Lenovo RHEL AI အသုံးပြုသူလမ်းညွှန်

မာတိကာ ပုန်း

1 Lenovo RHEL AI

2 ထုတ်ကုန်အချက်အလက်

3 အမေးများသောမေးခွန်းများ

4 IBM InstructLab နှင့် Granite Models များသည် LLM သင်တန်းကို တော်လှန်နေပါသည်။

5 Gen AI အတွက် open source ချဉ်းကပ်မှု

6 Granite မိသားစု မော်ဒယ်များကို ဖွင့်ပါ။

7 InstructLab မော်ဒယ် ချိန်ညှိကိရိယာများ

8 Granite မော်ဒယ်များနှင့် InstructLab အတွက် bootable Red Hat Enterprise Linux ကို ပိုမိုကောင်းမွန်အောင် ပြုလုပ်ထားသည်။

9 လုပ်ငန်းပံ့ပိုးမှု၊ ဘဝသံသရာနှင့် လျော်ကြေးငွေ

10 အနှစ်ချုပ်

11 သတိပေးချက်များ

12 ကုန်အမှတ်တံဆိပ်များ

13 စာရွက်စာတမ်းများ / အရင်းအမြစ်များ

13.1 ကိုးကား

Lenovo RHEL AI

ထုတ်ကုန်အချက်အလက်

သတ်မှတ်ချက်များ-

ထုတ်ကုန်အမည်- RHEL AI (Red Hat Enterprise Linux AI)

ပင်မလုပ်ဆောင်ချက်- ဥာဏ်ရည်တုနှင့် စက်သင်ယူမှု ဖြန့်ကျက်မှုများကို အရှိန်မြှင့်ခြင်း။
သော့ချက်အင်္ဂါရပ်များ- ဘာသာစကား မော်ဒယ်ကြီးများကို စမ်းသပ်ရန်အတွက် လုံခြုံရေးကို အဓိကထား၊ ဆာဗာတစ်ခုတည်း ပတ်ဝန်းကျင်

အမေးများသောမေးခွန်းများ

မေး- RHEL AI ရဲ့ အဓိကရည်ရွယ်ချက်ကဘာလဲ။

A- RHEL AI သည် ကြီးမားသောဘာသာစကားမော်ဒယ်များကို စမ်းသပ်ခြင်းနှင့် AI ဖြန့်ကျက်မှုများကို အရှိန်မြှင့်ရန်အတွက် လုံခြုံပြီး ကုန်ကျစရိတ်သက်သာသော ပလပ်ဖောင်းတစ်ခု ပံ့ပိုးပေးရန် ရည်ရွယ်ပါသည်။

မေး- RHEL AI သည် အခြေခံအုတ်မြစ်မော်ဒယ်များကို မည်သို့ အသုံးချသနည်း။

A- RHEL AI သည် သီးခြားစက်မှုလုပ်ငန်းတာဝန်များကို ကောင်းစွာချိန်ညှိနိုင်စေရန်အတွက် ပုံစံများကို ယေဘုယျသဘောပေါက်နားလည်မှုဖြင့် အခြေခံမော်ဒယ်များကို အသုံးပြုသည်။

မေး- မျိုးဆက်သစ် AI အတွက် RHEL AI ကိုအသုံးပြုခြင်း၏ အဓိကအကျိုးကျေးဇူးအချို့ကား အဘယ်နည်း။

A- RHEL AI သည် ကုမ္ပဏီများအား ပေါင်းစပ် cloud ပတ်ဝန်းကျင်များတစ်လျှောက် မျိုးဆက်သစ် AI မော်ဒယ်များကို လေ့ကျင့်သင်ကြားရန်နှင့် အသုံးချရန် ခွင့်ပြုပြီး မော်ဒယ်ဖွံ့ဖြိုးတိုးတက်မှုအတွက် Red Hat ၏ OpenShift AI ပလပ်ဖောင်းသို့ ဝင်ရောက်ခွင့်ပေးသည်။

RHEL AI ဆိုတာဘာလဲ။ AI Positioning Information အတွက် Open Source Way လမ်းညွှန်

ဥာဏ်ရည်တုနှင့် စက်သင်ယူမှုကို အရှိန်မြှင့်လုပ်ဆောင်ခြင်း။

Artificial Intelligence (AI) သည် အိုင်တီစက်မှုလုပ်ငန်းတွင် အားကောင်းသည့်ကိရိယာအသစ်တစ်ခုဖြစ်သော်လည်း၊ ဒစ်ဂျစ်တယ်ကိရိယာအများစုကဲ့သို့ပင် အရွယ်အစားတစ်ခုသည် အားလုံးနှင့်မကိုက်ညီပါ။ လွန်ခဲ့သော 5 နှစ်က ကျပန်းအင်တာနက်အကြောင်းအရာများတွင် လေ့ကျင့်သင်ကြားထားသော အထွေထွေ AI ဘော့တ်သည် ပေါ့ပေါ့ပါးပါး အသုံးပြုသူတစ်ဦးကို အထင်ကြီးစေသော်လည်း သင့်အဖွဲ့အစည်းသည် (လျှို့ဝှက်ထားနိုင်ဖွယ်ရှိ) ဒိုမိန်းများ ဖော်ထုတ်ခြင်းဆိုင်ရာ လက်ရှိ၊ အထူးပြုအသိပညာ လိုအပ်နေပါသည်။ သင့်အဖွဲ့အစည်းအတွက် ကောင်းမွန်စွာချိန်ညှိထားသည့် AI တစ်ခု လိုအပ်ပြီး Red Hat Enterprise Linux AI (RHEL AI) နှင့် InstructLab တို့ထက် ၎င်းကိုရရှိရန် ပိုမိုကောင်းမွန်သောနည်းလမ်းမရှိပါ။
သို့သော်လည်း ဤနည်းပညာများကို အသုံးချခြင်းသည် ရှုပ်ထွေးနိုင်သည်။ ဒေတာသိပ္ပံပညာရှင်များသည် ၎င်းတို့၏ မော်ဒယ်များကို တည်ဆောက်ရန် လုပ်ဆောင်နေသောကြောင့် ၎င်းတို့သည် လျင်မြန်စွာ ပြောင်းလဲနေသော ကိရိယာများကြားတွင် ချိန်ညှိမှု မရှိခြင်းကို ကြုံတွေ့ရတတ်သည်။ ဤကွဲလွဲမှုများသည် ဒေတာသိပ္ပံပညာရှင်များ၊ ဆော့ဖ်ဝဲတီထွင်သူများနှင့် အိုင်တီလုပ်ငန်းများကြားတွင် ကုန်ထုတ်စွမ်းအားနှင့် ပူးပေါင်းဆောင်ရွက်မှုကို အနှောင့်အယှက်ဖြစ်စေနိုင်သည်။ AI/ML ဖြန့်ကျက်မှုကို ချဲ့ထွင်ခြင်းသည် အရင်းအမြစ်-ကန့်သတ်ပြီး စီမံခန့်ခွဲရေးအရ ရှုပ်ထွေးနိုင်ပြီး၊ စျေးကြီးသော ဂရပ်ဖစ်လုပ်ဆောင်ခြင်းယူနစ် (GPU) ရင်းမြစ်များ လိုအပ်ပြီး Generative AI (gen AI အတွက် ဖြန့်ဝေထားသော အလုပ်တာဝန်များဖြစ်သည်။) လူကြိုက်များသော cloud ပလပ်ဖောင်းများသည် အတိုင်းအတာနှင့် ဆွဲဆောင်မှုရှိသော ကိရိယာများကို ပေးစွမ်းနိုင်သော်လည်း အသုံးပြုသူများကို မကြာခဏ သော့ခတ်ကာ ဗိသုကာရွေးချယ်မှုနှင့် ရွေးချယ်မှုများကို ကန့်သတ်ထားသည်။

open source အသိုင်းအဝန်းကြောင့် AI တစ်ခုတည်ဆောက်ခြင်းသည် ပထမထင်ထားသကဲ့သို့ ကြောက်စရာမဟုတ်ပေ။ LLM အများအပြားရှိနှင့်ပြီးဖြစ်၍ InstructLab ၏ကျေးဇူးကြောင့် ၎င်းတို့သည် သင့်အဖွဲ့အစည်း၏လိုအပ်ချက်အတွက် ပြင်ဆင်ရန်လွယ်ကူပါသည်။
RHEL AI နှင့် Python ၏ အခြေခံဗဟုသုတနှင့် YAMLသင့်အဖွဲ့အစည်းသို့ စိတ်ကြိုက် AI ကို ယူဆောင်လာနိုင်ပါသည်။ တကယ်တော့ Red Hat Developers က ထွက်လာပါပြီ။ AI သင်ယူမှုလမ်းကြောင်းအသစ် အဲဒါက မင်းကို လုပ်ငန်းစဉ်တလျှောက် လှမ်းတယ်။ ဖြည့်စွက်သင်တန်းသည် ဒေတာစုဆောင်းခြင်း၊ ကြိုတင်လေ့ကျင့်ခြင်းနှင့် ချိန်ညှိခြင်းအဆင့်များနှင့် ရှိပြီးသား LLM ကို မြှင့်တင်ခြင်းအကြောင်း သိလိုသမျှကို ဖော်ပြပါသည်။ သင်ယူမှုလမ်းကြောင်းတွင် သင်၏ Python ပတ်ဝန်းကျင်ကို စတင်ပုံ၊ မော်ဒယ်တစ်ခုကို ဒေါင်းလုဒ်လုပ်ပြီး လေ့ကျင့်နည်းနှင့် သင့်အသုံးပြုသူများအတွက် ရရှိနိုင်စေရန် အဆင့်ဆင့်လမ်းညွှန်ချက်ပါရှိပါသည်။

မကြာခဏဆိုသလို၊ AI အသုံးပြုသူများသည် ပိုမိုကြီးမားသော ထုတ်လုပ်မှုပတ်ဝန်းကျင်သို့ မထုတ်လုပ်မီ ကြီးမားသောဘာသာစကားမော်ဒယ်များ (LLMs) ဖြင့် စမ်းသပ်လိုကြသည်။ သို့သော်၊ ChatGPT ကဲ့သို့ လူကြိုက်များသော LLM-based အပလီကေးရှင်းများကို စမ်းသပ်ခြင်းသည် အသုံးပြုသူဒေတာကို မည်ကဲ့သို့ သိမ်းဆည်းအသုံးပြုပုံနှင့် ပတ်သက်၍ စိုးရိမ်ပူပန်မှုများ မကြာခဏ ဖြစ်ပေါ်လေ့ရှိသည့် အရေးကြီးသော ကိုယ်ရေးကိုယ်တာ အချက်အလက်များကို မျှဝေခြင်းကို ဆိုလိုပါသည်။
RHEL AI သည် ကြီးမားသောဘာသာစကားမော်ဒယ်များဖြင့် စမ်းသပ်ရန်အတွက် ကုန်ကျစရိတ်သက်သာသော၊ လုံခြုံရေးကို အဓိကထားကာ ဆာဗာတစ်ခုတည်းပတ်ဝန်းကျင်ကို ပံ့ပိုးပေးခြင်းဖြင့် ဤစိန်ခေါ်မှုကို ဖြေရှင်းပေးပါသည်။ RHEL သည် ဒေတာ privacy သို့မဟုတ် လုံခြုံရေးအတွက် စိုးရိမ်စရာမရှိဘဲ ကြီးမားသောဘာသာစကားမော်ဒယ်များကို စတင်တီထွင်ပြီး မြှင့်တင်ရန် ဒေတာသိပ္ပံဆိုင်ရာ ကျွမ်းကျင်မှုအနည်းငယ်မျှသာရှိသော သုံးစွဲသူများအတွက် လွယ်ကူစေသည်။

အပ်ဒိတ်အတွက် စစ်ဆေးရန် ဤနေရာကို နှိပ်ပါ။

Red Hat Enterprise Linux AI ဆိုတာ ဘာလဲ၊ ဘယ်လို အလုပ်လုပ်လဲ။

Red Hat Enterprise Linux AI သည် open source Granite AI မော်ဒယ်များကို တီထွင်ခြင်း၊ စမ်းသပ်ခြင်းနှင့် လုပ်ဆောင်ခြင်းတို့ကို ကူညီဆောင်ရွက်ရန် ဒီဇိုင်းထုတ်ထားသော အခြေခံမော်ဒယ်ပလပ်ဖောင်းတစ်ခုဖြစ်သည်။ RHEL AI သည် open source InstructLab ပရောဂျက်ကို အခြေခံပြီး IBM Research မှ Granite ကြီးမားသော ဘာသာစကားမော်ဒယ်များ (LLM) ကို InstructLab ၏ စံပြချိန်ညှိကိရိယာများနှင့် ပေါင်းစပ်ထားသည်။ chatBots (LAB) အတွက် အကြီးစား ချိန်ညှိမှု နည်းစနစ်ကို အခြေခံ၍ RHEL AI သည် bootableRHEL ပုံကို ထုတ်လုပ်နိုင်သောကြောင့် သင်၏ AI ဖြန့်ကျက်မှုသည် ကွန်တိန်နာ သို့မဟုတ် virtual machine ကို boot လုပ်သကဲ့သို့ လွယ်ကူပါသည်။ ၎င်း၏အဓိကအာရုံစိုက်မှုသည် လုပ်ငန်းသုံးအက်ပ်လီကေးရှင်းများကို ပိုမိုချောမွေ့စွာစွမ်းဆောင်နိုင်စေရန် gen AI မော်ဒယ်များကို တီထွင်ခြင်း၊ စမ်းသပ်ခြင်းနှင့် လုပ်ဆောင်ခြင်းတို့ကို လုပ်ဆောင်ရန်ဖြစ်သည်။
Red Hat Enterprise Linux AI သည် ဟိုက်ဘရစ် cloud ပတ်ဝန်းကျင်များတစ်လျှောက် သယ်ဆောင်ရလွယ်ကူစေပြီး Red Hat OpenShift® AI နှင့် သင်၏ AI အလုပ်အသွားအလာများကို အတိုင်းအတာတစ်ခုအထိ လုပ်ဆောင်နိုင်စေပြီး လုပ်ငန်း AI ဖွံ့ဖြိုးတိုးတက်မှု၊ ဒေတာစီမံခန့်ခွဲမှုနှင့် မော်ဒယ်စီမံခန့်ခွဲမှုအတွက် IBM watsonx.ai သို့ တိုးမြှင့်နိုင်စေသည်။

စကားစပ်၊ foundation model တစ်ခု အလုပ်များစွာကို လုပ်ဆောင်ရန် ကြိုတင်လေ့ကျင့်ထားသော machine learning (ML) model အမျိုးအစားတစ်ခုဖြစ်သည်။ မကြာသေးမီအထိ၊ ဉာဏ်ရည်တု (AI) စနစ်များသည် အထူးပြုကိရိယာများဖြစ်ကြသည်၊ ဆိုလိုသည်မှာ ML မော်ဒယ်ကို တိကျသောအက်ပ်တစ်ခု သို့မဟုတ် တစ်ကြိမ်အသုံးပြုမှုကိစ္စအတွက် လေ့ကျင့်ပေးမည်ဖြစ်သည်။ စက်သင်ယူမှုနယ်ပယ်အတွင်း လမ်းကြောင်းနှစ်ခုကို ကျွမ်းကျင်သူများက စတင်သတိပြုမိသောအခါ အခြေခံပုံစံ (အခြေခံပုံစံဟုလည်းသိကြ) ဟူသော ဝေါဟာရသည် ကျွန်ုပ်တို့၏အဘိဓာန်တွင် ဝင်ရောက်လာသည်-
- အလုပ်များစွာအတွက် ရလဒ်များရရှိရန် နက်နဲသောသင်ယူမှုဗိသုကာအနည်းစုကို အသုံးပြုခဲ့သည်။
- အယူအဆသစ်များသည် ၎င်း၏လေ့ကျင့်ရေးတွင် မူလရည်ရွယ်ခြင်းမရှိသော ဉာဏ်ရည်တု (AI) မော်ဒယ်မှ ထွက်ပေါ်လာနိုင်သည်။
ဖောင်ဒေးရှင်းပုံစံများကို ပုံစံများ၊ တည်ဆောက်ပုံများနှင့် ကိုယ်စားပြုမှုများကို ယေဘုယျသဘောပေါက်နားလည်မှုဖြင့် လုပ်ဆောင်ရန် ပရိုဂရမ်ရေးဆွဲထားသည်။ ဆက်သွယ်ပုံနှင့် ပုံစံများကို ခွဲခြားသတ်မှတ်ပုံ၏ အခြေခံနားလည်သဘောပေါက်မှုသည် မည်သည့်စက်မှုလုပ်ငန်းနှင့်မဆို domain-specific အလုပ်များကို လုပ်ဆောင်ရန်အတွက် domain-specific tasks များကို လုပ်ဆောင်ရန် အသိပညာ၏ အခြေခံအချက်များကို ဖန်တီးပေးပါသည်။

Linux၊ containers နှင့် automation ၏ နည်းပညာအခြေခံအုတ်မြစ်ဖြင့် Red Hat ၏ open hybrid cloud မဟာဗျူဟာနှင့် AI အစုစုသည် သင်၏ AI အက်ပ်လီကေးရှင်းများကို လိုအပ်သည့်နေရာတိုင်းတွင် လုပ်ဆောင်ရန် လိုက်လျောညီထွေဖြစ်စေသည်။
ChatGPT ၏ပစ်လွှတ်မှုသည် Generative AI အတွက် ကြီးမားသောစိတ်ဝင်စားမှုကို ဖြစ်ပေါ်စေခဲ့ပြီး ဆန်းသစ်တီထွင်မှုအရှိန်အဟုန်သည် ထိုအချိန်မှစပြီး အရှိန်မြှင့်လာခဲ့သည်။ လုပ်ငန်းများသည် မျိုးဆက်သစ် AI ဝန်ဆောင်မှုများ၏ ကနဦးအကဲဖြတ်မှုများမှ AI-အသုံးပြုနိုင်သော အပလီကေးရှင်းများ တီထွင်ထုတ်လုပ်ခြင်းဆီသို့ ကူးပြောင်းသွားကြသည်။ ပွင့်လင်းမော်ဒယ်ရွေးချယ်မှုများ၏ လျင်မြန်စွာ တိုးချဲ့နေသော ဂေဟစနစ်သည် AI ဆန်းသစ်တီထွင်မှုကို လှုံ့ဆော်ပေးခဲ့ပြီး လွှမ်းမိုးထားသော မော်ဒယ်တစ်ခုမျှ ရှိမည်မဟုတ်ကြောင်း သက်သေပြခဲ့သည်။ ဖောက်သည်များသည် သတ်မှတ်ထားသော လိုအပ်ချက်များနှင့် ကိုက်ညီရန် အမျိုးမျိုးသော ရွေးချယ်မှုမှ အကျိုးခံစားခွင့် ရရှိမည်ဖြစ်ပြီး ၎င်းတို့အားလုံးသည် ဆန်းသစ်တီထွင်မှုဆီသို့ ပွင့်လင်းသောချဉ်းကပ်မှုဖြင့် ပိုမိုအရှိန်မြှင့်သွားမည်ဖြစ်သည်။

Generative AI သည် ကြီးမားသော အလားအလာကို ပေးစွမ်းသော်လည်း၊ သင်ယူမှု၊ လေ့ကျင့်မှုနှင့် ကြီးမားသော ဘာသာစကားပုံစံများ (LLM) များကို ကောင်းစွာချိန်ညှိခြင်းဆိုင်ရာ ဆက်စပ်ကုန်ကျစရိတ်များမှာ မတန်တဆဖြစ်နိုင်ပြီး၊ အချို့သော ထိပ်တန်းမော်ဒယ်များသည် စတင်မလွှင့်မီ လေ့ကျင့်ရန် ဒေါ်လာ သန်း ၂၀၀ နီးပါးကုန်ကျသည်။ ၎င်းတွင် ပုံမှန်အားဖြင့် ဒေတာသိပ္ပံပညာရှင်များ သို့မဟုတ် အထူးပြုတီထွင်သူများ လိုအပ်သည့် သီးခြားအဖွဲ့အစည်းတစ်ခု၏ လိုအပ်ချက် သို့မဟုတ် ဒေတာနှင့် မော်ဒယ်ကို ချိန်ညှိခြင်းအတွက် ကုန်ကျစရိတ် မပါဝင်ပါ။ ရွေးချယ်ထားသောမော်ဒယ် မည်သို့ပင်ရှိစေကာမူ၊ ၎င်းအား ကုမ္ပဏီ၏ သီးခြားဒေတာနှင့် လုပ်ငန်းစဉ်များနှင့် လိုက်လျောညီထွေဖြစ်အောင် ချိန်ညှိထားရန် လိုအပ်ပြီး လက်တွေ့ကမ္ဘာထုတ်လုပ်ရေးပတ်ဝန်းကျင်တွင် AI အတွက် ထိရောက်မှုနှင့် သွက်လက်မှုတို့သည် အရေးကြီးပါသည်။
Red Hat သည် လာမည့်ဆယ်စုနှစ်အတွင်း၊ ပိုမိုသေးငယ်သော၊ ပိုမိုထိရောက်ပြီး ရည်ရွယ်ချက်ဖြင့်တည်ဆောက်ထားသော AI မော်ဒယ်များသည် cloud-native applications များနှင့်အတူ လုပ်ငန်း IT stack ၏ အရေးပါသောအစိတ်အပိုင်းဖြစ်လာလိမ့်မည်ဟု Red Hat မှ ခန့်မှန်းထားသည်။ သို့သော် ယင်းကိုရရှိရန်၊ မျိုးဆက်သစ် AI သည် ၎င်း၏ကုန်ကျစရိတ်မှ ၎င်း၏ပံ့ပိုးပေးသူများအထိ ပေါင်းစပ် cloud တစ်လျှောက် ၎င်း၏ဖြန့်ကျက်နေရာများအထိ ပိုမိုရရှိနိုင်ပြီး ရရှိနိုင်မည်ဖြစ်သည်။ မတူကွဲပြားသော အသုံးပြုသူအုပ်စုများမှ ပံ့ပိုးမှုများမှတစ်ဆင့် ရှုပ်ထွေးသောဆော့ဖ်ဝဲပြဿနာများအတွက် အလားတူစိန်ခေါ်မှုများကို ပွင့်လင်းမြင်သာသောအသိုင်းအဝိုင်းများမှ ဆယ်စုနှစ်များစွာ ကူညီပေးခဲ့သည်။ အလားတူချဉ်းကပ်နည်းသည် မျိုးဆက်သစ် AI ကို ထိထိရောက်ရောက် လက်ခံကျင့်သုံးရန် အတားအဆီးများကို လျှော့ချနိုင်သည်။

Gen AI သည် ဆော့ဖ်ဝဲလ်ကို ဖန်တီးပုံမှ ကျွန်ုပ်တို့ ဆက်သွယ်ပုံအထိ အရာအားလုံးကို အနှောက်အယှက်ဖြစ်စေပြီး ပြင်းထန်သောပြောင်းလဲမှုအတွက် အထောက်အကူဖြစ်စေသည်။ သို့သော် မကြာခဏ၊ gen AI အတွက်အသုံးပြုသော LLM များကို တင်းတင်းကျပ်ကျပ် ထိန်းချုပ်ထားပြီး အထူးကျွမ်းကျင်မှုနှင့် ကုန်ကျစရိတ်မြင့်မားမှုမရှိဘဲ အကဲဖြတ်ခြင်း သို့မဟုတ် မြှင့်တင်မရနိုင်ပါ။ အနာဂတ်ဟာ လူနည်းစုလက်ထဲမှာ မဖြစ်သင့်ပါဘူး။
RHEL Al နှင့် ၎င်း၏ open source ချဉ်းကပ်မှုဖြင့်၊ သင်သည် ကုန်ကျစရိတ်ကို လျှော့ချရန်နှင့် ဝင်ရောက်ရန် အတားအဆီးများကို ဖယ်ရှားနေစဉ်တွင် သင်သည် gen Al ဆန်းသစ်တီထွင်မှုကို ယုံကြည်မှုနှင့် ပွင့်လင်းမြင်သာမှုဖြင့် အားပေးနိုင်ပါသည်။
RHEL AI ကိုအသုံးပြုခြင်းဖြင့် ကုမ္ပဏီများသည် ၎င်းတို့၏ဒေတာနေထိုင်ရာအနီးရှိ ဟိုက်ဘရစ် cloud တစ်လျှောက် မည်သည့်နေရာတွင်မဆို generative AI ကို လေ့ကျင့် အသုံးချနိုင်မည်ဖြစ်သည်။ ထို့အပြင်၊ ပလပ်ဖောင်းသည် on-r ကိုထောက်ပံ့ပေးသည်။amp တူညီသောကိရိယာများနှင့် သဘောတရားများကို အသုံးပြု၍ လေ့ကျင့်မှု၊ ချိန်ညှိခြင်းနှင့် မျိုးဆက်သစ် AI မော်ဒယ်များကို ဝန်ဆောင်မှုပေးရန်အတွက် Red Hat ၏ OpenShift AI ပလပ်ဖောင်းသို့

ကြီးမားသောဘာသာစကားပုံစံများကား အဘယ်နည်း၊ ၎င်းတို့ မည်သို့လုပ်ဆောင်ကြသနည်း။

LLM များသည် ကြီးကြပ်မှုမရှိဘဲ သင်ယူခြင်းဟု ခေါ်သော နည်းလမ်းဖြင့် ဘာသာစကား၏ နားလည်မှုကို ရရှိသည်။ ဤလုပ်ငန်းစဉ်တွင် စကားလုံးများနှင့် စကားစုများ၏ များပြားလှသော ဒေတာအတွဲများဖြင့် စက်သင်ယူမှုပုံစံကို ပံ့ပိုးပေးခြင်းဖြင့် ၎င်းကို ဟောင်းမှ သင်ယူနိုင်စေခြင်း၊ampလဲ့ ဤကြီးကြပ်မှုမရှိဘဲ ကြိုတင်လေ့ကျင့်ခြင်းအဆင့်သည် GPT-3 နှင့် BERT ကဲ့သို့သော LLM များ ဖွံ့ဖြိုးတိုးတက်မှုအတွက် အခြေခံဖြစ်သည်။
တိကျသေချာသော လူ့ညွှန်ကြားချက်မရှိသည့်တိုင် ကွန်ပျူတာသည် ဒေတာများမှ အချက်အလက်များကို ထုတ်ယူနိုင်ပြီး ချိတ်ဆက်မှုများကို ထူထောင်ကာ ဘာသာစကားအကြောင်း “သင်ယူ” နိုင်သည်။ မော်ဒယ်သည် စကားလုံးအစီအမံများကို ထိန်းချုပ်သည့်ပုံစံများကို လေ့လာသည့်အခါ ဖြစ်နိုင်ခြေပေါ်မူတည်၍ ဝါကျများကို မည်သို့ဖွဲ့စည်းသင့်သည်ကို ခန့်မှန်းနိုင်သည်။ ရလဒ်သည် စကားလုံးများနှင့် စာကြောင်းများကြား ရှုပ်ထွေးပွေလီသော ဆက်ဆံရေးကို ဖမ်းယူနိုင်သည့် စံနမူနာတစ်ခုဖြစ်သည်။
LLM များသည် ချိတ်ဆက်မှုများကို ရှာဖွေရန် ၎င်းတို့၏ ဖြစ်နိုင်ခြေများကို အဆက်မပြတ် တွက်ချက်ခြင်းကြောင့် များပြားလှသော တွက်ချက်မှုဆိုင်ရာ အရင်းအမြစ်များ လိုအပ်ပါသည်။ ထိုကဲ့သို့သောအရင်းအမြစ်တစ်ခုမှာ ဂရပ်ဖစ်လုပ်ဆောင်ခြင်းယူနစ် (GPU) ဖြစ်သည်။ GPU သည် ရှုပ်ထွေးသော အပြိုင်လုပ်ဆောင်ခြင်းလုပ်ငန်းများအတွက် ဒီဇိုင်းထုတ်ထားသည့် အထူးပြုဟာ့ဒ်ဝဲအစိတ်အပိုင်းတစ်ခုဖြစ်ပြီး ၎င်းသည် စက်သင်ယူမှုနှင့် LLMs ကဲ့သို့သော ကျယ်ပြန့်သောတွက်ချက်မှုများလိုအပ်သည့် နက်နဲသောသင်ယူမှုပုံစံများအတွက် စံပြဖြစ်စေသည်။
GPU များသည် LLM အများစုလုပ်ဆောင်သည့် သဘာဝဘာသာစကားလုပ်ဆောင်ခြင်း (NLP) လုပ်ငန်းဆောင်တာများအတွက် အထူးပြုလုပ်ထားသော ဆော့ဖ်ဝဲလ်ဗိသုကာအမျိုးအစားဖြစ်သည့် ထရန်စဖော်မာများ၏ လေ့ကျင့်ရေးနှင့်လည်ပတ်မှုကို အရှိန်မြှင့်ရန်အတွက် အရေးကြီးပါသည်။ ထရန်စဖော်မာများသည် ChatGPT နှင့် BERT ကဲ့သို့သော လူကြိုက်များသော LLM ဖောင်ဒေးရှင်းမော်ဒယ်များအတွက် အခြေခံအဆောက်အအုံများဖြစ်သည်။
Transformer ဗိသုကာသည် ဝါကျတစ်ခုရှိ စကားလုံးများကဲ့သို့သော ဒေတာအစီအစဥ်တစ်ခုရှိ ဒြပ်စင်များကြား ဆက်စပ်ဆက်စပ်မှုများနှင့် မှီခိုမှုများအကြား ဆက်စပ်မှုကို ထိရောက်စွာဖမ်းယူခြင်းဖြင့် စက်သင်ယူမှုပုံစံများကို မြှင့်တင်ပေးပါသည်။ ၎င်းသည် မတူညီသောဒြပ်စင်များ၏ အရေးပါမှုကို ချိန်ဆရန်၊ နားလည်မှုနှင့် စွမ်းဆောင်ရည်ကို မြှင့်တင်ရန် မိမိကိုယ်ကို အာရုံစူးစိုက်မှု ယန္တရားများ (ပါရာမီတာများ) ကို အသုံးပြုသည်။ ကန့်သတ်ချက်များသည် နက်နဲသောသင်ယူမှု အယ်လဂိုရီသမ်များဖြင့် လုပ်ဆောင်ခဲ့သော များပြားလှသောဒေတာပမာဏကို နားလည်သဘောပေါက်ရန်အတွက် အရေးကြီးသော ဘောင်များကို သတ်မှတ်ပါသည်။
Transformer ဗိသုကာသည် ကန့်သတ်ချက်များ သန်းပေါင်းများစွာ သို့မဟုတ် ဘီလီယံပေါင်းများစွာ ပေါင်းစပ်ပါဝင်ပြီး ရှုပ်ထွေးသော ဘာသာစကားပုံစံများနှင့် ကွဲပြားမှုများကို ဖမ်းယူနိုင်စေပါသည်။ "ကြီးမားသောဘာသာစကားမော်ဒယ်" တွင် "ကြီးမားသော" ဟူသောအသုံးအနှုန်းသည် LLM တစ်ခုထိရောက်စွာလည်ပတ်ရန်အတွက်လိုအပ်သောများပြားသောအတိုင်းအတာများကိုရည်ညွှန်းသည်။
ခေတ်မီ LLM များသည် ဘာသာစကားကို နားလည်ပြီး အသုံးချနိုင်သည့် ပြိုင်ဘက်ကင်းသော စွမ်းရည်ကို ပြသထားပြီး၊ ယခင်က ကိုယ်ပိုင်ကွန်ပြူတာမှ စိတ်ကူးနိုင်သောအရာများကို ကျော်လွန်ပါသည်။ ဤစက်သင်ယူမှုပုံစံများသည် စာသားကိုဖန်တီးနိုင်သည်၊ အကြောင်းအရာကို အကျဉ်းချုံ့နိုင်သည်၊ ဘာသာပြန်ရန်၊ ပြန်ရေးခြင်း၊ အမျိုးအစားခွဲခြင်း၊ အမျိုးအစားခွဲခြင်း၊ ခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် အခြားအရာများကို ပြုလုပ်နိုင်ပါသည်။
ဤအစွမ်းထက်သောကိရိယာအစုံသည် လူသားများအား ၎င်းတို့၏တီထွင်ဖန်တီးနိုင်စွမ်းကို မြှင့်တင်ရန်၊ ကုန်ထုတ်စွမ်းအားမြှင့်တင်ရန်နှင့် ရှုပ်ထွေးသောပြဿနာများကို ကိုင်တွယ်ဖြေရှင်းရန် ခွန်အားပေးသည်။ လုပ်ငန်းဆက်တင်တစ်ခုရှိ LLM များ၏ အသုံးအများဆုံးအက်ပ်အချို့တွင်-
- အလိုအလျောက်စနစ်နှင့် ထိရောက်မှု- LLM များသည် သုံးစွဲသူပံ့ပိုးမှု၊ ဒေတာခွဲခြမ်းစိတ်ဖြာမှုနှင့် အကြောင်းအရာထုတ်လုပ်ခြင်းကဲ့သို့သော ဘာသာစကားဆိုင်ရာ လုပ်ငန်းဆောင်တာများ၏ အခန်းကဏ္ဍကို ဖြည့်စွက်ကူညီနိုင်သည် သို့မဟုတ် လုံးလုံးလျားလျား တာဝန်ယူနိုင်ပါသည်။ ဤအလိုအလျောက်စနစ်သည် ပိုမိုမဟာဗျူဟာမြောက်သော အလုပ်များအတွက် လူသားအရင်းအမြစ်များကို လွတ်ကင်းစေပြီး လုပ်ငန်းလည်ပတ်မှုကုန်ကျစရိတ်များကို လျှော့ချနိုင်သည်။
- ထိုးထွင်းသိမြင်မှု ထုတ်ပေးခြင်း- LLM များသည် ကြီးမားသော စာသားဒေတာ အများအပြားကို လျင်မြန်စွာ စကင်န်ဖတ်နိုင်ပြီး၊ စီးပွားရေးလုပ်ငန်းများသည် ဆိုရှယ်မီဒီယာကဲ့သို့ အရင်းအမြစ်များကို ဖယ်ထုတ်ခြင်းဖြင့် စျေးကွက်လမ်းကြောင်းများနှင့် ဖောက်သည်တုံ့ပြန်ချက်များကို ပိုမိုကောင်းမွန်စွာ နားလည်နိုင်စေပါသည်။views၊ နှင့် သုတေသနစာတမ်းများသည် လုပ်ငန်းဆုံးဖြတ်ချက်များကို အသိပေးနိုင်သည် ။
- ပိုမိုကောင်းမွန်သော ဖောက်သည်အတွေ့အကြုံကို ဖန်တီးခြင်း- LLMs များသည် စီးပွားရေးလုပ်ငန်းများကို ၎င်းတို့၏ဖောက်သည်များထံ စိတ်ကြိုက်အကြောင်းအရာများ ပေးပို့ရန်၊ ထိတွေ့ဆက်ဆံမှုကို မောင်းနှင်ရန်နှင့် အသုံးပြုသူအတွေ့အကြုံကို ပိုမိုကောင်းမွန်လာစေရန် ကူညီပေးပါသည်။ ၎င်းသည် နာရီပတ်လုံး ဖောက်သည်ပံ့ပိုးမှု၊ စျေးကွက်ရှာဖွေရေး မက်ဆေ့ချ်များကို သီးသန့်အသုံးပြုသူပုဂ္ဂိုလ်များနှင့် အံဝင်ခွင်ကျဖြစ်စေရန် သို့မဟုတ် ဘာသာစကားဘာသာပြန်ဆိုခြင်းနှင့် ယဉ်ကျေးမှုဖြတ်ကျော်ဆက်သွယ်မှုကို လွယ်ကူချောမွေ့စေရန် chatbot တစ်ခုကို အကောင်အထည်ဖော်ခြင်းကဲ့သို့ ဖြစ်နိုင်ပါသည်။
အလားအလာများစွာရှိနေစဉ် advantagလုပ်ငန်းဆက်တင်တစ်ခုတွင် LLM ကိုအသုံးပြုခြင်းတွင် ထည့်သွင်းစဉ်းစားရန် အလားအလာရှိသော ကန့်သတ်ချက်များလည်း ရှိပါသည်။
- ကုန်ကျစရိတ်- LLM များသည် ဖွံ့ဖြိုးတိုးတက်ရန်၊ လေ့ကျင့်သင်ကြားရန်နှင့် အသုံးချရန် သိသာထင်ရှားသောအရင်းအမြစ်များ လိုအပ်သည်။ ထို့ကြောင့် LLM အများအပြားကို NLP စွမ်းရည်များဖြင့် ကြိုတင်လေ့ကျင့်ထားပြီး ပိုမိုရှုပ်ထွေးသော LLMs များထိပ်တွင် တည်ဆောက်နိုင်သည့် ဘာသာစကား၏ အခြေခံနားလည်မှုကို ပေးသည့် အခြေခံပုံစံများမှ တည်ဆောက်ထားသောကြောင့် ဖြစ်သည်။ Open source နှင့် open source-licensed LLM များသည် အခမဲ့ဖြစ်ပြီး ၎င်းတို့သည် LLM တစ်ခုကို ၎င်းတို့ကိုယ်တိုင် တီထွင်ဖန်တီးရန် မတတ်နိုင်သော အဖွဲ့အစည်းများအတွက် စံပြဖြစ်စေပါသည်။
- ကိုယ်ရေးကိုယ်တာနှင့် လုံခြုံရေး- LLM များသည် သတင်းအချက်အလက်များစွာကို ရယူသုံးစွဲခွင့် လိုအပ်ပြီး တစ်ခါတစ်ရံတွင် သုံးစွဲသူအချက်အလက် သို့မဟုတ် ကိုယ်ပိုင်လုပ်ငန်းဒေတာများ ပါဝင်သည်။ မော်ဒယ်ကို ပြင်ပဝန်ဆောင်မှုပေးသူများက အသုံးပြုခြင်း သို့မဟုတ် ဝင်ရောက်အသုံးပြုပါက အထူးသတိထားရမည့်အရာဖြစ်သည်။
- တိကျမှုနှင့် ဘက်လိုက်မှု- နက်နဲသော သင်ယူမှုပုံစံကို စာရင်းအင်းဆိုင်ရာဘက်လိုက်သည့် ဒေတာများပေါ်တွင် လေ့ကျင့်ထားလျှင် သို့မဟုတ် လူဦးရေ၏ တိကျသောကိုယ်စားပြုမှုကို မပေးပါက၊ ရလဒ်သည် ချို့ယွင်းချက်ရှိနိုင်သည်။ ကံမကောင်းစွာပဲ၊ ရှိပြီးသားလူ့ဘက်လိုက်မှုကို အတုထောက်လှမ်းရေးထံ မကြာခဏ လွှဲပြောင်းပေးသောကြောင့် ခွဲခြားဆက်ဆံမှုဆိုင်ရာ အယ်လဂိုရီသမ်များနှင့် ဘက်လိုက်မှုရလဒ်များအတွက် အန္တရာယ်ဖြစ်စေသည်။ အဖွဲ့အစည်းများသည် ပိုမိုကောင်းမွန်သော ကုန်ထုတ်စွမ်းအားနှင့် စွမ်းဆောင်ရည်အတွက် AI ကို ဆက်လက်အသုံးချနေသောကြောင့် ဘက်လိုက်မှုများကို လျှော့ချရန် ဗျူဟာများချမှတ်ထားရန် အရေးကြီးပါသည်။ ၎င်းသည် အားလုံးပါဝင်သော ဒီဇိုင်းလုပ်ငန်းစဉ်များနှင့် စုဆောင်းထားသောဒေတာအတွင်း ကိုယ်စားလှယ်ကွဲပြားမှုကို ပိုမိုစဉ်းစားသုံးသပ်ခြင်းဖြင့် စတင်သည်။

IBM InstructLab နှင့် Granite Models များသည် LLM သင်တန်းကို တော်လှန်နေပါသည်။

IBM Granite သည် IBM မှ ဖန်တီးထားသော ကုဒ်ဒါ-သီးသန့် AI အခြေခံမော်ဒယ်များ စီးရီးတစ်ခုဖြစ်သည်။ IBM ၏ cloud-based data နှင့် generative AI ပလပ်ဖောင်း Watsonx တွင် အခြားမော်ဒယ်များနှင့်အတူ အသုံးပြုရန်အတွက် အစပိုင်းတွင် ရည်ရွယ်ထားပြီး IBM သည် အချို့သော ကုဒ်မော်ဒယ်များ၏ အရင်းအမြစ်ကုဒ်ကို ဖွင့်လှစ်ခဲ့သည်။ Granite မော်ဒယ်များကို အင်တာနက်၊ ပညာရေးဆိုင်ရာ ထုတ်ဝေမှုများ၊ ကုဒ်ဒေတာအတွဲများ၊ ဥပဒေရေးရာနှင့် ဘဏ္ဍာရေးဆိုင်ရာ စာရွက်စာတမ်းများပေါ်တွင် လေ့ကျင့်သင်ကြားထားပါသည်။
မျိုးဆက်သစ် AI သည် လက်တွေ့စမ်းသပ်မှုမှ တန်ဖိုးဖန်တီးမှုသို့ ပြောင်းလဲလာသည်နှင့်အမျှ အခြေခံမော်ဒယ်များအတွက် လေ့ကျင့်ရေးနည်းလမ်းများလည်း တိုးတက်ပြောင်းလဲလာသည်။ ကျွမ်းကျင်မှု တိုးမြင့်လာခြင်းဖြင့် လူသားများ ပိုမိုထိရောက်စွာ သင်ယူလေ့လာပုံနှင့် အလားတူ၊ Red Hat နှင့် ပူးပေါင်း၍ IBM သုတေသနအဖွဲ့များသည် မျိုးဆက်သစ် AI မော်ဒယ်များကို မည်ကဲ့သို့ ထိရောက်စွာ သင်ယူနိုင်သည်ကို စတင်စူးစမ်းလာကြသည်။ ၎င်းတို့၏ မကြာသေးမီက ထွက်ရှိခဲ့သော InstructLab သည် သီးခြားလုပ်ငန်းတာဝန်များအတွက် အခြေခံအုတ်မြစ်ပုံစံများကို စိတ်ကြိုက်ပြင်ဆင်ရာတွင် သိသာထင်ရှားသော အရှိန်အဟုန်ကို သရုပ်ပြသည်။
InstructLab သည် ဖောင်ဒေးရှင်းပုံစံတစ်ခုလုံးကို ပြန်လည်လေ့ကျင့်ရန်မလိုအပ်ဘဲ LLM တွင် အပြောင်းအလဲများကို ပေါင်းစည်းနိုင်စေခြင်းဖြင့် ကောင်းမွန်သောပြင်ဆင်ခြင်း LLM များ၏ကုန်ကျစရိတ်ကို လျှော့ချရန် ရည်ရွယ်သည့် open-source ပရောဂျက်တစ်ခုဖြစ်သည်။

InstructLab ကို အသုံးပြု၍ ၎င်း၏မကြာသေးမီကထွက်ရှိထားသော Granite မော်ဒယ်မိသားစုနှင့်အတူ၊ IBM သည် အဆိုပါအရည်အသွေးကိုရရှိရန် လိုအပ်သည့်အချိန်ကို လျှော့ချခြင်းဖြင့် 20% ပိုမိုမြင့်မားသောကုဒ်မျိုးဆက်ရမှတ်ကို သရုပ်ပြနိုင်ခဲ့သည်။
Granite မော်ဒယ်များသည် လူသားပရိုဂရမ်မာများ၏ ကုန်ထုတ်စွမ်းအားကို မြှင့်တင်ရန် ဒီဇိုင်းထုတ်ထားသော IBM ၏ ကြီးမားသောဘာသာစကားမော်ဒယ်များ (LLMs) ၏ မိသားစုဖြစ်သည်။ ဤ LLM များသည် ကန့်သတ်ချက်အရွယ်အစားတွင် ကွဲပြားပြီး ဘာသာစကားနှင့် ကုဒ်အပါအဝင် ပုံစံအမျိုးမျိုးအတွက် generation AI ကို အသုံးပြုပါသည်။ ဂရန်နီဖောင်ဒေးရှင်းမော်ဒယ်များသည် ရိုးရိုးအင်္ဂလိပ်ညွှန်ကြားချက်များကို အခြေခံ၍ ကုဒ်ကို အမွေအနှစ်ဘာသာစကားများမှ လက်ရှိဘာသာစကားများသို့ ဘာသာပြန်ဆိုရာတွင် အထောက်အကူဖြစ်စေမည့် လက်ထောက်များကို ဖန်တီးရန်အတွက် ဂရန်းနစ်ဖောင်ဒေးရှင်းပုံစံများကို ကောင်းစွာပြင်ဆင်နေပါသည်။ IBM ၏ လုပ်ငန်းအဆင့် မျိုးဆက်သစ် AI ကို အာရုံစိုက်ထားသောကြောင့် Granite မော်ဒယ်များကို ကုဒ်ထုတ်လုပ်ရုံသာမက ပညာရေး၊ ဥပဒေရေးရာနှင့် ဘဏ္ဍာရေးဆိုင်ရာ ဆက်စပ်ပတ်သက်သည့် ဒေတာအတွဲများပေါ်တွင် လေ့ကျင့်သင်ကြားထားပါသည်။
ဖောင်ဒေးရှင်းမော်ဒယ်အသစ်များ၏ ကြီးမားသောလေ့ကျင့်သင်ကြားမှုသည် မျိုးဆက်သစ် AI နှင့် လူသားမျိုးနွယ်အတွက် အလားအလာရှိသော အသုံးချပရိုဂရမ်များကို သိသိသာသာအဆင့်မြင့်စေသည်။ အခြေခံအုတ်မြစ်မော်ဒယ်များကို လက်တွေ့ကမ္ဘာအသုံးပြုမှုကိစ္စများနှင့် အပလီကေးရှင်းများတွင် အသုံးချသောကြောင့်၊ အထူးသဖြင့် လုပ်ငန်းများတွင်၊ ဤအကျိုးသက်ရောက်မှုကို တည်ဆောက်ရန် အရေးကြီးပါသည်။ သို့သော် ဤအခြေခံအုတ်မြစ်ပုံစံများအတွက် ရိုးရာလေ့ကျင့်ရေးနည်းလမ်းများသည် များပြားလှသော ဒေတာစင်တာ အရင်းအမြစ်များ လိုအပ်ပြီး သိသာထင်ရှားသော အရင်းအနှီးနှင့် လုပ်ငန်းလည်ပတ်မှုကုန်ကျစရိတ်များကို ဖြစ်ပေါ်စေပါသည်။ Generative AI ၏ကတိကို အပြည့်အဝအကောင်အထည်ဖော်ရန် ကုမ္ပဏီများသည် ၎င်းတို့၏ မော်ဒယ်လေ့ကျင့်ရေးလုပ်ငန်းစဉ်များကို ပြန်လည်စဉ်းစားရမည်ဖြစ်သည်။ ကျယ်ပြန့်သော AI မော်ဒယ်လ် ဖြန့်ကျက်မှုအတွက်၊ ကုန်ကျစရိတ်သက်သာစွာဖြင့် domain-specific data များကို ပိုမိုထည့်သွင်းနိုင်ရန် ချိန်ညှိခြင်းနည်းပညာများ တိုးတက်ပြောင်းလဲလာရန် လိုအပ်ပါသည်။ ယခုအချိန်အထိ သရုပ်ပြထားသော ရလဒ်များအပေါ် အခြေခံ၍ IBM နှင့် Red Hat ၏ InstructLab ပရောဂျက်သည် ဤလမ်းကြောင်းတွင် သိသာထင်ရှားသော ခြေလှမ်းများ လှမ်းနေပုံပေါ်သည်။

Gen AI အတွက် open source ချဉ်းကပ်မှု

RHEL AI သည် ပေါင်းစပ် cloud တစ်လျှောက် CIO များနှင့် လုပ်ငန်းဆိုင်ရာ IT အဖွဲ့အစည်းများအတွက် generative AI ကို ပိုမိုသုံးစွဲနိုင်၊ ထိရောက်ပြီး လိုက်လျောညီထွေဖြစ်စေရန် ရည်ရွယ်သည်။
RHEL AI သည် ၎င်းကို ပြီးမြောက်စေရန် ကူညီပေးသည်-

လုပ်ငန်းအဆင့်၊ ပွင့်လင်းရင်းမြစ်-လိုင်စင်ရ Granite မော်ဒယ်များဖြင့် gen AI ဆန်းသစ်တီထွင်မှုကို အားကောင်းလာစေပြီး gen AI အသုံးပြုမှုကိစ္စရပ်များစွာနှင့် ပေါင်းစပ်ထားသည်။
InstructLab tooling ဖြင့် လုပ်ငန်းလိုအပ်ချက်များနှင့် gen AI မော်ဒယ်များကို ညှိပေးခြင်းဖြင့် အဖွဲ့အစည်းအတွင်းရှိ domain ကျွမ်းကျင်သူများနှင့် developer များအတွက် ကျယ်ပြန့်သော data science ကျွမ်းကျင်မှုမရှိဘဲ ၎င်းတို့၏မော်ဒယ်များအတွက် ထူးခြားသောကျွမ်းကျင်မှုများနှင့် အသိပညာများကို ပံ့ပိုးပေးနိုင်ပါသည်။

ဆက်စပ်ဒေတာနေထိုင်သည့်နေရာတိုင်းတွင် ထုတ်လုပ်ရေးဆာဗာများအတွက် မော်ဒယ်များကို ချိန်ညှိရန်နှင့် အသုံးပြုရန် လိုအပ်သည့်ကိရိယာအားလုံးကို ပံ့ပိုးပေးခြင်းဖြင့် gen AI ကို ပေါင်းစပ် cloud တစ်လျှောက် မည်သည့်နေရာတွင်မဆို လေ့ကျင့်ခြင်းနှင့် အသုံးချခြင်း။

RHEL AI သည် အဆင်သင့် on-r ကိုလည်း ထောက်ပံ့ပေးသည်။amp တူညီသောကိရိယာနှင့် သဘောတရားများကို အသုံးပြုနေစဉ်တွင် ဤမော်ဒယ်များကို လေ့ကျင့်ခြင်း၊ ချိန်ညှိခြင်းနှင့် ဆောင်ရွက်ပေးခြင်းတို့အတွက် Red Hat OpenShift AI သို့။

Red Hat Enterprise Linux AI သည် ပေါင်းစပ်ပါဝင်သည်-

Granite မိသားစု မော်ဒယ်များကို ဖွင့်ပါ။

RHEL AI တွင် စွမ်းဆောင်ရည်မြင့်မားသော၊ ပွင့်လင်းရင်းမြစ်လိုင်စင်ရထားသော၊ InstructLab အသိုင်းအဝိုင်းမှ ပူးပေါင်းဖန်တီးထားသော Granite ဘာသာစကားနှင့် ကုဒ်မော်ဒယ်များ၊ Red Hat မှ အပြည့်အဝပံ့ပိုးပေးပြီး လျော်ကြေးပေးသည့်ပုံစံများ ပါဝင်သည်။ ဤ Granite မော်ဒယ်များသည် Apache 2 လိုင်စင်ရထားပြီး ဒေတာရင်းမြစ်များနှင့် မော်ဒယ်အလေးများကို ပွင့်လင်းမြင်သာစွာ အသုံးပြုခွင့်ပေးပါသည်။ အနာဂတ်တွင်၊ Red Hat Enterprise Linux AI သည် Granite ကုဒ်မော်ဒယ်မိသားစု အပါအဝင် နောက်ထပ် Granite မော်ဒယ်များ ပါဝင်လာမည်ဖြစ်သည်။

InstructLab မော်ဒယ် ချိန်ညှိကိရိယာများ

LAB- ChatBots အတွက် Large-Scale Alignment သည် အရည်အသွေးမြင့် ပေါင်းစပ်ထားသော ဒေတာထုတ်လုပ်ခြင်းကို အသုံးချ၍ အကြီးစားဘာသာစကားမော်ဒယ်များကို သင်ကြားပို့ချမှု ချိန်ညှိခြင်းနှင့် ကောင်းစွာချိန်ညှိခြင်းအတွက် ဆန်းသစ်သောချဉ်းကပ်မှုတစ်ခုဖြစ်သည်။ ရိုးရှင်းသောအသုံးအနှုန်းဖြင့်၊ ၎င်းသည် သုံးစွဲသူများအား ဒိုမိန်းအလိုက် အသိပညာနှင့် ကျွမ်းကျင်မှုများဖြင့် LLM ကို စိတ်ကြိုက်ပြင်ဆင်နိုင်စေပါသည်။ ထို့နောက် InstructLab သည် LLM ကိုလေ့ကျင့်ရန်အသုံးပြုသည့် အရည်အသွေးမြင့် ပေါင်းစပ်ဒေတာကိုထုတ်ပေးသည်။ မေ့ပျောက်ခြင်းမှ ကာကွယ်ရန် ပြန်ဖွင့်သည့် ကြားခံကို အသုံးပြုသည်။

InstructLab သည် Generative Artificial Intelligence (gen AI) အပလီကေးရှင်းများတွင် အသုံးပြုသည့် ကြီးမားသောဘာသာစကားမော်ဒယ်များ (LLMs) ကို မြှင့်တင်ရန်အတွက် open source ပရောဂျက်တစ်ခုဖြစ်သည်။ IBM နှင့် Red Hat မှဖန်တီးထားသည့် InstructLab အသိုင်းအဝိုင်းပရောဂျက်သည် LLM များ၏ ချိန်ညှိမှုကို ပိုမိုကောင်းမွန်စေရန်အတွက် ကုန်ကျစရိတ်သက်သာသောအဖြေကို ပေးဆောင်ကာ ပံ့ပိုးကူညီရန် အနည်းဆုံးစက်သင်ယူမှုအတွေ့အကြုံရှိသူတို့အတွက် တံခါးများကိုဖွင့်ပေးသည်။
LLM များသည် chatbots နှင့် coding assistant အပါအဝင် အသုံးဝင်သော application အမျိုးမျိုးကို မောင်းနှင်နိုင်သည်။ ဤ LLM များသည် တစ်ဦးတည်းပိုင်ဖြစ်နိုင်သည် (OpenAI ၏ GPT မော်ဒယ်များနှင့် Anthropic's Claude မော်ဒယ်များကဲ့သို့) သို့မဟုတ် ကြိုတင်လေ့ကျင့်ခြင်း ဒေတာနှင့် အသုံးပြုမှုကန့်သတ်ချက်များ (Meta's Llama မော်ဒယ်များ၊ Mistral AI ၏ Mistral မော်ဒယ်များ၊ နှင့် IBM ၏ Granite မော်ဒယ်များ) တို့နှင့်ပတ်သက်သော ပွင့်လင်းမြင်သာမှုဒီဂရီအမျိုးမျိုးကို ပေးဆောင်နိုင်ပါသည်။
AI လေ့ကျင့်သူများသည် သတ်မှတ်ထားသော လုပ်ငန်းလိုအပ်ချက်များနှင့် ကိုက်ညီရန် ကြိုတင်လေ့ကျင့်ထားသော LLM ကို မကြာခဏ လိုက်လျောညီထွေရှိရန် လိုအပ်ပါသည်။ သို့သော်လည်း LLM ကို မည်ကဲ့သို့ ပြုပြင်ရမည်ကို ကန့်သတ်ချက်များ ရှိပါသည်။ InstructLab သည် ဤကန့်သတ်ချက်များကို ကျော်လွှားနိုင်သည့် ချဉ်းကပ်နည်းကို အသုံးပြုထားသည်။ ၎င်းသည် သမားရိုးကျ ပြန်လည်လေ့ကျင့်ရေးနည်းလမ်းများနှင့် နှိုင်းယှဉ်ပါက သိသိသာသာနည်းသော သတင်းအချက်အလက်နှင့် တွက်ချက်မှုဆိုင်ရာ အရင်းအမြစ်များကို အသုံးပြု၍ LLM ကို မြှင့်တင်နိုင်သည်။ ထို့အပြင်၊ ၎င်းသည် အထက်စီးကြောင်း ပံ့ပိုးမှုများမှတစ်ဆင့် စဉ်ဆက်မပြတ် မော်ဒယ်တိုးတက်မှုကို ခွင့်ပြုသည်။

LAB နည်းပညာတွင် ထူးခြားသော အဆင့်လေးဆင့်ပါရှိသည် (ပုံ 1)။
- ဘာသာရပ်အလိုက် ကျွမ်းကျင်မှုနှင့် အသိပညာကို ကိုယ်စားပြုသည်။
- ဆရာပုံစံဖြင့် ပေါင်းစပ်ဒေတာထုတ်လုပ်ခြင်း (SDG)
- ဝေဖန်ရေးပုံစံဖြင့် ပေါင်းစပ်ထားသော ဒေတာကို အတည်ပြုခြင်း။
- ကျောင်းသားပုံစံ(များ)၏ထိပ်တွင် ကျွမ်းကျင်မှုနှင့် အသိပညာလေ့ကျင့်မှု
InstructLab သည် LAB နည်းပညာကို အကောင်အထည်ဖော်သည့် ဆော့ဖ်ဝဲလ်၏ အမည်ဖြစ်သည်။ ၎င်းတွင် အသုံးပြုသူထည့်သွင်းထားသော အသစ်များအပါအဝင် ကျွမ်းကျင်မှုများနှင့် အသိပညာများ၏ ဒေသဆိုင်ရာ git သိုလှောင်ရုံနှင့် အပြန်အလှန်တုံ့ပြန်သော၊ ပေါင်းစပ်ဒေတာထုတ်လုပ်ရန်၊ LLM ၏လေ့ကျင့်မှုကို လုပ်ဆောင်ရန်၊ လေ့ကျင့်ထားသောမော်ဒယ်ကို ဝန်ဆောင်မှုပေးပြီး ၎င်းနှင့်စကားပြောဆိုရန်တို့အပါအဝင် command-line interface တစ်ခုပါရှိသည်။

အသုံးပြုသူများသည် ၎င်းတို့၏ကိုယ်ပိုင်ကျွမ်းကျင်မှုနှင့် အသိပညာများဖြင့် အခြေခံမော်ဒယ်များကို လေ့ကျင့်ခြင်းဖြင့် ၎င်းတို့၏ကိုယ်ပိုင် LLM ကို ဖန်တီးနိုင်သည်။ ၎င်းတို့သည် လေ့ကျင့်သင်ကြားထားသော မော်ဒယ်နှင့် ထပ်လောင်းကျွမ်းကျင်မှုများနှင့် အသိပညာများကို မျှဝေရန် သို့မဟုတ် ၎င်းတို့အား သီးသန့်ထားရှိရန် ရွေးချယ်နိုင်သည်။

Granite မော်ဒယ်များနှင့် InstructLab အတွက် bootable Red Hat Enterprise Linux ကို ပိုမိုကောင်းမွန်အောင် ပြုလုပ်ထားသည်။

Granite မော်ဒယ်များနှင့် InstructLab ကိရိယာတန်ဆာပလာများကို AMD၊ Intel နှင့် NVIDIA ကဲ့သို့သော ရောင်းချသူများထံမှ နာမည်ကြီး ဟာ့ဒ်ဝဲ အရှိန်မြှင့်စက်များအတွက် အကောင်းဆုံးပြင်ဆင်ထားသော ဆော့ဖ်ဝဲအစုအဝေးဖြင့် စတင်နိုင်သော RHEL ရုပ်ပုံပေါ်တွင် ဒေါင်းလုဒ်လုပ်ပြီး အသုံးပြုထားသည်။ ထို့အပြင်၊ ဤ RHEL AI ပုံများသည် Lenovo မှ public clouds နှင့် AI-optimized servers များအပါအဝင် Red Hat Certified Ecosystem တစ်လျှောက်တွင် စတင်လည်ပတ်မည်ဖြစ်သည်။

လုပ်ငန်းပံ့ပိုးမှု၊ ဘဝသံသရာနှင့် လျော်ကြေးငွေ

ယေဘူယျရရှိနိုင်မှု (GA) တွင် Red Hat Enterprise Linux AI စာရင်းသွင်းမှုများတွင် လုပ်ငန်းပံ့ပိုးမှု၊ Granite 7B မော်ဒယ်နှင့် ဆော့ဖ်ဝဲလ်မှ စတင်သည့် ပြီးပြည့်စုံသော ထုတ်ကုန်ဘဝစက်ဝန်းနှင့် Red Hat မှ IP လျော်ကြေးပေးခြင်းတို့ ပါဝင်မည်ဖြစ်သည်။

RHEL AI က ဘယ်လိုပြဿနာတွေကို ဖြေရှင်းပေးလဲ။

Generative AI ကို စတင်ရတာဟာ မကြာခဏဆိုသလို စိန်ခေါ်မှုတွေပါ။ InstructLab* နှင့် Granite မော်ဒယ်များဖြင့် ကျွန်ုပ်တို့သည် လူတိုင်းလက်လှမ်းမီနိုင်သော ဘာသာစကားမော်ဒယ်တွင် အသိပညာနှင့် ကျွမ်းကျင်မှုများကို ပေါင်းထည့်နိုင်စေသည်။ ယင်းက ကုမ္ပဏီများသည် ၎င်းတို့၏ သီးခြားအသုံးပြုမှုကိစ္စနှင့် မော်ဒယ်ကို ချိန်ညှိရန် ၎င်းတို့၏ သီးခြားအသိပညာနှင့် ကျွမ်းကျင်မှုများကို ထည့်သွင်းနိုင်စေပါသည်။

ထုတ်ထားသောစာသားများ၏ အမည်မသိလိုင်စင်ကြောင့် ကုမ္ပဏီများသည် ကြီးမားသောဘာသာစကားမော်ဒယ်များကို အသုံးပြု၍မရပါ။ RHEL AI သည် လျော်ကြေးပေးခြင်း ပါ၀င်ပြီး မော်ဒယ်ကိုယ်တိုင်က Apache-2.0 Open Source လိုင်စင်အောက်တွင် လိုင်စင်ရထားသည်။

Generative AI ကို စတင်အသုံးပြုခြင်းသည် အလွန်စျေးကြီးသည်။ RHEL AI နှင့် InstructLab သည် လူများကို ကုန်ကျစရိတ်ထိရောက်သောနည်းလမ်းဖြင့် စတင်ရန်နှင့် လိုအပ်သည့်အခါတွင် အတိုင်းအတာကို ချဲ့ထွင်ရန် နည်းလမ်းတစ်ခုကို ပံ့ပိုးပေးပါသည်။

အနှစ်ချုပ်

ChatGPT ၏ပစ်လွှတ်မှုသည် Generative AI အတွက် ကြီးမားသောစိတ်ဝင်စားမှုကို ဖြစ်ပေါ်စေခဲ့ပြီး ဆန်းသစ်တီထွင်မှုအရှိန်အဟုန်သည် ထိုအချိန်မှစပြီး အရှိန်မြှင့်လာခဲ့သည်။ လုပ်ငန်းများသည် မျိုးဆက်သစ် AI ဝန်ဆောင်မှုများ၏ ကနဦးအကဲဖြတ်မှုများမှ AI-အသုံးပြုနိုင်သော အပလီကေးရှင်းများ တီထွင်ထုတ်လုပ်ခြင်းဆီသို့ ကူးပြောင်းသွားကြသည်။ ပွင့်လင်းမော်ဒယ်ရွေးချယ်မှုများ၏ လျင်မြန်စွာ တိုးချဲ့နေသော ဂေဟစနစ်သည် AI ဆန်းသစ်တီထွင်မှုကို လှုံ့ဆော်ပေးခဲ့ပြီး လွှမ်းမိုးထားသော မော်ဒယ်တစ်ခုမျှ ရှိမည်မဟုတ်ကြောင်း သက်သေပြခဲ့သည်။ ဖောက်သည်များသည် သတ်မှတ်ထားသော လိုအပ်ချက်များနှင့် ကိုက်ညီရန် အမျိုးမျိုးသော ရွေးချယ်မှုမှ အကျိုးခံစားခွင့် ရရှိမည်ဖြစ်ပြီး ၎င်းတို့အားလုံးသည် ဆန်းသစ်တီထွင်မှုဆီသို့ ပွင့်လင်းသောချဉ်းကပ်မှုဖြင့် ပိုမိုအရှိန်မြှင့်သွားမည်ဖြစ်သည်။

AI မဟာဗျူဟာကို အကောင်အထည်ဖော်ရာတွင် မော်ဒယ်ရွေးချယ်ခြင်းထက် ပိုမိုပါဝင်ပါသည်။ နည်းပညာအဖွဲ့အစည်းများသည် ၎င်းတို့၏အသုံးပြုမှုကိစ္စရပ်အတွက် တိကျသောပုံစံတစ်ခုကို ပုံဖော်ရန်နှင့် AI အကောင်အထည်ဖော်မှု၏ သိသာထင်ရှားသောကုန်ကျစရိတ်များကို ဖြေရှင်းရန် ကျွမ်းကျင်မှုလိုအပ်ပါသည်။ ဒေတာသိပ္ပံကျွမ်းကျင်မှု ရှားပါးလာခြင်းကို အောက်ပါတို့အပါအဝင် များပြားလှသော ဘဏ္ဍာရေးလိုအပ်ချက်များဖြင့် ပေါင်းစပ်ထားသည်။
- AI အခြေခံအဆောက်အဦများ ၀ယ်ယူခြင်း သို့မဟုတ် AI ဝန်ဆောင်မှုများကို သုံးစွဲခြင်း။
- သီးခြားလုပ်ငန်းအတွက် လိုအပ်သော AI မော်ဒယ်များကို ချိန်ညှိခြင်း၏ ရှုပ်ထွေးသောလုပ်ငန်းစဉ်သည် လုပ်ငန်းဆိုင်ရာအသုံးချပရိုဂရမ်များတွင် AI ပေါင်းစပ်မှုလိုအပ်သည်။
- အပလီကေးရှင်းနှင့် မော်ဒယ်ဘဝသံသရာ နှစ်ခုလုံးကို စီမံခန့်ခွဲခြင်း။
AI ဆန်းသစ်တီထွင်မှုအတွက် ဝင်ခွင့်အတားအဆီးများကို အမှန်တကယ်လျှော့ချရန်၊ လုပ်ငန်းများသည် AI အစပျိုးမှုများတွင် လုပ်ဆောင်နိုင်သည့်သူစာရင်းကို ချဲ့ထွင်နိုင်ရန်လိုအပ်ပြီး အဆိုပါကုန်ကျစရိတ်များကို တစ်ချိန်တည်းတွင် ထိန်းချုပ်နိုင်မည်ဖြစ်သည်။ InstructLab ချိန်ညှိခြင်းကိရိယာများ၊ Granite မော်ဒယ်များနှင့် RHEL AI တို့ဖြင့် Red Hat သည် စစ်မှန်သော open source ပရောဂျက်များ၏ အကျိုးကျေးဇူးများကို အသုံးချရန် ရည်မှန်းထားသည် - ဤအတားအဆီးများကို ဖယ်ရှားရန်အတွက် GenAI သို့ လွတ်လွတ်လပ်လပ် အသုံးပြု၍ရနိုင်သော၊ ပြန်သုံးနိုင်သော၊ ပွင့်လင်းမြင်သာသော၊

ဆက်စပ်ထုတ်ကုန်မိသားစုများ

ဤစာရွက်စာတမ်းနှင့်ဆက်စပ်သော ထုတ်ကုန်မိသားစုများမှာ အောက်ပါအတိုင်းဖြစ်သည်-

Red Hat မဟာမိတ်အဖွဲ့

သတိပေးချက်များ

Lenovo သည် နိုင်ငံတိုင်းတွင် ဤစာတမ်းတွင် ဆွေးနွေးထားသော ထုတ်ကုန်များ၊ ဝန်ဆောင်မှုများ သို့မဟုတ် အင်္ဂါရပ်များကို ကမ်းလှမ်းမည်မဟုတ်ပါ။ သင့်ဒေသတွင် လက်ရှိရရှိနိုင်သော ထုတ်ကုန်များနှင့် ဝန်ဆောင်မှုများဆိုင်ရာ အချက်အလက်များအတွက် သင့်ဒေသတွင်း Lenovo ကိုယ်စားလှယ်နှင့် တိုင်ပင်ပါ။ Lenovo ထုတ်ကုန်၊ ပရိုဂရမ် သို့မဟုတ် ဝန်ဆောင်မှုကို ကိုးကားခြင်းသည် Lenovo ထုတ်ကုန်၊ ပရိုဂရမ် သို့မဟုတ် ဝန်ဆောင်မှုကိုသာ အသုံးပြုနိုင်ကြောင်း ဖော်ပြရန် သို့မဟုတ် အဓိပ္ပာယ်ဖွင့်ဆိုရန် ရည်ရွယ်ခြင်းမဟုတ်ပါ။ Lenovo ၏ ဉာဏပစ္စည်းမူပိုင်ခွင့်ကို မထိပါးစေသော လုပ်ဆောင်ချက်နှင့် ညီမျှသော ထုတ်ကုန်၊ ပရိုဂရမ် သို့မဟုတ် ဝန်ဆောင်မှုကို ၎င်းအစား အသုံးပြုနိုင်သည်။ သို့ရာတွင်၊ အခြားထုတ်ကုန်၊ ပရိုဂရမ် သို့မဟုတ် ဝန်ဆောင်မှု၏ လုပ်ဆောင်ချက်များကို အကဲဖြတ်ရန်နှင့် အတည်ပြုရန်မှာ သုံးစွဲသူ၏ တာဝန်ဖြစ်သည်။ Lenovo တွင် ဤစာတမ်းတွင်ဖော်ပြထားသော အကြောင်းအရာအကြောင်းအရာကို အကျုံးဝင်သော မူပိုင်ခွင့်များ သို့မဟုတ် ဆိုင်းငံ့ထားသော မူပိုင်ခွင့်လျှောက်လွှာများ ရှိနိုင်ပါသည်။ ဤစာရွက်စာတမ်းကို အလှဆင်ခြင်းသည် သင့်အား ဤမူပိုင်ခွင့်အတွက် မည်သည့်လိုင်စင်မှ မပေးပေ။ လိုင်စင်စုံစမ်းမေးမြန်းမှုများကို စာဖြင့်ရေးသားပေးပို့နိုင်သည်-
Lenovo (အမေရိကန်ပြည်ထောင်စု), Inc.
8001 ဖွံ့ဖြိုးရေး Drive ကို
Morrisville, မြောက်ကယ်ရိုလိုင်းနား 27560
ယူအက်စ်အေ
သတိပြုရန်- Lenovo လိုင်စင်ဒါရိုက်တာ

LENOVO သည် ဤပုံနှိပ်ထုတ်ဝေမှုတွင် မည်သည့်အမျိုးအစားကိုမျှ အာမခံမရှိဘဲ၊ ထုတ်ဖော်ပြောဆိုခြင်း သို့မဟုတ် အဓိပ္ပာယ်ဖွင့်ဆိုခြင်း အပါအဝင်၊ သို့သော် ကန့်သတ်မထားဘဲ၊ ကန့်သတ်ထားခြင်းမဟုတ်၊ ချိုးဖောက်မှုမရှိသော၊ ကန့်သတ်မှုမရှိ၊ ရည်ရွယ်ချက်။ အချို့သော စီရင်ပိုင်ခွင့်အာဏာများသည် အချို့သော အရောင်းအ၀ယ်များတွင် အမြန် သို့မဟုတ် သွယ်ဝိုက်အာမခံချက်ကို ငြင်းဆိုခြင်းကို ခွင့်မပြုသောကြောင့် ဤထုတ်ပြန်ချက်သည် သင့်အတွက် သက်ဆိုင်မည်မဟုတ်ပါ။
ဤအချက်အလက်တွင် နည်းပညာပိုင်းဆိုင်ရာ မမှန်ကန်မှုများ သို့မဟုတ် စာစီစာရိုက်အမှားများ ပါဝင်နိုင်သည်။ ဤနေရာတွင် အချက်အလက်များကို အခါအားလျော်စွာ ပြောင်းလဲခြင်းများ ပြုလုပ်ပါသည်။ ဤအပြောင်းအလဲများကို ထုတ်ဝေမှု၏ ထုတ်ဝေမှုအသစ်တွင် ထည့်သွင်းမည်ဖြစ်သည်။ Lenovo သည် ထုတ်ကုန်(များ) နှင့်/သို့မဟုတ် ဤထုတ်ဝေမှုတွင်ဖော်ပြထားသော ပရိုဂရမ်(များ) ကို အချိန်မရွေး အသိပေးခြင်းမရှိဘဲ တိုးတက်မှုနှင့်/သို့မဟုတ် အပြောင်းအလဲများ ပြုလုပ်နိုင်ပါသည်။
ဤစာရွက်စာတမ်းတွင်ဖော်ပြထားသည့်ထုတ်ကုန်များသည် အစားထိုးထည့်သွင်းခြင်း သို့မဟုတ် အခြားအသက်ကယ်ထောက်ပံ့မှုအပလီကေးရှင်းများတွင် အသုံးပြုရန် ရည်ရွယ်ခြင်းမဟုတ်ဘဲ ချွတ်ယွင်းချက်ကြောင့် လူများထိခိုက်ဒဏ်ရာရခြင်း သို့မဟုတ် သေဆုံးခြင်းများအထိ ဖြစ်စေနိုင်သည်။ ဤစာရွက်စာတမ်းတွင်ပါရှိသောအချက်အလက်များသည် Lenovo ထုတ်ကုန်သတ်မှတ်ချက်များ သို့မဟုတ် အာမခံချက်များကို သက်ရောက်မှု သို့မဟုတ် ပြောင်းလဲခြင်းမရှိပါ။ Lenovo သို့မဟုတ် ပြင်ပအဖွဲ့အစည်းများ၏ ဉာဏမူပိုင်ခွင့်ဆိုင်ရာ အခွင့်အရေးများအောက်တွင် ဤစာရွက်စာတမ်းတွင် မည်သည့်အရာကမျှ ဖော်ပြခြင်း သို့မဟုတ် သွယ်ဝိုက်သော လိုင်စင် သို့မဟုတ် လျော်ကြေးငွေအဖြစ် လုပ်ဆောင်ခြင်းမပြုရ။ ဤစာရွက်စာတမ်းတွင်ပါရှိသော အချက်အလက်အားလုံးကို သီးခြားပတ်ဝန်းကျင်များတွင် ရရှိထားပြီး ပုံဥပမာအဖြစ် တင်ပြထားသည်။ အခြားလုပ်ဆောင်မှုပတ်ဝန်းကျင်များတွင် ရရှိသောရလဒ်သည် ကွဲပြားနိုင်သည်။ Lenovo သည် သင့်အတွက် တာဝန်တစ်စုံတစ်ရာမရှိဘဲ သင့်အတွက် သင့်လျော်သည်ဟု ယုံကြည်သည့် မည်သည့်နည်းဖြင့်မဆို ပေးဆောင်သည့် အချက်အလက်များကို အသုံးပြု သို့မဟုတ် ဖြန့်ဝေနိုင်သည်။

Lenovo မှမဟုတ်သောဤစာစောင်၌မည်သည့်ရည်ညွှန်းချက် Web ဆိုဒ်များကို အဆင်ပြေစေရန်အတွက်သာ ပံ့ပိုးပေးထားပြီး မည်သည့်နည်းဖြင့်မျှ ၎င်းတို့ကို ထောက်ခံချက်အဖြစ် ဆောင်ရွက်မည်မဟုတ်ပါ။ Web ဆိုဒ်များ ပစ္စည်းတွေ မှာထားတာ Web ဝဘ်ဆိုဒ်များသည် ဤ Lenovo ထုတ်ကုန်အတွက် ပစ္စည်းများဖြစ်ပြီး ၎င်းအသုံးပြုမှု၏ အစိတ်အပိုင်းမဟုတ်ပါ။ Web ဆိုက်များသည် သင့်ကိုယ်ပိုင် အန္တရာယ်ရှိသည်။ ဤနေရာတွင်ပါရှိသော စွမ်းဆောင်ရည်ဒေတာမှန်သမျှကို ထိန်းချုပ်ထားသော ပတ်ဝန်းကျင်တွင် ဆုံးဖြတ်ထားသည်။ ထို့ကြောင့်၊ အခြားသော လုပ်ငန်းဆောင်ရွက်မှုပတ်ဝန်းကျင်များတွင် ရရှိသောရလဒ်သည် သိသိသာသာကွဲပြားနိုင်သည်။ အချို့သော တိုင်းတာမှုများကို ဖွံ့ဖြိုးတိုးတက်မှုအဆင့်စနစ်များတွင် ပြုလုပ်ထားနိုင်ပြီး အဆိုပါတိုင်းတာမှုများသည် ယေဘူယျရရှိနိုင်သည့်စနစ်များတွင် တူညီမည်ဟု အာမခံချက်မရှိပါ။ ထို့အပြင်၊ အချို့သော အတိုင်းအတာများကို အပိုထည့်ခြင်းဖြင့် ခန့်မှန်းတွက်ချက်နိုင်သည်။ လက်တွေ့ရလဒ်များ ကွဲပြားနိုင်သည်။ ဤစာရွက်စာတမ်းကို အသုံးပြုသူများသည် ၎င်းတို့၏ သီးခြားပတ်ဝန်းကျင်အတွက် သက်ဆိုင်သည့်ဒေတာကို အတည်ပြုသင့်သည်။
ဤစာရွက်စာတမ်း LP2032 ကို 19 ခုနှစ် စက်တင်ဘာလ 2024 ရက်နေ့တွင် ဖန်တီးခဲ့သည် သို့မဟုတ် အပ်ဒိတ်လုပ်ခဲ့သည်။

သင့်မှတ်ချက်များကို အောက်ပါနည်းလမ်းများထဲမှ တစ်ခုဖြင့် ကျွန်ုပ်တို့ထံ ပေးပို့ပါ-
- အွန်လိုင်းကို အသုံးပြု၍ ကျွန်ုပ်တို့ထံ ဆက်သွယ်ပါ။view ပုံစံ- https://lenovopress.lenovo.com/LP2032
- သင့်မှတ်ချက်များကို အီးမေးလ်ဖြင့် ပေးပို့ပါ- comment@lenovopress.com

ဤစာတမ်းကို အွန်လိုင်းတွင် ရနိုင်ပါသည်။ https://lenovopress.lenovo.com/LP2032.

ကုန်အမှတ်တံဆိပ်များ

Lenovo နှင့် Lenovo လိုဂိုများသည် အမေရိကန်ပြည်ထောင်စု၊ အခြားနိုင်ငံများတွင် သို့မဟုတ် နှစ်ခုလုံးအတွက် Lenovo ၏ ကုန်အမှတ်တံဆိပ်များ သို့မဟုတ် မှတ်ပုံတင်ထားသော ကုန်အမှတ်တံဆိပ်များဖြစ်သည်။ Lenovo ၏ လက်ရှိကုန်အမှတ်တံဆိပ်များစာရင်းကို အဆိုပါနေရာတွင် ရရှိနိုင်ပါသည်။ Web https://www.lenovo.com/us/en/legal/copytrade/ တွင်။
အောက်ပါအသုံးအနှုန်းများသည် အမေရိကန်ပြည်ထောင်စု၊ အခြားနိုင်ငံများရှိ Lenovo ၏ ကုန်သွယ်မှုအမှတ်တံဆိပ်များဖြစ်သည်- Lenovo®

အောက်ဖော်ပြပါ စည်းကမ်းချက်များသည် အခြားကုမ္ပဏီများ၏ ကုန်အမှတ်တံဆိပ်များဖြစ်သည်-
AMD သည် Advanced Micro Devices, Inc ၏ ကုန်အမှတ်တံဆိပ်တစ်ခုဖြစ်သည်။
Intel® သည် Intel Corporation သို့မဟုတ် ၎င်း၏ လုပ်ငန်းခွဲများ ၏ ကုန်အမှတ်တံဆိပ်တစ်ခုဖြစ်သည်။

Linux® သည် US နှင့် အခြားနိုင်ငံများရှိ Linus Torvalds ၏ ကုန်အမှတ်တံဆိပ်ဖြစ်သည်။
အခြားကုမ္ပဏီ၊ ထုတ်ကုန် သို့မဟုတ် ဝန်ဆောင်မှုအမည်များသည် အခြားသူများ၏ အမှတ်တံဆိပ် သို့မဟုတ် ဝန်ဆောင်မှုအမှတ်အသားများ ဖြစ်နိုင်ပါသည်။

စာရွက်စာတမ်းများ / အရင်းအမြစ်များ

Lenovo RHEL AI [pdf] အသုံးပြုသူလမ်းညွှန်
RHEL AI၊ RHEL၊ AI

ကိုးကား

IBM watsonx.ai