<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Nut Janekitiworapong on Medium]]></title>
        <description><![CDATA[Stories by Nut Janekitiworapong on Medium]]></description>
        <link>https://medium.com/@nutjane?source=rss-6d15a752376d------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*NVQvgUQEgM7JVEBZRdgubg.jpeg</url>
            <title>Stories by Nut Janekitiworapong on Medium</title>
            <link>https://medium.com/@nutjane?source=rss-6d15a752376d------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 12:00:19 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@nutjane/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[ChatGPT/LLM/GenerativeAI คืออะไร มายังไง แล้วไปไงต่อ (ฉบับอ่านง่าย)]]></title>
            <link>https://medium.com/nutjane/chatgpt-llm-generativeai-%E0%B8%84%E0%B8%B7%E0%B8%AD%E0%B8%AD%E0%B8%B0%E0%B9%84%E0%B8%A3-%E0%B8%A1%E0%B8%B2%E0%B8%A2%E0%B8%B1%E0%B8%87%E0%B9%84%E0%B8%87-%E0%B9%81%E0%B8%A5%E0%B9%89%E0%B8%A7%E0%B9%84%E0%B8%9B-%E0%B9%84%E0%B8%87%E0%B8%95%E0%B9%88%E0%B8%AD-%E0%B8%89%E0%B8%9A%E0%B8%B1%E0%B8%9A%E0%B8%AD%E0%B9%88%E0%B8%B2%E0%B8%99%E0%B8%87%E0%B9%88%E0%B8%B2%E0%B8%A2-16aff101a2c4?source=rss-6d15a752376d------2</link>
            <guid isPermaLink="false">https://medium.com/p/16aff101a2c4</guid>
            <category><![CDATA[chatgpt]]></category>
            <category><![CDATA[large-language-models]]></category>
            <category><![CDATA[gemini]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Nut Janekitiworapong]]></dc:creator>
            <pubDate>Mon, 03 Jun 2024 07:13:22 GMT</pubDate>
            <atom:updated>2024-06-03T19:02:13.629Z</atom:updated>
            <content:encoded><![CDATA[<p>ทำความรู้จัก LLM หรือที่เราชอบเรียกกันแบบงงๆ ว่า ChatGPT</p><p><em>Disclaimer: Opinions are my own and not the views of my employer (and they don’t know it yet.)</em></p><h3>ทำความเข้าใจพื้นฐานกันก่อน</h3><p>ก่อนจะเริ่มพูดถึง ChatGPT ขอแนะนำให้รู้จักคำว่า LLM (อ่านทีละตัวอักษรว่า แอล แอล เอ็ม ไม่ต้องพยายามออกเสียงเป็นพยางค์เดียว) มาจากคำว่า Large Language Model แปลเป็นไทยว่า “โมเดลภาษาขนาดใหญ่” — ซึ่ง Model นี้หมายถึง Machine Learning Model ถ้าไม่เข้าใจว่า “โมเดล” คืออะไร ให้นึกภาพเป็นเหมือนโปรแกรมคอมพิวเตอร์ประเภทหนึ่ง ซึ่งสร้างด้วยการใช้ข้อมูลจำนวนมาก เพื่อให้โปรแกรมเรียนรู้ (Learning) ว่าถ้าเจอข้อมูลแบบนี้ (Input) ควรจะให้คำตอบหรือผลลัพท์ (Output) ว่าอะไร</p><p><strong>เขียนโปรแกรมแต่ใช้ข้อมูลคืออะไร?</strong> — ปกติแล้วเวลาเรานึกถึงการเขียนโปรแกรม เราก็จะนึกถึงเขียนโค้ดเพื่อสร้าง Website หรือสร้าง App สมมุติว่าเราสร้างแอปเครื่องคิดเลข เราก็จะเขียนโค้ดเพื่อ “กำหนดคำสั่งหรือวิธีการไว้แล้ว” (defined instructions) ว่าถ้า 1+1 จะได้ 2 ถ้ากดปุ่มคูณให้เอาเลขมาคูณกัน ฯลฯ แต่การสร้าง Machine Learning Model เราไม่ได้กำหนดคำสั่งไว้ตายตัว เราให้มันเดาคำตอบจากข้อมูลที่เราให้</p><p>พออ่านถึงตรงนี้อาจมีคำว่า AI (Artificial Intelligence) เข้ามาในหัว ขอไม่อธิบายยาวๆ แต่ขอพูดง่ายๆ ว่า Machine Learning เป็นส่วนหนึ่งของ AI แล้ว Generative AI หละ? Generative AI ก็คือประเภทหนึ่งของ AI ที่เน้นการสร้าง (generate) content (เช่น ข้อความ รูป เสียง วิดิโอ)</p><p><strong>โมเดลมันเดาคำตอบได้ยังไง?</strong> — Machine Learning Model เดาคำตอบจากความน่าจะเป็น (Probability)โดยเรียนรู้จาก Pattern ของข้อมูลที่เราบอกมันไว้ก่อนหน้า (Training data) สมมุติว่าเรามีรูปภาพส้ม 100 รูป กับรูปภาพแตงโม 100 รูป แล้วให้โมเดลเรียนรู้ว่าแบบนี้คือส้มนะ แบบนี้คือแตงโมนะ ทีนี้เราให้รูปส้มไป โมเดลก็จะ ‘เดา’ ได้ว่ารูปนี้มีโอกาสเป็นส้มมากกว่าเป็นแตงโ​ม (สำคัญว่ามัน ‘เดา’ เพราะฉะนั้นมันมีโอกาสผิด) แต่ถ้าเราให้รูปหมาไป มันก็จะงง เพราะข้อมูลที่เราใช้สอน (Train) นั้นไม่มีรูปหมา</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/591/1*gKAz09L1E_EsQQKJx5vOhg.png" /><figcaption>ถ้าให้รูปแตงโม 3 รูป โมเดลอาจจะให้คำตอบเป็นเสียงได้</figcaption></figure><p><strong>ทำไมไม่กำหนดคำสั่งหรือวิธีการไปเลยเหมือนโปรแกรมเครื่องคิดเลข ทำไมต้องทำอะไรยากๆ? </strong>— เพราะว่าเราไม่สามารถกำหนดคำสั่งหรือวิธีการของทุกอย่างได้ (หรือเรากำหนดไว้ได้ แต่มันไม่แม่น) ลองนึกในหัวว่า ถ้าเราจะแยกดอกกุหลาบ 20 สายพันธุ์ให้แตกต่างกัน เราจะเขียนลงกระดาษว่าอย่างไรได้บ้าง เป็นข้อๆ นึกไปนึกมาจะพบว่าให้เขียนเป็นหน้าเราก็ยังเขียนไม่หมด เพราะรายละเอียดมันเยอะมาก สรุปได้ว่าวิธีแก้ปัญหาด้วย Machine Learning Model (ML Model) จำเป็นมาก เมื่อโจทย์หรือคำตอบที่ต้องการเริ่มซับซ้อนจนเรากำหนดไว้ทั้งหมดไม่ได้</p><p>ความท้าทายของ ML Model อยู่ที่ความแม่น แม่นไม่แม่นขึ้นกับข้อมูลที่เราให้ว่าข้อมูลเยอะแค่ไหน เพราะยิ่งเห็นรูปส้มที่แตกต่างกันเยอะๆ ก็ยิ่งแยกได้ง่ายว่านี่คือส้ม เยอะอย่างเดียวไม่พอ ข้อมูลต้องมีคุณภาพด้วย เช่น สมมุติเราให้รูปแตงโมแล้วบอกไปผิดๆ ว่านี่คือส้ม มันก็จะสับสน</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/500/0*zFL7Z7OLAjWNlKas.jpeg" /><figcaption>more examples at “<a href="https://www.google.com/search?q=how+to+confuse+machine+learning&amp;tbm=isch">how to confuse machine learning</a>”</figcaption></figure><h3>วกกลับมาที่ LLM — LLM ทำงานอย่างไร?</h3><p>ถ้าจะพูดแบบเข้าใจง่ายที่สุดคือ LLM ใช้วิธีการ<strong> “เดาคำถัดไป” จากคำตอบในปัจจุบัน</strong> นึกภาพง่ายๆ เหมือน Auto Completion ที่คีย์บอร์ดของโทรศัพท์ ที่มันเดาคำต่อไปเรื่อยๆ แต่ LLM มันเดาได้ดูฉลาดมากๆ (ย้ำว่าดูฉลาด) เพราะว่ามันเรียนรู้จากข้อมูลขนาดใหญ่มากๆ จนมันจับ pattern ได้ว่าคำต่อไปคือคำว่าอะไร จนทำให้ประโยคดูสวยงามเป็นธรรมชาติเหมือนเป็นประโยคที่มาจากคนเขียน ซึ่งก็แน่ เพราะมันเรียนรู้จากประโยคหรือข้อความที่คนเขียนจริงๆ</p><p><strong>How to เดา?</strong> —<strong> เฉลย: LLM ค่อยๆ เดาทีละ Token </strong>(อธิบายอย่างง่ายว่า token หมายถึง ‘คำ’ ที่รวมไปถึงเครื่องหมายต่างๆ บางทีคำยาวๆ มันก็ตัดเป็นหลายๆ token) โดย<em>ส่วนใหญ่</em>แล้ว LLM Model จะเอาข้อความ input ของเราเข้าไปคำนวณหาว่า token ต่อไปที่ดู make sense มากที่สุดคือ token ไหน โดยคำนวณความน่าจะเป็นจาก Token ทั้งหมดที่มี แล้วจะเรียงและเลือกเอา token ที่ค่าความน่าจะเป็นมากที่สุดมาต่อท้าย แล้ววนต่อ model ไปเรื่อยๆ จนว่าจะเจอ token ที่สั่งให้หยุด หรือโดน Limit ไว้ตอนเราใช้งานว่าให้ตอบมาแค่ 100 tokens (ถ้าเราไม่กำหนดความยาวและมันยังไม่เจอ token ที่สั่งให้หยุด มันก็จะไม่หยุดเลย)</p><p>(Note: บางที่ บางโมเดล ไม่ใช้ว่า Token และใช้ Token ในความหมายอื่น)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*yxFywb2k1H72LxotnweGGw.png" /><figcaption>เกือบได้กินชายสี่หมี่หยกแล้ว</figcaption></figure><p>ย่อหน้าก่อนใช้คำว่าส่วนใหญ่ เพราะจริงๆ แล้วมีหลายเทคนิคในการเลือก token ถัดไป มี 2–3 คำที่สำคัญคือคำว่า Temperature, Top_p, Top_k และคำอธิบายข้างบนนี้ลดทอนส่วน Technical ไปเยอะมาก แต่ขอละไว้เพื่อไม่ให้งงไปมากกว่านี้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/976/1*qWSfWVcQJ4Y_ZuWywZoXZw.png" /><figcaption>Max token = 10 แปลว่าให้โมเดลตอบได้แค่ 10 tokens ปรากฏว่าพูดไม่รู้เรื่องเลย</figcaption></figure><h3>LLM คือนักเดาที่ฉลาดเพราะเห็นมามาก</h3><p>ถ้าได้ลองใช้มาบ้างแล้วจะเห็นว่า LLM มันดูฉลาด สาเหตุที่ดูฉลาดเพราะมันเห็นข้อมูลมามาก สำคัญว่า <strong>LLM เห็น แต่ไม่เข้าใจความหมายทั้งหมด </strong>LLM รู้ว่าแต่ละคำมีความสัมพันธ์กันอย่างไรเพราะรู้ patterns ของข้อความที่เห็น รู้ว่าควรเอาคำว่าอะไรมาต่อ แต่มันไม่เข้าใจว่าทั้งหมดแล้วหมายถึงอะไร เหมือนที่เราท่องบดสวดมนต์ได้แต่ไม่รู้ว่าแปลว่าอะไร (เช่น มะยัง แล้วต้อง ภันเต)</p><p>ส่วนนี้ยังเป็นที่ถกเถียงกันในเชิงปรัชญาว่า คำว่า understanding และ knowledge ที่จริงแล้วหมายถึงอะไร การรู้ patterns ของข้อความนั้นถือว่ามี understanding แล้วหรือไม่ ส่วนในทาง Computer Science ก็กำลังหาวิธี integrate ข้อมูลอื่นๆ เข้าไปในโมเดลเช่นกันเพื่อให้มันฉลาดขึ้น (เหมือนที่ ChatGPT บอกข้างล่างนี้)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/796/1*oKbk2E8PPXexF9hz5xK_PA.png" /><figcaption>ถาม ChatGPT ว่ารู้ไหม ChatGPT บอกว่าไม่รู้ ไม่รู้ ไม่รู้</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*QMbrM_vJnTnw3CO8IqwERA.png" /><figcaption>Gemini Flash ก็บอกว่าไม่รู้ ไม่รู้ ไม่รู้</figcaption></figure><p><strong>ที่บอกว่าโมเดลขนาดใหญ่ ใหญ่แค่ไหน?</strong> — คนชอบพูดถึงขนาดของโมเดล LLM ด้วยเลข Parameters GPT-4 ลือว่ามี 1.7 trillion (ล้านล้าน) parameters แต่เลขนี้คืออะไรกันนะ</p><p>เลข Parameters คือเลขภายในโมเดล เลขนี้อธิบายแบบง่ายคือเป็นเลขที่ใช้อธิบายความสามารถในการประมวลผล (ไม่ใช่เลขของจำนวนข้อมูลที่ใช้เทรน) นึกภาพง่ายๆ ว่าโมเดลนี้เหมือนบ้านหลังหนึ่ง ถ้ามี parameters เยอะ บ้านหลังนี้ก็จะมีฟังก์ชันในการใช้งานเยอะขึ้น เช่น มีสวน เลี้ยงหมาได้ สร้างสระว่ายน้ำได้ ฯลฯ ข้อดีคือยิ่งโมเดลที่มี Parameters เยอะ ก็จะสามารถทำอะไรได้มากขึ้น (ความสามารถมากขึ้น) ข้อเสียคือมันใช้ทรัพยากรในการสร้างเยอะ บ้านหลังใหญ่มีหลายห้อง หลายชั้น ก็ใช้เวลาสร้างนาน ใช้วัสดุเยอะ ใช้เงินเยอะ เหมือนกันกับโมเดล ก็ต้องใช้ส่วนประมวลผลที่จะมาสร้างเยอะขึ้น ใช้ไฟเยอะขึ้น ฯลฯ เรื่องที่น่าสนใจคือบ้านหลังใหญ่ไม่ได้ดีเสมอไป เพราะบางทีเราแค่อยากได้บ้านตากอากาศริมทะเล ที่ใช้แค่พักผ่อน เพราะฉะนั้นโมเดลที่ parameters น้อยกว่าอาจจะดีกว่าใน usecase ที่เราต้องการ</p><p><strong>แล้วเลขจำนวนข้อมูลที่ใช้เทรนหละ</strong> — ส่วนใหญ่แล้วตอนนี้ใช้ข้อมูลระดับ TB (1 TB = 1,000 GB) เข้าใจว่าข้อมูลนี้ไม่เปิดเผยกัน เพราะเป็นความลับกันว่าข้อมูลมาจากไหนและเยอะแค่ไหน ถ้าเสิชหาจะมีคนลือว่า GPT-3 ใช้ข้อมูล 45TB ในการเทรน โดยส่วนมากแล้วโมเดลพวกนี้จะใช้ข้อมูลจาก Open Web (<a href="https://commoncrawl.org/">Common Crawl)</a> Wikipedia และหนังสือต่างๆ</p><h3>ถ้า ChatGPT คือ LLM ซึ่งเป็นนักเดา แล้ว ChatGPT รู้ได้ไงว่าวันนี้วันอะไร?</h3><p><strong>เฉลย มันไม่รู้ </strong>(หรือมันอาจแค่เดาถูก) เพราะในทางทฤษฏี​ LLM มันเดา token ต่อไป มันต้องไม่รู้ว่าวันนี้วันอะไร ซึ่งรวมไปถึงความสามารถในการคิดเลข มันต้องคิดเลขไม่ได้</p><p>ส่วนนี้เป็นหนึ่งในปัญหาของการอธิบายให้คนเข้าใจว่าเทคโนโลยีนี้คืออะไร สิ่งที่ควรรู้คือ ChatGPT ที่ใช้ผ่าน <a href="https://chatgpt.com/">https://chatgpt.com</a> หรือ Gemini ที่ใช้ผ่าน <a href="https://gemini.google.com/">https://gemini.google.com</a> นั้นไม่ใช่การใช้งานผ่าน LLM แบบเพียวๆ แต่มันถูกห่อไว้อีกชั้นหนึ่งด้วยอะไรสักอย่าง เพื่อให้ผลลัพท์ดีขึ้น</p><p>ลองดูตัวอย่างเทียบข้างล่างนี้ เป็นการทดลองระหว่างใช้ LLM Model แบบเพียวๆ กับใช้ผ่าน application จะเห็นว่า Application ดูจะตอบได้ดีกว่าเพราะมีอะไรสักอย่างมาช่วย (ไม่ใช่เพราะโมเดลมี parameters เยอะกว่า)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*7FtG_VOuxgkga8YZyJYUmA.png" /><figcaption>วันนี้วันอะไรนะ gpt3.5</figcaption></figure><p>สิ่งที่ห่อไว้หรือครอบไว้ให้คิดง่ายๆ เหมือนสกิน อันนี้เป็นความท้าทายของแต่ละเจ้าว่าจะทำอะไรมาห่อหรือครอบไว้บ้าง ถ้าดูที่ชั้น “some programs” จากรูปข้างล่างจะเห็นว่าชั้นนี้ทำอะไรหลายอย่างมากกับคำถามของเรา (input) และคำตอบจากโมเดล (output) สังเกตที่สีแดง จากที่คิดว่าเราถามโมเดลว่า “วันนี้วันอะไร” กลายเป็นว่ามีชั้นก่อนหน้ามาแอบเติมคำถามของเรา ทำให้โมเดลเห็นข้อความยาวๆ “วันนี้วันที่ 2 มิถุนายน 2567 ตอบสั้นๆ อย่าเวิ่นเว้อ วันนี้วันอะไร” เทคนิคนี้ใช้กันทั่วไปและเรียกว่า preambles (เวลาที่เราคุยกับ ChatGPT แล้วมันรู้ว่าคำถามก่อนหน้าคืออะไร ก็ใช้วิธีนี้แหละ)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Gmq9QdcgpSu4tzTbUu6Rfg.png" /></figure><p>ลองพิสูจน์ดู</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/308/1*Dl8aiVqcuUUtXZRTKydwzw.png" /><figcaption>มันรู้แล้ว!</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*XOJXAXWegS5GR7wY2ZPebQ.png" /><figcaption>Multi-turn ทำท่านี้</figcaption></figure><h3>สิ่งที่ต้องระวัง = อย่าเชื่อ</h3><p>อย่าลืมว่า LLM เกิดมาเพื่อเดาคำต่อไป เพราะฉะนั้นมันมีโอกาสสูงมากๆๆๆๆ ที่จะให้คำตอบเนียนๆ ที่เหมือนจะดูจริงแต่ไม่เป็นความจริง มีตัวอย่างให้เห็นมากจากสื่อในช่วงเวลาที่ผ่านมา ถ้ามันเจออะไรที่มันเริ่มงง เริ่มสับสน จะเกิดอาการหลอน (<a href="https://www.ibm.com/topics/ai-hallucinations">Hallucination</a>) (note: เขาใช้คำนี้จริงๆ)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/957/1*eOyXcAB6jnu7hTXeWaawJw.png" /><figcaption>ห้ามเดาว่ามาจาก Product อะไร</figcaption></figure><p>อีกเรื่องที่ต้องระมัดระวังคือเรื่อง Safety กับ Fairness &amp; Bias เพราะมันอ่านอะไรมา มันก็มีโอกาสสูงที่จะออกมาในแนวนั้น เช่น ถ้าโมเดลนี้ถูกเทรนด้วยข้อมูลเกี่ยวกับคนตะวันตก แต่ไม่มีข้อมูลของคนเอเชียเลย โมเดลนี้ก็จะไม่มีทางให้คำตอบที่เกียวกับคนเอเชีย เพราะมันไม่เคยเห็นมาก่อน (มันอาจจะ Hallucinate เป็นเอเชียได้)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/599/1*Jidi2tdxu2_3mRUF5Gldhg.png" /><figcaption>เจ้าหน้าที่คือใครก่อน</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/930/1*ks0_Bfjj0ODWWuXWMTcL_Q.png" /><figcaption>ไปกันใหญ่</figcaption></figure><h3>สิ่งที่ควรใช้ = งานเขียน งานสร้างสรรค์</h3><p>LLM มีตัวอย่างการใช้งานที่ดีในด้านการเขียน การสรุป หรืองานเชิงสร้างสรรค์ที่ไม่เน้นความถูกต้อง อันนี้ใช้ได้เลย มีประโยชน์มาก</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/416/1*R705QJvLwUIUplcPKK-3XQ.png" /><figcaption>เพลง เพชรเกษมน้ำจิ้มเด็ด โดยศิลปิน Gemini 1.5 Flash</figcaption></figure><h3>ไป ไงต่อ แล้วใช้อะไรดี?</h3><p>การแข่งขันของบริษัทต่างๆ ยังคงดุเดือด ในฐานะคนใช้งานก็ลุ้นให้มี usecase ที่เหมาะๆ กับ LLM มุมมองส่วนตัวคิดว่า LLM as a chatbot อย่างเช่น ChatGPT หรือ gemini.google.com นี้ยังไม่ใช่คำตอบของการใช้ LLM แต่คงต้องดูกันไปยาวๆ ในมุมบริษัท แน่นอนว่าต้องรีบพัฒนาโมเดล และพัฒนาตัวครอบไปพร้อมๆ กัน เพราะคนใช้งานคาดหวังให้ LLM ฉลาดและถูกต้อง</p><p>ตอนนี้มีหลายเจ้าให้เลือกใช้ เลือกใช้ได้ตามชอบใจ</p><ul><li><a href="https://gemini.google.com/">https://gemini.google.com/</a></li><li><a href="https://chatgpt.com/">https://chatgpt.com/</a></li><li><a href="https://www.perplexity.ai/">https://www.perplexity.ai/</a></li><li><a href="https://claude.ai/">https://claude.ai/</a></li></ul><p>ถ้าชอบแบบโมเดลเพียวๆ ขอแนะนำ <a href="https://aistudio.google.com/">https://aistudio.google.com/</a> เพราะฟรีแบบมี*</p><p>ตอนหน้าจะมาเล่าถึงวิธีใช้งานในเคสต่างๆ อยากเล่าถึงการเทรนโมเดลว่าเทรนยังไง เทรนแบบไหนได้บ้าง และเล่าถึงการทำงานของ LLM นอกเหนือจากข้อความ ก็คือพวกรูป คลิป เสียง มาดูกันว่า LLM พูดได้จริงหรือเปล่า <strong>หรือเราโดนเขาหลอก</strong></p><p>ของแถม สรุปบทความนี้โดย Gemini.google.com รุ่นฟรี</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/772/1*MbDgTT9R01OkqLIDYYwJsg.png" /></figure><p>อ่านเต็มๆ ที่ <a href="https://g.co/gemini/share/59895d9c3fc4">https://g.co/gemini/share/59895d9c3fc4</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=16aff101a2c4" width="1" height="1" alt=""><hr><p><a href="https://medium.com/nutjane/chatgpt-llm-generativeai-%E0%B8%84%E0%B8%B7%E0%B8%AD%E0%B8%AD%E0%B8%B0%E0%B9%84%E0%B8%A3-%E0%B8%A1%E0%B8%B2%E0%B8%A2%E0%B8%B1%E0%B8%87%E0%B9%84%E0%B8%87-%E0%B9%81%E0%B8%A5%E0%B9%89%E0%B8%A7%E0%B9%84%E0%B8%9B-%E0%B9%84%E0%B8%87%E0%B8%95%E0%B9%88%E0%B8%AD-%E0%B8%89%E0%B8%9A%E0%B8%B1%E0%B8%9A%E0%B8%AD%E0%B9%88%E0%B8%B2%E0%B8%99%E0%B8%87%E0%B9%88%E0%B8%B2%E0%B8%A2-16aff101a2c4">ChatGPT/LLM/GenerativeAI คืออะไร มายังไง แล้วไปไงต่อ (ฉบับอ่านง่าย)</a> was originally published in <a href="https://medium.com/nutjane">Nut .</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[How to run Puppeteer with existing Chrome profile]]></title>
            <link>https://medium.com/nutjane/how-to-run-puppeteer-with-existing-chrome-profile-f42954bfc70c?source=rss-6d15a752376d------2</link>
            <guid isPermaLink="false">https://medium.com/p/f42954bfc70c</guid>
            <category><![CDATA[puppeteer]]></category>
            <category><![CDATA[automated-testing]]></category>
            <category><![CDATA[tech]]></category>
            <dc:creator><![CDATA[Nut Janekitiworapong]]></dc:creator>
            <pubDate>Tue, 21 Jul 2020 16:00:10 GMT</pubDate>
            <atom:updated>2020-07-21T16:00:10.588Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*ZAau49pBz6wdRqVW" /><figcaption>Photo by <a href="https://unsplash.com/@sandym10?utm_source=medium&amp;utm_medium=referral">Sandy Millar</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Oftentimes you need to run puppeteer (<a href="http://github.com/puppeteer/puppeteer">github.com/puppeteer/puppeteer</a>) by using your existing chrome profile. My use case is that I need to automate my Chrome browser by using my corp profile.</p><p>The good thing is puppeteer allows you to specify an id of <strong><em>webSocketDebuggerUrl</em></strong>.</p><p>What you need to do is (1) Start new chrome windows with remote-debugging flag so that you can get <em>webSocketDebuggerUrl.</em></p><p>For Linux, run this command:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/492dbe4b52c58a29332c9f7fbfb5af60/href">https://medium.com/media/492dbe4b52c58a29332c9f7fbfb5af60/href</a></iframe><p>For Mac, run this command:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/eb40b6fc8a7581efae53d00f6a5c9f2a/href">https://medium.com/media/eb40b6fc8a7581efae53d00f6a5c9f2a/href</a></iframe><p>You should get new Chrome window and some logs from Terminal.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jgO0VtkJxAspMFHqtuErLw.png" /></figure><p>(2) Then in your puppeteer js file, copy websocket url (ws) from Terminal and put in your js file. See example below:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/af2061002f66d5a5146cfdb394b353a2/href">https://medium.com/media/af2061002f66d5a5146cfdb394b353a2/href</a></iframe><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f42954bfc70c" width="1" height="1" alt=""><hr><p><a href="https://medium.com/nutjane/how-to-run-puppeteer-with-existing-chrome-profile-f42954bfc70c">How to run Puppeteer with existing Chrome profile</a> was originally published in <a href="https://medium.com/nutjane">Nut .</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[ค้นข้อมูลออกมาจาก Elasticsearch]]></title>
            <link>https://medium.com/nutjane/%E0%B8%84%E0%B9%89%E0%B8%99%E0%B8%82%E0%B9%89%E0%B8%AD%E0%B8%A1%E0%B8%B9%E0%B8%A5%E0%B8%AD%E0%B8%AD%E0%B8%81%E0%B8%A1%E0%B8%B2%E0%B8%88%E0%B8%B2%E0%B8%81-elasticsearch-dc77144a4e5a?source=rss-6d15a752376d------2</link>
            <guid isPermaLink="false">https://medium.com/p/dc77144a4e5a</guid>
            <category><![CDATA[elasticsearch]]></category>
            <dc:creator><![CDATA[Nut Janekitiworapong]]></dc:creator>
            <pubDate>Mon, 30 Jan 2017 14:39:50 GMT</pubDate>
            <atom:updated>2020-07-21T16:07:30.633Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*9E89NLHGK6xOKceA" /><figcaption>Photo by <a href="https://unsplash.com/@markusspiske?utm_source=medium&amp;utm_medium=referral">Markus Spiske</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>หลังจากที่รู้ไปแล้วว่า Elasticsearch คืออะไร ทำงานยังไง กำหนด Mapping (schema) ยังไง ทีนี้เรามาลอง retrieve (ค้นคืน) ข้อมูลที่เราใส่เข้าไปออกมาดีกว่า</p><p>ก่อนอื่นมารู้จักการทำงานของการ search ใน Elasticsearch กันก่อน</p><p>เมื่อเราพิมพ์ keyword อะไรลงไปก็ตามตอนที่จะค้นเนี้ย Elasticsearch มันก็จะไปทำโน่นนี่ [เช่น ตัดคำ เอาคำที่ไม่สำคัญออก (stopwords) ทำ stemming ทำ lemmatization] แล้วก็เอาไปคำนวนหาค่าความเหมือน (similarity score) ระหว่าง keyword ที่เราเพิ่งพิมพ์ไป กับ Document (row) ทั้งหมดที่มี โดยค่าที่ได้ก็จะเป็นคะแนน (score) แล้วก็จะเอามาทำ Ranking เรียงจากเหมือนสุด (คะแนนสูงสุดลงไปเรื่อยๆ)</p><blockquote>แปะไว้ว่าถ้าใครสนใจว่า มันคิดคะแนนความเหมือนยังไงละก็ มันใช้วิธีดู TF/IDF แบบ <a href="https://en.wikipedia.org/wiki/Okapi_BM25">BM25</a> คล้ายๆกับที่เราทำ similarity measure ในวิชา Information Retrieval</blockquote><p>ก่อนจะเริ่มค้น มาลองทำควาเข้าใจกันอีกนิด</p><h3>Query หลักๆ มี 2 ประเภท</h3><p><strong>FULLTEXT Query</strong> คือ ค้นหา ‘ข้อความ’ แบบเป็นคำ เป็นประโยค เป็นอะไรก็ได้ แต่ค้นหาข้อความ เช่นอย่างที่ยกตัวอย่างไปคือ ค้นหาเมนูที่มีคำวามพาสต้า</p><p><strong>TERM Level Quer</strong>y คือค้นหาพวกอะไรที่เป๊ะๆ (exact value) มักจะใช้ค้นหาพวกจำนวน ตัวเลขต่างๆ เช่น หาเมนูที่มีราคา 20 บาท หารายการออเดอร์ของวันที่ 1 มกราคม เป็นต้น สังเกตว่ามันจะเป็นค่าเป๊ะๆ คือไม่ต้องเอามาโพรเสสอะไรก่อนที่จะไปค้นหา</p><h3>ค้นหาได้หลักๆ 2 วิธี</h3><p>ใน Elasticsearch นั้นเราค้นหากันได้หลักๆ 2 วิธี คือ Query String กับ Query SDL</p><h3><strong>Query String</strong></h3><p>คือค้นกันง่ายๆ ผ่าน URL ตรงๆเลย เราจะใช้ <strong>_search</strong> แล้วก็ใส่ parameter ข้างหลังเอา เช่น จะค้นหาเมนูที่มีคำว่าพาสต้าอยู่ ก็แค่ใช้</p><pre><a href="http://localhost.com:9200/restaurant/menu/_search?q=pasta">http://localhost.com:9200/restaurant/menu/_search?q=pasta</a></pre><p>ทีนี้ถ้าอยากจะหาจาก Field (column) ชื่อเท่านั้นหละ ก็ใช้</p><pre><a href="http://localhost.com:9200/restaurant/menu/_search?q=pasta">http://localhost.com:9200/restaurant/menu/_search?q=name:pasta</a></pre><p>ข้อแตกต่างของ 2 อันข้างบนคือ อันบนสุด (ที่ไม่มี name:) จะให้ผลลัพธ์เป็นเมนูที่มีคำว่าพาสต้าอยู่ โดยคำว่าพาสต้านี้จะอยู่ใน field ไหนก็ได้ เช่น ถ้าเมนูข้าวมันไก่ แต่ทำโดยคุณนายพาสต้า มันก็จะนับเป็นผลลัพธ์ด้วย แต่ข้างล่างจะให้ผลลัพธ์เป็นเมนูที่มีคำว่าพาสต้าอยู่ด้วยเท่านั้น</p><h4>เพิ่มความซับซ้อนด้วยการใช้ AND OR + — (Boolean op.)</h4><p>เราสามารถเพิ่มความซับซ้อนเข้าไปได้ เช่น อยากให้ได้เมนู ที่มี<strong>ชื่อ</strong> ที่ประกอบไปด้วยคำว่า พาสต้า <strong>และ</strong> กิมจิ (pasta AND kimchi) เราก็จะใช้</p><pre><a href="http://localhost.com:9200/restaurant/menu/_search?q=pasta">http://localhost.com:9200/restaurant/menu/_search?q=name:(past</a>a AND kimchi)</pre><p>ลองเพิ่มเงื่อนเขาเข้าไปอีก เช่น อยากได้เมนู ที่มี<strong>ชื่อ</strong> ที่ประกอบไปด้วยคำว่า พาสต้า <strong>หรือ </strong>กิมจิ ที่คนทำชื่อ เควิน (pasta OR kimchi) AND chef:kevin ก็จะได้เป็น</p><pre><a href="http://localhost.com:9200/restaurant/menu/_search?q=pasta">http://localhost.com:9200/restaurant/menu/_search?q=</a>name:(pasta OR kimchi) AND chef:kevin</pre><p>นอกจากนี้เรายังใช้เครื่องหมาย + — แทนการบอกว่าให้มี หรือไม่ให้มีได้ด้วย เช่น อยากได้เมนูที่มีชื่อที่ประกอบไปด้วยคำว่า ต้มยำ แต่ไม่เอาคำว่า น้ำข้น ก็จะใช้</p><pre><a href="http://localhost.com:9200/restaurant/menu/_search?q=pasta">http://localhost.com:9200/restaurant/menu/_search?q=</a>name:+ต้มยำ -น้ำข้น</pre><h3><strong>Query DSL</strong></h3><p>คือค้นหาโดยส่ง query ผ่าน request body ที่เป็น JSON ซึ่งมันจะทำให้เรากำหนดอะไรต่อมิอะไรได้มากกว่า ซับซ้อนได้มากกว่า ข้อดีอีกอย่างคือดูง่ายกว่า เห็นแล้วเข้าใจเลยว่าจะค้นอะไร (เพราะเราพิมพ์จัดรูปสวยงามหนะสิ) เช่นถ้าอยากจะค้นเมนูที่มีคำว่าพาสต้าอยู่ในชื่อ (name) ก็จะใช้</p><pre>GET <a href="http://localhost.com:9200/restaurant/menu/_search?q=pasta">http://localhost.com:9200/restaurant/menu/_search</a><br>{<br>   &quot;query&quot;: {<br>     &quot;match&quot;: {<br>      &quot;name&quot;: &quot;pasta&quot;        /* มันเป็น key-value pair */<br>     }<br>   }<br>}</pre><p>เพิ่มอีก ไม่เอา ไม่อยากจะค้นหาจากแค่ช่องเดียว อยากค้นหาจากทั้งชื่อเมนูและรายละเอียดของเมนูด้วย เราจะใช้</p><pre>GET <a href="http://localhost.com:9200/restaurant/menu/_search?q=pasta">http://localhost.com:9200/restaurant/menu/_search</a><br>{<br>   &quot;query&quot;: {<br>     &quot;multi_match&quot;: {<br>       &quot;query&quot;: &quot;pasta&quot;<br>       &quot;name&quot;: [&quot;name&quot;, &quot;description&quot;]        <br>     }<br>   }<br>}</pre><p>ถ้าอยากจะได้ที่มีทั้งหมดเลย แบบมีอะไรเอาออกมาให้หมด ก็ใช้ match_all แบบนี้</p><pre>GET <a href="http://localhost.com:9200/restaurant/menu/_search?q=pasta">http://localhost.com:9200/restaurant/menu/_search</a><br>{<br>   &quot;query&quot;: {<br>     &quot;match_all&quot;: {}<br>   }<br>}</pre><p>จำได้มั้ยที่อธิบายไว้ข้างบนว่า Query มี 2 ประเภท ที่เป็น FULLTEXT กับ Term Level (ถ้าจำไม่ได้ย้อนขึ้นไปเร็ว) ทีนี้ที่กล่าวมาทั้งหมดของ Query DSL เนี้ย เป็นแบบ FULLTEXT หมดเลย ต่อไปนี้จะลองค้นหาแบบ Term Level บ้าง</p><p>สมมุติว่าเรากำหนดไว้ว่าเรามีช่อง country ที่บอกว่าเมนูนี้เป็นอาหารประเทศไทย แล้วเรากำหนดไว้ว่าให้มันเป็น Term (ไม่ต้อง Analyze) ทีนี้อยากได้เมนูที่เป็นอาหารไทย เราจะได้ว่า</p><pre>GET <a href="http://localhost.com:9200/restaurant/menu/_search?q=pasta">http://localhost.com:9200/restaurant/menu/_search</a><br>{<br>   &quot;query&quot;: {<br>     &quot;term&quot;: {<br>       &quot;country&quot;: &quot;Thai&quot;<br>     }<br>   }<br>}</pre><p>ถ้าอยากได้อาหารไทยกับอาหารญี่ปุ่น (มากกว่า 1 Term) เราจะทำให้มันเป็นอาเรย์</p><pre>GET <a href="http://localhost.com:9200/restaurant/menu/_search?q=pasta">http://localhost.com:9200/restaurant/menu/_search</a><br>{<br>   &quot;query&quot;: {<br>     &quot;terms&quot;: {                           /* เติม s ด้วยจ้า */<br>       &quot;country&quot;: [&quot;Thai&quot;, &quot;Japanese&quot;]<br>     }<br>   }<br>}</pre><p>ลองค้นหาเป็น range บ้าง เช่น อยากได้เมนูราคา (price) ตั้งแต่ 30 ถึง 120 บาท ก็จะใช้</p><pre>GET <a href="http://localhost.com:9200/restaurant/menu/_search?q=pasta">http://localhost.com:9200/restaurant/menu/_search</a><br>{<br>   &quot;query&quot;: {<br>     &quot;range&quot;: {                           <br>       &quot;price&quot;: { <br>         &quot;gte&quot;: 30,   /* greater than or equal to */<br>         &quot;lte&quot;: 120   /* less than or equal to */<br>       }<br>     }<br>   }<br>}</pre><p>นอกจากนี้ก้ยังมีวิธีการค้นอีกมาก เช่น <a href="https://www.elastic.co/guide/en/elasticsearch/reference/current/query-dsl-exists-query.html">Exists Query</a> ที่จะเช็คว่า field ที่เรากำหนดนั้นมีค่าหรือไม่ ถ้ามีค่าก็ถือว่าผ่านไรงี้</p><p>ค้นหาแบบซับซ้อนมากๆ ด้วย Boolean Query ได้ โดยจะใช้พวกคำว่า</p><ul><li>“must” — ต้องมี</li><li>“filter” — ต้องมี แต่! ต่างกับ must ตรงที่ filter นั้นจะไม่เอาไปคิด score</li><li>“must_not” — ต้องไม่มี</li><li>“should” — มีก็ดี แต่ไม่มีก็ไม่เป็นไร (ถ้ามีก็จะได้คะแนนเยอะขึ้น)</li></ul><p>ลองดูจากตัวอย่างข้างล่างนี้เลย สมมุติว่าเราอยากได้เมนูที่มีชื่อที่มีคำว่าพาสต้า เป็นอาหารไทย ราคาต้องห้ามเกิน 500 บาทและห้ามต่ำกว่า 20 บาท และถ้าเป็นอาหารอิตาเลี่ยนและได้ tag ว่า delicious ด้วยก็ดี เราจะได้เป็น</p><pre>GET <a href="http://localhost.com:9200/restaurant/menu/_search?q=pasta">http://localhost.com:9200/restaurant/menu/_searc</a>h<br>{<br>  &quot;query&quot;: {<br>    &quot;bool&quot; : {            /* บอกว่าเป็น boolean query นะ */<br>      &quot;must&quot; : {          /* must คือต้องมี */<br>        &quot;match&quot; : { &quot;name&quot; : &quot;pasta&quot; }<br>      },<br>      &quot;filter&quot;: {         /* ต้องมีแต่ไม่เอาไปคิดคะแนน */<br>        &quot;term&quot; : { &quot;country&quot; : &quot;Thai&quot; }<br>      },<br>      &quot;must_not&quot; : {<br>        &quot;range&quot; : {       /* ต้องไม่อยู่ในช่วงราคานี้ */<br>          &quot;price&quot; : { &quot;gte&quot; : 500, &quot;lte&quot; : 20 }<br>        }<br>      },<br>      &quot;should&quot; : [        /* มีก็ดี ไม่มีก็ไม่เป็นไร */<br>        { &quot;term&quot; : { &quot;country&quot; : &quot;Italian&quot; } },<br>        { &quot;term&quot; : { &quot;tag&quot; : &quot;delicious&quot; } }<br>      ]<br>    }<br>  }, <br>  &quot;size&quot;: 2               /* รีเทิร์นมาแค่ 2 อันพอ */<br>}</pre><h3>ทำ Pagination</h3><p>เริ่มด้วยกำหนดขนาดที่เราจะให้มันรีเทิร์น (size) ว่าจะเอากี่ผลลัพท์ แล้วก็กำหนดว่า ที่ลิ้งค์นี้ (request นี้) จะให้มันเริ่มรีเทิร์นจากลำดับที่เท่าไหร่ (from)</p><p>สมมุติว่าค้นหาเมนูพาสต้า ให้รีเทิร์นออกมา 5 เมนู เริ่มจากผลลัพธ์ที่ 10 ก็จะเป็น</p><pre><a href="http://localhost.com:9200/restaurant/menu/_search?q=pasta">http://localhost.com:9200/restaurant/menu/_search?q=name:pasta</a>&amp;size=5&amp;from=10</pre><p>หรือแบบ DSL</p><pre>GET <a href="http://localhost.com:9200/restaurant/menu/_search?q=pasta">http://localhost.com:9200/restaurant/menu/_search</a><br>{<br>   &quot;query&quot;: {<br>     &quot;match&quot;: {<br>      &quot;name&quot;: &quot;pasta&quot;       <br>     }<br>   },<br>   &quot;size&quot;: 5,<br>   &quot;from&quot;: 10<br>}</pre><h3>Sort เรียงมาเรียงลำดับ(ผลลัพธ์)</h3><p>เราใช้คำสั่ง sort ในการเรียง สมุติให้เรียงตามราคาจากแพงไปถูก (มากไปน้อย) ใช้ค่าเป็น desc (descending) ถ้าเรียงจากน้อยไปมาก จะใช้ asc</p><p>ยกตัวอย่างเช่นเรียงราคา</p><pre>GET <a href="http://localhost.com:9200/restaurant/menu/_search?q=pasta">http://localhost.com:9200/restaurant/menu/_search</a><br>{<br>   &quot;query&quot;: {<br>     &quot;match&quot;: {<br>      &quot;name&quot;: &quot;pasta&quot;       <br>     }<br>   },<br>   &quot;sort&quot;: [ <br>     {<br>        &quot;price&quot;: {<br>           &quot;order&quot;: &quot;desc&quot;    /* descending */<br>        }<br>      }<br>   ]<br><br>}</pre><h3>แถม ค้นด้วย ID</h3><p>อันนี้ง่ายสุด ก็ใช้ ID มันเข้าไปเรียกได้เลย ก็จะเป็น</p><pre>GET /ชื่อindex(database)/ชื่อType(table)/ID</pre><p>เช่น</p><pre>GET /restaurant/menu/1</pre><p>เย้</p><p>.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=dc77144a4e5a" width="1" height="1" alt=""><hr><p><a href="https://medium.com/nutjane/%E0%B8%84%E0%B9%89%E0%B8%99%E0%B8%82%E0%B9%89%E0%B8%AD%E0%B8%A1%E0%B8%B9%E0%B8%A5%E0%B8%AD%E0%B8%AD%E0%B8%81%E0%B8%A1%E0%B8%B2%E0%B8%88%E0%B8%B2%E0%B8%81-elasticsearch-dc77144a4e5a">ค้นข้อมูลออกมาจาก Elasticsearch</a> was originally published in <a href="https://medium.com/nutjane">Nut .</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Mapping และ Datatype ของ Elasticsearch]]></title>
            <link>https://medium.com/nutjane/mapping-%E0%B9%81%E0%B8%A5%E0%B8%B0-datatype-%E0%B8%82%E0%B8%AD%E0%B8%87-elasticsearch-d6bae89c15a0?source=rss-6d15a752376d------2</link>
            <guid isPermaLink="false">https://medium.com/p/d6bae89c15a0</guid>
            <category><![CDATA[elasticsearch]]></category>
            <category><![CDATA[tech]]></category>
            <dc:creator><![CDATA[Nut Janekitiworapong]]></dc:creator>
            <pubDate>Wed, 04 Jan 2017 12:04:04 GMT</pubDate>
            <atom:updated>2019-04-20T15:21:31.513Z</atom:updated>
            <content:encoded><![CDATA[<p>ไม่เสียเวลาพูดพร่ำทำเพลง ถ้าใครยังไม่รู้จัก Elasticsearch หละก็ มันเป็น Near realtime search engine ถ้าเอาแบบละเอียดๆ ก็ลองหาอ่านได้<a href="http://www.poolsawat.com/elasticsearch-%E0%B8%84%E0%B8%B7%E0%B8%AD%E0%B8%AD%E0%B8%B0%E0%B9%84%E0%B8%A3-%E0%B8%95%E0%B8%B4%E0%B8%94%E0%B8%95%E0%B8%B1%E0%B9%89%E0%B8%87%E0%B8%AD%E0%B8%A2%E0%B9%88%E0%B8%B2%E0%B8%87%E0%B9%84/">ที่นี่ </a>หรือ <a href="https://www.kanouivirach.com/2014/04/elasticsearch-%E0%B8%84%E0%B8%B7%E0%B8%AD%E0%B8%AD%E0%B8%B0%E0%B9%84%E0%B8%A3/">ที่นี่</a> หรือไม่ก็ไปที่ <a href="https://www.elastic.co/">https://www.elastic.co</a></p><p>ก่อนอื่นมารู้จักศัพท์บางคำของ Elasticsearch กันก่อน</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/412/1*hkD_-e-VUh69QqeBIXoDpA.png" /><figcaption>รูปภาพ - elastic.co</figcaption></figure><p><strong>Index</strong> ให้มองเป็น database นึง เช่น สมมุติเราจะทำฐานข้อมูลของร้านขายของ เราก็จะมี Index ที่ชื่อว่าร้านขายของ โดยในฐานข้อมูลนี้ ก็จะมีอีกหลาย Type</p><p><strong>Type</strong> คือให้มองเหมือน<strong>table</strong> ของ Relational Database เช่น Type ที่ชื่อ รายการสินค้า, Type ที่ชื่อรายชื่อลูกค้า เป็นต้น โดยในแต่ละ Type ประกอบด้วยชื่อกับ Mapping (= schema)</p><p><strong>Mapping</strong> คือการกำหนดว่าแต่ละ documents (และ fields) จะถูกจัดเก็บและทำ Index ยังไง มองเผินๆก็จะไป <strong>คล้ายกับ Schemas</strong> ของพวก Relational Database นั่นแหละ มันใช้กำหนดได้ว่าแต่ละ field จะเป็นลักษะข้อมูลแบบไหน จะทำ index มั้ย อะไรแบบนี้</p><p>โดยในแต่ละ Mapping จะเรียกว่า <strong>Type</strong> จะประกอบไปด้วย Field ต่างๆ แล้วแต่ข้อมูลของเรา อันนี้ถ้ามองเทียบกับพวก Relational Database ก็จะเหมือนกันเลย ก็คือแต่ละ Table ก็จะมี Field ต่างๆ นอกจากนี้ใน Mapping ยังมี Meta Field อีก ซึ่งจะไว้เก็บค่าคุณสมบัติเฉพาะ เช่น _id, _type, _uid, _index อันนี้เดี่ยวค่อยมาอธิบายกันอีกที</p><p><strong>Document</strong> คือเทียบได้กับ Row หรือ Tuple ใน Relational Database โดยจะเป็นค่าของคู่ key/value เช่น ชื่อสินค้า/ไก่ทอดบอนชอน โดยจะคล้ายๆกับ object ใน OOP</p><p>อะ สรุป เทียบ Relational Database กับ Elasticsearch</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/453/1*A3gan2SH9Fw5XnVP7JlgeQ.png" /></figure><h3>Mapping</h3><p>เราสามารถทำ Mapping ได้สองแบบหลักๆ นั่นก็คือ</p><h4>Dynamic Mapping</h4><p>คือ Elasticsearch จะสร้าง Mapping Typeใหม่ กับ Fieldใหม่ ให้เองเลย เราไม่ต้องกำหนดก่อนล่วงหน้า สมมุติเราใส่ข้อมูลลงไป มันจะคิดให้เองเลยว่าอันนี้มีอะไรบ้าง เป็นข้อมูลประเภทไหน (จะเป็น string, numeric ก็ว่าไป) และที่สำคัญ Elasticsearch จะคิดให้เองด้วยว่าข้อมูลนี่ควรทำ Index ที่ไหนอะไรยังไง</p><h4>Explicit Mapping</h4><p>อันนี้เรากำหนดเองเลย ว่าจะให้แต่ละ Mapping Type เป็นแบบไหน มีประโยชน์มากเวลาที่เรารู้แล้วข้อมูลของเราจะเป็นรูปแบบไหน (Specific data format) แล้วอีกอย่างคือบางทีข้อมูลซับซ้อนจน Elasticsearch อาจ Mapping ให้เราผิด ดังนั้นเราจึงกำหนดไปเองเลย ชัวร์กว่าแน่</p><h3>Data Type</h3><p>เจ้า Elasticsearch รองรับกับข้อมูลหลากหลายชนิดมาก เช่น</p><h4>String</h4><p>ก็เอาไว้เก็บสตริง โดยจะมี 2 ประเภทอีกทีนะ ก็คือ Full Text กับ Keywords</p><ul><li><strong>Full Text </strong>มักจะเอาไว้เก็บข้อมูลที่จะเอามาเสิร์ช (เช่น ถ้าเราต้องการค้นหาสินค้าด้วยชื่อ เราก็จะกำหนด Field นี้ให้เป็น Full Text) และข้อมูลที่เป็นประเภทนี้จะถูกเอาไปวิเคราะห์ผ่านตัว Analyzer มันก็จะเอาไปตัดคำ ทำโน้นนี่ของมัน โดยส่วนมากแล้วข้อมูลที่เป็น Full Text จะไม่เอามาทำ sorting หรือเอามาทำ Aggregation</li><li><strong>Keywords</strong> จะเป็นค่าที่เฉพาะแน่นอน (exact value) เช่นพวก tags, status, email, gender ค่าแบบนี้จะไม่ถูกนำไปผ่าน Analyzer (จะถูกมองเป็น 1 term) มักจะเอามา filter เวลา search</li></ul><pre>PUT my_index<br>{<br>  &quot;mappings&quot;: {<br>    &quot;my_type&quot;: {<br>      &quot;properties&quot;: {<br>        &quot;full_name&quot;: { <br>          &quot;type&quot;:  &quot;string&quot;        /* อันนี้เป็น full text */<br>        },<br>        &quot;status&quot;: {<br>          &quot;type&quot;:  &quot;string&quot;,<br>          &quot;index&quot;: &quot;not_analyzed&quot;  /* อันนี้เป็น keyword */<br>        }<br>      }<br>    }<br>  }<br>}</pre><blockquote>ขอโน้ตไว้ตรงนี้ว่าถ้าใช้ Elasticsearch เวอร์ชัน 5.x แล้วเนี้ย จะไม่มี string แล้วนะ จะแยกไปเลยว่าจะเป็น text (full text) หรือว่า keyword เลย</blockquote><h4>Numeric</h4><p>ไว้เก็บพวกตัวเลข เช่น Integer, Float, Double</p><h4>Date</h4><p>ไว้เก็บวันที่ โดยเป็นได้ทั้งข้อความText (String) หรือจะเป็นตัวเลขแบบ Long (ที่นับเป็น Milisecondes ตั้งแต่ epoch) หรือจะเป็นตัวเลขจำนวนเต็มที่นับเป็นวินาทีตั้งแต่ epoch โดยค่าพื้นฐานจะเก็บเป็นตัวเลขแบบ Long</p><h4>Boolean</h4><p>เก็บค่า true หรือ false <br>Tips!: สามารถใช้คำหรือตัวเลขแทนความหมายได้นะ เช่น false, “false”, 0, “off”, “no”, “” (สตริงเปล่าๆ), 0.0 พวกนี้มีความหมายว่า FALSE หมดเลย ส่วนอะไรที่ไม่ใช่ false ก็จะถือว่าเป็น true</p><p>Elasticsearch ก็ยังสามารถเก็บ complex data type ได้ด้วย ยกตัวอย่างเช่น <strong>Object</strong> ที่เป็น JSON document เช่น</p><pre>{<br>  &quot;product&quot;: &quot;KFC&quot;,<br>  &quot;price&quot;: 20<br>}</pre><p><strong>Array </strong>เช่น [1,2] หรือจะ [“KFC”, “Bonchon”] แต่ต้องระวังนะ ถ้าเราจะเก็บเป็น Array of objects เช่น</p><pre>{ &quot;products&quot;: [ <br>   { &quot;name&quot;: &quot;Bonchon&quot;, &quot;price&quot;: 20 }, <br>   { &quot;name&quot;: &quot;KFC&quot;    , &quot;price&quot;: 99 }] }</pre><p>เจ้า Elasticsearch จะยุบมันจนกลายเป็น</p><pre>{ &quot;products.name&quot;: [&quot;Bonchon&quot;, &quot;KFC&quot;], &quot;products.price&quot;: [20, 99] }</pre><p>ทำให้ความสัมพันธ์ที่เรารู้ว่าบอนชอนราคา 20 บาทนั้นหายไปเลย ทางแก้คือเราต้องเก็บมันเป็น nested data type โดยเจ้า nested data type นี้ จะเก็บแต่ละ object แยกไปแต่ละ document เลย แล้วใช้ nested query เวลาเราจะเรียกมันขึ้นมา</p><p><strong>Geo-Point</strong> ไว้เก็บคู่ของ latitude กับ longitude,<strong>Geo-Shap</strong>e เป็นแบบรูปทรงต่างๆ มักใช้ในกรณีที่เราระบุเป็น Geo-point ไม่พอแล้ว, <strong>IPV4</strong> เก็บเลขไอพี</p><h3>Meta Field</h3><p>เป็นค่า Meta data ซึ่งก็คือคำอธิบายของแต่ละ document ซึ่งจะมีหลายประเภทด้วยกัน</p><h4>Identity Meta Field</h4><ul><li><strong>_index</strong> เก็บเพื่อบอกให้รู้ว่า document นี้อยู่ใน Index (database) ไหน</li><li><strong>_type</strong> เพื่อบอกให้รู้ว่า document นี้เป็น Type ไหน (อยู่ใน Table อะไร) ช่วยให้เราค้นหาด้วย Type เร็วขึ้น</li><li><strong>_id</strong> เพื่อระบุ ID ของ document</li></ul><h4>Document Source Meta Field</h4><ul><li><strong>_source</strong> เก็บค่าข้อมูลจริงที่ส่งเข้ามาตอนแรกเลย ก็คือเป็นข้อมูลที่ยังไม่ได้ผ่านการโพรเสสใดๆ โดย Elasticsearch โดยมันจะเก็บไว้ให้เผื่อที่เราอยากจะทำโน้นนี่ ซึ่งแน่นอนว่าช่องนี้จะไม่ถูกเอาไป index และค้นหาไม่ได้ คือเก็บไว้เฉยๆ เผื่อไว้ (เปลืองที่ด้วย ปิดได้นะ)</li><li><strong>_size</strong> ขนาดของช่อง _source หน่วยเป็น Bytes</li></ul><h4>Indexing Meta Field</h4><ul><li><strong>_all</strong> จะเอาค่าของทุก Field ใน document มาต่อกัน แล้วคั่นด้วยช่องว่าง ให้เป็นสตริงอันเดียว ประโยชน์คือเอาไว้เพื่อ search เท่านั้น (จะถูก analyze และ index แต่ไม่ถูกจัดเก็บไว้)</li><li><strong>_field_name</strong> เก็บ ‘ชื่อ’ ของ Field ใน document ที่มีค่า (ไม่ได้เป็น NULL) เช่นสมมุติ type คือ product ช่องนี้ก็จะเก็บคำว่า name, price อะไรต่างๆไว้ เอาไว้ใช้ตอนเราค้นหาว่าแบบมีproduct ไหนมั้ย ที่ไม่มีชื่อ ไม่มีราคา อะไรแบบนี้</li></ul><h4>Routing Meta Field</h4><ul><li><strong>_parent</strong> เอาไว้บอกความสัมพันธ์ parent-child ของแต่ละ document ดูแล้วคล้ายๆเหมือน foreign key ในพวก Relational Database</li><li><strong>_route</strong> เอาไว้กำหนด shard ของ document อันนี้ยังไม่เคยใช้เลย ยังไม่เคยรันกับโปรเจคใหญ่ๆ</li></ul><h4>Other Meta Field</h4><ul><li><strong>_meta</strong> เก็บอะไรก็ได้ที่เราต้องการ เป็น domain specific ของเราเอง​ ซึ่งเจ้า Elasticsearch จะไม่มากวนใจ</li></ul><p>มีประมานนี้ฮะ ที่จะจดไว้เรื่อง Mapping กับ Data type ไว้มีเจออะไรน่าสนใจจะมาเพิ่มเติมเนอะ</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d6bae89c15a0" width="1" height="1" alt=""><hr><p><a href="https://medium.com/nutjane/mapping-%E0%B9%81%E0%B8%A5%E0%B8%B0-datatype-%E0%B8%82%E0%B8%AD%E0%B8%87-elasticsearch-d6bae89c15a0">Mapping และ Datatype ของ Elasticsearch</a> was originally published in <a href="https://medium.com/nutjane">Nut .</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>