- ដឹងពីសារៈសំខាន់នៃមេធាសុខភាពស៊ីក្លាសប្លុកក្នុងការពន្យល់អាកប្បកិរិយារបស់ម៉ូឌែល AI
- សូមចាំបាច់ចំពោះការទទួលខុសត្រូវសម្រាប់ការជឿទុកចិត្តនៅក្នុងប្រព័ន្ធ AI
## លក្ខខណ្ឌមុន
## លក្ខខណ្ឌជាមុន
ជាលក្ខខណ្ឌមុន សូមអ្នកចូលរួមយល់ពីនីតិវិធី "គោលការណ៍ AI ដែលមានការទទួលខុសត្រូវ" ហើយមើលវីដេអូខាងក្រោមស្តីពីប្រធានបទនេះ។
ជាលក្ខខណ្ឌជាមុន សូមចូលរួមគន្លងរៀន "គោលការណ៍ AI ដែលមានការទទួលខុសត្រូវ" ហើយមើលវីដេអូខាងក្រោមដែលទាក់ទងនឹងប្រធានបទនេះ៖
រៀនបន្ថែមអំពី AI ដែលមានការទទួលខុសត្រូវដោយតាមដាន [Learning Path](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
រៀនបន្ថែមអំពី AI ដែលមានការទទួលខុសត្រូវដោយតាមដាន [Learning Path](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
[](https://youtu.be/dnC8-uUZXSc "វិធីសាស្រ្តរបស់ Microsoft ទៅ AI ដែលមានការទទួលខុសត្រូវ")
[](https://youtu.be/dnC8-uUZXSc "វិធីសាស្រ្ត Microsoft ទៅកាន់ AI ដែលមានការទទួលខុសត្រូវ")
> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូ: វិធីសាស្រ្តរបស់ Microsoft ទៅ AI ដែលមានការទទួលខុសត្រូវ
> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូ៖ វិធីសាស្រ្ត Microsoft ទៅកាន់ AI ដែលមានការទទួលខុសត្រូវ
## ភាពត្រឹមត្រូវ
## ភាពសមណ៍
ប្រព័ន្ធ AI គួរតែដោះស្រាយមនុស្សគ្រប់រូបយ៉ាងត្រឹមត្រូវ និងជៀសវាងការប៉ះពាល់ដល់ក្រុមមនុស្សដូចគ្នាទៅក្នុងវិធីផ្សេងៗគ្នា។ ឧទាហរណ៍ ពេលប្រព័ន្ធ AI ផ្តល់នូវការណែនាំអំពីការព្យាបាលវេជ្ជសាស្រ្ត ការដាក់ពាក្យខ្ចីប្រាក់ ឬការងារ នេះគួរតែផ្តល់យោបល់ដូចគ្នា ទៅមនុស្សគ្រប់រូបដែលមានរលក្ខណៈពិបាក ស្ថានភាពហិរញ្ញវត្ថុ ឬគុណវុឌ្ឍិវិជ្ជាជីវៈដូចគ្នា។ មនុស្សម្នាក់ៗជាអ្នកមានអត្រាប្រជាជនដែលបានបណ្តាលឲ្យកើតមានការរំខាន ដល់ការសម្រេចចិត្ត និងសកម្មភាពរបស់ពួកគេ។ ការរំខានទាំងនេះអាចត្រូវបានចង្អុលបង្ហាញក្នុងទិន្នន័យដែលយើងប្រើសម្រាប់បណ្តុះបណ្តាលប្រព័ន្ធ AI ។ ការបំលែងនេះអាចកើតឡើងដោយមិនចៃដន្យ។ វាក៏ពិបាកក្នុងការយល់បានយ៉ាងយកចិត្តទុកដាក់ថា ពេលណាអ្នកបានបញ្ចូលអត្រាប្រជាជនក្នុងទិន្នន័យ។
ប្រព័ន្ធ AI គួរតែជួយគ្រប់គ្នាឲ្យមានភាពសមណ៍ ហើយកុំប៉ះពាល់ទៅលើក្រុមមនុស្សដដែលដោយវិធីដែលខុសគ្នា។ ឧទាហរណ៍ ទំាងពេលប្រព័ន្ធ AI ផ្តល់ការណែនាំក្នុងការព្យាបាលសុខភាព ការដាក់ពាក្យខ្ចីប្រាក់ ឬការងារ គួរតែផ្តល់អនុសាសន៍ដូចគ្នាចំពោះមនុស្សក្នុងអាការៈសញ្ញាដូចគ្នា, ស្ថានភាពហិរញ្ញវត្ថុដូចគ្នា ឬមុខវិជ្ជាជាក់លាក់ដូចគ្នា។ មនុស្សម្នាក់ៗមានអាកប្បកិរិយាជាប់ចិត្តដែលប៉ះពាល់ដល់ការសម្រេចចិត្ត និងសកម្មភាពរបស់ពួកគេ។ អាកប្បកិរិយានេះអាចមាននៅក្នុងទិន្នន័យដែលយើងប្រើផ្តល់សម្រាប់បណ្តុះអោយប្រព័ន្ធ AI។ ការបង្ករនេះអាចកើតឡើងដោយមិនចេះដឹង។ វពិបាកក្នុងការយល់ដឹងដោយសប្បាយចិត្តពេលដែលអ្នកបញ្ចូលអាកប្បកិរិយានៅក្នុងទិន្នន័យ។
នៅពេលរចនា និងសាកល្បងប្រព័ន្ធ AI យើងត្រូវធានាថា AI ត្រូវត្រូវបានបំពាក់ឲ្យមានភាពត្រឹមត្រូវ ហើយមិនទទួលប្រាក់ចំណេញដោយការអនុវត្តន៍ព្រហ្មទណ្ឌ ឬការលើកលែងទេ ដែលមនុស្សក៏ត្រូវបានហាមឃាត់ផងដែរ។ ការធានាថាភាពត្រឹមត្រូវក្នុង AI និងការរៀនម៉ាស៊ីននៅតែមួយជាបញ្ហាសង្គមបច្ចេកវិទ្យាដែលស្មុគស្មាញ។
ពេលដែលរចនា និងសាកល្បងប្រព័ន្ធ AI យើងត្រូវធានាថា AI មានភាពសមណ៍ ហើយមិនត្រូវបានបញ្ចូលកម្មវិធីអោយធ្វើ ការសម្រេចចិត្តដែលមិនសមណ៍ ឬចម្លែកដែលមនុស្សក៏ត្រូវតែជៀសវាងដែរ។ ការធានាថាភាពសមណ៍ក្នុង AI និង machine learning មិនមែនជាការងាយស្រួលទេ តែវាជាការប្រឈមមួយផ្នែកសង្គម បច្ចេកទេស។
### ភាពជឿជាក់ និងសុវត្ថិភាព
### ការពឹងផ្អែក និងសុវត្ថិភាព
ដើម្បីកសាងទំនុកចិត្ត ប្រព័ន្ធ AI ត្រូវត្រូវបានមានភាពជឿជាក់ សុវត្ថិភាព និងឥរិយាបថថេរអ្នកនៅក្នុងលក្ខខណ្ឌធម្មតា និងលក្ខខណ្ឌមិនឆ្ងាញ់។ វាសំខាន់ក្នុងការដឹងថា ប្រព័ន្ធ AI នឹងមានឥរិយាបថយ៉ាងដូចម្តេច នៅក្នុងស្ថានភាពផ្សេងៗ ជាពិសេសពេលដែលពួកវាជាអត្តឃាត។ នៅពេលសាងសង់ដំណោះស្រាយ AI គួរត្រូវមានការផ្ដោតខ្លាំងលើរបៀបដោះស្រាយលក្ខខណ្ឌជាច្រើនដែលដំណោះស្រាយ AI នឹងប្រឈមមុខ។ ឧទាហរណ៍ រថយន្តបើកដោយខ្លួនឯងត្រូវដាក់សុវត្ថិភាពមនុស្សជាអាទិភាពខ្ពស់។ ដូច្នេះ AI ដែលបើកបររថយន្ត ត្រូវរៀបចំឲ្យពិចារណាលើលក្ខខណ្ឌដែលអាចនឹងកើតឡើង ដូចជាពេលយប់ ព្យុះខ្យល់ ឬព្យុះករណី កុមាររត់ឆ្លងផ្លូវ សត្វចិញ្ចឹម ការសាងសង់ផ្លូវ ល។ វិធីដែលប្រព័ន្ធ AI អាចដោះស្រាយបញ្ហានានាទាំងនេះយ៉ាងគ្រឹះត្រូវ និងសុវត្ថិភាព បង្ហាញពីកំរិតនៃការរំពឹងទុកដែលអ្នកវិទ្យាសាស្រ្តទិន្នន័យ ឬអ្នកអភិវឌ្ឍ AI បានគិតពេលរចនាឬសាកល្បងប្រព័ន្ធ។
ដើម្បីកសាងការជឿទុកចិត្ត ប្រព័ន្ធ AI ត្រូវតែពឹងផ្អែកបាន សុវត្ថិភាព និងមានភាពស៊ីជម្រៅក្រោមស្ថានភាពធម្មតា និងស្ថានភាពមិនបានរំពឹងទុក។ វាសំខាន់ក្នុងការដឹងថាប្រព័ន្ធ AI នឹងអនុវត្តដូចម្តេចក្នុងហេតុការណ៍នានា ជាពិសេសពេលពួកវាជារឿងលំដាប់ពិសេស។ ពេលបង្កើតដំណោះស្រាយ AI ត្រូវមានការផ្តោតឲ្យខ្លាំងទៅលើវិធីទប់ស្កាត់ហេតុការណ៍ផ្សេងៗដែលអាចកើតឡើង។ ឧទាហរណ៍ ឡានបើកנסដោយខ្លួនឯងត្រូវតែអានចិត្តសុវត្ថិភាពមនុស្សជាភាគរយមួយ។ ដូច្នេះ ប្រព័ន្ធ AI ដើម្បីបញ្ជារឡានផ្តោតយល់ដឹងលើបរិបទភ្លៀងព្រិល ក្មេងៗរត់ជ្រៅតាមផ្លូវ សត្វចិញ្ចឹម ការសាងសង់ផ្លូវ ជាដើម។ វាជាកម្រិតនៃការ៉ងដឹងថាអ្នកវិទ្យាសាស្ត្រទិន្នន័យឬអ្នកអភិវឌ្ឍន៍ AI បានគិតពីស្ថានការណ៍នានា ខណៈរចនា ឬសាកល្បងប្រព័ន្ធ។
ប្រព័ន្ធ AI គួរត្រូវបានរចនាឲ្យផ្តល់នូវការចូលរួម និងអំណាចដល់មនុស្សគ្រប់រូប។ នៅពេលដែលអ្នកវិទ្យាសាស្រ្តទិន្នន័យ និងអ្នកអភិវឌ្ឍ AI រចនា និងអនុវត្តប្រព័ន្ធទាំងនេះ គេត្រូវកំណត់ និងដោះស្រាយឧបសគ្គដែលអាចលុបចោលមនុស្សមួយចំនួនដោយមិនចៃដន្យ។ ឧទាហរណ៍ មានមនុស្សជាង ១ ពាន់លាននៅជុំវិញពិភពលោកមានជម្ងឺលំបាក។ ជាមួយនឹងការរីកចម្រើននៃ AI ពួកគេអាចចូលដំណើរការព័ត៌មាន និងឱកាសជាច្រើនបានងាយស្រួលយ៉ាងខ្លាំង។ ដោយដោះស្រាយឧបសគ្គនេះវាបង្កើតឱកាសក្នុងការបង្កើត និងអភិវឌ្ឍផលិតផល AI ដែលមានបទពិសោធន៍ល្អប្រសើរដល់មនុស្សគ្រប់រូប។
ប្រព័ន្ធ AI ត្រូវតែចំណាយពេលប្រើប្រាស់ និងបង្កើតឲ្យមនុស្សគ្រប់គ្នាមានភារកិច្ច និងឥទ្ធិពល។ នៅពេលរចនា និងដំឡើងប្រព័ន្ធ AI អ្នកវិទ្យាសាស្ត្រទិន្នន័យ និងអ្នកអភិវឌ្ឍន៍ AI ត្រូវកំណត់ និងដោះស្រាយឧបសគ្គដែលនឹងមិនបានបញ្ចូលមនុស្សមួយចំនួនដោយគ្មានចេតនា។ ឧទាហរណ៍ មានមនុស្សជាងមួយពាន់លានដែលមានជម្ងឺពិការភាពនៅជុំវិញពិភពលោក។ ជាមួយនឹងការវិវឌ្ឍន៍ AI ពួកគេអាចចូលដំណើរការប្រភពព័ត៌មាននានានិងឱកាសបានងាយស្រួលក្នុងជីវិតប្រចាំថ្ងៃ។ ដោយដោះស្រាយឧបសគ្គ ទទួលបានឱកាសសម្រាប់ច្នៃប្រឌិត និងអភិវឌ្ឍផលិតផល AI ដែលមានបទពិសោធមួយល្អប្រសើរមកគ្រប់ៗគ្នា។
មនុស្សដែលរចនានិងដាក់ប្រព័ន្ធ AI ត្រូវតែទទួលខុសត្រូវចំពោះរបៀបដែលប្រព័ន្ធរបស់ពួកគេដំណើរការ។ ភាពចាំបាច់សម្រាប់ភាពទទួលខុសត្រូវមានសារៈសំខាន់ជាពិសេសក្នុងបច្ចេកវិទ្យាប្រើសម្គាល់មុខមនុស្ស។ ពីព្រោះឥឡូវនេះ មានការទាមទារកើនឡើងសម្រាប់បច្ចេកវិទ្យាសម្គាល់មុខមនុស្ស ជាពិសេសពីស្ថាប័នច្បាប់ដែលឃើញថាបច្ចេកវិទ្យានេះអាចប្រើសម្រាប់ស្វែងរកកុមារបាត់ខ្លួន។ ទោះជាយ៉ាងណា បច្ចេកវិទ្យាណាខ្លះអាចត្រូវបានរដ្ឋាភិបាលប្រើសម្រាប់បង្កការជឿរដល់សេរីភាពមូលដ្ឋានរបស់ប្រជាពលរដ្ឋ ដូចជាការតាមដានបន្តបន្ទាប់លើមនុស្សជាក់លាក់។ ដូច្នេះ អ្នកវិទ្យាសាស្រ្តទិន្នន័យ និងអង្គការត្រូវរក្សាភាពទទួលខុសត្រូវចំពោះវិធានការរបស់ប្រព័ន្ធ AI របស់ពួកគេចំពោះមនុស្ស ឬសង្គម។
មនុស្សដែលរចនានិងដាក់ប្រព័ន្ធ AI ត្រូវតែទទួលខុសត្រូវចំពោះរបៀបដែលប្រព័ន្ធរបស់ពួកគេដំណើរការ។ ការទទួលខុសត្រូវភាពវិញ្ញាណគឺមានសារៈសំខាន់បំផុតជាពិសេសសម្រាប់បច្ចេកវិជ្ជាដែលមានការប្រើប្រាស់ចាំបាច់ដូចជាការទទួលស្គាល់រូបមនុស្ស។ នាពេលថ្មីៗនេះ មានការទាមទារក្នុងការប្រើបច្ចេកវិជ្ជាទទួលស្គាល់រូបមនុស្សកាន់តែច្រើន ដោយពិសេសពីអង្គការការពារច្បាប់ ដែលឃើញសក្តានុពលរបស់បច្ចេកវិជ្ជានេះ ក្នុងការស្វែងរកកុមារខាតបង់។ ទោះយ៉ាងណា បច្ចេកវិជ្ជាទាំងនេះអាចត្រូវបានរដ្ឋាភិបាលប្រើដើម្បីគំរាមកំហែងសេរីភាពគ្រឹះមនុស្សដោយអនុញ្ញាតឲ្យតាមដានជាបន្តបន្ទាប់លើមនុស្សជាក់លាក់ខ្លះ។ ដូច្នេះ អ្នកវិទ្យាសាស្ត្រទិន្នន័យ និងអង្គការ ត្រូវមានការទទួលខុសត្រូវចំពោះរបៀបដែលប្រព័ន្ធ AI របស់ពួកគេចាប់អារម្មណ៍មនុស្សឬសង្គម។
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "វិធីសាស្រ្តរបស់ Microsoft ទៅ AI ដែលមានការទទួលខុសត្រូវ")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "វិធីសាស្រ្ត Microsoft ទៅកាន់ AI ដែលមានការទទួលខុសត្រូវ")
- ក្នុងការតាមរក AI ដែលមានការទទួលខុសត្រូវៈ នាំយកគោលការណ៍ទៅអនុវត្តដោយ Besmira Nushi, Mehrnoosh Sameki និង Amit Sharma
- ក្នុងការតាមរក AI ដែលមានការទទួលខុសត្រូវ៖ នាំគោលការណ៍អនុវត្តដោយ Besmira Nushi, Mehrnoosh Sameki និង Amit Sharma
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "ប្រអប់ឧបករណ៍ RAI: ស៊ុមប្រភពបើកសម្រាប់កសាង AI ដែលមានការទទួលខុសត្រូវ")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "ប្រអប់ឧបករណ៍ RAI៖ ស៊្រ្តុចឃើមូបខ្ញុំភាគរយសម្រាប់បង្កើត AI ដែលទទួលខុសត្រូវ")
> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូ៖ ប្រអប់ឧបករណ៍ RAI: ស៊ុមប្រភពបើកសម្រាប់កសាង AI ដែលមានការទទួលខុសត្រូវដោយ Besmira Nushi, Mehrnoosh Sameki និង Amit Sharma
> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូនេះ៖ ប្រអប់ឧបករណ៍ RAI៖ ស៊្រ្តុចឃើមូបខ្ញុំភាគរយសម្រាប់បង្កើត AI ដែលទទួលខុសត្រូវ ដោយ Besmira Nushi, Mehrnoosh Sameki, និង Amit Sharma
ផងដែរ សូមអាន៖
ក៏អាន៖
- មជ្ឈមណ្ឌលធនធាន RAI របស់ Microsoft: [ធនធាន AI ដែលមានការទទួលខុសត្រូវ – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- មជ្ឈមណ្ឌលធនធាន RAI របស់ Microsoft៖ [ធនធាន AI ទំនួលខុសត្រូវ – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- ក្រុមស្រាវជ្រាវ FATE របស់ Microsoft: [FATE៖ ភាពយុត្តិធម៌ ការទទួលខុសត្រូវ ភាពត្រឹមត្រូវ និងទស្សនៈអំពី AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
- ក្រុមស្រាវជ្រាវ FATE របស់ Microsoft៖ [FATE៖ ការសមភាសម្យ, ការទទួលខុសត្រូវ, ភាពច្បាស់លាស់ និងចរិតសម្បទានៅក្នុង AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
ប្រអប់ឧបករណ៍ RAI៖
- [ហាង GitHub ប្រអប់ឧបករណ៍ AI ដែលមានការទទួលខុសត្រូវ](https://github.com/microsoft/responsible-ai-toolbox)
- [ឃ្លាំង GitHub ប្រអប់ឧបករណ៍ AI ទំនួលខុសត្រូវ](https://github.com/microsoft/responsible-ai-toolbox)
> [ស្វែងរកធនធានបន្ថែមទាំងអស់សម្រាប់វគ្គនេះនៅក្នុងអង្គភាព Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [ស្វែងរកធនធានបន្ថែមទាំងអស់សម្រាប់មុខវិជ្ជានេះនៅក្នុងស្វ័យប្រវត្តិ Microsoft Learn របស់យើង](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
- បន្ទាប់ពីបញ្ចប់ក្រុមមេរៀនមួយ សូមទស្សនាក្រុមហ៊ុន [បន្ទះពិភាក្សា](https://github.com/microsoft/ML-For-Beginners/discussions) ហើយ "រៀនយំឮ" ដោយបំពេញក្របខ័ណ្ឌ PAT ដែលសមស្រប។ PAT គឺជាឧបករណ៍វាយតម្លៃដំណើរការដែលអ្នកបំពេញជួយសម្រួលការរៀនរបស់អ្នក។ អ្នកក៏អាចឆ្លើយតបទៅ PAT របស់អ្នកដទៃ ដើម្បីយើងអាចរៀនរួមគ្នា។
មេរៀនខ្លះមានភាពខ្លីជាវីដេអូ។ អ្នកអាចរកវាបាននៅក្នុងមេរៀនឬនៅលើ [ផ្ទាំងវីដេអូ ML for Beginners នៅលើចោណាល Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) ដោយចុចលើរូបភាពខាងក្រោម។
មេរៀនខ្លះមានជាវីដេអូខ្លីៗ។ អ្នកអាចរកឃើញវាទាំងអស់នៅក្នុងមេរៀន ឬលើ [បញ្ជីចម្រៀង ML for Beginners នៅឆានែល Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) ដោយចុចរូបភាពខាងក្រោម។
[](https://aka.ms/ml-beginners-videos)
| Postscript | ស្ថានភាពពិតនៃ ML និងការអនុវត្ត | [ML in the Wild](9-Real-World/README.md) | ករណីនិងការអនុវត្តពិតនៃ ML រចនាបថបុរាណ | [Lesson](9-Real-World/1-Applications/README.md) | ក្រុម |
| Postscript | ការប្តូរគំរូក្នុង ML ប្រើបញ្ជីគ្រប់គ្រង RAI | [ML in the Wild](9-Real-World/README.md) | ការប្តូរគំរូក្នុងម៉ាស៊ីនរៀនប្រើបញ្ជីគ្រប់គ្រង Responsible AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [ស្វែងរកធនធានបន្ថែមទាំងអស់សម្រាប់វគ្គនេះនៅក្នុងបណ្ណសាររបស់ Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
| 04 | បច្ចេកទេសសម្រាប់ការសិក្សាម៉ាស៊ីន | [Introduction](1-Introduction/README.md) | តើបច្ចេកទេសណាខ្លះដែលអ្នកស្រាវជ្រាវ ML ប្រើសម្រាប់កសាងម៉ូដែល ML? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| Postscript | ស្ថានការណ៍ និងការអនុវត្ត ML នៅក្នុងពិភពពិត | [ML in the Wild](9-Real-World/README.md) | ការអនុវត្តន៍ចំរូងជាក់ស្តែងនៃ ML របៀបបុរាណ | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Postscript | ការតម្រៀបម៉ូដែលនៅក្នុង ML ដោយប្រើផ្ទៃ RAI dashboard | [ML in the Wild](9-Real-World/README.md) | ការតម្រៀបម៉ូដែលនៅក្នុងការសិក្សាម៉ាស៊ីនដោយប្រើផ្ទៃម៉ាស៊ីនផ្សព្វផ្សាយ AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [ស្វែងរកធនធានបន្ថែមទាំងអស់សម្រាប់វគ្គនេះនៅក្នុងការប្រមូលផ្តុំ Microsoft Learn តំណនេះ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/foundry/forum)
localizeflow[bot]
3 weeks ago