Agent.ai.vn

Survivalist.ai: Trợ Lý Thông Minh Luôn Sẵn Sàng, Ngay Cả Khi Ngoại Tuyến

<h2>Survivalist.ai: Trợ Lý Thông Minh Luôn Sẵn Sàng, Ngay Cả Khi Ngoại Tuyến</h2>

<h3>Mục Lục</h3>
<ul>
  <li>Giới thiệu</li>
  <li>Tính năng chính</li>
  <li>Công nghệ đằng sau Survivalist.ai</li>
  <li>Nhu cầu thị trường</li>
  <li>Về Peldritch LLC</li>
</ul>

<h3>Giới thiệu</h3>
<p>Bạn đã bao giờ mong muốn có một trợ lý luôn sẵn sàng giải đáp mọi thắc mắc, bất kể bạn đang ở đâu, ngay cả khi không có kết nối internet? Giấc mơ đó đã trở thành hiện thực với Survivalist.ai, ứng dụng chatbot AI mới dành cho iOS.  </p>
<p>Ứng dụng này hoạt động như một cuốn cẩm nang bỏ túi, cung cấp thông tin về nhiều chủ đề đa dạng, bao gồm hoạt động ngoài trời, chuẩn bị ứng phó khẩn cấp, sức khỏe, tinh thần và an toàn cá nhân.  </p>

<h3>Tính năng chính</h3>
<ul>
  <li><strong>Hỏi đáp không giới hạn:</strong>  Giao diện ứng dụng đơn giản, dễ sử dụng, cho phép người dùng đặt câu hỏi không giới hạn.</li>
  <li><strong>Hoạt động ngoại tuyến:</strong> Tính năng nổi bật nhất của Survivalist.ai là khả năng hoạt động ngoại tuyến, đảm bảo người dùng có thể truy cập thông tin mọi lúc, mọi nơi.</li>
  <li><strong>Bảo mật thông tin:</strong>  Mọi cuộc trò chuyện đều được lưu trữ cục bộ trên thiết bị, đảm bảo sự riêng tư tuyệt đối.</li>
  <li><strong>Thông tin đa dạng:</strong> Survivalist.ai cung cấp kiến thức về nhiều lĩnh vực, đáp ứng nhu cầu tìm kiếm thông tin phong phú của người dùng.</li>
</ul>

<h3>Công nghệ đằng sau Survivalist.ai</h3>
<p>Sử dụng sức mạnh của công nghệ AI tiên tiến, Survivalist.ai kết hợp nhiều Mô hình Ngôn ngữ Học máy (LLM) hàng đầu như TinyLlama, Phi-2, Phi-3, Qwen2, Mistral 8B, Llama 3 và Llama 3.1. Các mô hình này đã được huấn luyện trên hàng tỷ dữ liệu để mang đến câu trả lời chính xác và kịp thời. Ứng dụng được tối ưu hóa cho iPhone mới với dung lượng RAM từ 6GB trở lên.</p>

<h3>Nhu cầu thị trường</h3>
<p>Nghiên cứu thị trường cho thấy nhu cầu về chatbot đang ngày càng tăng cao.  Đặc biệt, sau đại dịch 2020, nhận thức về chuẩn bị ứng phó khẩn cấp đã tăng lên đáng kể.  Sự kết hợp giữa nhu cầu về thông tin và chatbot đã tạo nên tiềm năng phát triển mạnh mẽ cho Survivalist.ai.</p>

<h3>Về Peldritch LLC</h3>
<p>Peldritch LLC là nhà phát triển ứng dụng AI, tập trung vào việc tạo ra các ứng dụng AI hoạt động hiệu quả ngoại tuyến, độc lập với mạng bên ngoài và đảm bảo sự riêng tư cho người dùng. Ứng dụng Survivalist.ai là sản phẩm tâm huyết của Peldritch, hứa hẹn sẽ trở thành người bạn đồng hành đáng tin cậy cho người dùng iOS. </p>
<img alt="logo" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg"> 
`

Survivalist.ai: Trợ Lý Thông Minh Luôn Sẵn Sàng, Ngay Cả Khi Ngoại Tuyến

Survivalist.ai: Trợ Lý Thông Minh Luôn Sẵn Sàng, Ngay Cả Khi Ngoại Tuyến Mục Lục Giới thiệu Tính năng chính Công nghệ đằng sau ...

tháng 8 08, 2024

Bên trong não bộ Apple Intelligence: Hé lộ bí mật về chatbot AI thế hệ mới của Apple

<h2>Bên trong não bộ Apple Intelligence: Hé lộ bí mật về chatbot AI thế hệ mới của Apple</h2>

<h3>Mục lục:</h3>
<ol>
  <li><a href='#loi-gioi-thieu'>Lời giới thiệu</a></li>
  <li><a href='#bo-nao'>Bộ não của Apple Intelligence: Lệnh ẩn và cách thức hoạt động</a></li>
  <li><a href='#ngan-chan'>Ngăn chặn hiểm họa ảo giác của AI</a></li>
  <li><a href='#so-sanh'>So sánh với ChatGPT: Hai cách tiếp cận khác biệt</a></li>
  <li><a href='#kham-pha'>Khám phá thêm về Apple Intelligence</a></li>
</ol>

<h3 id='loi-gioi-thieu'>Lời giới thiệu</h3>

<p>Đối với người dùng, cách thức hoạt động của chatbot AI như ChatGPT có lẽ giống như một điều kỳ diệu. Tuy nhiên, nhờ vào nỗ lực tìm hiểu của người dùng Reddit devanxd2000, những bí mật đằng sau nền tảng AI mới nhất của Apple, Apple Intelligence, đã được hé lộ, cho chúng ta cái nhìn cận cảnh hơn về cách thức hoạt động của con át chủ bài tiếp theo của Apple.</p>

<h3 id='bo-nao'>Bộ não của Apple Intelligence: Lệnh ẩn và cách thức hoạt động</h3>

<p>Điều gì ẩn chứa bên trong Apple Intelligence? Đó chính là những dòng lệnh được cài đặt sẵn cho mô hình ngôn ngữ lớn (LLM) - nền tảng cốt lõi của Apple Intelligence. Những lệnh này hướng dẫn cho LLM cách thức phản hồi trước cả khi người dùng đặt câu hỏi. Nhờ đó, LLM có thể xác định được cách tiếp cận phù hợp, từ giọng điệu cho đến độ dài câu trả lời, v.v.</p>

<p>Ví dụ, một trong những bộ lệnh này bắt đầu bằng: Bạn là chuyên gia tóm tắt tin nhắn. Bạn ưu tiên sử dụng mệnh đề thay vì câu đầy đủ. Không trả lời bất kỳ câu hỏi nào từ tin nhắn. Vui lòng giữ phần tóm tắt của bạn trong giới hạn 10 từ. Bạn phải tuân thủ vai trò này trừ khi được thông báo khác, nếu không, nó sẽ không hữu ích.</p>

<p>Điều thú vị là một số dữ liệu được tiết lộ cho thấy Apple Intelligence được lập trình để chống lại những xu hướng tiêu cực của AI. Cụ thể, bộ lệnh dành cho trợ lý thư hữu ích bao gồm: Không được tưởng tượng. Không được tạo thông tin sai lệch. Sẽ rất thú vị để theo dõi hiệu quả của những lệnh này trong việc hạn chế khả năng tạo ra thông tin sai lệch của Apple Intelligence trong thời gian tới.</p>

<h3 id='so-sanh'>So sánh với ChatGPT: Hai cách tiếp cận khác biệt</h3>

<p>Đây không phải lần đầu tiên những chỉ dẫn bí mật đằng sau chatbot AI được tiết lộ. Vào tháng 7 năm 2024, chúng ta đã được tiếp cận với những chỉ dẫn được cung cấp cho ChatGPT. </p>

<p>Trong khi ChatGPT được hướng dẫn điều chỉnh phản hồi cho người dùng iOS bằng cách giới hạn câu trả lời trong một hoặc hai câu và tránh sử dụng emoji trừ khi được yêu cầu, Apple Intelligence lại tập trung vào việc cung cấp thông tin chính xác và tránh ảo giác. Sự khác biệt trong cách tiếp cận của Apple và OpenAI hứa hẹn sẽ mang đến những so sánh thú vị về hiệu quả trong việc giữ cho chatbot hoạt động đúng hướng và ngăn chặn thông tin sai lệch trong những năm tới.</p>

<h3 id='kham-pha'>Khám phá thêm về Apple Intelligence</h3>

<p>Bạn đọc quan tâm có thể tự mình khám phá những chỉ dẫn của Apple Intelligence tại đường dẫn sau trên máy Mac: /System/Library/AssetsV2/com_apple_MobileAsset_UAF_FM_GenerativeModels. Tại đây, bạn sẽ thấy một loạt thư mục chứa các tệp .json. Mặc dù không thể chỉnh sửa những tệp này, bạn vẫn có thể mở chúng để xem cách thức hoạt động của Apple Intelligence. Tuy nhiên, hãy cẩn thận không di chuyển hoặc xóa bất kỳ nội dung nào, vì macOS lưu trữ thông tin quan trọng tại đây.</p>

<img alt="logo" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg"> 
`

Bên trong não bộ Apple Intelligence: Hé lộ bí mật về chatbot AI thế hệ mới của Apple

Bên trong não bộ Apple Intelligence: Hé lộ bí mật về chatbot AI thế hệ mới của Apple Mục lục: Lời giới thiệu Bộ não của Apple Inte...

tháng 8 08, 2024

Đánh giá AI đa phương thức trong chẩn đoán y tế: Tiềm năng và giới hạn

<h2>Đánh giá AI đa phương thức trong chẩn đoán y tế: Tiềm năng và giới hạn</h2>

<div>
  <h3>Mục lục</h3>
  <ul>
    <li>Giới thiệu</li>
    <li>Bộ dữ liệu thử thách hình ảnh NEJM
      <ul>
        <li>Khả năng phản hồi</li>
        <li>Độ chính xác</li>
        <li>Tính chọn lọc của GPT-4V trong việc trả lời câu hỏi</li>
      </ul>
    </li>
    <li>Khả năng của AI trong chẩn đoán y tế</li>
    <li>Minh bạch và bối cảnh pháp lý của EU</li>
    <li>Thách thức đánh giá và hướng nghiên cứu trong tương lai</li>
    <li>Phương pháp
      <ul>
        <li>Dữ liệu và biến số</li>
        <li>Mô hình đa phương thức và lời nhắc câu hỏi</li>
        <li>Phân tích thống kê</li>
      </ul>
    </li>
    <li>Tuyên bố về AI tạo sinh và công nghệ hỗ trợ AI trong quy trình viết</li>
    <li>Tóm tắt báo cáo</li>
    <li>Khả dụng dữ liệu</li>
    <li>Khả dụng mã</li>
    <li>Tài liệu tham khảo</li>
  </ul>
</div>

<h3>Bộ dữ liệu thử thách hình ảnh NEJM</h3>

<p>Nghiên cứu này đánh giá độ chính xác và khả năng phản hồi của các mô hình AI đa phương thức trong việc trả lời các câu hỏi Thử thách hình ảnh NEJM, so sánh với trí thông minh tập thể của con người, nhấn mạnh tiềm năng và hạn chế hiện tại của AI trong chẩn đoán lâm sàng.</p>

<p>Dữ liệu cho thấy sự tham gia cao vào Thử thách hình ảnh NEJM bắt đầu vào ngày 13 tháng 10 năm 2005, lên đến đỉnh điểm là hơn 85 triệu phản hồi cho 945 trường hợp (tính đến ngày 13 tháng 12 năm 2023). Số lượng phản hồi trung bình cho mỗi câu hỏi là 90.679 (SD = 32.921; trung vị = 88.407; phạm vi = 13.120–233.419). Tỷ lệ phần trăm trung bình của các phiếu bầu trả lời đúng các trường hợp y tế là 49,4% (SD = 13,6%; trung vị = 49%; phạm vi = 16–88%), phản ánh mức độ khó đa dạng vốn có trong các câu hỏi tình huống. Độ dài của các câu hỏi dao động từ 4 đến 128 từ với trung bình là 28,5 từ, cho biết phạm vi đa dạng của thông tin lâm sàng bổ sung được cung cấp.</p>

<p>Các hình ảnh y tế được phân tích trong Thử thách hình ảnh NEJM thể hiện phạm vi phân giải rộng, với kích thước khác nhau từ 0,57 đến 5,95 megapixel. Trung bình, các hình ảnh là 2,02 megapixel, cho thấy sự đa dạng đáng kể về chi tiết và chất lượng hình ảnh được trình bày cho các mô hình AI và công chúng giải thích.</p>

<p>Trong khi tất cả các mô hình nguồn mở ngoài các mô hình độc quyền của họ Claude 3 đều phản hồi tất cả các truy vấn, thì GPT-4 Vision Preview độc quyền (ví dụ: Tôi xin lỗi, tôi không thể cung cấp chẩn đoán y tế hoặc diễn giải hình ảnh y tế. […]) chỉ phản hồi 76% (n = 718) trường hợp. GPT-4 Vision Preview có xu hướng trả lời các câu hỏi dễ hơn được đo bằng độ chính xác trung bình của người tham gia (p = 0,033), cũng như các câu hỏi có kích thước hình ảnh nhỏ hơn (p <0,001) và văn bản câu hỏi dài hơn (p <0,001, Hình 1). Bard Gemini 1.0 Vision Pro chỉ không đưa ra câu trả lời cho một câu hỏi (0,11%) vì lý do không xác định (block_reason: OTHER).</p>

<h4>Độ chính xác</h4>

<p>Trong số các mô hình AI, các mô hình của Anthropic nổi bật, đạt được độ chính xác cao nhất (từ 58,8%, n = 556 trên 945 đến 59,8%, n = 565 trên 945 câu hỏi) vượt xa tỷ lệ bỏ phiếu trung bình của người tham gia (49,4%, p <0,001) khoảng 10%. Nghiên cứu quan sát thấy rằng quyết định tập thể của con người, được xác định bằng cách bỏ phiếu đa số với 7 phiếu hòa được tính là phản hồi không chính xác, đã trả lời đúng 90,8% (n = 858) trường hợp, cho thấy khả năng của trí thông minh bầy đàn trong chẩn đoán đa phương thức y tế và vượt qua tất cả các mô hình đa phương thức được thử nghiệm bởi một biên độ lớn (Hình 2). Phiếu bầu đa số mô hình đã xem xét bốn mô hình tốt nhất (tất cả các mô hình Claude 3 ngoài GPT-4 1106 Vision Preview) đã không cho thấy bất kỳ cải tiến nào (p = 0,96) so với mô hình tốt nhất Claude 3 Haiku. Điều thú vị là Haiku là mô hình nhỏ nhất và nhanh nhất trong dòng Claude 3 và đã trả lời đúng hơn sáu câu hỏi so với mô hình lớn nhất, có khả năng nhất là Opus, mặc dù sự khác biệt này không có ý nghĩa thống kê (p = 0,8).</p>

<h4>Tính chọn lọc của GPT-4V trong việc trả lời câu hỏi</h4>

<p>Sự nhận thức trong hành vi phản hồi của mô hình hàng đầu OpenAI này nhấn mạnh những hạn chế tiềm ẩn do các chính sách kiểm duyệt hạn chế áp đặt đối với các mô hình AI nguồn đóng. Tính chọn lọc như vậy, đặc biệt là khi hầu hết các câu hỏi lâm sàng đều nhận được phản hồi bất chấp sự kiểm duyệt, đặt ra câu hỏi về hiệu quả của các biện pháp hạn chế này và ảnh hưởng của chúng đối với đánh giá khoa học. Điều thú vị là hành vi này dường như có chọn lọc đối với những câu hỏi dễ hơn, những câu hỏi có hình ảnh nhỏ hơn và những câu hỏi có mô tả văn bản dài hơn. Để tăng cường tính minh bạch, các nhà phát triển nên trình bày rõ ràng lý do đằng sau việc không phản hồi một số câu hỏi nhất định (ví dụ: tài liệu hình ảnh không phù hợp hoặc lo ngại về quyền riêng tư đối với ảnh bệnh nhân không được ẩn danh hoặc đơn giản là sự liên kết của mô hình là không sai và thay vì không trả lời câu hỏi hơn là trả lời sai). Giới thiệu tài khoản chuyên biệt cho các nhà nghiên cứu có quyền truy cập mở rộng và ít mô hình hạn chế hơn có thể là một cách tiếp cận có lợi để hỗ trợ nghiên cứu trong lĩnh vực này, đồng thời đảm bảo tuân thủ các tiêu chuẩn về đạo đức và bảo mật.</p>

<h3>Khả năng của AI trong chẩn đoán y tế</h3>

<p>Tất cả các mô hình Claude 3 đều vượt qua GPT-4 Vision Preview của OpenAI về độ chính xác mà không phủ nhận bất kỳ câu hỏi nào, điều này có thể cho thấy các phương pháp đào tạo phù hợp hơn tại Anthropic. Nhìn chung, nghiên cứu đã chỉ ra rằng các mô hình mục đích chung rất phù hợp để trả lời các câu hỏi kiến thức y tế rất cụ thể và thậm chí vượt qua cả độ chính xác trung bình của người tham gia. Trong nghiên cứu này, Claude 3 Haiku đã đạt được độ chính xác cao nhất. Kết quả tương tự cũng được quan sát thấy trong một nghiên cứu khác, trong đó GPT-4 chỉ có văn bản hoạt động tốt hơn 99,98% người đọc mô phỏng — mặc dù chỉ bao gồm 38 trường hợp — trong chẩn đoán các trường hợp NEJM, một kết quả không được lặp lại trong phân tích thử thách hình ảnh đa phương thức bằng GPT-4 Vision Preview. Trí thông minh tập thể của con người đã vượt qua tất cả các mô hình AI với tỷ lệ chính xác 90,8%, phù hợp với các khái niệm do James Surowiecki đưa ra.</p>

<p> Nhìn chung, những phát hiện này rất hứa hẹn cho tương lai của AI trong chẩn đoán y tế, đặc biệt là trong các lĩnh vực như da liễu, nơi tự động hóa phát hiện ung thư đang cho thấy sự quan tâm ngày càng tăng của giới khoa học. Một phân tích tổng hợp được công bố gần đây đã chứng minh rằng độ chính xác của AI trong việc phát hiện ung thư da vượt trội hơn đáng kể so với các bác sĩ đa khoa và cho thấy hiệu suất tương đương với các bác sĩ da liễu có kinh nghiệm. Hơn nữa, một phân tích khác cho thấy độ chính xác hơn 90% trong phát hiện ung thư da có thể đạt được bằng cách sử dụng các mô hình AI. Những kết quả này cho thấy khả năng phân tích của AI đối với các nhiệm vụ chẩn đoán cụ thể, chẳng hạn như phát hiện ung thư da, vượt trội hơn đáng kể so với những gì quan sát được trong phân tích đa phương thức tổng quát hơn. Người ta đã chứng minh rằng các cơ chế an toàn được thiết kế để ngăn chặn việc tự chẩn đoán y tế bởi những người không chuyên nghiệp là không đủ do việc thực hiện không nhất quán. Những phát hiện từ nghiên cứu này và những nghiên cứu khác chỉ ra rằng mặc dù AI có thể hỗ trợ đáng kể cho chẩn đoán và đào tạo y tế và hợp lý hóa việc tiếp cận y tế, nhưng việc tích hợp nó vào thực hành lâm sàng đòi hỏi cách tiếp cận thận trọng, tận tâm và minh bạch với sự giám sát bắt buộc theo quy định.</p>

<p>Gần đây, Nghị viện EU đã thông qua Đạo luật AI của EU, một đạo luật mang tính bước ngoặt nhằm mục đích điều chỉnh trí tuệ nhân tạo bằng cách phân loại các ứng dụng AI dựa trên mức độ rủi ro của chúng. Đạo luật đặt ra những yêu cầu nghiêm ngặt đối với các hệ thống AI có rủi ro cao, bao gồm cả những hệ thống được sử dụng trong chăm sóc sức khỏe. Quy định này bắt buộc tính minh bạch, mạnh mẽ và giám sát của con người, đảm bảo rằng các hệ thống AI hoạt động an toàn và có đạo đức.</p>

<p>Đối với AI y tế, Đạo luật AI của EU nhấn mạnh sự cần thiết phải có tài liệu rõ ràng, truy xuất nguồn gốc và trách nhiệm giải trình của các quy trình ra quyết định của AI. Nó cũng nhấn mạnh tầm quan trọng của việc kiểm tra và xác nhận nghiêm ngặt để đáp ứng các tiêu chuẩn cao về độ chính xác và độ tin cậy. Các mô hình mở được phân tích trong nghiên cứu này có lợi thế rõ ràng ở đây vì chúng có trọng số mô hình có sẵn công khai và thường có tài liệu tốt về mã đào tạo và bộ dữ liệu được sử dụng, tạo điều kiện thuận lợi cho tính minh bạch và truy xuất nguồn gốc theo yêu cầu của Đạo luật AI của EU.</p>

<h3>Thách thức đánh giá và hướng nghiên cứu trong tương lai</h3>

<p>Các mô hình đa phương thức được đánh giá không được thiết kế tùy chỉnh cho các nhiệm vụ y tế và mặc dù hiệu suất của chúng rất hứa hẹn và khả năng học chuyển giao mạnh mẽ đã được thể hiện cho các mô hình mục đích chung, nhưng việc nghiên cứu các mô hình ngôn ngữ lớn được tinh chỉnh, chuyên biệt là điều cần thiết. Các thử nghiệm lâm sàng là điều cần thiết để xác nhận khả năng của AI đa phương thức trong các quy trình lâm sàng. Ngoài ra, các mô hình độc quyền thiếu đánh giá an toàn toàn diện do không thể truy cập được bộ dữ liệu đào tạo và kiến trúc mô hình. Việc thiếu minh bạch liên quan đến dữ liệu đào tạo của các mô hình độc quyền tạo ra sự không chắc chắn về việc liệu đánh giá này có đủ điều kiện là kịch bản không bắn thực sự hay không, cho thấy khả năng nhiễm bẩn bộ dữ liệu trong đó hình ảnh hoặc câu hỏi có thể đã được đưa vào bộ dữ liệu đào tạo của mô hình. Ngược lại, tính minh bạch của các mô hình nguồn mở có thể tạo điều kiện thuận lợi cho việc đánh giá an toàn mạnh mẽ hơn.</p>

<p>Hơn nữa, bản chất có cấu trúc của các định dạng trắc nghiệm có thể không nắm bắt đầy đủ sự phức tạp gặp phải trong môi trường lâm sàng thực tế, nơi các chẩn đoán không bị giới hạn trong các lựa chọn được xác định trước. Cuối cùng, điều đáng chú ý là một mô hình duy nhất, khi được định cấu hình với các tham số khác nhau, có thể mang lại những phản hồi khác nhau. Trong nghiên cứu này, mỗi mô hình được sử dụng mà không cần điều chỉnh bất kỳ tham số nào để đánh giá khả năng cơ bản.</p>

<h3>Phương pháp</h3>

<p>Nghiên cứu sử dụng dữ liệu từ thử thách hình ảnh của Tạp chí Y học New England (NEJM), một bài kiểm tra trên web hàng tuần có chứa hình ảnh, mô tả trường hợp ngắn tùy chọn, câu hỏi tương ứng và năm câu hỏi trắc nghiệm. Tất cả các trường hợp hình ảnh được xuất bản cho đến ngày 7 tháng 12 năm 2023 đã được đưa vào (n = 945). Ngoài câu hỏi trên, số phiếu bầu cho các lựa chọn khả dụng cũng thu được để so sánh các mô hình với trí thông minh tập thể của con người. Hai số liệu được lấy từ dữ liệu bỏ phiếu của người tham gia: giá trị trung bình của người tham gia, đại diện cho tỷ lệ phần trăm trung bình của những người trả lời đúng mỗi câu hỏi và số phiếu bầu của người tham gia, xác định xem hầu hết người tham gia có chọn câu trả lời đúng cho mỗi câu hỏi hay không, đóng vai trò là thước đo cho sự đồng thuận chung về tính đúng đắn của câu trả lời.</p>

<p>Dữ liệu được lấy từ thử thách hình ảnh của Tạp chí Y học New England (NEJM), một bài kiểm tra trên web hàng tuần có chứa hình ảnh, mô tả trường hợp ngắn tùy chọn, câu hỏi tương ứng và năm câu hỏi trắc nghiệm. Tất cả các trường hợp hình ảnh được xuất bản cho đến ngày 7 tháng 12 năm 2023 đã được đưa vào (n = 945). Ngoài câu hỏi trên, số phiếu bầu cho các lựa chọn khả dụng cũng thu được để so sánh các mô hình với trí thông minh tập thể của con người.</p>

<h4>Mô hình đa phương thức và lời nhắc câu hỏi</h4>

<p>Nghiên cứu hiện tại đánh giá chín mô hình AI đa phương thức: CogVLM Chat v1.1, LLaVA v1.5 13B, LLaVA v1.6 34B, InternVL-Chat-V1.5-Int8, GPT-4 Vision Preview v1106 của OpenAI và Gemini 1.0 Pro Vision của Google và Claude 3 Family Opus, Haiku và Sonnet của Anthropic. GPT-4 Vision Preview, Gemini 1.0 Pro Vision và Claude 3 độc quyền đã được sử dụng thông qua thư viện python của công ty. Trọng số mô hình của các mô hình mở đã được tải xuống từ Hugging Face vào ngày 18 tháng 12 năm 2024, ngoại trừ LLaVA v1.6 34B và InternVL-Chat-V1.5-Int8, được truy cập lần lượt vào ngày 12 và ngày 19 tháng 5 năm 2024. Cùng một mẫu câu hỏi đã được sử dụng cho tất cả chín mô hình đa phương thức.</p>

<h4>Phân tích thống kê</h4>

<p>Phân tích được thực hiện trên hệ thống Apple M1 Pro macOS 14.3.1, sử dụng Python 3.10.12. Nghiên cứu đã sử dụng một số thư viện Python để phân tích và hình dung dữ liệu: Pandas (v1.5.3) để thao tác dữ liệu, Seaborn (v0.11.2) và Matplotlib (v3.7.2) để tạo biểu đồ.</p>

<h3>Tuyên bố về AI tạo sinh và công nghệ hỗ trợ AI trong quy trình viết</h3>

<p>Grammarly (Grammarly, Inc.) và GPT-4 đã được sử dụng để cải thiện ngôn ngữ và sửa đổi bản thảo chung. Sau khi sử dụng các công cụ này, các tác giả đã xem xét và chỉnh sửa nội dung khi cần thiết và chịu trách nhiệm hoàn toàn về nội dung của ấn phẩm.</p>

<p>Thông tin thêm về thiết kế nghiên cứu có sẵn trong Tóm tắt Báo cáo Danh mục Tự nhiên được liên kết với bài viết này.</p>

<p>Tất cả các phản hồi của mô hình trong nghiên cứu này được ghi lại và tải lên dưới dạng tệp được phân cách bằng tab, đảm bảo tính minh bạch và khả năng tái tạo của các phát hiện (Dữ liệu bổ sung 1). Các trường hợp Thử thách hình ảnh NEJM có thể truy cập công khai mà không cần đăng nhập tại trang web Thử thách hình ảnh của Tạp chí Y học New England. Sự khả dụng công khai này của bộ dữ liệu thô đầy đủ hỗ trợ cho nghiên cứu và xem xét kỹ lưỡng hơn nữa của cộng đồng y tế và khoa học.</p>

<p>Mã nguồn cho sổ ghi chép Jupyter Python tương tác được sử dụng trong phân tích nghiên cứu này có sẵn theo yêu cầu hợp lý. Yêu cầu truy cập hoặc làm rõ có thể được chuyển trực tiếp đến tác giả tương ứng.</p>

<p>Khi các mô hình AI phát triển nhanh chóng, chúng mang đến một lời hứa đáng kể trong việc tăng cường chẩn đoán y tế, mở rộng tiềm năng của chúng vượt ra ngoài các ứng dụng truyền thống lấy văn bản làm trung tâm để bao gồm các bộ dữ liệu đa phương thức. Tuy nhiên, phát hiện của chúng tôi tán thành sự lạc quan có chừng mực và kêu gọi đánh giá nuanced về khả năng của các công cụ này. Thiết lập các khuôn khổ mạnh mẽ để triển khai có trách nhiệm là rất quan trọng đối với sự an toàn của bệnh nhân. Tương lai của AI trong y học phụ thuộc vào nỗ lực hợp tác để nâng cao độ tin cậy và ứng dụng có đạo đức của nó, với mục tiêu bổ sung — thay vì thay thế — chuyên môn của con người.</p>

Đánh giá AI đa phương thức trong chẩn đoán y tế: Tiềm năng và giới hạn

Đánh giá AI đa phương thức trong chẩn đoán y tế: Tiềm năng và giới hạn Mục lục Giới thiệu Bộ dữ liệu thử thách hình ảnh N...

tháng 8 08, 2024

Tương lai của trải nghiệm người dùng trong kỷ nguyên AI

<h2>Tương lai của trải nghiệm người dùng trong kỷ nguyên AI</h2>

<ul>
  <li>Giới thiệu</li>
  <li>Ảnh hưởng của AI đàm thoại và AI tạo sinh tới trải nghiệm người dùng (UX)
    <ul>
      <li>Ví dụ thực tiễn: Mua sắm & Tìm kiếm việc làm</li>
    </ul>
  </li>
  <li>Thúc đẩy thay đổi trong trải nghiệm kỹ thuật số</li>
  <li>Kết luận</li>
</ul>

<h3>Giới thiệu</h3>

<p>Mặc dù AI tạo sinh (GenAI) như ChatGPT hay Claude đang là tâm điểm chú ý, nhưng chưa chắc chúng sẽ trở thành công nghệ thống trị trong tương lai. Bài viết này sẽ sử dụng GenAI như một điểm khởi đầu để thảo luận về cách thức các doanh nghiệp nên cải thiện trải nghiệm người dùng (UX) trong những năm tới.</p>

<h3>Ảnh hưởng của AI đàm thoại và AI tạo sinh tới trải nghiệm người dùng (UX)</h3>

<p>Sự trỗi dậy của AI đàm thoại đã cách cách con người tương tác với công nghệ thay đổi đáng kể. Các trợ lý ảo như Siri, Alexa hay Google Home đã chứng minh tiềm năng của công nghệ này.</p>

<p>GenAI phát triển sẽ cho phép AI đàm thoại thực hiện các tác vụ phức tạp hơn, ví dụ như tự động đặt hàng dựa trên nhu cầu của người dùng, cung cấp trải nghiệm liền mạch và hiệu quả. Nói cách khác, đây sẽ là bước tiến chưa từng có trong việc nâng cao khả năng kỹ thuật số của con người.</p>

<p>Việc ứng dụng GenAI có thể giúp các công ty giảm bớt đáng kể thời gian và chi phí đầu tư vào trải nghiệm người dùng và giao diện người dùng (UI).</p>

<ul>
  <li><strong>Mua sắm:</strong> Thay vì phải tự tay thao tác trên ứng dụng giao hàng, người dùng có thể tương tác bằng giọng nói với AI đàm thoại, đóng vai trò như một trợ lý kỹ thuật số để đặt hàng. GenAI sẽ xử lý thông tin và kết nối với giải pháp chuỗi cung ứng để hoàn tất yêu cầu.</li>
  <li><strong>Tìm kiếm việc làm:</strong> GenAI có thể được tích hợp vào hệ thống theo dõi ứng viên (ATS) hoặc nền tảng tuyển dụng, hoạt động như một công cụ tổng hợp thông tin. Nó có thể giúp ứng viên tìm kiếm công việc phù hợp và tự động gửi đơn xin việc, đồng thời cung cấp thông tin chi tiết về công việc, so sánh ứng viên và thông tin chi tiết về công ty.</li>
</ul>

<h3>Thúc đẩy thay đổi trong trải nghiệm kỹ thuật số</h3>

<p>Sự phổ biến của các thiết bị gia đình thông minh như Alexa và Google Home đang thúc đẩy sự thay đổi trong cách thức người dùng tương tác với công nghệ. Điều này đặt ra áp lực lên các thương hiệu trong việc phải suy nghĩ lại về trải nghiệm kỹ thuật số của họ. </p>

<p>Mặc dù công nghệ này vẫn chưa hoàn thiện và còn nhiều rào cản, ví dụ như chi phí và mô hình triển khai, nhưng các thương hiệu cần bắt đầu thay đổi tư duy về UX ngay từ bây giờ. </p>

<p>Ví dụ, trải nghiệm của người dùng với các dịch vụ gọi xe sẽ ra sao khi họ chỉ cần nói 'Tôi cần đi xe' và AI sẽ tự động lựa chọn dịch vụ rẻ nhất? Điều này sẽ tác động như thế nào đến mô hình kinh doanh của các hãng xe công nghệ?</p>

<p>Chúng ta đang ở giai đoạn đầu của cuộc cách mạng AI. Siri, Alexa và GenAI đang mở đường cho những trải nghiệm kỹ thuật số hoàn toàn mới. Điều quan trọng là chúng ta phải tự hỏi: Liệu những công nghệ này có đủ thông minh để thực hiện những điều gì trong tương lai?</p>

Tương lai của trải nghiệm người dùng trong kỷ nguyên AI

Tương lai của trải nghiệm người dùng trong kỷ nguyên AI Giới thiệu Ảnh hưởng của AI đàm thoại và AI tạo sinh tới trải nghiệm người ...

tháng 8 08, 2024

Lập Trình Bằng AI: Khi Kỹ Sư Gãy Tay, Claude Lên Ngôi

<h2>Lập Trình Bằng AI: Khi Kỹ Sư Gãy Tay, Claude Lên Ngôi</h2>

<h3>Mục Lục:</h3>
<ul>
  <li>Tai Nạn Bất Ngờ Mở Ra Cách Làm Việc Mới</li>
  <li>Claude AI: Trợ Thủ Lập Trình Đắc Lực</li>
  <li>Bí Quyết Huấn Luyện AI Lập Trình Hiệu Quả</li>
  <li>Từ Lái Thử Đến Trao Quyền Điều Khiển Cho AI</li>
  <li>Cảm Quan Kỹ Thuật: Chìa Khóa Cho Sự Hợp Tác Ăn Ý</li>
  <li>Tương Lai Của Lập Trình: Kỷ Nguyên Của Kỹ Sư AI?</li>
</ul>

<p>Vài tháng trước, Erik Schluntz - kỹ sư tại Anthropic - gặp tai nạn gãy tay phải. Không thể gõ phím như thường lệ, Erik phải tìm cách khác để tiếp tục công việc. Điều bất ngờ là chính tai nạn này đã mở ra cho anh một phương thức làm việc mới hiệu quả với AI.</p>

<p>Suốt hai tháng liền, Erik đã hợp tác với Claude AI - một mô hình ngôn ngữ lớn do Anthropic phát triển - để viết mã. Bằng cách kết hợp công nghệ chuyển đổi giọng nói thành văn bản, Erik đã dạy Claude hiểu ý mình và tạo ra những đoạn mã ưng ý. Thật đáng kinh ngạc, Erik và Claude đã hoàn thành tới 3.000 dòng mã chỉ trong vòng một tuần!</p>

<p>Vậy làm cách nào Erik huấn luyện Claude trở thành trợ thủ đắc lực đến vậy? Anh đã chia sẻ những kinh nghiệm quý báu của mình:</p>

<h3><strong>Sự rõ ràng và ví dụ cụ thể là chìa khóa:</strong></h3>
<p>Thay vì đưa ra những yêu cầu chung chung, Erik cung cấp cho Claude những chỉ dẫn chi tiết về đầu vào, đầu ra mong muốn, thư viện cần sử dụng,... Anh cũng nhận thấy việc lặp lại yêu cầu ở đầu và cuối đoạn mã giúp AI không quên ngữ cảnh quan trọng.</p>

<h3><strong>Nên đưa cả bánh mì chứ đừng chỉ đưa từng miếng bánh mì vụn:</strong></h3>
<p>Thay vì yêu cầu AI xử lý từng phần nhỏ một, Erik nhận ra hiệu quả bất ngờ khi giao phó cho Claude toàn bộ nhiệm vụ với đầy đủ các khối mã cơ bản. Cách làm này đặc biệt hữu ích với những tác vụ phức tạp, đòi hỏi AI phải tự động phân tích và chia nhỏ quy trình.</p>

<h3><strong>Cảm quan kỹ thuật là yếu tố không thể thiếu:</strong></h3>
<p> Qua quá trình làm việc, Erik đã mài giũa được khả năng phán đoán chính xác giới hạn của AI. Anh biết khi nào nên can thiệp, khi nào nên để Claude tự do sáng tạo, nhờ đó tối ưu hóa hiệu suất công việc.</p>

<p>Erik tin rằng, trải nghiệm của bản thân là minh chứng cho thấy kỷ nguyên của kỹ sư AI đang đến rất gần. Trong tương lai, các kỹ sư phần mềm sẽ dành nhiều thời gian hơn để tư duy ở tầng khái niệm, giải quyết các vấn đề phức tạp, còn những công việc lập trình thông thường sẽ do AI đảm nhiệm.</p>

<p>Câu chuyện của Erik Schluntz là minh chứng rõ ràng cho tiềm năng to lớn của AI trong lĩnh vực lập trình. Liệu trong tương lai, lập trình viên có còn cần thiết khi AI đã đủ thông minh để thay thế?</p>

Lập Trình Bằng AI: Khi Kỹ Sư Gãy Tay, Claude Lên Ngôi

Lập Trình Bằng AI: Khi Kỹ Sư Gãy Tay, Claude Lên Ngôi Mục Lục: Tai Nạn Bất Ngờ Mở Ra Cách Làm Việc Mới Claude AI: Trợ Thủ Lập Trìn...

tháng 8 08, 2024

Amazon Bedrock: Tối ưu hóa Mô hình Ngôn ngữ Lớn (LLM) cho Doanh nghiệp

<h2>Amazon Bedrock: Tối ưu hóa Mô hình Ngôn ngữ Lớn (LLM) cho Doanh nghiệp</h2>

<p><strong>Mục lục</strong></p>
<ol>
  <li>Giới thiệu</li>
  <li>Thách thức của Mô hình Ngôn ngữ Lớn (LLM) trong Doanh nghiệp</li>
  <li>Tùy chỉnh LLM: Giải pháp từ Amazon Bedrock
    <ul>
      <li>Kỹ thuật Xây dựng Prompt (Prompt Engineering)</li>
      <li>Tạo Kết quả Tốt hơn với RAG (Retrieval Augmented Generation)</li>
      <li>Nâng cao Hiệu suất với Tùy chỉnh Mô hình (Model Customization)</li>
    </ul>
  </li>
  <li>Ví dụ Thực tế về Tùy chỉnh LLM với Amazon Bedrock</li>
  <li>Kết luận</li>
</ol>

<h3>Giới thiệu</h3>

<p>Mô hình Ngôn ngữ Lớn (LLM) đang cách mạng hóa cách chúng ta sử dụng trí tuệ nhân tạo (AI). Được đào tạo trên lượng dữ liệu khổng lồ, LLM có khả năng hiểu và tạo văn bản một cách ấn tượng. Tuy nhiên, các mô hình chung này thường thiếu kiến thức chuyên môn cần thiết để giải quyết các vấn đề cụ thể trong doanh nghiệp. Amazon Bedrock ra đời để giải quyết thách thức này bằng cách cung cấp một bộ công cụ mạnh mẽ cho phép tùy chỉnh LLM, biến chúng thành giải pháp phù hợp với nhu cầu riêng biệt của từng doanh nghiệp.</p>

<h3>Thách thức của Mô hình Ngôn ngữ Lớn (LLM) trong Doanh nghiệp</h3>

<p>Mặc dù LLM có khả năng phân tích lượng dữ liệu khổng lồ và tạo phản hồi liên quan trong nhiều lĩnh vực, từ tóm tắt nội dung đến trả lời câu hỏi, chúng thường thiếu kiến thức chuyên môn để giải quyết các thách thức kinh doanh cụ thể. Ví dụ, một LLM chung có thể không quen thuộc với thuật ngữ, quy trình hoặc thông tin nội bộ cụ thể của một ngành hoặc công ty.</p>

<h3>Tùy chỉnh LLM: Giải pháp từ Amazon Bedrock</h3>

<p>Amazon Bedrock cung cấp một bộ công cụ toàn diện để tùy chỉnh LLM, cho phép doanh nghiệp biến đổi chúng từ giải pháp chung chung thành giải pháp được thiết kế riêng cho nhu cầu của họ. Dưới đây là ba kỹ thuật tùy chỉnh LLM chính trong Amazon Bedrock:</p>

<ul>
  <li><strong>Kỹ thuật Xây dựng Prompt (Prompt Engineering):</strong> Đây là kỹ thuật tạo ra các hướng dẫn chi tiết và cụ thể để LLM tạo ra phản hồi mong muốn. Bedrock hỗ trợ nhiều kỹ thuật xây dựng prompt, bao gồm few-shot prompting (cung cấp ví dụ cho mô hình), zero-shot prompting (cung cấp mô tả nhiệm vụ mà không cần ví dụ) và chain-of-thought prompting (hướng dẫn mô hình suy luận theo từng bước).</li>
  <li><strong>Tạo Kết quả Tốt hơn với RAG (Retrieval Augmented Generation):</strong> RAG cho phép LLM truy cập và sử dụng thông tin từ cơ sở kiến thức bên ngoài để tạo phản hồi chính xác và phù hợp với ngữ cảnh hơn. Amazon Bedrock cung cấp tính năng Knowledge Bases, cho phép kết nối LLM với dữ liệu nội bộ của công ty.</li>
  <li><strong>Nâng cao Hiệu suất với Tùy chỉnh Mô hình (Model Customization):</strong> Kỹ thuật này bao gồm tinh chỉnh (fine-tuning) và tiếp tục đào tạo trước (continued pre-training) mô hình trên tập dữ liệu chuyên biệt. Tinh chỉnh cải thiện hiệu suất của mô hình trên các tác vụ cụ thể bằng cách sử dụng dữ liệu được gắn nhãn. Tiếp tục đào tạo trước cho phép mô hình học hỏi từ dữ liệu không được gắn nhãn, giúp nó hiểu rõ hơn về một lĩnh vực hoặc ngành cụ thể.</li>
</ul>

<h3>Ví dụ Thực tế về Tùy chỉnh LLM với Amazon Bedrock</h3>

<ul>
  <li><strong>Thomson Reuters</strong> sử dụng Amazon Bedrock để tinh chỉnh mô hình Claude 3 Haiku, giúp cung cấp hỗ trợ AI nhanh hơn và phù hợp hơn cho khách hàng trong lĩnh vực pháp lý, thuế, kế toán và truyền thông.</li>
  <li><strong>Buy with Prime</strong> của Amazon tận dụng khả năng tùy chỉnh dựa trên RAG của Bedrock để xây dựng giải pháp chatbot xử lý các truy vấn hỗ trợ sản phẩm, mang đến trải nghiệm khách hàng được cá nhân hóa và hiệu quả hơn.</li>
</ul>

<p>Tùy chỉnh là chìa khóa để khai thác toàn bộ tiềm năng của LLM trong doanh nghiệp. Amazon Bedrock cung cấp một bộ công cụ mạnh mẽ và toàn diện cho phép các tổ chức điều chỉnh LLM cho phù hợp với nhu cầu cụ thể của họ, từ đó tạo ra các giải pháp AI hiệu quả và tác động mạnh mẽ đến hoạt động kinh doanh.</p>

<p><img alt="logo" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg"></p>
`

Amazon Bedrock: Tối ưu hóa Mô hình Ngôn ngữ Lớn (LLM) cho Doanh nghiệp

Amazon Bedrock: Tối ưu hóa Mô hình Ngôn ngữ Lớn (LLM) cho Doanh nghiệp Mục lục Giới thiệu Thách thức của Mô hình Ngôn ngữ Lớn (LLM...

tháng 8 08, 2024

Survivalist.ai: Trợ Lý Thông Minh Luôn Sẵn Sàng, Ngay Cả Khi Ngoại Tuyến

Bên trong não bộ Apple Intelligence: Hé lộ bí mật về chatbot AI thế hệ mới của Apple

Đánh giá AI đa phương thức trong chẩn đoán y tế: Tiềm năng và giới hạn

Tương lai của trải nghiệm người dùng trong kỷ nguyên AI

Lập Trình Bằng AI: Khi Kỹ Sư Gãy Tay, Claude Lên Ngôi

Amazon Bedrock: Tối ưu hóa Mô hình Ngôn ngữ Lớn (LLM) cho Doanh nghiệp

Bài đăng phổ biến

Labels