LLM ရေစီးကြောင်းအောက်က အေးဆေးတွေးခေါ်မှု- အခွင့်အလမ်းများ၊ စိန်ခေါ်မှုများနှင့် အနာဂတ်ပုံရိပ်

# LLM ရေစီးကြောင်းအောက်က အေးဆေးတွေးခေါ်မှု- အခွင့်အလမ်းများ၊ စိန်ခေါ်မှုများနှင့် အနာဂတ်ပုံရိပ်

ကြီးမားသော ဘာသာစကား မော်ဒယ် (LLM) သည် ကျွန်ုပ်တို့၏ဘဝ၏ ကဏ္ဍပေါင်းစုံသို့ အံ့မခန်းအရှိန်အဟုန်ဖြင့် စိမ့်ဝင်လျက်ရှိသည်။ ကုဒ်ထုတ်လုပ်ခြင်းမှ အကြောင်းအရာဖန်တီးခြင်း၊ နေ့စဉ်အချက်အလက်ရှာဖွေခြင်းအထိ နေရာတိုင်းတွင် တွေ့နိုင်သည်။ X (ယခင် Twitter) တွင် ဆက်စပ်ဆွေးနွေးမှုများက ဤအချက်ကို သက်သေပြနေသည်။ AI မော်ဒယ် ဗိသုကာအသစ်များအကြောင်း မိတ်ဆက်ခြင်းများရှိသလို သင်ယူမှုအရင်းအမြစ်များ မျှဝေခြင်းများလည်းရှိသည်။ ထို့အပြင် လက်တွေ့အသုံးချမှုများတွင် ပေါ်ပေါက်လာသော ပြဿနာများအကြောင်း ဆွေးနွေးမှုများလည်းရှိသည်။ သို့သော် ဤတားဆီးမရနိုင်သော LLM လှိုင်းလုံးကြီးထဲတွင် ကျွန်ုပ်တို့သည် အေးဆေးတည်ငြိမ်စွာ နေထိုင်ပြီး ၎င်း၏နောက်ကွယ်ရှိ အခွင့်အလမ်းများ၊ စိန်ခေါ်မှုများနှင့် ဖြစ်နိုင်ခြေရှိသော အနာဂတ်ပုံရိပ်များကို နက်နက်ရှိုင်းရှိုင်း စဉ်းစားရန်လိုအပ်သည်။ ဤဆောင်းပါးသည် Ben Thompson ၏ ခွဲခြမ်းစိတ်ဖြာမှုပုံစံဖြင့် LLM လုပ်ငန်းကို စီးပွားရေး၊ ပလက်ဖောင်းနှင့် စီးပွားရေးပုံစံရှုထောင့်မှ နက်ရှိုင်းစွာ ခွဲခြမ်းစိတ်ဖြာပါမည်။

**LLM ၏ထွန်းသစ်စ- နည်းပညာဆိုင်ရာ ထူးခြားမှုလား၊ အရောင်းမြှင့်တင်ရေး သံသရာလား။**

X ၏ ဆွေးနွေးမှုများမှ LLM သည် ပညာရပ်ဆိုင်ရာ အယူအဆတစ်ခုမျှသာမဟုတ်ဘဲ အလွန်ရေပန်းစားသော လုပ်ငန်းအာရုံစိုက်မှုတစ်ခုဖြစ်လာကြောင်း ကျွန်ုပ်တို့တွေ့မြင်နိုင်သည်။ အမျိုးမျိုးသော LLM မော်ဒယ်များ (LLM, SLM, VLM, MLLM စသည်) အဆက်မပြတ်ပေါ်ထွက်နေပြီး ဆက်စပ်သင်ယူမှုအရင်းအမြစ်များ (ဥပမာ Stanford University ၏ အခမဲ့သင်တန်းများ) သည်လည်း အလွန်ရေပန်းစားသည်။ ဤဖြစ်စဉ်၏နောက်ကွယ်တွင် LLM ၏နယ်ပယ်များစွာတွင် ကြီးမားသောအလားအလာရှိသည်။

*   **ထိရောက်မှုတိုးတက်ခြင်း-** LLM သည် စာသားထုတ်လုပ်ခြင်း၊ ကုဒ်ရေးခြင်းနှင့် ဒေတာခွဲခြမ်းစိတ်ဖြာခြင်းကဲ့သို့သော ထပ်တလဲလဲအလုပ်များကို အလိုအလျောက်လုပ်ဆောင်နိုင်ပြီး ထုတ်လုပ်မှုကို သိသိသာသာတိုးတက်စေသည်။ ဤသည်မှာ Ariana Huffington ၏ AI သည် နောက်ဆုံးတွင် ကျွန်ုပ်တို့အား ဖန်တီးမှုနှင့် နက်နက်ရှိုင်းရှိုင်း စဉ်းစားတွေးခေါ်ရန် လိုအပ်သောအလုပ်များတွင် ရင်းနှီးမြှုပ်နှံရန် အနားယူချိန်ပိုပေးလိမ့်မည်ဟု ဆိုထားသည့်အတိုင်းပင်ဖြစ်သည်။
*   **ဗဟုသုတရယူခြင်း-** အတိတ်က ရှာဖွေရန်နှင့် ပေါင်းစည်းရန် အချိန်အများကြီးယူခဲ့ရသော အချက်အလက်များကို ယခု LLM မှတဆင့် လျင်မြန်စွာ ရယူနိုင်သည်။ ယခင်က Google ရှာဖွေမှုကို အသုံးပြုခြင်းနှင့်မတူဘဲ LLM ကို အဖြေများတိုက်ရိုက်ရယူရန် အသုံးပြုခြင်းသည် အချက်အလက်ရယူရန် နည်းလမ်းသစ်တစ်ခုဖြစ်လာသည်။
*   **အသုံးချမှု ဆန်းသစ်တီထွင်မှု-** LLM သည် အောက်ခံနည်းပညာအဖြစ် လုပ်ဆောင်နိုင်ပြီး ဥပမာ- အသိဉာဏ်ရှိသော အေးဂျင့် (AI Agent)၊ RAG (Retrieval-Augmented Generation) စနစ်များကဲ့သို့သော ဆန်းသစ်သောအသုံးချမှုအမျိုးမျိုးကို မောင်းနှင်နိုင်သည်။ Shubhamsaboo ၏ open source LLM အသုံးချမှုပရောဂျက်သည် GitHub တွင် ကြယ် 85K+ ရရှိခဲ့ပြီး ၎င်းကို သက်သေပြနေသည်။

သို့သော်လည်း ကျွန်ုပ်တို့သည် အလွန်အကျွံ အရောင်းမြှင့်တင်ခြင်း၏အန္တရာယ်ကို သတိထားရမည်ဖြစ်သည်။ Suryanshti777 နှင့် DAIEvolutionHub တို့ ထောက်ပြထားသည့်အတိုင်း လူအများအပြားသည် AI ကိရိယာများကို အသုံးပြုနေကြသော်လည်း ၎င်းတို့၏ လုပ်ဆောင်ပုံကို အမှန်တကယ်နားလည်သူ အနည်းငယ်သာရှိသည်။ ဆိုလိုသည်မှာ LLM ၏ရေပန်းစားမှုသည် “နားလည်မှုထက် အသုံးပြုမှုကြီးခြင်း” ဖြစ်စဉ်ကို ဖြစ်ပေါ်စေနိုင်ပြီး နည်းပညာ၏ အမှန်တကယ်ဖွံ့ဖြိုးတိုးတက်မှုကို ဟန့်တားနိုင်သည်။

**LLM ပလက်ဖောင်းများ၏ ပေါ်ပေါက်လာခြင်း- နောက် Google မည်သူဖြစ်လာမည်နည်း။**

LLM ၏ ဖွံ့ဖြိုးတိုးတက်မှုသည် ပလက်ဖောင်းအခွင့်အလမ်းသစ်များကိုလည်း ဖြစ်ပေါ်စေသည်။ X ၏ ဆွေးနွေးမှုများမှ အောက်ပါဖြစ်နိုင်ချေရှိသော ပလက်ဖောင်းလမ်းညွှန်ချက်အချို့ကို ကျွန်ုပ်တို့တွေ့မြင်နိုင်သည်။

*   **မော်ဒယ်ပလက်ဖောင်း-** ကြိုတင်လေ့ကျင့်ထားသော LLM မော်ဒယ်အမျိုးမျိုးကို ပံ့ပိုးပေးပြီး developer များအား စိတ်ကြိုက်ပြင်ဆင်ခြင်းနှင့် အသုံးချခြင်းကို ပံ့ပိုးပေးသည်။ AWS သည် cloud computing အတွက်ဖြစ်သကဲ့သို့ မော်ဒယ်ပလက်ဖောင်းသည် LLM အသုံးချမှုများအတွက် အခြေခံအဆောက်အအုံဖြစ်လာမည်ဖြစ်သည်။
*   **ကိရိယာပလက်ဖောင်း-** LLM ဖွံ့ဖြိုးတိုးတက်မှုအတွက် လိုအပ်သောကိရိယာများနှင့် စာကြည့်တိုက်များကို ပံ့ပိုးပေးသည်။ ဥပမာ- Tom Doerr မှ မျှဝေထားသော LLM-graph-builder နှင့် PocketFlow နှင့် Sumanth077 ၏ ai-engineering-toolkit တို့ဖြစ်သည်။ ဤကိရိယာများသည် LLM ဖွံ့ဖြိုးတိုးတက်မှု၏ အတားအဆီးများကို လျှော့ချပြီး အသုံးချမှုများ၏ ရေပန်းစားမှုကို အရှိန်မြှင့်ပေးမည်ဖြစ်သည်။
*   **Agent ပလက်ဖောင်း-** LLM ကိုအခြေခံ၍ အသိဉာဏ်ရှိသော အေးဂျင့်များကို တည်ဆောက်ပြီး အေးဂျင့်များအကြား ပူးပေါင်းဆောင်ရွက်မှုနှင့် ဆက်သွယ်ရေးယန္တရားများကို ပံ့ပိုးပေးသည်။ Wh0sumit သည် အေးဂျင့်များစွာပါဝင်သော LLM စနစ်ကို တီထွင်ရန် backend အင်ဂျင်နီယာများကို ခန့်အပ်ခြင်းသည် Agent ပလက်ဖောင်း၏ အလားအလာကို သရုပ်ပြသည်။

ဤပလက်ဖောင်းများသည် နောက် Google ဖြစ်လာနိုင်သော်လည်း ပြိုင်ဆိုင်မှုတွင် အနိုင်ရရန်သော့ချက်မှာ-

*   **ဂေဟစနစ်တည်ဆောက်ခြင်း-** တက်ကြွသော developer အသိုင်းအဝိုင်းကို တည်ထောင်ပြီး ကြွယ်ဝသောအရင်းအမြစ်များနှင့် ပံ့ပိုးမှုများကို ပံ့ပိုးပေးပါ။
*   **နည်းပညာ ဦးဆောင်မှု-** သုတေသနနှင့် ဖွံ့ဖြိုးတိုးတက်မှုတွင် ဆက်လက်ရင်းနှီးမြှုပ်နှံပြီး မော်ဒယ်များနှင့် ကိရိယာများ၏ ဦးဆောင်မှုကို ထိန်းသိမ်းပါ။
*   **စီးပွားရေးပုံစံ-** စာရင်းသွင်းဝန်ဆောင်မှုများ၊ API ခေါ်ဆိုမှုအခကြေးငွေများကဲ့သို့သော ရေရှည်တည်တံ့သော စီးပွားရေးပုံစံများကို ရှာဖွေပါ။

**LLM ၏ စီးပွားရေးပုံစံ- အခမဲ့ နေ့လယ်စာလား၊ အခပေးပွဲတော်လား။**

LLM ၏ စီးပွားရေးပုံစံသည် ရှုပ်ထွေးပြီး အရေးကြီးသောပြဿနာဖြစ်သည်။ လက်ရှိတွင် အဓိကပုံစံအချို့ရှိသည်။
```*   **ပွင့်လင်းအရင်းအမြစ်ပုံစံ:** အခမဲ့ ပွင့်လင်းအရင်းအမြစ် မော်ဒယ်များနှင့် ကိရိယာများကို ပံ့ပိုးပေးပြီး၊ လူမှုအသိုင်းအဝိုင်း၏ ပံ့ပိုးမှုနှင့် အလှူငွေများအပေါ် မူတည်၍ လည်ပတ်သည်။ Xiaoying_eth မှ မျှဝေထားသော ပွင့်လင်းအရင်းအမြစ် LLM အသိဉာဏ်ရှိသော အေးဂျင့်ပရောဂျက်သည် ဥပမာတစ်ခုဖြစ်သည်။
*   **API ခေါ်ဆိုမှုပုံစံ:** API အင်တာဖေ့စ်ကို ပံ့ပိုးပေးပြီး၊ ခေါ်ဆိုမှုအကြိမ်အရေအတွက် သို့မဟုတ် တိုကင်အရေအတွက်အပေါ် မူတည်၍ ကောက်ခံသည်။ OpenAI ၏ GPT စီးရီးမော်ဒယ်များသည် ဤပုံစံကို အသုံးပြုသည်။
*   **စာရင်းသွင်းမှုပုံစံ:** ပိုမိုမြန်ဆန်သော အကြောင်းပြချက်အမြန်နှုန်း၊ ပိုမိုကြီးမားသော ဆက်စပ်အကြောင်းအရာ ဝင်းဒိုးနှင့် ပိုမိုကျွမ်းကျင်သော နည်းပညာပံ့ပိုးမှုကဲ့သို့သော အဆင့်မြင့်လုပ်ဆောင်ချက်များနှင့် ဝန်ဆောင်မှုများကို ပံ့ပိုးပေးပြီး၊ လစဉ် သို့မဟုတ် နှစ်စဉ် စာရင်းသွင်းခကို ကောက်ခံသည်။
*   **ထည့်သွင်းထားသောပုံစံ:** LLM နည်းပညာကို စမတ်ဖောက်သည်ဝန်ဆောင်မှု၊ အကြောင်းအရာအကြံပြုချက် စသည်တို့ကဲ့သို့ အခြားထုတ်ကုန်များနှင့် ဝန်ဆောင်မှုများတွင် ထည့်သွင်းထားသည်။

ပုံစံတစ်ခုစီတွင် အားသာချက်များနှင့် အားနည်းချက်များရှိပြီး၊ မည်သည့်ပုံစံကို ရွေးချယ်မည်ဆိုသည်မှာ ပလက်ဖောင်း၏ ရပ်တည်ချက်နှင့် ပစ်မှတ်ထားသော သုံးစွဲသူများအပေါ် မူတည်သည်။ ပွင့်လင်းအရင်းအမြစ်ပုံစံသည် နည်းပညာ၏ လူကြိုက်များမှုနှင့် တီထွင်ဖန်တီးမှုကို အထောက်အကူပြုသော်လည်း အမြတ်အစွန်းရရှိရန် ခက်ခဲသည်။ API ခေါ်ဆိုမှုပုံစံနှင့် စာရင်းသွင်းမှုပုံစံသည် တည်ငြိမ်သော ၀င်ငွေကို ရရှိစေနိုင်သော်လည်း နည်းပညာ၏ လူကြိုက်များမှုကို ကန့်သတ်နိုင်သည်။

**LLM ၏ စိန်ခေါ်မှုများ- ဟောပြောမှု၊ ကျင့်ဝတ်နှင့် လုံခြုံရေး**

LLM ၏ လျင်မြန်စွာ ဖွံ့ဖြိုးတိုးတက်မှုသည် စိန်ခေါ်မှုများစွာကိုလည်း ယူဆောင်လာသည်- 

*   **ဒေတာအရည်အသွေး:** LLM ၏ စွမ်းဆောင်ရည်သည် လေ့ကျင့်ရေးဒေတာ၏ အရည်အသွေးအပေါ် များစွာမူတည်သည်။ လေ့ကျင့်ရေးဒေတာတွင် ဘက်လိုက်မှု သို့မဟုတ် အမှားအယွင်းများရှိပါက၊ LLM သည် သက်ဆိုင်ရာ ဘက်လိုက်မှု သို့မဟုတ် အမှားအယွင်းများကိုလည်း ထုတ်ပေးလိမ့်မည်။
*   **ရှင်းလင်းပြနိုင်မှု:** LLM ၏ ဆုံးဖြတ်ချက်ချမှတ်ခြင်းလုပ်ငန်းစဉ်ကို ရှင်းပြရန် ခက်ခဲလေ့ရှိပြီး၊ ၎င်းသည် မော်ဒယ်၏ အသုံးချမှုအတွက် အန္တရာယ်အချို့ကို ယူဆောင်လာသည်။
*   **ကျင့်ဝတ်ဆိုင်ရာပြဿနာများ:** LLM ကို မှားယွင်းသောအချက်အလက်များထုတ်လုပ်ရန်၊ လိမ်လည်လှုပ်ရှားမှုများလုပ်ဆောင်ရန် သို့မဟုတ် လူမှုရေးမညီမျှမှုကို ပိုမိုဆိုးရွားစေရန်အတွက် အသုံးပြုနိုင်သည်။ Farairesearch မှဖော်ပြထားသော "စုံစမ်းစစ်ဆေးမှုကို တိုက်ရိုက်ဆန့်ကျင်ရန် လေ့ကျင့်ရေးမော်ဒယ်" သည် မော်ဒယ်အား လှည့်စားရန် သင်ယူစေနိုင်သည်။
*   **လုံခြုံရေးဆိုင်ရာပြဿနာများ:** LLM ကို တိုက်ခိုက်သူများက အသုံးချနိုင်သည်၊ ဥပမာ မော်ဒယ်၏အပြုအမူကို ထိန်းချုပ်ရန်အတွက် အချက်အလက်ထိုးသွင်းတိုက်ခိုက်ခြင်းမှတဆင့်ဖြစ်သည်။ Pirat_Nation မှဖော်ပြထားသော Godot အင်ဂျင်သည် "AI slop" ကုဒ်များစွာကို လက်ခံရရှိခြင်းသည် LLM ကုဒ်အရည်အသွေးနှင့် လုံခြုံရေးဆိုင်ရာပြဿနာများကိုလည်း ထင်ဟပ်စေသည်။
*   **စိတ်စီးဆင်းမှု အနှောင့်အယှက်:** Roifex မှ LLM ကို လုပ်ငန်းအသွားအလာတွင် ထည့်သွင်းပြီးနောက်၊ အကြောင်းအရာကို မကြာခဏပြောင်းခြင်းသည် "စိတ်စီးဆင်းမှု" အခြေအနေသို့ ဝင်ရောက်ရန် ခက်ခဲစေပြီး လုပ်ငန်းစွမ်းဆောင်ရည်ကို ထိခိုက်စေကြောင်း ထောက်ပြသည်။

ဤစိန်ခေါ်မှုများကို ကျွန်ုပ်တို့ ဂရုတစိုက်ကိုင်တွယ်ဖြေရှင်းပြီး သက်ဆိုင်ရာအစီအမံများဖြင့် ဖြေရှင်းရန်လိုအပ်သည်။ ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့သည် လေ့ကျင့်ရေးဒေတာ၏ အရည်အသွေးထိန်းချုပ်မှုကို အားကောင်းစေရန်၊ မော်ဒယ်၏ ရှင်းလင်းပြနိုင်စွမ်းကို မြှင့်တင်ရန်၊ ကျင့်ဝတ်ဆိုင်ရာ စည်းမျဉ်းစည်းကမ်းများကို ချမှတ်ရန်၊ လုံခြုံရေးကာကွယ်မှုကို အားကောင်းစေရန်နှင့် လုပ်ငန်းအသွားအလာ ဒီဇိုင်းကို မြှင့်တင်ရန် လိုအပ်သည်။

**အနာဂတ်အလားအလာ- LLM သည် ကမ္ဘာကို မည်သို့ ပြန်လည်ပုံဖော်မည်နည်း။**

LLM ၏ အနာဂတ်သည် အကန့်အသတ်မရှိ ဖြစ်နိုင်ချေများဖြင့် ပြည့်နှက်နေသည်။ LLM သည် အောက်ပါကဏ္ဍများတွင် ကမ္ဘာကို ပြန်လည်ပုံဖော်မည်ဟု ကျွန်ုပ်တို့ မျှော်လင့်နိုင်သည်-

*   **လူနှင့်စက် အပြန်အလှန်ဆက်သွယ်မှု:** LLM သည် လူနှင့်စက် အပြန်အလှန်ဆက်သွယ်မှုကို ပိုမိုသဘာဝကျပြီး ထိရောက်စေမည်ဖြစ်ပြီး၊ ဥပမာ အသံ သို့မဟုတ် စာသားဖြင့် စကားပြောခြင်း သို့မဟုတ် လက်ဟန် သို့မဟုတ် မျက်လုံးအကြည့်ဖြင့် ထိန်းချုပ်ခြင်း။
*   **ဗဟုသုတဖန်တီးမှု:** LLM သည် သုတေသနအစီရင်ခံစာများကို အလိုအလျောက်ထုတ်လုပ်ခြင်း၊ ထုတ်ကုန်အသစ်များကို ဒီဇိုင်းဆွဲခြင်း သို့မဟုတ် သိပ္ပံဆိုင်ရာ စည်းမျဉ်းအသစ်များကို ရှာဖွေခြင်းကဲ့သို့သော ဗဟုသုတအသစ်များကို ဖန်တီးရန် ကျွန်ုပ်တို့အား ကူညီပေးပါမည်။
*   **စက်မှုလုပ်ငန်း အသွင်ပြောင်းခြင်း:** LLM သည် ဘဏ္ဍာရေး၊ ကျန်းမာရေးစောင့်ရှောက်မှု၊ ပညာရေး၊ ထုတ်လုပ်ရေး စသည်တို့ကဲ့သို့သော စက်မှုလုပ်ငန်းအသီးသီးကို ပြောင်းလဲပစ်မည်ဖြစ်သည်။ Igor_Buinevici က AI သည် စက်မှုလုပ်ငန်းအသီးသီးကို လွှမ်းမိုးနေပြီး LLM ကို နားလည်ရန် အရေးကြီးကြောင်း အလေးပေးပြောကြားခဲ့သည်။
*   **ကိုယ်ပိုင်ဝန်ဆောင်မှု:** LLM သည် သုံးစွဲသူ၏ စိတ်ဝင်စားမှုနှင့် လိုအပ်ချက်များအပေါ် မူတည်၍ အကြောင်းအရာကို အကြံပြုခြင်း သို့မဟုတ် သုံးစွဲသူ၏ ကျန်းမာရေးအခြေအနေအပေါ် မူတည်၍ ကိုယ်ပိုင်ဆေးဘက်ဆိုင်ရာ အကြံဉာဏ်ကို ပေးခြင်းကဲ့သို့သော ကိုယ်ပိုင်ဝန်ဆောင်မှုကို ပိုမိုပေးဆောင်ပါမည်။

ချုပ်ပြောရလျှင် LLM ၏ ထွန်းသစ်ပေါ်ပေါက်လာခြင်းသည် နည်းပညာတော်လှန်ရေးတစ်ခုဖြစ်ပြီး၊ ၎င်းသည် ကျွန်ုပ်တို့၏ဘဝနှင့် လုပ်ငန်းပုံစံကို လေးနက်စွာ ပြောင်းလဲစေမည်ဖြစ်သည်။ ကျွန်ုပ်တို့သည် ပွင့်လင်းသောစိတ်ထားကို ထိန်းသိမ်းထားရန်၊ LLM ၏ အခွင့်အလမ်းများကို လက်ခံရန်နှင့် ၎င်း၏စိန်ခေါ်မှုများကို တက်ကြွစွာ တုံ့ပြန်ရန် လိုအပ်သည်။ ဤနည်းဖြင့်သာ ကျွန်ုပ်တို့သည် LLM ခေတ်တွင် အောင်မြင်မှုရရှိနိုင်မည်ဖြစ်သည်။

**နိဂုံး**LLM သည် အရာအားလုံးကို တတ်မြောက်စေနိုင်သော အရာမဟုတ်သလို ခဏတာပေါ်လာပြီး ပျောက်ကွယ်သွားမည့် အရာလည်း မဟုတ်ပါ။ ၎င်းသည် ကြီးမားသော အလားအလာများရှိသော်လည်း စွန့်စားမှုများနှင့် စိန်ခေါ်မှုများလည်း ပါဝင်သော တော်လှန်ပြောင်းလဲနိုင်စွမ်းရှိသည့် နည်းပညာတစ်ခုဖြစ်သည်။ ကျွန်ုပ်တို့သည် LLM ကို ဝေဖန်ပိုင်းခြားနိုင်သော စိတ်ဖြင့် ကြည့်ရှုရန်၊ ၎င်း၏ အခြေခံမူများကို နက်နက်ရှိုင်းရှိုင်း နားလည်ရန်နှင့် နယ်ပယ်အသီးသီးတွင် ၎င်း၏ အသုံးချမှုများကို ရှာဖွေရန် လိုအပ်သည်။ ထိုသို့ပြုလုပ်ခြင်းဖြင့်သာ ကျွန်ုပ်တို့သည် LLM ခေတ်၏ အခွင့်အလမ်းများကို အမှန်တကယ် ဆုပ်ကိုင်နိုင်ပြီး ပိုမိုကောင်းမွန်သော အနာဂတ်ကို ဖန်တီးနိုင်မည်ဖြစ်သည်။ MCuban ၏ လေ့လာတွေ့ရှိချက်သည် အလွန်ထက်မြက်သည်- LLM ကို အသုံးပြုသူများသည် အမျိုးအစားနှစ်မျိုးရှိသည်၊ တစ်မျိုးမှာ အရာအားလုံးကို လေ့လာရန်အတွက် အသုံးပြုသူဖြစ်ပြီး နောက်တစ်မျိုးမှာ လေ့လာခြင်းကို ရှောင်ရှားရန်အတွက် အသုံးပြုသူဖြစ်သည်။ LLM မှ အမှန်တကယ် အကျိုးခံစားနိုင်သူမှာ ပထမအမျိုးအစားသာ ဖြစ်သည်။