ปัญญาประดิษฐ์ (AI) คืออะไร

ในเอกสารสัมมนาของ Alan Turing จากปี 1950 เรื่อง "Computing Machinery and Intelligence" เขาพิจารณาว่าเครื่องจักรสามารถคิดเองได้หรือไม่ ในบทความนี้ Turing ได้บัญญัติคำว่าปัญญาประดิษฐ์ขึ้นเป็นครั้งแรก และนำเสนอเป็นแนวคิดทางทฤษฎีและปรัชญา 

ในระหว่างปี 1957 ถึง 1974 การพัฒนาด้านคอมพิวเตอร์ทำให้คอมพิวเตอร์จัดเก็บข้อมูลได้มากขึ้นและประมวลผลได้เร็วขึ้น ในช่วงเวลานี้ นักวิทยาศาสตร์ได้ต่อยอดพัฒนาอัลกอริธึมแมชชีนเลิร์นนิง (ML) ขึ้นมา ความก้าวหน้าในสาขานี้ทำให้หน่วยงานต่างๆ เช่น Defense Advanced Research Projects Agency (DARPA) จัดตั้งกองทุนสำหรับการวิจัย AI ในตอนแรก เป้าหมายหลักของการวิจัยนี้คือการค้นหาว่าคอมพิวเตอร์สามารถถอดเสียงและแปลภาษาพูดได้หรือไม่

ตลอดช่วงทศวรรษ 80 มีเงินทุนเพิ่มขึ้นและชุดเครื่องมืออัลกอริธึมที่นักวิทยาศาสตร์ใช้ในการพัฒนา AI ก็มีประสิทธิภาพเพิ่มมากขึ้น David Rumelhart และ John Hopfield ตีพิมพ์บทความเกี่ยวกับเทคนิคดีปเลิร์นนิง ซึ่งแสดงให้เห็นว่าคอมพิวเตอร์สามารถเรียนรู้จากประสบการณ์ได้ 

ตั้งแต่ปี 1990 ถึงต้นทศวรรษ 2000 นักวิทยาศาสตร์บรรลุเป้าหมายหลักของ AI ในหลากหลายด้าน เช่น การคว้าแชมป์ในการแข่งขันหมากรุกโลก ด้วยข้อมูลการประมวลผลและพลังในการประมวลผลที่เพิ่มมากขึ้นในยุคสมัยใหม่มากกว่าทศวรรษที่ผ่านมา การวิจัยด้าน AI จึงเป็นเรื่องที่นิยมและเข้าถึงได้มากขึ้น โดยมีการพัฒนาอย่างรวดเร็วไปสู่ปัญญาประดิษฐ์ทั่วไป ดังนั้นซอฟต์แวร์จึงสามารถทำงานที่ซับซ้อนได้ ซอฟต์แวร์สามารถสร้าง ตัดสินใจ และเรียนรู้ได้ด้วยตัวเอง ซึ่งก่อนหน้านี้มีเพียงมนุษย์เท่านั้นที่ทำได้

ปัญญาประดิษฐ์มีแอปพลิเคชันที่หลากหลาย แม้ว่ารายการนี้จะไม่ครบถ้วนสมบูรณ์ แต่เป็นตัวอย่างบางส่วนที่เน้นกรณีการใช้งานที่หลากหลายของ AI

การประมวลผลเอกสารอัจฉริยะ

การประมวลผลเอกสารอัจฉริยะ (IDP) จะแปลรูปแบบเอกสารที่ไม่มีโครงสร้างให้เป็นข้อมูลที่ใช้งานได้ ตัวอย่างเช่น แปลงเอกสารทางธุรกิจ เช่น อีเมล รูปภาพ และ PDF เป็นข้อมูลที่มีโครงสร้าง IDP ใช้เทคโนโลยี AI เช่น การประมวลผลภาษาธรรมชาติ (NLP), ดีปเลิร์นนิง และคอมพิวเตอร์วิชันเพื่อแยก จำแนก และตรวจสอบข้อมูล 

ตัวอย่างเช่น HM Land Registry (HMLR) จัดการกรรมสิทธิ์ในอสังหาริมทรัพย์มากกว่า 87 เปอร์เซ็นต์ในอังกฤษและเวลส์ เจ้าหน้าที่ดูแลกรณีของ HMLR เปรียบเทียบและตรวจสอบเอกสารทางกฎหมายที่ซับซ้อนที่เกี่ยวข้องกับธุรกรรมด้านอสังหาริมทรัพย์ องค์กรได้ปรับใช้แอปพลิเคชัน AI เพื่อทำให้การเปรียบเทียบเอกสารเป็นอัตโนมัติ ซึ่งลดเวลาในการตรวจสอบลง 50 เปอร์เซ็นต์ และเสริมประสิทธิภาพในกระบวนการอนุมัติการโอนอสังหาริมทรัพย์ หาต้องการข้อมูลเพิ่มเติม โปรดอ่านข้อมูลเกี่ยวกับวิธีที่ HMLR ใช้ Amazon Textract

Application Performance Monitoring

Application Performance Monitoring (APM) เป็นกระบวนการใช้เครื่องมือซอฟต์แวร์รวมถึงข้อมูลการตรวจวัดและส่งข้อมูลทางไกลเพื่อติดตามประสิทธิภาพของแอปพลิเคชันที่มีความสำคัญต่อธุรกิจ เครื่องมือ APM ที่ใช้ AI เป็นหลักจะใช้ข้อมูลประวัติเพื่อคาดการณ์ปัญหาก่อนที่จะเกิดปัญหาขึ้น อีกทั้งยังสามารถแก้ไขปัญหาแบบเรียลไทม์โดยแนะนำวิธีแก้ปัญหาที่มีประสิทธิภาพให้กับนักพัฒนาของคุณ กลยุทธ์นี้ช่วยให้แอปพลิเคชันทำงานได้อย่างมีประสิทธิภาพและแก้ไขปัญหาคอขวดได้

ตัวอย่างเช่น Atlassian สร้างผลิตภัณฑ์เพื่อปรับปรุงการทำงานเป็นทีมและองค์กรให้คล่องตัวยิ่งขึ้น Atlassian ใช้เครื่องมือ AI APM เพื่อตรวจติดตามแอปพลิเคชันอย่างต่อเนื่อง ตรวจจับปัญหาที่อาจเกิดขึ้น และจัดลำดับความรุนแรง เมื่อใช้ฟังก์ชันนี้ ทีมงานจะสามารถปฏิบัติตามคำแนะนำที่ขับเคลื่อนด้วย ML ได้อย่างรวดเร็ว และแก้ไขประสิทธิภาพที่ลดลง 

อ่านเกี่ยวกับ APM »

การซ่อมบำรุงเชิงคาดการณ์

การบำรุงรักษาแบบใช้ข้อมูลคาดการณ์ที่เสริมด้วย AI คือกระบวนการใช้ข้อมูลจำนวนมากเพื่อระบุปัญหาที่อาจนำไปสู่การหยุดทำงานของระบบหรือบริการ การบำรุงรักษาแบบใช้ข้อมูลคาดการณ์ช่วยให้ธุรกิจสามารถแก้ไขปัญหาที่อาจเกิดขึ้นได้ก่อนที่จะเกิดปัญหาขึ้น ซึ่งช่วยลดเวลาหยุดทำงานและป้องกันการหยุดชะงักได้

ตัวอย่างเช่น Baxter ใช้โรงงานผลิต 70 แห่งทั่วโลกและดำเนินงานตลอด 24 ชั่วโมงทุกวันเพื่อให้บริการเทคโนโลยีทางการแพทย์ Baxter ใช้การบำรุงรักษาแบบใช้ข้อมูลคาดการณ์เพื่อตรวจจับสภาวะที่ผิดปกติในอุปกรณ์อุตสาหกรรมโดยอัตโนมัติ ผู้ใช้สามารถนำโซลูชันที่มีประสิทธิภาพมาใช้งานล่วงหน้าเพื่อลดเวลาหยุดทำงานและเพิ่มประสิทธิภาพในการดำเนินงาน หากต้องการข้อมูลเพิ่มเติม โปรดอ่านข้อมูลเกี่ยวกับวิธีที่ Baxter ใช้ Amazon Monitron

การวิจัยทางการแพทย์

การวิจัยทางการแพทย์ใช้ AI เพื่อเพิ่มความคล่องตัวในกระบวนการ ปรับงานที่ต้องซ้ำๆ ให้ดำเนินไปโดยอัตโนมัติ และประมวลผลข้อมูลจำนวนมหาศาล คุณสามารถใช้เทคโนโลยี AI ในการวิจัยทางการแพทย์เพื่ออำนวยความสะดวกในการค้นคว้าและพัฒนายาแบบครบวงจร ถอดความบันทึกทางการแพทย์ และลดเวลาในการนำผลิตภัณฑ์ใหม่ๆ ออกสู่ตลาด

ตามตัวอย่างในโลกแห่งความเป็นจริง C2i Genomics ใช้ปัญญาประดิษฐ์เพื่อรันไปป์ไลน์จีโนมและการตรวจทางคลินิกในวงกว้างที่สามารถปรับแต่งได้ เนื่องจาก AI ครอบคลุมไปถึงโซลูชันการประมวลผล นักวิจัยสามารถมุ่งเน้นไปที่ประสิทธิภาพทางคลินิกและการพัฒนาวิธีการได้ ทีมวิศวกรยังใช้ AI เพื่อลดความต้องการใช้ทรัพยากร การบำรุงรักษาทางวิศวกรรม และต้นทุน NRE อีกด้วย หากต้องการรายละเอียดเพิ่มเติม โปรดอ่านข้อมูลเกี่ยวกับวิธีที่ C2i Genomics ใช้ AWS HealthOmics

การวิเคราะห์ทางธุรกิจ

การวิเคราะห์ธุรกิจใช้ AI เพื่อรวบรวม ประมวลผล และวิเคราะห์ชุดข้อมูลที่ซับซ้อน คุณสามารถใช้การวิเคราะห์ AI เพื่อคาดการณ์มูลค่าในอนาคต ทำความเข้าใจสาเหตุที่แท้จริงของข้อมูล และลดกระบวนการที่ใช้เวลานาน 

ตัวอย่างเช่น Foxconn ใช้การวิเคราะห์ธุรกิจที่เสริมด้วย AI เพื่อพัฒนาความแม่นยำในการพยากรณ์ โดยมีความแม่นยำในการคาดการณ์เพิ่มขึ้น 8 เปอร์เซ็นต์ ซึ่งช่วยประหยัดค่าใช้จ่ายในโรงงานได้ 533,000 ดอลลาร์ต่อปี อีกทั้งยังใช้การวิเคราะห์ธุรกิจเพื่อลดการสิ้นเปลืองแรงงานและเพิ่มความพึงพอใจของลูกค้าโดยอาศัยการตัดสินใจที่มีข้อมูลประกอบ

สถาปัตยกรรมปัญญาประดิษฐ์ประกอบด้วย 4 เลเยอร์หลัก แต่ละเลเยอร์เหล่านี้ใช้เทคโนโลยีที่แตกต่างกันเพื่อทำแต่ละบทบาท ในลำดับต่อไป เราจะอธิบายสิ่งที่เกิดขึ้นในแต่ละเลเยอร์

เลเยอร์ที่ 1: เลเยอร์ข้อมูล

AI สร้างขึ้นจากเทคโนโลยีต่างๆ เช่น แมชชีนเลิร์นนิง การประมวลผลภาษาธรรมชาติ และการจดจำรูปภาพ ศูนย์กลางของเทคโนโลยีเหล่านี้คือข้อมูล ซึ่งเป็นเลเยอร์ขั้นพื้นฐานของ AI เลเยอร์นี้จะเน้นไปที่การเตรียมข้อมูลสำหรับแอปพลิเคชัน AI เป็นหลัก อัลกอริธึมสมัยใหม่ โดยเฉพาะอัลกอริธึมดีปเลิร์นนิง ต้องใช้ทรัพยากรการประมวลผลจำนวนมหาศาล ดังนั้น เลเยอร์นี้จึงมีฮาร์ดแวร์ที่ทำหน้าที่เป็นเลเยอร์ย่อย ซึ่งเป็นโครงสร้างพื้นฐานที่จำเป็นสำหรับการฝึกโมเดล AI คุณสามารถเข้าถึงเลเยอร์นี้โดยเป็นบริการที่มีการจัดการเต็มรูปแบบจากผู้ให้บริการระบบคลาวด์ที่เป็นบุคคลที่สาม

อ่านเรื่องแมชชีนเลิร์นนิง »

เลเยอร์ที่ 2: เฟรมเวิร์ก ML และเลเยอร์อัลกอริทึม

เฟรมเวิร์ก ML สร้างขึ้นโดยวิศวกรร่วมกับนักวิทยาศาสตร์ข้อมูล เพื่อตอบโจทย์ความต้องการของกรณีการใช้งานทางธุรกิจที่เฉพาะเจาะจง จากนั้นนักพัฒนาจะสามารถใช้ฟังก์ชันและคลาสที่สร้างไว้ล่วงหน้าเพื่อสร้างและฝึกโมเดลได้อย่างง่ายดาย ตัวอย่างของเฟรมเวิร์กเหล่านี้ ได้แก่ TensorFlow, PyTorch และ scikit-learn เฟรมเวิร์กเหล่านี้เป็นองค์ประกอบสำคัญของสถาปัตยกรรมแอปพลิเคชันและมีฟังก์ชันที่จำเป็นในการสร้างและฝึกโมเดล AI ได้อย่างง่ายดาย

เลเยอร์ที่ 3: เลเยอร์โมเดล

ในเลเยอร์โมเดล นักพัฒนาแอปพลิเคชันจะนำโมเดล AI ไปใช้และฝึกโมเดลโดยใช้ข้อมูลและอัลกอริธึมจากเลเยอร์ก่อนหน้านี้ เลเยอร์นี้เป็นหัวใจสำคัญของความสามารถในการตัดสินใจของระบบ AI

ต่อไปนี้เป็นองค์ประกอบสำคัญบางส่วนของเลเยอร์นี้

โครงสร้างโมเดล

โครงสร้างนี้จะกำหนดความสามารถของโมเดล ซึ่งประกอบด้วยเลเยอร์ เซลล์ประสาท และฟังก์ชันการเปิดใช้งาน เราอาจเลือกจากนิวรัลเน็ตเวิร์กแบบฟีดฟอร์เวิร์ด นิวรัลเน็ตเวิร์กแบบสังวัตนาการ (CNN) หรืออื่นๆ ทั้งนี้ขึ้นอยู่กับปัญหาและทรัพยากร

พารามิเตอร์และฟังก์ชันของโมเดล

ค่าที่เรียนรู้ระหว่างการฝึก เช่น น้ำหนักและอคติของนิวรัลเน็ตเวิร์ก มีความสำคัญอย่างยิ่งต่อการคาดการณ์ ฟังก์ชันการสูญเสียจะประเมินประสิทธิภาพของโมเดลและมีเป้าหมายเพื่อลดความคลาดเคลื่อนระหว่างผลลัพธ์ที่คาดการณ์ไว้กับผลลัพธ์จริง

เครื่องมือเพิ่มประสิทธิภาพ

องค์ประกอบนี้จะปรับพารามิเตอร์โมเดลเพื่อลดฟังก์ชันการสูญเสีย เครื่องมือเพิ่มประสิทธิภาพต่างๆ เช่น การไล่ระดับสีและ Adaptive Gradient Algorithm (AdaGrad) ทำหน้าที่เพื่อวัตถุประสงค์ที่แตกต่างกัน

เลเยอร์ที่ 4 – เลเยอร์แอปพลิเคชัน

เลเยอร์ที่ 4 คือเลเยอร์แอปพลิเคชัน ซึ่งเป็นส่วนที่มีปฏิสัมพันธ์กับลูกค้าของสถาปัตยกรรม AI คุณสามารถขอให้ระบบ AI ทำงานบางอย่าง สร้างข้อมูล ให้ข้อมูล หรือตัดสินใจโดยมีข้อมูลประกอบได้ เลเยอร์แอปพลิเคชันช่วยให้ผู้ใช้ปลายทางสามารถโต้ตอบกับระบบ AI

Amazon Web Services (AWS) ให้บริการ เครื่องมือ และทรัพยากรที่ครอบคลุมมากที่สุดเพื่อตอบโจทย์ความต้องการด้านเทคโนโลยี AI ของคุณ AWS ช่วยให้องค์กรทุกขนาดสามารถเข้าถึง AI ได้ เพื่อให้ทุกคนสามารถสร้างเทคโนโลยีใหม่ที่เป็นนวัตกรรมโดยไม่ต้องกังวลกับทรัพยากรโครงสร้างพื้นฐานต่างๆ

แมชชีนเลิร์นนิงและปัญญาประดิษฐ์ของ AWS นำเสนอบริการหลายร้อยรายการเพื่อสร้างและปรับขนาดแอปพลิเคชัน AI สำหรับกรณีการใช้งานทุกประเภท ตัวอย่างบริการที่คุณสามารถใช้ได้มีดังนี้

• การรักษาความปลอดภัยของ Amazon CodeGuru เพื่อตรวจจับ ตรวจติดตาม และแก้ไขช่องโหว่ด้านความปลอดภัยของรหัส
• Amazon Fraud Detector เพื่อตรวจจับการฉ้อโกงออนไลน์และเสริมประสิทธิภาพของโมเดลการตรวจจับ
• Amazon Monitron เพื่อตรวจจับปัญหาโครงสร้างพื้นฐานก่อนที่จะเกิดขึ้น
• Amazon Rekogniton เพื่อทำให้การจดจำรูปภาพและการวิเคราะห์วิดีโอเป็นไปโดยอัตโนมัติ มีความคล่องตัว และปรับขนาดได้
• Amazon Textract เพื่อแยกข้อความที่พิมพ์ วิเคราะห์ลายมือ และบันทึกข้อมูลจากเอกสารทุกประเภทโดยอัตโนมัติ
• Amazon Transcribe เพื่อแปลงคำพูดเป็นข้อความ แยกข้อมูลเชิงลึกทางธุรกิจที่สำคัญจากไฟล์วิดีโอ และเสริมผลลัพธ์ทางธุรกิจให้ดียิ่งขึ้น

 เริ่มต้นใช้งานปัญญาประดิษฐ์บน AWS โดยสร้างบัญชีวันนี้