บทสรุปผู้บริหาร / ประเด็นสำคัญ
- สถาปัตยกรรมที่เปลี่ยนทุกสิ่ง งานวิจัย transformer ปี 2017 ได้นำเสนอ self-attention ซึ่งเป็นกลไกที่คำนวณน้ำหนักความเกี่ยวข้องระหว่างโทเค็นทุกคู่ในอินพุต แทนที่การประมวลผลแบบลำดับของ RNN ด้วยการดำเนินการเมทริกซ์ที่ทำขนานกันได้ โมเดลภาษาสำคัญทุกตัวในปี 2023 เป็นรูปแบบหนึ่งของ transformer (Vaswani et al., 2017).
- GPT-4 ในฐานะเกณฑ์มาตรฐานของปี 2023 เปิดตัวเมื่อเดือนมีนาคม 2023 GPT-4 ทำคะแนนได้ในเปอร์เซ็นไทล์ที่ 90 ของการสอบเนติบัณฑิตสหรัฐ เปอร์เซ็นไทล์ที่ 99 ของ GRE Verbal และแสดงการให้เหตุผลหลายขั้นตอนบนเอกสารยาว โมเดลนี้ตั้งเกณฑ์มาตรฐานด้านความสามารถที่โมเดลรุ่นถัดมาตั้งเป้าจะทำให้ได้เท่าหรือเหนือกว่า (OpenAI, 2023).
- โมเดลแบบเปิดน้ำหนัก (open-weight) ทำให้การเข้าถึงเป็นวงกว้าง Llama 2 ของ Meta (กรกฎาคม 2023) และ Mistral 7B ของ Mistral AI (กันยายน 2023) แสดงให้เห็นว่าโมเดลที่มีความสามารถแข่งขันได้ในระดับ GPT-3.5 สามารถทำงานบนโครงสร้างพื้นฐานส่วนตัวได้ ซึ่งตอบโจทย์ข้อกำหนดด้านถิ่นที่อยู่ของข้อมูล (data residency) ในอุตสาหกรรมที่อยู่ภายใต้การกำกับดูแล
- โครงการนำร่องในบริการทางการเงินปี 2023 การนำไปใช้เป็นวงกว้างภายในปลายปี 2023 รวมถึงการตรวจทานสัญญาทางกฎหมาย (งานวิจัย DocLLM ของ JPMorgan) การเฝ้าติดตามการเปลี่ยนแปลงกฎเกณฑ์ และเครื่องมือเพิ่มผลิตภาพของนักพัฒนา Goldman Sachs รายงานการใช้ผู้ช่วยเขียนโค้ดด้วย AI ภายในองค์กรครอบคลุมนักพัฒนา 10,000 คน
- การหลอน (hallucination) เป็นอุปสรรคต่อการใช้งานจริง LLM สร้างผลลัพธ์ที่ฟังดูสมเหตุสมผลแต่ผิดข้อเท็จจริงในอัตราที่ไม่อาจมองข้าม ในกรณีใช้งานที่อยู่ภายใต้การกำกับดูแล ได้แก่ การตัดสินใจด้านสินเชื่อ ความเห็นด้านการปฏิบัติตามกฎเกณฑ์ และการเปิดเผยข้อมูลต่อลูกค้า การหลอนไม่ใช่ข้อบกพร่องผิวเผิน แต่เป็นความเสี่ยงด้านกฎเกณฑ์และความรับผิดที่ต้องอาศัยมาตรการบรรเทาเชิงสถาปัตยกรรม เช่น retrieval-augmented generation (RAG)
สถาปัตยกรรม transformer ทำงานอย่างไร
โมเดลภาษาสำคัญทุกตัวที่นำไปใช้ในปี 2023 ได้แก่ GPT-4, Claude 2, Llama 2, Mistral และ Falcon ล้วนสร้างขึ้นบนสถาปัตยกรรม transformer ที่นำเสนอในงานวิจัยปี 2017 เรื่อง "Attention Is All You Need" การเข้าใจกลไกแกนกลางอธิบายได้ทั้งว่าเหตุใดโมเดลเหล่านี้จึงทำงานได้ และจุดที่มันล้มเหลว
โทเค็นและ embedding โมเดลเริ่มต้นด้วยการแบ่งข้อความอินพุตออกเป็นโทเค็นระดับหน่วยย่อยของคำ (โดยทั่วไปใช้ byte-pair encoding) โทเค็นแต่ละตัวถูกจับคู่กับเวกเตอร์มิติสูง (embedding) ที่เข้ารหัสความสัมพันธ์เชิงความหมายกับโทเค็นอื่น ซึ่งเรียนรู้ระหว่างการฝึกล่วงหน้า (pre-training)
Self-attention สำหรับแต่ละโทเค็น โมเดลคำนวณเวกเตอร์สามชุด ได้แก่ Query (สิ่งที่โทเค็นนี้กำลังค้นหา) Key (สิ่งที่โทเค็นนี้เสนอ) และ Value (สิ่งที่โทเค็นนี้มีส่วนร่วม) คะแนน attention คำนวณจากการหาผลคูณจุด (dot product) ของแต่ละ Query กับ Key ทั้งหมด แล้วใช้ softmax เพื่อสร้างน้ำหนัก และรวม Value ที่ถ่วงน้ำหนักด้วยคะแนนเหล่านั้น นั่นหมายความว่าทุกโทเค็นให้ความสนใจต่อโทเค็นอื่นทุกตัวในหน้าต่างบริบทพร้อมกัน กลไกนี้เองที่ทำให้ transformer สามารถจัดการความสัมพันธ์ระยะไกลได้
Multi-head attention หัว attention หลายหัวทำงานขนานกัน แต่ละหัวเรียนรู้ความสัมพันธ์คนละประเภท (เชิงวากยสัมพันธ์ เชิงความหมาย เชิงตำแหน่ง) ผลลัพธ์ของแต่ละหัวถูกนำมาต่อกันและฉายเชิงเส้น
ชั้น feed-forward หลังจาก attention แต่ละตำแหน่งจะผ่านการแปลงเชิงเส้นสองครั้งพร้อมฟังก์ชันกระตุ้นแบบไม่เชิงเส้น ชั้นนี้ทำการคำนวณต่อโทเค็นอย่างเป็นอิสระ จับการแปลงคุณลักษณะเฉพาะที่
ขนาด (scale) GPT-4 ประมาณการว่ามีพารามิเตอร์มากกว่าหนึ่งล้านล้านตัว (OpenAI ยังไม่ยืนยัน) Llama 2 70B ใช้ 70 พันล้านตัว Mistral 7B ใช้ 7 พันล้านตัว พร้อม grouped-query attention และ sliding window attention เพื่อประสิทธิภาพ โมเดลที่ใหญ่กว่าโดยทั่วไปแสดงการให้เหตุผลแบบ zero-shot และ few-shot ได้ดีกว่า ซึ่งเป็นความสามารถที่ปรากฏขึ้นเองที่ทำให้โมเดลเหล่านี้มีประโยชน์ต่องานที่ไม่ได้ถูกฝึกมาโดยตรง
ภาพรวมโมเดลปี 2023
ปี 2023 มีการเปิดตัวโมเดลสำคัญมากกว่าปีใด ๆ ก่อนหน้า:
GPT-4 (OpenAI, มีนาคม 2023) รองรับหลายรูปแบบ (อินพุตข้อความและภาพ) หน้าต่างบริบทสูงสุด 128,000 โทเค็นในรุ่น GPT-4 Turbo ที่ออกภายหลัง การให้เหตุผลหลายขั้นตอนที่แข็งแกร่ง ตั้งเกณฑ์มาตรฐานสำหรับงานในสาขาวิชาชีพ
Claude 2 (Anthropic, กรกฎาคม 2023) หน้าต่างบริบท 100,000 โทเค็น (ยาวที่สุด ณ เวลาเปิดตัว) ทำงานได้ดีในงานเอกสารยาว เช่น การตรวจทานสัญญาและการวิเคราะห์กฎเกณฑ์ ฝึกด้วย Constitutional AI เพื่อลดผลลัพธ์ที่เป็นอันตราย
Llama 2 (Meta, กรกฎาคม 2023) เปิดตัวแบบเปิดน้ำหนักในรุ่นพารามิเตอร์ 7B, 13B, 34B และ 70B อนุญาตให้ใช้เชิงพาณิชย์ รองรับการติดตั้งภายในองค์กรสำหรับอุตสาหกรรมที่อยู่ภายใต้การกำกับดูแล ก่อให้เกิดรุ่นปรับจูนตามมาหลายร้อยรุ่น (Code Llama, Vicuna, WizardLM)
Mistral 7B (Mistral AI, กันยายน 2023) พารามิเตอร์ 7 พันล้านตัวที่ทำได้เหนือกว่า Llama 2 13B ในเกณฑ์มาตรฐานส่วนใหญ่ grouped-query attention และ sliding window attention ช่วยลดต้นทุนการอนุมาน เป็นโมเดลแนวหน้าตัวสำคัญตัวแรกของยุโรป ซึ่งมีความเกี่ยวข้องเมื่อพิจารณาบริบทของ GDPR และ EU AI Act
Falcon 180B (TII, กันยายน 2023) โมเดลเปิดน้ำหนัก 180 พันล้านพารามิเตอร์ ฝึกบนข้อมูล RefinedWeb จำนวน 3.5 ล้านล้านโทเค็น แสดงให้เห็นว่าโมเดลเปิดน้ำหนักสามารถเข้าใกล้ขนาดระดับ GPT-4 ได้
จุดที่ Generative AI ถูกนำไปใช้ก่อนในบริการทางการเงิน
ภายในปลายปี 2023 สถาบันการเงินได้ก้าวจากการทดลองภายในไปสู่โครงการนำร่องที่มีโครงสร้างในกรณีใช้งานที่แตกต่างกันหลายกรณี:
ผลิตภาพของนักพัฒนา เครื่องมือสร้างโค้ด (GitHub Copilot, Amazon CodeWhisperer และโมเดลที่ปรับจูนภายในองค์กร) กลายเป็นหมวดที่นำไปใช้อย่างกว้างขวางที่สุด Goldman Sachs รายงานว่านักพัฒนา 10,000 คนสามารถเข้าถึงการช่วยเขียนโค้ดด้วย AI ได้ Morgan Stanley นำ GPT-4 มาใช้ภายในองค์กรเพื่อช่วยที่ปรึกษาทางการเงินค้นคืนข้อมูลจากฐานความรู้ที่มีเอกสาร 100,000 ฉบับ
การประมวลผลเอกสารกฎหมายและกฎเกณฑ์ การสกัดข้อความในสัญญา การเฝ้าติดตามการเปลี่ยนแปลงกฎเกณฑ์ และการจับคู่การปฏิบัติตามกฎเกณฑ์เป็นโครงการนำร่องที่มีมูลค่าสูงที่สุด งานวิจัยของ JPMorgan เรื่อง DocLLM แสดงให้เห็นว่าโมเดลภาษาที่รับรู้เค้าโครงเอกสารทำได้เหนือกว่า LLM ทั่วไปในงานทำความเข้าใจเอกสารทางการเงิน
การเสริมบริการลูกค้า ธนาคารนำผู้ช่วยที่ขับเคลื่อนด้วย LLM มาใช้กับคำถามด่านแรกของลูกค้า โดยส่งต่อให้มนุษย์สำหรับคำแนะนำที่อยู่ภายใต้การกำกับดูแล ข้อจำกัดสำคัญคือ โมเดลไม่สามารถให้คำแนะนำที่อยู่ภายใต้การกำกับดูแลได้ ต้องไม่หลอนเงื่อนไขผลิตภัณฑ์ และต้องตรวจสอบย้อนกลับได้
การสร้างคำบรรยาย KYC และ AML การสรุปรูปแบบธุรกรรมที่ซับซ้อนและโปรไฟล์ลูกค้าเพื่อให้นักวิเคราะห์ตรวจสอบ ซึ่งเข้ามาแทนที่งานเขียนสรุปด้วยมือ ปรากฏเป็นกรณีใช้งานที่น่าเชื่อถือและมีความเสี่ยงการหลอนต่ำกว่า เพราะโมเดลสรุปข้อมูลที่ได้รับมามากกว่าจะสร้างข้ออ้างใหม่
ความเสี่ยงที่การใช้งานจริงเผยให้เห็น
การย้ายจากการสาธิตไปสู่การใช้งานจริงในบริการทางการเงินทำให้ความเสี่ยงชุดหนึ่งปรากฏขึ้น ซึ่งต้องการการตอบสนองเชิงสถาปัตยกรรม:
การหลอน LLM สร้างผลลัพธ์ที่ผิดพลาดแต่ฟังดูมั่นใจในอัตราที่ผันแปรตามประเภทงานและตัวโมเดล ในงานเรียกคืนข้อเท็จจริง แม้แต่ GPT-4 ก็ยังหลอนในอัตราที่ยอมรับไม่ได้สำหรับความเห็นด้านการปฏิบัติตามกฎเกณฑ์หรือการเปิดเผยข้อมูลสินเชื่อ มาตรการบรรเทาหลักคือ retrieval-augmented generation (RAG) นั่นคือการยึดผลลัพธ์ของโมเดลไว้กับเอกสารที่ค้นคืนมาและตรวจสอบได้ แทนที่จะพึ่งพาความรู้เชิงพารามิเตอร์เพียงอย่างเดียว
Prompt injection อินพุตที่เป็นปฏิปักษ์ซึ่งฝังอยู่ในเอกสารหรือข้อความของผู้ใช้สามารถเปลี่ยนทิศทางพฤติกรรมของโมเดลได้ ในบริการทางการเงินที่ LLM ประมวลผลเอกสารที่ไม่น่าเชื่อถือ (สัญญา อีเมล เอกสารที่ลูกค้าส่งมา) prompt injection เป็นความเสี่ยงด้านความมั่นคงในการใช้งานจริง ไม่ใช่เรื่องเชิงทฤษฎี
การรั่วไหลของข้อมูล โมเดลที่ปรับจูนหรือได้รับพรอมป์ด้วยข้อมูลลับสามารถผลิตข้อมูลนั้นซ้ำในผลลัพธ์ได้ ซึ่งเป็นความเสี่ยงที่มีนัยสำคัญต่อ PII สถานะการซื้อขาย และข้อมูลลูกค้า การควบคุมเชิงสถาปัตยกรรม (การติดตั้งแบบส่วนตัว การจัดการข้อมูลในบริบท การกรองผลลัพธ์) เป็นสิ่งจำเป็น ไม่ใช่ทางเลือก
ที่มาของโมเดลและการตรวจสอบได้ หน่วยงานกำกับดูแลคาดหวังให้สถาบันการเงินอธิบายการตัดสินใจอัตโนมัติได้ LLM ที่ให้ผลการประเมินสินเชื่อโดยไม่มีร่องรอยการให้เหตุผลที่ตรวจสอบได้ ย่อมไม่ผ่านข้อกำหนดด้านการอธิบายได้ตามมาตรา 22 ของ GDPR ข้อกำหนดว่าด้วย AI ความเสี่ยงสูงของ EU AI Act และแนวทางความเสี่ยงของโมเดลที่ FCA มีอยู่แล้ว
ความรู้ที่ล้าสมัย LLM มีจุดตัดของข้อมูลฝึก โมเดลที่ฝึกด้วยข้อมูลถึงต้นปี 2023 จะไม่รู้เกี่ยวกับการเปลี่ยนแปลงกฎเกณฑ์ การตัดสินใจด้านอัตราดอกเบี้ย หรือเหตุการณ์ตลาดหลังจากวันนั้น ซึ่งเป็นข้อจำกัดสำคัญสำหรับกรณีใช้งานการปฏิบัติตามกฎเกณฑ์แบบเรียลไทม์หรือบทวิเคราะห์ตลาด หากไม่มี RAG หรือการค้นคืนแบบเรียลไทม์
ข้อกำหนดด้านธรรมาภิบาลก่อนการนำไปใช้
ผู้ปฏิบัติงานด้านบริการทางการเงินในปี 2023 ไม่ได้รอความชัดเจนด้านกฎเกณฑ์ก่อนนำไปใช้ แต่สถาบันชั้นนำได้นำกรอบการจัดการความเสี่ยงของโมเดล (model risk management, MRM) ที่ปรับมาจากแนวทาง SR 11-7 และ SS3/18 มาใช้:
บัญชีรายการโมเดลและเอกสารประกอบ LLM ที่นำไปใช้ในหน้าที่ทางธุรกิจต้องมีเอกสารระบุที่มาของข้อมูลฝึก วิธีการปรับจูน โหมดความล้มเหลวที่ทราบ และประสิทธิภาพบนชุดข้อมูลตรวจสอบเฉพาะโดเมน
จุดตรวจที่มีมนุษย์อยู่ในกระบวนการ สำหรับผลลัพธ์ที่อยู่ภายใต้การกำกับดูแล (การตัดสินใจด้านสินเชื่อ ความเห็นด้านการปฏิบัติตามกฎเกณฑ์ การเปิดเผยข้อมูลต่อลูกค้า) การตรวจสอบโดยมนุษย์ยังคงเป็นข้อบังคับในปี 2023 การทำงานอัตโนมัติถูกนำไปใช้กับการร่างและการสรุป ส่วนการอนุมัติขั้นสุดท้ายยังคงเป็นของมนุษย์
ความเสี่ยงจากผู้ให้บริการ การใช้ API ของโมเดลจากบุคคลที่สาม (OpenAI, Anthropic, Google) ก่อให้เกิดความเสี่ยงจากการกระจุกตัวของผู้ให้บริการ ความเสี่ยงด้านถิ่นที่อยู่ของข้อมูล และความเสี่ยงจากการเปลี่ยนแปลงโมเดล (ผู้ให้บริการสามารถปรับปรุงโมเดลได้อย่างเงียบ ๆ) ข้อตกลงระดับองค์กรและการติดตั้งแบบส่วนตัวช่วยบรรเทาความเสี่ยงเหล่านี้ได้บางส่วน
การมีส่วนร่วมกับหน่วยงานกำกับดูแล FCA, PRA, ECB และ FINRA ต่างออกเอกสารหรือกล่าวสุนทรพจน์เกี่ยวกับธรรมาภิบาล AI ในปี 2023 สารที่สอดคล้องกันคือ กรอบความเสี่ยงของโมเดลที่มีอยู่ใช้ได้กับ AI และบริษัทควรจัดทำเอกสารแนวทางธรรมาภิบาลของตนเชิงรุกก่อนที่จะมีแนวทางอย่างเป็นทางการ
คำถามที่พบบ่อย
อะไรคือความแตกต่างระหว่างโมเดลภาษาขนาดใหญ่กับ foundation model?
โมเดลภาษาขนาดใหญ่ (LLM) คือโมเดลที่ฝึกด้วยข้อมูลข้อความจำนวนมากเพื่อทำนายและสร้างภาษา ส่วน foundation model เป็นคำที่กว้างกว่า หมายถึงโมเดลที่ผ่านการฝึกล่วงหน้าขนาดใหญ่ใด ๆ ที่สามารถปรับ (ด้วยการปรับจูนหรือพรอมป์) ให้ทำงานปลายทางได้หลายอย่าง รวมถึง LLM แต่ยังรวมถึงโมเดลด้านภาพ โมเดลด้านโค้ด และโมเดลหลายรูปแบบด้วย GPT-4 เป็นทั้ง LLM และ foundation model ส่วน DALL-E 3 เป็น foundation model แต่ไม่ใช่ LLM ในทางปฏิบัติ คำเหล่านี้มักถูกใช้แทนกันเมื่อกล่าวถึงระบบสร้างข้อความ
retrieval-augmented generation คืออะไร และเหตุใดจึงสำคัญต่อบริการทางการเงิน?
RAG ผสานโมเดลภาษาเข้ากับระบบค้นคืน แทนที่จะพึ่งพาความรู้เชิงพารามิเตอร์ของโมเดลเพียงอย่างเดียว (สิ่งที่เรียนรู้ระหว่างการฝึก) RAG ดึงเอกสารที่เกี่ยวข้องมา ณ เวลาอนุมานและป้อนเป็นบริบท วิธีนี้ช่วยลดการหลอนในงานข้อเท็จจริงได้อย่างมีนัยสำคัญ เพราะโมเดลกำลังสังเคราะห์ข้อความที่ได้รับมามากกว่าจะเรียกคืนข้อเท็จจริงที่เรียนรู้ไว้ สำหรับบริการทางการเงิน RAG รองรับกรณีใช้งานอย่างการเฝ้าติดตามการเปลี่ยนแปลงกฎเกณฑ์ (ค้นคืนกฎปัจจุบันเสมอ) และการตรวจทานสัญญา (ยึดโมเดลไว้กับข้อความสัญญาจริง) ซึ่งจะมีความเสี่ยงการหลอนสูงเกินไปหากใช้แนวทางการสร้างล้วน
สถาบันการเงินควรรับมือกับ EU AI Act อย่างไรในความสัมพันธ์กับการนำ Generative AI ไปใช้ในปี 2023?
EU AI Act ยังอยู่ในกระบวนการนิติบัญญัติในปี 2023 (ผ่านโดยรัฐสภายุโรปในเดือนมีนาคม 2024 และมีผลบังคับใช้ในเดือนสิงหาคม 2024) อย่างไรก็ตาม สถาบันที่มีการดำเนินงานในสหภาพยุโรปหรือมีลูกค้าในสหภาพยุโรปได้เริ่มประเมินกระบวนการของตนแล้ว ระบบ AI ความเสี่ยงสูงในการให้คะแนนสินเชื่อ การตัดสินใจด้านการจ้างงาน และโครงสร้างพื้นฐานสำคัญ ต้องผ่านการประเมินความสอดคล้อง กลไกการกำกับดูแลโดยมนุษย์ และบันทึกการตรวจสอบ โมเดล AI เอนกประสงค์ (GPAI) ซึ่งรวมถึง foundation model อย่าง GPT-4 มีข้อกำหนดในระดับของตนเองเกี่ยวกับความโปร่งใสและความเสี่ยงเชิงระบบ บริษัทที่เริ่มงานด้านเอกสารและธรรมาภิบาลในปี 2023 อยู่ในตำแหน่งที่พร้อมกว่าสำหรับกำหนดเส้นตายการบังคับใช้
อะไรคือความแตกต่างในทางปฏิบัติระหว่างการปรับจูน (fine-tuning) กับวิศวกรรมพรอมป์ (prompt engineering) สำหรับการนำ LLM ไปใช้ในองค์กร?
การปรับจูนปรับเปลี่ยนน้ำหนักของโมเดลด้วยการฝึกต่อเนื่องบนข้อมูลเฉพาะโดเมน เป็นการสอนความรู้และรูปแบบพฤติกรรมใหม่ให้โมเดล ต้องใช้ข้อมูลฝึกที่มีป้ายกำกับ งบประมาณการคำนวณ และการดูแลรักษาต่อเนื่องเมื่อโมเดลฐานได้รับการปรับปรุง ส่วนวิศวกรรมพรอมป์ (รวมถึงตัวอย่างแบบ few-shot และ system prompt) กำหนดพฤติกรรม ณ เวลาอนุมานโดยไม่เปลี่ยนน้ำหนัก ทำและปรับปรุงได้เร็วกว่า แต่ถูกจำกัดด้วยสิ่งที่โมเดลฐานรู้อยู่แล้ว สำหรับการนำไปใช้ในบริการทางการเงินส่วนใหญ่ในปี 2023 RAG ร่วมกับวิศวกรรมพรอมป์เป็นจุดเริ่มต้นที่นิยม ส่วนการปรับจูนถูกสงวนไว้สำหรับกรณีที่โมเดลต้องเรียนรู้คำศัพท์เฉพาะขององค์กรหรือต้องใช้รูปแบบผลลัพธ์ที่เข้มงวด
เอกสารอ้างอิง
- Vaswani, A., et al., (2017). Attention Is All You Need ⧉.
- OpenAI, (2023). GPT-4 Technical Report ⧉.
- Touvron, H., et al., Meta AI, (2023). Llama 2: Open Foundation and Fine-Tuned Chat Models ⧉.
- Jiang, A., et al., Mistral AI, (2023). Mistral 7B ⧉.
ทบทวนล่าสุด .
เผยแพร่บทความนี้ซ้ำ
คัดลอกรูปแบบสำหรับ Medium
# Generative AI ในปี 2023: กลไกการทำงานและจุดที่นำไปใช้ก่อน — Sebastien Rousseau > Originally published at [https://sebastienrousseau.com/th/2023-11-12-samruat-ai-khwam-chong-charoen/](https://sebastienrousseau.com/th/2023-11-12-samruat-ai-khwam-chong-charoen/) สำรวจ Generative AI ในปี 2023: กลไกการทำงาน จุดที่นำไปใช้ก่อนในบริการทางการเงิน และคำถามด้านจริยธรรมและสถาปัตยกรรมที่ควรตั้ง Read the full article on sebastienrousseau.com: https://sebastienrousseau.com/th/2023-11-12-samruat-ai-khwam-chong-charoen/
คัดลอกรูปแบบสำหรับ Mastodon
Generative AI ในปี 2023: กลไกการทำงานและจุดที่นำไปใช้ก่อน — Sebastien Rousseau สำรวจ Generative AI ในปี 2023: กลไกการทำงาน จุดที่นำไปใช้ก่อนในบริการทางการเงิน และคำถามด้านจริยธรรมและสถาปัตยกรรมที่ควรตั้ง https://sebastienrousseau.com/th/2023-11-12-samruat-ai-khwam-chong-charoen/
คัดลอกที่จัดรูปแบบสำหรับ LinkedIn
Generative AI ในปี 2023: กลไกการทำงานและจุดที่นำไปใช้ก่อน — Sebastien Rousseau สำรวจ Generative AI ในปี 2023: กลไกการทำงาน จุดที่นำไปใช้ก่อนในบริการทางการเงิน และคำถามด้านจริยธรรมและสถาปัตยกรรมที่ควรตั้ง. นี่คือประเด็นเชิงกลยุทธ์ที่สำคัญ: - สถาปัตยกรรม transformer ทำงานอย่างไร. โมเดลภาษาสำคัญทุกตัวที่นำไปใช้ในปี 2023 ได้แก่ GPT-4, Claude 2, Llama 2, Mistral และ Falcon ล้วนสร้างขึ้นบนสถาปัตยกรรม transformer ที่นำเสนอในงานวิจัยปี 2017 เรื่อง "Attention Is All You Need"… - ภาพรวมโมเดลปี 2023. ปี 2023 มีการเปิดตัวโมเดลสำคัญมากกว่าปีใด ๆ ก่อนหน้า:. - จุดที่ Generative AI ถูกนำไปใช้ก่อนในบริการทางการเงิน. ภายในปลายปี 2023 สถาบันการเงินได้ก้าวจากการทดลองภายในไปสู่โครงการนำร่องที่มีโครงสร้างในกรณีใช้งานที่แตกต่างกันหลายกรณี:. - ความเสี่ยงที่การใช้งานจริงเผยให้เห็น. การย้ายจากการสาธิตไปสู่การใช้งานจริงในบริการทางการเงินทำให้ความเสี่ยงชุดหนึ่งปรากฏขึ้น ซึ่งต้องการการตอบสนองเชิงสถาปัตยกรรม:. แนวทางขององค์กรของคุณในการรับมือกับความท้าทายที่ระบุไว้ในบทความนี้คืออะไร? → https://sebastienrousseau.com/th/2023-11-12-samruat-ai-khwam-chong-charoen/ #GenerativeAi #โมเดลภาษาขนาดใหญ่ #สถาปัตยกรรมTransformer #Gpt4 #Aiสำหรับบริการทางการเงิน Sebastien Rousseau | CC-BY-4.0
อ้างอิงบทความนี้
Generative AI ในปี 2023: กลไกการทำงานและจุดที่นำไปใช้ก่อน — Sebastien Rousseau
สำรวจ Generative AI ในปี 2023: กลไกการทำงาน จุดที่นำไปใช้ก่อนในบริการทางการเงิน และคำถามด้านจริยธรรมและสถาปัตยกรรมที่ควรตั้ง
BibTeX
@online{rousseau2023generative,
author = {Rousseau, Sebastien},
title = {{Generative AI ในปี 2023: กลไกการทำงานและจุดที่นำไปใช้ก่อน — Sebastien Rousseau}},
year = {2023},
url = {https://sebastienrousseau.com/th/2023-11-12-samruat-ai-khwam-chong-charoen/},
urldate = {2023}
}RIS
TY - GEN AU - Rousseau, Sebastien TI - Generative AI ในปี 2023: กลไกการทำงานและจุดที่นำไปใช้ก่อน — Sebastien Rousseau PY - 2023 UR - https://sebastienrousseau.com/th/2023-11-12-samruat-ai-khwam-chong-charoen/ ER -
Vancouver
Rousseau S. Generative AI ในปี 2023: กลไกการทำงานและจุดที่นำไปใช้ก่อน — Sebastien Rousseau. sebastienrousseau.com. 2023 Nov 12. Available from: https://sebastienrousseau.com/th/2023-11-12-samruat-ai-khwam-chong-charoen/
Chicago
Rousseau, Sebastien. "Generative AI ในปี 2023: กลไกการทำงานและจุดที่นำไปใช้ก่อน — Sebastien Rousseau." sebastienrousseau.com. November 12, 2023. https://sebastienrousseau.com/th/2023-11-12-samruat-ai-khwam-chong-charoen/.
APA
Rousseau, S. (2023, November 12). Generative AI ในปี 2023: กลไกการทำงานและจุดที่นำไปใช้ก่อน — Sebastien Rousseau. sebastienrousseau.com. https://sebastienrousseau.com/th/2023-11-12-samruat-ai-khwam-chong-charoen/
เผยแพร่บทความนี้ซ้ำ
Generative AI ในปี 2023: กลไกการทำงานและจุดที่นำไปใช้ก่อน — Sebastien Rousseau
สำรวจ Generative AI ในปี 2023: กลไกการทำงาน จุดที่นำไปใช้ก่อนในบริการทางการเงิน และคำถามด้านจริยธรรมและสถาปัตยกรรมที่ควรตั้ง
บทความนี้เผยแพร่ภายใต้สัญญาอนุญาต Creative Commons Attribution 4.0 International. การเผยแพร่ซ้ำต้องระบุที่มาเป็น URL ต้นฉบับ
Generative AI ในปี 2023: กลไกการทำงานและจุดที่นำไปใช้ก่อน — Sebastien Rousseau สำรวจ Generative AI ในปี 2023: กลไกการทำงาน จุดที่นำไปใช้ก่อนในบริการทางการเงิน และคำถามด้านจริยธรรมและสถาปัตยกรรมที่ควรตั้ง Originally published at https://sebastienrousseau.com/th/2023-11-12-samruat-ai-khwam-chong-charoen/ by Sebastien Rousseau. Licensed under CC-BY-4.0.