AI លែង​ត្រូវ​ការ​ទិន្នន័យ​ដ៏​ធំ​ទៀត​ហើយ៖ ការ​ប្រណាំង​ដើម្បី​បណ្តុះ​បណ្តាល AI ដែល​មាន​ថាមពល

ម៉ូដែល AI លែងត្រូវការទិន្នន័យដ៏ច្រើន ឬកុំព្យូទ័រដ៏មានឥទ្ធិពលដើម្បីរៀនទៀតហើយ។ ការប្រណាំងដើម្បីបណ្តុះបណ្តាល AI កាន់តែមានប្រសិទ្ធភាពថាមពលកំពុងបើកវិធីសាស្រ្តថ្មីដែលងាយស្រួលប្រើជាងមុន។

ក្រុមហ៊ុនបច្ចេកវិទ្យាយក្សកំពុងងាកទៅរកម៉ូដែល AI ទំនើប និងសន្សំសំចៃថាមពល

ក្នុងរយៈពេលប៉ុន្មានឆ្នាំចុងក្រោយនេះ ឧស្សាហកម្មបញ្ញាសិប្បនិមិត្ត (AI) បានអនុវត្តយ៉ាងទូលំទូលាយនូវគោលការណ៍ "កាន់តែធំគឺប្រសើរជាង"៖ ទិន្នន័យកាន់តែច្រើន ប៉ារ៉ាម៉ែត្រកាន់តែច្រើន ការគណនាកាន់តែច្រើន។ ទោះជាយ៉ាងណាក៏ដោយ ការស្រាវជ្រាវថ្មីពី Google, MIT និង Stanford បង្ហាញពីទិសដៅខុសគ្នាទាំងស្រុង។

ម៉ូដែលទំនើបអាចត្រូវបានបណ្តុះបណ្តាលប្រកបដោយប្រសិទ្ធភាពជាមួយនឹងទិន្នន័យតិច ប្រើប្រាស់ថាមពលតិច ហើយនៅតែទទួលបានប្រសិទ្ធភាពខ្ពស់។ នេះមិនត្រឹមតែកាត់បន្ថយការចំណាយ និងពេលវេលាបណ្តុះបណ្តាលប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងបើកកម្មវិធី AI ដល់ក្រុមស្រាវជ្រាវខ្នាតតូច និងសហគ្រាសធុនមធ្យម ដែលពីមុនមានការលំបាកក្នុងការប្រើប្រាស់បច្ចេកវិទ្យាខ្នាតធំ។

ភាពជឿនលឿននៃបច្ចេកវិទ្យាជួយធ្វើឱ្យ AI "តូច ប៉ុន្តែមានថាមពល"

យោងតាម ការស្រាវជ្រាវរបស់ Tuoi Tre Online នៅក្នុងការធ្វើតេស្តដំណើរការផ្សាយពាណិជ្ជកម្ម Google បានកាត់បន្ថយទិន្នន័យបណ្តុះបណ្តាលពី 100,000 គំរូមកនៅតិចជាង 500 គំរូ ខណៈនៅតែបង្កើនភាពឆបគ្នាជាមួយអ្នកជំនាញចំនួន 65%។

ស្របគ្នានេះ ការស្ទង់មតិដ៏ទូលំទូលាយនៃការបណ្តុះបណ្តាលប្រសិទ្ធភាពទិន្នន័យបង្ហាញថា "គុណភាពទិន្នន័យ គំរូឆ្លាតវៃ និងបច្ចេកទេស 'ចម្រាញ់' កំណត់ការអនុវត្ត" មិនមែនគ្រាន់តែបង្កើនចំនួនទិន្នន័យនោះទេ។

តាមទ្រឹស្តី “ច្បាប់ធ្វើមាត្រដ្ឋាន” បានផ្តល់យោបល់ថា ការបង្កើនប៉ារ៉ាម៉ែត្រគំរូ ទិន្នន័យ និងការគណនានឹងជួយ ប៉ុន្តែអ្នកជំនាញដូចជា Yann LeCun នាយក AI នៅ Meta សង្កត់ធ្ងន់ថា “អ្នកមិនត្រឹមតែអាចបង្កើនទិន្នន័យ និងគណនា និងធ្វើឱ្យ AI ឆ្លាតវៃជាងមុនដោយស្វ័យប្រវត្តិនោះទេ។”

នេះមានន័យថា ជំនួសឱ្យការបង្កើត និងដាក់ស្លាកគំរូពីរាប់លានដល់រាប់ពាន់លាននោះ ក្រុមស្រាវជ្រាវកំពុងស្វែងរកការប្រើប្រាស់ទិន្នន័យឡើងវិញ បង្កើតទិន្នន័យសំយោគ ប្រើប្រាស់គំរូតូចៗ និងផ្តោតលើក្បួនដោះស្រាយដែលមានប្រសិទ្ធភាពថាមពល និងទិន្នន័យកាន់តែច្រើន។

ជាឧទាហរណ៍ បច្ចេកទេសនៃ "ការចម្រាញ់ចំណេះដឹង" អនុញ្ញាតឱ្យចំណេះដឹងត្រូវបានផ្ទេរពី "គ្រូ" (គំរូគ្រូធំ) ទៅជា "សិស្ស" (គំរូសិស្សតូច) ខណៈដែលនៅតែរក្សាបាននូវសមត្ថភាពជាច្រើន។ អ្នកស្រាវជ្រាវនៅ Stanford HAI សង្កត់ធ្ងន់ថា និន្នាការនេះគឺមានទាំងការចំណាយលើការគណនា និងមិត្តភាពបរិស្ថាន ខណៈពេលដែលបើកឱកាសសម្រាប់ក្រុមស្រាវជ្រាវខ្នាតតូច ឬសហគ្រាសធុនតូច និងមធ្យមដើម្បីអនុវត្ត AI ប្រកបដោយប្រសិទ្ធភាព។

ភាពជឿនលឿនទាំងនេះអាចឱ្យម៉ូដែល AI ប្រើប្រាស់ទិន្នន័យតិចជាងមុន ដំណើរការលឿនជាងមុន ប្រើប្រាស់ថាមពលតិច កាត់បន្ថយការចំណាយ បង្កើននិរន្តរភាព និងពង្រីកកម្មវិធីទៅកាន់បរិស្ថានដែលមានកម្រិតធនធាន ដើម្បីឆ្ពោះទៅរកការបង្កើនប្រសិទ្ធភាពឆ្លាតវៃ រៀនកាន់តែលឿន ប្រើប្រាស់ធនធានតិច និងនៅតែធានាគុណភាព។

កម្មវិធីជាក់ស្តែង និងបញ្ហាប្រឈមនៃការបណ្តុះបណ្តាល AI ដែលមានប្រសិទ្ធភាពទិន្នន័យ

ជាការពិត ការបណ្តុះបណ្តាល AI ដែលមានទិន្នន័យតិច និងថាមពលមានផលប៉ះពាល់យ៉ាងទូលំទូលាយ។ សម្រាប់អាជីវកម្មខ្នាតតូច ឬក្រុមស្រាវជ្រាវនៅក្នុងប្រទេសកំពុងអភិវឌ្ឍន៍ "ការប្រើប្រាស់គំរូរាប់លាន និងម៉ាស៊ីនមេដ៏ធំ" គឺមិនអាចទៅរួចនោះទេ។ នៅពេលដែលនរណាម្នាក់អាចបណ្តុះបណ្តាលគំរូជាមួយនឹងគំរូពីរបីពាន់ និងកុំព្យូទ័រធម្មតា កម្មវិធី AI នឹងខិតទៅជិតអ្នកប្រើប្រាស់ចុងក្រោយ និងបរិស្ថានពិត។

ឧទាហរណ៍ នៅក្នុងប្រអប់សម្របសម្រួលការផ្សាយពាណិជ្ជកម្ម Google បង្ហាញថាការជ្រើសរើសគំរូទិន្នន័យ "តម្លៃ" គឺល្អជាងគំរូចៃដន្យរាប់រយរាប់ពាន់ - កាត់បន្ថយបរិមាណទិន្នន័យដែលត្រូវការ ខណៈពេលដែលនៅតែទទួលបានលទ្ធផល។

ទោះជាយ៉ាងណាក៏ដោយ បញ្ហាប្រឈមនៅតែមាន៖ នៅពេលដែលទិន្នន័យខ្វះខាត គំរូងាយនឹងប្រើប្រាស់លើសទម្ងន់ ភាពទូទៅមិនល្អ និងការលំបាកក្នុងការគ្រប់គ្រងការផ្លាស់ប្តូរនៅក្នុងបរិស្ថាន។ ការស្រាវជ្រាវលើការរៀនផ្ទេររូបភាពបង្ហាញថានៅពេលដែលទិន្នន័យបញ្ចូលមានកម្រិតខ្លាំង ការចម្រាញ់គឺមានប្រសិទ្ធភាពជាង ប៉ុន្តែនៅពេលដែលទិន្នន័យមានទំហំធំល្មម វិធីសាស្ត្រប្រពៃណីនៅតែឈ្នះ។

នៅក្នុងលក្ខខណ្ឌនៃការប្រើប្រាស់ថាមពល និងការចំណាយ ការកាត់បន្ថយទិន្នន័យក៏មានន័យថាកាត់បន្ថយការគណនា ម៉ាស៊ីនមេ និងអគ្គិសនី ដែលមានសារៈសំខាន់នៅក្នុងបរិបទនៃគំរូ AI ដ៏ធំ (LLM) ដែលចំណាយអស់រាប់លានដុល្លារក្នុងមួយវគ្គបណ្តុះបណ្តាល។

យោងតាមរបាយការណ៍ពី Stanford HAI និន្នាការនៃទិន្នន័យ និងការសន្សំថាមពល AI កំពុងត្រូវបានចាត់ទុកថាជា "ការផ្លាស់ប្តូរដ៏ធំមួយ" នៅក្នុងឆ្នាំ 2025។

ដូច្នេះសម្រាប់អ្នកសារព័ត៌មាន និងអ្នកអានទូទៅ វាគួរឱ្យកត់សម្គាល់ថា នៅពេលដែល AI មិនមែនសម្រាប់តែ "ក្រុមហ៊ុនបច្ចេកវិទ្យាយក្ស" ទៀតទេ ប៉ុន្តែអាចត្រូវបានបង្កើតឡើងដោយក្រុមតូចៗដែលមានទិន្នន័យតិច និងតម្លៃទាប កម្មវិធីថ្មីៗជាច្រើននឹងលេចឡើងពីការគ្រប់គ្រងអាជីវកម្មខ្នាតតូច កម្មវិធី វេជ្ជសាស្រ្ត ក្នុងតំបន់ រហូតដល់ការរៀនផ្ទាល់ខ្លួន។

ប៉ុន្តែអ្នកប្រើប្រាស់ក៏គួរតែប្រុងប្រយ័ត្នដែរថា គំរូ "ទិន្នន័យ" អាចមានភាពត្រឹមត្រូវតិច និងងាយទទួលរងការលំអៀង ប្រសិនបើមិនមានការគ្រប់គ្រងបានល្អ។

ត្រឡប់ទៅ ប្រធានបទ

ទួន វី

ប្រភព៖ https://tuoitre.vn/ai-khong-con-can-du-lieu-khong-lo-cuoc-dua-huan-luyen-ai-tiet-kiem-nang-luong-20251031115025169.htm