ພື້ນຖານ, ບໍ່ແມ່ນ clickbait) 🧾🤖
ນີ້ແມ່ນແຜນທີ່ຂະໜາດນ້ອຍທີ່ໃຊ້ໄດ້ຈິງ - ຫ້າແຫຼ່ງຂໍ້ມູນທີ່ແຂງແກ່ນ ທີ່ກວມເອົາຄຳນິຍາມ, ການໂຕ້ວາທີ, ການຮຽນຮູ້ ແລະ ການນຳໃຊ້ທີ່ມີຄວາມຮັບຜິດຊອບ:
| ເຄື່ອງມື / ຊັບພະຍາກອນ | ຜູ້ຊົມ | ລາຄາ | ເປັນຫຍັງມັນຈຶ່ງເຮັດວຽກ (ແລະຄວາມຈິງໃຈເລັກນ້ອຍ) |
|---|---|---|---|
| Britannica: ພາບລວມຂອງ AI | ຜູ້ເລີ່ມຕົ້ນ | ແບບອິດສະຫຼະ | ຄວາມໝາຍທີ່ຊັດເຈນ ແລະ ກວ້າງຂວາງ; ບໍ່ແມ່ນການຕະຫຼາດແບບໂຟມ. [1] |
| ສາລານຸກົມປັດຊະຍາສະແຕນຟອດ: AI | ຜູ້ອ່ານທີ່ມີຄວາມຄິດ | ຟຣີ | ເຂົ້າຮ່ວມການໂຕ້ວາທີກ່ຽວກັບ “ສິ່ງທີ່ນັບວ່າເປັນ AI”; ໜາແໜ້ນແຕ່ໜ້າເຊື່ອຖືໄດ້. [2] |
| ຂອບການຄຸ້ມຄອງຄວາມສ່ຽງດ້ານ AI ຂອງ NIST (AI RMF) | ຜູ້ຮັບເໝົາກໍ່ສ້າງ + ອົງກອນຕ່າງໆ | ຟຣີ | ໂຄງສ້າງທີ່ໃຊ້ໄດ້ຈິງສຳລັບການສົນທະນາກ່ຽວກັບຄວາມສ່ຽງ ແລະ ຄວາມໜ້າເຊື່ອຖືຂອງ AI. [3] |
| ຫຼັກການ AI ຂອງ OECD | ຜູ້ຊ່ຽວຊານດ້ານນະໂຍບາຍ + ຈັນຍາບັນ | ຟຣີ | ການຊີ້ນຳທີ່ເຂັ້ມແຂງກ່ຽວກັບ “ພວກເຮົາຄວນ?”: ສິດທິ, ຄວາມຮັບຜິດຊອບ, AI ທີ່ໜ້າເຊື່ອຖື. [4] |
| ຫຼັກສູດການຮຽນຮູ້ຂອງເຄື່ອງຈັກ Google ແບບເລັ່ງລັດ | ຜູ້ຮຽນ | ຟຣີ | ການແນະນຳແນວຄວາມຄິດ ML ແບບລົງມືປະຕິບັດ; ມີຄຸນຄ່າເຖິງແມ່ນວ່າທ່ານຈະເລີ່ມຕົ້ນຈາກສູນກໍຕາມ. [5] |
ສັງເກດວ່າສິ່ງເຫຼົ່ານີ້ບໍ່ແມ່ນ ປະເພດ . ນັ້ນແມ່ນເຈດຕະນາ. AI ບໍ່ແມ່ນເລນດຽວ - ມັນເປັນທາງດ່ວນທັງໝົດ.
ປັນຍາປະດິດ vs ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ vs ການຮຽນຮູ້ເລິກ (ເຂດທີ່ສັບສົນ) 😵💫🔍
ປັນຍາປະດິດ (AI) 🤖
AI ແມ່ນລະບົບທີ່ກວ້າງຂວາງ: ວິທີການຕ່າງໆທີ່ແນໃສ່ວຽກງານທີ່ພວກເຮົາເຊື່ອມໂຍງກັບພຶດຕິກຳທີ່ສະຫຼາດ - ການຫາເຫດຜົນ, ການວາງແຜນ, ການຮັບຮູ້, ພາສາ, ການຕັດສິນໃຈ. [1][2]
ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ (ML) 📈
ML ແມ່ນຊຸດຍ່ອຍຂອງ AI ບ່ອນທີ່ລະບົບຮຽນຮູ້ຮູບແບບຈາກຂໍ້ມູນແທນທີ່ຈະຖືກຂຽນໂປຣແກຣມຢ່າງຊັດເຈນດ້ວຍກົດລະບຽບທີ່ຄົງທີ່. (ຖ້າທ່ານເຄີຍໄດ້ຍິນຄຳວ່າ "ໄດ້ຮັບການຝຶກອົບຮົມກ່ຽວກັບຂໍ້ມູນ", ຍິນດີຕ້ອນຮັບສູ່ ML.) [5]
ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງ (DL) 🧠
ການຮຽນຮູ້ເລິກ (Deep learning) ແມ່ນຊຸດຍ່ອຍຂອງ ML ໂດຍໃຊ້ເຄືອຂ່າຍປະສາດຫຼາຍຊັ້ນ, ເຊິ່ງມັກໃຊ້ໃນລະບົບວິໄສທັດ ແລະ ພາສາ. [5]
ຄຳປຽບທຽບທີ່ເບິ່ງບໍ່ຊັດເຈນແຕ່ສະດວກໃຊ້ (ແລະມັນບໍ່ສົມບູນແບບ, ຢ່າຮ້ອງໃສ່ຂ້ອຍ):
AI ແມ່ນຮ້ານອາຫານ. ML ແມ່ນເຮືອນຄົວ. ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງແມ່ນພໍ່ຄົວຄົນໜຶ່ງທີ່ເກັ່ງໃນການປຸງແຕ່ງອາຫານສອງສາມຢ່າງແຕ່ບາງຄັ້ງກໍ່ເຮັດໃຫ້ຜ້າເຊັດໂຕໄໝ້ 🔥🍽️
ສະນັ້ນ, ເມື່ອຜູ້ໃດຜູ້ໜຶ່ງຖາມກ່ຽວກັບ ຮູບແບບເຕັມຂອງ AI , ພວກເຂົາມັກຈະເຂົ້າຫາໝວດໝູ່ທີ່ກວ້າງຂວາງກວ່າ - ແລະກຸ່ມສະເພາະພາຍໃນມັນ.
ວິທີການເຮັດວຽກຂອງ AI ໃນພາສາອັງກິດທຳມະດາ (ບໍ່ຕ້ອງການປະລິນຍາເອກ) 🧠🧰
AI ສ່ວນໃຫຍ່ທີ່ທ່ານຈະພົບຈະກົງກັບຮູບແບບໜຶ່ງໃນນີ້:
ຮູບແບບທີ 1: ກົດລະບຽບ ແລະ ລະບົບເຫດຜົນ 🧩
AI ແບບເກົ່າມັກໃຊ້ກົດລະບຽບເຊັ່ນ "ຖ້າເຫດການນີ້ເກີດຂຶ້ນ, ໃຫ້ເຮັດແບບນັ້ນ." ເຮັດວຽກໄດ້ດີໃນສະພາບແວດລ້ອມທີ່ມີໂຄງສ້າງ. ມັນຈະແຕກແຍກເມື່ອຄວາມເປັນຈິງສັບສົນ (ແລະຄວາມເປັນຈິງມັກຈະບໍ່ເປັນລະບຽບ).
ຮູບແບບທີ 2: ການຮຽນຮູ້ຈາກຕົວຢ່າງ 📚
ການຮຽນຮູ້ຂອງເຄື່ອງຈັກຮຽນຮູ້ຈາກຂໍ້ມູນ:
-
ສະແປມ ທຽບກັບ ບໍ່ແມ່ນສະແປມ 📧
-
ການສໍ້ໂກງ vs ຄວາມຖືກຕ້ອງຕາມກົດໝາຍ 💳
-
“ຮູບແມວ” ທຽບກັບ “ໂປ້ມືມົວໆຂອງຂ້ອຍ” 🐱👍
ຮູບແບບທີ 3: ການສຳເລັດຮູບແບບ ແລະ ການສ້າງຮູບແບບ ✍️
ລະບົບທີ່ທັນສະໄໝບາງລະບົບສ້າງຂໍ້ຄວາມ/ຮູບພາບ/ສຽງ/ລະຫັດ. ພວກມັນສາມາດເປັນປະໂຫຍດ - ແຕ່ພວກມັນກໍ່ອາດຈະບໍ່ໜ້າເຊື່ອຖືໄດ້, ສະນັ້ນການນຳໃຊ້ປະຈຳວັນຈຶ່ງຕ້ອງການມາດຕະການປ້ອງກັນຄື: ການທົດສອບ, ການຕິດຕາມກວດກາ, ແລະ ຄວາມຮັບຜິດຊອບທີ່ຊັດເຈນ. [3]
ຕົວຢ່າງປະຈຳວັນຂອງ AI ທີ່ເຈົ້າອາດຈະເຄີຍໃຊ້ 📱🌍
ການພົບເຫັນ AI ປະຈຳວັນ:
-
ການຈັດອັນດັບການຄົ້ນຫາ 🔎
-
ແຜນທີ່ + ການຄາດຄະເນການຈະລາຈອນ 🗺️
-
ຄຳແນະນຳ (ວິດີໂອ, ເພງ, ການຊື້ເຄື່ອງ) 🎵🛒
-
ການກັ່ນຕອງສະແປມ/ຟິດຊິງ 📧🛡️
-
ການປ່ຽນສຽງເປັນຂໍ້ຄວາມ 🎙️
-
ການແປພາສາ 🌐
-
ການຈັດຮຽງຮູບພາບ + ການປັບປຸງ 📸
-
chatbot ສະໜັບສະໜູນລູກຄ້າ 💬😬
ແລະ ໃນຂົງເຂດທີ່ມີຄວາມສ່ຽງສູງ:
-
ການສະໜັບສະໜູນການຖ່າຍພາບທາງການແພດ 🏥
-
ການຄາດຄະເນລະບົບຕ່ອງໂສ້ການສະໜອງ 🚚
-
ການກວດພົບການສໍ້ໂກງ💳
-
ການຄວບຄຸມຄຸນນະພາບອຸດສາຫະກໍາ 🏭
ແນວຄວາມຄິດຫຼັກ: AI ໂດຍປົກກະຕິແລ້ວແມ່ນ ເຄື່ອງຈັກທີ່ຢູ່ເບື້ອງຫຼັງ , ບໍ່ແມ່ນຫຸ່ນຍົນທີ່ຄ້າຍຄືກັບມະນຸດ. ຂໍໂທດ, ສະໝອງແບບວິທະຍາສາດນິຍາຍ 🤷
ຄວາມເຂົ້າໃຈຜິດທີ່ໃຫຍ່ທີ່ສຸດກ່ຽວກັບ AI (ແລະເປັນຫຍັງພວກມັນຈຶ່ງຢູ່ໄດ້) 🧲🤔
"AI ຖືກຕ້ອງສະເໝີ"
ບໍ່. AI ສາມາດຜິດພາດໄດ້ - ບາງຄັ້ງກໍ່ລະອຽດອ່ອນ, ບາງຄັ້ງກໍ່ຕະຫຼົກ, ບາງຄັ້ງກໍ່ເປັນອັນຕະລາຍ (ຂຶ້ນກັບສະພາບການ). [3]
"AI ເຂົ້າໃຈຄືກັບມະນຸດ"
AI ສ່ວນໃຫຍ່ບໍ່ "ເຂົ້າໃຈ" ໃນຄວາມໝາຍຂອງມະນຸດ. ມັນປະມວນຜົນຮູບແບບຕ່າງໆ. ນັ້ນອາດ ເບິ່ງ ຄືວ່າເປັນຄວາມເຂົ້າໃຈ, ແຕ່ມັນບໍ່ແມ່ນສິ່ງດຽວກັນ. [2]
“AI ເປັນເທັກໂນໂລຢີໜຶ່ງ”
AI ແມ່ນກຸ່ມຂອງວິທີການຕ່າງໆ (ການຫາເຫດຜົນແບບສັນຍະລັກ, ວິທີການຄວາມເປັນໄປໄດ້, ເຄືອຂ່າຍປະສາດ, ແລະອື່ນໆ). [2]
"ຖ້າມັນແມ່ນ AI, ມັນບໍ່ລຳອຽງ"
ບໍ່ຄືກັນ. AI ສາມາດສະທ້ອນ ແລະ ຂະຫຍາຍອະຄະຕິທີ່ມີຢູ່ໃນຂໍ້ມູນ ຫຼື ຕົວເລືອກການອອກແບບ - ຊຶ່ງເປັນເຫດຜົນທີ່ຫຼັກການການຄຸ້ມຄອງ ແລະ ຂອບຄວາມສ່ຽງມີຢູ່. [3][4]
ແລະແມ່ນແລ້ວ, ຜູ້ຄົນມັກຕຳນິ “AI” ເພາະວ່າມັນຟັງຄືກັບຄົນຮ້າຍທີ່ບໍ່ມີໃບໜ້າ. ບາງຄັ້ງມັນບໍ່ແມ່ນ AI. ບາງຄັ້ງມັນກໍ່ເປັນພຽງແຕ່… ການຈັດຕັ້ງປະຕິບັດທີ່ບໍ່ດີ. ຫຼື ແຮງຈູງໃຈທີ່ບໍ່ດີ. ຫຼື ຜູ້ໃດຜູ້ໜຶ່ງກຳລັງຟ້າວໃຊ້ຄຸນສົມບັດອອກຈາກປະຕູ 🫠
ຈັນຍາບັນ, ຄວາມປອດໄພ, ແລະ ຄວາມໄວ້ວາງໃຈ: ການໃຊ້ AI ໂດຍບໍ່ເຮັດໃຫ້ທຸກຢ່າງຮູ້ສຶກຜິດປົກກະຕິ 🧯⚖️
ປັນຍາປະດິດ (AI) ເຮັດໃຫ້ເກີດຄຳຖາມທີ່ແທ້ຈິງເມື່ອນຳໃຊ້ໃນຂົງເຂດທີ່ລະອຽດອ່ອນເຊັ່ນ: ການຈ້າງງານ, ການໃຫ້ກູ້ຢືມ, ການດູແລສຸຂະພາບ, ການສຶກສາ ແລະ ການຮັກສາຄວາມປອດໄພ.
ສັນຍານຄວາມໄວ້ວາງໃຈທີ່ເປັນປະໂຫຍດບາງຢ່າງທີ່ຄວນຊອກຫາ:
-
ຄວາມໂປ່ງໃສ: ເຂົາເຈົ້າອະທິບາຍບໍ່ວ່າມັນເຮັດຫຍັງ ແລະ ບໍ່ໄດ້ເຮັດຫຍັງ?
-
ຄວາມຮັບຜິດຊອບ: ມະນຸດ/ອົງກອນຕົວຈິງມີຄວາມຮັບຜິດຊອບຕໍ່ຜົນໄດ້ຮັບບໍ?
-
ການກວດສອບ: ຜົນໄດ້ຮັບສາມາດຖືກທົບທວນຄືນ ຫຼື ຄັດຄ້ານໄດ້ບໍ?
-
ການປົກປ້ອງຄວາມເປັນສ່ວນຕົວ: ຂໍ້ມູນຖືກຈັດການຢ່າງມີຄວາມຮັບຜິດຊອບບໍ?
-
ການທົດສອບອະຄະຕິ: ເຂົາເຈົ້າກວດສອບຜົນໄດ້ຮັບທີ່ບໍ່ຍຸດຕິທຳໃນທົ່ວກຸ່ມບໍ? [3][4]
ຖ້າທ່ານຕ້ອງການວິທີການຄິດກ່ຽວກັບຄວາມສ່ຽງທີ່ມີພື້ນຖານ (ໂດຍບໍ່ມີການທຳລາຍ), ຂອບການເຮັດວຽກເຊັ່ນ NIST AI RMF ແມ່ນສ້າງຂຶ້ນສຳລັບການຄິດແບບ "ໂອເຄ, ແຕ່ພວກເຮົາຈະຈັດການມັນຢ່າງມີຄວາມຮັບຜິດຊອບໄດ້ແນວໃດ?". [3]
ວິທີການຮຽນຮູ້ AI ຕັ້ງແຕ່ເລີ່ມຕົ້ນ (ໂດຍບໍ່ຕ້ອງໃຊ້ສະໝອງຫຼາຍ) 🧠🍳
ຂັ້ນຕອນທີ 1: ຮຽນຮູ້ບັນຫາທີ່ AI ພະຍາຍາມແກ້ໄຂ
ເລີ່ມຕົ້ນດ້ວຍຄຳນິຍາມ + ຕົວຢ່າງ: [1][2]
ຂັ້ນຕອນທີ 2: ຄຸ້ນເຄີຍກັບແນວຄວາມຄິດພື້ນຖານກ່ຽວກັບ ML
ພາຍໃຕ້ການຊີ້ນຳ ທຽບກັບ ພາຍໃຕ້ການຊີ້ນຳ, ການຝຶກອົບຮົມ/ການທົດສອບ, ການປັບຕົວເກີນໄປ, ການປະເມີນຜົນ - ນີ້ແມ່ນກະດູກສັນຫຼັງ. [5]
ຂັ້ນຕອນທີ 3: ສ້າງບາງສິ່ງບາງຢ່າງຂະໜາດນ້ອຍ
ບໍ່ແມ່ນ “ສ້າງຫຸ່ນຍົນທີ່ມີສະຕິ.” ຄ້າຍຄືກັບ:
-
ຕົວຈັດປະເພດສະແປມ
-
ຜູ້ແນະນຳງ່າຍໆ
-
ຕົວຈັດປະເພດຮູບພາບຂະໜາດນ້ອຍ
ການຮຽນຮູ້ທີ່ດີທີ່ສຸດແມ່ນການຮຽນຮູ້ທີ່ໜ້າລຳຄານເລັກນ້ອຍ. ຖ້າມັນລຽບງ່າຍເກີນໄປ, ເຈົ້າອາດຈະບໍ່ໄດ້ແຕະຕ້ອງສ່ວນທີ່ແທ້ຈິງ 😅
ຂັ້ນຕອນທີ 4: ຢ່າລະເລີຍຈັນຍາບັນ ແລະ ຄວາມປອດໄພ
ເຖິງແມ່ນວ່າໂຄງການຂະໜາດນ້ອຍກໍ່ສາມາດເຮັດໃຫ້ເກີດຄຳຖາມກ່ຽວກັບຄວາມເປັນສ່ວນຕົວ, ອະຄະຕິ ແລະ ການໃຊ້ໃນທາງທີ່ຜິດໄດ້. [3][4]
ຄຳຖາມທີ່ຖືກຖາມເລື້ອຍໆກ່ຽວກັບຮູບແບບເຕັມຂອງ AI (ຄຳຕອບໄວ, ບໍ່ມີຂໍ້ບົກຜ່ອງ) 🙋♂️🙋♀️
ຮູບແບບເຕັມຂອງ AI ໃນຄອມພິວເຕີ
ປັນຍາປະດິດ. ຄວາມໝາຍດຽວກັນ - ພຽງແຕ່ຖືກນຳໃຊ້ໃນຊອບແວ/ຮາດແວເທົ່ານັ້ນ.
AI ທຽບກັບຫຸ່ນຍົນ
ບໍ່. ຫຸ່ນຍົນສາມາດໃຊ້ AI ໄດ້, ແຕ່ຫຸ່ນຍົນຍັງປະກອບມີເຊັນເຊີ, ກົນຈັກ, ລະບົບຄວບຄຸມ ແລະ ການພົວພັນທາງກາຍະພາບ.
AI ເປັນຫຼາຍກວ່າຫຸ່ນຍົນ ແລະ chatbots
ບໍ່ແມ່ນເລີຍ. ລະບົບ AI ຫຼາຍຢ່າງແມ່ນເບິ່ງບໍ່ເຫັນ: ການຈັດອັນດັບ, ຄໍາແນະນໍາ, ການກວດຈັບ, ການຄາດຄະເນ.
AI ຄິດຄືກັບມະນຸດ
AI ສ່ວນໃຫຍ່ບໍ່ຄິດຄືກັບມະນຸດ. “ການຄິດ” ເປັນຄຳສັບທີ່ໜັກໜ່ວງ - ຖ້າທ່ານຕ້ອງການການໂຕ້ວາທີທີ່ເລິກເຊິ່ງກວ່າ, ການສົນທະນາກ່ຽວກັບປັດຊະຍາຂອງ AI ຈະເປັນເລື່ອງຍາກໃນເລື່ອງນີ້. [2]
ເປັນຫຍັງທຸກຄົນຈຶ່ງເອີ້ນທຸກຢ່າງວ່າ AI ຢ່າງກະທັນຫັນ
ເພາະມັນເປັນປ້າຍທີ່ມີພະລັງ. ບາງຄັ້ງກໍ່ຖືກຕ້ອງ, ບາງຄັ້ງກໍ່ຍືດหยุ่น... ຄືກັບກາງເກງຂາຍາວ.
ສະຫຼຸບ + ສະຫຼຸບສັ້ນໆ 🧾✨
ເຈົ້າມາເພື່ອ ຮູບແບບເຕັມຮູບແບບຂອງ AI , ແລະແມ່ນແລ້ວ - ມັນແມ່ນ ປັນຍາປະດິດ .
ແຕ່ສິ່ງທີ່ໃຊ້ໄດ້ຈິງຫຼາຍກວ່ານັ້ນຄື: AI ບໍ່ແມ່ນເຄື່ອງມື ຫຼື ແອັບດຽວ. ມັນເປັນຂົງເຂດທີ່ກວ້າງຂວາງຂອງວິທີການທີ່ຊ່ວຍໃຫ້ເຄື່ອງຈັກເຮັດວຽກງານທີ່ເບິ່ງຄືວ່າສະຫຼາດ - ການຮຽນຮູ້ຮູບແບບ, ການຈັດການພາສາ, ການຮັບຮູ້ຮູບພາບ, ການຕັດສິນໃຈ, ແລະ (ບາງຄັ້ງ) ການສ້າງເນື້ອຫາ. ມັນສາມາດມີປະສິດທິພາບສູງ, ບາງຄັ້ງກໍ່ສັບສົນ, ແລະມັນໄດ້ຮັບຜົນປະໂຫຍດຈາກການຄິດຄວາມສ່ຽງທີ່ມີຄວາມຮັບຜິດຊອບ. [3][4]
ສະຫຼຸບໂດຍຫຍໍ້:
-
ຮູບແບບເຕັມຂອງ AI = ປັນຍາປະດິດ 🤖
-
AI ເປັນຄືຄັນຮົ່ມທີ່ກວ້າງຂວາງ (ML + deep learning ເໝາະສົມກັບມັນ) 🧠
-
AI ມີພະລັງແຕ່ບໍ່ແມ່ນມະຫັດສະຈັນ - ມັນມີຂໍ້ຈຳກັດ ແລະ ຄວາມສ່ຽງ 🚧
-
ໃຊ້ຂອບການເຮັດວຽກ/ຫຼັກການພື້ນຖານເມື່ອປະເມີນການຮຽກຮ້ອງ AI ⚖️ [3][4]
ຖ້າເຈົ້າຈື່ຫຍັງບໍ່ໄດ້ອີກ, ຈົ່ງຈື່ໄວ້ວ່າ: ເມື່ອມີຄົນເວົ້າວ່າ "AI", ໃຫ້ລະບຸປະເພດສະເພາະນັ້ນໄວ້. 😉
ຄຳຖາມທີ່ຖືກຖາມເລື້ອຍໆເພີ່ມເຕີມ
ຮູບແບບເຕັມຂອງ AI ໃນຄຳສັບງ່າຍໆແມ່ນຫຍັງ?
AI ຫຍໍ້ມາຈາກຄຳວ່າ Artificial Intelligence (ປັນຍາປະດິດ) . ມັນໝາຍເຖິງລະບົບທີ່ມະນຸດສ້າງຂຶ້ນ ເຊິ່ງຖືກອອກແບບມາເພື່ອປະຕິບັດໜ້າວຽກທີ່ກ່ຽວຂ້ອງກັບພຶດຕິກຳທີ່ສະຫຼາດ ເຊັ່ນ: ການຮຽນຮູ້, ການຫາເຫດຜົນ, ການຮັບຮູ້ ແລະ ພາສາ. ໃນທາງປະຕິບັດ, “AI” ຖືກນຳໃຊ້ຢ່າງກວ້າງຂວາງຫຼາຍ, ສະນັ້ນມັນຊ່ວຍໃຫ້ເບິ່ງສິ່ງທີ່ລະບົບ ເຮັດ . ຖ້າມັນສາມາດຮຽນຮູ້ຈາກຂໍ້ມູນ ແລະ ຈັດການກັບສະຖານະການທີ່ບໍ່ຄຸ້ນເຄີຍ, ມັນຈະໃກ້ຄຽງກັບ AI ຫຼາຍກວ່າລະບົບອັດຕະໂນມັດແບບງ່າຍໆ.
ຂ້ອຍຈະຮູ້ໄດ້ແນວໃດວ່າບາງສິ່ງບາງຢ່າງແມ່ນ AI ທີ່ແທ້ຈິງ ຫຼື ພຽງແຕ່ອັດຕະໂນມັດ?
ການທົດສອບຕົວຈິງແມ່ນວ່າເຄື່ອງມື ຮຽນຮູ້ຈາກຂໍ້ມູນ ແລະ ລວມເອົາ ສະຖານະການທີ່ຄົງທີ່ໄວ້ຫຼືບໍ່. ຖ້າມັນປະຕິບັດຕາມກົດລະບຽບ "ຖ້າສິ່ງນີ້, ແລ້ວສິ່ງນັ້ນ", ມັນມັກຈະເປັນຊອບແວທີ່ອີງໃສ່ກົດລະບຽບຫຼາຍກວ່າ AI. ຕົວຊີ້ບອກອີກອັນໜຶ່ງແມ່ນວິທີການປະເມີນຜົນຂອງມັນ: ລະບົບ AI ທີ່ແທ້ຈິງມັກຈະຖືກວັດແທກດ້ວຍຄວາມຖືກຕ້ອງ, ອັດຕາຄວາມຜິດພາດ, ແລະ ການທົດສອບແບບ edge-case. ປ້າຍກຳກັບການຕະຫຼາດສາມາດເຮັດໃຫ້ເຂົ້າໃຈຜິດໄດ້, ສະນັ້ນ ໃຫ້ຕັດສິນມັນໂດຍພຶດຕິກຳ.
ການຮຽນຮູ້ຂອງເຄື່ອງຈັກແມ່ນສິ່ງດຽວກັນກັບປັນຍາປະດິດບໍ?
ບໍ່ແມ່ນແທ້ໆ. ປັນຍາປະດິດ ແມ່ນຂອບເຂດກວ້າງສຳລັບລະບົບທີ່ປະຕິບັດໜ້າວຽກທີ່ກ່ຽວຂ້ອງກັບພຶດຕິກຳທີ່ສະຫຼາດ. ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ (ML) ແມ່ນຊຸດຍ່ອຍຂອງ AI ທີ່ສຸມໃສ່ຮູບແບບການຮຽນຮູ້ຈາກຂໍ້ມູນແທນທີ່ຈະຖືກຂຽນໂປຣແກຣມຢ່າງຊັດເຈນດ້ວຍກົດລະບຽບທີ່ຄົງທີ່. ການຮຽນຮູ້ເລິກ ແມ່ນຊຸດຍ່ອຍຂອງ ML ທີ່ໃຊ້ເຄືອຂ່າຍປະສາດຫຼາຍຊັ້ນ, ເຊິ່ງມັກຈະໃຊ້ສຳລັບວຽກງານດ້ານວິໄສທັດ ແລະ ພາສາ. ຜູ້ຄົນປະສົມຄຳສັບເຫຼົ່ານີ້, ສະນັ້ນສະພາບການຈຶ່ງມີຄວາມສຳຄັນ.
ເປັນຫຍັງບໍລິສັດຕ່າງໆຈຶ່ງເອີ້ນຊອບແວພື້ນຖານວ່າ "AI"?
ເນື່ອງຈາກວ່າ “AI” ເປັນເຄື່ອງໝາຍທີ່ມີພະລັງທີ່ສາມາດເຮັດໃຫ້ຜະລິດຕະພັນຟັງຄືກ້າວໜ້າກວ່າທີ່ມັນເປັນຢູ່. ເຄື່ອງມືບາງຢ່າງທີ່ຂາຍໃນນາມ AI ສ່ວນໃຫຍ່ແມ່ນລະບົບອັດຕະໂນມັດ ຫຼື ລະບົບທີ່ອີງໃສ່ກົດລະບຽບທີ່ມີຄວາມຍືດຫຍຸ່ນຈຳກັດ. ນັ້ນແມ່ນເຫດຜົນທີ່ວ່າມັນຄຸ້ມຄ່າທີ່ຈະຍັງຄົງສົງໄສ ແລະ ຖາມວ່າລະບົບຮຽນຮູ້ຈາກຫຍັງ, ມັນສະຫຼຸບລວມແນວໃດ, ແລະ ຮູບແບບຄວາມລົ້ມເຫຼວຂອງມັນແມ່ນຫຍັງ. ເອກະສານທີ່ຊັດເຈນ ແລະ ຜົນການປະເມີນຜົນແມ່ນສັນຍານຄວາມໄວ້ວາງໃຈທີ່ດີ.
ຕົວຢ່າງປະຈຳວັນທົ່ວໄປຂອງ AI ທີ່ຄົນໃຊ້ໂດຍທີ່ບໍ່ສັງເກດເຫັນແມ່ນຫຍັງ?
ລະບົບ AI ຫຼາຍລະບົບຕັ້ງຢູ່ເບື້ອງຫຼັງແທນທີ່ຈະສະແດງເປັນຫຸ່ນຍົນ ຫຼື chatbot ທີ່ເຫັນໄດ້ຊັດເຈນ. ຕົວຢ່າງປະກອບມີການຈັດອັນດັບການຄົ້ນຫາ, ແຜນທີ່ ແລະ ການຄາດຄະເນການຈະລາຈອນ, ການແນະນຳສຳລັບວິດີໂອ ຫຼື ການຊື້ເຄື່ອງ, ການກັ່ນຕອງສະແປມ ແລະ ການຫຼອກລວງ, ການປ່ຽນສຽງເປັນຂໍ້ຄວາມ, ການແປພາສາ, ແລະ ການຈັດຮຽງ ຫຼື ການປັບປຸງຮູບພາບ. ສິ່ງເຫຼົ່ານີ້ມັກຈະເຮັດວຽກໄດ້ດີໃນໜ້າວຽກທີ່ຄັບແຄບ, ແຕ່ພວກມັນຍັງໄດ້ຮັບຜົນປະໂຫຍດຈາກການຕິດຕາມກວດກາ ແລະ ຄວາມຄາດຫວັງທີ່ຊັດເຈນກ່ຽວກັບຂໍ້ຈຳກັດ.
AI ສາມາດຜິດພາດໄດ້ຢ່າງໝັ້ນໃຈບໍ, ແລະເປັນຫຍັງມັນຈຶ່ງສຳຄັນ?
ແມ່ນແລ້ວ - ລະບົບ AI ທີ່ທັນສະໄໝສາມາດຜະລິດຜົນຜະລິດທີ່ຟັງແລ້ວໜ້າເຊື່ອຖືໄດ້ເຖິງແມ່ນວ່າມັນຈະບໍ່ຖືກຕ້ອງກໍຕາມ. ນັ້ນແມ່ນເຫດຜົນທີ່ວ່າການນຳໃຊ້ທີ່ມີຄວາມຮັບຜິດຊອບແມ່ນສຸມໃສ່ຄວາມໜ້າເຊື່ອຖື, ຄວາມໂປ່ງໃສ, ຄວາມປອດໄພ, ຄວາມລຳອຽງ ແລະ ຄວາມຮັບຜິດຊອບ ແທນທີ່ຈະເປັນພຽງແຕ່ຄວາມສາມາດ. ສຳລັບຂົງເຂດທີ່ມີຄວາມສ່ຽງສູງເຊັ່ນ: ການຈ້າງງານ, ການດູແລສຸຂະພາບ, ການເງິນ ຫຼື ການສຶກສາ, ມັນເປັນສິ່ງສຳຄັນທີ່ຈະຕ້ອງມີການກວດສອບຈາກມະນຸດ, ການທົດສອບ ແລະ ຂະບວນການທີ່ຊັດເຈນເພື່ອທົບທວນ ແລະ ທ້າທາຍການຕັດສິນໃຈເມື່ອຈຳເປັນ.
ຂ້ອຍຄວນຊອກຫາຫຍັງກ່ອນທີ່ຈະໃຊ້ AI ໃນສະຖານະການທີ່ມີຄວາມສ່ຽງສູງ?
ເລີ່ມຕົ້ນດ້ວຍ ຄວາມຮັບຜິດຊອບ : ມະນຸດ ຫຼື ອົງກອນທີ່ມີຊື່ຄວນເປັນເຈົ້າຂອງຜົນໄດ້ຮັບ ແລະ ຄວາມຜິດພາດ. ຈາກນັ້ນກວດສອບ ຄວາມໂປ່ງໃສ : ເຄື່ອງມືຄວນອະທິບາຍສິ່ງທີ່ມັນເຮັດ, ສິ່ງທີ່ມັນບໍ່ເຮັດ, ແລະ ຂໍ້ຈຳກັດຂອງມັນ. ການກວດສອບ ມີຄວາມສຳຄັນເຊັ່ນກັນ - ການຕັດສິນໃຈສາມາດທົບທວນ ຫຼື ທ້າທາຍໄດ້ບໍ? ສຸດທ້າຍ, ຊອກຫາຫຼັກຖານຂອງການປະເມີນຜົນ ແລະ ການຄິດຄວາມສ່ຽງ, ເຊັ່ນ: ອັດຕາຄວາມຜິດພາດທີ່ບັນທຶກໄວ້, ການກວດສອບອະຄະຕິ, ແລະ ການປະຕິບັດການຄຸ້ມຄອງ.
AI “ຄິດຄືກັບມະນຸດ” ຫຼື ມັນພຽງແຕ່ຮຽນແບບຄວາມສະຫຼາດ?
AI ສ່ວນໃຫຍ່ບໍ່ໄດ້ "ຄິດ" ຄືກັບມະນຸດໃນຄວາມໝາຍປະຈຳວັນ. ມັນປະມວນຜົນຮູບແບບ ແລະ ສາມາດປະຕິບັດໜ້າວຽກທີ່ເບິ່ງຄືວ່າສະຫຼາດ, ໂດຍສະເພາະໃນດ້ານພາສາ ແລະ ການຮັບຮູ້, ແຕ່ນັ້ນບໍ່ຄືກັນກັບຄວາມເຂົ້າໃຈຂອງມະນຸດ. ນີ້ແມ່ນເຫດຜົນທີ່ຄຳນິຍາມຈຶ່ງສັບສົນ ແລະ ເປັນຫຍັງການສົນທະນາຢ່າງຈິງຈັງຈຶ່ງສຸມໃສ່ສິ່ງທີ່ນັບວ່າເປັນຄວາມສະຫຼາດ, ການລວມຄວາມໝາຍ, ແລະວິທີການຕີຄວາມໝາຍປະສິດທິພາບຂອງ AI ຢ່າງປອດໄພໃນການນຳໃຊ້ຕົວຈິງ.
ເອກະສານອ້າງອີງ
[1] ສາລານຸກົມ Britannica - ປັນຍາປະດິດ (AI): ຄຳນິຍາມ, ປະຫວັດສາດ, ແລະ ວິທີການສຳຄັນ - ປັນຍາປະດິດ (AI) - ສາລານຸກົມ Britannica
[2] ສາລານຸກົມ Stanford ກ່ຽວກັບປັດຊະຍາ - ປັນຍາປະດິດ: ສິ່ງທີ່ນັບວ່າເປັນ AI, ແນວຄວາມຄິດຫຼັກ, ແລະ ການໂຕ້ວາທີທາງປັດຊະຍາທີ່ສຳຄັນ - ປັນຍາປະດິດ - ສາລານຸກົມ Stanford ກ່ຽວກັບປັດຊະຍາ
[3] NIST - ຂອບການຄຸ້ມຄອງຄວາມສ່ຽງ AI (AI RMF 1.0): ການຄຸ້ມຄອງ, ຄວາມສ່ຽງ, ຄວາມໂປ່ງໃສ, ຄວາມປອດໄພ, ແລະ ຄວາມຮັບຜິດຊອບ (PDF) - ຂອບການຄຸ້ມຄອງຄວາມສ່ຽງ AI NIST (AI RMF 1.0) PDF
[4] OECD.AI - ຫຼັກການ AI ຂອງ OECD: AI ທີ່ໜ້າເຊື່ອຖື, ສິດທິມະນຸດ, ແລະ ການພັດທະນາ ແລະ ການນຳໃຊ້ທີ່ມີຄວາມຮັບຜິດຊອບ - ຫຼັກການ AI ຂອງ OECD - OECD.AI
[5] ນັກພັດທະນາ Google - ຫຼັກສູດການຮຽນຮູ້ເຄື່ອງຈັກແບບກະທັນຫັນ: ພື້ນຖານການຮຽນຮູ້ເຄື່ອງຈັກ, ການຝຶກອົບຮົມແບບຈຳລອງ, ການປະເມີນຜົນ, ແລະ ຄຳສັບຫຼັກ - ຫຼັກ ສູດການຮຽນຮູ້ເຄື່ອງຈັກແບບກະທັນຫັນ - ນັກພັດທະນາ Google