GEMINI LEVEL 1 • LESSON 1

Gemini ជាអ្វី និងអាចជួយអ្វីបាន?

by Sot Dimong

១២ កញ្ញា ២០២៦

ស្គាល់ Gemini ជាជំនួយការ AI របស់ Google សម្រាប់គិត សរសេរ វិភាគ បង្កើត និង Multimodal work។

រយៈពេលប្រហែល ១៤ នាទី

Gemini Mission • Level 1 ✨ Gemini Starter

0 XP

ចាប់ផ្តើម

សេចក្តីផ្តើមមេរៀន
មេរៀនទី១ ៖ «Gemini ជាអ្វី និងអាចជួយអ្វីបាន?» នឹងណែនាំអ្នកឱ្យយល់ច្បាស់ពី ស្គាល់ Gemini ជាជំនួយការ AI របស់ Google សម្រាប់គិត សរសេរ វិភាគ បង្កើត និង Multimodal work។

១. Google Gemini គឺជាអ្វី? ហេតុអ្វីបានជាវាជា Native Multimodal AI?

Google Gemini គឺជាបច្ចេកវិទ្យាបញ្ញាសិប្បនិម្មិត (Artificial Intelligence) ជំនាន់ចុងក្រោយបង្អស់ដែលបង្កើតឡើងដោយក្រុមអ្នកស្រាវជ្រាវកំពូល Google DeepMind។ ភាពខុសគ្នាជាមូលដ្ឋានរវាង Gemini និង Large Language Models (LLMs) ជំនាន់ចាស់ៗ គឺស្ថិតនៅលើស្ថាបត្យកម្មស្នូល៖ Gemini ត្រូវបានបង្កើតឡើងពីឫសគល់ជា Native Multimodal AI។

ពាក្យថា Native Multimodal មានន័យថាតាំងពីវិនាទីដំបូងនៃការបណ្តុះបណ្តាល (Pre-training) Gemini ត្រូវបានហ្វឹកហាត់ជាមួយទិន្នន័យចម្រុះបញ្ចូលគ្នាក្នុង Neural Network តែមួយ រួមមាន៖ អត្ថបទរាប់រយភាសា (Text), រូបភាពប្លង់ និងក្រាហ្វិក (Images), សំឡេងផ្ទាល់មាត់ (Audio), វីដេអូកម្រិតខ្ពស់ (Video), និងកូដកុំព្យូទ័រ (Source Code)។ ដូច្នេះ Gemini អាចធ្វើការផ្សារភ្ជាប់បរិបទរវាងអ្វីដែលវា «មើលឃើញ» និងអ្វីដែលវា «អាន ឬស្តាប់» ដោយផ្ទាល់ក្នុងពេលតែមួយ។

បច្ចុប្បន្ន Google បានដាក់ឱ្យដំណើរការនូវម៉ូដែលជំនាន់ថ្មីគឺ Gemini 1.5 Pro (Context Window រហូតដល់ ២ លាន Tokens) និង Gemini 2.0 Flash ព្រមទាំង Gemini 2.0 Flash Thinking Experimental ដែលផ្តល់សមត្ថភាពគិតពិចារណាវែកញែក (Chain-of-Thought Reasoning) បែបស៊ីជម្រៅ មុនពេលបញ្ចេញចម្លើយមកកាន់អ្នកប្រើប្រាស់។

Native Multimodal យល់ដឹង Text, Image, Audio, Video និង Code ព្រមគ្នាក្នុង Neural Network តែមួយ។

Context Window ២ លាន Tokens អាចអានសៀវភៅក្រាស់ៗរាប់ពាន់ទំព័រ ឬវិភាគវីដេអូរាប់ម៉ោងក្នុងសំណួរតែមួយ។

Gemini 2.0 Flash Thinking ម៉ូដែលថ្មីដែលអាចបង្ហាញដំណើរការគិត (Thinking Process) ដោះស្រាយបញ្ហាស្មុគស្មាញ។

Google Search Grounding ផ្ទៀងផ្ទាត់ទិន្នន័យស្រស់ៗពី Google Search និងភ្ជាប់ជាមួយ Docs, Sheets, Drive ដោយផ្ទាល់។

២. សមត្ថភាពចម្បង ៤ យ៉ាងក្នុងការងារ និងអាជីវកម្មប្រចាំថ្ងៃ

សមត្ថភាពរបស់ Gemini បានឆ្លងផុតពីការគ្រាន់តែជា Chatbot ឆ្លើយសំណួរទូទៅ។ នៅក្នុងបរិបទការងារអាជីព អាជីវកម្ម និងការសិក្សាស្រាវជ្រាវ Gemini ដើរតួជា Multimodal Copilot ដែលអាចជួយសម្រាលបន្ទុកការងារប្រចាំថ្ងៃលើ ៤ ផ្នែកធំៗ៖

ការបង្កើតមាតិកា (Generation)៖ ព្រាងអត្ថបទ, របាយការណ៍អាជីវកម្ម, Email ផ្លូវការជាមួយ Tone ត្រឹមត្រូវ, ផែនការទីផ្សារ, និងរូបភាពតាម Imagen 3។

ការវិភាគ និងសង្ខេប (Analysis)៖ អានឯកសារ PDF ក្រាស់ៗរាប់រយទំព័រ, ស្រង់យកទិន្នន័យសំខាន់, វិភាគនិន្នាការទីផ្សារ និងបំប្លែងទិន្នន័យទៅជាតារាងសង្ខេប។

ការសរសេរកូដ (Coding & Automation)៖ បង្កើតកូដ Python, Web (HTML/JS), SQL, ជួយដោះស្រាយ Error និងបង្កើតរូបមន្ត Excel/Sheets ស្មុគស្មាញ។

ដៃគូពិភាក្សា និងយុទ្ធសាស្ត្រ (Reasoning)៖ ជួយ Brainstorm គំនិតថ្មីៗ, រៀបចំរចនាសម្ព័ន្ធគម្រោង, ហ្វឹកហាត់សម្ភាសន៍ការងារ (Mock Interview), និងបំភ្លឺបញ្ហាស្មុគស្មាញ។

៣. របៀបដំណើរការរបស់ Multimodal Tokenization និង Reasoning Engine

ដើម្បីយល់ច្បាស់ពីវិធីសាស្ត្រប្រើប្រាស់ Gemini ឱ្យមានប្រសិទ្ធភាពខ្ពស់ យើងត្រូវយល់ពីរបៀបដែល Gemini ដំណើរការទិន្នន័យនៅពីក្រោយខ្នង។ នៅពេលអ្នកវាយអក្សរ បញ្ចូលរូបភាព ឬបង្ហោះសំឡេង ព័ត៌មានទាំងនោះនឹងត្រូវបានកាត់ជាបំណែកតូចៗហៅថា Tokens។ នៅក្នុង Native Architecture របស់ Gemini រូបភាពមួយសន្លឹកត្រូវបានបំប្លែងទៅជាសំណុំនៃ Visual Tokens ដែលមានទំហំស្មើនឹងពាក្យរាប់រយពាក្យ ហើយត្រូវបានបញ្ចូលទៅក្នុងប្រព័ន្ធគណនាដូចគ្នាទៅនឹង Text Tokens ដែរ។

ចំណុចពិសេសគឺ Cross-Attention Mechanism ដែលធ្វើឱ្យម៉ូដែល AI អាចផ្ទៀងផ្ទាត់ចំណុចនីមួយៗលើរូបភាព ផ្គូផ្គងជាមួយពាក្យនីមួយៗក្នុងសំណួររបស់អ្នក។ ឧទាហរណ៍៖ ប្រសិនបើអ្នកបង្ហាញរូបថតវិក្កយបត្រ ហើយសួរថា «តើថ្លៃដឹកជញ្ជូនគិតប៉ុន្មាន?» Gemini នឹងផ្តោត Attention ទៅលើតំបន់ដែលមានលេខ និងអក្សរ Shipping លើរូបភាពនោះដោយផ្ទាល់ រួចបកស្រាយយ៉ាងត្រឹមត្រូវ។

គន្លឹះបច្ចេកវិទ្យា Gemini 2.0៖ ជាមួយ Gemini 2.0 Flash ម៉ូដែលនេះគាំទ្រការ Streaming ទ្វេទិសភ្លាមៗ ដែលអនុញ្ញាតឱ្យអ្នកនិយាយសន្ទនា និងចែករំលែកវីដេអូកាមេរ៉ាផ្ទាល់ដោយគ្មានភាពរអាក់រអួលឡើយ។

៤. ភាពខុសគ្នារវាងការសួរធម្មតា និងការសួរបែបអាជីព

គុណភាពនៃចម្លើយដែលអ្នកទទួលបានពី Gemini គឺអាស្រ័យ ៩០% លើគុណភាពនៃសំណួររបស់អ្នក។ មនុស្សភាគច្រើនបរាជ័យក្នុងការទទួលបានលទ្ធផលល្អ ដោយសារតែពួកគេសួរខ្លីពេក ឬគ្មានបរិបទ (Context) ជាក់លាក់ ដែលបង្ខំឱ្យ Gemini ត្រូវទាយចិត្ត។ សូមពិនិត្យមើលការប្រៀបធៀបខាងក្រោម៖

Prompt ធម្មតា (ខ្វះទិសដៅ) «ជួយសរសេរផែនការទីផ្សារឱ្យខ្ញុំបន្តិច។» → ចម្លើយចេញមកទូទៅពេក គ្មានយុទ្ធសាស្ត្រជាក់លាក់ មិនត្រូវនឹងប្រភេទអាជីវកម្ម និងមិនអាចយកទៅអនុវត្តបានភ្លាមៗ។

Structured Prompt (កម្រិតអាជីព) «ដើរតួជាទីប្រឹក្សាទីផ្សារនៅកម្ពុជា។ សូមព្រាងផែនការទីផ្សារ ៣០ ថ្ងៃ សម្រាប់ផលិតផលតែបៃតងសុខភាព ដោយកំណត់ Target យុវជនវ័យ ២០-៣៥ ឆ្នាំ និងផ្តល់ទម្រង់ជាតារាងសកម្មភាពប្រចាំសប្តាហ៍។»

៥. ការផ្ទៀងផ្ទាត់ Fact និងសុវត្ថិភាពទិន្នន័យ

ទោះបីជា Gemini មានភាពវៃឆ្លាតអស្ចារ្យយ៉ាងណាក៏ដោយ អ្នកប្រើប្រាស់អាជីពត្រូវតែយល់ដឹងពីដែនកំណត់ និងហានិភ័យនៃ AI Hallucination (ការដែល AI អាចបង្កើតព័ត៌មានមិនពិតដោយមានទំនុកចិត្តខ្ពស់)។ ដូច្នេះ គោលការណ៍មាសគឺ «Verify before you trust» (ផ្ទៀងផ្ទាត់មុននឹងជឿជាក់)។

នៅក្នុង Gemini អ្នកមានឧបករណ៍ពិសេសមួយគឺ Double-Check with Google (ប៊ូតុងអក្សរ G) ដែលអនុញ្ញាតឱ្យអ្នកឆែកមើលថាតើប្រយោគណាខ្លះមានប្រភពយោងជាក់ស្តែងនៅលើ Search Engine ហើយប្រយោគណាខ្លះជាការប៉ាន់ស្មានរបស់ AI។ បន្ថែមពីនេះ ត្រូវប្រុងប្រយ័ត្នចំពោះទិន្នន័យសម្ងាត់ផ្ទាល់ខ្លួន និងស្ថាប័ន។

អ្វីដែលគួរធ្វើ (Best Practices) ប្រើប្រាស់ Gemini ជាដៃគូព្រាងគំនិតដំបូង រួចអានត្រួតពិនិត្យ និងផ្ទៀងផ្ទាត់ទិន្នន័យជាមួយ Google Search មុនយកទៅប្រើប្រាស់។

អ្វីដែលត្រូវជៀសវាង (Safety Guardrails) កុំបញ្ចូល Password, លេខកាតធនាគារ, ឬឯកសារសម្ងាត់ក្រុមហ៊ុនដែលមិនត្រូវបានអនុញ្ញាតឱ្យផ្សាយជាសាធារណៈ។

LIVE GEMINI LAB • INTERACTIVE WORKSPACE

Live Gemini Lab • Multimodal Processing Simulator

READY

ជ្រើសរើសប្រភេទ Multimodal Input ដើមី្បមើលថាតើ Gemini ដំណើរការទិន្នន័យច្រើនបែបក្នុងពេលដំណាលគ្នាយ៉ាងដូចម្តេច។

Text + Image រូបភាពប្លង់ + សំណួរ

Gemini Engine Multimodal + Grounding

Visual Breakdown វិភាគលម្អិតគ្រប់ចំណុច

លទ្ធផលគំរូ៖ Gemini អានរូបភាពប្លង់ និងស្រង់ទិន្នន័យរចនាសម្ព័ន្ធចេញជាអត្ថបទពន្យល់យ៉ាងច្បាស់លាស់។

៦. លំហាត់អនុវត្ត PROMPT លើ GEMINI

អនុវត្តតាមរូបមន្តអាជីព៖ ROLE (តួនាទី) → CONTEXT (បរិបទ) → CONSTRAINTS (ដែនកំណត់) → FORMAT (ទម្រង់ចម្លើយ)។

សាកអនុវត្ត • PROMPT គំរូជាភាសាខ្មែរ

អ្នកជាអ្នកជំនាញបច្ចេកវិទ្យា AI របស់ Google។ សូមពន្យល់ពីអត្ថប្រយោជន៍ចម្បងទាំង ៣ នៃ Google Gemini សម្រាប់ម្ចាស់អាជីវកម្មខ្នាតតូចនៅកម្ពុជា ជាទម្រង់ចំណុចងាយយល់ (Bullet points) និងផ្តល់ឧទាហរណ៍ជាក់ស្តែង ១ សម្រាប់អាជីវកម្មលក់អនឡាញ។

៧. ពិនិត្យការយល់ដឹង (QUIZ)

QUIZ ខ្លីប្រចាំមេរៀនទី១

តើអ្វីទៅជាលក្ខណៈពិសេសចម្បងបំផុតរបស់ Google Gemini បើប្រៀបធៀបជាមួយម៉ូដែល AI ជំនាន់មុនៗ?

✓ ត្រឹមត្រូវឥតខ្ចោះ! Gemini គឺជា Native Multimodal AI ដែលអាចយល់ និងវិភាគ Text, Image, Code, Audio ក្នុងពេលដំណាលគ្នាតាមរយៈ Token តែមួយ។

៨. ចំណុចសំខាន់ដែលត្រូវចងចាំ

Gemini មិនមែនគ្រាន់តែជា Text Chatbot ធម្មតាទេ តែជា Native Multimodal AI ដែលយល់ទាំងរូបភាព សំឡេង និងកូដ។
ការផ្តល់ Context និង Role ច្បាស់លាស់ ធ្វើឱ្យចម្លើយរបស់ Gemini មានគុណភាពខ្ពស់ និងចំទិសដៅ។
អនុវត្តតាមរង្វង់ការងារ ASK → REVIEW → VERIFY → USE ដើម្បីធានាសុវត្ថិភាព និងភាពសុក្រឹត។

អនុសាសន៍អនុវត្ត៖ យកទ្រឹស្តីក្នុងមេរៀនទី១នេះ ទៅសាកល្បងជាមួយកិច្ចការងារជាក់ស្តែងរបស់អ្នកថ្ងៃនេះភ្លាមៗ ដើម្បីបង្កើនល្បឿន និងភាពស្ទាត់ជំនាញ។

GEMINI EXPLORER BADGE