របៀបដែលឆ្មាបំបាត់ការសាយភាយមានស្ថេរភាព (2023)

នៅក្នុងរឿងមួយនៃការបំបាត់កំហុសដែលមិននឹកស្មានដល់បំផុតនៅក្នុងប្រវត្តិសាស្រ្ត AI ឆ្មាផ្ទះមួយបានជួយវិស្វករដោយអចេតនាក្នុងការកំណត់អត្តសញ្ញាណការបង្ខូចទ្រង់ទ្រាយលំហដែលមិនទាន់ឃើញច្បាស់នៅក្នុងបំពង់បង្កើតរូបភាពរបស់ Stable Diffusion ។ ឧប្បត្តិហេតុឆ្នាំ 2023 បានក្លាយជាករណីសិក្សាដ៏សំខាន់មួយ អំពីរបៀបដែលធាតុបញ្ចូលក្នុងពិភពពិតដែលមិនអាចទាយទុកជាមុនបានអាចបង្ហាញកំហុសដែលការធ្វើតេស្តរចនាសម្ព័ន្ធរាប់ពាន់ម៉ោងខកខានទាំងស្រុង។

តើមានអ្វីកើតឡើងជាមួយឆ្មា និងការសាយភាយមានស្ថេរភាព?

នៅដើមឆ្នាំ 2023 វិស្វកររៀនម៉ាស៊ីនដែលធ្វើការពីផ្ទះបានកត់សម្គាល់នូវអ្វីដែលប្លែក។ ឆ្មារបស់ពួកគេបានដើរកាត់ក្តារចុចអំឡុងពេលហ្វឹកហាត់ Stable Diffusion បានណែនាំខ្សែអក្សរនៃតួអក្សរដែលមិនសមហេតុសមផលចូលទៅក្នុងបណ្តុំភ្លាមៗ។ ជំនួសឱ្យការផលិតលទ្ធផលដែលច្របូកច្របល់ ឬបោះចោលកំហុស ម៉ូដែលនេះបានបង្កើតរូបភាពជាបន្តបន្ទាប់ជាមួយនឹងវត្ថុបុរាណដែលមើលឃើញស្រប និងជាក់លាក់ខ្ពស់ ដែលជាគំរូនៃការលក់ម្តងហើយម្តងទៀត ដែលមិនគួរមានផ្តល់ការបញ្ចូលភ្លាមៗនោះទេ។

នេះមិនមែនជាសំឡេងរំខានចៃដន្យទេ។ គំរូនេះបានបង្ហាញពីភាពលំអៀងដែលមិនបានរកឃើញពីមុននៅក្នុងស្រទាប់យកចិត្តទុកដាក់ឆ្លងកាត់របស់ម៉ូដែល ជាពិសេសនៅក្នុងរបៀបដែលស្ថាបត្យកម្ម U-Net ដំណើរការបន្សំនិមិត្តសញ្ញាមួយចំនួនដែលធ្លាក់នៅខាងក្រៅព្រំដែនភាសាធម្មតា។ ការកិនក្ដារចុចរបស់ឆ្មាបានបង្កើតយ៉ាងមានប្រសិទ្ធភាពនូវសារជាគូបដិបក្ខ ដែលមិនមានអ្នកសាកល្បងមនុស្សបានគិតចង់សាកល្បង ដោយបង្ហាញពីកំហុសក្នុងការរួមបញ្ចូលកម្មវិធីបំប្លែងអត្ថបទ CLIP របស់ម៉ូដែល ដែលប៉ះពាល់ដល់របៀបដែលទំនាក់ទំនងលំហត្រូវបានគណនាក្នុងអំឡុងពេលដំណើរការបដិសេធ។

ក្រុមវិស្វករបានចំណាយពេលប៉ុន្មានសប្តាហ៍ខាងក្រោមដើម្បីតាមដានវត្ថុបុរាណត្រឡប់ទៅរកមូលហេតុដើមរបស់វាវិញ៖ បញ្ហាបង្គត់ចំណុចអណ្តែតទឹកនៅក្នុងកម្មវិធីកំណត់ពេលនៃការសាយភាយមិនទាន់ឃើញច្បាស់ ដែលបង្ហាញតែនៅក្រោមករណីគែមនិមិត្តសញ្ញាជាក់លាក់ប៉ុណ្ណោះ។ ការជួសជុលភាពស៊ីសង្វាក់គ្នានៃរូបភាពដែលបានកែលម្អនៅគ្រប់ប្រភេទប្រអប់បញ្ចូលទាំងអស់ដោយការប៉ាន់ស្មាន 3-4% ដែលជាការទទួលបានយ៉ាងសំខាន់នៅក្នុងដំណើរការ AI ជំនាន់។

ហេតុអ្វីបានជាការបញ្ចូលមិនធម្មតាចាប់កំហុសដែលក្រុម QA នឹក?

ការ​ធ្វើ​តេស្ត​តាម​រចនាសម្ព័ន្ធ​ធ្វើ​តាម​តក្កវិជ្ជា​របស់មនុស្ស។ វិស្វករសរសេរករណីសាកល្បងដោយផ្អែកលើអាកប្បកិរិយារបស់អ្នកប្រើប្រាស់ដែលរំពឹងទុក ករណីគែមដែលពួកគេអាចស្រមៃបាន និងរបៀបបរាជ័យដែលគេស្គាល់ពីការធ្វើម្តងទៀតពីមុន។ ប៉ុន្តែសូហ្វវែរ — ជាពិសេសប្រព័ន្ធ AI ដែលមានប៉ារ៉ាម៉ែត្ររាប់ពាន់លាន — មានការផ្ទុះរួមបញ្ចូលគ្នានៃស្ថានភាពដែលអាចកើតមានដែលមិនមានក្របខ័ណ្ឌការធ្វើតេស្តអាចគ្របដណ្តប់បានពេញលេញ។

"កំហុសដ៏គ្រោះថ្នាក់បំផុត មិនមែនជាកំហុសដែលលាក់នៅក្នុងកូដដែលអ្នកមិនបានសាកល្បងនោះទេ។ ពួកវាជាមេរោគលាក់នៅក្នុងកូដដែលអ្នកបានសាកល្បងជាមួយនឹងការសន្មត់ខុស។" — គោលការណ៍នេះដែលត្រូវបានយល់យ៉ាងយូរនៅក្នុងវិស្វកម្មកម្មវិធីបុរាណ កាន់តែមានសារៈសំខាន់ខ្លាំងនៅក្នុងប្រព័ន្ធរៀនម៉ាស៊ីន ដែលទំហំបញ្ចូលមានប្រសិទ្ធភាពគ្មានកំណត់។

ឧបទ្ទវហេតុឆ្មាបានពង្រឹងនូវអ្វីដែលអ្នកអនុវត្តវិស្វកម្មចលាចលបានស្គាល់អស់ជាច្រើនឆ្នាំ៖ ធាតុចូលដោយចៃដន្យ និងមិនអាចទាយទុកជាមុនបានបង្ហាញពីភាពទន់ខ្សោយជាប្រព័ន្ធដែលការធ្វើតេស្តវិធីសាស្ត្រមិនអាចធ្វើបាន។ វាជាគោលការណ៍ដូចគ្នានៅពីក្រោយការធ្វើតេស្ត fuzz ដែលទិន្នន័យដែលមានទម្រង់ខុសដោយចេតនាត្រូវបានបញ្ចូលទៅក្នុងប្រព័ន្ធដើម្បីស្វែងរកភាពងាយរងគ្រោះ។ ភាព​ខុស​គ្នា​នៅ​ត្រង់​នេះ​គឺ​ថា ហ្វុយហ្ស៊ីប​មាន​ជើង​បួន និង​កន្ទុយ។

តើ​នេះ​បាន​បង្ហាញ​អ្វី​ខ្លះ​អំពី​បញ្ហា​ប្រឈម​ដោះស្រាយ​បញ្ហា AI?

ការបំបាត់កំហុសម៉ូដែល AI ជំនាន់គឺខុសគ្នាជាមូលដ្ឋានពីការបំបាត់កំហុសកម្មវិធីបុរាណ។ នៅពេលដែលកម្មវិធីធម្មតាបរាជ័យ អ្នកទទួលបានកំណត់ហេតុកំហុស ដានជង់ ផ្លូវដែលអាចផលិតឡើងវិញបាន។ នៅពេលដែលគំរូ AI បង្កើតលទ្ធផលខុសខ្លាំង ការបរាជ័យអាចមិនមាននរណាកត់សម្គាល់អស់រយៈពេលជាច្រើនខែ ដោយសារមិនមានចម្លើយ "ត្រឹមត្រូវ" តែមួយដើម្បីប្រៀបធៀប។

• ភាពស្រអាប់នៃលំហលំហ៖ តំណាងខាងក្នុងនៅក្នុងគំរូនៃការសាយភាយគឺពិបាកបកស្រាយយ៉ាងខ្លាំង ដែលធ្វើឱ្យវាពិបាកក្នុងការតាមដានវត្ថុបុរាណដែលចេញលទ្ធផលត្រឡប់ទៅការបរាជ័យក្នុងការគណនាជាក់លាក់។
• ភាពរសើបភ្លាមៗ៖ ការប្រែប្រួលតិចតួចនៅក្នុងការបញ្ចូលអត្ថបទអាចបង្កើតលទ្ធផលខុសគ្នាខ្លាំង ដែលមានន័យថា កំហុសអាចលេចឡើងតែក្រោមលក្ខខណ្ឌតូចចង្អៀត និងមិនអាចទាយទុកជាមុនបាន។
• ប្រធានបទនៃការវាយតម្លៃ៖ មិនដូចកិច្ចការចាត់ថ្នាក់ជាមួយនឹងភាពត្រឹមត្រូវដែលអាចវាស់វែងបាន គុណភាពនៃការបង្កើតរូបភាពគឺជាប្រធានបទដោយផ្នែក ដែលអនុញ្ញាតឱ្យមានការរិចរិលបន្តិចបន្តួចឆ្លងកាត់ការត្រួតពិនិត្យដោយស្វ័យប្រវត្តិ។
• ភាពអាស្រ័យដោយបំប្លែង៖ កំហុសតែមួយនៅក្នុងកម្មវិធីបំប្លែងអត្ថបទអាចផ្សព្វផ្សាយតាមរយៈយន្តការឆ្លងកាត់ការយកចិត្តទុកដាក់ កម្មវិធីកំណត់ពេលបដិសេធ និងឧបករណ៍ឌិកូដ VAE ដែលធ្វើឱ្យការវិភាគមូលហេតុដើមមានភាពស្មុគស្មាញខ្លាំង។
• ការភ្ជាប់ទិន្នន័យបណ្ដុះបណ្ដាល៖ ការបែងចែករវាងកំហុសនៅក្នុងស្ថាបត្យកម្មគំរូ និងភាពលំអៀងដែលទទួលមរតកពីទិន្នន័យបណ្ដុះបណ្ដាល តម្រូវឱ្យមានការសិក្សាយ៉ាងប្រុងប្រយ័ត្នដែលចំណាយពេលវេលា និងមានតម្លៃថ្លៃក្នុងការគណនា។

តើឧប្បត្តិហេតុនេះមានឥទ្ធិពលលើការអនុវត្តការអភិវឌ្ឍន៍ AI យ៉ាងដូចម្តេច?

រឿង​បំបាត់​កំហុស​ឆ្មា ខណៈ​ដែល​មាន​ភាព​កំប្លែង​នៅ​លើ​ផ្ទៃ​ខាង​ក្រៅ បាន​ជំរុញ​ឱ្យ​មាន​ការ​ផ្លាស់​ប្តូរ​ជាក់ស្តែង​ជា​ច្រើន​ក្នុង​របៀប​ដែល​ក្រុម AI ទាក់ទង​នឹង​ការ​ធានា​គុណភាព។ ចាប់តាំងពីពេលនោះមក អង្គការជាច្រើនបានពង្រីកពិធីការសាកល្បង fuzz របស់ពួកគេសម្រាប់គំរូទូទៅ ជាពិសេសការបញ្ចូលលេខសម្ងាត់ចៃដន្យ និងគូប្រជែងដែលធ្វើត្រាប់តាមធាតុចូលដែលមិនមែនជាភាសា។ ឥឡូវនេះ ក្រុមមួយចំនួនដំណើរការការក្លែងធ្វើ "ការដើរលើក្តារចុច" ដោយស្វ័យប្រវត្តិ ដែលជាផ្នែកមួយនៃការរួមបញ្ចូលជាបន្តបន្ទាប់របស់ពួកគេ។

ឧប្បត្តិហេតុនេះក៏បានធ្វើឱ្យមានការចាប់អារម្មណ៍ជាថ្មីចំពោះឧបករណ៍បកស្រាយសម្រាប់គំរូនៃការសាយភាយ។ ប្រសិនបើវត្ថុបុរាណដែលមើលឃើញមិនសូវច្បាស់ — ការផ្លាស់ប្តូរពណ៌ដ៏ស្រទន់ជាជាង tessellation ដិត — វាប្រហែលជាមិនមាននរណាកត់សម្គាល់ដោយគ្មានកំណត់។ វាបានជំរុញសហគមន៍ឆ្ពោះទៅរកការអភិវឌ្ឍន៍ការរកឃើញភាពខុសប្រក្រតីដោយស្វ័យប្រវត្តិដែលប្រសើរជាងមុនសម្រាប់លទ្ធផលដែលបានបង្កើត ប្រព័ន្ធដែលអាចសម្គាល់ភាពមិនប្រក្រតីនៃស្ថិតិ ទោះបីជារូបភាពនីមួយៗមើលទៅមានលក្ខណៈធម្មតាក៏ដោយ។

សម្រាប់ក្រុមដែលគ្រប់គ្រងលំហូរការងារស្មុគ្រស្មាញនៅទូទាំងការអភិវឌ្ឍន៍ AI ការបង្កើតផលិតផលឡើងវិញ និងការធានាគុណភាព ឧប្បត្តិហេតុបែបនេះបង្ហាញពីតម្រូវការសម្រាប់ការមើលឃើញប្រតិបត្តិការកណ្តាល។ នៅពេលដែលកំហុសឆ្លងផុតកម្មវិធីបំប្លែងអត្ថបទ កម្មវិធីកំណត់ពេល និងកម្មវិធីឌិកូដ ការតាមដានការស៊ើបអង្កេតលើឧបករណ៍ដែលខ្ចាត់ខ្ចាយ និងបណ្តាញទំនាក់ទំនងដែលផ្តាច់ចេញ បង្កើតស្រទាប់កកិតរបស់វា។

សំណួរដែលគេសួរញឹកញាប់

តើ​ឧប្បត្តិហេតុ​បំបាត់​កំហុស​ឆ្មា​ដែល​សាយភាយ​ស្ថិរភាព​ជា​ព្រឹត្តិការណ៍​ពិត​ឬ?

រឿងស្នូលគឺផ្អែកលើគណនីចែករំលែកយ៉ាងទូលំទូលាយពីសហគមន៍វិស្វកម្ម AI ក្នុងឆ្នាំ 2023។ ខណៈពេលដែលព័ត៌មានលម្អិតជាក់លាក់ត្រូវបានគេនិយាយឡើងវិញខ្លះៗ សេណារីយ៉ូបច្ចេកទេសជាមូលដ្ឋាន — ការបញ្ចូលក្តារចុចចៃដន្យដែលបង្ហាញពីកំហុសក្នុងលំហដែលមិនទាន់ឃើញច្បាស់ — ត្រូវបានចងក្រងទុកយ៉ាងល្អ និងស្របជាមួយនឹងរបៀបបរាជ័យដែលគេស្គាល់នៅក្នុងស្ថាបត្យកម្មគំរូរីករាលដាល។ ការរកឃើញដោយចៃដន្យស្រដៀងគ្នានេះបានកើតឡើងពេញមួយប្រវត្តិវិស្វកម្មកម្មវិធី។

តើការធ្វើតេស្ត fuzz អាចចាប់កំហុសក្នុងគំរូ AI ជំនាន់ថ្មីបានដែរឬទេ?

ការធ្វើតេស្ត Fuzz មានប្រសិទ្ធភាពក្នុងការចាប់យកប្រភេទមួយចំនួននៃកំហុស ជាពិសេសវាទាក់ទងនឹងការញែកធាតុបញ្ចូល ករណីគែមនៃសញ្ញាសម្ងាត់ និងបញ្ហាស្ថិរភាពជាលេខ។ ទោះយ៉ាងណាក៏ដោយ វាមិនមែនជាគ្រាប់កាំភ្លើងសម្រាប់ AI ជំនាន់នោះទេ។ ដោយសារតែគំរូទាំងនេះបង្កើតលទ្ធផលដែលអាចកើតមានជាជាងការកំណត់ជាក់លាក់ ការកំណត់អ្វីដែលបង្កើតជា "ការបរាជ័យ" កំឡុងពេលធ្វើតេស្ត fuzz ទាមទារប្រព័ន្ធរកឃើញភាពមិនធម្មតាដ៏ស្មុគ្រស្មាញ ជាជាងការអះអាងឆ្លងកាត់/បរាជ័យសាមញ្ញ។

តើ​ក្រុម AI អាជីព​គ្រប់គ្រង​លំហូរ​ការងារ​បំបាត់​កំហុស​តាម​ប្រព័ន្ធ​ស្មុគស្មាញ​ដោយ​របៀប​ណា?

ក្រុម AI ចាស់ទុំភាគច្រើនពឹងផ្អែកលើការរួមបញ្ចូលគ្នានៃវេទិកាតាមដានការពិសោធន៍ ការកត់ត្រាជាកណ្តាល ឯកសារសហការ និងការគ្រប់គ្រងគម្រោងដែលមានរចនាសម្ព័ន្ធ។ បញ្ហាប្រឈមសំខាន់គឺការរក្សាការតាមដាន — ការភ្ជាប់វត្ថុបុរាណលទ្ធផលជាក់លាក់មួយទៅនឹងកំណែគំរូ ទិន្នន័យបណ្តុះបណ្តាល ប៉ារ៉ាម៉ែត្រខ្ពស់ និងកូដកម្មដែលផលិតវា។ ក្រុមដែលបង្រួបបង្រួមលំហូរការងារទាំងនេះទៅក្នុងប្រព័ន្ធប្រតិបត្តិការបង្រួបបង្រួមចំណាយពេលវេលាតិចជាងច្រើនលើការសម្របសម្រួល និងពេលវេលាច្រើនទៀតលើការដោះស្រាយបញ្ហាជាក់ស្តែង។

សម្រួលភាពស្មុគស្មាញនៃប្រតិបត្តិការរបស់អ្នក

មិន​ថា​អ្នក​កំពុង​បំបាត់​កំហុស​ម៉ូដែល AI ឬ​គ្រប់គ្រង​ប្រតិបត្តិការ​អាជីវកម្ម​ស្មុគ្រស្មាញ​ណាមួយ​ទេ ឧបករណ៍​ដែល​បែកខ្ញែក​គ្នា​បង្កើត​ការ​គិត​ដែល​បែកខ្ញែក។ Mewayz នាំយកម៉ូឌុលរួមបញ្ចូលគ្នាចំនួន 207 ទៅក្នុងប្រព័ន្ធប្រតិបត្តិការអាជីវកម្មតែមួយដែលជឿទុកចិត្តដោយអ្នកប្រើប្រាស់ជាង 138,000 នាក់ — ផ្តល់ឱ្យក្រុមរបស់អ្នកនូវភាពមើលឃើញកណ្តាលដែលត្រូវការដើម្បីតាមដានបញ្ហាទៅកាន់ប្រភពរបស់ពួកគេ សម្របសម្រួលការឆ្លើយតប និងផ្លាស់ទីលឿនជាងមុន។ ចាប់ផ្តើមការសាកល្បងឥតគិតថ្លៃរបស់អ្នកនៅ app.mewayz.com ហើយមើលថាតើប្រតិបត្តិការបង្រួបបង្រួមមានអារម្មណ៍បែបណា។