ຊາດບອດ AI

## ການວິວັດທະນາການຈາກ Rule-Based Chatbot ໃນຍຸກເລີ່ມຕົ້ນເຮັດວຽກດ້ວຍການຈັບຄູ່ keyword ແລະການແຕກສາຂາ scenario. ສາມາດຕອບຄຳຖາມວ່າ "ເວລາເຮັດວຽກແມ່ນຈັກໂມງ?" ໄດ້ ແຕ່ບໍ່ສາມາດຮັບມືກັບການໃຊ້ຄຳເວົ້າໃນຮູບແບບອື່ນວ່າ "ມື້ນີ້ເປີດຮອດຈັກໂມງ" ——ຂໍ້ຈຳກັດດັ່ງກ່າວໄດ້ຖືກມອງວ່າເປັນບັນຫາມາຍາວນານ. ການປາກົດຕົວຂອງ LLM ໄດ້ຜ່ອນຄາຍຂໍ້ຈຳກັດນີ້ລົງຢ່າງຫຼວງຫຼາຍ. ດ້ວຍຄວາມສາມາດໃນການເຂົ້າໃຈພາສາທີ່ໄດ້ຮັບຈາກການ pre-training, ລະບົບສາມາດຕອບສະໜອງຕໍ່ຄວາມຫຼາກຫຼາຍຂອງການສະແດງອອກໄດ້ຢ່າງຍືດຫຍຸ່ນ. ຍິ່ງໄປກວ່ານັ້ນ, ການລວມເຂົ້າກັບ RAG ຍັງເຮັດໃຫ້ສາມາດສ້າງຄຳຕອບທີ່ຖືກຕ້ອງໂດຍອ້າງອີງຈາກ FAQ ຂອງບໍລິສັດ ຫຼື database ສິນຄ້າໄດ້ອີກດ້ວຍ. ## ຄວາມເປັນຈິງຂອງການຮອງຮັບຫຼາຍພາສາ AI chatbot ສະແດງຄຸນຄ່າໄດ້ດີເປັນພິເສດໃນສະພາບແວດລ້ອມທີ່ໃຊ້ຫຼາຍພາສາ. ຍົກຕົວຢ່າງອຸດສາຫະກຳການທ່ອງທ່ຽວຂອງໄທ, ນັກທ່ອງທ່ຽວສອບຖາມດ້ວຍພາສາທີ່ຫຼາກຫຼາຍ ເຊັ່ນ: ພາສາຍີ່ປຸ່ນ, ອັງກິດ, ຈີນ, ເກົາຫຼີ ແລະອື່ນໆ. ໃນອະດີດ, ທາງເລືອກມີພຽງສອງຢ່າງ ຄື: ຈັດສັນພະນັກງານທີ່ສາມາດສື່ສານໄດ້ໃນແຕ່ລະພາສາ ຫຼື ຍອມຮັບທີ່ຈະໃຫ້ການສະໜັບສະໜູນສະເພາະພາສາອັງກິດເທົ່ານັ້ນ. Chatbot ທີ່ໃຊ້ LLM ເປັນພື້ນຖານສາມາດຮອງຮັບຫຼາຍພາສາດ້ວຍລະບົບດຽວ. ຢ່າງໃດກໍ່ຕາມ, ຄຸນນະພາບຂອງການຕອບສະໜອງຈະແຕກຕ່າງກັນໄປຕາມພາສາ, ໂດຍພາສາລາວ ແລະ ພາສາໄທ ມີແນວໂນ້ມທີ່ຈະມີຄວາມຖືກຕ້ອງຕ່ຳກວ່າເມື່ອທຽບກັບພາສາອັງກິດທີ່ມີຂໍ້ມູນ training ຫຼວງຫຼາຍ. ຈຶ່ງຈຳເປັນຕ້ອງມີການປັບປຸງ ເຊັ່ນ: ການລວມ glossary ສະເພາະ domain ເຂົ້າໃນ RAG ຫຼື ການເສີມດ້ວຍ fine-tuning. ## Anti-Pattern ໃນການນຳໃຊ້ ຕົວຢ່າງຂອງໂຄງການທີ່ລົ້ມເຫຼວດ້ວຍແນວຄິດທີ່ວ່າ "ພຽງແຕ່ເຊື່ອມຕໍ່ ChatGPT API ກໍ່ພໍ" ນັ້ນມີໃຫ້ເຫັນຢູ່ບໍ່ໜ້ອຍ. ມີຂໍ້ພິຈາລະນາສະເພາະຂອງ chatbot ຫຼາຍຢ່າງ ເຊັ່ນ: ມາດຕະການຮັບມືກັບ hallucination, ການຈັດການຂໍ້ມູນສ່ວນຕົວ, ແລະການອອກແບບ flow ຂອງ escalation (ການສົ່ງຕໍ່ໃຫ້ມະນຸດ). ໂດຍສະເພາະໃນສະພາບແວດລ້ອມທີ່ມີກົດລະບຽບ ເຊັ່ນ PDPA (ກົດໝາຍຄຸ້ມຄອງຂໍ້ມູນສ່ວນຕົວຂອງໄທ), ຈຳເປັນຕ້ອງລະບຸໃຫ້ຊັດເຈນວ່າຂໍ້ມູນທີ່ຜູ້ໃຊ້ປ້ອນເຂົ້າຈະຖືກເກັບຮັກສາ ແລະ ປະມວນຜົນຢູ່ໃສ.