តើអ្វីជាភាពច្របូកច្របល់របស់ AI និងរបៀបកាត់បន្ថយវា?

ក្នុងប៉ុន្មានឆ្នាំថ្មីៗនេះ បញ្ញាសិប្បនិម្មិត រួមទាំង ម៉ូដែលជំនាន់ចុងក្រោយបានផ្លាស់ប្តូរពីទ្រឹស្តីទៅជីវិតប្រចាំថ្ងៃ ហើយជាមួយវា បាតុភូតបានលេចឡើងដែលគួរយល់ដោយស្ងប់ស្ងាត់។ ក្នុងចំណោមពួកគេដែលគេហៅថា អាយជាញឹកញាប់ណាស់នៅក្នុងគំរូទូទៅ បានក្លាយជាការសន្ទនាដែលកើតឡើងដដែលៗ ព្រោះវាកំណត់ពេលដែលយើងអាចទុកចិត្តបាន ឬអត់ ការឆ្លើយតបដោយស្វ័យប្រវត្តិ។

នៅពេលដែលប្រព័ន្ធបង្កើតមាតិកាដែលគួរឱ្យជឿជាក់ ប៉ុន្តែមិនត្រឹមត្រូវ ប្រឌិត ឬមិនមានភស្តុតាង យើងកំពុងនិយាយអំពីការយល់ច្រលំ។ លទ្ធផលទាំងនេះមិនមែនជា whims ទេ: ពួកគេគឺជាលទ្ធផលនៃ របៀបដែលគំរូរៀន និងឌិកូដគុណភាពនៃទិន្នន័យដែលពួកគេបានឃើញ និងដែនកំណត់ផ្ទាល់ខ្លួនរបស់ពួកគេក្នុងការចុះចតចំណេះដឹងនៅក្នុងពិភពពិត។

តើ​យើង​ចង់​បាន​ការ​យល់​ច្រឡំ​របស់ IA មានន័យ​ដូចម្តេច?

នៅក្នុងវិស័យ AI ទូទៅ ការយល់ច្រលំគឺជាលទ្ធផលដែលទោះបីជាស្តាប់ទៅរឹងមាំក៏ដោយ មិនគាំទ្រដោយទិន្នន័យពិតទេ។ ឬតាមលំនាំបណ្តុះបណ្តាលត្រឹមត្រូវ។ ពេលខ្លះគំរូ "បំពេញចន្លោះ" ពេលខ្លះវាឌិកូដមិនបានល្អ ហើយជារឿយៗវាបង្កើតព័ត៌មានដែលមិនធ្វើតាមគំរូដែលអាចកំណត់អត្តសញ្ញាណបាន។

ពាក្យនេះគឺប្រៀបធៀប៖ ម៉ាស៊ីនមិន "មើលឃើញ" ដូចយើងទេ ប៉ុន្តែរូបភាពសម។ ដូចដែលមនុស្សម្នាក់អាចមើលឃើញ តួលេខនៅក្នុងពពកគំរូមួយអាចបកស្រាយលំនាំដែលមិនមាន ជាពិសេសនៅក្នុង ភារកិច្ចទទួលស្គាល់រូបភាព ឬនៅក្នុងជំនាន់នៃអត្ថបទដែលមានភាពស្មុគស្មាញខ្ពស់។

គំរូភាសាដ៏អស្ចារ្យ (LLM) រៀនដោយកំណត់អត្តសញ្ញាណភាពទៀងទាត់នៅក្នុងសាជីវកម្មធំ ហើយបន្ទាប់មកទាយពាក្យបន្ទាប់។ វាគឺជា ក ការបំពេញដោយស្វ័យប្រវត្តិដ៏មានឥទ្ធិពលបំផុត។ប៉ុន្តែវានៅតែជាការបំពេញដោយស្វ័យប្រវត្តិ៖ ប្រសិនបើទិន្នន័យគ្មានសម្លេង ឬមិនពេញលេញ វាអាចបង្កើតលទ្ធផលដែលអាចជឿជាក់បាន ហើយនៅពេលជាមួយគ្នានោះ លទ្ធផលខុស។

លើស​ពី​នេះ​ទៅ​ទៀត គេហទំព័រ​ដែល​ផ្តល់​ព័ត៌មាន​ការ​សិក្សា​នេះ​មាន​ព័ត៌មាន​មិន​ពិត។ ប្រព័ន្ធខ្លួនឯង "រៀន" ដើម្បីធ្វើម្តងទៀត កំហុស និងភាពលំអៀងដែលមានស្រាប់ហើយពេលខ្លះពួកគេបង្កើតដោយផ្ទាល់នូវសម្រង់ តំណភ្ជាប់ ឬព័ត៌មានលម្អិតដែលមិនធ្លាប់មាន បង្ហាញដោយភាពស៊ីសង្វាក់គ្នាដែលបោកបញ្ឆោត។

ហេតុអ្វីបានជាពួកគេកើតឡើង: មូលហេតុនៃការយល់ច្រឡំ

មិនមានមូលហេតុតែមួយទេ។ ក្នុងចំណោមកត្តាទូទៅបំផុតគឺ ភាពលំអៀង ឬភាពមិនត្រឹមត្រូវនៅក្នុងទិន្នន័យបណ្តុះបណ្តាលប្រសិនបើ corpus មិនពេញលេញ ឬមានតុល្យភាពមិនល្អ គំរូរៀនពីគំរូមិនត្រឹមត្រូវ ដែលវាបន្ទាប់មក extrapolates ។

វាក៏មានឥទ្ធិពលលើ លើសទម្ងន់នៅពេលដែលម៉ូដែលភ្ជាប់ជាមួយទិន្នន័យរបស់វាខ្លាំងពេក វាបាត់បង់សមត្ថភាពទូទៅរបស់វា។ នៅក្នុងសេណារីយ៉ូក្នុងជីវិតពិត ភាពរឹងម៉ាំនេះអាចនាំឱ្យមានការបកស្រាយខុស ព្រោះវា "បង្ខំ" នូវអ្វីដែលវាបានសិក្សាទៅក្នុងបរិបទផ្សេងៗ។

La ភាពស្មុគស្មាញនៃគំរូ ហើយការឌិកូដផ្ទាល់ខ្លួនរបស់ transformer ដើរតួនាទីមួយ។ មានករណីដែលទិន្នផល "ចេញពីផ្លូវរថភ្លើង" ដោយសារតែរបៀបដែលការឆ្លើយតបត្រូវបានសាងសង់ដោយសញ្ញាសម្ងាត់ ដោយគ្មានមូលដ្ឋានការពិតដ៏រឹងមាំដើម្បីបោះយុថ្កាវា។

មូលហេតុសំខាន់មួយទៀតនៃការយល់ច្រឡំ IA គឺកង្វះ ដីប្រសិនបើប្រព័ន្ធមិនប្រៀបធៀបវាជាមួយចំណេះដឹងក្នុងពិភពពិត ឬប្រភពដែលបានផ្ទៀងផ្ទាត់ទេ វាអាចបង្កើតខ្លឹមសារដែលអាចទុកចិត្តបាន ប៉ុន្តែមិនពិត៖ ពីព័ត៌មានលម្អិតដែលបានប្រឌិតនៅក្នុងសេចក្តីសង្ខេបរហូតដល់តំណភ្ជាប់ទៅកាន់ទំព័រដែលមិនដែលមាន។

ឧទាហរណ៍បុរាណនៅក្នុងចក្ខុវិស័យកុំព្យូទ័រ៖ ប្រសិនបើយើងបណ្តុះបណ្តាលគំរូជាមួយរូបភាពនៃកោសិកាដុំសាច់ ប៉ុន្តែមិនរួមបញ្ចូលជាលិកាដែលមានសុខភាពល្អ ប្រព័ន្ធអាចនឹង "មើលឃើញ" មហារីកដែលមិនមានដោយសារតែសកលសិក្សារបស់ពួកគេខ្វះថ្នាក់ជំនួស។

ករណីពិតនៃការយល់ច្រឡំ AI ដែលបង្ហាញពីបញ្ហា

មានឧទាហរណ៍ល្បី ៗ ។ នៅពេលចាប់ផ្តើមដំណើរការ Bard chatbot របស់ Google បានអះអាងដូច្នេះ កែវយឺតអវកាស James webb បានចាប់យករូបភាពដំបូងនៃភព exoplanet ដែលមិនត្រឹមត្រូវ។ ចម្លើយស្តាប់ទៅដូចជាល្អ ប៉ុន្តែវាមិនត្រឹមត្រូវទេ។

AI សន្ទនារបស់ Microsoft ដែលត្រូវបានគេស្គាល់ថា Sydney នៅក្នុងការធ្វើតេស្តរបស់ខ្លួន បានបង្កើតចំណងជើងដោយប្រកាសខ្លួនឯងថា "ស្រលាញ់" ជាមួយអ្នកប្រើប្រាស់ និងផ្តល់យោបល់។ អាកប្បកិរិយាមិនសមរម្យដូចជាត្រូវបានចោទប្រកាន់ថាបានធ្វើចារកម្មលើបុគ្គលិក Bing ។ ទាំងនេះមិនមែនជាការពិតទេ ពួកគេត្រូវបានបង្កើតលទ្ធផលដែលឆ្លងកាត់បន្ទាត់។

នៅឆ្នាំ 2022 Meta បានដកការបង្ហាញនៃគំរូ Galactica របស់ខ្លួនបន្ទាប់ពីផ្តល់ព័ត៌មានដល់អ្នកប្រើប្រាស់ មិនត្រឹមត្រូវ និងលំអៀងការបង្ហាញនេះគឺមានគោលបំណងដើម្បីបង្ហាញពីសមត្ថភាពវិទ្យាសាស្ត្រ ប៉ុន្តែបានបញ្ចប់ដោយបង្ហាញថាការចុះសម្រុងគ្នាជាផ្លូវការមិនធានាភាពត្រឹមត្រូវនោះទេ។

វគ្គអប់រំដ៏អស្ចារ្យមួយទៀតបានកើតឡើងជាមួយ ChatGPT នៅពេលដែលវាត្រូវបានស្នើសុំសេចក្តីសង្ខេបនៃការឡើងគ្រងរាជ្យរបស់ Charles III ។ ប្រព័ន្ធ​នេះ​បាន​បញ្ជាក់​ថា​ពិធី​នេះ​បាន​ធ្វើ​ឡើង​នៅ​លើ​ ខែឧសភា 19 នៃ 2023 នៅ Westminster Abbey នៅពេលដែលការពិតវាគឺនៅថ្ងៃទី 6 ខែឧសភា។ ចម្លើយគឺច្បាស់លាស់ ប៉ុន្តែព័ត៌មានគឺខុស។

OpenAI បានទទួលស្គាល់ដែនកំណត់នៃ GPT-4 — ដូចជា ការរើសអើងក្នុងសង្គម ការយល់ច្រលំ និងសេចក្តីណែនាំជម្លោះ ហើយនិយាយថាវាកំពុងដំណើរការដើម្បីកាត់បន្ថយពួកគេ។ វា​ជា​ការ​រំលឹក​ថា សូម្បី​តែ​ម៉ូដែល​ជំនាន់​ចុង​ក្រោយ​បំផុត​ក៏​អាច​រអិល​ដែរ។

ទាក់ទងនឹងការយល់ច្រលំ IA មន្ទីរពិសោធន៍ឯករាជ្យបានរាយការណ៍ពីអាកប្បកិរិយាដែលចង់ដឹងចង់ឃើញ៖ ក្នុងករណីមួយ O3 ថែមទាំងបានពណ៌នាថាមាន លេខកូដប្រតិបត្តិនៅលើ MacBook Pro នៅខាងក្រៅបរិយាកាសជជែក ហើយបន្ទាប់មកបានចម្លងលទ្ធផល ជាអ្វីដែលអ្នកមិនអាចធ្វើបាន។

ហើយនៅខាងក្រៅមន្ទីរពិសោធន៍មានការបរាជ័យជាមួយនឹងផលវិបាក៖ មេធាវីបានបង្ហាញឯកសារដែលបង្កើតដោយគំរូដល់ចៅក្រមដែល រួមបញ្ចូលករណីផ្លូវច្បាប់ប្រឌិតរូបរាងនៃការពិតគឺបោកបញ្ឆោត ប៉ុន្តែខ្លឹមសារគឺមិនមានទេ។

របៀបដែលម៉ូដែលដំណើរការ៖ ការបំពេញស្វ័យប្រវត្តិទ្រង់ទ្រាយធំ

LLM រៀនពីចំនួនដ៏ធំនៃអត្ថបទ ហើយភារកិច្ចចម្បងរបស់វាគឺ ទាយពាក្យបន្ទាប់វាមិនសមហេតុផលដូចមនុស្សទេ៖ វាបង្កើនប្រូបាប៊ីលីតេ។ យន្តការនេះបង្កើតអត្ថបទដែលស្អិតរមួត ប៉ុន្តែវាក៏បើកទ្វារដល់ការបង្កើតព័ត៌មានលម្អិតផងដែរ។

ប្រសិនបើបរិបទមានភាពមិនច្បាស់លាស់ ឬការណែនាំណែនាំអ្វីមួយដោយគ្មានការគាំទ្រ នោះគំរូនឹងមានទំនោរទៅ បំពេញនូវអ្វីដែលអាចជឿជាក់បានបំផុត។ យោងទៅតាមប៉ារ៉ាម៉ែត្ររបស់អ្នក។ លទ្ធផល​អាច​ស្តាប់ទៅ​ល្អ ប៉ុន្តែ​វា​ប្រហែល​ជា​មិន​មាន​មូលដ្ឋាន​លើ​ការពិត​ដែល​អាច​ផ្ទៀងផ្ទាត់​បាន។

នេះពន្យល់ពីមូលហេតុដែលម៉ាស៊ីនភ្លើងសង្ខេបអាចបន្ថែមបាន។ ព័ត៌មានមិនមានវត្តមាននៅក្នុងប្រភពដើម ឬហេតុអ្វីបានជាការដកស្រង់ និងឯកសារយោងមិនពិតលេចឡើង៖ ប្រព័ន្ធបន្ថែមគំរូនៃការដកស្រង់ដោយមិនពិនិត្យមើលថាឯកសារនោះមាន។

អ្វី​ដែល​ស្រដៀង​គ្នា​នេះ​កើត​ឡើង​ក្នុង​ការ​ថត​រូប៖ ដោយ​មិន​មាន​ភាព​ចម្រុះ​គ្រប់គ្រាន់ ឬ​ដោយ​ភាព​លំអៀង​ក្នុង​សំណុំ​ទិន្នន័យ ម៉ូដែល​អាច​បង្កើត​បាន ដៃដែលមានម្រាមដៃប្រាំមួយ។អត្ថបទដែលមិនអាចយល់បាន ឬប្លង់មិនស៊ីសង្វាក់គ្នា។ វាក្យសម្ព័ន្ធដែលមើលឃើញសម ប៉ុន្តែខ្លឹមសារបរាជ័យ។

ហានិភ័យ និងផលប៉ះពាល់ក្នុងជីវិតពិត

នៅក្នុងសារព័ត៌មាន និងព័ត៌មានមិនពិត ការបំភាន់គួរឱ្យជឿជាក់អាចត្រូវបានពង្រីកនៅលើបណ្តាញបន្ទាប់បន្សំ និងប្រព័ន្ធផ្សព្វផ្សាយ។ ចំណងជើងប្រឌិត ឬការពិតដែលហាក់ដូចជាអាចជឿជាក់បាន។ អាចរីករាលដាលយ៉ាងឆាប់រហ័សធ្វើឱ្យស្មុគស្មាញដល់ការកែតម្រូវជាបន្តបន្ទាប់។

នៅក្នុងវិស័យវេជ្ជសាស្រ្ត ប្រព័ន្ធក្រិតតាមខ្នាតមិនល្អអាចនាំទៅដល់ការបកស្រាយ គ្រោះថ្នាក់ដល់សុខភាពពីរោគវិនិច្ឆ័យរហូតដល់ការណែនាំ។ គោលការណ៍នៃការប្រុងប្រយ័ត្នគឺមិនមែនជាជម្រើសនៅទីនេះទេ។

នៅក្នុងលក្ខខណ្ឌផ្លូវច្បាប់ ម៉ូដែលអាចបង្កើតសេចក្តីព្រាងដែលមានប្រយោជន៍ ប៉ុន្តែក៏អាចបញ្ចូលផងដែរ។ នីតិសាស្ត្រដែលមិនមាន ឬការដកស្រង់ដែលបានសាងសង់មិនល្អ។ កំហុសអាចមានផលវិបាកធ្ងន់ធ្ងរសម្រាប់នីតិវិធី។

នៅក្នុងការអប់រំ ការពឹងផ្អែកដោយខ្វាក់ទៅលើការសង្ខេប ឬការឆ្លើយតបដោយស្វ័យប្រវត្តិអាចបន្តកើតមាន កំហុសគំនិតឧបករណ៍មានតម្លៃសម្រាប់ការរៀនសូត្រ ដរាបណាមានការត្រួតពិនិត្យ និងផ្ទៀងផ្ទាត់។

យុទ្ធសាស្ត្រកាត់បន្ថយ៖ អ្វីដែលកំពុងធ្វើ និងអ្វីដែលអ្នកអាចធ្វើបាន

តើអាចជៀសវាងការយល់ច្រលំ AI ឬយ៉ាងហោចណាស់កាត់បន្ថយ? អ្នកអភិវឌ្ឍន៍ធ្វើការលើស្រទាប់ជាច្រើន។

មួយក្នុងចំណោមទីមួយគឺ កែលម្អគុណភាពទិន្នន័យ៖ ប្រភពតុល្យភាព កំហុសក្នុងការកែកំហុស និងការធ្វើបច្ចុប្បន្នភាពសាជីវកម្ម ដើម្បីកាត់បន្ថយភាពលំអៀង និងចន្លោះប្រហោងដែលជំរុញឱ្យមានការយល់ច្រលំ។ បន្ថែមទៅនេះគឺជាប្រព័ន្ធនៃ ការត្រួតពិនិត្យការពិត (ការពិនិត្យមើលការពិត) និងវិធីសាស្រ្តនៃការងើបឡើងវិញបន្ថែម (ARA) ដែលបង្ខំឱ្យម៉ូដែលនេះពឹងផ្អែកលើមូលដ្ឋានឯកសារដែលអាចទុកចិត្តបាន ជំនួសឱ្យការ "ស្រមៃ" ចម្លើយ។

ការកែតម្រូវជាមួយ មតិប្រតិកម្មរបស់មនុស្ស (RLHF និងវ៉ារ្យ៉ង់ផ្សេងទៀត) នៅតែជាគន្លឹះក្នុងការដាក់ទណ្ឌកម្មលទ្ធផលដែលបង្កគ្រោះថ្នាក់ លំអៀង ឬមិនត្រឹមត្រូវ និងដើម្បីបណ្តុះបណ្តាលគំរូក្នុងរចនាប័ទ្មការឆ្លើយតបប្រកបដោយការប្រុងប្រយ័ត្នបន្ថែមទៀត។ ពួកគេក៏រីកដុះដាលផងដែរ។ ការព្រមានអំពីភាពជឿជាក់ នៅក្នុងចំណុចប្រទាក់ រំលឹកអ្នកប្រើប្រាស់ថាការឆ្លើយតបអាចមានកំហុស ហើយវាជាការទទួលខុសត្រូវរបស់ពួកគេក្នុងការផ្ទៀងផ្ទាត់វា ជាពិសេសនៅក្នុងបរិបទរសើប។

ផ្នែកខាងមុខមួយទៀតដែលកំពុងដំណើរការគឺ ការបកស្រាយប្រសិនបើប្រព័ន្ធអាចពន្យល់ពីប្រភពដើមនៃការទាមទារ ឬភ្ជាប់ទៅប្រភព អ្នកប្រើប្រាស់មានឧបករណ៍ជាច្រើនទៀតដើម្បីវាយតម្លៃភាពត្រឹមត្រូវរបស់វា មុនពេលជឿជាក់លើវា។ សម្រាប់អ្នកប្រើប្រាស់ និងអាជីវកម្ម ការអនុវត្តសាមញ្ញមួយចំនួនធ្វើឱ្យមានភាពខុសប្លែកគ្នា៖ ពិនិត្យទិន្នន័យ សួររក ប្រភពច្បាស់លាស់កំណត់ការប្រើប្រាស់នៅក្នុងតំបន់ដែលមានហានិភ័យខ្ពស់ រក្សាមនុស្ស "នៅក្នុងរង្វិលជុំ" និងលំហូរការត្រួតពិនិត្យឯកសារ។

ដែនកំណត់ដែលគេស្គាល់ និងការព្រមានពីអ្នកផលិតខ្លួនឯង

ក្រុមហ៊ុនដែលទទួលខុសត្រូវចំពោះម៉ូដែលទទួលស្គាល់ដែនកំណត់។ ក្នុងករណី GPT-4 ពួកគេត្រូវបានចង្អុលបង្ហាញយ៉ាងច្បាស់។ លំអៀង, ភាពច្របូកច្របល់ និងការចង្អុលបង្ហាញផ្ទុយទៅនឹងតំបន់ការងារសកម្ម។

បញ្ហាដំបូងជាច្រើននៅក្នុង chatbots របស់អ្នកប្រើប្រាស់មាន កាត់បន្ថយជាមួយនឹងការធ្វើម្តងទៀតប៉ុន្តែសូម្បីតែនៅក្រោមលក្ខខណ្ឌដ៏ល្អក៏ដោយ លទ្ធផលដែលមិនចង់បានអាចកើតឡើង។ ការ​ជឿជាក់​លើ​ទីលាន​កាន់​តែ​ច្រើន ហានិភ័យ​នៃ​ការ​មាន​ទំនុក​ចិត្ត​កាន់​តែ​ខ្លាំង។

សម្រាប់ហេតុផលនេះ ទំនាក់ទំនងតាមស្ថាប័នភាគច្រើនទទូចលើការមិនប្រើឧបករណ៍ទាំងនេះដើម្បី ដំបូន្មានផ្នែកវេជ្ជសាស្រ្ត ឬផ្នែកច្បាប់ ដោយ​គ្មាន​ការ​ពិនិត្យ​ដោយ​អ្នក​ជំនាញ ហើយ​ថា​ពួក​គេ​ជា​ជំនួយ​ការ​ដែល​ទំនង​ជា​មិន​មែន​ជា​ការ​អធិប្បាយ​ដែល​មិន​អាច​ជឿ​បាន។

ទម្រង់ទូទៅនៃការយល់ច្រឡំ

នេះគឺជាវិធីទូទៅបំផុតដែល IA ធ្វើឱ្យមានការភ័ន្តច្រឡំ៖

• នៅក្នុងអត្ថបទវាជារឿងធម្មតាក្នុងការមើល បង្កើតការដកស្រង់ និងគន្ថនិទ្ទេសគំរូចម្លង "ផ្សិត" នៃឯកសារយោង ប៉ុន្តែបង្កើតអ្នកនិពន្ធ កាលបរិច្ឆេទ ឬចំណងជើងដែលអាចជឿទុកចិត្តបាន។
• ព្រឹត្តិការណ៍ប្រឌិត ឬប្រឌិតក៏លេចឡើង កាលបរិច្ឆេទខុស នៅក្នុងកាលប្បវត្តិប្រវត្តិសាស្ត្រ។ ករណីនៃការឡើងសោយរាជ្យរបស់ Charles III បង្ហាញពីរបៀបដែលព័ត៌មានលម្អិតបណ្តោះអាសន្នអាចត្រូវបានបង្ខូចទ្រង់ទ្រាយដោយមិនមានការបញ្ចេញសំឡេងបាត់បង់ភាពរលូនរបស់វា។
• រូបភាព និងវត្ថុបុរាណបុរាណរួមមាន អវយវៈដែលមានកាយវិភាគសាស្ត្រមិនអាចទៅរួចអត្ថបទដែលមិនអាចយល់បាននៅក្នុងរូបភាព ឬភាពមិនស៊ីសង្វាក់គ្នានៃទំហំដែលមិនមាននរណាកត់សម្គាល់នៅ glance ដំបូង។
• នៅក្នុងការបកប្រែប្រព័ន្ធអាច បង្កើតប្រយោគ នៅពេលប្រឈមមុខនឹងការបញ្ចេញមតិក្នុងស្រុក ឬមិនធម្មតា ឬបង្ខំឱ្យមានភាពស្មើគ្នាដែលមិនមាននៅក្នុងភាសាគោលដៅ។

ការយល់ច្រលំ IA មិនមែនជាការបរាជ័យដាច់ស្រយាលទេ ប៉ុន្តែជាទ្រព្យសម្បត្តិដែលកើតឡើងនៃ ប្រព័ន្ធប្រូបាប៊ីលីស្ត ដែលត្រូវបានបណ្តុះបណ្តាលជាមួយនឹងទិន្នន័យមិនល្អឥតខ្ចោះ។ ការទទួលស្គាល់មូលហេតុរបស់វា ការរៀនពីករណីក្នុងជីវិតពិត និងការដាក់ពង្រាយការបន្ធូរបន្ថយផ្នែកបច្ចេកទេស និងដំណើរការអនុញ្ញាតឱ្យយើងប្រើប្រាស់ AI ក្នុងមធ្យោបាយដ៏មានអត្ថន័យ ដោយមិនបាត់បង់ការមើលឃើញនៃការពិតដែលថា ទោះបីជាវាអាចស្តាប់ទៅបានរលូនប៉ុណ្ណាក៏ដោយ ចម្លើយសមនឹងទទួលបានតែការជឿទុកចិត្តនៅពេលដែលវាមានមូលដ្ឋានដែលអាចផ្ទៀងផ្ទាត់បាន។