ຈິນຕະນາການໂລກທີ່ຄອມພິວເຕີມີຄວາມຖືກຕ້ອງຫຼາຍກ່ວາຄົນໃນການຕີຄວາມຫມາຍຂໍ້ມູນຕາ. ສາຂາຂອງວິໄສທັດຄອມພິວເຕີແລະການຮຽນຮູ້ເຄື່ອງຈັກໄດ້ເຮັດໃຫ້ຄວາມຄິດນີ້ກາຍເປັນຈິງ.
ວິໄສທັດຄອມພິວເຕີແລະການຮຽນຮູ້ເຄື່ອງຈັກ, ແມ່ນສອງອົງປະກອບທີ່ສໍາຄັນຂອງ AI. ບາງຄັ້ງພວກເຂົາສັບສົນກັບກັນແລະກັນ. ພວກມັນອາດຈະຖືກໃຊ້ແທນກັນໄດ້.
ຢ່າງໃດກໍຕາມ, ພວກເຂົາເຈົ້າແມ່ນເຂດແຍກຕ່າງຫາກທີ່ມີວິທີການທີ່ແຕກຕ່າງກັນ. ໃນບົດຂຽນນີ້, ພວກເຮົາຈະປຶກສາຫາລືກ່ຽວກັບຄວາມແຕກຕ່າງລະຫວ່າງວິໄສທັດຄອມພິວເຕີແລະ ການຮຽນຮູ້ເຄື່ອງຈັກ. ເຂົ້າຮ່ວມກັບພວກເຮົາໃນຂະນະທີ່ພວກເຮົາສໍາຫຼວດສະຫນາມຍ່ອຍ AI ທີ່ຫນ້າສົນໃຈເຫຼົ່ານີ້.
ເປັນຫຍັງພວກເຮົາຈໍາເປັນຕ້ອງເຮັດໃຫ້ຄວາມແຕກຕ່າງນີ້?
ທັງວິໄສທັດຄອມພິວເຕີ ແລະການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນສ່ວນສຳຄັນຂອງປັນຍາປະດິດ. ຢ່າງໃດກໍຕາມ, ພວກເຂົາເຈົ້າມີວິທີການແລະຈຸດປະສົງທີ່ແຕກຕ່າງກັນ. ໂດຍການຮູ້ຄວາມແຕກຕ່າງລະຫວ່າງພວກມັນ, ພວກເຮົາສາມາດໃຊ້ທ່າແຮງຂອງ AI ໄດ້ດີຂຶ້ນ.
ແລະ, ພວກເຮົາສາມາດເລືອກເຕັກໂນໂລຢີທີ່ເຫມາະສົມສໍາລັບໂຄງການຂອງພວກເຮົາ.
ໃຫ້ເຮົາຂ້າມພວກມັນທັງສອງເທື່ອລະອັນ.
ຄວາມເຂົ້າໃຈກ່ຽວກັບວິໄສທັດຄອມພິວເຕີ
ຄວາມອາດສາມາດຂອງຄອມພິວເຕີເພື່ອຕີຄວາມຫມາຍໂລກສາຍຕາແມ່ນເອີ້ນວ່າວິໄສທັດຄອມພິວເຕີ. ມັນປະກອບມີຄອມພິວເຕີການຝຶກອົບຮົມເພື່ອເຂົ້າໃຈແລະວິເຄາະຮູບພາບແລະວິດີໂອດິຈິຕອນ.
ເທັກໂນໂລຍີນີ້ເຮັດວຽກຄືກັບວ່າຕາ ແລະສະໝອງເຮັດວຽກຢູ່ໃນຄົນ. ຄອມພິວເຕີສາມາດຮັບຮູ້ວັດຖຸ, ໃບຫນ້າ, ແລະຮູບແບບ. ພວກເຂົາສາມາດສະກັດຂໍ້ມູນຈາກຮູບພາບ. ແລະ, ພວກເຂົາປະເມີນຂໍ້ມູນໂດຍໃຊ້ສູດການຄິດໄລ່ແລະແບບຈໍາລອງ.
ອຸດສາຫະກໍາຈໍານວນຫນຶ່ງ, ລວມທັງການດູແລສຸຂະພາບ, ການຂົນສົ່ງ, ການບັນເທີງ, ແລະຄວາມປອດໄພ, ສາມາດໄດ້ຮັບຜົນປະໂຫຍດຈາກການເບິ່ງເຫັນຄອມພິວເຕີ. ສໍາລັບຕົວຢ່າງ, ວິໄສທັດຄອມພິວເຕີຖືກນໍາໃຊ້ເພື່ອນໍາພາລົດທີ່ບໍ່ມີຄົນຂັບແລະຊ່ວຍທ່ານຫມໍໃນການວິນິດໄສຂອງພະຍາດ.
ຄວາມເປັນໄປໄດ້ທີ່ມີວິໄສທັດຄອມພິວເຕີແມ່ນບໍ່ມີຂອບເຂດ. ແລະ, ພວກເຮົາພຽງແຕ່ໄດ້ເລີ່ມຕົ້ນທີ່ຈະຂຸດຄົ້ນທ່າແຮງຂອງເຂົາເຈົ້າ.
ວຽກງານຕົ້ນຕໍຂອງວິໄສທັດຄອມພິວເຕີ
ການຮັບຮູ້ຮູບພາບ
ຫນ້າທີ່ສໍາຄັນຂອງວິໄສທັດຄອມພິວເຕີແມ່ນການຮັບຮູ້ຮູບພາບ. ມັນສອນລະບົບຄອມພິວເຕີວິທີການຮັບຮູ້ແລະຈັດປະເພດຮູບພາບດິຈິຕອນ. ນີ້ ໝາຍ ຄວາມວ່າຄອມພິວເຕີສາມາດຮັບຮູ້ສ່ວນປະກອບຂອງຮູບພາບໄດ້ໂດຍອັດຕະໂນມັດ.
ພວກເຂົາສາມາດຈໍາແນກລະຫວ່າງວັດຖຸ, ສັດ, ແລະມະນຸດ, ແລະໃສ່ປ້າຍໃຫ້ພວກເຂົາຢ່າງເຫມາະສົມ.
ອຸດສາຫະກໍາຈໍານວນຫນຶ່ງໃຊ້ການຮັບຮູ້ຮູບພາບ. ສໍາລັບຕົວຢ່າງ, ການຮັບຮູ້ຮູບພາບຖືກນໍາໃຊ້ໃນລະບົບຄວາມປອດໄພເພື່ອກໍານົດແລະຕິດຕາມຜູ້ບຸກລຸກ. ນອກຈາກນີ້, ມັນຖືກນໍາໃຊ້ໃນ radiography ເພື່ອຊ່ວຍໃຫ້ທ່ານຫມໍໃນການວິນິດໄສແລະການປິ່ນປົວ.
ການກວດສອບວັດຖຸ
ມັນແມ່ນເຕັກນິກການຊອກຄົ້ນຫາ ແລະຮັບຮູ້ລາຍການໃນສື່ທີ່ມີສາຍຕາ ຫຼື ເຄື່ອນໄຫວ. ຄໍາຮ້ອງສະຫມັກສໍາລັບວຽກເຮັດງານທໍານີ້ປະກອບມີຫຸ່ນຍົນ, ລົດອັດຕະໂນມັດ, ແລະການເຝົ້າລະວັງ. ສໍາລັບຕົວຢ່າງ, ໄດ້ Nest Cam ແມ່ນລະບົບຄວາມປອດໄພໃນເຮືອນທີ່ແຈ້ງເຕືອນລູກຄ້າເມື່ອມັນກວດພົບການເຄື່ອນໄຫວ ຫຼືສຽງໂດຍໃຊ້ການກວດຫາວັດຖຸ.
ການແບ່ງສ່ວນ
ຂະບວນການຂອງການແບ່ງແຍກຮູບພາບແມ່ນແຕກອອກເປັນຫຼາຍພາກສ່ວນ, ແຕ່ລະຄົນມີຄຸນສົມບັດເປັນເອກະລັກຂອງຕົນ. ຄໍາຮ້ອງສະຫມັກສໍາລັບວຽກເຮັດງານທໍານີ້ປະກອບມີການວິເຄາະເອກະສານ, ການປຸງແຕ່ງວິດີໂອ, ແລະຮູບພາບທາງການແພດ.
ສໍາລັບຕົວຢ່າງ, ໂຄງການແກ້ໄຂຮູບພາບທີ່ມີຊື່ສຽງ Adobe Photoshop ນຳໃຊ້ການແບ່ງສ່ວນເພື່ອແຍກອົງປະກອບຕ່າງໆພາຍໃນຮູບພາບ ແລະນຳໃຊ້ຜົນກະທົບຕ່າງໆໃຫ້ກັບແຕ່ລະອົງປະກອບ.
ຄວາມເຂົ້າໃຈການຮຽນຮູ້ເຄື່ອງຈັກ
ຕົວຢ່າງ ໜຶ່ງ ຂອງ ປັນຍາປະດິດ ແມ່ນການຮຽນຮູ້ເຄື່ອງຈັກ. ມັນແມ່ນການສອນຄອມພິວເຕີໃຫ້ຮຽນຮູ້ຈາກຂໍ້ມູນແລະການຄາດເດົາແບບຟອມໂດຍອີງໃສ່ຂໍ້ມູນນັ້ນ. ໂດຍບໍ່ມີການຖືກລະຫັດຢ່າງຊັດເຈນ, ມັນໃຊ້ຕົວແບບສະຖິຕິເພື່ອຊ່ວຍໃຫ້ຄອມພິວເຕີດີຂຶ້ນໃນກິດຈະກໍາສະເພາະໃດຫນຶ່ງ.
ເພື່ອໃຫ້ມັນເປັນທາງອື່ນ, ການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນຂະບວນການຂອງການຝຶກອົບຮົມ ຄອມພິວເຕີເພື່ອຮຽນຮູ້ດ້ວຍຕົນເອງໃນຂະນະທີ່ເອົາຂໍ້ມູນເປັນຄໍາແນະນໍາຂອງພວກເຂົາ.
ຂໍ້ມູນ, ສູດການຄິດໄລ່, ແລະຄໍາຕິຊົມແມ່ນສາມອົງປະກອບຕົ້ນຕໍຂອງການຮຽນຮູ້ເຄື່ອງຈັກ. ໄດ້ ບົບການຮຽນຮູ້ເຄື່ອງຈັກ ທໍາອິດຕ້ອງໄດ້ຮັບການຝຶກອົບຮົມກ່ຽວກັບຊຸດຂໍ້ມູນເພື່ອກໍານົດຮູບແບບ. ອັນທີສອງ, ສູດການຄິດໄລ່ເຮັດໃຫ້ການຄາດຄະເນໂດຍອີງໃສ່ຊຸດຂໍ້ມູນໃຫມ່ໂດຍໃຊ້ຮູບແບບທີ່ໄດ້ຮຽນຮູ້.
ໃນທີ່ສຸດ, ຫຼັງຈາກໄດ້ຮັບຄໍາຄຶດຄໍາເຫັນກ່ຽວກັບການຄາດຄະເນຂອງມັນ, ສູດການຄິດໄລ່ເຮັດໃຫ້ການປັບຕົວ. ແລະ, ມັນເສີມຂະຫຍາຍປະສິດທິພາບຂອງຕົນ.
ປະເພດຕົ້ນຕໍຂອງການຮຽນຮູ້ເຄື່ອງຈັກ
ການຮຽນຮູ້ທີ່ຖືກຄວບຄຸມ
ໃນການຮຽນຮູ້ແບບມີການຄວບຄຸມດູແລ, ຊຸດຂໍ້ມູນທີ່ມີປ້າຍກຳກັບຈະຝຶກອົບຮົມລະບົບວິທີ. ດັ່ງນັ້ນ, ວັດສະດຸປ້ອນແລະຜົນຜະລິດທີ່ກົງກັນແມ່ນຖືກຈັບຄູ່. ຫຼັງຈາກການຮຽນຮູ້ການຈັບຄູ່ວັດສະດຸປ້ອນກັບຜົນໄດ້ຮັບ, ສູດການຄິດໄລ່ສາມາດຄາດຄະເນຜົນໄດ້ຮັບໂດຍໃຊ້ຂໍ້ມູນສົດ.
ແອັບພລິເຄຊັນເຊັ່ນ: ການຮັບຮູ້ຮູບພາບ, ການຮັບຮູ້ສຽງ, ແລະການປະມວນຜົນພາສາທໍາມະຊາດໃຊ້ການຮຽນຮູ້ທີ່ມີການຄວບຄຸມດູແລ. ຜູ້ຊ່ວຍ virtual ຂອງ Apple Siriສໍາລັບຕົວຢ່າງ, ຈ້າງການຮຽນຮູ້ການຊີ້ນໍາເພື່ອຕີຄວາມຫມາຍແລະປະຕິບັດຄໍາສັ່ງຂອງທ່ານ.
ການຮຽນຮູ້ທີ່ບໍ່ມີການຄວບຄຸມ
ການຮຽນຮູ້ແບບບໍ່ມີການຄວບຄຸມແມ່ນຊຸດຍ່ອຍຂອງການຮຽນຮູ້ເຄື່ອງຈັກ. ໃນກໍລະນີນີ້, ສູດການຄິດໄລ່ແມ່ນໄດ້ຮັບການສອນກ່ຽວກັບຊຸດຂໍ້ມູນທີ່ການນໍາເຂົ້າແລະຜົນໄດ້ຮັບບໍ່ໄດ້ຈັບຄູ່. ເພື່ອສ້າງການຄາດເດົາ, ຂັ້ນຕອນທໍາອິດຕ້ອງຮຽນຮູ້ທີ່ຈະຮັບຮູ້ຮູບແບບແລະຄວາມກ່ຽວຂ້ອງກັນໃນຂໍ້ມູນ.
ແອັບພລິເຄຊັນເຊັ່ນ: ການບີບອັດຂໍ້ມູນ, ການກວດຫາຄວາມຜິດປົກກະຕິ ແລະການສ້າງກຸ່ມນຳໃຊ້ການຮຽນຮູ້ແບບບໍ່ມີການຄວບຄຸມເບິ່ງແຍງ. ຕົວຢ່າງ, Amazon ແນະນຳສິນຄ້າໃຫ້ຜູ້ບໍລິໂພກໂດຍອ້າງອີງຈາກປະຫວັດການຊື້ຂອງເຂົາເຈົ້າ ແລະພຶດຕິກຳການທ່ອງເວັບໂດຍໃຊ້ການຮຽນຮູ້ແບບບໍ່ມີການຄວບຄຸມ.
ການຮຽນຮູ້ການເສີມສ້າງ
ມັນກ່ຽວຂ້ອງກັບການພົວພັນກັບສະພາບແວດລ້ອມແລະການໄດ້ຮັບຄໍາຄຶດຄໍາເຫັນໃນຮູບແບບຂອງລາງວັນແລະການລົງໂທດ. ສູດການຄິດໄລ່ໄດ້ຮັບຄວາມສາມາດໃນການຕັດສິນໃຈທີ່ເພີ່ມລາງວັນແລະຫຼຸດລົງການລົງໂທດ.
ແອັບພລິເຄຊັ່ນສຳລັບການຮຽນຮູ້ເຄື່ອງຈັກປະເພດນີ້ລວມມີ ຫຸ່ນຍົນ, ລົດທີ່ຂັບເອງ, ແລະການຫຼິ້ນເກມ. ຕົວຢ່າງ, Google DeepMind's AlphaGo ຊອບແວໃຊ້ການເສີມການຮຽນຮູ້ເພື່ອຫຼິ້ນເກມຂອງ Go.
ຄວາມສຳພັນລະຫວ່າງ Computer Vision ແລະ Machine Learning
ວຽກງານວິໄສທັດຄອມພິວເຕີສາມາດໃຊ້ວິທີການຮຽນຮູ້ເຄື່ອງຈັກໄດ້ແນວໃດ?
ວຽກງານວິໄສທັດຄອມພິວເຕີຫຼາຍຢ່າງ, ລວມທັງການກໍານົດວັດຖຸແລະການຈັດປະເພດຮູບພາບ, ໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກ. ຮູບແບບທົ່ວໄປຂອງເຕັກນິກການຮຽນຮູ້ເຄື່ອງຈັກທີ່ຖືກນໍາໃຊ້ແມ່ນ ເຄືອຂ່າຍ neural convolutional (CNNs).
ມັນສາມາດກໍານົດຮູບແບບແລະຄຸນລັກສະນະຕ່າງໆໃນຮູບພາບ.
ຕົວຢ່າງ, Google ຮູບພາບ ໃຊ້ລະບົບການຮຽນຮູ້ເຄື່ອງຈັກ. ມັນຮັບຮູ້ແລະຈັດປະເພດຮູບພາບອັດຕະໂນມັດໂດຍອີງໃສ່ລາຍການແລະບຸກຄົນໃນປະຈຸບັນ.
ການນຳໃຊ້ຄອມພິວເຕີວິໄສທັດ ແລະການຮຽນຮູ້ເຄື່ອງຈັກໃນໂລກຕົວຈິງ
ແອັບພລິເຄຊັ່ນໃນໂລກຕົວຈິງຫຼາຍອັນລວມເອົາວິໄສທັດຄອມພິວເຕີ ແລະການຮຽນຮູ້ເຄື່ອງຈັກ. ຕົວຢ່າງທີ່ຍິ່ງໃຫຍ່ແມ່ນລົດທີ່ຂັບລົດດ້ວຍຕົນເອງ. ພວກເຂົາເຈົ້າກໍານົດແລະຕິດຕາມກວດກາສິ່ງທີ່ຢູ່ໃນຖະຫນົນຫົນທາງດ້ວຍວິໄສທັດຄອມພິວເຕີ.
ແລະ, ພວກເຂົາໃຊ້ລະບົບການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອເຮັດໃຫ້ການຕັດສິນໂດຍອີງໃສ່ຂໍ້ມູນນັ້ນ. Waymo ເປັນບໍລິສັດລົດຂັບລົດຕົນເອງເປັນເຈົ້າຂອງໂດຍ Alphabet. ສໍາລັບການຮັບຮູ້ວັດຖຸແລະການສ້າງແຜນທີ່, ມັນປະສົມປະສານທັງວິໄສທັດຄອມພິວເຕີແລະການຮຽນຮູ້ເຄື່ອງຈັກ.
ວິໄສທັດຄອມພິວເຕີແລະການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນໃຊ້ຮ່ວມກັນໃນອຸດສາຫະກໍາການແພດເຊັ່ນດຽວກັນ. ພວກເຂົາຊ່ວຍຜູ້ຊ່ຽວຊານໃນການກວດສອບຮູບພາບທາງການແພດແລະຊ່ວຍໃນການວິນິດໄສ. ສໍາລັບຕົວຢ່າງ, ເຄື່ອງມືວິນິດໄສທີ່ FDA ອະນຸມັດ IDx-DR ໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອກວດເບິ່ງຮູບພາບຂອງ retinal ແລະຊອກຫາພະຍາດເບົາຫວານ retinopathy. ມັນເປັນເງື່ອນໄຂທີ່, ຖ້າບໍ່ສົນໃຈ, ສາມາດເຮັດໃຫ້ຕາບອດໄດ້.
ຄວາມແຕກຕ່າງລະຫວ່າງການຮຽນຮູ້ເຄື່ອງຈັກ ແລະ ວິໄສທັດຄອມພິວເຕີ
ປະເພດຂອງຂໍ້ມູນການຈ້າງງານ
ປະເພດຂອງຂໍ້ມູນທີ່ວິໄສທັດຄອມພິວເຕີ ແລະການຮຽນຮູ້ເຄື່ອງຈັກນຳໃຊ້ແຕກຕ່າງກັນ. ການຮຽນຮູ້ເຄື່ອງຈັກສາມາດຈັດການກັບຂໍ້ມູນປະເພດຕ່າງໆ, ລວມທັງຂໍ້ມູນຕົວເລກ, ຂໍ້ຄວາມ, ແລະສຽງ.
ຢ່າງໃດກໍຕາມ, ວິໄສທັດຄອມພິວເຕີສຸມໃສ່ພຽງແຕ່ ຂໍ້ມູນພາບ ເຊັ່ນຮູບພາບແລະວິດີໂອ.
ເປົ້າໝາຍຂອງແຕ່ລະສາຂາ
ການຮຽນຮູ້ເຄື່ອງຈັກ ແລະວິໄສທັດຄອມພິວເຕີມີເປົ້າໝາຍຕ່າງໆ. ເປົ້າຫມາຍຕົ້ນຕໍຂອງວິໄສທັດຄອມພິວເຕີແມ່ນການວິເຄາະແລະການເຂົ້າໃຈການນໍາເຂົ້າຕາ. ເຫຼົ່ານີ້ຍັງປະກອບມີການຮັບຮູ້ວັດຖຸ, ການຕິດຕາມການເຄື່ອນໄຫວ, ແລະການວິເຄາະຮູບພາບ.
ແນວໃດກໍ່ຕາມ, ລະບົບການຮຽນຮູ້ເຄື່ອງຈັກສາມາດນຳໃຊ້ໄດ້ກັບທຸກກິດຈະກຳ.
ວິໄສທັດຄອມພິວເຕີເປັນຊຸດຍ່ອຍຂອງການຮຽນຮູ້ເຄື່ອງຈັກ
ໃນຂະນະທີ່ມັນເປັນພື້ນທີ່ແຍກຕ່າງຫາກ, ວິໄສທັດຄອມພິວເຕີຍັງເຫັນວ່າເປັນສ່ວນຫນຶ່ງຂອງການຮຽນຮູ້ເຄື່ອງຈັກ.
ວິທີການ ແລະຊັບພະຍາກອນຫຼາຍຢ່າງທີ່ໃຊ້ໃນການຮຽນຮູ້ເຄື່ອງຈັກ—ເຊັ່ນ ການຮຽນຮູ້ລຶກລັບ, ເຄືອຂ່າຍ neural, ແລະ clustering—ຍັງໃຊ້ເພື່ອສ້າງວິໄສທັດຄອມພິວເຕີ.
ຄວາມເປັນໄປໄດ້ທີ່ຫນ້າຕື່ນເຕັ້ນຢູ່ຂ້າງຫນ້າ
ທ່າແຮງສໍາລັບການຕັດກັນຂອງເຂົາເຈົ້າແມ່ນການຂະຫຍາຍຕົວທີ່ຫນ້າຕື່ນເຕັ້ນຫຼາຍ. ດ້ວຍຄວາມກ້າວຫນ້າຂອງເຕັກໂນໂລຢີໃຫມ່, ພວກເຮົາສາມາດຄາດຫວັງວ່າຈະເຫັນຄໍາຮ້ອງສະຫມັກທີ່ຫນ້າປະທັບໃຈ.
ພາກສະຫນາມຫນຶ່ງທີ່ທາງຕັດນີ້ຫນ້າສົນໃຈໂດຍສະເພາະແມ່ນຫຸ່ນຍົນ. ວິໄສທັດຄອມພິວເຕີແລະການຮຽນຮູ້ເຄື່ອງຈັກຈະມີບົດບາດສໍາຄັນໃນການອະນຸຍາດໃຫ້ຫຸ່ນຍົນນໍາທາງສະພາບແວດລ້ອມທີ່ສັບສົນ.
ພວກເຂົາເຈົ້າຈະພົວພັນກັບວັດຖຸແລະມະນຸດຍ້ອນວ່າພວກເຂົາເຕີບໂຕເອກະລາດຫຼາຍຂຶ້ນ. ພວກເຮົາສາມາດຄາດຫວັງວ່າຈະເຫັນຫຸ່ນຍົນທີ່ມີປະສິດທິພາບຫຼາຍຂຶ້ນໃນວຽກຕ່າງໆ.
ທ່າແຮງທີ່ຫນ້າສົນໃຈອີກອັນຫນຶ່ງແມ່ນຄວາມເປັນຈິງ virtual. ວິໄສທັດຄອມພິວເຕີ ແລະການຮຽນຮູ້ເຄື່ອງຈັກ, ດ້ວຍຄວາມສາມາດໃນການລະບຸ ແລະວິເຄາະການປ້ອນຂໍ້ມູນທາງສາຍຕາ, ສາມາດເຮັດໃຫ້ມະນຸດມີສ່ວນຮ່ວມກັບສິ່ງແວດລ້ອມສະເໝືອນຈິງໄດ້ຢ່າງເປັນທຳມະຊາດ ແລະມີຄວາມຕັ້ງໃຈຫຼາຍຂຶ້ນ. ພວກເຮົາຈະເຫັນແອັບພລິເຄຊັນທີ່ຊ່ວຍໃຫ້ພວກເຮົາສາມາດສົມທົບໂລກທີ່ແທ້ຈິງແລະ virtual. ມັນຈະນໍາເອົາຄວາມເປັນໄປໄດ້ໃຫມ່ສໍາລັບການບັນເທີງ, ການສຶກສາ, ແລະຈຸດປະສົງອື່ນໆ.
ອະນາຄົດຂອງວິໄສທັດຄອມພິວເຕີ ແລະການຮຽນຮູ້ເຄື່ອງຈັກຖືສັນຍາຫຼາຍຢ່າງ. ພວກເຮົາຈະເຫັນການນໍາໃຊ້ທີ່ໂດດເດັ່ນຂອງໂດເມນເຫຼົ່ານີ້ໃນປີຕໍ່ໄປ.
ອອກຈາກ Reply ເປັນ