VLM (Vision-Language Model) คืออะไร 

VLM (Vision-Language Model) คือโมเดลปัญญาประดิษฐ์ที่สามารถ เข้าใจทั้งภาพ (Vision) และภาษา (Language) พร้อมกันได้ในระบบเดียว ซึ่งเข้าใจง่ายๆ VLM สามารถแปลงภาพเป็นภาษา และภาษาเป็นภาพได้ 

หลักคิดคือ Computer Vision + Natural Language Processing (NLP)

ความสมารถของ VLM 

1. อธิบายภาพ (Image Captioning)  เมื่อเราใส่ภาพแล้วให้  AI บรรยายออกมาเป็นข้อความ ตัวอย่าง Clip
2. ถาม-ตอบเกี่ยวกับภาพ (Visual Q&A)  ค้นหาในภาพหรือกล้องได้
3. วิเคราะห์เนื้อหาในภาพ  สามารถตรวจจับวัตถุ (Object Detection) และอ่านตัวอักษรในภาพ (OCR) GPT-4V
4. เชื่อมภาพกับคำสั่ง (Multimodal Reasoning)

การนำไปใช้งานจริง

• Smart Home (กล้อง + AI เข้าใจเหตุการณ์)
• Medical AI (วิเคราะห์ภาพ X-ray)
• Self-driving car
• ระบบความปลอดภัย (CCTV AI)
• E-commerce (ค้นหาสินค้าจากภาพ)