Generative AI คืออะไร
ทำความเข้าใจ Generative AI และความแตกต่างกับ AI ดั้งเดิม
Generative AI vs Discriminative AI
ก่อนอื่นเรามาทำความเข้าใจคำศัพท์พื้นฐานกันก่อน: - AI (Artificial Intelligence): ปัญญาประดิษฐ์ เทคโนโลยีที่ทำให้คอมพิวเตอร์มีความคิดคล้ายมนุษย์ - ML (Machine Learning): ระบบที่เรียนรู้จากข้อมูลได้เองโดยไม่ต้องเขียนโค้ดสั่งทุกขั้นตอน - GenAI (Generative AI): แขนงหนึ่งของ AI ที่เน้นการ "สร้าง" สิ่งใหม่
AI แบบดั้งเดิม (Discriminative AI) เหมือน "นักชิมอาหาร" ที่คอยแยกแยะว่าอาหารจานนี้คืออะไร อร่อยหรือไม่ (เช่น รูปนี้คือแมวใช่ไหม?) แต่ Generative AI เหมือน "เชฟ" ที่สามารถคิดค้นและทำอาหารจานใหม่ๆ ขึ้นมาได้จากวัตถุดิบที่มี (เช่น จงวาดรูปแมวใส่หมวกกันน็อก)
ในข้อสอบมักจะให้แยกแยะว่า Use case ไหนใช้ AI ปกติ และอันไหนต้องใช้ GenAI
- Discriminative AI (ML เดิม): แบ่งแยกหรือจัดกลุ่ม เช่น รูปนี้คือแมวหรือหมา
- Generative AI: สร้างสิ่งใหม่ เช่น จงแต่งกลอนเกี่ยวกับแมว
สรุป Key Takeaways
- Generative AI ถูกออกแบบมาเพื่อ "สร้าง" คอนเทนต์ใหม่ (ข้อความ, รูปภาพ, โค้ด) ไม่ใช่แค่คาดเดาหรือจัดหมวดหมู่
- ทำงานโดยอิงจาก Foundation Models ที่ถูกเทรนด้วยข้อมูลมหาศาล
- ตัวอย่างที่ชัดเจนคือ ChatGPT, Amazon Q, Midjourney
คำถามที่พบบ่อย
GenAI ต่างจาก ML แบบดั้งเดิมยังไงในมุมข้อสอบ
ML ดั้งเดิม "ทำนาย/จำแนก" จากข้อมูล (ราคาบ้าน, spam) ส่วน GenAI "สร้างเนื้อหาใหม่" (ข้อความ รูป โค้ด) จาก foundation model ที่เทรนด้วยข้อมูลมหาศาล — ข้อสอบชอบถาม use case ไหนเหมาะกับ GenAI: สรุปเอกสาร แชทบอท สร้างคอนเทนต์ ไม่ใช่การทำนายตัวเลข
ข้อจำกัดหลักของ GenAI ที่ข้อสอบชอบถามคืออะไร
Hallucination (ตอบมั่วอย่างมั่นใจ), ความรู้หยุดที่วันตัดข้อมูลเทรน (knowledge cutoff), ผลลัพธ์ไม่คงที่ (non-deterministic), และอาจสืบทอด bias จากข้อมูลเทรน — โจทย์มักถามวิธีลดผลกระทบ เช่น ใช้ RAG แก้เรื่องความรู้ไม่อัปเดต
ธุรกิจควรเริ่มใช้ GenAI จากตรงไหน
เริ่มจากงานที่ผิดพลาดแล้วเสียหายต่ำแต่กินเวลาคนมาก: สรุปเอกสารภายใน ร่างคอนเทนต์ ช่วยตอบคำถามจากคลังความรู้ — และวัดผลจริงก่อนขยาย นี่คือแนวคำตอบที่ข้อสอบ scenario ด้าน business value คาดหวัง
ลองทำ Quiz ท้ายบท
คำถามแนวข้อสอบของโมดูลนี้ 2 ข้อ · เฉลยทันที