by: adminPosted on:

Free Courses Generative AI จาก Google ของดีแบบนี้ต้องรีบแชร์เก็บไว้

เกี่ยวกับคอร์สนี้

  • คอร์ส “Introduction to Generative AI” จัดทำโดย Dr. Gwendolyn Stripling ที่ Google Cloud
  • อธิบายเกี่ยวกับ Generative AI, วิธีการทำงาน, ประเภทของโมเดล Generative AI และการประยุกต์ใช้
  • Generative AI สามารถสร้างเนื้อหาหลากหลายประเภท เช่น ข้อความ รูปภาพ เสียง และข้อมูลเสมือน
  • ประสิทธิภาพในการเรียนรู้และใช้งานโมเดล AI ในการทำนายและจัดกลุ่มข้อมูล
  • Generative AI เป็นส่วนหนึ่งของ deep learning ที่สามารถสร้างเนื้อหาใหม่ๆ ขึ้นมาโดยใช้รูปแบบและโครงสร้างที่ได้เรียนรู้ไว้

สรุปเนื้อหาสำคัญในคอร์ส

  1. การแนะนำเกี่ยวกับ AI ทั่วไป: อธิบายแนวคิดพื้นฐานของ AI (ปัญญาประดิษฐ์) และ ML (การเรียนรู้ของเครื่อง) รวมถึงความแตกต่างระหว่างการเรียนรู้แบบมีผู้ดูแล (supervised learning) และไม่มีผู้ดูแล (unsupervised learning).
  2. การเรียนรู้ลึก (Deep Learning): ประเภทของ ML ที่ใช้เครือข่ายประสาทเทียม, สามารถประมวลผลรูปแบบที่ซับซ้อนกว่า ML แบบดั้งเดิม, และใช้ทั้งข้อมูลที่มีป้ายกำกับและไม่มีป้ายกำกับ (semi-supervised learning).
  3. ความแตกต่างระหว่างโมเดลทั่วไปกับโมเดล Generative AI: โมเดลทั่วไปเน้นการเรียนรู้ความสัมพันธ์ระหว่างข้อมูลกับป้ายกำกับ, ในขณะที่ Generative AI เรียนรู้รูปแบบบนเนื้อหาเพื่อสร้างเนื้อหาใหม่.
  4. การประยุกต์ใช้ Generative AI: สามารถสร้างเนื้อหาใหม่ อาทิ ข้อความ, ภาพ, เสียง, และข้อมูลสังเคราะห์ โดยใช้ข้อมูลที่ได้รับการฝึกฝนมา.
  5. โมเดล Generative AI ที่ใช้งานได้จริง: อธิบายการทำงานของโมเดล Generative AI ในการสร้างเนื้อหาใหม่ตามคำแนะนำ และการใช้ประโยชน์จากข้อมูลที่มีอยู่เพื่อสร้างสรรค์เนื้อหาใหม่ ๆ อย่างเช่นข้อความ, ภาพ, หรือเสียง.

สามารถลงทะเบียนเรียนฟรีได้ที่นี่
https://www.cloudskillsboost.google/course_templates/536

  • Artificial Intelligence หรือ AI คือความสามารถของเครื่องจักรในการทำงานที่ต้องการความฉลาดหรือความสามารถที่เปรียบเสมือนมนุษย์ เช่น การเรียนรู้, การวิเคราะห์, การแก้ปัญหา.
  • Machine Learning หรือ ML คือหนึ่งในวิธีการที่ AI สามารถเรียนรู้ได้ โดยการใช้ข้อมูลเพื่อปรับปรุงหรือเรียนรู้ตามลำดับโดยไม่ต้องโปรแกรมโดยตรง.
  • Deep Learning คือหนึ่งในเทคนิคของ ML ที่ใช้เครือข่ายประสาทเทียม (neural networks) หลายชั้นเพื่อจำลองความซับซ้อนของข้อมูลและสามารถรู้จำและจัดการกับข้อมูลที่ซับซ้อนได้ดียิ่งขึ้น.
  1. การเรียนรู้ภายใต้การดูแล (Supervised learning):
    • ข้อมูลนำเข้า (Input data: x) จะถูกป้อนเข้าไปในโมเดล (Model).
    • โมเดลจะทำนายผลลัพธ์ (Predict output �^y^​) จากข้อมูลนำเข้า.
    • ผลลัพธ์ที่ทำนายได้จะถูกเปรียบเทียบกับผลลัพธ์ที่คาดหวังจากชุดข้อมูลการฝึกสอน (Expected output �y) เพื่อหาความผิดพลาด (Error).
    • ความผิดพลาดนี้จะถูกใช้ในการปรับปรุงโมเดล (Model update).

ในการเรียนรู้แบบนี้, โมเดลจะถูกฝึกด้วยข้อมูลที่มีป้ายกำกับหรือคำตอบที่ถูกต้องแล้ว เพื่อให้สามารถทำนายผลลัพธ์ของข้อมูลใหม่ที่คล้ายคลึงกันได้อย่างแม่นยำ.

  1. การเรียนรู้โดยไม่มีการดูแล (Unsupervised learning):
    • ข้อมูลนำเข้า (Input data: x) ถูกป้อนเข้าไปในโมเดล (Model) เช่นเดียวกับการเรียนรู้ภายใต้การดูแล.
    • แต่แทนที่จะทำนายผลลัพธ์, โมเดลจะพยายามสร้างตัวอย่างใหม่ (Generated example) โดยพิจารณาจากโครงสร้างหรือรูปแบบที่พบในข้อมูลนำเข้า.

การเรียนรู้แบบไม่มีการดูแลไม่ต้องการข้อมูลที่มีป้ายกำกับหรือคำตอบที่ถูกต้องล่วงหน้า เนื่องจากโมเดลจะสำรวจข้อมูลและพยายามหาความสัมพันธ์หรือรูปแบบที่ซ่อนอยู่ในข้อมูลนั้นๆ โดยตัวเอง.

รูปภาพนี้แสดงถึงประเภทของ Deep Learning สองประเภทหลัก Discriminative และ Generative

  1. Discriminative
    • ใช้สำหรับการจำแนกหรือทำนาย (classify or predict).
    • โดยปกติจะถูกฝึกฝนด้วยชุดข้อมูลที่มีป้ายกำกับ (labeled data).
    • เรียนรู้ความสัมพันธ์ระหว่างคุณลักษณะของข้อมูล (features) และป้ายกำกับ (labels).

ในภาพ, แสดงให้เห็นว่าโมเดลสามารถแยกข้อมูลที่มีคุณลักษณะต่างกันออกจากกันได้, ตัวอย่างเช่น ข้อมูลที่แสดงด้วยสีเขียวและสีเหลืองและมีเส้นแบ่งเขตของการตัดสินใจ (decision boundary) แสดงด้วยเส้นประ.

  1. Generative
    • สร้างข้อมูลใหม่ที่คล้ายกับข้อมูลที่ถูกฝึก (generates new data).
    • เข้าใจการกระจายของข้อมูล (distribution of data) และความน่าจะเป็นของตัวอย่างที่กำหนด (likelihood of a given example).
    • สามารถทำนายคำถัดไปในลำดับ (predict next word in a sequence).

ภาพแสดงข้อมูลที่ถูกกลุ่มสร้างขึ้นใหม่ซึ่งหมายความว่าโมเดลได้เรียนรู้การกระจายข้อมูลเดิมและสามารถสร้างข้อมูลใหม่ที่คล้ายคลึงกับข้อมูลที่ได้รับการฝึกฝนมา.

ในทางปฏิบัติ, โมเดลแยกแยะถูกใช้ในการจำแนกประเภทข้อมูลหรือทำนายค่าเฉพาะตัว, ในขณะที่โมเดลสร้างสรรค์สามารถสร้างข้อมูลใหม่ๆ ที่ไม่เคยเห็นมาก่อน, เช่น การสร้างภาพ, การสร้างข้อความ, หรือแม้กระทั่งการสร้างเสียง.

รูปนี้จะช่วยให้ดูเข้าใจได้ง่ายขึ้นครับ

รูปภาพนี้แสดงถึงประเภทของ Generative Models สองประเภท: language models) และ image models

  1. Generative language models
    • โมเดลภาษาประเภทนี้เรียนรู้เกี่ยวกับรูปแบบในภาษาผ่านข้อมูลการฝึกฝน.
    • เมื่อได้รับข้อความบางส่วน, โมเดลสามารถทำนายว่าข้อความต่อไปควรจะเป็นอย่างไร.
  2. Generative image models
    • โมเดลภาพประเภทนี้สร้างภาพใหม่ๆ โดยใช้เทคนิคต่างๆ เช่น การกระจาย (diffusion).
    • เมื่อได้รับคำแนะนำหรือภาพที่เกี่ยวข้อง, โมเดลสามารถแปลงสัญญาณรบกวน (random noise) เป็นภาพหรือสร้างภาพจากคำแนะนำ.

ทั้งสองประเภทของโมเดลการสร้างสรรค์เหล่านี้มีความสามารถในการเรียนรู้และสร้างเนื้อหาใหม่ๆ ที่ไม่มีอยู่ก่อน โดยอิงจากข้อมูลที่ได้รับการฝึกฝนมา. โมเดลภาษาใช้ในการสร้างข้อความ ส่วนโมเดลภาพใช้ในการสร้างภาพที่หลากหลายตามคำแนะนำที่ได้รับ.

รูปภาพนี้แสดงถึงการประยุกต์ใช้งานของ Generative AI ซึ่งแบ่งออกเป็นหลายหมวดหมู่ตามประเภทของเนื้อหาที่สร้างขึ้น ได้แก่:

  1. ข้อความ (Text):
    • การตลาด (เนื้อหา)
    • การขาย (อีเมล)
    • การสนับสนุน (แชท/อีเมล)
    • การเขียนทั่วไป
    • การจดบันทึก
    • ประเภทอื่นๆ
  2. โค้ด (Code):
    • การสร้างโค้ด
    • การเขียนเอกสารโค้ด
    • ข้อความไปยัง SQL
    • บิลเดอร์สำหรับเว็บแอป
  3. ภาพ (Image):
    • การสร้างภาพ
    • การบริโภค/สังคม
    • สื่อ/การโฆษณา
    • การออกแบบ
  4. การพูด (Speech):
    • การสร้างเสียงพูด
  5. วิดีโอ (Video):
    • การแก้ไขวิดีโอ/การสร้าง
  6. 3 มิติ (3D):
    • รูปแบบ 3D/ฉาก
  7. ประเภทอื่นๆ (Other):
    • เกมมิ่ง
    • การประมวลผลอัตโนมัติ (RPA)
    • ดนตรี
    • เสียง
    • ชีววิทยาและเคมี

แต่ละหมวดหมู่แสดงถึงการประยุกต์ใช้งานที่แตกต่างกันของเทคโนโลยี AI ในการสร้างเนื้อหาที่หลากหลาย ตั้งแต่ข้อความและโค้ด ไปจนถึงภาพ, เสียง, และเนื้อหา 3 มิติ ซึ่งมีการใช้งานในหลากหลายอุตสาหกรรมครับ.

เอกสารที่เกี่ยวข้องเกี่ยวกับคอร์สนี้

● Ask a Techspert: What is generative AI?
https://blog.google/inside-google/googlers/ask-a-techspert/what-is-generative-ai/
● Build new generative AI powered search & conversational experiences with Gen App
Builder:
https://cloud.google.com/blog/products/ai-machine-learning/create-generative-apps-inminutes-with-gen-app-builder
● What is generative AI?
https://www.mckinsey.com/featured-insights/mckinsey-explainers/what-is-generative-ai
● Google Research, 2022 & beyond: Generative models:
https://ai.googleblog.com/2023/01/google-research-2022-beyond-language.html#Gener
ativeModels
● Building the most open and innovative AI ecosystem:
https://cloud.google.com/blog/products/ai-machine-learning/building-an-open-generativ
e-ai-partner-ecosystem
● Generative AI is here. Who Should Control It?
https://www.nytimes.com/2022/10/21/podcasts/hard-fork-generative-artificial-intelligen
ce.html
● Stanford U & Google’s Generative Agents Produce Believable Proxies of Human
Behaviors:
https://syncedreview.com/2023/04/12/stanford-u-googles-generative-agents-produce-b
elievable-proxies-of-human-behaviours/
● Generative AI: Perspectives from Stanford HAI:
https://hai.stanford.edu/sites/default/files/2023-03/Generative_AI_HAI_Perspectives
● Generative AI at Work:
https://www.nber.org/system/files/working_papers/w31161/w31161.pdf
● The future of generative AI is niche, not generalized:
https://www.technologyreview.com/2023/04/27/1072102/the-future-of-generative-ai-isniche-not-generalized/
● The implications of Generative AI for businesses:
https://www2.deloitte.com/us/en/pages/consulting/articles/generative-artificial-intellig
ence.html
● Proactive Risk Management in Generative AI:
https://www2.deloitte.com/us/en/pages/consulting/articles/responsible-use-of-generati
ve-ai.html
● How Generative AI Is Changing Creative Work:
https://hbr.org/2022/11/how-generative-ai-is-changing-creative-work
Here are the assembled readings on large language models:
● NLP’s ImageNet moment has arrived: https://thegradient.pub/nlp-imagenet/
● LaMDA: our breakthrough conversation technology:
https://blog.google/technology/ai/lamda/
● Language Models are Few-Shot Learners:
https://proceedings.neurips.cc/paper/2020/file/1457c0d6bfcb4967418bfb8ac142f64aPaper.pdf
● PaLM-E: An embodied multimodal language model:
https://ai.googleblog.com/2023/03/palm-e-embodied-multimodal-language.html
● PaLM API & MakerSuite: an approachable way to start prototyping and building
generative AI applications:
https://developers.googleblog.com/2023/03/announcing-palm-api-and-makersuite.html
● The Power of Scale for Parameter-Efficient Prompt Tuning:
https://arxiv.org/pdf/2104.08691.pdf
● Google Research, 2022 & beyond: Language models:
https://ai.googleblog.com/2023/01/google-research-2022-beyond-language.html/Langu
ageModels
● Solving a machine-learning mystery:
https://news.mit.edu/2023/large-language-models-in-context-learning-0207
Additional Resources:
● Attention is All You Need: https://research.google/pubs/pub46201/
● Transformer: A Novel Neural Network Architecture for Language Understanding:
https://ai.googleblog.com/2017/08/transformer-novel-neural-network.html
● Transformer on Wikipedia:
https://en.wikipedia.org/wiki/Transformer_(machine_learning_model)#:~:text=Transfor
mers%20were%20introduced%20in%202017,allowing%20training%20on%20larger%20da
tasets.
● What is Temperature in NLP? https://lukesalamone.github.io/posts/what-is-temperature/
● Model Garden: https://cloud.google.com/model-garden
● Auto-generated Summaries in Google Docs:
https://ai.googleblog.com/2022/03/auto-generated-summaries-in-google-docs.html