พื้นฐานของปัญญาประดิษฐ์ – ตอนที่สาม: แนวคิด
ใช่ คุณชอบบทความสองบทแรกของเราที่เกี่ยวกับการเรียนรู้ปัญญาประดิษฐ์ (AI) สำหรับผู้ใช้ Linux หรือไม่?ดังนั้นวันนี้คุณน่าจะชื่นชอบส่วนที่สามนี้ ซึ่งเราจะกล่าวถึงแนวคิดและคำศัพท์ที่สำคัญที่สุดหลายประการที่เกี่ยวข้องกับสาขาเทคโนโลยีนี้ และหากคุณยังไม่ได้อ่านสองส่วนก่อนหน้านี้ เราขอชี้แจงว่า ในส่วนที่สอง เราจะกล่าวถึงเรื่องต่อไปนี้ ประเด็นเกี่ยวกับความแตกต่างระหว่าง ปัญญาประดิษฐ์เชิงสัญลักษณ์และปัญญาประดิษฐ์เชิงเชื่อมโยง และเกี่ยวกับเหตุการณ์สำคัญทางประวัติศาสตร์ของสาขาเทคโนโลยีนี้ในช่วง 100 ปีที่ผ่านมา ในขณะที่ใน ในส่วนแรก เราจะเน้นที่... en ปัญญาประดิษฐ์ (AI) คืออะไร และมีการสร้าง AI ประเภทต่างๆ ขึ้นมาแล้วบ้าง (แคบหรืออ่อนแอ, กำเนิดและตัวแทน) และที่คาดว่าจะถูกสร้างขึ้น (ทั่วไปหรือแข็งแกร่ง และปัญญาประดิษฐ์ขั้นสูง)
และเช่นเดียวกับในโอกาสก่อนๆ โปรดจำไว้ว่า เช่นเดียวกับในยุคของพวกเขาที่มีไฟฟ้า วิทยุ โทรทัศน์ คอมพิวเตอร์ โทรศัพท์ อินเทอร์เน็ต และเครือข่ายสังคมออนไลน์; ปัญญาประดิษฐ์เป็นเทคโนโลยีที่เข้ามามีบทบาทและบูรณาการอย่างลึกซึ้งในทุกสิ่งทุกอย่างและด้วยการช่วยประหยัดเวลาอันมีค่าและชั่วโมงทำงานที่สิ้นเปลือง ทำให้เรามีประสิทธิภาพ สร้างสรรค์ และมีความสามารถรอบด้านมากขึ้น อย่างแน่นอน ทีละเล็กทีละน้อย มันจะเข้ามาแทนที่ผู้ที่ไม่รู้เรื่องการมีอยู่และการทำงานของมันเลยดังนั้น จึงไม่มีอะไรดีไปกว่าการเริ่มต้นทำความเข้าใจบริบทของทุกสิ่งที่เกี่ยวข้องกับเรื่องนี้
พื้นฐานของปัญญาประดิษฐ์ – ตอนที่หนึ่ง: จุดเริ่มต้น II
แต่ก่อนที่เราจะลงลึกในเรื่องนี้ "ภาคที่สามของสาขาปัญญาประดิษฐ์ที่น่าตื่นเต้นและน่าประหลาดใจ"และโดยเฉพาะอย่างยิ่งในส่วนของแนวคิดและคำศัพท์ที่สำคัญที่สุดที่ควรพิจารณา ทำความเข้าใจ และเชี่ยวชาญ เราขอแนะนำให้ศึกษาเพิ่มเติมจาก... บทความที่เกี่ยวข้องก่อนหน้านี้และบทความล่าสุดในชุดสิ่งพิมพ์นี้หลังจากอ่านจบแล้ว:
พื้นฐานของปัญญาประดิษฐ์ – ตอนที่สาม: แนวคิดและคำศัพท์ที่เกี่ยวข้อง
20 แนวคิดและคำศัพท์สำคัญที่มักถูกกล่าวถึงในสาขาปัญญาประดิษฐ์
1. ภาพหลอน
ภาพหลอน หมายถึงสถานการณ์ที่ระบบ AI โดยเฉพาะอย่างยิ่งระบบที่ประมวลผลภาษาธรรมชาติ เริ่มสร้างผลลัพธ์ที่ไม่เกี่ยวข้อง ไร้สาระ หรือไม่ถูกต้องตามข้อมูลที่ป้อนเข้าไป สถานการณ์นี้มักเกิดขึ้นเมื่อระบบ AI ไม่แน่ใจในบริบท พึ่งพาข้อมูลการฝึกฝนมากเกินไป หรือขาดความเข้าใจที่ถูกต้องในเรื่องนั้นๆ
2. การเรียนรู้ของเครื่องจักร
การเรียนรู้ของเครื่องเป็นสาขาย่อยของปัญญาประดิษฐ์ (AI) ที่ครอบคลุมการพัฒนาอัลกอริทึมและแบบจำลองทางสถิติที่ช่วยให้เครื่องจักรสามารถพัฒนาประสิทธิภาพการทำงานได้ด้วยประสบการณ์ ตัวอย่างเช่น อัลกอริทึมการเรียนรู้ของเครื่องที่สามารถทำนายโอกาสที่ลูกค้าจะเลิกใช้บริการโดยพิจารณาจากพฤติกรรมในอดีต ด้วยโปรแกรมการเรียนรู้ของเครื่อง เครื่องจักรจะเรียนรู้ที่จะแก้ปัญหาจากตัวอย่างต่างๆ เช่น สามารถเปรียบเทียบและจำแนกข้อมูล และแม้กระทั่งจดจำรูปร่างที่ซับซ้อนได้
3. การเรียนรู้เชิงลึก
การเรียนรู้ของเครื่อง (Machine Learning) เป็นสาขาย่อยที่ใช้โครงข่ายประสาทเทียมหลายชั้นในการเรียนรู้จากข้อมูล ซึ่งหมายความว่ามันใช้โครงสร้างโครงข่ายประสาทเทียมที่แตกต่างกันในการเรียนรู้ข้อมูลแต่ละชั้นที่มีความหมายมากขึ้นเรื่อยๆ ปัจจุบันเป็นสาขาที่ได้รับความนิยมมากที่สุดในด้านปัญญาประดิษฐ์ (AI) โดยเกิดขึ้นจากการผสมผสานระหว่างอัลกอริธึมการเรียนรู้ของเครื่องกับโครงข่ายประสาทเทียมเชิงรูปธรรมและการใช้ข้อมูลขนาดใหญ่
4. ข้อมูลขนาดใหญ่
บิ๊กดาต้า (Big Data) คือสาขาหนึ่งของเทคโนโลยีสารสนเทศที่ศึกษาถึงความยากลำบากในการจัดการชุดข้อมูลขนาดใหญ่ เรียกอีกอย่างว่า มาโครดาต้า (Macrodata) ซึ่งหมายถึงชุดข้อมูลขนาดใหญ่และซับซ้อน ที่มักมีขนาดใหญ่หรือหลากหลายเกินกว่าจะประมวลผลได้ด้วยวิธีการแบบดั้งเดิม ยิ่งไปกว่านั้น ข้อมูลเหล่านี้มาจากแหล่งต่างๆ มากมาย (เช่น เครือข่ายสังคมออนไลน์ เซ็นเซอร์ ฯลฯ) และต้องใช้เทคนิคขั้นสูง เช่น ปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (Machine Learning) ในการวิเคราะห์และดึงข้อมูลที่เป็นประโยชน์ออกมา
5. ชุดข้อมูล
ชุดข้อมูลคือกลุ่มของข้อมูล ซึ่งโดยทั่วไปจัดโครงสร้างในรูปแบบตาราง เป็นชุดข้อมูลที่จัดระเบียบไว้เพื่อใช้ในการฝึกฝน ทดสอบ หรือตรวจสอบความถูกต้องของแบบจำลองปัญญาประดิษฐ์ อาจประกอบด้วยข้อความ รูปภาพ วิดีโอ หรือข้อมูลประเภทอื่นๆ ซึ่งโดยปกติจะมีป้ายกำกับเพื่อให้ขั้นตอนวิธีเรียนรู้ของเครื่องสามารถจดจำรูปแบบและทำการคาดการณ์ได้
6. การฝึกอบรมแบบจำลอง
การฝึกโมเดลคือกระบวนการใช้ชุดข้อมูลเพื่อสอนโมเดลปัญญาประดิษฐ์หรือการเรียนรู้ของเครื่องให้ทำงานเฉพาะอย่าง เช่น การจำแนกประเภทหรือการทำนาย โมเดลจะปรับพารามิเตอร์ตามตัวอย่างที่ให้มาเพื่อปรับปรุงความแม่นยำด้วยข้อมูลใหม่
7. การเพิ่มประสิทธิภาพการผลิตพลังงานด้วยการฟื้นฟู
RAG (Retrieval-Augmented Generation) เป็นวิธีการที่ช่วยให้ AI สามารถสอบถามฐานข้อมูลภายนอกหรือค้นหาข้อมูลใหม่และอัปเดตบนอินเทอร์เน็ตก่อนที่จะสร้างคำตอบ แทนที่จะต้องฝึกฝนโมเดลทั้งหมดใหม่ด้วยข้อมูลใหม่ RAG ทำหน้าที่เสมือน "การศึกษาแบบเรียลไทม์" สำหรับ AI ซึ่งมีประโยชน์มากเพราะบังคับให้ระบบต้องพึ่งพาเอกสารที่เฉพาะเจาะจงและได้รับการตรวจสอบแล้ว ซึ่งช่วยลดความเสี่ยงที่ AI จะสร้างข้อมูลเท็จ (ภาพลวงตา) ได้อย่างมาก
8. GPT (หม้อแปลงไฟฟ้าที่ผ่านการฝึกอบรมล่วงหน้าแบบเจนเนอร์เรทีฟ)
โมเดล GPT (Generative Pretrained Transformer) คือตระกูลของโมเดลภาษาที่พัฒนาโดย OpenAI ซึ่งใช้โครงข่ายประสาทเทียมในการทำความเข้าใจและสร้างข้อความอย่างเป็นธรรมชาติ โมเดล GPT ใช้สถาปัตยกรรมที่เรียกว่า Transformer ซึ่งช่วยให้สามารถวิเคราะห์ข้อความกระตุ้นและคาดการณ์คำตอบที่น่าจะเป็นไปได้มากที่สุดโดยอาศัยการฝึกฝนด้วยชุดข้อมูลขนาดใหญ่ ด้วยเหตุนี้ GPT จึงสามารถเลียนแบบความสามารถในการเข้าใจภาษาของมนุษย์ได้
9. การสร้างภาษาธรรมชาติ (การสร้างภาษาธรรมชาติ)
การสร้างภาษาธรรมชาติเป็นสาขาย่อยของปัญญาประดิษฐ์ที่เกี่ยวข้องกับการสร้างข้อความหรือคำพูดที่เข้าใจได้โดยอัตโนมัติในภาษาของมนุษย์ โดยอนุญาตให้เครื่องจักรแปลงข้อมูลดิบให้เป็นประโยคหรือย่อหน้าที่เป็นธรรมชาติ เช่น ในการสรุปอัตโนมัติหรือผู้ช่วยเสมือนจริง
10. โปรมพ์ เอ็นจิเนียริ่ง
มันคือศิลปะของการพัฒนาคำสั่งเพื่อตอบสนองคำขอและสร้างผลลัพธ์ที่สร้างสรรค์และมีความหมาย กล่าวคือ ผลลัพธ์ที่แม่นยำ มีประสิทธิภาพ และสร้างสรรค์ยิ่งขึ้น หรือกล่าวอีกนัยหนึ่งคือ มันคือวิทยาศาสตร์ของการออกแบบ ปรับปรุง และขัดเกลาคำสั่งที่เราให้แก่ปัญญาประดิษฐ์เชิงสร้างสรรค์ เป้าหมายของมันคือการชี้นำ AI ให้ได้คำตอบที่แม่นยำ เกี่ยวข้อง และมีคุณภาพสูง โดยทำหน้าที่เป็นสะพานเชื่อมการสื่อสารเพื่อหลีกเลี่ยงผลลัพธ์ที่ทั่วไปหรือผิดพลาด
11. แบบจำลอง
แบบจำลองคือวัตถุที่จะใช้แทนผลลัพธ์ของอัลกอริธึมการเรียนรู้ ดังนั้นจึงเป็นสิ่งที่ AI ใช้ในการทำนายผลลัพธ์ ตัวอย่างเช่น แบบจำลองพื้นฐานเป็นหมวดหมู่กว้างๆ ของแบบจำลอง AI ที่รวมถึงแบบจำลองภาษาขนาดใหญ่และแบบจำลองประเภทอื่นๆ เช่น แบบจำลองการมองเห็นด้วยคอมพิวเตอร์และแบบจำลองการเรียนรู้แบบเสริมแรง เรียกว่า "แบบจำลองพื้นฐาน" เพราะทำหน้าที่เป็นรากฐานในการสร้างแอปพลิเคชันต่างๆ ที่ครอบคลุมหลากหลายโดเมนและกรณีการใช้งาน
12. โมเดลภาษาขนาดใหญ่
โมเดลเหล่านี้เป็นโมเดลการเรียนรู้เชิงลึกประเภทหนึ่งที่ได้รับการฝึกฝนบนชุดข้อมูลขนาดใหญ่เพื่อทำงานด้านการทำความเข้าใจและการสร้างภาษาธรรมชาติ โมเดลที่เป็นที่รู้จักกันดี ได้แก่ BERT, PaLM, GPT-2, GPT-3, GPT-3.5 และ GPT-4 ซึ่งเป็นโมเดลที่ล้ำสมัย โมเดลเหล่านี้มีความแตกต่างกันในด้านขนาด (จำนวนพารามิเตอร์ที่สามารถปรับได้) ขอบเขตของงานที่สามารถทำได้ (การเขียนโค้ด การสนทนา วิทยาศาสตร์ ฯลฯ) และฐานความรู้ที่ใช้ในการฝึกฝน
13. โมเดลภาษาขนาดเล็ก
โมเดลเหล่านี้เป็นเวอร์ชันขนาดพกพาของโมเดลภาษาขนาดใหญ่ หรือ LLM (Large Language Model) ทั้งสองแบบใช้เทคนิคการเรียนรู้ของเครื่องเพื่อช่วยในการจดจำรูปแบบและความสัมพันธ์ เพื่อให้สามารถสร้างคำตอบภาษาธรรมชาติที่สมจริงได้ แต่ในขณะที่ LLM มีขนาดใหญ่มากและต้องการพลังการประมวลผลและหน่วยความจำจำนวนมาก โมเดลภาษาขนาดเล็กอย่าง Phi-3 ได้รับการฝึกฝนจากชุดข้อมูลที่เล็กกว่าและคัดสรรมาอย่างดี และมีพารามิเตอร์น้อยกว่า ทำให้มีขนาดกะทัดรัดกว่าและสามารถใช้งานแบบออฟไลน์ได้ด้วย
14. อคติ
นี่คือข้อสมมติฐานที่แบบจำลอง AI ใช้เกี่ยวกับข้อมูล “การแลกเปลี่ยนระหว่างอคติและความแปรปรวน” คือความสมดุลที่ต้องเกิดขึ้นระหว่างข้อสมมติฐานที่แบบจำลองใช้เกี่ยวกับข้อมูล และปริมาณการเปลี่ยนแปลงของการคาดการณ์ของแบบจำลอง เมื่อได้รับข้อมูลฝึกฝนที่แตกต่างกัน อคติเชิงอุปมานคือชุดของข้อสมมติฐานที่อัลกอริธึมการเรียนรู้ของเครื่องใช้เกี่ยวกับลักษณะการกระจายตัวพื้นฐานของข้อมูล
15. การประมวลผลภาษาธรรมชาติ
เป็นสาขาวิชาสหวิทยาการที่มีแนวคิดหลักคือการทำให้เครื่องจักรสามารถอ่านและเข้าใจภาษาที่มนุษย์พูดได้ การวิจัยด้านการประมวลผลภาษาธรรมชาติมีเป้าหมายเพื่อตอบคำถามว่ามนุษย์สามารถเข้าใจความหมายของประโยคที่พูดหรือเขียนได้อย่างไร และเข้าใจสิ่งที่เกิดขึ้น เกิดขึ้นเมื่อใด และที่ไหน รวมถึงความแตกต่างระหว่างข้อสันนิษฐาน ความเชื่อ และข้อเท็จจริง ดังนั้นจึงเกี่ยวข้องกับการเขียนโปรแกรมคอมพิวเตอร์เพื่อประมวลผลข้อมูลทางภาษาจำนวนมหาศาล และมุ่งเน้นไปที่การแปลงข้อความอิสระให้เป็นโครงสร้างมาตรฐาน
16.พร้อมท์
พรอมต์คือคำสั่งหรือชุดคำสั่ง (อินพุต) ที่ป้อนให้กับระบบคอมพิวเตอร์เพื่อสร้างการตอบสนอง ในบริบทของปัญญาประดิษฐ์ พรอมต์คือคำสั่ง คำถาม คำขอ หรือข้อความเริ่มต้นที่ให้แก่โมเดลเพื่อชี้นำและกำกับการสร้างการตอบสนองหรือผลลัพธ์ที่เฉพาะเจาะจง พรอมต์ทำหน้าที่เป็นสิ่งกระตุ้นหรือตัวจุดชนวนสำหรับ AI โดยระบุหัวข้อ รูปแบบ ทิศทาง หรือประเภทของการตอบสนองที่คาดหวัง วิธีการกำหนดพรอมต์ (การวางกรอบ) จะกำหนดคุณภาพและความเกี่ยวข้องของผลลัพธ์ที่ได้รับโดยตรง
17. โครงข่ายประสาทเทียม
พวกมันคือแบบจำลองทางคอมพิวเตอร์ที่สร้างขึ้นจากชุดหน่วยประสาทอย่างง่ายจำนวนมาก (เซลล์ประสาทเทียม) ซึ่งคล้ายคลึงกับพฤติกรรมที่สังเกตได้ในแอกซอนของเซลล์ประสาทในสมองทางชีววิทยา พวกมันเป็นหน่วยการทำงานพื้นฐานของการเรียนรู้เชิงลึก นอกจากนี้ มันยังเป็นแบบจำลองการเรียนรู้ของเครื่องที่ช่วยในการจดจำรูปแบบและการแก้ปัญหา โดยอาศัยการเรียนรู้ของเครื่องหรือการเรียนรู้เชิงลึก เพื่อจำลองกลไกการวิเคราะห์ของสมองมนุษย์
18. ทรานส์ฟอร์มาเดอร์
ทรานส์ฟอร์เมอร์เป็นสถาปัตยกรรมเครือข่ายประสาทเทียมประเภทหนึ่งที่ออกแบบมาเพื่อประมวลผลข้อมูลแบบลำดับ เช่น ข้อความ ทรานส์ฟอร์เมอร์เรียนรู้บริบทและด้วยเหตุนี้จึงเรียนรู้ความหมาย พวกมันจับความสัมพันธ์ระหว่างองค์ประกอบต่างๆ ในลำดับ (คำ ประโยค) ในแบบขนาน แทนที่จะเป็นแบบลำดับเหมือนโมเดลแบบดั้งเดิม ทรานส์ฟอร์เมอร์เป็นพื้นฐานของโมเดลที่ประสบความสำเร็จ เช่น GPT และ BERT และถูกนำไปใช้ในงานประมวลผลภาษาธรรมชาติ
19. โทเค็น
ในปัญญาประดิษฐ์ (AI) โทเค็นคือหน่วยข้อมูลพื้นฐาน (คำ คำบางส่วน ตัวอักษร หรือสัญลักษณ์) ที่แบบจำลองการเรียนรู้ภาษา (LLM) เช่น GPT หรือ Gemini ใช้ในการประมวลผล ทำความเข้าใจ และสร้างข้อความ มันคือ "สกุลเงิน" หรือข้อมูลสำคัญที่ AI อ่านและวิเคราะห์ ทำให้ AI สามารถแยกภาษาของมนุษย์ออกเป็นส่วนย่อยๆ ที่จัดการได้ (ประมวลผลได้) ดังนั้น แบบจำลอง AI จึงประมวลผลโทเค็นเพื่อทำความเข้าใจความสัมพันธ์ระหว่างกันและปลดล็อกความสามารถต่างๆ เช่น การทำนาย การสร้าง และการให้เหตุผล ยิ่งประมวลผลโทเค็นได้เร็วเท่าไร แบบจำลองก็จะยิ่งเรียนรู้และตอบสนองได้เร็วขึ้นเท่านั้น
20. การตรวจสอบแบบไขว้
เป็นวิธีการที่ใช้ในการประเมินผลลัพธ์ของการวิเคราะห์และรับรองความถูกต้องแม่นยำของการทำนายของแบบจำลองการเรียนรู้ของเครื่อง ดังนั้นจึงเป็นเทคนิคในการประเมินแบบจำลองการเรียนรู้ของเครื่องที่เน้นการแบ่งชุดข้อมูลออกเป็นหลายชุดย่อย (หรือ "พับ") จากนั้นแบบจำลองจะถูกฝึกฝนบนชุดย่อยบางส่วนและทดสอบกับชุดย่อยอื่นๆ วิธีนี้ช่วยให้สามารถประเมินประสิทธิภาพของแบบจำลองได้อย่างน่าเชื่อถือมากขึ้นโดยลดการเรียนรู้มากเกินไป
หลักการพื้นฐานอื่นๆ ของปัญญาประดิษฐ์ที่ควรค่าแก่การศึกษา ทำความเข้าใจ และเชี่ยวชาญในส่วนที่สามนี้
นี่เป็นเพียงแนวคิดและคำศัพท์บางส่วนจากมากมายที่คุ้มค่าแก่การเรียนรู้ เข้าใจ และเชี่ยวชาญอย่างแท้จริง ในสาขาปัญญาประดิษฐ์ที่ทันสมัยและล้ำหน้าเช่นนี้ ดังนั้น เพื่อขยายความข้อมูลที่นำเสนอไว้ที่นี่และช่วยให้คุณค้นหาข้อมูลอื่นๆ ได้ง่ายขึ้น เราจึงขอเสนอสิ่งนี้ให้คุณ อินโฟกราฟิกที่น่าสนใจ สร้างขึ้นด้วย AI เพื่อเป็นตัวอย่างเล็กๆ น้อยๆ ของสิ่งอื่นๆ ที่สำคัญและจำเป็นไม่แพ้กัน:
ข้อมูลอย่างย่อ
ในระยะสั้นเราหวังว่าสิ่งนี้ "ภาคที่สามของสาขาปัญญาประดิษฐ์ที่น่าตื่นเต้นและน่าประหลาดใจ" โดยเน้นที่ปัญญาประดิษฐ์เชิงสร้างสรรค์ (Generative Artificial Intelligence หรือ GAI) อาจช่วยเสริมสร้างและเพิ่มพูนความรู้และทักษะของคุณในสาขาที่ทันสมัยและล้ำหน้าเช่นนี้ได้มากยิ่งขึ้น อย่าลืมเรื่องนี้ ปัญญาประดิษฐ์และหุ่นยนต์กำลังเปลี่ยนแปลงโลกและวิถีชีวิตของเราและในอีกหลายปีข้างหน้า เมื่อการคำนวณควอนตัมกลายเป็นเรื่องที่ใช้ได้ในเชิงพาณิชย์ และพลังงานควอนตัม (ที่ผลิตผ่านปรากฏการณ์แคซิเมียร์) สามารถเข้าถึงได้อย่างกว้างขวางสำหรับมนุษยชาติทุกคน มันอาจจะแตกต่างไปจากที่เราประสบในปัจจุบันอย่างสิ้นเชิง ดังนั้น การเรียนรู้เกี่ยวกับปัญญาประดิษฐ์ในตอนนี้จึงดีกว่าการปฏิเสธและเสียใจในวันพรุ่งนี้ และแน่นอน อย่าลืมที่จะมีส่วนร่วม สนับสนุน และช่วยเหลือจักรวาลลินุกซ์อันเป็นที่รักและมีค่าของเราต่อไป
สุดท้ายนี้ จำไว้ เยี่ยมชมของเรา «หน้าแรก» ในภาษาสเปนหรือในภาษาอื่นๆ (โดยการเพิ่มตัวอักษร 2 ตัวต่อท้าย URL ปัจจุบันของเรา เช่น ar, de, en, fr, ja, pt และ ru เป็นต้น) เพื่อค้นหาเนื้อหาที่ทันสมัยมากขึ้น