แกะกล่อง AI
Traditional AI (Discriminative) คือแนวคิดของโมเดล AI แบบดั้งเดิมที่เน้น
แยกแยะ / ทำนาย (classification, prediction) จากข้อมูลที่มีอยู่
โดยเรียนรู้ความสัมพันธ์ระหว่าง input (X) → output (Y) โดยตรง
อธิบายแบบง่าย
ถามว่า “ข้อมูลนี้ เป็นอะไร?” หรือ “ควร เลือกคำตอบไหน?”
ไม่สนใจว่าจะสร้างข้อมูลใหม่ยังไง
สนใจแค่ว่า แยกให้ถูก / ทำนายให้แม่น
หลักการ
โมเดลจะเรียนรู้ฟังก์ชัน P(y | x)
คือ
- เมื่อเห็นข้อมูล x
- ควรทำนายผลลัพธ์ y อะไร
ตัวอย่างงานที่ใช้ Discriminative AI
- Spam / Not Spam
- ป่วย / ไม่ป่วย
- ภาพนี้เป็นแมวหรือหมา
- ธุรกรรมปกติ / ทุจริต
- ทำนายราคาหรือยอดขาย
ตัวอย่างโมเดล Traditional Discriminative
- Logistic Regression
- Linear / Polynomial Regression
- SVM (Support Vector Machine)
- k-NN (k-Nearest Neighbors)
- Decision Tree
- Random Forest
- XGBoost / LightGBM
- Neural Network แบบดั้งเดิม (MLP, CNN, RNN สำหรับ classification)
Note:
- MLP: Multi-Layer Perceptron
- CNN: Convolutional Neural Network
- RNN: Recurrent Neural Network
เปรียบเทียบกับ Generative AI
|
Discriminative |
Generative |
|
ตอบว่า “อันไหนถูก” |
สร้างข้อมูลใหม่ |
|
แยกประเภท |
สร้างภาพ / ข้อความ |
|
P(y | x) |
P(x, y) หรือ P(x) |
|
ใช้ในธุรกิจดั้งเดิมเยอะ |
ใช้กับ ChatGPT, DALL·E |
สรุป
Traditional AI Discriminative = AI ที่เก่งในการ “ตัดสิน / แยก / ทำนาย” จากข้อมูลเดิม
ไม่ใช่ AI ที่สร้างอะไรใหม่ขึ้นมา
