ការរចនាសម្រាប់ភ្នាក់ងារស្វយ័តបង្ហាញពីការខកចិត្តពិសេសមួយ។ យើងប្រគល់កិច្ចការដ៏ស្មុគស្មាញមួយទៅ AI វាបាត់ក្នុងរយៈពេល 30 វិនាទី (ឬ 30 នាទី) ហើយបន្ទាប់មកវាត្រឡប់មកវិញជាមួយនឹងលទ្ធផល។ យើងសម្លឹងមើលអេក្រង់។ តើវាដំណើរការទេ? តើវាធ្វើឱ្យមានការភ្ញាក់ផ្អើលទេ? តើវាបានពិនិត្យមើលមូលដ្ឋានទិន្នន័យអនុលោមភាព ឬរំលងជំហាននោះ? ជាធម្មតាយើងឆ្លើយតបទៅនឹងការថប់បារម្ភនេះជាមួយនឹងភាពធ្ងន់ធ្ងរមួយក្នុងចំណោមពីរ។ យើងទុកប្រព័ន្ធជាប្រអប់ខ្មៅ លាក់អ្វីៗគ្រប់យ៉ាងដើម្បីរក្សាភាពសាមញ្ញ ឬយើងភ័យស្លន់ស្លោ និងផ្តល់ការបោះចោលទិន្នន័យ ចាក់ផ្សាយរាល់បន្ទាត់កំណត់ហេតុ និងការហៅ API ដល់អ្នកប្រើប្រាស់។ វិធីសាស្រ្តទាំងពីរមិនដោះស្រាយដោយផ្ទាល់នូវភាពខុសប្លែកគ្នាដែលត្រូវការដើម្បីផ្តល់ឱ្យអ្នកប្រើប្រាស់នូវកម្រិតតម្លាភាពដ៏ល្អនោះទេ។ ប្រអប់ខ្មៅធ្វើឱ្យអ្នកប្រើប្រាស់មានអារម្មណ៍ថាគ្មានថាមពល។ Data Dump បង្កើតភាពងងឹតនៃការជូនដំណឹង បំផ្លាញប្រសិទ្ធភាពដែលភ្នាក់ងារបានសន្យាថានឹងផ្តល់ឱ្យ។ អ្នកប្រើមិនអើពើនឹងការផ្សាយព័ត៌មានឥតឈប់ឈររហូតដល់មានអ្វីមួយដាច់ ដែលនៅពេលនោះពួកគេខ្វះបរិបទដើម្បីជួសជុលវា។ យើងត្រូវការវិធីរៀបចំដើម្បីស្វែងរកតុល្យភាព។ នៅក្នុងអត្ថបទមុនរបស់ខ្ញុំ "Designing For Agentic AI" យើងបានពិនិត្យមើលធាតុចំណុចប្រទាក់ដែលបង្កើតការជឿទុកចិត្ត ដូចជាការបង្ហាញសកម្មភាពដែលមានបំណងរបស់ AI ជាមុន (ការមើលជាមុនដោយចេតនា) និងផ្តល់ឱ្យអ្នកប្រើប្រាស់នូវការគ្រប់គ្រងលើចំនួនដែល AI ធ្វើដោយខ្លួនឯង (Autonomy Dials) ។ ប៉ុន្តែការដឹងថាធាតុណាត្រូវប្រើគឺគ្រាន់តែជាផ្នែកមួយនៃបញ្ហាប្រឈមប៉ុណ្ណោះ។ សំណួរកាន់តែពិបាកសម្រាប់អ្នករចនាគឺការដឹងថាពេលណាត្រូវប្រើវា។ តើអ្នកដឹងដោយរបៀបណាថាពេលវេលាជាក់លាក់ណាមួយនៅក្នុងលំហូរការងាររយៈពេល 30 វិនាទីតម្រូវឱ្យមានការមើលជាមុនដោយចេតនា ហើយអ្វីដែលអាចត្រូវបានដោះស្រាយជាមួយនឹងធាតុកំណត់ហេតុសាមញ្ញ? អត្ថបទនេះផ្តល់នូវវិធីសាស្រ្តមួយដើម្បីឆ្លើយសំណួរនោះ។ យើងនឹងដើរឆ្លងកាត់ Decision Node Audit។ ដំណើរការនេះទទួលបានអ្នករចនា និងវិស្វករនៅក្នុងបន្ទប់តែមួយដើម្បីគូសផែនទី backend logic ទៅកាន់ចំណុចប្រទាក់អ្នកប្រើប្រាស់។ អ្នកនឹងរៀនពីរបៀបដើម្បីកំណត់ពេលវេលាពិតប្រាកដដែលអ្នកប្រើប្រាស់ត្រូវការការធ្វើបច្ចុប្បន្នភាពលើអ្វីដែល AI កំពុងធ្វើ។ យើងក៏នឹងគ្របដណ្តប់លើម៉ាទ្រីស Impact/Risk ដែលនឹងជួយកំណត់អាទិភាពថាតើថ្នាំងការសម្រេចចិត្តណាមួយដែលត្រូវបង្ហាញ និងគំរូការរចនាដែលពាក់ព័ន្ធណាមួយដើម្បីផ្គូផ្គងជាមួយនឹងការសម្រេចចិត្តនោះ។ គ្រាតម្លាភាព៖ ជាឧទាហរណ៍ករណីសិក្សា សូមពិចារណា Meridian (មិនមែនឈ្មោះពិត) ដែលជាក្រុមហ៊ុនធានារ៉ាប់រងដែលប្រើភ្នាក់ងារ AI ដើម្បីដំណើរការការទាមទារគ្រោះថ្នាក់ដំបូង។ អ្នកប្រើប្រាស់បង្ហោះរូបថតនៃការខូចខាតរថយន្ត និងរបាយការណ៍ប៉ូលីស។ បន្ទាប់មកភ្នាក់ងារបាត់ខ្លួនមួយនាទីមុនពេលត្រលប់មកវិញជាមួយនឹងការវាយតម្លៃហានិភ័យ និងជួរនៃការទូទាត់ដែលបានស្នើឡើង។ ដំបូង ចំណុចប្រទាក់របស់ Meridian គ្រាន់តែបង្ហាញការគណនាស្ថានភាពទាមទារ។ អ្នកប្រើប្រាស់មានការខកចិត្ត។ ពួកគេបានបញ្ជូនឯកសារលម្អិតជាច្រើន ហើយមានអារម្មណ៍ថាមិនប្រាកដប្រជាអំពីថាតើ AI បានពិនិត្យមើលរបាយការណ៍របស់ប៉ូលីសដែលមានកាលៈទេសៈបន្ធូរបន្ថយដែរឬទេ។ ប្រអប់ខ្មៅបានបង្កើតការមិនទុកចិត្ត។ ដើម្បីដោះស្រាយបញ្ហានេះ ក្រុមអ្នករចនាបានធ្វើសវនកម្ម Node សេចក្តីសម្រេច។ ពួកគេបានរកឃើញថា AI អនុវត្តជំហានផ្សេងគ្នា ផ្អែកលើប្រូបាប៊ីលីតេ ដោយមានការបង្កប់នូវជំហានតូចៗជាច្រើន៖
ការវិភាគរូបភាព ភ្នាក់ងារបានប្រៀបធៀបរូបថតខូចខាតជាមួយនឹងមូលដ្ឋានទិន្នន័យនៃសេណារីយ៉ូគ្រោះថ្នាក់រថយន្តធម្មតា ដើម្បីប៉ាន់ប្រមាណតម្លៃជួសជុល។ នេះទាក់ទងនឹងពិន្ទុទំនុកចិត្ត។ Textual ReviewIt បានស្កេនរបាយការណ៍ប៉ូលីសសម្រាប់ពាក្យគន្លឹះដែលប៉ះពាល់ដល់ការទទួលខុសត្រូវ (ឧ. កំហុស លក្ខខណ្ឌអាកាសធាតុ ភាពស្ងប់ស្ងាត់)។ នេះពាក់ព័ន្ធនឹងការវាយតម្លៃប្រូបាប៊ីលីតេនៃជំហរផ្លូវច្បាប់។ Policy Cross Reference វាបានផ្គូផ្គងព័ត៌មានលម្អិតនៃការទាមទារប្រឆាំងនឹងលក្ខខណ្ឌគោលនយោបាយជាក់លាក់របស់អ្នកប្រើប្រាស់ ដោយស្វែងរកការលើកលែង ឬដែនកំណត់នៃការគ្របដណ្តប់។ នេះក៏ពាក់ព័ន្ធនឹងការផ្គូផ្គងប្រូបាប៊ីលីតេផងដែរ។
ក្រុមការងារបានប្រែក្លាយជំហានទាំងនេះទៅជាដំណាក់កាលតម្លាភាព។ លំដាប់ចំណុចប្រទាក់ត្រូវបានធ្វើបច្ចុប្បន្នភាពទៅ៖
ការវាយតម្លៃរូបថតការខូចខាត៖ ការប្រៀបធៀបទៅនឹងទម្រង់ផលប៉ះពាល់រថយន្តចំនួន 500 ។ ពិនិត្យរបាយការណ៍របស់ប៉ូលីស៖ ការវិភាគពាក្យគន្លឹះនៃការទទួលខុសត្រូវ និងគំរូផ្លូវច្បាប់។ ការផ្ទៀងផ្ទាត់ការធានារ៉ាប់រងលើគោលនយោបាយ៖ ពិនិត្យមើលការលើកលែងជាក់លាក់នៅក្នុងផែនការរបស់អ្នក។
ប្រព័ន្ធនេះនៅតែចំណាយពេលដដែល ប៉ុន្តែការប្រាស្រ័យទាក់ទងច្បាស់លាស់អំពីការងារផ្ទៃក្នុងរបស់ភ្នាក់ងារបានស្ដារទំនុកចិត្តរបស់អ្នកប្រើប្រាស់ឡើងវិញ។ អ្នកប្រើប្រាស់បានយល់ថា AI កំពុងបំពេញកិច្ចការដ៏ស្មុគស្មាញដែលវាត្រូវបានរចនាឡើងសម្រាប់ ហើយពួកគេដឹងពីកន្លែងដែលត្រូវផ្តោតការយកចិត្តទុកដាក់របស់ពួកគេ ប្រសិនបើការវាយតម្លៃចុងក្រោយហាក់ដូចជាមិនត្រឹមត្រូវ។ ជម្រើសនៃការរចនានេះបានផ្លាស់ប្តូរពេលនៃការថប់បារម្ភទៅជាពេលនៃការតភ្ជាប់ជាមួយអ្នកប្រើប្រាស់។ ការអនុវត្តម៉ាទ្រីសផលប៉ះពាល់/ហានិភ័យ៖ អ្វីដែលយើងជ្រើសរើសដើម្បីលាក់ បទពិសោធន៍ AI ភាគច្រើនមិនមានការខ្វះខាតនៃព្រឹត្តិការណ៍ និងថ្នាំងការសម្រេចចិត្តដែលអាចត្រូវបានបង្ហាញក្នុងអំឡុងពេលដំណើរការ។ លទ្ធផលដ៏សំខាន់បំផុតមួយនៃសវនកម្មគឺការសម្រេចនូវអ្វីដែលត្រូវមើលមិនឃើញ។ នៅក្នុងឧទាហរណ៍ Meridian កំណត់ហេតុផ្នែកខាងក្រោយបានបង្កើតព្រឹត្តិការណ៍ 50+ ក្នុងមួយការទាមទារ។ យើងអាចកំណត់លំនាំដើមក្នុងការបង្ហាញព្រឹត្តិការណ៍នីមួយៗ នៅពេលដែលពួកគេត្រូវបានដំណើរការជាផ្នែកនៃ UI ។ ជំនួសមកវិញ យើងបានអនុវត្តម៉ាទ្រីសហានិភ័យ ដើម្បីកាត់ចេញពួកវា៖
ព្រឹត្តិការណ៍កំណត់ហេតុ៖ ម៉ាស៊ីនមេភីងWest-2 សម្រាប់ការត្រួតពិនិត្យឡើងវិញ។ ត្រងសាលក្រម៖ លាក់។ (ប្រាក់ភ្នាល់ទាប បច្ចេកទេសខ្ពស់)។
កំណត់ហេតុព្រឹត្តិការណ៍៖ ប្រៀបធៀបការប៉ាន់ស្មានការជួសជុលទៅនឹងតម្លៃ BlueBook ។ ត្រងសាលក្រម៖ បង្ហាញ។ (ប្រាក់ភ្នាល់ខ្ពស់ ប៉ះពាល់ដល់ការទូទាត់របស់អ្នកប្រើប្រាស់)។
តាមរយៈការកាត់ចេញនូវព័ត៌មានលម្អិតដែលមិនចាំបាច់ ព័ត៌មានសំខាន់ៗ ដូចជាការផ្ទៀងផ្ទាត់ការគ្របដណ្តប់ — គឺមានឥទ្ធិពលជាង។ យើងបានបង្កើតចំណុចប្រទាក់បើកចំហ និងរចនាបទពិសោធន៍បើកចំហ។ វិធីសាស្រ្តនេះប្រើគំនិតដែលថាមនុស្សមានអារម្មណ៍ប្រសើរជាងមុនចំពោះសេវាកម្មនៅពេលដែលពួកគេអាចមើលឃើញការងារដែលកំពុងត្រូវបានធ្វើ។ តាមរយៈការបង្ហាញជំហានជាក់លាក់ (ការវាយតម្លៃ ពិនិត្យ ផ្ទៀងផ្ទាត់) យើងបានផ្លាស់ប្តូរការរង់ចាំរយៈពេល 30 វិនាទីពីពេលវេលានៃការព្រួយបារម្ភ ("តើវាខូចឬ?") ទៅជាពេលដែលមានអារម្មណ៍ដូចជាអ្វីមួយដែលមានតម្លៃកំពុងត្រូវបានបង្កើត ("វាកំពុងគិត")។ ឥឡូវនេះ សូមពិនិត្យមើលឱ្យកាន់តែច្បាស់អំពីរបៀបដែលយើងអាចពិនិត្យមើលដំណើរការធ្វើការសម្រេចចិត្តនៅក្នុងផលិតផលរបស់យើងដើម្បីកំណត់ពេលវេលាសំខាន់ៗដែលត្រូវការព័ត៌មានច្បាស់លាស់។ សវនកម្ម Node Decision Audit តម្លាភាពបរាជ័យនៅពេលដែលយើងចាត់ទុកវាជាជម្រើសរចនាប័ទ្មជាជាងតម្រូវការមុខងារ។ យើងមានទំនោរក្នុងការសួរថា "តើ UI គួរមើលទៅដូចអ្វី?" មុនពេលយើងសួរថា “តើភ្នាក់ងារសម្រេចចិត្តអ្វី?” Decision Node Audit គឺជាវិធីត្រង់មួយដើម្បីធ្វើឱ្យប្រព័ន្ធ AI ងាយស្រួលយល់។ វាដំណើរការដោយការគូសផែនទីដោយប្រុងប្រយ័ត្ននូវដំណើរការផ្ទៃក្នុងរបស់ប្រព័ន្ធ។ គោលដៅចម្បងគឺស្វែងរក និងកំណត់យ៉ាងច្បាស់នូវពេលវេលាពិតប្រាកដដែលប្រព័ន្ធឈប់អនុវត្តតាមច្បាប់កំណត់របស់វា ហើយជំនួសមកវិញនូវជម្រើសដោយផ្អែកលើឱកាស ឬការប៉ាន់ស្មាន។ តាមរយៈការគូសផែនទីរចនាសម្ព័ន្ធនេះ អ្នកបង្កើតអាចបង្ហាញចំណុចនៃភាពមិនច្បាស់លាស់ទាំងនេះដោយផ្ទាល់ទៅកាន់មនុស្សដែលប្រើប្រាស់ប្រព័ន្ធនេះ។ នេះផ្លាស់ប្តូរការអាប់ដេតប្រព័ន្ធពីសេចក្តីថ្លែងការណ៍មិនច្បាស់លាស់ទៅជារបាយការណ៍ជាក់លាក់ និងគួរឱ្យទុកចិត្តអំពីរបៀបដែល AI ឈានដល់ការសន្និដ្ឋានរបស់វា។ បន្ថែមពីលើករណីសិក្សាលើការធានារ៉ាប់រងខាងលើ ថ្មីៗនេះខ្ញុំបានធ្វើការជាមួយក្រុមបង្កើតភ្នាក់ងារលទ្ធកម្ម។ ប្រព័ន្ធបានពិនិត្យមើលកិច្ចសន្យារបស់អ្នកលក់ និងហានិភ័យដែលបានដាក់ទង់។ ដើមឡើយ អេក្រង់បង្ហាញរបារវឌ្ឍនភាពដ៏សាមញ្ញមួយ៖ "ពិនិត្យមើលកិច្ចសន្យា។" អ្នកប្រើប្រាស់ស្អប់វា។ ការស្រាវជ្រាវរបស់យើងបានបង្ហាញថាពួកគេមានអារម្មណ៍ព្រួយបារម្ភអំពីផលប៉ះពាល់ផ្លូវច្បាប់នៃឃ្លាដែលបាត់។ យើងបានជួសជុលវាដោយការធ្វើសវនកម្មថ្នាំងសេចក្តីសម្រេច។ ខ្ញុំបានបញ្ចូលបញ្ជីត្រួតពិនិត្យជាជំហានៗសម្រាប់ធ្វើសវនកម្មនេះនៅចុងបញ្ចប់នៃអត្ថបទនេះ។ យើងបានដំណើរការវគ្គមួយជាមួយវិស្វករ ហើយបានរៀបរាប់ពីរបៀបដែលប្រព័ន្ធដំណើរការ។ យើងបានកំណត់ "ចំណុចសម្រេចចិត្ត" ដែលជាពេលវេលាដែល AI ត្រូវជ្រើសរើសរវាងជម្រើសល្អពីរ។ នៅក្នុងកម្មវិធីកុំព្យូទ័រស្តង់ដារ ដំណើរការគឺច្បាស់៖ ប្រសិនបើ A កើតឡើង នោះ B នឹងកើតឡើងជានិច្ច។ នៅក្នុងប្រព័ន្ធ AI ដំណើរការនេះច្រើនតែផ្អែកលើឱកាស។ AI គិតថា A ប្រហែលជាជម្រើសដ៏ល្អបំផុត ប៉ុន្តែវាប្រហែលជាត្រឹមតែ 65% ប៉ុណ្ណោះ។ នៅក្នុងប្រព័ន្ធកិច្ចសន្យា យើងបានរកឃើញពេលមួយនៅពេលដែល AI ពិនិត្យមើលលក្ខខណ្ឌនៃការទទួលខុសត្រូវប្រឆាំងនឹងច្បាប់របស់ក្រុមហ៊ុនរបស់យើង។ វាកម្រជាការប្រកួតដ៏ល្អឥតខ្ចោះណាស់។ AI ត្រូវសម្រេចចិត្តថាតើការប្រកួត 90% ល្អគ្រប់គ្រាន់ឬអត់។ នេះគឺជាចំណុចសំខាន់នៃការសម្រេចចិត្ត។
នៅពេលដែលយើងកំណត់អត្តសញ្ញាណថ្នាំងនេះ យើងបានលាតត្រដាងវាទៅកាន់អ្នកប្រើប្រាស់។ ជំនួសឱ្យ "ការពិនិត្យមើលកិច្ចសន្យា" ចំណុចប្រទាក់ត្រូវបានធ្វើបច្ចុប្បន្នភាពដើម្បីនិយាយថា: "ឃ្លាការទទួលខុសត្រូវប្រែប្រួលពីគំរូស្តង់ដារ។ ការវិភាគកម្រិតហានិភ័យ។" ការអាប់ដេតជាក់លាក់នេះបានផ្តល់ឱ្យអ្នកប្រើប្រាស់នូវទំនុកចិត្ត។ ពួកគេដឹងថាភ្នាក់ងារបានពិនិត្យឃ្លាទទួលខុសត្រូវ។ ពួកគេបានយល់ពីហេតុផលសម្រាប់ការពន្យារពេល និងទទួលបានទំនុកចិត្តថាសកម្មភាពដែលចង់បានគឺកើតឡើងនៅផ្នែកខាងក្រោយ។ ពួកគេក៏បានដឹងពីកន្លែងដែលត្រូវជីកជ្រៅនៅពេលដែលភ្នាក់ងារបង្កើតកិច្ចសន្យា។ ដើម្បីពិនិត្យមើលពីរបៀបដែល AI ធ្វើការសម្រេចចិត្ត អ្នកត្រូវធ្វើការយ៉ាងជិតស្និទ្ធជាមួយវិស្វកររបស់អ្នក អ្នកគ្រប់គ្រងផលិតផល អ្នកវិភាគអាជីវកម្ម និងមនុស្សសំខាន់ៗដែលកំពុងធ្វើការជ្រើសរើស (ជារឿយៗត្រូវបានលាក់) ដែលប៉ះពាល់ដល់របៀបដែលឧបករណ៍ AI ដំណើរការ។ គូរជំហានដែលឧបករណ៍ធ្វើ។ សម្គាល់រាល់កន្លែងដែលដំណើរការផ្លាស់ប្តូរទិសដៅ ពីព្រោះប្រូបាប៊ីលីតេត្រូវបានបំពេញ។ ទាំងនេះគឺជាកន្លែងដែលអ្នកគួរផ្តោតលើតម្លាភាពបន្ថែមទៀត។ ដូចដែលបានបង្ហាញក្នុងរូបភាពទី 2 ខាងក្រោម សវនកម្មថ្នាំងសេចក្តីសម្រេចពាក់ព័ន្ធនឹងជំហានទាំងនេះ៖
បង្កើតក្រុមរួមគ្នា៖ នាំម្ចាស់ផលិតផល អ្នកវិភាគអាជីវកម្ម អ្នករចនា អ្នកធ្វើការសម្រេចចិត្តសំខាន់ៗ និងវិស្វករដែលបង្កើត AI ។ ឧ. គិតអំពីក្រុមផលិតផលដែលបង្កើតឧបករណ៍ AI ដែលត្រូវបានរចនាឡើងដើម្បីពិនិត្យមើលកិច្ចសន្យាផ្លូវច្បាប់ដែលរញ៉េរញ៉ៃ។ ក្រុមនេះរួមមានអ្នករចនា UX អ្នកគ្រប់គ្រងផលិតផល អ្នកស្រាវជ្រាវ UX មេធាវីអនុវត្តដែលដើរតួជាអ្នកជំនាញលើប្រធានបទ និងវិស្វករផ្នែកខាងក្រោយដែលសរសេរកូដការវិភាគអត្ថបទ។
គូរដំណើរការទាំងមូល៖ កត់ត្រារាល់ជំហានដែល AI ធ្វើ ចាប់ពីសកម្មភាពដំបូងរបស់អ្នកប្រើ រហូតដល់លទ្ធផលចុងក្រោយ។ ក្រុមឈរនៅក្តារខៀនមួយ ហើយគូសវាសនូវលំដាប់ទាំងមូលសម្រាប់ដំណើរការការងារសំខាន់ៗដែលពាក់ព័ន្ធនឹង AI ស្វែងរកឃ្លាទទួលខុសត្រូវក្នុងកិច្ចសន្យាដ៏ស្មុគស្មាញមួយ។ មេធាវីផ្ទុកឡើងPDF ហាសិបទំព័រ → ប្រព័ន្ធបំប្លែងឯកសារទៅជាអត្ថបទដែលអាចអានបាន។ → AI ស្កេនទំព័រសម្រាប់ឃ្លាទំនួលខុសត្រូវ។ → អ្នកប្រើប្រាស់កំពុងរង់ចាំ។ → មួយសន្ទុះ ឬប៉ុន្មាននាទីក្រោយមក ឧបករណ៍រំលេចកថាខណ្ឌដែលបានរកឃើញជាពណ៌លឿងនៅលើចំណុចប្រទាក់អ្នកប្រើប្រាស់។ ពួកគេធ្វើបែបនេះសម្រាប់លំហូរការងារជាច្រើនទៀតដែលឧបករណ៍នេះទទួលផងដែរ។
ស្វែងរកកន្លែងដែលអ្វីៗមិនច្បាស់លាស់៖ មើលផែនទីដំណើរការសម្រាប់កន្លែងណាដែល AI ប្រៀបធៀបជម្រើស ឬធាតុបញ្ចូលដែលមិនមានការផ្គូផ្គងដ៏ល្អឥតខ្ចោះមួយ។ ក្រុមការងារមើលលើក្តារខៀន ដើម្បីរកមើលជំហានដែលមិនច្បាស់លាស់។ ការបំប្លែងរូបភាពទៅជាអត្ថបទ អនុវត្តតាមច្បាប់តឹងរឹង។ ការស្វែងរកឃ្លាទំនួលខុសត្រូវជាក់លាក់ពាក់ព័ន្ធនឹងការស្មាន។ ក្រុមហ៊ុននីមួយៗសរសេរឃ្លាទាំងនេះខុសៗគ្នា ដូច្នេះ AI ត្រូវថ្លឹងថ្លែងជម្រើសច្រើន ហើយធ្វើការទស្សន៍ទាយជំនួសឱ្យការស្វែងរកពាក្យដែលត្រូវគ្នា។
កំណត់ជំហាន 'ការទស្សន៍ទាយល្អបំផុត'៖ សម្រាប់ចំណុចមិនច្បាស់លាស់នីមួយៗ ពិនិត្យមើលថាតើប្រព័ន្ធប្រើប្រាស់ពិន្ទុទំនុកចិត្ត (ឧទាហរណ៍ តើវាប្រាកដ 85% ទេ?)។ ទាំងនេះគឺជាចំណុចដែល AI បង្កើតជម្រើសចុងក្រោយ។ ប្រព័ន្ធត្រូវទាយ (ផ្តល់ប្រូបាប៊ីលីតេ) ដែលកថាខណ្ឌនេះប្រហាក់ប្រហែលនឹងឃ្លាទំនួលខុសត្រូវស្តង់ដារ។ វាផ្តល់ពិន្ទុទំនុកចិត្តដល់ការទស្សន៍ទាយដ៏ល្អបំផុតរបស់វា។ ការស្មាននោះគឺជាការសម្រេចចិត្ត។ ចំណុចប្រទាក់ត្រូវតែប្រាប់មេធាវីថា ខ្លួនកំពុងគូសបញ្ជាក់ពីការផ្គូផ្គងសក្តានុពល ជាជាងបញ្ជាក់ថាវាបានរកឃើញឃ្លាច្បាស់លាស់។
ពិនិត្យមើលជម្រើស៖ សម្រាប់ចំណុចជម្រើសនីមួយៗ ស្វែងយល់ពីគណិតវិទ្យាខាងក្នុងជាក់លាក់ ឬប្រៀបធៀបដែលកំពុងត្រូវបានធ្វើ (ឧ. ការផ្គូផ្គងផ្នែកនៃកិច្ចសន្យាទៅនឹងគោលការណ៍ ឬប្រៀបធៀបរូបភាពរថយន្តដែលខូចទៅបណ្ណាល័យនៃរូបថតរថយន្តដែលខូច)។ វិស្វករពន្យល់ថាប្រព័ន្ធប្រៀបធៀបកថាខណ្ឌផ្សេងៗប្រឆាំងនឹងមូលដ្ឋានទិន្នន័យនៃឃ្លាទំនួលខុសត្រូវស្តង់ដារពីករណីក្រុមហ៊ុនកន្លងមក។ វាគណនាពិន្ទុភាពស្រដៀងគ្នានៃអត្ថបទ ដើម្បីសម្រេចចិត្តលើការប្រកួតដោយផ្អែកលើប្រូបាប៊ីលីតេ។
សរសេរការពន្យល់ច្បាស់លាស់៖ បង្កើតសារសម្រាប់អ្នកប្រើប្រាស់ដែលពិពណ៌នាយ៉ាងច្បាស់អំពីសកម្មភាពខាងក្នុងជាក់លាក់ដែលកើតឡើងនៅពេលដែល AI ធ្វើការជ្រើសរើស។ អ្នករចនាមាតិកាសរសេរសារជាក់លាក់មួយសម្រាប់ពេលជាក់លាក់នេះ។ អត្ថបទអាន៖ ការប្រៀបធៀបអត្ថបទឯកសារទៅនឹងឃ្លាក្រុមហ៊ុនស្តង់ដារដើម្បីកំណត់អត្តសញ្ញាណហានិភ័យដែលអាចកើតមាននៃការទទួលខុសត្រូវ។
អាប់ដេតអេក្រង់៖ ដាក់ការពន្យល់ច្បាស់លាស់ថ្មីទាំងនេះទៅក្នុងចំណុចប្រទាក់អ្នកប្រើប្រាស់ ដោយជំនួសសារដែលមិនច្បាស់លាស់ដូចជា "ពិនិត្យមើលកិច្ចសន្យា"។ ក្រុមរចនាដកឧបករណ៍បង្វិលផ្ទុកឯកសារ PDF ដំណើរការទូទៅចេញ។ ពួកគេបញ្ចូលការពន្យល់ថ្មីទៅក្នុងរបារស្ថានភាពដែលមានទីតាំងនៅខាងលើកម្មវិធីមើលឯកសារខណៈពេលដែល AI គិត។
ពិនិត្យមើលការជឿទុកចិត្ត៖ ត្រូវប្រាកដថាសារអេក្រង់ថ្មីផ្តល់ឱ្យអ្នកប្រើប្រាស់នូវហេតុផលសាមញ្ញមួយសម្រាប់ពេលវេលារង់ចាំ ឬលទ្ធផលណាមួយ ដែលគួរតែធ្វើឱ្យពួកគេមានអារម្មណ៍ជឿជាក់ និងជឿជាក់ជាងមុន។
ម៉ាទ្រីសផលប៉ះពាល់/ហានិភ័យ នៅពេលដែលអ្នកក្រឡេកមើលដំណើរការរបស់ AI យ៉ាងដិតដល់ អ្នកទំនងជានឹងរកឃើញចំណុចជាច្រើនដែលវាធ្វើការជ្រើសរើស។ AI អាចបង្កើតជម្រើសតូចៗរាប់សិបសម្រាប់កិច្ចការស្មុគស្មាញតែមួយ។ ការបង្ហាញពួកវាទាំងអស់បង្កើតព័ត៌មានដែលមិនចាំបាច់ច្រើនពេក។ អ្នកត្រូវដាក់ក្រុមជម្រើសទាំងនេះ។ អ្នកអាចប្រើ Impact/Risk Matrix ដើម្បីតម្រៀបជម្រើសទាំងនេះដោយផ្អែកលើប្រភេទសកម្មភាពដែល AI កំពុងធ្វើ។ នេះគឺជាឧទាហរណ៍នៃផលប៉ះពាល់/ហានិភ័យម៉ាទ្រីស៖ ជាដំបូង រកមើលការសម្រេចចិត្តដែលមានភាគហ៊ុនទាប និងផលប៉ះពាល់ទាប។ ប្រាក់ភ្នាល់ទាប / ផលប៉ះពាល់ទាប
ឧទាហរណ៍៖ ការរៀបចំរចនាសម្ព័ន្ធឯកសារ ឬប្តូរឈ្មោះឯកសារ។ តម្រូវការតម្លាភាព៖ តិចតួចបំផុត។ ការជូនដំណឹងអំពីនំបុ័ងអាំងដ៏ស្រទន់ ឬការបញ្ចូលកំណត់ហេតុគឺគ្រប់គ្រាន់ហើយ។ អ្នកប្រើប្រាស់អាចត្រឡប់សកម្មភាពទាំងនេះវិញបានយ៉ាងងាយស្រួល។
បន្ទាប់មកកំណត់អត្តសញ្ញាណភាគហ៊ុនខ្ពស់ និងការសម្រេចចិត្តដែលមានឥទ្ធិពលខ្ពស់។ ប្រាក់ភ្នាល់ខ្ពស់ / ផលប៉ះពាល់ខ្ពស់។
ឧទាហរណ៍៖ ការបដិសេធពាក្យសុំខ្ចីប្រាក់ ឬប្រតិបត្តិការជួញដូរភាគហ៊ុន។ តម្រូវការតម្លាភាព៖ ខ្ពស់។ សកម្មភាពទាំងនេះទាមទារភស្តុតាងនៃការងារ។ ប្រព័ន្ធត្រូវតែបង្ហាញពីហេតុផលមុន ឬភ្លាមៗនៅពេលវាធ្វើសកម្មភាព។
ពិចារណាលើរូបយន្តពាណិជ្ជកម្មហិរញ្ញវត្ថុដែលព្យាបាលរាល់ការបញ្ជាទិញទិញ/លក់ដូចគ្នា។ វាដំណើរការពាណិជ្ជកម្ម 5 ដុល្លារជាមួយនឹងភាពស្រអាប់ដូចគ្នានឹងពាណិជ្ជកម្ម 50,000 ដុល្លារ។ អ្នកប្រើប្រាស់អាចចោទសួរថាតើឧបករណ៍នេះទទួលស្គាល់ផលប៉ះពាល់សក្តានុពលនៃតម្លាភាពលើការជួញដូរលើចំនួនប្រាក់ដុល្លារដ៏ច្រើនដែរឬទេ។ ពួកគេត្រូវការប្រព័ន្ធដើម្បីផ្អាក និងបង្ហាញការងាររបស់ខ្លួនសម្រាប់ការជួញដូរដែលមានភាគហ៊ុនខ្ពស់។ ដំណោះស្រាយគឺដើម្បីណែនាំស្ថានភាពតក្កវិជ្ជាពិនិត្យឡើងវិញសម្រាប់ប្រតិបត្តិការណាមួយលើសពីចំនួនដុល្លារជាក់លាក់ ដែលអនុញ្ញាតឱ្យអ្នកប្រើប្រាស់មើលឃើញកត្តាជំរុញការសម្រេចចិត្តមុនពេលប្រតិបត្តិ។ ការគូសវាសថ្នាំងទៅនឹងលំនាំ៖ ឯកសារជ្រើសរើសលំនាំនៃការរចនា នៅពេលដែលអ្នកបានកំណត់អត្តសញ្ញាណថ្នាំងការសម្រេចចិត្តសំខាន់ៗនៃបទពិសោធន៍របស់អ្នក អ្នកត្រូវតែសម្រេចចិត្តថាតើគំរូ UI ណាដែលត្រូវអនុវត្តចំពោះនីមួយៗដែលអ្នកនឹងបង្ហាញ។ នៅក្នុងការរចនាសម្រាប់ Agentic AI យើងបានណែនាំគំរូដូចជា Intent Preview (សម្រាប់ការគ្រប់គ្រងការភ្នាល់ខ្ពស់) និង Action Audit (សម្រាប់សុវត្ថិភាពត្រឡប់មកវិញ)។ កត្តាសម្រេចចិត្តក្នុងការជ្រើសរើសរវាងពួកគេគឺការបញ្ច្រាស។ យើងត្រងរាល់ថ្នាំងការសម្រេចចិត្តតាមរយៈម៉ាទ្រីសផលប៉ះពាល់ ដើម្បីផ្តល់លំនាំត្រឹមត្រូវ៖ ប្រាក់ភ្នាល់ខ្ពស់ & មិនអាចត្រឡប់វិញបាន៖ ថ្នាំងទាំងនេះទាមទារការមើលជាមុនដោយចេតនា។ ដោយសារតែអ្នកប្រើប្រាស់មិនអាចមិនធ្វើវិញបានយ៉ាងងាយនូវសកម្មភាព (ឧ. ការលុបមូលដ្ឋានទិន្នន័យជាអចិន្ត្រៃយ៍) ពេលវេលាតម្លាភាពត្រូវតែកើតឡើងមុនពេលប្រតិបត្តិ។ ប្រព័ន្ធត្រូវតែផ្អាក ពន្យល់ពីចេតនារបស់វា និងទាមទារការបញ្ជាក់។ ប្រាក់ភ្នាល់ខ្ពស់ & ច្រាសមកវិញ៖ ថ្នាំងទាំងនេះអាចពឹងផ្អែកលើ Action Audit & Undo pattern ។ ប្រសិនបើភ្នាក់ងារលក់ដែលដំណើរការដោយ AI ផ្លាស់ទីការនាំមុខទៅកាន់បំពង់ផ្សេង វាអាចធ្វើដូច្នេះដោយស្វ័យភាព ដរាបណាវាជូនដំណឹងដល់អ្នកប្រើប្រាស់ និងផ្តល់ប៊ូតុងមិនធ្វើវិញភ្លាមៗ។ តាមរយៈការចាត់ថ្នាក់ថ្នាំងយ៉ាងតឹងរ៉ឹងតាមវិធីនេះ យើងជៀសវាង "ការជូនដំណឹងភាពអស់កម្លាំង" យើងរក្សាការមើលជាមុនដោយចេតនាកកិតខ្ពស់សម្រាប់តែគ្រាដែលមិនអាចត្រឡប់វិញបាន ខណៈពេលដែលពឹងផ្អែកលើ Action Audit ដើម្បីរក្សាល្បឿនសម្រាប់អ្វីៗផ្សេងទៀត។
បញ្ច្រាស មិនអាចត្រឡប់វិញបាន។ ផលប៉ះពាល់ទាប ប្រភេទ៖ Auto-ExecuteUI៖ Passive Toast / LogEx៖ ប្តូរឈ្មោះឯកសារ ប្រភេទ៖ បញ្ជាក់UI៖ ជម្រើសមិនធ្វើវិញសាមញ្ញ ឧ៖ រក្សាទុកអ៊ីមែល ផលប៉ះពាល់ខ្ពស់។ ប្រភេទ៖ ReviewUI៖ ការជូនដំណឹង + ពិនិត្យ TrailEx៖ ការផ្ញើសេចក្តីព្រាងទៅអតិថិជន ប្រភេទ៖ Intent previewUI: Modal / Explicit PermissionEx: ការលុបម៉ាស៊ីនមេ
តារាងទី 1៖ ម៉ាទ្រីសផលប៉ះពាល់ និងភាពអាចបញ្ច្រាស់អាចត្រូវប្រើដើម្បីគូសផែនទីគ្រានៃតម្លាភាពរបស់អ្នកចំពោះគំរូរចនា។ សុពលភាពគុណភាព៖ "ការរង់ចាំ ហេតុអ្វី?" សាកល្បង អ្នកអាចកំណត់អត្តសញ្ញាណថ្នាំងដែលមានសក្តានុពលនៅលើក្តារខៀន ប៉ុន្តែអ្នកត្រូវតែធ្វើឱ្យពួកវាមានសុពលភាពជាមួយនឹងអាកប្បកិរិយារបស់មនុស្ស។ អ្នកត្រូវផ្ទៀងផ្ទាត់ថាតើផែនទីរបស់អ្នកត្រូវគ្នានឹងគំរូផ្លូវចិត្តរបស់អ្នកប្រើដែរឬទេ។ ខ្ញុំប្រើពិធីការមួយហៅថា "រង់ចាំ ហេតុអ្វី?" សាកល្បង។ សុំឱ្យអ្នកប្រើប្រាស់មើលភ្នាក់ងារបំពេញកិច្ចការមួយ។ ណែនាំពួកគេឱ្យនិយាយខ្លាំង ៗ ។ នៅពេលណាដែលពួកគេសួរសំណួរមួយថា "រង់ចាំ ហេតុអ្វីបានជាវាធ្វើដូច្នេះ?" ឬ "តើវាជាប់គាំងទេ?" ឬ "លឺខ្ញុំទេ?" - អ្នកសម្គាល់ពេលវេលា។ សំណួរទាំងនេះបង្ហាញពីការភ័ន្តច្រឡំរបស់អ្នកប្រើប្រាស់។ អ្នកប្រើប្រាស់មានអារម្មណ៍ថាការគ្រប់គ្រងរបស់ពួកគេធ្លាក់ចុះ។ ជាឧទាហរណ៍ ក្នុងការសិក្សាសម្រាប់ជំនួយការក្នុងការរៀបចំកាលវិភាគថែទាំសុខភាព អ្នកប្រើប្រាស់បានមើលភ្នាក់ងារកក់ការណាត់ជួប។ អេក្រង់ស្ថិតស្ថេររយៈពេលបួនវិនាទី។ អ្នកចូលរួមបានសួរជាប់លាប់ថា “តើវាពិនិត្យមើលប្រតិទិនរបស់ខ្ញុំឬក៏របស់គ្រូពេទ្យ?”
សំណួរនោះបានបង្ហាញពីពេលវេលាតម្លាភាពដែលបាត់។ ប្រព័ន្ធត្រូវការដើម្បីបំបែកការរង់ចាំរយៈពេលបួនវិនាទីនោះជាពីរជំហានផ្សេងគ្នា៖ "ពិនិត្យមើលភាពអាចរកបានរបស់អ្នក" បន្ទាប់មក "ធ្វើសមកាលកម្មជាមួយកាលវិភាគអ្នកផ្តល់សេវា"។ ការផ្លាស់ប្តូរតូចមួយនេះបានកាត់បន្ថយកម្រិតនៃការថប់បារម្ភរបស់អ្នកប្រើប្រាស់។ តម្លាភាពបរាជ័យនៅពេលដែលវាពណ៌នាតែសកម្មភាពប្រព័ន្ធប៉ុណ្ណោះ។ ចំណុចប្រទាក់ត្រូវតែភ្ជាប់ដំណើរការបច្ចេកទេសទៅនឹងគោលដៅជាក់លាក់របស់អ្នកប្រើ។ អេក្រង់ដែលបង្ហាញ "ការពិនិត្យមើលភាពអាចរកបានរបស់អ្នក" ធ្លាក់ចុះដោយសារតែវាខ្វះបរិបទ។ អ្នកប្រើយល់ថា AI កំពុងមើលប្រតិទិន ប៉ុន្តែគេមិនដឹងពីមូលហេតុទេ។ យើងត្រូវតែផ្គូផ្គងសកម្មភាពជាមួយលទ្ធផល។ ប្រព័ន្ធត្រូវការបំបែកការរង់ចាំ 4 វិនាទីនោះជាពីរជំហានផ្សេងគ្នា។ ដំបូង ចំណុចប្រទាក់បង្ហាញ "ពិនិត្យមើលប្រតិទិនរបស់អ្នក ដើម្បីស្វែងរកម៉ោងបើក។" បន្ទាប់មកវាអាប់ដេតទៅ "ធ្វើសមកាលកម្មជាមួយកាលវិភាគរបស់អ្នកផ្តល់សេវា ដើម្បីធានាការណាត់ជួបរបស់អ្នក។" នេះផ្អែកលើដំណើរការបច្ចេកទេសនៅក្នុងជីវិតពិតរបស់អ្នកប្រើប្រាស់។ ពិចារណាលើសារពើភ័ណ្ឌគ្រប់គ្រង AI សម្រាប់ហាងកាហ្វេក្នុងស្រុក។ ប្រព័ន្ធជួបប្រទះកង្វះការផ្គត់ផ្គង់។ ចំណុចប្រទាក់អាន "ទំនាក់ទំនងអ្នកលក់" ឬ "ជម្រើសពិនិត្យមើល" បង្កើតការថប់បារម្ភ។ អ្នកគ្រប់គ្រងឆ្ងល់ថាតើប្រព័ន្ធនេះកំពុងលុបចោលការបញ្ជាទិញឬទិញជម្រើសដែលមានតម្លៃថ្លៃ។ វិធីសាស្រ្តល្អប្រសើរជាងមុនគឺដើម្បីពន្យល់ពីលទ្ធផលដែលបានគ្រោងទុក៖ "ការវាយតម្លៃអ្នកផ្គត់ផ្គង់ជំនួស ដើម្បីរក្សាកាលវិភាគចែកចាយថ្ងៃសុក្ររបស់អ្នក។" នេះប្រាប់អ្នកប្រើប្រាស់យ៉ាងច្បាស់ពីអ្វីដែល AI កំពុងព្យាយាមសម្រេច។ ដំណើរការសវនកម្ម អ្នកបានបញ្ចប់ការធ្វើសវនកម្មថ្នាំងការសម្រេចចិត្ត ហើយបានត្រងបញ្ជីរបស់អ្នកតាមរយៈម៉ាទ្រីសផលប៉ះពាល់ និងហានិភ័យ។ ឥឡូវនេះ អ្នកមានបញ្ជីនៃពេលវេលាសំខាន់ៗសម្រាប់តម្លាភាព។ បន្ទាប់អ្នកត្រូវបង្កើតពួកវានៅក្នុង UI ។ ជំហាននេះតម្រូវឱ្យមានការធ្វើការជាក្រុមនៅទូទាំងនាយកដ្ឋានផ្សេងគ្នា។ អ្នកមិនអាចរចនាតម្លាភាពដោយខ្លួនឯងដោយប្រើឧបករណ៍រចនាបានទេ។ អ្នកត្រូវយល់ពីរបៀបដែលប្រព័ន្ធដំណើរការនៅពីក្រោយឆាក។ ចាប់ផ្តើមជាមួយនឹងការពិនិត្យឡើងវិញតក្កវិជ្ជា។ ជួបជាមួយអ្នករចនាប្រព័ន្ធនាំមុខរបស់អ្នក។ នាំយកផែនទីនៃចំណុចសម្រេចចិត្តរបស់អ្នក។ អ្នកត្រូវបញ្ជាក់ថាប្រព័ន្ធពិតជាអាចចែករំលែករដ្ឋទាំងនេះបាន។ ជារឿយៗខ្ញុំឃើញថាប្រព័ន្ធបច្ចេកទេសមិនបង្ហាញពីស្ថានភាពពិតប្រាកដដែលខ្ញុំចង់បង្ហាញនោះទេ។ វិស្វករអាចនិយាយថាប្រព័ន្ធនេះគ្រាន់តែត្រឡប់ស្ថានភាព "ធ្វើការ" ទូទៅ។ អ្នកត្រូវតែជំរុញឱ្យមានការអាប់ដេតលម្អិត។ អ្នកត្រូវការប្រព័ន្ធដើម្បីផ្ញើការជូនដំណឹងជាក់លាក់មួយ។នៅពេលដែលវាប្តូរពីការអានអត្ថបទទៅជាការត្រួតពិនិត្យច្បាប់។ បើគ្មានការតភ្ជាប់បច្ចេកទេសនោះ ការរចនារបស់អ្នកមិនអាចសាងសង់បានទេ។ បន្ទាប់មក សូមចូលរួមជាមួយក្រុមរចនាខ្លឹមសារ។ អ្នកមានហេតុផលបច្ចេកទេសសម្រាប់សកម្មភាពរបស់ AI ប៉ុន្តែអ្នកត្រូវការការពន្យល់ច្បាស់លាស់ និងងាយស្រួលសម្រាប់មនុស្ស។ វិស្វករផ្តល់នូវដំណើរការមូលដ្ឋាន ប៉ុន្តែអ្នករចនាខ្លឹមសារផ្តល់នូវវិធីទំនាក់ទំនង។ កុំសរសេរសារទាំងនេះតែម្នាក់ឯង។ អ្នកអភិវឌ្ឍន៍អាចសរសេរ “Executing function 402” ដែលជាបច្ចេកទេសត្រឹមត្រូវ ប៉ុន្តែគ្មានន័យសម្រាប់អ្នកប្រើប្រាស់។ អ្នករចនាអាចសរសេរ "ការគិត" ដែលមានលក្ខណៈរួសរាយរាក់ទាក់ ប៉ុន្តែមិនច្បាស់លាស់ពេក។ អ្នកយុទ្ធសាស្រ្តមាតិកាស្វែងរកចំណុចកណ្តាលត្រឹមត្រូវ។ ពួកគេបង្កើតឃ្លាជាក់លាក់ដូចជា "ការស្កេនសម្រាប់ហានិភ័យនៃការទទួលខុសត្រូវ" ដែលបង្ហាញថា AI កំពុងដំណើរការដោយមិនធ្វើឱ្យអ្នកប្រើប្រាស់មានការភ័ន្តច្រឡំ។ ជាចុងក្រោយ សាកល្បងភាពថ្លានៃសាររបស់អ្នក។ កុំរង់ចាំរហូតដល់ផលិតផលចុងក្រោយត្រូវបានបង្កើតឡើង ដើម្បីមើលថាតើអត្ថបទដំណើរការឬអត់។ ខ្ញុំធ្វើតេស្ដប្រៀបធៀបលើគំរូធម្មតា ដែលរឿងតែមួយគត់ដែលផ្លាស់ប្តូរគឺសារស្ថានភាព។ ជាឧទាហរណ៍ ខ្ញុំបង្ហាញក្រុមមួយ (ក្រុម A) សារដែលនិយាយថា "ផ្ទៀងផ្ទាត់អត្តសញ្ញាណ" និងក្រុមមួយទៀត (ក្រុម B) សារដែលនិយាយថា "កំពុងពិនិត្យមើលមូលដ្ឋានទិន្នន័យរបស់រដ្ឋាភិបាល" (ទាំងនេះគឺជាឧទាហរណ៍ដែលបង្កើតឡើង ប៉ុន្តែអ្នកយល់ពីចំណុចនេះ)។ បន្ទាប់មកខ្ញុំសួរពួកគេថាតើ AI ណាដែលមានអារម្មណ៍សុវត្ថិភាពជាង។ ជាញឹកញាប់ អ្នកនឹងរកឃើញថាពាក្យមួយចំនួនបង្កឱ្យមានការព្រួយបារម្ភ ខណៈពេលដែលអ្នកផ្សេងទៀតបង្កើតទំនុកចិត្ត។ អ្នកត្រូវតែចាត់ទុកពាក្យថាជាអ្វីមួយដែលអ្នកត្រូវការដើម្បីសាកល្បង និងបង្ហាញថាមានប្រសិទ្ធភាព។ របៀបដែលវាផ្លាស់ប្តូរដំណើរការរចនា ការធ្វើសវនកម្មទាំងនេះមានសក្តានុពលក្នុងការពង្រឹងពីរបៀបដែលក្រុមការងារធ្វើការជាមួយគ្នា។ យើងបញ្ឈប់ការប្រគល់ឯកសាររចនាដែលខូច។ យើងចាប់ផ្តើមប្រើគំរូរញ៉េរញ៉ៃ និងសៀវភៅបញ្ជីដែលបានចែករំលែក។ ឧបករណ៍ស្នូលក្លាយជាម៉ាទ្រីសតម្លាភាព។ វិស្វករ និងអ្នករចនាមាតិកាកែសម្រួលសៀវភៅបញ្ជីនេះជាមួយគ្នា។ ពួកគេគូសផែនទីកូដបច្ចេកទេសពិតប្រាកដទៅនឹងពាក្យដែលអ្នកប្រើប្រាស់នឹងអាន។ ក្រុមនឹងជួបប្រទះការកកិតកំឡុងពេលពិនិត្យតក្កវិជ្ជា។ ស្រមៃមើលអ្នករចនាសួរវិស្វករពីរបៀបដែល AI សម្រេចចិត្តបដិសេធប្រតិបត្តិការដែលបានដាក់ជូនលើរបាយការណ៍ចំណាយ។ វិស្វករអាចនិយាយថា backend ចេញតែកូដស្ថានភាពទូទៅដូចជា "Error: Missing Data"។ អ្នករចនាបញ្ជាក់ថានេះមិនមែនជាព័ត៌មានដែលអាចធ្វើសកម្មភាពនៅលើអេក្រង់បានទេ។ អ្នករចនាចរចាជាមួយវិស្វករដើម្បីបង្កើតទំពក់បច្ចេកទេសជាក់លាក់។ វិស្វករសរសេរច្បាប់ថ្មី ដូច្នេះប្រព័ន្ធរាយការណ៍យ៉ាងពិតប្រាកដនូវអ្វីដែលបាត់ ដូចជារូបភាពបង្កាន់ដៃដែលបាត់។ អ្នករចនាខ្លឹមសារដើរតួជាអ្នកបកប្រែក្នុងដំណាក់កាលនេះ។ អ្នកអភិវឌ្ឍន៍អាចសរសេរខ្សែអក្សរត្រឹមត្រូវតាមបច្ចេកទេសដូចជា "ការគណនាកម្រិតនៃភាពជឿជាក់សម្រាប់ការផ្គូផ្គងអ្នកលក់។" អ្នករចនាមាតិកាបកប្រែខ្សែអក្សរនោះទៅជាឃ្លាដែលបង្កើតការជឿទុកចិត្តសម្រាប់លទ្ធផលជាក់លាក់មួយ។ អ្នកយុទ្ធសាស្រ្តសរសេរវាឡើងវិញថាជា "ការប្រៀបធៀបតម្លៃអ្នកលក់ក្នុងស្រុក ដើម្បីទទួលបានការដឹកជញ្ជូនថ្ងៃសុក្ររបស់អ្នក។" អ្នកប្រើប្រាស់យល់ពីសកម្មភាព និងលទ្ធផល។ ក្រុមឆ្លងមុខងារទាំងមូលអង្គុយក្នុងវគ្គសាកល្បងអ្នកប្រើប្រាស់។ ពួកគេមើលមនុស្សពិតប្រតិកម្មចំពោះសារស្ថានភាពផ្សេងៗ។ ដោយឃើញអ្នកប្រើប្រាស់ភ័យស្លន់ស្លោ ដោយសារតែអេក្រង់និយាយថា "ការប្រតិបត្តិពាណិជ្ជកម្ម" បង្ខំឱ្យក្រុមគិតឡើងវិញនូវវិធីសាស្រ្តរបស់ពួកគេ។ វិស្វករ និងអ្នករចនាតម្រង់ទៅលើពាក្យល្អជាង។ ពួកគេផ្លាស់ប្តូរអត្ថបទទៅជា "ផ្ទៀងផ្ទាត់មូលនិធិគ្រប់គ្រាន់" មុនពេលទិញភាគហ៊ុន។ ការធ្វើតេស្តរួមគ្នាធានានូវចំណុចប្រទាក់ចុងក្រោយបម្រើទាំងតក្កវិជ្ជាប្រព័ន្ធ និងសន្តិភាពនៃចិត្តរបស់អ្នកប្រើប្រាស់។ វាទាមទារពេលវេលាដើម្បីបញ្ចូលសកម្មភាពបន្ថែមទាំងនេះទៅក្នុងប្រតិទិនរបស់ក្រុម។ ទោះជាយ៉ាងណាក៏ដោយ លទ្ធផលចុងក្រោយគួរតែជាក្រុមដែលទំនាក់ទំនងកាន់តែបើកចំហ ហើយអ្នកប្រើប្រាស់ដែលមានការយល់ដឹងកាន់តែច្បាស់អំពីអ្វីដែលឧបករណ៍ដែលដំណើរការដោយ AI របស់ពួកគេកំពុងធ្វើជំនួសពួកគេ (ហើយហេតុអ្វី)។ វិធីសាស្រ្តរួមបញ្ចូលគ្នានេះគឺជាមូលដ្ឋានគ្រឹះនៃការរចនាបទពិសោធន៍ AI ដែលគួរឱ្យទុកចិត្តពិតប្រាកដ។ ការជឿទុកចិត្តគឺជាជម្រើសរចនា ជារឿយៗយើងចាត់ទុកការជឿទុកចិត្តជាផលចំណេញផ្លូវចិត្តនៃបទពិសោធន៍អ្នកប្រើប្រាស់ដ៏ល្អ។ វាកាន់តែងាយស្រួលក្នុងការមើលការជឿទុកចិត្តជាលទ្ធផលមេកានិចនៃទំនាក់ទំនងដែលអាចព្យាករណ៍បាន។ យើងបង្កើតការជឿទុកចិត្តដោយបង្ហាញព័ត៌មានត្រឹមត្រូវនៅពេលត្រឹមត្រូវ។ យើងបំផ្លាញវាដោយលើសលប់អ្នកប្រើប្រាស់ ឬលាក់ម៉ាស៊ីនទាំងស្រុង។ ចាប់ផ្តើមជាមួយ Decision Node Audit ជាពិសេសសម្រាប់ឧបករណ៍ និងផលិតផល AI ភ្នាក់ងារ។ ស្វែងរកពេលវេលាដែលប្រព័ន្ធធ្វើការហៅការវិនិច្ឆ័យ។ គូសផែនទីគ្រាទាំងនោះទៅនឹងម៉ាទ្រីសហានិភ័យ។ ប្រសិនបើប្រាក់ភ្នាល់ខ្ពស់ សូមបើកប្រអប់។ បង្ហាញការងារ។ នៅក្នុងអត្ថបទបន្ទាប់ យើងនឹងពិនិត្យមើលរបៀបរចនាពេលវេលាទាំងនេះ៖ របៀបសរសេរច្បាប់ចម្លង រៀបចំរចនាសម្ព័ន្ធ UI និងដោះស្រាយកំហុសដែលមិនអាចជៀសបាននៅពេលដែលភ្នាក់ងារទទួលបានវាខុស។ ឧបសម្ព័ន្ធ៖ បញ្ជីពិនិត្យសវនកម្មថ្នាំងការសម្រេចចិត្ត ដំណាក់កាលទី 1៖ ការដំឡើង និងការធ្វើផែនទី ✅ បង្កើតក្រុមរួមគ្នា៖ នាំម្ចាស់ផលិតផល អ្នកវិភាគអាជីវកម្ម អ្នករចនា។អ្នកធ្វើការសម្រេចចិត្តសំខាន់ៗ និងវិស្វករដែលបង្កើត AI ។ ព័ត៌មានជំនួយ៖ អ្នកត្រូវការវិស្វករដើម្បីពន្យល់ពីតក្កវិជ្ជាខាងក្រោយពិតប្រាកដ។ កុំព្យាយាមជំហាននេះតែម្នាក់ឯង។ ✅ គូរដំណើរការទាំងមូល៖ កត់ត្រារាល់ជំហានដែល AI ធ្វើ ចាប់ពីសកម្មភាពដំបូងរបស់អ្នកប្រើ រហូតដល់លទ្ធផលចុងក្រោយ។ ព័ត៌មានជំនួយ៖ សម័យប្រជុំក្តារខៀន ជាញឹកញាប់ដំណើរការល្អបំផុតសម្រាប់ការគូរជំហានដំបូងទាំងនេះ។ ដំណាក់កាលទី 2: កំណត់ទីតាំងតក្កវិជ្ជាដែលលាក់ ✅ ស្វែងរកកន្លែងដែលអ្វីៗមិនច្បាស់លាស់៖ មើលផែនទីដំណើរការសម្រាប់កន្លែងណាដែល AI ប្រៀបធៀបជម្រើស ឬធាតុបញ្ចូលដែលមិនមានការប្រកួតល្អឥតខ្ចោះមួយ។ ✅ កំណត់ជំហានស្មានល្អបំផុត៖ សម្រាប់ចំណុចមិនច្បាស់លាស់នីមួយៗ សូមពិនិត្យមើលថាតើប្រព័ន្ធប្រើប្រាស់ពិន្ទុទំនុកចិត្តដែរឬទេ។ ជាឧទាហរណ៍ សួរថាតើប្រព័ន្ធនេះប្រាកដ ៨៥ ភាគរយឬទេ? ទាំងនេះគឺជាចំណុចដែល AI បង្កើតជម្រើសចុងក្រោយ។ ✅ ពិនិត្យមើលជម្រើស៖ សម្រាប់ចំណុចជម្រើសនីមួយៗ ស្វែងយល់ពីគណិតវិទ្យាខាងក្នុងជាក់លាក់ ឬការប្រៀបធៀបដែលកំពុងត្រូវបានធ្វើ។ ឧទាហរណ៍មួយគឺការផ្គូផ្គងផ្នែកនៃកិច្ចសន្យាទៅនឹងគោលការណ៍មួយ។ ឧទាហរណ៍មួយទៀតទាក់ទងនឹងការប្រៀបធៀបរូបភាពរថយន្តដែលខូចទៅនឹងបណ្ណាល័យរូបថតរថយន្តដែលខូច។ ដំណាក់កាលទី 3៖ បង្កើតបទពិសោធន៍អ្នកប្រើប្រាស់ ✅ សរសេរការពន្យល់ច្បាស់លាស់៖ បង្កើតសារសម្រាប់អ្នកប្រើប្រាស់ដែលពិពណ៌នាយ៉ាងច្បាស់អំពីសកម្មភាពខាងក្នុងជាក់លាក់ដែលកើតឡើងនៅពេលដែល AI ធ្វើការជ្រើសរើស។ ព័ត៌មានជំនួយ៖ បញ្ជាក់សាររបស់អ្នកនៅក្នុងការពិតជាក់ស្តែង។ ប្រសិនបើ AI កក់ការប្រជុំជាមួយអតិថិជននៅហាងកាហ្វេក្នុងស្រុក ប្រាប់អ្នកប្រើប្រាស់ថាប្រព័ន្ធកំពុងពិនិត្យមើលប្រព័ន្ធកក់ហាងកាហ្វេ។ ✅ ធ្វើបច្ចុប្បន្នភាពអេក្រង់៖ ដាក់ការពន្យល់ច្បាស់លាស់ថ្មីទាំងនេះទៅក្នុងចំណុចប្រទាក់អ្នកប្រើប្រាស់។ ជំនួសសារដែលមិនច្បាស់លាស់ដូចជាការពិនិត្យមើលកិច្ចសន្យាជាមួយនឹងការពន្យល់ជាក់លាក់របស់អ្នក។ ✅ ពិនិត្យមើលការជឿទុកចិត្ត៖ ត្រូវប្រាកដថាសារអេក្រង់ថ្មីផ្តល់ឱ្យអ្នកប្រើប្រាស់នូវហេតុផលសាមញ្ញមួយសម្រាប់ពេលវេលារង់ចាំ ឬលទ្ធផលណាមួយ។ នេះគួរតែធ្វើឱ្យពួកគេមានអារម្មណ៍ជឿជាក់ និងជឿជាក់។ ព័ត៌មានជំនួយ៖ សាកល្បងសារទាំងនេះជាមួយអ្នកប្រើប្រាស់ពិតប្រាកដ ដើម្បីផ្ទៀងផ្ទាត់ថាពួកគេយល់ពីលទ្ធផលជាក់លាក់ដែលកំពុងត្រូវបានសម្រេច។
