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 อธิบายภาพ (Image Captioning) เมื่อเราใส่ภาพแล้วให้ AI บรรยายออกมาเป็นข้อความ ตัวอย่าง Clip ถาม-ตอบเกี่ยวกับภาพ (Visual Q&A) ค้นหาในภาพหรือกล้องได้ วิเคราะห์เนื้อหาในภาพ สามารถตรวจจับวัตถุ (Object Detection) และอ่านตัวอักษรในภาพ (OCR) GPT-4V เชื่อมภาพกับคำสั่ง (Multimodal Reasoning) การนำไปใช้งานจริง Smart Home (กล้อง + AI เข้าใจเหตุการณ์) Medical AI (วิเคราะห์ภาพ X-ray) Self-driving car ระบบความปลอดภัย (CCTV AI) E-commerce (ค้นหาสินค้าจากภาพ)
บอกกล่าว เล่าเทคโนโลยี ชงกาแฟ นั่งอ่าน