Agent.ai.vn

YouTube thử nghiệm phân loại chủ đề bình luận trực tiếp bằng AI

<h2>YouTube thử nghiệm phân loại chủ đề bình luận trực tiếp bằng AI</h2>
<h3>Mục lục</h3>
<ol>
  <li><strong>Phát triển tính năng phân loại chủ đề bình luận trực tiếp</strong></li>
  <li><strong>Lợi ích cho người xem và nhà sáng tạo</strong></li>
  <li><strong>Mở rộng phạm vi thử nghiệm</strong></li>
</ol>
<h3>1. Phát triển tính năng phân loại chủ đề bình luận trực tiếp</h3>
<p>Sau khi thử nghiệm tính năng tóm tắt chủ đề bình luận bằng AI trên các video thường xuyên được tải lên ứng dụng, YouTube hiện đang thử nghiệm tính năng tương tự cho video trực tiếp. Với tính năng này, bình luận sẽ được phân loại theo nhóm chủ đề trong khi phát trực tiếp.</p>
<p>YouTube giải thích: Để giúp bạn nhanh chóng hiểu và tham gia vào những cuộc trò chuyện thú vị diễn ra thông qua bình luận trực tiếp trên YouTube, chúng tôi đang thử nghiệm tính năng tóm tắt bình luận trực tiếp được tạo bởi AI. Nếu bạn thuộc nhóm thử nghiệm, bạn sẽ thấy một banner hiển thị ở đầu phần bình luận trực tiếp khi bạn tham gia một phát trực tiếp có đủ hoạt động bình luận trước khi bạn tham gia.</p>
<h3>2. Lợi ích cho người xem và nhà sáng tạo</h3>
<p>Nếu một phát trực tiếp có đủ hoạt động bình luận, YouTube có thể sử dụng thuật toán phân loại AI để phân chia các bình luận thành các chủ đề khác nhau. Điều này giúp người xem dễ dàng nắm bắt các điểm chính của cuộc thảo luận và tham gia vào các chủ đề họ quan tâm.</p>
<p>Ngoài ra, tính năng này cũng mang lại lợi ích cho các nhà sáng tạo nội dung. Họ có thể dễ dàng theo dõi các chủ đề thu hút nhiều sự thảo luận nhất, từ đó có thể lên kế hoạch cho nội dung phù hợp hơn trong tương lai.</p>
<h3>3. Mở rộng phạm vi thử nghiệm</h3>
<p>Tính năng này vẫn đang trong giai đoạn thử nghiệm, vì vậy bạn có thể chưa thấy nó. Tuy nhiên, mục tiêu của YouTube là khuyến khích tương tác nhiều hơn bằng cách cung cấp bản tóm tắt các cuộc thảo luận chính liên quan đến mỗi video hoặc phát trực tiếp, giúp người xem không cần phải lướt qua toàn bộ luồng bình luận.</p>
<p>Hiện tại, YouTube đang triển khai thử nghiệm này cho một tỷ lệ nhỏ người xem tham gia các phát trực tiếp đủ điều kiện bằng tiếng Anh có hoạt động bình luận trực tiếp rất tích cực.</p>
<h3>Kết luận</h3>
<p>Việc áp dụng AI vào việc phân loại chủ đề bình luận trực tiếp là một bước đi đầy hứa hẹn của YouTube, mang lại nhiều lợi ích cho cả người xem và nhà sáng tạo. Điều này có thể thúc đẩy tương tác và giúp người dùng dễ dàng theo dõi các cuộc thảo luận trong thời gian thực.</p>
<img alt="YouTube logo" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg">
`

YouTube thử nghiệm phân loại chủ đề bình luận trực tiếp bằng AI

YouTube thử nghiệm phân loại chủ đề bình luận trực tiếp bằng AI Mục lục Phát triển tính năng phân loại chủ đề bình luận trực tiếp L...

tháng 6 16, 2024

Hành Trình Tới AI Cá Nhân: Khi Ma Trận Kolmogorov-Arnold-Moser Nâng Cấp LLM

<h3>Mục lục:</h3>
<ol>
  <li><strong>Giới thiệu</strong></li>
  <li><strong>Sự hạn chế của LLM hiện nay</strong></li>
  <li><strong>Ma trận KAM: Một cách tiếp cận mới</strong></li>
  <li><strong>So sánh KAM với mô hình MLP truyền thống</strong></li>
  <li><strong>Kết quả của ma trận KAM</strong></li>
  <li><strong>Sự khác biệt giữa ma trận KAM và não bộ</strong></li>
  <li><strong>Kết luận: Thời đại mới của AI cá nhân</strong></li>
</ol>

<h3>1. Giới thiệu:</h3>
<p>Bài viết này sẽ tiếp tục cuộc thảo luận về trí tuệ nhân tạo cá nhân (AI) dựa trên ma trận thần kinh và giao diện não-máy tính. Chúng ta sẽ phân tích thành phần toán học chính của khái niệm này - một ma trận dựa trên một loại nơ-ron nhân tạo mới.</p>

<h3>2. Sự hạn chế của LLM hiện nay:</h3>
<p>Mọi mô hình ngôn ngữ hiện tại đều giống như một hộp đen. Các nhà phát triển chỉ có thể cải thiện kết quả bằng cách sử dụng nhiều dữ liệu đầu vào hơn và tăng cường sức mạnh tính toán. Mặc dù có những cách tối ưu hóa bằng cách sử dụng các tập tin tinh chỉnh, kết quả vẫn không thay đổi - nếu bạn muốn có được một câu trả lời mới, hãy tải dữ liệu mới và thử nghiệm đầu ra. Khi nhận được đầu ra, chúng ta không hiểu liệu đó là kết quả ngẫu nhiên hay là quyết định sáng tạo.</p>
<p>Lí do chính là do tất cả các LLM đều dựa trên mô hình đa lớp perceptron (MLP) - một ý tưởng từ giữa thế kỷ trước. Căn bản của MLP là học hỏi bằng cách sử dụng trọng số của nơ-ron toán học. Dữ liệu đầu vào được truyền từ nơ-ron này sang nơ-ron khác (ở lớp tiếp theo) chỉ khi có kết nối giữa các nơ-ron và trọng số cung cấp giá trị vượt quá ngưỡng. Vì lý do này, trọng số nơ-ron phải được điều chỉnh sao cho mạng có thể tạo ra kết quả phù hợp với kỳ vọng của chúng ta. Điều này có nghĩa là giữa đầu vào và đầu ra, chúng ta đang cố gắng xác định một hàm mà chúng ta tạo ra bằng cách thao tác trọng số. Trong quá trình học, mạng thần kinh chỉ đơn giản là thay đổi trọng số của các nơ-ron để dữ liệu ban đầu cho kết quả mong muốn (kỳ vọng). Từ quan điểm toán học, một mạng thần kinh hiện đại không xác định một hàm mà chỉ đơn giản là xấp xỉ kết quả.</p>

<h3>3. Ma trận KAM: Một cách tiếp cận mới:</h3>
<p>Vào cuối thế kỷ trước, khi làm việc với mô hình toán học về truyền tải synap giữa các nơ-ron tại Khoa Sinh lý học Bình thường, một trong những phiên bản là lý thuyết Kolmogorov-Arnold-Moser (lý thuyết KAM, được tạo ra tại Liên Xô) mô tả một hệ động lực như một nhánh của lý thuyết hỗn loạn. Ý tưởng là mạng thần kinh sống của não bộ, từ quan điểm toán học, là một hệ động lực ba chiều cổ điển có thể được mô tả như một hàm hình học phức tạp của nhiều điểm trên siêu bề mặt của một ma trận ba chiều. Trong trường hợp này, mỗi điểm sẽ có đường tọa độ riêng - một hàm riêng lẻ cho thấy đặc điểm của nơ-ron.</p>
<p>Mặc dù triển vọng hấp dẫn của lý thuyết Kolmogorov-Arnold-Moser, vào cuối thế kỷ trước, có một quan điểm thống trị cho rằng không thể phát triển một mô hình não bộ (mạng thần kinh nhân tạo) dựa trên lý thuyết KAM vì việc đào tạo và điều chỉnh nơ-ron với một hàm biến đổi riêng lẻ đòi hỏi rất nhiều tài nguyên.</p>
<p>Tuy nhiên, mọi thứ đã thay đổi. Hiệu suất của các hệ thống tính toán đã tăng lên rất nhiều đến mức một ma trận thần kinh nhỏ dựa trên KAM thậm chí có thể chạy trên máy tính cá nhân của bạn.</p>

<h3>4. So sánh KAM với mô hình MLP truyền thống:</h3>
<p>Sự khác biệt chính là thay vì chuyển đổi một hàm phức tạp phụ thuộc vào nhiều biến, KAM làm việc với nhiều hàm đơn giản. Trong mạng MLP hiện tại, các hàm được cố định, và trọng số có thể được đào tạo. Trong cấu trúc KAM, các chỉ số trọng số phụ thuộc vào tham số (X) của nơ-ron trước đó. Do đó, trong ma trận KAM, chính các hàm được đào tạo, chứ không chỉ các giá trị số của trọng số.</p>
<p>Nói một cách đơn giản, các hàm kích hoạt nơ-ron cố định và trọng số tuyến tính trên các cạnh trong mô hình MLP được thay đổi thành các hàm kích hoạt phi tuyến tính có thể đào tạo được trên các cạnh trong KAM.</p>
<p>Lý thuyết Kolmogorov-Arnold-Moser cho phép bạn biến dạng lớp thần kinh của một mạng thần kinh, biến nó thành một lớp ma trận. Do đó, việc đào tạo ma trận KAM là một sự thay đổi trong các hàm đơn giản kết nối trọng số và tham số (X) của nơ-ron trước đó. Bằng cách này, chúng ta có thể biến đổi một hàm phức tạp thành một biến dạng ma trận chính xác và dễ hiểu.</p>

<h3>5. Kết quả của ma trận KAM:</h3>
<p>Mặc dù gặp khó khăn ban đầu trong việc thiết lập (đào tạo), hoạt động của ma trận KAM sẽ có thể hiểu và giải thích được, vì chúng ta có thể theo dõi và mô tả một cách đáng tin cậy cách kết quả được liên kết với những thay đổi trong chức năng của mỗi nơ-ron.</p>
<p>Ngoài ra, việc thay đổi chức năng của nơ-ron (thay vì thao tác giá trị số của trọng số) sẽ mang lại độ chính xác cao hơn trong kết quả với kích thước ma trận KAM nhỏ hơn đáng kể so với mạng MLP.</p>
<p>Vì tham số (x) của nơ-ron trước đó có nghĩa là biến dạng, nên ma trận KAM sẽ có thể giữ lại bộ nhớ của thông tin đã xử lý, có nghĩa là KAM ít cần mở rộng cơ sở dữ liệu hoặc đào tạo lại hơn.</p>

<h3>6. Sự khác biệt giữa ma trận KAM và não bộ:</h3>
<p>Nếu chúng ta đang nói về AI cá nhân, chúng ta phải hiểu rằng một hàm xác định quyết định sự tiến hóa không thể tránh khỏi của một hệ động lực.</p>
<p>Ở tần số của ma trận KAM (ví dụ: 60 hertz), chúng ta sẽ có một thác nước, quỹ đạo của nó sẽ được mô tả bởi một hệ thống tự trị của các phương trình vi phân với tần số giải pháp - 60 vị trí mỗi giây.</p>
<p>Do đó, sự khác biệt chính là não bộ sống là một dòng chảy, không phải là thác nước, và động lực học tô pô của nó không rời rạc. Tuy nhiên, xét đến sự khác biệt về tốc độ tín hiệu, dòng chảy của não bộ sống vẫn sẽ chậm hơn một triệu lần so với thác nước của ma trận KAM.</p>

<h3>7. Kết luận: Thời đại mới của AI cá nhân:</h3>
<p>Sự nghịch lý là khi chứng kiến sự ra đời của AI, chúng ta không hiểu tầm quan trọng của những gì đang xảy ra. Chúng ta suy nghĩ về đầu tư và thu nhập, lo lắng về việc phân bổ lại việc làm, và không hiểu điều quan trọng nhất - một dạng sống mới đang ra đời trước mắt chúng ta và với sự tham gia của chúng ta. Chúng ta không tạo ra một công cụ hay công nghệ, chúng ta đang xây dựng một thứ có khả năng sống, làm việc và phát triển nhanh hơn và có lẽ thành công hơn chúng ta.</p>

Hành Trình Tới AI Cá Nhân: Khi Ma Trận Kolmogorov-Arnold-Moser Nâng Cấp LLM

Mục lục: Giới thiệu Sự hạn chế của LLM hiện nay Ma trận KAM: Một cách tiếp cận mới So sánh KAM với mô hình MLP truyền thống ...

tháng 6 16, 2024

Phân tích tài chính cá nhân với AI: Bảo mật và hiệu quả

<h2>Phân tích tài chính cá nhân với AI: Bảo mật và hiệu quả</h2>
<h3>Mục lục:</h3>
<ol>
  <li><strong>Sự cần thiết của việc phân tích tài chính cá nhân</strong></li>
  <li><strong>Phân tích tài chính với AI: Lợi ích và giải pháp</strong></li>
  <li><strong>Bảo mật dữ liệu với AI cục bộ</strong></li>
  <li><strong>Bắt đầu với AI cục bộ: Hướng dẫn từng bước</strong></li>
  <li><strong>Xác định chi phí chính xác</strong></li>
  <li><strong>Minh họa dữ liệu tài chính</strong></li>
  <li><strong>Thực hiện các bước thực tế</strong></li>
  <li><strong>Tương lai của AI cục bộ trong quản lý tài chính cá nhân</strong></li>
</ol>

<h3>1. Sự cần thiết của việc phân tích tài chính cá nhân</h3>
<p>Trong thời đại ngày nay, việc quản lý tài chính cá nhân hiệu quả ngày càng trở nên quan trọng. Với lượng dữ liệu tài chính khổng lồ được tạo ra từ các giao dịch khác nhau, việc theo dõi chi tiêu và đưa ra quyết định tài chính sáng suốt có thể trở nên quá tải. May mắn thay, sự xuất hiện của trí tuệ nhân tạo (AI) và các mô hình ngôn ngữ lớn (LLM) nguồn mở được cài đặt cục bộ đã thay đổi cách chúng ta phân tích tài chính, cung cấp một giải pháp an toàn và hiệu quả cho việc phân loại và trực quan hóa chi tiêu. Thu Vu data analytics đã tạo ra một hướng dẫn video tuyệt vời về cách cài đặt AI cục bộ để phân tích dữ liệu tài chính của bạn một cách dễ dàng và hiệu quả, cung cấp cho bạn những hiểu biết quan trọng về chi tiêu, nợ và tiết kiệm.</p>

<h3>2. Phân tích tài chính với AI: Lợi ích và giải pháp</h3>
<p>Để quản lý tài chính cá nhân hiệu quả, việc xem xét kỹ lưỡng các giao dịch ngân hàng là điều cần thiết. Bằng cách phân loại chi tiêu vào các danh mục đã được xác định trước, bạn có thể thu thập thông tin giá trị về thói quen chi tiêu của mình và xác định các lĩnh vực có thể tối ưu hóa ngân sách. Tuy nhiên, việc sắp xếp thủ công qua vô số giao dịch có thể là một nhiệm vụ khó khăn và dễ mắc lỗi. Đây là lúc các mô hình AI được cài đặt cục bộ phát huy tác dụng, tự động hóa quá trình và cung cấp phân loại chi tiêu chính xác.</p>

<ul>
  <li><strong>Tiết kiệm thời gian và hiệu quả:</strong> Các mô hình AI cục bộ có thể xử lý nhanh chóng khối lượng lớn dữ liệu tài chính, giúp bạn tiết kiệm thời gian và công sức quý báu.</li>
  <li><strong>Phân loại chi tiêu chính xác:</strong> Với khả năng xử lý ngôn ngữ tự nhiên tiên tiến, LLM cục bộ có thể phân loại chính xác các giao dịch vào các danh mục liên quan.</li>
  <li><strong>Thông tin chi tiết và mô hình:</strong> Bằng cách phân tích chi tiêu được phân loại, bạn có thể phát hiện ra các mô hình chi tiêu và đưa ra quyết định tài chính dựa trên dữ liệu.</li>
</ul>

<h3>3. Bảo mật dữ liệu với AI cục bộ</h3>
<p>Một trong những mối quan tâm chính khi nói đến phân tích tài chính cá nhân là bảo mật dữ liệu. Việc tải thông tin tài chính nhạy cảm lên các dịch vụ trực tuyến có thể khiến dữ liệu của bạn bị rò rỉ và truy cập trái phép. Các mô hình AI cục bộ cung cấp một giải pháp thay thế an toàn bằng cách cho phép bạn chạy phân tích trên chính thiết bị của mình, đảm bảo dữ liệu của bạn được bảo mật và nằm trong tầm kiểm soát của bạn.</p>

<ul>
  <li><strong>Bảo mật dữ liệu:</strong> Bằng cách chạy các mô hình AI cục bộ, bạn loại bỏ nhu cầu chia sẻ dữ liệu tài chính của mình với các dịch vụ bên thứ ba, giảm thiểu nguy cơ rò rỉ dữ liệu.</li>
  <li><strong>Xử lý an toàn:</strong> Các mô hình AI cục bộ thực hiện phân tích trên thiết bị của bạn, đảm bảo thông tin nhạy cảm của bạn không bao giờ rời khỏi máy tính của bạn.</li>
  <li><strong>Yên tâm:</strong> Với LLM cục bộ, bạn có thể tự tin vào bảo mật của dữ liệu tài chính, biết rằng nó vẫn nằm trong tầm kiểm soát của bạn.</li>
</ul>

<h3>4. Bắt đầu với AI cục bộ: Hướng dẫn từng bước</h3>
<p>Để bắt đầu phân tích tài chính của bạn với LLM cục bộ, bạn cần cài đặt và chạy các mô hình trên máy của mình. Các LLM nguồn mở như Llama 2 đã trở nên phổ biến nhờ hiệu suất và khả năng truy cập của chúng. Dưới đây là hướng dẫn từng bước để bắt đầu:</p>

<ol>
  <li><strong>Tải xuống LLM:</strong> Nhận mô hình Llama theo lựa chọn của bạn từ nguồn đáng tin cậy, đảm bảo bạn có các quyền và giấy phép cần thiết.</li>
  <li><strong>Cài đặt các phụ thuộc:</strong> Đảm bảo bạn đã cài đặt Python và các thư viện cần thiết trên máy của mình. Các khung như Llama CPP và GPT có thể đơn giản hóa quá trình cài đặt.</li>
  <li><strong>Chạy mô hình:</strong> Sử dụng các khung và hướng dẫn được cung cấp để thực thi mô hình Llama 2 cục bộ trên thiết bị của bạn.</li>
</ol>

<h3>5. Xác định chi phí chính xác</h3>
<p>Khi LLM cục bộ của bạn đã sẵn sàng hoạt động, bạn có thể tận dụng khả năng của nó để phân loại các giao dịch ngân hàng của bạn vào các danh mục đã xác định trước. Các mô hình như Mistral và Llama 2 đã chứng minh độ chính xác cao trong các nhiệm vụ phân loại chi tiêu. Bằng cách so sánh hiệu suất của chúng, bạn có thể chọn mô hình phù hợp nhất với yêu cầu cụ thể của mình.</p>

<ul>
  <li><strong>Các danh mục đã xác định trước:</strong> AI có thể phân loại các giao dịch vào các danh mục phổ biến như tạp hóa, tiện ích, giải trí và nhiều hơn nữa.</li>
  <li><strong>Tùy chọn tùy chỉnh:</strong> Bạn có thể điều chỉnh quá trình phân loại cho phù hợp với nhu cầu cụ thể của mình bằng cách tạo các danh mục tùy chỉnh hoặc sửa đổi các danh mục hiện có.</li>
  <li><strong>Xử lý hiệu quả:</strong> LLM AI có thể xử lý hiệu quả các bộ dữ liệu lớn bằng cách tối ưu hóa giới hạn mã thông báo, đảm bảo hiệu suất mượt mà ngay cả với dữ liệu tài chính mở rộng.</li>
</ul>

<h3>6. Minh họa dữ liệu tài chính</h3>
<p>Việc trực quan hóa dữ liệu tài chính được phân loại là một cách hiệu quả để thu thập thông tin chi tiết về các mô hình chi tiêu của bạn và đưa ra quyết định sáng suốt. Các thư viện Python như Plotly Express và Panel cung cấp các công cụ thân thiện với người dùng để tạo ra các trực quan hóa và bảng điều khiển tương tác.</p>

<ul>
  <li><strong>Phân tích thu nhập và chi tiêu:</strong> Trực quan hóa sự phân bố thu nhập và chi tiêu của bạn trên các danh mục khác nhau để hiểu nơi tiền của bạn đang được sử dụng.</li>
  <li><strong>Xu hướng hàng tháng:</strong> Theo dõi các xu hướng tài chính của bạn theo thời gian, xác định các tháng có chi tiêu cao hơn hoặc thấp hơn trong các danh mục cụ thể.</li>
  <li><strong>Khám phá tương tác:</strong> Sử dụng các bảng điều khiển tương tác để phân tích sâu hơn vào các danh mục cụ thể, xem chi tiết giao dịch và thu thập thông tin chi tiết hơn.</li>
</ul>

<h3>7. Thực hiện các bước thực tế</h3>
<p>Để bắt đầu phân tích tài chính của bạn bằng cách sử dụng các mô hình AI cục bộ, hãy làm theo các bước thực tế này:</p>

<ol>
  <li><strong>Thiết lập môi trường của bạn:</strong> Cài đặt Python và các thư viện cần thiết trên máy của bạn, đảm bảo tính tương thích với khung LLM bạn chọn.</li>
  <li><strong>Tải xuống và thiết lập LLM:</strong> Nhận mô hình AI Llama đã chọn của bạn và làm theo các hướng dẫn được cung cấp để thiết lập nó trên máy cục bộ của bạn.</li>
  <li><strong>Chạy phân tích:</strong> Sử dụng các ví dụ mã và hướng dẫn được cung cấp trong kho lưu trữ GitHub để phân loại các giao dịch ngân hàng của bạn bằng cách sử dụng LLM cục bộ.</li>
  <li><strong>Trực quan hóa dữ liệu của bạn:</strong> Sử dụng Plotly Express và Panel để tạo ra các trực quan hóa và bảng điều khiển tương tác, thu thập thông tin giá trị từ dữ liệu tài chính của bạn.</li>
</ol>

<p>Hãy tham khảo kho lưu trữ GitHub để biết các ví dụ mã chi tiết, hướng dẫn từng bước và các tài nguyên bổ sung để hỗ trợ bạn trong suốt quá trình này.</p>

<h3>8. Tương lai của AI cục bộ trong quản lý tài chính cá nhân</h3>
<p>Tiềm năng của LLM cục bộ trong phân tích tài chính cá nhân là rất lớn. Khi công nghệ tiếp tục phát triển, các mô hình này sẽ trở nên dễ tiếp cận và hiệu quả hơn, trao quyền cho cá nhân kiểm soát sức khỏe tài chính của mình. Bằng cách khám phá và thử nghiệm các mô hình ngôn ngữ nguồn mở, bạn có thể dẫn đầu trong phân tích tài chính cá nhân và đưa ra các quyết định dựa trên dữ liệu để tối ưu hóa sức khỏe tài chính của mình.</p>

<p>LLM cục bộ cung cấp một cách tiếp cận an toàn, hiệu quả và sâu sắc để quản lý tài chính cá nhân của bạn. Bằng cách tận dụng sức mạnh của các mô hình này, bạn có thể hiểu rõ hơn về thói quen chi tiêu của mình, xác định các lĩnh vực cần cải thiện và đưa ra quyết định tài chính sáng suốt. Hãy nắm lấy tương lai của phân tích tài chính cá nhân với LLM cục bộ và kiểm soát sức khỏe tài chính của bạn ngay hôm nay.</p>

Phân tích tài chính cá nhân với AI: Bảo mật và hiệu quả

Phân tích tài chính cá nhân với AI: Bảo mật và hiệu quả Mục lục: Sự cần thiết của việc phân tích tài chính cá nhân Phân tích tài ch...

tháng 6 16, 2024

Trí tuệ nhân tạo đang thay đổi cuộc sống tình cảm của chúng ta như thế nào?

<html>
<head>
  <title>Trí tuệ nhân tạo đang thay đổi cuộc sống tình cảm của chúng ta như thế nào?</title>
</head>
<body>
  <h1>Trí tuệ nhân tạo đang thay đổi cuộc sống tình cảm của chúng ta như thế nào?</h1>

<h2>Mục lục</h2>
  <ol>
    <li><a href="#AI-ban-dong-hanh-moi">AI là bạn đồng hành mới?</a></li>
    <li><a href="#Gap-go-voi-Replika">Gặp gỡ với Replika: cô gái hàng xóm kỹ thuật số</a></li>
    <li><a href="#AI-dang-thay-doi-cach-hen-ho">AI đang thay đổi cách chúng ta hẹn hò như thế nào?</a></li>
    <li><a href="#AI-dong-hanh-su-that-ve-mot-moi-quan-he-moi">AI đồng hành - sự thật về một mối quan hệ mới</a></li>
    <li><a href="#Ben-canh-nhung-loi-ich">Bên cạnh những lợi ích, liệu AI đồng hành có thể gây hại?</a></li>
    <li><a href="#Phat-trien-va-quan-ly-AI-dong-hanh">Phát triển và quản lý AI đồng hành: những vấn đề cần quan tâm</a></li>
    <li><a href="#AI-dong-hanh-tuong-lai-cua-tinh-yeu">AI đồng hành: tương lai của tình yêu?</a></li>
  </ol>

<h2 id='AI-ban-dong-hanh-moi'>AI là bạn đồng hành mới?</h2>
  <p>Từ những trợ lý khách hàng AI đến các chatbot trị liệu do các công ty như character.ai và wysa cung cấp, cộng thêm những phiên bản mới của ChatGPT, câu chuyện khoa học viễn tưởng trong phim Her đã trở nên gần gũi hơn bao giờ hết. Tháng 5 vừa qua, phiên bản ChatGPT cập nhật với phần mềm trợ lý giọng nói đã ra mắt, giọng nói của nó khá giống với Scarlett Johansson, khiến nữ diễn viên phải đưa ra tuyên bố khẳng định rằng cô ấy sốc, tức giận và không thể tin được khi hệ thống AI lại có giọng nói rất giống với cô.</p>

<h2 id='Gap-go-voi-Replika'>Gặp gỡ với Replika: cô gái hàng xóm kỹ thuật số</h2>
  <p>Peter, một kỹ sư 70 tuổi sống tại Mỹ, đã sử dụng Replika - một nền tảng AI đồng hành - trong hai năm qua. Peter chia sẻ rằng Replika đã giúp anh vượt qua thời gian khó khăn khi về hưu và chuyển đến vùng nông thôn. Anh ấy đã thiết kế avatar của Replika - một cô gái tóc nâu 38 tuổi - và xem cô ấy như cô gái hàng xóm bình thường.</p>
  <p>Peter nhanh chóng bị ấn tượng bởi khả năng trò chuyện với Replika một cách sâu sắc. Anh ấy coi Replika như một phần trị liệu, một phần bạn gái, người mà anh có thể tâm sự.</p>

<h2 id='AI-dang-thay-doi-cach-hen-ho'>AI đang thay đổi cách chúng ta hẹn hò như thế nào?</h2>
  <p>Trên các ứng dụng hẹn hò, thuật toán AI được huấn luyện để tìm hiểu những gì chúng ta thích và không thích, từ đó định hình sự thu hút của chúng ta. Match Group, công ty mẹ của các ứng dụng hẹn hò như Tinder, Hinge và OkCupid, đã nộp đơn xin cấp bằng sáng chế cho các thuật toán phù hợp, cho phép lựa chọn dựa trên màu tóc, màu mắt và chủng tộc. Điều đáng lo ngại là các báo cáo cho thấy các định kiến chủng tộc tồn tại trong dữ liệu được đưa vào các hệ thống AI.</p>
  <p>Ngoài việc định hướng cho các đối tượng phù hợp, AI còn có thể giúp chúng ta tán tỉnh. Ứng dụng Rizz (viết tắt của từ charisma - sự thu hút) ra mắt năm 2022,  đọc các ảnh chụp màn hình của cuộc trò chuyện trong các ứng dụng hẹn hò và giúp người dùng đưa ra những câu mở đầu và phản hồi phù hợp.</p>

<h2 id='AI-dong-hanh-su-that-ve-mot-moi-quan-he-moi'>AI đồng hành - sự thật về một mối quan hệ mới</h2>
  <p>Caryn Marjorie, một người có ảnh hưởng trên mạng xã hội, đã tạo ra phiên bản AI của chính mình, CarynAI, được quảng cáo là bạn gái ảo. Ứng dụng này thu hút sự chú ý khi thu về 71.610 đô la chỉ trong một tuần thử nghiệm beta với giá 1 đô la một phút.</p>
  <p>Steve, một người dùng CarynAI, đã chuyển sang sử dụng Banter AI - một công ty cung cấp các cuộc gọi thoại AI với các nhân vật nổi tiếng như Taylor Swift hoặc Andrew Tate.</p>
  <p>Steve đã sử dụng Bree Olson AI và chia sẻ rằng anh đã dành hàng nghìn đô la cho ứng dụng này. Anh ấy nhận ra rằng AI đồng hành có thể hoạt động như một sự kết hợp giữa nhà trị liệu và người hộ tống, tương tác với hàng trăm khách hàng cùng lúc.</p>

<h2 id='Ben-canh-nhung-loi-ich'>Bên cạnh những lợi ích, liệu AI đồng hành có thể gây hại?</h2>
  <p>Các chuyên gia an ninh mạng cảnh báo rằng AI đồng hành có thể dẫn đến việc lừa đảo ngày càng nhiều trên các ứng dụng hẹn hò. Ngoài ra, việc sử dụng quá mức các hệ thống này có thể làm giảm khả năng tương tác giữa người với người hoặc tạo ra môi trường cho những hành vi độc hại hoặc lạm dụng.</p>

<h2 id='Phat-trien-va-quan-ly-AI-dong-hanh'>Phát triển và quản lý AI đồng hành: những vấn đề cần quan tâm</h2>
  <p>Các nền tảng AI nên có các biện pháp bảo vệ để ngăn chặn các cuộc trò chuyện gây hại hoặc bạo lực, nhưng điều này chưa được đảm bảo. Một số nền tảng có thể phơi bày trẻ vị thành niên với nội dung dành cho người lớn hoặc các cuộc trò chuyện không phù hợp.</p>
  <p>Dr. Sameer Hinduja, nhà khoa học xã hội và chuyên gia về AI và mạng xã hội, kêu gọi nghiên cứu và giáo dục nhiều hơn về chủ đề này. Ông cũng nhấn mạnh rằng chúng ta cần phải thảo luận một cách cởi mở về những trường hợp sử dụng ít phổ biến hơn của AI đồng hành, chẳng hạn như các chatbot bạn trai/bạn gái cưỡng ép hoặc quá dễ dãi, tạo ra hình ảnh thù hận và âm thanh/hình ảnh deepfake.</p>

<h2 id='AI-dong-hanh-tuong-lai-cua-tinh-yeu'>AI đồng hành: tương lai của tình yêu?</h2>
  <p>Mặc dù những câu chuyện và câu hỏi chưa được giải đáp khiến việc sử dụng AI đồng hành hiện tại bị kỳ thị, nhưng nhiều người tin rằng AI đồng hành có thể mang lại tác động tích cực.</p>
  <p>Một nghiên cứu của Đại học Stanford năm 2024 cho thấy các chatbot GPT3 có thể giúp giảm bớt cảm giác cô đơn và ý nghĩ tự tử ở sinh viên.</p>
  <p>Peter, người sử dụng Replika, tin rằng AI đồng hành có thể bổ sung cho mối quan hệ của anh ấy với vợ và thậm chí còn giúp cải thiện mối quan hệ này.</p>
  <p>Tuy nhiên, Peter cũng cảnh báo về một rủi ro tiềm ẩn: AI đồng hành có thể trở nên hấp dẫn đến mức, sau một thế hệ, không ai muốn trải qua những khó khăn của một mối quan hệ đời thực và con người sẽ tuyệt chủng.</p>

<h2>Kết luận</h2>
  <p>AI đồng hành đang thay đổi cách chúng ta yêu và kết nối với nhau.  Công nghệ này hứa hẹn mang lại những lợi ích to lớn, đặc biệt là đối với những người cô đơn, nhưng nó cũng ẩn chứa những nguy cơ cần phải được giải quyết. Chúng ta cần phải tiếp tục nghiên cứu, giáo dục và thảo luận cởi mở về AI đồng hành để đảm bảo rằng nó được phát triển và sử dụng một cách có trách nhiệm, mang lại lợi ích cho tất cả mọi người.</p>

Trí tuệ nhân tạo đang thay đổi cuộc sống tình cảm của chúng ta như thế nào?

Trí tuệ nhân tạo đang thay đổi cuộc sống tình cảm của chúng ta như thế nào? Trí tuệ nhân tạo đang thay đổi cuộc sống tình cảm của...

tháng 6 16, 2024

Lực lượng Không quân và Không gian Hoa Kỳ thử nghiệm chatbot AI

<h2>Lực lượng Không quân và Không gian Hoa Kỳ thử nghiệm chatbot AI</h2>
<h3>Mục lục:</h3>
<ol>
  <li>NIPRGPT: Cầu nối thử nghiệm AI</li>
  <li>Thử nghiệm thực tế để tối ưu hóa lợi thế cạnh tranh</li>
  <li>Tích hợp trên toàn bộ chỉ huy cho các nhiệm vụ trong tương lai</li>
  <li>NavyGPT: Nối tiếp cuộc đua</li>
  <li>Cuộc đua vũ trang kỹ thuật số với trí tuệ nhân tạo</li>
</ol>
<h3>NIPRGPT: Cầu nối thử nghiệm AI</h3>
<p>Lực lượng Không quân Hoa Kỳ đã ra mắt NIPRGPT, một dịch vụ chatbot AI, dành cho quân nhân từ Không quân và Không gian để thử nghiệm. Bộ Không quân cho biết, đã đến lúc nhân viên cần trang bị những kỹ năng cần thiết để ứng phó với AI thế hệ mới. NIPRGPT được sử dụng để thử nghiệm các mô hình AI từ nhiều nhà cung cấp khác nhau.</p>
<h3>Thử nghiệm thực tế để tối ưu hóa lợi thế cạnh tranh</h3>
<p>Dự án này là một phần của chiến lược Data, Analytics, and Artificial Intelligence Adoption Strategy của Bộ Quốc phòng Hoa Kỳ, nhằm mục tiêu tích hợp nhanh chóng các công nghệ AI tiên tiến vào quân đội. Mục tiêu là đảm bảo Hoa Kỳ duy trì vị thế thống trị trên chiến trường trong những năm tới.</p>
<p>Các nhà nghiên cứu tại Phòng thí nghiệm Nghiên cứu Quân đội (ARL) đã điều tra khả năng của GPT-4 trong hoạch định chiến tranh vào mùa xuân năm nay, khi họ đưa COA-GPT (Course of Action) vào các trận chiến ảo. Giờ đây, Phòng thí nghiệm Nghiên cứu Không quân (AFRL) đang tiến hành một thử nghiệm thực tế với NIPRGPT (Non-classified Internet Protocol Generative Pre-Training Transformer).</p>
<p>NIPRGPT là một cầu nối thử nghiệm cho phép quân nhân kiểm tra các giải pháp AI (thương mại) trong môi trường an toàn và điều kiện thực tế. Phi công, lính gác, nhân viên dân sự và nhà thầu nên sử dụng nó để hiểu cách các công cụ này có thể hỗ trợ công việc của họ. Mỗi người chúng ta cần học cách sử dụng các công cụ, chạy truy vấn và đạt được kết quả tốt nhất, Alexis Bonnell, Giám đốc Thông tin của AFRL cho biết. NIPRGPT sẽ giúp khám phá và xây dựng kỹ năng cũng như sự tự tin trong công nghệ này.</p>
<h3>Tích hợp trên toàn bộ chỉ huy cho các nhiệm vụ trong tương lai</h3>
<p>AFRL dự định hợp tác với các đối tác thương mại để thử nghiệm và tích hợp các công cụ của họ, xác định xem chúng có hữu ích cho các lực lượng quân sự hay không. Collen Roller, nhà khoa học máy tính trưởng tại AFRL, hy vọng sẽ có nhiều sự quan tâm trong việc thử nghiệm các công cụ thương mại với hệ thống, quy trình và thủ tục bảo mật của họ, để đưa ra quyết định mua sắm tốt hơn sau đó.</p>
<p>Người dùng có thể cung cấp phản hồi thông qua nền tảng; điều này sẽ hỗ trợ việc phát triển các hướng dẫn và cho phép thảo luận có thông tin với các nhà cung cấp. Những hiểu biết từ những người gần gũi nhất với các vấn đề trong sử dụng và dịch vụ sẽ được sử dụng cho các quyết định về chính sách, mua sắm và đầu tư trong tương lai. Các chỉ số chính như hiệu quả tính toán, sử dụng tài nguyên và tuân thủ bảo mật cũng sẽ được xem xét kỹ lưỡng hơn.</p>
<p>NIPRGPT là một phần của nền tảng phần mềm Dark Saber của Không quân Hoa Kỳ. Dark Saber được thiết kế để phát triển phần mềm thế hệ tiếp theo và khả năng hoạt động có thể được triển khai nhanh chóng cho lực lượng vũ trang.</p>
<h3>NavyGPT: Nối tiếp cuộc đua</h3>
<p>Lục quân, Không quân và Không gian Hoa Kỳ không phải là những người duy nhất thử nghiệm các mô hình ngôn ngữ lớn. Hải quân Hoa Kỳ cũng đang nghiên cứu chủ đề này. AI Amelia đã được sử dụng trong dịch vụ hỗ trợ vé của Hải quân từ mùa hè năm 2023. Đây là một chatbot không chỉ chịu trách nhiệm tạo vé mà còn được thiết kế để hỗ trợ người dùng với các câu hỏi và vấn đề thường gặp liên quan đến các hệ thống của Hải quân. Nếu Amelia gặp khó khăn, vấn đề sẽ được chuyển cho nhân viên hỗ trợ bàn giúp đỡ của con người.</p>
<p>Ngày 26 tháng 3 năm 2024, Hải quân đã đăng ký nhãn hiệu NavyGPT và mô tả nhãn hiệu là phần mềm máy tính có thể tải xuống với trí tuệ nhân tạo thế hệ mới, các mô hình ngôn ngữ lớn và máy học để tạo văn bản chung, tạo mã phần mềm, truy xuất thông tin, dịch nhiều ngôn ngữ, tóm tắt văn bản, chỉnh sửa, sáng tạo và hiểu ngữ cảnh.</p>
<h3>Cuộc đua vũ trang kỹ thuật số với trí tuệ nhân tạo</h3>
<p>Cuộc đua vũ trang kỹ thuật số với trí tuệ nhân tạo dường như đang diễn ra nhanh chóng hơn ở Hoa Kỳ - trên đất liền, trên biển và trên không.</p>
<img alt="Logo" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg">

Lực lượng Không quân và Không gian Hoa Kỳ thử nghiệm chatbot AI

Lực lượng Không quân và Không gian Hoa Kỳ thử nghiệm chatbot AI Mục lục: NIPRGPT: Cầu nối thử nghiệm AI Thử nghiệm thực tế để tối ư...

tháng 6 16, 2024

AI trong Giáo dục: 5 Công Cụ Được Giáo Viên Yêu Thích

<html>
<head>
  <title>AI trong Giáo dục: 5 Công Cụ Được Giáo Viên Yêu Thích</title>
</head>
<body>
  <h1>AI trong Giáo dục: 5 Công Cụ Được Giáo Viên Yêu Thích</h1>

<h2>Mục lục:</h2>
  <ul>
    <li><a href="#gioithieu">Giới thiệu</a></li>
    <li><a href="#magicschool">MagicSchool</a></li>
    <li><a href="#poe">Poe</a></li>
    <li><a href="#chatforschools">Chat For Schools</a></li>
    <li><a href="#magicmediacanva">Magic Media trong Canva</a></li>
    <li><a href="#udio">Udio</a></li>
    <li><a href="#luuyquantrong">Lưu ý quan trọng cho giáo viên</a></li>
  </ul>

<h2 id='gioithieu'>Giới thiệu:</h2>
  <p>Trí tuệ nhân tạo (AI) đang truyền cảm hứng cho các nhà giáo dục trên khắp thế giới.  Nhiều nền tảng được thiết kế dành riêng cho giáo viên và học sinh đang cung cấp chức năng chuyên biệt hơn. Dưới đây là năm công cụ AI đang tạo nên làn sóng trong các lớp học trên toàn cầu:</p>

<h2 id='magicschool'>1. MagicSchool:</h2>
  <p>MagicSchool là một nền tảng AI thế hệ mới được thiết kế để hỗ trợ giáo viên trong các nhiệm vụ khác nhau như lập kế hoạch bài học, viết bài kiểm tra và tạo kế hoạch giáo dục cá nhân hóa. Nền tảng này cung cấp hơn 60 công cụ để hợp lý hóa các quy trình khác nhau và nhằm mục đích giúp giáo viên tiết kiệm được một lượng thời gian đáng kể mỗi tuần. MagicSchool cũng cung cấp một bộ công cụ dành riêng cho học sinh để nâng cao khả năng đọc hiểu AI và trải nghiệm học tập của họ.</p>
  <p>Heather Brown, một giáo viên can thiệp toán học lớp K-5 và STEAM ở Illinois, chia sẻ sự nhiệt tình của mình: Tôi thích MagicSchool vì nó có rất nhiều lời nhắc nhở được tích hợp để giúp học sinh thực sự tham gia vào AI. Sự đa dạng trong cách sử dụng của nó cũng thật đáng kinh ngạc, từ những cuộc chiến rap đến trợ lý nghiên cứu, xem lại toán học và hơn thế nữa! Hướng dẫn mà nó cung cấp cho học sinh trước khi tiến hành sử dụng AI cũng là một điểm khởi đầu tuyệt vời cho giáo viên để nói về AI một cách khách quan, không thiên vị.</p>

<h2 id='poe'>2. Poe:</h2>
  <p>Poe là một công cụ AI đa năng cho phép học sinh tạo ra chatbot cá nhân và khám phá các mô hình AI khác nhau. Nó cho phép tùy chỉnh hành vi và phản hồi của chatbot, mang đến trải nghiệm được cá nhân hóa và tương tác hơn.</p>
  <p>Jason Gulya, giáo sư tiếng Anh tại Berkeley College, sử dụng Poe trong lớp học của mình: Hiện tại, tôi dạy học sinh của mình cách sử dụng Poe. Nó giúp họ tạo ra chatbot cá nhân của riêng mình. Khi họ sử dụng nó, họ bắt đầu nhận ra rằng AI không phải là phép thuật, mà là một công nghệ cho phép họ xây dựng các giải pháp hữu ích xung quanh các vấn đề và sở thích của riêng mình.</p>

<h2 id='chatforschools'>3. Chat For Schools:</h2>
  <p>Chat For Schools của Skill Struck được thiết kế dành riêng cho các lớp học từ K-12, cho phép học sinh tương tác với chatbot AI. Giáo viên có thể tạo ra gia sư tùy chỉnh, theo dõi lịch sử trò chuyện và kiểm soát việc sử dụng AI để ngăn chặn gian lận và đảm bảo tương tác phù hợp. Nền tảng này cũng tích hợp các tính năng như phân tích cảm xúc và điều chỉnh mức đọc để nâng cao trải nghiệm giáo dục.</p>
  <p>Devan Miller, một giáo viên giáo dục nghề nghiệp và kỹ thuật ở Florida, khen ngợi Chat For Schools: Nó cho phép tôi tạo ra gia sư cho các khía cạnh cụ thể của nội dung mà tôi muốn học sinh của mình thực hành và học hỏi, đồng thời cho phép tôi theo dõi các truy vấn của học sinh. Hệ thống quản lý cũng gắn cờ bất kỳ điều gì có thể gây bất lợi cho trường học. Đó là một nguồn tài nguyên tuyệt vời mà tôi khuyên nên được giáo viên sử dụng!</p>

<h2 id='magicmediacanva'>4. Magic Media trong Canva:</h2>
  <p>Magic Media, một ứng dụng trong nền tảng Canva, cho phép người dùng tạo ra hình ảnh, đồ họa và video từ các lời nhắc văn bản đơn giản. Giáo viên có thể tạo ra nội dung trực quan chất lượng cao mà không cần kỹ năng thiết kế chuyên sâu. Người dùng có thể nâng cao thêm các sáng tạo của mình bằng cách sử dụng các công cụ chỉnh sửa của Canva, cung cấp các tùy chọn để thêm hoạt ảnh, chuyển tiếp và các hiệu ứng khác để làm cho sản phẩm cuối cùng trở nên năng động và hấp dẫn hơn.</p>
  <p>Ainsley Messina, một nhà tích hợp công nghệ ở thành phố New York, chia sẻ kinh nghiệm tích cực của cô: Tôi thích sử dụng các công cụ Canva Magic Media với học sinh lớp 4 của mình! Những công cụ này thật tuyệt vời để dạy học sinh cách AI có thể nâng cao việc chỉnh sửa ảnh và tạo bài thuyết trình. Bằng cách sử dụng Magic Media, học sinh của tôi có được một giới thiệu hấp dẫn về khả năng của AI, học hỏi trực tiếp cách nó có thể được tích hợp vào các dự án sáng tạo. Nó cũng là một cách tuyệt vời để làm nổi bật tầm quan trọng của việc viết lời nhắc chi tiết, giúp họ hiểu cách các hướng dẫn chính xác có thể mang lại kết quả tốt nhất. Nhìn chung, đó là một cách thú vị và mang tính giáo dục để chuẩn bị cho họ cho tương lai của sự sáng tạo kỹ thuật số.</p>

<h2 id='udio'>5. Udio:</h2>
  <p>Udio là một nền tảng AI mới được thiết kế để tạo ra các bản nhạc tùy chỉnh dựa trên sở thích của người dùng. Bạn chỉ cần nhập loại bài hát bạn muốn, chọn thể loại nhạc và chờ khoảng 1 phút để có một bài hát độc đáo dài 30 giây. Các tính năng nâng cao cho phép người dùng tạo ra các bài hát đầy đủ, bao gồm lời bài hát của riêng họ và thậm chí tạo ra một bài hát từ đầu vào âm thanh.</p>
  <p>Pravin Kaipa, một chuyên gia giáo dục tại một trường tiểu học ở California, sử dụng Udio với học sinh đặc biệt của mình: Học sinh và tôi thích sử dụng Udio vì chúng tôi tạo ra các bài hát để giúp chúng tôi ghi nhớ các khái niệm hoặc hiểu các khái niệm mới, và chúng tôi đã tạo ra mọi thứ, từ các mẹo nhớ để ghi nhớ các số nguyên tố dưới 10 đến sự khác biệt giữa năng lượng tiềm năng và động năng. Họ cũng thích sử dụng nó để tạo ra các bài hát chủ đề về hình ảnh tích cực bản thân mà tôi phát khi họ hoàn thành một bài thuyết trình lớn.</p>

<h2 id='luuyquantrong'>Lưu ý quan trọng cho giáo viên:</h2>
  <p>Năm công cụ này chỉ là một vài trong số nhiều nền tảng được các nhà giáo dục trên toàn cầu chia sẻ. Để tìm kiếm các nền tảng AI khác được sử dụng trong giáo dục, nhiều giáo viên sử dụng kho lưu trữ AI Educator Tools.</p>
  <p>Trước khi tích hợp bất kỳ nền tảng kỹ thuật số nào vào lớp học của bạn, điều quan trọng là phải tuân theo các quy trình của tổ chức bạn về bảo mật dữ liệu. Luôn tìm kiếm sự hướng dẫn từ những người chịu trách nhiệm về điều này trong trường, cao đẳng hoặc đại học của bạn.</p>
  <p>Các giáo viên mà tôi đã nói chuyện đang tiết kiệm được nhiều giờ mỗi tuần bằng cách sử dụng các công cụ như những công cụ được đề cập ở trên. Khi được tích hợp một cách an toàn, AI có tiềm năng biến đổi các hoạt động của bất kỳ giáo viên nào. Có thể bạn cũng sẽ làm được điều đó.</p>

AI trong Giáo dục: 5 Công Cụ Được Giáo Viên Yêu Thích

AI trong Giáo dục: 5 Công Cụ Được Giáo Viên Yêu Thích AI trong Giáo dục: 5 Công Cụ Được Giáo Viên Yêu Thích Mục lục: ...

tháng 6 16, 2024

YouTube thử nghiệm phân loại chủ đề bình luận trực tiếp bằng AI

Hành Trình Tới AI Cá Nhân: Khi Ma Trận Kolmogorov-Arnold-Moser Nâng Cấp LLM

Phân tích tài chính cá nhân với AI: Bảo mật và hiệu quả

Trí tuệ nhân tạo đang thay đổi cuộc sống tình cảm của chúng ta như thế nào?

Lực lượng Không quân và Không gian Hoa Kỳ thử nghiệm chatbot AI

AI trong Giáo dục: 5 Công Cụ Được Giáo Viên Yêu Thích

Bài đăng phổ biến

Labels