ปัญญาประดิษฐ์ (AI) คืออะไร

Alexandra Klepper
Alexandra Klepper
GitHub Bluesky

เผยแพร่: 17 กุมภาพันธ์ 2024, อัปเดตล่าสุด: 22 เมษายน 2025

ปัญญาประดิษฐ์ (AI) ครอบคลุมเทคโนโลยีที่ซับซ้อนและเกิดใหม่มากมาย ซึ่งครั้งหนึ่งเคยต้องใช้ข้อมูลจากมนุษย์ แต่ตอนนี้คอมพิวเตอร์สามารถทำงานได้แล้ว กล่าวโดยกว้างๆ AI คือโปรแกรม โมเดล หรือคอมพิวเตอร์ที่ไม่ใช่มนุษย์ซึ่ง แสดงให้เห็นถึงความสามารถในการแก้ปัญหาและความคิดสร้างสรรค์ที่หลากหลาย คอมพิวเตอร์สามารถ ทำงานขั้นสูง ซึ่งในอดีตใช้เพื่อ ทำความเข้าใจและแนะนำข้อมูล Generative AI ช่วยให้คอมพิวเตอร์สร้างเนื้อหาใหม่ได้

มักมีการใช้ตัวย่อ AI สลับกันเพื่อแสดงถึงเทคโนโลยีประเภทต่างๆ ภายในสาขาปัญญาประดิษฐ์ แต่ความสามารถของ AI อาจแตกต่างกันอย่างมาก

ที่นี่คุณจะพบคำศัพท์และแนวคิดต่างๆ เกี่ยวกับ AI ในทางปฏิบัติบนเว็บ ดูข้อมูลเพิ่มเติมเกี่ยวกับแมชชีนเลิร์นนิงได้ที่อภิธานศัพท์แมชชีนเลิร์นนิง

AI ทำงานอย่างไร

การฝึกเป็นขั้นตอนแรกสำหรับทุกโมเดล ซึ่งวิศวกรแมชชีนเลิร์นนิง จะสร้างอัลกอริทึมเพื่อให้โมเดลมีอินพุตที่เฉพาะเจาะจงและ แสดงเอาต์พุตที่เหมาะสม โดยทั่วไปแล้ว นักพัฒนาเว็บไม่จำเป็นต้องทำตามขั้นตอนนี้ แต่คุณอาจได้รับประโยชน์จากการทำความเข้าใจวิธีฝึกโมเดลที่กำหนด แม้ว่าคุณจะปรับแต่งโมเดลได้ แต่คุณควรใช้เวลาเลือกโมเดลที่ดีที่สุดสำหรับงานของคุณ

การอนุมานคือกระบวนการที่โมเดลสรุปผลโดยอิงตามข้อมูลใหม่ ยิ่งโมเดลได้รับการฝึกในด้านใดด้านหนึ่งมากเท่าใด การอนุมานก็จะยิ่งสร้างเอาต์พุตที่ถูกต้องและเป็นประโยชน์มากขึ้นเท่านั้น อย่างไรก็ตาม ไม่มีการรับประกันว่าการอนุมานจะสมบูรณ์แบบ ไม่ว่าโมเดลจะได้รับการฝึกมากเพียงใดก็ตาม

เช่น Green Light ใช้โมเดล AI ที่ฝึกด้วยข้อมูลจาก Google Maps เพื่อทำความเข้าใจรูปแบบการจราจร เมื่อได้รับข้อมูลเพิ่มเติม ระบบจะทำการอนุมานเพื่อแสดงคำแนะนำในการเพิ่มประสิทธิภาพสัญญาณไฟจราจร

AI ทำงานที่ไหน

การฝึก AI จะเสร็จสมบูรณ์ก่อนที่จะเปิดตัวโมเดล อาจมีการฝึกเพิ่มเติมซึ่งอาจนำไปสู่โมเดลเวอร์ชันใหม่ที่มีความสามารถหรือความแม่นยำมากขึ้น

นักพัฒนาเว็บควรกังวลเกี่ยวกับตำแหน่งที่ดำเนินการอนุมาน AI ต้นทุนการใช้ AI ส่วนใหญ่ได้รับผลกระทบจากการอนุมาน ความสามารถของโมเดลเดียวก็ได้รับผลกระทบอย่างมากเช่นกัน

AI ฝั่งไคลเอ็นต์

แม้ว่าฟีเจอร์ AI ส่วนใหญ่บนเว็บจะอาศัยเซิร์ฟเวอร์ แต่ AI ฝั่งไคลเอ็นต์จะทำงานในเบราว์เซอร์ของผู้ใช้และทำการอนุมานในอุปกรณ์ของผู้ใช้ ซึ่งจะช่วยให้มีเวลาในการตอบสนองที่ต่ำลง ลดต้นทุนฝั่งเซิร์ฟเวอร์ ไม่ต้องใช้คีย์ API เพิ่มความเป็นส่วนตัวของผู้ใช้ และเข้าถึงแบบออฟไลน์ได้ คุณสามารถติดตั้งใช้งาน AI ฝั่งไคลเอ็นต์ ที่ทํางานในเบราว์เซอร์ต่างๆ ได้ด้วยไลบรารี JavaScript ซึ่งรวมถึง Transformers.js TensorFlow.js และ MediaPipe

โมเดลฝั่งไคลเอ็นต์ขนาดเล็กที่ได้รับการเพิ่มประสิทธิภาพอาจมีประสิทธิภาพสูงกว่าโมเดลฝั่งเซิร์ฟเวอร์ขนาดใหญ่ โดยเฉพาะอย่างยิ่งเมื่อเพิ่มประสิทธิภาพเพื่อประสิทธิภาพ ประเมินกรณีการใช้งานเพื่อพิจารณาว่าโซลูชันใดเหมาะกับคุณ

AI ฝั่งเซิร์ฟเวอร์

AI ฝั่งเซิร์ฟเวอร์ครอบคลุมบริการ AI บนระบบคลาวด์ ลองนึกถึง Gemini 1.5 Pro ที่ทำงานบนระบบคลาวด์ โมเดลเหล่านี้มักจะมีขนาดใหญ่กว่าและมีประสิทธิภาพมากกว่า โดยเฉพาะอย่างยิ่งสำหรับโมเดลภาษาขนาดใหญ่

AI แบบผสม

AI แบบไฮบริดหมายถึงโซลูชันใดก็ตามที่มีทั้งคอมโพเนนต์ฝั่งไคลเอ็นต์และฝั่งเซิร์ฟเวอร์ เช่น คุณอาจใช้โมเดลฝั่งไคลเอ็นต์เพื่อทำงานและใช้โมเดลฝั่งเซิร์ฟเวอร์เป็นข้อมูลสำรอง เมื่อทำงานในอุปกรณ์ไม่สำเร็จ

แมชชีนเลิร์นนิง (ML)

แมชชีนเลิร์นนิง (ML) คือกระบวนการที่คอมพิวเตอร์เรียนรู้และ ทำงานโดยไม่ต้องมีการเขียนโปรแกรมอย่างชัดเจน ในขณะที่ AI พยายามสร้าง ข้อมูลอัจฉริยะ ML ประกอบด้วยอัลกอริทึมเพื่อทำการคาดการณ์ชุดข้อมูล

ตัวอย่างเช่น สมมติว่าเราต้องการสร้างเว็บไซต์ที่ให้คะแนนสภาพอากาศในวันใดวันหนึ่ง โดยปกติแล้ว การดำเนินการนี้อาจทำโดยนักอุตุนิยมวิทยาตั้งแต่ 1 คนขึ้นไป ซึ่งสามารถสร้างการแสดงชั้นบรรยากาศและพื้นผิวของโลก คำนวณและ คาดการณ์รูปแบบสภาพอากาศ และกำหนดการให้คะแนนโดยการเปรียบเทียบข้อมูลปัจจุบันกับบริบทในอดีต

แต่เราสามารถให้ข้อมูลสภาพอากาศจำนวนมหาศาลแก่โมเดล ML จนกว่าโมเดลจะเรียนรู้ความสัมพันธ์ทางคณิตศาสตร์ระหว่างรูปแบบสภาพอากาศ ข้อมูลในอดีต และหลักเกณฑ์เกี่ยวกับสิ่งที่ทำให้สภาพอากาศดีหรือไม่ดีในวันใดวันหนึ่ง เราได้สร้างฟีเจอร์นี้บนเว็บ

Generative AI และโมเดลภาษาขนาดใหญ่

Generative AI เป็นรูปแบบหนึ่งของแมชชีนเลิร์นนิงที่ช่วยให้ผู้ใช้สร้างเนื้อหา ที่ดูคุ้นเคยและเลียนแบบการสร้างสรรค์ของมนุษย์ Generative AI ใช้โมเดลภาษาขนาดใหญ่เพื่อจัดระเบียบข้อมูลและสร้างหรือแก้ไข ข้อความ รูปภาพ วิดีโอ และเสียง โดยอิงตามบริบทที่ระบุ Generative AI ทำงานได้ มากกว่าการจับคู่รูปแบบและการคาดการณ์

โมเดลภาษาขนาดใหญ่ (LLM) มีพารามิเตอร์มากมาย (มักมีหลายพันล้าน) ที่คุณใช้เพื่อทำงานได้หลากหลาย เช่น การสร้าง การจัดประเภท หรือการสรุปข้อความหรือรูปภาพ

แชทบอทกลายเป็นเครื่องมือยอดนิยมที่ผู้คนใช้ Generative AI ซึ่งรวมถึง

  • Gemini โดย Google
  • ChatGPT โดย OpenAI
  • Claude โดย Anthropic
  • Copilot โดย Microsoft
  • และอื่นๆ อีกมากมาย

เครื่องมือเหล่านี้สามารถสร้างร้อยแก้ว โค้ดตัวอย่าง และอาร์ตเวิร์ก โดยสามารถช่วย คุณวางแผนวันหยุด พัฒนาหรือปรับน้ำเสียงของอีเมลให้เป็นทางการ หรือจัดประเภท ชุดข้อมูลต่างๆ เป็นหมวดหมู่

นักพัฒนาซอฟต์แวร์และผู้ที่ไม่ใช่นักพัฒนาซอฟต์แวร์สามารถใช้ประโยชน์จากฟีเจอร์นี้ได้ไม่สิ้นสุด

การเรียนรู้เชิงลึก

การเรียนรู้เชิงลึก (DL) เป็นคลาสของอัลกอริทึม ML ตัวอย่างหนึ่งคือ Deep Neural Networks (DNN) ซึ่งพยายามจำลองวิธีที่เชื่อว่าสมองของมนุษย์ ประมวลผลข้อมูล

ระบบอาจฝึกอัลกอริทึมการเรียนรู้เชิงลึกให้เชื่อมโยงฟีเจอร์บางอย่างใน รูปภาพกับป้ายกำกับหรือหมวดหมู่ที่เฉพาะเจาะจง เมื่อฝึกแล้ว อัลกอริทึมจะคาดการณ์ได้ว่ารูปภาพใหม่ๆ มีหมวดหมู่เดียวกัน เช่น Google Photos สามารถระบุความแตกต่างระหว่างแมวกับสุนัขในรูปภาพได้

การประมวลผลภาษาธรรมชาติ (NLP)

การประมวลผลภาษาธรรมชาติเป็นคลาสของ ML ที่มุ่งเน้นการช่วยให้คอมพิวเตอร์เข้าใจภาษามนุษย์ ตั้งแต่กฎของภาษาใดภาษาหนึ่งไปจนถึงลักษณะเฉพาะ ถิ่น และคำแสลงที่แต่ละคนใช้

ความท้าทายเกี่ยวกับ AI

การสร้างและการใช้ AI มีความท้าทายหลายประการ ต่อไปนี้เป็นเพียง ไฮไลต์บางส่วนของสิ่งที่คุณควรพิจารณา

คุณภาพและความใหม่ของข้อมูล

ชุดข้อมูลขนาดใหญ่ที่ใช้ฝึกโมเดล AI ต่างๆ มักจะล้าสมัยโดยธรรมชาติ หลังจากนำไปใช้ได้ไม่นาน ซึ่งหมายความว่าเมื่อต้องการค้นหาข้อมูลล่าสุด คุณอาจได้รับประโยชน์จากการออกแบบพรอมต์เพื่อเพิ่มประสิทธิภาพ โมเดล AI ในงานที่เฉพาะเจาะจงและสร้างผลลัพธ์ที่ดีขึ้น

ชุดข้อมูลอาจไม่สมบูรณ์หรือมีขนาดเล็กเกินไปที่จะรองรับกรณีการใช้งานบางอย่างได้อย่างมีประสิทธิภาพ การลองใช้เครื่องมือหลายอย่างหรือการปรับแต่งโมเดลให้เหมาะกับความต้องการของคุณอาจเป็นประโยชน์

ความกังวลเกี่ยวกับจริยธรรมและความเอนเอียง

เทคโนโลยี AI เป็นเทคโนโลยีที่น่าตื่นเต้นและมีศักยภาพมากมาย อย่างไรก็ตาม ท้ายที่สุดแล้ว คอมพิวเตอร์และอัลกอริทึมสร้างขึ้นโดยมนุษย์ ฝึกฝนด้วยข้อมูลที่อาจ รวบรวมโดยมนุษย์ จึงต้องเผชิญกับความท้าทายหลายประการ ตัวอย่างเช่น โมเดลสามารถเรียนรู้และขยายอคติของมนุษย์และภาพเหมาร้ายที่เป็นอันตราย ซึ่งส่งผลต่อเอาต์พุตโดยตรง การสร้างเทคโนโลยี AI โดยให้ความสำคัญกับการลดอคติเป็นสิ่งสำคัญ

มีข้อควรพิจารณาด้านจริยธรรมมากมายเกี่ยวกับลิขสิทธิ์ของเนื้อหาที่ AI สร้างขึ้น ใครเป็นเจ้าของผลลัพธ์ โดยเฉพาะอย่างยิ่งหากผลลัพธ์นั้นได้รับอิทธิพลอย่างมากหรือคัดลอกโดยตรงจากเนื้อหาที่มีลิขสิทธิ์

ก่อนสร้างเนื้อหาและไอเดียใหม่ๆ โปรดพิจารณานโยบายที่มีอยู่เกี่ยวกับวิธี ใช้วัสดุที่คุณสร้างขึ้น

ความปลอดภัยและความเป็นส่วนตัว

นักพัฒนาเว็บหลายคนกล่าวว่าความเป็นส่วนตัวและความปลอดภัยเป็นข้อกังวลอันดับต้นๆ ในการใช้เครื่องมือ AI โดยเฉพาะอย่างยิ่งในบริบททางธุรกิจที่มีข้อกำหนดด้านข้อมูลที่เข้มงวด เช่น รัฐบาลและบริษัทด้านการดูแลสุขภาพ การเปิดเผยข้อมูลผู้ใช้ต่อบุคคลที่สามมากขึ้นด้วย Cloud API เป็นเรื่องที่น่ากังวล การส่งข้อมูลทั้งหมดต้องปลอดภัยและมีการตรวจสอบอย่างต่อเนื่อง

AI ฝั่งไคลเอ็นต์อาจเป็นกุญแจสำคัญในการจัดการกรณีการใช้งานเหล่านี้ เรายังต้องทำการวิจัยและพัฒนาอีกมาก

เริ่มต้นใช้งาน AI บนเว็บ

เมื่อคุ้นเคยกับปัญญาประดิษฐ์หลายประเภทแล้ว คุณก็สามารถ เริ่มพิจารณาวิธีใช้โมเดลที่มีอยู่เพื่อเพิ่มประสิทธิภาพการทำงานและสร้าง เว็บไซต์และเว็บแอปพลิเคชันที่ดีขึ้นได้

คุณใช้ AI เพื่อทำสิ่งต่อไปนี้ได้

โมเดล AI ที่ผ่านการฝึกมาก่อนอาจเป็นวิธีที่ยอดเยี่ยมในการปรับปรุงเว็บไซต์ เว็บแอป และประสิทธิภาพการทำงาน โดยไม่ต้องมีความเข้าใจอย่างถ่องแท้เกี่ยวกับวิธีสร้าง โมเดลทางคณิตศาสตร์และรวบรวมชุดข้อมูลที่ซับซ้อนซึ่งขับเคลื่อนเครื่องมือ AI ที่ได้รับความนิยมมากที่สุด

คุณอาจพบว่าโมเดลส่วนใหญ่ตรงกับความต้องการของคุณทันทีโดยไม่ต้องปรับเพิ่มเติม การปรับแต่งคือกระบวนการนำโมเดลที่ได้รับการฝึกในชุดข้อมูลขนาดใหญ่มาแล้วมาฝึกเพิ่มเติมเพื่อให้ตรงกับความต้องการในการใช้งานเฉพาะของคุณ เทคนิคในการปรับแต่งโมเดลมีหลายวิธี ดังนี้