Support me

Support me
Patreon

AI operates by learning from the data it receives



AI ทำงานโดยการเรียนรู้จากข้อมูลที่ได้รับ โดยไม่สามารถเก็บข้อมูลได้ด้วยตนเองเช่นการกด save รูปจากอินเตอร์เน็ต หากต้องการให้ AI วาดรูปไก่ จะต้องมีรูปไก่ให้ AI ศึกษาก่อนเพื่อเรียนรู้ว่าไก่มีหน้าตาอย่างไร

ใช่, AI จะไม่สามารถวาดไก่ได้หากไม่เคยเห็นรูปไก่มาก่อน ผู้คนจึงต้องให้ข้อมูลรูปไก่แก่ AI เพื่อการเรียนรู้

การทำงานของ AI จะประกอบด้วยการวิเคราะห์ข้อมูลภาพ (image) และข้อความ (text prompt) รวมถึงตัวแปรอื่นๆ (parameters) เป็นต้น เมื่อใช้แบบจำลอง AI โดยเฉพาะ GAN (Generative Adversarial Network), โมเดลนี้จะพิจารณาว่าคำสั่งที่ระบุเป็นคำพูดหรือภาพและว่าสอดคล้องกันหรือไม่ จากนั้น AI จะสร้างภาพใหม่ที่ไม่เคยมีในโลกจริงจากข้อมูลที่ได้รับ

การทำงานของ AI อาจมีประเด็นเรื่องการละเมิดสิทธิ์ข้อมูลใน data set นั่นหมายความว่าการวิเคราะห์รูปไก่เพื่อเรียนรู้นั้นคล้ายกับวิธีที่มนุษย์เรียนรู้จากรูป แต่ AI ต้องการข้อมูลจำนวนมากเนื่องจากไม่สามารถสร้างแรงบันดาลใจได้เหมือนมนุษย์

AI สามารถสร้างภาพตามคำสั่งเมื่อได้รับข้อมูลรูปภาพที่เพียงพอ เช่น หากสั่งให้ AI สร้างรูปภาพของ 'พี่มุ่ยที่มีหัวไก่' และให้ข้อมูลรูปภาพของ 'พี่มุ่ย' ให้ AI ศึกษา AI จะสามารถสร้างภาพตามคำสั่งได้ โดยไม่ได้ใช้ pixel จากรูปภาพเดิมแต่จะสร้างภาพใหม่ คล้ายวิธีที่มนุษย์เลียนแบบงานศิลปินโดยการเปลี่ยนสภาพของ pixel หรือ text เป็นข้อมูลคณิตศาสตร์และเขียนใหม่

AI จะเรียนรู้ผ่านระบบ Machine Learning โดยผู้พัฒนาจะต้องป้อนข้อมูลหรือ "training data" ให้กับระบบ AI ข้อมูลเหล่านี้อาจจะเป็นภาพ, ข้อความ, หรือประเภทข้อมูลอื่นๆ ที่เกี่ยวข้องกับงานที่ต้องการให้ AI ทำ ผ่านกระบวนการนี้, AI จะเรียนรู้แพทเทิร์น, คุณสมบัติ, หรือความสัมพันธ์ต่างๆ ในข้อมูลเพื่อสร้าง "โมเดล" ที่สามารถทำนายผลลัพธ์หรือสร้างสรรค์สิ่งใหม่ได้ตามเงื่อนไขที่ได้รับการฝึกฝนไป.

โดยทั่วไป, วิธีการเรียนรู้ของ AI สามารถแบ่งได้เป็นหลายประเภทดังนี้:

Supervised Learning: เรียนรู้จากข้อมูลที่มีป้ายกำกับ (labeled data) โดยมีการบอกว่าข้อมูลนั้นๆ เกี่ยวข้องกับผลลัพธ์อะไร.


Unsupervised Learning: เรียนรู้จากข้อมูลที่ไม่มีป้ายกำกับ (unlabeled data) เพื่อหาความสัมพันธ์หรือแพทเทิร์นที่แฝงอยู่.


Reinforcement Learning: AI เรียนรู้ผ่านกระบวนการลองผิดลองถูก, ได้รับ "รางวัล" เมื่อทำตามเงื่อนไขที่ถูกต้อง, และ "โทษ" เมื่อทำไม่ถูกต้อง.


Semi-supervised Learning: ผสมผสานระหว่าง supervised และ unsupervised learning โดยใช้ข้อมูลทั้งที่มีและไม่มีป้ายกำกับ.


Transfer Learning: นำโมเดลที่ได้รับการฝึกฝนจากงานหนึ่งมาปรับใช้กับงานอื่นที่มีความเกี่ยวข้องกัน.

AI จะสามารถทำงานได้เมื่อได้รับข้อมูลเหล่านี้ และหลังจากผ่านการฝึกฝนแล้ว AI ก็จะสามารถทำหน้าที่ที่ได้รับมอบหมายได้โดยอาศัยโมเดลที่ได้สร้างขึ้นจากข้อมูลฝึกฝนนั้น.






"AI operates by learning from the data it receives without being able to collect data itself, such as saving images from the internet. If you want AI to draw a chicken, it needs to study images of chickens first to learn their appearance.




Yes, AI won't be able to draw a chicken if it hasn't seen chicken images before. People need to provide chicken image data to AI for it to learn.




AI's operation involves analyzing image data, text prompts, and other variables. When using AI models, especially GANs (Generative Adversarial Networks), the model considers whether the command is text or an image and if they align. Then, AI generates a new image not previously existing in the world from the received data.




AI's work may involve issues regarding data rights violation in the dataset, meaning the analysis of chicken images to learn is similar to how humans learn from images. However, AI requires a vast amount of data since it can't draw inspiration like humans.




AI can create images based on commands when given enough image data. For instance, if asked to generate an image of 'P'Muy with a chicken head' and provided an image of 'P'Muy' for AI to study, it can create the image per the command without using pixels from the original image but generating a new one. This is akin to how humans mimic an artist's work by manipulating pixel conditions or rewriting text using mathematical data.




AI learns through Machine Learning, where developers input 'training data' into the AI system. This data could be images, text, or other relevant data for the task AI needs to perform. Through this process, AI learns patterns, attributes, or relationships in the data to create a 'model' capable of predicting outcomes or creating new things based on the trained conditions.




Generally, AI learning methods can be categorized as follows:




Supervised Learning: Learns from labeled data indicating the relation of the data to an outcome.




Unsupervised Learning: Learns from unlabeled data to find hidden relationships or patterns.




Reinforcement Learning: AI learns through trial and error, receiving 'rewards' for correct actions and 'penalties' for incorrect ones.




Semi-supervised Learning: Mixes supervised and unsupervised learning using both labeled and unlabeled data.




Transfer Learning: Adapts a model trained in one task to a related task.




AI can perform tasks once it receives this data, and after training, it can execute the assigned task using the model generated from the training data."

Popular Posts