Agent.ai.vn

So sánh ChatGPT-4 Turbo và LLaMA 3.1: Phân tích khả năng trả lời câu hỏi văn bản trong lĩnh vực Chẩn đoán hình ảnh Nhi khoa

Mục lục
<ol>
<li>Giới thiệu</li>
<li>Phương pháp nghiên cứu</li>
<li>Kết quả</li>
<li>Thảo luận</li>
<li>Kết luận</li>
</ol>
<h2>1. Giới thiệu</h2>
Trong những năm gần đây, các mô hình ngôn ngữ lớn (LLM) – hệ thống trí tuệ nhân tạo (AI) được huấn luyện trên các thuật toán học sâu – đã phát triển đáng kể và trở nên ngày càng tinh vi. Các hệ thống AI này, như GPT-4 Turbo của OpenAI (San Francisco, CA) và LLaMA 3.1 của Meta (Menlo Park, CA), sử dụng các kỹ thuật để tạo ra phản hồi văn bản giống như con người [1, 2]. Sự phát triển nhanh chóng của chúng đã biến đổi nhiều ngành công nghiệp, cho phép thực hiện các nhiệm vụ như giải quyết vấn đề chẩn đoán, dịch ngôn ngữ và đưa ra các đề xuất cá nhân hóa, thể hiện tiềm năng của AI trong tương lai.
Cụ thể, LLM như GPT-4 Turbo và LLaMA 3.1, đều được phát hành vào năm 2023, cho đến nay đã là nền tảng của tiềm năng này [1-3]. Mỗi mô hình sử dụng các phân tích học sâu tương tự dựa trên các tập dữ liệu rộng lớn, hoàn thành nhiều nhiệm vụ đa dạng, từ tạo văn bản đơn giản đến lập luận phức tạp. GPT-4 Turbo, một phiên bản nâng cao của GPT-4.0, GPT-3.5 và GPT-3.0, tự phân biệt mình bằng "cửa sổ ngữ cảnh" được cải thiện, có nghĩa là nó có khả năng ghi nhớ và xử lý nhiều trang đầu vào hơn để tạo ra đầu ra phức tạp hơn so với các thế hệ trước [1, 4]. Mặc dù tương tự, LLaMA 3.1 của Meta được biết đến nhiều hơn với hiệu quả và tối ưu hóa hiệu suất, trong khi GPT-4 Turbo được biết đến với khả năng xử lý lớn hơn và xử lý nhiệm vụ đa phương thức [2, 4, 5].
Nghiên cứu này nhằm mục đích so sánh các mô hình này trong một tập hợp câu hỏi chẩn đoán hình ảnh nhi khoa, đánh giá khả năng của chúng trong việc trả lời chính xác các câu hỏi chuyên ngành. Cuối cùng, phân tích này hy vọng sẽ làm rõ thế mạnh và các lĩnh vực tiềm năng cần cải thiện của mỗi mô hình trong giáo dục y tế.
<h2>2. Phương pháp nghiên cứu</h2>
Nghiên cứu này so sánh độ chính xác của ChatGPT-4 Turbo và LLaMA 3.1 của Meta bằng cách đánh giá phản hồi của chúng đối với 79 câu hỏi văn bản từ sách giáo khoa "Pediatric Imaging: A Core Review" [6]. Mục tiêu chính là đánh giá độ chính xác tổng thể với mục tiêu thứ cấp là phân tích hiệu suất của mỗi mô hình AI trong các phần cụ thể. Từ nhóm câu hỏi ban đầu gồm 302 câu hỏi của cuốn sách, 79 câu hỏi đã được chọn dựa trên các tiêu chí đã xác định, loại trừ các câu hỏi dựa trên hình ảnh. Các câu hỏi được chia thành bảy phần, tương ứng với các trọng tâm khác nhau của văn bản như chụp X-quang cơ xương và ngực, với 38 câu hỏi được sửa đổi nhẹ để duy trì tính nhất quán của định dạng chỉ có văn bản.
Độ chính xác của mỗi LLM được đo bằng cách tính tỷ lệ phần trăm câu trả lời đúng cho mỗi mô hình trên toàn bộ tập hợp câu hỏi cũng như trong các phần. Mỗi mô hình được định hướng để chờ đợi một loạt câu hỏi trắc nghiệm và cẩn thận chọn những gì chúng phân tích là câu trả lời đúng (Hình 1). Sử dụng hệ thống trả lời nhị phân, các câu hỏi được trả lời đúng được ghi chú riêng là "1" và không đúng là "0", và phân tích cuối cùng sử dụng tổng của các ghi chú riêng lẻ. Phân tích hiệu suất của mỗi mô hình cho phép nghiên cứu này làm nổi bật bất kỳ sự khác biệt nào về độ chính xác, cả tổng thể và trong các phần (Hình 2). Phương pháp này cho phép so sánh rõ ràng cách GPT-4 Turbo và LLaMA 3.1 xử lý các câu hỏi về chẩn đoán hình ảnh nhi khoa. Nghiên cứu này không yêu cầu sự chấp thuận của Hội đồng Đánh giá Quy trình Nghiên cứu (IRB) do thiếu dữ liệu bệnh nhân có liên quan, và tất cả dữ liệu đã được kiểm tra chéo về độ chính xác chẩn đoán.
<img a="" alt="Hình 1: So sánh phản hồi với một câu hỏi mẫu trong sách giáo khoa. (A) Phần A phản ánh câu hỏi và câu trả lời gốc của một ví dụ câu hỏi được cung cấp trong " core="" imaging:="" pediatric="" src="https://assets.cureus.com/uploads/figure/file/1235914/lightbox_e1e905907a9711efa63a8d0cbc21c809-Figure-1.png">
<img alt="Hình 2: Trình tự phương pháp để so sánh ChatGPT-4 Turbo và LLaMA 3.1 của Meta. AI: trí tuệ nhân tạo." src="https://assets.cureus.com/uploads/figure/file/1235922/lightbox_5ae1a6507a9811ef949479077179c70b-Figure-2.png">
<h2>3. Kết quả</h2>
Trong phân tích này, GPT-4 Turbo đã chứng minh độ chính xác tổng thể cao hơn so với LLaMA 3.1 của Meta. GPT-4 Turbo đã trả lời đúng 88,6% trong số 79 câu hỏi (70/79), trong khi LLaMA 3.1 đã trả lời đúng 77,2% (61/79). Khi kết quả được chia nhỏ hơn nữa thành các phần, GPT-4 Turbo liên tục vượt trội hơn LLaMA 3.1 ở hầu hết các lĩnh vực (Hình 3, 4).
<img alt="Hình 3: Biểu đồ cột minh họa sự khác biệt về hiệu suất giữa ChatGPT-4 Turbo và LLaMA 3.1. GI: tiêu hóa; GU: tiết niệu; MSK: cơ xương." src="https://assets.cureus.com/uploads/figure/file/1235924/lightbox_72eb5de07a9811ef8a80c7d16a13994f-Figure-3.png">
<img alt="Hình 4: Kết quả so sánh và tỷ lệ phần trăm chính xác giữa ChatGPT-4 Turbo và LLaMA 3.1. AI: trí tuệ nhân tạo." src="https://assets.cureus.com/uploads/figure/file/1296663/lightbox_fb7a87409f8611ef87357730a6d56c19-Combined-example-of-question-gpt-vs-llama.png">
GPT-4 Turbo đạt 92,3% (12/13) trong hệ thống tiêu hóa, 92,9% (13/14) trong hệ thống tiết niệu, 93,3% (14/15) trong hệ thống cơ xương, 100% (2/2) trong chụp X-quang ngực, 80,0% (4/5) trong thần kinh sọ não, 66,7% (10/15) trong mạch máu và 100% (15/15) trong tim mạch. Để so sánh, LLaMA 3.1 đạt 84,6% (11/13) trong hệ thống tiêu hóa, 78,6% (11/14) trong hệ thống tiết niệu, 86,7% (13/15) trong hệ thống cơ xương, 50% (1/2) trong chụp X-quang ngực, 80,0% (4/5) trong thần kinh sọ não, 60,0% (9/15) trong mạch máu và 80,0% (12/15) trong tim mạch (Bảng 1).
<table>
<thead>
<tr>
<th>Số lượng câu hỏi</th>
<th>Tỷ lệ chính xác của GPT4-Turbo (%)</th>
<th>Số lượng câu hỏi, đúng/tổng</th>
<th>Tỷ lệ chính xác của LLaMA 3.1 (%)</th>
<th>Số lượng câu hỏi, đúng/tổng</th>
</tr>
</thead>
<tbody><tr>
<td>Tổng thể</td>
<td>79</td>
<td>88,6%</td>
<td>70/79</td>
<td>77,2%</td>
</tr>
<tr>
<td>Tiêu hóa</td>
<td>13</td>
<td>92,3%</td>
<td>12/13</td>
<td>84,6%</td>
</tr>
<tr>
<td>Tiết niệu</td>
<td>14</td>
<td>92,3%</td>
<td>13/14</td>
<td>78,6%</td>
</tr>
<tr>
<td>Cơ xương</td>
<td>15</td>
<td>93,3%</td>
<td>14/15</td>
<td>86,7%</td>
</tr>
<tr>
<td>Ngực</td>
<td>2</td>
<td>100,0%</td>
<td>2/2</td>
<td>50,0%</td>
</tr>
<tr>
<td>Thần kinh sọ não</td>
<td>5</td>
<td>80,0%</td>
<td>4/5</td>
<td>80,0%</td>
</tr>
<tr>
<td>Mạch máu</td>
<td>15</td>
<td>66,7%</td>
<td>10/15</td>
<td>60,0%</td>
</tr>
<tr>
<td>Tim mạch</td>
<td>15</td>
<td>100,0%</td>
<td>15/15</td>
<td>80,0%</td>
</tr>
</tbody></table>
Bảng 1: So sánh tỷ lệ phần trăm chính xác giữa ChatGPT-4 Turbo và LLaMA 3.1. GI: tiêu hóa; GU: tiết niệu; MSK: cơ xương.
Về độ chính xác cụ thể theo từng phần, GPT-4 Turbo hoạt động tốt nhất trong chụp X-quang ngực và tim mạch (100,0%), tiếp theo là hệ thống cơ xương (93,3%), hệ thống tiêu hóa (92,3%) và hệ thống tiết niệu (92,9%). Hiệu suất thấp nhất của GPT-4 Turbo là trong mạch máu, ở mức 66,7%. Độ chính xác cao nhất của LLaMA 3.1 là trong hệ thống cơ xương (86,7%), và thấp nhất là trong chụp X-quang ngực (50,0%).
<h2>4. Thảo luận</h2>
Hiệu suất tổng thể & từng phần của mỗi mô hình AI
Tỷ lệ phần trăm chính xác cao hơn của GPT-4 Turbo so với LLaMA 3.1 ban đầu ngụ ý khả năng xử lý tốt hơn các câu hỏi dựa trên văn bản. Hiệu suất này có thể là do việc huấn luyện trên các tập dữ liệu lớn hơn, chuyên ngành hơn, được trang bị tốt hơn để trả lời các câu hỏi cụ thể, không giống như LLaMA 3.1, được phát triển để xử lý trọng tâm nghiên cứu rộng hơn với hiệu quả cao hơn [1, 6]. Như đã nêu trước đó, cửa sổ ngữ cảnh lớn hơn của GPT-4 Turbo, giúp tăng cường khả năng giải quyết vấn đề phức tạp, có thể tăng cường khả năng xử lý các câu hỏi phức tạp [1, 2].
Điều đáng chú ý là tỷ lệ phần trăm chính xác tương tự trong các danh mục nhỏ hơn như thần kinh sọ não và mạch máu có thể là do số lượng câu hỏi dựa trên văn bản hạn chế so với các phần lớn hơn. Việc nghiên cứu loại trừ các câu hỏi dựa trên hình ảnh, không phản ánh đánh giá thực tế về chẩn đoán hình ảnh, có thể đã hạn chế phạm vi nghiên cứu của chúng tôi.
Thế mạnh và hạn chế chung của AI trong y học
AI cung cấp các công cụ và tích hợp cơ sở dữ liệu ngày càng phát triển của nó, tiếp tục xử lý dữ liệu nhanh hơn và đôi khi chính xác hơn con người [6, 7]. Trong các lĩnh vực y tế cụ thể, chẳng hạn như chẩn đoán hình ảnh, các LLM này có tiềm năng giúp nhanh chóng diễn giải tài liệu về tình trạng bệnh nhân, tóm tắt tiền sử bệnh nhân hoặc tạo báo cáo. Trên thực tế, các nghiên cứu so sánh trước đây giữa các phiên bản trước đó của các LLM này đã tìm thấy sự khác biệt đáng kể về độ chính xác tổng thể, điều này có thể là sản phẩm phụ của chức năng dự định của mỗi LLM [8-10]. Tuy nhiên, vẫn còn những lo ngại về khả năng của các mô hình này trong việc diễn giải và phân tích chính xác hình ảnh hoặc cung cấp thông tin chính xác, đặc biệt là với các sự kiện được báo cáo trong quá khứ về phân tích không chính xác [7, 11]. Mặc dù sự phát triển của các mô hình này rất nhanh chóng, nhưng việc tích hợp của chúng vào hầu hết các hệ thống vẫn đang trong giai đoạn phát triển, và các phân tích như nghiên cứu này tiếp tục đánh dấu khả năng ngày càng phát triển và tiềm năng của nó cho tương lai.
Một điều thú vị giữa GPT-4 Turbo và LLaMA 3.1 của Meta là sự khác biệt giữa phần mềm nguồn mở và các mô hình độc quyền [1]. Hiện tại, LLaMA được gắn nhãn là nguồn mở, cho phép các nhà phát triển tự do tạo hoặc thử nghiệm với thế mạnh và hạn chế của mô hình. Tuy nhiên, GPT-4 Turbo được gắn nhãn là mô hình "độc quyền", nhắm đến mục đích thương mại [1]. Khách hàng vẫn được phép sử dụng các công cụ và cơ sở dữ liệu của nó, nhưng điều này hạn chế khả năng thử nghiệm so với LLaMA [1, 4]. Sự phân biệt giữa các mô hình này có thể là một điểm bàn luận trong tương lai nếu một mô hình trở nên dễ tiếp cận hơn để thay đổi, chẳng hạn như trong các lĩnh vực phát triển nhanh chóng như y học.
Nhận thức của công chúng và sự tin tưởng vào AI trong chăm sóc sức khỏe
Việc xem xét về mặt đạo đức việc sử dụng AI trong các lĩnh vực chăm sóc sức khỏe là phức tạp và có sự giao thoa đáng kể với nhận thức của công chúng về AI nói chung. Rõ ràng là có sự phấn khích ngày càng tăng đối với tương lai của các LLM này trong nhiều lĩnh vực, và nhiều người nhìn nhận các mô hình này với sự lạc quan rằng chúng có thể cải thiện tốc độ của nhiều nhiệm vụ và giảm lỗi của con người [12, 13]. Tuy nhiên, các vấn đề phát sinh xung quanh độ chính xác và tính chấp nhận được của việc ra quyết định của AI, đặc biệt là khi được sử dụng trong các tình huống khẩn cấp hoặc cho rằng một số mô hình chỉ được đào tạo trên các tập dữ liệu hạn chế [12-14]. Cụ thể trong y học, nhiều nghiên cứu báo cáo rằng bệnh nhân tìm kiếm sự tin tưởng trong phán đoán của họ về các mô hình AI và các mô hình này hiện chưa đạt đến mức đó [13-16]. Sự khác biệt này được ghi nhận thêm trong nghiên cứu này, nơi các mô hình AI khác nhau được cho là có hiệu suất khác nhau trong cùng một tập hợp câu hỏi, nhấn mạnh thêm sự thiếu huấn luyện tiêu chuẩn hóa trên các mô hình [16, 17]. Mỗi mô hình này được đào tạo với các nhiệm vụ cụ thể và trong khi chúng sẽ tiếp tục cải thiện trong nhiều thập kỷ, việc huấn luyện rộng rãi của chúng vẫn chưa được phát triển trong các lĩnh vực đòi hỏi độ chính xác cao, chẳng hạn như chẩn đoán hình ảnh.
<h2>5. Kết luận</h2>
Những phát hiện của nghiên cứu này phản ánh tỷ lệ phần trăm chính xác cao hơn với GPT-4 Turbo so với LLaMA 3.1 trong việc trả lời một tập hợp các câu hỏi tiêu chuẩn về chẩn đoán hình ảnh nhi khoa, với GPT-4 Turbo đạt 88,6% chính xác (70/79) so với 77,2% của LLaMA 3.1 (61/79). Những dữ liệu này cho thấy GPT-4 Turbo có thể có một tập dữ liệu được cải thiện để xử lý các nhiệm vụ dựa trên văn bản chuyên ngành. Tuy nhiên, sự khác biệt giữa các phần khác nhau, chẳng hạn như thần kinh sọ não, là tối thiểu, và ý nghĩa thống kê không được đánh giá tương đương. Những phát hiện này nhấn mạnh sự cần thiết phải diễn giải thận trọng dữ liệu và cho thấy cả hai mô hình đều có những thế mạnh và hạn chế riêng cần được xem xét khi tích hợp AI trong nhiều thiết lập.
Tóm lại, nghiên cứu này nhấn mạnh tiềm năng của các mô hình AI trong giáo dục y tế, đặc biệt là trong các lĩnh vực chuyên ngành như chẩn đoán hình ảnh, nơi việc diễn giải hình ảnh chính xác là rất quan trọng. Khi AI tiếp tục phát triển, nó mang đến tiềm năng thú vị cho y học, chẩn đoán hình ảnh và kết quả tổng thể cho bệnh nhân. Tuy nhiên, điều quan trọng là các mô hình này được sử dụng một cách có đạo đức và như là một sự bổ sung cho chuyên môn của con người. Nghiên cứu trong tương lai nên tiếp tục điều tra các mô hình này để tối ưu hóa AI đồng thời duy trì việc áp dụng có trách nhiệm của nó.

So sánh ChatGPT-4 Turbo và LLaMA 3.1: Phân tích khả năng trả lời câu hỏi văn bản trong lĩnh vực Chẩn đoán hình ảnh Nhi khoa

Mục lục Giới thiệu Phương pháp nghiên cứu Kết quả Thảo luận Kết luận 1. Giới thiệu Trong những năm gần đây, các mô hình ngôn ngữ lớ...

tháng 11 26, 2024

88% người lao động sẽ sử dụng AI để vượt qua tình trạng trì trệ công việc: Nghiên cứu của Google

Mục lục
<ol>
<li>Giới thiệu</li>
<li>Kết quả khảo sát</li>
<li>Ứng dụng AI trong công việc</li>
<li>Tác động của AI đến năng suất và giao tiếp</li>
<li>AI và vai trò lãnh đạo</li>
<li>Kết luận</li>
</ol>
1. Giới thiệu
Một nghiên cứu mới đây do Google Workspace ủy quyền thực hiện đã cho thấy tiềm năng to lớn của trí tuệ nhân tạo (AI) trong việc hỗ trợ người lao động vượt qua những khó khăn trong công việc. Khảo sát, do Harris Poll thực hiện, đã thu thập ý kiến của hơn 1000 người lao động Mỹ trong độ tuổi từ 22 đến 39, những người hiện đang giữ hoặc mong muốn có vị trí lãnh đạo tại công ty của họ. Kết quả cho thấy một tỷ lệ đáng kể người lao động sẵn sàng sử dụng AI để giải quyết vấn đề trì trệ công việc.
<img alt="gettyimages-183433212" src="https://www.zdnet.com/a/img/resize/02d8a166c3188130b1d42e728b69f294ef94de76/2024/11/25/5164b2be-e199-4135-b45d-d3b7b704e82f/gettyimages-183433212.jpg?auto=webp&precrop=2001,1124,x0,y101&width=1280">
2. Kết quả khảo sát
Nghiên cứu cho thấy 82% người tham gia khảo sát đã sử dụng các công cụ AI tại nơi làm việc. Điểm đáng chú ý là 88% cho biết họ sẽ sử dụng AI để bắt đầu một nhiệm vụ cảm thấy quá sức. Điều này cho thấy AI không chỉ được xem như một công cụ hỗ trợ đơn thuần mà còn là một giải pháp giúp người lao động tự tin hơn trong việc xử lý công việc phức tạp.
3. Ứng dụng AI trong công việc
Khảo sát cũng chỉ ra những ứng dụng cụ thể của AI trong công việc hàng ngày:
<ul>
<li>Viết email: Khoảng 70% người được hỏi đã sử dụng AI để viết email, bao gồm cả việc soạn thảo các email khó khăn từ đầu và vượt qua rào cản ngôn ngữ. Đặc biệt, 88% tin rằng AI có thể giúp họ lựa chọn giọng văn phù hợp.</li>
<li>Hỗ trợ họp: 87% tin rằng AI sẽ giúp họ thoải mái hơn khi viết email dài trên điện thoại. 90% cho biết họ sẽ tự tin hơn khi tham gia các cuộc họp khi đang di chuyển nếu biết AI sẽ ghi chú cuộc họp giúp họ.</li>
<li>Sử dụng đa công cụ AI: 93% thuộc thế hệ Z và 79% là thế hệ Millennials đã sử dụng hai hoặc nhiều công cụ AI mỗi tuần.</li>
</ul>
4. Tác động của AI đến năng suất và giao tiếp
Hầu hết người tham gia (98%) đều kỳ vọng AI sẽ tác động đến ngành nghề hoặc nơi làm việc của họ trong vòng 5 năm tới. AI được đánh giá cao về khả năng cải thiện năng suất, giao tiếp và lãnh đạo. Cụ thể:
<ul>
<li>Tăng năng suất: Một nửa số người được hỏi cho rằng AI có thể tự động hóa các nhiệm vụ thường ngày, giải phóng thời gian để tập trung vào các nhiệm vụ chiến lược hơn.</li>
<li>Cải thiện giao tiếp: Khoảng 47% tin rằng AI có thể cải thiện giao tiếp để giải quyết vấn đề và thúc đẩy mối quan hệ làm việc tốt hơn, đặc biệt là trong việc phối hợp công việc giữa các nhóm và nâng cao hiệu quả giao tiếp đối với lực lượng lao động hybrid.</li>
</ul>
5. AI và vai trò lãnh đạo
Nhiều người tham gia khảo sát – những người đang làm việc hoặc tìm kiếm vị trí lãnh đạo – coi AI là công cụ hỗ trợ họ cộng tác tốt hơn, giao tiếp hiệu quả hơn và dẫn dắt nhóm tốt hơn. 86% cảm thấy AI có thể giúp các nhà lãnh đạo trở thành người quản lý tốt hơn, trong khi 79% bày tỏ sự quan tâm đến việc sử dụng AI để trở thành người quản lý tốt hơn.
6. Kết luận
Như Phó Chủ tịch Sản phẩm của Google Workspace, Yulie Kwon Kim, đã chia sẻ trong thông cáo báo chí: "Nghiên cứu của chúng tôi cho thấy các nhà lãnh đạo mới nổi đang áp dụng AI để tăng cường tác động của họ trong công việc. Các nhà lãnh đạo đang lên không chỉ sử dụng AI như một công cụ để tăng hiệu quả, mà còn như một chất xúc tác để giúp phát triển sự nghiệp của họ." Nghiên cứu này khẳng định vai trò ngày càng quan trọng của AI trong môi trường làm việc hiện đại, không chỉ giúp tăng năng suất mà còn hỗ trợ phát triển sự nghiệp cho người lao động. Sự chấp nhận và ứng dụng rộng rãi AI hứa hẹn sẽ mang lại những thay đổi tích cực cho tương lai của công việc.

88% người lao động sẽ sử dụng AI để vượt qua tình trạng trì trệ công việc: Nghiên cứu của Google

Mục lục Giới thiệu Kết quả khảo sát Ứng dụng AI trong công việc Tác động của AI đến năng suất và giao tiếp AI và vai trò lãnh đạo Kết...

tháng 11 26, 2024

Công cụ AI của Google: Trợ lý học tập mới tuyệt vời và hoàn toàn miễn phí

Mục lục:
<ol>
<li>Giới thiệu</li>
<li>Learn About là gì?</li>
<li>Cách sử dụng Learn About</li>
<li>Ví dụ sử dụng</li>
<li>Cách truy cập Learn About</li>
<li>Kết luận</li>
</ol>
<h2>1. Giới thiệu</h2>
Trong quá trình học tập và làm việc, việc tiếp cận nhanh chóng với những kiến thức mới, những lĩnh vực chưa quen thuộc luôn là một thách thức. Bài viết này sẽ giới thiệu một công cụ AI mạnh mẽ đến từ Google, hứa hẹn sẽ giúp bạn giải quyết vấn đề này một cách hiệu quả.
<h2>2. Learn About là gì?</h2>
Learn About là công cụ học tập mới được Google phát triển trong nền tảng Google Learning. Được Google mô tả là "bạn đồng hành học tập thông minh, đa dạng và có khả năng tương tác", Learn About kết hợp giữa tính năng của một chatbot AI và công cụ tìm kiếm, nhưng được cá nhân hóa cao hơn, đáp ứng nhu cầu và khả năng học tập của từng người dùng.
<h2>3. Cách sử dụng Learn About</h2>
Để bắt đầu sử dụng Learn About, bạn cần đăng nhập bằng tài khoản Google. Sau đó, bạn có thể:
<ul>
<li>Đặt câu hỏi: Nhập bất kỳ chủ đề, môn học, tệp tin hoặc hình ảnh nào vào ô tìm kiếm.</li>
<li>Tải lên tệp: Tải lên hình ảnh hoặc tài liệu để tìm hiểu sâu hơn về nội dung đó.</li>
<li>Khám phá các chủ đề đã được tuyển chọn: Google cung cấp một số chủ đề được sắp xếp sẵn để bạn tham khảo.</li>
</ul>
Learn About sử dụng công nghệ AI thử nghiệm để cung cấp thông tin chi tiết và trả lời câu hỏi một cách tương tác, ngay cả với những từ khóa ngắn gọn. Các câu trả lời được điều chỉnh theo trình độ kiến thức của người dùng, tạo ra trải nghiệm học tập cá nhân hóa cao. Người dùng sẽ được dẫn dắt qua các khái niệm phức tạp thông qua nhiều hướng dẫn, hình ảnh, video và bài viết tương tác, giúp quá trình học tập trở nên hấp dẫn và linh hoạt.
<h2>4. Ví dụ sử dụng</h2>
Tôi đã thử nghiệm Learn About bằng cách nhập câu hỏi sau vào ô tìm kiếm: "Silvia Federici định nghĩa 'sự nghèo hóa nữ giới' như thế nào trong tác phẩm của bà?"
Learn About đã trả lời:
<blockquote>
"Trong tác phẩm Caliban và Phù thủy, Silvia Federici lập luận rằng sự chuyển đổi sang chủ nghĩa tư bản đã dẫn đến sự nghèo hóa nữ giới. Bà ấy muốn nói rằng phụ nữ bị nghèo đói không cân xứng trong thời kỳ chủ nghĩa tư bản trỗi dậy. Điều này không phải là ngẫu nhiên. Federici cho rằng đó là một quá trình có chủ đích đã giúp chủ nghĩa tư bản phát triển."
</blockquote>
Ngoài ra, Learn About còn định nghĩa chi tiết "sự nghèo hóa nữ giới" và liệt kê các yếu tố góp phần vào hiện tượng này dưới dạng danh sách tương tác.
<h2>5. Cách truy cập Learn About</h2>
Bạn có thể truy cập Learn About tại địa chỉ: <a href="https://learning.google.com/experiments/learn-about">learning.google.com/experiments/learn-about</a>
<h2>6. Kết luận</h2>
Learn About là một công cụ AI mạnh mẽ, hữu ích cho cả sinh viên, người học suốt đời và các chuyên gia. Khả năng cá nhân hóa cao và giao diện thân thiện giúp Learn About trở thành một trợ lý học tập lý tưởng, hỗ trợ việc học tập hiệu quả hơn và dễ dàng hơn. Đây thực sự là một công cụ mà tôi ước mình đã có trong thời gian đi học.

Công cụ AI của Google: Trợ lý học tập mới tuyệt vời và hoàn toàn miễn phí

Mục lục: Giới thiệu Learn About là gì? Cách sử dụng Learn About Ví dụ sử dụng Cách truy cập Learn About Kết luận 1. Giới thiệu Tro...

tháng 11 26, 2024

Google Gemini Thêm Tính Năng Bộ Nhớ, Cá Nhân Hóa Trải Nghiệm Người Dùng

Mục lục:
<ol>
<li><a href="#google-gemini-co-tinh-nang-bo-nho-moi">Google Gemini Có Tính Năng Bộ Nhớ Mới</a></li>
<li><a href="#kha-nang-su-dung-va-loi-ich">Khả Năng Sử Dụng và Lợi Ích</a></li>
<li><a href="#ket-luan">Kết Luận</a></li>
</ol>
<h2>1. Google Gemini Có Tính Năng Bộ Nhớ Mới</h2>
Google đang nâng cấp khả năng AI của mình bằng cách giới thiệu tính năng bộ nhớ cho chatbot Google Gemini, tương tự như tính năng mà OpenAI đã ra mắt cho ChatGPT hồi đầu năm nay. Tính năng mới này được thiết kế để giúp Gemini trở nên trực quan hơn và phù hợp với từng người dùng, đánh dấu bước tiến đáng kể trong việc cá nhân hóa AI.
<img alt="Google Gemini" src="https://img.pokde.net/v7/pokde.net/assets/uploads/2024/02/googlegemininamechangecover-e1731696451477.jpg">
Tính năng bộ nhớ của Google Gemini cho phép chatbot ghi nhớ sở thích và tùy chọn của người dùng. Theo ghi chú phát hành chính thức của Google, điều này sẽ giúp Gemini đưa ra các phản hồi "hữu ích và phù hợp hơn, được cá nhân hóa chính xác theo nhu cầu của bạn."
Bạn có thể chia sẻ thông tin mà bạn muốn Gemini ghi nhớ bằng hai cách:
<ul>
<li>Thông qua cuộc trò chuyện tự nhiên: Chỉ cần đề cập đến chi tiết trong các cuộc trò chuyện của bạn với Gemini.</li>
<li>Trang thông tin đã lưu: Sử dụng trang chuyên dụng này để quản lý tùy chọn của bạn, nơi bạn có thể xem, chỉnh sửa hoặc xóa bất kỳ thông tin nào Gemini đã lưu.</li>
</ul>
Mỗi khi Gemini sử dụng thông tin đã lưu của bạn, nó sẽ thông báo cho bạn, đảm bảo tính minh bạch trong các phản hồi của mình.
<h2>2. Khả Năng Sử Dụng và Lợi Ích</h2>
Hiện tại, tính năng này chỉ dành riêng cho người dùng Gemini Advanced, là một phần của Gói Google One AI Premium và chỉ khả dụng bằng tiếng Anh. Bằng cách tham gia, người dùng có thể tận hưởng:
<ul>
<li>Tương tác cá nhân hóa hơn: Phản hồi phù hợp với sở thích cá nhân.</li>
<li>Tính nhất quán trong các cuộc trò chuyện: Không cần phải lặp lại cùng một chi tiết mỗi lần.</li>
<li>Quản lý bộ nhớ tùy chỉnh: Kiểm soát hoàn toàn những gì Gemini ghi nhớ.</li>
</ul>
<a href="https://gemini.google.com/updates" rel="noreferrer noopener" target="_blank">Nguồn</a>

<h2>3. Kết luận</h2>
Với việc giới thiệu tính năng này, Google đặt mục tiêu cạnh tranh hiệu quả hơn trong lĩnh vực chatbot AI, mang đến trải nghiệm tập trung vào người dùng hơn. Đối với người dùng, điều này có nghĩa là các cuộc trò chuyện thông minh hơn, hiệu quả hơn và được cá nhân hóa theo nhu cầu cụ thể của họ.

Google Gemini Thêm Tính Năng Bộ Nhớ, Cá Nhân Hóa Trải Nghiệm Người Dùng

Mục lục: Google Gemini Có Tính Năng Bộ Nhớ Mới Khả Năng Sử Dụng và Lợi Ích Kết Luận 1. Google Gemini Có Tính Năng Bộ Nhớ Mới Google đ...

tháng 11 26, 2024

Tương lai của AI: Đại diện thông minh thay vì chatbot - Quan điểm của Marc Benioff

Mục lục:
<ol>
<li>Giới thiệu</li>
<li>Quan điểm của Marc Benioff về chatbot AI</li>
<li>Ưu điểm của AI Agent</li>
<li>Giới thiệu về Agentforce của Salesforce</li>
<li>Lời cảnh báo về giới hạn của LLM</li>
<li>Kết luận</li>
</ol>
1. Giới thiệu
Gần đây, Giám đốc điều hành Salesforce, Marc Benioff, đã chia sẻ quan điểm của mình về tương lai của trí tuệ nhân tạo (AI) trên podcast "The Future of Everything" của Wall Street Journal. Ông cho rằng công nghệ AI đang đạt đến "giới hạn trên của các mô hình ngôn ngữ lớn (LLM)" - nền tảng của các chatbot AI hiện nay, và tương lai thuộc về các "AI Agent" - các đại diện thông minh có khả năng làm việc độc lập.
<img alt="Marc Benioff tại Dreamforce" src="https://i.kinja-img.com/image/upload/c_fit,q_60,w_1315/e343ef3d36a7cc8bb961866800f953f8.jpg">
2. Quan điểm của Marc Benioff về chatbot AI
Benioff thẳng thắn cho rằng sự phổ biến của các chatbot AI hiện nay giống như một "cơn say" nhất thời. Ông nhấn mạnh rằng AI là một công cụ, và chúng ta cần sử dụng nó để cải thiện nhân loại, chứ không phải để bị nó chi phối. Ông cũng bày tỏ lo ngại về việc các công ty công nghệ lớn đang "thổi phồng" khả năng của AI, khiến khách hàng doanh nghiệp có những kỳ vọng không thực tế.
3. Ưu điểm của AI Agent
Khác với chatbot AI, hoạt động song song với người dùng, AI Agent có khả năng tự động hoàn thành các nhiệm vụ phức tạp. Người dùng chỉ cần giao việc cho AI Agent và kiểm tra kết quả, thay vì phải liên tục đưa ra các hướng dẫn.
4. Giới thiệu về Agentforce của Salesforce
Để minh chứng cho quan điểm của mình, Benioff đã giới thiệu Agentforce, bộ công cụ AI Agent của Salesforce được ra mắt vào tháng 9 năm 2024. Agentforce có khả năng xử lý các nhiệm vụ trong lĩnh vực dịch vụ khách hàng, bán hàng, tiếp thị và thương mại. Đây được xem là một bước tiến vượt trội so với các chatbot AI truyền thống.
5. Lời cảnh báo về giới hạn của LLM
Mặc dù thừa nhận tiềm năng to lớn của AI trong việc cải thiện công việc, Benioff cảnh báo rằng chúng ta đang dần chạm đến giới hạn của các mô hình ngôn ngữ lớn (LLM) hiện nay. Ông cho rằng các mô hình mới với khả năng khác biệt có thể sẽ thay thế chúng trong tương lai. Ông kêu gọi cần thận trọng và thực tế hơn trong việc đánh giá khả năng của AI.
6. Kết luận
Tóm lại, Marc Benioff cho rằng tương lai của AI không nằm ở các chatbot mà ở các AI Agent có khả năng làm việc độc lập. Ông cảnh báo về sự cường điệu xung quanh AI và nhấn mạnh tầm quan trọng của việc sử dụng AI một cách có trách nhiệm và hiệu quả để phục vụ lợi ích của nhân loại. Sự ra mắt của Agentforce của Salesforce cho thấy Salesforce đang đi đầu trong việc hiện thực hoá tầm nhìn này.

Tương lai của AI: Đại diện thông minh thay vì chatbot - Quan điểm của Marc Benioff

Mục lục: Giới thiệu Quan điểm của Marc Benioff về chatbot AI Ưu điểm của AI Agent Giới thiệu về Agentforce của Salesforce Lời cảnh báo...

tháng 11 26, 2024

Google Gemini: Phân tích mã nguồn với tính năng tải lên thư mục

Mục lục
<ol>
<li>Giới thiệu tính năng mới của Google Gemini</li>
<li>Cách thức hoạt động của tính năng phân tích mã nguồn</li>
<li>Khả năng và giới hạn của tính năng</li>
<li>So sánh với các công cụ khác</li>
<li>Triển vọng tương lai</li>
</ol>
<h2>1. Giới thiệu tính năng mới của Google Gemini</h2>
Google vừa ra mắt một tính năng mới đáng chú ý cho Gemini, cho phép người dùng tải lên toàn bộ thư mục chứa mã nguồn để phân tích. Tính năng này nằm trong menu đính kèm, cho phép người dùng chọn một thư mục mỗi lần trò chuyện. Hiện tại, Gemini hỗ trợ tối đa 1000 file mỗi thư mục, với tổng dung lượng không vượt quá 100MB. Sau khi tải lên, người dùng có thể đặt câu hỏi về mã nguồn đó trực tiếp với Gemini.
<h2>2. Cách thức hoạt động của tính năng phân tích mã nguồn</h2>
Quá trình phân tích bắt đầu bằng việc Gemini đọc toàn bộ các file trong thư mục tải lên, sau đó tiến hành phân tích. Điều này cho thấy Gemini sử dụng một dạng lập luận có cấu trúc hoặc chuỗi suy nghĩ nào đó, mặc dù chi tiết cụ thể vẫn chưa được Google công bố.
<img alt="Ảnh chụp màn hình minh họa quá trình Gemini phân tích mã nguồn" src="https://www.testingcatalog.com/content/images/2024/11/screenshot-gemini_google_com-2024_11_26-00_10_55.jpeg">
<h2>3. Khả năng và giới hạn của tính năng</h2>
Tính năng này hoạt động tốt với các dự án mã nguồn nhỏ hơn. Tuy nhiên, với các thư mục lớn hơn, Gemini có thể gặp khó khăn trong việc xử lý và phân tích hiệu quả.
<img alt="Ảnh chụp màn hình minh họa kết quả phân tích mã nguồn trên Gemini" src="https://www.testingcatalog.com/content/images/2024/11/screenshot-gemini_google_com-2024_11_26-00_34_02.jpeg">
<h2>4. So sánh với các công cụ khác</h2>
Tính năng này của Gemini hướng đến việc cạnh tranh với các công cụ tương tự từ ChatGPT và Claude, vốn đã tích hợp khả năng làm việc với mã nguồn và thư mục đa file.
<h2>5. Triển vọng tương lai</h2>
Tính năng mới này dường như đang được triển khai dần đến người dùng. Việc cập nhật này có thể trùng khớp với thông báo được lên kế hoạch trước đó vào ngày 25 tháng 11. Ngoài ra, cũng có những đồn đoán cho rằng Google đang chuẩn bị phát hành các mô hình mới với các tính năng và khả năng nâng cao hơn. Tuy nhiên, điều này vẫn chưa được xác nhận cho đến khi có thông báo chính thức.

Google Gemini: Phân tích mã nguồn với tính năng tải lên thư mục

Mục lục Giới thiệu tính năng mới của Google Gemini Cách thức hoạt động của tính năng phân tích mã nguồn Khả năng và giới hạn của tính nă...

tháng 11 26, 2024

So sánh ChatGPT-4 Turbo và LLaMA 3.1: Phân tích khả năng trả lời câu hỏi văn bản trong lĩnh vực Chẩn đoán hình ảnh Nhi khoa

88% người lao động sẽ sử dụng AI để vượt qua tình trạng trì trệ công việc: Nghiên cứu của Google

Công cụ AI của Google: Trợ lý học tập mới tuyệt vời và hoàn toàn miễn phí

Google Gemini Thêm Tính Năng Bộ Nhớ, Cá Nhân Hóa Trải Nghiệm Người Dùng

Tương lai của AI: Đại diện thông minh thay vì chatbot - Quan điểm của Marc Benioff

Google Gemini: Phân tích mã nguồn với tính năng tải lên thư mục

Bài đăng phổ biến

Labels