ในหลายปีที่ผ่านมา คนทำงานทั้งในและนอกแวดวงดิจิทัลต่างได้นำเครื่องมือ AI มาช่วยทำงาน หรือดำเนินกิจกรรมต่างๆ
ในชีวิตประจำวัน จนเทคโนโลยี AI ได้กลายเป็นส่วนหนึ่งของของชีวิตโดยไม่รู้ตัว อย่างไรก็ตาม เทคโนโลยีที่พัฒนาไปอย่างรวดเร็วมากก็ทำให้คนอีกจำนวนมากที่ยังไม่คุ้นชินกับการใช้เทคโนโลยีเรียนรู้ได้ไม่ทัน 

VISAI
ชวนคุณมาเริ่มต้นเรียนรู้เทคโนโลยี โดยเริ่มจากคำศัพท์ที่คุณสามารถจดจำและนำไปใช้พูดคุยในที่ทำงาน หรือกับเพื่อนของคุณเพื่อให้การสื่อสารราบรื่นขึ้น โดยคำศัพท์เหล่านี้ได้ผ่านการคัดเลือกจากนักวิทยาศาสตร์ข้อมูลและนักวิจัยมาแล้ว มาเริ่มต้นเรียนรู้ได้ที่นี่

Accuracy (ความแม่นยำ)
คือตัวบ่งชี้ว่าผลการทดสอบของโมเดลใกล้เคียงกับผลลัพธ์ที่มนุษย์เห็นด้วยมากน้อยเพียงใด
โดยทั่วไปแล้ว ความแม่นยำจะวัดกับชุดข้อมูลสำหรับทดสอบ (test set) ตัวอย่างเช่น หากการทดสอบให้ผลลัพธ์ที่ถูกต้อง 9/10 ความแม่นยำคือ 0.9

AI คือ ระบบที่จำลองปัญญาของมนุษย์
และยังหมายถึงศาสตร์ที่ศึกษาการสร้างระบบดังกล่าว โดยมีจุดประสงค์คือทำให้คอมพิวเตอร์หรือเครื่องจักรสามารถทำงานต่างๆ ที่มนุษย์สามารถทำได้ เช่น งานที่เกี่ยวข้องกับการสื่อสารอย่างการแปลภาษา หรืออ่านออกเสียงข้อความ
หรือการจำแนกสิ่งของ เช่น จำแนกรถยนต์รุ่นต่าง ๆ ในภาพถ่ายท้องถนน

AI Architect คือ
ผู้ที่เข้าใจโซลูชัน AI อย่างลึกซึ้ง และประยุกต์ใช้แนวทางปฏิบัติ
วิธีการ และการคิดเชิงสถาปัตยกรรมในการออกแบบแอปพลิเคชันหรือโซลูชันที่มี
AI

AI Developer คือนักพัฒนา
แต่มีความรู้เชิงลึกมากขึ้นเกี่ยวกับแนวคิดและหลักการดำเนินงานที่เกี่ยวกับ AI รวมถึงแอปพลิเคชันหรือโซลูชัน ที่มี AI 

Algorithm คือชุดกฎเกณฑ์ที่มีหลักการแบบแผน
(ลำดับตรรกะในการดำเนินงาน หรือคำสั่ง) ที่ช่วยให้ได้ผลลัพธ์บางอย่างเมื่อป้อนอินพุต
(input) เข้าไป

Annotation คือ กระบวนการกำกับข้อมูล
และสร้างชุดข้อมูลเพื่อนำไปให้ AI เรียนรู้ 

Artificial General Intelligence (AGI)

Artificial General Intelligence (AGI) คือ ปัญญาประดิษฐ์ที่มีความสามารถพอๆ
กับมนุษย์ในการทำงานที่เกี่ยวข้องกับปัญญา

Automatic Speech Recognition (ASR) หรือ
Speech-to-Text คือ เทคโนโลยีที่เปลี่ยนเสียงพูดให้กลายเป็นข้อความ (Text)

Bot คือเครื่องมือที่ถูกออกแบบให้ทำตามกฎเกณฑ์ที่ผู้สร้างกำหนดอย่างอัตโนมัติ
โดยอาจใช้งานได้หลายรูปแบบ เช่น นำไปใช้เป็นเครื่องมือโต้ตอบกับผู้ใช้งานโดยอัตโนมัติ

Chatbot คือโปรแกรมคอมพิวเตอร์
หรือ AI ที่ออกแบบมาให้มีปฏิสัมพันธ์โต้ตอบกับผู้ใช้งานผ่านบทสนทนาโดยอัตโนมัติ

Data Augmentation คือเทคนิคในการเพิ่มปริมาณและความหลากหลายของข้อมูลในชุดข้อมูลสำหรับให้เครื่องเรียนรู้
(Training Set) โดยการลอกเลียนแบบข้อมูลเดิมที่มีอยู่และปรับแต่งเล็กน้อยเพื่อให้แตกต่าง
เช่น การกลับด้านซ้ายขวา หรือเพิ่มความสว่าง เทคนิคนี้นอกจากจะช่วยเพิ่มปริมาณข้อมูลในชุดข้อมูลแล้ว
ยังช่วยป้องกันปัญหา Overfitting อีกด้วย 

Data Scientist (นักวิทยาศาสตร์ข้อมูล)
คือผู้ที่มีความเข้าใจพฤติกรรมและความสัมพันธ์ของข้อมูลเป็นอย่างดี และสามารถนำเครื่องมือต่าง
ๆ เช่น ความรู้ทางสถิติ หรือ Machine Learning มาใช้ร่วมกับข้อมูลเหล่านั้นเพื่อพัฒนาเป็นโมเดลได้

Deep Learning (การเรียนรู้เชิงลึก)
คือ Machine Learning ประเภทหนึ่ง ซึ่งใช้อัลกอริทึมทางสถิติที่จำลองโครงข่ายประสาทของมนุษย์
ทำให้สามารถเรียนรู้ความสัมพันธ์ต่าง ๆ ภายในข้อมูลได้เองอัตโนมัติ พร้อมทั้งประมวลผลลัพธ์ออกมา

Deterministic Model คือ โมเดลที่สามารถให้ผลลัพธ์ได้เหมือนเดิมเกือบทุกครั้งที่ทำนาย
เช่น โมเดลที่เป็นประเภท Rule-based หรือ Linear ในขณะที่โมเดลบางประเภทเป็นแบบ Stochastic (Stochastic Model) ที่มีความไม่แน่นอนในผลลัพธ์ (Randomness) เช่น ChatGPT ที่คำตอบของคำถามเดียวกันอาจจะออกมาไม่เหมือนเดิมในครั้งถัดไป

Discriminative Models คือ โมเดลที่สามารถแยกแยะความแตกต่างระหว่างข้อมูลที่ถูกจัดอยู่คนละกลุ่มในชุดข้อมูลเดียวกัน โดยโมเดลจะทำความเข้าใจความน่าจะเป็นของผลลัพธ์

Few-Shot Learning คือ วิธีเรียนรู้ของโมเดล Machine Learning ที่ให้โมเดลเรียนรู้โดยมีตัวอย่างให้และไม่ต้องเทรนเพิ่ม

Fine Tuning คือกระบวนการในการปรับปรุงโมเดลให้เหมาะกับงานที่เฉพาะเจาะจงมากขึ้น
โดยการนำไปเทรนด้วยชุดข้อมูลขนาดเล็ก ตัวอย่างเช่น โมเดลภาษาขนาดใหญ่ (Large
Language Model) ที่สามารถทำได้หลายอย่าง ทั้งแปลภาษา หรือการระบุอารมณ์ด้วยข้อความ
ก็สามารถนำไปผ่านการทำ Fine Tuning เพื่อให้มีประสิทธิภาพกับงานเฉพาะทางอย่างการแปลภาษาได้

Foundation Model คือ
โมเดล AI ที่เป็นพื้นฐานและสามารถนำไปพัฒนาต่อยอดเป็นแอปพลิเคชันต่าง
ๆ ต่อได้ ซึ่ง Foundation Model อาจจะเป็นโมเดลภาษาขนาดใหญ่ (Large
Language Model) หรือโมเดลที่ทำงานเกี่ยวกับรูปภาพ (Computer
Vision) ก็ได้ 

Generation คือความสามารถของโมเดลประเภท
Generative ในการสร้างสรรค์ข้อมูลใหม่ในรูปแบบตัวอักษร ภาพ
เสียง หรือวิดีโอ

Generative AI คือโมเดล
AI ที่สร้างสรรค์ข้อมูลใหม่ โดยอ้างอิงจากรูปแบบของข้อมูลที่มีอยู่
ตัวอย่างเช่น การสร้างภาพมนุษย์ขึ้นมาใหม่
โดยประมวลผลรูปภาพมนุษย์ที่มีอยู่ในฐานข้อมูล

Generative
Pre-Trained Transformer

Generative Pre-Trained Transformer หรือที่เรียกย่อๆ ว่า GPT คือโมเดลประเภท Neural
Network ที่เรียนรู้ด้วยชุดข้อมูลขนาดใหญ่โดยวิธีแบบ Unsupervised เพื่อให้สามารถสร้างข้อมูลใหม่ขึ้นมาได้ โมเดล GPT
นั้นมีความสามารถสร้างสรรค์เนื้อหาได้แบบมนุษย์ ทั้งในรูปแบบตัวอักษร (Text) รูปภาพ
(Image) เพลง (Music)
วิดีโอ (Video) เป็นต้น

Hallucinate/Hallucination คือการที่ AI แสดงผลลัพธ์ไม่ถูกต้อง และไม่สมเหตุสมผล

Image
Recognition คือกระบวนการระบุ และอธิบายกำกับองค์ประกอบ ลักษณะ รวมถึงกิจกรรมต่างๆ ในภาพ

Information
Retrieval คือสาขาหนึ่งในวิทยาการคอมพิวเตอร์ (computer
science) ที่มุ่งศึกษากระบวนการค้นหาเนื้อหาข้อมูลจากเอกสาร
ค้นหาเอกสารนั้นเอง ค้นหาคำอธิบายชุดข้อมูล (metadata) รวมถึงค้นหาที่อยู่ฐานข้อมูลของข้อมูลต่างๆ

Large
Language Model คือ AI ประเภทหนึ่งที่เรียนรู้ภาษามนุษย์จากชุดข้อมูลขนาดใหญ่จนสามารถผลิตข้อความได้เหมือนกับมนุษย์

Low-code
คือการพัฒนาซอฟต์แวร์ให้สามารถใช้งานได้ โดยที่ผู้ใช้งานแทบไม่ต้องเขียนโค้ด

Machine Learning (การเรียนรู้ด้วยเครื่อง)
คือ AI ประเภทหนึ่งที่สามารถเรียนรู้ได้ด้วยตนเองจากข้อมูลที่เตรียมไว้ให้
และสามารถแสดงผลโดยอ้างอิงจากความรู้ดังกล่าว

Model คือแบบจำลองที่เกิดจากการที่
AI เรียนรู้ข้อมูล

Multimodal Language Model คือ โมเดลประเภท Deep Learning ที่ผ่านการเรียนรู้กับชุดข้อมูลขนาดใหญ่หลายรูปแบบ
ทั้งประเภทที่เป็นข้อความ ภาพ เสียง เป็นต้น ทำให้สามารถประมวลผลได้ทั้งภาพ เสียง
หรือวิดีโอ โดยใช้ตัวอักษรเป็นสื่อกลาง

Natural Language Processing (NLP) (การประมวลผลภาษาธรรมชาติ) คือสาขาหนึ่งของวิทยาการคอมพิวเตอร์
(Computer Science) โดยเกี่ยวข้องกับการทำให้คอมพิวเตอร์สามารถเข้าใจภาษามนุษย์
เช่น การเข้าใจข้อความและคำพูดในลักษณะเดียวกับที่มนุษย์สามารถทำได้ เช่น ChatGPT
ที่สามารถสร้างข้อความโต้ตอบกับผู้ใช้งานได้ หรือหมายถึงระบบที่รับข้อมูลที่เป็นภาษามนุษย์
เพื่อนำไปประมวลผลและทำงานบางประเภท เช่น จำแนกหมวดหมู่ข้อความ

Neural Networks (โครงข่ายประสาท)
หรือ Artificial Neural Networks (ANN)
(โครงข่ายประสาทเทียม) คือโมเดลปัญญาประดิษฐ์ที่เรียนรู้และประมวลผลด้วยรูปแบบที่อ้างอิงจากสมองของมนุษย์
ซึ่งเป็นระบบที่มีความซับซ้อนที่สูง และสามารถใช้กับข้อมูลจำนวนมากได้ดี จึงแก้ปัญหาที่ซับซ้อนได้อย่างแม่นยำยิ่งขึ้น
เช่น การสรุปเอกสาร หรือการจดจำใบหน้า

No-code คือ
การออกแบบและพัฒนาซอฟต์แวร์ให้ผู้ใช้งานสามารถใช้งานได้ โดยไม่ต้องเขียนโค้ด

Optimization คือกระบวนการหาตัวเลือกที่ดีที่สุดภายในข้อจำกัดที่มี

Overfitting
คือการที่แบบจำลองทางสถิติหรือ Machine learning ทำนายได้อย่างแม่นยำกับชุดข้อมูลสำหรับฝึกฝน (training data) แต่กลับทำงานได้แย่ เมื่อต้องทำนายข้อมูลที่ไม่เคยเห็นมาก่อน (testing
data)

Parameter
คือตัวแปรที่ AI นำมาใช้เรียนรู้และสร้างผลลัพธ์

Pre-training
คือกระบวนการสอน AI ด้วยชุดข้อมูลขนาดใหญ่ที่ไม่ได้เฉพาะเจาะจงสำหรับด้านใดเป็นพิเศษ
เพื่อนำไปใช้สร้าง AI สำหรับงานที่เฉพาะเจาะจงด้านอื่น ๆ ต่อ ตัวอย่างเช่น GPT-3 ที่ Pre-train มาให้ทำนายคำถัดไปบนข้อมูลขนาดมหาศาล
สามารถนำมาฝึกสอนต่อให้ตอบรับได้แบบมนุษย์ ทำให้เกิดเป็น ChatGPT

Pre-processing
คือกระบวนการปรับปรุงข้อมูลดิบเพื่อให้วิเคราะห์ได้ง่ายและมีประสิทธิภาพยิ่งขึ้น

Probabilistic Model คือโมเดล AI ที่ใช้หลักความน่าจะเป็นในการตัดสินใจ
ซึ่งจะตรงข้ามกับ Deterministic Model เพราะการทำนายของ Probabilistic
Model จะมีความไม่แน่นอน (Randomness) มาเป็นตัวแปร
&nbsp;

Prompt คือคำสั่งที่ป้อนเข้าไประหว่างใช้งาน
AI ชนิด LLM เพื่อให้ได้รับผลลัพธ์ที่ต้องการ


Reinforcement
Learning คือ Machine learning ประเภทหนึ่งซึ่งเรียนรู้แบบลองผิดลองถูกและหาผลลัพธ์ที่ดีที่สุดเมื่อต้องตัดสินใจในครั้งถัดไป

Responsible AI คือแนวคิดในการพัฒนาและใช้งาน AI ให้เกิดผลกระทบเชิงบวกกับลูกจ้าง ธุรกิจ และสังคมโดยรวม โดยมีการให้ความสำคัญกับจริยธรรมและการสร้างความเชื่อมั่น


RLHF
(Reinforcement Learning from Human Feedback)

RLHF
(Reinforcement Learning from Human Feedback) คือวิธีการในการฝึก AI
โดยให้เรียนรู้จากข้อมูลความเห็น (feedback) ที่มนุษย์มีต่อผลลัพธ์ที่เครื่องแสดงออกมา
โดยเทคนิคนี้จะใช้เพื่อปรับให้ LLM สามารถโต้ตอบได้อย่างเป็นธรรมชาติขึ้น