• Tác giả David Gewirtz đã sử dụng ChatGPT để phân tích 170.000+ dòng mã G-code trong vòng chưa đầy 10 phút, tiết kiệm hàng giờ làm việc thủ công.
• Vấn đề xuất phát từ việc in mẫu thử 3DBenchy trên máy in 3D mới. Mẫu in của nhà sản xuất mất 16 phút, trong khi tác giả tự in mất 42 phút.
• Tác giả không thể tìm ra cách điều chỉnh cài đặt để đạt hiệu suất tương đương mẫu của nhà sản xuất, dù đã liên hệ hỗ trợ và tìm kiếm trên mạng.
• ChatGPT được sử dụng để phân tích và so sánh hai file G-code: một do tác giả tạo ra ("regular print") và một do nhà sản xuất cung cấp ("fast print").
• Sau một số lần điều chỉnh câu hỏi, ChatGPT đã xác định được 3 yếu tố chính tạo nên sự khác biệt:
- Tốc độ nạp (feed rate) cao hơn đáng kể trong file "fast print" (lên đến 14.400 mm/phút so với 2.400-3.400 mm/phút)
- Chiều cao lớp in lớn hơn (0,25 mm so với 0,2 mm)
- Cài đặt gia tốc tích cực hơn
• ChatGPT cũng xác nhận file "fast print" được tạo ra bởi phần mềm slicer, không phải được code thủ công.
• Bài học rút ra: ChatGPT có thể hiểu và phân tích mã G-code phức tạp, so sánh hàng trăm nghìn dòng mã trong vài giây và đưa ra kết luận hữu ích.
• Tuy nhiên, cần phải đặt câu hỏi đúng cách và kiểm chứng thông tin từ AI, không nên tin tưởng hoàn toàn.
• Quá trình phân tích chỉ mất 10 phút nhưng mang lại giá trị lớn, cho thấy tiềm năng của AI trong việc tăng năng suất làm việc.
📌 ChatGPT đã giúp phân tích 170.000+ dòng mã G-code trong 10 phút, xác định 3 yếu tố chính tạo nên sự khác biệt về tốc độ in 3D: tốc độ nạp cao hơn (14.400 mm/phút), chiều cao lớp lớn hơn (0,25 mm) và gia tốc tích cực hơn. Điều này cho thấy tiềm năng to lớn của AI trong việc giải quyết nhanh chóng các vấn đề phức tạp.
https://www.zdnet.com/article/how-i-used-chatgpt-to-scan-170k-lines-of-code-in-seconds-and-save-me-hours-of-detective-work/