Machine Learning และ Deep Learning คืออะไร มีกระบวนการเป็นอย่างไร แตกต่างกันแค่ไหน แล้วสามารถนำไปประยุกต์ใช้กับอะไรได้บ้าง มาทำความรู้จักกันได้ในบทความนี้เลย
Machine Learning (ML) คืออะไร มีกี่ประเภท
Machine Learning (ML) คือ การทำให้คอมพิวเตอร์ เรียนรู้สิ่งต่างๆ ประมวลผล คาดการณ์ และพัฒนาการทำงานให้ดีขึ้นได้จากข้อมูล และการเรียนรู้ของระบบ โดยไม่ต้องให้มนุษย์เข้าไปควบคุม หรือทำการเขียนโปรแกรมเพิ่มเติม ถ้าหากมีข้อมูลในรูปแบบใหม่ๆ ในอนาคต ซึ่งคอมพิวเตอร์ก็สามารถตีความและตอบสนองได้ด้วยตัวเอง โดยที่มนุษย์นั้นไม่ต้องเขียนโปรแกรมใหม่เลย
หลักการทำงานของ Machine Learning
Machine Learning (ML) มีอะไรบ้าง สามารถแบ่งออกเป็น 3 ประเภท ดังนี้
1. การเรียนรู้แบบมีผู้สอน (Supervised Learning)
การเรียนรู้แบบมีผู้สอน (Supervised Learning) คือ การทำให้คอมพิวเตอร์หาคำตอบของปัญหาได้ด้วยตนเอง หลังจากป้อนชุดข้อมูลตัวอย่างเข้าไป จากนั้นคอมพิวเตอร์ก็จะนำข้อมูลนั้นไปประมวลผล หรือจัดหมวดหมู่ (Classification) เพื่อให้คอมพิวเตอร์สามารถแยกออกได้ว่าข้อมูลนั้นๆ คืออะไร
2. การเรียนรู้แบบไม่มีผู้สอน (Unsupervised Learning)
การเรียนรู้แบบไม่มีผู้สอน (Unsupervised Learning) คือ การทำให้เครื่องจักรนั้นสามารถเรียนรู้ได้ด้วยตนเอง โดยมนุษย์จะเป็นผู้ใส่ข้อมูลต่างๆ เข้าไป หลังจากนั้นก็กำหนดสิ่งที่ต้องการจากข้อมูล จะทำให้เครื่องจักรวิเคราะห์ และสามารถสร้างแบบแผนจากข้อมูลที่ได้รับมา
3. การเรียนรู้แบบเสริมกำลัง (Reinforcement Learning)
การเรียนรู้แบบเสริมกำลัง (Reinforcement Learning) คือ วิธีการเรียนรู้ที่ใช้การเรียนรู้จากการปฏิสัมพันธ์ (Interaction) ระหว่างผู้เรียน (Agent) กับสิ่งแวดล้อม (Environment) โดยการกำหนดเงื่อนไขบางอย่างให้กับคอมพิวเตอร์ และทำให้คอมพิวเตอร์ทำตามเงื่อนไขนั้นให้ได้
ประโยชน์ของ Machine Learning
Machine Learning มีประโยชน์ในเชิงปฏิบัติหลายอย่าง เช่น การพัฒนา Google Map ของบริษัท Google ซึ่งช่วยให้ความสะดวกในการเดินทาง หรือจะเป็น Google Translation ตัวช่วยแปลภาษา ที่นำ Machine Learning มาทำงานร่วมกับ Automation ทั้งนี้ แอปพลิเคชันไลน์ ก็นำ Machine Learning มาปรับใช้กับ Speech-to-Text Technology เป็นตัวช่วยประหยัดเวลาสำหรับการพิมพ์แชต
Deep Learning (DL) คืออะไร
Deep Learning (DL) คือ วิธีการเรียนรู้เพื่อหาคำตอบ โดยการแยกข้อมูลต่างๆ ที่ได้รับมาทั้งหมด แล้วนำมาประมวลผล หาจุดแตกต่างและจุดเด่นของข้อมูลนั้นๆ โดยกรองข้อมูลออกเป็นชั้นๆ หลังจากนั้นสรุปผลของข้อมูลออกมาเป็น Output
หลักการทำงานของ Deep Learning
Deep Learning มีหลักการทำงานคล้ายกับสมองมนุษย์ กล่าวคือ สมองมนุษย์นั้นมีเซลล์ประสาทที่เชื่อมต่อกันหลายเซลล์ และทำงานร่วมกัน เพื่อเรียนรู้และประมวลผล ซึ่ง Deep Learning ก็มีระบบหรือซอฟต์แวร์ที่เชื่อมต่อกัน และทำงานร่วมกันภายในคอมพิวเตอร์ อย่างเช่น Module Software ที่เรียกว่า Node ซึ่งใช้การคำนวณ มาประมวลผลของข้อมูลที่ซับซ้อน
ประโยชน์ของ Deep Learning
ประโยชน์ของ Deep Learning มีดังนี้
- สามารถแยกแยะใบหน้าของคนได้
- สามารถแยกวัตถุที่ไม่ใช่คน แยกแยะสิ่งมีชีวิต อย่างเช่น แยกนกออกจากปลา หรือแยกสิ่งไม่มีชีวิต อย่างเช่นแยกหมอนออกจากเตียง
- สามารถแยกเสียงและสำเนียงภาษาพูดให้เป็นภาษาเขียนได้
- ช่วยแยกการแต่งกาย แยกเพื่อให้รู้ว่า ใครแต่งตัวสไตล์เดียวกันบ้าง และนำเสนอข้อมูลว่ามีเสื้อผ้าสไตล์นี้อยู่ที่ไหนบ้าง
- ใช้ Deep Learning (DL) สำหรับรถยนต์ เพื่อตรวจจับป้ายจราจรหรือคนเดินเท้า
- ใช้ในทางการแพทย์ เพื่อตรวจหาเซลล์มะเร็ง
Machine Learning กับ Deep Learning ต่างกันอย่างไร
แล้ว Machine Learning กับ Deep Learning ต่างกันอย่างไรนั้น สามารถจำแนกข้อสรุปได้ ดังนี้
วัตถุประสงค์ในการนำไปใช้งาน
Machine Learning จะต้องระบุข้อมูลที่มีโครงสร้างเข้าไป เพื่อให้เกิดการประมวลผลข้อมูล อย่างเช่น การใช้ Machine Learning ของบริษัทหนึ่ง เพื่อคาดการณ์ความต้องการ หรือความพึงพอใจจากข้อเสนอแนะของลูกค้า แต่ Deep Learning จะเหมาะสำหรับข้อมูลที่ไม่มีโครงสร้าง
ข้อกำหนดของโครงสร้างพื้นฐาน
AI Deep Learning คือการที่จะต้องมีพื้นที่เก็บข้อมูล และกำลังในการคำนวณมากกว่า Machine Learning ซึ่ง Deep Learning จะต้องการ Cluster server มีประสิทธิภาพสูงและโครงสร้างพื้นฐานที่สำคัญ ทำให้ข้อกำหนดด้านโครงสร้างพื้นฐานสำหรับ Deep Learning มีค่าใช้จ่ายที่สูงกว่า Machine Learning
วิธีการฝึกหรืออบรม
วิธีการฝึกหรืออบรมของ Machine Learning มี 4 วิธี ได้แก่ การเรียนรู้แบบผู้ดูแล การเรียนรู้แบบไม่มีผู้ดูแล การเรียนรู้แบบกึ่งผู้ดูแล และการเรียนรู้แบบเสริมความรู้ แต่ในทางตรงกันข้าม Deep Learning จะใช้วิธีการฝึกที่ซับซ้อนหลายประเภท ซึ่งรวมถึง GAN (Generative Adversarial Networks) และ Autoencoders
แนวทางในการแก้ปัญหา
ในการแก้ปัญหาสำหรับ Machine Learning มนุษย์จะต้องเป็นผู้เลือกและนำคุณลักษณะจากข้อมูลมาแก้ไข แต่ Deep Learning มีการออกแบบมาอย่างซับซ้อน ซึ่งการเรียนรู้ของ Deep Learning จะเป็นการการสร้างแบบจำลองจากการทำงานของสมองมนุษย์ ทำให้การดำเนินการแก้ไข มนุษย์จะเข้ามาเกี่ยวข้องน้อยที่สุด
ประสิทธิภาพในการทำงาน
แน่นอนว่าทั้ง Machine Learning และ Deep Learning มีประสิทธิภาพในการทำงานแบบเฉพาะ สำหรับงานที่ง่าย อย่างเช่น การระบุข้อความสแปม ประสิทธิภาพในการทำงานของ Machine Learning จะดีกว่า Deep Learning แต่สำหรับงานที่ซับซ้อน อย่างเช่น การรับรู้หรือจดจำภาพทางการแพทย์ ประสิทธิภาพในการทำงานของ Deep Learning จะดีกว่า Machine Learning
การให้มนุษย์เข้าไปมีส่วนร่วม
ทั้ง Machine Learning และ Deep Learning มนุษย์จะต้องมีส่วนร่วมในการทำงาน ไม่ว่าจะเป็นการกำหนดปัญหา หรือการเตรียมข้อมูล รวมถึงฝึกอบรมแบบจำลอง และประเมินผล เพื่อเพิ่มประสิทธิภาพและนำมาปรับใช้กับการแก้ปัญหา ซึ่ง Machine Learning มนุษย์จะมีส่วนร่วมมากกว่า Deep Learning
การนำ Machine Learning กับ Deep Learning ไปประยุกต์ใช้
ปัจจุบันนี้ ได้มีการนำ AI Machine Learning กับ AI Deep Learning ไปประยุกต์ใช้ให้เกิดประโยชน์ต่างๆ ดังนี้
การเงิน
ไม่ว่าจะเป็นธนาคาร หรือธุรกิจที่เกี่ยวข้องกับการเงิน ก็สามารถนำ Machine Learning มาเป็นตัวช่วยในการป้องกันการฉ้อโกง และตรวจสอบทุจริตได้ หรือนำมาเป็นเครื่องมือประกอบการตัดสินใจ หรือพิจารณาในการปล่อยเงินกู้ รวมถึงการนำ Machine Learning มาวิเคราะห์ความเสี่ยง หรือการคาดการณ์ในการลงทุน
การแปลภาษา
สำหรับการแปลภาษา Google Translate ได้นำ AI Deep Learning มาประยุกต์ใช้ ไม่ว่าจะเป็นการวิเคราะห์ข้อมูลของผู้ใช้งาน หรือการป้อนข้อมูลในรูปของตัวอักษร รูปภาพและเสียงเข้าไป เพื่อเปรียบเทียบกับข้อมูลหลากหลายภาษา
การสื่อสาร
Deep Learning สามารถนำมาใช้ในการสร้างการสื่อสารได้ อย่างเช่น การสร้างการโต้ตอบกับข้อมูลของผู้ใช้งานแบบอัตโนมัติ หรือการสร้างงานเขียนแนวบทความวิชาการหรือนิยาย โดยการเชื่อมโยงระหว่างคำที่มีอยู่ในฐานข้อมูล และนำคำที่เกี่ยวข้องมาสร้างเป็นประโยค
การจดจำเสียงพูด
Deep Learning สามารถวิเคราะห์คำพูดของมนุษย์ได้ ทั้งรูปแบบคำพูด น้ำเสียง ระดับเสียง รวมไปถึงภาษา และสำเนียงภาษาที่แตกต่างกันไป
การดึงข้อมูลจากภาพและวิดีโอของคอมพิวเตอร์
คอมพิวเตอร์สามารถดึงข้อมูลเชิงลึกจากภาพและวิดีโอได้ ซึ่งคอมพิวเตอร์สามารถใช้ Deep Learning เพื่อเรียนรู้และเข้าใจภาพในลักษณะเดียวกับที่มนุษย์สามารถทำได้ อย่างเช่น การระบุวัตถุในรูปภาพ การกลั่นกรองเนื้อหาที่ไม่เหมาะสม
ประมวลผลของภาษา
ระบบรวมรวบและตอบคำถามที่พบบ่อยของ AI Reception ทำงานโดยการใช้ฐานข้อมูลของคำถามและคำตอบที่ถูกจัดเก็บไว้อย่างเป็นระบบ เมื่อมีผู้ใช้งานหรือลูกค้าถามคำถามที่พบบ่อยผ่านระบบ AI Reception จะทำการค้นหาคำตอบที่เหมาะสมจากฐานข้อมูลและนำเสนอกลับไปยังผู้ถามโดยอัตโนมัติ ซึ่งช่วยให้การตอบคำถามเป็นไปอย่างรวดเร็วและมีประสิทธิภาพตลอด 24 ชั่วโมง
การแนะนำผลิตภัณฑ์หรือบริการ
แอปพลิเคชันต่างๆ สามารถ Deep Learning มาใช้เพื่อติดตามกิจกรรมของผู้ใช้งานได้ หรือสามารถวิเคราะห์พฤติกรรมของผู้ใช้ต่างๆ เพื่อช่วยให้ค้นพบกับผลิตภัณฑ์หรือบริการใหม่ๆ ตัวอย่างเช่น แอปพลิเคชัน Netflix ใช้ Deep Learning เพื่อให้คำแนะนำวิดีโอที่เหมาะสมกับผู้ใช้งาน
การแพทย์
ในทางการแพทย์ สามารถนำ Machine learning เข้ามาใช้งานในด้านต่างๆ ได้ อย่างเช่น ใช้ในการวินิจฉัย ใช้ในการประเมินสุขภาพ หรืออาจจะนำมาใช้กับการวิจัยทางการแพทย์ต่างๆ เพื่อเพิ่มศักยภาพในการวิเคราะห์ข้อมูล
การเล่นเกม
Deep Learning สามารถนำมาใช้กับเกมได้ อย่างเช่น เมื่อปี 2016 มีการแข่งขันเกมหมากล้อม ที่ได้ใช้ Deep Learning มาวิเคราะห์เเละดำเนินเกม ทำให้คอมพิวเตอร์ AlphaGo สามารถเอาชนะมนุษย์ได้
การค้าปลีก
สำหรับการค้าปลีก สามารถใช้ AI Deep Learning มาวิเคราะห์ประวัติการซื้อขายหรือแนะนำสินค้าที่เหมาะสมสำหรับกลุ่มลูกค้า เพื่อช่วยเพิ่มยอดขายได้ หรือนำมาใช้ในการคาดการณ์การตลาดและความต้องการของลูกค้าได้
การขนส่ง
ในการขนส่งสามารถนำ AI Deep Learning เข้ามาใช้งานในเรื่องของการประเมินยานพาหนะ เพื่อใช้ในการขนส่ง หรือการทำระบบขับขี่ยานพาหนะแบบไร้คนขับ
การคำนวณปริมาณในการใช้พลังงาน
พลังงาน ถือเป็นสิ่งสำคัญที่ใช้ในการขับเคลื่อนของสิ่งต่างๆ ซึ่งสามารถนำ Deep Learning มาช่วยในการคาดการณ์ปริมาณของการใช้พลังงาน เพื่อใช้ในการคำนวณ อีกทั้งยังนำไปใช้สำหรับการพยากรณ์ ในการใช้พลังงานของประเทศในอนาคตได้ด้วย
สรุป
AI Machine Learning (ML) กับ AI Deep Learning (DL) ต่างกันอย่างไร? สามารถสรุปได้ในเรื่องของความแตกต่าง คือ วัตถุประสงค์ในการนำไปใช้งาน วิธีการฝึกหรืออบรม แนวทางในการแก้ปัญหา และประสิทธิภาพในการทำงาน ซึ่งทั้ง Machine Learning กับ Deep Learning สามารถนำไปประยุกต์ใช้ให้เกิดประโยชน์ และเป็น Use Case ในวงการต่างๆ อย่างเช่น การขนส่ง การแพทย์ การสื่อสาร การแนะนำผลิตภัณฑ์หรือบริการ และการเงิน ซึ่งการเรียนรู้นี้มีอยู่ใน AI หากใครสนใจนำ AI เพื่อนำไปใช้งาน โดยมีกระบวนการเรียนรู้เหล่านี้ สามารถเลือกระบบ AI ที่เหมาะสมกับการใช้งานได้ที่ dIA เพื่อทำให้การทำงานขององค์กรง่ายและสะดวกขึ้น