By | December 6, 2022

ปัญญาประดิษฐ์ (AI) และส่วนย่อยของแมชชีนเลิร์นนิง (ML) และการเรียนรู้เชิงลึก (DL) กำลังมีบทบาทสำคัญในวิทยาศาสตร์ข้อมูล วิทยาศาสตร์ข้อมูลเป็นกระบวนการที่ครอบคลุมซึ่งเกี่ยวข้องกับการประมวลผลล่วงหน้า การวิเคราะห์ การสร้างภาพข้อมูล และการทำนาย เจาะลึกลงไปใน AI และส่วนย่อยของมัน

ปัญญาประดิษฐ์ (เอไอ) เป็นสาขาหนึ่งของวิทยาการคอมพิวเตอร์ที่เกี่ยวข้องกับการสร้างเครื่องจักรอัจฉริยะที่สามารถปฏิบัติงานที่ต้องใช้สติปัญญาของมนุษย์ AI แบ่งออกเป็นสามประเภทหลักๆ ดังนี้

  • ปัญญาประดิษฐ์แคบ (ANI)

  • ปัญญาประดิษฐ์ทั่วไป (AGI)

  • ปัญญาประดิษฐ์ขั้นสูง (ASI)

AI แคบบางครั้งเรียกว่า ‘AI อ่อนแอ’ ทำงานเดียวด้วยวิธีเฉพาะอย่างดีที่สุด ตัวอย่างเช่น เครื่องชงกาแฟอัตโนมัติจะปล้นซึ่งดำเนินการตามขั้นตอนที่กำหนดไว้อย่างดีเพื่อชงกาแฟ ในขณะที่ AGI ซึ่งเรียกอีกอย่างว่า ‘AI ที่แข็งแกร่ง’ นั้นทำหน้าที่หลากหลายที่เกี่ยวข้องกับการคิดและการใช้เหตุผลเหมือนมนุษย์ ตัวอย่างเช่น Google Assist, Alexa, Chatbots ซึ่งใช้การประมวลผลภาษาธรรมชาติ (NPL) ปัญญาประดิษฐ์ขั้นสูง (ASI) เป็นเวอร์ชันขั้นสูงที่ใช้ความสามารถของมนุษย์ สามารถทำกิจกรรมสร้างสรรค์ เช่น ศิลปะ การตัดสินใจ และความสัมพันธ์ทางอารมณ์

ทีนี้มาดูที่ การเรียนรู้ของเครื่อง (มล.) เป็นส่วนย่อยของ AI ที่เกี่ยวข้องกับการสร้างแบบจำลองของอัลกอริทึมซึ่งช่วยในการคาดการณ์ตามการรับรู้รูปแบบและชุดข้อมูลที่ซับซ้อน แมชชีนเลิร์นนิงมุ่งเน้นไปที่การเปิดใช้งานอัลกอริทึมเพื่อเรียนรู้จากข้อมูลที่ได้รับ รวบรวมข้อมูลเชิงลึก และคาดการณ์ข้อมูลที่ยังไม่ได้วิเคราะห์ก่อนหน้านี้โดยใช้ข้อมูลที่รวบรวมได้ วิธีการต่างๆ ของแมชชีนเลิร์นนิงคือ

  • การเรียนรู้ภายใต้การดูแล (อ่อนแอ AI – ขับเคลื่อนงาน)

  • การเรียนรู้แบบไม่อยู่ภายใต้การดูแล (AI ที่แข็งแกร่ง – ขับเคลื่อนด้วยข้อมูล)

  • การเรียนรู้แบบกึ่งดูแล (AI ที่แข็งแกร่ง – คุ้มค่า)

  • เสริมการเรียนรู้ของเครื่อง (AI ที่แข็งแกร่ง – เรียนรู้จากข้อผิดพลาด)

แมชชีนเลิร์นนิงภายใต้การดูแลใช้ข้อมูลประวัติเพื่อทำความเข้าใจพฤติกรรมและกำหนดการคาดการณ์ในอนาคต ที่นี่ระบบประกอบด้วยชุดข้อมูลที่กำหนด มันถูกระบุด้วยพารามิเตอร์สำหรับอินพุตและเอาต์พุต และเมื่อข้อมูลใหม่มาถึง อัลกอริทึม ML จะวิเคราะห์ข้อมูลใหม่และให้ผลลัพธ์ที่แน่นอนตามพารามิเตอร์คงที่ การเรียนรู้ภายใต้การดูแลสามารถดำเนินการจัดหมวดหมู่หรือการถดถอยได้ ตัวอย่างของงานการจัดประเภท ได้แก่ การจัดประเภทรูปภาพ การจดจำใบหน้า การจัดประเภทสแปมอีเมล ระบุการตรวจจับการฉ้อโกง ฯลฯ และสำหรับงานการถดถอย ได้แก่ การพยากรณ์อากาศ การทำนายการเติบโตของประชากร เป็นต้น

แมชชีนเลิร์นนิงแบบไม่มีผู้ดูแลจะไม่ใช้พารามิเตอร์ที่จัดประเภทหรือติดป้ายกำกับใดๆ มุ่งเน้นไปที่การค้นหาโครงสร้างที่ซ่อนอยู่จากข้อมูลที่ไม่มีป้ายกำกับ เพื่อช่วยให้ระบบอนุมานการทำงานได้อย่างถูกต้อง พวกเขาใช้เทคนิคเช่นการจัดกลุ่มหรือการลดขนาด การทำคลัสเตอร์เกี่ยวข้องกับการจัดกลุ่มจุดข้อมูลด้วยเมตริกที่คล้ายกัน ขับเคลื่อนด้วยข้อมูลและบางตัวอย่างสำหรับการจัดกลุ่ม ได้แก่ คำแนะนำภาพยนตร์สำหรับผู้ใช้ใน Netflix การแบ่งกลุ่มลูกค้า พฤติกรรมการซื้อ ฯลฯ ตัวอย่างการลดขนาดบางตัวอย่าง ได้แก่ การอธิบายคุณลักษณะ การแสดงข้อมูลขนาดใหญ่

แมชชีนเลิร์นนิงแบบกึ่งควบคุมทำงานโดยใช้ข้อมูลทั้งที่มีป้ายกำกับและไม่มีป้ายกำกับเพื่อปรับปรุงความแม่นยำในการเรียนรู้ การเรียนรู้แบบกึ่งดูแลสามารถเป็นโซลูชันที่คุ้มค่าเมื่อการติดฉลากข้อมูลมีราคาแพง

การเรียนรู้แบบเสริมแรงมีความแตกต่างกันพอสมควรเมื่อเทียบกับการเรียนรู้แบบมีผู้สอนและแบบไม่มีผู้สอน สามารถกำหนดได้ว่าเป็นกระบวนการลองผิดลองถูกจนได้ผลลัพธ์ในที่สุด t สามารถทำได้โดยหลักการของวงจรการปรับปรุงซ้ำ (เพื่อเรียนรู้จากความผิดพลาดในอดีต) การเรียนรู้แบบเสริมกำลังยังถูกนำมาใช้เพื่อสอนตัวแทนการขับรถอัตโนมัติในสภาพแวดล้อมจำลอง Q-learning เป็นตัวอย่างของอัลกอริทึมการเรียนรู้แบบเสริมแรง

เดินหน้าสู่ การเรียนรู้เชิงลึก (DL) มันเป็นส่วนย่อยของการเรียนรู้ของเครื่องที่คุณสร้างอัลกอริทึมที่เป็นไปตามสถาปัตยกรรมแบบเลเยอร์ DL ใช้เลเยอร์หลายชั้นเพื่อแยกคุณสมบัติระดับที่สูงขึ้นจากอินพุตดิบอย่างต่อเนื่อง ตัวอย่างเช่น ในการประมวลผลภาพ เลเยอร์ที่ต่ำกว่าอาจระบุขอบ ในขณะที่เลเยอร์ที่สูงกว่าอาจระบุแนวคิดที่เกี่ยวข้องกับมนุษย์ เช่น ตัวเลขหรือตัวอักษรหรือใบหน้า โดยทั่วไปแล้ว DL จะหมายถึงโครงข่ายประสาทเทียมระดับลึก และชุดอัลกอริทึมเหล่านี้มีความแม่นยำอย่างยิ่งสำหรับปัญหาต่างๆ เช่น การจดจำเสียง การจดจำภาพ การประมวลผลภาษาธรรมชาติ เป็นต้น

สรุป Data Science ครอบคลุม AI ซึ่งรวมถึงแมชชีนเลิร์นนิง อย่างไรก็ตาม แมชชีนเลิร์นนิงเองครอบคลุมเทคโนโลยีย่อยอื่น ซึ่งก็คือการเรียนรู้เชิงลึก ต้องขอบคุณ AI ที่สามารถแก้ปัญหาที่ยากขึ้นเรื่อยๆ (เช่น การตรวจหามะเร็งได้ดีกว่าแพทย์ด้านเนื้องอกวิทยา) ได้ดีกว่าที่มนุษย์ทำได้