បំពេញសេចក្ដីនៃ Generative AI - Java Edition

July 2, 2026 · View on GitHub

អ្វីដែលអ្នកនឹងរៀន

  • មូលដ្ឋាន Generative AI រួមបញ្ចូល LLMs, ការរចនាបំលែង, tokens, embeddings, និងទិន្នន័យជា vector
  • ប្រៀបធៀបឧបករណ៍អភិវឌ្ឍន៍ Java AI រួមមាន Azure OpenAI SDK, Spring AI និង OpenAI Java SDK
  • ស្គាល់ Model Context Protocol និងតួនាទីវាក្នុងការទំនាក់ទំនងរវាងភ្នាក់ងារ AI

តារាងមាតិកា

សេចក្ដីផ្តើម

សូមស្វាគមន៍មកកាន់ជំពូកដំបូងនៃ Generative AI សម្រាប់អ្នកចាប់ផ្ដើម - Java Edition! មេរៀនមូលដ្ឋាននេះនាំអ្នកស្គាល់ទៅនឹងគំនិតស្នូលនៃ generative AI និងរបៀបប្រើប្រាស់វាជាមួយ Java។ អ្នកនឹងរៀនអំពីធាតុបង្កើតសំខាន់ៗនៃកម្មវិធី AI រួមបញ្ចូល Large Language Models (LLMs), tokens, embeddings, និងភ្នាក់ងារ AI។ យើងនឹងស្វែងយល់អំពីឧបករណ៍ Java ដែលអ្នកនឹងប្រើនៅពេលទាំងមូលនៃវគ្គសិក្សានេះផងដែរ។

ការរំឭកយ៉ាងឆាប់រហ័សអំពីគំនិត Generative AI

Generative AI គឺជាប្រភេទបញ្ញាសិប្បនិម្មិតដែលបង្កើតមាតិកាថ្មីៗ ដូចជាអត្ថបទ រូបភាព ឬកូដ ដោយផ្អែកលើលំនាំ និងទំនាក់ទំនងដែលបានរៀនពីទិន្នន័យ។ ម៉ូដែល Generative AI អាចបង្កើតចម្លើយស្រដៀងមនុស្ស យល់ដឹងបរិបទ ហើយពេលខ្លះក៏បង្កើតមាតិកាដែលហាក់ដូចជាមនុស្ស។

នៅពេលអ្នកអភិវឌ្ឍកម្មវិធី Java AI អ្នកនឹងប្រើ ម៉ូដែល generative AI ដើម្បីបង្កើតមាតិកា។ សមត្ថភាពមួយចំនួននៃម៉ូដែល generative AI រួមមាន៖

  • ការបង្កើតអត្ថបទ: បង្កើតអត្ថបទស្រដៀងមនុស្សសម្រាប់ chatbot ការសរសេរមាតិកា និងបញ្ចប់អត្ថបទ។
  • ការបង្កើត និងវិភាគរូបភាព: បង្កើតរូបភាពយ៉ាងពិតប្រាកដ, បង្រ្កាបរូបថត, និងរកឃើញវត្ថុ។
  • ការបង្កើតកូដ: សរសេរកូដ ឬ script ។

មានម៉ូដែលជាច្រើនប្រភេទដែលបានបង្កើតឡើងសម្រាប់ការងារផ្សេងៗ។ ឧទាហរណ៍, ទាំង Small Language Models (SLMs) និង Large Language Models (LLMs) អាចកាន់កាប់ការបង្កើតអត្ថបទបាន ដោយម៉ូដែល LLMs ជាទូទៅមានឥទ្ធិពលល្អសម្រាប់ការងារដែលស្មុគស្មាញ។ សម្រាប់ការងារប្រភេទរូបភាព អ្នកនឹងប្រើម៉ូដែលយល់ឃើញឬម៉ូដែល multi-modal ជាពិសេស។

Figure: Generative AI model types and use cases.

ប្រាកដជាចម្លើយពីម៉ូដែលទាំងនេះមិនមែនពេញលេញគ្រប់ពេលទេ។ អ្នកប្រហែលជាបានស្ដាប់ពីការម៉ូដែល "hallucinating" ឬបង្កើតព័ត៌មានមិនត្រឹមត្រូវក្នុងរបៀបដែលហាក់ដូចជាអ្នកអាជ្ញាធរ។ ប៉ុន្តែនៅទីនេះ អ្នកអាចជួយណែនាំម៉ូដែលឲ្យបង្កើតចម្លើយល្អប្រសើរជាងមុនដោយផ្តល់សេចក្ដីណែនាំច្បាស់លាស់ និងបរិបទ។ វាជាកន្លែងដែល prompt engineering ចូលទៅកាន់។

ការត្រួតពិនិត្យនៃការរចនាបំលែង

Prompt engineering គឺជាការអនុវត្តន៍រចនាទិន្នន័យប្រតិបត្តិការសម្រាប់ណែនាំម៉ូដែល AI ទៅកាន់លទ្ធផលដែលចង់បាន។ វាប្រមូលផ្តុំ ៖

  • ភាពច្បាស់លាស់: ធ្វើឲ្យសេចក្ដីណែនាំច្បាស់ និងមិនមានភាពមិនច្បាស់លាស់។
  • បរិបទ: ផ្តល់ព័ត៌មានផ្ទាល់ខ្លួនដែលចាំបាច់។
  • ការកំណត់ដែនកំណត់: សរសេរព្រំដែន ឬទ្រង់ទ្រាយណាមួយ។

អ្វីដែលជាប្រពៃណីល្អសម្រាប់ prompt engineering រួមមានការរចនាបំលែង, ណែនាំច្បាស់លាស់, បំបែកភារកិច្ច, ការសិក្សាគន្លងមួយឬប៉ុន្មាន, និងការតម្រឹមបំលែង។ ការសាកល្បងបំលែងផ្សេងៗគឺជារឿងចាំបាច់សម្រាប់រកមើលអ្វីដែលមានប្រសិទ្ធភាពបំផុតសម្រាប់ករណីប្រើប្រាស់របស់អ្នក។

នៅពេលអភិវឌ្ឍកម្មវិធី អ្នកនឹងប្រើប្រាស់បំលែងប្រភេទខុសៗគ្នា៖

  • បំលែងប្រព័ន្ធ: កំណត់ច្បាប់មូលដ្ឋាន និងបរិបទសម្រាប់អាកប្បកិរិយាម៉ូដែល
  • បំលែងអ្នកប្រើប្រាស់: ទិន្នន័យបញ្ចូលពីអ្នកប្រើប្រាស់កម្មវិធីរបស់អ្នក
  • បំលែងជំនួយករ: ចម្លើយម៉ូដែលផ្អែកលើបំលែងប្រព័ន្ធ និងអ្នកប្រើប្រាស់

សិក្សាបន្ថែម: សូមសិក្សាបន្ថែមអំពី prompt engineering នៅក្នុង ជំពូកការរចនាបំលែង នៃវគ្គ GenAI សម្រាប់អ្នកចាប់ផ្តើម

Tokens, embeddings, និងភ្នាក់ងារ

ពេលធ្វើការជាមួយម៉ូដែល generative AI អ្នកនឹងជួបប្រទៈនឹងពាក្យដូចជា tokens, embeddings, agents, និង Model Context Protocol (MCP)។ សូមមើលសេចក្ដីពិពណ៌នាពីគំនិតទាំងនេះ៖

  • Tokens: Tokens គឺជាឯកតាសរសេរតូចបំផុតនៅក្នុងម៉ូដែល។ អាចជាពាក្យ តួអក្សរ ឬអក្សរខ្នាតតូច។ Tokens ត្រូវបានប្រើដើម្បីបង្ហាញទិន្នន័យអត្ថបទក្នុងទ្រង់ទ្រាយដែលម៉ូដែលអាចយល់បាន។ ឧទាហរណ៍ ប្រយោគ "The quick brown fox jumped over the lazy dog" អាចត្រូវបំបែកជា ["The", " quick", " brown", " fox", " jumped", " over", " the", " lazy", " dog"] ឬ ["The", " qu", "ick", " br", "own", " fox", " jump", "ed", " over", " the", " la", "zy", " dog"] ដោយផ្អែកលើយុទ្ធសាស្រ្ត tokenization។

Figure: Generative AI tokens example of breaking words into tokens

Tokenization គឺជាដំណាក់កាលបំបែកអត្ថបទជាឯកតាតូចៗទាំងនេះ។ វាជារឿងសំខាន់ព្រោះម៉ូដែលដំណើរការលើ tokens មួយប៉ុណ្ណោះ មិនមែនលើអត្ថបទដើមទេ។ ចំនួន tokens ក្នុង prompt ប៉ះពាល់ដល់ប្រវែង និងគុណភាពចម្លើយម៉ូដែល ព្រោះម៉ូដែលមានដែនកំណត់ tokens របស់ context window (ឧ. 128K tokens សម្រាប់ GPT-4o សម្រាប់ context សរុប រួមទាំង input និង output)។

នៅក្នុង Java អ្នកអាចប្រើបណ្ណាល័យដូចជា OpenAI SDK ដើម្បីដោះស្រាយការបំបែក tokenization ដោយស្វ័យប្រវត្តិពេលផ្ញើសំណើទៅម៉ូដែល AI ។

  • Embeddings: Embeddings គឺជាការបង្ហាញជាវ៉ិចទ័រនៃ tokens ដែលចាប់យកន័យសេម៉ាទិច។ វាជាការបង្ហាញជាចំនួន (តែជាធម្មតាជាអារេនៃលេខគោលើង) ដែលអនុញ្ញាតឲ្យម៉ូដែលយល់ទំនាក់ទំនងរវាងពាក្យ និងបង្កើតចម្លើយដែលសមស្របតាមបរិបទ។ ពាក្យស្រដៀងគ្នាមាន embeddings ស្រដៀងគ្នា ដែលអនុញ្ញាតឲ្យម៉ូដែលយល់ពីគំនិតដូចជា synonyms និងទំនាក់ទំនងសេម៉ាទិច។

Figure: Embeddings

នៅក្នុង Java អ្នកអាចបង្កើត embeddings ដោយប្រើ OpenAI SDK ឬបណ្ណាល័យផ្សេងទៀតដែលគាំទ្រ embeddings។ Embeddings ទាំងនេះសំខាន់សម្រាប់ភារកិច្ចដូចជាការស្វែងរកសេម៉ាទិច ដែលអ្នកចង់ស្វែងរកមាតិកាស្រដៀងដែលផ្អែកលើន័យមិនមែនបរិយាយអត្ថបទត្រឹមត្រូវ។

  • Vector databases: Vector databases គឺជារបបផ្ទេរទិន្នន័យជាវ៉ិចទ័រដែលបង្កើតឡើងដោយជំនាញសម្រាប់ embeddings។ វាជួយអោយការស្វែងរកមាតិកាស្រដៀងបានទាន់ចិត្ត និងសំខាន់សម្រាប់ម៉ូដែល Retrieval-Augmented Generation (RAG) ដែលអ្នកត្រូវតែស្វែងរកព័ត៌មានសំខាន់ៗពីទិន្នន័យធំៗដោយផ្អែកលើសេចក្ដីស្រដៀងសេម៉ាទិចមិនមែនការប្រៀបធៀបអត្ថបទត្រឺមត្រូវឡើយ។

Figure: Vector database architecture showing how embeddings are stored and retrieved for similarity search.

ចំណាំ: នៅក្នុងវគ្គសិក្សានេះ យើងមិនបರ್ಚប់ Vector databases ទៅទៀតទេ ប៉ុន្តែគិតថាវាគួរឱ្យចំណាំព្រោះវាត្រូវបានប្រើជាទូទៅនៅក្នុងកម្មវិធីពិតប្រាកដ។

  • Agents & MCP: ផ្នែករបស់ AI ដែលអាចធ្វើអោយមានអន្តរកម្មដោយស្វ័យប្រវត្តិជាមួយម៉ូដែល ឧបករណ៍ និងប្រព័ន្ធក្រៅផ្សេងៗ។ Model Context Protocol (MCP) ផ្តល់វិធីសាស្រ្តស្តង់ដារសម្រាប់ភ្នាក់ងារ​ដើម្បីចូលប្រើប្រភពទិន្នន័យ និងឧបករណ៍ក្រៅយ៉ាងសុវត្ថិភាព។ សូមស្វែងយល់បន្ថែមក្នុងវគ្គ MCP for Beginners របស់យើង។

នៅក្នុងកម្មវិធី Java AI អ្នកនឹងប្រើ tokens សម្រាប់ដំណើរការអត្ថបទ embeddings សម្រាប់ស្វែងរកសមត្ថភាពសេម៉ាទិច និង RAG, vector databases សម្រាប់ការទាញទិន្នន័យ, និងភ្នាក់ងារជាមួយ MCP ដើម្បីបង្កើតប្រព័ន្ធប្រាជ្ញាឯករិតប្រើឧបករណ៍ដែលមានប្រាជ្ញា។

Figure: how a prompt becomes a reply—tokens, vectors, optional RAG lookup, LLM thinking, and an MCP agent all in one quick flow..

ឧបករណ៍ និងបណ្ណាល័យអភិវឌ្ឍ AI សម្រាប់ Java

Java ផ្តល់ឧបករណ៍ល្អសម្រាប់អភិវឌ្ឍ AI។ មានបណ្ណាល័យសំខាន់បីដែលយើងនឹងស្វែងយល់នៅក្នុងវគ្គសិក្សានេះ - OpenAI Java SDK, Azure OpenAI SDK, និង Spring AI។

នេះគឺតារាងយោងរហ័សបង្ហាញពី SDK ដែលប្រើនៅក្នុងឧទាហរណ៍នានានៅក្នុងជំពូក៖

ជំពូកឧទាហរណ៍SDK
02-SetupDevEnvironmentbasic-chat-azureSpring AI Azure OpenAI
03-CoreGenerativeAITechniquesexamplesAzure OpenAI SDK
04-PracticalSamplespetstoryOpenAI Java SDK
04-PracticalSamplesfoundrylocalOpenAI Java SDK
04-PracticalSamplescalculatorSpring AI MCP SDK + LangChain4j

តំណភ្ជាប់ឯកសារ SDK:

OpenAI Java SDK

OpenAI SDK គឺជាបណ្ណាល័យ Java ផ្លូវការសម្រាប់ OpenAI API។ វាបានផ្តល់ឲ្យនូវប្រព័ន្ធគ្រប់គ្រងគ្រប់គ្រាន់ និងងាយស្រួលក្នុងការប្រើប្រាស់ជាមួយម៉ូដែល OpenAI ដែលធ្វើឲ្យងាយស្រួលក្នុងការរួមបញ្ចូលសមត្ថភាព AI ចូលក្នុងកម្មវិធី Java។ កម្មវិធី Pet Story និងឧទាហរណ៍ Foundry Local ក្នុងជំពូក 4 បង្ហាញពីវិធីប្រើប្រាស់ OpenAI SDK ជាមួយ Azure AI Foundry។

Spring AI

Spring AI គឺជាស៊ុមបណ្ដាញទូលំទូលាយ ដែលនាំមកនូវសមត្ថភាព AI ចូលក្នុងកម្មវិធី Spring ផ្តល់ស្រទាប់ abstraction យ៉ាងរឹងមាំលើអ្នកផ្គត់ផ្គង់ AI ផ្សេងៗ។ វាបង្កប់ជាមួយ Spring ecosystem យ៉ាងគ្រប់គ្រាន់ធ្វើឲ្យវាជាជម្រើសល្អសម្រាប់កម្មវិធី Java ដៃគូក្នុងអាជីវកម្មដែលត្រូវការសមត្ថភាព AI។

ភាពខ្លាំងរបស់ Spring AI គឺនៅក្នុងការរួមបញ្ចូលដោយរលូនជាមួយ Spring ecosystem ដែលធ្វើឲ្យរចនាកម្មវិធី AI ដែលមានស្រាប់កំណត់ពិតប្រាកដបានដោយប្រើវិធីសាស្រ្ត Spring ដូចជាការចាក់បញ្ចូលបន្ទុក, ការគ្រប់គ្រង កំណត់ត្រា និងប្រព័ន្ធសម្រាប់សាកល្បង។ អ្នកនឹងប្រើ Spring AI នៅជំពូក 2 និង 4 ដើម្បីកសាងកម្មវិធីដែលប្រើប្រាស់ទាំង OpenAI និងផ្នែក Model Context Protocol (MCP) របស់ Spring AI។

Model Context Protocol (MCP)

The Model Context Protocol (MCP) គឺជាមាត្រដ្ឋានកំពុងបង្កើតឡើងដែលអនុញ្ញាតឲ្យកម្មវិធី AI មានអន្តរកម្មយ៉ាងសុវត្ថិភាពជាមួយប្រភពទិន្នន័យ និងឧបករណ៍ក្រៅផ្សេងៗ។ MCP ផ្តល់វិធីសាស្រ្តស្តង់ដារសម្រាប់ម៉ូដែល AI ដើម្បីរមួលព័ត៌មានបរិបទ និងអនុវត្តន៍សកម្មភាពក្នុងកម្មវិធីរបស់អ្នក។

ក្នុងជំពូក 4 អ្នកនឹងបង្កើតសេវាកម្មគណនេយ្យ MCP សាមញ្ញមួយដែលបង្ហាញពីមូលដ្ឋាននៃ Model Context Protocol ជាមួយ Spring AI បង្ហាញពីរបៀបបង្កើតការរួមបញ្ចូលឧបករណ៍ និងស្ថាបត្យកម្មសេវាកម្មមូលដ្ឋាន។

Azure OpenAI Java SDK

បណ្ណាល័យ client Azure OpenAI សម្រាប់ Java គឺជាការបញ្ចូលនៃ REST APIs របស់ OpenAI ដែលផ្តល់នូវផ្ទាំងនៃការអភិវឌ្ឍឧបករណ៍ និងការរួមបញ្ចូលជាមួយប្រែក្លាស់Azure SDK ផ្នែកផ្សេងៗ។ នៅជំពូក 3 អ្នកនឹងបង្កើតកម្មវិធីជាមួយ Azure OpenAI SDK រួមមានកម្មវិធីកុងភី, ការហៅមុខងារ និងគំរូ RAG (Retrieval-Augmented Generation)។

ចំណាំ៖ Azure OpenAI SDK មានអតិផរណា​ច្រើន​ជាង OpenAI Java SDK ក្នុងមុខងារផ្សេងៗ ដូច្នេះសម្រាប់គម្រោងនៅអនាគត សូមពិចារណាការប្រើ OpenAI Java SDK។

សេចក្ដីសង្ខេប

នេះជាចំណុចមូលដ្ឋាន! ឥឡូវនេះអ្នកយល់ដឹងពី៖

  • គំនិតស្នូលពីមុខវិជ្ជា generative AI - ចាប់ពី LLMs និង prompt engineering រហូតដល់ tokens, embeddings និង vector databases
  • ជម្រើសឧបករណ៍សម្រាប់អភិវឌ្ឍ Java AI: Azure OpenAI SDK, Spring AI, និង OpenAI Java SDK
  • ថា Model Context Protocol ជារឿងអ្វី និងរបៀបវាអនុញ្ញាតឲ្យភ្នាក់ងារ AI ប្រើប្រាស់ឧបករណ៍ក្រៅ

ជំហានបន្ទាប់

ជំពូក 2: ការតំឡើងបរិវេណអភិវឌ្ឍន៍

ការបដិសេធ: ឯកសារនេះត្រូវបានបម្លែងភាសា ដោយប្រើសេវាបម្លែងភាសា AI Co-op Translator។ ទោះយើងខ្ញុំមានក្តីប្រាថ្នាឱ្យបានច្បាស់លាស់ តែសូមយល់ដឹងថាការបម្លែងដោយស្វ័យប្រវត្តិក៏អាចមានកំហុសឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមជាភាសាទីតាំងគួរត្រូវបានគេប្រើជាប្រភពច្បាស់លាស់។ សម្រាប់ព័ត៌មានសំខាន់ៗ សូមណែនាំឱ្យប្រើប្រាស់ការប្រែដោយមនុស្សជំនាញ។ យើងខ្ញុំមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសបន្ទាប់ពីការប្រើប្រាស់ការបម្លែងនេះនោះទេ។