1. ปัญญาประดิษฐ์ (Artificial Intelligence - AI)

AI คืออะไร: AI เป็นแนวคิดที่กว้างที่สุด หมายถึง การจำลองสติปัญญาของมนุษย์ในเครื่องจักร ที่ถูกตั้งโปรแกรมให้คิดและทำงานเหมือนมนุษย์ เป็นเป้าหมายหลักของการทำให้เครื่องจักร "ฉลาด"

แนวคิดหลัก: เป้าหมายของ AI คือการทำให้เครื่องจักรสามารถทำงานที่โดยทั่วไปต้องใช้ความสามารถทางปัญญาของมนุษย์ เช่น:

• การเรียนรู้: การได้รับความรู้และกฎเกณฑ์ในการใช้ความรู้นั้น
• การให้เหตุผล: การใช้กฎเกณฑ์เพื่อหาข้อสรุป
• การแก้ปัญหา: การหาแนวทางแก้ไขปัญหาที่ซับซ้อน
• การรับรู้: การทำความเข้าใจและตีความข้อมูลทางประสาทสัมผัส (เช่น ภาพหรือเสียง)
• การเข้าใจภาษา: การประมวลผลและการสร้างภาษามนุษย์
• การตัดสินใจ: การเลือกแนวทางปฏิบัติที่ดีที่สุด

ตัวอย่าง:

• AI แบบดั้งเดิม: ระบบผู้เชี่ยวชาญที่ใช้กฎเกณฑ์ (เช่น ระบบวินิจฉัยโรคในอดีต)
• AI สมัยใหม่: รถยนต์ขับเคลื่อนอัตโนมัติ, ผู้ช่วยเสมือน (Siri, Alexa), ระบบแนะนำสินค้า (Netflix), การตรวจจับการฉ้อโกง

2. แมชชีนเลิร์นนิง (Machine Learning - ML)

ML คืออะไร: Machine Learning เป็น ส่วนย่อยของ AI ที่มุ่งเน้นการทำให้ระบบสามารถ เรียนรู้และปรับปรุงจากประสบการณ์ (ข้อมูล) โดยไม่ต้องถูกตั้งโปรแกรมอย่างชัดเจน สำหรับทุกงาน แทนที่จะให้นักพัฒนาเขียนคำสั่งทุกคำสั่ง อัลกอริทึม ML จะเรียนรู้รูปแบบจากข้อมูลและใช้รูปแบบเหล่านั้นในการคาดการณ์หรือตัดสินใจ

แนวคิดหลัก:

• การเรียนรู้จากข้อมูล: อัลกอริทึม ML จะถูก "ฝึก" โดยการป้อนข้อมูลจำนวนมากให้ ผ่านการฝึกนี้ อัลกอริทึมจะระบุรูปแบบ ความสัมพันธ์ และข้อมูลเชิงลึก
• ไม่ต้องตั้งโปรแกรมอย่างชัดเจน: ระบบ ML จะสร้าง "กฎ" หรือโมเดลของตัวเองโดยอิงจากข้อมูลที่วิเคราะห์
• ปรับปรุงเมื่อเวลาผ่านไป: ยิ่งโมเดล ML ได้รับข้อมูลที่เกี่ยวข้องมากเท่าใด มันก็จะยิ่งทำงานได้ดีขึ้นเท่านั้น

ประเภทของ Machine Learning:

• Supervised Learning (การเรียนรู้แบบมีผู้สอน): การฝึกโดยใช้ข้อมูลที่ มีป้ายกำกับ (input-output pairs) เช่น การฝึกโมเดลด้วยรูปภาพที่ระบุว่า "แมว" หรือ "สุนัข"
• Unsupervised Learning (การเรียนรู้แบบไม่มีผู้สอน): การฝึกโดยใช้ข้อมูลที่ ไม่มีป้ายกำกับ เพื่อค้นหารูปแบบหรือโครงสร้างที่ซ่อนอยู่ เช่น การจัดกลุ่มลูกค้าตามพฤติกรรมการซื้อ
• Reinforcement Learning (การเรียนรู้แบบเสริมกำลัง): การเรียนรู้ผ่านการลองผิดลองถูก โดยเอเจนต์เรียนรู้ที่จะตัดสินใจโดยการได้รับรางวัลหรือการลงโทษ เช่น AI ที่เล่นเกม

ตัวอย่าง:

• ตัวกรองสแปมในอีเมล
• ระบบแนะนำสินค้า ("ลูกค้าที่ซื้อสิ่งนี้ก็ซื้อสิ่งนี้ด้วย...")
• ระบบตรวจจับการฉ้อโกง
• การบำรุงรักษาเชิงคาดการณ์

3. ดีปเลิร์นนิง (Deep Learning - DL)

DL คืออะไร: Deep Learning เป็น ส่วนย่อยของ Machine Learning ที่ใช้ โครงข่ายประสาทเทียม (artificial neural networks) ที่มีหลายชั้น ("ลึก") เพื่อเรียนรู้รูปแบบที่ซับซ้อนจากข้อมูลจำนวนมหาศาล ได้รับแรงบันดาลใจจากโครงสร้างและการทำงานของสมองมนุษย์

แนวคิดหลัก:

• โครงข่ายประสาทเทียม (ANNs): โมเดล DL ถูกสร้างขึ้นโดยใช้ ANNs ซึ่งประกอบด้วยโหนด (เซลล์ประสาท) ที่เชื่อมต่อกัน จัดเรียงเป็นชั้น ๆ
• การเรียนรู้คุณสมบัติแบบลำดับชั้น: "ความลึก" หมายถึงจำนวนชั้นซ่อนจำนวนมากในเครือข่าย แต่ละชั้นจะเรียนรู้ที่จะจดจำคุณสมบัติที่นามธรรมและซับซ้อนมากขึ้นจากข้อมูลดิบที่ป้อนเข้ามา
• การจัดการข้อมูลที่ไม่มีโครงสร้าง: DL เก่งในการประมวลผลข้อมูลที่ไม่มีโครงสร้าง เช่น รูปภาพ เสียง และข้อความ

ตัวอย่าง:

• การจดจำรูปภาพ: การจดจำใบหน้า, การวิเคราะห์ภาพทางการแพทย์, การตรวจจับวัตถุในรถยนต์ขับเคลื่อนอัตโนมัติ
• การประมวลผลภาษาธรรมชาติ (NLP): การแปลภาษา, การวิเคราะห์ความรู้สึก, แชทบอทที่เข้าใจบริบท
• การรู้จำเสียงพูด: การแปลงคำพูดเป็นข้อความ (เช่น ผู้ช่วยเสียง)

4. Generative AI (GenAI)

GenAI คืออะไร: Generative AI เป็น ส่วนย่อยของ Deep Learning ที่มุ่งเน้นการ สร้างเนื้อหาใหม่และเป็นต้นฉบับ (ข้อความ, รูปภาพ, เสียง, วิดีโอ, โค้ด ฯลฯ) ที่คล้ายกับข้อมูลที่ใช้ในการฝึก แทนที่จะวิเคราะห์หรือคาดการณ์จากข้อมูลที่มีอยู่

แนวคิดหลัก:

• การสร้างสรรค์ ไม่ใช่แค่การคาดการณ์/การจำแนก: ในขณะที่ ML และ DL แบบดั้งเดิมมุ่งเน้นไปที่การจำแนกหรือการคาดการณ์ Generative AI จะ สร้าง สิ่งใหม่ทั้งหมด
• การเรียนรู้การแจกแจงข้อมูล: โมเดล GenAI จะเรียนรู้รูปแบบ โครงสร้าง และการแจกแจงพื้นฐานของข้อมูลการฝึก จากนั้นจะใช้ความรู้ที่ได้เรียนรู้นี้เพื่อสร้างตัวอย่างใหม่ที่มีคุณสมบัติเหล่านั้น
• โมเดล Deep Learning ขั้นสูง: Generative AI พึ่งพาโครงสร้าง Deep Learning ขั้นสูงอย่างมาก เช่น:
  • Generative Adversarial Networks (GANs): โครงข่ายประสาทเทียมสองเครือข่ายแข่งขันกันเพื่อสร้างและแยกแยะข้อมูลที่เหมือนจริง
  • Transformers: โครงสร้างที่มีประสิทธิภาพสูงสำหรับข้อมูลลำดับเช่นข้อความ ซึ่งเป็นพื้นฐานของโมเดลภาษาขนาดใหญ่ (LLMs)
  • Diffusion Models: โมเดลที่สร้างข้อมูลโดยการปรับปรุงสัญญาณรบกวนแบบสุ่มอย่างต่อเนื่องตามรูปแบบที่เรียนรู้มา

ตัวอย่าง:

• โมเดลภาษาขนาดใหญ่ (LLMs): ChatGPT, Google Gemini ซึ่งสามารถเขียนเรียงความ, บทกวี, โค้ด, ตอบคำถาม และสนทนาได้
• การสร้างรูปภาพ: DALL-E, Midjourney, Stable Diffusion ซึ่งสามารถสร้างรูปภาพที่เหมือนจริงหรือรูปภาพเชิงศิลปะจากคำอธิบายข้อความ
• การแต่งเพลง: ระบบ AI ที่สร้างเพลงต้นฉบับ
• การสร้างโค้ด: เครื่องมืออย่าง GitHub Copilot ที่แนะนำหรือสร้างโค้ด