คลิกที่ภาพด้านบนเพื่อดูวิดีโอของบทเรียนนี้
จากบทเรียนก่อนหน้า เราได้เห็นว่า Generative AI กำลังเปลี่ยนแปลงภูมิทัศน์ทางเทคโนโลยีอย่างไร, LLMs ทำงานอย่างไร และธุรกิจอย่างสตาร์ทอัพของเราจะนำไปใช้กับกรณีใช้งานและเติบโตได้อย่างไร! ในบทนี้ เราจะเปรียบเทียบและวิเคราะห์ข้อดีข้อเสียของโมเดลภาษาใหญ่ (LLMs) ประเภทต่างๆ
ขั้นตอนถัดไปในเส้นทางของสตาร์ทอัพของเราคือการสำรวจภูมิทัศน์ปัจจุบันของ LLMs และทำความเข้าใจว่าโมเดลใดเหมาะสมกับกรณีใช้งานของเรา
บทเรียนนี้จะครอบคลุม:
- ประเภทต่างๆ ของ LLMs ในภูมิทัศน์ปัจจุบัน
- การทดสอบ, การปรับปรุง และการเปรียบเทียบโมเดลต่างๆ สำหรับกรณีใช้งานของคุณใน Azure
- วิธีการนำ LLM ไปใช้งาน
หลังจากเรียนบทนี้จบ คุณจะสามารถ:
- เลือกโมเดลที่เหมาะสมกับกรณีใช้งานของคุณ
- เข้าใจวิธีการทดสอบ, ปรับปรุง และเพิ่มประสิทธิภาพของโมเดล
- รู้วิธีที่ธุรกิจนำโมเดลไปใช้งาน
LLMs สามารถแบ่งประเภทได้หลายแบบตามสถาปัตยกรรม, ข้อมูลที่ใช้ฝึก และกรณีใช้งาน การเข้าใจความแตกต่างเหล่านี้จะช่วยให้สตาร์ทอัพของเราเลือกโมเดลที่เหมาะสมกับสถานการณ์ และเข้าใจวิธีทดสอบ, ปรับปรุง และเพิ่มประสิทธิภาพ
มีโมเดล LLMs หลายประเภท การเลือกโมเดลขึ้นอยู่กับวัตถุประสงค์การใช้งาน, ข้อมูลของคุณ, งบประมาณ และปัจจัยอื่นๆ
ขึ้นอยู่กับว่าคุณต้องการใช้โมเดลสำหรับข้อความ, เสียง, วิดีโอ, การสร้างภาพ หรืออื่นๆ คุณอาจเลือกโมเดลที่แตกต่างกัน
-
การรู้จำเสียงและคำพูด สำหรับวัตถุประสงค์นี้ โมเดลประเภท Whisper เป็นตัวเลือกที่ดีเพราะเป็นโมเดลทั่วไปที่เน้นการรู้จำคำพูด ฝึกด้วยข้อมูลเสียงหลากหลายและสามารถรู้จำคำพูดหลายภาษาได้ เรียนรู้เพิ่มเติมเกี่ยวกับ โมเดลประเภท Whisper ที่นี่
-
การสร้างภาพ สำหรับการสร้างภาพ DALL-E และ Midjourney เป็นตัวเลือกที่รู้จักกันดี DALL-E ให้บริการโดย Azure OpenAI อ่านเพิ่มเติมเกี่ยวกับ DALL-E ที่นี่ และในบทที่ 9 ของหลักสูตรนี้
-
การสร้างข้อความ โมเดลส่วนใหญ่ถูกฝึกเพื่อสร้างข้อความ และคุณมีตัวเลือกมากมายตั้งแต่ GPT-3.5 ถึง GPT-4 ซึ่งมีค่าใช้จ่ายต่างกัน โดย GPT-4 เป็นรุ่นที่แพงที่สุด ควรลองใช้ Azure OpenAI playground เพื่อประเมินว่าโมเดลใดเหมาะกับความต้องการของคุณทั้งในด้านความสามารถและค่าใช้จ่าย
-
มัลติ-โมดัล หากคุณต้องการจัดการข้อมูลหลายประเภททั้งอินพุตและเอาต์พุต คุณอาจสนใจโมเดลอย่าง gpt-4 turbo with vision หรือ gpt-4o ซึ่งเป็นโมเดลล่าสุดของ OpenAI ที่สามารถผสมผสานการประมวลผลภาษาธรรมชาติกับการเข้าใจภาพ ช่วยให้โต้ตอบผ่านอินเทอร์เฟซมัลติ-โมดัลได้
การเลือกโมเดลหมายถึงคุณจะได้ความสามารถพื้นฐานบางอย่าง ซึ่งอาจยังไม่เพียงพอเสมอไป บ่อยครั้งคุณมีข้อมูลเฉพาะของบริษัทที่ต้องการบอกกับ LLM มีหลายวิธีในการจัดการเรื่องนี้ ซึ่งจะกล่าวถึงในส่วนถัดไป
คำว่า Foundation Model ถูก ตั้งขึ้นโดยนักวิจัยจาก Stanford และนิยามว่าเป็นโมเดล AI ที่มีคุณสมบัติดังนี้:
- ฝึกด้วยการเรียนรู้แบบไม่มีผู้สอนหรือการเรียนรู้ด้วยตนเอง หมายความว่าโมเดลถูกฝึกด้วยข้อมูลมัลติ-โมดัลที่ไม่มีป้ายกำกับ และไม่ต้องการการติดป้ายหรือการระบุข้อมูลโดยมนุษย์ในกระบวนการฝึก
- เป็นโมเดลขนาดใหญ่ โดยใช้โครงข่ายประสาทเทียมลึกที่มีพารามิเตอร์นับพันล้านตัว
- โดยปกติใช้เป็น ‘ฐาน’ สำหรับโมเดลอื่นๆ หมายความว่าสามารถใช้เป็นจุดเริ่มต้นสำหรับการสร้างโมเดลอื่นๆ โดยการปรับแต่งเพิ่มเติม
ที่มาของภาพ: Essential Guide to Foundation Models and Large Language Models | โดย Babar M Bhatti | Medium
เพื่อให้เข้าใจความแตกต่างนี้ชัดเจนขึ้น ลองดูตัวอย่าง ChatGPT ในการสร้างเวอร์ชันแรกของ ChatGPT โมเดลที่ชื่อ GPT-3.5 ถูกใช้เป็น Foundation Model ซึ่งหมายความว่า OpenAI ใช้ข้อมูลเฉพาะสำหรับแชทเพื่อสร้างเวอร์ชันที่ปรับแต่งของ GPT-3.5 ที่เชี่ยวชาญในการทำงานในสถานการณ์สนทนา เช่น แชทบอท
ที่มาของภาพ: 2108.07258.pdf (arxiv.org)
อีกวิธีหนึ่งในการแบ่งประเภท LLMs คือแบ่งตามว่าเป็นโอเพนซอร์สหรือโมเดลลิขสิทธิ์
โมเดลโอเพนซอร์สคือโมเดลที่เปิดให้สาธารณชนใช้งานได้และใครก็ใช้ได้ มักถูกเผยแพร่โดยบริษัทผู้สร้างหรือชุมชนนักวิจัย โมเดลเหล่านี้สามารถตรวจสอบ, ปรับแต่ง และใช้งานในกรณีต่างๆ ได้ แต่ไม่เสมอไปที่จะเหมาะกับการใช้งานในระดับผลิต และอาจมีประสิทธิภาพต่ำกว่าโมเดลลิขสิทธิ์ นอกจากนี้ งบประมาณสำหรับโมเดลโอเพนซอร์สอาจจำกัด และอาจไม่ได้รับการดูแลหรืออัปเดตอย่างต่อเนื่อง ตัวอย่างโมเดลโอเพนซอร์สยอดนิยมได้แก่ Alpaca, Bloom และ LLaMA
โมเดลลิขสิทธิ์คือโมเดลที่เป็นกรรมสิทธิ์ของบริษัทและไม่เปิดให้สาธารณชนใช้งาน มักถูกปรับแต่งให้เหมาะกับการใช้งานในระดับผลิต แต่ไม่อนุญาตให้ตรวจสอบ, ปรับแต่ง หรือใช้งานในกรณีต่างๆ ได้อย่างอิสระ นอกจากนี้ โมเดลเหล่านี้มักไม่ฟรี และอาจต้องสมัครสมาชิกหรือจ่ายเงินเพื่อใช้งาน ผู้ใช้จึงต้องไว้วางใจเจ้าของโมเดลในเรื่องความเป็นส่วนตัวของข้อมูลและการใช้ AI อย่างรับผิดชอบ ตัวอย่างโมเดลลิขสิทธิ์ยอดนิยมได้แก่ OpenAI models, Google Bard และ Claude 2
LLMs ยังสามารถแบ่งตามประเภทของผลลัพธ์ที่สร้างได้
Embedding คือโมเดลที่แปลงข้อความเป็นรูปแบบตัวเลขที่เรียกว่า embedding ซึ่งเป็นตัวแทนเชิงตัวเลขของข้อความอินพุต Embedding ช่วยให้เครื่องเข้าใจความสัมพันธ์ระหว่างคำหรือประโยคได้ง่ายขึ้น และสามารถนำไปใช้เป็นอินพุตให้โมเดลอื่นๆ เช่น โมเดลจัดประเภท หรือโมเดลจัดกลุ่มที่ทำงานได้ดีขึ้นกับข้อมูลเชิงตัวเลข โมเดล embedding มักใช้ในงาน transfer learning ที่สร้างโมเดลสำหรับงานแทนที่มีข้อมูลมาก จากนั้นนำ embedding ที่ได้ไปใช้กับงานอื่น ตัวอย่างเช่น OpenAI embeddings
โมเดลสร้างภาพคือโมเดลที่สร้างภาพ มักใช้สำหรับแก้ไขภาพ, สังเคราะห์ภาพ และแปลงภาพ โมเดลเหล่านี้มักถูกฝึกด้วยชุดข้อมูลภาพขนาดใหญ่ เช่น LAION-5B และสามารถสร้างภาพใหม่หรือแก้ไขภาพที่มีอยู่ด้วยเทคนิค inpainting, super-resolution และ colorization ตัวอย่างเช่น DALL-E-3 และ Stable Diffusion models
โมเดลสร้างข้อความและโค้ดคือโมเดลที่สร้างข้อความหรือโค้ด มักใช้สำหรับสรุปข้อความ, แปลภาษา และตอบคำถาม โมเดลสร้างข้อความมักถูกฝึกด้วยชุดข้อมูลข้อความขนาดใหญ่ เช่น BookCorpus และสามารถสร้างข้อความใหม่หรือตอบคำถามได้ โมเดลสร้างโค้ด เช่น CodeParrot มักถูกฝึกด้วยชุดข้อมูลโค้ดขนาดใหญ่ เช่น GitHub และสามารถสร้างโค้ดใหม่หรือแก้ไขบั๊กในโค้ดที่มีอยู่ได้
เพื่อพูดถึงสถาปัตยกรรมต่างๆ ของ LLMs ลองใช้การเปรียบเทียบนี้
สมมติว่าผู้จัดการของคุณมอบหมายงานให้เขียนแบบทดสอบสำหรับนักเรียน คุณมีเพื่อนร่วมงานสองคน คนหนึ่งดูแลการสร้างเนื้อหา อีกคนดูแลการตรวจทาน
ผู้สร้างเนื้อหาเหมือนกับโมเดล Decoder-only พวกเขาสามารถดูหัวข้อและสิ่งที่คุณเขียนไว้แล้ว จากนั้นเขียนเนื้อหาตามนั้นได้ พวกเขาเก่งในการเขียนเนื้อหาที่น่าสนใจและให้ข้อมูล แต่ไม่เก่งในการเข้าใจหัวข้อและวัตถุประสงค์การเรียนรู้ ตัวอย่างโมเดล Decoder เช่น โมเดลในตระกูล GPT เช่น GPT-3
ผู้ตรวจทานเหมือนกับโมเดล Encoder-only พวกเขาดูเนื้อหาที่เขียนและคำตอบ สังเกตความสัมพันธ์และเข้าใจบริบท แต่ไม่เก่งในการสร้างเนื้อหา ตัวอย่างโมเดล Encoder-only เช่น BERT
ลองนึกภาพว่ามีคนที่สามารถสร้างและตรวจทานแบบทดสอบได้ นี่คือโมเดล Encoder-Decoder ตัวอย่างเช่น BART และ T5
ตอนนี้มาพูดถึงความแตกต่างระหว่างบริการกับโมเดล บริการคือผลิตภัณฑ์ที่ให้โดยผู้ให้บริการคลาวด์ มักเป็นการรวมกันของโมเดล, ข้อมูล และส่วนประกอบอื่นๆ โมเดลคือส่วนประกอบหลักของบริการ มักเป็น Foundation Model เช่น LLM
บริการมักถูกปรับแต่งให้เหมาะกับการใช้งานในระดับผลิต และใช้งานง่ายกว่าผ่านอินเทอร์เฟซกราฟิก อย่างไรก็ตาม บริการไม่ใช่ของฟรีเสมอไป และอาจต้องสมัครสมาชิกหรือจ่ายเงินเพื่อใช้งาน แลกกับการใช้ทรัพยากรและอุปกรณ์ของเจ้าของบริการ ช่วยประหยัดค่าใช้จ่ายและขยายระบบได้ง่าย ตัวอย่างบริการคือ Azure OpenAI Service ที่มีแผนจ่ายตามการใช้งานจริง และยังมีความปลอดภัยระดับองค์กรและกรอบการใช้ AI อย่างรับผิดชอบบนพื้นฐานความสามารถของโมเดล
โมเดลคือโครงข่ายประสาทเทียมที่มีพารามิเตอร์และน้ำหนักต่างๆ อนุญาตให้บริษัทรันโมเดลได้ในเครื่องของตัวเอง แต่ต้องซื้ออุปกรณ์ สร้างโครงสร้างสำหรับขยายระบบ และซื้อไลเซนส์หรือใช้โมเดลโอเพนซอร์ส โมเดลอย่าง LLaMA สามารถใช้งานได้ แต่ต้องใช้พลังประมวลผลในการรันโมเดล
เมื่อทีมของเราได้สำรวจภูมิทัศน์ LLMs ปัจจุบันและเลือกโมเดลที่เหมาะสมกับสถานการณ์แล้ว ขั้นตอนถัดไปคือการทดสอบโมเดลเหล่านั้นกับข้อมูลและภาระงานของเรา นี่เป็นกระบวนการทำซ้ำที่ทำผ่านการทดลองและวัดผล โมเดลส่วนใหญ่ที่เราได้กล่าวถึงในย่อหน้าก่อนหน้า (โมเดล OpenAI, โมเดลโอเพนซอร์สอย่าง Llama2 และ Hugging Face transformers) สามารถหาได้ใน Model Catalog ใน Azure AI Studio
Azure AI Studio คือแพลตฟอร์มคลาวด์ที่ออกแบบมาเพื่อให้นักพัฒนาสามารถสร้างแอปพลิเคชัน AI เชิงสร้างสรรค์และจัดการวงจรการพัฒนาทั้งหมด ตั้งแต่การทดลองจนถึงการประเมินผล โดยรวมบริการ Azure AI ทั้งหมดไว้ในที่เดียวพร้อมอินเทอร์เฟซที่ใช้งานง่าย Model Catalog ใน Azure AI Studio ช่วยให้ผู้ใช้สามารถ:
- ค้นหา Foundation Model ที่สนใจในแคตตาล็อก ไม่ว่าจะเป็นโมเดลที่เป็นกรรมสิทธิ์หรือโอเพนซอร์ส โดยกรองตามงาน ใบอนุญาต หรือชื่อ เพื่อเพิ่มความสะดวกในการค้นหา โมเดลจะถูกจัดกลุ่มเป็นคอลเลกชัน เช่น คอลเลกชัน Azure OpenAI, คอลเลกชัน Hugging Face และอื่นๆ
- ตรวจสอบ model card ซึ่งรวมถึงคำอธิบายรายละเอียดเกี่ยวกับการใช้งานที่ตั้งใจไว้และข้อมูลการฝึกอบรม ตัวอย่างโค้ด และผลการประเมินจากไลบรารีการประเมินภายใน
- เปรียบเทียบเกณฑ์มาตรฐานระหว่างโมเดลและชุดข้อมูลที่มีในอุตสาหกรรมเพื่อประเมินว่าโมเดลใดเหมาะสมกับสถานการณ์ทางธุรกิจ ผ่านแผง Model Benchmarks
- ปรับแต่งโมเดลด้วยข้อมูลฝึกอบรมเฉพาะเพื่อเพิ่มประสิทธิภาพในงานเฉพาะ โดยใช้ความสามารถในการทดลองและติดตามของ Azure AI Studio
- นำโมเดลที่ผ่านการฝึกอบรมล่วงหน้าหรือเวอร์ชันที่ปรับแต่งแล้วไปใช้งานบนระบบเรียลไทม์ระยะไกล - managed compute - หรือ serverless api endpoint - pay-as-you-go - เพื่อให้แอปพลิเคชันสามารถเรียกใช้งานได้
Note
โมเดลทั้งหมดในแคตตาล็อกไม่ได้เปิดให้ปรับแต่งหรือใช้งานแบบ pay-as-you-go ได้ในขณะนี้ โปรดตรวจสอบ model card เพื่อดูรายละเอียดเกี่ยวกับความสามารถและข้อจำกัดของโมเดล
ทีมสตาร์ทอัพของเราได้ทดลองใช้ LLM หลายประเภทและแพลตฟอร์มคลาวด์ (Azure Machine Learning) ที่ช่วยให้เราสามารถเปรียบเทียบโมเดลต่างๆ ประเมินผลบนข้อมูลทดสอบ ปรับปรุงประสิทธิภาพ และนำไปใช้งานบนจุดให้บริการ inference
แต่เมื่อไหร่ควรพิจารณาปรับแต่งโมเดลแทนการใช้โมเดลที่ผ่านการฝึกอบรมล่วงหน้า? มีวิธีอื่นในการปรับปรุงประสิทธิภาพโมเดลในงานเฉพาะหรือไม่?
ธุรกิจสามารถใช้วิธีต่างๆ เพื่อให้ได้ผลลัพธ์ที่ต้องการจาก LLM คุณสามารถเลือกใช้โมเดลประเภทต่างๆ ที่มีระดับการฝึกอบรมแตกต่างกันเมื่อใช้งาน LLM ในการผลิต โดยมีความซับซ้อน ค่าใช้จ่าย และคุณภาพที่แตกต่างกัน นี่คือวิธีการต่างๆ:
-
การออกแบบ prompt พร้อมบริบท แนวคิดคือการให้บริบทเพียงพอเมื่อส่ง prompt เพื่อให้ได้คำตอบที่ต้องการ
-
Retrieval Augmented Generation, RAG ข้อมูลของคุณอาจอยู่ในฐานข้อมูลหรือเว็บเอนด์พอยต์ เพื่อให้ข้อมูลนี้หรือส่วนหนึ่งของข้อมูลถูกรวมอยู่ในเวลาส่ง prompt คุณสามารถดึงข้อมูลที่เกี่ยวข้องมาและทำให้เป็นส่วนหนึ่งของ prompt ของผู้ใช้
-
โมเดลที่ผ่านการปรับแต่ง ในกรณีนี้ คุณได้ฝึกโมเดลเพิ่มเติมด้วยข้อมูลของคุณเอง ทำให้โมเดลมีความแม่นยำและตอบสนองความต้องการได้ดีขึ้น แต่ก็อาจมีค่าใช้จ่ายสูง
ที่มาภาพ: Four Ways that Enterprises Deploy LLMs | Fiddler AI Blog
LLM ที่ผ่านการฝึกอบรมล่วงหน้าทำงานได้ดีมากกับงานภาษาธรรมชาติทั่วไป แม้เพียงแค่ส่ง prompt สั้นๆ เช่น ประโยคที่ต้องการเติมหรือคำถาม – เรียกว่า “zero-shot” learning
อย่างไรก็ตาม ยิ่งผู้ใช้สามารถกำหนดคำถามได้ละเอียดมากขึ้น พร้อมคำขอและตัวอย่าง – หรือที่เรียกว่า บริบท – คำตอบก็จะยิ่งแม่นยำและตรงกับความคาดหวังของผู้ใช้มากขึ้น ในกรณีนี้ เราเรียกว่า “one-shot” learning หาก prompt มีตัวอย่างเพียงหนึ่งตัวอย่าง และ “few-shot learning” หากมีหลายตัวอย่าง การออกแบบ prompt พร้อมบริบทเป็นวิธีที่คุ้มค่าที่สุดในการเริ่มต้น
LLM มีข้อจำกัดที่สามารถใช้ข้อมูลได้เฉพาะที่ใช้ในการฝึกอบรมเท่านั้นในการสร้างคำตอบ ซึ่งหมายความว่าโมเดลไม่ทราบข้อมูลหรือเหตุการณ์ที่เกิดขึ้นหลังจากการฝึกอบรม และไม่สามารถเข้าถึงข้อมูลที่ไม่เปิดเผยสู่สาธารณะ (เช่น ข้อมูลบริษัท) ข้อจำกัดนี้สามารถแก้ไขได้ด้วย RAG ซึ่งเป็นเทคนิคที่เพิ่มข้อมูลภายนอกในรูปแบบของชิ้นส่วนเอกสารเข้าไปใน prompt โดยคำนึงถึงข้อจำกัดความยาวของ prompt เทคนิคนี้ได้รับการสนับสนุนโดยเครื่องมือฐานข้อมูลเวกเตอร์ (เช่น Azure Vector Search) ที่ดึงชิ้นส่วนข้อมูลที่เป็นประโยชน์จากแหล่งข้อมูลที่กำหนดไว้ล่วงหน้าและเพิ่มเข้าไปในบริบทของ prompt
เทคนิคนี้มีประโยชน์มากเมื่อธุรกิจไม่มีข้อมูลเพียงพอ เวลา หรือทรัพยากรในการปรับแต่ง LLM แต่ยังต้องการปรับปรุงประสิทธิภาพในงานเฉพาะและลดความเสี่ยงจากข้อมูลเท็จ เช่น การบิดเบือนความจริงหรือเนื้อหาที่เป็นอันตราย
การปรับแต่ง (fine-tuning) เป็นกระบวนการที่ใช้การเรียนรู้ถ่ายโอน (transfer learning) เพื่อ ‘ปรับ’ โมเดลให้เหมาะกับงานเฉพาะหรือแก้ปัญหาเฉพาะ แตกต่างจาก few-shot learning และ RAG ที่จะได้โมเดลใหม่ที่มีน้ำหนักและไบแอสที่อัปเดต ต้องใช้ชุดตัวอย่างฝึกอบรมที่ประกอบด้วยอินพุตเดียว (prompt) และผลลัพธ์ที่เกี่ยวข้อง (completion) วิธีนี้เหมาะสมหาก:
-
ใช้โมเดลที่ผ่านการปรับแต่ง ธุรกิจต้องการใช้โมเดลที่ผ่านการปรับแต่งที่มีความสามารถน้อยกว่า (เช่น โมเดล embedding) แทนโมเดลประสิทธิภาพสูง เพื่อให้ได้ทางเลือกที่ประหยัดและรวดเร็วกว่า
-
พิจารณาความหน่วงเวลา (latency) ความหน่วงเวลามีความสำคัญสำหรับกรณีใช้งานเฉพาะ จึงไม่สามารถใช้ prompt ที่ยาวมาก หรือจำนวนตัวอย่างที่โมเดลต้องเรียนรู้เกินขีดจำกัดความยาวของ prompt
-
ต้องการข้อมูลที่ทันสมัย ธุรกิจมีข้อมูลคุณภาพสูงและป้ายกำกับความจริง (ground truth) จำนวนมาก รวมถึงทรัพยากรที่จำเป็นในการดูแลข้อมูลให้ทันสมัยอยู่เสมอ
การฝึก LLM ตั้งแต่ต้นเป็นวิธีที่ยากและซับซ้อนที่สุด ต้องใช้ข้อมูลจำนวนมหาศาล ทรัพยากรที่มีทักษะ และกำลังประมวลผลที่เหมาะสม ตัวเลือกนี้ควรพิจารณาเฉพาะในกรณีที่ธุรกิจมีกรณีใช้งานเฉพาะด้านและข้อมูลเฉพาะด้านจำนวนมาก
วิธีใดเป็นวิธีที่ดีในการปรับปรุงผลลัพธ์ของ LLM completion?
- การออกแบบ prompt พร้อมบริบท
- RAG
- โมเดลที่ผ่านการปรับแต่ง
ตอบ: 3 หากคุณมีเวลา ทรัพยากร และข้อมูลคุณภาพสูง การปรับแต่งเป็นตัวเลือกที่ดีกว่าเพื่อให้ข้อมูลทันสมัย อย่างไรก็ตาม หากต้องการปรับปรุงและมีเวลาจำกัด ควรพิจารณาใช้ RAG ก่อน
ศึกษาข้อมูลเพิ่มเติมเกี่ยวกับวิธีการ ใช้ RAG สำหรับธุรกิจของคุณ
หลังจากเรียนบทนี้เสร็จแล้ว ลองดู คอลเลกชันการเรียนรู้ Generative AI เพื่อพัฒนาความรู้ด้าน Generative AI ของคุณต่อไป!
ไปที่บทเรียนที่ 3 ซึ่งเราจะเรียนรู้วิธี สร้างด้วย Generative AI อย่างรับผิดชอบ!
ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษาอัตโนมัติ Co-op Translator แม้เราจะพยายามให้ความถูกต้องสูงสุด แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลโดยผู้เชี่ยวชาญมนุษย์ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดใด ๆ ที่เกิดจากการใช้การแปลนี้