ปัญญาประดิษฐ์ หรือ Artificial Intelligence (AI) เป็นนวัตกรรมที่สร้างการเปลี่ยนแปลงและนำไปสู่การพัฒนาเทคโนโลยีแห่งอนาคต แต่ขั้นตอนกระบวนการคิดวิเคราะห์ของ AI นั้น ประกอบตัวด้วยองค์ประกอบย่อยอย่าง
Machine Learning กับ Deep Learning ซึ่งองค์ประกอบทั้ง 2 อย่าง ทำหน้าที่เปรียบเสมือนสมองของ AI เป็นส่วนสำคัญที่ทำให้เกิดการเรียนรู้คิดวิเคราะห์และประมวลผลข้อมูล
Machine Learning คืออะไรMachine Learning คือ ส่วนการเรียนรู้ของเครื่อง ถูกใช้งานเสมือนเป็นสมองของ
AI (Artificial Intelligence) เราอาจพูดได้ว่า AI ใช้ Machine Learning ในการสร้างความฉลาด มักจะใช้เรียกโมเดลที่เกิดจากการเรียนรู้ของปัญญาประดิษฐ์ ไม่ได้เกิดจากการเขียนโดยใช้มนุษย์ มนุษย์มีหน้าที่เขียนโปรแกรมให้ AI (เครื่อง) เรียนรู้จากข้อมูลเท่านั้น ที่เหลือเครื่องจัดการเอง
Machine Learning เรียนรู้จากสิ่งที่เราส่งเข้าไปกระตุ้น แล้วจดจำเอาไว้เป็นมันสมอง ส่งผลลัพธ์ออกมาเป็นตัวเลข หรือ code ที่ส่งต่อไปแสดงผล หรือให้เจ้าตัว AI นำไปแสดงการกระทำ
Machine Learning เองสามารถเอาไปใช้งานได้หลายรูปแบบ ต้องอาศัยกลไกที่เป็นโปรแกรม หรือเรียกว่า Algorithm ที่มีหลากหลายแบบ โดยมี Data Scientist เป็นผู้ออกแบบ หนึ่งใน Algorithm ที่ได้รับความนิยมสูง คือ
Deep Learning ซึ่งถูกออกแบบมาให้ใช้งานได้ง่าย และประยุกต์ใช้ได้หลายลักษณะงาน อย่างไรก็ตาม ในการทำงานจริง Data Scientist จำเป็นต้องออกแบบตัวแปรต่างๆ ทั้งในตัวของ
Deep Learning เอง และต้องหา Algorithm อื่นๆ มาเป็นคู่เปรียบเทียบ เพื่อมองหา Algorithm ที่เหมาะสมที่สุดในการใช้งานจริง
Machine Learning เรียนรู้ด้วยตัวเองได้อย่างไรMachine Learning มีหลักการเรียนรู้ข้อมูลอยู่ 3 หลัก ด้วยกันดังต่อไปนี้
การเรียนรู้แบบได้รับคำแนะนำ (Supervised learning)ยกตัวอย่างเวลาเราป้อนข้อมูลให้กับคอมพิวเตอร์ (Input) เช่น รูปเสือ แต่คอมพิวเตอร์มันยังไม่รู้หรอกว่าเนี่ยคือรูปเสือ เราก็ต้องบอกมันก่อน แล้วคอมพิวเตอร์มันก็จะไปวิเคราะห์ (Feature Extraction) ว่า เสือเป็นสัตว์ 4 ขา มี 2 หู 1 หาง เป็นต้น จากนั้นคอมพิวเตอร์ก็นำข้อมูลดังกล่าวไปประมวล/จัดหมวดหมู่ (Classification) เพื่อให้หลังจากนี้มันสามารถแยกออกได้ว่าอะไรคือเสือ อะไรไม่ใช่เสือ
การเรียนรู้แบบไม่ได้รับคำแนะนำ (Unsupervised learning)รูปแบบนี้เรียกได้ว่าตรงกันข้ามกับรูปแบบแรกเลย มันคือการที่เราป้อนข้อมูล (Input) รูปเสือเข้าไป แต่ไม่ได้บอกมันว่ารูปที่ป้อนเข้าไปเป็นรูปเสือ ทีนี้พอคอมพิวเตอร์มันเอาไปวิเคราะห์ (Feature Extraction) มันก็วิเคราะห์ได้นะว่ารูปที่ใส่เข้าไปมีลักษณะยังไง แต่คราวนี้มันไม่สามารถเอาไปประมวล/จัดหมวดหมู่ (Classification) ได้แล้ว มันจะใช้วิธีการแบ่งกลุ่มแทน (Clustering) ซึ่งคอมพิวเตอร์มันก็จะเอารูปเสือไปอยู่กับแมว สุนัข หรือสัตว์อื่น ๆ ที่มี 4 ขา มี 2 หู 1 หาง เหมือนกัน
การเรียนรู้แปบเสริมกำลัง (Reinforcement learning)มันคือการที่เรากำหนดเงื่อนไขบางอย่างให้กับคอมพิวเตอร์ แล้วทำให้คอมพิวเตอร์เอาชนะหรือทำตามเงื่อนไขนั้นให้ได้ ยกตัวอย่างเช่น Alpha Go เงื่อนไขของการหมากล้อมคือ ใช้หมากของตนล้อมพื้นที่บนกระดาน เพื่อให้ได้ดินแดนมากกว่าคู่ต่อสู้ ทีนี้ Alpha Go ก็จะเรียนรู้ด้วยตัวมันเองผ่านการจำลองการแข่งขันเป็นแสน ๆ ล้าน ๆ รอบ เพื่อให้รู้ว่า ถ้าหากคู่ต่อสู้เดินหมากนี้ ตัวมันเองจะเดินหมากไหนเพื่อให้บรรลุเงื่อนไขที่กำหนดไว้ให้ นั่นคือการยึดพื้นที่บนกระดานให้ได้มากที่สุด
Deep Learning คืออะไรDeep Learning คือการจำลองรูปแบบการประมวลผลของสมองมนุษย์ โดยใช้โครงข่ายคล้ายเซลล์ประสาทในการประมวลผล เมื่อได้รับข้อมูลมา
Deep Learning จะทำการแบ่งแยกข้อมูลและรายละเอียดต่างๆ ที่ได้รับมาทั้งหมด แล้วนำมาประมวลผลหาจุดเด่นและจุดแตกต่างของข้อมูลในเชิงลึก คล้ายกับการกรองข้อมูลเป็นชั้นๆ แล้วสรุปผลข้อมูลออกมาเป็น Output และตรวจสอบว่าข้อมูลนั้นส่งผลอย่างไร ผิด หรือถูก
เช่น มีข้อมูลสัตว์ 1 ตัวที่ไม่ทราบว่าจะเป็นอะไร
Deep Learning จะทำการตรวจสอบและคาดการณ์ ว่า ‘อาจจะเป็น’ สัตว์ชนิดนี้ โดยไม่จำเป็นต้องระบุว่ามีปีกหรือมีหาง
Deep Learning แค่ ‘คาดการณ์’ เอาไว้ก่อน
หาก
Deep Learning คาดการณ์ผิด ตัวมันจะเรียนรู้และปรับเปลี่ยนการประมวลผล เพื่อให้ Output ที่ออกมามีความถูกต้องมากขึ้น และยิ่งเรียนรู้มาก Deep Learning ก็จะเข้าใจได้มากขึ้น และลงลึกในรายละเอียดยิบย่อยได้มากขึ้น จนสามารถสังเกตความแตกต่างของข้อมูลได้แม้เพียงเล็กน้อยก็ตาม โดยที่มนุษย์ไม่จำเป็นต้องแนะนำ
หากบอกว่า
Machine Learning เปรียบเสมือน subset ของ AI เเล้ว
Deep Learning เองก็เป็นเสมือนวิธีการหนึ่งของ
Machine Learning เช่นกัน เพียงเเต่เป็นวิธีคิดของคอมพิวเตอร์ที่มีประสิทธิภาพสูงยิ่งกว่า โดยการทำงานจะทำร่วมกันเพื่อเพิ่มประสิทธิภาพในการ Predicted รวมไปถึงความถูกต้อง ข้อดีของ
Deep Learning คือยิ่งมีข้อมูลเข้ามา Train มากเท่าไหร่ประสิทธิภาพในการคิดของคอมพิวเตอร์ก็ยิ่งสูงขึ้นเท่านั้น ต่างกับ
Machine Learning ที่เมื่อมีข้อมูลจำนวนมากประสิทธิภาพการทำงานจะไม่สามารถสูงขึ้นอีกจนกว่าจะได้รับการ Train เพิ่มเติม
