BLOGS

ถูกใจสาย Prompt Engineer! คุยกับ AI ให้รู้เรื่องด้วย Generative AI บน Google Cloud

Thakorn.T • 07/06/2023
Google Cloud Solutions Specialist

ความแตกต่างระหว่าง Predictive AI และ Generative AI เป็นอย่างไร ?

          อย่างแรกของการก้าวเข้าสู่วงการ Generative AI คือต้องแบ่งแยกระหว่าง AI ที่เราเรียนและศึกษากันมา กับ Predictive AI ออกจากกันก่อน

Predictive AI ใช้สำหรับทำนาย (Prediction) หรือจัดกลุ่มข้อมูล (Classification)

ลักษณะของ AI ประเภทนี้เป็นที่นิยมทำกันมากที่สุด เพราะสามารถนำไปอธิบายฝั่ง Business ได้ด้วยโมเดลทางสถิติ โดยใช้ Historical Data มา Train จนได้ออกมาเป็นโมเดลก้อนหนึ่ง จากนั้นนำ Data ที่จะใช้ทำนายมาวิ่งผ่านโมเดลก้อนนั้น ทำให้ได้เป็นผลลัพธ์ที่ทำนายออกมา

  ซึ่ง Data ที่นำมา Train นั้นจะค่อนข้างเฉพาะเจาะจงกับ Use-case ใด Use-case หนึ่ง อาทิ โมเดลสำหรับทำนายราคาบ้าน ข้อมูลก็ต้องมีองค์ประกอบของบ้านและราคาบ้าน, โมเดลทำนายความเสี่ยงผู้ป่วยจะเป็นโรคหัวใจ ข้อมูลก็ต้องมีองค์ประกอบด้านสุขภาพและผลลัพธ์ว่าเสี่ยงหรือไม่เสี่ยง, โมเดลทำนายแนวโน้มลูกค้าที่จะเลิกใช้บริการจากเรา (Churn prediction) ข้อมูลก็อาจจะต้องมี Usage การใช้บริการ, Demographic ต่าง ๆ รวมถึง Label ที่บ่งบอกว่าลูกค้าคนนี้ยังคงใช้บริการกับเราอยู่หรือไม่ ?

ดังนั้น Data type ที่ Input เข้าไปจะค่อนข้างตายตัวมี Format ที่แน่นอน ว่าต้อง Input เป็นค่าอะไรบ้าง หรือที่ Data scientist เรียกว่าตัวแปร X และคำตอบที่คาดหวังมาเป็น Output จากโมเดลมักเรียกว่า Target หรือ ตัวแปร Y

Generative AI – ใช้สำหรับสร้างข้อมูลใหม่จากรูปแบบ (Pattern) ที่เรียนรู้จาก Training Data

ลักษณะของ AI ประเภทนี้เป็นการสร้างข้อมูลใหม่ เช่น รูปภาพหรือข้อความ ที่คล้ายคลึงกับข้อมูลที่เรียนรู้จาก Training Data อาจเป็นข้อมูลทั่วไป ไม่ได้จำกัดเฉพาะเจาะจงกับงานแบบใดแบบหนึ่ง ซึ่งโมเดลจะสามารถสร้างข้อมูลใหม่ที่ไม่เคยเห็นหรือรู้จักมาก่อนได้

ดังนั้น Data Type ประเภทรูปภาพ ข้อความ หรือเสียง จึงไม่จำเป็นต้อง Label หรือติดข้อมูลกำกับมาก่อนก็ได้โมเดลเรียนรู้รูปแบบ (Patterns) และคุณสมบัติ (Features) ต่าง ๆ เอง ซึ่งความซับซ้อนและการเรียนรู้ของโมเดลประเภทนี้ต้องใช้ข้อมูลและเวลามหาศาลมากกว่า Predictive AI เพราะมักจะเริ่มให้เรียนรู้จากข้อมูลทั่ว ๆ ไปก่อน แล้วจึงเริ่ม Tuning โดยใช้ Dataset ที่มีลักษณะเฉพาะเจาะจงหรือตรงกับ Use-case มากยิ่งขึ้น

Google ปฎิวัตินวัตกรรมปัญญาประดิษฐ์

          โดยเราจะพาทุกท่านไปรู้จักกับ Transformer กันก่อน ซึ่ง Transformer ในที่นี้ไม่ใช่หม้อแปลงไฟฟ้าและไม่ใช่จักรกลสังหารถล่มจักรวาลในหนังฮอลีวู้ด! แต่เป็น Deep Learning Model ชนิดหนึ่งที่เกิดขึ้นเมื่อปี 2017 โดยทีมนักวิจัย Google Brain จาก Paper Attention Is All You Need โดยนำแนวคิด Self-attention เข้ามาใช้เลือกคำที่เกี่ยวข้องและมีความสำคัญที่ควรโฟกัสเพื่อแก้ไขปัญหา Machine Translation ในการ Encode และ Decode ในเชิงภาษาธรรมชาติ (NLP) และมักนิยมใช้ในงาน Computer Vision อีกด้วย

Beeswarm/bubble plot, sizes linear to scale. Selected highlights only. Original: Alan D. Thompson, August 2022, https://lifearchitect.ai/

          ดังนั้นการที่ทีม Google ปล่อยออกมา จึงเขย่าวงการปัญญาประดิษฐ์ส่งผลให้เกิดนวัตกรรมและโมเดลใหม่ ๆ สังเกตได้ว่าหลังปล่อย Transformer ตั้งแต่ปี 2017 เป็นต้นมา มีโมเดลที่เกิดขึ้นเช่น GPT (Generative Pre-trained Transformers) จาก OpenAI และ BERT (Bidirectional Encoder Representations from Transformers) จาก Google ซึ่งมีพื้นฐานมาจาก Transformer ทั้งสิ้น จนถึงปัจจุบันที่โมเดลหลากหลายและซับซ้อนมากยิ่งขึ้น

        จึงกล่าวได้ว่า Google มีบริการ Generative AI มานานแล้ว อาทิ Google Translate ในการแปลภาษาที่ต้องใช้ Machine Translation ช่วย Encode ภาษาหนึ่งและ Decode เป็นภาษาหนึ่ง, Google Text-to-Speech และ Speech-to-Text ที่มักฝังอยู่ในอุปกรณ์ Smart Device ทั้งหลาย เช่น Google Assistant และ Google Home ในการสังเคราะห์และแปลงเสียงเป็นข้อความ เป็นต้น ในมุมของ Enterprise บน Google Cloud ก็ให้บริการ Contact Center AI, Document AI และ Natural Language Content Classification เป็นเต้น

          Google ไม่เคยหยุดพัฒนาตั้งแต่ Transformers จนมาเป็น Bard ในปัจจุบันล้วนเกิดเป็น LLM (Large Language Model) ซึ่งประสิทธิภาพโมเดลก็ขึ้นอยู่กับขนาดและคุณภาพของข้อมูลที่มา Training ด้วย

ความต้องการ AI ที่แตกต่างกันระหว่าง Consumers กับ Enterprises

        เทคโนโลยี AI เดียวกันแต่ความต้องการของกลุ่ม Enterprise กับ Non-enterprise อาจมีความแตกต่างกันทั้งเรื่องการนำเสนอหรือประสิทธิภาพรวมถึง Content ที่ต้องการก็แตกต่างกัน สามารถแยกได้ดังนี้

Consumers

ฝั่งบุคคลทั่วไประดับ Consumers อาจต้องการ AI ที่สามารถช่วยเหลือได้ในชีวิตประจำวัน ดังนั้น Bard จะเข้ามาช่วยเรื่องดังต่อไปนี้

  • แพลนทริปท่องเที่ยวไปแอ่วเหนือ 3 วัน 2 คืน มีกิจกรรมอย่างไร ?
  • แพลนว่าต้องทำ Checklist หรือพกสิ่งใดไปด้วยตลอดทริปนี้
  • ช่วยคิดหัวข้อที่จะเขียนบทความในแฟนเพจตัวเอง
  • แต่งนวนิยาย, เพลง, ละคร หรืองานสร้างสรรค์ต่าง ๆ
  • ช่วยตั้งชื่อวีดีโอใหม่บน Youtube หรือเขียน Caption บรรยาย

Enterprises

ขณะที่ฝั่ง Enterprises จะมีความต้องการเพื่อนำไปประยุกต์ใช้กับธุรกิจหรือบริการของตนดังนั้น AI ที่ตอบโจทย์คือ Vertex AI บน Google Cloud

  • ช่วยให้ลูกค้าเข้าใจผลิตภัณฑ์ของตัวเองในด้านต่าง ๆ อาทิ คุณสมบัติและความปลอดภัย
  • ช่วยให้ Customer Service สามารถเก็บข้อมูลและโต้ตอบกับลูกค้าได้แม่นยำ
  • Platform AI ที่ง่ายต่อการนำไปประยุกต์ App ขององค์กรเอง
  • AI ที่ช่วย Data analysts ค้นหาและสรุปข้อมูลรายงานกับ Data ของตัวเอง
  • การการันตีหรือ SLA ในการใช้ Generative AI
  • การควบคุม Cost ที่จะเกิดขึ้นในการ Generate Data จาก Gen AI

ดังนั้นเราจึงต้องเข้าใจความต้องการของตัวเองก่อน ว่าจะใช้งานในรูปแบบใด แล้วจึงสามารถเลือกใช้ Platform ที่ให้บริการ AI ได้อย่างถูกต้อง

Generative AI บน Google Cloud เป็นอย่างไร ?

          บน Google Cloud มี Generative AI บน Vertex AI ซึ่งช่วย Build หรือสร้างโมเดลพื้นฐาน ไม่ว่าจะเป็นการออกแบบ Prompt หรือ Fine Tune เพื่อนำไปใช้ต่อในแต่ละ Use-case ของเรา นับว่าเป็น Service ที่สำคัญต่อทีมทำ AI อย่างมาก และ Generative AI App Builder เป็นอีกหนึ่ง Service ที่ทำให้พัฒนาแอปพลิเคชันโดยใช้เทคโนโลยี Gen AI เข้ามาตอบโจทย์ในเรื่อง Enterprise Search และ Conversation AI เปรียบเสมือน Chatbot ที่เป็นผู้ช่วยส่วนตัวเรียนรู้ข้อมูลในองค์กร​​ โต้ตอบได้ใกล้เคียงมนุษย์ ซึ่งนักพัฒนาสามารถต่อยอดแอปของตนด้วย Service นี้ได้ง่ายขึ้น

        เพื่อให้เข้าใจมากขึ้นจึงขออธิบายตามภาพข้างต้นว่าพื้นฐานของ Google Cloud คือมีบริการ Infrastructure อยู่แล้ว จากนั้นจึง On-top ด้วย Vertex AI ซึ่ง Google นำ Know-how และเทคโนโลยีที่มีมาสร้างสรรค์เป็น Service ให้นักพัฒนา AI ทำงานง่ายขึ้นจากนั้นจึง On-top ด้วย Genertive AI App Builder ที่มีความสำเร็จรูปมากขึ้นเพราะต่อยอดจากเทคโนโลยีพื้นฐานคือ Foundation Model, Conversation AI และ Enterprise Search มาแล้ว จึงย่นระยะเวลาให้กับนักพัฒนาเป็นอย่างมาก

          ซึ่งเราสามารถนำ Generative AI App Builder ไป Integrate กับข้อมูลขององค์กร และ interface กับผู้ใช้ผ่าน Chatbot หรือ APIs ต่าง ๆ ได้เพื่อให้เข้าใจ Gen App Builder มากขึ้นสามารถชมวีดีโอได้ที่

รู้จักกับ Generative AI on Vertex AI

        Generative AI Models บน Vertex AI สามารถ Generate Content ทั้งประเภท Text and Chat, Image, Code และ Text Embeddings ได้ซึ่งแต่ละโมเดลถูกปล่อยผ่าน Publisher Endpoint จึงไม่เป็นจำเป็นต้อง Deploy Foundation Model เว้นแต่เราจะปรับจูนเพิ่มเติมให้ตรงกับ Use-case เฉพาะทาง

Vertex AI PaLM API

Vertex AI PaLM API เป็น Publisher Endpoints ของ Google’s Pathways Language Model (PaLM) ที่เป็น LLMs (Large Language Model) ที่สร้าง Text จาก Prompt แบ่งเป็น PaLM API for Text และ PaLM API for Chat

Model Garden

เป็นเสมือนสวนหย่อมที่เป็น Environment ที่รวบรวมโมเดลต่าง ๆ ทั้ง Google Foundation Models, Open-source และ 3rd Party Models ให้ผู้ใช้สามารถเลือกใช้ได้อย่างอิสระ เปรียบเสมือนสวนปาล์ม (PaLM) เติบโตใน Environment ที่เหมาะสมครับ

     บน Model Garden ผู้ใช้สามารถเลือกใช้โมเดลและ APIs ที่หลากหลาย สามารถไป Tuning ต่อได้ที่ Generative AI Studio หรือไป Deploy ต่อบน Vertex AI Workbench ที่เป็น Jupyter Notebook ได้

Generative AI Studio

          เป็นบริการที่ทำให้เราเข้าถึง Generative AI ในลักษณะ Low-code ได้ง่ายเพราะ Google นำโมเดลอย่าง PaLM, Imagen และ Chirp มาให้ ซึ่งสามารถนำไป Deploy ต่อผ่าน GUI ที่ใช้งานง่ายโดยการเขียน Prompt เพื่อสร้างสรรค์และตอบโจทย์ธุรกิจของตัวเอง

Generative AI Studio จะมีโมเดลอยู่ 3 หมวดดังนี้

อัพเดท ณ วันที่ 1 มิถุนายน 2023

1. Language

เป็น Gen AI ทางด้านภาษาที่พัฒนาบน Vertex AI PaLM API แบ่งออกเป็น

1.1 Text Prompt เป็นลักษณะ Input เป็น Prompt เข้าไปเพื่อตอบผ่าน Use-cases เช่น

          1) การแบ่งกลุ่มจัดกลุ่ม (Classification Prompts)

          2) สรุปประเด็น (Summarization Prompts)

          3) สกัดเอาเนื้อหาหรือตอบคำถาม (Extraction Prompts)

1.2 Chat Prompt เป็นลักษณะที่โต้ตอบแบบ Chatbot เพื่อตอบโจทย์ Use-cases ด้านต่าง ๆ ดังนี้

          1) Customer Service: ตอบคำถามลูกค้า และช่วยเหลือปัญหาต่าง ๆ หรือให้ข้อมูล เป็นต้น
          2) Sales and Marketing: สร้าง Leads และกรอง Prospects ก่อให้เกิดการขาย
          3) Productivity: นัดหมายตารางงาน และสร้าง Tasks ต่าง ๆ หรือตอบคำถามในองค์กร
          4) Education and Training: ประเมินองค์ความรู้นักเรียน, ถาม-ตอบ และให้ Feedback
          5) Research: เก็บข้อมูล, สร้าง Survey และวิเคราะห์ผลลัพธ์

2. Vision

เป็น Gen AI ที่สร้างรูปภาพจาก Prompt ที่เขียน

3. Speech

เป็น Gen AI ที่สร้างเสียงสังเคราะห์ (Text-to-Speech) หรือเปลี่ยนเสียงเป็นข้อความ (Speech-to-Text) มักใช้ในการสั่งงานด้วยเสียงเช่น Google Assistant และ Contact Center AI

เพื่อให้เข้าใจและเห็นภาพมากขึ้น สามารถดูวีดีโอนี้ประกอบได้ครับ

Summary

          ปัจจุบัน Generative AI บน Google Cloud ไม่ว่าจะอยู่ในส่วนของ Model Garden หรือ Generative AI Studio ยังมีการพัฒนาอย่างต่อเนื่องและค่อย ๆ ปล่อยให้ผู้ใช้ทั่วไปได้ทดลองกัน ผู้อ่านสามารถติด

          ตามเทคโนโลยีและเรื่องราวต่าง ๆ ของ AI ได้ใน Blog ของ Tangerine และหากต้องการปรึกษาด้านเทคโนโลยี AI รวมถึงงานด้าน Data Analytics และ Data Management สามารถติดต่อผู้เชี่ยวชาญจาก Tangerine ได้ทันที

สอบถามข้อมูลเพิ่มเติม
Blog Form (#23)

ทั้งนี้ ข้าพเจ้าได้อ่านและศึกษารายละเอียด นโยบายการคุ้มครองข้อมูลส่วนบุคคลของบริษัท แทนเจอรีน จำกัด ที่ให้ไว้ที่ Tangerine Privacy Center โดยตลอดอย่างดีแล้ว