ហេតុអ្វីបានជាបញ្ញាសិប្បនិមិត្តត្រូវរៀនភាសាថ្មី?

OpenAI មិនបានបង្ហាញច្រើនអំពីរបៀបដែល ChatGPT-4 ត្រូវបានបណ្តុះបណ្តាល។ ទោះយ៉ាងណាក៏ដោយ គំរូភាសាធំ (LLMs) ជាធម្មតាត្រូវបានបណ្តុះបណ្តាលលើអត្ថបទដែលដកចេញពីអ៊ីនធឺណិត ដែលភាសាអង់គ្លេសគឺជាភាសារបារាំង។ ប្រហែល 93% នៃទិន្នន័យបណ្តុះបណ្តាលរបស់ ChatGPT-3 ជាភាសាអង់គ្លេស។

នៅក្នុង Common Crawl គ្រាន់តែជាសំណុំទិន្នន័យមួយដែលគំរូ AI ត្រូវបានបណ្តុះបណ្តាល ភាសាអង់គ្លេសបង្កើតបាន 47% នៃ corpus ជាមួយនឹងភាសាអឺរ៉ុបផ្សេងទៀតបង្កើតបាន 38% បន្ថែមទៀត។ ផ្ទុយទៅវិញ ចិន និងជប៉ុន រួមបញ្ចូលគ្នាមានត្រឹមតែ 9% ប៉ុណ្ណោះ។

ទិន្នន័យភាគច្រើនដែលប្រើសម្រាប់ការបណ្តុះបណ្តាល LLM គឺជាភាសាអង់គ្លេស ឬភាសាអឺរ៉ុបផ្សេងទៀត។

នេះមិនមែនជាបញ្ហាដែលកំណត់ចំពោះ ChatGPT តែម្នាក់ឯងនោះទេ ដូចដែល Nathaniel Robinson អ្នកស្រាវជ្រាវនៅសាកលវិទ្យាល័យ Johns Hopkins និងសហការីរបស់គាត់បានរកឃើញ។ LLMs ទាំងអស់ដំណើរការបានល្អជាងលើភាសា "ធនធានខ្ពស់" ដែលទិន្នន័យបណ្តុះបណ្តាលមានច្រើន ជាងភាសា "ធនធានទាប" ដែលវាខ្វះខាត។

នេះគឺជាបញ្ហាសម្រាប់អ្នកដែលសង្ឃឹមថានឹងនាំយក AI ទៅកាន់ប្រទេសក្រីក្រ ដើម្បីកែលម្អតំបន់ពី ការអប់រំ ដល់សុខភាព។ ជាលទ្ធផល អ្នកស្រាវជ្រាវជុំវិញពិភពលោកកំពុងធ្វើការដើម្បីធ្វើឱ្យ AI កាន់តែមានពហុភាសា។

កាល​ពី​ខែ​កញ្ញា​កន្លង​ទៅ រដ្ឋាភិបាល ​ឥណ្ឌា​បាន​បើក​ដំណើរការ​ជជែក​កំសាន្ត​មួយ​ដើម្បី​ជួយ​កសិករ​បន្ត​ធ្វើ​បច្ចុប្បន្នភាព​ជាមួយ​នឹង​ព័ត៌មាន​ដែល​មាន​ប្រយោជន៍​ពី​រដ្ឋាភិបាល។

Shankar Maruwada នៃមូលនិធិ EkStep ដែលជាអង្គការមិនរកប្រាក់ចំណេញដែលបានជួយបង្កើត chatbot បាននិយាយថា bot ដំណើរការដោយការរួមបញ្ចូលគំរូភាសាពីរប្រភេទ ដែលអនុញ្ញាតឱ្យអ្នកប្រើប្រាស់ដាក់សំណួរជាភាសាកំណើតរបស់ពួកគេ។ សំណួរជាភាសាដើមទាំងនេះត្រូវបានបញ្ជូនទៅកម្មវិធីបកប្រែម៉ាស៊ីននៅឯកន្លែងស្រាវជ្រាវឥណ្ឌា ដែលបកប្រែវាជាភាសាអង់គ្លេស មុនពេលបញ្ជូនបន្តការឆ្លើយតបទៅ LLM ដែលដំណើរការការឆ្លើយតប។ ជាចុងក្រោយ ការឆ្លើយតបត្រូវបានបកប្រែត្រឡប់ទៅជាភាសាកំណើតរបស់អ្នកប្រើប្រាស់វិញ។

ដំណើរការនេះអាចដំណើរការបាន ប៉ុន្តែការបកប្រែសំណួរទៅជាភាសា "ពេញចិត្ត" របស់ LLM គឺជាដំណោះស្រាយដ៏ច្របូកច្របល់។ ភាសាគឺជាការឆ្លុះបញ្ចាំងពីវប្បធម៌ និង ទស្សនៈពិភពលោក ។ ក្រដាសឆ្នាំ 2022 ដោយ Rebecca Johnson អ្នកស្រាវជ្រាវនៅសកលវិទ្យាល័យ Sydney បានរកឃើញថា ChatGPT-3 ផលិតចម្លើយលើប្រធានបទដូចជា ការគ្រប់គ្រងកាំភ្លើង និងគោលនយោបាយជនភៀសខ្លួន ដែលអាចប្រៀបធៀបទៅនឹងតម្លៃរបស់អាមេរិក ដែលបានបង្ហាញនៅក្នុង World Values ​​Survey។

ជាលទ្ធផល អ្នកស្រាវជ្រាវជាច្រើនកំពុងព្យាយាមធ្វើឱ្យ LLMs ស្ទាត់ជំនាញក្នុងភាសាដែលមិនសូវប្រើជាទូទៅ។ តាមបច្ចេកទេស វិធីសាស្រ្តមួយគឺដើម្បីកែប្រែសញ្ញាសម្ងាត់សម្រាប់ភាសា។ ការចាប់ផ្តើមអាជីវកម្មរបស់ឥណ្ឌាដែលមានឈ្មោះថា Sarvam AI បានសរសេរនិមិត្តសញ្ញាដែលធ្វើឱ្យប្រសើរឡើងសម្រាប់ភាសាហិណ្ឌូ ឬគំរូ OpenHathi - ភាសា Devanagari ធ្វើឱ្យប្រសើរ LLM (ឥណ្ឌា) ដែលអាចកាត់បន្ថយការចំណាយក្នុងការឆ្លើយសំណួរយ៉ាងច្រើន។

វិធីមួយទៀតគឺធ្វើឱ្យប្រសើរឡើងនូវសំណុំទិន្នន័យដែល LLM ត្រូវបានបណ្តុះបណ្តាល។ នៅក្នុងខែវិច្ឆិកា ក្រុមអ្នកស្រាវជ្រាវនៅសាកលវិទ្យាល័យ Mohamed bin Zayed ក្នុងទីក្រុង Abu Dhabi បានចេញផ្សាយកំណែចុងក្រោយបំផុតនៃគំរូនិយាយភាសាអារ៉ាប់របស់ពួកគេដែលមានឈ្មោះថា "Jais" ។ វាមានមួយភាគប្រាំមួយនៃចំនួនប៉ារ៉ាម៉ែត្រនៃ ChatGPT-3 ប៉ុន្តែអនុវត្តផងដែរនៅលើភាសាអារ៉ាប់។

Timothy Baldwin ប្រធាននៃសាកលវិទ្យាល័យ Mohamed bin Zayed University បានកត់សម្គាល់ថា ទោះបីជាក្រុមរបស់គាត់បានធ្វើឌីជីថលជាច្រើននៃអត្ថបទអារ៉ាប់ក៏ដោយ អត្ថបទភាសាអង់គ្លេសមួយចំនួននៅតែត្រូវបានបញ្ចូលក្នុងគំរូនេះ។ គោល​គំនិត​ខ្លះ​គឺ​ដូចគ្នា​គ្រប់​ភាសា ហើយ​អាច​រៀន​បាន​គ្រប់​ភាសា។

វិធីសាស្រ្តទីបីគឺការកែសំរួលគំរូបន្ទាប់ពីពួកគេត្រូវបានបណ្តុះបណ្តាល។ ទាំង Jais និង OpenHathi មានគូសំណួរ-ចម្លើយដែលបង្កើតដោយមនុស្ស។ ដូចគ្នាដែរចំពោះ chatbots របស់លោកខាងលិច ដើម្បីការពារព័ត៌មានមិនពិត។

Ernie Bot ដែលជា LLM មកពីក្រុមហ៊ុន Baidu ដែលជាក្រុមហ៊ុនបច្ចេកវិទ្យាចិនដ៏ធំមួយ ត្រូវបានគេសម្រួលដល់ការនិយាយដែលអាចធ្វើឱ្យប៉ះពាល់ដល់រដ្ឋាភិបាល។ ម៉ូដែលក៏អាចរៀនពីមតិកែលម្អរបស់មនុស្សផងដែរ ដោយអ្នកប្រើប្រាស់វាយតម្លៃចម្លើយរបស់ LLM ។ ប៉ុន្តែវាជាការលំបាកក្នុងការធ្វើសម្រាប់ភាសាជាច្រើននៅក្នុងតំបន់ដែលមិនសូវអភិវឌ្ឍ ដោយសារតម្រូវការជួលមនុស្សដែលមានលក្ខណៈសម្បត្តិគ្រប់គ្រាន់ដើម្បីរិះគន់ការឆ្លើយតបរបស់ម៉ាស៊ីន។

(នេះ​បើ​តាម​អ្នក​សេដ្ឋកិច្ច)

កងទ័ពអាមេរិកប្រើ AI ដើម្បីប៉ាន់ប្រមាណតម្លៃនៃសារធាតុរ៉ែសំខាន់ៗ កងទ័ពអាមេរិកគ្រោងនឹងបង្កើតកម្មវិធីកុំព្យូទ័រដែលមានសមត្ថភាពប៉ាន់ស្មានតម្លៃ និងព្យាករណ៍ការផ្គត់ផ្គង់នីកែល កូបែល និងសារធាតុរ៉ែសំខាន់ៗផ្សេងទៀត។

ប្រភព: https://vietnamnet.vn/tai-sao-tri-tue-nhan-tao-can-hoc-nhung-ngon-ngu-moi-2245670.html