Tránh Thông Tin Sai Lệch Từ AI: 2 Bước Cần Thiết Cho Nghiên Cứu Thông Minh Hơn

<h1></h1> <p><strong>Mục lục:</strong></p> <ol> <li>Giới thiệu</li> <li>Nghiên cứu trường hợp: Xu hướng AI - Sự thật hay hư cấu?<ul> <li>Phân tích tuyên bố về năng suất</li> <li>Phân tích tuyên bố về lợi thế cạnh tranh</li> </ul> </li> <li>Tầm quan trọng của việc xác minh nguồn tham khảo</li> <li>Cách tránh việc lan truyền thông tin sai lệch từ AI</li> <li>Kết luận</li> </ol> <h2>1. Giới thiệu</h2> <p>AI có thể là người bạn đồng hành mạnh mẽ hoặc một canh bạc rủi ro, tùy thuộc vào cách bạn sử dụng nó. Nếu bạn đang dựa vào AI để nghiên cứu, việc bỏ qua các bước cần thiết có thể gây phản tác dụng và làm mất uy tín của bạn. Để tránh thông tin sai lệch từ AI, hãy làm theo hai bước quan trọng sau:</p> <ol> <li>Yêu cầu nguồn tham khảo.</li> <li>Tự mình xác minh những nguồn tham khảo đó.</li> </ol> <img alt="Mô hình AI" src="https://specials-images.forbesimg.com/imageserve/673e13fa86279dc2dc1905cc/AI-chatbot---Artificial-Intelligence-digital-concept/960x0.jpg?fit=scale" /> <p>Hai bước này rất quan trọng vì lý do sau đây.</p> <h2>2. Nghiên cứu trường hợp: Xu hướng AI - Sự thật hay hư cấu?</h2> <p>Gần đây, một đồng nghiệp đã sử dụng công cụ AI sáng tạo Perplexity để xác định các xu hướng AI trong năm nay. Ứng dụng đã cung cấp một số thống kê ấn tượng, bao gồm:</p> <ul> <li>73% doanh nghiệp tin rằng AI sáng tạo sẽ làm tăng năng suất lực lượng lao động.</li> <li>60% các công ty coi AI sáng tạo là cơ hội để có được lợi thế cạnh tranh.</li> </ul> <p>Những tuyên bố này nghe có vẻ đầy hứa hẹn, nhưng chúng có đúng không? Không xác minh nguồn gốc, chúng ta không thể chắc chắn. Thật không may, các công cụ AI rất dễ bịa đặt thông tin.</p> <h3>2.1 Phân tích tuyên bố về năng suất</h3> <p>Tuyên bố của Perplexity rằng "73% doanh nghiệp tin rằng AI sáng tạo sẽ làm tăng năng suất lực lượng lao động" được liên kết đến một bài đăng trên blog có tiêu đề “Xu hướng AI sáng tạo: Chuyển đổi doanh nghiệp và định hình tương lai”, được xuất bản bởi Masters of Code, Inc. Bài đăng này nêu rằng: "73% [giám đốc điều hành] tin rằng công nghệ mới sẽ thúc đẩy năng suất lực lượng lao động."</p> <img alt="Làm việc thông minh" src="https://specials-images.forbesimg.com/imageserve/673e494cd89014834aeb5c5e/Work-smart---motivational-reminder-handwritten-on-sticky-note/960x0.jpg?fit=scale" /> <p>Mặc dù Perplexity đã trích dẫn chính xác bài đăng trên blog, nhưng bản thân bài đăng đó không cung cấp bất kỳ bằng chứng nào cho tuyên bố này. Masters of Code có thể đã lấy nó từ một nguồn khác, nhưng nếu không có bằng chứng, không thể tin tưởng con số này.</p> <p>Ngay cả khi tuyên bố này được xác minh, cách diễn đạt của nó cũng đặt ra một vấn đề khác. Việc tin rằng AI sáng tạo <em>có thể</em> làm tăng năng suất không thuyết phục bằng chứng cho thấy nó <em>đã</em> làm tăng năng suất.</p> <h3>2.2 Phân tích tuyên bố về lợi thế cạnh tranh</h3> <p>Tuyên bố của Perplexity rằng "60% các công ty coi AI sáng tạo là cơ hội để có được lợi thế cạnh tranh" đến từ cùng một bài đăng trên blog của Masters of Code. Một lần nữa, bài đăng không giải thích nguồn gốc của con số này.</p> <p>Mặc dù bài đăng tham khảo các nguồn uy tín như Gartner và McKinsey, nhưng không có báo cáo nào trong số này dường như hỗ trợ tuyên bố về lợi thế cạnh tranh. Không có sự dẫn nguồn rõ ràng, số liệu thống kê này vẫn đáng ngờ.</p> <h2>3. Tầm quan trọng của việc xác minh nguồn tham khảo</h2> <p>Việc không xác minh thông tin do AI tạo ra không chỉ là một sai lầm trong nghiên cứu. Nó là điều không đạo đức. Việc lan truyền dữ liệu chưa được kiểm chứng có thể gây hiểu lầm cho người khác và làm suy yếu niềm tin vào công việc của bạn.</p> <p>Hậu quả của việc dựa vào các tuyên bố do AI tạo ra mà chưa được kiểm tra có thể rất nghiêm trọng. Ví dụ, trong vụ kiện pháp lý <em>Mata v. Avianca</em>, một luật sư ở New York tên là Steven Schwartz đã sử dụng ChatGPT để soạn thảo một hồ sơ bao gồm các trích dẫn và tham chiếu từ các vụ án <em>không tồn tại</em>. Kết quả là, vụ án bị bác bỏ, các luật sư bị phạt 5.000 đô la và danh tiếng chuyên nghiệp của họ bị ảnh hưởng.</p> <img alt="Búa gõ và giấy viết phạt" src="https://specials-images.forbesimg.com/imageserve/673f6cf565fd75192b7644d4/A-gavel-and-a-piece-of-paper-written-with-Penalty-/960x0.jpg?fit=scale" /> <h2>4. Cách tránh việc lan truyền thông tin sai lệch từ AI</h2> <p>Để tránh trình bày hư cấu như sự thật trong công việc của bạn, hãy thực hiện hai bước này mỗi khi bạn sử dụng AI để nghiên cứu:</p> <ol> <li><strong>Yêu cầu nguồn tham khảo.</strong> Khi sử dụng công cụ AI như ChatGPT, hãy bao gồm một lời nhắc như: “Vui lòng bao gồm các siêu liên kết đến các nguồn cho các tuyên bố của bạn.”</li> <li><strong>Kiểm tra các nguồn tham khảo đó.</strong> Hãy đảm bảo rằng các liên kết hợp lệ và dẫn đến các nguồn đáng tin cậy. Nếu các tham chiếu bị hỏng hoặc không được hỗ trợ, hãy bỏ qua tuyên bố đó.</li> </ol> <p>Hãy coi AI là điểm bắt đầu. Sử dụng nó để tạo ra ý tưởng, không phải câu trả lời cuối cùng. Xác minh mọi sự thật một cách độc lập trước khi trích dẫn nó.</p> <h2>5. Kết luận</h2> <p>AI có thể đẩy nhanh quá trình nghiên cứu của bạn, nhưng chỉ khi bạn sử dụng nó một cách có trách nhiệm. Để tránh thông tin sai lệch từ AI, hãy luôn yêu cầu nguồn tham khảo, xác minh kỹ lưỡng và coi AI là điểm xuất phát, không phải là thẩm quyền cuối cùng. Uy tín và danh tiếng của bạn phụ thuộc vào điều đó.</p> <img alt="Biểu tượng kiểm tra sự thật" src="https://specials-images.forbesimg.com/imageserve/673f6d517530d799c13c7204/Fact-check-flat-icon/960x0.jpg?fit=scale" /> <p><br /></p>

Tránh Thông Tin Sai Lệch Từ AI: 2 Bước Cần Thiết Cho Nghiên Cứu Thông Minh Hơn

Mục lục: Giới thiệu Nghiên cứu trường hợp: Xu hướng AI - Sự thật hay hư cấu? Phân tích tuyên bố về năng suất Phân tích tuyên bố về lợi...

Read more »

Gói PyPI độc hại giả mạo ChatGPT và Claude đánh cắp dữ liệu của nhà phát triển

<h1></h1> <p><strong>Mục lục</strong></p> <ol> <li>Giới thiệu</li> <li>Phân tích kỹ thuật</li> <li>Phạm vi ảnh hưởng và phát tán</li> <li>Lời khuyên bảo mật</li> <li>Kết luận</li> </ol> <h2>1. Giới thiệu</h2> <p>Gần đây, Nhóm Nghiên cứu và Phân tích Toàn cầu (GReAT) của Kaspersky đã phát hiện một cuộc tấn công chuỗi cung ứng tinh vi nhắm mục tiêu vào Chỉ mục Gói Python (PyPI). Cuộc tấn công này, kéo dài gần một năm mà không bị phát hiện, liên quan đến các gói độc hại giả mạo các công cụ chatbot AI để phân phối một phiên bản sửa đổi của mã độc JarkaStealer. Leonid Bezvershenko, một nhà nghiên cứu bảo mật tại Kaspersky GReAT, đã dẫn đầu việc phát hiện này.</p> <p><img alt="Malicious PyPi Package Mimic ChatGPT & Claude Steals Developers Data" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEh7-yHfddzKzAamxleuIH8khSHD9fU7K-UmlFsI94rFWI4dOaaidurdRFESBvQAYDnMUw-CgAhlpBTTLi_wjO5ytDQerUOYu3LePe4Q7Bs6ty86Or7qkdlsN2Q6NcEv3mc6rDaGBpGHWf3_Ag7nFw_fR1K0pPy4CbijIC7kdCwubfWL7EIW8PhoMfO3NIA/s16000/Malicious%20PyPi%20Package%20Mimic%20ChatGPT%20&%20Claude%20Steals%20Developers%20Data.webp" /></p> <h2>2. Phân tích kỹ thuật</h2> <p>Hai gói độc hại được tìm thấy trên PyPI là "gptplus" và "claudeai-eng". Chúng được tải lên vào tháng 11 năm 2023 và bắt chước các công cụ hoạt động với các mô hình ngôn ngữ AI nổi tiếng ChatGPT và Claude.</p> <p><img alt="Malicious Python packages (Source – X)" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEh5H6X0OVpVKpk21_uk9FRCEZzIrq98GvGGxop4DzcMeYyllByFAsb30Ft22QSt-mzljk5-Roy95zjkV4DIX4qoy-96sYP9qh_Cc702wWQdwPME0xCLH3ShVN9FPlXvDW76NcldfxWCJBB6HlanYIMdXtrlGZQizuWUurtyFRDCIbX4lKYfuB2J1SAbleE/s16000/Malicious%20Python%20packages%20(Source%20-%20X).webp" /></p> <p>Mô tả của các gói này bao gồm các ví dụ sử dụng thuyết phục, như tạo cuộc trò chuyện và gửi tin nhắn đến các mô hình ngôn ngữ AI, nhằm thu hút các nhà phát triển không nghi ngờ. Tuy nhiên, khi nhập các gói này, một quá trình ẩn sẽ thực thi dữ liệu được mã hóa Base64, tải xuống tệp JAR có tên JavaUpdater.jar từ kho lưu trữ GitHub. Tệp này chứa một phiên bản của JarkaStealer, một mã độc mạnh mẽ có khả năng đánh cắp dữ liệu trình duyệt, chụp ảnh màn hình, thu thập thông tin hệ thống và trích xuất dữ liệu phiên từ nhiều ứng dụng khác nhau, bao gồm Telegram, Discord và Steam.</p> <p><img alt="Package template and structure (Source – X)" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEiTThSYXlXLHU1zqB5VIXy_gvW5Bl4CGlWSYK8rPnqteGuR9IJNAP0UGZ2XFLM2rWbeT9c5cS9q_nmwijM5vQzLuKavxv_2gRMJz1n5l22OffY75U72IUbgE_xpKBq9PBQ6QfqZ59vSKex_IeoD1gx0QJ9YV0AWqX6GvEYaGbYrmKWrqWhURogXv_Ah0rQ/s16000/Package%20template%20and%20structure%20(Source%20-%20X).webp" /></p> <h2>3. Phạm vi ảnh hưởng và phát tán</h2> <p>Trước khi bị phát hiện và xóa bỏ, các gói độc hại này đã được tải xuống hơn 1.700 lần ở hơn 30 quốc gia. Hoạt động cao nhất được báo cáo ở Hoa Kỳ, Trung Quốc, Pháp, Đức và Nga. Tuy nhiên, chiến dịch này dường như không nhắm mục tiêu vào bất kỳ tổ chức hoặc khu vực địa lý cụ thể nào.</p> <p><img alt="Downloads by country (Source – X)" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjMti-QVyhMe6iBu5UemscdKsF_nbTfIFoB0hEScm8q3MfWVUMFGHb2rnDcVA8rm1BllfJmtTEIW08pmUvjT-BRXvq_sqfGLKPWTArx3pjb2Op1P2fPFs-tP_-a7S0QTwwpzqoCCoyFv_xrTv9USYH_ioLVyxbjdox84wyXR1UCesizdpbljMUaproYkWI/s16000/Downloads%20by%20country%20(Source%20-%20X).webp" /></p> <p>Điều tra của Kaspersky cho thấy JarkaStealer đang được phân phối theo mô hình Malware-as-a-Service (MaaS) thông qua một kênh Telegram và cửa hàng bot. Mã nguồn của mã độc này cũng bị rò rỉ trên GitHub, có thể cho phép các tác nhân độc hại triển khai rộng rãi hơn.</p> <p><img alt="Telegram bot (Source – X)" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEgq-LuyXGBU0Qztp4-rPxV7G1mxaUiQuNhO1aRzZoqiY6TV2azz1TBieWWMTqWOqUJaiGl426D6cW7J-pP82zCeE1aAuRSqeul2_fmbFeuaHYknddE3QmrsRII52ELODZTJH78bMSv5dism43PQhUrGY1jYZQE6HF2YFgPki07PYwntFlvzRIaRaauflcs/s16000/Telegram%20bot%20(Source%20-%20X).webp" /></p> <h2>4. Lời khuyên bảo mật</h2> <p>Bezvershenko nhấn mạnh tầm quan trọng của việc triển khai các kiểm tra xác minh và tính toàn vẹn nghiêm ngặt để đảm bảo tính hợp pháp và bảo mật của phần mềm và các phụ thuộc, đặc biệt là khi xử lý các công nghệ mới nổi như AI.</p> <h2>5. Kết luận</h2> <p>Kaspersky đã báo cáo những phát hiện của mình cho PyPI, dẫn đến việc loại bỏ các gói độc hại. Công ty an ninh mạng này tiếp tục tích cực theo dõi các mối đe dọa tương tự để bảo vệ chuỗi cung ứng phần mềm. Sự việc này một lần nữa nhấn mạnh tầm quan trọng của việc kiểm tra kỹ lưỡng nguồn gốc và tính toàn vẹn của các gói phần mềm trước khi sử dụng, đặc biệt là từ các nguồn không chính thức.</p> <p><br /></p>

Gói PyPI độc hại giả mạo ChatGPT và Claude đánh cắp dữ liệu của nhà phát triển

Mục lục Giới thiệu Phân tích kỹ thuật Phạm vi ảnh hưởng và phát tán Lời khuyên bảo mật Kết luận 1. Giới thiệu Gần đây, Nhóm Nghiên...

Read more »

Trí tuệ nhân tạo trong nghiên cứu xã hội: Sử dụng chatbot để phỏng vấn

<h1></h1> <p><strong>Mục lục:</strong></p> <ol> <li>Giới thiệu</li> <li>Phương pháp nghiên cứu</li> <li>Kết quả nghiên cứu và phản hồi</li> <li>Nhận định và tranh luận</li> <li>Tương lai của công nghệ phỏng vấn AI</li> <li>Kết luận</li> </ol> <p><strong>1. Giới thiệu</strong></p> <p>Một nhóm nghiên cứu tại trường Kinh tế London đã tiến hành một thí nghiệm đầy tham vọng: sử dụng chatbot AI để phỏng vấn người dân về quan điểm của họ đối với các vấn đề quan trọng. Thí nghiệm này được thực hiện trong bối cảnh cuộc bầu cử lập pháp ở Pháp mùa hè vừa qua, nhằm đánh giá khả năng của AI trong việc đo lường dư luận công chúng.</p> <p><strong>2. Phương pháp nghiên cứu</strong></p> <p>Nhóm nghiên cứu đã sử dụng ChatGPT, một chatbot AI tiên tiến, để thực hiện các cuộc phỏng vấn trực tuyến. Để đảm bảo tính chuyên nghiệp, họ hướng dẫn ChatGPT mô phỏng cách thức giao tiếp của các giáo sư chuyên về phương pháp nghiên cứu định tính. Cụ thể, lệnh hướng dẫn là: “Anh/chị là giáo sư tại một trong những trường đại học hàng đầu thế giới, chuyên về phương pháp nghiên cứu định tính, tập trung vào việc thực hiện các cuộc phỏng vấn. Trong phần sau, anh/chị sẽ thực hiện một cuộc phỏng vấn với người tham gia để tìm hiểu động cơ và lý do lựa chọn bỏ phiếu của họ trong cuộc bầu cử lập pháp ngày 30 tháng 6 năm 2024 tại Pháp, một vài ngày sau cuộc phỏng vấn.”</p> <p>Những người tham gia được thông báo trước rằng họ sẽ được phỏng vấn bởi một chatbot, và được tuyển chọn thông qua nền tảng Prolific, một nền tảng phổ biến được các nhà nghiên cứu sử dụng để tìm người tham gia khảo sát.</p> <p><img alt="Researchers Try Using AI Chatbots to Conduct Interviews for Social Science Studies" src="https://edsurge.imgix.net/uploads/post/image/16093/robot_interviewing_human-1732249416.png?auto=compress%2Cformat&w=640&h=259&fit=crop" /></p> <p><strong>3. Kết quả nghiên cứu và phản hồi</strong></p> <p>Một phần của nghiên cứu tập trung vào việc đánh giá sự sẵn sàng của người tham gia chia sẻ quan điểm với một chatbot, cũng như khả năng của ChatGPT trong việc giữ đúng chủ đề và duy trì thái độ chuyên nghiệp để thu thập được những câu trả lời hữu ích.</p> <p>Kết quả cho thấy nhiều người tham gia đánh giá cao việc được phỏng vấn bởi chatbot, đặc biệt khi đề cập đến các chủ đề cá nhân nhạy cảm. Họ cảm thấy thoải mái hơn khi chia sẻ suy nghĩ với một thực thể không phán xét. Khoảng một nửa số người tham gia cho biết họ sẵn sàng tham gia lại cuộc phỏng vấn tương tự với AI. Tuy nhiên, khoảng 15% lại thích phỏng vấn với người thật, và 35% cho rằng họ không có sự khác biệt giữa hai phương pháp.</p> <p>Các nhà nghiên cứu đã giao bản ghi chép cuộc phỏng vấn của chatbot cho các nhà xã hội học để đánh giá chất lượng. Kết quả cho thấy chất lượng phỏng vấn của AI tương đương với "người phỏng vấn chuyên nghiệp trung bình". Tuy nhiên, nghiên cứu cũng chỉ ra rằng "các cuộc phỏng vấn do AI thực hiện chưa bao giờ đạt được chất lượng như những chuyên gia hàng đầu".</p> <p><strong>4. Nhận định và tranh luận</strong></p> <p>Trong khi các nhà nghiên cứu rất lạc quan về tiềm năng của chatbot AI, một số ý kiến phản hồi lại cho rằng việc thay thế nhà nghiên cứu bằng chatbot trong lĩnh vực này là chưa hợp lý. Giáo sư Andrew Gillen từ Đại học Northeastern cho rằng việc đơn thuần tăng số lượng người tham gia không tự động làm cho nghiên cứu tốt hơn. Ông nhấn mạnh tầm quan trọng của các cuộc phỏng vấn sâu sắc với một nhóm nhỏ người tham gia, và những cuộc phỏng vấn này nên do con người thực hiện. Ông cũng đề cập đến khái niệm "positionality" – vị thế của người phỏng vấn – mà chatbot không thể sở hữu, điều này sẽ ảnh hưởng đến chất lượng câu trả lời.</p> <p><strong>5. Tương lai của công nghệ phỏng vấn AI</strong></p> <p>Nhóm nghiên cứu đã công khai nền tảng phỏng vấn của họ, tạo điều kiện cho các nhà nghiên cứu khác sử dụng và phát triển. Họ cũng có kế hoạch bổ sung khả năng giao tiếp bằng giọng nói cho nền tảng, giúp quá trình phỏng vấn trở nên tự nhiên hơn. Giáo sư Jaravel tin rằng công nghệ này có tiềm năng hỗ trợ thu thập thông tin chi tiết hơn so với các khảo sát trực tuyến thông thường, giúp mở rộng phạm vi nghiên cứu.</p> <p><strong>6. Kết luận</strong></p> <p>Việc sử dụng chatbot AI để thực hiện phỏng vấn trong nghiên cứu xã hội là một bước tiến đầy triển vọng nhưng cũng gây ra nhiều tranh luận. Trong khi AI có thể giúp thu thập dữ liệu từ số lượng lớn người tham gia một cách nhanh chóng và hiệu quả, nó vẫn chưa thể thay thế hoàn toàn sự tinh tế và khả năng thấu hiểu con người của một nhà nghiên cứu. Tuy nhiên, việc phát triển công nghệ này sẽ mở ra nhiều hướng nghiên cứu mới và tiềm năng ứng dụng trong tương lai. Công việc của nhóm nghiên cứu tại trường Kinh tế London là một ví dụ điển hình cho thấy sự cần thiết của việc cân nhắc kỹ lưỡng cả tiềm năng và hạn chế của AI trong các lĩnh vực nghiên cứu xã hội.</p>

Trí tuệ nhân tạo trong nghiên cứu xã hội: Sử dụng chatbot để phỏng vấn

Mục lục: Giới thiệu Phương pháp nghiên cứu Kết quả nghiên cứu và phản hồi Nhận định và tranh luận Tương lai của công nghệ phỏng vấn A...

Read more »

Tương lai Phát triển Phần mềm với AI: Cái nhìn sâu sắc từ CEO Replit, Amjad Masad

<h1>Tương lai Phát triển Phần mềm với AI: Cái nhìn sâu sắc từ CEO Replit, Amjad Masad</h1> <p><strong>Mục lục</strong></p> <ol> <li>Replit và tầm nhìn về tương lai phát triển phần mềm</li> <li>Công nghệ AI trong Replit: Khả năng và ứng dụng</li> <li>Ảnh hưởng của AI đến người quản lý sản phẩm, nhà thiết kế và kỹ sư</li> <li>Kỹ năng cần thiết cho tương lai: Tư duy sáng tạo và khả năng giải quyết vấn đề</li> </ol> <hr /> <p><strong>1. Replit và tầm nhìn về tương lai phát triển phần mềm</strong></p> <p>Amjad Masad, đồng sáng lập và CEO của Replit, chia sẻ những thông tin sâu sắc về nền tảng lập trình dựa trên trình duyệt này. Replit, với 34 triệu người dùng toàn cầu, đang là một trong những cộng đồng nhà phát triển phát triển nhanh nhất thế giới. Trước khi thành lập Replit, Amjad từng làm việc tại Facebook, dẫn dắt nhóm cơ sở hạ tầng JavaScript và đóng góp vào các công cụ phát triển mã nguồn mở phổ biến. Ông cũng là một kỹ sư sáng lập quan trọng tại Codecademy, trường học lập trình trực tuyến.</p> <p>Amjad tin rằng Replit đang định hình lại tương lai của phát triển phần mềm, cho phép bất kỳ ai cũng có thể viết và triển khai mã. Đây không chỉ là một công cụ lập trình thông thường, mà còn là một nền tảng kết nối cộng đồng, thúc đẩy sự sáng tạo và hợp tác trong lĩnh vực công nghệ. Tầm nhìn của Amjad hướng tới việc làm cho việc lập trình trở nên dễ dàng và tiếp cận được với nhiều người hơn, bất kể trình độ hay kinh nghiệm. Việc này sẽ mở ra vô số cơ hội mới cho các cá nhân và doanh nghiệp, thúc đẩy sự phát triển nhanh chóng của ngành công nghệ.</p> <p>Việc tiếp cận dễ dàng với công nghệ lập trình cũng sẽ tạo ra sự cạnh tranh mạnh mẽ, dẫn đến sự đổi mới không ngừng. Amjad nhận định, Replit không chỉ là một sản phẩm, mà còn là một phần của một hệ sinh thái lớn hơn, nơi các nhà phát triển có thể học hỏi, chia sẻ kinh nghiệm và cùng nhau tạo ra các ứng dụng đột phá. Replit đang xây dựng một tương lai nơi việc phát triển phần mềm trở nên dễ dàng, nhanh chóng và hiệu quả hơn bao giờ hết.</p> <p>Thế giới đang chuyển từ một mô hình tập trung vào việc triển khai các ý tưởng thành một mô hình tập trung vào việc tạo ra nhiều ý tưởng hơn. Replit đóng góp vào sự chuyển đổi này bằng cách cung cấp một nền tảng mạnh mẽ, cho phép các nhà phát triển nhanh chóng biến ý tưởng thành hiện thực.</p> <hr /> <p><strong>2. Công nghệ AI trong Replit: Khả năng và ứng dụng</strong></p> <p>Replit không chỉ đơn thuần là một môi trường lập trình trực tuyến, mà còn được tích hợp mạnh mẽ với trí tuệ nhân tạo (AI). AI trong Replit đóng vai trò hỗ trợ đắc lực cho người dùng trong suốt quá trình phát triển phần mềm, từ việc tạo ra các đoạn mã đến việc gỡ lỗi và tối ưu hóa hiệu suất.</p> <p>Một trong những tính năng nổi bật của Replit là khả năng tạo ra các ứng dụng web đầy đủ (full-stack) chỉ từ một lời nhắc văn bản đơn giản. AI của Replit sẽ tự động tạo ra mã nguồn cần thiết, bao gồm cả phần front-end và back-end, giúp người dùng tiết kiệm thời gian và công sức đáng kể. Điều này mở ra khả năng cho phép người dùng không cần phải có kiến thức chuyên sâu về lập trình vẫn có thể tạo ra các ứng dụng phức tạp.</p> <img alt="Replit Screenshot" src="https://substackcdn.com/image/fetch/w_520,h_272,c_fill,f_auto,q_auto:good,fl_progressive:steep,g_auto/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F0bbd93ef-8250-4b11-aef0-7c40d90cb444_2048x2048.png" width="500" /> <p>Hơn nữa, AI trong Replit còn có khả năng hỗ trợ việc gỡ lỗi, gợi ý mã và tự động hoàn thành mã, giúp người dùng viết mã nhanh hơn và hiệu quả hơn. AI sẽ phân tích mã nguồn và đề xuất các giải pháp tối ưu, giúp người dùng tránh được những lỗi thường gặp. Đặc biệt hữu ích đối với những người mới bắt đầu học lập trình, AI sẽ hướng dẫn từng bước và hỗ trợ họ hiểu rõ hơn về mã nguồn của mình.</p> <p>Ngoài ra, Replit còn hỗ trợ nhiều ngôn ngữ lập trình khác nhau, từ các ngôn ngữ phổ biến như Python, JavaScript, Java đến các ngôn ngữ chuyên dụng hơn. Sự đa dạng về ngôn ngữ lập trình cho phép người dùng lựa chọn công cụ phù hợp nhất với dự án của mình. Việc tích hợp với nhiều công cụ và thư viện khác cũng giúp mở rộng khả năng của Replit, cho phép người dùng tạo ra những ứng dụng đa dạng và phức tạp hơn.</p> <p>Công nghệ AI trong Replit còn cho phép việc tạo ra các nguyên mẫu nhanh chóng (prototyping). Các kỹ sư bán hàng có thể sử dụng Replit để tạo ra các ứng dụng minh họa cách sản phẩm hoạt động với các API hoặc tích hợp khác, cung cấp cho khách hàng và nhóm dự án các bản demo hữu hình, giúp đưa ra quyết định nhanh hơn và thống nhất kỳ vọng.</p> <p>Khả năng của AI trong Replit không chỉ dừng lại ở việc hỗ trợ lập trình, mà còn mở rộng sang các khía cạnh khác của phát triển phần mềm, giúp tăng cường hiệu quả và chất lượng của toàn bộ quy trình.</p> <hr /> <p><strong>3. Ảnh hưởng của AI đến người quản lý sản phẩm, nhà thiết kế và kỹ sư</strong></p> <p>Sự xuất hiện của AI trong phát triển phần mềm, đặc biệt như được thể hiện trong Replit, sẽ tác động mạnh mẽ đến vai trò và trách nhiệm của nhiều người trong một dự án công nghệ. Đối với người quản lý sản phẩm (PM), AI giúp rút ngắn thời gian tạo nguyên mẫu, cho phép thử nghiệm ý tưởng nhanh hơn và phản hồi hiệu quả hơn với khách hàng. Tuy nhiên, PM vẫn cần đảm bảo định hướng chiến lược, hiểu rõ nhu cầu người dùng và quản lý quá trình phát triển toàn diện. AI trở thành công cụ hỗ trợ đắc lực, nhưng không thể thay thế hoàn toàn sự phán đoán và kinh nghiệm của PM.</p> <p>Nhà thiết kế cũng sẽ nhận được những lợi ích từ AI trong Replit. Việc tạo ra nguyên mẫu giao diện người dùng (UI) trở nên nhanh chóng và dễ dàng hơn. AI có thể tự động tạo ra các thiết kế dựa trên lời nhắc văn bản, hỗ trợ nhà thiết kế nhanh chóng đưa ra các ý tưởng mới và thử nghiệm các giao diện khác nhau. Tuy nhiên, nhà thiết kế vẫn cần đảm bảo tính thẩm mỹ, trải nghiệm người dùng tốt, và sự nhất quán trong thiết kế. AI hỗ trợ trong việc tạo hình, nhưng sự sáng tạo và thẩm mỹ vẫn là yếu tố quyết định của nhà thiết kế.</p><p>Đối với các kỹ sư, AI giúp tự động hóa một số nhiệm vụ lặp đi lặp lại, như viết mã cơ bản, gỡ lỗi, và tối ưu hóa mã. Điều này giúp kỹ sư tập trung vào những nhiệm vụ phức tạp hơn, đòi hỏi khả năng tư duy sáng tạo và giải quyết vấn đề cao hơn. Tuy nhiên, kỹ sư vẫn cần kiến thức sâu rộng về lập trình để hiểu cách AI hoạt động, và để có thể kiểm tra, sửa lỗi và tối ưu hóa mã do AI tạo ra. Khả năng “gỡ lỗi” mã do AI tạo ra, được Amjad gọi là “Amjad’s Law”, đang trở nên ngày càng quan trọng.</p> <p>Tóm lại, AI không phải là sự thay thế cho con người trong phát triển phần mềm mà là một công cụ hỗ trợ đắc lực. Sự hợp tác giữa con người và AI sẽ tạo ra hiệu quả cao hơn và chất lượng sản phẩm tốt hơn. Các chuyên gia trong ngành cần phải thích nghi và nâng cao kỹ năng của mình để tận dụng tối đa sức mạnh của AI. Sự thay đổi nhanh chóng trong công nghệ đòi hỏi sự linh hoạt và sẵn sàng thích ứng với những xu hướng mới.</p> <hr /> <p><strong>4. Kỹ năng cần thiết cho tương lai: Tư duy sáng tạo và khả năng giải quyết vấn đề</strong></p> <p>Trong kỷ nguyên AI, khả năng tạo ra nhiều ý tưởng nhanh chóng đang trở thành một kỹ năng vô cùng quan trọng. Không chỉ dừng lại ở việc triển khai ý tưởng, mà việc tạo ra những ý tưởng mới, độc đáo và có khả năng giải quyết vấn đề thực tế mới là chìa khóa thành công. Việc rèn luyện khả năng này sẽ giúp bạn tạo ra sản phẩm nhanh hơn, hiệu quả hơn và đáp ứng được nhu cầu ngày càng cao của thị trường.</p> <iframe allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share" allowfullscreen="" frameborder="0" height="315" src="https://www.youtube.com/embed/Bp_h674oIhw" title="YouTube video player" width="560"></iframe> <p>Việc học lập trình theo cách truyền thống đang dần trở nên lỗi thời. Mô hình mới là học cách tương tác với các công cụ AI để hỗ trợ tạo ra và gỡ lỗi mã. Giá trị của kiến thức lập trình cơ bản tăng gấp đôi chỉ trong vòng 6 tháng, vì vậy việc nắm bắt các công cụ AI hỗ trợ tăng năng suất và sáng tạo là điều cần thiết, nhất là đối với những người làm trong lĩnh vực phát triển sản phẩm.</p> <p>AI mạnh mẽ nhưng không hoàn hảo. Để khai thác tối đa tiềm năng của AI, bạn cần hiểu cách mọi thứ hoạt động cùng nhau: máy chủ, API, cơ sở dữ liệu, v.v... Khả năng chẩn đoán và khắc phục sự cố càng tốt, bạn sẽ càng hiệu quả hơn trong môi trường làm việc đang không ngừng phát triển. AI có thể là tương lai, nhưng nó vẫn cần con người để đảm bảo mọi thứ hoạt động trơn tru.</p> <p>Cuối cùng, sự tăng trưởng theo cấp số nhân của AI sẽ dẫn đến sự gia tăng mạnh mẽ về mức độ tiêu thụ phần mềm khi chi phí giảm. Đây là “Nghịch lý Jevons” – khi chi phí xây dựng phần mềm giảm, khối lượng phần mềm được tạo ra sẽ tăng lên. Hơn nữa, sự hiệu quả về chi phí của việc phát triển phần mềm dựa trên AI sẽ giúp bất cứ ai cũng có thể bắt đầu xây dựng một thứ gì đó mới mẻ. Hãy chuẩn bị sẵn sàng cho sự thay đổi và nắm bắt cơ hội.</p>

Tương lai Phát triển Phần mềm với AI: Cái nhìn sâu sắc từ CEO Replit, Amjad Masad

Tương lai Phát triển Phần mềm với AI: Cái nhìn sâu sắc từ CEO Replit, Amjad Masad Mục lục Replit và tầm nhìn về tương lai phát triển phần...

Read more »

Vượt trội GPT-4o với Llama 3 8B: Điều chỉnh tinh chỉnh theo miền cụ thể cho RAG

<h1>Vượt trội GPT-4o với Llama 3 8B: Điều chỉnh tinh chỉnh theo miền cụ thể cho RAG</h1> <p><strong>Mục lục:</strong></p> <ol> <li>Giới thiệu</li> <li>Giải pháp toàn diện với mô hình ngôn ngữ lớn mã nguồn mở</li> <li>Tại sao cần điều chỉnh tinh chỉnh?</li> <li>Kết quả đánh giá</li> <li>Ví dụ đánh giá</li> <li>Kết luận</li> </ol> <h2>1. Giới thiệu</h2> <p>Nhiều khách hàng của chúng tôi nhận thấy rằng mặc dù các mô hình mã nguồn đóng từ OpenAI và Anthropic hoạt động tốt đối với các tác vụ chung, nhưng chúng không đủ hiệu quả để áp dụng vào hoạt động kinh doanh cốt lõi, nơi mà hiệu suất tác vụ chuyên biệt, chi phí vận hành quy mô lớn và quyền sở hữu mô hình trở nên quan trọng. Bài viết này chia sẻ cách chúng tôi giúp khách hàng sử dụng AI để tự động hóa các tác vụ độc quyền này với các mô hình mã nguồn mở được tinh chỉnh. Chất lượng cao hơn này cho phép khách hàng mở khóa khả năng tự động hóa không có sẵn với các mô hình chung, đồng thời chạy nhanh hơn 13 lần và rẻ hơn 33 lần so với GPT-4o, và nằm trong một mô hình thuộc sở hữu mà họ có thể sử dụng với dữ liệu nhạy cảm, bên trong tường lửa của họ.</p> <h2>2. Giải pháp toàn diện với mô hình ngôn ngữ lớn mã nguồn mở</h2> <p>Bài viết này mô tả một giải pháp toàn diện chỉ sử dụng các Mô hình Ngôn ngữ Lớn (LLM) mã nguồn mở để:</p> <ol> <li><p><strong>Tạo tập dữ liệu Câu hỏi & Câu trả lời để tinh chỉnh các mô hình nhỏ hơn và nhanh hơn:</strong></p> <ul> <li>Trích xuất dữ liệu từ tài liệu và sử dụng Llama 3 8B với tốc độ trên 1000 token/giây để tạo hàng nghìn cặp Câu hỏi & Câu trả lời.</li> <li>Tinh chỉnh Llama 3 70B để lọc các cặp Câu hỏi & Câu trả lời chất lượng thấp và chạy bước kiểm soát chất lượng tập dữ liệu với tốc độ trên 570 token/giây.</li> </ul> </li> <li><p><strong>Xây dựng ứng dụng RAG (Retrieval Augmented Generation - Tạo nội dung được tăng cường bằng truy xuất):</strong></p> <ul> <li>Tinh chỉnh các embedding mã nguồn mở (như Microsoft’s E5 Large V2) để tạo đường dẫn truy xuất tốc độ cao và chính xác, vượt trội so với embedding hàng đầu của OpenAI: Text Embedding 3 Large.</li> <li>Tinh chỉnh các LLM mã nguồn mở (như Llama 3 8B) để tạo câu trả lời từ ngữ cảnh được truy xuất với tốc độ 1000 token/giây và chính xác hơn so với GPT4-o hàng đầu của OpenAI.</li> <li>Đánh giá câu trả lời RAG bằng Llama 3.1 405B, mô hình đã được chứng minh là cung cấp hiệu suất đánh giá hàng đầu.</li> </ul> </li> </ol> <img alt="raft-blog-1" height="953" loading="lazy" sizes="(max-width: 1600px) 100vw, 1600px" src="https://sambanova.ai/hs-fs/hubfs/raft-blog-1.png?width=1600&height=953&name=raft-blog-1.png" srcset="https://sambanova.ai/hs-fs/hubfs/raft-blog-1.png?width=800&height=477&name=raft-blog-1.png 800w, https://sambanova.ai/hs-fs/hubfs/raft-blog-1.png?width=1600&height=953&name=raft-blog-1.png 1600w, https://sambanova.ai/hs-fs/hubfs/raft-blog-1.png?width=2400&height=1430&name=raft-blog-1.png 2400w, https://sambanova.ai/hs-fs/hubfs/raft-blog-1.png?width=3200&height=1906&name=raft-blog-1.png 3200w, https://sambanova.ai/hs-fs/hubfs/raft-blog-1.png?width=4000&height=2383&name=raft-blog-1.png 4000w, https://sambanova.ai/hs-fs/hubfs/raft-blog-1.png?width=4800&height=2859&name=raft-blog-1.png 4800w" style="height: auto; max-width: 100%; width: 1600px;" width="1600" /> <p><em>Hình trên mô tả quá trình toàn diện từ tạo tập dữ liệu đến sử dụng trong RAG.</em></p> <h2>3. Tại sao cần điều chỉnh tinh chỉnh?</h2> <p>Điều chỉnh tinh chỉnh có thể không cần thiết đối với nhiều trường hợp sử dụng mà cơ sở kiến thức không chứa thuật ngữ chuyên ngành. Tuy nhiên, khi có thuật ngữ chuyên ngành, embedding và LLM có thể không biết cách mã hóa chúng ngay lập tức và điều chỉnh tinh chỉnh có thể giúp ích. Hơn nữa, việc tinh chỉnh các mô hình nhỏ hơn có thể đạt được độ chính xác cao hơn so với các mô hình lớn hơn nhiều trong khi cung cấp năng suất cao hơn (khả năng xử lý nhiều câu hỏi hơn mỗi giây).</p> <h2>4. Kết quả đánh giá</h2> <p>Các kết quả sau so sánh hiệu suất của các mô hình embedding có và không được tinh chỉnh trên một tập dữ liệu chuyên ngành chứa thuật ngữ an ninh mạng:</p> <img alt="raft-blog-2" height="320" loading="lazy" sizes="(max-width: 1434px) 100vw, 1434px" src="https://sambanova.ai/hs-fs/hubfs/raft-blog-2.png?width=1434&height=320&name=raft-blog-2.png" srcset="https://sambanova.ai/hs-fs/hubfs/raft-blog-2.png?width=717&height=160&name=raft-blog-2.png 717w, https://sambanova.ai/hs-fs/hubfs/raft-blog-2.png?width=1434&height=320&name=raft-blog-2.png 1434w, https://sambanova.ai/hs-fs/hubfs/raft-blog-2.png?width=2151&height=480&name=raft-blog-2.png 2151w, https://sambanova.ai/hs-fs/hubfs/raft-blog-2.png?width=2868&height=640&name=raft-blog-2.png 2868w, https://sambanova.ai/hs-fs/hubfs/raft-blog-2.png?width=3585&height=800&name=raft-blog-2.png 3585w, https://sambanova.ai/hs-fs/hubfs/raft-blog-2.png?width=4302&height=960&name=raft-blog-2.png 4302w" style="height: auto; max-width: 100%; width: 1434px;" width="1434" /> <p><em>Thu hồi ngữ cảnh đề cập đến khả năng của các mô hình trong việc mã hóa tài liệu sao cho các tài liệu có liên quan được trả về trong kết quả top k cho một câu hỏi nhất định.</em></p> <p>Đường dẫn RAG kết hợp các mô hình embedding để truy xuất và LLM để tạo câu trả lời bằng cách sử dụng ngữ cảnh được truy xuất. Các bước trong đường dẫn RAG, hỗ trợ chatbot, được mô tả trong sơ đồ sau:</p> <img alt="raft-blog-3" height="674" loading="lazy" sizes="(max-width: 1600px) 100vw, 1600px" src="https://sambanova.ai/hs-fs/hubfs/raft-blog-3.png?width=1600&height=674&name=raft-blog-3.png" srcset="https://sambanova.ai/hs-fs/hubfs/raft-blog-3.png?width=800&height=337&name=raft-blog-3.png 800w, https://sambanova.ai/hs-fs/hubfs/raft-blog-3.png?width=1600&height=674&name=raft-blog-3.png 1600w, https://sambanova.ai/hs-fs/hubfs/raft-blog-3.png?width=2400&height=1011&name=raft-blog-3.png 2400w, https://sambanova.ai/hs-fs/hubfs/raft-blog-3.png?width=3200&height=1348&name=raft-blog-3.png 3200w, https://sambanova.ai/hs-fs/hubfs/raft-blog-3.png?width=4000&height=1685&name=raft-blog-3.png 4000w, https://sambanova.ai/hs-fs/hubfs/raft-blog-3.png?width=4800&height=2022&name=raft-blog-3.png 4800w" style="height: auto; max-width: 100%; width: 1600px;" width="1600" /> <p>Bảng sau đây trình bày kết quả đối với các cấu hình khác nhau của đường dẫn RAG được sử dụng trên tập dữ liệu an ninh mạng. Cột đầu tiên sử dụng các mô hình hàng đầu từ OpenAI, chẳng hạn như embedding Text Embedding 3 Large (TE-3-L) và LLM GPT-4o. Các cột còn lại có các kết hợp của mô hình không được tinh chỉnh ("Base") và mô hình được "Tinh chỉnh" với lý do (bao gồm cả quá trình "suy nghĩ" cùng với "câu trả lời" cho một "câu hỏi"). "Emb" đề cập đến embedding E5 V2 Large và "Gen" đề cập đến Llama 3 8B.</p> <img alt="raft-blog-4" height="352" loading="lazy" sizes="(max-width: 1428px) 100vw, 1428px" src="https://sambanova.ai/hs-fs/hubfs/raft-blog-4.png?width=1428&height=352&name=raft-blog-4.png" srcset="https://sambanova.ai/hs-fs/hubfs/raft-blog-4.png?width=714&height=176&name=raft-blog-4.png 714w, https://sambanova.ai/hs-fs/hubfs/raft-blog-4.png?width=1428&height=352&name=raft-blog-4.png 1428w, https://sambanova.ai/hs-fs/hubfs/raft-blog-4.png?width=2142&height=528&name=raft-blog-4.png 2142w, https://sambanova.ai/hs-fs/hubfs/raft-blog-4.png?width=2856&height=704&name=raft-blog-4.png 2856w, https://sambanova.ai/hs-fs/hubfs/raft-blog-4.png?width=3570&height=880&name=raft-blog-4.png 3570w, https://sambanova.ai/hs-fs/hubfs/raft-blog-4.png?width=4284&height=1056&name=raft-blog-4.png 4284w" style="height: auto; max-width: 100%; width: 1428px;" width="1428" /> <p>Rõ ràng từ các kết quả trên, việc tinh chỉnh cả mô hình embedding và mô hình tạo ra độ chính xác cao nhất trong việc truy xuất và tạo kết quả. Cần lưu ý rằng các mô hình được tinh chỉnh nhỏ hơn nhiều so với các mô hình OpenAI mà chúng ta đang so sánh, mang lại lợi thế về năng suất ngoài độ chính xác. Trong bảng trên:</p> <ul> <li>"Thành công phân tích câu trả lời" đề cập đến khả năng của LLM trong việc tạo ra câu trả lời và tài liệu tham khảo theo định dạng bắt buộc để phân tích downstream. Lưu ý rằng việc tinh chỉnh LLM tạo ra sự khớp hoàn hảo với định dạng yêu cầu.</li> <li>"Tài liệu tham khảo chính xác" đề cập đến khả năng của mô hình trong việc đưa ra tài liệu tham khảo chính xác đến tài liệu chứa câu trả lời chính xác. GPT-4o hoạt động tốt hơn một chút ở đây với sự trợ giúp của embedding mã nguồn mở được tinh chỉnh.</li> <li>"Độ chính xác trung bình (mềm)" đề cập đến độ chính xác của mô hình, do Llama 3 405 xác định, đồng thời đưa ra các nhượng bộ cho sự thất bại của thành phần truy xuất/embedding của đường dẫn. Nếu tài liệu có liên quan đến câu hỏi không được truy xuất, thì mô hình phải tuyên bố không biết câu trả lời. Sự kết hợp embedding và tạo được tinh chỉnh hoạt động tốt nhất.</li> <li>"Độ chính xác trung bình (cứng)" đề cập đến độ chính xác của mô hình, do LLama 3 405 xác định, bất kể thành phần truy xuất/embedding của đường dẫn có trả về ngữ cảnh không liên quan hay không. Sự kết hợp embedding và tạo được tinh chỉnh hoạt động tốt nhất. Mặc dù các mô hình được tinh chỉnh chưa thấy các câu hỏi được sử dụng trong quá trình đánh giá (thuộc tập dữ liệu giữ lại), nhưng chúng rất quen thuộc với cơ sở kiến thức của các tài liệu và điều đó mang lại cho chúng lợi thế trong việc trả lời câu hỏi một cách chính xác.</li> </ul> <h2>5. Ví dụ đánh giá</h2> <p>Sau đây là một ví dụ về đánh giá được thực hiện bởi Llama 3 405B, được nhắc nhở để cung cấp điểm số và lý do đưa ra điểm số đó:</p> <img alt="raft-blog-5" height="1080" loading="lazy" sizes="(max-width: 1600px) 100vw, 1600px" src="https://sambanova.ai/hs-fs/hubfs/raft-blog-5.png?width=1600&height=1080&name=raft-blog-5.png" srcset="https://sambanova.ai/hs-fs/hubfs/raft-blog-5.png?width=800&height=540&name=raft-blog-5.png 800w, https://sambanova.ai/hs-fs/hubfs/raft-blog-5.png?width=1600&height=1080&name=raft-blog-5.png 1600w, https://sambanova.ai/hs-fs/hubfs/raft-blog-5.png?width=2400&height=1620&name=raft-blog-5.png 2400w, https://sambanova.ai/hs-fs/hubfs/raft-blog-5.png?width=3200&height=2160&name=raft-blog-5.png 3200w, https://sambanova.ai/hs-fs/hubfs/raft-blog-5.png?width=4000&height=2700&name=raft-blog-5.png 4000w, https://sambanova.ai/hs-fs/hubfs/raft-blog-5.png?width=4800&height=3240&name=raft-blog-5.png 4800w" style="height: auto; max-width: 100%; width: 1600px;" width="1600" /> <p>Trong ví dụ trên, tất cả các embedding đều tìm thấy tài liệu chính xác (d*) trong thành phần truy xuất và xếp hạng nó trong top 3. GPT-4o tạo ra câu trả lời kém chính xác hơn so với Llama 3 8B được tinh chỉnh. Giống như GPT-4o, ngay cả Llama 3 8B cơ bản cũng không đề cập đến việc "kiểm thử và gỡ lỗi" là mục đích của khóa đăng ký 'Office Test'. Điều đó là bất chấp thực tế là tên của khóa ngụ ý mục đích và mục đích được nêu rõ trong tài liệu. Điều đó cho thấy rằng việc tinh chỉnh mô hình tạo ra với các lý do có thể giúp cải thiện khả năng lập luận.</p> <h2>6. Kết luận</h2> <p>Tóm lại, các mô hình mã nguồn mở nhỏ hơn có thể được tận dụng và tinh chỉnh để vượt trội hơn các mô hình độc quyền hàng đầu, cả về tốc độ và độ chính xác.</p> <p>Để biết thêm chi tiết về thiết lập các kết quả trên, vui lòng tham khảo bài báo sau: <a href="http://arxiv.org/abs/2411.01073">AttackQA: Phát triển và áp dụng tập dữ liệu để hỗ trợ hoạt động an ninh mạng bằng cách sử dụng LLM mã nguồn mở và được tinh chỉnh</a>.</p> <p><br /></p>

Vượt trội GPT-4o với Llama 3 8B: Điều chỉnh tinh chỉnh theo miền cụ thể cho RAG

Vượt trội GPT-4o với Llama 3 8B: Điều chỉnh tinh chỉnh theo miền cụ thể cho RAG Mục lục: Giới thiệu Giải pháp toàn diện với mô hình ngôn...

Read more »

Google Gemini AI: Nâng cấp bộ nhớ và khả năng nghệ thuật

<h1>Google Gemini AI: Nâng cấp bộ nhớ và khả năng nghệ thuật</h1> <p><strong>Mục lục</strong></p> <ol> <li>[Gemini AI: Bộ nhớ cá nhân hóa]</li> <li>[Google Keep: Biến nét vẽ thành tác phẩm nghệ thuật]</li> <li>[Kết luận]</li> </ol> <h2>1. Gemini AI: Bộ nhớ cá nhân hóa</h2> <p>Google đang nâng cấp trợ lý AI Gemini, cho phép nó lưu trữ và tham khảo thông tin cá nhân về người dùng, bao gồm sở thích và điều người dùng không thích. Tương tự như tính năng bộ nhớ của ChatGPT, Gemini sẽ ghi nhớ các chi tiết cá nhân này, tạo trải nghiệm cá nhân hoá hơn.</p> <p>Bạn có thể cung cấp cho Gemini thông tin về tiểu sử, sở thích, mục tiêu và nhiều hơn nữa. Ngoài ra, bạn cũng có thể hướng dẫn Gemini ghi nhớ thông tin trong quá trình trò chuyện hoặc thông qua trang "Thông tin đã lưu". Trang này cho phép bạn chỉnh sửa và xóa thông tin đã lưu. Gemini thậm chí sẽ thông báo cho bạn mỗi khi nó sử dụng thông tin từ trang này.</p> <p><img alt="Google Gemini Memory" src="https://cdn.mos.cms.futurecdn.net/v2/t:0,l:0,cw:0,ch:0,q:80,w:320/b9DjJP94YiDrzdj3Av29E9.png" /></p> <p>Tính năng này nhằm mục đích loại bỏ sự lặp lại trong việc giải thích thông tin, đặc biệt hữu ích cho các dự án kéo dài nhiều cuộc trò chuyện. Google cho rằng các nhà phát triển ứng dụng, nhà văn, sinh viên và nhiều đối tượng khác sẽ được hưởng lợi từ sự tối ưu hóa này. Hiện tại, tính năng bộ nhớ chỉ hoạt động bằng tiếng Anh và yêu cầu đăng ký Gemini Advanced thông qua Gói Google One AI Premium.</p> <h2>2. Google Keep: Biến nét vẽ thành tác phẩm nghệ thuật</h2> <p>Bên cạnh việc nâng cấp Gemini, Google còn hé lộ một tính năng sáng tạo thú vị trên Google Keep. Theo mã nguồn được tìm thấy, Google Keep sẽ sớm tích hợp AI để biến những bản phác thảo và hình vẽ của người dùng thành các tác phẩm nghệ thuật chuyên nghiệp, thậm chí cả sơ đồ kỹ thuật.</p> <p>AI của Google Keep có khả năng phân biệt giữa hình vẽ và văn bản, từ đó hiểu và xử lý thông tin một cách chính xác. Mã nguồn cũng gợi ý về một công cụ tạo ảnh AI riêng biệt, chuyên biến văn bản thành hình ảnh có thể được phác thảo trên Google Keep. Mặc dù chưa có thông báo chính thức về ngày ra mắt, nhưng tình trạng mã nguồn cho thấy tính năng này sẽ sớm được tung ra.</p> <h2>3. Kết luận</h2> <p>Cả hai tính năng trên đều tập trung vào việc làm cho việc tương tác với AI trở nên mượt mà và dễ dàng hơn. Từ việc Gemini ghi nhớ sở thích của bạn để đề xuất sách phù hợp, cho đến Google Keep biến những nét vẽ ngẫu hứng thành tác phẩm nghệ thuật, các tính năng này đều hướng đến việc rút ngắn khoảng cách giữa mong muốn của người dùng và kết quả mà AI mang lại.</p> <p><br /></p>

Google Gemini AI: Nâng cấp bộ nhớ và khả năng nghệ thuật

Google Gemini AI: Nâng cấp bộ nhớ và khả năng nghệ thuật Mục lục [Gemini AI: Bộ nhớ cá nhân hóa] [Google Keep: Biến nét vẽ thành tác phẩ...

Read more »