ปัญญาประดิษฐ์ (AI) และแมชชีนเลิร์นนิง (ML) เป็นคำสองคำที่มักถูกพูดถึงในบทสนทนาประจำวัน ไม่ว่าจะเป็นในสำนักงาน สถาบัน หรือการพบปะกันทางเทคโนโลยี ปัญญาประดิษฐ์ได้รับการกล่าวขานว่าเป็นอนาคตที่ขับเคลื่อนโดยแมชชีนเลิร์นนิง
ปัจจุบัน ปัญญาประดิษฐ์ได้รับการนิยามว่าเป็น “ทฤษฎีและการพัฒนาระบบคอมพิวเตอร์ที่สามารถปฏิบัติงานตามปกติที่ต้องใช้สติปัญญาของมนุษย์ เช่น การรับรู้ภาพ การรู้จำเสียง การตัดสินใจ และการแปลระหว่างภาษา” พูดง่ายๆ ก็คือการทำให้เครื่องจักรฉลาดขึ้นเพื่อทำซ้ำงานของมนุษย์ และการเรียนรู้ของเครื่องคือเทคนิค (โดยใช้ข้อมูลที่มีอยู่) เพื่อทำให้สิ่งนี้เป็นไปได้
นักวิจัยได้ทำการทดลองกับเฟรมเวิร์กเพื่อสร้างอัลกอริทึม ซึ่งสอนเครื่องจักรให้จัดการกับข้อมูลเหมือนกับที่มนุษย์ทำ อัลกอริธึมเหล่านี้นำไปสู่การสร้างโครงข่ายประสาทเทียมที่สุ่มตัวอย่างข้อมูลเพื่อทำนายผลลัพธ์ที่ใกล้เคียงความแม่นยำ เพื่อช่วยในการสร้างเครือข่ายประสาทเทียมเหล่านี้ บริษัทบางแห่งได้เปิดตัวไลบรารีเครือข่ายประสาทเทียมแบบเปิด เช่น Tensorflow ของ Google (เปิดตัวในเดือนพฤศจิกายน 2558) เป็นต้น เพื่อสร้างแบบจำลองที่ประมวลผลและทำนายกรณีเฉพาะของแอปพลิเคชัน ตัวอย่างเช่น Tensorflow ทำงานบน GPU, CPU, เดสก์ท็อป, เซิร์ฟเวอร์ และแพลตฟอร์มคอมพิวเตอร์พกพา เฟรมเวิร์กอื่นๆ ได้แก่ Caffe, Deeplearning4j และ Distributed Deep Learning กรอบเหล่านี้สนับสนุนภาษาต่างๆ เช่น Python, C/C++ และ Java
ควรสังเกตว่าโครงข่ายประสาทเทียมทำงานเหมือนกับสมองจริงที่เชื่อมต่อผ่านเซลล์ประสาท ดังนั้น เซลล์ประสาทแต่ละเซลล์จึงประมวลผลข้อมูล ซึ่งส่งต่อไปยังเซลล์ประสาทถัดไปและต่อไปเรื่อยๆ และเครือข่ายก็จะเปลี่ยนแปลงและปรับตัวตามนั้น ตอนนี้ สำหรับการจัดการกับข้อมูลที่ซับซ้อนมากขึ้น การเรียนรู้ของเครื่องจะต้องมาจากเครือข่ายระดับลึกที่เรียกว่าเครือข่ายประสาทระดับลึก
ในบล็อกโพสต์ก่อนหน้านี้ เราได้พูดคุยกันอย่างยาวเกี่ยวกับปัญญาประดิษฐ์ การเรียนรู้ของเครื่อง และการเรียนรู้เชิงลึก และวิธีที่คำเหล่านี้ไม่สามารถใช้แทนกันได้ แม้ว่าคำเหล่านั้นจะฟังดูคล้ายกันก็ตาม ในโพสต์บล็อกนี้ เราจะพูดถึงว่า Machine Learning แตกต่างจาก Deep Learning อย่างไร
เรียนรู้การเรียนรู้ของเครื่อง
ปัจจัยใดที่ทำให้ Machine Learning แตกต่างจาก Deep Learning
แมชชีนเลิร์นนิงจะประมวลผลข้อมูลและพยายามคาดการณ์ผลลัพธ์ที่ต้องการ โครงข่ายประสาทเทียมที่เกิดขึ้นมักจะตื้นและประกอบด้วยอินพุตเดียว เอาต์พุตเดียว และแทบจะไม่มีเลเยอร์ที่ซ่อนอยู่ แมชชีนเลิร์นนิงแบ่งออกได้เป็น 2 ประเภทกว้างๆ ได้แก่ แบบมีการควบคุมและไม่ดูแล แบบแรกเกี่ยวข้องกับชุดข้อมูลที่มีป้ายกำกับซึ่งมีอินพุตและเอาต์พุตเฉพาะ ในขณะที่ชุดหลังใช้ชุดข้อมูลที่ไม่มีโครงสร้างเฉพาะ
ในทางกลับกัน ลองจินตนาการว่าข้อมูลที่ต้องประมวลผลมีขนาดมหึมาและการจำลองซับซ้อนเกินไป สิ่งนี้ต้องการความเข้าใจหรือการเรียนรู้ที่ลึกซึ้งยิ่งขึ้น ซึ่งเกิดขึ้นได้โดยใช้เลเยอร์ที่ซับซ้อน เครือข่ายการเรียนรู้เชิงลึกมีไว้สำหรับปัญหาที่ซับซ้อนกว่ามาก และมีชั้นโหนดจำนวนหนึ่งที่ระบุความลึก
ในบล็อกโพสต์ก่อนหน้านี้ เราได้เรียนรู้เกี่ยวกับสถาปัตยกรรมทั้งสี่ของ Deep Learning มาสรุปกันอย่างรวดเร็ว:
Unsupervised Pre-trained Networks (UPN)
ไม่เหมือนอัลกอริทึมการเรียนรู้ของเครื่องแบบดั้งเดิม เครือข่ายการเรียนรู้เชิงลึกสามารถทำการแยกคุณสมบัติโดยอัตโนมัติโดยไม่จำเป็นต้องมีการแทรกแซงของมนุษย์ ดังนั้น unsupervised หมายถึงการไม่บอกเครือข่ายว่าอะไรถูกหรือผิด ซึ่งเครือข่ายจะคิดออกเอง และการฝึกอบรมล่วงหน้าหมายถึงการใช้ชุดข้อมูลเพื่อฝึกอบรมโครงข่ายประสาทเทียม ตัวอย่างเช่น การฝึกเลเยอร์คู่เป็นเครื่องจักร Boltzmann ที่จำกัด จากนั้นจะใช้น้ำหนักที่ผ่านการฝึกอบรมสำหรับการฝึกอบรมภายใต้การดูแล อย่างไรก็ตาม วิธีนี้ไม่มีประสิทธิภาพในการจัดการกับงานประมวลผลภาพที่ซับซ้อน ซึ่งนำ Convolutions หรือ Convolutional Neural Networks (CNNs) มาเป็นแนวหน้า
Convolutional Neural Networks (CNN)
Convolutional Neural Networks ใช้แบบจำลองของเซลล์ประสาทเดียวกัน ซึ่งหมายความว่าเซลล์ประสาทสามารถเรียนรู้และใช้งานได้จากหลายแห่ง สิ่งนี้ทำให้กระบวนการง่ายขึ้น โดยเฉพาะระหว่างการจดจำวัตถุหรือรูปภาพ สถาปัตยกรรมเครือข่ายประสาทแบบ Convolutional ถือว่าอินพุตเป็นภาพ สิ่งนี้ทำให้สามารถเข้ารหัสคุณสมบัติบางอย่างในสถาปัตยกรรมได้ นอกจากนี้ยังลดจำนวนพารามิเตอร์ในเครือข่าย
เครือข่ายประสาทกำเริบ
Recurrent Neural Networks (RNN) ใช้ข้อมูลตามลำดับและไม่ถือว่าอินพุตและเอาต์พุตทั้งหมดเป็นอิสระต่อกันเหมือนที่เราเห็นในโครงข่ายประสาทเทียมแบบดั้งเดิม RNN สามารถใช้หน่วยความจำภายในเพื่อประมวลผลอินพุตตามลำดับ ซึ่งแตกต่างจากเครือข่ายประสาทเทียมแบบป้อนไปข้างหน้า พวกเขาอาศัยการคำนวณก่อนหน้าและสิ่งที่คำนวณไปแล้ว ใช้ได้กับงานต่างๆ เช่น การรู้จำเสียง การรู้จำลายมือ หรืองานอื่นๆ ที่ไม่ได้แบ่งส่วนที่คล้ายกัน
เครือข่ายประสาทแบบเรียกซ้ำ
Recursive Neural Network คือลักษณะทั่วไปของ Recurrent Neural Network และสร้างขึ้นโดยการใช้ชุดน้ำหนักคงที่และสม่ำเสมอซ้ำๆ หรือวนซ้ำกับโครงสร้าง Recursive Neural Networks อยู่ในรูปของต้นไม้ ในขณะที่ Recurrent เป็นสายโซ่ Recursive Neural Nets ถูกนำมาใช้ใน Natural Language Processing (NLP) สำหรับงานต่างๆ เช่น การวิเคราะห์ความรู้สึก
โดยสรุป Deep Learning เป็นเพียงวิธีการขั้นสูงของการเรียนรู้ของเครื่อง เครือข่าย Deep Learning จัดการกับข้อมูลที่ไม่มีป้ายกำกับซึ่งผ่านการฝึกอบรมมาแล้ว ทุกโหนดในชั้นลึกเหล่านี้จะเรียนรู้ชุดคุณสมบัติโดยอัตโนมัติ จากนั้นมีเป้าหมายเพื่อสร้างอินพุตใหม่และพยายามทำเช่นนั้นโดยลดการคาดเดาให้น้อยที่สุดในแต่ละโหนดที่ผ่าน ไม่ต้องการข้อมูลที่เฉพาะเจาะจงและอันที่จริงแล้วฉลาดมากที่ดึงความสัมพันธ์ร่วมจากชุดคุณลักษณะเพื่อให้ได้ผลลัพธ์ที่ดีที่สุด พวกเขาสามารถเรียนรู้ชุดข้อมูลขนาดยักษ์ที่มีพารามิเตอร์มากมาย และจัดโครงสร้างแบบฟอร์มจากข้อมูลที่ไม่มีป้ายกำกับหรือไม่มีโครงสร้าง
ตอนนี้ มาดูความแตกต่างที่สำคัญ:
ความแตกต่าง:
อนาคตด้วยการเรียนรู้ของเครื่องและการเรียนรู้เชิงลึก:
ต่อไป มาดูกรณีการใช้งานของทั้ง Machine Learning และ Deep Learning อย่างไรก็ตาม ควรสังเกตว่ากรณีการใช้งาน Machine Learning มีให้ใช้งานในขณะที่ Deep Learning ยังอยู่ในขั้นตอนการพัฒนา
แม้ว่าแมชชีนเลิร์นนิงจะมีบทบาทอย่างมากในปัญญาประดิษฐ์ แต่การเรียนรู้เชิงลึกก็มีความเป็นไปได้ที่จะเปลี่ยนแปลงโลกอย่างที่เรารู้จัก เทคโนโลยีเหล่านี้จะมองเห็นอนาคตในหลายอุตสาหกรรม ซึ่งบางอุตสาหกรรมได้แก่:
บริการลูกค้า
มีการใช้การเรียนรู้ของเครื่องเพื่อทำความเข้าใจและตอบคำถามของลูกค้าอย่างถูกต้องและรวดเร็วที่สุด ตัวอย่างเช่น เป็นเรื่องปกติมากที่จะพบแชทบอทบนเว็บไซต์ผลิตภัณฑ์ ซึ่งได้รับการฝึกฝนให้ตอบคำถามลูกค้าทั้งหมดที่เกี่ยวข้องกับผลิตภัณฑ์และบริการหลังการขาย การเรียนรู้เชิงลึกก้าวไปอีกขั้นด้วยการวัดอารมณ์ ความสนใจ และอารมณ์ของลูกค้า (ตามเวลาจริง) และสร้างเนื้อหาแบบไดนามิกสำหรับการบริการลูกค้าที่ละเอียดยิ่งขึ้น
อุตสาหกรรมยานยนต์
การเรียนรู้ของเครื่อง vs การเรียนรู้เชิงลึก: นี่คือสิ่งที่คุณต้องรู้!
รถยนต์ไร้คนขับกลายเป็นข่าวพาดหัวข่าวทั้งในและต่างประเทศ จาก Google ถึง Uber ทุกคนพยายามทำสิ่งนี้ แมชชีนเลิร์นนิงและการเรียนรู้เชิงลึกเป็นแกนหลักอย่างสะดวกสบาย แต่สิ่งที่น่าสนใจยิ่งกว่าคือการดูแลลูกค้าแบบอิสระทำให้ CSR มีประสิทธิภาพมากขึ้นด้วยเทคโนโลยีใหม่เหล่านี้ Digital CSRs เรียนรู้และนำเสนอข้อมูลที่เกือบจะถูกต้องและในระยะเวลาอันสั้น
เรียนรู้การเรียนรู้อย่างลึกซึ้ง
การรู้จำเสียง:
การเรียนรู้ของเครื่องมีบทบาทอย่างมากในการรู้จำเสียงโดยการเรียนรู้จากผู้ใช้เมื่อเวลาผ่านไป และการเรียนรู้เชิงลึกสามารถทำได้มากกว่าบทบาทของแมชชีนเลิร์นนิงด้วยการแนะนำความสามารถในการจำแนกเสียง จดจำผู้พูด เหนือสิ่งอื่นใด
การเรียนรู้เชิงลึกมีประโยชน์ทั้งหมดของแมชชีนเลิร์นนิงและถือเป็นตัวขับเคลื่อนหลักที่นำไปสู่ปัญญาประดิษฐ์ สตาร์ทอัพ บรรษัทข้ามชาติ นักวิจัย และหน่วยงานภาครัฐได้ตระหนักถึงศักยภาพของ AI และเริ่มใช้ศักยภาพในการทำให้ชีวิตของเราง่ายขึ้น
เชื่อว่าปัญญาประดิษฐ์และบิ๊กดาต้าเป็นเทรนด์ที่ควรระวังในอนาคต ปัจจุบันมีหลักสูตรออนไลน์มากมายที่ให้การฝึกอบรมตามเวลาจริงและครอบคลุมในเทคโนโลยีที่ใหม่กว่าและเกิดใหม่เหล่านี้