ขับเคลื่อนมนุษยศาสตร์ดิจิทัล พัฒนาอัลกอริธึม และเหมืองข้อมูล

ศึกษาวิจัยการวิเคราะห์ทางวัฒนธรรมข้อมูล

การขับเคลื่อนงานมนุษยศาสตร์ดิจิทัล โครงสร้างพื้นฐานที่แพร่หลาย

 

What Is Digital Humanities? มนุษยศาสตร์ดิจิทัลคืออะไร ?

Active and critical engagement with computing in the pursuit of humanistic research questions.
การมีส่วนร่วมอย่างแข็งขันและสําคัญกับคอมพิวเตอร์ในการแสวงหาคําถามการวิจัยด้านมนุษยนิยม
THOMAS PADILLA

 

วัตถุประสงค์การศึกษา (กระบวนการคิด)

การแสดงองค์ประกอบ (Object) ทางวัฒนธรรม คือ การผสมผสานรูปแบบการแสดงผลในอดีต เพื่อนำไปใช้ประโยชน์ทางเศรษฐกิจ สิ่งแวดล้อม การศึกษาเป็นต้น

• เพื่อการขับเคลื่อนงานมนุษยศาสตร์ดิจิทัล ความท้าทายทางความคิด บนความเป็นจริงทางดิจิทัล
• เพื่อการวิเคราะห์ทางวัฒนธรรมการศึกษาและแสดงองค์ประกอบ (Object) ทางวัฒนธรรมหรือผสมผสานรูปแบบการแสดงผลในอดีตเพื่อนำไปใช้ประโยชน์ทางเศรษฐกิจ สิ่งแวดล้อม การศึกษาเป็นต้น
• ช่วยในการตอบคําถามทฤษฎี อธิเช่น ทางการตลาดดิจิทัล คาดการณ์ค่านิยมหรือเทรนที่จะเกิดขึ้นและปัจจัยที่จะตามมาจากวัฒนธรรมในพื้นที่ต่างๆ
• เพื่อทําให้วิธีปฏิบัติที่ดีที่สุดและทำให้สิ่งที่ยากลำบากในการค้นหากลายเป็นเรื่องปกติในการดำเนินชีวิต
• เพื่อกําหนดมาตรฐานวิธีการและกําหนดตัวชี้วัดการประเมินในการวัดผลเครื่องมือ ชิ้นงาน ในการวิจัย

ดังนั้นกระบวนการวิจัยข้อมูลเพื่อการขับเคลื่อนงานมนุษยศาสตร์ดิจิทัล ถือเป็นความท้าทายทางความคิด บนความเป็นจริงทางดิจิทัลที่เราไม่ได้อยู่เพียงลำพัง

 

 

วิธีการและค่าความนิยม

หัวข้อต่อไปนี้เป็นเพียงตัวอย่างบางส่วน ที่ผู้เขียนได้นำมานำเสนอ เพื่อนำส่วนที่น่าสนใจในมุมมองผู้แต่ง Digital Humanities: The Expanded Field 

• การวิเคราะห์ทางวัฒนธรรม การรวมกลุ่ม และการทําเหมืองข้อมูล
• การแสดงภาพและการออกแบบข้อมูล
• การตรวจสอบตําแหน่งและการทําแผนที่หนา
• คลังภาพเคลื่อนไหว
• การผลิตความรู้แบบกระจายและการเข้าถึงการปฏิบัติงาน
• เกมมนุษยศาสตร์
• การศึกษาโค้ด ซอฟต์แวร์ และแพลตฟอร์ม
• สารคดีฐานข้อมูล
• เนื้อหาที่นํากลับมาใช้ใหม่ได้และวัฒนธรรมการรีมิกซ์
• โครงสร้างพื้นฐาน

การศึกษา Topic model ทางสถิติและการประมวลผลภาษาธรรมชาติแบบจําลองหัวข้อเป็นแบบจําลองทางสถิติประเภทหนึ่งสําหรับการค้นพบ "หัวข้อ" ที่เป็นนามธรรมที่เกิดขึ้นในชุดของเอกสาร การสร้างแบบจําลองหัวข้อเป็นเครื่องมือขุดข้อความที่ใช้บ่อยสําหรับการค้นพบโครงสร้างความหมายที่ซ่อนอยู่ในเนื้อหาข้อความ โดยสัญชาตญาณ

 

 

เหตุใดการสร้างโมเดลพื้นฐานจึงมีความสำคัญ Digital_humanities

โมเดลพื้นฐานมีแนวโน้มที่จะเปลี่ยนแปลงวงจรแมชชีนเลิร์นนิงอย่างมีนัยสำคัญ แม้ว่าในปัจจุบันการพัฒนาโมเดลพื้นฐานตั้งแต่เริ่มต้นจะมีค่าใช้จ่ายหลายล้านดอลลาร์ แต่ก็ถือว่ามีประโยชน์ในระยะยาว นักวิทยาศาสตร์ข้อมูลจะใช้ FM ที่ได้รับการฝึกฝนล่วงหน้าเพื่อพัฒนาแอปพลิเคชัน ML ใหม่ได้เร็วและถูกกว่า แทนที่จะฝึกโมเดล ML ที่เป็นเอกลักษณ์ตั้งแต่ต้นจนจบ

การใช้งานที่เป็นไปได้ประการหนึ่งคือการทำให้งานและกระบวนการเป็นอัตโนมัติ โดยเฉพาะอย่างยิ่งงานที่ต้องใช้ความสามารถในการให้เหตุผล

ตัวอย่าง หัวข้อการพัฒนาระบบเพื่อใช้งานบางส่วน สำหรับโมเดลพื้นฐานมีดังนี้

• การสนับสนุนลูกค้า
• การแปลภาษา
• การสร้างเนื้อหา
• การเขียนคำโฆษณา
• การจัดหมวดหมู่รูปภาพ
• การสร้างและแก้ไขภาพที่มีความละเอียดสูง
• การดึงข้อมูลเอกสาร
• วิทยาการหุ่นยนต์
• การดูแลสุขภาพ
• ยานยนต์อัตโนมัติ

 

 

  

ภาพ ระบบสนับสนุนการขายด้วยการใช้ AI ช่วยเขียนเนื้อหาและรวบรวมกลุ่มเป้าหมาย

 

 

ภาพ ระบบจัดการคลินิค ผู้ป่วยและผู้สูงวัยนำ AI มาช่วยในการนำเสนอจัดการตารางกิจกรรมการเข้าพบแพทย์

 

---

 

โมเดลพื้นฐานมีการทำงานอย่างไร ?

อ่านเรื่องแมชชีนเลิร์นนิง | อ่านเกี่ยวกับ AI ช่วยสร้าง

โมเดลพื้นฐานเป็นรูปแบบหนึ่งของปัญญาประดิษฐ์ช่วยสร้าง (AI ช่วยสร้าง) พวกเขาสร้างเอาต์พุตจากอินพุตหนึ่งรายการขึ้นไป (พรอมต์) ในรูปแบบของคำสั่งภาษามนุษย์ โมเดลจะขึ้นอยู่กับนิวรัลเน็ตเวิร์กที่ซับซ้อน รวมถึง Generative Adversarial Network (GAN), Transformer และเครื่องเข้ารหัสแบบแปรผัน

แม้ว่าเครือข่ายแต่ละประเภทจะทำงานแตกต่างกัน แต่หลักการเบื้องหลังวิธีการทำงานก็คล้ายกันอยู่ โดยทั่วไปแล้ว FM จะใช้รูปแบบที่มีการเรียนรู้และความสัมพันธ์เพื่อทำนายรายการถัดไปในลำดับ ตัวอย่างเช่น ในการสร้างภาพ โมเดลจะวิเคราะห์รูปภาพและสร้างรูปภาพในเวอร์ชันที่คมชัดและชัดเจนยิ่งขึ้น ในทำนองเดียวกัน สำหรับข้อความ โมเดลจะคาดเดาคำถัดไปในสตริงข้อความโดยอิงตามคำก่อนหน้าและบริบทของคำนั้น จากนั้นเลือกคำถัดไปโดยใช้เทคนิคการแจกแจงความน่าจะเป็น

โมเดลพื้นฐานใช้การเรียนรู้แบบมีผู้ดูแลด้วยตนเองเพื่อสร้างป้ายกำกับจากข้อมูลอินพุต ซึ่งหมายความว่าจะไม่มีใครสอนหรือฝึกโมเดลด้วยชุดข้อมูลการฝึกแบบมีป้ายกำกับ คุณสมบัตินี้จะแยก LLM ออกจากสถาปัตยกรรม ML ก่อนหน้า ซึ่งใช้การเรียนรู้แบบมีผู้ดูแลหรือการเรียนรู้แบบไม่มีผู้ดูแล

สนใจนัดหมายผู้เชี่ยวชาญ สาธิตระบบ    |    มีคำถาม / ขอรายละเอียดขอมูลเพิ่มเติม