README.md

การแนะนำ AI สร้างสรรค์และโมเดลภาษาขนาดใหญ่

(คลิกที่ภาพด้านบนเพื่อดูวิดีโอของบทเรียนนี้)

AI สร้างสรรค์คือปัญญาประดิษฐ์ที่สามารถสร้างข้อความ รูปภาพ และเนื้อหาอื่น ๆ ได้ สิ่งที่ทำให้มันเป็นเทคโนโลยีที่ยอดเยี่ยมคือการที่มันทำให้ AI เข้าถึงได้ง่ายขึ้น ทุกคนสามารถใช้งานได้เพียงแค่ใช้ข้อความสั้น ๆ หรือประโยคที่เขียนในภาษาธรรมชาติ คุณไม่จำเป็นต้องเรียนรู้ภาษาโปรแกรมอย่าง Java หรือ SQL เพื่อทำสิ่งที่มีคุณค่า สิ่งที่คุณต้องทำคือใช้ภาษาของคุณ ระบุสิ่งที่คุณต้องการ และ AI จะเสนอคำแนะนำให้คุณ แอปพลิเคชันและผลกระทบของสิ่งนี้มีมากมาย เช่น การเขียนหรือทำความเข้าใจรายงาน การเขียนแอปพลิเคชัน และอื่น ๆ อีกมากมาย ทั้งหมดนี้ใช้เวลาเพียงไม่กี่วินาที

ในหลักสูตรนี้ เราจะสำรวจว่าเราใช้ AI สร้างสรรค์ในสตาร์ทอัพของเราเพื่อเปิดโอกาสใหม่ ๆ ในโลกการศึกษาอย่างไร และเราจะจัดการกับความท้าทายที่หลีกเลี่ยงไม่ได้ที่เกี่ยวข้องกับผลกระทบทางสังคมของการใช้งานและข้อจำกัดของเทคโนโลยีอย่างไร

การแนะนำ

บทเรียนนี้จะครอบคลุม:

• การแนะนำสถานการณ์ธุรกิจ: ไอเดียและภารกิจของสตาร์ทอัพของเรา
• AI สร้างสรรค์และวิวัฒนาการของเทคโนโลยีในปัจจุบัน
• การทำงานภายในของโมเดลภาษาขนาดใหญ่
• ความสามารถหลักและกรณีการใช้งานจริงของโมเดลภาษาขนาดใหญ่

เป้าหมายการเรียนรู้

หลังจากจบบทเรียนนี้ คุณจะเข้าใจ:

• AI สร้างสรรค์คืออะไรและโมเดลภาษาขนาดใหญ่ทำงานอย่างไร
• วิธีที่คุณสามารถใช้โมเดลภาษาขนาดใหญ่ในกรณีการใช้งานต่าง ๆ โดยเน้นไปที่สถานการณ์ในด้านการศึกษา

สถานการณ์: สตาร์ทอัพด้านการศึกษาของเรา

AI สร้างสรรค์เป็นตัวแทนของเทคโนโลยี AI ที่ก้าวหน้าที่สุด ผลักดันขอบเขตของสิ่งที่เคยคิดว่าเป็นไปไม่ได้ โมเดล AI สร้างสรรค์มีความสามารถและการใช้งานหลากหลาย แต่สำหรับหลักสูตรนี้ เราจะสำรวจว่ามันเปลี่ยนแปลงการศึกษาอย่างไรผ่านสตาร์ทอัพสมมติ เราจะเรียกสตาร์ทอัพนี้ว่า สตาร์ทอัพของเรา สตาร์ทอัพของเราทำงานในด้านการศึกษาด้วยภารกิจที่ทะเยอทะยานคือ

ปรับปรุงการเข้าถึงการเรียนรู้ในระดับโลก เพื่อให้การศึกษาเข้าถึงได้อย่างเท่าเทียม และมอบประสบการณ์การเรียนรู้ที่ปรับให้เหมาะสมกับความต้องการของผู้เรียนแต่ละคน

ทีมของสตาร์ทอัพของเราตระหนักว่าเราจะไม่สามารถบรรลุเป้าหมายนี้ได้หากไม่ใช้หนึ่งในเครื่องมือที่ทรงพลังที่สุดในยุคปัจจุบัน – โมเดลภาษาขนาดใหญ่ (LLMs)

AI สร้างสรรค์คาดว่าจะเปลี่ยนแปลงวิธีการเรียนรู้และการสอนในปัจจุบัน โดยนักเรียนสามารถเข้าถึงครูเสมือนจริงได้ตลอด 24 ชั่วโมง ที่ให้ข้อมูลและตัวอย่างมากมาย และครูสามารถใช้เครื่องมือที่เป็นนวัตกรรมเพื่อประเมินนักเรียนและให้คำแนะนำ

เริ่มต้นกันด้วยการกำหนดแนวคิดและคำศัพท์พื้นฐานที่เราจะใช้ตลอดหลักสูตรนี้

เราได้ AI สร้างสรรค์มาอย่างไร?

แม้จะมี กระแส ที่เกิดขึ้นจากการประกาศโมเดล AI สร้างสรรค์เมื่อเร็ว ๆ นี้ แต่เทคโนโลยีนี้ได้ถูกพัฒนามาหลายทศวรรษ โดยมีการวิจัยครั้งแรกตั้งแต่ยุค 60s ตอนนี้เราอยู่ในจุดที่ AI มีความสามารถทางปัญญาของมนุษย์ เช่น การสนทนา อย่างที่เห็นได้จาก OpenAI ChatGPT หรือ Bing Chat ซึ่งใช้โมเดล GPT ในการค้นหาบนเว็บและสนทนา

ย้อนกลับไปเล็กน้อย โปรโตไทป์แรกของ AI ประกอบด้วยแชทบอทที่พิมพ์ข้อความ โดยอาศัยฐานความรู้ที่สกัดจากกลุ่มผู้เชี่ยวชาญและแสดงผลในคอมพิวเตอร์ คำตอบในฐานความรู้ถูกกระตุ้นโดยคำสำคัญที่ปรากฏในข้อความที่ป้อนเข้าไป อย่างไรก็ตาม ไม่นานก็เห็นได้ชัดว่าแนวทางนี้โดยใช้แชทบอทที่พิมพ์ข้อความไม่สามารถขยายตัวได้ดี

แนวทางทางสถิติต่อ AI: การเรียนรู้ของเครื่อง

จุดเปลี่ยนเกิดขึ้นในช่วงยุค 90s ด้วยการประยุกต์ใช้แนวทางทางสถิติต่อการวิเคราะห์ข้อความ สิ่งนี้นำไปสู่การพัฒนาอัลกอริทึมใหม่ – ที่รู้จักกันในชื่อการเรียนรู้ของเครื่อง – ซึ่งสามารถเรียนรู้รูปแบบจากข้อมูลโดยไม่ต้องถูกโปรแกรมอย่างชัดเจน แนวทางนี้ช่วยให้เครื่องจำลองความเข้าใจภาษาของมนุษย์ได้: โมเดลทางสถิติถูกฝึกด้วยคู่ข้อความและป้ายกำกับ ทำให้โมเดลสามารถจัดประเภทข้อความที่ป้อนเข้ามาโดยไม่รู้จักด้วยป้ายกำกับที่กำหนดไว้ล่วงหน้า ซึ่งแสดงถึงเจตนาของข้อความ

เครือข่ายประสาทและผู้ช่วยเสมือนในยุคปัจจุบัน

ในช่วงไม่กี่ปีที่ผ่านมา การพัฒนาทางเทคโนโลยีของฮาร์ดแวร์ที่สามารถจัดการข้อมูลจำนวนมากขึ้นและการคำนวณที่ซับซ้อนมากขึ้น ได้ส่งเสริมการวิจัยใน AI นำไปสู่การพัฒนาอัลกอริทึมการเรียนรู้ของเครื่องขั้นสูงที่รู้จักกันในชื่อเครือข่ายประสาทหรืออัลกอริทึมการเรียนรู้เชิงลึก

เครือข่ายประสาท (โดยเฉพาะเครือข่ายประสาทแบบวนซ้ำ – RNNs) ได้เพิ่มประสิทธิภาพการประมวลผลภาษาธรรมชาติอย่างมาก ทำให้สามารถแสดงความหมายของข้อความในรูปแบบที่มีความหมายมากขึ้น โดยให้ความสำคัญกับบริบทของคำในประโยค

นี่คือเทคโนโลยีที่ขับเคลื่อนผู้ช่วยเสมือนที่เกิดขึ้นในทศวรรษแรกของศตวรรษใหม่ ซึ่งมีความสามารถสูงในการตีความภาษาของมนุษย์ ระบุความต้องการ และดำเนินการเพื่อสนองความต้องการนั้น – เช่น การตอบกลับด้วยสคริปต์ที่กำหนดไว้ล่วงหน้าหรือการใช้บริการของบุคคลที่สาม

ปัจจุบัน, AI สร้างสรรค์

และนี่คือวิธีที่เรามาถึง AI สร้างสรรค์ในปัจจุบัน ซึ่งสามารถมองว่าเป็นส่วนย่อยของการเรียนรู้เชิงลึก

หลังจากการวิจัยในด้าน AI มาหลายทศวรรษ สถาปัตยกรรมโมเดลใหม่ – ที่เรียกว่า Transformer – ได้เอาชนะข้อจำกัดของ RNNs โดยสามารถรับลำดับข้อความที่ยาวขึ้นมากเป็นข้อมูลเข้า Transformers ใช้กลไกการให้ความสนใจ ทำให้โมเดลสามารถให้ความสำคัญกับข้อมูลที่ได้รับในระดับต่าง ๆ โดย ‘ให้ความสนใจมากขึ้น’ ในที่ที่ข้อมูลที่เกี่ยวข้องมากที่สุดถูกกระจายอยู่ โดยไม่คำนึงถึงลำดับของมันในลำดับข้อความ

โมเดล AI สร้างสรรค์ล่าสุดส่วนใหญ่ – ที่รู้จักกันในชื่อโมเดลภาษาขนาดใหญ่ (LLMs) เนื่องจากพวกมันทำงานกับข้อมูลเข้าและออกที่เป็นข้อความ – ล้วนใช้สถาปัตยกรรมนี้ สิ่งที่น่าสนใจเกี่ยวกับโมเดลเหล่านี้ – ที่ถูกฝึกด้วยข้อมูลจำนวนมหาศาลที่ไม่มีป้ายกำกับจากแหล่งข้อมูลหลากหลาย เช่น หนังสือ บทความ และเว็บไซต์ – คือพวกมันสามารถปรับให้เหมาะสมกับงานหลากหลายและสร้างข้อความที่ถูกต้องตามหลักไวยากรณ์พร้อมความสร้างสรรค์ในระดับหนึ่ง ดังนั้น ไม่เพียงแต่พวกมันเพิ่มความสามารถของเครื่องในการ ‘เข้าใจ’ ข้อความที่ป้อนเข้า แต่ยังเพิ่มความสามารถในการสร้างคำตอบต้นฉบับในภาษามนุษย์

โมเดลภาษาขนาดใหญ่ทำงานอย่างไร?

ในบทถัดไป เราจะสำรวจประเภทต่าง ๆ ของโมเดล AI สร้างสรรค์ แต่สำหรับตอนนี้ มาดูกันว่าโมเดลภาษาขนาดใหญ่ทำงานอย่างไร โดยเน้นไปที่โมเดล GPT (Generative Pre-trained Transformer) ของ OpenAI

• Tokenizer, ข้อความเป็นตัวเลข: โมเดลภาษาขนาดใหญ่รับข้อความเป็นข้อมูลเข้าและสร้างข้อความเป็นข้อมูลออก อย่างไรก็ตาม เนื่องจากเป็นโมเดลทางสถิติ พวกมันทำงานได้ดีกว่ากับตัวเลขมากกว่าลำดับข้อความ นั่นคือเหตุผลที่ทุกข้อมูลเข้าของโมเดลถูกประมวลผลโดย tokenizer ก่อนที่จะถูกใช้โดยโมเดลหลัก Token คือส่วนของข้อความ – ประกอบด้วยจำนวนตัวอักษรที่เปลี่ยนแปลงได้ ดังนั้นงานหลักของ tokenizer คือการแบ่งข้อมูลเข้าออกเป็นอาร์เรย์ของ tokens จากนั้นแต่ละ token จะถูกจับคู่กับ token index ซึ่งเป็นการเข้ารหัสตัวเลขของส่วนข้อความต้นฉบับ

• การทำนาย token ข้อมูลออก: เมื่อได้รับ n tokens เป็นข้อมูลเข้า (โดย n สูงสุดจะแตกต่างกันไปในแต่ละโมเดล) โมเดลสามารถทำนาย token หนึ่งตัวเป็นข้อมูลออกได้ Token นี้จะถูกนำไปใช้ในข้อมูลเข้าของการวนซ้ำครั้งถัดไป ในรูปแบบหน้าต่างที่ขยายออก ทำให้ประสบการณ์ผู้ใช้ดีขึ้นในการได้รับหนึ่ง (หรือหลาย) ประโยคเป็นคำตอบ นี่อธิบายว่าทำไม หากคุณเคยเล่นกับ ChatGPT คุณอาจสังเกตเห็นว่าบางครั้งมันดูเหมือนหยุดกลางประโยค

• กระบวนการเลือก, การแจกแจงความน่าจะเป็น: Token ข้อมูลออกถูกเลือกโดยโมเดลตามความน่าจะเป็นที่จะเกิดขึ้นหลังจากลำดับข้อความปัจจุบัน นี่เป็นเพราะโมเดลทำนายการแจกแจงความน่าจะเป็นเหนือ ‘token ถัดไป’ ทั้งหมดที่เป็นไปได้ ซึ่งคำนวณจากการฝึกของมัน อย่างไรก็ตาม ไม่ใช่ทุกครั้งที่ token ที่มีความน่าจะเป็นสูงสุดถูกเลือกจากการแจกแจงที่ได้ มีการเพิ่มระดับของความสุ่มในตัวเลือกนี้ ในลักษณะที่โมเดลทำงานในรูปแบบที่ไม่กำหนดแน่นอน – เราจะไม่ได้รับข้อมูลออกที่เหมือนกันทุกครั้งสำหรับข้อมูลเข้าที่เหมือนกัน ระดับของความสุ่มนี้ถูกเพิ่มเพื่อจำลองกระบวนการคิดสร้างสรรค์ และสามารถปรับแต่งได้โดยใช้พารามิเตอร์ของโมเดลที่เรียกว่า temperature

สตาร์ทอัพของเราสามารถใช้โมเดลภาษาขนาดใหญ่ได้อย่างไร?

ตอนนี้เราเข้าใจการทำงานภายในของโมเดลภาษาขนาดใหญ่แล้ว มาดูตัวอย่างการใช้งานจริงของงานที่พวกมันสามารถทำได้ดี โดยเน้นไปที่สถานการณ์ธุรกิจของเรา เรากล่าวว่าความสามารถหลักของโมเดลภาษาขนาดใหญ่คือ การสร้างข้อความจากศูนย์ โดยเริ่มจากข้อมูลเข้าเป็นข้อความที่เขียนในภาษาธรรมชาติ

แต่ข้อมูลเข้าและข้อมูลออกแบบไหนล่ะ? ข้อมูลเข้าของโมเดลภาษาขนาดใหญ่เรียกว่า prompt ในขณะที่ข้อมูลออกเรียกว่า completion ซึ่งหมายถึงกลไกของโมเดลในการสร้าง token ถัดไปเพื่อเติมเต็มข้อมูลเข้าปัจจุบัน เราจะเจาะลึกว่า prompt คืออะไรและวิธีการออกแบบมันเพื่อให้ได้ประโยชน์สูงสุดจากโมเดลของเรา แต่สำหรับตอนนี้ มาดูกันว่า prompt อาจประกอบด้วยอะไรบ้าง:

• คำแนะนำ ที่ระบุประเภทของข้อมูลออกที่เราคาดหวังจากโมเดล คำแนะนำนี้บางครั้งอาจรวมตัวอย่างหรือข้อมูลเพิ่มเติมบางอย่าง

  1. การสรุปบทความ หนังสือ รีวิวสินค้า และอื่น ๆ พร้อมการสกัดข้อมูลเชิงลึกจากข้อมูลที่ไม่มีโครงสร้าง

  

  2. การสร้างสรรค์ไอเดียและการออกแบบบทความ เรียงความ งานเขียน หรืออื่น ๆ

     

• คำถาม ที่ถามในรูปแบบการสนทนากับตัวแทน

  

• ส่วนของ ข้อความเพื่อเติมเต็ม ซึ่งโดยนัยคือการขอความช่วยเหลือในการเขียน

  

• ส่วนของ โค้ด พร้อมกับการขอคำอธิบายและการจัดทำเอกสาร หรือความคิดเห็นที่ขอให้สร้างโค้ดที่ทำงานเฉพาะ

  

ตัวอย่างข้างต้นค่อนข้างง่ายและไม่ได้ตั้งใจให้เป็นการแสดงความสามารถของโมเดลภาษาขนาดใหญ่ที่ครบถ้วน พวกมันมีจุดประสงค์เพื่อแสดงศักยภาพของการใช้ AI สร้างสรรค์ โดยเฉพาะแต่ไม่จำกัดเฉพาะบริบทด้านการศึกษา

นอกจากนี้ ข้อมูลออกของโมเดล AI สร้างสรรค์ไม่สมบูรณ์แบบ และบางครั้งความสร้างสรรค์ของโมเดลอาจทำงานตรงข้ามกับมัน ส่งผลให้ข้อมูลออกเป็นการผสมผสานของคำที่ผู้ใช้มนุษย์สามารถตีความว่าเป็นการบิดเบือนความจริง หรืออาจเป็นการล่วงละเมิด AI สร้างสรรค์ไม่ใช่ปัญญา – อย่างน้อยในนิยามที่ครอบคลุมของปัญญา รวมถึงการให้เหตุผลเชิงวิพากษ์และสร้างสรรค์ หรือปัญญาทางอารมณ์; มันไม่ใช่ระบบที่กำหนดแน่นอน และมันไม่ใช่สิ่งที่เชื่อถือได้ เนื่องจากการสร้างข้อมูลที่ผิด เช่น การอ้างอิงที่ผิดพลาด เนื้อหา และข้อความ อาจถูกผสมกับข้อมูลที่ถูกต้อง และนำเสนอในลักษณะที่โน้มน้าวใจและมั่นใจ ในบทเรียนถัดไป เราจะจัดการกับข้อจำกัดเหล่านี้และดูว่าเราสามารถทำอะไรเพื่อบรรเทาพวกมัน

งานที่ได้รับมอบหมาย

งานของคุณคือการอ่านเพิ่มเติมเกี่ยวกับ AI สร้างสรรค์ และลองระบุพื้นที่ที่คุณจะเพิ่ม AI สร้างสรรค์ในวันนี้ที่ยังไม่มีมัน ผลกระทบจะต่างจากการทำแบบ "วิธีเดิม" อย่างไร คุณสามารถทำสิ่งที่ไม่เคยทำได้มาก่อน หรือคุณเร็วขึ้นหรือไม่? เขียนสรุป 300 คำเกี่ยวกับสิ่งที่สตาร์ทอัพ AI ในฝันของคุณจะมีลักษณะอย่างไร และรวมส่วนหัวเช่น "ปัญหา", "วิธีที่ฉันจะใช้ AI", "ผลกระทบ" และแผนธุรกิจ (ถ้ามี)

หากคุณทำงานนี้ คุณอาจพร้อมที่จะสมัครเข้าร่วมโครงการบ่มเพาะของ Microsoft, Microsoft for Startups Founders Hub เรามีเครดิตสำหรับทั้ง Azure, OpenAI, การให้คำปรึกษา และอื่น ๆ อีกมากมาย ลองดูสิ!

การตรวจสอบความรู้

อะไรที่เป็นจริงเกี่ยวกับโมเดลภาษาขนาดใหญ่?

1. คุณจะได้รับคำตอบเดิมทุกครั้ง
2. มันทำสิ่งต่าง ๆ ได้อย่างสมบูรณ์ ไปที่บทเรียนที่ 2 ซึ่งเราจะมาดูวิธี สำรวจและเปรียบเทียบประเภท LLM ต่างๆ!

---

ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลสำคัญ แนะนำให้ใช้บริการแปลภาษามนุษย์ที่มีความเชี่ยวชาญ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้