30 คำศัพท์ด้าน AI ที่คุณจำเป็นต้องรู้สำหรับปี 2025

การปฏิวัติด้าน AI กำลังเร่งความเร็วขึ้น และภาษาที่ใช้อธิบายมันก็เช่นกัน เพื่อก้าวนำในการสนทนาที่กำลังกำหนดอนาคตของเรา การเรียนรู้คำศัพท์สำคัญเหล่านี้เป็นสิ่งจำเป็น คู่มือฉบับขยายนี้ครอบคลุมคำศัพท์ยอดนิยมที่ครองวงการ AI ในปัจจุบัน เรียงตามความสำคัญ

มาเริ่มเรียนรู้และกลายเป็นคนวงในของ AI กันเถอะ!

1. Generative AI (GenAI)

ยังคงครองอันดับหนึ่ง Generative AI เกี่ยวกับการสร้างสรรค์ โมเดลเหล่านี้สร้างเนื้อหาใหม่ เช่น ข้อความ รูปภาพ โค้ด หรือเสียง แทนที่จะเพียงวิเคราะห์ข้อมูลที่มีอยู่ นี่คือเทคโนโลยีที่ขับเคลื่อนการเติบโตด้านความคิดสร้างสรรค์ในวงการ AI ปัจจุบัน

2. Large Language Models (LLMs)

พลังหลักเบื้องหลัง GenAI ส่วนใหญ่ LLMs คือโมเดล AI ที่ได้รับการฝึกฝนด้วยข้อมูลข้อความจำนวนมหาศาล หน้าที่หลักคือการเข้าใจ สร้าง และประมวลผลภาษามนุษย์ ทำให้เป็นสมองเบื้องหลัง AI สนทนาและเครื่องมือการเขียนที่ซับซ้อน

3. GPT (Generative Pre-trained Transformer)

GPT คือตระกูลของโมเดลภาษาขนาดใหญ่ที่พัฒนาโดย OpenAI โมเดลเหล่านี้ได้รับการฝึกฝนล่วงหน้าด้วยชุดข้อมูลขนาดใหญ่และใช้สถาปัตยกรรม Transformer เพื่อเข้าใจและสร้างข้อความแบบมนุษย์ โมเดล GPT เช่น GPT-3 และ GPT-4 ได้สร้างมาตรฐานใหม่ในการประมวลผลภาษาธรรมชาติ ขับเคลื่อนแชทบอท เครื่องมือสร้างเนื้อหา และอื่นๆ อีกมากมาย

4. AI Agent

ก้าวไปไกลกว่าคำสั่งง่ายๆ AI Agent คือระบบ AI ที่ออกแบบมาให้รับรู้สภาพแวดล้อม ตัดสินใจ และดำเนินการโดยอัตโนมัติเพื่อบรรลุเป้าหมายเฉพาะ คิดถึงพวกมันเหมือนนักแก้ปัญหาอิสระในโลกของ AI

5. Prompt Engineering

นี่คือศิลปะของการสื่อสารกับ AI อย่างมีประสิทธิภาพ Prompt Engineering คือทักษะในการสร้างอินพุตที่สมบูรณ์แบบ (หรือ “prompt”) สำหรับโมเดล AI โดยเฉพาะ LLMs เพื่อชี้นำผลลัพธ์และได้รับผลลัพธ์ตามที่ต้องการ สิ่งนี้สำคัญมากในการปลดล็อกศักยภาพเต็มรูปแบบของ AI

6. Hallucination (in AI)

เมื่อ AI “ประสาทหลอน” มันสร้างข้อมูลที่ฟังดูสมเหตุสมผลแต่จริงๆ แล้วไม่ถูกต้อง ไร้สาระ หรือแต่งขึ้น นี่เป็นความท้าทายสำคัญโดยเฉพาะกับ LLM และเป็นจุดโฟกัสหลักในการปรับปรุงความน่าเชื่อถือของ AI

7. Retrieval-Augmented Generation (RAG)

เพื่อต่อสู้กับการประสาทหลอนของ AI RAG รวม LLM เข้ากับระบบการค้นคืนข้อมูล ก่อนที่จะสร้างคำตอบ AI จะดึงข้อมูลที่เกี่ยวข้องและเป็นข้อเท็จจริงจากฐานความรู้เฉพาะ ทำให้คำตอบมีความแม่นยำและตรวจสอบได้มากขึ้น

8. Multimodal AI

AI ที่ทรงพลังนี้สามารถเข้าใจและประมวลผลข้อมูลจากหลายประเภทข้อมูลในเวลาเดียวกัน—เช่น ข้อความ รูปภาพ เสียง และวิดีโอ Multimodal AI ช่วยให้เกิดการโต้ตอบที่สมจริงและเหมือนมนุษย์มากขึ้น และเปิดโอกาสให้มีการประยุกต์ใช้ที่หลากหลาย

9. Fine-tuning

ต้องการปรับแต่งโมเดล AI สำหรับงานเฉพาะหรือไม่? Fine-tuning ช่วยให้คุณนำโมเดล AI ที่ผ่านการเทรนมาแล้ว (เช่น LLM ทั่วไป) และฝึกฝนต่อด้วยชุดข้อมูลเฉพาะทางที่เล็กกว่า วิธีนี้ช่วยปรับโมเดลให้เหมาะกับงานหรือโดเมนเฉพาะของคุณ ทำให้มีประสิทธิภาพสูง

10. Responsible AI

เมื่อ AI กลายเป็นส่วนหนึ่งของชีวิตเรามากขึ้น การรับรองการพัฒนาและการใช้งานอย่างมีจริยธรรมจึงสำคัญยิ่ง Responsible AI เป็นคำที่ครอบคลุมความเป็นธรรม ความโปร่งใส ความรับผิดชอบ และการใช้งานระบบ AI ที่เป็นประโยชน์โดยรวม

11. AI Safety

สาขานี้มุ่งเน้นการป้องกันผลลัพธ์ที่อาจเป็นหายนะจากระบบ AI ขั้นสูง การวิจัย AI safety จัดการกับประเด็นสำคัญเช่น ผลกระทบที่ไม่ได้ตั้งใจ การใช้ในทางที่ผิด และการรักษาการควบคุมเหนือ AI ที่มีความสามารถสูง

12. AI Governance

ใครเป็นผู้กำหนดกฎสำหรับ AI? AI governance หมายถึงกรอบการทำงาน นโยบาย และกฎระเบียบที่ถูกกำหนดขึ้นเพื่อแนะนำการพัฒนาและการใช้ AI ในแนวทางที่สอดคล้องกับค่านิยมของสังคมและข้อกำหนดทางกฎหมาย

13. Explainable AI (XAI)

คุณเคยสงสัยไหมว่า ทำไม AI ถึงตัดสินใจแบบนั้น? Explainable AI (XAI) เกี่ยวข้องกับเทคนิคที่ทำให้ผลลัพธ์และเหตุผลของระบบ AI สามารถเข้าใจและตีความได้โดยมนุษย์ มันเป็นกุญแจสำคัญในการสร้างความไว้วางใจและรับประกันความรับผิดชอบ

14. Artificial General Intelligence (AGI)

จุดสูงสุดของ AI: AGI หมายถึงประเภทของ AI ในเชิงสมมติที่มีความสามารถในการคิดระดับมนุษย์ในงานหลากหลายประเภท ต่างจาก AI เฉพาะทางที่เรามีในปัจจุบัน เป็นแนวคิดที่จุดประกายการสนทนามากมายเกี่ยวกับศักยภาพสูงสุดของ AI

15. Diffusion Models

เหล่านี้คือเวทมนตร์เบื้องหลังภาพที่สร้างโดย AI ที่น่าทึ่งหลายภาพ Diffusion models สร้างข้อมูลโดยเริ่มจากสัญญาณรบกวนแบบสุ่มและค่อยๆ “ลดสัญญาณรบกวน” จนกระทั่งเกิดภาพหรือผลลัพธ์ที่ชัดเจนและมีคุณภาพสูง

16. AI Copilot

คิดถึง AI Copilot เหมือนผู้ช่วยอัจฉริยะของคุณ มันเป็นระบบ AI ที่ออกแบบมาให้ทำงานร่วมกับมนุษย์ เพิ่มขีดความสามารถ ทำงานประจำให้อัตโนมัติ แนะนำวิธีแก้ปัญหา และเพิ่มประสิทธิภาพในหลากหลายสาขา เช่น การเขียนโค้ดหรือการเขียนบทความ

17. Tokens

หน่วยพื้นฐานของข้อความที่ LLM ประมวลผลเรียกว่า tokens หนึ่ง token อาจเป็นคำทั้งคำ ส่วนของคำ เครื่องหมายวรรคตอน หรือแม้แต่อักขระเดี่ยว การเข้าใจเรื่อง token มีความสำคัญต่อการจัดการข้อจำกัดของ input/output และต้นทุนของ LLM

18. Context Window

Context window คือความจำระยะสั้นของ LLM โดยพื้นฐาน มันกำหนดปริมาณข้อความสูงสุด (ในรูปแบบ token) ที่ AI สามารถ “จำ” หรือพิจารณาได้ในเวลาใดเวลาหนึ่งเมื่อสร้างคำตอบ ทำให้สามารถมีบทสนทนาที่ยาวและต่อเนื่องมากขึ้น

19. Mixture of Experts (MoE)

ในเครือข่ายประสาทเทียมแบบ Mixture of Experts (MoE) เครือข่ายย่อยที่เป็น “ผู้เชี่ยวชาญ” ต่างๆ จะเชี่ยวชาญในแง่มุมที่แตกต่างกันของข้อมูล เครือข่าย “gate” จะเป็นตัวกำหนดว่าผู้เชี่ยวชาญคนใดควรจัดการกับอินพุตเฉพาะนั้น ทำให้โมเดล AI ขนาดใหญ่มีประสิทธิภาพมากขึ้น

20. Synthetic Data

ข้อมูลสังเคราะห์ คือข้อมูลที่สร้างขึ้นโดยเทียมที่เลียนแบบคุณสมบัติทางสถิติของข้อมูลในโลกจริงโดยไม่มีข้อมูลส่วนบุคคลจริง มีคุณค่าอย่างมากสำหรับการฝึกโมเดล AI เมื่อข้อมูลจริงมีน้อย มีความอ่อนไหว หรือมีราคาแพงเกินไป

21. Reinforcement Learning (RL)

นี่คือวิธีที่ AI เรียนรู้ผ่านการลองผิดลองถูก ใน Reinforcement Learning ตัวแทน AI ทำการกระทำในสภาพแวดล้อมและได้รับรางวัลหรือบทลงโทษ ทำให้สามารถเรียนรู้พฤติกรรมที่ซับซ้อนและบรรลุเป้าหมาย เช่น ในการเล่นเกมหรือหุ่นยนต์

22. Machine Learning (ML)

สาขาหลักของ AI Machine Learning มุ่งเน้นการพัฒนาอัลกอริทึมที่ช่วยให้คอมพิวเตอร์เรียนรู้จากข้อมูลโดยไม่ต้องเขียนโปรแกรมอย่างชัดเจน เป็นพื้นฐานสำหรับแอปพลิเคชัน AI หลายตัว

23. Deep Learning (DL)

เป็นส่วนหนึ่งของ Machine Learning Deep Learning ใช้เครือข่ายประสาทเทียมหลายชั้น (มักเรียกว่าเครือข่ายประสาทเทียม “ลึก”) เพื่อเรียนรู้รูปแบบที่ซับซ้อนจากข้อมูลจำนวนมาก นี่คือสิ่งที่ขับเคลื่อนการจดจำภาพขั้นสูงและการประมวลผลภาษาธรรมชาติ

24. Neural Network

ได้รับแรงบันดาลใจจากสมองมนุษย์ Neural Network คือระบบคอมพิวเตอร์ที่ประกอบด้วย “โหนด” หรือ “นิวรอน” ที่เชื่อมต่อกันซึ่งประมวลผลข้อมูล พวกมันเป็นองค์ประกอบพื้นฐานของโมเดล deep learning

25. Overfitting

ในการฝึกโมเดล AI overfitting เกิดขึ้นเมื่อโมเดลเรียนรู้ข้อมูลฝึกอบรมดีเกินไป รวมถึงสัญญาณรบกวนและความผันผวนแบบสุ่ม ทำให้โมเดลทำงานได้ไม่ดีกับข้อมูลใหม่ที่ไม่เคยเห็นมาก่อน เนื่องจากมีปัญหาในการทำให้เป็นแบบทั่วไป

26. Transfer Learning

Transfer Learning เกี่ยวข้องกับการนำโมเดลที่ผ่านการฝึกอบรมมาแล้ว (ที่ได้รับการฝึกอบรมกับชุดข้อมูลขนาดใหญ่สำหรับงานทั่วไป) และนำมาใช้ใหม่สำหรับงานที่แตกต่างแต่เกี่ยวข้องกัน ช่วยประหยัดเวลาและทรัพยากรการคำนวณอย่างมาก

27. Embeddings

การฝังตัว (Embeddings) คือการแสดงเชิงตัวเลข (เวกเตอร์) ของข้อความ รูปภาพ หรือข้อมูลอื่นๆ ที่จับความหมายและความสัมพันธ์ของข้อมูลนั้น โมเดล AI ใช้สิ่งเหล่านี้เพื่อเข้าใจและประมวลผลข้อมูลอย่างมีประสิทธิภาพ

28. ฐานข้อมูลเวกเตอร์ (Vector Database)

ฐานข้อมูลเวกเตอร์ ถูกปรับให้เหมาะสำหรับการจัดเก็บ จัดการ และค้นหาการฝังตัวเวกเตอร์ สิ่งเหล่านี้มีความสำคัญสำหรับแอปพลิเคชันเช่น RAG และระบบแนะนำ ช่วยให้สามารถค้นหาความคล้ายคลึงได้อย่างรวดเร็ว

29. การเพิ่มข้อมูล (Data Augmentation)

เพื่อเพิ่มปริมาณและความหลากหลายของข้อมูลฝึกสอน การเพิ่มข้อมูล เกี่ยวข้องกับการสร้างข้อมูลใหม่จากข้อมูลที่มีอยู่โดยการปรับเปลี่ยนเล็กๆ น้อยๆ อย่างมีกลยุทธ์ (เช่น การหมุนภาพ การแทนที่คำด้วยคำที่มีความหมายเหมือนกันในข้อความ)

30. การตัดสินใจอัตโนมัติ (Automated Decision-Making - ADM)

การตัดสินใจอัตโนมัติ หมายถึงระบบที่ตัดสินใจโดยมีการแทรกแซงจากมนุษย์น้อยที่สุด โดยอิงจากอัลกอริทึมและข้อมูล สิ่งนี้พบได้มากขึ้นในด้านต่างๆ เช่น การอนุมัติเงินกู้หรือการกลั่นกรองเนื้อหา

นั่นคือแนวคิดล้ำสมัยมากมาย! ด้วยคำศัพท์เหล่านี้ คุณจะมีความพร้อมมากขึ้นในการนำทางโลกของ AI ที่กำลังพัฒนาอย่างรวดเร็ว ยิ่งคุณคุ้นเคยกับคำศัพท์เหล่านี้มากเท่าไร คุณจะยิ่งเห็นทั้งโอกาสที่น่าทึ่งและความท้าทายสำคัญที่ AI นำมาได้ชัดเจนยิ่งขึ้น

คุณสนใจคำศัพท์ใดมากที่สุด? แจ้งให้เราทราบในส่วนความคิดเห็น!