20 คำศัพท์จำเป็นการพัฒนา AI พร้อมความหมาย

ในโลกยุคเทคโนโลยีที่มีการพัฒนามาอย่างต่อเนื่อง หนึ่งในนั้นคือเทคโนโลยี Artificial Intelligence (AI) หรือในภาษาไทยคือปัญญาประดิษฐ์ ได้เข้ามาเป็นส่วนหนึ่งที่สามารถช่วยในการใช้งานในชีวิตประจำวันได้ ซึ่งทำให้มีคำศัพท์มากมายที่กำเนิดพร้อมกับเทคโนโลยีนี้ หากคุณต้องการเรียนรู้เกี่ยวกับเทคโนโลยี เราจะแนะนำคำศัพท์เบื้องต้นที่ควรรู้ 20 คำเบื้องต้นที่ควรรู้

1.Artificial Intelligence (AI) : ปัญญาประดิษฐ์

คือการจำลองกระบวนการคิดของมนุษย์ด้วยระบบคอมพิวเตอร์ โดยได้รับการออกแบบมาเพื่ออบรมให้เกิดความเข้าใจระบบการทำงานต่าง ๆ เช่นการประมวลผลข้อมูล การแปลภาษา การสร้างงานศิลปะ และการสร้างสรรค์งานเรียนเป็นต้น ตัวอย่างเช่น AI ที่ฝึกอบรมมาเพื่อเป็นผู้ช่วยอย่าง Siri, Alexa เป็นต้น ซึ่งยังมี AI ที่ออกแบบมาเพื่อใช้งานในการทำงานอย่างอื่นอีกมากมาย

2.Machine Learning (ML) : การเรียนรู้ของเครื่อง

คือรูปแบบจำลองย่อยของ AI ที่ใช้การพัฒนาอัลกอริทึมและแบบจำลองทางสถิติที่ช่วยในการเรียนรู้จากข้อมูลและปรับปรุงประสิทธิภาพการทำงานเฉพาะทาง โดยไม่ต้องตั้งโปรแกรมไว้ เช่นตัวกรองสแปมภายในอีเมล ระบบการเรียนรู้และจดจำเสียง แชทบอท ระบบแนะนำการเทรด และระบบการเทรดแบบอัตโนมัติ

3.Deep Learning : การเรียนรู้เชิงลึก

คือรูปแบบจำลองย่อยของ AI คือโครงสร้างระบบประสาทเทียมที่มีการใช้งานการเรียนรู้แบบหลายชั้น เพื่อเรียนแบบการทำงานของระบบสมองมนุษย์ เช่นระบบการจดจำใบหน้า ระบบการจดจำคำพูดและใบหน้า เป็นต้น

4.Neural Network : โครงข่ายประสาทเทียม

โดยได้รับแรงบันดาลใจจากโครงสร้างของระบบประสาทของมนุษย์ โดยจะประกอบไปด้วยโหนดจำนวนมากที่เชื่อมต่อกันเพื่อการประมวลผลและส่งต่อข้อมูลทำให้ระบบเกิดการเรียนรู้และคาดการณ์ได้ เช่นซอฟต์แวร์การจดจำลายมือ

5.Natural Language Processing (NLP) : ระบบการประมวลผลภาษาธรรมชาติ

เป็นอีกหนึ่งในรูปแบบจำลองย่อยของ AI ที่มีการเกี่ยวข้องกับการปฏิสัมพันธ์ระหว่างคอมพิวเตอร์และภาษาของมนุษย์ในงานต่าง ๆ ไม่ว่าจะเป็นการวิเคราะห์ข้อความ เรียนรู้คำพูด และแปลภาษา ตัวอย่างเช่น Siri และ Alexa นั้นเอง

6.Computer Vision : คอมพิวเตอร์วิทัศน์

รูปแบบจำลองย่อยของ AI ที่ใช้ในการจำลองการมองเห็นของมนุษย์ที่จำลองการเข้าใจภาพและวิดีโอของมนุษย์ ให้เป็นเหมือนการมองเห็นของมนุษย์ เช่นระบบการขับเคลื่อนของรถยนต์ไร้คนขับ

7.Reinforcement Learning : การเรียนรู้แบบกำลังเสริม

คือหน่วยย่อยของ Machine Learning (ML) ประเภทหนึ่งที่เป็นตัวแทนการดำเนินการในสภาพแวดล้อมและรับรางวัลหรือบทลงโทษตามผลลัพธ์ของการกระทำ เช่นการสร้างหุ่นยนต์ให้ข้ามสิ่งกีดขวางและทำงานให้สำเร็จโดยใช้อัลกอริทึม

8.Unsupervised Learning : การเรียนรู้แบบไม่มีผู้ดูแล

คือหน่วยย่อยของ Machine Learning (ML) ประเภทหนึ่ง ที่มีความสามารถในการให้อัลกอริทึมจดจำและเรียนรู้ข้อมูลแบบไม่มีป้ายกำกับ โดยไม่ได้ให้ความรู้และคำแนะนำแก่อัลกอริทึมมาก่อน ตัวอย่างเช่นการให้อัลกอริทึมแบ่งส่วนลูกค้าในตลาดโดยใช้การเรียนรู้แบบไม่มีผู้ดูแลเพื่อจัดกลุ่มตามพฤติกรรมและความชอบของลูกค้า

9. Supervised Learning : การเรียนรู้แบบมีผู้สอน

อีกหนึ่งหน่วยย่อยของ Machine Learning (ML) ที่เป็นการฝึกอัลกอริทึมของเครื่องด้วยข้อมูลที่มีป้ายกำกับ โดยที่ข้อมูลนั้นจะมีการอินพุตที่เข้ากับเอาท์พุตที่ต้องการนั้นเอง เช่นการกรองสแปมตามข้อมูลอีเมลที่มีป้ายกำกับว่าสแปม

10.Generative Adversarial Networks (GANs) : เครือข่ายปฏิปักษ์ทั่วไป

เป็นโครงสร้างการเรียนรู้เชิงลึกอย่างหนึ่งที่มีการนำโครงข่ายแบบประสาทมาแข่งขันกัน โดยเครือข่ายหนึ่งจะสร้างข้อมูลสังเคราะห์ และอีกเครือข่ายพยายามสร้างความแตกต่างระหว่างข้อมูลจริงและข้อมูลที่สร้างขึ้น ตัวอย่าง GAN ใช้เพื่อสร้างรูปภาพ วิดีโอ และข้อมูลประเภทอื่นๆ ที่สมจริงสำหรับแอปพลิเคชันต่างๆ

11.Transfer Learning : ถ่ายทอดการเรียนรู้

คือเทคนิคในการเรียนรู้ของเครื่องที่เกี่ยวข้องกับการนำโมเดลที่ได้รับการฝึกมาก่อนกลับมาใช้ใหม่กับงานใหม่ที่มีข้อมูลที่จำกัด แทนที่จะฝึกโมเดลใหม่ตั้งแต่เริ่มต้น

12. Convolutional Neural Networks (CNNs) : โครงข่ายประสาทเทียมแบบหมุนวน

คือโครงสร้างประสาทเทียมเชิงลึกประเภทหนึ่งที่เหมาะกับการประมวลผลและวิเคราะห์ข้อมูลที่มีลักษณะคล้ายตาราง ตัวอย่างที่เห็นได้ชัดคือ CNN ถูกนำมาใช้กันอย่างแพร่หลายในแอปพลิเคชันการจดจำรูปภาพ ซึ่งรวมถึงการจดจำใบหน้า การตรวจจับวัตถุ และระบบรถยนต์ที่ขับเคลื่อนด้วยตนเอง

13.Recurrent Neural Networks (RNNs) : โครงข่ายประสาทเทียมแบบเกิดซ้ำ

เป็นโครงข่ายประสาทเทียมที่ออกแบบเพื่อประมวลผลข้อมูลตามลำดับ เช่นข้อมูลข้อความ คำพูด และเวลา โดยคงสถานะภายในที่รวบรวมข้อมูลจากอินพุตก่อนหน้า ตัวอย่างคือการนำมาใช้งานในการประมวลผลภาษา เช่น การแปลภาษา การสรุปข้อความ และการวิเคราะห์ความรู้สึก

14.Long Short-Term Memory (LSTM) : หน่วยความทรงจำระยะยาว

คือโครงสร้างโครงข่ายประสาทเทียมอย่างหนึ่งที่ใช้กลไกความสนใจเพื่อชั่งน้ำหนักความสำคัญของส่วนต่าง ๆ ของอินพุตข้อมูล ทำให้มีประสิทธิภาพสูง เช่นการแปลด้วยเครื่องและทำความเข้าใจภาษา

15.Transformer : ทรานส์ฟอร์เมอร์

คือโครงสร้างโครงข่ายประสาทเทียมประเภทหนึ่งที่ใช้กลไกความสนใจเพื่อชั่งน้ำหนักความสำคัญของส่วนต่างๆ ของข้อมูลอินพุต ทำให้มีประสิทธิภาพสูงสำหรับงานต่างๆ เช่น การแปลด้วยเครื่องและการทำความเข้าใจภาษา

16.Generative Pre-trained Transformer (GPT) : ทรานส์ฟอร์เมอร์ที่ได้รับการฝึกอบรมล่วงหน้า

กลุ่มโมเดลภายใน Transformer ซึ่งได้รับการฝึกอบรมเกี่ยวกับข้อมูลจำนวนมหาศาลโดยการใช้เทคนิคการเรียนรู้แบบมีผู้ดูแล ตัวอย่างที่เห็นได้ชัดคือ GPT-3 ซึ่งพัฒนาโดย OpenAI เป็นโมเดลภาษาที่ทรงพลังที่สามารถสร้างข้อความที่เหมือนมนุษย์สำหรับแอปพลิเคชันต่างๆ เช่น การสร้างเนื้อหา การตอบคำถาม และการสร้างโค้ด

17.Attention Mechanism : กลไกความสนใจ

คือเทคนิคที่ใช้งานในโครงข่ายประสาทเทียม ที่ใช้ในโครงสร้างแบบ Transformer ที่ช่วยในการให้โมเดลมุ่งเน้นไปที่ส่วนเฉพาะของข้อมูลอินพุตเกี่ยวกับงานปัจจุบันที่สุด ตัวอย่างในการแปลด้วยคอมพิวเตอร์ กลไกความสนใจช่วยให้โมเดลมุ่งเน้นไปที่ส่วนที่เกี่ยวข้องของประโยคต้นฉบับเมื่อสร้างการแปลที่เกี่ยวข้อง

18.Backpropagation : การขยายพันธ์ุกลับ

อัลกอริทึมที่ใช้โครงข่ายประสาทเทียมเพื่อรับน้ำหนักระหว่างโหนดโดยการแพร่กระจายข้อมูลผิดพลาดกลับผ่านเครือข่าย เพื่อให้โมเดลเรียนรู้ข้อผิดพลาด

19.Overfitting : ฟิตติ้งมากเกินไป

เป็นการสร้างสถานการณ์ใน Machine Learning (ML) ที่เป็นโมเดลเรียนรู้การฝึกได้ดีเกินไป รวมไปถึงสัญญารบกวนและรูปแบบที่ไม่เกี่ยวข้อง ส่งผลให้ประสิทธิภาพต่ำในข้อมูลใหม่ที่มองไม่เห็น ตัวอย่างการจดจำรูปภาพ การจัดวางมากเกินไปอาจเกิดขึ้นเมื่อแบบจำลองจดจำรายละเอียดเฉพาะของรูปภาพการฝึก แทนที่จะเรียนรู้คุณสมบัติทั่วไปที่ทำให้เกิดรูปภาพใหม่

20.Regularization : การทำให้เป็นมาตรฐาน

เป็นเทคนิคการที่ใช้กับ Machine Learning (ML) เพื่อป้องกันการติดตั้งมากเกินไปโดยการแนะนำข้อจำกัดหรือบทลงโทษให้กับโมเดลระหว่างฝึก เพื่อกระตุ้นให้โมเดลสรุปข้อมูลใหม่ได้ดีขึ้น

ทั้งนี้คำศัพท์ข้างต้นทั้ง 20 คำนั้นเป็นเพียงคำศัพท์พื้นฐานเท่านั้น เพื่อให้เข้าใจมากขึ้นจะต้องมีการศึกษาเพิ่มเติม เพราะโลกของเทคโนโลยีปัญญาประดิษฐ์นั้นมีการพัฒนาอยู่เสมอ การติดตามคำศัพท์และแนวคิดของโมเดลต่าง ๆ นั้นก็เป็นสิ่งสำคัญในการพัฒนาตนเองเช่นกัน