🤖 សួស្តី នេះគឺ CLEVI។
ខ្ញុំបានចូលរួមព្រឹត្តិការណ៍ 「2025 JBNU Research Fair Week」 ដែលរៀបចំដោយសាកលវិទ្យាល័យជាតិជនបុក ចាប់ពីថ្ងៃទី 20 ដល់ថ្ងៃទី 22 ខែមករា។
ព្រឹត្តិការណ៍នេះផ្តោតលើសមិទ្ធផលស្រាវជ្រាវដ៏ឆ្នើមរបស់សាកលវិទ្យាល័យជាតិជនបុក ព្រមទាំងបង្ហាញទិសដៅនៃបច្ចេកវិទ្យាអនាគតដែលភ្ជាប់ជាមួយយុទ្ធសាស្ត្រឧស្សាហកម្ម និងជាតិ ហើយបានបង្កើតវេទិកាដ៏មានអត្ថន័យសម្រាប់ការផ្លាស់ប្តូររវាងវិស័យឧស្សាហកម្ម សាកលវិទ្យាល័យ វិទ្យាស្ថានស្រាវជ្រាវ និងរដ្ឋាភិបាល។
ជាពិសេស លោក Lee Hwan-ho នាយកប្រតិបត្តិរបស់ CLEVI ត្រូវបានអញ្ជើញជាវាគ្មិន VIP សម្រាប់សុន្ទរកថានៅពិធីបើកដែលធ្វើឡើងនៅថ្ងៃទី 20! 👏
តោះ យើងរំលឹកអារម្មណ៍នៃថ្ងៃនោះម្តងទៀត!
នេះជារូបភាពលោក Lee Hwan-ho នាយកប្រតិបត្តិ កំពុងរៀបចំសុន្ទរកថាមុនពេលចាប់ផ្តើមព្រឹត្តិការណ៍។ យើងអាចមើលឃើញថា លោកកំពុងគិតអំពីវិធីធ្វើឱ្យសុន្ទរកថាមានខ្លឹមសារគ្រប់ជ្រុងជ្រោយ និងងាយយល់ជាងមុន។
បន្ទាប់ពីព្រឹត្តិការណ៍ចាប់ផ្តើម ពិធីបើកក៏បានប្រព្រឹត្តទៅ។
ជាដំបូង ព្រឹត្តិការណ៍ត្រូវបានបើកយ៉ាងអស្ចារ្យជាមួយការសម្តែងសិល្បៈផ្ទាល់ ដែលបញ្ចប់ភ្លាមៗដោយនិស្សិតសាកលវិទ្យាល័យជាតិជនបុក។
បន្ទាប់ពីសុន្ទរកថាគន្លឹះទីមួយ លោក Lee Hwan-ho នាយកប្រតិបត្តិរបស់ CLEVI បានថ្លែងសុន្ទរកថាគន្លឹះទីពីរ ក្រោមប្រធានបទ “ហេតុអ្វី AI ត្រូវការមធ្យោបាយរូបវន្ត?” តោះ យើងមើលសង្ខេបបន្តិច!
តើ AI យល់ពីពិភពលោកតាមវិធីណា
បង្កើតប្រយោគ ហើយអាចឈានដល់ការធ្វើសកម្មភាពបានយ៉ាងដូចម្តេច?
យើងនឹងពិនិត្យមើលខាងក្នុង 'ខួរក្បាល' របស់ម៉ូដែលភាសាធំ (LLM) ដូចជា ChatGPT ឬ Claude ដែលយើងប្រើរាល់ថ្ងៃ ដើម្បីយល់ថា វាយល់ និងបង្កើតប្រយោគតាមគោលការណ៍អ្វី។
- ដាក់ស្លាកឈ្មោះ (Token ID): ដំបូង AI នឹងផ្តល់លេខសម្គាល់តែមួយគត់ ដូចជា '5' ឬ '8' ដល់ពាក្យនីមួយៗ ដើម្បីគ្រប់គ្រងវា។
- កំណត់អាសយដ្ឋានលើផែនទី (Vector): ប៉ុន្តែលេខធម្មតាតែមួយមិនអាចបង្ហាញអត្ថន័យបានទេ ដូច្នេះ AI ផ្តល់ 'អាសយដ្ឋានលម្អិត (កូអរដោនេ)' ដែលមានលេខរាប់រយដល់ពាក្យនីមួយៗ។
- ស្វែងរកអ្នកជិតខាង: ពាក្យដែលមានអត្ថន័យស្រដៀងគ្នា (ឧទាហរណ៍៖ 'the', 'a') នឹងរស់នៅជុំគ្នាយ៉ាងជិតស្និទ្ធ ដូចជា 'អ្នកជិតខាង' នៅលើផែនទីនេះ។
ដូច្នេះ តើ AI ទាយពាក្យបន្ទាប់ដោយរបៀបណា?
ឥឡូវនេះ យើងបានយល់ពីការបំលែងទិន្នន័យមូលដ្ឋានហើយ ចូរយើងមើលដំណើរការទាំងមូលថា តើលេខទាំងនេះកើតចេញជាប្រយោគពិតប្រាកដបានយ៉ាងដូចម្តេច។ សន្មតថា យើងមានតម្លៃបញ្ចូល "Paris is the city..." នៅទីនេះ។
Tokenizer (ការបែងចែកជាបំណែក): ប្រយោគដែលយើងបានបញ្ចូល ត្រូវបានបម្លែងទៅជាលេខ (Token ID) តាមរយៈ tokenizer ដូចដែលបានឃើញមុននេះ។ "Paris" គឺលេខ 1652 និង "is" គឺលេខ 5... តាមរបៀបនេះ។
LLM (ម៉ាស៊ីនគណនាដ៏ធំ): បណ្តុំលេខទាំងនេះត្រូវបានបញ្ចូលទៅក្នុងម៉ាស៊ីនគណនាដ៏ធំដែលមានឈ្មោះថា LLM (ម៉ូដែល Bloom ក្នុងរូបភាព)។ នៅទីនេះ វាយល់អំពីបរិបទតាមរយៈប្រតិបត្តិការ 'វ៉ិចទ័រ' ដែលបានរៀនមុននេះ។ វាដូចជានិយាយថា 'អា ឥឡូវនេះកំពុងនិយាយអំពីទីក្រុងប៉ារីសមែនទេ!'
Logits & Softmax (ការគណនាប្រូបាប៊ីលីតេ): បន្ទាប់ពីបញ្ចប់ការគណនា AI ដាក់ពិន្ទុទៅលើបេក្ខជនពាក្យរាប់ម៉ឺនដែលអាចមកបន្ទាប់។ បន្ទាប់មក វាបម្លែងពិន្ទុទាំងនេះទៅជា **'ប្រូបាប៊ីលីតេ'** ដែលងាយស្រួលសម្រាប់យើងមើល តាមរយៈតម្រងមួយហៅថា 'softmax'។
ការជ្រើសរើសចុងក្រោយ៖ សូមមើលក្រាហ្វខាងស្តាំ។
- of → 33.7%
- that → 15.3%
- where → 9.4%
ទីបំផុត AI ជ្រើសរើស **'of'** ដែលមានប្រូបាប៊ីលីតេខ្ពស់បំផុត ហើយបំពេញប្រយោគ "Paris is the city of..."។ បន្ទាប់មក វាធ្វើដំណើរការនេះម្តងហើយម្តងទៀតរាប់ម៉ឺនដង ដើម្បីបង្កើតចម្លើយវែងដែលយើងឃើញ។
សរុបមក ការដែល AI ចងចាំពាក្យមួយ មិនមែនមានន័យថាវាទន្ទេញអក្សរនោះទេ ប៉ុន្តែប្រៀបដូចជាការចងចាំ 'អាសយដ្ឋាន' ថាពាក្យនោះស្ថិតនៅកន្លែងណាមួយនៅលើផែនទីនៃអត្ថន័យដ៏ធំ។
LLM អាចពង្រីកទៅកាន់ចក្ខុវិស័យ មនុស្សយន្ត និងការរៀនអំពីសកម្មភាពបាន។
AI ដែលយល់អត្ថន័យ មើលឃើញនិងយល់ ហើយធ្វើសកម្មភាព។
ការផ្តល់ដៃនិងជើងឱ្យ AI មានន័យថា ការពង្រីកបញ្ញាពីភាសាទៅកាន់ការយល់ឃើញ ហើយបន្តទៅកាន់សកម្មភាព។
AI លែងស្ថិតនៅក្នុងដែននៃគំនិត ឬការស្រមៃទៀតហើយ ប៉ុន្តែបានឈានចូលដំណាក់កាលនៃការអនុវត្ត និងការពិតជាក់ស្តែង។
ជំហានបន្ទាប់របស់ CLEVI
CLEVI មានគម្រោងពង្រីកឱកាសជាច្រើនដូចជា សិក្ខាសាលាក្នុង និងក្រៅសាកលវិទ្យាល័យ គម្រោងអនុវត្ត និងស្តង់បទពិសោធន៍ ដើម្បីឱ្យមនុស្សកាន់តែច្រើនអាចសាកល្បងដោយផ្ទាល់ថា បច្ចេកវិទ្យា AI ដំណើរការយ៉ាងដូចម្តេចនៅក្នុងពិភពពិត។
ដូចដែលការបង្រៀននៅសាកលវិទ្យាល័យជាតិជនបុកលើកនេះ បានក្លាយជាស្ពានដ៏មានតម្លៃដែលភ្ជាប់និស្សិតជាមួយយើង យើងនឹងបន្តដើរតួនាទីជាស្ពានរវាងអ្នកបច្ចេកទេសនិងអ្នកប្រើប្រាស់ ព្រមទាំងរវាងវិស័យសិក្សានិងវិស័យឧស្សាហកម្ម។