[AI-100.EP1] - Introduction to AI.

supachai jaturaprom — Sat, 06 Jan 2024 15:25:55 +0000

Introduction to AI (Artificial Intelligence)

การมาของ Artificial Intelligence (AI) นั้น ช่วยให้เราสร้างโปรแกรมหรือซอฟต์แวร์ที่น่าสนใจและไม่คิดว่าจะสามารถทำได้ เช่น การปรับปรุงการดูแลสุขภาพ, ช่วยให้ผู้คนเอาชนะความด้อยโอกาสทางกายภาพ, เสริมสร้างโครงสร้างพื้นฐาน(Infrastcture) ที่ฉลาดขึ้น, สร้างประสบการณ์ใหม่ๆ ด้านความบันเทิงต่างๆ และแม้แต่ช่วยโลกของเรา!

AI คืออะไร ?

ให้เข้าใจง่ายๆ, AI คือ โปรแกรมหรือซอฟแวร์ที่เลียนแบบพฤติกรรมและความสามารถต่างๆ ของมนุษย์

ปัญญาประดิษฐ์ (Artificial Intelligence, AI) คือสาขาวิชาในด้านวิทยาการคอมพิวเตอร์ที่เน้นการพัฒนาคอมพิวเตอร์หรือเครื่องมือคอมพิวเตอร์ให้สามารถทำงานหรือปฏิบัติการที่ต้องการความคิดและความสามารถคล้ายมนุษย์ได้ โดยคอมพิวเตอร์ในระบบ AI จะถูกออกแบบและโปรแกรมให้สามารถประมวลผลข้อมูล, ตัดสินใจ, แก้ปัญหา, และเรียนรู้จากข้อมูลด้วยตัวเองโดยอัตโนมัติ โดยไม่ต้องมีคำสั่งทางโปรแกรมเฉพาะหรือกฎระเบียบที่กำหนดไว้ล่วงหน้า. AI มีการนำไปใช้ในหลายด้านของชีวิตประจำวันและอุตสาหกรรมต่าง ๆ เช่น ระบบค้นหาบนเว็บ, รถยนต์ขับเอง, การแก้ปัญหาทางการแพทย์, การทำงานในสายงานการเงิน, การวิเคราะห์ข้อมูลธุรกิจ, และอื่น ๆ โดยมีศักยภาพในการเปลี่ยนแปลงและเป้าหมายในการพัฒนาเพิ่มเติมในอนาคต.

ลองดู VDO เกี่ยวกับประโยชน์ของ AI

Keywords of AI :

1. Machine learning

This is often the foundation for an AI system, and is the way we "teach" a computer model to make predictions and draw conclusions from data.

Machine learning (การเรียนรู้ของเครื่อง) คือสาขาหนึ่งของปัญญาประดิษฐ์ที่เน้นการพัฒนาโมเดลคอมพิวเตอร์ให้สามารถเรียนรู้และปรับตัวเองจากข้อมูล โดยไม่ต้องโปรแกรมโดยตรงให้คำสั่งเฉพาะหรือกำหนดกฎระเบียบให้กับคอมพิวเตอร์. การเรียนรู้ของเครื่องใช้วิธีการทางคณิตศาสตร์และสถิติในการวิเคราะห์และเรียนรู้จากข้อมูลเพื่อให้เครื่องมีความสามารถในการทำงานหรือการตัดสินใจโดยอาศัยข้อมูลที่มีอยู่เป็นหลัก. Machine learning สามารถนำไปใช้ในหลายด้านของการประยุกต์ใช้ เช่น:

การจำแนกและการจัดกลุ่มข้อมูล: การแยกประเภทของข้อมูลออกเป็นกลุ่มหรือหมวดหมู่ต่าง ๆ เช่นการจำแนกอีเมลของลูกค้าเป็นสแปมและไม่ใช่สแปม.
การทำนาย: การใช้โมเดลเรียนรู้ของเครื่องเพื่อทำนายผลลัพธ์หรือเหตุการณ์ในอนาคต เช่นการทำนายราคาหุ้นหรืออากาศในวันพรุ่งนี้.
การค้นหาข้อมูล: การใช้เรนเดอร์และการจัดเรียงข้อมูลเพื่อค้นหาข้อมูลที่เกี่ยวข้องหรือสรุปข้อมูลจากข้อมูลมหาศาล.
การปรับปรุงการตัดสินใจ: การใช้ระบบเรียนรู้ของเครื่องในการช่วยในการตัดสินใจทางธุรกิจหรือการวางแผน.

โดยที่ Machine learning มีหลายวิธีการและอัลกอริทึมต่าง ๆ ซึ่งรวมถึงการเรียนรู้แบบแม่นยำ (supervised learning), การเรียนรู้แบบไม่มีผู้สอน (unsupervised learning), การเรียนรู้แบบเสริมกัน (reinforcement learning), และอื่น ๆ อีกมาก. การนำเสนอข้อมูลและการเลือกโมเดลที่เหมาะสมกับงานที่ต้องการเป็นความสำคัญในการประสบความสำเร็จในการใช้เทคโนโลยีนี้ในงานแต่ละประเภท.

2. Computer vision

Capabilities within AI to interpret the world visually through cameras, video, and images.

Computer vision คอมพิวเตอร์วิชัน (Computer Vision) เป็นสาขาหนึ่งของปัญญาประดิษฐ์ที่เน้นการให้คอมพิวเตอร์รู้จักและเข้าใจภาพและวิดีโอแบบอัตโนมัติ โดยใช้การประมวลผลข้อมูลทางภาพและวิดีโอ โดยมีวัตถุประสงค์ที่จะให้คอมพิวเตอร์มีความสามารถในการเห็นและเข้าใจโลกต่าง ๆ เหมือนมนุษย์. การทำคอมพิวเตอร์วิชันมีประโยชน์ในหลายงานและสถานการณ์ เช่น

ระบบรู้จักใบหน้า (Facial Recognition): ใช้ในการรู้จักและจดจำใบหน้าของบุคคล เช่นในการปลดล็อกสมาร์ทโฟนหรือการควบคุมการเข้าถึงอาคาร.
การตรวจสอบคุณภาพผลิตภัณฑ์ (Quality Inspection): ใช้ในอุตสาหกรรมผลิตเพื่อตรวจสอบความเสมอของผลิตภัณฑ์และความผิดพลาด.
รถยนต์แบบขับเอง (Autonomous Vehicles): ช่วยให้รถยนต์แบบขับเองสามารถรู้จักและตรวจจับสิ่งของรอบตัว เช่นการจดจำสัญลักษณ์จราจรและรถยนต์อื่น ๆ บนถนน.
การวิเคราะห์ภาพการแพทย์ (Medical Image Analysis): ช่วยในการวิเคราะห์รูปภาพการสแกน CT, MRI, และรังสีอื่น ๆ เพื่อวินิจฉัยโรคและปัญหาทางการแพทย์.
การจดจำและวิเคราะห์วัตถุ (Object Recognition and Analysis): ใช้ในการตรวจจับวัตถุที่เป็นรูปร่างและข้อมูลที่มีอยู่ในภาพหรือวิดีโอ เช่นการจดจำสินค้าในร้านค้าออนไลน์.

การทำคอมพิวเตอร์วิชันเกี่ยวข้องกับการใช้เทคโนโลยีการเรียนรู้ของเครื่อง (Machine Learning) เพื่อสร้างโมเดลที่สามารถรู้จักและวิเคราะห์ข้อมูลทางภาพและวิดีโอได้ และมักใช้งานร่วมกับเทคโนโลยีการประมวลผลภาพ (Image Processing) เพื่อดำเนินการกับข้อมูลทางภาพต่าง ๆ ให้เหมาะสมกับงานและการแยกแยะวัตถุต่าง ๆ ในภาพหรือวิดีโอ.

3. Natural Language Processing(NLP)

Capabilities within AI for a computer to interpret written or spoken language, and respond in kind.

Natural Language Processing(NLP) คือสาขาหนึ่งของปัญญาประดิษฐ์ที่เน้นการประมวลผลและเข้าใจภาษาธรรมชาติโดยอัตโนมัติโดยใช้คอมพิวเตอร์และเทคโนโลยี การทำ NLP มุ่งเน้นให้คอมพิวเตอร์สามารถอ่านและเข้าใจข้อความและภาษาพูดแบบมนุษย์ รวมถึงสามารถตอบสนองตามความหมายของข้อมูลทางภาษาธรรมชาติด้วยวิธีการทางคณิตศาสตร์และการเรียนรู้ของเครื่อง. NLP มีประโยชน์ในหลายด้านของการประยุกต์ใช้ เช่น

การแปลภาษา (Language Translation): การแปลข้อความหรือภาษาจากภาษาหนึ่งไปยังอีกภาษาหนึ่ง เช่นการแปลจากภาษาอังกฤษเป็นภาษาสเปน.
การวิเคราะห์สื่อสังคม (Social Media Analysis): ใช้ในการวิเคราะห์และเข้าใจความรู้สึกและทัศนคติของบุคคลหรือสังคมจากข้อมูลที่โพสต์บนสื่อสังคมออนไลน์.
การจดจำเสียง (Speech Recognition): การรับรู้และแปลงเสียงพูดให้อยู่ในรูปของข้อความ เช่นระบบควบคุมเสียงในอุปกรณ์สมาร์ท.
การตอบสนองของระบบอัตโนมัติ (Chatbots): การสร้างโปรแกรมคอมพิวเตอร์ที่สามารถสนทนาและตอบคำถามของผู้ใช้อย่างเป็นธรรมชาติ.
การค้นหาข้อมูล (Information Retrieval): การช่วยในการค้นหาข้อมูลที่เกี่ยวข้องจากฐานข้อมูลขนาดใหญ่โดยใช้คำค้นหาหรือคำถาม.

NLP มีความซับซ้อนมากเนื่องจากภาษามนุษย์มีความหลากหลายและความเชิงบรรยายที่ซับซ้อน และความหมายของคำและประโยคมักมีบทบาทที่ขึ้นอยู่กับบริบท ทำให้การใช้เทคโนโลยี NLP ค่อนข้างท้าทาย แต่มันเป็นสาขาที่มีการพัฒนาและใช้งานอย่างกว้างขวางในหลายด้านของชีวิตประจำวันและธุรกิจ.

4. Document intelligence

Capabilities within AI that deal with managing, processing, and using high volumes of data found in forms and documents.

Document intelligence (ความรู้เกี่ยวกับเอกสาร)เป็นสาขาใหม่ในด้านการปัญญาประดิษฐ์และเทคโนโลยีสารสนเทศที่เน้นการใช้เทคโนโลยีเพื่อการประมวลผลเอกสารและข้อมูลที่อยู่ในรูปแบบของเอกสารอิเล็กทรอนิกส์ โดยเฉพาะเอกสารที่มีลักษณะที่ซับซ้อน เช่นเอกสารทางธุรกิจ, แบบฟอร์ม, เอกสารทางการแพทย์, และเอกสารทางกฎหมาย เพื่อให้คอมพิวเตอร์สามารถเข้าใจเนื้อหาและแปลงเป็นข้อมูลที่มีความหมายได้. Document intelligence รวมถึงการใช้เทคโนโลยีการเรียนรู้ของเครื่อง (Machine Learning) เพื่อทำการแยกแยะและสกัดข้อมูลจากเอกสาร ตัวอย่างการประยุกต์ใช้ document intelligence ได้แก่:

Optical Character Recognition (OCR): การแปลงข้อความที่ถูกพิมพ์หรือลายมือเป็นข้อมูลที่คอมพิวเตอร์สามารถเข้าใจได้ โดยใช้การสแกนหรือถ่ายภาพเอกสาร.
การจดจำและการแยกแยะเอกสาร (Document Classification): การแยกประเภทเอกสารต่าง ๆ เช่นใบสมัครงาน, ใบแจ้งหนี้, หรือสัญญา.
การสกัดข้อมูล (Data Extraction): การสกัดข้อมูลที่สำคัญออกจากเอกสาร เช่นชื่อลูกค้า, ที่อยู่, วันที่, หมายเลขบัญชี, หรือข้อมูลอื่น ๆ ที่เกี่ยวข้อง.
การค้นหาข้อมูล (Information Retrieval): การค้นหาข้อมูลที่ต้องการจากเอกสารในฐานข้อมูลขนาดใหญ่.
การวิเคราะห์ข้อมูล (Data Analysis): การนำข้อมูลที่ถูกสกัดออกมาจากเอกสารมาวิเคราะห์เพื่อให้สามารถทำการตัดสินใจหรือการวางแผนในธุรกิจได้.

Document intelligence ช่วยลดการกระทำของมนุษย์ในการประมวลผลเอกสารและเพิ่มความแม่นยำในการจัดการข้อมูล ซึ่งมีประโยชน์ในหลายอุตสาหกรรม เช่น การเงิน, การขาย, การบริหารจัดการ, และการดูแลสุขภาพ.

5. Knowledge mining

Capabilities within AI to extract information from large volumes of often unstructured data to create a searchable knowledge store

Knowledge mining (การขุดความรู้) เป็นกระบวนการในการค้นหา, สกัด, และนำเอาข้อมูลและความรู้ที่ซ่อนอยู่ในข้อมูลที่มีอยู่ในรูปแบบที่ไม่โครงสร้างมาใช้ประโยชน์ โดยใช้เทคโนโลยีและเครื่องมือการประมวลผลข้อมูลต่าง ๆ รวมถึงการใช้ปัญญาประดิษฐ์ เพื่ออ่าน, วิเคราะห์, และเข้าใจข้อมูลที่มีโครงสร้างที่ไม่เป็นมาตรฐานหรือมีความซับซ้อน.

กระบวนการ Knowledge mining มักเกี่ยวข้องกับข้อมูลที่อยู่ในรูปแบบของข้อความ, เอกสาร, บันทึกการประชุม, หรือข้อมูลที่ไม่มีโครงสร้างแน่นอน เช่นข้อมูลทางเศรษฐศาสตร์, ข้อมูลการสนทนา, หรือข้อมูลทางการแพทย์. กระบวนการนี้มักใช้เทคโนโลยีการประมวลผลภาษาธรรมชาติ (Natural Language Processing, NLP), การเรียนรู้ของเครื่อง (Machine Learning), และเครื่องมือที่ช่วยในการสกัดข้อมูลที่มีความหมายและความรู้ออกมาจากข้อมูลที่ไม่มีโครงสร้างเหล่านี้.

เช่นหากคุณมีฐานข้อมูลเอกสารที่มีข้อความเกี่ยวกับความรู้ทางการแพทย์ การใช้ Knowledge mining สามารถช่วยในการค้นพบความรู้ทางการแพทย์ที่ซ่อนอยู่ในข้อมูลเหล่านี้ เช่นการค้นหาข้อมูลที่เกี่ยวกับโรคร้ายแรงหรือการค้นหาข้อมูลที่เกี่ยวกับการวิจัยทางการแพทย์ใหม่ ๆ ที่อาจมีประโยชน์ในการรักษาโรคหรือป้องกันโรคในอนาคต.

ดังนั้น Knowledge mining มีความสำคัญในการแปรรู้และนำความรู้ที่มีอยู่ในข้อมูลให้เป็นประโยชน์ในงานวิจัย, ธุรกิจ, และอุตสาหกรรมต่าง ๆ โดยช่วยให้เราทราบเกี่ยวกับความรู้ที่อาจมีค่าและไม่เคยรู้มาก่อน.

6. Generative AI

Capabilities within AI that create original content in a variety of formats including natural language, image, code, and more.

Generative AI Generative AI (Artificial Intelligence สร้างสรรค์) คือแบบจำลองของปัญญาประดิษฐ์ที่ถูกออกแบบเพื่อสร้างข้อมูลหรือเนื้อหาใหม่ๆ ที่ดูเหมือนมนุษย์สร้างขึ้น โดยไม่จำเป็นต้องมีข้อมูลต้นฉบับที่เป็นตัวอย่าง หรือมีการคัดลอกโครงสร้างจากข้อมูลที่มีอยู่ แต่เครื่องมือ Generative AI สามารถสร้างสิ่งต่าง ๆ ออกมาด้วยตัวเอง ซึ่งประกอบด้วยหลายๆ แนวทางและเทคโนโลยีต่าง ๆ อย่างไรก็ตาม เหตุการณ์ที่มีชื่อเสียงมากของ Generative AI คือการใช้การเรียนรู้ของเครื่อง (Machine Learning) แบบเรียนรู้เชิงลึก (Deep Learning) และโมเดลการเรียนรู้เชิงเส้น (Linear Learning) เพื่อสร้างข้อมูลเสมือนมนุษย์เช่น ข้อความ, ภาพ, เสียง, และวิดีโอ. Generative AI สามารถประยุกต์ใช้ในหลายด้านและสาขา เช่น:

Natural Language Generation (NLG): สร้างข้อความที่มีความหมายและอ่านได้เพื่อใช้ในการสร้างเนื้อหาบนเว็บไซต์, บทความข่าว, และรายงาน.
Image Generation: สร้างภาพที่มีความคล้ายคลึงกับภาพจริง ๆ เช่นสร้างภาพของมนุษย์,สัตว์,หรือภาพสร้างสรรค์อื่น ๆ.
Music Composition: สร้างเสียงเพลงหรือเนื้อร้องเพลงใหม่ ๆ ที่มีความสมจริงในการดนตรี.
Art Generation: สร้างผลงานศิลปะและภาพวาดที่สร้างสรรค์จากคอมพิวเตอร์.
Video Synthesis: สร้างวิดีโอและอนิเมชันใหม่ ๆ ที่มีความหมายและความคล้ายคลึงกับวิดีโอจริง.

Generative AI มีศักยภาพในการสร้างเนื้อหาและสร้างสรรค์สิ่งต่าง ๆ โดยอัตโนมัติ แต่ก็มีความท้าทายในด้านความแม่นยำและความคุณภาพ และมีความคำนึงถึงปัญหาทางจริยธรรมและความปลอดภัยเมื่อมีการใช้งานในประเด็นต่าง ๆ ที่มีผลต่อสังคมและวัฒนธรรม.

อ้างอิงจาก:

Microsoft Fundamental AI Concepts: Introduction to AI
สรุปเนื้อหาจาก ChatGPT และรูปภาพจาก DALL-E

Simple Remove or Change HTTP Server header in NGINX Plus.

supachai jaturaprom — Thu, 18 Nov 2021 11:40:34 +0000

First written, I must have remove or change strings value HTTP Server header in NGINX. Excellet, The NGINX Plus have Core functional (Build-in) without third-party dynamic module for solution this case, detial as like below.

Official Document: https://nginx.org/en/docs/http/ngx_http_core_module.html#server_tokens

Example Configuration for nginx.conf

http { 
....
#server_tokens off; 
#server_tokens "Microsoft-IIS/8.5"; 
#server_tokens none; 
server_tokens ""; 
...
 }

Noted: Uncomment server_tokens lines for each testing case.

Capture Screen of Testing

Thanks for reading my written, Good luck.

Forem: supachai jaturaprom