ខ្ញុំបានត្រួសត្រាយការបង្រៀនម៉ាស៊ីននៅ Microsoft។ ការកសាងភ្នាក់ងារ AI គឺដូចជាការកសាងក្រុមបាល់បោះ មិនមែនជ្រើសរើសកីឡាករម្នាក់ៗនោះទេ។

(SeaPRwire) –   ការផ្តោតលើកម្មវិធីឧស្សាហកម្មជាក់ស្តែងនៃ AI បង្ហាញថា សហគ្រាសកំពុងឈានទៅរកប្រព័ន្ធស្វយ័ត។ វាជាវឌ្ឍនភាពដ៏មានន័យ ពីព្រោះរបងការពារដ៏រឹងមាំ ការធ្វើតេស្ត និងការវាយតម្លៃ គឺជាមូលដ្ឋានគ្រឹះនៃ AI ដែលមានភ្នាក់ងារ។ ប៉ុន្តែជំហានបន្ទាប់ដែលភាគច្រើនបាត់បង់នៅពេលនេះ គឺការអនុវត្ត ដោយផ្តល់ឱ្យក្រុមភ្នាក់ងារនូវបទពិសោធន៍ដែលមានរចនាសម្ព័ន្ធ និងធ្វើម្តងទៀត។ ក្នុងនាមជាអ្នកត្រួសត្រាយ Machine Teaching ដែលជាវិធីសាស្រ្តសម្រាប់បណ្តុះបណ្តាលប្រព័ន្ធស្វយ័តដែលត្រូវបានដាក់ពង្រាយនៅទូទាំងក្រុមហ៊ុន 500 ជាច្រើន ខ្ញុំបានជួបប្រទះនូវផលប៉ះពាល់នៃការអនុវត្តភ្នាក់ងារ ខណៈពេលដែលបង្កើត និងដាក់ពង្រាយប្រព័ន្ធពហុភ្នាក់ងារស្វយ័តជាង 200 នៅ Microsoft ហើយឥឡូវនេះនៅទូទាំងពិភពលោកសម្រាប់សហគ្រាស។

ជារៀងរាល់នាយកប្រតិបត្តិដែលវិនិយោគលើ AI ប្រឈមមុខនឹងបញ្ហាដូចគ្នា៖ ការចំណាយរាប់ពាន់លានដុល្លារលើគម្រោងសាកល្បងដែលប្រហែលជាមិនផ្តល់ស្វ័យភាពពិតប្រាកដ។ ភ្នាក់ងារហាក់ដូចជាពូកែក្នុងការបង្ហាញ ប៉ុន្តែជាប់គាំងនៅពេលដែលភាពស្មុគស្មាញក្នុងពិភពពិតកើតឡើង។ ជាលទ្ធផល ថ្នាក់ដឹកនាំអាជីវកម្មមិនទុកចិត្ត AI ឱ្យធ្វើសកម្មភាពដោយឯករាជ្យលើគ្រឿងម៉ាស៊ីន ឬលំហូរការងាររាប់ពាន់លានដុល្លារនោះទេ។ ថ្នាក់ដឹកនាំកំពុងស្វែងរកដំណាក់កាលបន្ទាប់នៃសមត្ថភាពរបស់ AI៖ ជំនាញសហគ្រាសពិតប្រាកដ។ យើងមិនគួរសួរថាតើភ្នាក់ងារអាចរក្សាទុកចំណេះដឹងបានប៉ុន្មាននោះទេ ប៉ុន្តែផ្ទុយទៅវិញថាតើវាមានឱកាសអភិវឌ្ឍជំនាញដោយការអនុវត្តដូចមនុស្សដែរឬទេ។

ការបំភាន់នៃការធ្វើតេស្ត

ដូចក្រុមមនុស្សអភិវឌ្ឍជំនាញតាមរយៈការធ្វើម្តងទៀត មតិកែលម្អ និងតួនាទីច្បាស់លាស់ ភ្នាក់ងារ AI ត្រូវតែអភិវឌ្ឍជំនាញនៅក្នុងបរិយាកាសអនុវត្តជាក់ស្តែងជាមួយនឹងការរៀបចំដែលមានរចនាសម្ព័ន្ធ។ ការអនុវត្តគឺជាអ្វីដែលប្រែក្លាយភាពវៃឆ្លាតទៅជាការអនុវត្តស្វយ័តដែលអាចទុកចិត្តបាន។

មេដឹកនាំសហគ្រាសជាច្រើននៅតែសន្មត់ថា ក្រុមហ៊ុន LLM ធំៗមួយចំនួននឹងអភិវឌ្ឍគំរូដ៏មានឥទ្ធិពលគ្រប់គ្រាន់ និងសំណុំទិន្នន័យដ៏ធំ ដើម្បីគ្រប់គ្រងប្រតិបត្តិការសហគ្រាសដ៏ស្មុគស្មាញពីដើមដល់ចប់តាមរយៈ “Artificial General Intelligence”។

ប៉ុន្តែវាមិនមែនជារបៀបដែលសហគ្រាសដំណើរការនោះទេ។

គ្មានដំណើរការសំខាន់ណាមួយ មិនថាជាការរៀបចំផែនការខ្សែសង្វាក់ផ្គត់ផ្គង់ ឬការបង្កើនប្រសិទ្ធភាពថាមពលនោះទេ ត្រូវបានដំណើរការដោយមនុស្សម្នាក់ដែលមានជំនាញតែមួយមុខនោះទេ។ គិតអំពីក្រុមបាល់បោះ។ កីឡាករម្នាក់ៗត្រូវធ្វើការលើជំនាញរបស់ពួកគេ មិនថាជាការបាល់ទាត់ ឬការបាញ់បាល់នោះទេ ប៉ុន្តែកីឡាករម្នាក់ៗក៏មានតួនាទីនៅក្នុងក្រុមផងដែរ។ គោលបំណងរបស់កីឡាករកណ្តាលគឺខុសពីអ្នកយាម។ ក្រុមទទួលបានជោគជ័យជាមួយនឹងតួនាទី ជំនាញ និងទំនួលខុសត្រូវដែលបានកំណត់។ AI ត្រូវការរចនាសម្ព័ន្ធដូចគ្នានោះ។

ទោះបីជាអ្នកបានបង្កើតគំរូដ៏ល្អឥតខ្ចោះ ឬឈានដល់ AGI ក៏ដោយ ខ្ញុំនឹងទស្សន៍ទាយថាភ្នាក់ងារនៅតែនឹងបរាជ័យក្នុងការផលិត ពីព្រោះពួកគេមិនដែលជួបប្រទះភាពប្រែប្រួល ការផ្លាស់ប្តូរ ភាពមិនប្រក្រតី ឬសញ្ញាដ៏ស្រទន់ដែលមនុស្សរុករកជារៀងរាល់ថ្ងៃនោះទេ។ ពួកគេមិនបានបែងចែកជំនាញរបស់ពួកគេ ឬរៀននៅពេលណាត្រូវធ្វើសកម្មភាព ឬផ្អាកនោះទេ។ ពួកគេក៏មិនត្រូវបានប៉ះពាល់នឹងរង្វិលជុំមតិកែលម្អពីអ្នកជំនាញដែលបង្កើតការវិនិច្ឆ័យពិតប្រាកដនោះទេ។

របៀបដែល Machine Teaching បង្កើតការអនុវត្ត

Machine Teaching ផ្តល់នូវរចនាសម្ព័ន្ធដែលប្រព័ន្ធភ្នាក់ងារទំនើបត្រូវការ។ វាណែនាំភ្នាក់ងារឱ្យ៖

• យល់ឃើញបរិយាកាសបានត្រឹមត្រូវ។
• ស្ទាត់ជំនាញមូលដ្ឋានដែលឆ្លុះបញ្ចាំងពីប្រតិបត្តិករមនុស្ស។
• រៀនយុទ្ធសាស្ត្រកម្រិតខ្ពស់ដែលឆ្លុះបញ្ចាំងពីការវិនិច្ឆ័យរបស់អ្នកជំនាញ។
• សម្របសម្រួលក្រោមភ្នាក់ងារត្រួតពិនិត្យដែលជ្រើសរើសយុទ្ធសាស្ត្រត្រឹមត្រូវនៅពេលត្រឹមត្រូវ។

យកក្រុមហ៊ុន 500 មួយដែលខ្ញុំបានធ្វើការជាមួយដែលកំពុងកែលម្អដំណើរការផលិតអាសូត។ ភ្នាក់ងាររបស់យើងបានអនុវត្តនៅក្នុង AMESA Agent Cloud ដោយកែលម្អតាមរយៈការពិសោធន៍ និងមតិកែលម្អ។ ក្នុងរយៈពេលតិចជាងមួយថ្ងៃ ក្រុមភ្នាក់ងារបានដំណើរការល្អជាងប្រព័ន្ធត្រួតពិនិត្យឧស្សាហកម្មដែលបង្កើតឡើងតាមតម្រូវការ ដែលឧបករណ៍ស្វ័យប្រវត្តិកម្មផ្សេងទៀត និងកម្មវិធី AI ភ្នាក់ងារតែមួយមិនអាចប្រៀបផ្ទឹមបាន។

នេះបានបណ្តាលឱ្យមានការកើនឡើងប្រសិទ្ធភាពប្រចាំឆ្នាំប៉ាន់ស្មាន 1.2 លានដុល្លារ ហើយសំខាន់ជាងនេះទៅទៀត បានផ្តល់ឱ្យថ្នាក់ដឹកនាំនូវទំនុកចិត្តក្នុងការដាក់ពង្រាយស្វ័យភាពក្នុងទ្រង់ទ្រាយធំ ពីព្រោះប្រព័ន្ធនេះមានឥរិយាបថដូចប្រតិបត្តិករល្អបំផុតរបស់ពួកគេ។

ហេតុអ្វីបានជានាយកប្រតិបត្តិ និងថ្នាក់ដឹកនាំត្រូវការ AI ដែលបានអនុវត្ត

ការអនុវត្តគឺជាអ្វីដែលជំរុញស្វ័យភាពពិតប្រាកដនៅក្នុងភ្នាក់ងារ។ ខ្ញុំសូមអញ្ជើញថ្នាក់ដឹកនាំគ្រប់រូបឱ្យចាប់ផ្តើមរៀបចំឡើងវិញនូវការសន្មត់មួយចំនួន៖

1. ឈប់គិតក្នុងន័យគំរូ ហើយគិតក្នុងន័យក្រុម។ អន្តរកម្មប្រចាំថ្ងៃជាមួយប្រព័ន្ធដូចជា ChatGPT ឬ Claude មានឥទ្ធិពល ប៉ុន្តែពួកគេពង្រឹងការយល់ខុសថា គំរូភាសាធំៗគឺជាផ្លូវទៅកាន់ស្វ័យភាពសហគ្រាស។ ស្វ័យភាពកើតចេញពីភ្នាក់ងារឯកទេសដែលទទួលយកតួនាទីនៃការយល់ឃើញ ការត្រួតពិនិត្យ ការរៀបចំផែនការ និងការត្រួតពិនិត្យតាមរយៈបច្ចេកវិទ្យាជាច្រើនប្រភេទ។
2. កំណត់អត្តសញ្ញាណកន្លែងដែលជំនាញកំពុងបាត់បង់ ហើយរក្សាវាទុកនៅក្នុងភ្នាក់ងារ។ ប្រតិបត្តិការសំខាន់ៗជាច្រើនពឹងផ្អែកលើអ្នកជំនាញដែលជិតចូលនិវត្តន៍។ នាយកប្រតិបត្តិគួរតែសួរថា តើដំណើរការណាខ្លះដែលងាយរងគ្រោះបំផុត ប្រសិនបើអ្នកជំនាញទាំងនេះចាកចេញនៅថ្ងៃស្អែក។ តំបន់ទាំងនោះគឺជាចំណុចចាប់ផ្តើមដ៏ល្អសម្រាប់វិធីសាស្រ្ត Machine Teaching។ អនុញ្ញាតឱ្យប្រតិបត្តិករកំពូលរបស់អ្នកបង្រៀនក្រុមភ្នាក់ងារនៅក្នុងបរិយាកាសអនុវត្តប្រកបដោយសុវត្ថិភាព ដើម្បីឱ្យជំនាញរបស់ពួកគេក្លាយជាមាត្រដ្ឋាន និងអចិន្ត្រៃយ៍។
3. ទទួលស្គាល់ថាអ្នកមានហេដ្ឋារចនាសម្ព័ន្ធសម្រាប់ស្វ័យភាពរួចហើយ។ ការវិនិយោគជាច្រើនឆ្នាំលើឧបករណ៍ចាប់សញ្ញា ប្រព័ន្ធ MES និង SCADA ការរួមបញ្ចូល ERP និងទិន្នន័យ IoT telemetry បានបង្កើតឆ្អឹងខ្នងនៃឌីជីថលភ្លោះ និងការក្លែងធ្វើដែលមានភាពជាក់លាក់ខ្ពស់របស់អង្គការអ្នករួចហើយ។ ភាពជោគជ័យទាមទារការរៀបចំ ការរៀបចំរចនាសម្ព័ន្ធ និងការទាញយកអត្ថប្រយោជន៍ពីមូលដ្ឋានទិន្នន័យដែលអ្នកបានបង្កើតរួចហើយ។

ផលចំណេញនៃការអនុវត្ត

នៅពេលដែលសហគ្រាសផ្តល់ឱកាសឱ្យភ្នាក់ងារអនុវត្តមុនពេលដាក់ពង្រាយ រឿងជាច្រើនកើតឡើង៖

• ក្រុមមនុស្សចាប់ផ្តើមទុកចិត្ត AI និងយល់ពីដែនកំណត់របស់វា។
• ថ្នាក់ដឹកនាំអាចគណនា ROI ពិតប្រាកដ ជាជាងការព្យាករណ៍ដែលរំពឹងទុក។
• ភ្នាក់ងារកាន់តែមានសុវត្ថិភាព ភាពស៊ីសង្វាក់គ្នា និងស្របតាមការវិនិច្ឆ័យរបស់អ្នកជំនាញ។
• ក្រុមមនុស្សត្រូវបានលើកកម្ពស់ជាជាងការជំនួស ពីព្រោះ AI ឥឡូវនេះយល់ពីលំហូរការងាររបស់ពួកគេ និងគាំទ្រពួកគេ។

ភ្នាក់ងារនឹងមិនដំណើរការពិតប្រាកដដោយគ្មានបទពិសោធន៍នោះទេ ហើយបទពិសោធន៍កើតចេញពីការអនុវត្តតែប៉ុណ្ណោះ។ ក្រុមហ៊ុនដែលវិនិយោគ និងទទួលយកក្របខ័ណ្ឌនេះ នឹងក្លាយជាក្រុមហ៊ុនដែលបំបែកចេញពីភាពជាប់គាំងនៃគម្រោងសាកល្បង ហើយមើលឃើញផលប៉ះពាល់ពិតប្រាកដ។

មតិដែលបានសម្តែងនៅក្នុងអត្ថបទអត្ថាធិប្បាយ គឺជាទស្សនៈរបស់អ្នកនិពន្ធតែប៉ុណ្ណោះ ហើយមិនចាំបាច់ឆ្លុះបញ្ចាំងពីមតិ និងជំនឿរបស់នោះទេ។