พื้นฐาน AI ที่ทุกคนต้องรู้: Generative AI, LLM, Machine Learning คืออะไร?

อธิบาย AI, Machine Learning, Deep Learning, LLM และ Generative AI แบบเข้าใจง่าย พร้อมศัพท์ที่ต้องรู้ ข้อควรระวัง และแผนเรียน 4 สัปดาห์

ในที่ประชุม มีคนพูดว่า เดี๋ยวเราใช้ LLM ทำ RAG กับเอกสารบริษัท ทุกคนพยักหน้า แต่ครึ่งห้องไม่แน่ใจว่ามันคืออะไร ถ้าคุณเคยอยู่ในสถานการณ์นี้ บทความนี้ช่วยได้ คุณไม่ต้องเป็น engineer หรือ data scientist แค่เข้าใจคำศัพท์หลักไม่กี่คำ ก็จะอ่านข่าว เลือกเครื่องมือ และคุยกับทีม tech ได้มั่นใจขึ้นมาก

AI คืออะไร

AI (Artificial Intelligence) เป็นคำรวมที่กว้างที่สุด หมายถึงระบบคอมพิวเตอร์ที่ทำงานซึ่งปกติต้องใช้ความสามารถแบบมนุษย์ เช่น อ่านภาษา จดจำภาพ ตัดสินใจ หรือพยากรณ์ AI บางแบบเขียนกฎไว้ล่วงหน้าทั้งหมด เช่น ระบบตรวจว่ายอดโอนเกินวงเงินหรือไม่ แต่ AI ที่เราได้ยินบ่อยวันนี้ส่วนใหญ่เป็นแบบที่ เรียนรู้จากข้อมูล

Machine Learning และ Deep Learning

Machine Learning (ML) คือ AI ที่ไม่ต้องเขียนกฎทุกข้อ แต่ให้ระบบเรียนรู้รูปแบบจากตัวอย่างจำนวนมาก เช่น ให้ดูประวัติการซื้อของลูกค้า แล้วทำนายว่าใครมีแนวโน้มเลิกใช้บริการ ตัวอย่างใกล้ตัวคือระบบแนะนำสินค้าในแอปช้อปปิ้ง หรือระบบคัดอีเมลขยะ

Deep Learning เป็นกลุ่มย่อยของ ML ที่ใช้โครงข่ายประสาทเทียม (neural network) หลายชั้น เหมาะกับข้อมูลที่ซับซ้อนอย่างภาพ เสียง และภาษา เทคโนโลยี AI รุ่นใหม่เกือบทั้งหมดที่คุณใช้อยู่ตั้งอยู่บนฐานนี้

Generative AI คืออะไร

Generative AI คือ AI ที่ สร้างของใหม่ ได้ ไม่ใช่แค่จัดหมวดหรือทำนาย เช่น เขียนข้อความ สร้างภาพ แต่งเสียง หรือเขียนโค้ด ตัวอย่างงานที่เห็นได้ทุกวันคือการร่างอีเมล สรุปรายงาน หรือทำภาพประกอบโพสต์

LLM คืออะไร

LLM (Large Language Model) คือโมเดล Generative AI ที่เชี่ยวชาญด้านภาษา ถูกฝึกจากข้อความจำนวนมหาศาลจนเรียนรู้รูปแบบการใช้ภาษา หลักการพื้นฐานคือการคาดเดาคำถัดไปที่น่าจะเหมาะที่สุดทีละส่วน ทำซ้ำไปเรื่อยๆ จนได้คำตอบทั้งย่อหน้า ChatGPT, Claude และ Gemini เป็นผู้ช่วย AI ที่ทำงานบน LLM

สรุปความสัมพันธ์

AI กว้างที่สุด ข้างในมี Machine Learning ข้างใน ML มี Deep Learning และ Generative AI ส่วนใหญ่สร้างบน Deep Learning โดย LLM คือ Generative AI ที่เน้นภาษา

ศัพท์ที่จะได้ยินบ่อยในที่ทำงาน

• Prompt: คำสั่งหรือคำถามที่คุณพิมพ์ให้ AI ยิ่งบอกบริบท เป้าหมาย และรูปแบบผลลัพธ์ชัด คำตอบยิ่งตรง
• Token: หน่วยย่อยของข้อความที่โมเดลประมวลผล มักใช้คิดค่าบริการและขนาดข้อความ
• Context window: ปริมาณข้อความที่โมเดลรับได้ในหนึ่งครั้ง เช่น ความยาวเอกสารที่แนบได้
• Hallucination: อาการที่ AI ตอบข้อมูลผิดแต่ฟังดูมั่นใจ
• RAG: การให้ AI ดึงข้อมูลจากเอกสารที่กำหนดก่อนตอบ เช่น คู่มือ HR ของบริษัท ช่วยให้ตอบตรงกับข้อมูลจริงมากขึ้น
• Fine-tuning: การฝึกโมเดลเพิ่มด้วยข้อมูลเฉพาะทาง เพื่อให้ทำงานบางแบบได้ดีขึ้น
• AI Agent: AI ที่ไม่ได้แค่ตอบ แต่วางแผนและลงมือทำหลายขั้นตอนผ่านเครื่องมือต่างๆ อ่านต่อใน AI Agent คืออะไร

ข้อควรระวัง

• ตรวจข้อเท็จจริงเสมอ: ตัวเลข ชื่อ กฎหมาย และแหล่งอ้างอิงที่ AI ให้มาอาจผิด
• ระวังข้อมูลลับ: อย่าวางข้อมูลลูกค้าหรือข้อมูลภายในลงเครื่องมือที่องค์กรยังไม่อนุญาต
• AI สะท้อนข้อมูลที่ใช้ฝึก: อาจมีอคติ หรือไม่รู้เหตุการณ์ล่าสุด
• คุณยังเป็นเจ้าของงาน: ใช้ AI ร่าง แต่คนตัดสินใจและรับผิดชอบคือคุณ

ไม่ต้องรู้ว่า AI สร้างอย่างไร แต่ต้องรู้ว่ามันเก่งอะไร พลาดตรงไหน และควรใช้เมื่อไหร่

เริ่มต้นยังไง: แผนเรียน 4 สัปดาห์

1. สัปดาห์ 1: ทำความเข้าใจศัพท์ในบทความนี้ และลองใช้ผู้ช่วย AI สักตัวกับงานเล็กๆ เช่น สรุปบทความ
2. สัปดาห์ 2: ฝึกเขียน prompt ให้มีบริบท เป้าหมาย และรูปแบบผลลัพธ์ อ่าน Prompt Engineering คืออะไร
3. สัปดาห์ 3: เลือกงานจริง 1 อย่างที่ทำซ้ำทุกสัปดาห์ แล้วลองให้ AI ช่วยร่าง จดว่าประหยัดเวลาหรือต้องแก้ตรงไหน
4. สัปดาห์ 4: ทำความรู้จัก AI Agent และ automation เบื้องต้น

คอร์สที่ช่วยปูพื้นบน Plants.work Learn:

• พื้นฐาน AI เข้าใจง่าย ใช้ได้จริง
• AI และ ChatGPT บนมือถือสำหรับชีวิตประจำวัน
• ChatGPT สำหรับการทำงานและเพิ่มประสิทธิภาพ

ดูคอร์สอื่นจากพาร์ทเนอร์ได้ที่ Plants.work Learn และถ้าอยากรู้ว่าทักษะ AI จะต่อยอดอาชีพของคุณได้อย่างไร ลองคุยกับ AI Career Assistant