AI คืออะไร
AI หรือที่เรียกอีกอย่างว่า ปัญญาประดิษฐ์ เป็นเทคโนโลยีที่มีความสามารถในการแก้ปัญหาเหมือนมนุษย์ การทำงานของ AI ดูเหมือนจะจำลองความฉลาดของมนุษย์ โดยสามารถจดจำภาพ เขียนบทกวี และคาดการณ์ตามข้อมูลได้
องค์กรสมัยใหม่รวบรวมข้อมูลจำนวนมากจากแหล่งที่มาหลากหลาย เช่น เซ็นเซอร์อัจฉริยะ เนื้อหาที่มนุษย์สร้างขึ้น เครื่องมือตรวจสอบ และข้อมูลบันทึกระบบต่าง ๆ เทคโนโลยีปัญญาประดิษฐ์วิเคราะห์ข้อมูลและใช้การวิเคราะห์นั้นเพื่อช่วยในการดำเนินธุรกิจอย่างมีประสิทธิผล ตัวอย่างเช่น เทคโนโลยี AI สามารถตอบสนองต่อการสนทนาของมนุษย์ในการสนับสนุนลูกค้า สร้างภาพและข้อความต้นฉบับสำหรับการตลาด และให้คำแนะนำอย่างชาญฉลาดสำหรับการวิเคราะห์
ท้ายที่สุด ปัญญาประดิษฐ์คือการทำให้ซอฟต์แวร์ฉลาดขึ้นสำหรับการโต้ตอบกับผู้ใช้ที่กำหนดเองและการแก้ปัญหาที่ซับซ้อน
![รูปร่างที่มีสีสัน](https://d1.awsstatic.com/products/generative-ai/GenAI_Hub_P4.992b59de5347d550b194eab2d53be0ad444d80f5.jpg)
เทคโนโลยี AI มีประเภทใดบ้าง
ในช่วงไม่กี่ปีที่ผ่านมามีแอปและเทคโนโลยี AI เพิ่มขึ้นอย่างมาก คุณสามารถดูตัวอย่างเทคโนโลยี AI ที่พบเจอบ่อยได้ด้านล่างนี้
ประวัติของ AI
ในเอกสารของ Alan Turing จากปี ค.ศ. 1950 เรื่อง "Computing Machinery and Intelligence" เขาพิจารณาว่าเครื่องจักรสามารถคิดเองได้หรือไม่ ในบทความนี้ Turing ได้บัญญัติคำว่าปัญญาประดิษฐ์ขึ้นเป็นครั้งแรก และนำเสนอเป็นแนวคิดทางทฤษฎีและปรัชญา อย่างไรก็ตาม AI อย่างที่เราทราบในปัจจุบันเป็นผลมาจากความพยายามร่วมของนักวิทยาศาสตร์และวิศวกรจำนวนมากในช่วงหลายทศวรรษ
1940-1980
ในปี 1943 Warren McCulloch และ Walter Pittsได้เสนอแบบจำลองของเซลล์ประสาทเทียม โดยวางรากฐานสำหรับนิวรัลเน็ตเวิร์กซึ่งเป็นเทคโนโลยีหลักภายใน AI
ตามมาอย่างรวดเร็ว ในปี 1950, Alan Turing ได้ตีพิมพ์เรื่อง “เครื่องจักรคอมพิวเตอร์และระบบอัจฉริยะ” แนะนำแนวคิดของการทดสอบ Turing เพื่อประเมินความฉลาดของเครื่อง
สิ่งนี้ทำให้นักศึกษาระดับบัณฑิตศึกษา Marvin Minsky และ Dean Edmonds สร้างเครื่องนิวรัลเน็ตเวิร์กตัวแรกที่รู้จักกันในชื่อ SNARC โดย Frank Rosenblatt พัฒนา Perceptron ซึ่งเป็นหนึ่งในโมเดลแรก ๆ ของนิวรัลเน็ตเวิร์ก และ Joseph Weizenbaum สร้าง ELIZA ซึ่งเป็นหนึ่งในแชทบอทแรกที่จำลองนักจิตบำบัดโรเจเรียระหว่างปี ค.ศ. 1951 ถึง 1969
ตั้งแต่ปี ค.ศ. 1969 จนถึง 1979 Marvin Minsky แสดงให้เห็นถึงข้อจำกัดของนิวรัลเน็ตเวิร์กซึ่งทำให้การวิจัยนิวรัลเน็ตเวิร์กลดลงชั่วคราว “ฤดูหนาว AI” ครั้งแรกเกิดขึ้นเนื่องจากการระดมทุนและข้อจำกัดด้านฮาร์ดแวร์และการคำนวณที่ลดน้อยลง
![นักธุรกิจหนุ่มสาวทำงานร่วมกันในโครงการใหม่](https://d1.awsstatic.com/products/generative-ai/AdobeStock_372138889-square.b6a13f6fb96c7712ab8ba340b463ad8f1657d455.jpg)
1980-2006
ในทศวรรษที่ 1980 มีความสนใจใหม่และการระดมทุนจากรัฐบาลสำหรับการวิจัย AI เป็นหลักในการแปลและการถอดรหัสในช่วงเวลานี้ ระบบผู้เชี่ยวชาญเช่น MYCIN กลายเป็นที่นิยมเนื่องจากจำลองกระบวนการตัดสินใจของมนุษย์ในโดเมนเฉพาะ เช่น ยา ด้วยการฟื้นฟูนิวรัลเน็ตเวิร์กในปี 1980 David Rumelhart และ John Hopfield ตีพิมพ์บทความเกี่ยวกับเทคนิคดีปเลิร์นนิง ซึ่งแสดงให้เห็นว่าคอมพิวเตอร์สามารถเรียนรู้จากประสบการณ์ได้
ตั้งแต่ปี 1987-1997 เนื่องจากปัจจัยทางเศรษฐกิจและเศรษฐกิจอื่น ๆ และการเฟื่องฟู dot-com ทำให้ฤดูหนาว AI ครั้งที่สองเกิดขึ้นขึ้น การวิจัย AI กลายเป็นชิ้นส่วนมากขึ้น โดยทีมงานแก้ปัญหาเฉพาะโดเมนในกรณีการใช้งานที่แตกต่างกัน
ตั้งแต่ปี 1997 ถึงประมาณปี 2006 เราได้เห็นความสำเร็จที่สำคัญใน AI รวมถึงซอฟต์แวร์หมากรุก Deep Blue ของ IBM เอาชนะแชมป์หมากรุกโลก Garry Kasparov นอกจากนี้ Judea Pearl ยังได้ตีพิมพ์หนังสือที่รวมความน่าจะเป็นและการตัดสินใจในการวิจัย AI และ Geoffrey Hinton และคนอื่น ๆ เป็นที่นิยมในดีปเลิร์นนิง นำไปสู่การฟื้นตัวของนิวรัลเน็ตเวิร์ก อย่างไรก็ตามประโยชน์เชิงพาณิชย์ยังคงมีจำกัด
![รูปร่างที่มีสีสันบนสายพานลำเลียง](https://d1.awsstatic.com/products/generative-ai/ai-hub-services.68f2521ded0ffbf73114eb23ca24fb11a888de2c.jpg)
2007-ปัจจุบัน
ตั้งแต่ปี ค.ศ. 2007 ถึง 2018 ความก้าวหน้าในการประมวลผลบนคลาวด์ทำให้เข้าถึงพลังการประมวลผลและโครงสร้างพื้นฐาน AI ได้มากขึ้น ซึ่งนำไปสู่การนำไปใช้ นวัตกรรม และความก้าวหน้าในแมชชีนเลิร์นนิงที่เพิ่มขึ้น ความก้าวหน้ารวมถึงสถาปัตยกรรมนิวรัลเน็ตเวิร์กแบบสังวัตนาการ (CNN) ที่เรียกว่า AlexNet ซึ่งพัฒนาโดย Alex Krizhevsky, Ilya Sutskever และ Geoffrey Hinton ชนะการแข่งขัน ImageNet ซึ่งแสดงให้เห็นถึงพลังของดีปเลิร์นนิงในการจดจำภาพ และ AlphaZero ของ Google เชี่ยวชาญในเกมหมากรุก โชกิ และหมากล้อมที่อาศัยการเล่นด้วยตนเองโดยไม่มีข้อมูลของมนุษย์
ในปี 2022 แชทบอทที่ใช้ปัญญาประดิษฐ์ (AI) และการประมวลผลภาษาธรรมชาติ (NLP) เพื่อสนทนาเหมือนมนุษย์และทำงานให้เสร็จสมบูรณ์ เช่น ChatGPT ของ OpenAI กลายเป็นที่รู้จักกันอย่างกว้างขวางในด้านความสามารถในการสนทนา ทำให้เกิดความสนใจและการพัฒนา AI
![ภาพระยะใกล้ของแผงวงจร](https://d1.awsstatic.com/products/generative-ai/GenAI_Hub_P6.6e2025224041d7bffd2733211063acc5979b559c.jpg)
AI ในอนาคต
เทคโนโลยีปัญญาประดิษฐ์ในปัจจุบันทั้งหมดทำงานภายในชุดของพารามิเตอร์ที่กำหนดไว้ล่วงหน้า ตัวอย่างเช่น โมเดล AI ที่ได้รับการฝึกให้จดจำภาพและสร้างภาพ จะไม่สามารถสร้างเว็บไซต์ได้
ปัญญาประดิษฐ์ทั่วไป (AGI) เป็นสาขาหนึ่งของการวิจัย AI ตามทฤษฎีที่พยายามสร้างซอฟต์แวร์ที่มีปัญญาคล้ายมนุษย์และความสามารถในการสอนตนเอง เป้าหมายคือให้ซอฟต์แวร์ทำงานที่ไม่จำเป็นต้องผ่านการฝึกหรือพัฒนาได้
AGI เป็นการแสวงหาทางทฤษฎีเพื่อพัฒนาระบบ AI ด้วยการควบคุมตนเองแบบอัตโนมัติ การเข้าใจตนเองอย่างสมเหตุสมผล และความสามารถในการเรียนรู้ทักษะใหม่ๆ สามารถแก้ปัญหาที่ซับซ้อนในการตั้งค่าและบริบทที่ไม่ได้สอนเมื่อสร้างขึ้น AGI ที่มีความสามารถของมนุษย์จะยังคงเป็นแนวคิดทางทฤษฎีและเป้าหมายการวิจัยต่อไป ซึ่งคือหนึ่งในความเป็นไปได้ของอนาคตของ AI
![AI ในอนาคต](https://d1.awsstatic.com/datazone-overview-thumbnail.8c0e44fde9851d5536599517e58f2353682174ca.png)
AI ถูกนำมาใช้อย่างไรในปัจจุบัน
ปัจจุบัน AI มีอยู่ทั่วไป โดยทำงานอยู่เบื้องหลังเพื่อขับเคลื่อนแอปพลิเคชันที่คุณชื่นชอบ
ตัวอย่างของปัญญาประดิษฐ์สำหรับธุรกิจ
ปัญญาประดิษฐ์มีแอปพลิเคชันที่หลากหลาย แม้ว่านี่จะไม่ใช่รายการที่ครบถ้วนสมบูรณ์ แต่นี่คือตัวอย่างบางส่วนที่เน้นกรณีการใช้งานที่หลากหลายของ AI สำหรับองค์กรต่าง ๆ
แชทบอทและผู้ช่วยอัจฉริยะ
แชทบอทและผู้ช่วยอัจฉริยะที่ขับเคลื่อนด้วย AI มีส่วนร่วมในการสนทนาที่ซับซ้อนและเหมือนมนุษย์มากขึ้น โดยสามารถเข้าใจบริบทและสร้างคำตอบที่สอดคล้องกันสำหรับภาษาธรรมชาติที่ซับซ้อนและการสอบถามของลูกค้า ซึ่งมีประสิทธิภาพอย่างยิ่งในด้านการสนับสนุนลูกค้า การให้ความช่วยเหลือแบบเสมือน และการสร้างเนื้อหาเพื่อให้การโต้ตอบแบบส่วนตัว ความสามารถในการเรียนรู้อย่างต่อเนื่องของโมเดลเหล่านี้ช่วยให้สามารถปรับและปรับปรุงประสิทธิภาพได้มากขึ้นเมื่อเวลาผ่านไป และช่วยปรับปรุงประสบการณ์และประสิทธิภาพของผู้ใช้
ตัวอย่างเช่น Deriv หนึ่งในโบรกเกอร์ออนไลน์ที่ใหญ่ที่สุดในโลก เผชิญกับความท้าทายในการเข้าถึงข้อมูลจำนวนมหาศาลที่กระจายไปตามแพลตฟอร์มต่าง ๆ Deriv ใช้ผู้ช่วยที่ขับเคลื่อนด้วย AI เพื่อดึงและประมวลผลข้อมูลจากหลายแหล่งทั้งในด้านการสนับสนุนลูกค้า การตลาด และการสรรหาบุคลากร Deriv ลดเวลาที่ใช้ในการรับสมัครพนักงานใหม่ลง 45 เปอร์เซ็นต์ และลดเวลางานในการสรรหาบุคลากรลง 50 เปอร์เซ็นต์เมื่อใช้ AI
![ผู้หญิงสวมแจ็คเก็ตสีเหลืองถือโทรศัพท์อยู่บนสะพาน](https://d1.awsstatic.com/device-a-industry-image-assets/travel-hospitality/travel-hospitality_1220/lifestyle/Industry-Travel-Hospitality_Lifestyle_458_1200.d06c4d7b01b78c8e7bcec586ea7b57286f7b3a5b.jpg)
การประมวลผลเอกสารที่ชาญฉลาด
การประมวลผลเอกสารอัจฉริยะ (IDP) จะแปลรูปแบบเอกสารที่ไม่มีโครงสร้างให้เป็นข้อมูลที่ใช้งานได้ ตัวอย่างเช่น แปลงเอกสารทางธุรกิจ เช่น อีเมล รูปภาพ และ PDF เป็นข้อมูลที่มีโครงสร้าง IDP ใช้เทคโนโลยี AI เช่น การประมวลผลภาษาธรรมชาติ (NLP), ดีปเลิร์นนิง และคอมพิวเตอร์วิชันเพื่อแยก จำแนก และตรวจสอบข้อมูล
ตัวอย่างเช่น HM Land Registry (HMLR) จัดการกรรมสิทธิ์ในอสังหาริมทรัพย์มากกว่า 87 เปอร์เซ็นต์ในอังกฤษและเวลส์ เจ้าหน้าที่ดูแลกรณีของ HMLR เปรียบเทียบและตรวจสอบเอกสารทางกฎหมายที่ซับซ้อนที่เกี่ยวข้องกับธุรกรรมด้านอสังหาริมทรัพย์ องค์กรได้ปรับใช้แอปพลิเคชัน AI เพื่อทำให้การเปรียบเทียบเอกสารเป็นอัตโนมัติ ซึ่งลดเวลาในการตรวจสอบลง 50 เปอร์เซ็นต์ และเสริมประสิทธิภาพในกระบวนการอนุมัติการโอนอสังหาริมทรัพย์ อ่านข้อมูลเพิ่มเติมเกี่ยวกับวิธีที่ HMLR ใช้งาน Amazon Textract
![ผู้หญิงกำลังทำงานกับแล็ปท็อปในสำนักงาน](https://d1.awsstatic.com/products/generative-ai/woman-working-on-laptop.bfbe3cb148b8c20aba0e86560087057564c032f5.jpg)
Application Performance Monitoring
Application Performance Monitoring (APM) เป็นกระบวนการใช้เครื่องมือซอฟต์แวร์และข้อมูลทางไกลเพื่อติดตามประสิทธิภาพของแอปพลิเคชันที่มีความสำคัญต่อธุรกิจ เครื่องมือ APM ที่ใช้ AI เป็นหลักจะใช้ข้อมูลประวัติเพื่อคาดการณ์ปัญหาก่อนที่จะเกิดปัญหาขึ้น อีกทั้งยังสามารถแก้ไขปัญหาแบบเรียลไทม์โดยแนะนำวิธีแก้ปัญหาที่ใช้งานได้จริงให้กับนักพัฒนาของคุณ กลยุทธ์นี้ช่วยให้แอปพลิเคชันทำงานได้อย่างมีประสิทธิภาพและแก้ไขปัญหาคอขวดได้
ตัวอย่างเช่น Atlassian สร้างผลิตภัณฑ์เพื่อปรับปรุงการทำงานเป็นทีมและองค์กรให้คล่องตัวยิ่งขึ้น Atlassian ใช้เครื่องมือ AI APM เพื่อตรวจติดตามแอปพลิเคชันอย่างต่อเนื่อง ตรวจจับปัญหาที่อาจเกิดขึ้น และจัดลำดับความสำคัญของความรุนแรง เมื่อใช้ฟังก์ชันนี้ ทีมงานจะสามารถปฏิบัติตามคำแนะนำที่ขับเคลื่อนด้วย ML ได้อย่างรวดเร็ว และแก้ไขประสิทธิภาพที่ลดลง
อ่านเกี่ยวกับ APM (การตรวจติดตามประสิทธิภาพของแอปพลิเคชัน) »
![ภาพของผู้ชายที่ทำงานในสำนักงาน](https://d1.awsstatic.com/products/generative-ai/Genai_main_P4anthropic_16x9_med.08f1e3bd038a944ed9ae11a96c19ac8da773e0a7.jpg)
การซ่อมบำรุงเชิงคาดการณ์
การบำรุงรักษาแบบใช้ข้อมูลคาดการณ์ที่เสริมด้วย AI คือการใช้ข้อมูลจำนวนมากเพื่อระบุปัญหาที่อาจนำไปสู่เวลาหยุดทำงานของระบบหรือบริการ การบำรุงรักษาแบบใช้ข้อมูลคาดการณ์ช่วยให้ธุรกิจสามารถแก้ไขปัญหาที่อาจเกิดขึ้นได้ก่อนที่จะเกิดขึ้นจริง ลดเวลาหยุดทำงานและป้องกันการหยุดชะงักได้
ตัวอย่างเช่น Baxter ใช้โรงงานผลิต 70 แห่งทั่วโลกและดำเนินงานตลอด 24 ชั่วโมงทุกวันเพื่อให้บริการเทคโนโลยีทางการแพทย์ Baxter ใช้การบำรุงรักษาแบบใช้ข้อมูลคาดการณ์เพื่อตรวจจับสภาวะที่ผิดปกติในอุปกรณ์อุตสาหกรรมโดยอัตโนมัติ ผู้ใช้สามารถนำโซลูชันที่มีประสิทธิภาพมาใช้งานล่วงหน้าเพื่อลดเวลาหยุดทำงานและเพิ่มประสิทธิภาพในการดำเนินงาน อ่านเพื่อเรียนรู้เพิ่มเติมเกี่ยวกับวิธีที่ Baxter ใช้งาน Amazon Monitron
![บุคคลที่ทำงานกับสเปรดชีตบนแล็ปท็อป](https://d1.awsstatic.com/products/generative-ai/customer-stories/smartsheet-testimonial.435af2199df41d5b3ee8f7c4ee4b717b617300c9.jpg)
การวิจัยทางการแพทย์
การวิจัยทางการแพทย์ใช้ AI เพื่อเพิ่มความคล่องตัวในกระบวนการ ปรับงานที่ต้องซ้ำ ๆ ให้ดำเนินไปโดยอัตโนมัติ และประมวลผลข้อมูลจำนวนมหาศาล คุณสามารถใช้เทคโนโลยี AI ในการวิจัยทางการแพทย์เพื่ออำนวยความสะดวกในการค้นคว้าและพัฒนายาแบบครบวงจร ถอดความบันทึกทางการแพทย์ และลดเวลาในการนำผลิตภัณฑ์ใหม่ ๆ ออกสู่ตลาด
ตามตัวอย่างในโลกแห่งความเป็นจริง C2i Genomics ใช้ปัญญาประดิษฐ์เพื่อรันไปป์ไลน์จีโนมและการตรวจทางคลินิกในวงกว้างที่สามารถปรับแต่งได้ เนื่องจาก AI ครอบคลุมไปถึงโซลูชันการประมวลผล นักวิจัยจึงสามารถมุ่งเน้นไปที่ประสิทธิภาพทางคลินิกและการพัฒนาวิธีการได้ ทีมวิศวกรยังใช้ AI เพื่อลดความต้องการใช้ทรัพยากร การบำรุงรักษาทางวิศวกรรม และต้นทุน NRE อีกด้วย อ่านรายละเอียดเพิ่มเติม เกี่ยวกับวิธีที่ C2i Genomics ใช้งาน AWS HealthOmics
![บุคคลที่ทำการวิจัยทางการแพทย์ถือหลอดแก้ว](https://d1.awsstatic.com/AdobeStock_323175261-2.14491d5772550491762e280822bdd49b5c137f25.png)
ประโยชน์ของปัญญาประดิษฐ์สำหรับธุรกิจ
องค์กรของคุณสามารถผสานรวมความสามารถด้านปัญญาประดิษฐ์เพื่อปรับกระบวนการทางธุรกิจให้เหมาะสม ปรับปรุงประสบการณ์ของลูกค้า และเร่งการสร้างนวัตกรรม
ความแตกต่างระหว่างแมชชีนเลิร์นนิง ดีปเลิร์นนิง และปัญญาประดิษฐ์คืออะไร
ปัญญาประดิษฐ์ (AI) เป็นคำที่มีความหมายกว้าง ๆ ที่ใช้เรียกกลยุทธ์และเทคนิคต่าง ๆ เพื่อทำให้เครื่องจักรมีลักษณะเหมือนมนุษย์มากขึ้น ซึ่งรวมถึงทุกอย่างตั้งแต่รถยนต์ไร้คนขับไปจนถึงหุ่นยนต์ดูดฝุ่นและผู้ช่วยอัจฉริยะอย่าง Alexa แม้ว่าแมชชีนเลิร์นนิงและดีปเลิร์นนิงจะอยู่ภายใต้การทำงานของ AI แต่กิจกรรมของ AI ทั้งหมดนั้นไม่ใช่แมชชีนเลิร์นนิงและดีปเลิร์นนิง ตัวอย่างเช่น AI ช่วยสร้างแสดงให้เห็นถึงความสามารถเชิงสร้างสรรค์ที่เหมือนกับมนุษย์ และเป็นรูปแบบการเรียนรู้เชิงลึกที่ก้าวหน้ามากของดีปเลิร์นนิง
แมชชีนเลิร์นนิง
แม้ว่าคุณอาจเห็นการใช้คำว่าปัญญาประดิษฐ์และแมชชีนเลิร์นนิงสลับกันในหลายที่ แต่แมชชีนเลิร์นนิงถือเป็นหนึ่งในเทคนิคของปัญญาประดิษฐ์สาขาอื่น ๆ โดยเป็นวิทยาศาสตร์แห่งการพัฒนาอัลกอริธึมและแบบจำลองทางสถิติเพื่อเชื่อมโยงข้อมูล โดยระบบคอมพิวเตอร์ใช้อัลกอริทึมแมชชีนเลิร์นนิงเพื่อประมวลผลข้อมูลในอดีตปริมาณมากและระบุรูปแบบข้อมูล ในบริบทปัจจุบัน แมชชีนเลิร์นนิงหมายถึงชุดของเทคนิคทางสถิติที่เรียกว่าโมเดลแมชชีนเลิร์นนิงที่คุณสามารถใช้ได้อย่างอิสระหรือเพื่อสนับสนุนเทคนิค AI อื่น ๆ ที่มีความซับซ้อนมากขึ้น
![แผนภาพเวนน์แสดงความสัมพันธ์ระหว่างแมชชีนเลิร์นนิง ดีปเลิร์นนิง และปัญญาประดิษฐ์](https://d1.awsstatic.com/ai-ml-dl-difference.4bfc3a56f688f5a38dd0b390d85dc2f6099abdc1.png)
ดีปเลิร์นนิ่ง
ดีปเลิร์นนิงนั้นช่วยยกระดับแมชชีนเลิร์นนิงไปอีกขั้นหนึ่ง โมเดลดีปเลิร์นนิงจะใช้นิวรัลเน็ตเวิร์กเทียมที่ทำงานร่วมกันเพื่อเรียนรู้และประมวลผลข้อมูล โดยประกอบด้วยส่วนประกอบซอฟต์แวร์นับล้านที่ดำเนินการทางคณิตศาสตร์ระดับจุลภาคในหน่วยข้อมูลขนาดเล็กเพื่อแก้ปัญหาที่ใหญ่กว่า ตัวอย่างเช่น ประมวลผลแต่ละพิกเซลในรูปภาพเพื่อแยกประเภทรูปภาพนั้น ระบบ AI สมัยใหม่มักจะรวมนิวรัลเน็ตเวิร์กระดับลึกหลายเครือข่ายเข้าด้วยกันเพื่อทำงานที่ซับซ้อน เช่น การเขียนบทกวี หรือการสร้างภาพจากข้อความพรอมต์
![แผนภาพเวนน์แสดงความสัมพันธ์ระหว่างแมชชีนเลิร์นนิง ดีปเลิร์นนิง และปัญญาประดิษฐ์](https://d1.awsstatic.com/ai-ml-dl-difference.4bfc3a56f688f5a38dd0b390d85dc2f6099abdc1.png)
ปัญญาประดิษฐ์ทำงานอย่างไร
ระบบปัญญาประดิษฐ์ใช้เทคโนโลยีหลากหลายในการทำงาน ข้อมูลเฉพาะจะแตกต่างกันไป แต่หลักการหลักยังคงเหมือนเดิม โดยจะแปลงข้อมูลทุกประเภท เช่น ข้อความ รูปภาพ วิดีโอ และเสียง ให้เป็นตัวแทนเป็นตัวเลข และระบุรูปแบบและความสัมพันธ์ระหว่างข้อมูลเหล่านั้นทางคณิตศาสตร์ ดังนั้น เทคโนโลยีปัญญาประดิษฐ์จึงจำเป็นต้องมีการฝึก โดยจะต้องสัมผัสกับชุดข้อมูลที่มีอยู่จำนวนมากเพื่อ "เรียนรู้" ซึ่งคล้ายกับที่มนุษย์เรียนรู้จากคลังความรู้ที่มีอยู่ เทคโนโลยีบางอย่างที่ทำให้ปัญญาประดิษฐ์สามารถทำงานได้มีดังต่อไปนี้
นิวรัลเน็ตเวิร์ก
นิวรัลเน็ตเวิร์กเทียมนับว่าเป็นแกนหลักของเทคโนโลยีปัญญาประดิษฐ์ โดยเลียนแบบการประมวลผลที่เกิดขึ้นในสมองของมนุษย์ สมองประกอบด้วยเซลล์ประสาทนับล้านเซลล์เพื่อประมวลผลและวิเคราะห์ข้อมูล นิวรัลเน็ตเวิร์กเทียมจะใช้เซลล์ประสาทเทียมเพื่อประมวลผลข้อมูลร่วมกัน เซลล์ประสาทเทียมแต่ละเซลล์หรือที่เรียกว่าโหนดจะใช้การคำนวณทางคณิตศาสตร์เพื่อประมวลผลข้อมูลและแก้ไขปัญหาที่ซับซ้อน
![รูปร่างที่มีสีสันประเภทต่าง ๆ](https://d1.awsstatic.com/products/generative-ai/ai-hub-ml.c8b7822b2569e88576e217cdbebe3827084b00b7.jpg)
การประมวลผลภาษาธรรมชาติ
การประมวลผลภาษาธรรมชาติ (NLP) ใช้นิวรัลเน็ตเวิร์กเพื่อตีความ ทำความเข้าใจ และรวบรวมความหมายจากข้อมูลข้อความ โดยมีการใช้เทคนิคการคำนวณต่าง ๆ ที่เชี่ยวชาญในการถอดรหัสและทำความเข้าใจภาษามนุษย์ เทคนิคเหล่านี้ช่วยให้เครื่องจักรประมวลผลคำ ไวยากรณ์ และการผสมคำเพื่อประมวลผลข้อความของมนุษย์ หรือแม้แต่สร้างข้อความใหม่ การประมวลผลภาษาธรรมชาติมีความสำคัญอย่างยิ่งในการสรุปเอกสาร แชทบอท และการดำเนินการวิเคราะห์ความรู้สึก
![การออกแบบนามธรรมของพื้นราบ](https://d1.awsstatic.com/Industry-AdobeStock-600083666_1200.4b52499b0d68dc0160b7affe6504cfea883ba1c0.jpg)
คอมพิวเตอร์วิทัศน์
คอมพิวเตอร์วิชันใช้เทคนิคการเรียนรู้เชิงลึกเพื่อดึงข้อมูลและข้อมูลเชิงลึกจากวิดีโอและรูปภาพ คุณสามารถใช้คอมพิวเตอร์วิชันเพื่อตรวจติดตามเนื้อหาออนไลน์เพื่อหาภาพที่ไม่เหมาะสม จดจำใบหน้า และจัดประเภทตามรายละเอียดของรูปภาพได้ คอมพิวเตอร์วิชันมีความสำคัญในรถยนต์และรถบรรทุกที่ขับเคลื่อนด้วยตนเองแล้ว เพื่อตรวจติดตามสภาพแวดล้อมและตัดสินใจในเสี้ยววินาที
![ลายเส้นสีต่าง ๆ แสดงการไหลของข่าวสาร](https://d1.awsstatic.com/Telecom_generativeai_image_750.5b0e29bc8ada5984c4851478741e73a5995ea3b0.png)
การจดจำเสียงพูด
ซอฟต์แวร์จดจำคำพูดใช้โมเดลดีปเลิร์นนิงเพื่อตีความคำพูดของมนุษย์ ระบุคำ และตรวจจับความหมาย นิวรัลเน็ตเวิร์กสามารถถอดเสียงคำพูดเป็นข้อความและบ่งบอกถึงความรู้สึกที่แฝงอยู่ในเสียงได้ คุณสามารถนำการจดจำคำพูดไปใช้ในเทคโนโลยีต่าง ๆ เช่น ผู้ช่วยเสมือนและซอฟต์แวร์สำหรับคอลเซ็นเตอร์ เพื่อระบุความหมายและดำเนินงานที่เกี่ยวข้องได้
![ภาพตาข่ายกราฟิกที่มีสีสัน](https://d1.awsstatic.com/products/generative-ai/GenAI_Hub_P10.2e4e40e07bffcfdf4f4a529b4142c7bb2860b739.jpg)
AI ช่วยสร้าง
AI ช่วยสร้าง หมายถึงระบบปัญญาประดิษฐ์ที่สร้างเนื้อหาและอาร์ทิแฟกต์ใหม่ ๆ เช่น รูปภาพ วิดีโอ ข้อความ และเสียง จากพร้อมท์ข้อความธรรมดา ๆ ได้ AI ช่วยสร้างต่างจาก AI ในอดีตที่จำกัดอยู่เพียงการวิเคราะห์ข้อมูล แต่ AI ช่วยสร้างจะใช้ประโยชน์จากดีปเลิร์นนิงและชุดข้อมูลขนาดใหญ่เพื่อสร้างผลลัพธ์เชิงสร้างสรรค์ที่มีคุณภาพสูงและคล้ายคลึงกับที่สร้างโดยมนุษย์ ในขณะที่นำแอปพลิเคชันสร้างสรรค์ที่น่าตื่นเต้นมาใช้งาน ก็มีข้อกังวลเกี่ยวกับอคติ เนื้อหาที่เป็นอันตราย และทรัพย์สินทางปัญญาเกิดขึ้นมา โดยรวมแล้ว AI ช่วยสร้างแสดงให้เห็นถึงวิวัฒนาการที่สำคัญในความสามารถของ AI ในการสร้างภาษามนุษย์และเนื้อหาและอาร์ทิแฟกต์ใหม่ ๆ ซึ่งคล้ายคลึงกับที่สร้างโดยมนุษย์
![ภาพนามธรรมของลูกบาศก์](https://d1.awsstatic.com/s3-page-tabs-3-1.cd59494877f3b7cf931855729e439a501df1a688.jpg)
องค์ประกอบสำคัญของสถาปัตยกรรมแอปพลิเคชัน AI มีอะไรบ้าง
สถาปัตยกรรมปัญญาประดิษฐ์ประกอบด้วยสามเลเยอร์หลัก เลเยอร์ทั้งหมดทำงานบนโครงสร้างพื้นฐานด้านไอทีซึ่งให้ทรัพยากรคอมพิวเตอร์และหน่วยความจำที่จำเป็นสำหรับ AI
ตัวเลือกการฝึกอบรมด้าน AI สำหรับผู้เริ่มต้น
การฝึกอบรมด้าน AI มักเริ่มต้นด้วยพื้นฐานของการเขียนโปรแกรมและวิทยาการคอมพิวเตอร์ คุณควรเรียนภาษาต่างๆ เช่น Python ควบคู่ไปกับคณิตศาสตร์ สถิติศาสตร์ และพีชคณิตเชิงเส้น
จากนั้นคุณสามารถพัฒนาไปเข้าร่วมการฝึกอบรมที่เฉพาะทางมากขึ้นได้ ศึกษาต่อปริญญาโทด้านปัญญาประดิษฐ์ แมชชีนเลิร์นนิง หรือวิทยาศาสตร์ข้อมูล เพื่อให้เข้าใจอย่างลึกซึ้งยิ่งขึ้นและได้รับประสบการณ์ปฏิบัติจริง โดยทั่วไปแล้ว โปรแกรมเหล่านี้จะเกี่ยวข้องกับหัวข้อต่างๆ เช่น นิวรัลเน็ตเวิร์ก การประมวลผลภาษาธรรมชาติ และข้อมูลเชิงลึกเกี่ยวกับคอมพิวเตอร์วิชัน
อย่างไรก็ตาม การศึกษาอย่างเป็นทางการไม่ใช่เป็นเพียงแค่หนทางเดียว คุณสามารถใช้หลักสูตรออนไลน์เพื่อเรียนรู้ในแบบของคุณเองและฝึกฝนทักษะเฉพาะด้านได้ ตัวอย่างเช่น การฝึก AI ช่วยสร้างบน AWS รวมถึงการรับรองโดยผู้เชี่ยวชาญของ AWS เกี่ยวกับหัวข้ออย่างเช่น:
ความท้าทายในการใช้งานปัญญาประดิษฐ์คืออะไร
ความท้าทายหลายประการทำให้การใช้งานและการปรับใช้ AI มีความซับซ้อน อุปสรรคต่อไปนี้เป็นความท้าทายส่วนหนึ่งที่พบบ่อยที่สุด
การกำกับดูแล AI
นโยบายการกำกับดูแลข้อมูลจะต้องปฏิบัติตามข้อจำกัดด้านกฎระเบียบและกฎหมายความเป็นส่วนตัว หากต้องการนำ AI ไปใช้งาน คุณต้องจัดการคุณภาพของข้อมูล ความเป็นส่วนตัว และการรักษาความปลอดภัยด้วย คุณต้องรับผิดชอบต่อข้อมูลลูกค้าและการปกป้องความเป็นส่วนตัว ในการจัดการความปลอดภัยของข้อมูล องค์กรของคุณควรเข้าใจว่าโมเดล AI ใช้งานและโต้ตอบกับข้อมูลลูกค้าในแต่ละเลเยอร์อย่างไร
![ภาพมือของบุคคลขณะทำงานบนพีซี](https://d1.awsstatic.com/products/generative-ai/GenAI_Hub_P7.34c5e4f85049f179ba8afdaa9ee482a09887ad1a.jpg)
AI ที่รับผิดชอบ
AI ที่มีความรับผิดชอบคือการพัฒนา AI ที่คำนึงถึงผลกระทบทางสังคมและสิ่งแวดล้อมของระบบ AI ในวงกว้าง ระบบปัญญาประดิษฐ์มีผลกระทบต่อการเปลี่ยนแปลงต่อผู้ใช้ สังคม และสิ่งแวดล้อม เช่นเดียวกับเทคโนโลยีใหม่ ๆ AI ที่มีความรับผิดชอบจำเป็นต้องเพิ่มผลกระทบเชิงบวกและจัดลำดับความสำคัญของความเป็นธรรมและความโปร่งใสเกี่ยวกับวิธีการพัฒนาและใช้งาน AI ซึ่งช่วยให้แน่ใจได้ว่านวัตกรรม AI และการตัดสินใจที่ขับเคลื่อนด้วยข้อมูลจะไม่ก่อให้เกิดการละเมิดเสรีภาพของพลเมืองและสิทธิมนุษยชน องค์กรต่าง ๆ พบว่าการสร้าง AI ที่มีความรับผิดชอบมีความท้าทาย ในขณะเดียวกันก็รักษาความสามารถในการแข่งขันในพื้นที่ AI ที่ก้าวหน้าอย่างรวดเร็ว
![ภาพของโลกใสพร้อมพื้นหลังไล่ระดับสีน้ำเงิน](https://d1.awsstatic.com/RF_Q422_Industry_Pan-Sustainability_StillLife.b899f7d39553413fc5affb349382b37b7de10d3b.png)
ปัญหาทางเทคนิค
การฝึก AI ด้วยแมชชีนเลิร์นนิงต้องใช้ทรัพยากรจำนวนมหาศาล พลังในการประมวลผลในเกณฑ์ระดับสูงเป็นสิ่งจำเป็นสำหรับเทคโนโลยีดีปเลิร์นนิง เพื่อให้สามารถทำงานได้ คุณต้องมีโครงสร้างพื้นฐานการประมวลผลที่แข็งแกร่งเพื่อรันแอปพลิเคชัน AI และฝึกโมเดลของคุณ พลังในการประมวลผลอาจมีค่าใช้จ่ายสูงและจำกัดความสามารถในการปรับขนาดของระบบ AI ของคุณ
![การออกแบบนามธรรมของรูปร่างโลหะ](https://d1.awsstatic.com/s3-page-tabs-2-1.9469f303bef0b38f166662a8181e61c7076a295a.jpg)
ข้อจำกัดของข้อมูล
คุณต้องป้อนข้อมูลจำนวนมหาศาลเพื่อฝึกระบบ AI ที่เป็นกลาง โดยต้องมีพื้นที่จัดเก็บที่เพียงพอในการจัดการและประมวลผลข้อมูลในการฝึก ในทำนองเดียวกัน คุณต้องมีการจัดการที่มีประสิทธิภาพและมีกระบวนการคุณภาพของข้อมูลเพื่อให้มั่นใจถึงความถูกต้องของข้อมูลที่คุณใช้ในการฝึก
![เพื่อนร่วมงานสองคนมองหาข้อมูลบนคอมพิวเตอร์ของพวกเขา](https://d1.awsstatic.com/products/generative-ai/ai-hub-data-foundation.773cc5be0d4ba9de38922d6e8f72cdb8e898d14a.jpg)
AWS สามารถรองรับความต้องการปัญญาประดิษฐ์ของคุณได้อย่างไร
AWS ทำให้ AI สามารถเข้าถึงผู้คนได้มากขึ้น ตั้งแต่ผู้สร้างและนักวิทยาศาสตร์ข้อมูลไปจนถึงนักวิเคราะห์ธุรกิจและนักศึกษา ด้วยชุดบริการ เครื่องมือ และทรัพยากร AI ที่ครอบคลุมที่สุด AWS นำความเชี่ยวชาญอย่างลึกซึ้งให้กับลูกค้ากว่า 100,000 รายเพื่อตอบสนองความต้องการของธุรกิจของพวกเขาและปลดล็อกคุณค่าของข้อมูลของพวกเขา ลูกค้าสามารถสร้างและปรับขนาดด้วย AWS บนพื้นฐานของความเป็นส่วนตัว ความปลอดภัยแบบครบวงจร และการกำกับดูแลของ AI เพื่อเปลี่ยนแปลงในอัตราที่ไม่เคยมีมาก่อน AI บน AWS รวมถึงบริการ AI ที่ได้รับการฝึกอบรมล่วงหน้าสำหรับข่าวกรองสำเร็จรูปและโครงสร้างพื้นฐาน AI เพื่อเพิ่มประสิทธิภาพสูงสุดและลดต้นทุน