រូបភាព bài 19.jpg
លោក Felix Yanwei Wang - និស្សិតបញ្ចប់ការសិក្សាផ្នែកវិស្វកម្មអគ្គិសនី និង វិទ្យាសាស្ត្រ កុំព្យូទ័រ (EECS) នៅ MIT។ ប្រភព៖ MIT News

ស្រមៃមើលមនុស្សយន្តមួយជួយអ្នកលាងចាន។ អ្នកសុំឱ្យវាយកសាប៊ូមួយចានចេញពីអាងលាងចាន ប៉ុន្តែឧបករណ៍ក្តាប់របស់វាមិនចាប់វាឱ្យចំកន្លែងដែលត្រូវការនោះទេ។

ជាមួយនឹងក្របខ័ណ្ឌវិធីសាស្រ្តថ្មីមួយដែលបង្កើតឡើងដោយអ្នកស្រាវជ្រាវនៅ MIT និង NVIDIA អ្នកអាចគ្រប់គ្រងឥរិយាបថរបស់មនុស្សយន្តដោយកាយវិការសាមញ្ញៗ។ អ្នកអាចចង្អុលទៅចាន ឬគូរផ្លូវនៅលើអេក្រង់ ឬគ្រាន់តែរុញដៃរបស់មនុស្សយន្តថ្នមៗទៅក្នុងទិសដៅត្រឹមត្រូវ។

មិនដូចវិធីសាស្ត្រកែប្រែឥរិយាបថមនុស្សយន្តផ្សេងទៀតទេ បច្ចេកទេសនេះមិនតម្រូវឱ្យអ្នកប្រើប្រាស់ប្រមូលទិន្នន័យថ្មី និងបណ្តុះបណ្តាលគំរូរៀនម៉ាស៊ីនឡើងវិញដែលគ្រប់គ្រងមនុស្សយន្តនោះទេ។ ផ្ទុយទៅវិញ វាអនុញ្ញាតឱ្យមនុស្សយន្តប្រើប្រាស់មតិប្រតិកម្មរបស់មនុស្សតាមពេលវេលាជាក់ស្តែង និងវិចារណញាណ ដើម្បីជ្រើសរើសលំដាប់នៃសកម្មភាពដែលស្របនឹងចេតនារបស់អ្នកប្រើប្រាស់បំផុត។

នៅពេលដែលអ្នកស្រាវជ្រាវបានសាកល្បងក្របខ័ណ្ឌវិធីសាស្ត្រនេះ អត្រាជោគជ័យរបស់វាគឺខ្ពស់ជាង 21% ជាងវិធីសាស្ត្រជំនួសដែលមិនប្រើប្រាស់អន្តរាគមន៍របស់មនុស្ស។

នាពេលអនាគត ក្របខ័ណ្ឌវិធីសាស្រ្តនេះអាចធ្វើឱ្យវាកាន់តែងាយស្រួលសម្រាប់អ្នកប្រើប្រាស់ក្នុងការណែនាំមនុស្សយន្តដែលបានទទួលការបណ្តុះបណ្តាលពីរោងចក្រឱ្យអនុវត្តកិច្ចការផ្ទះផ្សេងៗ ទោះបីជាមនុស្សយន្តមិនដែលឃើញបរិស្ថាន ឬវត្ថុនៅក្នុងផ្ទះនោះពីមុនមកក៏ដោយ។

«យើងមិនអាចរំពឹងថាអ្នកប្រើប្រាស់ជាមធ្យមប្រមូលទិន្នន័យដោយដៃ និងកែសម្រួលគំរូបណ្តាញសរសៃប្រសាទបានទេ។ ពួកគេនឹងរំពឹងថាមនុស្សយន្តនឹងដំណើរការភ្លាមៗ ហើយប្រសិនបើមានកំហុសកើតឡើង ពួកគេត្រូវការយន្តការវិចារណញាណដើម្បីកែតម្រូវវា។ នេះជាបញ្ហាប្រឈមដែលយើងបានដោះស្រាយនៅក្នុងការស្រាវជ្រាវនេះ» នេះបើតាមការលើកឡើងរបស់លោក Felix Yanwei Wang និស្សិតបញ្ចប់ការសិក្សាផ្នែកវិស្វកម្មអគ្គិសនី និងវិទ្យាសាស្ត្រកុំព្យូទ័រ (EECS) នៅ MIT និងជាអ្នកនិពន្ធនាំមុខគេនៃការសិក្សា។

កាត់បន្ថយគម្លាត

ថ្មីៗនេះ អ្នកស្រាវជ្រាវបានប្រើប្រាស់គំរូ AI បង្កើតដែលបានបណ្តុះបណ្តាលជាមុន ដើម្បីរៀន "គោលការណ៍" - សំណុំនៃច្បាប់ដែលមនុស្សយន្តអនុវត្តតាមដើម្បីបំពេញភារកិច្ច។ គំរូទាំងនេះអាចដោះស្រាយភារកិច្ចស្មុគស្មាញជាច្រើន។

អំឡុងពេលហ្វឹកហាត់ គំរូនេះត្រូវបានបង្ហាញតែចលនារ៉ូបូតដែលមានសុពលភាពប៉ុណ្ណោះ ដូច្នេះវារៀនបង្កើតគន្លងសមស្រប។

ទោះជាយ៉ាងណាក៏ដោយ នេះមិនមានន័យថាសកម្មភាពនីមួយៗរបស់មនុស្សយន្តនឹងស្របតាមបំណងប្រាថ្នារបស់អ្នកប្រើប្រាស់ក្នុងការពិតនោះទេ។ ឧទាហរណ៍ មនុស្សយន្តមួយអាចត្រូវបានហ្វឹកហាត់ឱ្យយកប្រអប់ចេញពីធ្នើរដោយមិនធ្វើឱ្យវាដួល ប៉ុន្តែអាចនឹងមិនអាចទៅដល់ប្រអប់នៅលើធ្នើរសៀវភៅរបស់នរណាម្នាក់បានទេ ប្រសិនបើប្លង់ធ្នើរសៀវភៅខុសពីអ្វីដែលវាបានឃើញក្នុងអំឡុងពេលហ្វឹកហាត់។

ដើម្បីជម្នះកំហុសបែបនេះ ជាធម្មតាវិស្វករប្រមូលទិន្នន័យបន្ថែមលើភារកិច្ចថ្មី និងបណ្តុះបណ្តាលគំរូឡើងវិញ ដែលជាដំណើរការដែលចំណាយច្រើន និងចំណាយពេលច្រើន ដែលតម្រូវឱ្យមានជំនាញក្នុងការរៀនម៉ាស៊ីន។

ផ្ទុយទៅវិញ ក្រុមស្រាវជ្រាវនៅ MIT ចង់អនុញ្ញាតឱ្យអ្នកប្រើប្រាស់កែសម្រួលឥរិយាបថរបស់មនុស្សយន្តភ្លាមៗនៅពេលដែលវាធ្វើខុស។

ទោះជាយ៉ាងណាក៏ដោយ ប្រសិនបើមនុស្សជ្រៀតជ្រែកជាមួយដំណើរការធ្វើការសម្រេចចិត្តរបស់មនុស្សយន្ត វាអាចបណ្តាលឱ្យគំរូបង្កើតជ្រើសរើសសកម្មភាពមិនត្រឹមត្រូវដោយអចេតនា។ មនុស្សយន្តអាចទាញយកប្រអប់ដែលអ្នកប្រើប្រាស់ចង់បាន ប៉ុន្តែអាចផ្តួលសៀវភៅនៅលើធ្នើរក្នុងដំណើរការនេះ។

លោក Felix Yanwei Wang បានមានប្រសាសន៍ថា «យើងចង់ឱ្យអ្នកប្រើប្រាស់មានអន្តរកម្មជាមួយមនុស្សយន្តដោយមិនធ្វើកំហុសបែបនេះ ដោយហេតុនេះសម្រេចបាននូវឥរិយាបថដែលស្របនឹងចេតនារបស់អ្នកប្រើប្រាស់ ខណៈពេលដែលនៅតែធានាបាននូវសុពលភាព និងលទ្ធភាព»។

បង្កើនសមត្ថភាពធ្វើការសម្រេចចិត្ត

ដើម្បីធានាថាអន្តរកម្មទាំងនេះមិនបណ្តាលឱ្យមនុស្សយន្តអនុវត្តសកម្មភាពមិនត្រឹមត្រូវ ក្រុមស្រាវជ្រាវបានប្រើដំណើរការយកសំណាកពិសេសមួយ។ បច្ចេកទេសនេះជួយគំរូជ្រើសរើសសកម្មភាពមួយពីសំណុំជម្រើសដែលមានសុពលភាពដែលសាកសមបំផុតសម្រាប់គោលដៅរបស់អ្នកប្រើប្រាស់។

លោក Felix Yanwei Wang បានមានប្រសាសន៍ថា «ជំនួសឲ្យការដាក់ឆន្ទៈរបស់យើងទៅលើអ្នកប្រើប្រាស់ យើងជួយមនុស្សយន្តឲ្យយល់ពីចេតនារបស់ពួកគេ ហើយអនុញ្ញាតឱ្យដំណើរការយកសំណាកប្រែប្រួលទៅតាមឥរិយាបថដែលវាបានរៀន»។

អរគុណចំពោះវិធីសាស្រ្តនេះ ក្របខ័ណ្ឌស្រាវជ្រាវរបស់ពួកគេបានវ៉ាដាច់វិធីសាស្រ្តផ្សេងទៀតនៅក្នុងការពិសោធន៍ក្លែងធ្វើ ក៏ដូចជាការធ្វើតេស្តជាមួយនឹងដៃមនុស្សយន្តពិតប្រាកដនៅក្នុងផ្ទះបាយគំរូ។

ទោះបីជាវិធីសាស្ត្រនេះមិនតែងតែបញ្ចប់ភារកិច្ចភ្លាមៗក៏ដោយ វាផ្តល់នូវគុណសម្បត្តិយ៉ាងសំខាន់ដល់អ្នកប្រើប្រាស់៖ ពួកគេអាចជួសជុលមនុស្សយន្តបានភ្លាមៗនៅពេលដែលពួកគេរកឃើញកំហុស ជំនួសឱ្យការរង់ចាំមនុស្សយន្តបញ្ចប់ភារកិច្ចមុនពេលផ្តល់ការណែនាំថ្មី។

លើសពីនេះ បន្ទាប់ពីអ្នកប្រើប្រាស់រុញមនុស្សយន្តថ្នមៗពីរបីដង ដើម្បីណែនាំវាឱ្យរើសចានត្រឹមត្រូវ មនុស្សយន្តអាចចងចាំសកម្មភាពកែតម្រូវនោះ ហើយបញ្ចូលវាទៅក្នុងដំណើរការសិក្សានាពេលអនាគតរបស់វា។ ជាលទ្ធផល នៅថ្ងៃបន្ទាប់ មនុស្សយន្តអាចរើសចានត្រឹមត្រូវដោយមិនចាំបាច់មានការណែនាំបន្ថែម។

លោក Felix Yanwei Wang បានមានប្រសាសន៍ថា «ប៉ុន្តែគន្លឹះនៃការកែលម្អជាបន្តបន្ទាប់នេះគឺការមានយន្តការសម្រាប់អ្នកប្រើប្រាស់ក្នុងការធ្វើអន្តរកម្មជាមួយមនុស្សយន្ត ហើយនោះជាអ្វីដែលយើងបានបង្ហាញពីការស្រាវជ្រាវនេះ»។

នាពេលអនាគត ក្រុមស្រាវជ្រាវមានគោលបំណងបង្កើនល្បឿននៃដំណើរការយកសំណាក ខណៈពេលដែលរក្សា ឬកែលម្អប្រសិទ្ធភាព។ ពួកគេក៏ចង់សាកល្បងវិធីសាស្ត្រនេះនៅក្នុងបរិស្ថានថ្មី ដើម្បីវាយតម្លៃពីភាពបត់បែនរបស់មនុស្សយន្តផងដែរ។

(ប្រភព៖ ព័ត៌មាន MIT)