Agent.ai.vn

Sự bùng nổ của AI trong giáo dục: Cách mạng hóa học tập và dạy học

<h2>Sự bùng nổ của công nghệ AI trong ngành giáo dục</h2>
<h3>Mục lục</h3>
<ol>
<li>Giới thiệu</li>
<li>AI trong học tập: Những lợi ích vượt trội</li>
<li>Vai trò của AI trong việc cá nhân hóa giáo dục</li>
<li>Kết luận</li>
</ol>
<h3>1. Giới thiệu</h3>
Công nghệ trí tuệ nhân tạo (AI) đang nhanh chóng thay đổi mọi mặt của cuộc sống, và giáo dục không phải là ngoại lệ. Từ việc cung cấp nội dung học tập cá nhân hóa đến tự động hóa các nhiệm vụ quản lý lớp học, AI đang cách mạng hóa cách học và dạy học. 
<h3>2. AI trong học tập: Những lợi ích vượt trội</h3>
AI mang đến nhiều lợi ích cho cả học sinh và giáo viên:
<ul>
<li>Học tập cá nhân hóa: AI có thể phân tích dữ liệu học sinh để xác định điểm mạnh, điểm yếu và nhu cầu học tập riêng biệt của mỗi cá nhân. Điều này cho phép giáo viên tạo ra các kế hoạch học tập cá nhân hóa, giúp học sinh tiếp thu kiến thức hiệu quả hơn.</li>
<li>Hỗ trợ học tập: AI có thể cung cấp các công cụ hỗ trợ học tập trực tuyến, bao gồm các phần mềm học tập, trợ lý ảo và các nền tảng giáo dục trực tuyến. Những công cụ này giúp học sinh học tập theo tốc độ của riêng mình và truy cập thông tin mọi lúc mọi nơi.</li>
<li>Tự động hóa các nhiệm vụ: AI có thể tự động hóa các nhiệm vụ quản lý lớp học như chấm điểm, ghi điểm và lên kế hoạch học tập. Điều này giải phóng giáo viên khỏi những công việc thủ công để tập trung vào việc giảng dạy và tương tác với học sinh.</li>
<li>Cung cấp thông tin phản hồi tức thời: AI có thể cung cấp phản hồi tức thời về tiến độ học tập của học sinh, giúp họ nhận biết điểm mạnh, điểm yếu và cải thiện hiệu quả học tập.</li>
</ul>
<h3>3. Vai trò của AI trong việc cá nhân hóa giáo dục</h3>
AI đóng vai trò quan trọng trong việc cá nhân hóa giáo dục:
<ul>
<li>Phân tích dữ liệu học sinh: AI có thể thu thập và phân tích dữ liệu học sinh từ các nguồn khác nhau như điểm số, bài kiểm tra, bài tập và tương tác lớp học. Dữ liệu này giúp hiểu rõ năng lực và nhu cầu học tập của mỗi học sinh.</li>
<li>Tạo nội dung học tập cá nhân hóa: Dựa trên dữ liệu phân tích, AI có thể tạo ra các nội dung học tập phù hợp với nhu cầu và khả năng của từng học sinh. Điều này giúp học sinh tiếp thu kiến thức một cách hiệu quả và hứng thú hơn.</li>
<li>Cung cấp các công cụ học tập phù hợp: AI có thể cung cấp các công cụ học tập phù hợp với phong cách học tập của mỗi học sinh. Ví dụ, một học sinh học bằng hình ảnh có thể được cung cấp các video học tập, trong khi một học sinh học bằng âm thanh có thể được cung cấp các bài giảng âm thanh.</li>
</ul>
<h3>4. Kết luận</h3>
Sự bùng nổ của AI trong giáo dục mang đến nhiều cơ hội cho giáo dục hiện đại. AI giúp cá nhân hóa học tập, nâng cao hiệu quả học tập, và tạo điều kiện cho giáo viên tập trung vào việc giảng dạy và tương tác với học sinh. Tuy nhiên, cần lưu ý đến những vấn đề về bảo mật dữ liệu và đạo đức trong việc ứng dụng AI trong giáo dục. 
Bằng cách sử dụng AI một cách có trách nhiệm, chúng ta có thể tạo ra một hệ thống giáo dục hiệu quả và công bằng hơn cho tất cả mọi người.

Sự bùng nổ của AI trong giáo dục: Cách mạng hóa học tập và dạy học

Sự bùng nổ của công nghệ AI trong ngành giáo dục Mục lục Giới thiệu AI trong học tập: Những lợi ích vượt trội Vai trò của AI trong việc...

tháng 11 07, 2024

TeleVox: Đạt Thỏa Thuận AI với Premier, Inc.

<h2>TeleVox: Đạt được Thỏa thuận Trí tuệ Nhân tạo với Premier, Inc.</h2>
<h3>Mục lục</h3>
<ol>
<li>Giới thiệu</li>
<li>Nội dung chính</li>
<li>Về TeleVox</li>
<li>Về Premier</li>
<li>Kết luận</li>
</ol>
<h3>1. Giới thiệu</h3>
Bài báo này công bố thông tin về việc TeleVox, nhà cung cấp hàng đầu về nền tảng quản lý mối quan hệ khách hàng đa kênh cho ngành y tế, đã đạt được thỏa thuận mua bán tập trung quốc gia cho chatbot AI với Premier, Inc. Thỏa thuận này cho phép các thành viên của Premier, theo quyết định của họ, tận dụng ưu đãi về giá và các điều khoản đã được đàm phán trước bởi Premier dành cho các sản phẩm SMART Web, SMART Voice và SMART SMS của TeleVox, được hỗ trợ bởi Iris, trợ lý ảo AI đàm thoại cho ngành y tế.
<h3>2. Nội dung chính</h3>
Thỏa thuận này mở rộng phạm vi tiếp cận của Iris, nền tảng AI đàm thoại hàng đầu ngành của TeleVox, đến hàng ngàn bệnh viện và cơ sở y tế trên khắp đất nước. Steve Ganjoo, Giám đốc Quan hệ Đối tác Kênh của TeleVox, cho biết họ chào đón cơ hội giới thiệu với các thành viên của Premier cách Iris có thể giảm bớt gánh nặng cho nhân viên y tế và thúc đẩy mối quan hệ tốt đẹp hơn giữa các nhà cung cấp dịch vụ và bệnh nhân.
Iris được giới thiệu vào năm 2023 như một tiêu chuẩn mới cho các trợ lý ảo đàm thoại. Với khả năng AI tiên tiến, Iris cho phép các cơ hội tự phục vụ, trả lời một loạt các câu hỏi mà không yêu cầu phát triển nội dung tùy chỉnh và, nếu cần thiết, kết nối bệnh nhân với nhân viên phù hợp thông qua Chat. Iris nổi bật với trải nghiệm đa kênh trên SMART Web, SMART Voice và SMART SMS để đáp ứng nhu cầu của bệnh nhân ở mọi nơi. Iris có thể dễ dàng tích hợp với các EHR hiện có hoặc được triển khai như một giải pháp độc lập, đảm bảo trải nghiệm quản lý mối quan hệ khách hàng liền mạch.
<h3>3. Về TeleVox</h3>
TeleVox là nhà cung cấp hàng đầu về công nghệ quản lý mối quan hệ khách hàng kỹ thuật số đa kênh cho ngành y tế. Các giải pháp của chúng tôi được hơn 7.000 tổ chức y tế tin tưởng, bao gồm bệnh viện, hệ thống y tế và trung tâm y tế cộng đồng, để thu hút, giáo dục và trao quyền cho bệnh nhân trong suốt hành trình chăm sóc của họ. Nền tảng quản lý mối quan hệ khách hàng của chúng tôi tích hợp liền mạch với hồ sơ sức khỏe điện tử (EHR) để hỗ trợ các tương tác hai chiều, tự động và cá nhân hóa với bệnh nhân. Ngoài ra, nhóm dược phẩm của chúng tôi hợp tác với các công ty khoa học đời sống để phát triển nhận thức về tình trạng bệnh, giáo dục và lời nhắc tiêm chủng chiến lược, tiếp cận nhiều bệnh nhân hơn thông qua giao tiếp được cá nhân hóa. Tất cả những trao đổi này được thực hiện qua tin nhắn văn bản, trợ lý ảo, phản hồi thoại tương tác (IVR), email và bưu thiếp. Trong 30 năm, TeleVox đã giúp duy trì sự liên tục trong chăm sóc, giảm bớt gánh nặng hoạt động cho nhân viên và thúc đẩy doanh thu, giúp quá trình giao tiếp trong lĩnh vực y tế trở nên dễ dàng hơn cho tất cả mọi người. TeleVox là một phần của West Technology Group, LLC, thuộc sở hữu của các công ty liên kết với một số quỹ do Apollo Global Management, Inc. (NYSE: APO) quản lý.
<h3>4. Về Premier</h3>
Premier là một công ty cải thiện dịch vụ y tế hàng đầu, hợp nhất liên minh gồm khoảng 4.350 bệnh viện Hoa Kỳ và 325.000 nhà cung cấp dịch vụ và tổ chức khác để chuyển đổi dịch vụ y tế. Với dữ liệu và phân tích tích hợp, hợp tác, giải pháp chuỗi cung ứng, tư vấn và các dịch vụ khác, Premier cho phép chăm sóc và kết quả tốt hơn với chi phí thấp hơn.
<h3>5. Kết luận</h3>
Thỏa thuận này đánh dấu một bước tiến quan trọng cho TeleVox, mở rộng phạm vi tiếp cận của Iris và mang lại lợi ích cho các bệnh nhân và cơ sở y tế trên khắp đất nước. Iris hứa hẹn sẽ cách mạng hóa cách các tổ chức y tế giao tiếp với bệnh nhân, mang lại hiệu quả, sự tiện lợi và sự hài lòng hơn cho cả hai bên.

TeleVox: Đạt Thỏa Thuận AI với Premier, Inc.

TeleVox: Đạt được Thỏa thuận Trí tuệ Nhân tạo với Premier, Inc. Mục lục Giới thiệu Nội dung chính Về TeleVox Về Premier Kết luận 1....

tháng 11 07, 2024

Xây dựng chatbot có khả năng mở rộng và nhận thức ngữ cảnh với Amazon DynamoDB, Amazon Bedrock và LangChain

<h2>Xây dựng chatbot có khả năng mở rộng và nhận thức ngữ cảnh với Amazon DynamoDB, Amazon Bedrock và LangChain</h2>
Mục lục:
<ol>
<li>Sự quan trọng của nhận thức ngữ cảnh trong chatbot</li>
<li>DynamoDB với LangChain cho lịch sử trò chuyện</li>
<li>Tổng quan về giải pháp</li>
<li>Thiết lập lịch sử trò chuyện DynamoDB</li>
<li>Tạo mẫu lời nhắc trò chuyện</li>
<li>Tích hợp Amazon Bedrock với LangChain</li>
<li>Quản lý ngữ cảnh qua các tương tác</li>
<li>Kiểm tra tích hợp</li>
<li>Tạo UI với Streamlit</li>
<li>Tóm tắt</li>
</ol>
1. Sự quan trọng của nhận thức ngữ cảnh trong chatbot
Chatbot được kỳ vọng không chỉ hiểu các truy vấn tức thời mà còn hiểu được ngữ cảnh của cuộc trò chuyện đang diễn ra. Đối với các nhà phát triển, thử thách nằm ở việc tạo ra chatbot có thể mở rộng một cách liền mạch trong khi vẫn duy trì lịch sử trò chuyện qua nhiều phiên. Amazon DynamoDB, Amazon Bedrock và LangChain có thể cung cấp một sự kết hợp mạnh mẽ để xây dựng chatbot mạnh mẽ và nhận thức ngữ cảnh.
Bài viết này khám phá cách sử dụng LangChain với DynamoDB để quản lý lịch sử trò chuyện và tích hợp với Amazon Bedrock để cung cấp các phản hồi thông minh và có ngữ cảnh. Bài viết sẽ phân tích các khái niệm đằng sau trình kết nối trò chuyện DynamoDB trong LangChain, thảo luận về lợi thế của cách tiếp cận này và hướng dẫn bạn qua các bước cần thiết để triển khai nó trong chatbot của riêng bạn.
2. DynamoDB với LangChain cho lịch sử trò chuyện
Bạn có thể hưởng lợi từ các lợi thế chính sau đây khi sử dụng DynamoDB với LangChain để quản lý lịch sử trò chuyện:
<ul>
<li>Cải thiện trải nghiệm người dùng: Bằng cách sử dụng DynamoDB cho lịch sử trò chuyện, chatbot của bạn có thể mang đến trải nghiệm nhất quán và cá nhân hóa. Người dùng có thể tiếp tục cuộc trò chuyện từ nơi họ đã dừng lại, và chatbot có thể sử dụng các tương tác trước đó để thông báo cho các phản hồi của mình.</li>
<li>Tích hợp liền mạch: LangChain cung cấp một cách liền mạch để tích hợp với DynamoDB, cho phép bạn lưu trữ và truy xuất các tin nhắn trò chuyện với chi phí tối thiểu. Bằng cách sử dụng lớp DynamoDBChatMessageHistory của LangChain, bạn có thể tự động quản lý lịch sử trò chuyện như một phần của luồng trò chuyện, cho phép chatbot duy trì ngữ cảnh theo thời gian.</li>
<li>Mở rộng khả năng: Khi xây dựng chatbot tương tác với hàng nghìn hoặc thậm chí hàng triệu người dùng, việc quản lý ngữ cảnh trở thành một vấn đề không tầm thường. Khả năng mở rộng của DynamoDB có nghĩa là chatbot của bạn có thể lưu trữ và truy xuất lịch sử trò chuyện trong thời gian thực, bất kể có bao nhiêu người dùng đang tương tác với nó cùng lúc.</li>
</ul>
3. Tổng quan về giải pháp
LangChain là một khung được thiết kế để đơn giản hóa việc tạo và quản lý các ứng dụng mô hình ngôn ngữ nâng cao, đặc biệt là những ứng dụng yêu cầu liên kết nhiều thành phần với nhau, chẳng hạn như lưu trữ dữ liệu, mẫu lời nhắc và mô hình ngôn ngữ. Nó cho phép bạn xây dựng chatbot nhận thức ngữ cảnh bằng cách cung cấp các công cụ để tích hợp liền mạch các hệ thống back-end khác nhau như DynamoDB để lưu trữ lịch sử trò chuyện và Bedrock để tạo ra các phản hồi thông minh.
Sự tích hợp DynamoDB tập trung vào lớp DynamoDBChatMessageHistory, lớp này trừu tượng hóa các phức tạp của việc lưu trữ và truy xuất lịch sử trò chuyện từ DynamoDB. Trong các phần tiếp theo, chúng ta sẽ phân tích các thành phần chính để thiết lập chatbot và các bước để tạo UI.
4. Thiết lập lịch sử trò chuyện DynamoDB
Lớp DynamoDBChatMessageHistory được cung cấp bởi LangChain được tạo với một bảng nhất định (để lưu trữ dữ liệu) và phiên (xác định phiên lịch sử trò chuyện này). Lớp này cung cấp một giao diện để lưu trữ và truy xuất các tin nhắn trong DynamoDB, sử dụng ID phiên làm khóa để xác định lịch sử trò chuyện của mỗi người dùng:
<pre><code class="language-python">from langchain_community.chat_message_histories import DynamoDBChatMessageHistory

<h1>Khởi tạo lịch sử tin nhắn trò chuyện DynamoDB</h1>
history = DynamoDBChatMessageHistory(
 table_name="SessionTable",
 session_id="user123"
)
</code></pre>
Các cuộc trò chuyện hiện được lưu trữ trong bảng DynamoDB của chúng ta, được sắp xếp theo khóa phân vùng session_id (chẳng hạn như user123). Lịch sử trò chuyện, cùng với siêu dữ liệu có liên quan, được quản lý hiệu quả trong thuộc tính History, do đó tất cả các tương tác trước đó đều dễ dàng truy cập.
5. Tạo mẫu lời nhắc trò chuyện
Để sử dụng lịch sử, chúng ta cần điều chỉnh lời nhắc được đưa cho mô hình AI và LangChain có ChatPromptTemplate dành cho điều này. Mẫu sau đây chỉ dẫn cách chatbot sẽ sử dụng lịch sử trò chuyện được lưu trữ để tạo phản hồi:
<pre><code class="language-python">from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

<h1>Tạo mẫu lời nhắc trò chuyện</h1>
prompt_template = ChatPromptTemplate.from_messages(
 [
 ("system", "Bạn là một trợ lý hữu ích."),
 MessagesPlaceholder(variable_name="history"),
 ("human", "{question}"),
 ]
)
</code></pre>
MessagesPlaceholder cho phép LangChain tiêm toàn bộ lịch sử trò chuyện, bao gồm cả câu hỏi và câu trả lời, vào lời nhắc một cách động. Điều này cho phép mô hình xem xét toàn bộ ngữ cảnh của tương tác, thay vì chỉ tin nhắn gần đây nhất. Nó duy trì một luồng đệ quy, trong đó mỗi lời nhắc mới bao gồm toàn bộ lịch sử của các trao đổi trước đó. Điều này đảm bảo rằng các phản hồi của chatbot được thông báo đầy đủ bởi tất cả các tương tác trước đó, tạo ra một cuộc trò chuyện nhận thức ngữ cảnh.
6. Tích hợp Amazon Bedrock với LangChain
Với lịch sử trò chuyện và mẫu lời nhắc được thiết lập, bước tiếp theo là tích hợp mô hình ngôn ngữ Amazon Bedrock. Mô hình này tạo ra các phản hồi dựa trên mẫu lời nhắc và lịch sử trò chuyện được lưu trữ trong DynamoDB:
<pre><code class="language-python">from langchain_aws import ChatBedrockConverse
from langchain_core.output_parsers import StrOutputParser

<h1>Khởi tạo mô hình Bedrock</h1>
model = ChatBedrockConverse(
 model="anthropic.claude-3-haiku-20240307-v1:0", # Chỉ định mô hình Bedrock
 max_tokens=2048,
 temperature=0.0,
 top_p=1,
 stop_sequences=["\n\nHuman"],
 verbose=True
)
<h1>Kết hợp lời nhắc với LLM Bedrock</h1>
chain = prompt_template | model | StrOutputParser()
</code></pre>
LangChain cho phép bạn dễ dàng liên kết các thành phần khác nhau với nhau. Ở đây, mẫu lời nhắc, mô hình Amazon Bedrock và trình phân tích đầu ra được liên kết với nhau để tạo ra một đường dẫn xử lý đầu vào của người dùng và tạo ra các phản hồi thông minh, nhận thức ngữ cảnh.
7. Quản lý ngữ cảnh qua các tương tác
Để duy trì ngữ cảnh qua các tương tác, chúng ta sử dụng lớp RunnableWithMessageHistory của LangChain. Lớp này đảm bảo rằng mỗi tương tác với chatbot được thông báo bởi toàn bộ lịch sử trò chuyện được lưu trữ trong DynamoDB:
<pre><code class="language-python">from langchain_core.runnables.history import RunnableWithMessageHistory

<h1>Tích hợp với lịch sử tin nhắn</h1>
chain_with_history = RunnableWithMessageHistory(
 chain,
 lambda session_id: history # Tham chiếu DynamoDBChatMessageHistory
 input_messages_key="question",
 history_messages_key="history",
)
</code></pre>
Lớp RunnableWithMessageHistory đảm bảo rằng mỗi khi người dùng tương tác với chatbot, toàn bộ lịch sử trò chuyện được truy xuất, được chuyển qua mô hình và được cập nhật trong DynamoDB. Điều này khiến chatbot có khả năng ghi nhớ các tương tác trước đó và cung cấp các phản hồi có liên quan về ngữ cảnh.
8. Kiểm tra tích hợp
Cuối cùng, chúng ta có thể kiểm tra chatbot bằng cách mô phỏng một cuộc trò chuyện và quan sát cách nó sử dụng lịch sử được lưu trữ để tạo phản hồi:
<pre><code class="language-python">config = {"configurable": {"session_id": "user123"}}

response = chain_with_history.invoke({"question": "Xin chào! Tôi là Bob"}, config=config)
print(response)
</code></pre>
“Rất vui được gặp bạn, Bob! Tôi là trợ lý AI được tạo bởi Anthropic. Tôi ở đây để giúp bạn với bất kỳ câu hỏi hoặc nhiệm vụ nào bạn có thể có. Hãy cho tôi biết nếu có điều gì tôi có thể hỗ trợ bạn.”
<pre><code class="language-python">response = chain_with_history.invoke({"question": "Tên tôi là gì?"}, config=config)
print(response)
</code></pre>
“Tên của bạn là Bob, như bạn đã giới thiệu bản thân với tôi trước đó.”
Bằng cách mô phỏng một cuộc trò chuyện, bạn có thể thấy cách chatbot ghi nhớ các tương tác trước đó và sử dụng chúng để tạo ra các phản hồi nhận thức ngữ cảnh. Điều này chứng minh hiệu quả của việc sử dụng DynamoDB để quản lý lịch sử trò chuyện.
9. Tạo UI với Streamlit
Bây giờ chúng ta đã hiểu cách LangChain tương tác với DynamoDB và Bedrock, hãy kết hợp tất cả lại với nhau và bọc nó bằng một GUI để kiểm tra. Chúng ta sẽ sử dụng Streamlit để tạo một GUI web.
Streamlit là một khung ứng dụng mã nguồn mở cho phép bạn xây dựng và triển khai các ứng dụng web chỉ với một vài dòng mã Python. Nó đặc biệt hữu ích để tạo mẫu và kiểm tra các ứng dụng AI, vì nó cho phép bạn nhanh chóng tạo ra các giao diện tương tác mà không yêu cầu kỹ năng phát triển frontend rộng rãi.
Hãy khám phá một ví dụ về cách bạn có thể thiết lập một ứng dụng Streamlit để tương tác với chatbot được hỗ trợ bởi Amazon Bedrock của bạn. Mã sau đây nên được lưu trữ trong một tệp có tên app.py:
<pre><code class="language-python">import boto3
import logging
import streamlit as st
from langchain_community.chat_message_histories import DynamoDBChatMessageHistory
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_core.output_parsers import StrOutputParser
from langchain_aws import ChatBedrockConverse
client = boto3.client('sts')
logging.basicConfig(level=logging.CRITICAL)

def get_iam_user_id():
 # Lấy danh tính người gọi
 identity = client.get_caller_identity()
<pre><code># Trích xuất và trả về ID người dùng
user_id = identity[&#39;UserId&#39;]
return user_id
</code></pre>
<h1>Tạo mô hình bedrock</h1>
model = ChatBedrockConverse(
 model="anthropic.claude-3-haiku-20240307-v1:0",
 max_tokens=2048,
 temperature=0.0,
 top_p=1,
 stop_sequences=["\n\nHuman"],
 verbose=True
)
<h1>Khởi tạo lịch sử tin nhắn trò chuyện DynamoDB</h1>
table_name = "SessionTable"
session_id = get_iam_user_id() # Bạn có thể làm cho điều này động dựa trên phiên của người dùng
history = DynamoDBChatMessageHistory(table_name=table_name, session_id=session_id)
<h1>Tạo mẫu lời nhắc trò chuyện</h1>
prompt_template = ChatPromptTemplate.from_messages(
 [
 ("system", "Bạn là một trợ lý hữu ích."),
 MessagesPlaceholder(variable_name="history"),
 ("human", "{question}"),
 ]
)
<h1>Kết hợp lời nhắc với LLM Bedrock</h1>
chain = prompt_template | model | StrOutputParser()
<h1>Tích hợp với lịch sử tin nhắn</h1>
chain_with_history = RunnableWithMessageHistory(
 chain,
 lambda session_id: DynamoDBChatMessageHistory(
 table_name=table_name, session_id=session_id
 ),
 input_messages_key="question",
 history_messages_key="history",
)
st.title("LangChain DynamoDB Bot")
<h1>Tải các tin nhắn từ DynamoDB và điền vào lịch sử trò chuyện</h1>
if "messages" not in st.session_state:
 st.session_state.messages = []
<pre><code># Tải các tin nhắn được lưu trữ từ DynamoDB
stored_messages = history.messages # Truy xuất tất cả các tin nhắn được lưu trữ

# Điền vào trạng thái phiên với các tin nhắn được truy xuất
for msg in stored_messages:
 role = &quot;user&quot; if msg.__class__.__name__ == &quot;HumanMessage&quot; else &quot;assistant&quot;
 st.session_state.messages.append({&quot;role&quot;: role, &quot;content&quot;: msg.content})
</code></pre>
<h1>Hiển thị các tin nhắn trò chuyện từ lịch sử khi chạy lại ứng dụng</h1>
for message in st.session_state.messages:
 with st.chat_message(message["role"]):
 st.markdown(message["content"])
<h1>Phản hồi đầu vào của người dùng</h1>
if prompt := st.chat_input("Bạn muốn gì?"):
 # Hiển thị tin nhắn của người dùng trong vùng chứa tin nhắn trò chuyện
 with st.chat_message("user"):
 st.markdown(prompt)
 # Thêm tin nhắn của người dùng vào lịch sử trò chuyện
 st.session_state.messages.append({"role": "user", "content": prompt})
<pre><code># Tạo phản hồi của trợ lý bằng cách sử dụng Bedrock LLM và LangChain
config = {&quot;configurable&quot;: {&quot;session_id&quot;: session_id}}
response = chain_with_history.invoke({&quot;question&quot;: prompt}, config=config)

# Hiển thị phản hồi của trợ lý trong vùng chứa tin nhắn trò chuyện
with st.chat_message(&quot;assistant&quot;):
 st.markdown(response)
# Thêm phản hồi của trợ lý vào lịch sử trò chuyện
st.session_state.messages.append({&quot;role&quot;: &quot;assistant&quot;, &quot;content&quot;: response})
</code></pre>
</code></pre>
Để chạy ứng dụng, hãy mở terminal của bạn (Linux/macOS) hoặc Command Prompt/PowerShell (Windows) và chạy lệnh sau:
<pre><code class="language-bash">streamlit run app.py
</code></pre>
Đầu ra cung cấp cho bạn URL để truy cập ứng dụng Streamlit của bạn:
Bây giờ bạn có thể xem ứng dụng Streamlit của mình trong trình duyệt của bạn.
<pre><code class="language-bash"> Local URL: http://localhost:8501
 Network URL: http://<private ip address>:8501
 External URL: http://<public ip address>:8501
</code></pre>
Ứng dụng Streamlit cho phép người dùng tương tác với chatbot trong thời gian thực, với toàn bộ lịch sử trò chuyện được hiển thị trên trang. Thiết lập này giúp đơn giản hóa việc kiểm tra khả năng của chatbot để duy trì ngữ cảnh qua nhiều tương tác của người dùng.
Sơ đồ luồng sau đây minh họa tương tác giữa các thành phần khác nhau để mang đến trải nghiệm chatbot nhận thức ngữ cảnh đầy đủ.
10. Tóm tắt
DynamoDB, kết hợp với Amazon Bedrock, cung cấp một giải pháp mạnh mẽ, có khả năng mở rộng để xây dựng chatbot có thể ghi nhớ và sử dụng lịch sử trò chuyện. Bằng cách lưu trữ lịch sử trò chuyện trong DynamoDB, chatbot của bạn có thể duy trì ngữ cảnh qua các phiên, cho phép tương tác tự nhiên và hấp dẫn hơn với người dùng. Và với Streamlit, bạn có thể nhanh chóng tạo mẫu và kiểm tra chatbot của mình, đưa tầm nhìn AI trò chuyện của bạn thành hiện thực trong thời gian ngắn.
Bạn đã sẵn sàng bắt đầu? Khám phá bộ sưu tập đầy đủ các ví dụ về chatbot DynamoDB và Amazon Bedrock trong kho lưu trữ GitHub sau đây và bắt đầu xây dựng chatbot thông minh hơn, phản hồi nhanh hơn ngay hôm nay!

Xây dựng chatbot có khả năng mở rộng và nhận thức ngữ cảnh với Amazon DynamoDB, Amazon Bedrock và LangChain

Xây dựng chatbot có khả năng mở rộng và nhận thức ngữ cảnh với Amazon DynamoDB, Amazon Bedrock và LangChain Mục lục: Sự quan trọng của nh...

tháng 11 07, 2024

Trợ lý AI trong Windows Terminal: ChatGPT và GitHub Copilot

<h2>Trợ lý AI trong Windows Terminal: ChatGPT và GitHub Copilot</h2>
Mục lục
<ol>
<li>Giới thiệu</li>
<li>Cách sử dụng ChatGPT trên Windows Terminal</li>
<li>Lợi ích của việc sử dụng AI trong Windows Terminal</li>
<li>Kết luận</li>
</ol>
1. Giới thiệu
Windows Terminal là một ứng dụng miễn phí của Microsoft, được thiết kế để thay thế Command Prompt với giao diện hiện đại, mạnh mẽ và dễ sử dụng hơn, đồng thời cung cấp thêm nhiều tính năng so với PowerShell. Phiên bản thường của Windows Terminal có sẵn trên Microsoft Store, trong khi phiên bản Canary (phiên bản nightly) có thể được tải xuống từ trang GitHub của dự án. Phiên bản Canary được cập nhật liên tục và bao gồm các tính năng mới, trong đó có hỗ trợ cho ChatGPT và GitHub Copilot.
2. Cách sử dụng ChatGPT trên Windows Terminal
Để sử dụng ChatGPT trên Windows Terminal, bạn cần cài đặt phiên bản Canary. Sau khi cài đặt, bạn cần bật hỗ trợ cho "Terminal Chat" trong menu và thêm một khóa API từ OpenAI, GitHub hoặc Azure. 
3. Lợi ích của việc sử dụng AI trong Windows Terminal
Việc tích hợp ChatGPT và GitHub Copilot vào Windows Terminal mang đến nhiều lợi ích cho người dùng:
<ul>
<li>Hỗ trợ trực tiếp: ChatGPT có thể cung cấp giải pháp cho các câu hỏi liên quan đến lập trình, bao gồm việc tạo mã, giải thích mã hoặc sửa lỗi.</li>
<li>Tăng năng suất: GitHub Copilot có thể tự động hoàn thành mã, giảm thiểu thời gian cần thiết để viết mã và giúp người dùng tập trung vào các nhiệm vụ phức tạp hơn.</li>
<li>Học hỏi và khám phá: AI có thể giúp người dùng học hỏi những kỹ năng mới và khám phá các công nghệ mới thông qua các ví dụ mã và giải thích chi tiết.</li>
</ul>
4. Kết luận
Việc tích hợp AI vào Windows Terminal là một bước tiến quan trọng, mang đến cho người dùng một công cụ mạnh mẽ và hữu ích cho công việc lập trình. ChatGPT và GitHub Copilot có thể giúp người dùng tăng năng suất, học hỏi kiến thức mới và giải quyết các vấn đề phức tạp một cách hiệu quả hơn.

Trợ lý AI trong Windows Terminal: ChatGPT và GitHub Copilot

Trợ lý AI trong Windows Terminal: ChatGPT và GitHub Copilot Mục lục Giới thiệu Cách sử dụng ChatGPT trên Windows Terminal Lợi ích của v...

tháng 11 07, 2024

Duolingo Sử Dụng Chatbot AI Lily Cho Cuộc Gọi Thu Nhập

<html lang="en-US">
<head>
 <title>Duolingo Sử Dụng Chatbot AI Cho Cuộc Gọi Thu Nhập</title>
</head>
<body>
<h1>Duolingo Sử Dụng Chatbot AI Cho Cuộc Gọi Thu Nhập</h1>

<ul>
 <li><a href="#chatbot-lily">Chatbot Lily</a></li>
 <li><a href="#ket-qua-kinh-doanh">Kết Quả Kinh Doanh</a></li>
 <li><a href="#chien-luoc-tiep-thi">Chiến Lược Tiếp Thị</a></li>
</ul>

<h2 id="chatbot-lily">Chatbot Lily</h2>

Duolingo đã bắt đầu cuộc gọi thu nhập mới nhất của mình vào thứ Tư với một giọng nói mới: Lily, một chatbot do trí tuệ nhân tạo điều khiển dựa trên một nhân vật ứng dụng lâu năm.

Chatbot tóc tím, nghe như một thiếu niên nhàm chán và mỉa mai, đã thay thế Giám đốc điều hành Luis von Ahn ở phần đầu cuộc gọi video. Von Ahn sau đó đã trả lời các câu hỏi từ các nhà phân tích.

"Theo thời gian, cô ấy sẽ làm nhiều công việc của tôi hơn, và tôi có thể nghỉ hưu," Giám đốc điều hành nói.

Chatbot đã tóm tắt hiệu suất của quý, bao gồm các chỉ số chính như số người dùng hoạt động hàng ngày, đã tăng 54% so với cùng kỳ năm trước lên 37,2 triệu.

Lily cho rằng sự tăng trưởng mạnh mẽ của Duolingo là do tiếp thị truyền thông xã hội và đầu tư vào AI thế hệ tiếp theo.

"Tính năng cuộc gọi video Duolingo Max mới của chúng tôi cho phép người học trò chuyện với tôi," chatbot nói. "Đừng lo lắng, tôi sẽ không đánh giá - nhiều lắm. Có lẽ chỉ lườm một chút."

<h2 id="ket-qua-kinh-doanh">Kết Quả Kinh Doanh</h2>

Duolingo đã báo cáo doanh thu là 192,6 triệu đô la, vượt kỳ vọng của nhà phân tích là 189,2 triệu đô la và tăng trưởng 40% so với cùng kỳ năm trước. Duolingo cũng đã nâng dự báo doanh thu cả năm 2024 từ tối đa 738 triệu đô la lên tối đa 744 triệu đô la.

Tuy nhiên, công ty đã không đáp ứng được kỳ vọng của Phố Wall về một chỉ số chính. Công ty đã báo cáo 8,6 triệu người đăng ký trả phí, trong khi các nhà phân tích dự đoán 8,66 triệu. Duolingo đã giảm gần 5% trong giao dịch sau giờ làm việc sau khi báo cáo thu nhập.

Cổ phiếu của công ty đã tăng hơn 40% trong năm nay, sau sáu quý liên tiếp có lãi.

<h2 id="chien-luoc-tiep-thi">Chiến Lược Tiếp Thị</h2>

Ứng dụng, một hit với Gen Z, nổi tiếng nhất với cách tiếp cận dựa trên trò chơi cho việc học ngôn ngữ, nơi người dùng cố gắng duy trì chuỗi sử dụng hàng ngày.

Vào tháng 9, công ty đã ra mắt một tính năng cho phép người dùng gọi video cho Lily và thực hành nói chuyện với chatbot, một phần của mức giá cao nhất của công ty.

Công ty đã không trả lời ngay lập tức yêu cầu bình luận về bài báo này, được gửi ngoài giờ làm việc.

</body>
</html>

Duolingo Sử Dụng Chatbot AI Lily Cho Cuộc Gọi Thu Nhập

Duolingo Sử Dụng Chatbot AI Cho Cuộc Gọi Thu Nhập Duolingo Sử Dụng Chatbot AI Cho Cuộc Gọi Thu Nhập Mục lục Chatbot Lily ...

tháng 11 07, 2024

Ứng dụng và Hạn chế của Trợ lý Ảo Hỗ trợ Trí tuệ Nhân tạo trong Y tế

<h2>Ứng dụng và Hạn chế của Trợ lý ảo hỗ trợ trí tuệ nhân tạo trong lĩnh vực y tế</h2>
<h3>Mục lục</h3>
<ol>
<li>Giới thiệu</li>
<li>Ứng dụng của Trợ lý ảo hỗ trợ trí tuệ nhân tạo trong y tế<ul>
<li>Hỗ trợ bệnh nhân</li>
<li>Hỗ trợ nhân viên y tế</li>
</ul>
</li>
<li>Hạn chế của Trợ lý ảo hỗ trợ trí tuệ nhân tạo trong y tế<ul>
<li>Thiếu thông tin cá nhân</li>
<li>Dữ liệu sai lệch</li>
<li>Vấn đề về đạo đức và pháp lý</li>
</ul>
</li>
<li>Kết luận</li>
</ol>
<h3>Giới thiệu</h3>
Sự phát triển nhanh chóng của trí tuệ nhân tạo (AI) đã mang đến những ứng dụng mới cho nhiều lĩnh vực, bao gồm cả ngành y tế. Trong đó, trợ lý ảo hỗ trợ AI (AI-powered chatbots) đã được ứng dụng để hỗ trợ bệnh nhân và nhân viên y tế, góp phần nâng cao hiệu quả và chất lượng dịch vụ chăm sóc sức khỏe. 
<h3>Ứng dụng của Trợ lý ảo hỗ trợ trí tuệ nhân tạo trong y tế</h3>
2.1 Hỗ trợ bệnh nhân
<ul>
<li>Cung cấp thông tin y tế: Trợ lý ảo có thể cung cấp thông tin y tế cơ bản, hướng dẫn về các bệnh tật, cách phòng tránh và điều trị.</li>
<li>Lên lịch hẹn khám bệnh: Hỗ trợ đặt lịch khám bệnh, kiểm tra lịch hẹn và xác nhận thông tin.</li>
<li>Giám sát sức khỏe: Theo dõi các chỉ số sức khỏe, nhắc nhở bệnh nhân uống thuốc, theo dõi tiến độ điều trị.</li>
<li>Hỗ trợ tâm lý: Nâng cao tinh thần và hỗ trợ tinh thần cho bệnh nhân.</li>
</ul>
2.2 Hỗ trợ nhân viên y tế
<ul>
<li>Phân loại bệnh nhân: Phân loại bệnh nhân dựa trên triệu chứng ban đầu để đưa ra hướng dẫn phù hợp.</li>
<li>Tự động hóa các quy trình hành chính: Hỗ trợ nhân viên y tế trong việc xử lý các quy trình hành chính như nhập liệu, ghi chép, đặt lịch hẹn.</li>
<li>Phân tích dữ liệu y tế: Phân tích dữ liệu y tế để hỗ trợ trong việc chẩn đoán, điều trị và nghiên cứu y học.</li>
</ul>
<h3>Hạn chế của Trợ lý ảo hỗ trợ trí tuệ nhân tạo trong y tế</h3>
3.1 Thiếu thông tin cá nhân
Trợ lý ảo không thể tiếp cận đầy đủ thông tin cá nhân của bệnh nhân, như bệnh sử, hồ sơ y tế, v.v. Điều này có thể hạn chế khả năng đưa ra những lời khuyên y tế phù hợp.
3.2 Dữ liệu sai lệch
Trợ lý ảo học hỏi từ dữ liệu được cung cấp. Nếu dữ liệu sai lệch hoặc không đầy đủ, điều này sẽ ảnh hưởng đến tính chính xác của thông tin và lời khuyên được cung cấp.
3.3 Vấn đề về đạo đức và pháp lý
<ul>
<li>Sự riêng tư: Sử dụng thông tin y tế của bệnh nhân cần đảm bảo sự riêng tư và bảo mật.</li>
<li>Trách nhiệm pháp lý: Trợ lý ảo không thể thay thế hoàn toàn nhân viên y tế, cần xác định rõ ràng trách nhiệm pháp lý trong trường hợp xảy ra sai sót.</li>
</ul>
<h3>Kết luận</h3>
Trợ lý ảo hỗ trợ AI đang ngày càng được ứng dụng rộng rãi trong ngành y tế, mang đến nhiều lợi ích cho cả bệnh nhân và nhân viên y tế. Tuy nhiên, việc sử dụng công nghệ này cũng cần chú trọng đến những hạn chế và vấn đề về đạo đức và pháp lý để đảm bảo an toàn và hiệu quả. 
Trong tương lai, AI có tiềm năng to lớn trong việc nâng cao chất lượng và hiệu quả dịch vụ chăm sóc sức khỏe, nhưng cần tiếp tục nghiên cứu và phát triển để khắc phục những hạn chế và đảm bảo sự an toàn và đáng tin cậy.

Ứng dụng và Hạn chế của Trợ lý Ảo Hỗ trợ Trí tuệ Nhân tạo trong Y tế

Ứng dụng và Hạn chế của Trợ lý ảo hỗ trợ trí tuệ nhân tạo trong lĩnh vực y tế Mục lục Giới thiệu Ứng dụng của Trợ lý ảo hỗ trợ trí tuệ n...

tháng 11 07, 2024

SambaNova và Hugging Face: Hỗ trợ phát triển chatbot AI dễ dàng hơn bao giờ hết

<h2>SambaNova và Hugging Face: Hỗ trợ phát triển chatbot AI một cách đơn giản</h2>
Mục lục
<ol>
<li>Giải pháp đơn giản hóa triển khai chatbot AI</li>
<li>Triển khai chatbot với chỉ 3 dòng code</li>
<li>Hiệu suất ấn tượng và khả năng mở rộng</li>
<li>Tầm nhìn cho tương lai của phát triển AI doanh nghiệp</li>
<li>Thách thức mới với khả năng triển khai nhanh chóng</li>
<li>Kết luận: AI đơn giản hóa, nhưng trách nhiệm vẫn còn</li>
</ol>
1. Giải pháp đơn giản hóa triển khai chatbot AI
SambaNova và Hugging Face vừa giới thiệu một tích hợp mới giúp các nhà phát triển triển khai giao diện chatbot tương tự ChatGPT chỉ với một cú nhấp chuột. Công nghệ này rút ngắn thời gian triển khai từ vài giờ xuống còn vài phút.
2. Triển khai chatbot với chỉ 3 dòng code
Với tích hợp mới, nhà phát triển chỉ cần thực hiện 3 dòng code đơn giản để triển khai một chatbot AI:
<pre><code class="language-python">import gradio as gr
import sambanova_gradio
gr.load("Meta-Llama-3.1-70B-Instruct-8k", src=sambanova_gradio.registry, accept_token=True).launch()
</code></pre>
Sau đó, chỉ cần nhấp vào nút "Deploy to Hugging Face" và nhập mã thông báo SambaNova, một chatbot AI đầy đủ chức năng sẽ sẵn sàng hoạt động trên nền tảng Spaces của Hugging Face trong vòng vài giây.
3. Hiệu suất ấn tượng và khả năng mở rộng
Tích hợp hỗ trợ cả chatbot văn bản và đa phương thức, có khả năng xử lý cả văn bản và hình ảnh. Nhà phát triển có thể truy cập các mô hình mạnh mẽ như Llama 3.2-11B-Vision-Instruct thông qua nền tảng đám mây của SambaNova. Hiệu suất được đánh giá cao, với tốc độ xử lý lên tới 358 token mỗi giây trên phần cứng không bị giới hạn.
4. Tầm nhìn cho tương lai của phát triển AI doanh nghiệp
Sự ra đời của tích hợp này đến vào thời điểm nhu cầu của doanh nghiệp đối với các giải pháp AI có thể triển khai và mở rộng nhanh chóng đang ngày càng tăng. Trong khi các gã khổng lồ công nghệ như OpenAI và Anthropic chiếm lĩnh các tiêu đề với các chatbot hướng đến người tiêu dùng, SambaNova lại nhắm đến cộng đồng nhà phát triển, cung cấp cho họ các công cụ cấp doanh nghiệp tương đương với sự tinh vi của các giao diện AI hàng đầu.
5. Thách thức mới với khả năng triển khai nhanh chóng
Sự đơn giản hóa triển khai AI đặt ra những thách thức mới cho các công ty. Họ cần phải suy nghĩ kỹ hơn về cách sử dụng AI hiệu quả, giải quyết vấn đề gì, bảo vệ quyền riêng tư của người dùng và đảm bảo sử dụng có trách nhiệm. Sự đơn giản về mặt kỹ thuật không đảm bảo việc triển khai tốt.
6. Kết luận: AI đơn giản hóa, nhưng trách nhiệm vẫn còn
Công cụ xây dựng chatbot AI giờ đây đã đơn giản đến mức hầu hết các nhà phát triển đều có thể sử dụng. Tuy nhiên, những câu hỏi khó vẫn còn là vấn đề của con người: Chúng ta nên xây dựng gì? Chúng ta sẽ sử dụng nó như thế nào? Và quan trọng nhất, nó có thực sự giúp ích cho con người hay không? Đó là những thách thức đáng để giải quyết.

SambaNova và Hugging Face: Hỗ trợ phát triển chatbot AI dễ dàng hơn bao giờ hết

SambaNova và Hugging Face: Hỗ trợ phát triển chatbot AI một cách đơn giản Mục lục Giải pháp đơn giản hóa triển khai chatbot AI Triển kha...

tháng 11 07, 2024

AI Thế Hệ Mới: Càng Lớn Mạnh Càng Bớt Tin Cậy - Hay Đó Chỉ Là Ảo Ảnh?

<h2>Mô hình AI Thế hệ Mới Càng Lớn Mạnh Càng Bớt Tin Cậy - Hay Đó Chỉ Là Ảo Ảnh?</h2>
Mục lục:
<ol>
<li>Sự Tin Cậy Liện Quan Đến Tính Nhất Quán Trong Sự Chính Xác</li>
<li>Việc Đếm Sự Chính Xác Trở Thành Vấn Đề</li>
<li>Đếm Sự Chính Xác Của Mô Hình AI Thế Hệ Mới</li>
<li>Nghiên Cứu Về Cách Điểm Số AI Thế Hệ Mới</li>
<li>Minh Họa Được Giải Thích Bởi ChatGPT</li>
<li>Chúng Ta Đang Ở Đâu Và Điều Gì Sẽ Xảy Ra Tiếp Theo?</li>
</ol>
1. Sự Tin Cậy Liện Quan Đến Tính Nhất Quán Trong Sự Chính Xác
Các tiêu đề gần đây thường phàn nàn về việc sự tin cậy của AI thế hệ mới đang giảm sút. Điều này có vẻ kỳ lạ vì các mô hình AI này đồng thời cũng đang trở nên lớn hơn và tốt hơn về tổng thể. Nhiều người lo lắng về xu hướng đáng lo ngại này. Nó không hợp lý và có vẻ trái ngược với trực giác.
Liệu chúng ta có thể kỳ vọng rằng AI sẽ có mức độ tin cậy như cũ hoặc thậm chí là cải thiện khi AI có phạm vi khả năng rộng hơn và được coi là tốt hơn trong việc trả lời các câu hỏi? Làm cách nào để AI có khả năng rộng hơn và tốt hơn trong việc trả lời câu hỏi lại không thể giữ nguyên hoặc thậm chí là cải thiện mức độ tin cậy?
Sự thật đau lòng là sự tin cậy dường như đang giảm sút. 
2. Việc Đếm Sự Chính Xác Trở Thành Vấn Đề
Tiếp theo, chúng ta sẽ đi sâu vào cách chúng ta có thể theo dõi sự tin cậy liên quan đến AI thế hệ mới. Đầu tiên, chúng ta sẽ xem xét việc đếm sự chính xác khi nói đến con người làm bài kiểm tra.
Hãy nhớ lại thời đi học và làm bài kiểm tra của bạn.
Giáo viên phát ra một bài kiểm tra và bạn nghiêm túc bắt đầu đưa ra câu trả lời. Bạn biết rằng cuối cùng bạn sẽ được chấm điểm dựa trên số câu trả lời đúng và số câu trả lời sai. Thông thường, sẽ có một tổng số điểm được ghi ở đầu bài kiểm tra của bạn, hiển thị số câu trả lời đúng và tổng số câu hỏi trong bài kiểm tra. Có thể nếu may mắn, bạn sẽ đạt được hơn 90% câu trả lời đúng, có thể đạt được điểm số 100% đáng ngưỡng mộ.
Không phải tất cả các kỳ thi đều bị giới hạn bởi một điểm số dựa trên tiêu chí đúng và sai.
Một số kỳ thi toàn quốc kết hợp một quy định đặc biệt cho trường hợp bạn không trả lời một câu hỏi cụ thể nào đó. Bình thường, nếu bạn bỏ qua một câu hỏi, bạn sẽ nhận được điểm 0 cho câu hỏi đó, nghĩa là bạn đã trả lời sai. Điều này dường như là cách chấm điểm phù hợp. Bạn thấy đấy, nhiệm vụ quyết tâm của bạn là cố gắng trả lời tất cả các câu hỏi trong bài kiểm tra. Bỏ qua một câu hỏi đồng nghĩa với việc bạn đã trả lời sai. Việc bạn không trả lời câu hỏi được coi là tương đương với việc chọn câu trả lời sai. Kết thúc câu chuyện.
Một số người khẳng định rằng thật bất công khi nói rằng bạn đã trả lời sai câu hỏi vì bạn không thực sự cố gắng trả lời câu hỏi đó. Có thể bạn chỉ đúng hoặc sai khi bạn thực sự đoán mò. Việc bỏ trống một câu hỏi cho thấy bạn không đoán mò chút nào đối với câu hỏi đó. Việc chấm điểm một câu hỏi bỏ qua bằng 0 ngụ ý rằng bạn đã cố gắng nhưng lại không trả lời đúng câu hỏi đó.
Chờ một chút, một phản bác nhanh chóng vang lên.
Nếu bạn cho phép mọi người bỏ qua các câu hỏi và không bị phạt vì việc đó, cuối cùng họ sẽ bỏ qua vô số câu hỏi. Họ có thể chỉ chọn ra một vài câu hỏi mà họ tự tin nhất và dường như đạt được điểm số cao nhất. Điều đó thật nực cười. Nếu bạn bỏ qua một câu hỏi, điểm số cho câu hỏi đó chắc chắn phải giống như việc bạn đã trả lời sai hoàn toàn câu hỏi đó.
Có một cuộc tranh luận đang diễn ra về tình huống bỏ qua câu hỏi. Trước đây, trong kỳ thi SAT danh tiếng, có một quy định được cho là phạt đoán mò. Bạn phải đau khổ quyết định xem nên bỏ trống một câu hỏi hay cố gắng hết sức để chọn một câu trả lời. Năm 2016, cơ quan tổ chức SAT đã thay đổi quy định và hiện tại, nói chung, được coi là một mẹo hay là luôn đoán mò một câu trả lời và không bao giờ bỏ trống câu trả lời.
3. Đếm Sự Chính Xác Của AI Thế Hệ Mới
Tại sao tôi lại lôi kéo bạn đi qua những kỷ niệm xa xưa về việc bạn làm bài kiểm tra?
Bởi vì chúng ta đang gặp phải một tình huống tương tự khi nói đến việc chấm điểm AI thế hệ mới dựa trên tiêu chí chính xác.
Các câu trả lời của AI thế hệ mới có thể được chấm điểm thông qua ba danh mục:
<ul>
<li>(1) Câu trả lời đúng. Câu trả lời do AI tạo ra là một câu trả lời đúng.</li>
<li>(2) Câu trả lời sai. Câu trả lời do AI tạo ra là một câu trả lời sai.</li>
<li>(3) Tránh trả lời. Câu hỏi đã bị bỏ qua theo nghĩa là AI thế hệ mới không đưa ra câu trả lời hoặc né tránh việc trả lời câu hỏi đó. Điều này về cơ bản giống như việc bỏ trống một câu trả lời.</li>
</ul>
Tôi yêu cầu bạn suy ngẫm về câu hỏi sau.
Khi đưa bài kiểm tra cho AI thế hệ mới để đánh giá sự tin cậy hoặc tính nhất quán trong sự chính xác, bạn sẽ chấm điểm như thế nào đối với trường hợp AI tránh trả lời các câu hỏi?
Hãy suy nghĩ kỹ về điều đó.
Nếu bạn không quen thuộc với những trường hợp mà AI thế hệ mới từ chối trả lời các câu hỏi, tôi đã đề cập đến phạm vi khả năng đó ở <a aria-label="the link here" class="color-link" data-ga-track="InternalLink:https://www.forbes.com/sites/lanceeliot/2023/05/16/when-generative-ai-refuses-to-answer-questions-ai-ethics-and-ai-law-get-deeply-worried/" href="https://www.forbes.com/sites/lanceeliot/2023/05/16/when-generative-ai-refuses-to-answer-questions-ai-ethics-and-ai-law-get-deeply-worried/" target="_self" title="https://www.forbes.com/sites/lanceeliot/2023/05/16/when-generative-ai-refuses-to-answer-questions-ai-ethics-and-ai-law-get-deeply-worried/">the link here</a>. Nhà sản xuất AI có thể đặt ra các thông số khác nhau liên quan đến tốc độ hoặc tần suất từ chối. Có một sự đánh đổi mà nhà sản xuất AI phải vật lộn. Mọi người đều khó chịu khi AI từ chối trả lời các câu hỏi. Nhưng nếu AI chọn trả lời các câu hỏi một cách sai lệch, và nếu những câu trả lời sai đó có thể được tránh bằng cách từ chối trả lời, điều này có thể hấp dẫn người dùng hơn là AI trả lời sai. Như bạn có thể tưởng tượng, tỷ lệ từ chối đặt ra tất cả các loại vấn đề về đạo đức AI và luật AI, như đã đề cập trong <a aria-label="the link here" class="color-link" data-ga-track="InternalLink:https://www.forbes.com/sites/lanceeliot/2024/07/20/what-if-america-opted-to-validate-or-pre-test-generative-ai-before-public-release-as-china-does/" href="https://www.forbes.com/sites/lanceeliot/2024/07/20/what-if-america-opted-to-validate-or-pre-test-generative-ai-before-public-release-as-china-does/" target="_self" title="https://www.forbes.com/sites/lanceeliot/2024/07/20/what-if-america-opted-to-validate-or-pre-test-generative-ai-before-public-release-as-china-does/">the link here</a>.
Tất cả những điều này khá giống với vấn đề chấm điểm người làm bài kiểm tra.
Có thể cho phép AI có một "sự miễn trừ" và nếu một câu trả lời bị bỏ qua hoặc từ chối, chúng ta sẽ không phạt sự bỏ qua hoặc từ chối đó. Ôi, điều đó có vẻ không đúng, xuất hiện quan điểm trái ngược, một câu trả lời bị bỏ qua nên được giữ ở cùng tiêu chuẩn với việc trả lời sai hoàn toàn.
Hãy hỏi bất kỳ nhà nghiên cứu AI nào về vấn đề khó xử này và bạn sẽ thấy mình bị cuốn vào một cuộc tranh luận sôi nổi. Những người tin rằng không nên có bất kỳ hình phạt nào sẽ khăng khăng rằng đây là cách chấm điểm duy nhất phù hợp. Lại có một phe khác sẽ hét lên rằng bạn không thể để AI lẩn tránh. Đó là cách sai, và chúng ta đang tự chuốc lấy rắc rối nếu đó là cách chúng ta chấm điểm AI. Đó sẽ là một cuộc đua đến đáy của AI mà chúng ta đang thiết kế và phát hành cho công chúng nói chung.
4. Nghiên Cứu Về Cách Điểm Số AI Thế Hệ Mới
Kết quả cuối cùng của việc AI thế hệ mới trở nên kém đáng tin cậy phụ thuộc rất nhiều vào cách bạn quyết định chấm điểm AI.
Một nghiên cứu gần đây có tiêu đề "Các mô hình ngôn ngữ lớn hơn và có thể hướng dẫn nhiều hơn trở nên kém đáng tin cậy hơn" do Lexin Zhou, Wout Schellaert, Fernando Martínez-Plumed, Yael Moros-Daval, Cèsar Ferri và José Hernández-Orallo thực hiện, được xuất bản trên tạp chí Nature, ngày 25 tháng 9 năm 2024, đã đưa ra những điểm nổi bật sau (trích dẫn):
<ul>
<li>“Các phương pháp phổ biến để tạo ra các mô hình ngôn ngữ lớn mạnh hơn và dễ uốn nắn hơn dựa trên việc liên tục mở rộng quy mô (nghĩa là tăng kích thước, khối lượng dữ liệu và tài nguyên tính toán) và định hình cụ thể (bao gồm lọc sau, điều chỉnh tinh chỉnh hoặc sử dụng phản hồi của con người).”</li>
<li>“Có thể cho rằng khi các mô hình trở nên mạnh mẽ hơn và phù hợp hơn bằng cách sử dụng những chiến lược này, chúng cũng trở nên đáng tin cậy hơn từ quan điểm của con người, nghĩa là lỗi của chúng tuân theo một mô hình có thể dự đoán được mà con người có thể hiểu và điều chỉnh truy vấn của họ để phù hợp.”</li>
<li>“Mặc dù các mô hình có thể giải quyết các trường hợp rất khó, nhưng chúng vẫn thất bại trong các trường hợp rất đơn giản.”</li>
<li>“Tập trung vào xu hướng trên các mô hình, chúng ta cũng thấy một điều gì đó nhiều hơn: tỷ lệ kết quả sai lệch tăng lên đáng kể từ các mô hình thô sơ đến các mô hình được định hình, do kết quả của việc giảm đáng kể sự tránh né.”</li>
<li>“Chúng ta cũng thấy rằng các mô hình ban đầu thường tránh các câu hỏi của người dùng, nhưng các mô hình được định hình, mở rộng quy mô có xu hướng đưa ra câu trả lời dường như hợp lý nhưng sai lệch thường xuyên hơn, bao gồm cả lỗi trong các câu hỏi khó mà người giám sát con người thường bỏ qua.”</li>
</ul>
Đây là phần tóm tắt.
Giả sử bạn chấm điểm AI thế hệ mới bằng cách ban đầu cho phép các câu trả lời bị bỏ qua. Điều này có nghĩa là bạn không thực sự thu thập được một sự tương tự về sự chính xác thực sự, vì các câu hỏi bị từ chối không bị phạt điểm. AI dường như sẽ đạt điểm số cao hơn so với bất kỳ nghĩa nào hợp lý.
Bạn có hiểu ý tôi không?
Sau đó, hãy tưởng tượng rằng chúng ta quyết định buộc AI phải kiên trì trả lời các câu hỏi và chỉ thỉnh thoảng mới từ chối trả lời các câu hỏi. Chúng ta gần như yêu cầu AI phải đoán mò mọi lúc, ngay cả khi AI không chắc chắn về mặt tính toán về câu trả lời đúng.
Bạn có thể dự đoán điều gì sẽ xảy ra với sự tương tự về mức độ tin cậy được đo?
Có thể sự tin cậy sẽ giảm đi vì bạn giờ đây đang buộc AI phải đoán mò những câu hỏi mà trước đây nó từ chối trả lời. Giả sử rằng một số tỷ lệ những dự đoán đó sẽ bị sai, khối lượng hoặc tỷ lệ câu hỏi bị trả lời sai sẽ tăng lên. Nói ngắn gọn, bằng cách chuyển các câu hỏi bị bỏ qua trước đây không bị phạt điểm sang một sơ đồ trả lời đúng/sai rõ ràng, khả năng là tỷ lệ câu trả lời sai sẽ cao hơn trước đây.
Không còn chuyện chọn lựa.
AI phải đoán mò và phải chịu hậu quả cho những gì nó làm.
5. Minh Họa Được Giải Thích Bởi ChatGPT
Tôi quyết định rằng tôi sẽ thuận tiện sử dụng ChatGPT để đưa ra một ví dụ nhằm minh họa cho hiện tượng trên.
Chúng ta cùng bắt đầu.
<ul>
<li>Lệnh nhập của tôi: “Hãy đưa ra một kịch bản minh họa giải thích tình huống kỳ lạ rằng bằng cách buộc AI thế hệ mới trả lời những câu hỏi mà trước đây nó từ chối hoặc né tránh, phép đo mức độ tin cậy của AI sẽ bị ảnh hưởng.”</li>
<li>ChatGPT tạo ra phản hồi:</li>
</ul>
<blockquote>
"Hãy phân tích điều này với một ví dụ về 100 câu hỏi, minh họa cách AI thế hệ mới có thể đưa ra nhiều câu trả lời đúng hơn về tổng thể, nhưng cũng cách các câu trả lời sai có thể tăng nhanh hơn do ít câu hỏi bị bỏ qua hơn."
</blockquote>
<blockquote>
"Kịch bản 1: Điểm chuẩn — Tổng số câu hỏi: 100. Câu trả lời đúng: 60. Câu trả lời sai: 10. Câu hỏi bị bỏ qua: 30"
</blockquote>
<blockquote>
"Ở đây, AI đưa ra 60 câu trả lời đúng, 10 câu trả lời sai và tránh trả lời 30 câu hỏi. Các câu hỏi bị bỏ qua có thể rất khó, và thay vì đoán mò, AI chọn không trả lời. Điều này giúp AI đạt được độ chính xác 60% từ 100 câu hỏi (60 trên 100).”
</blockquote>
<blockquote>
"Kịch bản 2: Tình huống mới"
</blockquote>
<blockquote>
"Bây giờ, giả sử có những cải tiến được thực hiện để khuyến khích AI tránh ít câu hỏi hơn, nhưng đồng thời, nó dẫn đến nhiều dự đoán hơn."
</blockquote>
<blockquote>
"Tổng số câu hỏi: 100"
</blockquote>
<blockquote>
"Câu trả lời đúng: 70 (tăng từ 60)”
</blockquote>
<blockquote>
"Câu trả lời sai: 20 (tăng từ 10)”
</blockquote>
<blockquote>
"Câu hỏi bị bỏ qua: 10 (giảm từ 30)”
</blockquote>
<blockquote>
"AI đã được cải thiện bằng cách đưa ra nhiều câu trả lời đúng hơn—nay là 70 thay vì 60. Tuy nhiên, do giảm sự tránh né, nó đoán mò thường xuyên hơn đối với các câu hỏi khó, dẫn đến nhiều câu trả lời sai hơn—nay là 20 thay vì 10. AI tránh ít câu hỏi hơn, giảm xuống còn 10 từ 30. Vì vậy, mặc dù AI đang đưa ra nhiều câu trả lời đúng hơn về tổng thể (70 đúng so với 60 trước đây), nhưng số câu trả lời sai đã tăng gấp đôi (20 sai so với 10 trước đây).”
</blockquote>
<blockquote>
Kết thúc phản hồi của ChatGPT
</blockquote>
Tôi khá thích ví dụ đó.
Hãy cùng phân tích nó.
Ví dụ cho thấy các câu hỏi ban đầu được thực hiện ở mức 70/100 hoặc 70% tỷ lệ phần trăm, sau đó trở thành 90/100 hoặc 90%, điều này có thể được coi là tuyệt vời, có nghĩa là AI đang tuân theo hướng dẫn của chúng ta và cố gắng trả lời nhiều câu hỏi được đặt ra hơn. Trong khi đó, theo đó, số câu hỏi bị bỏ qua đã giảm từ 30 xuống 10, giảm 67%, điều này cũng rất tuyệt vời.
Câu trả lời đúng đã tăng từ 60 lên 70, tăng 16%, điều này rất tuyệt vời. Chúng ta có thể tuyên bố rằng AI đang ngày càng giỏi hơn trong việc trả lời câu hỏi. Có, chúng ta có thể tuyên bố rằng AI thế hệ mới tốt hơn 16% so với trước đây. Khuôn mặt vui vẻ. Một sự cải thiện đáng kể. Hãy loan báo với cả thế giới.
Nếu chúng ta khôn khéo hoặc lén lút quyết định kết thúc hoặc hoàn thành việc kể câu chuyện dựa trên những số liệu thống kê đó, chúng ta có thể dễ dàng đánh lừa cả thế giới. Không ai nhận ra rằng một điều gì đó khác đã đi xuống dốc.
Điều gì đã đi xuống dốc?
Như ví dụ minh họa rõ ràng, số câu trả lời sai đã tăng từ 10 lên 20, tăng 100% hoặc tăng gấp đôi số lần trả lời sai, điều này rất tệ. Tại sao lại thế? Bởi vì chúng ta đang buộc AI phải đoán mò những câu hỏi mà trước đây nó từ chối trả lời.
Cách chấm điểm trước đây đã để AI thoát khỏi gông cùm.
Bạn có thể thẳng thắn tranh luận rằng cuối cùng con quỷ đã phải trả giá, và chúng ta thấy ở một khía cạnh nào đó những điểm số thực. Sự kỳ quặc hoặc mánh khóe của việc từ chối các câu hỏi đã thổi phồng hoặc che giấu sự thật. Bằng việc không còn tránh né việc trả lời các câu hỏi, điều này đã làm cho bong bóng về những gì dường như là sự tin cậy nhất quán vỡ tung.
6. Chúng Ta Đang Ở Đâu Và Điều Gì Sẽ Xảy Ra Tiếp Theo?
Một số người cho rằng chúng ta nên quay lại việc cho phép AI từ chối trả lời các câu hỏi và tiếp tục giả định trước đây rằng không nên có hình phạt nào đối với những từ chối đó. Nếu chúng ta làm như vậy, có khả năng các phép đo mức độ tin cậy có thể vẫn như trước đây. Sau đó, chúng ta có thể dễ dàng bỏ qua yếu tố tin cậy và chỉ tuyên bố rằng mức độ tin cậy của AI tiếp tục diễn ra một cách suôn sẻ.
Một quan điểm hỗ trợ khác đối với cách tiếp cận đó là chúng ta, với tư cách là con người, nên nhất quán trong cách chúng ta đo lường hiệu suất của AI. Nếu trước đây chúng ta cho phép các từ chối được miễn trừ, phương pháp tương tự nên được tiếp tục. Ý tưởng là nếu chúng ta liều lĩnh thay đổi mục tiêu, những thay đổi trong cách chấm điểm không phản ánh AI mà thay vào đó lại phản ánh việc chúng ta đã thay đổi suy nghĩ về phương pháp đo lường.
Vớ vẩn—thông báo từ phía còn lại. Chúng ta luôn nên phạt những lần từ chối. Đó là một ảo ảnh mà chúng ta đã tạo ra một cách sai lầm. Chúng ta biết hoặc đáng lẽ phải biết rằng một ngày nào đó sẽ có ngày quả báo. Dù sao đi nữa, cách tiếp cận đúng đắn hiện đang được thực hiện và chúng ta đừng quay trở lại thời gian trước.
Bạn muốn mọi thứ đi theo hướng nào?
Có những người nói rằng chúng ta đã mắc sai lầm khi không đếm hoặc tính toán đầy đủ sự từ chối hoặc né tránh. Đừng quay trở lại những sai lầm trong quá khứ. Quan điểm ngược lại là phương pháp trước đây không phải là một sai lầm và nó có ý nghĩa đối với thời điểm mà AI ban đầu được thiết kế và đánh giá.
Hãy khép lại mọi thứ ở đây.
Tôi sẽ dành lời cuối cùng cho Henry Ford nổi tiếng: "Sai lầm duy nhất thực sự là sai lầm mà chúng ta không học hỏi được gì từ nó." Chúng ta có thể học cách đánh giá tiến bộ trong AI tốt hơn, bao gồm cả các phép đo của chúng ta, cách chúng ta thiết kế chúng, cách chúng ta áp dụng chúng và cách chúng ta truyền đạt kết quả cho những người trong ngành và cho công chúng.
Đó dường như là một quan điểm khá đáng tin cậy.

AI Thế Hệ Mới: Càng Lớn Mạnh Càng Bớt Tin Cậy - Hay Đó Chỉ Là Ảo Ảnh?

Mô hình AI Thế hệ Mới Càng Lớn Mạnh Càng Bớt Tin Cậy - Hay Đó Chỉ Là Ảo Ảnh? Mục lục: Sự Tin Cậy Liện Quan Đến Tính Nhất Quán Trong Sự Ch...

tháng 11 07, 2024

Google Rò Rỉ Thông Tin Về Trí Tuệ Nhân Tạo Mới "Jarvis AI"

<h2>Google Lộ Thông Tin Về Trí Tuệ Nhân Tạo Mới Có Tên Gọi Là "Jarvis AI"</h2>
Mục lục:
<ol>
<li>Google vô tình tiết lộ Jarvis AI</li>
<li>Jarvis AI có thể làm gì?</li>
<li>Google Search gặp khó khăn</li>
<li>Kết luận</li>
</ol>
1. Google vô tình tiết lộ Jarvis AI
Theo một báo cáo từ The Information, Google đã vô tình tiết lộ thông tin về một hệ thống AI mới. Hệ thống này được gọi là Jarvis AI và đã được phát hiện trong cửa hàng tiện ích mở rộng của trình duyệt web Google Chrome. Mô tả của Jarvis AI cho biết nó là "một người bạn đồng hành hữu ích lướt web cùng bạn".
Tiện ích mở rộng này đã được gỡ bỏ khỏi cửa hàng tiện ích mở rộng của Google Chrome sau đó trong ngày, nhưng thông tin đã được rò rỉ ra ngoài.
2. Jarvis AI có thể làm gì?
Hiện tại, chúng ta chưa biết nhiều về Jarvis AI, vì sự cố rò rỉ thông tin từ Google rất ngắn gọn và nhanh chóng. Tuy nhiên, việc nó được liệt kê là một người bạn đồng hành AI có thể "lướt web cùng bạn" cho thấy rằng Jarvis AI có thể là hệ thống AI được Google công bố vào tháng 10, có khả năng thực hiện nhiều tác vụ, từ đặt vé máy bay đến mua sắm trực tuyến cùng người dùng.
Chúng ta sẽ phải chờ Google thông báo chính thức về chức năng của Jarvis AI, nhưng với sự bùng nổ của các hệ thống AI trong năm 2024, không khó để đoán được những gì có thể được đưa ra.
3. Google Search gặp khó khăn
Nói Google đang rất cần một diện mạo mới cho chức năng tìm kiếm và toàn bộ chức năng web của mình là một cách nói giảm nhẹ. Do đó, thông tin về một hệ thống AI mới có thể cải thiện Google Search chắc chắn được chào đón.
Người dùng trên toàn thế giới đã chỉ trích Google Search trong những tháng gần đây, với việc tung ra AI Overviews được coi là điểm thấp của gã khổng lồ công nghệ.
Từ việc hệ thống khuyến nghị người dùng "uống keo và ăn đá" đến việc phải cuộn trang quảng cáo vô tận để tìm kết quả, không có gì lạ khi Google đang tìm cách thay đổi quỹ đạo AI của mình.
4. Kết luận
Sự rò rỉ thông tin về Jarvis AI là một dấu hiệu cho thấy Google đang nỗ lực nâng cấp các dịch vụ của mình và cạnh tranh trong cuộc đua AI. Dù chức năng chính xác của Jarvis AI vẫn chưa được xác định, nhưng có thể nó sẽ giúp Google cải thiện Google Search và mang lại trải nghiệm trực tuyến tốt hơn cho người dùng.
Tuy nhiên, Google cần phải giải quyết những vấn đề của AI Overviews và cải thiện độ tin cậy và chất lượng của các hệ thống AI của mình để giữ vững vị thế dẫn đầu trong thị trường AI đầy cạnh tranh.

Google Rò Rỉ Thông Tin Về Trí Tuệ Nhân Tạo Mới "Jarvis AI"

Google Lộ Thông Tin Về Trí Tuệ Nhân Tạo Mới Có Tên Gọi Là "Jarvis AI" Mục lục: Google vô tình tiết lộ Jarvis AI Jarvis AI có t...

tháng 11 07, 2024

Bí mật để tóm tắt thông báo trên Android bằng AI

<h2>Bí mật để tóm tắt thông báo trên Android</h2>
Mục lục:
<ol>
<li>Giới thiệu về tóm tắt thông báo</li>
<li>Sử dụng Sum Up AI Notification Summary<ul>
<li>Bước 1: Cài đặt và kết nối</li>
<li>Bước 2: Cho phép và cấu hình</li>
<li>Bước 3: Theo dõi và điều chỉnh</li>
</ul>
</li>
<li>Kết luận</li>
</ol>
1. Giới thiệu về tóm tắt thông báo
Trong thời đại "AI cho mọi thứ", dường như không phải tất cả những ứng dụng AI đều hiệu quả và mang lại lợi ích thực sự. Tuy nhiên, một số ứng dụng AI đã chứng minh được tính hữu ích của mình, đặc biệt là trong việc tóm tắt văn bản.
Tóm tắt thông báo trên Android đang trở nên phổ biến, với Apple đã triển khai tính năng này trong bộ công cụ Apple Intelligence và Samsung đang xem xét áp dụng nó cho các thiết bị Galaxy.
Bài viết này sẽ chia sẻ với bạn một ứng dụng đơn giản nhưng hữu ích giúp bạn tóm tắt thông báo trên Android mà không cần chờ đợi các nhà sản xuất chính thức đưa ra tính năng này.
2. Sử dụng Sum Up AI Notification Summary
Sum Up AI Notification Summary là một ứng dụng nhỏ gọn nhưng mạnh mẽ giúp tóm tắt thông báo trên Android. Ứng dụng này sử dụng AI của Google (Gemini) để phân tích và tóm tắt nội dung thông báo.
Bước 1: Cài đặt và kết nối
<ul>
<li>Cài đặt ứng dụng Sum Up từ Play Store.</li>
<li>Kết nối ứng dụng với tài khoản Google của bạn để cấp quyền truy cập vào Gemini.</li>
</ul>
Bước 2: Cho phép và cấu hình
<ul>
<li>Cho phép Sum Up truy cập vào thông báo của bạn.</li>
<li>Cấu hình Sum Up để phù hợp với nhu cầu của bạn, bao gồm:<ul>
<li>Messages threshold: Điều chỉnh số lượng thông báo tối thiểu để Sum Up tóm tắt.</li>
<li>Retain original notification actions: Cho phép bạn tương tác với thông báo gốc (như trả lời tin nhắn hoặc đánh dấu đã đọc) ngay cả khi thông báo được tóm tắt.</li>
<li>Per-app settings: Chọn các ứng dụng cụ thể mà bạn muốn Sum Up tóm tắt thông báo.</li>
</ul>
</li>
</ul>
Bước 3: Theo dõi và điều chỉnh
<ul>
<li>Theo dõi cách Sum Up hoạt động và điều chỉnh cài đặt để phù hợp với sở thích của bạn. Ví dụ, bạn có thể muốn xem toàn bộ tin nhắn từ Google Messages, nhưng tóm tắt các cuộc trò chuyện Slack dài dòng.</li>
</ul>
3. Kết luận
Sum Up AI Notification Summary là một giải pháp tuyệt vời để tóm tắt thông báo trên Android, giúp bạn quản lý thông báo hiệu quả hơn và dễ dàng theo dõi thông tin quan trọng.
Lưu ý:
<ul>
<li>Ứng dụng này có giá $1.65.</li>
<li>Ứng dụng này không yêu cầu quyền truy cập vào dữ liệu cá nhân.</li>
<li>Ứng dụng Sum Up AI Notification Summary có thể không hoạt động với tất cả các ứng dụng.</li>
</ul>
Tài nguyên:
<ul>
<li><a href="https://play.google.com/store/apps/details?id=com.gustavoas.sumup">Sum Up AI Notification Summary trên Play Store</a></li>
</ul>
Mời bạn thử nghiệm Sum Up AI Notification Summary và chia sẻ trải nghiệm của bạn!

Bí mật để tóm tắt thông báo trên Android bằng AI

Bí mật để tóm tắt thông báo trên Android Mục lục: Giới thiệu về tóm tắt thông báo Sử dụng Sum Up AI Notification Summary Bước 1: Cài đặ...

tháng 11 07, 2024

Google Chat Tóm Tắt Cuộc Trò Chuyện Bằng Gemini AI

<h2>Google Chat Sẽ Tóm Tắt Cuộc Trò Chuyện Của Bạn Nhờ Gemini AI</h2>
Mục lục:
<ol>
<li>Giới thiệu</li>
<li>Gemini AI và Google Chat</li>
<li>Cách Gemini Hoạt Động</li>
<li>Giới hạn của Gemini Chat</li>
<li>Kết luận</li>
</ol>
1. Giới thiệu
Google đang tích hợp trợ lý AI Gemini vào nhiều nền tảng và dịch vụ của mình, và Google Chat là điểm đến mới nhất. Tính năng này cho phép người dùng Google Chat tóm tắt các cuộc hội thoại bằng cách sử dụng Gemini AI, giúp người dùng dễ dàng theo dõi các cuộc trò chuyện dài và phức tạp.
2. Gemini AI và Google Chat
Gemini là một trợ lý AI tiên tiến do Google phát triển. Nó có thể xử lý nhiều loại tác vụ, từ viết văn bản và dịch thuật đến tạo hình ảnh và giải quyết các bài toán phức tạp. Giờ đây, Gemini được tích hợp vào Google Chat, cho phép người dùng tận dụng sức mạnh của AI để tóm tắt các cuộc trò chuyện.
3. Cách Gemini Hoạt Động
Người dùng có thể truy cập Gemini từ thanh bên của Google Chat và yêu cầu nó tóm tắt cuộc hội thoại. Gemini có thể cung cấp tóm tắt ngắn gọn hoặc chi tiết hơn tùy theo yêu cầu của người dùng. Ngoài ra, người dùng có thể yêu cầu Gemini cung cấp thông tin chi tiết hơn về các chủ đề cụ thể trong cuộc trò chuyện, chẳng hạn như yêu cầu hỗ trợ, ý tưởng chính hoặc quyết định được đưa ra.
4. Giới hạn của Gemini Chat
Gemini Chat hiện có một số hạn chế:
<ul>
<li>Nó không thể xử lý toàn bộ lịch sử cuộc hội thoại của người dùng, chỉ những nội dung hiển thị hiện tại.</li>
<li>Nó chỉ có thể hoạt động trong Google Chat, không bao gồm email hoặc tệp trong Google Drive.</li>
<li>Tính năng này hiện chỉ khả dụng cho người dùng có đăng ký Gemini Business, Enterprise, Education hoặc Education Premium.</li>
</ul>
5. Kết luận
Tính năng Gemini Chat là một bổ sung hữu ích cho Google Chat, giúp người dùng theo dõi các cuộc trò chuyện hiệu quả hơn. Tuy nhiên, một số hạn chế vẫn tồn tại, nhưng Google có thể sẽ tiếp tục phát triển và mở rộng tính năng này trong tương lai.

Google Chat Tóm Tắt Cuộc Trò Chuyện Bằng Gemini AI

Google Chat Sẽ Tóm Tắt Cuộc Trò Chuyện Của Bạn Nhờ Gemini AI Mục lục: Giới thiệu Gemini AI và Google Chat Cách Gemini Hoạt Động Giới h...

tháng 11 07, 2024

Claude 3.5 Haiku: Giá Tăng Gấp Bốn, "Trí Tuệ" Bất Ngờ

<h2>Anthropic's Claude 3.5 Haiku: Tăng Giá "Trí Tuệ" Gây Bất Ngờ Cho Chuyên Gia</h2>
Mục lục
<ol>
<li>Giới thiệu</li>
<li>Bất ngờ về giá</li>
<li>Phản ứng của cộng đồng</li>
<li>So sánh với các mô hình AI khác</li>
<li>Kết luận</li>
</ol>
1. Giới thiệu
Anthropic, một công ty AI nổi tiếng, đã gây bất ngờ cho cộng đồng khi ra mắt phiên bản mới nhất của mô hình AI nhỏ nhất của họ, Claude 3.5 Haiku. Điểm đáng chú ý là chi phí để chạy mô hình này đã tăng gấp bốn lần so với phiên bản trước.
2. Bất ngờ về giá
Thông thường, giá của các mô hình AI có xu hướng giảm theo thời gian khi các nhà phát triển tìm cách tối ưu hóa hiệu suất và giảm chi phí vận hành. Tuy nhiên, trong trường hợp này, Anthropic lại tăng giá của Haiku 3.5. Lý do được đưa ra là phiên bản mới này "thông minh" hơn.
Anthropic khẳng định Haiku 3.5 vượt trội hơn Claude 3 Opus, mô hình chủ lực trước đó, trên nhiều tiêu chuẩn đánh giá - và điều này được thực hiện với chi phí thấp hơn. 
3. Phản ứng của cộng đồng
Sự thay đổi giá đột ngột đã khiến nhiều người trong cộng đồng AI phản ứng. Một số người cho rằng việc tăng giá đối với mô hình "ngân sách" sẽ khiến nó kém cạnh tranh hơn với các mô hình khác trong cùng phân khúc. 
Một nhà phát triển chia sẻ rằng việc tăng giá có thể khiến người dùng chuyển sang các giải pháp thay thế. Ông cũng bày tỏ sự thất vọng vì cách Anthropic công bố thông tin về mức giá mới.
4. So sánh với các mô hình AI khác
Haiku 3.5 hiện tốn $1 cho mỗi triệu token đầu vào và $5 cho mỗi triệu token đầu ra. Con số này cao hơn đáng kể so với phiên bản trước của Haiku và Claude 3 Opus. Haiku 3.5 cũng đắt hơn so với Gemini 1.5 Flash và GPT-4o mini của các đối thủ cạnh tranh.
5. Kết luận
Việc tăng giá của Haiku 3.5 là một bước đi bất ngờ của Anthropic. Mặc dù công ty khẳng định rằng mô hình mới này "thông minh" hơn, nhưng nhiều người vẫn tỏ ra nghi ngờ về quyết định này. 
Sự kiện này cho thấy sự cạnh tranh trong lĩnh vực AI ngày càng gay gắt. Các công ty phải tìm cách cân bằng giữa việc cải thiện hiệu suất, giảm chi phí và thu hút người dùng.

Claude 3.5 Haiku: Giá Tăng Gấp Bốn, "Trí Tuệ" Bất Ngờ

Anthropic's Claude 3.5 Haiku: Tăng Giá "Trí Tuệ" Gây Bất Ngờ Cho Chuyên Gia Mục lục Giới thiệu Bất ngờ về giá Phản ứng củ...

tháng 11 07, 2024

Anthropic và Palantir Hợp Tác Mang AI Claude lên AWS cho Hoạt động Tình Báo và Quốc Phòng Hoa Kỳ

<h2>Anthropic và Palantir Hợp Tác Mang Mô Hình AI Claude lên AWS cho Hoạt động Tình Báo và Quốc Phòng của Chính phủ Hoa Kỳ</h2>
Mục lục
<ol>
<li>Giới thiệu</li>
<li>Nội dung chính</li>
<li>Lợi ích của hợp tác</li>
<li>Ý kiến của các bên tham gia</li>
<li>Thông tin về Palantir Technologies Inc.</li>
<li>Lời kết</li>
</ol>
1. Giới thiệu
Bài báo này phân tích nội dung của một thông cáo báo chí được công bố trên Business Wire, thông báo về sự hợp tác giữa Anthropic, Palantir Technologies Inc. và Amazon Web Services (AWS). Hợp tác này nhằm mang mô hình AI Claude 3 và 3.5 lên AWS để phục vụ cho các cơ quan tình báo và quốc phòng của Hoa Kỳ.
2. Nội dung chính
Hợp tác này cho phép các cơ quan tình báo và quốc phòng của Hoa Kỳ tiếp cận với mô hình AI Claude 3 và 3.5 thông qua AWS. Claude được tích hợp vào Nền tảng AI của Palantir (AIP) và được hỗ trợ bởi các dịch vụ an ninh, linh hoạt và bền vững của AWS. 
3. Lợi ích của hợp tác
Hợp tác này mang lại nhiều lợi ích cho các cơ quan tình báo và quốc phòng của Hoa Kỳ, bao gồm:
<ul>
<li>Xử lý lượng lớn dữ liệu phức tạp một cách nhanh chóng: Claude có thể giúp phân tích và xử lý lượng lớn dữ liệu phức tạp một cách nhanh chóng, cung cấp những hiểu biết sâu sắc từ dữ liệu.</li>
<li>Nâng cao khả năng phân tích dữ liệu: Claude có thể giúp xác định các mẫu và xu hướng trong dữ liệu, giúp đưa ra những quyết định chính xác hơn.</li>
<li>Tối ưu hóa quy trình xem xét và chuẩn bị tài liệu: Claude có thể tự động hóa quy trình xem xét và chuẩn bị tài liệu, giúp tiết kiệm thời gian và nâng cao hiệu quả.</li>
<li>Hỗ trợ đưa ra quyết định sáng suốt trong các tình huống nhạy cảm về thời gian: Claude có thể cung cấp thông tin kịp thời và chính xác để hỗ trợ quá trình đưa ra quyết định trong các tình huống nhạy cảm về thời gian.</li>
</ul>
4. Ý kiến của các bên tham gia
<ul>
<li>Shyam Sankar, Giám đốc Công nghệ của Palantir: "Hợp tác với Anthropic và AWS cung cấp cho cộng đồng quốc phòng và tình báo của Hoa Kỳ chuỗi công cụ cần thiết để tận dụng và triển khai các mô hình AI một cách an toàn, mang lại lợi thế quyết định thế hệ tiếp theo cho các nhiệm vụ quan trọng nhất của họ."</li>
<li>Kate Earle Jensen, Trưởng phòng Bán hàng và Hợp tác của Anthropic: "Chúng tôi tự hào là đơn vị đi đầu trong việc mang đến các giải pháp AI có trách nhiệm cho các môi trường mật của Hoa Kỳ, nâng cao khả năng phân tích và hiệu quả hoạt động trong các hoạt động chính phủ quan trọng. Việc tiếp cận Claude 3 và Claude 3.5 trong AIP của Palantir trên AWS sẽ trang bị cho các tổ chức quốc phòng và tình báo của Hoa Kỳ các công cụ AI mạnh mẽ có thể xử lý và phân tích nhanh chóng lượng lớn dữ liệu phức tạp."</li>
<li>Dave Levy, Phó chủ tịch, Ngành công nghiệp công cộng toàn cầu, AWS: "Chúng tôi rất vui mừng được hợp tác với Anthropic và Palantir để cung cấp các khả năng AI thế hệ mới sẽ thúc đẩy sự đổi mới trong toàn bộ khu vực công."</li>
</ul>
5. Thông tin về Palantir Technologies Inc.
Palantir Technologies Inc. là một công ty phần mềm cung cấp các nền tảng phần mềm cho chính phủ và các doanh nghiệp lớn. Palantir được biết đến với việc phát triển các nền tảng phân tích dữ liệu nâng cao, giúp khách hàng đưa ra quyết định tốt hơn.
6. Lời kết
Sự hợp tác giữa Anthropic, Palantir Technologies Inc. và Amazon Web Services (AWS) là một bước tiến quan trọng trong việc ứng dụng AI vào lĩnh vực tình báo và quốc phòng. Hợp tác này mang lại nhiều lợi ích cho các cơ quan tình báo và quốc phòng của Hoa Kỳ, giúp họ nâng cao khả năng phân tích dữ liệu, tối ưu hóa hoạt động và đưa ra quyết định sáng suốt hơn.

Anthropic và Palantir Hợp Tác Mang AI Claude lên AWS cho Hoạt động Tình Báo và Quốc Phòng Hoa Kỳ

Anthropic và Palantir Hợp Tác Mang Mô Hình AI Claude lên AWS cho Hoạt động Tình Báo và Quốc Phòng của Chính phủ Hoa Kỳ Mục lục Giới thi...

tháng 11 07, 2024

Google vô tình để lộ Jarvis AI, AI có khả năng kiểm soát máy tính

<h2>Google vô tình rò rỉ bản xem trước của Jarvis AI, một AI có khả năng kiểm soát máy tính</h2>
Mục lục:
<ol>
<li>Giới thiệu</li>
<li>Jarvis là gì?</li>
<li>Jarvis được phát hiện như thế nào?</li>
<li>Jarvis có khả năng gì?</li>
<li>Jarvis và đối thủ cạnh tranh</li>
<li>Kết luận</li>
</ol>
1. Giới thiệu
Mới đây, Google đã vô tình để lộ bản xem trước của Jarvis AI, một công nghệ trí tuệ nhân tạo có tiềm năng lớn, lên Chrome Web Store. Điều này đã gây chú ý trong cộng đồng công nghệ bởi Jarvis được cho là có khả năng kiểm soát máy tính và thực hiện các tác vụ theo yêu cầu người dùng.
2. Jarvis là gì?
Jarvis là một AI được Google phát triển với mục tiêu trở thành trợ lý thông minh cho người dùng. Nó được cho là có khả năng truy cập internet và tự động hoàn thành các tác vụ hàng ngày như mua sắm, đặt vé máy bay, tìm kiếm thông tin... 
3. Jarvis được phát hiện như thế nào?
Jarvis đã được phát hiện khi nó được đăng tải lên Chrome Web Store, một kho ứng dụng trực tuyến của Google. Tuy nhiên, nó đã nhanh chóng bị gỡ bỏ khỏi kho ứng dụng này.
4. Jarvis có khả năng gì?
Theo thông tin được công bố trên trang web của Jarvis, nó có khả năng tự động thực hiện các tác vụ trên máy tính như:
<ul>
<li>Duyệt web</li>
<li>Mua sắm trực tuyến</li>
<li>Đặt vé máy bay</li>
<li>Tìm kiếm thông tin</li>
<li>Lập lịch hẹn</li>
</ul>
Jarvis có thể thực hiện các tác vụ này mà không cần sự can thiệp trực tiếp của người dùng, điều này khiến nhiều người lo ngại về khả năng kiểm soát máy tính của nó.
5. Jarvis và đối thủ cạnh tranh
Jarvis sẽ phải đối mặt với sự cạnh tranh từ các đối thủ khác như Anthropic và Claude AI. Claude AI cũng là một trợ lý thông minh có khả năng kiểm soát máy tính và thực hiện các tác vụ tự động. Tuy nhiên, Claude có thể thực hiện nhiều tác vụ phức tạp hơn Jarvis như gõ văn bản, kích hoạt nút, di chuyển con trỏ chuột...
6. Kết luận
Sự xuất hiện của Jarvis AI là một minh chứng cho sự phát triển mạnh mẽ của trí tuệ nhân tạo. Tuy nhiên, việc rò rỉ này cũng đặt ra nhiều câu hỏi về việc kiểm soát và ứng dụng công nghệ AI một cách có trách nhiệm. Google dự kiến sẽ chính thức công bố Jarvis vào tháng 12, khi đó chúng ta sẽ có thêm thông tin chi tiết về khả năng và cách thức hoạt động của nó.

Google vô tình để lộ Jarvis AI, AI có khả năng kiểm soát máy tính

Google vô tình rò rỉ bản xem trước của Jarvis AI, một AI có khả năng kiểm soát máy tính Mục lục: Giới thiệu Jarvis là gì? Jarvis được p...

tháng 11 07, 2024

"Hạt Giống" Của Feynman: Mini hóa AI và Hiệu Quả

<h2>Từ "Hạt Giống" Của Feynman: Sự Mini hóa và Hiệu quả trong AI</h2>
Mục lục:
<ol>
<li>Giới thiệu</li>
<li>Feynman và Tầm Nhìn Về Mini hóa </li>
<li>Mini hóa trong AI: Claude Haiku và Gemini Nano</li>
<li>Tầm Nhìn Feynman: Sự Mini hóa và Hiệu quả</li>
<li>Mini hóa và Tương lai của AI</li>
</ol>
1. Giới thiệu
Sự ra đời của mô hình Claude 3.5 Haiku của Anthropic trên Amazon Bedrock là minh chứng cho một xu hướng mới trong phát triển AI: các mô hình ngôn ngữ lớn (LLM) nay được triển khai dưới dạng nhỏ gọn và chuyên biệt hơn, mang đến khả năng suy luận và mã hóa nâng cao. 
2. Feynman và Tầm Nhìn Về Mini hóa
Sự thay đổi này về mini hóa và hiệu quả gợi nhớ đến một ý tưởng được nhà vật lý Richard Feynman đưa ra cách đây hơn 60 năm trong bài nói chuyện mang tính đột phá của ông, “There’s Plenty of Room at the Bottom”, được trình bày tại Hội nghị Vật lý Hoa Kỳ năm 1959. 
3. Mini hóa trong AI: Claude Haiku và Gemini Nano
Feynman tập trung vào việc thao tác vật chất ở cấp độ nguyên tử, nhưng những ý tưởng của ông về nén, độ chính xác và học hỏi từ các hệ thống sinh học có sự tương đồng đáng kinh ngạc với sự tiến hóa của AI. 
4. Tầm Nhìn Feynman: Sự Mini hóa và Hiệu quả
<ul>
<li>Lưu trữ và Nén Dữ liệu: Feynman từng hình dung: “Tại sao chúng ta không thể viết toàn bộ 24 tập của Bách khoa toàn thư Britannica lên đầu một cái kim?” Ý tưởng này về việc nén kiến thức tiên đoán việc số hóa sách, tài liệu và các tài liệu viết khác thành các cơ sở dữ liệu trực tuyến khổng lồ trong vài thập kỷ qua. Học máy tận dụng mạng nơ-ron và các mô hình khác để phân tích và xử lý tập dữ liệu lớn, cho phép các hệ thống xác định các mẫu, đưa ra dự đoán và thực hiện nhiều nhiệm vụ khác nhau.
</li>
<li>Mini hóa và Độ chính xác trong thao tác: Tầm nhìn của Feynman về việc thao tác các nguyên tử riêng lẻ phù hợp với quỹ đạo của AI hướng đến các thiết bị tính toán cạnh nhỏ hơn, hiệu quả hơn. 
</li>
<li>Học Hỏi từ các Hệ thống Sinh học: Feynman lấy cảm hứng từ các hệ thống sinh học, lưu ý khả năng của chúng trong việc lưu trữ và xử lý thông tin trên quy mô siêu nhỏ trong khi vẫn rất năng động và hiệu quả.
</li>
</ul>
5. Mini hóa và Tương lai của AI
Các mô hình ngôn ngữ lớn nhỏ gọn hơn, chẳng hạn như Claude 3.5 Haiku, o1 mini và GPT-4o mini, phản ánh xu hướng thể hiện cách các lý thuyết của Richard Feynman tiếp tục truyền cảm hứng cho nghiên cứu trong các lĩnh vực như hiệu quả tính toán và tối ưu hóa mô hình học máy. 
Ý tưởng của Feynman về “còn rất nhiều chỗ ở phía dưới” không chỉ liên quan đến không gian vật lý nhỏ hơn; nó là về việc định hình lại các đổi mới ở các quy mô và cấp độ khác nhau để đạt được độ chính xác và khả năng thích ứng. Khi AI tiếp tục thu nhỏ về quy mô, chúng ta cần xây dựng các hệ thống bền vững hơn ở đáy.

"Hạt Giống" Của Feynman: Mini hóa AI và Hiệu Quả

Từ "Hạt Giống" Của Feynman: Sự Mini hóa và Hiệu quả trong AI Mục lục: Giới thiệu Feynman và Tầm Nhìn Về Mini hóa Mini hóa tro...

tháng 11 07, 2024

Chúng ta chưa sẵn sàng cho AI Tổng Quát: 5 Vấn đề cần giải quyết

<h2>Chúng ta chưa sẵn sàng cho AI Tổng Quát (AGI): 5 Khoảng trống cần lấp đầy</h2>
Mục lục:
<ol>
<li>Sự ra đi của Miles Brundage và những câu hỏi về AGI Readiness</li>
<li>5 Khoảng trống chính cần lấp đầy để sẵn sàng cho AGI:<ul>
<li>Sự thiếu hiểu biết chung</li>
<li>Thiếu cơ chế quản lý</li>
<li>Thiếu tính minh bạch</li>
<li>Thiếu khả năng phục hồi xã hội</li>
<li>Sự phát triển lệch pha</li>
</ul>
</li>
<li>Làm thế nào để chuẩn bị cho AGI?</li>
</ol>
1. Sự ra đi của Miles Brundage và những câu hỏi về AGI Readiness
Miles Brundage, cựu trưởng bộ phận nghiên cứu chính sách tại OpenAI, đã rời công ty vào tháng 10 năm 2024. Trong bài viết trên Substack, ông nêu rõ lý do ra đi là vì muốn có sự tự do hơn trong việc công bố nghiên cứu của mình, đồng thời cũng bày tỏ quan ngại về sự thiếu chuẩn bị của OpenAI và toàn thế giới đối với sự xuất hiện của AI Tổng Quát (AGI).
Brundage chỉ trích OpenAI và các phòng thí nghiệm tiên phong khác về việc chưa sẵn sàng cho sự bùng nổ của AGI, đặc biệt là về mặt chính sách và xã hội. Ông không phải là người đầu tiên bày tỏ quan ngại này. Nhiều nhà nghiên cứu, trong đó có Ilya Sutskever, một trong những bộ óc sáng giá nhất của OpenAI, đã rời công ty và thành lập các tổ chức riêng để nghiên cứu về sự an toàn của AGI.
Sự ra đi của các chuyên gia hàng đầu như Brundage và Sutskever là một dấu hiệu cho thấy sự lo ngại ngày càng tăng về khả năng kiểm soát và ứng dụng AGI.
2. 5 Khoảng trống chính cần lấp đầy để sẵn sàng cho AGI:
Brundage chỉ ra 5 khoảng trống chính mà chúng ta cần lấp đầy để sẵn sàng cho AGI:
<ul>
<li>Sự thiếu hiểu biết chung: Hầu hết các bên liên quan, từ chính phủ, doanh nghiệp cho đến công chúng, vẫn chưa hiểu rõ AGI là gì và những tác động của nó. </li>
<li>Thiếu cơ chế quản lý: Các quy định và luật lệ hiện tại được thiết kế cho các công nghệ cũ, chưa phù hợp với AGI. </li>
<li>Thiếu tính minh bạch: Quá trình phát triển AGI chủ yếu diễn ra trong các phòng thí nghiệm kín, thiếu sự tham gia của công chúng. </li>
<li>Thiếu khả năng phục hồi xã hội: Xã hội chưa sẵn sàng đối mặt với những thay đổi kinh tế và xã hội sâu sắc mà AGI sẽ mang lại. </li>
<li>Sự phát triển lệch pha: Năng lực của AGI đang phát triển nhanh hơn khả năng kiểm soát của con người.</li>
</ul>
3. Làm thế nào để chuẩn bị cho AGI?
Để lấp đầy những khoảng trống này, chúng ta cần:
<ul>
<li>Nâng cao nhận thức về AGI: Giáo dục công chúng về AGI là điều cần thiết để tạo ra một xã hội hiểu biết và sẵn sàng ứng phó với những thay đổi.</li>
<li>Thiết lập cơ chế quản lý: Phát triển các quy định và luật lệ mới để điều chỉnh sự phát triển và ứng dụng của AGI.</li>
<li>Tăng cường tính minh bạch: Khuyến khích sự minh bạch trong nghiên cứu và phát triển AGI, cho phép công chúng tham gia vào quá trình ra quyết định.</li>
<li>Xây dựng khả năng phục hồi xã hội: Chuẩn bị cho những thay đổi kinh tế và xã hội do AGI gây ra, bao gồm việc hỗ trợ người lao động bị ảnh hưởng và phát triển các mô hình kinh tế mới.</li>
<li>Điều chỉnh tốc độ phát triển: Chậm lại tốc độ phát triển AGI và ưu tiên nghiên cứu về an toàn và kiểm soát.</li>
</ul>
AGI là một công nghệ có tiềm năng to lớn, nhưng cũng ẩn chứa nhiều nguy cơ. Chuẩn bị cho AGI là trách nhiệm chung của toàn xã hội. Chúng ta cần hành động ngay để đảm bảo AGI được phát triển và ứng dụng một cách an toàn và có lợi cho nhân loại.

Chúng ta chưa sẵn sàng cho AI Tổng Quát: 5 Vấn đề cần giải quyết

Chúng ta chưa sẵn sàng cho AI Tổng Quát (AGI): 5 Khoảng trống cần lấp đầy Mục lục: Sự ra đi của Miles Brundage và những câu hỏi về AGI Re...

tháng 11 07, 2024

Hệ thống AI Mở Nguồn: Bị Bỏ Xa So Với Mô Hình Độc Quyền?

<h2>Hệ thống AI mở nguồn tụt hậu so với các mô hình độc quyền và đóng cửa</h2>
<h3>Mục lục</h3>
<ol>
<li>Hệ thống AI mở và đóng: Định nghĩa</li>
<li>Phát triển mô hình AI mở và đóng: Kết quả</li>
<li>Rủi ro khi mở nguồn các mô hình</li>
<li>Kết luận</li>
</ol>
<h3>1. Hệ thống AI mở và đóng: Định nghĩa</h3>
Một cuộc tranh luận lớn về hệ thống AI mở so với đóng đang hình thành, trở thành một phần quan trọng trong việc quản lý những tiến bộ mới trong AI suy luận.
Khái niệm mở nguồn thường gắn liền với phần mềm, nơi mã nguồn được công khai. AI mở nguồn có định nghĩa hơi khác. Theo báo cáo của Epoch AI, mô hình AI mở nguồn là những mô hình có trọng số mô hình có thể tải xuống, trong khi "hệ thống đóng cửa không được phát hành hoặc chỉ có thể truy cập thông qua API hoặc dịch vụ được lưu trữ".
Sự tương đồng ở đây là nếu bạn có trọng số cho mô hình, bạn có thể nhìn vào hoạt động bên trong của nó, mã nguồn của nó, nếu bạn muốn.
<h3>2. Phát triển mô hình AI mở và đóng: Kết quả</h3>
Epoch AI nhận thấy rằng các mô hình mở nguồn tụt hậu so với các mô hình đóng cửa từ 5 đến 22 tháng trung bình. Llama của Meta được cho là mô hình mở nguồn hàng đầu, trong khi các mô hình đóng cửa của OpenAI rõ ràng gần với đường cong thống trị mô hình. Chúng ta có o1 thể hiện lý luận chuỗi suy nghĩ và Orion dự kiến sẽ được phát hành vào đầu năm sau.
<h3>3. Rủi ro khi mở nguồn các mô hình</h3>
Các tác giả của báo cáo lưu ý rằng các nhà sản xuất các hệ thống như ChatGPT có động cơ để giữ chúng đóng cửa. Trích dẫn từ báo cáo:
“Các doanh nghiệp bán quyền truy cập vào các mô hình như ChatGPT có động cơ thương mại để giữ bí mật các mô hình. Các phòng thí nghiệm AI trong ngành đã phản ứng với những phát triển này theo nhiều cách. Một số mô hình vẫn chưa được phát hành, chẳng hạn như mô hình Chinchilla của Google DeepMind. Ngoài ra, các mô hình như GPT-4o có quyền truy cập có cấu trúc, kiểm soát cách người dùng tương tác với mô hình."
Trong một số trường hợp, đó là kịch bản cũ, nơi các công ty lớn có khả năng tốt nhất để tạo ra các hệ thống mạnh mẽ và có khả năng sẽ không biến chúng thành mã nguồn mở, ngay cả một phần.
Tuy nhiên, cũng có một thành phần nguy hiểm trong việc này về quản trị công cộng. Một số người sẽ lập luận rằng nếu bạn để những hệ thống cực kỳ mạnh mẽ này quá cởi mở, bạn sẽ có tin tặc và những kẻ xấu lợi dụng chúng để gây hại cho phần còn lại của chúng ta.
Các tác giả của báo cáo viết: “Việc công bố các mô hình, mã và tập dữ liệu cho phép đổi mới và kiểm tra bên ngoài, nhưng điều đó không thể thu hồi và có nguy cơ bị lạm dụng nếu các biện pháp bảo vệ của mô hình bị bỏ qua. Hiện đang có một cuộc tranh luận về việc liệu sự đánh đổi này có thể chấp nhận được hay có thể tránh được."
<h3>4. Kết luận</h3>
Chính điều đó là một lập luận mạnh mẽ cho các hệ thống đóng cửa được quản lý bởi các ủy ban, hội đồng quản trị hoặc tiểu ban, trái ngược với việc phát hành ra thế giới rộng lớn mà không có bất kỳ sự kiểm soát nào.
Điều này là những gì đồng sáng lập OpenAI, Ilya Sutskever được cho là đã viết về vấn đề này:
“Khi chúng ta tiến gần đến việc xây dựng AI, việc bắt đầu ít cởi mở hơn là điều có ý nghĩa. Từ “mở” trong OpenAI có nghĩa là mọi người nên được hưởng lợi từ thành quả của AI sau khi nó được xây dựng, nhưng việc không chia sẻ khoa học hoàn toàn ổn.”
Cuối cùng, báo cáo trích dẫn một “bức tranh không rõ ràng” về hướng đi của các mô hình mở nguồn. Một lần nữa, Meta được trích dẫn là một người chơi quan trọng cho các mô hình mở nguồn.
Trong một số trường hợp, như Sutskever gợi ý, việc giả định rằng các mô hình sẽ bị đóng cửa hoặc bị giới hạn theo một cách nào đó là hợp lý, vì khả năng suy luận đang phát triển nhanh chóng. Chúng ta mới chỉ nhìn thấy AI đại diện đảm nhận các nhiệm vụ phức tạp một cách đáng kể, và điều đó đang gây ra những lo ngại riêng của nó trong cộng đồng quản lý.
Có khả năng các công ty sẽ tiếp tục phát hành các mô hình hạn chế cho công chúng, đồng thời giữ lại những khía cạnh mạnh mẽ nhất của công nghệ trong nội bộ và giữ những lá bài này gần với áo của họ.

Hệ thống AI Mở Nguồn: Bị Bỏ Xa So Với Mô Hình Độc Quyền?

Hệ thống AI mở nguồn tụt hậu so với các mô hình độc quyền và đóng cửa Mục lục Hệ thống AI mở và đóng: Định nghĩa Phát triển mô hình AI m...

tháng 11 07, 2024

ChatGPT Search: Thử nghiệm thực tế

<h2>ChatGPT Search: Một thử nghiệm thực tế</h2>
Mục lục:
<ol>
<li>Giới thiệu</li>
<li>Cách sử dụng ChatGPT Search</li>
<li>Thử nghiệm ChatGPT Search</li>
<li>Lợi ích của ChatGPT Search</li>
<li>Kết luận</li>
</ol>
1. Giới thiệu
ChatGPT Search là công cụ tìm kiếm mới của OpenAI, cạnh tranh trực tiếp với Google Search. Bài viết này sẽ phân tích nội dung video trên YouTube "OpenAI's New ChatGPT Search Engine: My Hands-On Test" để đánh giá hiệu quả của ChatGPT Search.
2. Cách sử dụng ChatGPT Search
Hiện tại, ChatGPT Search chỉ dành cho người dùng ChatGPT Plus (20 USD/tháng), thành viên nhóm Chat GPT Team và người dùng trong danh sách chờ của Search GPT (danh sách chờ đã đóng). Dự kiến, công cụ tìm kiếm sẽ được cung cấp miễn phí cho tất cả người dùng trong những tháng tới.
Để sử dụng ChatGPT Search, bạn cần đăng nhập vào ChatGPT và chọn phiên bản ChatGPT 4.0. Sau đó, bạn sẽ thấy biểu tượng quả địa cầu nhỏ trong khung nhập liệu. Khi di chuột vào biểu tượng này, bạn sẽ thấy dòng chữ "Tìm kiếm trên web". Nhấp vào biểu tượng quả địa cầu để kích hoạt ChatGPT Search.
3. Thử nghiệm ChatGPT Search
Video giới thiệu một số thử nghiệm với ChatGPT Search. 
<ul>
<li>Tìm kiếm thông tin về Quincy Jones: ChatGPT trả lời bằng ngôn ngữ tự nhiên, cung cấp thông tin về bài hát nổi tiếng của Quincy Jones và kèm theo đường dẫn đến trang Wikipedia của ông và playlist nhạc trên YouTube Music. Ngoài ra, ChatGPT còn liệt kê các nguồn tin liên quan đến Quincy Jones từ các trang báo uy tín như Wall Street Journal, Vanity Fair và Pitchfork.</li>
<li>Tìm kiếm điểm tham quan ở Monteray: ChatGPT đề xuất một số điểm tham quan nổi tiếng ở Monteray như M Bay Aquarium, Canary Row, Coastal Recreation Trail, Whale watching tours, Fisherman's Warf, Dennis the Menace park, Monarch butterfly sanctuary và 17-Mile Drive. ChatGPT cũng cung cấp các đường dẫn liên quan đến các điểm tham quan, hình ảnh minh họa và các nguồn tin tham khảo.</li>
<li>Tìm kiếm thông tin về tour du lịch ma quái ở Monteray: ChatGPT cung cấp thông tin về các tour du lịch ma quái phổ biến ở Monteray, kèm theo đường dẫn đến trang web của một số công ty tổ chức tour du lịch.</li>
<li>Tìm kiếm thông tin về Pebble Beach: ChatGPT cung cấp thông tin về Pebble Beach, kèm theo hình ảnh và lời khuyên về thời gian cần thiết để tham quan con đường 17-Mile Drive.</li>
</ul>
4. Lợi ích của ChatGPT Search
ChatGPT Search có một số lợi thế so với Google Search:
<ul>
<li>Trả lời bằng ngôn ngữ tự nhiên: Thay vì chỉ liệt kê các đường dẫn, ChatGPT trả lời bằng ngôn ngữ tự nhiên, dễ hiểu và dễ tiếp cận.</li>
<li>Cung cấp thông tin đa dạng: ChatGPT không chỉ cung cấp thông tin từ các trang web mà còn cung cấp thông tin từ các nguồn tin khác như Wikipedia, YouTube Music, các trang báo uy tín...</li>
<li>Cung cấp đường dẫn liên quan: ChatGPT cung cấp đường dẫn đến các nguồn tin liên quan, giúp người dùng tìm kiếm thêm thông tin.</li>
<li>Giao diện trực quan: ChatGPT cung cấp giao diện trực quan, dễ sử dụng và dễ tìm kiếm thông tin.</li>
</ul>
5. Kết luận
ChatGPT Search là một công cụ tìm kiếm đầy tiềm năng, mang đến những lợi ích vượt trội so với Google Search. ChatGPT có thể trở thành đối thủ cạnh tranh đáng gờm của Google Search trong tương lai. 
Tuy nhiên, vẫn cần thêm thời gian để đánh giá toàn diện hiệu quả của ChatGPT Search. Bên cạnh đó, ChatGPT Search vẫn còn một số hạn chế như chưa có sẵn cho tất cả người dùng.

ChatGPT Search: Thử nghiệm thực tế

ChatGPT Search: Một thử nghiệm thực tế Mục lục: Giới thiệu Cách sử dụng ChatGPT Search Thử nghiệm ChatGPT Search Lợi ích của ChatGPT S...

tháng 11 07, 2024

Llama: Mô hình AI mã nguồn mở cách mạng hóa cách chúng ta suy nghĩ về AI

<h2>Llama: Mô hình AI mã nguồn mở đang thay đổi cách chúng ta suy nghĩ về AI</h2>
Mục lục
<ol>
<li>Giới thiệu về Llama</li>
<li>Các điểm khác biệt của Llama</li>
<li>Lịch sử phát triển của Llama</li>
<li>Các tính năng nổi bật của Llama 3.1</li>
<li>Ứng dụng của Llama 3.1</li>
<li>Tương lai của Llama</li>
</ol>
1. Giới thiệu về Llama
Llama là một mô hình ngôn ngữ lớn (LLM) mã nguồn mở được phát triển bởi Meta. Điều này có nghĩa là mã nguồn của mô hình được công khai và bất kỳ ai cũng có thể truy cập và sử dụng nó. Llama được huấn luyện trên một lượng lớn dữ liệu văn bản, cho phép nó thực hiện nhiều nhiệm vụ liên quan đến ngôn ngữ như tạo văn bản, dịch thuật, tóm tắt văn bản và trả lời câu hỏi.
2. Các điểm khác biệt của Llama
<ul>
<li>Mã nguồn mở: Khả năng truy cập và sửa đổi mã nguồn của Llama mang đến nhiều lợi ích, bao gồm:
<ul>
<li>Minh bạch: Cho phép người dùng hiểu rõ cách thức hoạt động của mô hình.</li>
<li>Tùy chỉnh: Dễ dàng điều chỉnh mô hình cho phù hợp với các trường hợp sử dụng cụ thể.</li>
<li>Độ chính xác: Có thể tạo ra các mô hình chính xác hơn với kích thước nhỏ hơn, giúp giảm chi phí và thời gian phát triển.</li>
</ul>
</li>
<li>Kích thước nhỏ: Llama có kích thước nhỏ hơn so với các mô hình độc quyền, giúp tiết kiệm chi phí và thời gian sử dụng.
</li>
<li>Tùy chỉnh: Người dùng có thể tạo các mô hình chuyên biệt cho các lĩnh vực và trường hợp sử dụng cụ thể, thay vì phải sử dụng các mô hình đa năng.
</li>
</ul>
3. Lịch sử phát triển của Llama
<ul>
<li>Phiên bản đầu tiên: Ra mắt vào tháng 2 năm 2023, Llama 1 được huấn luyện trên một lượng lớn dữ liệu văn bản và có kích thước từ 7 tỷ đến 65 tỷ tham số. 
</li>
<li>Phiên bản thứ hai: Ra mắt vào tháng 7 năm 2023, Llama 2 có hiệu suất cao hơn so với phiên bản trước, với kích thước từ 7 tỷ đến 70 tỷ tham số.
</li>
<li>Code Llama: Ra mắt vào tháng 8 năm 2023, đây là các mô hình chuyên biệt cho lĩnh vực lập trình, đặc biệt là ngôn ngữ Python.
</li>
<li>Llama 3: Ra mắt vào tháng 4 năm 2024, Llama 3 tập trung vào việc nâng cao hiệu suất so với kích thước, với phạm vi từ 7 tỷ đến 70 tỷ tham số.
</li>
<li>Llama 3.1: Ra mắt vào tháng 7 năm 2024, Llama 3.1 có các tính năng mới:
<ul>
<li>Đa ngôn ngữ: Hỗ trợ nhiều ngôn ngữ, bao gồm cả tiếng Việt.</li>
<li>Cửa sổ ngữ cảnh mở rộng: Cho phép mô hình xử lý nhiều dữ liệu hơn trong một lần chạy.</li>
<li>Tăng cường bảo mật: Bao gồm các kỹ thuật như Llama Guard để bảo vệ chống lại các cuộc tấn công như tiêm lệnh.</li>
<li>Mô hình lớn hơn: Phiên bản 405 tỷ tham số, mang lại hiệu suất cạnh tranh với các mô hình lớn khác.</li>
</ul>
</li>
</ul>
4. Các tính năng nổi bật của Llama 3.1
<ul>
<li>Đa ngôn ngữ: Hỗ trợ nhiều ngôn ngữ, cho phép người dùng tương tác với mô hình bằng ngôn ngữ mẹ đẻ của họ.</li>
<li>Cửa sổ ngữ cảnh mở rộng: Cho phép mô hình xử lý nhiều dữ liệu hơn trong một lần chạy, giúp nó có thể thực hiện các nhiệm vụ phức tạp hơn.</li>
<li>Tăng cường bảo mật: Bao gồm các kỹ thuật để bảo vệ chống lại các cuộc tấn công như tiêm lệnh, đảm bảo an toàn cho người dùng.</li>
<li>Mô hình lớn hơn: Phiên bản 405 tỷ tham số, mang lại hiệu suất cạnh tranh với các mô hình lớn khác.</li>
</ul>
5. Ứng dụng của Llama 3.1
<ul>
<li>Tạo dữ liệu: Sử dụng mô hình 405 tỷ tham số để tạo ra dữ liệu tổng hợp phục vụ cho các mục đích nghiên cứu và phát triển.</li>
<li>Chưng cất kiến thức: Sử dụng mô hình để trích xuất thông tin cụ thể từ một lượng lớn dữ liệu.</li>
<li>Đánh giá mô hình LLM: Sử dụng Llama để đánh giá hiệu suất của các mô hình LLM khác cho các trường hợp sử dụng cụ thể.</li>
</ul>
6. Tương lai của Llama
Llama được kỳ vọng sẽ tiếp tục phát triển và mang đến nhiều tính năng mới, nâng cao hiệu suất và ứng dụng trong các lĩnh vực như:
<ul>
<li>Phát triển chatbot: Tạo ra các chatbot thông minh hơn, có thể hiểu và phản hồi các câu hỏi phức tạp hơn.</li>
<li>Dịch thuật: Nâng cao khả năng dịch thuật tự động, giúp xóa bỏ rào cản ngôn ngữ.</li>
<li>Tạo nội dung: Hỗ trợ người sáng tạo trong việc viết bài, viết kịch bản, tạo âm nhạc,...</li>
<li>Phân tích dữ liệu: Phân tích dữ liệu văn bản để rút ra những thông tin hữu ích, hỗ trợ ra quyết định.</li>
</ul>
Llama là một mô hình AI mã nguồn mở đầy tiềm năng, mang đến nhiều cơ hội cho cộng đồng nghiên cứu và phát triển AI. Với sự phát triển không ngừng, Llama có thể thay đổi cách chúng ta suy nghĩ và tương tác với AI trong tương lai.

Llama: Mô hình AI mã nguồn mở cách mạng hóa cách chúng ta suy nghĩ về AI

Llama: Mô hình AI mã nguồn mở đang thay đổi cách chúng ta suy nghĩ về AI Mục lục Giới thiệu về Llama Các điểm khác biệt của Llama Lịch ...

tháng 11 07, 2024

AI hỗ trợ giải quyết vấn đề toàn cầu: Những người nhận giải thưởng Llama Grant đang làm gì?

<h2>Sử dụng AI để giải quyết các vấn đề toàn cầu: Những người nhận giải thưởng Llama Grant đang làm gì?</h2>
<h3>Mục lục</h3>
<ol>
<li>Giới thiệu</li>
<li>Ứng dụng Llama 3 cho giáo dục tại Ấn Độ</li>
<li>Nâng cao dịch vụ tư vấn nông nghiệp cho nông dân</li>
<li>Nối kết bệnh nhân ung thư với các thử nghiệm lâm sàng</li>
<li>Người chiến thắng và giải thưởng khác</li>
<li>Kết luận</li>
</ol>
<h3>1. Giới thiệu</h3>
Meta vừa công bố những người nhận giải thưởng Llama Impact Grants năm 2023. Chương trình này nhằm hỗ trợ các dự án sáng tạo sử dụng Llama 2 và Llama 3 - các mô hình AI mã nguồn mở của Meta - để giải quyết những vấn đề xã hội cấp bách. 
Hơn 800 đơn ứng tuyển từ các tổ chức ở hơn 90 quốc gia đã được gửi về. 20 ứng viên xuất sắc đã được chọn lựa, và cuối cùng 3 dự án dẫn đầu đã được trao giải thưởng 500.000 USD mỗi dự án.
<h3>2. Ứng dụng Llama 3 cho giáo dục tại Ấn Độ</h3>
Wadhwani AI, một tổ chức có trụ sở tại Gujarat, Ấn Độ, dự định sử dụng Llama 3 để phát triển một hệ thống đánh giá trôi chảy đọc bằng AI. Mục tiêu của dự án là nâng cao kỹ năng đọc và hiểu tiếng Anh cho học sinh trong các trường công lập tại Gujarat. 
Dự án này, được thực hiện cùng với Sở Giáo dục Gujarat, sẽ sử dụng Llama để tạo ra các đoạn văn bản và câu hỏi hiểu bài phù hợp với nhu cầu, khả năng và mức độ học tập của học sinh. Hệ thống sẽ ghi nhận các lỗi phát âm, sau đó Llama sẽ tạo ra các đoạn văn bản mới, liên quan đến văn hóa địa phương, sử dụng các từ được phát âm sai, giúp học sinh tập trung vào việc cải thiện những điểm yếu. Tiếng Anh đóng vai trò quan trọng trong sự di động xã hội và kinh tế ở Ấn Độ, và dự án của Wadhwani AI sẽ góp phần làm cho tiếng Anh trở nên dễ tiếp cận hơn với mọi người.
<h3>3. Nâng cao dịch vụ tư vấn nông nghiệp cho nông dân</h3>
Digital Green's Farmer Chat là một chatbot AI đa ngôn ngữ cung cấp các dịch vụ tư vấn nông nghiệp theo yêu cầu cho nông dân ở các khu vực nghèo khó tại Ấn Độ, Kenya và Nigeria. Dự án của Digital Green sẽ huấn luyện Llama 2 trên một kho dữ liệu nông nghiệp khổng lồ, điều chỉnh mô hình cho phù hợp với nhu cầu và bối cảnh cụ thể của từng vùng, từ đó nâng cao độ chính xác và tính phù hợp của Farmer Chat. 
Khả năng trò chuyện của Llama sẽ được sử dụng để tương tác với nông dân, hiểu rõ câu hỏi của họ và cung cấp các phản hồi toàn diện và thực tế bằng nhiều ngôn ngữ địa phương, bao gồm tiếng Hindi, Swahili và Kikuyu. Dự án, được thực hiện cùng với One Acre Fund, nhằm mục tiêu giúp cải thiện khả năng chống chịu biến đổi khí hậu và giảm nghèo cho nông dân nhỏ lẻ bằng cách giảm chi phí dịch vụ tư vấn nông nghiệp.
<h3>4. Nối kết bệnh nhân ung thư với các thử nghiệm lâm sàng</h3>
Viện Ung thư Dana-Farber (DFCI) có trụ sở tại Hoa Kỳ, dự định xây dựng một nền tảng AI mã nguồn mở mới để kết nối bệnh nhân ung thư với các thử nghiệm lâm sàng. Dự án của Dana-Farber sẽ sử dụng Llama 3 để tóm tắt và hiểu các ghi chú lâm sàng và tiêu chí đủ điều kiện tham gia thử nghiệm lâm sàng không có cấu trúc, từ đó xác định nhanh chóng các lựa chọn thử nghiệm phù hợp cho từng bệnh nhân. Các mô hình AI mới sẽ được tích hợp vào nền tảng MatchMiner mã nguồn mở hiện có của Dana-Farber và được đánh giá với sự hợp tác của các đối tác lâm sàng. 
Các thử nghiệm lâm sàng rất cần thiết cho việc phát triển các phương pháp điều trị ung thư mới, và việc kết nối hiệu quả có thể giúp tạo điều kiện cho nhiều thử nghiệm lâm sàng hơn.
<h3>5. Người chiến thắng và giải thưởng khác</h3>
Jacaranda Health, người về nhì trong cuộc thi Llama Impact Grants, đã được trao giải thưởng 300.000 USD cho kế hoạch mở rộng khả năng của dịch vụ y tế kỹ thuật số AI PROMPTS của họ bằng cách sử dụng Llama.
Meta cũng trao giải thưởng cho 11 người chiến thắng giải Llama Impact Innovations Awards, một phần mở rộng của chương trình Llama Impact Grants. Chương trình này nhằm mục tiêu xác định và hỗ trợ các tổ chức có trụ sở tại châu Phi, Trung Đông, Thổ Nhĩ Kỳ, châu Á Thái Bình Dương và Mỹ Latinh, những tổ chức đang sử dụng Llama 2 và 3 để giải quyết các vấn đề trong khu vực của họ. Ngoài khoản tài trợ tài chính, những người chiến thắng và về nhì sẽ được tiếp cận với nhiều nguồn lực để giúp họ thực hiện dự án của mình, bao gồm cố vấn, cơ hội hợp tác và tín dụng quảng cáo.
<h3>6. Kết luận</h3>
Meta rất vui mừng được chứng kiến cách Llama có thể góp phần vào sự tiến bộ xã hội trên toàn thế giới. Meta khuyến khích các tổ chức đủ điều kiện nộp đơn xin tài trợ Llama Impact Grants năm 2024.

AI hỗ trợ giải quyết vấn đề toàn cầu: Những người nhận giải thưởng Llama Grant đang làm gì?

Sử dụng AI để giải quyết các vấn đề toàn cầu: Những người nhận giải thưởng Llama Grant đang làm gì? Mục lục Giới thiệu Ứng dụng Llama 3 ...

tháng 11 07, 2024

Sự bùng nổ của AI trong giáo dục: Cách mạng hóa học tập và dạy học

TeleVox: Đạt Thỏa Thuận AI với Premier, Inc.

Xây dựng chatbot có khả năng mở rộng và nhận thức ngữ cảnh với Amazon DynamoDB, Amazon Bedrock và LangChain

Trợ lý AI trong Windows Terminal: ChatGPT và GitHub Copilot

Duolingo Sử Dụng Chatbot AI Lily Cho Cuộc Gọi Thu Nhập

Ứng dụng và Hạn chế của Trợ lý Ảo Hỗ trợ Trí tuệ Nhân tạo trong Y tế

SambaNova và Hugging Face: Hỗ trợ phát triển chatbot AI dễ dàng hơn bao giờ hết

AI Thế Hệ Mới: Càng Lớn Mạnh Càng Bớt Tin Cậy - Hay Đó Chỉ Là Ảo Ảnh?

Google Rò Rỉ Thông Tin Về Trí Tuệ Nhân Tạo Mới "Jarvis AI"

Bí mật để tóm tắt thông báo trên Android bằng AI

Google Chat Tóm Tắt Cuộc Trò Chuyện Bằng Gemini AI

Claude 3.5 Haiku: Giá Tăng Gấp Bốn, "Trí Tuệ" Bất Ngờ

Anthropic và Palantir Hợp Tác Mang AI Claude lên AWS cho Hoạt động Tình Báo và Quốc Phòng Hoa Kỳ

Google vô tình để lộ Jarvis AI, AI có khả năng kiểm soát máy tính

"Hạt Giống" Của Feynman: Mini hóa AI và Hiệu Quả

Chúng ta chưa sẵn sàng cho AI Tổng Quát: 5 Vấn đề cần giải quyết

Hệ thống AI Mở Nguồn: Bị Bỏ Xa So Với Mô Hình Độc Quyền?

ChatGPT Search: Thử nghiệm thực tế

Llama: Mô hình AI mã nguồn mở cách mạng hóa cách chúng ta suy nghĩ về AI

AI hỗ trợ giải quyết vấn đề toàn cầu: Những người nhận giải thưởng Llama Grant đang làm gì?

Bài đăng phổ biến

Labels