Cloudflare သည် ကြီးမားသောဘာသာစကားမော်ဒယ်များကို သတ်မှတ်သည့် တိုကင်တစ်ခုချင်းမှ တိုကင်မျိုးဆက်များကို သတ်မှတ်ခြင်းမပြုဘဲ ဖွဲ့စည်းတည်ဆောက်ပုံမထားသောဒေတာများမှ တန်ဖိုးများကို ဆွဲထုတ်ရန် ဒီဇိုင်းထုတ်ထားသည့် "System One" မော်ဒယ်များ၏ အတန်းသစ်တစ်ခု၏ ပထမဆုံးသော အတန်းသစ်တစ်ခု၏ ပထမဆုံးသော ထုတ်ယူမှုပုံစံ Clairic ကို အင်္ဂါနေ့တွင် ကြေညာခဲ့သည်။ မော်ဒယ်ကို @cf/cloudflare/clairic အဖြစ် Cloudflare ၏ Workers AI ပလပ်ဖောင်းတွင် အစမ်းကြည့်ရှုနိုင်ပြီဖြစ်ပြီး မကြာမီကာလအတွင်းတွင် မော်ဒယ်၏အလေးချိန်များကို ပွင့်လင်းမြင်သာစွာ ထုတ်လွှတ်ပေးရန် ရည်ရွယ်ထားကြောင်း ကုမ္ပဏီမှ ပြောကြားခဲ့သည်။
လွှတ်တင်မှုသည် AI အခြေခံအဆောက်အအုံစျေးကွက်ကို ပြန်လည်ပုံဖော်ခြင်းတွင် ယခုထက်ပို၍ စိတ်ဝင်စားစရာကောင်းသော ဆွေးနွေးငြင်းခုံမှုများထဲမှ တစ်ခုအတွင်း၌ Cloudflare ကို လေးလေးနက်နက် နေရာချထားသည်- LLM တစ်ခုအတွက် တာဝန်ပေးသည့် အလုပ်တိုင်းသည် LLM အမှန်တကယ် လိုအပ်သည်ဖြစ်စေ၊ For more context on this story, see our ongoing breaking AI news.
Clairic ဘာလုပ်သလဲ — နှင့် တမင်တကာ မလုပ်တတ်သောအရာ
Clairic သည် ကျဉ်းမြောင်းသော်လည်း အလွန်အသုံးများသော အလုပ်တစ်ခုဖြစ်သည့် ရှုပ်ပွနေသော၊ ဖွဲ့စည်းတည်ဆောက်ပုံမရှိသော ထည့်သွင်းမှုများကို ဖတ်ခြင်းနှင့် ရိုက်ထည့်ထားသော တန်ဖိုးများကို ပြန်ပေးရန်အတွက် တည်ဆောက်ထားသည်။ Cloudflare ၏ ကြေညာချက်အရ၊ မော်ဒယ်သည် ဖွဲ့စည်းပုံမထားသော သွင်းအားစုများမှ တန်ဖိုးများကို ထုတ်ယူနိုင်ခြင်း၊ တွက်ချက်ခြင်း၊ ခန့်မှန်းခြင်းနှင့် ခန့်မှန်းချက်တန်ဖိုးများ၊ 80% အပိုင်းအခြားဖြင့် ဂဏန်းများပြန်ပေးခြင်း၊ အမည်များ၊ ရက်စွဲများ၊ အချိန်များနှင့် စာရင်းများကဲ့သို့ ရိုက်ထည့်ထားသော တန်ဖိုးများနှင့် ဖြစ်နိုင်ခြေအပြည့်အ၀ ဖြန့်ဝေမှုများကို - တစ်ခုစီတိုင်းသည် ယုံကြည်စိတ်ချစွာ ချိန်ညှိထားသည်။
မလုပ်တတ်တာက စာသားကိုထုတ်ပေးတာပါ။ Clairic သို့မေးမြန်းချက်တစ်ခုသည် developer မှကြေငြာထားသောအမျိုးအစား၏တန်ဖိုးကိုပြန်ပေးသည်၊ သို့မဟုတ် p_null ရမှတ်ဖြင့်တွဲထားသော null ရလဒ်တစ်ခုသည် အဖြေထည့်သွင်းမှုတွင် ရိုးရှင်းစွာမပါဝင်နိုင်သည်ကို ခန့်မှန်းပေးသည်။ အဖြေတိုင်းသည် ယုံကြည်မှုရမှတ်ဖြင့် ပို့ဆောင်ပေးသောကြောင့် အောက်ပိုင်းစနစ်များက ၎င်းအား ယုံကြည်ရမလား သို့မဟုတ် လူသားသုံးသပ်ချက်အတွက် အလံပြရန် ဆုံးဖြတ်နိုင်သည်။
Cloudflare သည် အပေးအယူနှင့် ပတ်သက်၍ ရှင်းလင်းပြတ်သားစွာ ဖော်ပြထားသည်။ Clairic သည် တိုကင်များကို မထုတ်ပေးသောကြောင့်၊ ၎င်းသည် ပုံပျက် JSON ကို ထုတ်လုပ်၍ မရပါ၊ မျိုးဆက်သစ် ဂဏန်းတစ်လုံးကို လွဲမှားစေခြင်း သို့မဟုတ် LLM လုပ်နိုင်ပုံဖြင့် အဖြေကို အမြင်မှားစေပါသည်။ ၎င်းသည် အမှားအယွင်းများ ပြုလုပ်နိုင်ဆဲဖြစ်သည် — ကုမ္ပဏီသည် ထိုအချက်ကို သတိထားနေသည် — သို့သော် ၎င်း၏ မအောင်မြင်မှုများကို အခမဲ့ပုံစံထက် စာရိုက်ပြီး တိုင်းတာနိုင်သည်။
'System One' အညွှန်း၊ ရှင်းပြထားသည်။
၎င်းသည် လွန်ခဲ့သော တစ်လခန့်က ၎င်း၏ကိုယ်ပိုင် System One မော်ဒယ်များကို ကြေညာခဲ့သည့် AI startup TypeSafe မှ ဆင်းသက်လာပြီး developer အသိုင်းအဝိုင်းတွင် ဆွေးနွေးမှုအများဆုံး မိတ်ဆက်ပွဲများထဲမှ တစ်ခုဖြစ်လာခဲ့သည်။ အဆိုပါဘောင်သည် စိတ်ပညာရှင် Daniel Kahneman ၏ "Thinking, Fast and Slow" စာအုပ်မှ ချေးယူထားသည်- System One သည် လျင်မြန်သည်၊ အလိုအလျောက်ဖြစ်ပြီး၊ တိကျသည်၊၊ စနစ်နှစ်ခုသည် နှေးကွေးပြီး တမင်တကာ စဉ်းစားနေပါသည်။ TypeSafe သည် အဆိုပါထူးခြားချက်ကို AI မော်ဒယ်များပေါ်တွင် ပုံဖော်ထားပြီး ထုတ်လုပ်မှုလုပ်ငန်းခွင်အများအပြားတွင် ပွင့်လင်းမြင်သာစွာ ကျိုးကြောင်းဆင်ခြင်ခြင်းထက် မြန်ဆန်ပြီး ကောင်းမွန်သောအဖြေများ လိုအပ်သည်ဟု စောဒကတက်ခဲ့သည်။
သီးသန့်ဒိုမိန်းတစ်ခုအတွက် ရည်ရွယ်တည်ဆောက်ထားသော ဆုံးဖြတ်ချက်မော်ဒယ် TypeSafe's Jev သည် ဖြစ်နိုင်ခြေများကို ထည့်သွင်းမှုများအဖြစ် သတ်မှတ်ပြီး ဖြစ်နိုင်ချေရှိသော အဖြေစာရင်းတစ်ခုထက် ဖြစ်နိုင်ခြေများကို ပြန်ပေးသည်။ ယခုအချိန်အထိ၊ ၎င်းသည် အမျိုးအစားတစ်ခုလုံးဖြစ်သည်- System One မော်ဒယ်တိုင်းသည် ဆုံးဖြတ်ချက်ပုံစံတစ်ခုဖြစ်သည်။
Clairic သည် အယူအဆကို ချဲ့ထွင်သည်။ ဆုံးဖြတ်ချက်မော်ဒယ်တစ်ခုသည် ကြိုတင်သတ်မှတ်ထားသော ရွေးချယ်စရာများကြားတွင် ရွေးသည့်အခါ၊ ထုတ်ယူမှုပုံစံသည် တန်ဖိုးများ — ဂဏန်းများကို ထည့်သွင်းမှုမှ တိုက်ရိုက်ဆွဲထုတ်သည်၊ ၎င်းမှတွက်ချက်သည့် သို့မဟုတ် ၎င်းထက်ကျော်လွန်၍ ခန့်မှန်းချက်ဖြင့် အဖြေပေးသည်။ Cloudflare က သမားရိုးကျ LLMs များနှင့်အတူ စံပြမိသားစုနှစ်စုသည် ယခုအခါ အလွှာသုံးလွှာ အစုအဝေးတစ်ခုအဖြစ် ဖွဲ့ဆိုထားသည်- ထုတ်ယူမှုပုံစံများသည် ကုန်ကြမ်းထည့်သွင်းမှုကို ရိုက်သွင်းထားသည့်တန်ဖိုးများအဖြစ် ပြောင်းလဲသည်၊ ဆုံးဖြတ်ချက်မော်ဒယ်များသည် တန်ဖိုးများကို ဆုံးဖြတ်ချက်များအဖြစ်သို့ ပြောင်းလဲပေးပြီး LLM များသည် ဆုံးဖြတ်ချက်များကို စကားလုံးများအဖြစ် ပြောင်းလဲပေးပါသည်။
အဘယ်ကြောင့် ထုတ်ယူရသနည်းဟု ပြန်လည်စဉ်းစားရန်
Cloudflare ၏ အငြင်းအခုံသည် စကားပြောဆိုပုံနှင့်မတူသော အလုပ်တွင် ယနေ့ LLM အသွားအလာ မည်မျှသုံးစွဲသည်အပေါ် မူတည်သည်။ ကုမ္ပဏီသည် ထုတ်ယူခြင်းကို "ယနေ့ LLM များထံ ပေးအပ်သည့် အသုံးအများဆုံးအလုပ်ဖြစ်နိုင်သည်" ဟုခေါ်ဆိုသည် — ပြေစာစုစုပေါင်း၊ ပေးပို့သည့်ရက်စွဲ သို့မဟုတ် စာရွက်စာတမ်းတစ်ခုမှ အစိတ်အပိုင်းနံပါတ်တစ်ခုကို ဆွဲထုတ်သည်။
Cloudflare ၏ ပြောပြချက်တွင် ပြဿနာမှာ LLM များသည် ထိုအလုပ်ကို အခြားအရာအတွက် တည်ဆောက်ထားသော စက်များဖြင့် ကိုင်တွယ်ခြင်းဖြစ်သည်။ အထွက်သည် မှန်ကန်သော JSON မဟုတ်ပါ။ တိုကင်များကို ထုတ်ပေးသောကြောင့် ဂဏန်းတစ်လုံးကို လွဲမှားနိုင်ပါသည်။ ပြန်ပေးထားသော စာသားကောက်နုတ်ချက်ကို အရင်းအမြစ်စာရွက်စာတမ်းရှိ ၎င်း၏တည်နေရာသို့ ပြန်လည်ခြေရာခံ၍မရပါ။ အဖွဲ့များသည် ခံစစ်ပိုက်လိုင်းများတွင် မော်ဒယ်များကို ထုပ်ပိုးခြင်းဖြင့် တုံ့ပြန်သည်- schema validators၊ ထပ်တလဲလဲ ယုတ္တိဗေဒ၊ ခွဲခြမ်းစိတ်ဖြာသော အလွှာများနှင့် အစက်အပြောက်စစ်ဆေးမှုများ။ LLMs များသည် ကျိုးကြောင်းဆင်ခြင်ခြင်းနှင့် တိုကင်များထုတ်ပေးခြင်းအတွက် ဘေလ်ပေးသောကြောင့်၊ စာရွက်စာတမ်းတိုင်း၏နယ်ပယ်တိုင်းသည် လုပ်ငန်းဆောင်တာ၏အခက်အခဲထက် စကားလုံးအသုံးအနှုန်းဖြင့် အတိုင်းအတာတစ်ခုအထိ မျိုးဆက်ကုန်ကျစရိတ်ကို သယ်ဆောင်ပါသည်။
စနစ်တစ်ခု ထုတ်ယူမှုပုံစံသည် စီးပွားရေးကို ပြောင်းပြန်လှန်သည်။ Cloudflare မှ Clairic သည် forward pass တစ်ခုတည်းဖြင့် input ကိုလုပ်ဆောင်သည်၊ input tokens များအတွက်သာကျသင့်ပြီး ပုံမှန်အားဖြင့် တစ်စက္ကန့်အတွင်းတုံ့ပြန်သည် — တူညီသောနယ်ပယ်များမှတဆင့်လုပ်ဆောင်နေသော LLM သည် စက္ကန့်များစွာကြာနိုင်သည်ဟု Cloudflare မှပြောကြားခဲ့သည်။ ပမာဏမြင့်မားသော စာရွက်စာတမ်းလုပ်ဆောင်ခြင်းအတွက်၊ ခြားနားချက် ဒြပ်ပေါင်းများ လျင်မြန်သည်။
တောင်းဆိုချက်တစ်ခု အမှန်တကယ် အလုပ်လုပ်ပုံ
ဆော့ဖ်ဝဲရေးသားသူများသည် Clairic အား ဖတ်ရန် စာသားနှင့် စိတ်ကြိုက်ရွေးချယ်နိုင်သော ပုံလေးပုံအထိ — ရိုက်ထည့်ထားသော အကွက်များ၏ မြေပုံနှင့်အတူ ပေးပို့သည်။ အကွက်တစ်ခုစီတွင် အမည်တစ်ခု၊ အမျိုးအစားတစ်ခုနှင့် ရွေးချယ်နိုင်သော ရိုးရိုးဘာသာစကားညွှန်ကြားချက်များ ပါရှိသည်။ မော်ဒယ်သည် အကွက်တစ်ခုစီတွင် ရိုက်ထည့်ထားသော အဖြေတစ်ခုကို ပြန်ပေးသည်၊၊ မျဉ်းပြိုင်ဖြတ်သန်းမှုတစ်ခုဖြင့် တွက်ချက်သည်။ အကွက်စာရင်းသည် pass တစ်ခုရှိ input ၏ဘေးတွင် အဆင်မပြေပါက၊ server သည် အလုပ်အား input တစ်ခုစီတွင်မြင်ရသည့် parallel pass များအဖြစ် ပိုင်းခြားပြီး အဖြေများကို ပေါင်းထည့်သည်။
ခန့်မှန်းခြေလုပ်ငန်းများအတွက် အဖြေများသည် ဖြန့်ဝေမှုတစ်ခုအနေဖြင့် လာပါသည်- 10th မှ 90th percentiles ကိုဖြတ်ကာ ပျမ်းမျှကြားကာလ 80% ရှိသော၊ 99 percentiles အားလုံးကို တောင်းဆိုနိုင်ပါသည်။ ၎င်းသည် ခန့်မှန်းချက်ပုံစံမေးခွန်းများအတွက် မော်ဒယ်ကိုအသုံးပြုနိုင်စေသည် — မျှော်လင့်ထားသည့်ပြုပြင်စရိတ်များ၊ ပေးပို့မှုအချိန်ဇယားများ၊ နောက်ရက်များတွင် အသွားအလာများ—အချက်တစ်ချက်မှ ခန့်မှန်းချက်သည် မော်ဒယ်၏သေချာမှုကိုလွန်ကဲစေမည်ဖြစ်သည်။
အခြေခံအဆောက်အအုံစျေးကွက်အတွက် အချက်ပြမှုတစ်ခု
Clairic ကိုယ်တိုင်အောင်မြင်သည်ဖြစ်စေ သည်အချက်၏ဘေးတွင်ရှိနေသည် ။ လွှတ်တင်မှုသည် လုပ်ငန်းတာဝန်များဆီသို့ ညာဘက်အရွယ်အစားမော်ဒယ်များဆီသို့ အခြေခံအဆောက်အအုံပံ့ပိုးပေးသူများအကြား လျင်မြန်စွာ ရွေ့လျားနေသည့်နောက်ထပ်အချက်တစ်ချက်ဖြစ်သည်- ကျဉ်းမြောင်းသောဖွဲ့စည်းတည်ဆောက်ပုံလုပ်ငန်းအတွက် စျေးပေါသောမော်ဒယ်များ၊ သေးငယ်သော၊ လျင်မြန်သော၊ စျေးပေါသောမော်ဒယ်များ၊ Cloudflare ၏ကိုယ်ပိုင်နေရာချထားခြင်း — ထုတ်ယူမှု၊ ဆုံးဖြတ်ချက်နှင့် ဘာသာစကားမော်ဒယ်များသည် တစ်ညီတစ်ညွတ်တည်းအလုပ်လုပ်သင့်သည် — သည် ထုတ်လုပ်မှု AI အစုအဝေးများကို မည်ကဲ့သို့စုဝေးမည်ထင်ကြောင်း အသေးစိတ်ပုံစံတစ်ခုအဖြစ်ဖတ်သည်။
ကုမ္ပဏီသည် ကတိပြုထားသော အလေးချိန်များကို ဖြန့်ချိမည့်ရက်ကို မကြေညာသေးပါ။ လက်ရှိတွင်၊ Clairic သည် ၎င်းတို့ကိုယ်တိုင်ထုတ်ယူခြင်းဆိုင်ရာ အလုပ်တာဝန်များနှင့် ဆန့်ကျင်ဘက်ဖြစ်သည့် Workers AI တွင် အစမ်းကြည့်ရှုနိုင်သည် - နှင့် ၎င်းတို့၏ LLM ဘေလ်မည်မျှ အမှန်တကယ် လိုအပ်ကြောင်း ရှာဖွေနိုင်ပါသည်။
_ဤဆောင်းပါးသည် Clairic ထုတ်ယူမှုပုံစံ အစမ်းကြည့်ရှုခြင်းဆိုင်ရာ Cloudflare ၏တရားဝင်ကြေငြာချက်ကို အခြေခံထားသည်။_
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
