AI ช่วยสร้างคืออะไร

เช่นเดียวกับปัญญาประดิษฐ์ทั้งหมด AI ช่วยสร้างทำงานโดยใช้โมเดลแมชชีนเลิร์นนิง ซึ่งเป็นโมเดลที่มีขนาดใหญ่มากซึ่งได้รับการฝึกเกี่ยวกับข้อมูลจำนวนมหาศาล

โมเดลพื้นฐาน

โมเดลพื้นฐาน (FM) เป็นโมเดล ML ที่ได้รับการฝึกเกี่ยวกับสเปกตรัมกว้างของข้อมูลทั่วไปและข้อมูลที่ไม่ระบุ โมเดลเหล่านี้สามารถทำงานทั่วไปได้หลากหลาย

FM เป็นผลมาจากความก้าวหน้าล่าสุดของเทคโนโลยีที่พัฒนามานานหลายทศวรรษ โดยทั่วไปแล้ว FM จะใช้รูปแบบที่มีการเรียนรู้และความสัมพันธ์เพื่อทำนายรายการถัดไปในลำดับ

ตัวอย่างเช่น ในการสร้างภาพ โมเดลจะวิเคราะห์รูปภาพและสร้างรูปภาพในเวอร์ชันที่คมชัดและชัดเจนยิ่งขึ้น ในทำนองเดียวกัน สำหรับข้อความ โมเดลจะคาดเดาคำถัดไปในสตริงข้อความโดยอิงตามคำก่อนหน้าและบริบทของคำเหล่านั้น จากนั้นเลือกคำถัดไปโดยใช้เทคนิคการแจกแจงความน่าจะเป็น

โมเดลภาษาขนาดใหญ่

โมเดลภาษาขนาดใหญ่ (LLM) เป็นประเภทฟหนึ่งของ FM ตัวอย่างเช่น โมเดล Generative Pre-trained Transformer (GPT) ของ OpenAI คือ LLM LLM มุ่งเน้นไปที่งานเกี่ยวกับภาษาโดยเฉพาะ เช่น การสรุป การสร้างข้อความ การจำแนก การสนทนาแบบปลายเปิด และการแยกข้อมูล

อ่านเกี่ยวกับ GPT »

ความพิเศษของ LLM คือความสามารถในการทำงานหลายอย่าง เหตุผลคือมีพารามิเตอร์มากมายซึ่งทำให้สามารถเรียนรู้แนวคิดขั้นสูง

LLM เช่น GPT-3 สามารถพิจารณาพารามิเตอร์หลายพันล้านรายการและมีความสามารถในการสร้างเนื้อหาจากอินพุตเพียงเล็กน้อย ซึ่งผ่านการฝึกเกี่ยวกับข้อมูลระดับอินเทอร์เน็ตในฟอร์มต่างๆ และรูปแบบมากมาย LLM เรียนรู้ที่จะใช้ความรู้ที่มีในบริบทที่หลากหลาย

โมเดลแมชชีนเลิร์นนิงแบบดั้งเดิมนั้นมีการแยกความแตกต่างหรือมุ่งเน้นไปที่การจำแนกจุดข้อมูล โดยพยายามกำหนดความสัมพันธ์ระหว่างปัจจัยที่รู้และไม่รู้ ตัวอย่างเช่น เมื่อดูภาพจะมีข้อมูลที่รู้จัก เช่น การจัดเรียงพิกเซล เส้น สี และรูปร่าง จากนั้นจับคู่ข้อมูลที่รู้จักเป็นคำและปัจจัยที่ไม่รู้จัก ในทางคณิตศาสตร์ โมเดลทำงานโดยระบุสมการที่สามารถจับคู่ปัจจัยที่ไม่รู้จักและรู้จักเชิงตัวเลข เช่น ตัวแปร x และ y

โมเดลช่วยสร้างที่ก้าวไปอีกระดับ แทนที่จะคาดการณ์ข้อมูลที่ระบุตามบางคุณสมบัติ แต่กลับพยายามคาดการณ์คุณสมบัติตามบางข้อมูลที่ระบุ ในทางคณิตศาสตร์ การสร้างโมเดลช่วยสร้างจะคำนวณความน่าจะเป็นของ x และ y ที่สัมพันธ์กัน โดยเรียนรู้การแจกแจงของคุณสมบัติข้อมูลที่แตกต่างกันและความสัมพันธ์

ตัวอย่างเช่น โมเดลช่วยสร้างจะวิเคราะห์ภาพสัตว์เพื่อบันทึกตัวแปร เช่น รูปทรงหู รูปทรงตา ลักษณะหาง และลวดลายผิวต่างๆ โมเดลจะเรียนรู้คุณสมบัติและความสัมพันธ์ของข้อมูลเพื่อทำความเข้าใจว่าสัตว์ต่างๆ โดยทั่วไปมีลักษณะอย่างไร จากนั้นโมเดลจะสร้างภาพสัตว์ใหม่ที่ไม่ได้อยู่ในชุดเรียนรู้

ต่อไป เราจะระบุหมวดหมู่กว้างๆ ให้กับโมเดล AI ช่วยสร้าง

โมเดลการแพร่กระจาย

โมเดลการแพร่กระจายสร้างข้อมูลใหม่โดยควบคุมการเปลี่ยนแปลงแบบสุ่มซ้ำๆ ไปยังตัวอย่างข้อมูลเบื้องต้น โดยเริ่มต้นด้วยข้อมูลต้นแบบและเพิ่มการเปลี่ยนแปลงที่ละเอียดอ่อน (สัญญาณรบกวน) ทำให้คล้ายกับต้นแบบน้อยลง สัญญาณรบกวนนี้ถูกควบคุมอย่างระมัดระวังเพื่อให้แน่ใจว่าข้อมูลที่สร้างขึ้นยังคงสอดคล้องกันและสมจริง

หลังจากเพิ่มสัญญาณรบกวนลงในการทำซ้ำหลายครั้ง โมเดลการแพร่กระจายจะย้อนกลับกระบวนการ การกำจัดสัญญาณรบกวนย้อนกลับจะค่อยๆ ขจัดสัญญาณรบกวนเพื่อสร้างตัวอย่างข้อมูลใหม่ที่คล้ายคลึงกับต้นฉบับ

เครือข่ายปฏิปักษ์ช่วยสร้าง

เครือข่ายปฏิปักษ์ช่วยสร้าง (GAN) เป็นโมเดล AI ช่วยสร้างอีกประเภทหนึ่งที่สร้างขึ้นบนแนวคิดของโมเดลการแพร่กระจาย

GAN ทำงานโดยการฝึกนิวรัลเน็ตเวิร์กสองเครือข่ายในลักษณะการแข่งขัน เครือข่ายแรกเรียกว่า เครื่องกำเนิดข้อมูล สร้างตัวอย่างข้อมูลจำลองโดยการเพิ่มสัญญาณรบกวนแบบสุ่ม เครือข่ายที่สองเรียกว่า เครื่องแยกข้อมูล ทำการแยกระหว่างข้อมูลจริงและข้อมูลจำลองที่สร้างโดยเครื่องกำเนิดข้อมูล 

ในระหว่างการฝึก เครื่องกำเนิดข้อมูลจะปรับปรุงความสามารถในการสร้างข้อมูลที่สมจริงอย่างต่อเนื่อง ในขณะที่เครื่องแยกข้อมูลจะปรับปรุงการแยกข้อมูลจริงออกจากข้อมูลจำลอง กระบวนการปฏิปักษ์นี้จะทำงานต่อไปจนกระทั่งเครื่องกำเนิดข้อมูลสร้างข้อมูลที่น่าเชื่อถือ จนเครื่องแยกไม่สามารถแยกความแตกต่างกับข้อมูลจริงได้

GAN ถูกนำมาใช้กันอย่างแพร่หลายในการสร้างภาพสมจริง การถ่ายโอนสไตล์ และงานการเสริมข้อมูล

ตัวเข้ารหัสอัตโนมัติแบบแปรผัน

ตัวเข้ารหัสอัตโนมัติแบบแปรผัน (VAE) เรียนรู้การแสดงแทนที่กระชับของข้อมูลซึ่งเรียกว่า ปริภูมิแฝง ปริภูมิแฝง คือการแสดงแทนทางคณิตศาสตร์ของข้อมูล คุณอาจคิดว่าเป็นรหัสที่ไม่ซ้ำกันซึ่งแสดงแทนข้อมูลตามคุณลักษณะทั้งหมด ตัวอย่างเช่น หากศึกษาใบหน้า ปริภูมิแฝงจะมีตัวเลขที่แสดงแทนรูปทรงตา รูปทรงจมูก โหนกแก้ม และหู

VAE ใช้นิวรัลเน็ตเวิร์กสองเครือข่าย ได้แก่ ตัวเข้ารหัสและตัวถอดรหัส นิวรัลเน็ตเวิร์กของตัวเข้ารหัสจะจับคู่ข้อมูลอินพุตเป็นค่าเฉลี่ยและความแปรปรวนสำหรับแต่ละมิติของปริภูมิแฝง โดยสร้างตัวอย่างแบบสุ่มจากการแจกแจงแบบเกาส์ (ปกติ) ตัวอย่างนี้คือจุดในปริภูมิแฝงและแสดงแทนรูปแบบที่บีบอัดและเรียบง่ายของข้อมูลอินพุต

นิวรัลเน็ตเวิร์กของตัวถอดรหัสจะนำจุดตัวอย่างนี้จากปริภูมิแฝงและสร้างใหม่เป็นข้อมูลที่คล้ายคลึงกับอินพุตต้นแบบ ฟังก์ชันทางคณิตศาสตร์ใช้เพื่อวัดว่าข้อมูลที่สร้างใหม่ตรงกับข้อมูลต้นฉบับมากน้อยเพียงใด

โมเดลที่ใช้ Transformer

โมเดล AI ช่วยสร้างที่ใช้ Transformer สร้างจากแนวคิดตัวเข้ารหัสและตัวถอดรหัสของ VAE โมเดลที่ใช้ Transformer เพิ่มเลเยอร์เพิ่มเติมให้กับตัวเข้ารหัสเพื่อปรับปรุงประสิทธิภาพของงานที่ใช้ข้อความ เช่น ความเข้าใจ การแปล และการเขียนเชิงสร้างสรรค์

โมเดลที่ใช้ Transformer ใช้กลไกการสนใจตนเอง โดยชั่งน้ำหนักความสำคัญของส่วนต่างๆ ของลำดับอินพุตเมื่อประมวลผลแต่ละองค์ประกอบในลำดับ

คุณสมบัติที่สำคัญอีกประการหนึ่ง คือโมเดล AI เหล่านี้ใช้การฝังบริบท การเข้ารหัสขององค์ประกอบลำดับไม่เพียงแต่ขึ้นอยู่กับองค์ประกอบเท่านั้น แต่ยังขึ้นอยู่กับบริบทภายในลำดับอีกด้วย

โมเดลที่ใช้ Transformer ทำงานอย่างไร

หากต้องการทำความเข้าใจว่าโมเดลที่ใช้ Transformer ทำงานอย่างไร ให้นึกถึงประโยคเป็นลำดับของคำ

การสนใจตนเองช่วยให้โมเดลมุ่งเน้นไปที่คำที่เกี่ยวข้อง ในขณะที่ประมวลผลแต่ละคำ หากต้องการจับความสัมพันธ์ประเภทต่างๆ ระหว่างคำ โมเดลช่วยสร้างที่ใช้ Transformer จะใช้เลเยอร์ตัวเข้ารหัสหลายชั้นที่เรียกว่า หัวการสนใจ แต่ละหัวเรียนรู้ที่จะสนใจส่วนต่างๆ ของลำดับอินพุต ซึ่งช่วยให้โมเดลสามารถพิจารณาแง่มุมต่างๆ ของข้อมูลพร้อมกัน

แต่ละเลเยอร์ยังปรับแต่งการฝังบริบท เลเยอร์ทำให้การฝังข้อมูลมากขึ้นและจับทุกอย่างตั้งแต่โครงสร้างของไวยากรณ์ไปจนถึงการตีความของความหมายที่ซับซ้อน

หากองค์กรของคุณต้องการใช้โซลูชัน AI ช่วยสร้าง ควรพิจารณาแนวทางปฏิบัติที่ดีที่สุดต่อไปนี้เพื่อยกระดับความพยายามของคุณ

เริ่มต้นด้วยแอปพลิเคชันภายใน

เป็นการดีที่สุดที่จะเริ่มต้นปรับใช้ AI ช่วยสร้างด้วยการพัฒนาแอปพลิเคชันภายใน โดยมุ่งเน้นไปที่การเพิ่มประสิทธิภาพกระบวนการและผลิตภาพของพนักงาน คุณจะได้รับสภาพแวดล้อมที่ควบคุมได้มากขึ้นสำหรับการทดสอบผลลัพธ์ พร้อมกับสร้างทักษะและความเข้าใจเกี่ยวกับเทคโนโลยี คุณสามารถทดสอบโมเดลที่หลากหลายและยังปรับแต่งตามแหล่งขององค์ความรู้ภายในได้อีกด้วย

เมื่อใช้วิธีนี้ลูกค้าของคุณจะได้รับประสบการณ์ที่ดียิ่งขึ้น ท้ายที่สุดเมื่อคุณใช้โมเดลสำหรับแอปพลิเคชันภายนอก

ยกระดับความโปร่งใส

สื่อสารอย่างชัดเจนเกี่ยวกับแอปพลิเคชันและเอาต์พุต AI ช่วยสร้างทั้งหมด เพื่อให้ผู้ใช้ของคุณรู้ว่าพวกเขากำลังโต้ตอบกับ AI ไม่ใช่มนุษย์ ตัวอย่างเช่น AI สามารถแนะนำตัวเองในฐานะ AI หรือผลการค้นหาที่ใช้ AI สามารถทำเครื่องหมายและไฮไลต์ได้

เมื่อใช้วิธีนี้ผู้ใช้ของคุณสามารถใช้ดุลยพินิจของตนเมื่อมีส่วนร่วมกับเนื้อหา ลูกค้าอาจมีการโต้ตอบเชิงรุกมากขึ้นในการจัดการกับความไม่ถูกต้องหรืออคติซึ่งอาจซ่อนอยู่ในโมเดลพื้นฐาน เนื่องจากขีดจำกัดของข้อมูลเรียนรู้

ใช้ความปลอดภัย

ใช้กฎควบคุมระบบเพื่อให้แอปพลิเคชัน AI ช่วยสร้างของคุณปฏฺิเสธการเข้าถึงข้อมูลที่ละเอียดอ่อนโดยไม่ได้รับอนุญาตโดยไม่ตั้งใจ ให้ความร่วมมือกับทีมรักษาความปลอดภัยตั้งแต่เริ่มต้น เพื่อพิจารณาทุกแง่มุมตั้งแต่เริ่มต้น ตัวอย่างเช่น คุณอาจต้องปิดบังข้อมูลและลบข้อมูลที่ระบุตัวตนของบุคคลได้ (PII) ก่อนที่คุณจะฝึกโมเดลใดๆ เกี่ยวกับข้อมูลภายใน

การทดสอบที่หลากหลาย

พัฒนากระบวนการทดสอบแบบอัตโนมัติและแบบแมนนวลเพื่อตรวจสอบผลลัพธ์ และทดสอบสถานการณ์ทุกประเภทที่ระบบ AI ช่วยสร้างอาจเผชิญ ด้วยกลุ่มเครื่องทดสอบเบต้าที่แตกต่างกันซึ่งลองใช้แอปพลิเคชันในรูปแบบและผลลัพธ์เอกสารต่างๆ โมเดลนี้จะยังปรับปรุงอย่างต่อเนื่องผ่านการทดสอบ และคุณจะได้รับการควบคุมผลลัพธ์และการตอบสนองที่คาดหวังได้มากขึ้น

Amazon Web Services (AWS) ทำให้การสร้างและปรับขนาดแอปพลิเคชัน AI ช่วยสร้างสำหรับข้อมูล กรณีการใช้งาน และลูกค้าของคุณง่ายขึ้น ด้วย AI ช่วยสร้างบน AWS คุณจะได้รับความปลอดภัยและความเป็นส่วนตัวระดับองค์กร การเข้าถึง FM ชั้นนำในอุตสาหกรรม แอปพลิเคชันที่ขับเคลื่อนด้วย AI ช่วยสร้าง และแนวทางที่คำนึกถึงข้อมูลเป็นหลัก

เลือกจากกลุ่มเทคโนโลยี AI ช่วยสร้างที่รองรับองค์กรทุกประเภทในทุกขั้นตอนของการปรับใช้และการเติบโตของ AI ช่วยสร้าง

• การสร้างรหัสเป็นหนึ่งในแอปพลิเคชันที่เป็นไปได้มากที่สุดสำหรับ AI ช่วยสร้าง เมื่อใช้ Amazon CodeWhisperer ที่มาพร้อมกับการเข้ารหัส AI คุณจะได้ผลลัพธ์ที่ยอดเยี่ยมในด้านผลิตภาพของนักพัฒนา ในระหว่างการแสดงตัวอย่าง Amazon ได้เผชิญกับความท้าทายด้านผลิตภาพ ผู้เข้าร่วมที่ใช้ CodeWhisperer มีโอกาสที่จะทำงานสำเร็จมากถึง 27 เปอร์เซ็นต์ โดยเฉลี่ยแล้วผู้ใช้ทำงานเสร็จเร็วกว่าผู้ที่ไม่ใช้ CodeWhisperer ถึง 57 เปอร์เซ็นต์
• Amazon Bedrock เป็นอีกหนึ่งบริการที่มีการจัดการเต็มรูปแบบซึ่งมี FM ที่มีประสิทธิภาพสูงและความสามารถต่างๆ ให้เลือก คุณสามารถทดลองกับ FM ชั้นนำต่างๆ ปรับแต่งข้อมูลส่วนตัวด้วยข้อมูลของคุณ และสร้างเอเจนต์ที่มีการจัดการซึ่งบริหารงานธุรกิจที่ซับซ้อนได้อย่างง่ายดาย
• คุณยังสามารถใช้ Amazon SageMaker JumpStart เพื่อค้นพบ สำรวจ และนำ FM แบบโอเพนซอร์สไปใช้จริง หรือแม้แต่สร้างแบบของคุณเอง SageMaker JumpStart มีโครงสร้างพื้นฐานและเครื่องมือที่มีการจัดการเพื่อเร่งการสร้างโมเดลที่ปรับขนาดได้ เชื่อถือได้ และปลอดภัย เพื่อสร้าง ฝึก และนำไปใช้จริง
• AWS HealthScribe เป็นบริการที่มีคุณสมบัติตรงตาม HIPAA ซึ่งส่งเสริมผู้จำหน่ายซอฟต์แวร์ด้านการดูแลสุขภาพในการสร้างแอปพลิเคชันด้านคลินิก ซึ่งสร้างบันทึกทางคลินิกโดยอัตโนมัติผ่านการวิเคราะห์การสนทนาของผู้ป่วยกับแพทย์ AWS HealthScribe ผสมผสานการจดจำคำพูดและปัญญาประดิษฐ์ (AI) ช่วยสร้างเพื่อลดภาระของเอกสารทางคลินิกโดยการถอดรหัสการสนทนาของผู้ป่วยกับแพทย์และสร้างบันทึกทางคลินิกที่ง่ายต่อการตรวจสอบ
• Amazon Q ใน QuickSight ช่วยให้นักวิเคราะห์ธุรกิจสามารถสร้างและปรับแต่งภาพได้อย่างง่ายดายโดยใช้คำสั่งภาษาธรรมชาติ ความสามารถในการเขียนของ BI ช่วยสร้างใหม่ จะขยายการสืบค้นภาษาธรรมชาติของ QuickSight Q นอกเหนือจากการตอบคำถามที่มีโครงสร้างที่ดี (เช่น "ผลิตภัณฑ์ 10 อันดับแรกที่ขายในแคลิฟอร์เนียคืออะไร") เพื่อช่วยให้นักวิเคราะห์สร้างภาพที่ปรับแต่งได้จากส่วนของคำถามอย่างรวดเร็ว (เช่น "ผลิตภัณฑ์ 10 อันดับแรก") และระบุความตั้งใจของการสืบค้นโดยถามคำถามติดตาม ปรับแต่งภาพ และสำเร็จการคำนวณที่ซับซ้อน

เริ่มต้นใช้งาน AI ช่วยสร้างบน AWS โดยสร้างบัญชีได้แล้ววันนี้