តារាងពិន្ទុ AI ប្រាប់រឿងលម្អិតគួរឲ្យកត់សម្គាល់អំពីរបៀបដែលគំរូសរសេរកូដបានល្អ ដោះស្រាយបញ្ហាគណិតវិទ្យា និងឆ្លើយការប្រឡងបញ្ចប់ថ្នាក់បរិញ្ញាបត្រ។ អ្វី​ដែល​ពួកគេ​ស្ទើរតែ​មិន​ប្រាប់​អ្នក​គឺ​ថា​តើ​ម៉ូដែល​ធ្វើ​ការងារ​បាន​ល្អ​ប៉ុណ្ណា​ដែល​ជនជាតិ​អាមេរិក​ភាគច្រើន​ត្រូវ​បាន​គេ​ផ្តល់​ប្រាក់​ខែ​ឱ្យ​ធ្វើ។

គម្រោងស្រាវជ្រាវថ្មីមួយពីទីផ្សារទេពកោសល្យ AI Mercor ដាក់លេខមួយនៅលើគម្លាតនោះ។ យោងតាម ​​Benchmark Map របស់ក្រុមហ៊ុនដែលបានចេញផ្សាយនៅសប្តាហ៍នេះ ប្រហែល 90% នៃម៉ោងធ្វើការរបស់ជនជាតិអាមេរិកត្រូវបានចំណាយលើការងារដែលមានការគ្របដណ្តប់តិចតួច ឬគ្មានពី AI benchmarks ដែលមានស្រាប់។ For more context on this story, see our ongoing latest AI developments.

ក្រុមហ៊ុន​សរសេរ​ក្នុង​ការ​រក​ឃើញ​របស់​ខ្លួន​ថា "នេះ​ធ្វើ​ឱ្យ​វា​ពិបាក​ក្នុង​ការ​ដឹង​ថា​តើ​គំរូ AI ល្អ​ប៉ុណ្ណា​ក្នុង​ការងារ​ដែល​ជនជាតិ​អាមេរិក​ធ្វើ"។

រាប់អ្វីដែល Benchmarks Miss

ដើម្បីបង្កើតផែនទី Mercor បានចងក្រងសន្ទស្សន៍នៃ 29 គោលដែលបានជ្រើសរើសសម្រាប់គុណភាព និងភាពពាក់ព័ន្ធផ្នែកសេដ្ឋកិច្ច បន្ទាប់មកធ្វើផែនទីរបស់ពួកគេប្រឆាំងនឹងមូលដ្ឋានទិន្នន័យការងារ O*NET របស់រដ្ឋាភិបាលសហរដ្ឋអាមេរិក ដែលជាការចាត់ថ្នាក់ស្តង់ដារនៃ 923 មុខរបរ និង 18,797 ភារកិច្ចផ្សេងគ្នាដែលបង្កើតជាកម្លាំងពលកម្មអាមេរិក។

លេខគ្របដណ្តប់គឺស្រឡះ។ មានតែ 208 នៃ 923 មុខរបរ O*NET ប៉ុណ្ណោះដែលមានការគ្របដណ្តប់គោលណាមួយ ហើយមានតែ 924 នៃ 18,797 ការងារត្រូវបានតំណាងនៅទូទាំងសន្ទស្សន៍ទាំងមូល។

វិធីសាស្រ្តដែលបានចងក្រងជាឯកសារនៅលើគេហទំព័ររបស់គម្រោង ពឹងផ្អែកលើ AI ខ្លួនវាផ្ទាល់៖ បន្ទាប់ពីការស្រាវជ្រាវថ្មីៗនេះ ចៅក្រម LLM បានដាក់ស្លាកសញ្ញាគោលនីមួយៗជាមួយនឹងកិច្ចការ ONET ដែលវាត្រូវគ្នាជាមួយនឹងការដាក់ស្លាកដែលមានសុពលភាពប្រឆាំងនឹងស្លាកអ្នកជំនាញរបស់មនុស្សនៅលើសំណុំរង APEX benchmark ផ្ទាល់ខ្លួនរបស់ Mercor ។ កិច្ចការមួយត្រូវបានរាប់បញ្ចូលតែក្នុងករណីដែលចៅក្រមគូសវាសយ៉ាងហោចណាស់ប្រាំដងពីសន្ទស្សន៍ 29-គោល។ ដើម្បីបកប្រែការគ្របដណ្តប់ទៅជាពាក្យសេដ្ឋកិច្ច Mercor រួមបញ្ចូលគ្នានូវការប៉ាន់ប្រមាណរបស់ខ្លួនជាមួយនឹងការប៉ាន់ប្រមាណដែលបានមកពី LLM ដែលបានចេញផ្សាយនាពេលថ្មីៗនេះនៃចំណែកពេលវេលាធ្វើការនៃកិច្ចការ ONET នីមួយៗ។

ការធានារ៉ាប់រងតាមលុយ

គម្លាតមិនត្រូវបានចែកចាយដោយចៃដន្យទេ។ ការវិភាគរបស់ Mercor បង្ហាញថាសហគមន៍ AI បាននឹងកំពុងធ្វើការប្រៀបធៀបទីផ្សារការងារធំបំផុតមុនគេ ដែលជាមុខរបរដែលមានវិក្កយបត្រប្រាក់ឈ្នួលសរុបដ៏ធំបំផុត ដែលគណនាពីប្រាក់ឈ្នួលរបស់ការិយាល័យស្ថិតិការងារ និងការប៉ាន់ស្មានការងារ។

ការបែកបាក់គ្រួសារបង្ហាញពីការយកចិត្តទុកដាក់មិនស្មើគ្នា។ មុខវិជ្ជាកុំព្យូទ័រ និងគណិតវិទ្យា ដែលជាកន្លែងធ្វើស្រែចំការនៃការបង្កើតគោល គឺជាការគ្របដណ្តប់ដ៏ល្អបំផុតនៅ 29 ក្នុងចំណោម 36 មុខរបរ។ ប្រតិបត្តិការអាជីវកម្ម និងហិរញ្ញវត្ថុធ្វើតាមលេខ 33 ក្នុងចំណោម 48។ ប៉ុន្តែការគាំទ្រផ្នែកការិយាល័យ និងរដ្ឋបាល ដែលជាគ្រួសារដែលមានបុគ្គលិករាប់លាននាក់ មានមុខតំណែងត្រឹមតែ 21 ក្នុងចំណោម 51 ដែលត្រូវបានគ្របដណ្តប់ ហើយតួនាទីគ្រប់គ្រង 21 ក្នុងចំណោម 56 ។

សូម្បីតែនៅក្នុងវិជ្ជាជីវៈដែលគ្របដណ្តប់ល្អបំផុតក៏ដោយក៏ជម្រៅគឺស្តើង។ នៅពេលដែល Mercor ព្យាយាមដាក់ពិន្ទុ ONET-weighted សម្រាប់មុខតំណែងគោលចំនួនបួនដូចជា ធនាគារវិនិយោគ ច្បាប់ គណនេយ្យ និងវិស្វកម្មផ្នែកទន់ — វាបានរកឃើញថាតិចជាងមួយភាគបីនៃកិច្ចការ ONET ដែលទាក់ទងនឹងការងារទាំងនោះមានការគ្របដណ្តប់លើស្តង់ដារគ្រប់គ្រាន់ដែលត្រូវបញ្ចូលក្នុងពិន្ទុដែលមានទម្ងន់។

ហេតុអ្វីបានជាចំណុចខ្វាក់មានសារៈសំខាន់

ការស្វែងរកបានមកដល់ភ្លាមៗ នៅពេលដែលពិន្ទុគោលជំរុញឱ្យមានការសម្រេចចិត្តពិតប្រាកដ។ សហគ្រាសជ្រើសរើសលំដាប់គំរូដោយផ្អែកលើការវាយតម្លៃ; ក្រុមប្រឹក្សាបានឮអំពីវឌ្ឍនភាពនៃគំរូព្រំដែននៅក្នុងលក្ខខណ្ឌនៃការលោតគោល។ អ្នកបង្កើតគោលនយោបាយលើកឡើងពីគន្លងសមត្ថភាពនៅពេលមានបទប្បញ្ញត្តិថ្លឹងថ្លែង។ ប្រសិនបើ 90% នៃម៉ោងធ្វើការអង្គុយនៅខាងក្រៅអ្វីដែលជាសូចនាករគោល ការសម្រេចចិត្តទាំងអស់នោះស្ថិតនៅលើគំរូមួយ ដែលមើលទៅហាក់ដូចជាការិយាល័យ បច្ចេកទេស និងការសិក្សា។

មានហេតុផលរចនាសម្ព័ន្ធ ចង្កោមសញ្ញាសម្គាល់ដែលពួកគេធ្វើ។ ភារកិច្ចវិស្វកម្មកម្មវិធីគឺមានតម្លៃថោកក្នុងការបញ្ជាក់ តម្លៃថោកដល់ថ្នាក់ដោយស្វ័យប្រវត្តិ និងងាយស្រួលសម្រាប់អ្នកនិពន្ធគោល — ដែលភាគច្រើនសរសេរកម្មវិធី — ក្នុងការរចនា។ ការវាយតម្លៃពីលក្ខណៈគ្រែរបស់ជំនួយការផ្នែកវេជ្ជសាស្រ្ដ ការវិនិច្ឆ័យរបស់អ្នកសម្របសម្រួលផ្នែកភ័ស្តុភារនៅក្រោមឧបសគ្គនៃការផ្លាស់ប្តូរ ឬដំណើរការវិនិច្ឆ័យរបស់អគ្គីសនីគឺពិបាកក្នុងការកំណត់ស្តង់ដារ ពិបាកក្នុងការផ្ទៀងផ្ទាត់ពីចម្ងាយ ហើយក្នុងករណីជាច្រើនមិនអាចធ្វើតេស្តដោយគ្មានវត្តមានរាងកាយបានទេ។

Mercor ដែលអាជីវកម្មស្នូលរបស់វាផ្គូផ្គងអ្នកជំនាញដែនជាមួយមន្ទីរពិសោធន៍ AI សម្រាប់ការបណ្តុះបណ្តាល និងការងារវាយតម្លៃ មានចំណាប់អារម្មណ៍ផ្នែកពាណិជ្ជកម្មជាក់ស្តែងក្នុងការចង្អុលបង្ហាញថាការគ្របដណ្តប់លើការវាយតម្លៃគឺស្តើង - ក្រុមហ៊ុនលក់សិទ្ធិឱ្យអ្នកជំនាញដែលអាចបិទគម្លាតនោះ។ ប៉ុន្តែបញ្ហារង្វាស់មូលដ្ឋានគឺពិតប្រាកដ និងត្រូវបានទទួលស្គាល់កាន់តែខ្លាំងឡើងនៅទូទាំងវិស័យ ហើយក្រុមហ៊ុនបានបោះពុម្ពផ្សាយវិធីសាស្រ្តរបស់ខ្លួន និងបញ្ជីស្តង់ដារពេញលេញសម្រាប់ការពិនិត្យ។

ក្រុមហ៊ុននិយាយថាផែនទី Benchmark របស់ខ្លួនគឺជាជំហានដំបូងឆ្ពោះទៅរកធនធានដែលបានធ្វើបច្ចុប្បន្នភាពជាបន្តបន្ទាប់សម្រាប់ការយល់ដឹងអំពីសមត្ថភាព AI នៅទូទាំងសេដ្ឋកិច្ច ហើយវាកំពុងធ្វើការឆ្ពោះទៅរកពិន្ទុគំរូទម្ងន់ O*NET ដែលមានទម្ងន់លើការងារនីមួយៗស្មើៗគ្នាជាជាងការអនុញ្ញាតឱ្យកិច្ចការដែលត្រូវបានសម្គាល់ជាញឹកញាប់គ្របដណ្តប់ជាមធ្យម។

ទសវត្សរ៍រង្វាស់

តើមានអ្វីកើតឡើងបន្ទាប់គឺអាស្រ័យលើថាតើអ្នកសាងសង់គោលធ្វើតាមផែនទីសេដ្ឋកិច្ច។ ទិន្នន័យ Mercor ចង្អុលទៅកន្លែងដែលការគ្របដណ្តប់ត្រូវបានបាត់ — និងដោយប្រយោល ដែលជាកន្លែងដែលស្តង់ដារថ្មីនឹងមានតម្លៃព័ត៌មានច្រើនបំផុត។ មុខរបរដែលមានការងារធំ វិក្កយបត្រប្រាក់ឈ្នួលខ្ពស់ និងការគ្របដណ្តប់លើស្តង់ដារសូន្យ ស្ថិតជាធរមាន ដែនដីវាយតម្លៃបើកចំហ។

សម្រាប់ពេលនេះ ការអនុវត្តជាក់ស្តែងសម្រាប់អ្នកដែលប្រើប្រាស់ព័ត៌មានតារាងពិន្ទុ AI គឺជាការព្រមានមួយ៖ ទម្រង់គំរូនៃគំរូពិពណ៌នាអំពីភាពខ្លាំងរបស់វានៅក្នុងផ្នែកនៃសេដ្ឋកិច្ចដែលពិន្ទុគោលកើតឡើង។ 90% ផ្សេងទៀតនៃម៉ោងធ្វើការ — ការងារអ្នកគ្រប់គ្រង ការថែទាំ សេវាវាល ការគ្រប់គ្រងជាន់ — នៅតែជាទឹកដីដែលមិនអាចវាស់វែងបាន ហើយទាមទារអំពី AI ក្នុងការបំប្លែងវាបច្ចុប្បន្នសម្រាកច្រើនជាងភស្តុតាង។

ដូចដែលក្រុមហ៊ុនបានបង្កើតវា ស្តង់ដារបានគុណនឹងនៅក្នុងប៉ុន្មានឆ្នាំថ្មីៗនេះ ប៉ុន្តែការគ្របដណ្តប់នៃការងារដែលមានតម្លៃសេដ្ឋកិច្ចនៅតែមានកម្រិត។ ផែនទី​ធ្វើ​ឱ្យ​ការ​កំណត់​នោះ​អាច​មើល​ឃើញ​ដោយ​ក្រឡា​ក្បឿង ការ​កាន់កាប់​ដោយ​ការ​កាន់កាប់។

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →