
แค่มองหาคำว่า «ฟรี» ก็พอหรือ?
ลองนึกถึงกล่องข้อความสมมติ คนอาจเขียนกฎว่า «ถ้ามีคำว่าฟรี ให้จำแนกเป็นโฆษณา» วิธีนี้ง่าย แต่ข้อความส่วนตัวอย่าง «ฉันจะช่วยให้ฟรี» ก็อาจถูกกรองผิด และโฆษณาที่ไม่มีคำนั้นอาจหลุดไป เมื่อคนเป็นผู้กำหนดว่าจะใช้เงื่อนไขใด ก็อาจต้องเสริมกฎเมื่อพบสำนวนและบริบทใหม่
AI เป็นสาขาที่กว้างกว่าชื่อฟังก์ชันเดียวเช่นนี้ ยังครอบคลุมการหาวัตถุในภาพ การวางแผนเส้นทาง และแนวทางแก้ปัญหาด้วยความรู้กับกฎ จึงไม่ใช่ว่า AI ทั้งหมดเรียนรู้จากข้อมูล และการมีเงื่อนไขง่าย ๆ เพียงข้อเดียวก็ไม่ได้ทำให้เหมาะจะเรียกทุกโปรแกรมว่า AI สิ่งสำคัญกว่าชื่อคือจัดการงานอะไรด้วยวิธีไหน
ช่วงเวลาที่ตัวอย่างเปลี่ยนตัวจำแนก
อีกวิธีคือให้ข้อความตัวอย่างที่ติดป้ายไว้แล้วว่าเป็นโฆษณาหรือไม่ แล้วฝึกโมเดล การเรียนรู้ของเครื่องเป็นแนวทางใช้ข้อมูลฝึกโมเดลให้สร้างการทำนายหรือผลลัพธ์อื่น แม้ในวิธีนี้ คนก็ยังออกแบบว่าจะใช้ข้อมูลใดและตั้งเป้าหมายอะไร การมีตัวอย่างไม่ได้แปลว่าจะตอบถูกกับสำนวนที่ไม่คุ้นเสมอ กล่องข้อความนี้เป็นฉากสมมติเพื่อเทียบหลักการ ไม่ใช่การทดลองวัดความแม่นยำของบริการจริง
ในการฝึก จะปรับค่าภายในโมเดลตามข้อมูลและเป้าหมาย หลังจากนั้น การใส่ข้อความใหม่แล้วได้ผลจำแนกคือการอนุมาน ซึ่งเป็นการใช้โมเดลที่ฝึกแล้ว การใส่ข้อมูลเข้าใหม่ไม่ได้หมายความว่าค่าภายในจะถูกฝึกใหม่ทุกครั้ง การใช้เนื้อหาบทสนทนาเป็นบริบทก็ต้องแยกจากการปรับค่าโมเดลใหม่ด้วย «เวลาสร้างจากตัวอย่าง» กับ «เวลาใช้โมเดลที่สร้างแล้ว» เชื่อมต่อกัน แต่ไม่ใช่ขั้นตอนเดียวกัน
รวบรวมตัวอย่าง
กำหนดว่าจะใช้ข้อมูลอะไรให้เรียนรู้เรื่องใด
สร้างโมเดล
ปรับค่าภายในโมเดลระหว่างการฝึก
ลองใช้กับข้อความใหม่
ได้ผลจำแนกจากการอนุมาน แล้วเปรียบเทียบกับข้อความจริง
การคัดโฆษณากับการเขียนคำตอบ
โมเดลที่เลือกว่าข้อความเป็นโฆษณาหรือไม่ กับโมเดลที่สร้างประโยคคำตอบใหม่ มีเป้าหมายของผลลัพธ์ต่างกัน AI เชิงกำเนิดหมายถึงระบบที่สร้างเนื้อหา เช่น ข้อความ ภาพ และเสียง โดย AI เชิงกำเนิดสมัยใหม่มักใช้โมเดลที่ฝึกด้วยการเรียนรู้ของเครื่อง การเรียนรู้ของเครื่องเป็นแนวทางหนึ่งใน AI โมเดลที่เพียงจำแนกข้อความและไม่เขียนบทความก็อาจเป็นโมเดลการเรียนรู้ของเครื่องได้
การแยกนี้ไม่ใช่แบ่งเป็นกล่องที่ผสมกันไม่ได้ บริการหนึ่งอาจใช้โมเดลจำแนกคัดข้อความ ใช้โมเดลเชิงกำเนิดร่างคำตอบ แล้วใช้กฎที่คนกำหนดจัดการผลอีกครั้ง หน้าจอที่สนทนาได้ก็ไม่ได้บอกว่าภายในมีโมเดลเดียว แม้การจำแนก การสร้าง และกฎจะรวมอยู่บนหน้าจอเดียวกัน เราก็ยังแยกดูงานของแต่ละส่วนได้
พูดเก่งกับพูดถูก
คำตอบหรือคำอธิบายที่ลื่นไหลและมั่นใจก็อาจไม่ตรงข้อเท็จจริง เช่นเดียวกับโมเดลจำแนกที่เลือกผิดได้ โมเดลเชิงกำเนิดก็อาจสร้างข้อผิดพลาดที่ดูน่าเชื่อ จึงต้องตรวจผลด้วยข้อมูลและการประเมินที่เหมาะกับเป้าหมาย ลองตรวจการคำนวณในคำอธิบายเอง และดูว่าชื่อกับลิงก์เอกสารอ้างอิงมีอยู่จริงและสนับสนุนข้อกล่าวอ้างนั้นหรือไม่ ความลื่นไหลไม่ใช่หลักฐานของความถูกต้องในตัวเอง
สำหรับร่างคำตอบ ต้องดูด้วยว่ามีข้อเท็จจริงที่แต่งขึ้นหรือข้อมูลส่วนบุคคลที่ไม่จำเป็นแทรกอยู่หรือไม่ ก่อนป้อนข้อมูลส่วนบุคคลหรือเอกสารที่ไม่เปิดเผยต่อสาธารณะ ควรตรวจนโยบายการจัดการข้อมูลของบริการที่ใช้ การผสมหลายแนวทางเข้าด้วยกันเพียงอย่างเดียวไม่ได้รับประกันความถูกต้องของผลหรือการจัดการข้อมูลอย่างปลอดภัย แม้พบฟังก์ชันสะดวก หากดูร่วมกันว่าใส่อะไรเข้าไป ได้ผลอะไรออกมา และจะใช้อะไรตรวจผล ก็จะเข้าใจ AI ได้เป็นรูปธรรมขึ้น
เพียงตามข้อความหนึ่งข้อความ ก็เห็นได้ว่าในชื่อใหญ่ ๆ อย่าง AI มีงานต่างกันอยู่ ครั้งถัดไปที่พบปุ่ม «ฟังก์ชัน AI» ลองดูก่อนว่าฟังก์ชันนั้นกำลังเลือกหรือกำลังสร้าง