«ຂ້ອຍຢາກຮຽນຮູ້ວິທີໃຊ້ AI» — ຄວາມຕ້ອງການນີ້ກຳລັງເພີ່ມທະວີຂຶ້ນເລື້ອຍໆຢ່າງໄວວາໃນມະຫາວິທະຍາໄລ ແລະ TVET (ໂຮງຮຽນການສຶກສາດ້ານວິຊາຊີບ ແລະ ເຕັກນິກ) ໃນລາວ. ແຕ່ໃນກໍລະນີສ່ວນໃຫຍ່, ຕົວຄູອາຈານເອງກໍຍັງບໍ່ທັນມີປະສົບການໃຊ້ AI ໃນການເຮັດວຽກຂອງຕົນ.

ບໍລິສັດຂອງພວກເຮົາໄດ້ປະຕິບັດວິທີການສ້າງຄວາມຮູ້ຄວາມສາມາດດ້ານ AI Literacy ໃຫ້ແກ່ຜູ້ທີ່ບໍ່ແມ່ນວິສະວະກອນ ຜ່ານໂຄງການພັດທະນາບຸກຄະລາກອນ AI ສຳລັບອົງກອນ. ໃນຂະບວນການດັ່ງກ່າວ, ສິ່ງທີ່ເຫັນໄດ້ຊັດເຈນຄືວ່າ «ເງື່ອນໄຂເບື້ອງຕົ້ນ» ລະຫວ່າງການຝຶກອົບຮົມໃນອົງກອນ ແລະ ສະຖາບັນການສຶກສານັ້ນແຕກຕ່າງກັນຢ່າງຫຼວງຫຼາຍ. ການຝຶກອົບຮົມໃນອົງກອນຕ້ອງການຜົນໄດ້ຮັບທີ່ «ນຳໄປໃຊ້ໄດ້ທັນທີໃນການເຮັດວຽກມື້ອື່ນ», ໃນຂະນະທີ່ສະຖາບັນການສຶກສາມີເປົ້າໝາຍໃນການສ້າງ «ທັກສະພື້ນຖານທີ່ສາມາດໃຊ້ໄດ້ 5 ປີຫຼັງຈາກຮຽນຈົບ».

ໃນບົດຄວາມນີ້, ອີງໃສ່ຄວາມຮູ້ທີ່ໄດ້ຮັບຈາກສະຖານທີ່ຝຶກອົບຮົມໃນອົງກອນ, ພວກເຮົາຈະສະເໜີແນວທາງການອອກແບບສຳລັບການນຳ AI Literacy ເຂົ້າໃນຫຼັກສູດ ທັງໃນສະພາບການຂອງ TVET ແລະ ມະຫາວິທະຍາໄລ.

ເມື່ອສະຖາບັນການສຶກສາຂອງລາວຈະຮັບມືກັບ AI, ກ່ອນອື່ນໝົດຕ້ອງເຂົ້າໃຈສະຖານະການປັດຈຸບັນຢ່າງຖືກຕ້ອງ.

ລະດັບການນຳໃຊ້ການສຶກສາ AI ໃນການສຶກສາລະດັບສູງພາຍໃນຂົງເຂດ ASEAN ມີຄວາມແຕກຕ່າງກັນຢ່າງຫຼວງຫຼາຍໃນແຕ່ລະປະເທດ. ສິງກະໂປ, ມາເລເຊຍ ແລະ ໄທ ໄດ້ສ້າງຕັ້ງພາກວິຊາສະເພາະດ້ານ AI ຂຶ້ນແລ້ວ ແລະ ໄດ້ກຳນົດໃຫ້ວິຊາ AI Literacy ເປັນວິຊາບັງຄັບສຳລັບທຸກຄະນະວິຊາ.

ສຳລັບສະຖານະການຂອງລາວ ມີດັ່ງນີ້:

• ມະຫາວິທະຍາໄລແຫ່ງຊາດລາວ (NUOL): ຄະນະວິສະວະກຳສາດສາລະສົນເທດມີວິຊາການຂຽນໂປຣແກຣມ, ແຕ່ວິຊາສະເພາະດ້ານ AI ແລະ Machine Learning ຍັງມີຈຳກັດ
• ໂຮງຮຽນ TVET: ມີຫຼັກສູດທີ່ກ່ຽວຂ້ອງກັບ ICT, ແຕ່ເນື້ອຫາສ່ວນໃຫຍ່ຍັງສຸມໃສ່ການໃຊ້ງານ PC ແລະ ຊອບແວ Office
• ມະຫາວິທະຍາໄລເອກະຊົນ: ບາງແຫ່ງໄດ້ເປີດສອນຫຼັກສູດ Data Science, ແຕ່ສື່ການຮຽນເປັນພາສາອັງກິດ ເຮັດໃຫ້ນັກສຶກສາເຂົ້າເຖິງໄດ້ຍາກ

ຊ່ອງວ່າງນີ້ເປັນທັງໄພຂົ່ມຂູ່ ແລະ ໂອກາດໃນເວລາດຽວກັນ. ເນື່ອງຈາກລາວສາມາດ "ລັດຕັດ" ໂດຍການອ້າງອີງ Best Practice ດ້ານການສຶກສາ AI ທີ່ປະເທດອື່ນໆໄດ້ສ້າງສົມໄວ້ຕະຫຼອດຫຼາຍປີ ແລ້ວປັບໃຊ້ໃຫ້ເໝາະສົມກັບບໍລິບົດຂອງລາວ.

ຄວາມຮູ້ດ້ານ AI ບໍ່ແມ່ນ "ການຂຽນໂປຣແກຣມໄດ້". ມັນຄືຄວາມສາມາດໃນການເຂົ້າໃຈກົນໄກພື້ນຖານຂອງ AI, ນຳໃຊ້ເຄື່ອງມື AI ຢ່າງເໝາະສົມໃນການເຮັດວຽກ ແລະ ຊີວິດປະຈຳວັນ, ພ້ອມທັງສາມາດປະເມີນຜົນລັບຂອງ AI ຢ່າງມີວິຈານຍາ.

ເມື່ອພິຈາລະນາໂຄງສ້າງເສດຖະກິດຂອງລາວ (ກະສິກຳ 15%, ການບໍລິການ 42%, ອຸດສາຫະກຳ 43%), ຄວາມຮູ້ດ້ານ AI ບໍ່ແມ່ນສິ່ງທີ່ຈຳເປັນສຳລັບວິສະວະກອນເທົ່ານັ້ນ.

• ຜູ້ປະກອບອາຊີບກະສິກຳ: ການອ່ານຂໍ້ມູນດາວທຽມ, ການນຳໃຊ້ການຄາດການຄວາມຕ້ອງການ (→ ກະສິກຳ × AI)
• ຜູ້ຮັບຜິດຊອບງານການເງິນ: ການປະມວນຜົນເອກະສານດ້ວຍ AI-OCR, ກົນໄກການກວດຈັບການສໍ້ໂກງ (→ ການເງິນ DX)
• ພະນັກງານຕ້ອນຮັບໃນອຸດສາຫະກຳທ່ອງທ່ຽວ: ການດຳເນີນງານ AI Chatbot, ການອອກແບບລະບົບຮອງຮັບຫຼາຍພາສາ (→ ທ່ອງທ່ຽວ DX)
• ຜູ້ຮັບຜິດຊອບງານບັນຊີ: ການນຳໃຊ້ລະບົບອັດຕະໂນມັດທາງບັນຊີ, ການກວດທານຜົນລັບຂອງ AI (→ ບັນຊີ AI ອັດຕະໂນມັດ)

ບົດບາດຂອງສະຖາບັນການສຶກສາຄືການຜະລິດ "ຄົນທີ່ໃຊ້ AI ໄດ້" ເຫຼົ່ານີ້ໃຫ້ຄອບຄຸມທຸກອາຊີບ.

ໃນການນຳໃຊ້ວິທີການຝຶກອົບຮົມ AI ສຳລັບວິສາຫະກິດໄປໃຊ້ກັບສະຖາບັນການສຶກສານັ້ນ, ຈຳເປັນຕ້ອງພິຈາລະນາຄວາມແຕກຕ່າງທີ່ສຳຄັນ 3 ປະການ.

ໃນການຝຶກອົບຮົມໃນວິສາຫະກິດ ວົງຈອນ "ຮຽນຮູ້ໃນມື້ນີ້ ນຳໃຊ້ໃນມື້ອື່ນ" ສາມາດດຳເນີນໄດ້ຢ່າງຕໍ່ເນື່ອງ, ແຕ່ໃນສະຖາບັນການສຶກສານັ້ນ ມີຊ່ອງຫວ່າງດ້ານເວລາທີ່ວ່າ "ສິ່ງທີ່ຮຽນຮູ້ຈະໄດ້ໃຊ້ຕໍ່ເມື່ອຮຽນຈົບແລ້ວ". ສິ່ງທີ່ຈະຊ່ວຍຕື່ມຊ່ອງຫວ່າງນີ້ຄືການຝຶກງານ (Internship) ແລະ ໂຄງການຮ່ວມມືລະຫວ່າງອຸດສາຫະກຳກັບສະຖາບັນການສຶກສາ.

ໃນການຝຶກອົບຮົມຂອງວິສາຫະກິດ ການປະເມີນຈະໃຊ້ "ສາມາດນຳໃຊ້ໃນການເຮັດວຽກໄດ້ຫຼືບໍ່" ເປັນເກນ ແທນທີ່ຈະເປັນ "ຄະແນນສອບເສັງ" ໃນຂະນະທີ່ສະຖາບັນການສຶກສາຈຳເປັນຕ້ອງມີການໃຫ້ຄະແນນຜົນການຮຽນ.

ສຳລັບການປະເມີນ AI Literacy ນັ້ນ ແນະນຳໃຫ້ໃຊ້ວິທີການດັ່ງຕໍ່ໄປນີ້ ແທນການສອບເສັງຂຽນແບບດັ້ງເດີມ:

• ການປະເມີນແບບໂຄງການ (40%): ດຳເນີນໂຄງການແກ້ໄຂບັນຫາໂດຍໃຊ້ AI ເປັນທີມ ແລ້ວປະເມີນຈາກຜົນງານ ແລະ ການນຳສະເໜີ
• ການປະເມີນ Portfolio (30%): ສະສົມບັນທຶກການເຮັດວຽກທີ່ໃຊ້ AI ຕະຫຼອດພາກຮຽນ ແລ້ວປະເມີນຈາກຮ່ອງຮອຍການພັດທະນາ
• ການທົດສອບຄວາມຮູ້ (20%): ທົດສອບຄວາມເຂົ້າໃຈກ່ຽວກັບແນວຄິດພື້ນຖານ, ຈັນຍາບັນ ແລະ ຂໍ້ຈຳກັດຂອງ AI
• Peer Review (10%): ການປະເມີນລະດັບການມີສ່ວນຮ່ວມລະຫວ່າງສະມາຊິກໃນທີມ

ຮູບແບບການປະເມີນນີ້ສາມາດແຍກຄວາມແຕກຕ່າງລະຫວ່າງ "ການມີຄວາມຮູ້ກ່ຽວກັບ AI" ກັບ "ການສາມາດນຳໃຊ້ AI ໄດ້ຕົວຈິງ" ໄດ້ຢ່າງຊັດເຈນ.

ໃນສະຖາບັນການສຶກສາ, ໂດຍສະເພາະໃນສະຖານທີ່ທີ່ຫຼັກສູດເຊື່ອມໂຍງໂດຍກົງກັບການປະຕິບັດງານຕົວຈິງ ເຊັ່ນ: ໂຮງຮຽນການສຶກສາ ແລະ ຝຶກອົບຮົມດ້ານວິຊາຊີບ ແລະ ເຕັກນິກ (TVET), "ທັກສະທີ່ສາມາດນຳໃຊ້ໄດ້ໃນການປະຕິບັດງານ" ໄດ້ຮັບການຈັດລຳດັບຄວາມສຳຄັນສູງກວ່າ "ຄວາມເຂົ້າໃຈທາງວິຊາການ". ວິທີການທີ່ເຊື່ອມໂຍງໂດຍກົງກັບການປະຕິບັດງານ ເຊິ່ງໄດ້ສະແດງໃຫ້ເຫັນຜົນສຳເລັດໃນການຝຶກອົບຮົມຂອງວິສາຫະກິດ, ສາມາດນຳໄປປະຍຸກໃຊ້ໃນການອອກແບບຫຼັກສູດຂອງສະຖາບັນການສຶກສາດັ່ງກ່າວໄດ້ເຊັ່ນກັນ.

ຫຼັກສູດ AI Literacy ຂອງ TVET ຖືກເຊື່ອມໂຍງໂດຍກົງກັບສະຖານະການວຽກງານຕາມປະເພດອາຊີບ.

ຫຼັກສູດອຸດສາຫະກຳການຜະລິດ (4 ເດືອນ):

ຫຼັກສູດອຸດສາຫະກຳທ່ອງທ່ຽວ (3 ເດືອນ):

ຈຸດສຳຄັນຄືການບໍ່ສອນການຂຽນໂຄດ. ສິ່ງທີ່ນັກຮຽນ TVET ຕ້ອງການຄືຄວາມສາມາດໃນການນຳໃຊ້ເຄື່ອງມື AI ທີ່ມີຢູ່ແລ້ວໃຫ້ເກີດປະໂຫຍດໃນວຽກງານ ບໍ່ແມ່ນຄວາມສາມາດໃນການພັດທະນາ AI.

ຄູສອນ TVET ສ່ວນໃຫຍ່ບໍ່ເຄີຍມີປະສົບການໃຊ້ AI ດ້ວຍຕົນເອງ. ນີ້ບໍ່ແມ່ນບັນຫາສະເພາະຂອງລາວເທົ່ານັ້ນ, ແຕ່ເປັນສິ່ງທ້າທາຍທີ່ພົບເຫັນທົ່ວໄປໃນທົ່ວ ASEAN.

ການອອກແບບການຝຶກອົບຮົມສຳລັບຄູສອນ (ພັດທະນາຄູສອນກ່ອນ):

1. Phase 1 (2 ອາທິດ): ຄູສອນໃຊ້ AI chatbot ໃນວຽກງານປະຈຳວັນຂອງຕົນເອງຢ່າງເຕັມທີ່ (ການຈັດທຳແຜນການສອນ, ການຈັດການຄະແນນ, ການຕິດຕໍ່ຜູ້ປົກຄອງ)
2. Phase 2 (2 ອາທິດ): Workshop ການອອກແບບການສອນໂດຍໃຊ້ AI. ແລກປ່ຽນກໍລະນີຕົວຢ່າງກັບຄູສອນທ່ານອື່ນ
3. Phase 3 (ຕໍ່ເນື່ອງ): ຊຸມຊົນຄູສອນທີ່ພົບກັນເດືອນລະຄັ້ງ ເພື່ອແລກປ່ຽນກໍລະນີທີ່ສຳເລັດຜົນ ແລະ ກໍລະນີທີ່ລົ້ມເຫລວ

ໃນສະຖານທີ່ຝຶກອົບຮົມຂອງວິສາຫະກິດ, ໄດ້ມີການພິສູດໃຫ້ເຫັນແລ້ວວ່າ ແມ່ນແຕ່ຜູ້ທີ່ບໍ່ແມ່ນວິສະວະກອນກໍ່ສາມາດສ້າງຄວາມຮູ້ດ້ານ AI literacy ໄດ້ຢ່າງໝັ້ນຄົງ. ຄູສອນກໍ່ເຊັ່ນດຽວກັນ, ບໍ່ຈຳເປັນຕ້ອງກາຍເປັນ "AI expert" ແຕ່ພຽງແຕ່ກາຍເປັນ "ຜູ້ອຳນວຍຄວາມສະດວກໃນການນຳ AI ເຂົ້າສູ່ການສອນ" ກໍ່ພຽງພໍແລ້ວ.

ໃນລະດັບມະຫາວິທະຍາໄລ, ມີການພັດທະນາຄວາມເຂົ້າໃຈ ແລະ ຄວາມສາມາດໃນການນຳໃຊ້ທີ່ເລິກເຊິ່ງກວ່າ TVET ໜຶ່ງຂັ້ນ.

ຄວາມຮູ້ດ້ານ AI Literacy ຕ້ອງບໍ່ຖືກຈຳກັດໄວ້ພຽງແຕ່ "ວິຊາສະເພາະ" ຂອງຄະນະວິສະວະກຳສາດສາລະສົນເທດເທົ່ານັ້ນ. ມະຫາວິທະຍາໄລແຫ່ງຊາດລາວ (NUOL) ມີຄະນະເສດຖະສາດ, ຄະນະນິຕິສາດ, ຄະນະກະສິກຳ, ແລະ ຄະນະແພດສາດ. AI ຖືກນຳໃຊ້ໃນຮູບແບບທີ່ແຕກຕ່າງກັນໃນແຕ່ລະຄະນະ.

ຕົວຢ່າງການອອກແບບວິຊາ AI ຂ້າມຄະນະ (1 ພາກຮຽນ · 15 ຄັ້ງ):

ຂໍ້ດີຂອງທີມຜະສົມຂ້າມຄະນະຢູ່ທີ່ການຕັດກັນລະຫວ່າງມຸມມອງດ້ານເຕັກນິກ (ວິສະວະກຳສາດສາລະສົນເທດ) ແລະ ຄວາມຮູ້ສະເພາະດ້ານ (ເສດຖະສາດ, ກົດໝາຍ, ກະສິກຳ). ຕົວຢ່າງເຊັ່ນ ໃນ "ໂຄງການນຳໃຊ້ AI ກັບກະສິກຳຂອງລາວ", ນັກສຶກສາຄະນະກະສິກຳຈະເປັນຜູ້ກຳນົດບັນຫາ, ນັກສຶກສາຄະນະວິສະວະກຳສາດສາລະສົນເທດຈະສະເໜີວິທີການຈັດຕັ້ງປະຕິບັດດ້ານເຕັກນິກ, ແລະ ນັກສຶກສາຄະນະນິຕິສາດຈະກວດສອບຂໍ້ກຳນົດທາງກົດໝາຍດ້ານການປົກປ້ອງຂໍ້ມູນ.

ສິ່ງທີ່ມີປະສິດທິພາບທີ່ສຸດໃນການສຶກສາ AI ລະດັບມະຫາວິທະຍາໄລ ຄືການໃຫ້ນັກສຶກສາໄດ້ລົງມືແກ້ໄຂບັນຫາຈິງຈາກພາກທຸລະກິດໃນຮູບແບບ PoC.

ຮູບແບບການດຳເນີນງານ PoC ລະຫວ່າງພາກການສຶກສາ ແລະ ພາກທຸລະກິດ:

1. ພາກທຸລະກິດນຳສະເໜີບັນຫາ — ຕົວຢ່າງ: "ຕ້ອງການເພີ່ມປະສິດທິພາບການຈັດການສາງສິນຄ້າ" ຫຼື "ຕ້ອງການຈັດໝວດໝູ່ຄຳຖາມຂອງລູກຄ້າໂດຍອັດຕະໂນມັດ"
2. ອາຈານອອກແບບຂອບເຂດ PoC — ກຳນົດຂອບເຂດໃຫ້ສາມາດສຳເລັດໄດ້ພາຍໃນໜຶ່ງພາກຮຽນ
3. ທີມນັກສຶກສາ (3–5 ຄົນ) ດຳເນີນ PoC — ເກັບກຳຂໍ້ມູນ → ວິເຄາະ → ສ້າງ Prototype → ລາຍງານຜົນ
4. ພາກທຸລະກິດໃຫ້ Feedback — ປະເມີນຈາກມຸມມອງການປະຕິບັດງານຈິງ, ທີມທີ່ດີເດັ່ນຈະໄດ້ຮັບໂອກາດ Internship

ຂະບວນການ "ການດຳເນີນ Proof of Concept" ທີ່ໄດ້ອະທິບາຍໄວ້ໃນບົດຄວາມ ການພັດທະນາ PoC ສາມາດນຳໄປໃຊ້ເປັນໂຄງການສຶກສາໄດ້ໂດຍກົງ. ນີ້ຖືເປັນກົນໄກ Win-Win ທີ່ນັກສຶກສາໄດ້ຮັບປະສົບການດ້ານການປະຕິບັດງານຈິງ ໃນຂະນະທີ່ພາກທຸລະກິດໄດ້ຮັບໂອກາດກວດສອບການນຳໃຊ້ AI.

ອຸປະສັກທີ່ໃຫຍ່ທີ່ສຸດອັນໜຶ່ງໃນການສຶກສາ AI ຂອງລາວ ຄືການຂາດແຄນສື່ການຮຽນການສອນພາສາລາວ.

ການສ້າງສື່ການຮຽນພາສາລາວຈາກສູນນັ້ນມີຕົ້ນທຶນສູງ. ວິທີທາງທີ່ເປັນຈິງກວ່າຄືການເອົາສື່ການຮຽນພາສາອັງກິດທີ່ມີຄຸນນະພາບສູງທີ່ມີຢູ່ແລ້ວມາເປັນພື້ນຖານ ແລ້ວ Localize ເປັນພາສາລາວ.

ແຫຼ່ງສື່ການຮຽນທີ່ແນະນຳ:

• Google AI Education — ອະທິບາຍພື້ນຖານ AI ສຳລັບຜູ້ທີ່ບໍ່ແມ່ນວິສະວະກອນ. ສາມາດແປ ແລະ ດັດແປງໄດ້ພາຍໃຕ້ລິຂະສິດ CC BY
• Elements of AI (ມະຫາວິທະຍາໄລ Helsinki) — ຫຼັກສູດແນະນຳ AI ສຳລັບຜູ້ທີ່ບໍ່ມີພື້ນຖານດ້ານເຕັກນິກ. ໄດ້ຮັບການແປເປັນຫຼາຍພາສາແລ້ວ
• fast.ai — ຫຼັກສູດ Practical Deep Learning. ເນັ້ນການປະຕິບັດຕົວຈິງ ເໝາະສຳລັບຄູອາຈານທີ່ຕ້ອງການຮຽນຮູ້ດ້ວຍຕົນເອງ

ໃນການ Localize ນັ້ນ, ໃຫ້ນຳໃຊ້ຄວາມຮູ້ດ້ານການຮອງຮັບຫຼາຍພາສາທີ່ໄດ້ສ້າງສົມໄວ້ຈາກການສ້າງ AI Chatbot ພາສາລາວ. ຫາກສ້າງຂະບວນການ ຫຼື Pipeline ທີ່ໃຊ້ AI ແປສື່ການຮຽນພາສາອັງກິດເປັນພາສາລາວ ແລ້ວໃຫ້ຄູອາຈານກວດທານ ແລະ ແກ້ໄຂ, ກໍ່ຈະສາມາດເລັ່ງຄວາມໄວໃນການຈັດກຽມສື່ການຮຽນໄດ້ຢ່າງຫຼວງຫຼາຍ.

ການເພີ່ມຕົວຢ່າງທີ່ເປັນເອກະລັກຂອງລາວ (ກະສິກຳ, ການເງິນ, ການທ່ອງທ່ຽວ) ກໍ່ເປັນສິ່ງສຳຄັນເຊັ່ນກັນ. ການປ່ຽນຕົວຢ່າງຈາກ Silicon Valley ໃນສື່ພາສາອັງກິດໃຫ້ເປັນບໍລິບົດຂອງລາວ ຈະຊ່ວຍເພີ່ມທະວີຄວາມເຂົ້າໃຈ ແລະ ຄວາມສົນໃຈຂອງນັກຮຽນໄດ້ຢ່າງຫຼວງຫຼາຍ.

ການ "ເຂົ້າໃຈວິທີການເຮັດວຽກຂອງ AI" ເທົ່ານັ້ນຍັງບໍ່ພຽງພໍ — ປະສົບການ "ທົດລອງໃຊ້ AI ດ້ວຍຕົນເອງ" ຖືເປັນສິ່ງທີ່ຂາດບໍ່ໄດ້ໃນການສຶກສາ. ຈຶ່ງຄວນຈັດກຽມສະພາບແວດລ້ອມ Demo ທີ່ສາມາດໃຊ້ງານເປັນພາສາລາວໄດ້.

ສະພາບແວດລ້ອມ AI Demo ແບບຕັ້ງຕົ້ນຂັ້ນຕ່ຳສຸດ:

• ທົດລອງໃຊ້ AI Chatbot: ໃຫ້ນັກຮຽນໃຊ້ Claude ຫຼື ChatGPT ເວີຊັນຟຣີເປັນພາສາລາວ. ພຽງແຕ່ສອນວິທີຂຽນ Prompt ເທົ່ານັ້ນ ນັກຮຽນກໍ່ຈະເລີ່ມສຳຫຼວດດ້ວຍຕົນເອງໄດ້ທັນທີ
• ທົດລອງການຮັບຮູ້ຮູບພາບ: ໃຫ້ນັກຮຽນສ້າງໂມເດລຈຳແນກວັດຖຸດ້ວຍກ້ອງຖ່າຍຮູບຜ່ານ Google Teachable Machine (ໃຊ້ງານຜ່ານ Browser, ຟຣີ) ໂດຍບໍ່ຕ້ອງຂຽນໂຄດ
• ທົດລອງການວິເຄາະຂໍ້ມູນ: ໃຊ້ Google Sheets ຮ່ວມກັບ Google Colaboratory ເພື່ອສ້າງ Visualization ຈາກຂໍ້ມູນສາທາລະນະຂອງລາວ (ຂໍ້ມູນອາກາດ, ລາຄາສິນຄ້າກະສິກຳ)

ສຳລັບໂຮງຮຽນ TVET ໃນຊົນນະບົດທີ່ການເຊື່ອມຕໍ່ອິນເຕີເນັດບໍ່ສະຖຽນ, ການຕິດຕັ້ງ Lightweight Model ທີ່ເຮັດວຽກແບບ Offline ໄວ້ໃນ PC ຫ້ອງຮຽນກໍ່ເປັນວິທີທີ່ໄດ້ຜົນດີ. ນອກຈາກນີ້ ຍັງສາມາດໃຊ້ AWS Instance ທີ່ແນະນຳໄວ້ໃນຄູ່ມືການຍ້າຍໄປໃຊ້ Cloud ໃນຮູບແບບການໃຊ້ງານຮ່ວມກັນສຳລັບສະຖາບັນການສຶກສາໄດ້ອີກດ້ວຍ.

ຂໍນຳສະເໜີຮູບແບບຄວາມລົ້ມເຫຼວທີ່ພົບເຫັນຊ້ຳໆ 2 ຢ່າງໃນການນຳໃຊ້ AI ດ້ານການສຶກສາ.

ການໃຊ້ເວລາຫຼາຍເກີນໄປໃນການສອນທິດສະດີ AI (ພື້ນຖານຄະນິດສາດຂອງ Neural Network, ການຈຳແນກ Algorithm ຂອງ Machine Learning) ໂດຍທີ່ນັກຮຽນຍັງບໍ່ທັນໄດ້ສຳຜັດປະສົບການຕົວຈິງວ່າ "AI ສາມາດເຮັດຫຍັງໄດ້ແດ່" ກໍຈົບພາກຮຽນໄປ ຊຶ່ງເປັນຮູບແບບທີ່ພົບເຫັນຢູ່ເລື້ອຍໆ.

ສິ່ງທີ່ແນະນຳໃຫ້ສະຖາບັນການສຶກສາໃນລາວ ຄື "ກົດ 7:3" — ນຳໃຊ້ 70% ຂອງເວລາຮຽນໄປກັບ Hands-on (ການຝຶກປະຕິບັດໂດຍໃຊ້ເຄື່ອງມື AI ຕົວຈິງ) ແລະ 30% ສຳລັບທິດສະດີ. ທິດສະດີຄວນຖືກຈັດວາງໄວ້ກ່ອນ ແລະ ຫຼັງ Hands-on ໃນຖານະຄຳອະທິບາຍວ່າ "ເປັນຫຍັງຈຶ່ງເປັນແນວນັ້ນ".

ຈາກຄວາມຮູ້ທີ່ໄດ້ຮັບຈາກການຝຶກອົບຮົມ AI ສຳລັບວິສາຫະກິດ, ໂຄງການທີ່ເນັ້ນການຮຽນໃນຫ້ອງຮຽນເປັນຫຼັກມີອັດຕາການຈົດຈຳທີ່ຕ່ຳ, ໃນຂະນະທີ່ການປ່ຽນໄປໃຊ້ Hands-on ເປັນຫຼັກຈະຊ່ວຍໃຫ້ອັດຕາການຈົດຈຳດີຂຶ້ນຢ່າງຫຼວງຫຼາຍ. ຜົນດັ່ງກ່າວຄາດວ່າຈະເກີດຂຶ້ນໃນລັກສະນະດຽວກັນໃນສະຖາບັນການສຶກສາດ້ວຍ.

ຫຼັກສູດການສຶກສາ AI ຈາກປະເທດທີ່ພັດທະນາແລ້ວບໍ່ສາມາດນຳມາໃຊ້ໄດ້ໂດຍກົງໃນລາວ. ຕົວຢ່າງເຊັ່ນ:

• ການຝຶກຫັດທີ່ໃຊ້ຊຸດຂໍ້ມູນຂະໜາດໃຫຍ່ — Wi-Fi ໃນຫ້ອງຮຽນຊ້າ ເຮັດໃຫ້ການດາວໂຫຼດໃຊ້ເວລາເຖິງ 1 ຊົ່ວໂມງ
• ການຝຶກໂມເດລໂດຍໃຊ້ GPU — ຄອມພິວເຕີໃນຫ້ອງທົດລອງບໍ່ມີ GPU ຕິດຕັ້ງໄວ້
• ການປະມວນຜົນແບບ Real-time ຜ່ານ Cloud API — ໄຟດັບເຮັດໃຫ້ອິນເຕີເນັດຂາດການເຊື່ອມຕໍ່

ໃນການອອກແບບຫຼັກສູດ ຄວນນຳເອົາຂໍ້ຈຳກັດດ້ານສະພາບແວດລ້ອມ IT ຂອງລາວມາເປັນເງື່ອນໄຂພື້ນຖານ. ການອອກແບບໂດຍເນັ້ນໃສ່ການຝຶກຫັດທີ່ໃຊ້ງານໄດ້ແບບ Offline, ໂມເດລທີ່ມີນ້ຳໜັກເບົາ, ແລະ ການໃຊ້ງານຜ່ານອຸປະກອນມືຖື ຈະຊ່ວຍໃຫ້ຂໍ້ຈຳກັດດ້ານໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ບໍ່ກາຍເປັນຂໍ້ຈຳກັດຂອງຫຼັກສູດ.

ຄຳຖາມທີ 1: ການຮຽນ AI Literacy ຕ້ອງການຄວາມຮູ້ພື້ນຖານດ້ານການຂຽນໂປຣແກຣມກ່ອນບໍ?

ບໍ່ຈຳເປັນ. ການສຶກສາ AI Literacy ໃນລະດັບ TVET ບໍ່ມີການສອນການຂຽນໂຄດໃດໆທັງສິ້ນ. ເນັ້ນໃສ່ການ "ນຳໃຊ້ໄດ້ຢ່າງມີປະສິດທິພາບ" ຊຶ່ງເຄື່ອງມື AI ທີ່ມີຢູ່ແລ້ວ (chatbot, ການຮັບຮູ້ຮູບພາບ, ເຄື່ອງມືແປພາສາ). ໃນລະດັບມະຫາວິທະຍາໄລ, ວິຊາທີ່ຂ້າມຄະນະກໍ່ຈະເນັ້ນໃສ່ເຄື່ອງມື no-code ເປັນຫຼັກ. ການຂຽນໂປຣແກຣມ ເຊັ່ນ Python ຈຳກັດສະເພາະວິຊາສະເພາະຂອງຄະນະວິສະວະກຳຄອມພິວເຕີ.

ຄຳຖາມທີ 2: ຖ້າທັກສະ AI ຂອງຄູສອນຍັງບໍ່ພຽງພໍ, ຈຳເປັນຕ້ອງໃຊ້ວິທະຍາກອນພາຍນອກບໍ?

ໃນຊ່ວງການນຳໃຊ້ໃນຕອນຕົ້ນ, ການສະໜັບສະໜູນຈາກວິທະຍາກອນພາຍນອກມີປະສິດທິຜົນ, ແຕ່ໃນແງ່ຄວາມຍືນຍົງ ຄວນມຸ່ງໄປສູ່ສະຖານະທີ່ "ຄູສອນສາມາດສອນໄດ້ດ້ວຍຕົນເອງ". ຄຳແນະນຳຄືການຈັດຝຶກອົບຮົມແບບເຂັ້ມຂຸ້ນສຳລັບຄູ (2–4 ອາທິດ), ໂດຍໃຫ້ຄູໄດ້ຄຸ້ນເຄີຍກັບການໃຊ້ AI ໃນວຽກງານຂອງຕົນເອງກ່ອນ, ແລ້ວຈຶ່ງເຂົ້າສູ່ການອອກແບບການສອນ.

ຄຳຖາມທີ 3: ສາມາດຮັບປະກັນງົບປະມານສຳລັບການສຶກສາ AI ຜ່ານໂຄງການສະໜັບສະໜູນດ້ານການສຶກສາຂອງ JICA ຫຼື ADB ໄດ້ບໍ?

ADB ໄດ້ດຳເນີນໂຄງການສະໜັບສະໜູນຫຼາຍໂຄງການໃນໂຄງການປະຕິຮູບ TVET ຂອງລາວ, ແລະ ການເສີມສ້າງຫຼັກສູດ ICT ແມ່ນລວມຢູ່ໃນຂົງເຂດບຸລິມະສິດ. JICA ກໍ່ສະໜັບສະໜູນການພັດທະນາບຸກຄະລາກອນດ້ານດິຈິຕອລພາຍໃຕ້ກອບການສະໜັບສະໜູນການສຶກສາລະດັບສູງ. ຈຸດສຳຄັນໃນການຜ່ານການຄັດເລືອກຄືການລວມຕົວຊີ້ວັດຜົນໄດ້ຮັບທີ່ຊັດເຈນຂອງ AI Literacy (ຈຳນວນຜູ້ສຳເລັດການສຶກສາ, ອັດຕາການມີວຽກເຮັດ, ຄວາມພໍໃຈຂອງວິສາຫະກິດ) ໄວ້ໃນໃບສະເໜີໂຄງການ.

ການສຶກສາ AI ໃນລາວບໍ່ແມ່ນ "ລ້າຫຼັງ" ແຕ່ຢູ່ໃນຂັ້ນຕອນທີ່ "ສາມາດອອກແບບໄດ້ຈາກນີ້ເປັນຕົ້ນໄປ". ມີໂອກາດທີ່ຈະຮຽນຮູ້ຈາກການລອງຜິດລອງຖືກຂອງປະເທດອື່ນ ແລະ ສ້າງຫຼັກສູດທີ່ເໝາະສົມກັບບໍລິບົດຂອງລາວ.

3 ການດຳເນີນງານທີ່ສະຖາບັນການສຶກສາສາມາດເລີ່ມຕົ້ນໄດ້ຕັ້ງແຕ່ວັນນີ້:

1. ໃຫ້ຄູອາຈານເລີ່ມໃຊ້ AI — ເລີ່ມຕົ້ນດ້ວຍການໃຊ້ AI Chatbot ໃນການຈັດທຳແຜນການສອນ ແລະ ການຈັດການຄະແນນ ເພື່ອໃຫ້ຄູອາຈານໄດ້ສຳຜັດ "ຄຸນຄ່າຂອງ AI" ດ້ວຍຕົນເອງ
2. ນຳຮ່ອງໃນພຽງໜຶ່ງວິຊາ — ແທນທີ່ຈະປ່ຽນແປງຫຼັກສູດທັງໝົດ ໃຫ້ລອງຝັງອົງປະກອບ AI Literacy ເຂົ້າໃນໜຶ່ງວິຊາ ແລ້ວວັດຜົນທີ່ໄດ້ຮັບ
3. ນຳໃຊ້ຄວາມຮູ້ດ້ານການຝຶກອົບຮົມ AI ຂອງພາກທຸລະກິດ — ຮ່ວມມືກັບທຸລະກິດທີ່ກຳລັງພິຈາລະນານຳໃຊ້ AI ແລະ ຜູ້ໃຫ້ບໍລິການຝຶກອົບຮົມ AI ສຳລັບອົງກອນ ເພື່ອຮັບການສະໜັບສະໜູນດ້ານສື່ການຮຽນ ແລະ ວິທະຍາກອນທີ່ສອດຄ່ອງກັບການປະຕິບັດງານຕົວຈິງ

ເປົ້າໝາຍຂອງການສຶກສາ AI ບໍ່ແມ່ນ "ການຜະລິດຜູ້ຊ່ຽວຊານ AI ຈຳນວນຫຼວງຫຼາຍ". ແຕ່ແມ່ນການພັດທະນາ "ບຸກຄະລາກອນທີ່ສາມາດໃຊ້ AI ເປັນເຄື່ອງມືໄດ້ໃນທຸກສາຂາອາຊີບ". ໂດຍການຜະສານຄວາມຮູ້ດ້ານການນຳໃຊ້ AI ທີ່ພາກທຸລະກິດໄດ້ສັ່ງສົມຈາກການປະຕິບັດງານຕົວຈິງ ເຂົ້າກັບຄວາມສາມາດໃນການອອກແບບຫຼັກສູດຢ່າງເປັນລະບົບຂອງສະຖາບັນການສຶກສາ ຈະສາມາດສ້າງຜົນກະທົບທີ່ເປັນຮູບປະທຳຕໍ່ການພັດທະນາບຸກຄະລາກອນຂອງລາວໄດ້.