ປັນຍາທຽມ: ຄວາມແຕກຕ່າງລະຫວ່າງການຮຽນຮູ້ຂອງເຄື່ອງຈັກແລະການຮຽນແບບເລິກເຊິ່ງ

ປັນຍາປະດິດຫລື AI, ໄດ້ກາຍເປັນພາກສ່ວນທີ່ ສຳ ຄັນແລະເປັນສ່ວນ ໜຶ່ງ ຂອງສັງຄົມສະ ໄໝ ໃໝ່ ຂອງພວກເຮົາ. ອີງຕາມ Forbes, ເຖິງວ່າຈະເປັນສອງປີທີ່ຜ່ານມາໃນປີ 2017, 51% ຂອງວິສາຫະກິດທີ່ທັນສະ ໄໝ ປະຕິບັດແລ້ວ, ໂດຍອຸດສາຫະ ກຳ ເອງມີມູນຄ່າເຖິງ 16 ຕື້ໂດລາສະຫະລັດ. ນີ້ຄາດວ່າຈະຂະຫຍາຍຕົວຢ່າງຕໍ່ເນື່ອງ, ບັນລຸເຖິງ 190 ຕື້ໂດລາສະຫະລັດໃນປີ 2025.

ສອງປະເພດທີ່ມີອິດທິພົນທີ່ສຸດຂອງ AI ໃນປະຈຸບັນແມ່ນການຮຽນຮູ້ເຄື່ອງຈັກແລະລະບົບການຮຽນຮູ້ເລິກເຊິ່ງ. ແຕ່ສອງຢ່າງນີ້ແມ່ນຫຍັງກັນແທ້? ແລະ ສຳ ລັບເລື່ອງນັ້ນ, ພວກເຮົາຈະ ກຳ ນົດສະຕິປັນຍາປອມແນວໃດໃນສະພາບການຂອງສອງຢ່າງນີ້?

ປັນຍາທຽມແມ່ນຫຍັງ?

ເອກະສານວັດຈະນານຸກົມປີ Oxford ປີ 2019 ລະບຸວ່າປັນຍາປະດິດແມ່ນ“ ທິດສະດີແລະການພັດທະນາລະບົບຄອມພິວເຕີສາມາດປະຕິບັດວຽກງານຕາມປົກກະຕິທີ່ຮຽກຮ້ອງໃຫ້ມີປັນຍາຂອງມະນຸດ.”

ເວົ້າອີກຢ່າງ ໜຶ່ງ, AI ແປຂໍ້ມູນໃນລັກສະນະຄ້າຍຄືກັບເຈົ້າແລະຂ້ອຍ, ບໍ່ວ່າຈະມີຄວາມ ຈຳ ເປັນ ສຳ ລັບການຊອກຄົ້ນຫາຮູບພາບ, ການຮັບຮູ້ການເວົ້າ, ຫຼືບາງລະບົບການຕັດສິນໃຈແບບອັດຕະໂນມັດ. ຕົວຢ່າງ ໜຶ່ງ ທີ່ງ່າຍດາຍທີ່ສຸດຂອງ AI ແມ່ນຄອມພິວເຕີ້ເກມຄອມພິວເຕີ້. ມັນໃຊ້ຂໍ້ມູນຈາກເກມ, ພ້ອມທັງການປ້ອນຂໍ້ມູນຈາກເຄື່ອງຫຼີ້ນ, ເພື່ອສ້າງ ລຳ ດັບຂອງການຕັດສິນໃຈແລະ ໜ້າ ວຽກຕ່າງໆເພື່ອໃຫ້ນັກເຕະມີສ່ວນຮ່ວມ. AI ໄດ້ຖືກ ນຳ ສະ ເໜີ ໃນຕົ້ນຊຸມປີ 1950, ແຕ່ວ່າມັນກໍ່ເລີ່ມຕົ້ນທີ່ຈະ ນຳ ໃຊ້ຢ່າງແທ້ຈິງໃນຊ່ວງຊຸມປີ 70 ແລະ 80, ໃນເວລາທີ່ຄອມພິວເຕີສ່ວນບຸກຄົນແລະເຄື່ອງຫຼີ້ນເກມເລີ່ມເຮັດໃຫ້ການພັດທະນາຂອງ AI ເປັນຄວາມຕ້ອງການພື້ນຖານ ສຳ ລັບການ ດຳ ເນີນງານຂອງມັນ.

ຕົວຢ່າງອື່ນໆຂອງ AI ໃນຊີວິດປະ ຈຳ ວັນຂອງພວກເຮົາອາດປະກອບມີ:

  1. ຈຳ ລອງ
  2. ອຸປະກອນສະຫຼາດ
  3. ບອທ໌ແລກປ່ຽນຫຸ້ນ
  4. ການຮັບຮູ້ຂໍ້ມູນ (ການປາກເວົ້າ, ສຽງ, ໃບ ໜ້າ ແລະອື່ນໆ)

ທຸກມື້ນີ້, ຫລາຍລະບົບ AI ໄດ້ຖືກ ນຳ ໃຊ້ໃນເກືອບທຸກ ຄຳ ຮ້ອງສະ ໝັກ ທີ່ມີການ ນຳ ໃຊ້ຂໍ້ມູນເຊັ່ນ: ຊອບແວການຄຸ້ມຄອງ, ສູດການຄິດໄລ່ ຄຳ ແນະ ນຳ, ການວິເຄາະສື່ຫລືແມ້ກະທັ້ງຜູ້ຊ່ວຍສຽງ. ໃນຄວາມເປັນຈິງ, ເຖິງແມ່ນວ່າແອັບ tracking ຕິດຕາມງ່າຍໆດຽວນີ້ກໍ່ໃຊ້ AI. ຕາມກົດລະບຽບ, ຖ້າວ່າມີຂັ້ນຕອນ ສຳ ເລັດວຽກງານທີ່ຂ້ອນຂ້າງສັບສົນທີ່ ຈຳ ເປັນຕ້ອງໄດ້ປະຕິບັດເປັນປົກກະຕິໂດຍບໍ່ມີການແຊກແຊງຂອງມະນຸດໂດຍກົງ, ສ່ວນຫຼາຍມັນອາດຈະມີ AI ຢູ່ໃນນັ້ນ.

Machine Learning ແມ່ນຫຍັງ?

ການຮຽນຮູ້ຂອງເຄື່ອງຈັກແມ່ນປະເພດຂອງປັນຍາປະດິດ (ແລະດັ່ງນັ້ນຊຸດຍ່ອຍຂອງມັນ) ທີ່ມີຄວາມຊ່ຽວຊານໃນການແຍກແຍະແລະວິເຄາະຂໍ້ມູນທີ່ໄດ້ຮັບເພື່ອໃຫ້ສາມາດປັບຕົວຈາກມັນແລະຕັດສິນໃຈຢ່າງພຽງພໍ. ເພື່ອເວົ້າງ່າຍໆ, AI ນີ້ແມ່ນສ້າງຂື້ນເພື່ອສັງເກດແລະສັງເກດເຫັນຫຼາຍຢ່າງ, ແລະຈາກນັ້ນໃຊ້ເວລາ ໜຶ່ງ ຫຼືຫຼາຍຫຼັກສູດການປະຕິບັດໂດຍອີງໃສ່ຂໍ້ມູນທີ່ໄດ້ຮັບ.

ວຽກງານການຮຽນຮູ້ເຄື່ອງຈັກທົ່ວໄປໃນມື້ນີ້ອາດຈະມີ:

  1. ຂໍ້ສະ ເໜີ ແນະເຊື່ອມໂຍງ
  2. ການດັດແປງເນື້ອຫາ
  3. ຜົນການຄົ້ນຫາສະແດງ
  4. ກຳ ນົດເວລາໃນການລໍຄອຍ (ໃນສື່ສັງຄົມ)

ລະບົບການຮຽນຮູ້ຂອງເຄື່ອງຈັກແມ່ນມີຄວາມສາມາດໃນການວິເຄາະຂໍ້ມູນ ຈຳ ນວນຫຼວງຫຼາຍໃນເວລາສັ້ນໆ, ສ້າງທາງອອກຫລືຂໍ້ສະຫຼຸບຈາກມັນ. ມັນເພີ່ມປະສິດທິພາບການຄິດໄລ່ຂອງມັນເພື່ອໃຫ້ມີການຕີຄວາມ ໝາຍ ທີ່ຖືກຕ້ອງ, ຍິ່ງໃຫຍ່ກວ່າສິ່ງທີ່ມະນຸດສາມາດເຮັດໄດ້ກັບຂໍ້ ຈຳ ກັດໃນເວລາດຽວກັນ. ຕົວຢ່າງ, ພວກເຮົາຕ້ອງການ ກຳ ນົດໂດຍອັດຕະໂນມັດຖ້າອີເມວສະເພາະໃດ ໜຶ່ງ ແມ່ນສະແປມຫລືບໍ່. ລະບົບການຮຽນຮູ້ຂອງເຄື່ອງຈັກຈະຫລັ່ງຜ່ານອີເມວຫລາຍພັນພັນຂໍ້ເພື່ອຊອກຫາຮູບແບບທີ່ຈະຊ່ວຍໃຫ້ມັນສາມາດ ກຳ ນົດອີເມວສະແປມ. ຫຼັງຈາກນັ້ນມັນຈະໃຫ້ການຈັດປະເພດຫຍໍ້ຂອງທັງອີເມວສະແປມແລະອີເມວປົກກະຕິ, ຂໍ້ມູນທີ່ມັນຈະໃຊ້ອີກເທື່ອ ໜຶ່ງ ເພື່ອຊອກຫາຮູບແບບຕ່າງໆທີ່ຈະຊ່ວຍໃຫ້ມັນປັບປຸງການວິເຄາະຂອງມັນຕື່ມອີກ.

ເມື່ອໃຫ້ຂໍ້ມູນ ໃໝ່ ແລະ ໃໝ່ ກວ່າເກົ່າ, ລະບົບການຮຽນຮູ້ຂອງເຄື່ອງຈັກສາມາດປັບປ່ຽນແລະປັບປຸງລະບົບການຄິດໄລ່ຂອງມັນໃຫ້ດີຂື້ນໃນສິ່ງທີ່ມັນເຮັດ. ຫຼືຢ່າງ ໜ້ອຍ ກໍ່ຕ້ອງຫຼຸດຜ່ອນຄວາມເປັນໄປໄດ້ຂອງຄວາມຜິດພາດ. ນີ້ແມ່ນສິ່ງທີ່ເຮັດໃຫ້ການຮຽນຮູ້ຂອງເຄື່ອງຈັກມີຄວາມ ສຳ ຄັນຫຼາຍໃນຍຸກທີ່ຜັກດັນຂໍ້ມູນຂອງພວກເຮົາໃນປະຈຸບັນ.

ການຮຽນທີ່ເລິກເຊິ່ງແມ່ນຫຍັງ?

ການຮຽນຮູ້ເລິກແມ່ນ, ອີກເທື່ອ ໜຶ່ງ, ອີກຊຸດ ໜຶ່ງ, ເວລານີ້ແມ່ນການຮຽນຮູ້ເຄື່ອງຈັກ. ການອອກແບບພື້ນຖານຂອງລະບົບການຮຽນເລິກແມ່ນອີງໃສ່ສະ ໝອງ ປອດສານພິດ. ໃນຂະນະທີ່ພວກເຮົາປະກອບຄວາມຊົງ ຈຳ ໃໝ່ ໂດຍ ນຳ ໃຊ້ເວບໄຊທ໌ທີ່ສັບສົນຂອງຮູບແບບກ່ຽວກັບລະບົບປະສາດ, ລະບົບປະເພດນີ້ເຮັດໃຫ້ມີການຕັດສິນໃຈແບບສະລັບສັບຊ້ອນຂອງຕົນເອງໂດຍໃຊ້ເຄືອຂ່າຍທາງປະສາດປອມ, ເຊິ່ງປະກອບດ້ວຍຂັ້ນຕອນການຄິດໄລ່ນັບບໍ່ຖ້ວນ.

ລະບົບການຮຽນຮູ້ທີ່ເລິກເຊິ່ງທີ່ສັງເກດໄດ້ແມ່ນ:

  1. Watson (ຊະນະຜູ້ແຂ່ງຂັນທີ່ Jeopardy!)
  2. AlphaGo (ເອົາຊະນະນັກເຕະ Go ມືອາຊີບ Lee Sedol ໃນເດືອນມີນາ 2016)
  3. Deepfake (ສ້າງຕົວແທນທີ່ແທ້ຈິງແຕ່ເປັນຕົວແທນປອມຂອງຄົນຈິງ)
  4. OpenAI Five (ໂຄງການຮຽນຮູ້ເລິກເກມ, ເອົາຊະນະໂປຣແກຣມ DOTA ຂອງ Dendi ປີ 2017)

ບໍ່ຄືກັບລະບົບການຮຽນຮູ້ເຄື່ອງມາດຕະຖານ, ເຊິ່ງຍັງສາມາດປະຕິບັດໄດ້ດີພໍສົມຄວນເຖິງແມ່ນວ່າໄດ້ໃຫ້ຂໍ້ມູນພື້ນຖານຂ້ອນຂ້າງ, ລະບົບການຮຽນຮູ້ທີ່ເລິກເຊິ່ງກໍ່ຈະເລີ່ມຕົ້ນຈາກຂັ້ນຕົ້ນ. ມັນມີລັກສະນະໂດຍ“ ໄລຍະເວລາທີ່ ຈຳ ກັດ”, ເຊິ່ງສອງສາມລຸ້ນ ທຳ ອິດຂອງ AI ຂອງມັນຈະເລີ່ມໃຫ້ຜົນໄດ້ຮັບຕົວຈິງເທົ່ານັ້ນຫຼັງຈາກໄລຍະການປັບຕົວຈາກຫລາຍລຸ້ນທີ່ລົ້ມເຫລວທີ່ນັບບໍ່ຖ້ວນ.

ເມື່ອມັນບັນລຸລະດັບປະສິດທິພາບທີ່ສັບສົນພໍສົມຄວນ, ລະບົບການຮຽນຮູ້ທີ່ເລິກເຊິ່ງກໍ່ພຽງແຕ່ເລີ່ມຕົ້ນທີ່ຈະຄອບ ງຳ ທຸກສິ່ງທຸກຢ່າງກ່ອນມັນ. ຕົວຢ່າງເຊັ່ນ AlphaGo ຂອງ DeepMind ໄດ້ເລີ່ມໃຊ້ການແຂ່ງຂັນ Go Go ນັກສມັກເລ່ນ 160,000 ຊຸດກ່ອນທີ່ມັນຈະກ້າວໄປສູ່ການຕີຜູ້ຫຼິ້ນ Go Go ແບບມືອາຊີບໂດຍການຫຼີ້ນຫລາຍລ້ານເທື່ອຕໍ່ຕົວມັນເອງ.

ລະບົບການຮຽນຮູ້ທີ່ເລິກເຊິ່ງ, ບໍ່ຄືກັບລະບົບການຮຽນຮູ້ຂອງເຄື່ອງຈັກທີ່ຖືກອອກແບບມາກ່ອນ, ເພິ່ງພາອາໄສຖານຄູນມາຕຣິກເບື້ອງເພື່ອສ້າງຂໍ້ມູນ. ໃນຖານະເປັນດັ່ງກ່າວ, GPU ການຄ້າປົກກະຕິແລ້ວແມ່ນຮາດແວທີ່ດີທີ່ສຸດ ສຳ ລັບລະບົບເຫຼົ່ານີ້, ຍ້ອນວ່າມັນມີຄວາມສາມາດໃນການຕອບສະ ໜອງ ຄວາມຕ້ອງການດ້ານການປຸງແຕ່ງຂະ ໜານ ລະດັບສູງທີ່ ຈຳ ເປັນເພື່ອຮັກສາຄວາມສາມາດປະຕິບັດງານ.

ມາດຕະຖານ AI ແລະການຮຽນຮູ້ເຄື່ອງຈັກ

ເຖິງແມ່ນວ່າປັນຍາປະດິດແລະການຮຽນຮູ້ເຄື່ອງສາມາດ ນຳ ໃຊ້ໄດ້ໃນການແລກປ່ຽນກັບການ ນຳ ໃຊ້ທົ່ວໄປຫຼາຍຢ່າງ, ແຕ່ຄວນສັງເກດວ່າການຮຽນຮູ້ຂອງເຄື່ອງຈັກມີລັກສະນະທີ່ແຕກຕ່າງກັນຢ່າງ ໜຶ່ງ ຄື: ການປັບຕົວ. ນີ້ ໝາຍ ຄວາມວ່າມັນຮຽນຮູ້. ມັນອາດຈະເຮັດໃຫ້ເກີດຄວາມຜິດພາດໃນເບື້ອງຕົ້ນຫລາຍ, ບໍ່ຄືກັບ AI ທີ່ສ້າງມາກ່ອນ, ແຕ່ມັນຖືກອອກແບບມາເພື່ອຮຽນຮູ້ຈາກພວກມັນ, ສ້າງຈາກພວກມັນ, ແລະໃນທີ່ສຸດກໍ່ຈະປ່ຽນແທນທຸກສິ່ງທີ່ມັນຖືກອອກແບບມາເພື່ອເພີ່ມປະສິດທິພາບ.

ຈາກລັກສະນະການອອກແບບ, ການຮຽນຮູ້ເຄື່ອງຈັກຍັງໄດ້ຮັບປະໂຫຍດຈາກການບໍ່ສັບສົນກັບການກໍ່ສ້າງໃນເບື້ອງຕົ້ນ. A AI ແບບ ທຳ ມະດາອາດຈະຕ້ອງການການຂຽນລະຫັດພິເສດຫລື ຄຳ ແນະ ນຳ ສະເພາະ ສຳ ລັບທຸກໆສະຖານະການທີ່ນັກພັດທະນາສາມາດຄາດເດົາໄດ້. ແຕ່ລະບົບການຮຽນຮູ້ເຄື່ອງຈັກສາມາດປະຕິບັດງານໄດ້ງ່າຍໆໃນຕົ້ນໄມ້ການຕັດສິນໃຈ, ບວກກັບມາດຕະຖານການຮຽນຮູ້ຫລືສອງຢ່າງ, ພ້ອມທັງຄວາມສາມາດໃນການປະມວນຜົນທີ່ ຈຳ ເປັນແລະຈາກນັ້ນກໍ່ເຮັດໃຫ້ທາງຂອງຕົນກ້າວໄປສູ່ການເຮັດວຽກທີ່ດີກວ່າແລະດີກວ່າເກົ່າ.

ຄວາມ ສຳ ຄັນຂອງລະບົບການຮຽນຮູ້ເຄື່ອງຈັກທີ່ແຕກຕ່າງກັນແມ່ນມາຈາກຄວາມຈິງທີ່ວ່າພວກເຮົາຍັງໃຊ້ມາດຕະຖານ, ປົກກະຕິ AI ຂອງລະບົບດັ່ງກ່າວໃນ ໜ້າ ວຽກແລະການມອບ ໝາຍ ທີ່ ສຳ ຄັນອື່ນໆທີ່ ໜ້ອຍ ກວ່າໃນປະຈຸບັນ. ຫຼັງຈາກທີ່ທັງ ໝົດ, ທ່ານບໍ່ ຈຳ ເປັນຕ້ອງມີລະບົບການຮຽນຮູ້ຂອງເຄື່ອງຈັກ, ໃຫ້ເວົ້າວ່າ, ການຕັດສິນໃຈຈັດການກັບເອກະສານທີ່ງ່າຍດາຍກວ່າເກົ່າ. ໃນລັກສະນະດຽວກັນ, ມັນອາດຈະບໍ່ ເໝາະ ສົມທີ່ຈະຈັດປະເພດບາງສິ່ງບາງຢ່າງທີ່ຊັບຊ້ອນຄືກັບລະບົບການຮັບຮູ້ການປາກເວົ້າເປັນພຽງແຕ່ ‘AI’, ແລະດັ່ງນັ້ນພວກເຮົາຈັດປະເພດໃຫ້ຖືກຕ້ອງ.

ການຮຽນຮູ້ເຄື່ອງຈັກແລະການຮຽນແບບເລິກເຊິ່ງ

ບາງທີຄວາມແຕກຕ່າງທີ່ ສຳ ຄັນກວ່າທີ່ພວກເຮົາຕ້ອງຮຽນຮູ້ແມ່ນຄວາມແຕກຕ່າງລະຫວ່າງການຮຽນຮູ້ຂອງເຄື່ອງຈັກແລະການຮຽນແບບເລິກເຊິ່ງ. ກ່ອນອື່ນ ໝົດ, ດັ່ງທີ່ໄດ້ກ່າວມາກ່ອນ, ການຮຽນຮູ້ເຄື່ອງ IS ເລິກ, ດ້ານເຕັກນິກປະເພດ ໜຶ່ງ, ຫຼືຊຸດຍ່ອຍຂອງມັນ. ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ, ແນວໃດກໍ່ຕາມ, ບໍ່ແມ່ນການຮຽນຮູ້ເລິກເຊິ່ງສະ ເໝີ ໄປ. ຄວາມແຕກຕ່າງສ່ວນໃຫຍ່ແມ່ນກ່ຽວຂ້ອງກັບວິທີການທີ່ທັງສອງຖືກສ້າງຂຶ້ນ.

ການຮຽນຮູ້ຂອງເຄື່ອງຈັກໄດ້ຖືກພັດທະນາພາຍໃນສະພາບແວດລ້ອມຄອມພິວເຕີ້ດຽວກັນກັບໂປແກຼມໂປຼແກຼມຂອງພວກເຮົາໃນຫລາຍທົດສະວັດທີ່ຜ່ານມາ. ດັ່ງນັ້ນ, ມັນຢູ່ໃນເສັ້ນທາງ, ເສັ້ນຊື່, ແລະເຖິງແມ່ນວ່າມັນຖືກສ້າງຂຶ້ນເພື່ອປັບຕົວກັບກົດ ໝາຍ Moore, ມັນກໍ່ຍັງຖືກ ຈຳ ກັດໂດຍຕົ້ນໄມ້ການຕັດສິນໃຈແລະສູດການຄິດໄລ່ຂອງມັນ. ໃນທາງກົງກັນຂ້າມການຮຽນຮູ້ເລິກເຊິ່ງເຮັດໃຫ້ການຄິດໄລ່ທັງ ໝົດ ຂອງມັນຢູ່ພາຍໃນເຄືອຂ່າຍ neural. ມັນຖືກອອກແບບມາ ສຳ ລັບຄອມພິວເຕີ້ຂະຫນານລະດັບສູງ, ສິ່ງທີ່ພວກເຮົາສາມາດພິຈາລະນາເປັນລຸ້ນຕໍ່ໄປໃນການຮຽນຮູ້ເຄື່ອງຈັກ.

ວິທີ ໜຶ່ງ ທີ່ ໜ້າ ເຊື່ອຖືພໍສົມຄວນໃນການ ກຳ ນົດວ່າລະບົບການຮຽນທີ່ເລິກເຊິ່ງ ກຳ ລັງໃຊ້ຢູ່ແມ່ນການປະເມີນຄວາມສັບສົນຂອງວຽກງານ AI. ໂດຍປົກກະຕິແລ້ວ, ຕົວແປທີ່ບໍ່ແມ່ນຕົວເລກແລະຕົວເລກທີ່ມັກມີຫຼາຍທີ່ຈະຕ້ອງໄດ້ພິຈາລະນາ, ມັນອາດຈະເປັນລະບົບການຮຽນທີ່ເລິກເຊິ່ງ. ຍົກຕົວຢ່າງ, ຂໍ້ສະ ເໜີ ແນະຂອງ Netflix ບໍ່ສັບສົນເທົ່າກັບການແປພາສາ, ເຖິງແມ່ນວ່າພວກເຂົາຈະຮຽນຮູ້ຈາກຂໍ້ມູນທີ່ເກັບມາຈາກຖານຜູ້ໃຊ້ອິນເຕີເນັດທັງ ໝົດ. ຄວາມແຕກຕ່າງນີ້ສາມາດ ນຳ ໃຊ້ກັບສອງ ໜ້າ ວຽກທີ່ຄ້າຍຄືກັນ, ເຊັ່ນສອງລະບົບຂັບຂີ່ດ້ວຍຕົນເອງແຍກຕ່າງຫາກ. ຜູ້ທີ່ເພິ່ງພາອາໄສຂໍ້ມູນເຊັນເຊີຫລາຍຂື້ນຄວນເປັນລະບົບການຮຽນຮູ້ຂອງເຄື່ອງຈັກທົ່ວໄປ, ໂດຍການຮຽນຮູ້ເລິກເຊິ່ງສ່ວນໃຫຍ່ແມ່ນອາໄສສິ່ງແວດລ້ອມທີ່ເບິ່ງເຫັນໄດ້ໂດຍມະນຸດ, ບາງສິ່ງບາງຢ່າງຄືກັບສິ່ງທີ່ Tesla ກຳ ລັງພັດທະນາໃນເວລານີ້.

ບໍ່ວ່າຄວາມແຕກຕ່າງຈະແຈ້ງຫລືບໍ່, ມັນແນ່ນອນວ່າການຮຽນຮູ້ເລິກແມ່ນອະນາຄົດ. ສຳ ລັບຈຸດປະສົງຂອງພວກເຮົາ, ເຖິງຢ່າງໃດກໍ່ຕາມ, ການແຍກການຮຽນຮູ້ AI ຢ່າງເລິກເຊິ່ງຈາກການຮຽນຮູ້ເຄື່ອງຈັກມາດຕະຖານ AI ແມ່ນມີຄວາມ ຈຳ ເປັນໃນການເຂົ້າໃຈວ່າມັນມີຄວາມແຕກຕ່າງກັນແນວໃດ, ແລະພຽງແຕ່ວ່າມັນສາມາດກ້າວ ໜ້າ ເທົ່າໃດ. ເຖິງວ່າຈະຍັງຢູ່ໃນໄລຍະການພັດທະນາຂອງມັນໃນທຸກວັນນີ້, ມັນເກືອບຈະບໍ່ສາມາດປຽບທຽບໄດ້ກັບທຸກຢ່າງທີ່ເຄີຍມີມາກ່ອນມັນ.

ຄຳ ເວົ້າປອມຂອງບາຣັກໂອບາມາທີ່ກ່າວເຖິງປະໂຫຍກສັ້ນໆກ່ຽວກັບປະຫວັດຄວາມເປັນມາຂອງການປອມແປງທີ່ເທົ່າທຽມກັນອາດເບິ່ງຄືວ່າບໍ່ເປັນຕາເຊື່ອ ສຳ ລັບຜູ້ເບິ່ງ ທຳ ມະດາ, ແຕ່ ສຳ ລັບພວກເຮົາຜູ້ທີ່ເຂົ້າໃຈຄວາມແຕກຕ່າງກັນແລ້ວ, ພວກເຮົາຮູ້ວ່າມັນເປັນພຽງແຕ່ ໜຶ່ງ ໃນຄວາມເປັນໄປໄດ້ທີ່ໃຫຍ່ຫຼວງຂອງເຕັກໂນໂລຢີທີ່ປ່ຽນເກມ .

ການແຂ່ງຂັນ The Grand AI ຂອງຫວຽດນາມ

ຕ້ອງການຮຽນຮູ້ເພີ່ມເຕີມກ່ຽວກັບປັນຍາປະດິດ? Kambria ກຳ ລັງ ນຳ ໜ້າ ຊຸດ Vietnam AI Grand Challenge 2019, ຊຸດ hackathon ທີ່ມີພາລະກິດເພື່ອຝຶກອົບຮົມນັກພັດທະນາໄວ ໜຸ່ມ AI. ໂດຍການຮ່ວມມືກັບລັດຖະບານຫວຽດນາມ, McKinsey & Company, ແລະ VietAI, Grand Challenge ຈະເຕົ້າໂຮມຄວາມສາມາດຂອງ AI ທີ່ດີທີ່ສຸດຂອງປະເທດເພື່ອສະ ໜັບ ສະ ໜູນ ບັນດາບໍລິສັດຕ່າງໆໃນປະເທດຫວຽດນາມແລະໃນທົ່ວໂລກໃນການອອກແບບຜູ້ຊ່ວຍ virtual ແບບສຸດຍອດ.

ວິທີການມີສ່ວນຮ່ວມ:
 1. ລົງທະບຽນໃນເວທີ Kambria: https://bounty.kambria.io/
 2. ຕິດຕາມ ໜ້າ ເຟສບຸກ Grand Challenge ສຳ ລັບຂໍ້ມູນເຫດການທີ່ ກຳ ລັງຈະມາເຖິງ: https://www.facebook.com/VietnamAIGC/

ໃນວັນເສົາ, ວັນທີ 1 ມິຖຸນາ 2019, ປະເທດ ກຳ ປູເຈຍຈະຈັດກອງປະຊຸມ ສຳ ມະນາທີ່ນະຄອນດານັງເອີ້ນວ່າ“ Create Assistant ຂອງທ່ານເອງຈາກການຂູດ” ເພື່ອໃຫ້ການຝຶກອົບຮົມແລະການສຶກສາແກ່ຜູ້ເຂົ້າຮ່ວມໃນການແຂ່ງຂັນປະ ຈຳ ຫວຽດນາມ AI Grand Challenge. ກົດບ່ອນນີ້ ສຳ ລັບຂໍ້ມູນເພີ່ມເຕີມກ່ຽວກັບກອງປະຊຸມ. ພື້ນທີ່ມີ ຈຳ ນວນ ຈຳ ກັດໃຫ້ຜູ້ເຂົ້າຮ່ວມ 40 ຄົນສະນັ້ນຈົ່ງແນ່ໃຈທີ່ຈະລົງທະບຽນໃນໄວໆນີ້!

ຈັດພີມມາໃນເບື້ອງຕົ້ນຢູ່ Kambria.