ChatGPT quét 170.000 dòng mã trong vài giây và giúp tôi tiết kiệm hàng giờ làm việc

ChatGPT quét 170.000 dòng mã trong vài giây và giúp tôi tiết kiệm hàng giờ làm việc

Bài viết này chia sẻ một trải nghiệm thú vị về cách tác giả sử dụng ChatGPT, một công cụ trí tuệ nhân tạo, để giải quyết một vấn đề phức tạp liên quan đến in 3D một cách nhanh chóng và hiệu quả.

Khám phá "hố thỏ" in 3D:

Câu chuyện bắt đầu với một thử thách trong lĩnh vực in 3D. Tác giả đang thử nghiệm một máy in 3D mới, được quảng cáo là có tốc độ in nhanh hơn các máy thông thường. Khi in một mẫu thử nghiệm tiêu chuẩn gọi là 3DBenchy, máy in này đạt được thời gian in 42 phút, nhanh hơn các máy khác trong cùng phòng thí nghiệm. Tuy nhiên, bản G-code (mã lệnh điều khiển máy in) được cung cấp bởi nhà sản xuất đã giúp máy in đạt được thời gian in chỉ 16 phút - một sự khác biệt đáng kể.

Tác giả muốn tìm hiểu nguyên nhân dẫn đến sự chênh lệch này. Ông đã thử thay đổi các cài đặt trên phần mềm "slicer" (phần mềm tạo ra G-code) nhưng không thể đạt được hiệu suất tương tự như G-code từ nhà sản xuất. Sau nhiều nỗ lực tìm kiếm thông tin và trao đổi với đội ngũ hỗ trợ, ông nhận ra rằng nhiều người dùng khác cũng gặp phải vấn đề tương tự.

Liệu AI có thể giúp đỡ?

Trước sự bế tắc này, tác giả quyết định thử sức với ChatGPT. G-code, bản chất là một tập hợp các lệnh điều khiển, bao gồm hàng nghìn dòng như sau:

G1 X122.473 Y140.422 E4.23368
G1 X122.222 Y140.6 E4.24443
G0 F14400 X122.703 Y140.773
G1 F3600 X122.117 Y141.251 E4.27083
G1 X121.767 Y141.66 E4.28963
G1 X121.415 Y142.139 E4.31039
G1 X121.105 Y142.641 E4.33099 

Cả hai file G-code (của tác giả và của nhà sản xuất) đều có hơn 170.000 dòng mã. Thay vì mất hàng giờ để phân tích thủ công, tác giả đã quyết định sử dụng ChatGPT để so sánh và tìm hiểu sự khác biệt.

Tầm quan trọng của "lời nhắc" (prompt):

Ban đầu, tác giả chỉ yêu cầu ChatGPT đọc và mô tả sự khác biệt giữa hai file G-code. Mặc dù ChatGPT xác nhận có thể đọc được các file và nhận ra một file có tốc độ in cao hơn, nhưng nó chỉ đưa ra những dự đoán chung chung, sử dụng các cụm từ như "có thể", "có lẽ", "dường như".

Tác giả nhận ra rằng để đạt được kết quả mong muốn, ông cần phải đưa ra những "lời nhắc" cụ thể hơn. Ông đã thay đổi cách đặt câu hỏi:

"Hai file G-code này là yếu tố duy nhất khác biệt trong quá trình in. Dựa hoàn toàn vào việc so sánh mã G-code được cung cấp, đâu là các cài đặt slicer khác nhau? Đừng đưa ra bất kỳ giả thuyết nào về các cài đặt khác. Hãy phân tích dựa trên mã được cung cấp."

Kết quả:

Với "lời nhắc" này, ChatGPT đã xác định được ba yếu tố quan trọng:

• Tốc độ cấp liệu (feed rate) cao hơn nhiều trong file G-code "in nhanh".
• Chiều cao lớp in (layer height) lớn hơn trong file "in nhanh".
• Cài đặt gia tốc (acceleration) mạnh hơn trong file "in nhanh".

Ngoài ra, ChatGPT còn xác định được rằng file G-code của nhà sản xuất có khả năng được tạo ra bởi slicer thay vì được chỉnh sửa thủ công.

Bài học kinh nghiệm:

Qua trải nghiệm này, tác giả rút ra những bài học sau:

• ChatGPT hiểu G-code và có thể so sánh và phân tích một lượng lớn mã lệnh trong thời gian ngắn.
• "Lời nhắc" chính xác đóng vai trò quan trọng trong việc định hướng cho AI và nhận được câu trả lời có ích.
• Không nên coi kết quả từ AI là tuyệt đối chính xác.
• Cần phải kiên trì và điều chỉnh cách đặt câu hỏi để đạt được thông tin mong muốn.

Kết luận:

Bài viết cho thấy ChatGPT có thể là một công cụ hữu ích để giải quyết những vấn đề phức tạp, tiết kiệm thời gian và công sức. Tác giả đã giảm thời gian phân tích từ vài giờ xuống còn chưa đầy 10 phút nhờ vào ChatGPT.

Lời khuyên:

Nếu bạn đang gặp phải vấn đề cần phân tích một lượng lớn văn bản hoặc dữ liệu số, hãy thử sử dụng ChatGPT hoặc các công cụ AI khác. Bạn có thể sẽ nhận được câu trả lời hữu ích trong thời gian ngắn.

Lưu ý: Bài viết này chỉ là một ví dụ minh họa cho khả năng của ChatGPT. Kết quả sử dụng AI có thể khác nhau tùy thuộc vào cách đặt câu hỏi và nội dung cụ thể của vấn đề.