อภิธานศัพท์ของแมชชีนเลิร์นนิง: Generative AI

หน้านี้มีคำศัพท์เกี่ยวกับอภิธานศัพท์ของ Generative AI ดูคำศัพท์ทั้งหมดในอภิธานศัพท์ คลิกที่นี่

A

โมเดลแบบถดถอยอัตโนมัติ

#language
#image
#generativeAI

modelที่อนุมานการคาดการณ์โดยอิงตามการคาดการณ์ก่อนหน้านี้ของตนเอง ตัวอย่างเช่น โมเดลภาษาแบบถดถอยอัตโนมัติจะคาดการณ์โทเค็นถัดไปโดยอิงตามโทเค็นที่คาดการณ์ไว้ก่อนหน้านี้ โมเดลภาษาขนาดใหญ่ทั้งหมดที่ใช้ Transformer จะทำงานแบบถดถอยโดยอัตโนมัติ

ในทางตรงกันข้าม โมเดลรูปภาพแบบใช้ GAN มักจะไม่ใช้แบบถดถอยอัตโนมัติเนื่องจากโมเดลจะสร้างรูปภาพในการส่งไปข้างหน้าเพียงครั้งเดียวและไม่ทำซ้ำทีละขั้น อย่างไรก็ตาม โมเดลการสร้างรูปภาพบางรูปแบบจะถดถอยอัตโนมัติเนื่องจากโมเดลจะสร้างรูปภาพในขั้นตอน

C

การกระตุ้นให้แนวคิดของห่วงโซ่ความคิด

#language
#generativeAI

เทคนิคแบบพรอมต์วิศวกรรมที่สนับสนุนโมเดลภาษาขนาดใหญ่ (LLM) ในการอธิบายเหตุผลทีละขั้นตอน ตัวอย่างเช่น ลองพิจารณาข้อความต่อไปนี้ โดยเน้นที่ประโยคที่ 2

คนขับรถยนต์สามารถขับได้ถึงกี่แรงในระยะทาง 0 ถึง 60 ไมล์ต่อชั่วโมงใน 7 วินาที แสดงการคำนวณที่เกี่ยวข้องทั้งหมดในคำตอบ

การตอบสนองของ LLM น่าจะเป็นดังนี้

  • แสดงลำดับสูตรฟิสิกส์ โดยใส่ค่า 0, 60 และ 7 ไว้ในตำแหน่งที่เหมาะสม
  • อธิบายว่าเหตุใดตัวแปรเหล่านั้นจึงเลือกสูตรเหล่านั้น และความหมายของตัวแปรต่างๆ

การนำเสนอแนวคิดห่วงโซ่ความคิดจะบังคับให้ LLM ทำการคำนวณทั้งหมด ซึ่งอาจนำไปสู่คำตอบที่ถูกต้องยิ่งขึ้น นอกจากนี้ การแสดงข้อความแจ้งเกี่ยวกับห่วงโซ่ความคิดจะช่วยให้ผู้ใช้ตรวจสอบขั้นตอนของ LLM เพื่อพิจารณาว่าคำตอบเหมาะสมหรือไม่

D

ข้อความแจ้งโดยตรง

#language
#generativeAI

คำพ้องความหมายสำหรับ ข้อความแจ้งการตั้งค่าอุปกรณ์พร้อมใช้แบบรวมกลุ่ม

การกลั่น

#generativeAI

ขั้นตอนการลดขนาดmodel (หรือที่เรียกว่าmodel) ให้เหลือโมเดลที่เล็กลง (หรือที่เรียกว่าmodel) ซึ่งจำลองการคาดการณ์ของโมเดลต้นฉบับได้อย่างน่าเชื่อถือมากที่สุดเท่าที่จะเป็นไปได้ การกลั่นกรองมีประโยชน์เนื่องจากโมเดลที่เล็กกว่ามีข้อดีที่สำคัญ 2 ประการเหนือกว่าโมเดลขนาดใหญ่ (ครู) ดังนี้

  • เวลาในการอนุมานเร็วขึ้น
  • หน่วยความจำและการใช้พลังงานลดลง

แต่นักเรียนมักจะทำการคาดการณ์ได้ไม่ดีเท่ากับการคาดคะเนของครู

การคัดกรองจะฝึกโมเดลของนักเรียนเพื่อลดฟังก์ชันการสูญเสียตามความแตกต่างระหว่างเอาต์พุตของการคาดการณ์ในโมเดลของนักเรียนและครู

เปรียบเทียบและเปรียบเทียบความแตกต่างระหว่างการกลั่นกับคำศัพท์ต่อไปนี้

F

การแสดงข้อความแจ้งเพียงไม่กี่ช็อต

#language
#generativeAI

ข้อความแจ้งที่มีตัวอย่าง ("น้อย") มากกว่า 1 รายการที่แสดงให้เห็นว่ารูปแบบภาษาขนาดใหญ่ควรตอบสนองอย่างไร เช่น ข้อความแจ้งที่ยาวกว่าต่อไปนี้มี 2 ตัวอย่างที่แสดงวิธีตอบคำถามของโมเดลภาษาขนาดใหญ่

ส่วนต่างๆ ของข้อความแจ้ง Notes
สกุลเงินอย่างเป็นทางการของประเทศที่ระบุคืออะไร คำถามที่ต้องการให้ LLM ตอบ
ฝรั่งเศส: EUR เช่น
สหราชอาณาจักร: GBP อีกตัวอย่างหนึ่ง
อินเดีย: ข้อความค้นหาจริง

โดยทั่วไปข้อความแจ้งเพียงไม่กี่รูปแบบจะให้ผลลัพธ์ที่น่าพอใจมากกว่าข้อความแจ้งแบบช็อตเดียวและข้อความแจ้งแบบช็อตเดียว อย่างไรก็ตาม การแสดงข้อความแจ้งเพียงไม่กี่ช็อต ต้องใช้ข้อความแจ้งที่ยาวกว่านี้

ข้อความแจ้งข้อผิดพลาดแบบระยะเดียวเป็นการเรียนรู้แบบค่อยเป็นค่อยไป ซึ่งนำไปใช้กับการเรียนรู้ตามข้อความแจ้ง

การปรับแต่ง

#language
#image
#generativeAI

บัตรผ่านการฝึกอบรมแบบที่ 2 ที่เจาะจงงานซึ่งทำงานในโมเดลที่ฝึกไว้แล้วเพื่อปรับแต่งพารามิเตอร์สำหรับกรณีการใช้งานที่เฉพาะเจาะจง ตัวอย่างเช่น ลำดับการฝึกแบบเต็มสำหรับโมเดลภาษาขนาดใหญ่บางรายการมีดังนี้

  1. การฝึกล่วงหน้า: ฝึกโมเดลภาษาขนาดใหญ่ในชุดข้อมูลทั่วไปขนาดใหญ่ เช่น หน้า Wikipedia ภาษาอังกฤษทั้งหมด
  2. การปรับแต่ง: ฝึกโมเดลที่ฝึกไว้ล่วงหน้าให้ทำงานที่เฉพาะเจาะจง เช่น การตอบสนองต่อคำค้นหาทางการแพทย์ การปรับแต่งมักประกอบด้วยตัวอย่างหลายร้อยหรือหลายพันรายการที่มุ่งเน้นงานนั้นๆ

อีกตัวอย่างหนึ่ง ลำดับการฝึกทั้งหมดสำหรับโมเดลรูปภาพขนาดใหญ่มีดังนี้

  1. การฝึกล่วงหน้า: ฝึกโมเดลรูปภาพขนาดใหญ่ในชุดข้อมูลรูปภาพทั่วไปขนาดใหญ่ เช่น รูปภาพทั้งหมดในคอมมอน Wikimedia
  2. การปรับแต่ง: ฝึกโมเดลที่ฝึกล่วงหน้าให้ทำงานที่เฉพาะเจาะจง เช่น การสร้างรูปภาพของวาฬเพชฌฆาต

การปรับแต่งอาจผสมผสานกลยุทธ์ต่อไปนี้เข้าด้วยกัน

  • การแก้ไขพารามิเตอร์ที่มีอยู่ของโมเดลที่ฝึกล่วงหน้าทั้งหมด บางครั้งจะเรียกกรณีเช่นนี้ว่าการปรับแต่งเต็มรูปแบบ
  • แก้ไขพารามิเตอร์ที่มีอยู่ของโมเดลที่ฝึกล่วงหน้าบางส่วนเท่านั้น (โดยทั่วไปคือเลเยอร์ที่ใกล้กับเลเยอร์เอาต์พุตมากที่สุด) ขณะเดียวกันก็คงพารามิเตอร์อื่นๆ ที่มีอยู่ไว้ตามเดิม (โดยปกติจะเป็นเลเยอร์ที่อยู่ใกล้เลเยอร์อินพุตมากที่สุด) ดูการปรับแต่งแบบใช้พารามิเตอร์
  • การเพิ่มเลเยอร์ โดยปกติจะอยู่ทับเลเยอร์ที่มีอยู่ซึ่งใกล้กับเลเยอร์เอาต์พุตมากที่สุด

การปรับแต่งเป็นการเรียนรู้จากการโอนรูปแบบหนึ่ง ดังนั้น การปรับแต่งอาจใช้ฟังก์ชันการสูญเสียหรือประเภทโมเดลที่แตกต่างจากที่ใช้ฝึกโมเดลก่อนการฝึก ตัวอย่างเช่น คุณสามารถปรับแต่งโมเดลรูปภาพขนาดใหญ่ที่ฝึกไว้แล้วเพื่อสร้างโมเดลการถดถอยที่แสดงจำนวนนกในอิมเมจอินพุต

เปรียบเทียบความเหมือนและความต่างของการปรับแต่งกับคำศัพท์ต่อไปนี้

G

Generative AI

#language
#image
#generativeAI

สาขาการเปลี่ยนแปลงที่กำลังเป็นรูปธรรมซึ่งไม่มีคำจำกัดความอย่างเป็นทางการ อย่างไรก็ตาม ผู้เชี่ยวชาญส่วนใหญ่เห็นด้วยว่าโมเดล Generative AI สามารถสร้าง ("สร้าง") เนื้อหาที่มีลักษณะดังต่อไปนี้ได้

  • ซับซ้อน
  • สอดคล้องกัน
  • เดิม

ตัวอย่างเช่น โมเดล Generative AI สามารถสร้างเรียงความหรือรูปภาพที่ซับซ้อนได้

เทคโนโลยีรุ่นก่อนๆ เช่น LSTM และ RNN สามารถสร้างเนื้อหาต้นฉบับที่สอดคล้องได้เช่นกัน ผู้เชี่ยวชาญบางคนมองว่าเทคโนโลยีรุ่นก่อนเหล่านี้คือ Generative AI ขณะที่คนอื่นๆ รู้สึกว่า Generative AI ที่แท้จริงต้องใช้เอาต์พุตที่ซับซ้อนกว่าเทคโนโลยีใหม่ๆ ที่เทคโนโลยียุคก่อนทำได้

คอนทราสต์กับ ML แบบคาดคะเน

I

การเรียนรู้ในบริบท

#language
#generativeAI

คำพ้องความหมายของ few-shot prompting

การปรับแต่งคำสั่ง

#generativeAI

รูปแบบหนึ่งของการปรับแต่งที่ช่วยปรับปรุงความสามารถของโมเดล generative AI ในการทำตามวิธีการ การปรับแต่งการสอนเกี่ยวข้องกับการฝึกโมเดลชุดคำสั่งให้ดำเนินการ ซึ่งโดยทั่วไปแล้วจะครอบคลุมงานต่างๆ มากมาย จากนั้นโมเดลที่ปรับแต่งตามวิธีการที่ได้ก็จะมีแนวโน้มที่จะสร้างคำตอบที่เป็นประโยชน์ต่อข้อความแจ้งแบบ Zero shot ในงานต่างๆ

เปรียบเทียบความเหมือนและความต่างกับ

O

ข้อความแจ้งแบบครั้งเดียว

#language
#generativeAI

ข้อความแจ้งที่มีตัวอย่างที่แสดงให้เห็นว่ารูปแบบภาษาขนาดใหญ่ควรตอบสนองอย่างไร เช่น คำสั่งต่อไปนี้มีตัวอย่างหนึ่งที่แสดงโมเดลภาษาขนาดใหญ่ว่าควรตอบคำถามอย่างไร

ส่วนต่างๆ ของข้อความแจ้ง Notes
สกุลเงินอย่างเป็นทางการของประเทศที่ระบุคืออะไร คำถามที่ต้องการให้ LLM ตอบ
ฝรั่งเศส: EUR เช่น
อินเดีย: ข้อความค้นหาจริง

เปรียบเทียบหาความเหมือนและความแตกต่างของข้อความแจ้งแบบช็อตเดียวกับคำศัพท์ต่อไปนี้

คะแนน

การปรับแต่งประสิทธิภาพพารามิเตอร์

#language
#generativeAI

ชุดเทคนิคในการปรับแต่งโมเดลภาษา (PLM) ก่อนการฝึกขนาดใหญ่อย่างมีประสิทธิภาพมากกว่าการปรับแต่งเต็มรูปแบบ โดยปกติแล้ว การปรับแต่งแบบใช้พารามิเตอร์จะปรับแต่งพารามิเตอร์ได้น้อยกว่าการปรับแต่งแบบเต็มรูปแบบมาก แต่มักจะสร้างโมเดลภาษาขนาดใหญ่ซึ่งทำงานได้ดี (หรือเกือบเท่ากัน) เช่นเดียวกับโมเดลภาษาขนาดใหญ่ที่สร้างขึ้นจากการปรับแต่งทั้งหมด

เปรียบเทียบและปรับคอนทราสต์อย่างมีประสิทธิภาพของพารามิเตอร์กับ

การปรับแต่งอย่างมีประสิทธิภาพพารามิเตอร์เรียกอีกอย่างว่าการปรับแต่งแบบเพิ่มประสิทธิภาพพารามิเตอร์

ระบบ PLM

#language
#generativeAI

ตัวย่อของโมเดลภาษาก่อนฝึกแล้ว

โมเดลก่อนการฝึก

#language
#image
#generativeAI

โมเดลหรือคอมโพเนนต์ของโมเดล (เช่น เวกเตอร์การฝัง) ที่ได้รับการฝึกแล้ว บางครั้งคุณจะฟีดเวกเตอร์การฝังก่อนการฝึกลงในโครงข่ายระบบประสาทเทียม แต่บางครั้งโมเดลของคุณจะฝึกตัวเวกเตอร์การฝังเองแทนที่จะฝึกการฝังที่ฝึกล่วงหน้า

คำว่าโมเดลภาษาก่อนการฝึกหมายถึงโมเดลภาษาขนาดใหญ่ที่ผ่านการการฝึกล่วงหน้า

ก่อนการฝึกอบรม

#language
#image
#generativeAI

การฝึกเริ่มต้นของโมเดลบนชุดข้อมูลขนาดใหญ่ โมเดลที่ฝึกไว้แล้วล่วงหน้าบางโมเดลเป็นขนาดใหญ่ที่งุ่มง่ามและมักต้องปรับแต่งผ่านการฝึกเพิ่มเติม เช่น ผู้เชี่ยวชาญ ML อาจฝึกโมเดลภาษาขนาดใหญ่ล่วงหน้าบนชุดข้อมูลข้อความขนาดใหญ่ เช่น ทุกหน้าภาษาอังกฤษใน Wikipedia หลังจากการฝึกล่วงหน้าแล้ว โมเดลผลลัพธ์อาจได้รับการปรับปรุงให้ดีขึ้นโดยใช้เทคนิคต่อไปนี้

ข้อความแจ้ง

#language
#generativeAI

ข้อความที่ป้อนเป็นอินพุตไปยังโมเดลภาษาขนาดใหญ่ เพื่อกำหนดเงื่อนไขให้โมเดลทำงานในลักษณะใดลักษณะหนึ่ง ข้อความแจ้งอาจสั้นแค่วลีหรือยาว (เช่น ข้อความทั้งหมดในนิยาย) ข้อความแจ้งจะแบ่งออกเป็นหลายหมวดหมู่ รวมถึงหมวดหมู่ที่แสดงในตารางต่อไปนี้

หมวดหมู่ของข้อความแจ้ง ตัวอย่าง Notes
คำถาม พิราบบินได้เร็วแค่ไหน
โรงเรียนฝึกอบรม เขียนบทกวีตลกๆ เกี่ยวกับการหากำไร ข้อความแจ้งที่ขอให้โมเดลภาษาขนาดใหญ่ทำบางอย่าง
ตัวอย่าง แปลโค้ด Markdown เป็น HTML เช่น
Markdown: * รายการย่อย
HTML: <ul> <li>รายการย่อย</li> </ul>		 ประโยคแรกในข้อความแจ้งตัวอย่างนี้คือคำสั่ง ส่วนที่เหลือของข้อความแจ้งคือตัวอย่าง
บทบาท อธิบายเหตุผลที่มีการใช้การไล่ระดับสีในการฝึกแมชชีนเลิร์นนิงไปยังปริญญาเอกสาขาฟิสิกส์ ส่วนแรกของประโยคคือคำสั่ง วลี "ถึงปริญญาเอกสาขาฟิสิกส์" คือส่วนบทบาท
ป้อนข้อมูลบางส่วนเพื่อให้โมเดลเสร็จสมบูรณ์ นายกรัฐมนตรีของสหราชอาณาจักรอาศัยอยู่ใน ข้อความแจ้งการป้อนข้อมูลบางส่วนอาจสิ้นสุดอย่างกะทันหัน (ดังตัวอย่างนี้) หรือลงท้ายด้วยขีดล่างก็ได้

โมเดล generative AI จะตอบสนองต่อพรอมต์ได้ด้วยข้อความ, โค้ด, รูปภาพ, การฝัง, วิดีโอ และอื่นๆ เกือบทุกอย่าง

การเรียนรู้จากทันท่วงที

#language
#generativeAI

ความสามารถในบางรุ่นที่ช่วยให้ผู้ใช้ปรับพฤติกรรมเพื่อตอบสนองต่อการป้อนข้อความที่กำหนดเอง (ข้อความแจ้ง) ในรูปแบบการเรียนรู้ตามข้อความแจ้งทั่วไป โมเดลภาษาขนาดใหญ่จะตอบสนองต่อพรอมต์ด้วยการสร้างข้อความ ตัวอย่างเช่น สมมติว่าผู้ใช้ป้อนข้อความแจ้งต่อไปนี้

สรุปกฎการเคลื่อนที่ข้อที่ 3 ของนิวตัน

โมเดลที่สามารถเรียนรู้จากข้อความแจ้งไม่ได้มีการฝึกให้ตอบสนองต่อข้อความแจ้งก่อนหน้านี้โดยเฉพาะ แต่โมเดลจะ "รู้" ข้อเท็จจริงมากมายเกี่ยวกับฟิสิกส์ เกี่ยวกับกฎภาษาทั่วไป และข้อมูลเกี่ยวกับสิ่งที่เป็นคำตอบ ที่เป็นประโยชน์โดยทั่วไป ความรู้ดังกล่าวเพียงพอที่จะให้คำตอบที่เป็นประโยชน์ (หวังว่าจะ) ได้ การให้ความคิดเห็นเพิ่มเติมแก่มนุษย์ ("คำตอบนั้นซับซ้อนเกินไป" หรือ "ปฏิกิริยาอะไร") จะช่วยให้ระบบการเรียนรู้แบบแจ้งทันทีบางระบบค่อยๆ ปรับปรุงคำตอบที่เป็นประโยชน์ได้

การออกแบบข้อความแจ้ง

#language
#generativeAI

คำพ้องความหมายสำหรับ prompt Engineering

Prompt Engineering

#language
#generativeAI

ศิลปะในการสร้างข้อความแจ้งที่กระตุ้นให้เกิดคำตอบที่ต้องการจากโมเดลภาษาขนาดใหญ่ มนุษย์ดำเนินการ ทางวิศวกรรมระบบทันที การเขียนพรอมต์ที่มีโครงสร้างดีเป็นส่วนสำคัญในการรับประกันคำตอบที่เป็นประโยชน์จากโมเดลภาษาขนาดใหญ่ การดำเนินการด้านวิศวกรรมทันทีมี ปัจจัยหลายอย่าง เช่น

ดูรายละเอียดเพิ่มเติมเกี่ยวกับการเขียนข้อความแจ้งที่มีประโยชน์ได้ที่ข้อมูลเบื้องต้นเกี่ยวกับการออกแบบข้อความแจ้ง

การออกแบบ Prompt คือคำพ้องความหมายของ Prompt Engineering

แจ้งให้ปรับแต่ง

#language
#generativeAI

กลไกการปรับแต่งพารามิเตอร์อย่างมีประสิทธิภาพที่เรียนรู้ "คำนำหน้า" ซึ่งระบบนำหน้าข้อความแจ้งจริง

การปรับแต่งข้อความแจ้งรูปแบบหนึ่ง บางครั้งเรียกว่าการปรับแต่งคำนำหน้าคือการเพิ่มคำนำหน้าทุกเลเยอร์ ในทางตรงกันข้าม การปรับแต่งข้อความแจ้งส่วนใหญ่ จะเพิ่มคำนำหน้าลงในเลเยอร์อินพุตเท่านั้น

R

การเรียนรู้แบบเสริมแรงจากความคิดเห็นของมนุษย์ (RLHF)

#generativeAI
#rl

ใช้ความคิดเห็นจากเจ้าหน้าที่ตรวจสอบเพื่อปรับปรุงคุณภาพของคำตอบของโมเดล เช่น กลไก RLHF จะขอให้ผู้ใช้ให้คะแนนคุณภาพการตอบสนองของโมเดลด้วยอีโมจิ 👍 หรือ 👎 จากนั้น ระบบจะปรับเปลี่ยนการตอบสนองในอนาคต ตามความคิดเห็นนั้น

การแจ้งบทบาท

#language
#generativeAI

ส่วนที่ไม่บังคับของข้อความแจ้งที่ระบุกลุ่มเป้าหมายสำหรับการตอบสนองของโมเดล generative AI หากไม่มีข้อความแจ้งบทบาท โมเดลภาษาขนาดใหญ่จะให้คำตอบที่อาจมีประโยชน์หรือไม่มีประโยชน์สำหรับผู้ที่ถามคำถาม เมื่อมีพรอมต์บทบาท โมเดลภาษาขนาดใหญ่จะสามารถตอบคำถามที่เหมาะสมและมีประโยชน์มากขึ้นสำหรับกลุ่มเป้าหมายที่เจาะจง เช่น ส่วนข้อความแจ้งบทบาทของข้อความแจ้งต่อไปนี้จะเป็นตัวหนา

  • สรุปบทความนี้สำหรับปริญญาเอกสาขาเศรษฐศาสตร์
  • อธิบายวิธีการทำงานของกระแสน้ำสำหรับเด็ก 10 ปี
  • อธิบายวิกฤตทางการเงินปี 2008 พูดเหมือนพูดกับเด็กเล็ก หรือเจ้าโกลเด้นรีทรีฟเวอร์

T

อุณหภูมิ

#language
#image
#generativeAI

hyperparameter ที่ควบคุมระดับความสุ่มของเอาต์พุตของโมเดล อุณหภูมิที่สูงขึ้นจะส่งผลให้มีเอาต์พุตแบบสุ่มมากขึ้น ส่วนอุณหภูมิที่ต่ำลงจะทำให้เอาต์พุตแบบสุ่มน้อยลง

การเลือกอุณหภูมิที่ดีที่สุดขึ้นอยู่กับแอปพลิเคชันเฉพาะและคุณสมบัติที่ต้องการของเอาต์พุตโมเดล เช่น คุณอาจเพิ่มอุณหภูมิเมื่อสร้างแอปพลิเคชันที่สร้างเอาต์พุตครีเอทีฟโฆษณา ในทางกลับกัน คุณอาจลดอุณหภูมิลงเมื่อสร้างโมเดลที่แยกประเภทรูปภาพหรือข้อความเพื่อปรับปรุงความแม่นยำและความสอดคล้องของโมเดล

อุณหภูมิมักจะใช้กับ softmax

Z

ข้อความแจ้ง Zero-shot

#language
#generativeAI

ข้อความแจ้งที่ไม่แสดงตัวอย่างวิธีที่คุณต้องการให้รูปแบบภาษาขนาดใหญ่ตอบสนอง เช่น

ส่วนต่างๆ ของข้อความแจ้ง Notes
สกุลเงินอย่างเป็นทางการของประเทศที่ระบุคืออะไร คำถามที่ต้องการให้ LLM ตอบ
อินเดีย: ข้อความค้นหาจริง

โมเดลภาษาขนาดใหญ่อาจตอบกลับด้วยสิ่งต่อไปนี้

  • รูปี
  • INR
  • ₹
  • รูปีอินเดีย
  • รูปี
  • รูปีอินเดีย

ถูกทุกข้อ แต่คุณอาจต้องการรูปแบบที่เจาะจง

เปรียบเทียบความเหมือนและความต่างของการแสดงข้อความแจ้งแบบภาพศูนย์กับข้อความต่อไปนี้