Xử lý ngôn ngữ tự nhiên (NLP)

Mã hóa dữ liệu

Đơn vị xử lý đồ họa (GPU)

Công nghệ Blockchain

Lắng nghe chủ động

Nói nhanh

Sử dụng thuật ngữ kỹ thuật

Thuyết trình độc thoại

Thiết lập một nhóm công tác AI để giám sát sáng kiến

Bắt đầu với một dự án thử nghiệm để chứng minh khả năng của AI

Tích hợp ngay AI vào tất cả các quy trình mà không thử nghiệm

Chỉ dựa vào chuyên gia tư vấn AI bên ngoài cho tất cả các dự án AI

Một nhánh của AI liên quan đến việc sử dụng các thuật toán để cho phép máy tính học và đưa ra dự đoán dựa trên dữ liệu

Một nhánh của AI tập trung vào xây dựng máy móc có khả năng thực hiện các nhiệm vụ thường yêu cầu trí tuệ con người

Các thành phần phần cứng cho phép hệ thống AI xử lý thông tin

Quá trình làm sạch và tổ chức dữ liệu để làm cho nó phù hợp với phân tích

Quản lý sản phẩm (Product Manager)

Nhà khoa học dữ liệu

Kỹ sư phần mềm

Nhà thiết kế UX

Kỹ sư dữ liệu (Data Engineer)

Nhà khoa học dữ liệu

Nhà phân tích dữ liệu

Quản lý sản phẩm

Xác định và ưu tiên các cơ hội sử dụng AI trong công ty

Chỉ tập trung vào việc tăng cường sự hiện diện trên mạng xã hội của công ty

Phát triển một dòng sản phẩm tiêu dùng mới

Giảm số lượng nhân viên để cắt giảm chi phí

Tăng cường năng suất nông nghiệp thông qua canh tác chính xác

Giảm nhu cầu tài nguyên năng lượng

Loại bỏ thất nghiệp

Giải quyết tất cả các vấn đề chăm sóc sức khỏe

Mô hình hoạt động tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu mới, chưa được biết tới

Mô hình có độ thiên lệch thấp và phương sai cao

Mô hình sử dụng hồi quy tuyến tính đơn giản cho vấn đề phi tuyến

Mô hình dự đoán dữ liệu kiểm tra với độ chính xác giống như dữ liệu huấn luyện

Chưa khớp (underfitting)

Quá khớp (overfitting)

Độ lệch cao (high variance)

Sự tiêu biến của Gradient

Định nghĩa phạm vi và mục tiêu của dự án

Thu thập và phân tích dữ liệu

Triển khai mô hình cuối cùng

Đánh giá hiệu suất của mô hình

Phân tích (Analysis)

Cào dữ liệu (Crawling)

Xử lý (Processing)

Tiền xử lý (Pre-processing)

Sự rõ ràng (Clarity)

Hỗn loạn (Chaos)

Sự im lặng (Silence)

Sự nhầm lẫn (Confusion)

Thiết lập mục tiêu dự án rõ ràng

Tạo thêm công việc cho các thành viên trong nhóm

Giảm nhu cầu tổ chức các cuộc họp

Loại bỏ sự trùng lặp công việc

Nguyên tắc không gây tổn hại (nonmaleficence)

Sự cẩu thả (negligence)

Sự khai thác (exploitation)

Sự thiên vị (bias)

Trực quan hóa dữ liệu (Data visualization)

Quản lý dự án

Nói trước công chúng

Quản lý thời gian

Thuyết phục (Persuasion)

Lập trình (Coding)

Lưu trữ (Storage)

Phân tích (Analysis)

Hiểu các kỹ thuật xử lý dữ liệu của AI

Biết cách lập trình các thuật toán AI

Làm chủ cấu hình phần cứng của AI

Chuyên môn hóa trong triển khai mô hình AI

Huấn luyện (Training)

Kiểm thử (Testing)

Điều chỉnh (Tuning)

Chuẩn bị (Preparing)

Nghiên cứu công ty

Tập thể thao

Xem phim

Đọc tiểu thuyết

Các cuộc tấn công đối kháng thay đổi dữ liệu đầu vào để lừa dối các mô hình AI

Các cuộc tấn công đối kháng được thiết kế để nâng cao độ chính xác của mô hình AI

Các cuộc tấn công đối kháng liên quan đến việc thay đổi trực tiếp mã của mô hình AI

Các cuộc tấn công đối kháng luôn yêu cầu can thiệp của con người để thành công

Tóm tắt rõ ràng và ngắn gọn các phát hiện

Dữ liệu thống kê chi tiết mà không có bối cảnh

Hiểu rõ các khái niệm về AI

Bỏ qua mối quan tâm của các bên liên quan

Chỉ tập trung vào chi tiết kỹ thuật

Tránh hợp tác với các đối tác bên ngoài

Để cung cấp một phương pháp có cấu trúc để giải quyết vấn đề bằng cách sử dụng phân tích dữ liệu

Để đảm bảo quyền riêng tư và bảo mật dữ liệu trong tất cả các dự án khoa học dữ liệu

Để tự động hóa tất cả các bước trong quy trình khoa học dữ liệu

Để phát triển các ngôn ngữ lập trình mới cho phân tích dữ liệu

P

A

C

E

Mạng nơ-ron tích chập

Mạng nơ-ron hồi tiếp

K-điểm gần nhất

Cây quyết định

Dữ liệu là dầu mỏ mới

Dữ liệu luôn đáng tin cậy

Dữ liệu không quan trọng trong AI

Quản lý dữ liệu là đơn giản

Đảm bảo tính minh bạch trong quy trình ra quyết định của AI

Tối đa hóa khả năng kiếm lợi nhuận của AI

Chỉ tập trung vào hiệu suất kỹ thuật của AI

Ưu tiên tốc độ của AI thay vì độ chính xác

Tạo các bản dịch tự động cho sách

Thực hiện các phép toán học phức tạp một cách nhanh chóng

Thiết kế các thành phần phần cứng máy tính

Tạo ra các môi trường thực tế ảo

chatbots

cơ sở dữ liệu

cảm biến

nhận dạng ảnh

Thiết kế và duy trì cơ sở dữ liệu

Thực hiện phẫu thuật tim

Phát triển chiến lược marketing

Dạy các khóa học ngôn ngữ

Đảm bảo các hệ thống AI minh bạch và có trách nhiệm

Tối đa hóa lợi nhuận của AI bằng mọi giá

Cho phép AI ra quyết định mà không cần giám sát của con người

Chỉ tập trung vào khả năng kỹ thuật của AI

Một loại AI tập trung vào việc thực hiện một hoặc một số nhiệm vụ cụ thể

Một hình thức AI có khả năng hiểu và học bất kỳ nhiệm vụ trí tuệ nào mà con người có thể thực hiện

Một hệ thống AI hoạt động mà không cần sự can thiệp của con người

Một chương trình máy tính được thiết kế để mô phỏng cuộc trò chuyện của con người

Xác định các quy định về quyền riêng tư dữ liệu áp dụng cho phân tích dữ liệu

Giảm thiểu các mối quan tâm đạo đức để nâng cao việc thu thập dữ liệu

Ưu tiên kiếm tiền từ dữ liệu hơn là các yếu tố đạo đức

Bỏ qua sự đồng ý của người dùng nếu dữ liệu đã được ẩn danh

Cải thiện độ chính xác trong phân tích dữ liệu

Tăng thời gian cho nghiên cứu thị trường

Giảm tương tác khách hàng thông qua chatbot

Loại bỏ hoàn toàn lực lượng lao động con người

Đối tác

Năng suất

Lưu động

Khách hàng

Không cần làm gì cả

Chương trình học suốt đời

Tăng thuế đối với các công ty AI

Không cần quan tâm đến AI

Thu thập dữ liệu

Phát triển phần mềm

Thiết kế giao diện người dùng

Phân tích yêu cầu

Thiên lệch

Dữ liệu

Mô hình

Phần mềm

Tối ưu hóa

Đánh giá

Tối thiểu hóa

Tối đa hóa

Deepfakes

3D

Hoạt hình

Ảnh ba chiều

Tăng niềm tin của công chúng vào truyền thông

Tạo điều kiện cho các hoạt động tội phạm thông qua việc giả mạo cá nhân

Tạo nên cuộc họp ảo

Cải thiện hệ thống nhận dạng giọng nói

Nhận dạng hình ảnh

Phát triển phần mềm

Thuật toán phân loại

Dự báo thời tiết

Pooling

Lấy mẫu

Kích hoạt

Tích chập

Tiền xử lý

Cào dữ liệu

Trực quan hóa

Mô hình hóa

Tự chủ

Quản lý

Phụ thuộc

Phân tích (Analysis)

Xóa (Remove)

Lưu trữ (Storage)

Mã hóa (Encryption)

Không gây hại (Nonmaleficence)

Năng suất (Productivity)

Hiệu quả (Efficiency)

Lợi nhuận (Profitability)

Kho dữ liệu (Data Lake)

Toàn vẹn dữ liệu (Data Integrity)

Khối lượng dữ liệu (Data Volume)

Bảo mật dữ liệu (Data Security)

Áp dụng các kỹ thuật mã hóa để bảo vệ dữ liệu (Implementing encryption techniques to protect data)

Định kỳ xoá các nhật ký truy cập dữ liệu (Regularly deleting data access logs)

Thuật toán phân loại (Sorting Algorithms)

Giả định rằng dữ liệu từ các nguồn đáng tin cậy không cần xác thực (Assuming data from trusted sources needs no validation)

Điều chỉnh (Tuning)

Đánh giá (Evaluation)

Khởi tạo (Initialization)

Xác thực (Validation)

Lidar (Mirror)

Radar (radar)

Sóng siêu âm (Sonar)

Định vị GPS (GPS)

Biểu đồ (Chart)

Đồ thị (Graph)

Bảng (Table)

Báo cáo (Report)

Dự án thử nghiệm (Pilot)

Nguyên mẫu (Prototype)

Bản thử nghiệm (Demo)

Mô hình giả lập (Mockup)

Hình thành các nhóm học AI để chia sẻ kiến thức (Forming AI learning groups to share knowledge)

Bắt đầu với các dự án phức tạp để thử thách nhóm (Starting with complex projects to challenge the team)

Khuyến khích sự hợp tác giữa các phòng ban để đưa ra các sáng kiến AI (Encouraging cross-departmental collaboration on AI initiatives)

Đầu tư mạnh vào công nghệ AI trước khi có kế hoạch ứng dụng rõ ràng (Investing heavily in AI technology before having a clear application plan)

Mạng nơ-ron (Neural Network)

Mạng nơ-ron nhân tạo (Artificial Neural Network)

Cây quyết định (Decisiontree)

Hệ chuyên gia (Expert system)

Dự án thử nghiệm (Pilot)

Nguyên mẫu (Prototype)

Mô phỏng (Simulation)

Bản nháp (Draft)

Tầm nhìn (Visionary)

Sáng tạo (Innovative)

Hợp tác (Collaborative)

Độc đoán (Authoritative)

Tự động hóa các nhiệm vụ lặp đi lặp lại (Automation of repetitive tasks)

Tăng năng suất làm việc (Enhance Productivity)

Tạo ra các thuật toán thiên lệch (Creation of biased algorithms)

Tăng sự phụ thuộc vào lao động thủ công (Increased dependence on manual labor)

Trực quan hóa dữ liệu (Data Visualization)

Huấn luyện mô hình (Model Training)

Sao lưu dữ liệu (Data Backup)

Phân bổ tài nguyên (Resource Allocation)

Chi phí phát triển so với giá mua (Cost of development versus purchase price)

Số lượng nhân viên trong công ty (Number of employees in the company)

Sự phổ biến của công nghệ trong truyền thông (Popularity of the technology in the media)

Màu sắc thương hiệu của công ty (Color of the company's branding)

Đạo đức (Ethics)

Hiệu quả (Effective)

Hiệu quả (Efficiency)

Hiệu suất (Performance)

Công nghệ (Technology)

Đồ ăn & nước uống (F&B)

Nông nghiệp (Agriculture)

Giải trí (Entertainment)

Các công ty công nghệ (Technology companies)

Cửa hàng tạp hóa (Grocery stores)

Quán cà phê (Cafes)

Công ty xây dựng (Construction firms)

Scikit-learn (Scikit-learn)

Pytorch (Pytorch)

pandas (Pandas)

tensorflow (Tensorflow)

PyTorch (PyTorch)

Excel (Excel)

Photoshop (Photoshop)

WordPress (WordPress)

Chất lượng dữ liệu không đảm bảo (Inadequate data quality)

Đánh giá quá cao độ phức tạp của thuật toán (Overestimating algorithm complexity)

Sử dụng công cụ mã nguồn mở (Using open-source tools)

Thuê một nhóm đa dạng (Hiring a diverse team)

Quá tải (Overload)

Không đủ (Data insufficient)

Chưa khớp (Underfitting)

Mã hóa (Encryption)

Xử lý ngôn ngữ tự nhiên (NLP)

Học máy (ML)

Trí tuệ nhân tạo (AI)

Mạng nơ-ron tích chập (CNN)

Mạng nơ-ron tích chập (Convolutional Neural Networks)

Mạng nơ-ron hồi tiếp (Recurrent Neural Networks)

Cây quyết định (Decision Trees)

Phân cụm K-Means (K-Means Clustering)

Khoa học dữ liệu xác định các mẫu trong dữ liệu để cải thiện ra quyết định.

Khoa học dữ liệu thay thế toàn bộ quyết định của con người bằng tự động hoá.

Khoa học dữ liệu loại bỏ nhu cầu về chuyên môn lĩnh vực trong tổ chức.

Khoa học dữ liệu chủ yếu tập trung vào việc tạo các nguyên mẫu vật lý.

Modeling (Mô hình hóa)

Cleaning (Làm sạch)

Storing (Lưu trữ)

Visualizing (Trực quan hóa)

Training data that lacks diversity (Dữ liệu huấn luyện thiếu sự đa dạng)

Using too many data points (Sử dụng quá nhiều điểm dữ liệu)

Implementing complex algorithms (Triển khai các thuật toán phức tạp)

High computational power (Sức mạnh tính toán cao)

discrimination (phân biệt đối xử)

accuracy (độ chính xác)

efficiency (hiệu quả)

transparency (minh bạch)

Define the scope and objectives of the project (Xác định phạm vi và mục tiêu của dự án)

Develop the final deliverables (Phát triển các sản phẩm đầu cuối)

Implement the data collection process (Triển khai quá trình thu thập dữ liệu)

Conduct the final review and assessment (Thực hiện đánh giá và xem xét cuối cùng)

data mining (khai phá dữ liệu)

data storage (lưu trữ dữ liệu)

data cleaning (làm sạch dữ liệu)

data compression (nén dữ liệu)

Data Analysts interpret trends and patterns in data to support business decisions (Phân tích xu hướng và mẫu dữ liệu để hỗ trợ ra quyết định)

Data Analysts primarily handle the installation of hardware and software systems (Chủ yếu xử lý việc cài đặt hệ thống phần cứng và phần mềm)

Data Analysts are responsible for maintaining server infrastructure (Chịu trách nhiệm duy trì cơ sở hạ tầng máy chủ)

Data Analysts design marketing strategies for enterprises (Thiết kế chiến lược tiếp thị cho doanh nghiệp)

Adversarial attacks manipulate input data to deceive AI models (Các cuộc tấn công đối kháng thay đổi dữ liệu đầu vào để lừa dối các mô hình AI)

Adversarial attacks are designed to enhance AI model accuracy (Được thiết kế để nâng cao độ chính xác của mô hình AI)

Adversarial attacks involve directly altering the AI model’s code (Liên quan đến việc thay đổi trực tiếp mã của mô hình AI)

Adversarial attacks always require human intervention to succeed (Luôn yêu cầu sự can thiệp của con người để thành công)

Lack of labeled data (Thiếu dữ liệu đã gán nhãn)

High cost of storage (Chi phí lưu trữ cao)

Difficulty in data analysis (Khó khăn trong phân tích dữ liệu)

Complexity in data preprocessing (Độ phức tạp trong xử lý dữ liệu trước khi phân tích)

To improve accuracy by using large neural networks (Để cải thiện độ chính xác bằng cách sử dụng các mạng nơ-ron lớn)

To perform real-time processing of structured data (Để xử lý dữ liệu có cấu trúc theo thời gian thực)

To reduce the cost of hardware used for AI computations (Để giảm chi phí phần cứng cho phép toán AI)

To simplify the AI model structure (Để đơn giản hóa cấu trúc mô hình AI)

Testing the model on validation data (Kiểm tra mô hình trên dữ liệu xác thực)

Selecting the appropriate model for deployment (Chọn mô hình phù hợp để triển khai)

Adjusting hyperparameters (Điều chỉnh siêu tham số)

Collecting additional training data (Thu thập dữ liệu huấn luyện bổ sung)

Supervised learning (Học có giám sát)

Reinforcement learning (Học tăng cường)

Deep learning (Học sâu)

Unsupervised learning (Học không giám sát)

Supervised learning uses labeled data, while unsupervised learning uses unlabeled data (Học có giám sát sử dụng dữ liệu đã gán nhãn, học không giám sát sử dụng dữ liệu chưa gán nhãn)

Supervised learning does not require data preprocessing, while unsupervised learning does (Học có giám sát không cần xử lý dữ liệu trước, học không giám sát cần)

Unsupervised learning is more accurate than supervised learning (Học không giám sát chính xác hơn)

Supervised learning is faster to train than unsupervised learning (Học có giám sát nhanh hơn)

Reducing model complexity (Giảm độ phức tạp của mô hình)

Improving model performance (Cải thiện hiệu suất mô hình)

Reducing training time (Giảm thời gian huấn luyện)

Preventing overfitting (Ngăn ngừa overfitting)

Principal component analysis (Phân tích thành phần chính)

Singular value decomposition (Phân rã giá trị đặc biệt)

K-means clustering (Phân cụm K-means)

Support vector machines (Máy vector hỗ trợ)

Game playing (Chơi game)

Robotics (Robot học)

Image classification (Phân loại hình ảnh)

Natural language processing (Xử lý ngôn ngữ tự nhiên)

AI that can produce high quality content, such as text, images, and audio (AI có thể tạo ra nội dung chất lượng cao như văn bản, hình ảnh, âm thanh)

Any web-based application that generates text (Bất kỳ ứng dụng dựa trên web nào tạo ra văn bản)

A form of web search (Một dạng tìm kiếm trên web)

Artificial intelligence systems that can map from an input A to an output B (Hệ thống AI ánh xạ từ đầu vào A đến đầu ra B)

It generates text by repeatedly predicting the next word (Nó tạo ra văn bản bằng cách liên tục dự đoán từ tiếp theo)

It generates text by repeatedly predicting words in random order (Nó tạo ra văn bản bằng cách dự đoán từ theo thứ tự ngẫu nhiên)

It generates text by finding a writing partner to work with you (Nó tạo ra văn bản bằng cách tìm một đối tác viết lách để làm việc cùng)

It generates text by using supervised learning to carry out web search (Nó tạo ra văn bản bằng học có giám sát để thực hiện tìm kiếm web)

Because it can chat (Bởi vì nó có thể trò chuyện)

Because it is useful for many different tasks (Bởi vì nó hữu ích cho nhiều tác vụ khác nhau)

Because it includes both supervised learning and generative AI (Bởi vì nó bao gồm học có giám sát và AI tạo sinh)

Because it can be accessed via the general web (Bởi vì nó có thể được truy cập thông qua web nói chung)

A word or part of a word in either the input prompt or LLM output (Một từ hoặc một phần của từ trong lời nhắc đầu vào hoặc đầu ra của LLM)

A physical device or digital code to authenticate a user’s identity (Thiết bị hoặc mã số xác thực danh tính người dùng)

The part of the LLM output that has primarily symbolic rather than substantive value (Phần đầu ra mang giá trị tượng trưng)

A unit of cryptocurrency you can use to pay for LLM services (Đơn vị tiền điện tử dùng để thanh toán cho dịch vụ LLM)

Cung cấp cho LLM thêm ngữ cảnh về điều thú vị hoặc độc đáo của sản phẩm để giúp tạo mô tả tốt hơn

Hướng dẫn về mục đích của mô tả để LLM dùng đúng giọng điệu phù hợp

Chỉ định độ dài mong muốn của mô tả

Tất cả các câu trả lời khác

Để phát hiện lỗi, suy giảm mô hình và điều chỉnh kịp thời nhằm duy trì chất lượng dịch vụ

Để làm tăng thời gian phản hồi của hệ thống mà không cần thiết

Để tránh phải cập nhật mô hình và dữ liệu

Để đảm bảo người dùng không thể đưa ra phản hồi

RAG, trong đó LLM được cung cấp ngữ cảnh bổ sung dựa trên việc truy xuất các email liên quan đến câu hỏi của bạn.

Tinh chỉnh một mô hình LLM trên email của bạn.

Nhắc lệnh (không có RAG), với việc tinh chỉnh lời nhắc cho đến khi LLM đưa ra câu trả lời đúng.

Đào tạo trước một LLM trên email của bạn.

Bởi vì LLM có thể tạo ra thông tin sai lệch, hãy kiểm tra lại câu trích dẫn này bằng cách nhắc LLM hỏi xem nó có thực sự chắc chắn Steve Jobs đã nói điều này không.

Bởi vì LLM có thể tạo ra thông tin sai lệch, hãy kiểm tra lại câu trích dẫn này bằng cách tìm kiếm các nguồn khác (chẳng hạn như web) để xác minh xem Steve Jobs có thực sự nói điều này không.

Không sử dụng câu trích dẫn này vì LLM có thể tạo ra kết quả độc hại.

LLM đã học từ văn bản trên internet; vì vậy bạn có thể tin tưởng một cách an toàn rằng câu trích dẫn này được tìm thấy trên nhiều trang web và sử dụng nó trong bài thuyết trình.

Phát triển dựa trên lời nhắc nói chung nhanh hơn nhiều so với học có giám sát.

Phát triển dựa trên lời nhắc yêu cầu bạn thu thập hàng trăm hoặc hàng nghìn ví dụ được gán nhãn.

Phát triển dựa trên lời nhắc yêu cầu bạn thu thập hàng trăm hoặc hàng nghìn ví dụ không được gán nhãn (nghĩa là các bài đánh giá không có nhãn B để cho biết đó là cảm xúc tích cực hay tiêu cực).

Nếu bạn muốn phân loại các bài đánh giá là tích cực, trung tính hoặc tiêu cực (3 kết quả đầu ra có thể có) thì không có cách nào để viết lời nhắc để làm như vậy: Một LLM chỉ có thể tạo ra 2 kết quả đầu ra.

8.000 token (khoảng 6.000 × 1.333)

4.500 token (6.000 × 3/4)

6.000 token

14.000 token (khoảng 6.000 × 1.333 + 6.000 từ ban đầu)

Đề cập đến việc dùng LLM không phải như nguồn thông tin, mà để xử lý thông tin (trong đó chúng tôi cung cấp cho nó ngữ cảnh cần thiết, thông qua các kỹ thuật như RAG).

Ý tưởng sử dụng LLM để chơi các trò chơi (như cờ vua) đòi hỏi suy luận phức tạp, nhưng kết quả đầu ra là các nước đi trong trò chơi.

"Công cụ suy luận" là một thuật ngữ khác của RAG.

Đề cập đến việc đào tạo trước một LLM trên rất nhiều văn bản để nó có được khả năng suy luận chung.

Đúng, bởi vì RAG cho phép LLM suy luận thông qua thông tin chính xác được truy xuất từ một nguồn đáng tin cậy để đi đến câu trả lời đúng.

Đúng, bởi vì LLM hiện bị giới hạn trong việc xuất ra các đoạn văn bản chính xác như được viết từ tài liệu được cung cấp mà chúng tôi tin cậy.

Sai, bởi vì việc cung cấp cho LLM nhiều thông tin hơn chỉ khiến LLM bối rối hơn và khiến nó có nhiều khả năng tạo ra thông tin sai lệch hơn.

Sai, bởi vì LLM đã học từ rất nhiều văn bản từ internet (có thể >100 tỷ từ) để tạo ra thông tin sai lệch, vì vậy việc thêm một đoạn văn bản ngắn nữa vào lời nhắc như RAG sẽ không tạo ra sự khác biệt có ý nghĩa nào.

Tinh chỉnh một mô hình 1 tỷ tham số trên khoảng 1.000 ví dụ về email và bộ phận thích hợp.

Đào tạo trước một mô hình 1 tỷ tham số trên khoảng 1 tỷ ví dụ về email và bộ phận thích hợp.

Đào tạo trước một mô hình 1 tỷ tham số trên khoảng 1.000 ví dụ về email và bộ phận thích hợp.

Tinh chỉnh một mô hình 1 tỷ tham số trên khoảng 1 tỷ ví dụ về email và bộ phận thích hợp.

Công việc bao gồm nhiều tác vụ. AI tự động hóa các tác vụ chứ không phải công việc.

Tác vụ bao gồm nhiều công việc. AI tự động hóa tác vụ, không phải công việc.

Công việc bao gồm nhiều tác vụ. AI tự động hóa công việc, không phải tác vụ.

Tác vụ bao gồm nhiều công việc. AI tự động hóa công việc chứ không phải tác vụ.

Do giới hạn kiến thức, LLM sẽ không có quyền truy cập vào các tin tức mới nhất.

Lời nhắc cần cung cấp thêm ngữ cảnh về loại bản tin (công nghệ, tin tức chung, v.v.).

Độ dài đầu ra bị giới hạn và 10 câu chuyện là quá nhiều.

Yêu cầu một danh sách 10 mục có nghĩa là chúng ta đang làm việc với dữ liệu có cấu trúc, điều mà LLM xử lý kém.