สรุปฉบับมือใหม่ AI กับงาน Code the Future: Build and Scale Generative AI with AWS
เนื่องจากผมได้มีโอกาสไปเข้าร่วมงาน Code the Future: Build and Scale GenAI with AWS เป็นงาน Event ฟรี (แถมของกิน ของแจกอีกเพียบ) ของ AWS ที่ชื่อว่า จัดขึ้นโดย AWS User Group (Thailand) จัดขึ้นที่ออฟฟิศของ AWS Thailand เลยครับ (เป็นครั้งแรกที่ได้มา แอบดีใจนิดนึง) ตั้งใจมาเพื่อเปิดหูเปิดตา และติดตามโลกใหม่ๆ จากเหล่าเทพๆ ทั้งหลายครับ … จึงขอมาสรุปแชร์ประสบการณ์และความรู้ฉบับคนที่เพิ่งเข้าสู่วงการ AI นะครับ ผิดพลาดประการได้ รบกวนผู้อ่านช่วยเสริมให้ด้วยนะครับ และต้องกราบขอบพระคุณผู้จัดมา ณ ที่นี้ด้วยครับ
หลักๆ ในงานเราได้ความรู้เกี่ยวกับพื้นฐานของ Generative AI, Prompt Engineering รวมทั้งความรู้เกี่ยวกับบริการของ AWS 3 ตัวหลักอย่าง Amazon Q, Amazon Bedrock, PartyRock ครับ
โดยตัวงานจะแบ่งเป็น 2 ช่วง เช้า-บ่าย ดังนี้ครับ
- ช่วงเช้า
บรรยายเกี่ยวกับ Generative AI, Amazon Q และ Prompt Engineering - ช่วงบ่าย
ทำ Workshop ซึ่งจะแบ่งเป็น 2 ห้องครับ ห้องแรกใช้ PartyRock สำหรับท่านที่ไม่ต้องการเขียนโปรแกรม (No-Code) ห้อง 2 จะเป็น Workshop เกี่ยวกับ Amazon Q, Amazon Bedrock, PartyRock ซึ่งอันนี้ต้องมีพื้นฐานการเขียนโปรแกรมครับ
ส่วนตัวผมเข้า Track 2 นะครับ ซึ่งจะขอสรุปเฉพาะส่วนนี้ในบทความต่อไปนะครับ ในบทความนี้จะขอแค่ช่วงเช้า ในส่วนการเนื้อหาเกี่ยวกับ Generative AI อย่างเดียวก่อนนะครับ
PartyRock
ผมได้ลองเล่น PartyRock และได้ร่วมทำ PartyRock App Challenge ด้วย โดยขอแปะผลงานไว้ที่นี่นะครับ เผื่อท่านไหนอยากลองเล่นดู
Dream Compass: Unlocking Your Subconscious for Wellbeing
แอปที่ให้คุณเล่าความฝันของคุณ และเสริมด้วยบริบทของชีวิตประจำวันของคุณ AI จะช่วยประมวลผลโดยทำนายจากความฝันของคุณ แปลมาเป็นผลของสุขภาพจิตของคุณ แถมด้วยกิมมิกเล็กๆ คือเอาฝันของคุณไปทำนายเป็นตัวเลข 2–3 หลัก ให้ไปลองแทงหวยต่อได้อีกด้วย
Generative AI
Generative AI (ต่อไปขอเรียกย่อๆว่า Gen AI นะครับ) เผื่อใครใหม่มากๆ ผมสรุปสั้นๆ ว่ามันคือ AI ที่ออกแบบมาเฉพาะ เพื่อช่วยในการ “สร้างสรรค์” สิ่งใหม่ๆ จากชุดข้อมูลที่เรามีอยู่แล้ว ไม่ว่าจะเป็น สร้างรูป เขียนข้อความ สร้างเสียง แต่เพลง สร้างวีดีโอ ให้เราอัตโนมัติ
ตัวอย่างเช่น ChatGPT ของ OpenAI (เปิดตัว 2022) ที่เป็น AI Chatbot ที่ช่วยตอบคำถามเราได้ฉลาดและเป็นธรรมชาติ (เหมือนเราคุยกับคนจริงๆ)
ที่นี้เรามาดูว่าปัจจุบัน Gen AI ที่เรากำลังพูดถึงนั้นอยู่ในส่วนไหนของจักรวาล AI ครับ ซึ่งจากรูปก็คือ Gen AI เป็นขั้นต่อมาจาก Deep Learning (เช่น AlphaGo ของ Google เมื่อปี 2014) ที่ช่วยสร้างสิ่งใหม่ จากชุดข้อมูลที่มีอยู่
สำหรับ AWS นะครับ จะรองรับ Generative AI Stack ที่ครอบคลุมตั้งแต่
- Infrastructure
สำหรับคนที่ต้องการ Train FM เอง ก็มีให้เลือกหลากหลายครับ ทั้ง Hardwares ทั้ง Services ต่างๆ (น่าจะเหมาะกับสำหรับสาย Hardcore 555) - Tools
พระเอกของงานนี้เลยก็ว่าได้ครับ คือ Amzon Bedrock เป็น Managed service (หรือจะเรียกว่าเป็น Serverless ก็ได้) ของ AWS ที่จะมาช่วยให้เราพัฒนา Gen AI ด้วยที่มี FMs ให้เลือกหลากหลาย เช่น AI21 Labs, Anthropic, Cohere, Meta, Mistral AI, Stability AI, and Amazon through a single API - Application
Amazon Q เป็นแอพพลิเคชั่น AI ผู้ช่วย ที่ช่วยให้เราพัฒนาซอฟแวร์ได้ง่ายและรวดเร็วยิ่งขึ้น (ผมคิดว่าคล้ายๆ Google Gemini, MS Copilot ประมาณนั้นครับ) แต่ Amazon Q เค้าจะมีโปรดักย่อยๆ ไปอีก เป็น Business, Developer, QuickSight, Connect และ Supplie Chain ขึ้นอยู่กับ Service ที่เราต้องการใช้งานด้วยครับ
Amazon Q ช่วยสร้าง code เขียน tests ช่วย debugs อธิบาย Code หรือช่วย Upgrade Java Version ให้เราได้อีกด้วยนะครับ
The Skills of an AI Engineer (2024)
หัวข้อที่เราจำเป็นต้องทราบ คือทักษะอะไรบ้างที่จำเป็นต้องรู้สำหรับการที่จะเป็น AI Engineer ในปี 2024 เป็นต้นไป
Foundation Model (FM)
สำหรับการที่เราจะพัฒนา Gen AI สิ่งที่สำคัญที่ผมคิดว่าเราต้องเข้าใจให้ได้ก่อนคือภาพนี้ครับ Foundation Model (หรือต่อไปจะเรียกว่า FM) ว่ามันต่างจาก Traditional ML Model อย่างไร
FM เราไม่ต้อง Labeled data แล้วมาทำ Model ต่างๆ เพื่อแยกข้อมูล ครับ เราใช้ FM ตัวเดียว แยกข้อมูล Unlabled data ได้เลยครับ
แล้ว FMs ใน AWS มีอะไรให้เลือกใช้งานบ้าง
- AI21 Labs — Jurassic
- Anthropic — Claude
- Cohere— Command and Embed
- Meta—Llama 2
- Stability AI — Stable Diffusion
- Amazon — Titan
Model Selection
เนื่องจาก Model ต่างๆ มีลักษณะและความสามารถที่หลากหลาย เราจึงต้องเลือก Model เราให้เหมาะกับแอพฯ ที่เรากำลังจะสร้างครับ โดยมีสิ่งที่ควรพิจารณาดังนี้
สำหรับผมสิ่งที่สำคัญที่สุดคือเงินครับ !!! ทำแล้วต้องคุ้มค่าคุ้มราคา ถึงจะเกิดครับ
Prompt Engineering
คือ การออกแบบข้อความ (Prompt) ที่ใช้ในการสื่อสารกับโมเดล AI ข้อความแจ้งเปรียบเสมือนคำแนะนำที่บอกโมเดล AI ว่าเราต้องการให้โมเดลทำอะไร ยิ่งเราเขียน Prompt ได้ดี เราก็จะยิ่งได้คำตอบใกล้เคียงกับสิ่งที่เราคิดมากขึ้นเท่านั้น
Prompt Engineering — Pro tips
การเขียน Prompt ที่ดีประกอบไปด้วยสิ่งดังต่อไปนี้ครับ
- Add context
- Set Persona
- Be Specific
- Give examples
Agents
เนื่องจาก FM นั้นมีจุดสิ้นสุดของการ Training/Learning ทำให้ข้อมูลของ AI มีจำกัด บ้างครั้ง AI จึงสร้างข้อมูลที่มีอยู่ไม่ต้องกับคำสั่ง เช่น
“What is the weather in Oslo right now?” เราต้องทราบสภาพอากาศที่ Oslo, Norway ตอนนี้ แต่ผลลัพธ์ (ดังรูป) ที่แสดงเหมือนจะถูกครับ แต่จริงๆ คือไม่ถูก เพราะ AI ไม่มีข้อมูลสภาพอากาศปัจจุบันนั้นเอง … หรือเรียกว่า AI หลอน/ AI Halluciante
AI Hallucinate หรือ “การหลอนของ AI” คือ การที่ AI สร้างข้อมูลหรือเนื้อหาที่ไม่ถูกต้อง, ไม่เป็นความจริง โดยมั่นใจว่าผลลัพท์ที่สร้างขึ้นมานั้นถูกต้อง
ดังนั้นจึงต้องมี Agent เพื่อทำหน้าที่ ที่นอกเหนือจากข้อมูลที่มีได้ เช่น Agent ที่ไปดึงข้อมูลสภาพอากาศปัจจุบันมาให้กับผู้ใช้
RAG — Retrieval Augmented Generation
RAG คืออะไร?
RAG เป็นกระบวนการปรับเอาต์พุตโมเดลภาษาขนาดใหญ่ (LLM — Large Language Models) ให้เหมาะสม โดยการเพิ่มคลังความรู้ที่เฉพาะเจาะจงและน่าเชื่อถือให้แก่ LLM ตัวอย่างเช่น
ในเชิงธุรกิจ เราสามารสผสาน LLM กับฐานข้อมูลภายใน, รายงานภายใน, และการอัปเดตข้อมูลแบบเรียลไทม์ของบริษัท เพื่อให้ AI Chatbot สามารถดึงข้อมูลที่เป็นปัจจุบันและเฉพาะเจาะจงของบริษัทได้ได้
แผนภาพแสดงขั้นตอนแนวคิดของการใช้ RAG กับ LLM
Fine-tuning
การ fine-tuning เป็นกระบวนการที่เราปรับแต่ง Pre-trained model ให้เข้ากับงานหรือบริบทเฉพาะ ซึ่งเป็นกระบวนการสำคัญ และเราจำเป็นต้องทดสอบและปรับแต่งจนกว่าโมเดล AI จะทำงานได้ตามที่ต้องการ
สรุป
สำหรับบทความนี้เป็นที่พื้นฐานสุดๆ สำหรับที่จะผู้เริ่มต้น Gen AI ซึ่งอาจจะเป็นทฤษฏีพื้นฐาน อาจจะอ่านมาถึงตรงนี้ เข้าใจบ้างไม่เข้าใจบ้าง เดี๋ยวไปลองภาคปฏิบัติต่อ น่าจะเข้าใจมากขึ้นครับ
