រូបថត 19.jpg
Felix Yanwei Wang - និស្សិតបណ្ឌិតផ្នែកវិស្វកម្មអគ្គិសនី និង វិទ្យាសាស្ត្រ កុំព្យូទ័រ (EECS) MIT ។ ប្រភព៖ MIT News

ស្រមៃថាមនុស្សយន្តកំពុងជួយអ្នកលាងចាន។ អ្នក​សុំ​ឱ្យ​វា​ចាប់​យក​សាប៊ូ​មួយ​ចាន​ពី​អាង ប៉ុន្តែ​ដៃ​ចាប់​របស់​វា​មិន​បាន​ចាប់​ពី​កន្លែង​ដែល​វា​ត្រូវ​ការ​ទេ។

ជាមួយនឹងក្របខ័ណ្ឌថ្មីដែលត្រូវបានបង្កើតឡើងដោយអ្នកស្រាវជ្រាវនៅ MIT និង NVIDIA អ្នកអាចគ្រប់គ្រងឥរិយាបថរបស់មនុស្សយន្តដោយប្រើកាយវិការសាមញ្ញ។ អ្នកអាចចង្អុលទៅចាន ឬគូសផ្លូវនៅលើអេក្រង់ ឬគ្រាន់តែគៀបដៃរបស់មនុស្សយន្តក្នុងទិសដៅត្រឹមត្រូវ។

មិនដូចវិធីសាស្រ្តផ្សេងទៀតក្នុងការកែប្រែឥរិយាបថរបស់មនុស្សយន្តទេ បច្ចេកទេសនេះមិនតម្រូវឱ្យអ្នកប្រើប្រាស់ប្រមូលទិន្នន័យថ្មី និងបង្ហាត់គំរូម៉ាស៊ីនរៀនដែលគ្រប់គ្រងមនុស្សយន្តនោះទេ។ ជំនួសមកវិញ វាអនុញ្ញាតឱ្យមនុស្សយន្តប្រើពេលវេលាពិត មតិកែលម្អរបស់មនុស្សដែលមើលឃើញ ដើម្បីជ្រើសរើសលំដាប់សកម្មភាពដែលត្រូវនឹងបំណងរបស់អ្នកប្រើបំផុត។

នៅពេលដែលអ្នកស្រាវជ្រាវបានសាកល្បងក្របខណ្ឌនេះ អត្រាជោគជ័យរបស់វាគឺ 21% ខ្ពស់ជាងវិធីសាស្រ្តជំនួសដែលមិនប្រើប្រាស់ការអន្តរាគមន៍របស់មនុស្ស។

នៅពេលអនាគត ក្របខណ្ឌនេះអាចធ្វើឱ្យអ្នកប្រើប្រាស់មានភាពងាយស្រួលក្នុងការណែនាំមនុស្សយន្តដែលបណ្តុះបណ្តាលដោយរោងចក្រឱ្យធ្វើកិច្ចការផ្ទះផ្សេងៗ បើទោះបីជាមនុស្សយន្តមិនធ្លាប់បានឃើញបរិស្ថាន ឬវត្ថុនៅក្នុងផ្ទះនោះពីមុនមកក៏ដោយ។

Felix Yanwei Wang និស្សិតបញ្ចប់ការសិក្សាផ្នែកវិស្វកម្មអគ្គិសនី និងវិទ្យាសាស្ត្រកុំព្យូទ័រ (EECS) និយាយថា "យើងមិនអាចរំពឹងថាអ្នកប្រើប្រាស់ធម្មតានឹងប្រមូលទិន្នន័យ និងកែលម្អគំរូបណ្តាញសរសៃប្រសាទនោះទេ។ ពួកគេរំពឹងថាមនុស្សយន្តនឹងដំណើរការភ្លាមៗ ហើយប្រសិនបើមានអ្វីមួយខុសឆ្គង ពួកគេត្រូវការយន្តការវិចារណញាណដើម្បីកែតម្រូវវា។ នេះគឺជាបញ្ហាប្រឈមដែលយើងដោះស្រាយនៅក្នុងឯកសារនេះ" Felix Yanwei Wang និស្សិតបញ្ចប់ការសិក្សាផ្នែកវិស្វកម្មអគ្គិសនី និងវិទ្យាសាស្ត្រកុំព្យូទ័រ (EECS) នៅ MIT និងអ្នកដឹកនាំការសិក្សា។

កាត់បន្ថយគម្លាត

ថ្មីៗនេះ អ្នកស្រាវជ្រាវបានប្រើគំរូ AI ជំនាន់មុនដែលត្រូវបានបណ្តុះបណ្តាលជាមុន ដើម្បីរៀនអំពី "គោលការណ៍" ដែលជាសំណុំនៃច្បាប់ដែលមនុស្សយន្តធ្វើតាមដើម្បីបំពេញកិច្ចការមួយ។ ម៉ូដែលទាំងនេះអាចដោះស្រាយបញ្ហាស្មុគស្មាញជាច្រើន។

កំឡុងពេលហ្វឹកហាត់ ម៉ូដែលនេះត្រូវបានលាតត្រដាងតែចំពោះចលនាមនុស្សយន្តត្រឹមត្រូវប៉ុណ្ណោះ ដូច្នេះវារៀនបង្កើតគន្លងចលនាសមស្រប។

ទោះជាយ៉ាងណាក៏ដោយ នេះមិនមានន័យថារាល់សកម្មភាពដែលមនុស្សយន្តធ្វើនឹងត្រូវនឹងការរំពឹងទុកពិតប្រាកដរបស់អ្នកប្រើប្រាស់នោះទេ។ ជាឧទាហរណ៍ មនុស្សយន្តអាចនឹងត្រូវបានហ្វឹកហាត់ឱ្យរើសប្រអប់ពីធ្នើដោយមិនគោះវា ប៉ុន្តែអាចនឹងបរាជ័យក្នុងការឈានដល់ប្រអប់នៅលើធ្នើសៀវភៅរបស់នរណាម្នាក់ ប្រសិនបើប្លង់ធ្នើសៀវភៅខុសពីអ្វីដែលវាឃើញអំឡុងពេលហ្វឹកហាត់។

ដើម្បីជួសជុលកំហុសបែបនេះ វិស្វករតែងតែប្រមូលទិន្នន័យបន្ថែមលើកិច្ចការថ្មី និងបង្ហាត់គំរូឡើងវិញ ដែលជាដំណើរការចំណាយ និងចំណាយពេលវេលាដែលត្រូវការជំនាញការរៀនម៉ាស៊ីន។

ផ្ទុយទៅវិញ ក្រុមការងារ MIT ចង់អនុញ្ញាតឱ្យអ្នកប្រើប្រាស់កែតម្រូវឥរិយាបថរបស់មនុស្សយន្តភ្លាមៗនៅពេលដែលវាធ្វើខុស។

ទោះជាយ៉ាងណាក៏ដោយ ប្រសិនបើមនុស្សជ្រៀតជ្រែកក្នុងដំណើរការធ្វើការសម្រេចចិត្តរបស់មនុស្សយន្ត វាអាចនឹងធ្វើឱ្យគំរូទូទៅជ្រើសរើសសកម្មភាពមិនត្រឹមត្រូវដោយចៃដន្យ។ មនុស្សយន្តអាចទទួលបានប្រអប់ដែលមនុស្សចង់បាន ប៉ុន្តែអាចនឹងគោះសៀវភៅនៅលើធ្នើក្នុងដំណើរការ។

Felix Yanwei Wang បាននិយាយថា "យើងចង់ឱ្យអ្នកប្រើប្រាស់ធ្វើអន្តរកម្មជាមួយមនុស្សយន្តដោយមិនបង្កើតកំហុសបែបនេះ ដោយហេតុនេះអាចសម្រេចបាននូវអាកប្បកិរិយាដែលសមស្របនឹងបំណងរបស់អ្នកប្រើប្រាស់ ខណៈពេលដែលនៅតែធានាបាននូវសុពលភាព និងលទ្ធភាព"។

ពង្រឹងសមត្ថភាពធ្វើការសម្រេចចិត្ត

ដើម្បីធានាថាអន្តរកម្មទាំងនេះមិនបណ្តាលឱ្យមនុស្សយន្តធ្វើសកម្មភាពមិនត្រឹមត្រូវ ក្រុមការងារប្រើនីតិវិធីគំរូពិសេសមួយ។ បច្ចេកទេសនេះជួយឱ្យម៉ូដែលជ្រើសរើសសកម្មភាពពីសំណុំនៃជម្រើសត្រឹមត្រូវដែលសមស្របបំផុតនឹងគោលដៅរបស់អ្នកប្រើប្រាស់។

លោក Felix Yanwei Wang បាននិយាយថា "ជំនួសឱ្យការដាក់ចេតនារបស់អ្នកប្រើ យើងជួយមនុស្សយន្តឱ្យយល់ពីចេតនារបស់ពួកគេ ខណៈពេលដែលអនុញ្ញាតឱ្យដំណើរការគំរូប្រែប្រួលជុំវិញអាកប្បកិរិយាដែលវាបានរៀន" ។

សូមអរគុណចំពោះវិធីសាស្រ្តនេះ ក្របខណ្ឌស្រាវជ្រាវរបស់ពួកគេបានដំណើរការលើសពីវិធីសាស្រ្តផ្សេងទៀតក្នុងការពិសោធន៍ក្លែងធ្វើ ក៏ដូចជាការសាកល្បងជាមួយនឹងដៃមនុស្សយន្តពិតប្រាកដនៅក្នុងផ្ទះបាយគំរូមួយ។

ខណៈពេលដែលវិធីសាស្ត្រនេះមិនតែងតែបញ្ចប់កិច្ចការភ្លាមៗនោះទេ វាមានអត្ថប្រយោជន៍ធំសម្រាប់អ្នកប្រើប្រាស់៖ ពួកគេអាចកែមនុស្សយន្តបានភ្លាមៗនៅពេលដែលពួកគេរកឃើញកំហុស ជំនួសឱ្យការរង់ចាំឱ្យមនុស្សយន្តបំពេញកិច្ចការហើយបន្ទាប់មកផ្តល់ការណែនាំថ្មី។

បន្ថែមពីនេះទៅទៀត បន្ទាប់ពីអ្នកប្រើប្រាស់គ្រវីក្បាលមនុស្សយន្តពីរបីដងថ្នមៗ ដើម្បីណែនាំវាឱ្យរើសចានត្រឹមត្រូវ មនុស្សយន្តអាចចងចាំការកែតម្រូវនោះ ហើយបញ្ចូលវាទៅក្នុងការសិក្សានាពេលអនាគត ដូច្នេះនៅថ្ងៃបន្ទាប់ មនុស្សយន្តអាចរើសចានត្រឹមត្រូវដោយមិនចាំបាច់ណែនាំម្តងទៀត។

លោក Felix Yanwei Wang បាននិយាយថា "ប៉ុន្តែគន្លឹះក្នុងការធ្វើឱ្យប្រសើរឡើងជាបន្តបន្ទាប់នេះគឺត្រូវមានយន្តការសម្រាប់អ្នកប្រើប្រាស់ដើម្បីធ្វើអន្តរកម្មជាមួយមនុស្សយន្ត ហើយនោះជាអ្វីដែលយើងបានបង្ហាញនៅក្នុងការសិក្សានេះ" ។

នៅពេលអនាគត ក្រុមការងារចង់បង្កើនល្បឿនដំណើរការគំរូ ខណៈពេលដែលរក្សា ឬកែលម្អការអនុវត្ត។ ពួកគេក៏ចង់សាកល្បងវិធីសាស្រ្តក្នុងបរិយាកាសថ្មី ដើម្បីវាយតម្លៃភាពប្រែប្រួលរបស់មនុស្សយន្ត។

(ប្រភព៖ MIT News)