วิธีการเป็นนักพัฒนา AI: ข้อมูลเบื้องต้น.

คุณไม่ได้มาที่นี่เพื่อฟังเรื่องไร้สาระ คุณต้องการเส้นทางที่ชัดเจนใน การเป็นนักพัฒนา AI โดยไม่ต้องจมอยู่กับแท็บมากมาย ศัพท์เฉพาะทางที่เข้าใจยาก หรือการวิเคราะห์จนตัดสินใจไม่ได้ ดีเลย คู่มือนี้จะให้แผนที่ทักษะ เครื่องมือที่สำคัญจริงๆ โครงการที่จะได้รับความสนใจ และนิสัยที่จะแยกความแตกต่างระหว่างการทดลองกับการใช้งานจริง มาเริ่มสร้างกันเลย

บทความที่คุณอาจสนใจอ่านต่อหลังจากบทความนี้:

🔗 วิธีเริ่มต้นบริษัท AI
คู่มือทีละขั้นตอนสำหรับการสร้าง ระดมทุน และเปิดตัวสตาร์ทอัพด้าน AI ของคุณ.

🔗 วิธีสร้าง AI บนคอมพิวเตอร์ของคุณ
เรียนรู้วิธีสร้าง ฝึกฝน และเรียกใช้โมเดล AI บนเครื่องของคุณเองได้อย่างง่ายดาย.

🔗 วิธีสร้างโมเดล AI
คำอธิบายโดยละเอียดเกี่ยวกับการสร้างโมเดล AI ตั้งแต่แนวคิดจนถึงการใช้งานจริง.

🔗 ปัญญาประดิษฐ์เชิงสัญลักษณ์คืออะไร
สำรวจวิธีการทำงานของ AI เชิงสัญลักษณ์ และเหตุใดจึงยังคงมีความสำคัญในปัจจุบัน.

อะไรคือคุณสมบัติของนักพัฒนา AI ที่ยอดเยี่ยม ✅

นักพัฒนา AI ที่ดีไม่ใช่คนที่จำตัวปรับแต่งประสิทธิภาพทุกตัวได้ แต่เป็นคนที่สามารถรับมือกับปัญหาที่ไม่ชัดเจน กำหนดกรอบมัน เชื่อมโยงข้อมูลและโมเดลเข้าด้วยกัน สร้างสิ่งที่ใช้งานได้จริง วัดผลอย่างตรงไปตรงมา และปรับปรุงแก้ไขได้อย่างราบรื่น ตัวชี้วัดบางประการมีดังนี้:

• มีความคุ้นเคยกับวงจรการทำงานทั้งหมด: ข้อมูล → แบบจำลอง → การประเมิน → การปรับใช้ → การตรวจสอบ.

• มีแนวโน้มที่จะเน้นการทดลองที่รวดเร็วมากกว่าทฤษฎีที่สมบูรณ์แบบ...โดยมีทฤษฎีเพียงพอที่จะหลีกเลี่ยงกับดักที่เห็นได้ชัด.

• ผลงานที่พิสูจน์ให้เห็นว่าคุณสามารถสร้างผลลัพธ์ได้จริง ไม่ใช่แค่สมุดบันทึก.

• ความคิดที่รับผิดชอบเกี่ยวกับความเสี่ยง ความเป็นส่วนตัว และความเป็นธรรม - ไม่ใช่การแสดงออก แต่เป็นการปฏิบัติจริง โครงสร้างอุตสาหกรรม เช่น กรอบการจัดการความเสี่ยงด้าน AI ของ NIST และ หลักการ AI ของ OECD ช่วยให้คุณสื่อสารด้วยภาษาเดียวกันกับผู้ตรวจสอบและผู้มีส่วนได้ส่วนเสีย [1][2]

สารภาพตามตรงว่า บางครั้งคุณอาจส่งแบบจำลองออกไปแล้วจึงรู้ว่าแบบพื้นฐานนั้นดีกว่า ความถ่อมตัวแบบนั้นแหละ ที่แปลกแต่กลับเป็นพลังวิเศษ.

เรื่องสั้นกระชับ: ทีมหนึ่งสร้างระบบจำแนกประเภทที่ซับซ้อนสำหรับการคัดกรองปัญหาด้านการสนับสนุน แต่กฎคำหลักพื้นฐานกลับตอบสนองได้เร็วกว่า พวกเขาจึงคงกฎเหล่านั้นไว้ ใช้โมเดลสำหรับกรณีพิเศษ และนำทั้งสองแบบออกใช้งานจริง ลดความซับซ้อนลง เพิ่มผลลัพธ์มากขึ้น.

เส้นทางสู่การเป็นนักพัฒนา AI 🗺️

นี่คือเส้นทางที่กระชับและเป็นขั้นตอน ทำซ้ำไปเรื่อยๆ สักสองสามครั้งขณะที่คุณเลเวลอัพ:

1. ความเชี่ยวชาญในการเขียนโปรแกรม ด้วย Python รวมถึงไลบรารี DS หลัก: NumPy, pandas, scikit-learn อ่านคู่มืออย่างเป็นทางการคร่าวๆ แล้วสร้างสคริปต์ขนาดเล็กจนกว่าคุณจะคุ้นเคย คู่มือผู้ใช้ ยังทำหน้าที่เป็นตำราเรียนที่ใช้งานได้จริงอย่างน่าประหลาดใจอีกด้วย [3]

2. พื้นฐานแมชชีนเลิร์นนิง ผ่านหลักสูตรที่มีโครงสร้าง: โมเดลเชิงเส้น, การทำให้เป็นระเบียบ (Regularization), การตรวจสอบแบบไขว้ (Cross-validation), ตัวชี้วัด (Metrics) การผสมผสานระหว่างเอกสารประกอบการบรรยายแบบดั้งเดิมและหลักสูตรเร่งรัดเชิงปฏิบัติได้ผลดี

3. เครื่องมือการเรียนรู้เชิงลึก : เลือก PyTorch หรือ TensorFlow แล้วเรียนรู้เพียงพอที่จะฝึกฝน บันทึก และโหลดโมเดล จัดการชุดข้อมูล และแก้ไขข้อผิดพลาดรูปร่างทั่วไป เริ่มต้นด้วย บทช่วยสอน PyTorch หากคุณชอบ "การเขียนโค้ดก่อน" [4]

4. โครงการที่จัดส่งจริง : บรรจุด้วย Docker ติดตามการทำงาน (แม้แต่บันทึก CSV ก็ยังดีกว่าไม่มีอะไรเลย) และปรับใช้ API ขั้นต่ำ เรียนรู้ Kubernetes เมื่อคุณเติบโตเกินกว่าการปรับใช้แบบกล่องเดียว Docker มาก่อน [5]

5. ชั้น AI ที่มีความรับผิดชอบ : ใช้เช็คลิสต์ความเสี่ยงแบบเบาที่ได้รับแรงบันดาลใจจาก NIST/OECD (ความถูกต้อง ความน่าเชื่อถือ ความโปร่งใส ความเป็นธรรม) ซึ่งทำให้การอภิปรายเป็นรูปธรรมและการตรวจสอบน่าเบื่อ (ในทางที่ดี) [1][2]

6. เชี่ยวชาญเฉพาะด้านสักหน่อย เช่น NLP ด้วย Transformers, การประมวลผลภาพด้วย Conversations/Visualization Technology สมัยใหม่, ระบบแนะนำ หรือแอปพลิเคชันและเอเจนต์ LLM เลือกด้านใดด้านหนึ่ง สร้างโปรเจกต์เล็กๆ สองโปรเจกต์ แล้วค่อยแตกแขนงออกไป

คุณจะต้องกลับมาทำขั้นตอนที่ 2–6 ซ้ำแล้วซ้ำเล่า พูดตามตรง นั่นแหละคืองานของคุณ.

ชุดทักษะที่คุณจะใช้จริงในชีวิตประจำวัน 🧰

• Python + การจัดการข้อมูล : การแบ่งส่วนอาร์เรย์ การรวมข้อมูล การจัดกลุ่มตามข้อมูล การแปลงเป็นเวกเตอร์ หากคุณสามารถใช้ pandas ได้อย่างคล่องแคล่ว การฝึกอบรมจะง่ายขึ้นและการประเมินผลก็จะชัดเจนยิ่งขึ้น

• ML หลัก : การแบ่งข้อมูลฝึกฝนและทดสอบ การหลีกเลี่ยงการรั่วไหล ความรู้เกี่ยวกับเมตริก คู่มือ scikit-learn เป็นหนึ่งในตำราเริ่มต้นที่ดีที่สุด [3]

• เฟรมเวิร์ก DL : เลือกอันใดอันหนึ่ง ทำให้ใช้งานได้ตั้งแต่ต้นจนจบ จากนั้นค่อยดูอันอื่นทีหลัง เอกสารของ PyTorch ทำให้โมเดลความคิดชัดเจน [4]

• สุขอนามัยในการทดลอง : ติดตามการทดลอง พารามิเตอร์ และสิ่งประดิษฐ์ ตัวคุณในอนาคตเกลียดโบราณคดี

• การสร้างคอนเทนเนอร์และการจัดการระบบ : Docker สำหรับบรรจุสแต็กของคุณ; Kubernetes เมื่อคุณต้องการสำเนา การปรับขนาดอัตโนมัติ และการอัปเดตแบบต่อเนื่อง เริ่มต้นที่นี่ [5]

• พื้นฐาน GPU : รู้ว่าเมื่อใดควรเช่า GPU ขนาดของชุดข้อมูลส่งผลต่อปริมาณงานอย่างไร และเหตุใดการดำเนินการบางอย่างจึงถูกจำกัดด้วยหน่วยความจำ

• AI ที่มีความรับผิดชอบ : บันทึกแหล่งข้อมูล ประเมินความเสี่ยง และวางแผนการบรรเทาโดยใช้คุณสมบัติที่ชัดเจน (ความถูกต้อง ความน่าเชื่อถือ ความโปร่งใส ความเป็นธรรม) [1]

หลักสูตรเบื้องต้น: ลิงก์เพียงไม่กี่ลิงก์ที่ทรงประสิทธิภาพเกินความคาดหมาย 🔗

• พื้นฐาน ML : ชุดบันทึกที่เน้นทฤษฎี + หลักสูตรเร่งรัดแบบลงมือปฏิบัติจริง จับคู่กับการฝึกปฏิบัติใน scikit-learn [3]

• เฟรมเวิร์ก : บทช่วยสอน PyTorch (หรือคู่มือ TensorFlow หากคุณต้องการใช้ Keras) [4]

• หลักการพื้นฐานของวิทยาศาสตร์ข้อมูล : คู่มือผู้ใช้ เพื่อทำความเข้าใจเมตริกส์ ไปป์ไลน์ และการประเมินผล [3]

• การจัดส่ง Get Started ของ Docker ทำให้ "ใช้งานได้บนเครื่องของฉัน" กลายเป็น "ใช้งานได้ทุกที่" [5]

บันทึกหน้านี้ไว้ เมื่อติดขัด ให้ลองอ่านทีละหน้า ลองทำทีละอย่าง แล้วทำซ้ำไปเรื่อยๆ.

สามโปรเจกต์ในพอร์ตโฟลิโอที่ทำให้ได้รับการสัมภาษณ์ 📁

1. การตอบคำถามแบบเสริมการค้นหาข้อมูลบนชุดข้อมูลของคุณเอง

   • ดึงข้อมูล/นำเข้าฐานความรู้เฉพาะทาง สร้างการฝังข้อมูลและการดึงข้อมูล เพิ่มส่วนติดต่อผู้ใช้ที่มีน้ำหนักเบา.

   • ติดตามค่าความหน่วง ความแม่นยำในชุดคำถามและคำตอบที่จัดเตรียมไว้ และผลตอบรับจากผู้ใช้.

   • ควรเพิ่มส่วน "กรณีที่เกิดความล้มเหลว" สั้นๆ ไว้ด้วย.

2. แบบจำลองวิสัยทัศน์พร้อมข้อจำกัดในการใช้งานจริง

   • ฝึกตัวจำแนกหรือตัวตรวจจับ ให้บริการผ่าน FastAPI สร้างคอนเทนเนอร์ด้วย Docker เขียนวิธีการปรับขนาด [5]

   • การตรวจจับการเปลี่ยนแปลงของเอกสาร (การใช้สถิติประชากรอย่างง่ายกับคุณลักษณะต่างๆ เป็นจุดเริ่มต้นที่ดี).

3. กรณีศึกษาปัญญาประดิษฐ์ที่รับผิดชอบ

   • เลือกชุดข้อมูลสาธารณะที่มีคุณลักษณะที่ละเอียดอ่อน จัดทำรายงานเมตริกและมาตรการบรรเทาผลกระทบที่สอดคล้องกับคุณสมบัติของ NIST (ความถูกต้อง ความน่าเชื่อถือ ความเป็นธรรม) [1]

แต่ละโปรเจ็กต์จำเป็นต้องมี: ไฟล์ README ความยาว 1 หน้า, แผนภาพ, สคริปต์ที่สามารถทำซ้ำได้ และบันทึกการเปลี่ยนแปลงฉบับย่อ อย่าลืมเพิ่มอิโมจิเข้าไปด้วย เพราะมนุษย์ก็อ่านพวกนี้เหมือนกัน 🙂

MLOps, การปรับใช้ และส่วนที่ไม่มีใครสอนคุณ 🚢

การขนส่งสินค้าเป็นทักษะอย่างหนึ่ง ขั้นตอนการดำเนินการขั้นต่ำ:

• สร้างคอนเทนเนอร์ให้ กับแอปของคุณด้วย Docker เพื่อให้ dev ≈ prod เริ่มต้นด้วยเอกสาร Getting Started อย่างเป็นทางการ ย้ายไปใช้ Compose สำหรับการตั้งค่าแบบหลายบริการ [5]

• ติดตามผลการทดลอง (แม้กระทั่งในระดับท้องถิ่น) พารามิเตอร์ ตัวชี้วัด ผลลัพธ์ และแท็ก "ผู้ชนะ" ทำให้การวิเคราะห์มีความซื่อสัตย์และส่งเสริมการทำงานร่วมกันได้

• ในการจัดการระบบ เมื่อต้องการขยายขนาดหรือแยกส่วน เรียนรู้เรื่อง Deployment, Services และการกำหนดค่าแบบประกาศก่อน อย่าเพิ่งรีบร้อนจนเกินไป

• รันไทม์บนคลาวด์ : Colab สำหรับการสร้างต้นแบบ; แพลตฟอร์มแบบจัดการ (SageMaker/Azure ML/Vertex) สำหรับการพัฒนาแอปพลิเคชันที่ซับซ้อนขึ้น

• ความรู้ความเข้าใจเกี่ยวกับ GPU : คุณไม่จำเป็นต้องเขียน CUDA kernel เอง แต่คุณต้องรู้ว่าเมื่อใดที่ dataloader เป็นคอขวดของระบบ

คำอุปมาอุปไมยที่ไม่สมบูรณ์เล็กน้อย: ลองนึกถึง MLOps เหมือนกับหัวเชื้อขนมปังซาวร์โดว์ – ต้องคอยดูแลมันด้วยระบบอัตโนมัติและการตรวจสอบ มิฉะนั้นมันจะส่งกลิ่นเหม็น.

AI ที่มีความรับผิดชอบคือปราการด่านสำคัญในการแข่งขันของคุณ 🛡️

ทีมงานต่างอยู่ภายใต้แรงกดดันที่จะต้องพิสูจน์ความน่าเชื่อถือ หากคุณสามารถพูดคุยอย่างเป็นรูปธรรมเกี่ยวกับความเสี่ยง เอกสาร และการกำกับดูแล คุณก็จะกลายเป็นคนที่ทุกคนอยากให้มาร่วมประชุมด้วย.

• ใช้กรอบการทำงานที่กำหนดไว้ : แมปข้อกำหนดกับคุณสมบัติของ NIST (ความถูกต้อง ความน่าเชื่อถือ ความโปร่งใส ความเป็นธรรม) จากนั้นแปลงเป็นรายการตรวจสอบและเกณฑ์การยอมรับใน PR [1]

• ยึดหลักการของคุณ : หลักการ AI ของ OECD เน้นสิทธิมนุษยชนและค่านิยมประชาธิปไตย ซึ่งมีประโยชน์เมื่อต้องหารือเกี่ยวกับการแลกเปลี่ยนผลประโยชน์ [2]

• จรรยาบรรณวิชาชีพ : การกล่าวถึงจรรยาบรรณวิชาชีพเพียงเล็กน้อยในเอกสารการออกแบบ มักเป็นตัวกำหนดความแตกต่างระหว่าง "เราคิดมาแล้ว" กับ "เราทำไปโดยไม่มีแบบแผน"

นี่ไม่ใช่ขั้นตอนทางราชการที่ยุ่งยาก แต่เป็นฝีมือต่างหาก.

ลองเชี่ยวชาญเฉพาะด้านดูบ้าง: เลือกสายงานสักสายแล้วเรียนรู้เครื่องมือที่ใช้ในสายงานนั้น 🛣️

• LLMs และ NLP : ข้อผิดพลาดในการสร้างโทเค็น, หน้าต่างบริบท, RAG, การประเมินผลนอกเหนือจาก BLEU เริ่มต้นด้วยไปป์ไลน์ระดับสูง จากนั้นปรับแต่งให้เหมาะสม

• วิสัยทัศน์ : การเพิ่มประสิทธิภาพข้อมูล การตรวจสอบความถูกต้องของการติดฉลาก และการใช้งานบนอุปกรณ์ปลายทางที่ความหน่วงแฝงเป็นสิ่งสำคัญที่สุด

• ปัจจัยแนะนำ : ข้อบกพร่องของคำติชมโดยนัย กลยุทธ์เริ่มต้นใหม่ และตัวชี้วัดประสิทธิภาพทางธุรกิจที่ไม่สอดคล้องกับ RMSE

• การใช้งานเอเจนต์และเครื่องมือ : การเรียกฟังก์ชัน การถอดรหัสแบบมีข้อจำกัด และกลไกความปลอดภัย

เอาตรงๆ นะ เลือกโดเมนที่ทำให้คุณรู้สึกอยากรู้อยากเห็นในเช้าวันอาทิตย์เถอะ.

ตารางเปรียบเทียบ: เส้นทางสู่การเป็นนักพัฒนา AI 📊

ใช่แล้ว ระยะห่างอาจจะไม่สม่ำเสมอเท่าไหร่ โต๊ะจริง ๆ นั้นแทบจะไม่สมบูรณ์แบบเลย.

วงจรการเรียนรู้ที่ได้ผลจริง 🔁

• รอบการทำงาน 2 ชั่วโมง : อ่านเอกสาร 20 นาที เขียนโค้ด 80 นาที จดบันทึกสิ่งที่ผิดพลาด 20 นาที

• บทสรุปแบบหน้าเดียว : หลังจากเสร็จสิ้นโครงการย่อยแต่ละโครงการ ให้อธิบายถึงการกำหนดปัญหา เกณฑ์พื้นฐาน ตัวชี้วัด และรูปแบบความล้มเหลว

• ข้อจำกัดที่ตั้งใจไว้ : ฝึกฝนเฉพาะบน CPU เท่านั้น หรือไม่ใช้ไลบรารีภายนอกสำหรับการประมวลผลล่วงหน้า หรือกำหนดงบประมาณไว้ที่ 200 บรรทัดพอดี ข้อจำกัดกลับก่อให้เกิดความคิดสร้างสรรค์ได้อย่างไม่น่าเชื่อ

• การทดสอบบนกระดาษ : เขียนแค่ส่วนของการคำนวณค่าความสูญเสีย (loss function) หรือส่วนของการโหลดข้อมูล (dataloader) ก็พอแล้ว คุณไม่จำเป็นต้องใช้เทคโนโลยีที่ทันสมัยที่สุด (SOTA) เพื่อเรียนรู้สิ่งต่างๆ มากมาย

ถ้าสมาธิหลุดไปบ้างก็เป็นเรื่องปกติ ทุกคนก็เป็นได้ ลองไปเดินเล่น แล้วกลับมา ลองส่งของเล็กๆ น้อยๆ ดู.

เตรียมตัวสัมภาษณ์งาน แบบไม่ต้องโอเวอร์แอคติ้ง 🎯

• ให้ความสำคัญกับผลงานก่อน : โครงการวิจัยจริงดีกว่าสไลด์นำเสนอ ควรสร้างเดโมขนาดเล็กอย่างน้อยหนึ่งโครงการ

• อธิบายข้อดีข้อเสีย : เตรียมพร้อมที่จะอธิบายถึงทางเลือกของตัวชี้วัดต่างๆ และวิธีการแก้ไขข้อผิดพลาดเมื่อเกิดขึ้น

• การคิดเชิงระบบ : วาดแผนภาพข้อมูล → โมเดล → API → การตรวจสอบ และอธิบายแผนภาพนั้น

• AI ที่มีความรับผิดชอบ : รักษาเช็คลิสต์ง่ายๆ ที่สอดคล้องกับ NIST AI RMF - ซึ่งบ่งบอกถึงความพร้อม ไม่ใช่คำพูดสวยหรู [1]

• ความเชี่ยวชาญด้านเฟรมเวิร์ก : เลือกเฟรมเวิร์กหนึ่งอันและใช้มันให้เชี่ยวชาญ เอกสารทางการก็ใช้ได้ในการสัมภาษณ์ [4]

หนังสือทำอาหารเล่มจิ๋ว: โปรเจกต์แรกของคุณที่ทำเสร็จตั้งแต่ต้นจนจบภายในสุดสัปดาห์เดียว 🍳

1. ข้อมูล : เลือกชุดข้อมูลที่สะอาดและเหมาะสม

2. เกณฑ์พื้นฐาน : โมเดล scikit-learn พร้อมการตรวจสอบแบบไขว้ บันทึกเมตริกพื้นฐาน [3]

3. DL pass : งานเดียวกันใน PyTorch หรือ TensorFlow; เปรียบเทียบสิ่งเดียวกัน [4]

4. การติดตาม : บันทึกการวิ่ง (แม้แต่ไฟล์ CSV ง่ายๆ ที่เพิ่มเวลาลงไป) แล้วแท็กผู้ชนะ

5. ให้บริการ : ห่อการคาดการณ์ไว้ในเส้นทาง FastAPI สร้าง Docker และเรียกใช้ในเครื่อง [5]

6. พิจารณา : ตัวชี้วัดใดสำคัญสำหรับผู้ใช้ ความเสี่ยงใดมีอยู่ และคุณจะติดตามอะไรหลังจากการเปิดตัว - ยืมคำศัพท์จาก NIST AI RMF เพื่อให้กระชับ [1]

นี่สมบูรณ์แบบแล้วหรือ? ไม่ใช่ แต่ดีกว่าการรอเรียนหลักสูตรที่สมบูรณ์แบบหรือไม่? แน่นอนที่สุด.

ข้อผิดพลาดทั่วไปที่คุณสามารถหลีกเลี่ยงได้ตั้งแต่เนิ่นๆ ⚠️

• การเรียนรู้โดยยึดตามบทช่วยสอนมากเกินไป : เหมาะสำหรับการเริ่มต้น แต่ควรเปลี่ยนมาคิดแบบแก้ปัญหาก่อนในภายหลัง

• ข้ามขั้นตอนการออกแบบการประเมินผล : กำหนดความสำเร็จก่อนการฝึกอบรม ช่วยประหยัดเวลาได้หลายชั่วโมง

• การละเลยสัญญาข้อมูล : การเปลี่ยนแปลงโครงสร้างข้อมูลทำให้ระบบล่มมากกว่าแค่การสร้างแบบจำลอง

• ความกลัวในการใช้งาน : Docker เป็นมิตรมากกว่าที่คิด เริ่มจากขนาดเล็ก ยอมรับว่าการสร้างครั้งแรกอาจจะยุ่งยาก [5]

• จริยธรรมเป็นสิ่งสุดท้าย : ถ้าใส่เข้าไปทีหลัง มันจะกลายเป็นเรื่องยุ่งยากในการปฏิบัติตามกฎระเบียบ ควรผสานมันเข้ากับการออกแบบ - เบากว่า ดีกว่า [1][2]

สรุปสั้นๆ 🧡

ถ้าคุณจำอะไรสักอย่างได้: การเป็นนักพัฒนา AI ไม่ได้เกี่ยวกับการสะสมทฤษฎีหรือไล่ตามโมเดลที่ดูดี แต่เกี่ยวกับการแก้ปัญหาจริงซ้ำๆ ด้วยวงจรการทำงานที่กระชับและด้วยความคิดที่รับผิดชอบ เรียนรู้โครงสร้างพื้นฐานของข้อมูล เลือกเฟรมเวิร์ก Deep Learning สักหนึ่งเฟรมเวิร์ก ทดลองใช้ Docker เพื่อสร้างโปรเจกต์ขนาดเล็ก ติดตามสิ่งที่คุณทำ และยึดหลักการตัดสินใจของคุณกับแนวทางที่ได้รับการยอมรับ เช่น NIST และ OECD สร้างโปรเจกต์เล็กๆ ที่น่ารักสักสามโปรเจกต์ และพูดคุยเกี่ยวกับพวกมันในฐานะเพื่อนร่วมทีม ไม่ใช่ในฐานะนักมายากล นั่นแหละ – ส่วนใหญ่แล้ว

และใช่แล้ว ลองพูดประโยคนี้ออกมาดังๆ ถ้ามันช่วยได้: ฉันรู้วิธีที่จะเป็นนักพัฒนา AI จากนั้นไปพิสูจน์ให้เห็นด้วยการลงมือสร้างอย่างมุ่งมั่นเป็นเวลาหนึ่งชั่วโมงในวันนี้

เอกสารอ้างอิง

[1] NIST. กรอบการจัดการความเสี่ยงด้านปัญญาประดิษฐ์ (AI RMF 1.0) (PDF) - ลิงก์
[2] OECD. หลักการ AI ของ OECD - ภาพรวม - ลิงก์
3] scikit-learn. คู่มือผู้ใช้ (เวอร์ชันเสถียร) - ลิงก์
[4] PyTorch. บทช่วยสอน (เรียนรู้พื้นฐาน ฯลฯ) - ลิงก์
[5] Docker. เริ่มต้นใช้งาน - ลิงก์