Zelma

GPT‑4 ဖြင့် အားဖြည့်ထားသော သုတေသနအကူ Zelma သည် အမေရိကန်ပြည်ထောင်စုတစ်ဝန်းရှိ မိဘများ၊ ဆရာများ၊ ကျောင်းအုပ်ချုပ်ရေးမှူးများနှင့် မူဝါဒချမှတ်သူများအတွက် ပညာရေးဒေတာကို လက်လှမ်းမီစေလျက်ရှိသည်။

သူတို့ ဖြေရှင်းနေသော ပြဿနာက ဘာလဲ။ အမေရိကန်တွင် တတိယတန်းမှ အဋ္ဌမတန်းအထိ ကျောင်းသားတိုင်းအတွက် စံသတ်မှတ်စာမေးပွဲများကို ကျင်းပပေးနေသော်လည်း ကျောင်းသားများ၏ စွမ်းဆောင်ရည်ဆိုင်ရာ ဒေတာများမှာ အရင်းအမြစ်နှင့် ဖော်မတ်မျိုးစုံတွင် ပြန့်ကျဲနေပြီး လုံလောက်စွာ အသုံးမချနိုင်သေးပါ။ စာမေးပွဲဒေတာသည် English language arts (ELA) နှင့် သင်္ချာဘာသာရပ်များတွင် ကျောင်းသားများ မည်မျှကောင်းစွာ သင်ယူနေသည်ကို ခရိုင်အဆင့်နှင့် လူဦးရေအုပ်စုအဆင့်များတစ်လျှောက် အားကောင်းသော ထိုးထွင်းအမြင်များကို ပေးနိုင်သည်။ သို့သော် ပညာရေး၏ အနာဂတ်ကို ပုံဖော်ပေးနိုင်မည့် အရေးပါသော ထိုးထွင်းအမြင်များသည် မိဘအများစု၊ သတင်းထောက်များ၊ ပညာရေးလုပ်သားများနှင့် မူဝါဒချမှတ်သူများအတွက် လက်လှမ်းမမီသလောက် ဖြစ်နေသည်။

ဤကွာဟချက်ကို သဘောပေါက်ပြီး Brown တက္ကသိုလ်မှ စီးပွားရေးပညာရှင်နှင့် စာရေးဆရာ ဒေါက်တာ Emily Oster သည် ဤဇာတ်ကြောင်းကို ပြောင်းလဲရန် စတင်ခဲ့သည်။ “Zelma က မိဘများနှင့် မူဝါဒချမှတ်သူများကို မိမိတို့အတွက် အရေးကြီးဆုံးအရာများအပေါ် ချက်ချင်းရရှိနိုင်သော၊ မိမိလိုအပ်ချက်နှင့်ကိုက်ညီသော ပညာရေးဆိုင်ရာ ထိုးထွင်းအမြင်များကို သာမန်ဘာသာစကားဖြင့် ရယူနိုင်အောင် လုပ်ပေးတယ်” ဟု ဒေါက်တာ Oster က ရှင်းပြခဲ့သည်။ Zelma သည် ဤအရာကို မည်သို့ အောင်မြင်စေခဲ့သနည်း။ Brown တက္ကသိုလ်ရှိ ဒေါက်တာ Oster ၏ ကျောင်းသားသုတေသနအဖွဲ့သည် တစ်နှစ်တာအတွင်း ဒေတာများကို စုဆောင်းကာ တစ်ပြေးညီဖော်မတ်တစ်ခုအဖြစ် အလွန်ဂရုတစိုက် သန့်စင်ပြုပြင်ခဲ့သည်။ ထို့နောက် Zelma သည် Novy⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) နှင့် ပူးပေါင်းကာ OpenAI ၏ API ကို အသုံးပြုပြီး ဒေတာများကို အသက်ဝင်လာအောင် ပြုလုပ်ခဲ့သည်။

Novy သည် ဒေတာကို ပြသရာတွင် မည်သည့် visuals များနှင့် fields များကို ရွေးချယ်ရမည်ကို GPT‑4 အား ပြောပြရန် လုပ်ဆောင်ချက် ခေါ်ဆိုမှု⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) ကို အသုံးပြုခဲ့သည်။ Zelma ၏ “မေးခွန်းမေးပါ” မြင်ကွင်းအတွက် ၎င်းတို့သည် ရရှိနိုင်သောဒေတာပါဝင်သည့် မေးခွန်းများကို အကြံပြုပေးသော data-aware type-ahead တစ်ခု ဖန်တီးရန် မော်ဒယ်တစ်ခုကို fine-tuned⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) လုပ်ခဲ့သည်။ ထို့အပြင် ခက်ခဲသော edge case များတွင် တိကျမှု ပိုမိုကောင်းမွန်လာစေရန် သိပြီးသား အရည်အသွေးကောင်း example graph များကို vector database တစ်ခုထဲတွင် embedded⁠ လုပ်ပြီး သိမ်းဆည်းခဲ့သည်။

အကြီးမားဆုံး စိန်ခေါ်မှုမှာ လူများက မိမိတို့၏ မေးခွန်းများကို မည်သို့ ရေးဖော်ပြမည်ကို ကြိုတင်ခန့်မှန်းရခြင်းနှင့် တုံ့ပြန်ညွှန်ကြားချက်များကို Zelma ၏ အသိပညာနယ်ပယ်အတွင်းတွင် ထားရှိရခြင်း ဖြစ်သည်။ “ဒီအချက်ကို Zelma ရဲ့ user experience ထဲမှာ ရည်ရွယ်ချက်ရှိရှိ ထည့်သွင်းထားတဲ့ ဒီဇိုင်းရွေးချယ်မှုတွေကတစ်ဆင့် ဖြေရှင်းခဲ့ပါတယ်။ အဲဒီရွေးချယ်မှုတွေက လူတွေကို Zelma ဖြေနိုင်တဲ့ မေးခွန်းတွေကို မေးလာအောင် လမ်းညွှန်ပေးပါတယ်” ဟု ဒေါက်တာ Oster က ရှင်းပြခဲ့သည်။ အဓိက လုပ်ဆောင်ချက်များမှာ:

• ဥပမာ တုံ့ပြန်ညွှန်ကြားချက်များကို အကြံပြုပေးခြင်း။ Zelma သည် ပညာရေးဒေတာ၏ သီးသန့်နယ်ပယ်တစ်ခုကိုသာ ဖုံးလွှမ်းထားသောကြောင့် ဤအကြံပြုချက်များက အသုံးပြုသူများကို Zelma ၏ အသိပညာနယ်ပယ်နှင့် မိမိတို့၏ တုံ့ပြန်ညွှန်ကြားချက်များကို မည်သို့ ရေးသင့်သည်ကို နားလည်စေသည်။
• မေးခွန်းအားလုံးကို အများပြည်သူမြင်နိုင်အောင်⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) ပြုလုပ်ခြင်း။ ၎င်းက အခြားသူများ မေးထားသည့်အရာများမှ လူများကို သင်ယူနိုင်စေသလို အသုံးပြုသူများက ဆက်စပ်မှုမရှိသော query များကို အများအပြား ပေးပို့ခြင်းကိုလည်း တားဆီးပေးသည်။
• SQL code ကို ပြသခြင်း။ Zelma သည် ၎င်း၏ ယုတ္တိဗေဒကို ပေးထားသောကြောင့် ၎င်း၏ အဖြေများကို သင် လျင်မြန်စွာ စစ်ဆေးအတည်ပြုနိုင်သည်။ coder မဟုတ်သူများအတွက်လည်း အကြောင်းခံအချက်များကို သာမန်ဘာသာစကားဖြင့် ရှင်းပြထားသည်။
• အခြေအနေအကြောင်းအရာကို ရှင်းပြခြင်း။ Zelma သည် သတ်မှတ်ချက်များဖော်ပြပေးခြင်းနှင့် ထင်ရှားသော ဖြစ်ရပ်များ—ဥပမာ ပြည်နယ်အဆင့် assessment ပြောင်းလဲမှုများ—ကို မှတ်ချက်ပြုပေးခြင်းအားဖြင့် context ကို ပေးကာ တစ်နှစ်ချင်းစီရှိ ဒေတာအပေါ် သက်ရောက်မှုရှိနိုင်သည့် ပြင်ပအချက်များကို သင် နားလည်စေသည်။

ယခုဆိုလျှင် သင်သည် Minnesota ရှိ သင်္ချာဘာသာရပ်တွင် စွမ်းဆောင်ရည်အမြင့်ဆုံး charter မဟုတ်သော ကျောင်းခရိုင် ၅ ခုကို⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) ချက်ချင်း ရွေးထုတ်နိုင်ပြီး ၎င်းတို့အားလုံး၏ ကျွမ်းကျင်မှုနှုန်းသည် ၇၇ ရာခိုင်နှုန်းခန့်ရှိကြောင်း သိနိုင်သည်။ ထို့အပြင် ရိုးရှင်းသော တုံ့ပြန်ညွှန်ကြားချက် တစ်ခုဖြင့် California တွင် အချိန်အလိုက် လူမျိုး/တိုင်းရင်းသားအုပ်စုများအကြား ELA အောင်မြင်မှု ကွာဟချက်များကို⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) ဖော်ထုတ်နိုင်သလို 2015 ခုနှစ်တွင် အကဲဖြတ်စနစ် ပြောင်းလဲခဲ့သောကြောင့် 2015 မှစပြီး စာမေးပွဲရလဒ်များကို ယခင်နှစ်များနှင့် နှိုင်းယှဉ်၍မရကြောင်းကိုလည်း ညွှန်ပြပေးနိုင်သည်။

ဆိုလိုသည်မှာ ကျောင်းဘုတ်အဖွဲ့ဝင်များသည် Zelma ကို အသုံးပြု၍ အစည်းအဝေးများအတွင်း ဒေတာမြင်ကွင်းဖော်ပြချက်များကို လျင်မြန်စွာ ဖန်တီးနိုင်ပြီး ဒေတာအခြေပြု ဆုံးဖြတ်ချက်ချခြင်းကို လုပ်ဆောင်နိုင်သည်။ မိဘများသည် မိမိတို့အနီးရှိ ကျောင်းခရိုင်များ၏ အတိတ်စာမေးပွဲစွမ်းဆောင်ရည်များကို နှိုင်းယှဉ်ကာ မိမိကလေးများကို မည်သည့်နေရာတွင် ကြီးပြင်းစေမည်ကို ပညာပါပါ ဆုံးဖြတ်နိုင်သည်။ ပြည်နယ်အုပ်ချုပ်ရေးမှူး၏ Chief of Staff တစ်ဦးသည်လည်း Zelma ကို ကိုးကားအသုံးပြု၍ မိမိပြည်နယ်အတွင်း အကောင်းဆုံး စွမ်းဆောင်ရည်ရှိသော ကျောင်းများကို ခွဲခြားသတ်မှတ်နိုင်ပြီး စာမေးပွဲအမှတ်များ အချိန်နှင့်အမျှ မည်မျှ ပြောင်းလဲခဲ့သည်ကို မြင်နိုင်သည်။

ကွဲပြားစွာ ပြန့်ကျဲနေသော data portal များနှင့် spreadsheet များမှ စ၍ အသုံးပြုရလွယ်ကူသော ဝဘ်ဆိုက်တစ်ခုအဖြစ် Zelma သည် အမျိုးမျိုးကွဲပြားနေသော ဒေတာများကို အဓိပ္ပာယ်ရှိသော ခွဲခြမ်းစိတ်ဖြာချက်များအဖြစ် ပြောင်းလဲပေးသည်။ Zelma သည် စာသင်ခန်းတွင် ဆရာများကို ပံ့ပိုးပေးခြင်း⁠ နှင့် ကျောင်းသားများကို မိမိတို့၏ အရှိန်အဟုန်အလိုက် သင်ယူနိုင်ရန် ကူညီပေးခြင်း⁠ ကဲ့သို့သော အခြားအသုံးပြုမှုများနှင့်အတူ generative AI သည် ကျွန်ုပ်တို့၏ ပညာရေးစနစ်ကို မည်သို့ မြှင့်တင်ပေးနိုင်သည်ကို ပြသနေသည်။ Zelma သည်လည်း OpenAI ၏ tools နှင့် products များကို ဒေတာကို လူတိုင်းအတွက် ပိုမိုအသုံးဝင်ပြီး လက်လှမ်းမီစေရန် မည်သို့ အသုံးချနိုင်သည်ကို ပြသသော အားကောင်းသည့် ဥပမာတစ်ခုကို ပေးစွမ်းသည်။