ในฐานะนักพัฒนาซอฟต์แวร์ที่เน้นการสร้างผลิตภัณฑ์บนเว็บเป็นหลัก ฉันรู้สึกสนใจเทคโนโลยีใหม่ๆ อยู่เสมอ การระเบิดความสนใจใน AI โดยเฉพาะอย่างยิ่งหลังจากการเปิดตัว ChatGPT จุดประกายความปรารถนาของฉันที่จะดำดิ่งสู่สาขาที่น่าสนใจนี้ให้ลึกซึ้งยิ่งขึ้น นี่คือวิธีที่การเดินทางของฉันคลี่คลาย
ฉันเริ่มต้นด้วยวิดีโอ YouTube รวมถึง (คำอธิบายของ Wolfram) และ เจาะลึก LLMs เช่น ChatGPT ที่อธิบายว่า ChatGPT คาดการณ์คำถัดไปในประโยคได้อย่างไร (หากคุณไม่ต้องการดูวิดีโอ คุณสามารถอ่าน บทความถอดเสียง ได้)
บทนำนี้เป็นการเปิดหูเปิดตา—มันเผยให้เห็นว่า AI โดยเฉพาะอย่างยิ่ง large language models (LLMs) มีความก้าวหน้าเพียงใด นอกจากนี้ยังแนะนำให้ฉันรู้จักกับแนวคิดพื้นฐานในแวดวง LLM ซึ่งเป็นเวทีสำหรับการสำรวจที่ลึกซึ้งยิ่งขึ้นของฉัน
จากนั้น ฉันเริ่มเรียนรู้เกี่ยวกับ LLMs ที่แตกต่างกัน เช่น Llama, GPT, Claude และอื่นๆ ช่วงนี้เป็นเรื่องของการทำความเข้าใจด้านเทคนิค เช่น context length, tokens (input และ output), parameters, embeddings, FLOPS (Floating Point Operations Per Second), RAG (Retrieval-Augmented Generation) เพื่อให้สิ่งต่างๆ เป็นรูปธรรมมากขึ้น ฉันได้ทดลองรัน LLMs ในเครื่องโดยใช้เครื่องมืออย่าง Ollama มันเป็นประสบการณ์ตรงครั้งแรกของฉันกับโมเดลในเครื่อง และฉันรู้สึกทึ่งกับศักยภาพของมัน
แหล่งข้อมูลบางส่วนในช่วงนี้:
- สิ่งที่คุณต้องรู้เกี่ยวกับการทำ Tokenization ใน LLMs
- Llama Recipes Quickstart
- ทุกสิ่งที่ฉันได้เรียนรู้จนถึงตอนนี้เกี่ยวกับการรัน LLMs ในเครื่อง
- ทำความเข้าใจ LLMs ตั้งแต่เริ่มต้นโดยใช้คณิตศาสตร์ระดับกลาง
การทำความเข้าใจคำศัพท์ทางเทคนิคเหล่านั้นยังไม่เพียงพอ เราต้องสำรวจและลงมือปฏิบัติจริงเพื่อทำความเข้าใจอย่างแท้จริงว่าคำศัพท์เหล่านี้เชื่อมโยงกันอย่างไรและมีบทบาทอยู่ที่ใดและเหตุใดจึงจำเป็น ฉันสำรวจสิ่งเหล่านี้โดยใช้ Jupyter Notebook ซึ่งเป็นเครื่องมือที่ช่วยให้ฉันรันคำสั่ง Python สำหรับงานต่างๆ ได้ สิ่งนี้นำฉันไปสู่แพลตฟอร์มต่างๆ เช่น LangChain และ Kaggle ที่ฉันได้ทดลองกับการฝึกอบรม LLM ขั้นพื้นฐานและการปรับแต่งโมเดล ประสบการณ์เหล่านี้ช่วยให้ฉันเข้าใจว่าโมเดล AI ได้รับการฝึกอบรมและปรับแต่งอย่างไร ทำให้ฉันเห็นภาพรวมที่ครอบคลุมมากขึ้นเกี่ยวกับความสามารถของโมเดล
แหล่งข้อมูลบางส่วนในช่วงนี้:
ด้วยความรู้ที่เพิ่มขึ้นนี้ ฉันเริ่มสร้างแอปพลิเคชันที่ขับเคลื่อนด้วย AI (Sudoku, Page Saver) โดยใช้เครื่องมืออย่าง Cursor และ Windsurf ซึ่งได้รับการปรับปรุงโดย editors ที่ขับเคลื่อนด้วย AI ฉันตระหนักได้อย่างรวดเร็วว่า AI สามารถเปลี่ยนแปลงนักพัฒนาได้อย่างไร ความท้าทายมากมายที่ฉันเผชิญในการพัฒนาซอฟต์แวร์สามารถปรับปรุงให้มีประสิทธิภาพหรือแก้ไขได้ทั้งหมดด้วย AI นี่เป็นช่วงเวลาสำคัญที่เน้นย้ำถึงศักยภาพอันมหาศาลของ AI ในการปรับเปลี่ยนวิธีการทำงานของเรา
การเดินทางยังคงดำเนินต่อไปเมื่อฉันเริ่มสร้างบางสิ่งบางอย่างด้วย prompting อย่างจริงจัง โดยเริ่มต้นด้วยตัวอย่างบางส่วนของการเรียก APIs ที่แตกต่างกันโดยใช้ frameworks ที่แตกต่างกัน เนื่องจากปัจจุบันฉันใช้ GoLang เป็นหลัก ดังนั้นฉันจึงฝึกฝนกับ GoLang ความพยายามบางอย่างถูกบันทึกไว้ในบล็อกโพสต์บางส่วน เช่น:
- สัมผัสแรกกับ Open API
- ตัวอย่าง Gemini กับ Go
- การคำนวณจำนวน Token สำหรับ Claude API โดยใช้ Go: คู่มือทีละขั้นตอน
ด้วยพื้นฐานทั้งหมดนี้ สามารถสร้างแอปพลิเคชันที่ซับซ้อนมากขึ้นซึ่งขับเคลื่อนโดย AI ได้
ในขณะที่การเดินทางของฉันยังคงดำเนินต่อไป สิ่งหนึ่งที่ชัดเจนคือ AI ไม่ใช่แค่กระแส: มันคืออนาคต แต่ละก้าวที่ฉันได้ก้าวไปได้ทำให้ฉันซาบซึ้งในสาขานี้และโอกาสของมันมากขึ้น ฉันรู้สึกตื่นเต้นที่จะได้เห็นว่าการเดินทางครั้งนี้จะพาฉันไปที่ใดต่อไป และ AI จะปฏิวัติชีวิตของเราต่อไปได้อย่างไร ทั้งในฐานะนักพัฒนาและในฐานะบุคคลทั่วไป
great article