Embeddings คือการแปลงแนวคิดให้เป็นลำดับตัวเลข ซึ่งช่วยให้คอมพิวเตอร์เข้าใจความสัมพันธ์ระหว่างแนวคิดเหล่านั้นได้ ตัวอย่างเช่น vector ของ “canine companions say” จะมีความใกล้เคียงกับ “woof” มากกว่า “meow”
Endpoint ใหม่นี้ใช้ neural network models ซึ่งเป็นรุ่นต่อยอดจาก GPT-3 เพื่อแมปข้อความและโค้ดให้อยู่ในรูปแบบ vector representation หรือ ’embedding’ ใน high-dimensional space
โมเดลค้นหาข้อความ
การค้นหาแบบ Embedding สามารถให้ผลลัพธ์ที่ครอบคลุมกว่าเทคนิค word overlap ในการค้นหาแบบคลาสสิก เนื่องจากมันจับความหมายเชิงอรรถของข้อความและไม่ไวต่อการใช้คำหรือวลีที่ตรงกันเป๊ะๆ
การเรียนรู้แบบ FineTune
FineTune Learning เป็นบริษัทที่สร้างโซลูชันแบบผสมผสานระหว่างมนุษย์กับ AI สำหรับการเรียนรู้ เช่น adaptive learning loops ที่ช่วยให้นักเรียนบรรลุมาตรฐานทางวิชาการ แม้ว่าผู้เชี่ยวชาญของมนุษย์จะยังคงเหนือกว่า แต่ทีม FineTune สามารถติดป้ายกำกับตำราทั้งเล่มได้ในไม่กี่วินาที ต่างจากที่เคยใช้เวลาหลายชั่วโมงของผู้เชี่ยวชาญ
ศัพท์ที่ควรรู้
- Embeddings – การแปลงแนวคิดให้เป็นลำดับตัวเลขที่คอมพิวเตอร์เข้าใจได้
- Neural network models – โมเดลเครือข่ายประสาทเทียมที่ใช้ในการแมปข้อมูลเข้าสู่ vector representation
- Vector representation – การแทนข้อมูลในรูปแบบของชุดตัวเลขที่บ่งบอกถึงความหมายของข้อมูลนั้นๆ
- Text similarity – การวัดความคล้ายคลึงกันทางความหมายระหว่างข้อความสองส่วน
- Code search – การค้นหาโค้ดที่เกี่ยวข้องโดยใช้คำสั่งในภาษาธรรมชาติ
ที่มา: OpenAI