การที่เราจะนำปัญญาประดิษฐ์หรือ AI มาใช้ประโยชน์ สิ่งที่สำคัญคือเราควรทำความเข้าใจกับ Deep Learning หรือการเรียนรู้เชิงลึกเพราะ Deep Learning นั้นมีความเกี่ยวข้องกับการพัฒนาการเรียนรู้ของ AI และเป็นหัวใจสำคัญในการพัฒนา AI เลยทีเดียว
ขอบคุณภาพประกอบจาก VIA
– Deep Learning คืออะไร?
Deep Learning คือการพยายามที่จะเลียนแบบสมองของมนุษย์ แม้ว่าจะยังเป็นเรื่องที่ห่างไกลในความเท่าเทียมในความสามารถของทั้งสองก็ตาม แต่ Deep Learning ก็ทำให้ระบบสามารถจัดกลุ่มข้อมูลและคาดการณ์ได้อย่างแม่นยำ การเรียนรู้เชิงลึกเป็นส่วนย่อยของการเรียนรู้ของเครื่อง ซึ่งโดยพื้นฐานแล้วเป็นโครงข่ายประสาทเทียมที่มี Layer ตั้งแต่สาม Layer ขึ้นไป
โครงข่ายประสาทเทียมเหล่านี้กำลังพยายามจำลองพฤติกรรมของสมองมนุษย์เพื่อทำให้สมองสามารถ “เรียนรู้” จากข้อมูลจำนวนมากได้ แม้ว่าโครงข่ายประสาทเทียมที่มี Layer เดียวยังคงเพียงคาดการณ์ได้โดยประมาณ แต่ Layer ที่เพิ่มเติมขึ้นมาก็ทำให้ Deep Learning สามารถช่วยเพิ่มประสิทธิภาพและความแม่นยำมากขึ้น
ขอบคุณภาพประกอบจาก SEMI
Deep Learning ช่วยขับเคลื่อนแอปพลิเคชันและบริการปัญญาประดิษฐ์ (AI) ให้สามารถปรับปรุงระบบของตัวเองโดยอัตโนมัติ โดยไม่ต้องมีการการแทรกแซงจากมนุษย์ เทคโนโลยี Deep Learning อยู่เบื้องหลังผลิตภัณฑ์และบริการด้าน AI ในชีวิตประจำวันจำนวนมาก
– Deep Learning ต่างกับ Machine Learning
อัลกอริทึมของ Machine Learning ใช้ประโยชน์จากข้อมูลที่มีโครงสร้างและมีป้ายกำกับเพื่อสร้างการคาดคะเน หมายความว่าคุณลักษณะเฉพาะถูกกำหนดจากข้อมูลที่ป้อนเข้ามาจะต้องผ่านการประมวลผลล่วงหน้าเพื่อจัดระเบียบให้อยู่ในรูปแบบที่มีโครงสร้าง
Deep Learning ไม่ต้องการการประมวลผลข้อมูลล่วงหน้าบางส่วนซึ่งโดยทั่วไปแล้ว Deep Learning จะเกี่ยวข้องกับ Machine Learning โดยอัลกอริทึมของ Deep Learning สามารถนำเข้าและประมวลผลข้อมูลที่ไม่มีโครงสร้าง เช่น ข้อความและรูปภาพ และสามารถแยกแยะคุณลักษณะโดยอัตโนมัติ โดยไม่ต้องมีการพึ่งพาผู้เชี่ยวชาญที่เป็นมนุษย์ช่วย
ขอบคุณภาพประกอบจาก Analytic Steps
อัลกอริทึม Deep Learning สามารถกำหนดคุณลักษณะพร้อมทั้งแยกแยะสัตว์แต่ละตัวได้ด้วยตัวเอง ส่วน Machine Learning ความสามารถนี้ถูกสร้างขึ้นโดยมนุษย์
ความสามารถในการเรียนรู้ประเภทต่างๆ มักจะจัดหมวดหมู่การเรียนรู้แบบ Supervised , การเรียนรู้แบบ Unsupervised และการเรียนรู้แบบ Reinforcement การเรียนรู้แบบ Supervised จะใช้ชุดข้อมูลที่มีป้ายกำกับเพื่อจัดหมวดหมู่หรือคาดการณ์ สิ่งนี้ต้องการความช่วยเหลือของมนุษย์เพื่อติดป้ายกำกับข้อมูลที่ป้อนอย่างถูกต้อง
ในทางตรงกันข้ามการเรียนรู้แบบ Unsupervised ไม่ต้องการชุดข้อมูลที่มีป้ายกำกับ แต่จะตรวจจับรูปแบบในข้อมูลแทน โดยจัดกลุ่มตามลักษณะที่แตกต่าง ส่วนการเรียนรู้แบบ Reinforcement Learning เป็นกระบวนการที่ตัวแบบเรียนรู้ที่แม่นยำมากขึ้นสำหรับการดำเนินการในสภาพแวดล้อมที่ต้องการการตอบรับเพื่อที่จะได้ผลลัพธ์ที่ถูกต้องที่สุด
– การทำงานของ Deep Learning
โครงข่าย Neutral แบบ Deep Learning พยายามเลียนแบบสมองของมนุษย์ผ่านการป้อนข้อมูล, น้ำหนัก และ Bias ร่วมกัน องค์ประกอบเหล่านี้ทำงานร่วมกันเพื่อจำแนก, จัดลำดับ และอธิบายวัตถุภายในข้อมูลได้อย่างถูกต้อง
โครงข่าย Neutral เชิงลึกประกอบด้วย Node ที่เชื่อมต่อถึงกันหลาย Layer แต่ละ Layer ถูกสร้างขึ้นบน Layer ก่อนหน้า ความก้าวหน้าของการคำนวณผ่านเครือข่ายนี้เรียกว่า Forward Propagation
Layer อินพุตและเอาต์พุตของโครงข่าย Neutral ระดับลึกเรียกว่า Visible Layer โดย Layer อินพุตเป็นที่ที่โมเดลการเรียนรู้เชิงลึกนำเข้าข้อมูลสำหรับการประมวลผล และ Layer เอาต์พุตเป็นที่ที่การทำนายผลขั้นสุดท้ายหรือการจัดหมวดหมู่ถูกสร้างขึ้น
อีกกระบวนการหนึ่งที่เรียกว่า Backward Propagation ใช้อัลกอริทึมการไล่ระดับแบบลงล่าง เพื่อคำนวณข้อผิดพลาดในการคาดคะเน แล้วปรับน้ำหนักและความเอนเอียงของฟังก์ชันโดยย้อนกลับผ่าน Layer ต่างๆ
การพยายามฝึกฝนโมเดล Forward Propagation และ Backward Propagation ร่วมกันทำให้โครงข่ายประสาทเทียมสามารถคาดการณ์และแก้ไขข้อผิดพลาดต่างๆ ได้ตามลำดับ เมื่อเวลาผ่านไปอัลกอริทึมจะค่อยๆ มีความแม่นยำขึ้นเรื่อย ๆ
สิ่งที่กล่าวมาเป็นการอธิบายประเภทโครงข่าย Neutral เชิงลึกที่ง่ายที่สุด อย่างไรก็ตาม อัลกอริทึมการเรียนรู้เชิงลึกนั้นซับซ้อนอย่างมาก และมีเครือข่ายประสาทหลายประเภทเพื่อแก้ไขปัญหาหรือชุดข้อมูลที่เฉพาะเจาะจง
– ความต้องการด้านฮาร์ดแวร์ของ Deep Learning
การเรียนรู้เชิงลึกต้องใช้พลังประมวลผลจำนวนมหาศาล ต้องการหน่วยประมวลผลกราฟิก (GPU) ประสิทธิภาพสูง เพื่อรองรับการคำนวณจำนวนมากในหลายคอร์พร้อมหน่วยความจำมากมาย อย่างไรก็ตาม การจัดการ GPU หลายตัวในองค์กรต้องการทรัพยากรภายในจำนวนมากและมีค่าใช้จ่ายสูง
#gadgetมาใหม่ #อัพเดทโลกไซเบอร์ #DeepLearning
