ความก้าวหน้าของ Generative AI

ทำความเข้าใจ ChatGPT

James Chapman

Curriculum Manager, DataCamp

สิ่งที่จะเรียนต่อไป...

Generative AI จะก้าวไปในทิศทางใด?
มีความท้าทายใดที่ต้องแก้ไข?

การพัฒนาประสิทธิภาพ

เนื้อหาที่เหมือนมนุษย์มากขึ้น
รองรับความซับซ้อนได้มากขึ้น
ความน่าเชื่อถือที่สูงขึ้น

กราฟแสดงประสิทธิภาพที่เพิ่มขึ้นอย่างต่อเนื่อง

อะไรเป็นแรงขับเคลื่อนการพัฒนา?

Large Language Models (LLMs)

เรียนรู้จากชุดข้อมูลข้อความขนาดใหญ่
อัลกอริทึมตรวจจับรูปแบบในข้อความ
ปรับแต่งโมเดลด้วยการให้คะแนนคำตอบ

สามองค์ประกอบหลักของ Large Language Model ได้แก่ ข้อมูลฝึกสอน อัลกอริทึมตรวจจับรูปแบบ และกระบวนการ Fine-tuning

อะไรเป็นแรงขับเคลื่อนการพัฒนา?

ปริมาณข้อมูลฝึกสอนจะเพิ่มขึ้น

กำแพงอิฐขนาดใหญ่ แสดงถึงข้อมูลฝึกสอนที่มากขึ้น

อะไรเป็นแรงขับเคลื่อนการพัฒนา?

ปริมาณข้อมูลฝึกสอนจะเพิ่มขึ้น
ข้อมูลการใช้งานช่วยในการ Fine-tuning

ข้อมูลการใช้งานที่ป้อนเข้าสู่กระบวนการ Fine-tuning ของโมเดล

การสร้างชุดข้อมูลที่สมดุล

ความท้าทาย: การรับประกันคุณภาพและความสมดุลของข้อมูล

ปริมาณข้อมูลมหาศาลทำให้ตรวจจับ Bias ก่อนฝึกสอนได้ยาก

เป้าหมาย: พัฒนากระบวนการลด Bias ที่มีประสิทธิภาพมากขึ้น

ไอคอนแสดงให้เห็นว่าโมเดลสามารถเรียนรู้ Bias จากข้อมูลที่ใช้ฝึกสอนได้

โอกาสในการนำไปใช้ในทางที่ผิด

การบิดเบือนเนื้อหาที่สร้างโดย AI
การสร้างเนื้อหาที่เป็นอันตราย (เช่น สแปม)

การแทรกแซงของผู้立法:

กฎหมายอาจส่งเสริมหรือขัดขวางความก้าวหน้าของ AI

รูปปั้นตาชั่งแห่งความยุติธรรม

จากทั่วไปสู่เฉพาะทาง

ChatGPT เป็นโมเดลแบบ ทั่วไป
โมเดล Generative AI จะมีความ เฉพาะทาง มากขึ้น
ตัวอย่าง: โมเดลที่ออกแบบมาเพื่อเขียนโค้ดที่ยาวและซับซ้อนโดยเฉพาะ

ตัวอย่างการใช้ ChatGPT สร้างโค้ดเพื่อดึงตารางจากเว็บไซต์

Generative AI ประเภทอื่น

สามองค์ประกอบหลักของ Large Language Model ได้แก่ ข้อมูลฝึกสอน อัลกอริทึมตรวจจับรูปแบบ และกระบวนการ Fine-tuning

¹ DALL-E 3

AI สำหรับทุกคน!

การเข้าถึง คือกุญแจสำคัญสู่ความสำเร็จของ ChatGPT
การทำให้ AI เป็นเรื่องของทุกคน
- ทุกคนควรได้รับประโยชน์จากเทคโนโลยีนี้

กลุ่มคนจากหลากหลายวัฒนธรรมที่ล้วนได้รับประโยชน์จากเครื่องมือ AI

มาฝึกกันเถอะ!

ทำความเข้าใจ ChatGPT

Preparing Video For Download...