การวิจัยและพัฒนาระบบสนทนาอัตโนมัติในข้อมูลป้องกันประเทศ
Article Sidebar
Main Article Content
บทคัดย่อ
จักรกลสนทนาเป็น ปัญญาประดิษฐ์ (AI) ประเภทหนึ่งซึ่งอยู่ในสาขา การประมวลภาษาธรรมชาติ (NLP) เป็นเทคโนโลยีส่วนการเรียนรู้ของเครื่องที่ช่วยให้คอมพิวเตอร์สามารถตีความ จัดการ และทำความเข้าใจภาษามนุษย์ได้ องค์กรในปัจจุบันมีข้อมูลเสียงและข้อความจำนวนมากจากช่องทางการสื่อสารต่างๆ เช่น อีเมล ข้อความ ฟีดข่าวโซเชียลมีเดีย วิดีโอ เสียง และอื่นๆ โดยใช้ซอฟต์แวร์ NLP เพื่อประมวลผลข้อมูลนี้โดยอัตโนมัติ ซึ่งวัตถุประสงค์เพื่อทดลองระบบจักรกลสนทนา กับวารสารป้องกันประเทศเพื่อที่สามารถให้ความรู้และตอบคำถามแก่บุคคลภายนอกเกี่ยวกับข้อมูลของเทคโนโลยีป้องกันประเทศว่ามีความแม่นยำขนาดไหนซึ่งผลการทดลองพบว่าระบบ จักรกลสนทนา นั้นมีประสิทธิภาพในการตอบคำถามถึง 80-100% ซึ่งสามารถตอบคำถามได้ดีมาก ในข้อมูลที่มีอยู่ในวารสารป้องกันประเทศ
Downloads
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Journal of TCI is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) licence, unless otherwise stated. Please read our Policies page for more information...
เอกสารอ้างอิง
L. Ouyang et al., “Training Language Models to Follow Instructions with Human Feedback,” 2022, arXiv:2203.02155.
X. Ma, Y. Gong, P. He, H. Zhao, and N. Duan, “Query Rewriting for Retrieval-augmented Large Language Models,” 2023, arXiv:2305.14283.
A. Vaswani et al., “Attention is all you need,” in 31st Conf. Neural Inf. Process. Syst. (NIPS 2017), Long Beach, CA, USA, 2017, pp. 6000-6010.
C. C. H. Chan, Y. - C. Lin, and P. - C. Shih, “Natural Language Processing for Supply Chain with Chat GPT,” in 2023 IEEE 5th Int. Conf. Architecture, Construction, Environ. and Hydraul. (ICACEH), Taichung, Taiwan, 2023, pp. 28 - 31, doi: 10.1109/ICACEH59552.2023.10452639.
M. Chen et al., “Evaluating Large Language Models Trained on Code,” 2021, arXiv:2107.03374.
A. Chowdhery et al., “PaLM: Scaling Language Modeling with Pathways. J. Mach. Learn. Res., vol. 24, pp. 1 – 113, 2023.
W. Yu et al., “Generate rather than Retrieve: Large Language Models are Strong Context Generators,” 2022, arXiv:2209.10063.
S. Yao et al., “ReAct: Synergizing Reasoning and Acting in Language Models,” 2023, arXiv:2210.03629.
O. Press, M. Zhang, S. Min, L. Schmidt, N. A. Smith, and M. Lewis, “Measuring and Narrowing the Compositionality Gap in Language Models,” 2022, arXiv:2210.03350.
O. Khattab et al., “Demonstrate-Search-Predict: Composing Retrieval and Language Models for Knowledge-intensive NLP,” 2022, arXiv:2212.14024.
W. Shi et al., “RePlug: Retrieval-augmented Black-box Language Models,” 2023, arXiv:2301.12652.
Z. Li, B. Peng, P. He, M. Galley, J. Gao, and X. Yan, “Guiding Large LanguageModels via Directional Stimulus Prompting,” in 37th Conf. Neural Inf. Process. Syst. (NeurIPS 2023), New Orleans, Louisiana, USA, 2003, pp. 1 - 27.
J. Wei et al., “Finetuned Language Models are Zero-shot Learners,” 2022, arXiv:2109.01652.
T. B. Brown et al., “Language Models are Few-shot Learners,” in Advances in Neural Information Processing Systems, H. Larochelle, M. Ranzato, R. Hadsell, M. F. Balcan, and H. Lin, Eds., Curran Associates, Inc., 2020, vol. 33, pp. 1877 - 1901.
J. Wei et al., “Chain-of-thought Prompting Elicits Reasoning in Large Language Models,” in Adv. Neural Inf. Process. Syst., S. Koyejo, S. Mohamed, A. Agarwal, D. Belgrave, K. Cho, and A. Oh, Eds.,Curran Associates, Inc., 2022, vol. 35, pp. 24824 - 24837.
J. Chen et al., “M3-Embedding: Multi-lingual, Multi-functionality, Multi-granularity Text Embeddings through Self-knowledge Distillation,” 2024, arXiv:2402.03216.
L. Merrick, D. Xu, G. Nuti, and D. Campos, “D. Arctic-Embed: Scalable, Efficient, and Accurate Text Embedding Models,” 2024, arXiv:2405.05374.
M. Enis and M. Hopkins, “From LLM to NMT: Advancing Low-Resource Machine Translation with Claude,” 2024, arXiv:2404.13813.
