- ເລືອກໃນຂັ້ນຕອນ: ວິສະວະກໍາທັນທີທໍາອິດ, ຫຼັງຈາກນັ້ນການປັບທັນທີ, ແລະຖ້າຫາກວ່າຈໍາເປັນ, ການປັບປັບ.
- RAG ຊຸກຍູ້ການຕອບສະຫນອງກັບ semantic retrieval; ການກະຕຸ້ນເຕືອນທີ່ຖືກຕ້ອງປ້ອງກັນບໍ່ໃຫ້ hallucinations.
- ຄຸນນະພາບຂໍ້ມູນແລະການປະເມີນຜົນຢ່າງຕໍ່ເນື່ອງແມ່ນມີຄວາມສໍາຄັນຫຼາຍກ່ວາ trick ດຽວ.
ຊາຍແດນລະຫວ່າງ ສິ່ງທີ່ທ່ານບັນລຸໄດ້ດ້ວຍການກະຕຸ້ນເຕືອນທີ່ດີແລະສິ່ງທີ່ທ່ານບັນລຸໄດ້ໂດຍການປັບຕົວແບບຈໍາລອງ ມັນເປັນເລື່ອງລະອຽດອ່ອນກວ່າທີ່ມັນເບິ່ງຄືວ່າ, ແຕ່ຄວາມເຂົ້າໃຈມັນເຮັດໃຫ້ຄວາມແຕກຕ່າງລະຫວ່າງການຕອບສະຫນອງປານກາງແລະລະບົບທີ່ເປັນປະໂຫຍດແທ້ໆ. ໃນຄູ່ມືນີ້, ຂ້າພະເຈົ້າຈະສະແດງໃຫ້ທ່ານເຫັນ, ດ້ວຍຕົວຢ່າງແລະການປຽບທຽບ, ວິທີການເລືອກແລະປະສົມປະສານແຕ່ລະເຕັກນິກເພື່ອບັນລຸຜົນໄດ້ຮັບທີ່ເຂັ້ມແຂງໃນໂຄງການທີ່ແທ້ຈິງ.
ເປົ້າຫມາຍບໍ່ແມ່ນເພື່ອຢູ່ໃນທິດສະດີ, ແຕ່ການນໍາໃຊ້ໃນການປະຕິບັດເປັນປະຈໍາວັນ: ໃນເວລາທີ່ວິສະວະກໍາທັນທີຫຼືການປັບທັນສະໄຫມແມ່ນພຽງພໍສໍາລັບທ່ານ, ເມື່ອໃດທີ່ມັນຄຸ້ມຄ່າໃນການລົງທຶນໃນການປັບແຕ່ງ?, ທັງຫມົດນີ້ເຫມາະສົມກັບກະແສ RAG ແນວໃດ, ແລະການປະຕິບັດທີ່ດີທີ່ສຸດຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍ, ເລັ່ງການຊ້ໍາກັນ, ແລະຫຼີກເວັ້ນການເຂົ້າໄປໃນຈຸດຕາຍ.
ວິສະວະກຳທີ່ວ່ອງໄວ, ການປັບແຕ່ງດ່ວນ, ແລະການປັບລະອຽດແມ່ນຫຍັງ?
ກ່ອນທີ່ຈະສືບຕໍ່, ໃຫ້ອະທິບາຍບາງແນວຄວາມຄິດ:
- ວິສະວະກໍາທັນທີແມ່ນສິລະປະຂອງການອອກແບບຄໍາແນະນໍາທີ່ຊັດເຈນກັບສະພາບການທີ່ຖືກກໍານົດໄວ້ດີແລະຄວາມຄາດຫວັງ. ເພື່ອແນະນໍາຕົວແບບທີ່ໄດ້ຝຶກອົບຮົມແລ້ວ. ໃນ ກ chatbotສໍາລັບຕົວຢ່າງ, ກໍານົດພາລະບົດບາດ, ໂຕນ, ຮູບແບບຜົນຜະລິດ, ແລະຕົວຢ່າງເພື່ອຫຼຸດຜ່ອນຄວາມບໍ່ແນ່ນອນແລະປັບປຸງຄວາມຖືກຕ້ອງໂດຍບໍ່ມີການສໍາຜັດກັບນ້ໍາຫນັກຕົວແບບ.
- ການປັບຕົວປັບປ່ຽນພາລາມິເຕີພາຍໃນຂອງຕົວແບບທີ່ຜ່ານການຝຶກອົບຮົມດ້ວຍຂໍ້ມູນເພີ່ມເຕີມຈາກໂດເມນ. ເພື່ອປັບແຕ່ງປະສິດທິພາບຂອງທ່ານໃນໜ້າວຽກສະເພາະ. ມັນເຫມາະສົມໃນເວລາທີ່ທ່ານຕ້ອງການຄໍາສັບພິເສດ, ການຕັດສິນໃຈທີ່ຊັບຊ້ອນ, ຫຼືຄວາມຖືກຕ້ອງສູງສຸດໃນພື້ນທີ່ລະອຽດອ່ອນ (ການດູແລສຸຂະພາບ, ກົດຫມາຍ, ທາງດ້ານການເງິນ).
- ການປັບແບບກະຕຸ້ນເພີ່ມ vectors ທີ່ສາມາດຝຶກອົບຮົມ (soft prompts) ທີ່ຕົວແບບແປຄວາມພ້ອມກັບຂໍ້ຄວາມທີ່ປ້ອນຂໍ້ມູນມັນບໍ່ໄດ້ຝຶກອົບຮົມຮູບແບບທັງຫມົດ: ມັນ freezes ນ້ໍາຫນັກຂອງຕົນແລະ optimizes ພຽງແຕ່ "ຕິດຕາມ." ມັນເປັນພື້ນຖານກາງປະສິດທິພາບໃນເວລາທີ່ທ່ານຕ້ອງການທີ່ຈະປັບພຶດຕິກໍາໂດຍບໍ່ມີການຄ່າໃຊ້ຈ່າຍຂອງການປັບຢ່າງເຕັມທີ່.
ໃນການອອກແບບ UX/UI, ວິສະວະກໍາທັນທີປັບປຸງຄວາມຊັດເຈນຂອງການໂຕ້ຕອບຂອງມະນຸດກັບຄອມພິວເຕີ (ສິ່ງທີ່ຂ້ອຍຄາດຫວັງແລະວິທີທີ່ຂ້ອຍຂໍ), ໃນຂະນະທີ່ການປັບລະອຽດເພີ່ມຄວາມກ່ຽວຂ້ອງແລະຄວາມສອດຄ່ອງຂອງຜົນຜະລິດ. ລວມ, ອະນຸຍາດໃຫ້ມີການໂຕ້ຕອບທີ່ມີປະໂຫຍດ, ໄວກວ່າ ແລະເຊື່ອຖືໄດ້.
ວິສະວະກໍາທັນທີທັນໃດໃນຄວາມເລິກ: ເຕັກນິກການຍ້າຍເຂັມ
ວິສະວະກໍາທັນທີບໍ່ແມ່ນກ່ຽວກັບການທົດສອບຕາບອດ. ມີ ວິທີການລະບົບ ທີ່ປັບປຸງຄຸນນະພາບໂດຍບໍ່ມີການສໍາຜັດກັບຕົວແບບຫຼືຂໍ້ມູນພື້ນຖານຂອງທ່ານ:
- ຍິງໜ້ອຍດຽວກັບຍິງສູນ. en ການສັກຢາບໍ່ຫຼາຍປານໃດ ທ່ານເພີ່ມຕົວຢ່າງທີ່ເລືອກທີ່ດີຈໍານວນຫນ້ອຍເພື່ອໃຫ້ຕົວແບບຈັບຮູບແບບທີ່ແນ່ນອນ; ໃນ ສູນການສັກຢາ ທ່ານອີງໃສ່ຄໍາແນະນໍາທີ່ຊັດເຈນແລະ taxonomies ໂດຍບໍ່ມີຕົວຢ່າງ.
- ການປະທ້ວງໃນສະພາບການ. ສະແດງໃຫ້ເຫັນຮູບແບບທີ່ຄາດວ່າຈະ (ການປ້ອນຂໍ້ມູນ → output) ດ້ວຍຄູ່ mini. ນີ້ຊ່ວຍຫຼຸດຜ່ອນຄວາມຜິດພາດການຈັດຮູບແບບແລະຈັດວາງຄວາມຄາດຫວັງ, ໂດຍສະເພາະຖ້າທ່ານຕ້ອງການຊ່ອງຂໍ້ມູນ, ປ້າຍຊື່, ຫຼືຮູບແບບສະເພາະໃນການຕອບສະຫນອງ.
- ແມ່ແບບແລະຕົວແປກໍານົດ prompts ກັບ placeholder ສໍາລັບການປ່ຽນແປງຂໍ້ມູນ. ການກະຕຸ້ນເຕືອນແບບໄດນາມິກແມ່ນສໍາຄັນໃນເວລາທີ່ໂຄງສ້າງການປ້ອນຂໍ້ມູນແຕກຕ່າງກັນ, ຕົວຢ່າງ, ໃນຮູບແບບການລ້າງຂໍ້ມູນຫຼືການຂູດຂໍ້ມູນເຊິ່ງແຕ່ລະບັນທຶກມາຮອດໃນຮູບແບບທີ່ແຕກຕ່າງກັນ.
- ຄຳເວົ້າພວກເຂົາເປັນ "ນັກແປ" ລະຫວ່າງພື້ນທີ່ຂໍ້ຄວາມຂອງຕົວແບບແລະປະເພດທຸລະກິດຂອງທ່ານ (ເຊັ່ນ: ການສ້າງແຜນທີ່ "ມີຄວາມສຸກ" → "ໃນທາງບວກ"). ການເລືອກຄໍາເວົ້າທີ່ດີປັບປຸງຄວາມຖືກຕ້ອງຂອງປ້າຍແລະຄວາມສອດຄ່ອງ, ໂດຍສະເພາະແມ່ນໃນການວິເຄາະຄວາມຮູ້ສຶກແລະການຈັດປະເພດ thematic.
- ສະຕຣິງເຕືອນ (ລະບົບຕ່ອງໂສ້ທັນທີ). ແບ່ງວຽກທີ່ຊັບຊ້ອນອອກເປັນຂັ້ນຕອນ: ສະຫຼຸບ → ສະກັດຕົວວັດແທກ → ວິເຄາະຄວາມຮູ້ສຶກ. ຂັ້ນຕອນລະບົບຕ່ອງໂສ້ຮ່ວມກັນເຮັດໃຫ້ລະບົບສາມາດແກ້ໄຂໄດ້ແລະເຂັ້ມແຂງ, ແລະມັກຈະປັບປຸງຄຸນນະພາບເມື່ອທຽບກັບ "ຂໍໃຫ້ທຸກສິ່ງທຸກຢ່າງໃນເວລາດຽວກັນ."
- ການປະຕິບັດຮູບແບບທີ່ດີ: marks ບົດບາດ (“ທ່ານເປັນນັກວິເຄາະ…”), ກຳນົດຮູບແບບ (“ຕອບໃນຕາຕະລາງ/JSON”), ກຳນົດມາດຖານການປະເມີນ (“ລົງໂທດຄວາມຫຼົງໄຫຼ, ອ້າງເຖິງແຫຼ່ງຂ່າວເມື່ອພວກມັນມີ”) ແລະອະທິບາຍສິ່ງທີ່ຕ້ອງເຮັດໃນກໍລະນີທີ່ມີຄວາມບໍ່ແນ່ນອນ (ເຊັ່ນ: “ຖ້າຂໍ້ມູນຂາດຫາຍໄປ, ໃຫ້ລະບຸວ່າ 'ບໍ່ຮູ້'”).
ກະຕຸ້ນການປັບອົງປະກອບ
ນອກເຫນືອຈາກການກະຕຸ້ນເຕືອນແບບທໍາມະຊາດ, ການກະຕຸ້ນເຕືອນຈະລວມເອົາການກະຕຸ້ນເຕືອນອ່ອນໆ (ການຝັງຕົວທີ່ສາມາດຝຶກອົບຮົມໄດ້) ທີ່ນໍາຫນ້າການປ້ອນຂໍ້ມູນ. ໃນລະຫວ່າງການຝຶກອົບຮົມ, gradient ປັບ vectors ເຫຼົ່ານັ້ນເພື່ອນໍາເອົາຜົນຜະລິດໄດ້ໃກ້ຊິດກັບເປົ້າຫມາຍ. ໂດຍບໍ່ມີຜົນກະທົບຕໍ່ນ້ໍາຫນັກອື່ນໆຂອງຕົວແບບ. ມັນເປັນປະໂຫຍດໃນເວລາທີ່ທ່ານຕ້ອງການພົກພາແລະຄ່າໃຊ້ຈ່າຍຕ່ໍາ.
ທ່ານອັບໂຫລດ LLM (ຕົວຢ່າງເຊັ່ນ GPT-2 ຫຼືຄ້າຍຄືກັນ), ກະກຽມຕົວຢ່າງຂອງທ່ານແລະ ທ່ານກະກຽມການກະຕຸ້ນເຕືອນອ່ອນໆສໍາລັບການເຂົ້າແຕ່ລະຄັ້ງທ່ານຝຶກອົບຮົມພຽງແຕ່ຝັງເຫຼົ່ານັ້ນ, ດັ່ງນັ້ນຕົວແບບ "ເຫັນ" ຄໍານໍາທີ່ດີທີ່ສຸດທີ່ນໍາພາພຶດຕິກໍາຂອງມັນໃນວຽກງານຂອງທ່ານ.
ຄໍາຮ້ອງສະຫມັກພາກປະຕິບັດ: ໃນ chatbot ການບໍລິການລູກຄ້າ, ທ່ານສາມາດປະກອບມີຮູບແບບຄໍາຖາມປົກກະຕິແລະສຽງຕອບໂຕ້ທີ່ເຫມາະສົມໃນການກະຕຸ້ນເຕືອນອ່ອນໆ. ນີ້ເລັ່ງການປັບຕົວໂດຍບໍ່ມີການຮັກສາສາຂາທີ່ແຕກຕ່າງກັນຂອງຕົວແບບ. ຫຼືບໍລິໂພກ GPU ຫຼາຍ.
ການປັບລະອຽດໃນຄວາມເລິກ: ເວລາ, ວິທີການ, ແລະລະມັດລະວັງອັນໃດ
ປັບການປັບລະອຽດ (ບາງສ່ວນ ຫຼືທັງໝົດ) ນ້ຳໜັກຂອງ LLM ທີ່ມີຊຸດຂໍ້ມູນເປົ້າໝາຍ. ເພື່ອຊ່ຽວຊານມັນ. ນີ້ແມ່ນວິທີການທີ່ດີທີ່ສຸດໃນເວລາທີ່ວຽກງານ deviates ຈາກສິ່ງທີ່ຕົວແບບໄດ້ເຫັນໃນລະຫວ່າງການຝຶກອົບຮົມກ່ອນຫຼືຮຽກຮ້ອງໃຫ້ມີຄໍາສັບແລະການຕັດສິນໃຈທີ່ດີ.
ທ່ານບໍ່ໄດ້ເລີ່ມຕົ້ນຈາກແຜ່ນປ້າຍວົງກົມເປົ່າ: chat-tuned ແບບເຊັ່ນ: gpt-3.5-turbo ເຂົາເຈົ້າໄດ້ຖືກປັບແລ້ວເພື່ອປະຕິບັດຕາມຄໍາແນະນໍາ. ການປັບແຕ່ງຂອງທ່ານ “ຕອບສະໜອງ” ຕໍ່ກັບພຶດຕິກຳນັ້ນ, ຊຶ່ງສາມາດເປັນ subtle ແລະບໍ່ແນ່ນອນ, ສະນັ້ນມັນເປັນຄວາມຄິດທີ່ດີທີ່ຈະທົດລອງການອອກແບບຂອງລະບົບ prompts ແລະ inputs.
ບາງແພລະຕະຟອມຊ່ວຍໃຫ້ທ່ານສາມາດຕ່ອງໂສ້ການປັບແຕ່ງອັນດີງາມຫຼາຍກວ່າທີ່ມີຢູ່ແລ້ວ. ນີ້ເສີມສ້າງສັນຍານທີ່ເປັນປະໂຫຍດໃນຄ່າໃຊ້ຈ່າຍຕ່ໍາ. ເພື່ອຝຶກຊ້ອມຈາກຈຸດເລີ່ມຕົ້ນ, ແລະອຳນວຍຄວາມສະດວກໃຫ້ການກວດສອບຄວາມຖືກຕ້ອງຕາມຄຳແນະນຳ.
ເຕັກນິກທີ່ມີປະສິດທິພາບເຊັ່ນ LoRA ໃສ່ matrices ລະດັບຕ່ໍາເພື່ອປັບຕົວແບບທີ່ມີຕົວກໍານົດການໃຫມ່ຈໍານວນຫນ້ອຍ. ຂໍ້ໄດ້ປຽບ: ການບໍລິໂພກຕ່ໍາ, ການນໍາໃຊ້ວ່ອງໄວແລະການກັບຄືນໄປບ່ອນ (ທ່ານສາມາດ "ເອົາອອກ" ການປັບຕົວໂດຍບໍ່ມີການສໍາຜັດກັບພື້ນຖານ).
ການປຽບທຽບ: ການປັບທັນສະໄຫມກັບການປັບປັບ
- ຂະບວນການປັບແຕ່ງປັບປຸງນ້ຳໜັກຕົວແບບດ້ວຍຊຸດຂໍ້ມູນເປົ້າໝາຍທີ່ຕິດສະຫຼາກ; prompt tuning freezes the model and adjusts only trainable embeddings that are concatenated to the input ; ວິສະວະກໍາ prompt ເພີ່ມປະສິດທິພາບຂໍ້ຄວາມຄໍາແນະນໍາແລະຕົວຢ່າງທີ່ບໍ່ມີການຝຶກອົບຮົມ.
- ການຕັ້ງຄ່າຕົວກໍານົດການໃນການປັບ, ທ່ານດັດແປງເຄືອຂ່າຍ; ໃນການປັບທັນທີ, ທ່ານພຽງແຕ່ແຕະ "ການກະຕຸ້ນເຕືອນອ່ອນ." ໃນວິສະວະກໍາທັນທີ, ບໍ່ມີການປັບແຕ່ງ parametric, ພຽງແຕ່ການອອກແບບ.
- ຮູບແບບການປ້ອນຂໍ້ມູນການປັບລະອຽດໂດຍປົກກະຕິເຄົາລົບຮູບແບບຕົ້ນສະບັບ; prompt tuning ປະຕິຮູບການປ້ອນຂໍ້ມູນດ້ວຍການຝັງ ແລະແມ່ແບບ; ວິສະວະກໍາທັນທີໃຊ້ພາສາທໍາມະຊາດທີ່ມີໂຄງສ້າງ (ບົດບາດ, ຂໍ້ຈໍາກັດ, ຕົວຢ່າງ).
- ຊັບພະຍາກອນການປັບລະອຽດແມ່ນລາຄາແພງກວ່າ (ການຄິດໄລ່, ຂໍ້ມູນ, ແລະເວລາ); ການປັບໃຫ້ທັນທີແມ່ນປະສິດທິພາບຫຼາຍ; ວິສະວະກໍາທັນທີແມ່ນລາຄາຖືກທີ່ສຸດແລະໄວທີ່ສຸດທີ່ຈະ iterate ກ່ຽວກັບຖ້າຫາກວ່າກໍລະນີອະນຸຍາດໃຫ້.
- ຈຸດປະສົງແລະຄວາມສ່ຽງການປັບລະອຽດ optimizes ໂດຍກົງກັບວຽກງານ, ກໍາຈັດຄວາມສ່ຽງຂອງການ overfitting; ການປັບປຸງການກະຕຸ້ນໃຫ້ສອດຄ່ອງກັບສິ່ງທີ່ໄດ້ຮຽນຮູ້ແລ້ວໃນ LLM; ວິສະວະກໍາທັນທີຫຼຸດຜ່ອນຄວາມຫມອງຄ້ໍາແລະຄວາມຜິດພາດການຈັດຮູບແບບດ້ວຍການປະຕິບັດທີ່ດີທີ່ສຸດໂດຍບໍ່ມີການສໍາຜັດກັບຕົວແບບ.
ຂໍ້ມູນແລະເຄື່ອງມື: ນໍ້າມັນເຊື້ອໄຟຂອງການປະຕິບັດ
- ຄຸນະພາບຂໍ້ມູນທໍາອິດ: healing, deduplication, balancing, edge case coverage ແລະ metadata ທີ່ອຸດົມສົມບູນ ພວກເຂົາເຈົ້າແມ່ນ 80% ຂອງຜົນໄດ້ຮັບ, ບໍ່ວ່າທ່ານຈະປັບລະອຽດຫຼືການປັບທັນທີ.
- ອັດຕະໂນມັດທໍ່: ແພລະຕະຟອມວິສະວະກໍາຂໍ້ມູນສໍາລັບ AI ການຜະລິດ (ເຊັ່ນ: ວິທີແກ້ໄຂທີ່ສ້າງຜະລິດຕະພັນຂໍ້ມູນທີ່ໃຊ້ຄືນໄດ້) ຊ່ວຍປະສົມປະສານ, ການຫັນປ່ຽນ, ສົ່ງແລະຕິດຕາມກວດກາຊຸດຂໍ້ມູນ ສໍາລັບການຝຶກອົບຮົມແລະການປະເມີນຜົນ. ແນວຄວາມຄິດເຊັ່ນ "Nexsets" ສະແດງໃຫ້ເຫັນວິທີການຫຸ້ມຫໍ່ຂໍ້ມູນກຽມພ້ອມສໍາລັບການບໍລິໂພກແບບຈໍາລອງ.
- ວົງການຕິຊົມ: ເກັບກໍາສັນຍານການນໍາໃຊ້ໃນໂລກທີ່ແທ້ຈິງ (ຄວາມສໍາເລັດ, ຄວາມຜິດພາດ, ຄໍາຖາມທີ່ພົບເລື້ອຍ) ແລະປ້ອນພວກມັນກັບຄືນໄປບ່ອນຢູ່ໃນການເຕືອນ, ການເຕືອນອ່ອນໆ, ຫຼືຊຸດຂໍ້ມູນຂອງທ່ານ. ມັນເປັນວິທີທີ່ໄວທີ່ສຸດທີ່ຈະໄດ້ຮັບຄວາມຖືກຕ້ອງ.
- ການສືບພັນ: ການເຕືອນສະບັບ, ການເຕືອນແບບອ່ອນໆ, ຂໍ້ມູນ, ແລະນ້ໍາຫນັກທີ່ປັບແຕ່ງ. ໂດຍບໍ່ມີການຕິດຕາມ, ມັນເປັນໄປບໍ່ໄດ້ທີ່ຈະຮູ້ວ່າສິ່ງທີ່ມີການປ່ຽນແປງການປະຕິບັດຫຼືກັບຄືນສູ່ສະພາບທີ່ດີຖ້າຫາກວ່າການຊໍ້າຄືນລົ້ມເຫລວ.
- ໂດຍທົ່ວໄປເມື່ອຂະຫຍາຍໜ້າວຽກ ຫຼືພາສາ, ໃຫ້ແນ່ໃຈວ່າຄຳເວົ້າ, ຕົວຢ່າງ, ແລະປ້າຍກຳກັບຂອງເຈົ້າບໍ່ຖືກປັບແຕ່ງໃຫ້ເໝາະສົມກັບໂດເມນສະເພາະ. ຖ້າເຈົ້າກຳລັງປ່ຽນແນວຕັ້ງ, ເຈົ້າອາດຈະຕ້ອງປັບບາງເບົາບາງອັນ ຫຼືໃຊ້ການເຕືອນແບບອ່ອນໆໃໝ່.
- ຈະເປັນແນວໃດຖ້າຂ້ອຍປ່ຽນການເຕືອນຫຼັງຈາກການປັບລະອຽດ? ໂດຍທົ່ວໄປແລ້ວ, ແມ່ນແລ້ວ: ແບບຈໍາລອງຄວນ infer ຮູບແບບແລະພຶດຕິກໍາຈາກສິ່ງທີ່ມັນຮຽນຮູ້, ບໍ່ພຽງແຕ່ replay tokens. ນັ້ນແມ່ນຈຸດທີ່ຊັດເຈນຂອງເຄື່ອງຈັກ inference.
- ປິດ loop ດ້ວຍ metricsນອກເຫນືອຈາກຄວາມຖືກຕ້ອງ, ມັນວັດແທກການຈັດຮູບແບບທີ່ຖືກຕ້ອງ, ການຄຸ້ມຄອງ, ການອ້າງອີງແຫຼ່ງໃນ RAG, ແລະຄວາມພໍໃຈຂອງຜູ້ໃຊ້. ສິ່ງທີ່ບໍ່ໄດ້ວັດແທກບໍ່ປັບປຸງ.
ການເລືອກລະຫວ່າງການກະຕຸ້ນເຕືອນ, ການປັບແບບທັນທີແລະການປັບລະອຽດບໍ່ແມ່ນເລື່ອງຂອງ dogma ແຕ່ຂອງສະພາບການ.: ຄ່າໃຊ້ຈ່າຍ, ຕາຕະລາງເວລາ, ຄວາມສ່ຽງຂອງຄວາມຜິດພາດ, ຄວາມມີຂໍ້ມູນ, ແລະຄວາມຕ້ອງການຄວາມຊໍານານ. ຖ້າທ່ານເລັບປັດໃຈເຫຼົ່ານີ້, ເຕັກໂນໂລຢີຈະເຮັດວຽກຢູ່ໃນເງື່ອນໄຂຂອງທ່ານ, ບໍ່ແມ່ນທາງອື່ນ.
ບັນນາທິການຊ່ຽວຊານໃນບັນຫາເຕັກໂນໂລຢີແລະອິນເຕີເນັດທີ່ມີປະສົບການຫຼາຍກວ່າສິບປີໃນສື່ດິຈິຕອນທີ່ແຕກຕ່າງກັນ. ຂ້າພະເຈົ້າໄດ້ເຮັດວຽກເປັນບັນນາທິການແລະຜູ້ສ້າງເນື້ອຫາສໍາລັບ e-commerce, ການສື່ສານ, ການຕະຫຼາດອອນໄລນ໌ແລະບໍລິສັດໂຄສະນາ. ຂ້າພະເຈົ້າຍັງໄດ້ຂຽນກ່ຽວກັບເສດຖະກິດ, ການເງິນແລະເວັບໄຊທ໌ຂອງຂະແຫນງການອື່ນໆ. ການເຮັດວຽກຂອງຂ້ອຍຍັງເປັນ passion ຂອງຂ້ອຍ. ໃນປັດຈຸບັນ, ໂດຍຜ່ານບົດຄວາມຂອງຂ້າພະເຈົ້າໃນ Tecnobits, ຂ້າພະເຈົ້າພະຍາຍາມຄົ້ນຫາຂ່າວທັງຫມົດແລະໂອກາດໃຫມ່ທີ່ໂລກຂອງເຕັກໂນໂລຢີສະເຫນີໃຫ້ພວກເຮົາທຸກໆມື້ເພື່ອປັບປຸງຊີວິດຂອງພວກເຮົາ.