(ចុចលើរូបភាពខាងលើដើម្បីមើលវីដេអូស្តីពីមេរៀននេះ)
Generative AI គឺជាបច្ចេកវិទ្យាបញ្ញាសិប្បនិម្មិតដែលអាចបង្កើតអត្ថបទ រូបភាព និងប្រភេទមាតិកាផ្សេងទៀត។ អ្វីដែលធ្វើអោយវាជាបច្ចេកវិទ្យាដ៏អស្ចារ្យគឺវាបន្ថែមសិទ្ធិស្មើគ្នាទៅក្នុង AI ដែលនរណាក៏អាចប្រើបាន ដោយគ្រាន់តែមានបញ្ជារជាអត្ថបទ ឬប្រយោគដែលសរសេរជាភាសាធម្មជាតិ។ មិនចាំបាច់ឲ្យអ្នករៀនភាសាដូចជា Java ឬ SQL ដើម្បីធ្វើអ្វីមួយដែលមានតម្លៃទេ គ្រាន់តែនិយាយភាសារបស់អ្នក បញ្ជាក់អ្វីដែលអ្នកចង់បាន ហើយនឹងមានសំណើមកពីម៉ូដែល AI។ ការដាក់ពាក្យប្រើ និងផលប៉ះពាល់គឺធំមហា អ្នកអាចសរសេរឬយល់របាយការណ៍ សរសេរប្រកាសកម្មវិធី និងទៀតឡើងទៀត ក្នុងរយៈពេលតែប៉ុន្មានវិនាទី។
នៅក្នុងកម្មវិធីបណ្តុះបណ្តាលនេះ យើងនឹងស្វែងយល់ពីរបៀបដែលស្តាតអាប់របស់យើងប្រើប្រាស់ generative AI ដើម្បីបើកល្បឿនថ្មីៗក្នុងវិស័យអប់រំ និងរបៀបដែលយើងដោះស្រាយបញ្ហាដែលជាលទ្ធផលវិជ្ជមាន និងគម្លាតដែលជាការរួមបញ្ចូលប្រទេសនិងដែនកំណត់បច្ចេកវិទ្យា។
មេរៀននេះនឹងគ្របដណ្តប់:
- ការណែនាំពីសង្គ្រាមខាងអាជីវកម្ម៖ គំនិត និងបេសកកម្មរបស់ស្តាតអាប់របស់យើង។
- Generative AI និងរបៀបដែលយើងឈានដល់ទិដ្ឋភាពបច្ចេកវិទ្យាបច្ចុប្បន្ន។
- ការដំណើរការខាងក្នុងរបស់ម៉ូដែលភាសាធំ។
- សមត្ថភាពសំខាន់ៗ និងការប្រើប្រាស់ជាក់ស្តែងនៃម៉ូដែលភាសាធំ។
បន្ទាប់ពីបញ្ចប់មេរៀននេះ អ្នកនឹងយល់ដឹងពី៖
- តើ generative AI ជាអ្វី និងម៉ូដែលភាសាធំដូចម្តេចដែរដែលដំណើរការ។
- របៀបដែលអ្នកអាចប្រើប្រាស់ម៉ូដែលភាសាធំសម្រាប់ករណីប្រើប្រាស់ផ្សេងៗ ជាមួយនឹងការផ្តោតលើស្ថានភាពអប់រំ។
Generative Artificial Intelligence (AI) តំណាងឱ្យកំពូលបច្ចេកវិទ្យា AI ដែលកែលម្អដែនកំណត់នៃអ្វីដែលមុននេះត្រូវបានគិតថាពុំអាចធ្វើបាន។ ម៉ូដែល generative AI មានសមត្ថភាព និងប្រើប្រាស់ជាច្រើន ប៉ុន្តែក្នុងកម្មវិធីនេះ យើងនឹងស្វែងយល់ពីរបៀបដែលវាផ្លាស់ប្តូរក្នុងវិស័យអប់រំ តាមរយៈស្តាតអាប់មួយដែលជាការប្រៀបធៀប។ យើងនឹងហៅស្តាតអាប់នេះថា ស្តាតអាប់របស់យើង។ ស្តាតអាប់របស់យើងមានដំណើរការនៅក្នុងវិស័យអប់រំនឹងបេសកកម្មថ្មីមួយ
បង្កើតភាពងាយស្រួលក្នុងការសិក្សា នៅលើកម្រិតពិភពលោក ដើម្បីធានាការចូលដំណើរការដោយស្មើភាព និងផ្តល់បទពិសោធន៏សិក្សាផ្ទាល់ខ្លួនសម្រាប់អ្នករៀននិមួយៗ ដោយផ្អែកលើតម្រូវការរបស់ពួកគេ។
ក្រុមការងារស្តាតអាប់របស់យើងយល់ថា ពួកយើងមិនអាចសម្រេចគោលដៅនេះបានទេប្រសិនបើយើងមិនប្រើឧបករណ៍ដ៏ពូកែបំផុតមួយក្នុងសម័យសព្វថ្ងៃគឺ ម៉ូដែលភាសាធំ (LLMs)។
Generative AI គ្រោងទុកថានឹងបង្កើតការប្តូរធំលើរបៀបដែលយើងរៀន និងបង្រៀននៅសព្វថ្ងៃ ដោយសិស្សមានគ្រូវីរុលរង់ចាំ ២៤ម៉ោងក្នុងមួយថ្ងៃ ដែលផ្តល់ព័ត៌មាននិងឧទាហរណ៍ធំទូលាយ ហើយគ្រូអាចប្រើឧបករណ៍ច្នៃប្រឌិតដើម្បីវាយតម្លៃសិស្ស និងផ្តល់មតិយោបល់។
ដើម្បីចាប់ផ្តើម មកកំណត់ន័យគន្លឹះ និងពាក្យទាក់ទងមួយចំនួនដែលយើងនឹងប្រើរយៈពេលធ្វើកម្មវិធីបណ្តុះបណ្តាល។
ទោះបីជាមានការប្រកាសយ៉ាងពោរពេញទៅដោយកេរដណ្ដប់ចុងក្រោយពីម៉ូដែល generative AI ក៏ដោយ បច្ចេកវិទ្យានេះគឺបានសាងសង់រយៈពេលជាងបីទសវត្សលើកមុន ដែលកិច្ចស្រាវជ្រាវដំបូងត្រូវបានធ្វើឡើងចាប់តាំងពីទសវត្ស ១៩៦០។ ឥឡូវនេះយើងមាន AI ដែលមានសមត្ថភាពស្មារតីមនុស្សដូចជា ការសន្ទនា ដែលត្រូវបានបង្ហាញតាមរយៈ ឧទាហរណ៍ដូចជា OpenAI ChatGPT ឬ Bing Chat ដែលក៏ប្រើម៉ូដែល GPT សម្រាប់សន្ទនាស្វែងរកតាមវេបសាយ Bing។
ត្រឡប់ទៅក្រោយបន្តិច ម៉ូដែលដំបូងនៃ AI មានរូបរាងជាចאטបូត ដែលពឹងផ្អែកលើមូលដ្ឋានចំណេះដឹងនឹងចេញពីក្រុមអ្នកជំនាញ និងត្រូវបានបង្ហាញក្នុងកុំព្យូទ័រ។ ចម្លើយក្នុងមូលដ្ឋានចំណេះដឹងត្រូវបានបញ្ចេញខណៈពេលពាក្យគន្លឹះបង្ហាញនៅក្នុងអត្ថបទបញ្ចូល។ ប៉ុន្តែ វាបានច្បាស់ថាវិធីនេះមិនអាចពង្រីកបានល្អទេទៅតាមការអភិវឌ្ឍន៍។
ចំណុចប្តូរមួយបានចេញមកក្នុងទសវត្ស ៩០ ជាមួយការអនុវត្តវិធីសាស្រ្តស្ថិតិយាស្ត្រសម្រាប់វិភាគអត្ថបទ។ វានាំឲ្យមានការវិវឌ្ឍន៍អាល់ហ្គោរិធមថ្មីៗ ដូចជា ការរៀនម៉ាស៊ីន ដែលអាចរៀនគំរូពីទិន្នន័យដោយគ្មានការបញ្ជាក់ផ្ទាល់។ វិធីសាស្ត្រនេះអនុញ្ញាតឲ្យម៉ាស៊ីននាំមនុស្សឱ្យយល់ភាសា៖ ម៉ូដែលស្ថិតិត្រូវបានបណ្តុះបណ្តាលលើគូអត្ថបទ-ស្លាក ដែលអនុញ្ញាតឲ្យម៉ូដែលចាត់ថ្នាក់អត្ថបទមិនស្គាល់ជាមួយស្លាកដែលកំណត់រួច។
ក្នុងឆ្នាំកន្លងមក ការវិវឌ្ឍអ្នកគ្រប់គ្រងឧបករណ៍ ដែលអាចដោះស្រាយទិន្នន័យច្រើន និងគណនាចម្បងបានល្អជាងមុន បានលើកទឹកចិត្តកិច្ចស្រាវជ្រាវក្នុងវិស័យ AI ដែលនាំឲ្យមានអាល់ហ្គូរិធមរៀនម៉ាស៊ីនដ៏ចំរូងចំរាស់ហៅថាបណ្តាញប្រព័ន្ធប្រសាទ ឬ អាល់ហ្គូរិធមរៀនជ្រៅ។
បណ្តាញប្រព័ន្ធប្រសាទ (ជាពិសេសបណ្តាញប្រព័ន្ធប្រសាទបន្ត – RNNs) បានបង្កើនកម្រិតវិភាគភាសាធម្មជាតិឲ្យកាន់តែល្អ ដោយបង្ហាញន័យនៃអត្ថបទក្នុងរបៀបមានន័យជាងមុន ដោយផ្តោតបារម្ភលើContext នៃពាក្យក្នុងប្រយោគ។
នេះគឺជាបច្ចេកវិទ្យាដែលជួយវីរុលជំនួយកំពុងថ្ងៃសតវត្សថ្មីដែលមានជំនាញក្នុងការយល់ភាសាមនុស្ស កំណត់ត្រូវការមួយ ហើយអនុវត្តសកម្មភាព ដូចជារៀបចំចម្លើយចេញពីស្គ្រីបជាមុន ឬប្រើសេវាកម្មពីភាគីទីបី។
នេះជារបៀបដែលយើងឈានដល់ Generative AI ដែលអាចហៅថា ជាផ្នែកមួយនៃការរៀនជ្រៅ។
បន្ទាប់ពីការស្រាវជ្រាវជាយូរជាងបីទសវត្សនៅក្នុងវិស័យ AI អាគារម៉ូដែលថ្មីមួយ ហៅថា Transformer បានលើកលែងដែនកំណត់របស់ RNNs ដោយអាចទទួលបានលំដាប់អត្ថបទយូរជាងមុនជា input។ Transformer ដំណើរការលើមេកានិចការផ្តោតអារម្មណ៍ (attention mechanism) ដែលអនុញ្ញាតឲ្យម៉ូដែលផ្តល់ទំងន់ខុសគ្នាទៅលើអ៊ីនពុត ដែលមានន័យថា’ផ្តោតអារម្មណ៍’លើព័ត៌មានដ៏ពាក់ព័ន្ធជាងគេ ដោយមិនគិតថាអ៊ីនពុតស្ថិតនៅលំដាប់ណាក្នុងលំដាប់អត្ថបទ។
ម៉ូដែល generative AI ចុងក្រោយជាច្រើន – ហៅថា ម៉ូដែលភាសាធំ (LLMs) ព្រោះពួកវាដំណើរការជាមួយអត្ថបទ input និង output – គឺភាគច្រើនមូលដ្ឋានលើស្ថានទីនេះ។ អ្វីដែលគួរឱ្យចាប់អារម្មណ៍នោះគឺ ម៉ូដែលទាំងនេះបានបណ្តុះបណ្តាលលើទិន្នន័យធំពីប្រភពផ្សេងៗដូចជា សៀវភៅ អត្ថបទ និងវេបសាយ ដោយគ្មានស្លាក និងអាចប្ដូរតាមភារកិច្ចជាច្រើន និងបង្កើតអត្ថបទផ្តាច់មុខដោយមានសមរម្យភាពបង្កើត។ ដូច្នេះ ពួកវាមិនត្រឹមតែបង្កើនសមត្ថភាពយល់អត្ថបទ input តែប៉ុណ្ណោះទេ ក៏ជួយឲ្យពួកវាសរសេរជាចម្លើយដើមជាភាសាមនុស្សបានផងដែរ។
បន្ទាប់មក យើងនឹងវិភាគម៉ូដែល Generative AI ផ្សេងៗ តែសម្រាប់ពេលនេះមកមើលរបៀបដែលម៉ូដែលភាសាធំដំណើរការ ជាពិសេស OpenAI GPT (Generative Pre-trained Transformer)។
- Tokenizer, បម្លែងអត្ថបទទៅជាចំនួន៖ ម៉ូដែលភាសាធំទទួលអត្ថបទជា input ហើយបង្កើតអត្ថបទជា output។ ប៉ុន្តែព្រោះពួកវាជាម៉ូដែលស្ថិតិ ពួកវាដំណើរការល្អជាងជាមួយលេខជាងអត្ថបទ។ ដូច្នេះផ្ទាល់មុនម៉ូដែលពួកវាត្រូវបានដំណើរការដោយ tokenizer។ Token គឺជាកំណត់អត្ថបទមួយ មានអក្សរជាច្រើន ហើយ tokenizer មានភារកិច្ចបំបែក input ទៅជាសំណុំ token តូចៗ។ បន្ទាប់មក token ត្រូវបានផ្គូផ្គងជាមួយ លេខសម្គាល់ token ដែលជាកូដលេខរបស់កំណត់អត្ថបទដើម។
-
ការព្យាករណ៍ token output៖ ម៉ូដែលទទួល n token ជា input (ដោយ max n ផ្លាស់ប្តូរម៉ូដែលមួយទៅមួយ) ហើយអាចព្យាករណ៍ token មួយជាផលចេញ។ Token នោះត្រូវបានបញ្ចូលទៅជាមួយ input សម្រាប់ iteration បន្ទាប់ ដោយលំដាប់បង្ហាញជាប្រព័ន្ធបង្កើន ដើម្បីផ្តល់បទពិសោធន៍ល្អក្នុងការទទួលបានប្រយោគមួយ ឬច្រើនជាចម្លើយ។ នេះជាការពន្យល់ថាអ្នកប្រើ ChatGPT ម្តងៗអាចឃើញវាឈប់កណ្តាលប្រយោគ។
-
ដំណើរការជ្រើសរើស បន្ទាត់ប្រហែលភាព៖ Token output ត្រូវបានជ្រើសរើសដោយម៉ូដែល អាស្រ័យលើប្រហែលភាពវាធ្លាប់បង្ហាញបន្ទាប់ពីលំដាប់អត្ថបទបច្ចុប្បន្ន។ ម៉ូដែលព្យាករណ៍អំពីការប្រហែលភាពលើtoken ទាំងអស់ដែលអាចជាការវាស់វែង។ ទោះជាយ៉ាងណា មិនមែន token ដែលមានប្រហែលភាពខ្ពស់បំផុតត្រូវបានជ្រើសជានិរន្តរភាព។ មានកម្រិតអក្សរសាស្រ្តដែលបន្ថែមដើម្បីឲ្យម៉ូដែលដំណើរការផ្ទុយពីលំដាប់លំដោយ ដោយមិនចេញថាស្រដៀងគ្នាគ្រប់លើinput ដូចគ្នា។ កម្រិតនោះអាចត្រូវបានគ្រប់គ្រងតាមទ្រង់ទ្រាយមួយហៅថា អង្កត់កម្តៅ (temperature)។
ឥឡូវនេះដែលយើងយល់ពីដំណើរការខាងក្នុងម៉ូដែលភាសាធំ រីឯស្តាតអាប់របស់យើង មកមើលឧទាហរណ៍ជាក់ស្តែងពីកិច្ចការដែលប្រព្រឹត្តបានល្អ ដើម្បីសម្រួលស្ថានភាពអាជីវកម្មរបស់យើង។ យើងបាននិយាយថាសមត្ថភាពសំខាន់របស់ម៉ូដែលភាសាធំគឺ បង្កើតអត្ថបទពីគ្មាន ឬពី input តែមួយ ដោយសរសេរជាភាសាធម្មជាតិ។
តែ input និង output ជាអ្វី? Input របស់ម៉ូដែលភាសាធំត្រូវបានហៅថា prompt ខណៈដែល output ហៅថា completion ដែលមានន័យថា របៀបម៉ូដែលបង្កើត token បន្ទាប់ដើម្បីបញ្ចប់ input បច្ចុប្បន្ន។ យើងនឹងសិក្សាអំពី prompt និងរបៀបទទួលបានលទ្ធផលល្អបំផុត ពីម៉ូដែល។ ប៉ុន្តែបច្ចុប្បន្ននេះ រាល់ prompt អាចរួមមាន៖
-
សំណើរ ដែលបញ្ជាក់ប្រភេទ output ដែលយើងរំពឹងពីម៉ូដែល។ សំណើនេះម្តងមួយអាចរួមបញ្ចូលឧទាហរណ៍ ឬទិន្នន័យបន្ថែម។
- សង្ខេបអត្ថបទ អត្ថបទសៀវភៅ ការពិនិត្យផលិតផល និងជាច្រើនទៀត ទាំងការដកស្រង់ចំណុចសំខាន់ពីទិន្នន័យដែលមិនរៀបរយល្អ។
-
គំនិតច្នៃប្រឌិត និងការរចនារបស់អត្ថបទ អត្ថបទស្រាវជ្រាវ ការងារទៅតាមកម្រិត ឬច្រើនទៀត។
-
សំណួរ ដែលសួរជារបៀបនៃការសន្ទនាជាមួយភ្នាក់ងារ។
-
ជំនុំអត្ថបទសម្រាប់បញ្ចប់ ដែលមិនច្បាស់ផ្ទាល់ដូចជាសំណើរសម្រាប់ជំនួយសរសេរ។
-
ជំនុំកូដ ជាមួយនឹងសំណើរក្នុងការពន្យល់ និងឯកសារយោង ឬមតិយោបល់សម្រាប់បង្កើតកូដអ្វីមួយធ្វើភារកិច្ចណាមួយជាក់លាក់។
ឧទាហរណ៍ខាងលើគឺសាមញ្ញ និងមិនមែនជាការបង្ហាញទាំងមូលនៃសមត្ថភាពម៉ូដែលភាសាធំទេ។ វាត្រូវបានបង្ហាញដើម្បីបង្ហាញកម្លាំងនៃ generative AI ជាពិសេសក្នុងបរិបទអប់រំ។
រួមទាំង ការផលិតរបស់ ម៉ូដែល generative AI មិនពេញលេញទៀងទាត់ ហើយនៅពេលខ្លះភាពច្នៃប្រឌិតនៃម៉ូដែលអាចបង្កការទម្លាក់ថាផលិតផលជាប្រភេទពាក្យដែលអ្នកប្រើប្រាស់អាចយល់ថាជាការលួចធ្វើជាការពិត ឬអាចបង្កការភាន់ច្រឡំ។ Generative AI មិនត្រឹមតែមានបញ្ញា - យ៉ាងហោចណាស់ក្នុងន័យទូលំទូលាយរបស់បញ្ញា ជារួមទាំងការចងចាំ សេចក្តីយល់ឃើញចម្រាញ់ និងបញ្ញាមនុស្ស - វាមិនឆ្លាតឆ្លួន នឹងមិនអាចទុកចិត្តបានបានពេញលេញ នៅពេលមានការបញ្ចូលព័ត៌មានមិនត្រឹមត្រូវ និងសេចក្តីថ្លែងការណ៍ ខុសការពិត ។ មេរៀនបន្ទាប់របស់យើងនឹងដោះស្រាយលើកញ្ចប់កំណត់នានា ទាំងនេះ និងមើលថាតើយើងអាចធ្វើអ្វីបានដើម្បីកាត់បន្ថយដូច្នេះ។
កិច្ចការរបស់អ្នកគឺអានបន្ថែមអំពី generative AI ហើយព្យាយាមស្វែងរកតំបន់ណាដែលអ្នកចង់បន្ថែម generative AI នៅថ្ងៃនេះ ដែលមិនមានទាំងនេះ។ តើផលប៉ះពាល់នឹងខុសពីការធ្វើតាមវិធីតាមអតីតកាលយ៉ាងដូចម្តេច? តើអ្នកអាចធ្វើអ្វីដែលមិនធ្លាប់ធ្វើមុនមែនទេ ឬឆាប់រហ័សជាងមុន? សរសេរពិចារណាអំពីស្តាតអាប់ AI សុបិនរបស់អ្នកក្នុងរយៈពេល៣០០ពាក្យ ជាមួយចំណងជើងដូចជា "បញ្ហា", "របៀបប្រើ AI", "ផលប៉ះពាល់" និងមានផែនការអាជីវកម្មបន្ថែមបើចង់។
បើអ្នកបានបំពេញកិច្ចការនេះ ប្រហែលជាអ្នកបានត្រៀមខ្លួនសម្រាប់ដាក់ពាក្យចូលកម្មវិធីផ្សព្វផ្សាយ Microsoft, Microsoft for Startups Founders Hub ដែលផ្តល់ឥណទានសម្រាប់ Azure, OpenAI, ប្រឹក្សាណារិក និងទៀត។
តើអ្វីជាការពិតអំពីម៉ូដែលភាសាធំ?
- អ្នកទទួលបានចម្លើយដូចដើមគ្រប់ពេល។
- វាធ្វើអ្វីៗបានល្អ សមត្ថភាពលើការបូកលេខ បង្កើតកូដបណ្តឹង។
- ចម្លើយអាចផ្លាស់ប្តូរពីពេលទៅពេល ទោះបីឲ្យប្រើPromptដូចគ្នា។ វាជ្រើសរើសល្អក្នុងការផ្តល់សេចក្តីព្រាងដំបូង តែអ្នកត្រូវធ្វើការកែលម្អលើលទ្ធផលបន្ត។
ចម្លើយ៖ ៣, ម៉ូដែល LLM មិនមែន deterministic ទេ ចម្លើយអាចផ្លាស់ប្តូរ តែអ្នកអាចគ្រប់គ្រងការផ្លាស់ប្តូរនេះតាមកម្រិតអង្កត់កម្តៅ។ អ្នកមិនគួររំពឹងថាវាធ្វើបានប្រាកដល្អទាំងស្រុងទេ មិនថានៅផ្នែកណា វាអាចជួយអ្នកធ្វើការក្នុងជំហានដំបូងដោយគឺប្រកបដោយគុណភាព ដែលអ្នកអាចបន្តកែលម្អជាបន្តបន្ទាប់។
បន្ទាប់ពីបញ្ចប់មេរៀននេះ សូមពិនិត្យកម្រងការរៀន Generative AI Learning collection របស់យើងដើម្បីបន្តរំញោចចំណេះដឹង Generative AI របស់អ្នក! ចូលទៅកាន់មេរៀនទី ២ ដែលយើងនឹងមើលពីរបៀប ស្វែងរក និងប្រៀបធៀបប្រភេទ LLM ផ្សេងៗ!
ការបដិសេធ៖
ឯកសារនេះត្រូវបានបម្លែងភាសាដោយប្រើសេវាកម្មបកប្រែ AI Co-op Translator។ ខណៈដែលយើងខិតខំរកភាពត្រឹមត្រូវ សូមយកចិត្តទុកដាក់ថា ការបកប្រែដោយស្វ័យប្រវត្តិអាចមានកំហុសឬប្រសិទ្ធិភាពខ្វះខាត។ ឯកសារដើមនៅក្នុងភាសាមូលដ្ឋានរបស់ខ្លួនគួรถูกគេចាត់ទុកថាជាដើមដំណើរការដ៏ល្អបំផុត។ សម្រាប់ព័ត៌មានដែលមានសារៈសំខាន់ណាស់ ការបកប្រែដោយអ្នកជំនាញមនុស្សត្រូវបានផ្តល់អនុសាសន៍។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសប្លែកណាមួយដែលកើតមានពីការប្រើប្រាស់ការបកប្រែនេះឡើយ។