ปัญญาประดิษฐ์ (AI) คืออะไร

ในทศวรรษที่ 1980 มีความสนใจใหม่และการระดมทุนจากรัฐบาลสำหรับการวิจัย AI เป็นหลักในการแปลและการถอดรหัสในช่วงเวลานี้ ระบบผู้เชี่ยวชาญเช่น MYCIN กลายเป็นที่นิยมเนื่องจากจำลองกระบวนการตัดสินใจของมนุษย์ในโดเมนเฉพาะ เช่น ยา ด้วยการฟื้นฟูนิวรัลเน็ตเวิร์กในปี 1980 David Rumelhart และ John Hopfield ตีพิมพ์บทความเกี่ยวกับเทคนิคดีปเลิร์นนิง ซึ่งแสดงให้เห็นว่าคอมพิวเตอร์สามารถเรียนรู้จากประสบการณ์ได้

ตั้งแต่ปี 1987-1997 เนื่องจากปัจจัยทางเศรษฐกิจและเศรษฐกิจอื่น ๆ และการเฟื่องฟู dot-com ทำให้ฤดูหนาว AI ครั้งที่สองเกิดขึ้นขึ้น การวิจัย AI กลายเป็นชิ้นส่วนมากขึ้น โดยทีมงานแก้ปัญหาเฉพาะโดเมนในกรณีการใช้งานที่แตกต่างกัน

ตั้งแต่ปี 1997 ถึงประมาณปี 2006 เราได้เห็นความสำเร็จที่สำคัญใน AI รวมถึงซอฟต์แวร์หมากรุก Deep Blue ของ IBM เอาชนะแชมป์หมากรุกโลก Garry Kasparov นอกจากนี้ Judea Pearl ยังได้ตีพิมพ์หนังสือที่รวมความน่าจะเป็นและการตัดสินใจในการวิจัย AI และ Geoffrey Hinton และคนอื่น ๆ เป็นที่นิยมในดีปเลิร์นนิง นำไปสู่การฟื้นตัวของนิวรัลเน็ตเวิร์ก อย่างไรก็ตามประโยชน์เชิงพาณิชย์ยังคงมีจำกัด

ตั้งแต่ปี ค.ศ. 2007 ถึง 2018 ความก้าวหน้าในการประมวลผลบนคลาวด์ทำให้เข้าถึงพลังการประมวลผลและโครงสร้างพื้นฐาน AI ได้มากขึ้น ซึ่งนำไปสู่การนำไปใช้ นวัตกรรม และความก้าวหน้าในแมชชีนเลิร์นนิงที่เพิ่มขึ้น ความก้าวหน้ารวมถึงสถาปัตยกรรมนิวรัลเน็ตเวิร์กแบบสังวัตนาการ (CNN) ที่เรียกว่า AlexNet ซึ่งพัฒนาโดย Alex Krizhevsky, Ilya Sutskever และ Geoffrey Hinton ชนะการแข่งขัน ImageNet ซึ่งแสดงให้เห็นถึงพลังของดีปเลิร์นนิงในการจดจำภาพ และ AlphaZero ของ Google เชี่ยวชาญในเกมหมากรุก โชกิ และหมากล้อมที่อาศัยการเล่นด้วยตนเองโดยไม่มีข้อมูลของมนุษย์

ในปี 2022 แชทบอทที่ใช้ปัญญาประดิษฐ์ (AI) และการประมวลผลภาษาธรรมชาติ (NLP) เพื่อสนทนาเหมือนมนุษย์และทำงานให้เสร็จสมบูรณ์ เช่น ChatGPT ของ OpenAI กลายเป็นที่รู้จักกันอย่างกว้างขวางในด้านความสามารถในการสนทนา ทำให้เกิดความสนใจและการพัฒนา AI

การประมวลผลเอกสารอัจฉริยะ (IDP) จะแปลรูปแบบเอกสารที่ไม่มีโครงสร้างให้เป็นข้อมูลที่ใช้งานได้ ตัวอย่างเช่น แปลงเอกสารทางธุรกิจ เช่น อีเมล รูปภาพ และ PDF เป็นข้อมูลที่มีโครงสร้าง IDP ใช้เทคโนโลยี AI เช่น การประมวลผลภาษาธรรมชาติ (NLP), ดีปเลิร์นนิง และคอมพิวเตอร์วิชันเพื่อแยก จำแนก และตรวจสอบข้อมูล 

ตัวอย่างเช่น HM Land Registry (HMLR) จัดการกรรมสิทธิ์ในอสังหาริมทรัพย์มากกว่า 87 เปอร์เซ็นต์ในอังกฤษและเวลส์ เจ้าหน้าที่ดูแลกรณีของ HMLR เปรียบเทียบและตรวจสอบเอกสารทางกฎหมายที่ซับซ้อนที่เกี่ยวข้องกับธุรกรรมด้านอสังหาริมทรัพย์ องค์กรได้ปรับใช้แอปพลิเคชัน AI เพื่อทำให้การเปรียบเทียบเอกสารเป็นอัตโนมัติ ซึ่งลดเวลาในการตรวจสอบลง 50 เปอร์เซ็นต์ และเสริมประสิทธิภาพในกระบวนการอนุมัติการโอนอสังหาริมทรัพย์ อ่านข้อมูลเพิ่มเติมเกี่ยวกับวิธีที่ HMLR ใช้งาน Amazon Textract

เรียนรู้เพิ่มเติมเกี่ยวกับการประมวลผลเอกสารอัจฉริยะ (IDP) »

Application Performance Monitoring (APM) เป็นกระบวนการใช้เครื่องมือซอฟต์แวร์และข้อมูลทางไกลเพื่อติดตามประสิทธิภาพของแอปพลิเคชันที่มีความสำคัญต่อธุรกิจ เครื่องมือ APM ที่ใช้ AI เป็นหลักจะใช้ข้อมูลประวัติเพื่อคาดการณ์ปัญหาก่อนที่จะเกิดปัญหาขึ้น อีกทั้งยังสามารถแก้ไขปัญหาแบบเรียลไทม์โดยแนะนำวิธีแก้ปัญหาที่ใช้งานได้จริงให้กับนักพัฒนาของคุณ กลยุทธ์นี้ช่วยให้แอปพลิเคชันทำงานได้อย่างมีประสิทธิภาพและแก้ไขปัญหาคอขวดได้

ตัวอย่างเช่น Atlassian สร้างผลิตภัณฑ์เพื่อปรับปรุงการทำงานเป็นทีมและองค์กรให้คล่องตัวยิ่งขึ้น Atlassian ใช้เครื่องมือ AI APM เพื่อตรวจติดตามแอปพลิเคชันอย่างต่อเนื่อง ตรวจจับปัญหาที่อาจเกิดขึ้น และจัดลำดับความสำคัญของความรุนแรง เมื่อใช้ฟังก์ชันนี้ ทีมงานจะสามารถปฏิบัติตามคำแนะนำที่ขับเคลื่อนด้วย ML ได้อย่างรวดเร็ว และแก้ไขประสิทธิภาพที่ลดลง 

อ่านเกี่ยวกับ APM (การตรวจติดตามประสิทธิภาพของแอปพลิเคชัน) »

การบำรุงรักษาแบบใช้ข้อมูลคาดการณ์ที่เสริมด้วย AI คือการใช้ข้อมูลจำนวนมากเพื่อระบุปัญหาที่อาจนำไปสู่เวลาหยุดทำงานของระบบหรือบริการ การบำรุงรักษาแบบใช้ข้อมูลคาดการณ์ช่วยให้ธุรกิจสามารถแก้ไขปัญหาที่อาจเกิดขึ้นได้ก่อนที่จะเกิดขึ้นจริง ลดเวลาหยุดทำงานและป้องกันการหยุดชะงักได้

ตัวอย่างเช่น Baxter ใช้โรงงานผลิต 70 แห่งทั่วโลกและดำเนินงานตลอด 24 ชั่วโมงทุกวันเพื่อให้บริการเทคโนโลยีทางการแพทย์ Baxter ใช้การบำรุงรักษาแบบใช้ข้อมูลคาดการณ์เพื่อตรวจจับสภาวะที่ผิดปกติในอุปกรณ์อุตสาหกรรมโดยอัตโนมัติ ผู้ใช้สามารถนำโซลูชันที่มีประสิทธิภาพมาใช้งานล่วงหน้าเพื่อลดเวลาหยุดทำงานและเพิ่มประสิทธิภาพในการดำเนินงาน อ่านเพื่อเรียนรู้เพิ่มเติมเกี่ยวกับวิธีที่ Baxter ใช้งาน Amazon Monitron

อ่านเกี่ยวกับการบำรุงรักษาแบบใช้ข้อมูลคาดการณ์ »

การวิจัยทางการแพทย์ใช้ AI เพื่อเพิ่มความคล่องตัวในกระบวนการ ปรับงานที่ต้องซ้ำ ๆ ให้ดำเนินไปโดยอัตโนมัติ และประมวลผลข้อมูลจำนวนมหาศาล คุณสามารถใช้เทคโนโลยี AI ในการวิจัยทางการแพทย์เพื่ออำนวยความสะดวกในการค้นคว้าและพัฒนายาแบบครบวงจร ถอดความบันทึกทางการแพทย์ และลดเวลาในการนำผลิตภัณฑ์ใหม่ ๆ ออกสู่ตลาด

ตามตัวอย่างในโลกแห่งความเป็นจริง C2i Genomics ใช้ปัญญาประดิษฐ์เพื่อรันไปป์ไลน์จีโนมและการตรวจทางคลินิกในวงกว้างที่สามารถปรับแต่งได้ เนื่องจาก AI ครอบคลุมไปถึงโซลูชันการประมวลผล นักวิจัยจึงสามารถมุ่งเน้นไปที่ประสิทธิภาพทางคลินิกและการพัฒนาวิธีการได้ ทีมวิศวกรยังใช้ AI เพื่อลดความต้องการใช้ทรัพยากร การบำรุงรักษาทางวิศวกรรม และต้นทุน NRE อีกด้วย อ่านรายละเอียดเพิ่มเติม เกี่ยวกับวิธีที่ C2i Genomics ใช้งาน AWS HealthOmics

เรียนรู้เพิ่มเติมเกี่ยวกับโซลูชันการวิจัยทางการแพทย์ »

ดีปเลิร์นนิงนั้นช่วยยกระดับแมชชีนเลิร์นนิงไปอีกขั้นหนึ่ง โมเดลดีปเลิร์นนิงจะใช้นิวรัลเน็ตเวิร์กเทียมที่ทำงานร่วมกันเพื่อเรียนรู้และประมวลผลข้อมูล โดยประกอบด้วยส่วนประกอบซอฟต์แวร์นับล้านที่ดำเนินการทางคณิตศาสตร์ระดับจุลภาคในหน่วยข้อมูลขนาดเล็กเพื่อแก้ปัญหาที่ใหญ่กว่า ตัวอย่างเช่น ประมวลผลแต่ละพิกเซลในรูปภาพเพื่อแยกประเภทรูปภาพนั้น ระบบ AI สมัยใหม่มักจะรวมนิวรัลเน็ตเวิร์กระดับลึกหลายเครือข่ายเข้าด้วยกันเพื่อทำงานที่ซับซ้อน เช่น การเขียนบทกวี หรือการสร้างภาพจากข้อความพรอมต์

อ่านเกี่ยวกับดีปเลิร์นนิง »

การประมวลผลภาษาธรรมชาติ (NLP) ใช้นิวรัลเน็ตเวิร์กเพื่อตีความ ทำความเข้าใจ และรวบรวมความหมายจากข้อมูลข้อความ โดยมีการใช้เทคนิคการคำนวณต่าง ๆ ที่เชี่ยวชาญในการถอดรหัสและทำความเข้าใจภาษามนุษย์ เทคนิคเหล่านี้ช่วยให้เครื่องจักรประมวลผลคำ ไวยากรณ์ และการผสมคำเพื่อประมวลผลข้อความของมนุษย์ หรือแม้แต่สร้างข้อความใหม่ การประมวลผลภาษาธรรมชาติมีความสำคัญอย่างยิ่งในการสรุปเอกสาร แชทบอท และการดำเนินการวิเคราะห์ความรู้สึก 

อ่านเกี่ยวกับ NLP »

คอมพิวเตอร์วิชันใช้เทคนิคการเรียนรู้เชิงลึกเพื่อดึงข้อมูลและข้อมูลเชิงลึกจากวิดีโอและรูปภาพ คุณสามารถใช้คอมพิวเตอร์วิชันเพื่อตรวจติดตามเนื้อหาออนไลน์เพื่อหาภาพที่ไม่เหมาะสม จดจำใบหน้า และจัดประเภทตามรายละเอียดของรูปภาพได้ คอมพิวเตอร์วิชันมีความสำคัญในรถยนต์และรถบรรทุกที่ขับเคลื่อนด้วยตนเองแล้ว เพื่อตรวจติดตามสภาพแวดล้อมและตัดสินใจในเสี้ยววินาที

อ่านเกี่ยวกับคอมพิวเตอร์วิทัศน์ »

ซอฟต์แวร์จดจำคำพูดใช้โมเดลดีปเลิร์นนิงเพื่อตีความคำพูดของมนุษย์ ระบุคำ และตรวจจับความหมาย นิวรัลเน็ตเวิร์กสามารถถอดเสียงคำพูดเป็นข้อความและบ่งบอกถึงความรู้สึกที่แฝงอยู่ในเสียงได้ คุณสามารถนำการจดจำคำพูดไปใช้ในเทคโนโลยีต่าง ๆ เช่น ผู้ช่วยเสมือนและซอฟต์แวร์สำหรับคอลเซ็นเตอร์ เพื่อระบุความหมายและดำเนินงานที่เกี่ยวข้องได้

อ่านเกี่ยวกับการแปลงเสียงพูดเป็นข้อความ»

AI ช่วยสร้าง หมายถึงระบบปัญญาประดิษฐ์ที่สร้างเนื้อหาและอาร์ทิแฟกต์ใหม่ ๆ เช่น รูปภาพ วิดีโอ ข้อความ และเสียง จากพร้อมท์ข้อความธรรมดา ๆ ได้ AI ช่วยสร้างต่างจาก AI ในอดีตที่จำกัดอยู่เพียงการวิเคราะห์ข้อมูล แต่ AI ช่วยสร้างจะใช้ประโยชน์จากดีปเลิร์นนิงและชุดข้อมูลขนาดใหญ่เพื่อสร้างผลลัพธ์เชิงสร้างสรรค์ที่มีคุณภาพสูงและคล้ายคลึงกับที่สร้างโดยมนุษย์ ในขณะที่นำแอปพลิเคชันสร้างสรรค์ที่น่าตื่นเต้นมาใช้งาน ก็มีข้อกังวลเกี่ยวกับอคติ เนื้อหาที่เป็นอันตราย และทรัพย์สินทางปัญญาเกิดขึ้นมา โดยรวมแล้ว AI ช่วยสร้างแสดงให้เห็นถึงวิวัฒนาการที่สำคัญในความสามารถของ AI ในการสร้างภาษามนุษย์และเนื้อหาและอาร์ทิแฟกต์ใหม่ ๆ ซึ่งคล้ายคลึงกับที่สร้างโดยมนุษย์

อ่านเกี่ยวกับ AI ช่วยสร้าง »

AI ที่มีความรับผิดชอบคือการพัฒนา AI ที่คำนึงถึงผลกระทบทางสังคมและสิ่งแวดล้อมของระบบ AI ในวงกว้าง ระบบปัญญาประดิษฐ์มีผลกระทบต่อการเปลี่ยนแปลงต่อผู้ใช้ สังคม และสิ่งแวดล้อม เช่นเดียวกับเทคโนโลยีใหม่ ๆ AI ที่มีความรับผิดชอบจำเป็นต้องเพิ่มผลกระทบเชิงบวกและจัดลำดับความสำคัญของความเป็นธรรมและความโปร่งใสเกี่ยวกับวิธีการพัฒนาและใช้งาน AI ซึ่งช่วยให้แน่ใจได้ว่านวัตกรรม AI และการตัดสินใจที่ขับเคลื่อนด้วยข้อมูลจะไม่ก่อให้เกิดการละเมิดเสรีภาพของพลเมืองและสิทธิมนุษยชน องค์กรต่าง ๆ พบว่าการสร้าง AI ที่มีความรับผิดชอบมีความท้าทาย ในขณะเดียวกันก็รักษาความสามารถในการแข่งขันในพื้นที่ AI ที่ก้าวหน้าอย่างรวดเร็ว

การฝึก AI ด้วยแมชชีนเลิร์นนิงต้องใช้ทรัพยากรจำนวนมหาศาล พลังในการประมวลผลในเกณฑ์ระดับสูงเป็นสิ่งจำเป็นสำหรับเทคโนโลยีดีปเลิร์นนิง เพื่อให้สามารถทำงานได้ คุณต้องมีโครงสร้างพื้นฐานการประมวลผลที่แข็งแกร่งเพื่อรันแอปพลิเคชัน AI และฝึกโมเดลของคุณ พลังในการประมวลผลอาจมีค่าใช้จ่ายสูงและจำกัดความสามารถในการปรับขนาดของระบบ AI ของคุณ

คุณต้องป้อนข้อมูลจำนวนมหาศาลเพื่อฝึกระบบ AI ที่เป็นกลาง โดยต้องมีพื้นที่จัดเก็บที่เพียงพอในการจัดการและประมวลผลข้อมูลในการฝึก ในทำนองเดียวกัน คุณต้องมีการจัดการที่มีประสิทธิภาพและมีกระบวนการคุณภาพของข้อมูลเพื่อให้มั่นใจถึงความถูกต้องของข้อมูลที่คุณใช้ในการฝึก