(คลิกที่ภาพด้านบนเพื่อดูวิดีโอของบทเรียนนี้)
Generative AI คือปัญญาประดิษฐ์ที่สามารถสร้างข้อความ รูปภาพ และเนื้อหาประเภทอื่น ๆ ได้ สิ่งที่ทำให้เทคโนโลยีนี้น่าทึ่งคือมันทำให้ AI เป็นเรื่องที่ทุกคนเข้าถึงได้ง่าย เพียงแค่ใช้ข้อความสั้น ๆ หรือประโยคที่เขียนด้วยภาษาธรรมชาติ คุณไม่จำเป็นต้องเรียนรู้ภาษาโปรแกรมอย่าง Java หรือ SQL เพื่อทำสิ่งที่มีประโยชน์ สิ่งที่คุณต้องทำคือใช้ภาษาของคุณเอง บอกสิ่งที่ต้องการ แล้ว AI จะเสนอคำแนะนำออกมา แอปพลิเคชันและผลกระทบของเทคโนโลยีนี้มีมากมาย คุณสามารถเขียนหรือเข้าใจรายงาน เขียนแอปพลิเคชัน และอื่น ๆ ได้ในเวลาไม่กี่วินาที
ในหลักสูตรนี้ เราจะสำรวจว่า startup ของเราใช้ Generative AI อย่างไรเพื่อเปิดโอกาสใหม่ ๆ ในโลกการศึกษา และเราจะจัดการกับความท้าทายที่หลีกเลี่ยงไม่ได้ที่เกี่ยวข้องกับผลกระทบทางสังคมและข้อจำกัดของเทคโนโลยีนี้อย่างไร
บทเรียนนี้จะครอบคลุม:
- แนะนำสถานการณ์ทางธุรกิจ: ไอเดียและพันธกิจของ startup ของเรา
- Generative AI และวิวัฒนาการของเทคโนโลยีในปัจจุบัน
- การทำงานภายในของ Large Language Model
- ความสามารถหลักและกรณีการใช้งานจริงของ Large Language Models
หลังจากเรียนจบบทเรียนนี้ คุณจะเข้าใจ:
- Generative AI คืออะไร และ Large Language Models ทำงานอย่างไร
- วิธีใช้ Large Language Models ในกรณีการใช้งานต่าง ๆ โดยเน้นที่สถานการณ์ทางการศึกษา
Generative Artificial Intelligence (AI) คือสุดยอดของเทคโนโลยี AI ที่ผลักดันขอบเขตของสิ่งที่เคยคิดว่าเป็นไปไม่ได้ โมเดล Generative AI มีความสามารถและการใช้งานหลากหลาย แต่ในหลักสูตรนี้เราจะสำรวจว่ามันเปลี่ยนแปลงวงการศึกษาอย่างไรผ่าน startup สมมติที่เราจะเรียกว่า startup ของเรา Startup ของเราทำงานในด้านการศึกษาพร้อมพันธกิจที่ทะเยอทะยานว่า
พัฒนาการเข้าถึงการเรียนรู้ในระดับโลก เพื่อให้ทุกคนได้รับการศึกษาอย่างเท่าเทียม และมอบประสบการณ์การเรียนรู้ที่ปรับให้เหมาะกับผู้เรียนแต่ละคนตามความต้องการ
ทีมงาน startup ของเราตระหนักดีว่าเราจะไม่สามารถบรรลุเป้าหมายนี้ได้หากไม่ใช้เครื่องมือที่ทรงพลังที่สุดในยุคนี้ – Large Language Models (LLMs)
Generative AI คาดว่าจะปฏิวัติวิธีการเรียนรู้และการสอนในปัจจุบัน โดยนักเรียนจะมีครูเสมือนที่พร้อมให้บริการตลอด 24 ชั่วโมง ให้ข้อมูลและตัวอย่างจำนวนมาก และครูสามารถใช้เครื่องมือใหม่ ๆ ในการประเมินนักเรียนและให้คำแนะนำได้
เริ่มต้นกันด้วยการกำหนดแนวคิดและคำศัพท์พื้นฐานที่เราจะใช้ตลอดหลักสูตรนี้
แม้จะมีการพูดถึงอย่างมากในช่วงหลังจากการเปิดตัวโมเดล Generative AI เทคโนโลยีนี้ถูกพัฒนามานานหลายสิบปี โดยงานวิจัยแรกเริ่มย้อนกลับไปในยุค 60 ตอนนี้ AI มีความสามารถทางปัญญาเหมือนมนุษย์ เช่น การสนทนา ตัวอย่างเช่น OpenAI ChatGPT หรือ Bing Chat ซึ่งใช้โมเดล GPT สำหรับการค้นหาบนเว็บ Bing
ย้อนกลับไปในอดีต ต้นแบบแรกของ AI คือ chatbot ที่พิมพ์ข้อความตอบโต้ โดยอาศัยฐานความรู้ที่ได้จากกลุ่มผู้เชี่ยวชาญและถูกเก็บไว้ในคอมพิวเตอร์ คำตอบในฐานความรู้จะถูกเรียกใช้โดยคำสำคัญที่ปรากฏในข้อความที่ป้อนเข้าไป แต่ไม่นานก็พบว่าวิธีนี้ไม่สามารถขยายผลได้ดี
จุดเปลี่ยนเกิดขึ้นในยุค 90 เมื่อมีการนำวิธีการทางสถิติมาใช้วิเคราะห์ข้อความ ส่งผลให้เกิดอัลกอริทึมใหม่ ๆ ที่เรียกว่า machine learning ซึ่งสามารถเรียนรู้รูปแบบจากข้อมูลโดยไม่ต้องถูกโปรแกรมอย่างชัดเจน วิธีนี้ช่วยให้เครื่องจักรจำลองความเข้าใจภาษามนุษย์ได้: โมเดลสถิติถูกฝึกด้วยข้อความที่จับคู่กับป้ายกำกับ ทำให้โมเดลสามารถจัดประเภทข้อความที่ไม่รู้จักด้วยป้ายกำกับที่แสดงเจตนาของข้อความนั้น
ในช่วงไม่กี่ปีที่ผ่านมา การพัฒนาฮาร์ดแวร์ที่สามารถจัดการข้อมูลจำนวนมากและการคำนวณที่ซับซ้อนมากขึ้น ส่งเสริมงานวิจัย AI จนเกิดอัลกอริทึม machine learning ขั้นสูงที่เรียกว่า neural networks หรือ deep learning
Neural networks (โดยเฉพาะ Recurrent Neural Networks – RNNs) ช่วยพัฒนาการประมวลผลภาษาธรรมชาติอย่างมาก ทำให้สามารถแสดงความหมายของข้อความได้อย่างลึกซึ้งขึ้น โดยคำนึงถึงบริบทของคำในประโยค
นี่คือเทคโนโลยีที่ขับเคลื่อนผู้ช่วยเสมือนที่เกิดขึ้นในทศวรรษแรกของศตวรรษใหม่ ซึ่งมีความสามารถในการตีความภาษามนุษย์ ระบุความต้องการ และดำเนินการตอบสนอง เช่น ตอบด้วยสคริปต์ที่กำหนดไว้ล่วงหน้าหรือเรียกใช้บริการจากภายนอก
นี่คือที่มาของ Generative AI ในปัจจุบัน ซึ่งถือเป็นส่วนหนึ่งของ deep learning
หลังจากงานวิจัยในวงการ AI มาหลายสิบปี สถาปัตยกรรมโมเดลใหม่ที่เรียกว่า Transformer ได้ก้าวข้ามข้อจำกัดของ RNNs โดยสามารถรับข้อความที่ยาวขึ้นเป็นอินพุต Transformers ใช้กลไก attention ซึ่งช่วยให้โมเดลให้ความสำคัญกับข้อมูลที่เกี่ยวข้องมากที่สุดโดยไม่ขึ้นกับลำดับของข้อความ
โมเดล Generative AI ส่วนใหญ่ในปัจจุบัน หรือที่เรียกว่า Large Language Models (LLMs) ซึ่งทำงานกับข้อความทั้งอินพุตและเอาต์พุต ล้วนใช้สถาปัตยกรรมนี้ โมเดลเหล่านี้ถูกฝึกด้วยข้อมูลจำนวนมหาศาลที่ไม่มีป้ายกำกับจากแหล่งต่าง ๆ เช่น หนังสือ บทความ และเว็บไซต์ สิ่งที่น่าสนใจคือโมเดลเหล่านี้สามารถปรับใช้กับงานหลากหลายและสร้างข้อความที่ถูกต้องตามหลักไวยากรณ์พร้อมความคิดสร้างสรรค์ในระดับหนึ่ง ไม่เพียงแต่เพิ่มความสามารถของเครื่องจักรในการ ‘เข้าใจ’ ข้อความอินพุต แต่ยังช่วยให้สามารถสร้างคำตอบต้นฉบับในภาษามนุษย์ได้
ในบทถัดไปเราจะสำรวจโมเดล Generative AI ประเภทต่าง ๆ แต่ตอนนี้มาดูการทำงานของ Large Language Models โดยเน้นที่ OpenAI GPT (Generative Pre-trained Transformer)
- Tokenizer, แปลงข้อความเป็นตัวเลข: Large Language Models รับข้อความเป็นอินพุตและสร้างข้อความเป็นเอาต์พุต แต่เนื่องจากเป็นโมเดลสถิติ จึงทำงานได้ดีกับตัวเลขมากกว่าข้อความ ดังนั้นทุกอินพุตจะถูกประมวลผลโดย tokenizer ก่อนส่งให้โมเดลหลัก Token คือชิ้นส่วนของข้อความที่ประกอบด้วยตัวอักษรจำนวนหนึ่ง หน้าที่หลักของ tokenizer คือแยกข้อความอินพุตออกเป็นชุดของ tokens จากนั้นแต่ละ token จะถูกแมปกับ token index ซึ่งเป็นการเข้ารหัสเป็นจำนวนเต็มของข้อความต้นฉบับ
-
การทำนาย token เอาต์พุต: เมื่อได้รับ n tokens เป็นอินพุต (โดย n สูงสุดจะแตกต่างกันไปในแต่ละโมเดล) โมเดลจะทำนาย token ตัวถัดไปเป็นเอาต์พุต token นี้จะถูกเพิ่มเข้าไปในอินพุตของรอบถัดไปในรูปแบบหน้าต่างที่ขยายออก ช่วยให้ผู้ใช้ได้รับคำตอบเป็นประโยคหนึ่งหรือหลายประโยค นี่คือเหตุผลที่ถ้าคุณเคยใช้ ChatGPT อาจสังเกตเห็นว่าบางครั้งมันหยุดกลางประโยค
-
กระบวนการเลือก token, การแจกแจงความน่าจะเป็น: token เอาต์พุตถูกเลือกโดยโมเดลตามความน่าจะเป็นที่จะเกิดขึ้นหลังข้อความปัจจุบัน โมเดลจะทำนายการแจกแจงความน่าจะเป็นของ ‘token ถัดไป’ ทั้งหมดตามการฝึกฝน อย่างไรก็ตาม token ที่มีความน่าจะเป็นสูงสุดไม่ได้ถูกเลือกเสมอไป จะมีการเพิ่มความสุ่มในกระบวนการเลือกนี้ เพื่อให้โมเดลทำงานในลักษณะที่ไม่ตายตัว — เราจะไม่ได้ผลลัพธ์เหมือนกันทุกครั้งสำหรับอินพุตเดียวกัน ความสุ่มนี้ช่วยจำลองกระบวนการคิดสร้างสรรค์ และสามารถปรับได้ด้วยพารามิเตอร์ที่เรียกว่า temperature
เมื่อเราเข้าใจการทำงานภายในของ Large Language Model แล้ว มาดูตัวอย่างการใช้งานจริงที่พบบ่อย โดยเน้นที่สถานการณ์ทางธุรกิจของเรา
ความสามารถหลักของ Large Language Model คือ การสร้างข้อความใหม่ตั้งแต่ต้น โดยเริ่มจากข้อความอินพุตที่เขียนด้วยภาษาธรรมชาติ
แต่ข้อความอินพุตและเอาต์พุตแบบไหนล่ะ? อินพุตของโมเดลใหญ่เรียกว่า prompt ส่วนเอาต์พุตเรียกว่า completion ซึ่งหมายถึงกลไกของโมเดลในการสร้าง token ถัดไปเพื่อเติมข้อความอินพุตปัจจุบัน เราจะเจาะลึกว่า prompt คืออะไรและออกแบบอย่างไรเพื่อให้ได้ประโยชน์สูงสุดจากโมเดล แต่ตอนนี้ขอแค่บอกว่า prompt อาจประกอบด้วย:
-
คำสั่ง ที่ระบุประเภทของเอาต์พุตที่เราคาดหวัง คำสั่งนี้บางครั้งอาจมีตัวอย่างหรือข้อมูลเพิ่มเติมแฝงอยู่
- สรุปบทความ หนังสือ รีวิวสินค้า และอื่น ๆ พร้อมทั้งสกัดข้อมูลเชิงลึกจากข้อมูลที่ไม่มีโครงสร้าง
-
การสร้างสรรค์ไอเดียและออกแบบบทความ เรียงความ งานมอบหมาย หรืออื่น ๆ
-
คำถาม ที่ถามในรูปแบบการสนทนากับตัวแทน
-
ข้อความบางส่วนที่ต้องการให้เติมต่อ ซึ่งโดยนัยคือการขอความช่วยเหลือในการเขียน
-
โค้ดบางส่วนพร้อมคำขอให้ช่วยอธิบายและจัดทำเอกสาร หรือคอมเมนต์ที่ขอให้สร้างโค้ดเพื่อทำงานเฉพาะ
ตัวอย่างข้างต้นเป็นเพียงตัวอย่างง่าย ๆ และไม่ได้แสดงศักยภาพทั้งหมดของ Large Language Models แต่มีจุดประสงค์เพื่อแสดงศักยภาพของ Generative AI โดยเฉพาะในบริบททางการศึกษา
อย่างไรก็ตาม ผลลัพธ์จากโมเดล Generative AI ไม่สมบูรณ์แบบ และบางครั้งความคิดสร้างสรรค์ของโมเดลอาจทำให้ผลลัพธ์ออกมาเป็นคำที่มนุษย์อาจตีความว่าเป็นการบิดเบือนความจริง หรืออาจมีเนื้อหาที่ไม่เหมาะสม Generative AI ไม่ใช่ปัญญาที่แท้จริง — อย่างน้อยในความหมายที่ครอบคลุมของปัญญา ซึ่งรวมถึงการคิดวิเคราะห์และสร้างสรรค์ หรือปัญญาทางอารมณ์ มันไม่ใช่ระบบที่ตายตัว และไม่ควรเชื่อถือได้เสมอไป เพราะอาจมีการสร้างข้อมูลเท็จ เช่น การอ้างอิงผิดพลาด เนื้อหา และคำกล่าวที่ผสมผสานกับข้อมูลที่ถูกต้องและนำเสนออย่างน่าเชื่อถือ ในบทเรียนถัดไป เราจะพูดถึงข้อจำกัดเหล่านี้และวิธีจัดการกับมัน
การบ้านของคุณคืออ่านเพิ่มเติมเกี่ยวกับ generative AI และลองหาว่ามีพื้นที่ใดบ้างที่คุณอยากเพิ่ม generative AI เข้าไปในวันนี้ซึ่งยังไม่มีผลกระทบอย่างชัดเจน ผลกระทบจะต่างจากวิธีเดิมอย่างไร คุณจะทำอะไรได้ที่ไม่เคยทำได้มาก่อน หรือทำได้เร็วขึ้น? เขียนสรุป 300 คำเกี่ยวกับ startup AI ในฝันของคุณ โดยใส่หัวข้อเช่น "ปัญหา", "วิธีใช้ AI", "ผลกระทบ" และถ้าต้องการสามารถเพิ่มแผนธุรกิจได้
ถ้าคุณทำงานนี้เสร็จแล้ว คุณอาจพร้อมสมัครเข้าร่วมโครงการบ่มเพาะของ Microsoft, Microsoft for Startups Founders Hub ซึ่งเรามีเครดิตสำหรับ Azure, OpenAI, การให้คำปรึกษา และอื่น ๆ อีกมากมาย ลองดูได้เลย!
อะไรคือความจริงเกี่ยวกับ Large Language Models?
- คุณจะได้คำตอบเหมือนเดิมทุกครั้ง
- มันทำงานได้สมบูรณ์แบบ เช่น คำนวณเลขได้ดี สร้างโค้ดที่ใช้งานได้ ฯลฯ
- คำตอบอาจเปลี่ยนแปลงได้แม้ใช้ prompt เดิม มันยังช่วยให้คุณได้ร่างแรกของข้อความหรือโค้ด แต่คุณต้องปรับปรุงผลลัพธ์ต่อไป
คำตอบ: 3, LLM เป็นระบบที่ไม่ตายตัว คำตอบจึงเปลี่ยนแปลงได้ แต่คุณสามารถควบคุมความแปรปรวนนี้ด้วยการตั้งค่า temperature คุณไม่ควรคาดหวังว่ามันจะทำงานได้สมบูรณ์แบบ มันถูกออกแบบมาเพื่อช่วยทำงานหนักให้คุณ ซึ่งมักหมายถึงคุณจะได้ร่างแรกที่ดีที่ต้องปรับปรุงต่อไป
หลังจากเรียนจบบทเรียนนี้แล้ว ลองดู คอลเลกชันการเรียนรู้ Generative AI ของเราเพื่อพัฒนาความรู้ด้าน Generative AI ต่อไป! ไปที่บทเรียนที่ 2 ซึ่งเราจะมาดูวิธี สำรวจและเปรียบเทียบประเภท LLM ต่างๆ!
ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษาอัตโนมัติ Co-op Translator แม้เราจะพยายามให้ความถูกต้องสูงสุด แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลโดยผู้เชี่ยวชาญมนุษย์ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดใด ๆ ที่เกิดจากการใช้การแปลนี้