Foundation Models (FMs)
รู้จัก LLMs และ Parameters ที่ใช้ควบคุมโมเดล (Temperature, Top-P)
Foundation Model คืออะไร?
คำศัพท์ที่ต้องรู้: - FM (Foundation Model): โมเดล AI ขนาดฐานรากที่ถูกฝึกสอน (Train) ด้วยข้อมูลจำนวนมหาศาล เพื่อให้มีความรู้ทั่วไปในหลายๆ ด้าน - LLM (Large Language Model): คือ Foundation Model ประเภทหนึ่งที่เน้นเรื่องภาษาและข้อความโดยเฉพาะ (เช่น GPT, Claude)
Foundation Model เปรียบเสมือน "นักศึกษาที่เพิ่งเรียนจบปริญญา" เขามีความรู้พื้นฐานรอบตัวเยอะมากและพร้อมทำงานได้หลายรูปแบบ แต่เขายังไม่ได้เชี่ยวชาญเฉพาะทางในบริษัทของคุณจนกว่าคุณจะสอนงานเขาเพิ่ม
พารามิเตอร์ที่ออกสอบบ่อย
เมื่อเราใช้งานโมเดล เราสามารถปรับค่าต่างๆ เพื่อควบคุมพฤติกรรมการตอบได้ ค่าที่สำคัญที่สุดคือ Temperature
สรุป Key Takeaways
- Foundation Model คือโมเดลขนาดใหญ่ที่ถูก Pre-trained มาแล้ว
- LLM (Large Language Model) คือ FM ประเภทหนึ่งที่เก่งเรื่อง Text
- Temperature ควบคุมความสร้างสรรค์ (ค่าน้อย = แม่นยำแต่ซ้ำซาก, ค่ามาก = สร้างสรรค์แต่เสี่ยง Hallucinate)
คำถามที่พบบ่อย
Foundation model คืออะไร ต่างจากโมเดล ML ทั่วไปยังไง
โมเดลขนาดใหญ่ที่เทรนครั้งเดียวด้วยข้อมูลมหาศาลแบบไม่เจาะจงงาน แล้วนำไป "ปรับใช้ได้หลายงาน" (ตอบคำถาม สรุป แปล เขียนโค้ด) ต่างจาก ML ดั้งเดิมที่เทรนหนึ่งโมเดลต่อหนึ่งงาน — คีย์เวิร์ดคือ pre-trained, general-purpose, adaptable
เลือก foundation model ใน Bedrock ควรดูจากอะไร
ข้อสอบคาดหวังเกณฑ์เชิงปฏิบัติ: ความสามารถตรงงาน (ข้อความ/ภาพ/embedding), ขนาด context window, ราคาต่อ token, latency, ภาษาที่รองรับ และข้อกำหนดด้าน compliance — ไม่ใช่เลือกตัวใหญ่สุดเสมอไป โมเดลเล็กที่ตรงงานมัก cost-effective กว่า
Multimodal model คืออะไร
โมเดลที่รับ/สร้างข้อมูลได้หลายชนิดในตัวเดียว เช่น รับทั้งภาพและข้อความ (ถามคำถามจากรูป) — โจทย์ที่ให้วิเคราะห์รูปภาพ+ข้อความพร้อมกันให้มองหาคำนี้
ลองทำ Quiz ท้ายบท
คำถามแนวข้อสอบของโมดูลนี้ 2 ข้อ · เฉลยทันที