กำไร:
- สามารถแยกแยะระหว่างแนวคิดของปัญญาประดิษฐ์ การเรียนรู้ของเครื่อง และโมเดลภาษาขนาดใหญ่ได้
- อธิบายว่าเทคโนโลยีเหล่านี้แตกต่างจากซอฟต์แวร์แบบดั้งเดิมอย่างไร
- สามารถจดจำตัวอย่าง AI ที่พบในชีวิตประจำวันได้
ในช่วงไม่กี่ปีที่ผ่านมา คำว่า "ปัญญาประดิษฐ์" มีอยู่ทั่วไปทั้งในข่าว ในโฆษณา ในการประชุมทางธุรกิจ แม้แต่ในกล้องของโทรศัพท์ที่คุณใช้ แต่มันหมายถึงอะไรกันแน่? หน่วยนี้จะอธิบายหัวข้อตั้งแต่พื้นฐาน โดยไม่ต้องใช้ศัพท์เฉพาะ และเชื่อมโยงกับชีวิตธุรกิจของคุณ จุดมุ่งหมายไม่ได้เพื่อให้คุณเป็นวิศวกร เพื่อทำให้คุณเป็นผู้ใช้ที่มีสติและเข้าใจว่าเครื่องมือที่คุณใช้คืออะไร และทำไมพวกเขาถึงทำในสิ่งที่พวกเขาทำ เพราะยิ่งคุณรู้จักยานพาหนะดีเท่าไร คุณก็จะยิ่งใช้มันได้ปลอดภัยและมีประสิทธิภาพมากขึ้นเท่านั้น
คุณมักจะได้ยินแนวคิดสามประการที่เชื่อมโยงกัน: ปัญญาประดิษฐ์ การเรียนรู้ของเครื่อง และโมเดลภาษาขนาดใหญ่ สิ่งเหล่านี้ไม่เหมือนกัน พวกมันแคบลงมากขึ้นเรื่อยๆ โดยวงหนึ่งอยู่ข้างใน ทีนี้มาอธิบายทีละเรื่องพร้อมตัวอย่างรายวัน
สามแนวคิด สามวงแหวนที่ประสานกัน
ปัญญาประดิษฐ์ (AI): เป็นชื่อทั่วไปของสาขากว้าง ๆ ที่ช่วยให้คอมพิวเตอร์สามารถทำงานที่ปกติต้องใช้สติปัญญาของมนุษย์ (ความเข้าใจ การตัดสินใจ การจดจำ การใช้ภาษา) โปรแกรมหมากรุก แอปพลิเคชั่นแปล และระบบสั่งงานด้วยเสียงก็อยู่ภายใต้การดูแลนี้เช่นกัน
การเรียนรู้ของเครื่อง (ML): เป็นสาขาย่อยของปัญญาประดิษฐ์ที่พบบ่อยที่สุด ในที่นี้ เราไม่ได้เขียนกฎลงในคอมพิวเตอร์ทีละข้อ เราแสดงตัวอย่างให้เขาดูมากมาย และเขาก็เลือกรูปแบบจากตัวอย่างด้วยตัวเอง จึงเป็นที่มาของชื่อ “แมชชีนเลิร์นนิง”: แมชชีนเรียนรู้จากตัวอย่าง
โมเดลภาษาขนาดใหญ่ (LLM): เป็นการเรียนรู้ของเครื่องชนิดพิเศษที่เชี่ยวชาญด้านข้อความ ได้รับการฝึกฝนด้วยประโยคนับพันล้านประโยค ใช้ในงานต่างๆ เช่น การทำความเข้าใจภาษา การผลิต การสรุป และการแปล นี่คือเทคโนโลยีเบื้องหลังเครื่องมืออย่าง ChatGPT, Gemini, Claude เครื่องมือในโมดูลนี้ ซึ่งเราเรียกว่า "AI ทั่วไป" (AI ที่สร้างข้อความ/รูปภาพ) ส่วนใหญ่จะเป็นแบบ LLM
คำแนะนำ: โปรดจำไว้ว่า AI คือกล่องที่ใหญ่ที่สุด Machine Learning คือกล่องที่อยู่ข้างใน และโมเดลภาษาขนาดใหญ่คือกล่องที่อยู่ด้านในสุด “LLM ทุกตัวเป็นผลิตภัณฑ์ของการเรียนรู้ของเครื่อง และการเรียนรู้ของเครื่องทุกอย่างก็เป็น AI แต่การสนทนานั้นไม่เป็นความจริงเสมอไป”
ความแตกต่างกับซอฟต์แวร์แบบดั้งเดิม: ใครเป็นคนเขียนกฎ?
นี่คือความแตกต่างที่สำคัญที่สุดที่ต้องเข้าใจ ในซอฟต์แวร์แบบดั้งเดิม มนุษย์ (โปรแกรมเมอร์) เขียนกฎทีละข้อ: "หากจำนวนคำสั่งซื้อเกิน 500 TL การจัดส่งฟรี" คอมพิวเตอร์ปฏิบัติตามกฎนี้กับตัวอักษร ไม่มากไป ไม่น้อยไปกว่านี้
ในแมชชีนเลิร์นนิง มนุษย์ไม่ได้เขียนกฎเกณฑ์ โมเดลค้นพบกฎจากตัวอย่างที่แสดง ตัวอย่างเช่น คุณแสดงอีเมล "สแปม" และ "ไม่ใช่สแปม" หลายพันรายการ ตัวแบบจะเรียนรู้ว่าคำและวลีใดบ่งบอกถึงสแปม ไม่มีใครเขียนทีละคำว่า "ถ้ามีคำนี้ มันคือสแปม"
คุณสมบัติ
ซอฟต์แวร์แบบดั้งเดิม
การเรียนรู้ของเครื่อง / AI
ใครเป็นคนสร้างกฎ?
ผู้ชายเขียนทีละคน
โมเดลอนุมานจากตัวอย่าง
ผลลัพธ์จะเหมือนกันเสมอไปหรือไม่?
อินพุตเดียวกัน → เอาต์พุตเดียวกัน
อินพุตเดียวกัน → คล้ายกันแต่เอาต์พุตแปรผัน
เมื่อไหร่จะเข้มแข็ง?
ทำงานด้วยกฎเกณฑ์ที่ชัดเจนและชัดเจน
ใช้งานได้กับรูปแบบมากมายและกฎเกณฑ์ที่ยาก
ความน่าเชื่อถือ
คาดเดาได้มั่นคง
ทางสถิติต้องมีการตรวจสอบ
ตัวอย่าง
บัญชีเงินเดือน
ปรับปรุงเสียงอีเมล
ความแตกต่างนี้เป็นพื้นฐานของหัวข้อ "ภาพหลอน" และ "การยืนยัน" ที่คุณจะได้เรียนรู้ในภายหลัง: เนื่องจากแบบจำลองได้รับกฎมาเอง บางครั้งจึงผิด ดังนั้นจึงไม่สามารถเชื่อถือผลลัพธ์ของแบบจำลองแบบสุ่มสี่สุ่มห้าได้
คุณเห็นสิ่งนี้แล้วในชีวิตธุรกิจประจำวันของคุณ
อย่าคิดว่า AI เป็นสิ่งใหม่ คุณอาจใช้มันมาหลายปีแล้ว:
- ตัวกรองสแปมของกล่องอีเมลของคุณ (แบบจำลองที่ได้เรียนรู้ว่าอีเมลใดเป็นขยะ)
- การคาดเดาแป้นพิมพ์ในโทรศัพท์ของคุณ (แบบจำลองภาษาขนาดเล็กที่แนะนำคำถัดไป)
- การแจ้งเตือนการทำธุรกรรมฉ้อโกงของธนาคารของคุณ (รูปแบบที่ตรวจจับการใช้จ่ายที่ผิดปกติ)
- คุณลักษณะการป้อนอัตโนมัติและคำแนะนำของโปรแกรมสเปรดชีตของคุณ
- ระบบแนะนำในแอปพลิเคชั่นวิดีโอและเพลง
มีอะไรใหม่คือเทคโนโลยีนี้สามารถพูดด้วยภาษาธรรมชาติได้แล้ว ดังนั้นคุณจึงเขียนราวกับว่าคุณกำลังพูดคุยกับผู้เชี่ยวชาญและเขาก็เข้าใจและตอบ นี่คือจุดที่โอกาสที่แท้จริงอยู่ในที่ทำงาน
มินิเคสสามอัน
กรณีที่ 1 — Ayşe ผู้จัดการสำนักงาน เขาจัดหมวดหมู่อีเมลของซัพพลายเออร์ประมาณ 40 ฉบับด้วยตนเองในแต่ละสัปดาห์ ใช้เวลาเฉลี่ย 90 นาที เริ่มมีผู้ช่วย AI ของบริษัทติดป้ายกำกับอีเมลว่า "ด่วน/ปกติ/ข้อมูล" เวลาลดลงเหลือ 20 นาที เขาทุ่มเทเวลาประมาณ 70 นาทีเพื่อควบคุมสัญญา AI เรียนรู้กฎนั้นเอง Ayşeไม่ได้เขียนตัวกรองทีละรายการ
กรณีที่ 2 — เมห์เม็ต ช่างเทคนิคภาคสนาม ลูกค้าเขียนบันทึกข้อผิดพลาดเป็นข้อความอิสระ (“อุปกรณ์เกิดความร้อน ปิดเครื่องเป็นระยะ”) ผู้จัดการของเขาไม่สามารถอ่านและจำแนกบันทึก 500 รายการเหล่านี้ด้วยตนเองได้ แบบจำลองภาษาสรุปบันทึกว่าเป็น "ข้อผิดพลาดของฮาร์ดแวร์/ซอฟต์แวร์/ผู้ใช้" และดึงข้อร้องเรียนที่พบบ่อยที่สุดออกมา แบบจำลองนี้ร่างได้ภายในไม่กี่นาที สิ่งที่มนุษย์จะใช้เวลาเกือบ 2 วัน ทีมงานยืนยันเท่านั้น
กรณีที่ 3 — Elif นักบัญชี เขาให้ AI สรุปข้อความทางกฎหมายใหม่และนำรายการบทความ 1 หน้าจากข้อความ 12 หน้า แต่ตัวเขาเองได้ยืนยันเปอร์เซ็นต์ที่สำคัญจากแหล่งข่าวอย่างเป็นทางการ เพราะมันเป็นเรื่องที่ต้องใช้ความแม่นยำเชิงตัวเลข ดังนั้นมันจึงทำงานได้อย่างรวดเร็วและปลอดภัย
พรอมต์ที่อ่อนแอ / พรอมต์ที่แข็งแกร่ง
การรู้จักเครื่องมือยังเปลี่ยนวิธีการถามของคุณด้วย คำถามสองข้อที่แตกต่างจากผู้ช่วยคนเดียวกัน:
ข้อความเตือนที่อ่อนแอ:ปัญญาประดิษฐ์คืออะไร?
ผลลัพธ์: คำอธิบายสารานุกรมขนาดยาวซึ่งไม่เฉพาะเจาะจงสำหรับคุณ
การแจ้งเตือนที่ชัดเจน: ฉันเป็นพนักงานออฟฟิศที่ไม่เชี่ยวชาญด้านเทคนิค อธิบายความแตกต่างระหว่างปัญญาประดิษฐ์ การเรียนรู้ของเครื่อง และโมเดลภาษาขนาดใหญ่ด้วยสัญลักษณ์แสดงหัวข้อย่อยสั้นๆ 3 ข้อ และตัวอย่างชีวิตประจำวันของแต่ละคน ใช้ภาษาตุรกีธรรมดา
ผลลัพธ์: คำตอบที่ใช้ได้เหมาะสมกับบทบาท ระดับ และวัตถุประสงค์ของคุณ ความแตกต่าง: คุณให้บริบท ผู้ชม และรูปแบบ
เทมเพลตที่คัดลอกได้
ช่วยฉันเรียนรู้เทคโนโลยีหัวข้อ: [เช่น แมชชีนเลิร์นนิง] ฉัน: [บทบาทของฉัน / ระดับความรู้ของฉัน] ฉันต้องการ: คำอธิบายง่ายๆ ใน 5 รายการ + ตัวอย่างจากชีวิตธุรกิจสำหรับแต่ละรายการ + สรุป 1 ประโยค "เก็บไว้ในใจ" ในตอนท้าย
แสดงให้ฉันเห็นว่าฉันพบแนวคิดต่อไปนี้ในชีวิตประจำวันที่ไหน:แนวคิด: [เช่น ระบบแนะนำ]ขอตัวอย่างที่สมจริง 5 ตัวอย่าง และอธิบายในประโยคเดียวให้ชัดเจนว่า AI ทำอะไรในแต่ละประโยค
เปรียบเทียบแนวคิดทั้งสองนี้และวางไว้ในตาราง:แนวคิด A: [ซอฟต์แวร์แบบดั้งเดิม]แนวคิด B: [การเรียนรู้ของเครื่อง]คอลัมน์: ใครเป็นคนกำหนดกฎ คือค่าคงที่เอาต์พุต เมื่อใดจะแข็งแกร่ง เป็นตัวอย่าง
ลดความซับซ้อนของประโยคต่อไปนี้ราวกับกำลังอธิบายให้เพื่อนร่วมงานที่ไม่ใช่ด้านเทคนิคฟัง หากมีศัพท์เฉพาะ ให้ใส่คำอธิบายสั้นๆ ในวงเล็บ ประโยค: [วางที่นี่]
ข้อผิดพลาดทั่วไป
ข้อผิดพลาดทั่วไป
- คิด "AI = หุ่นยนต์ / จิตสำนึก" ยานพาหนะในปัจจุบันไม่ได้คิดหรือรู้สึก จดจำรูปแบบและสร้างภาคต่อที่เป็นไปได้ การลืมสิ่งนี้นำไปสู่ความคาดหวังและความผิดหวังที่เกินจริง
- ถือว่าเอาต์พุต AI ทุกรายการเป็นความจริงขั้นสุดท้าย แบบจำลองทำงานได้ทางสถิติ การใช้ตัวเลข วันที่ และแหล่งข้อมูลที่ต้องการความแม่นยำโดยไม่ต้องตรวจสอบถือเป็นเรื่องเสี่ยง
- บอกว่างานนี้ไกลจากผมมาก และไม่เคยลองเลย AI ช่วยประหยัดเวลาได้มากที่สุดในงานที่น่าเบื่อและซ้ำซากของพนักงานที่ไม่ใช่ด้านเทคนิค ผู้ไม่ลองย่อมพลาดโอกาส
- การถามคำถามคำเดียวโดยไม่มีบริบท หากคุณไม่บอกเครื่องมือว่าคุณเป็นใครและสิ่งที่คุณต้องการ คุณจะได้รับคำตอบทั่วๆ ไปที่ไม่มีประโยชน์
ข้อควรระวัง: "การเรียนรู้" ของ AI ไม่เหมือนการเรียนรู้ของมนุษย์ โมเดล "เรียนรู้" ไม่ใช่จากการทำความเข้าใจโลก แต่โดยการจับรูปแบบทางสถิติในข้อมูล ดังนั้นเขาจึงสามารถพูดได้คล่องมากแต่ก็ยังเข้าใจผิดข้อเท็จจริงพื้นฐานอยู่ ความคล่องแคล่วไม่รับประกันความถูกต้อง
โดยสรุป
- ปัญญาประดิษฐ์เป็นร่มเงาที่กว้างที่สุด การเรียนรู้ของเครื่องเป็นสาขาย่อยที่เรียนรู้จากตัวอย่าง โมเดลภาษาขนาดใหญ่ (LLM) คือการเรียนรู้ของเครื่องประเภทหนึ่งที่เชี่ยวชาญด้านภาษา
- ความแตกต่างหลัก: ในซอฟต์แวร์แบบดั้งเดิม มนุษย์เขียนกฎ; ในการเรียนรู้ของเครื่อง โมเดลจะแยกกฎออกจากตัวอย่าง
- AI เข้ามาในชีวิตของคุณแล้ว: ตัวกรองสแปม การคาดเดาด้วยแป้นพิมพ์ การแจ้งเตือนธุรกรรมปลอม ระบบแนะนำ มีอะไรใหม่คือสามารถพูดภาษาธรรมชาติได้
- เนื่องจากแบบจำลองนี้ทำงานในเชิงสถิติ จึงมีความลื่นไหล แต่ก็ไม่ได้แม่นยำเสมอไป นี่เป็นพื้นฐานสำหรับหน่วยที่ตามมา (ภาพหลอน การตรวจสอบ)
งานแอปพลิเคชัน
เปิดเครื่องมือ AI ที่คุณใช้และอธิบายให้ตัวเองทราบถึงความแตกต่างระหว่างการเรียนรู้ของเครื่องและโมเดลภาษาใหญ่ด้วยเทมเพลต "พร้อมท์อันทรงพลัง" ด้านบน จากนั้นจด 3 จุดในธุรกิจของคุณเองที่มีการใช้ AI อยู่แล้ว (หรือสามารถนำมาใช้ได้) สำหรับแต่ละคน “แท้จริงแล้ว AI ทำอะไรที่นี่ได้บ้าง” ตอบคำถามในหนึ่งประโยค
รายการตรวจสอบ
- [ ] ฉันสามารถแยกแยะระหว่างปัญญาประดิษฐ์ การเรียนรู้ของเครื่อง และ LLM ได้
- [ ] ฉันสามารถอธิบายความแตกต่างระหว่าง "ใครเขียนกฎ" ระหว่างซอฟต์แวร์แบบดั้งเดิมและการเรียนรู้ของเครื่องได้
- [ ] ฉันรู้จัก AI อย่างน้อย 3 ตัวอย่างในชีวิตประจำวัน
- [ ] ด้วยการให้บริบท ผู้ชม และรูปแบบ ฉันสามารถถามคำถามที่ชัดเจนยิ่งขึ้นได้
- [ ] ฉันรู้ว่าการที่ AI ราบรื่นไม่ได้หมายความว่ามันแม่นยำ