ดิปเลิร์นนิงคืออะไร

ดีปเลิร์นนิงช่วยสร้างคือดีปเลิร์นนิงที่เน้นไปที่การสร้างผลลัพธ์ใหม่จากอินพุตที่เรียนรู้ โดยปกติแล้ว ดีปเลิร์นนิงจะเน้นที่การระบุความสัมพันธ์ระหว่างข้อมูล โมเดลดีปเลิร์นนิงได้รับการฝึกด้วยข้อมูลจำนวนมากเพื่อจดจำรูปแบบในชุดข้อมูล

ดีปเลิร์นนิงช่วยสร้างจะเพิ่มการสร้างสู่การจดจำรูปแบบ โมเดลดังกล่าวจะมองหารูปแบบข้อมูลแล้วสร้างรูปแบบที่เป็นเอกลักษณ์ของตัวเอง ตัวอย่างเช่น สามารถวิเคราะห์ข้อความในหนังสือหลายเล่ม จากนั้นจะใช้ข้อมูลเพื่อสร้างประโยคและย่อหน้าใหม่ที่ไม่พบในหนังสือต้นฉบับ

การเรียนรู้เชิงสร้างสรรค์เชิงลึกเป็นพื้นฐานของ AI ช่วยสร้างและ โมเดลพื้นฐานที่ทันสมั ย โมเดลเหล่านี้ใช้เทคโนโลยีดีปเลิร์นนิงในระดับที่ผ่านการฝึกจากข้อมูลขนาดใหญ่เพื่อทำงานที่ซับซ้อน เช่น การตอบคำถาม สร้างภาพจากข้อความ และการเขียนเนื้อหา

ดูวิดีโอเบื้องต้นเกี่ยวกับแบบโมเดลพื้นฐาน

ดีปเลิร์นนิงมีหลายกรณีการใช้งานในอุตสาหกรรมยานยนต์, การบินและอวกาศ การผลิต อิเล็กทรอนิกส์ การวิจัยทางการแพทย์ และสาขาอื่นๆ

• รถยนต์ขับเองใช้โมเดลดีปเลิร์นนิงเพื่อการตรวจจับวัตถุ
• ระบบป้องกันประเทศใช้ดีปเลิร์นนิงเพื่อกำหนดสถานะพื้นที่ต้องให้ความสนใจต่อภาพดาวเทียมโดยอัตโนมัติ
• การวิเคราะห์ภาพทางการแพทย์ใช้ดีปเลิร์นนิงเพื่อตรวจหาเซลล์มะเร็งเพื่อการวินิจฉัยทางการแพทย์
• โรงงานใช้แอปพลิเคชันดีปเลิร์นนิงเพื่อตรวจจับเมื่อคนหรือวัตถุอยู่ในระยะที่ไม่ปลอดภัยของเครื่องจักร

กรณีการใช้งานต่าง ๆ ของดีปเลิร์นนิงสามารถจัดกลุ่มเป็นห้าประเภทที่กว้างๆ ได้แก่ คอมพิวเตอร์วิชัน, การรู้จำเสียง, การประมวลผลภาษาธรรมชาติ (NLP), กลไกการแนะนำข้อมูล และ AI ช่วยสร้าง

คอมพิวเตอร์วิทัศน์

การมองเห็นด้วยคอมพิวเตอร์ จะดึงข้อมูลและข้อมูลเชิงลึกจากภาพและวิดีโอโดยอัตโนมัติ เทคนิคดีปเลิร์นนิงสามารถเข้าใจภาพในลักษณะเดียวกับที่มนุษย์ทำได้ คอมพิวเตอร์วิทัศน์มีรูปแบบการใช้งานหลายอย่าง เช่น

• การกลั่นกรองเนื้อหาเพื่อลบเนื้อหาที่ไม่ปลอดภัยหรือไม่เหมาะสมออกจากคลังภาพและวิดีโอโดยอัตโนมัติ
• การจดจำใบหน้าเพื่อระบุใบหน้าและจดจำคุณลักษณะต่างๆ เช่น ดวงตา แว่นตา และขนบนใบหน้า
• การระบุวัตถุในรูปภาพเพื่อระบุโลโก้แบรนด์ เสื้อผ้า อุปกรณ์นิรภัย และรายละเอียดรูปภาพอื่นๆ

การจดจำเสียงพูด

ดีปเลิร์นนิงสามารถวิเคราะห์คำพูดของมนุษย์ได้แม้จะมีรูปแบบคำพูด ระดับเสียง น้ำเสียง ภาษา และสำเนียงที่แตกต่างกัน ผู้ช่วยเสมือนเช่น Amazon Alexa ซอฟต์แวร์แปลงข้อความเป็นคำพูด และ ซอฟต์แวร์แปลงคำพูดเป็นข้อความ ใช้การจดจำคำพูดเพื่อทำงานต่อไปนี้:

• ช่วยเจ้าหน้าที่ศูนย์บริการและจัดประเภทการโทรโดยอัตโนมัติ
• แปลงบทสนทนาทางการแพทย์เป็นเอกสารแบบเรียลไทม์
• บรรยายวิดีโอและบันทึกการประชุมได้อย่างแม่นยำเพื่อการเข้าถึงเนื้อหาที่กว้างขึ้น
• แปลงสคริปต์เป็นพร้อมท์สำหรับระบบช่วยเหลือด้วยเสียงอัจฉริยะ

การประมวลผลภาษาธรรมชาติ

คอมพิวเตอร์ใช้อัลกอริทึมดีปเลิร์นนิงเพื่อรวบรวมข้อมูลเชิงลึกและความหมายจากข้อความ และเอกสาร ความสามารถในการประมวลผลข้อความธรรมชาติที่มนุษย์สร้างขึ้นมีหลายกรณีการใช้งาน ซึ่งรวมถึง

• เจ้าหน้าที่เสมือนและ Chatbot อัตโนมัติ
• สรุปเอกสารหรือบทความข่าวโดยอัตโนมัติ
• การวิเคราะห์ข้อมูลวิเคราะห์และประมวลผลทางธุรกิจของเอกสารฉบับยาว เช่น อีเมลและแบบฟอร์ม
• การจัดทำดัชนีวลีสำคัญที่บ่งบอกถึงความรู้สึก เช่น ความคิดเห็นเชิงบวกและเชิงลบบนโซเชียลมีเดีย

กลไกการแนะนำ

แอปพลิเคชันสามารถใช้วิธีดีปเลิร์นนิงเพื่อติดตามกิจกรรมของผู้ใช้และพัฒนา คำแนะนำที่เหมาะกับแต่ละคนได้ พวกเขาสามารถวิเคราะห์พฤติกรรมของผู้ใช้ และช่วยค้นพบผลิตภัณฑ์หรือบริการใหม่ ตัวอย่างเช่น

• แนะนำวิดีโอและเนื้อหาเฉพาะบุคคล
• แนะนำผลิตภัณฑ์และบริการที่กำหนดเอง
• กรองผลการค้นหาเพื่อเน้นเนื้อหาที่เกี่ยวข้องตามตำแหน่งและพฤติกรรมของผู้ใช้

AI ช่วยสร้าง

แอปพลิเคชัน AI ช่วยสร้างสามารถสร้างเนื้อหาใหม่และสื่อสารกับผู้ใช้ปลายทางได้ซับซ้อนมากขึ้น โดยสามารถช่วยทำงานที่ซับซ้อนโดยอัตโนมัติ แนวความคิด และการค้นหาความรู้แบบอัจฉริยะ ตัวอย่างเช่นด้วยเครื่องมือ AI ช่วยสร้างเช่น Amazon Q Business และ Amazon Q Developer ผู้ใช้สามารถ

• ถามคำถามด้วยภาษาแบบธรรมชาติและรับคำตอบสรุปจากแหล่งความรู้ภายในหลายแห่ง
• รับคำแนะนำโค้ด และการสแกนโค้ดอัตโนมัติ และการอัปเกรด
• สร้างเอกสารใหม่ อีเมล และเนื้อหาทางการตลาดอื่น ๆ ใหม่ได้เร็วขึ้น

คำว่าแมชชีนเลิร์นนิง, ดีปเลิร์นนิง และ AI ช่วยสร้างบ่งบอกถึงความก้าวหน้าในเทคโนโลยีนิวรัลเน็ตเวิร์ก

แมชชีนเลิร์นนิง

ดีปเลิร์นนิ่งเป็นชุดย่อยของแมชชีนเลิร์นนิง อัลกอริธึมดีปเลิร์นนิงเกิดขึ้นเพื่อทำให้เทคนิคแมชชีนเลิร์นนิงแบบดั้งเดิมมีประสิทธิภาพมากขึ้น วิธีแมชชีนเลิร์นนิ่งแบบดั้งเดิมต้องใช้ความพยายามอย่างมากของมนุษย์ในการฝึกซอฟต์แวร์ ตัวอย่างเช่นในการจดจำภาพสัตว์ คุณต้องทำดังนี้:

• ติดป้ายกำกับภาพสัตว์หลายร้อยหลายพันภาพด้วยตนเอง
• ทำให้อัลกอริทึมแมชชีนเลิร์นนิงประมวลผลภาพเหล่านั้น
• ทดสอบอัลกอริทึมเหล่านั้นในชุดของภาพที่ไม่รู้จัก
• ระบุสาเหตุที่ผลลัพธ์บางอย่างไม่ถูกต้อง
• ปรับปรุงชุดข้อมูลโดยการติดฉลากภาพใหม่เพื่อปรับปรุงความถูกต้องของผลลัพธ์

กระบวนการนี้เรียกว่าการเรียนรู้แบบมีผู้ฝึกฝน ในการเรียนรู้แบบมีผู้ดูแล ความถูกต้องของผลลัพธ์จะดีขึ้นเฉพาะด้วยชุดข้อมูลที่กว้างและแตกต่างกันอย่างเพียงพอ ยกตัวอย่างเช่น อัลกอริทึมอาจระบุแมวดำได้อย่างถูกต้อง แต่ไม่ใช่แมวขาวเพราะชุดข้อมูลการฝึกมีภาพแมวดำมากกว่า ในกรณีนี้ค ุณจะต้องมีข้อมูลที่กำกับภาพแมวสีขาวให้มากขึ้นและฝึกโมเดลแมชชีนเลิร์นนิงอีกครั้ง

ข้อดีของดีปเลิร์นนิงที่มากกว่าแมชชีนเลิร์นนิง

เครือข่ายดีปเลิร์นนิงมีประโยชน์เหนือแมชชีนเลิร์นนิ่งแบบดั้งเดิมดังต่อไปนี้ 

การประมวลผลข้อมูลที่ไม่มีโครงสร้างอย่างมีประสิทธิภาพ

วิธีแมชชีนเลิร์นนิ่งจะมีปัญหากับข้อมูลที่ไม่มีโครงสร้าง เช่น เอกสารข้อความ เนื่องจากชุดข้อมูลหลังฝึกนั้นจะมีตัวแปรไม่สิ้นสุด ในทางกลับกัน แบบจำลองดีปเลิร์นนิงสามารถเข้าใจข้อมูลที่ไม่มีโครงสร้างและทำให้ข้อสังเกตทั่วไปโดยไม่ต้องสกัดคุณลักษณะด้วยตนเอง ยกตัวอย่างเช่น นิวรัลเน็ตเวิร์กหนึ่งสามารถรับรู้ได้ว่า ประโยคป้อนเข้าที่ต่างกันสองประโยคนี้มีความหมายเดียวกัน คือ

• ช่วยบอกหน่อยได้ไหมว่าต้องชำระเงินอย่างไร
• ฉันจะโอนเงินได้อย่างไร 

การพบความสัมพันธ์ที่ซ่อนอยู่และรูปแบบ

แอปพลิเคชันดีปเลิร์นนิงสามารถวิเคราะห์ข้อมูลจำนวนมากได้อย่างลึกซึ้งยิ่งขึ้น และเปิดเผยข้อมูลเชิงลึกใหม่ๆ ที่อาจยังไม่ได้รับการฝึก ยกตัวอย่างเช่น พิจารณาโมเดลดีปเลิร์นนิงที่ได้รับการฝึกวิเคราะห์การซื้อของผู้บริโภค โมเดลนี้มีข้อมูลเฉพาะสำหรับสินค้าที่คุณได้ซื้อไว้แล้ว แต่นิวรัลเน็ตเวิร์กสามารถแนะนำสินค้าใหม่ๆ ที่คุณยังไม่ได้ซื้อโดยเปรียบเทียบรูปแบบการซื้อของคุณกับของลูกค้าที่คล้ายคลึงกัน

การเรียนรู้แบบไม่มีผู้ดูแล

แบบจำลองดีปเลิร์นนิงสามารถเรียนรู้และพัฒนาได้เมื่อเวลาผ่านไปโดยอิงจากพฤติกรรมของผู้ใช้ พวกเขาไม่จำเป็นต้องมีชุดข้อมูลที่มีป้ายกำกับขนาดใหญ่ ตัวอย่างเช่น พิจารณานิวรัลเน็ตเวิร์คที่จะแก้ไขหรือแนะนำคำโดยอัตโนมัติจากการวิเคราะห์ลักษณะการพิมพ์ของคุณ สมมติว่าโมเดลได้รับการฝึกเป็นภาษาอังกฤษและสามารถตรวจการสะกดคำภาษาอังกฤษได้ แต่หากพิมพ์คำที่ไม่ใช่ภาษาอังกฤษบ่อยๆ เช่น Danke นิวรัลเน็ตเวิร์กจะเรียนรู้และแก้ไขคำเหล่านี้โดยอัตโนมัติด้วย

การประมวลผลข้อมูลที่ผันผวน

ชุดข้อมูลที่ผันผวนนั้นมีตัวแปรมาก ตัวอย่างหนึ่งคือจำนวนเงินชำระคืนเงินกู้ในธนาคาร นิวรัลเน็ตเวิร์กดีปเลิร์นนิงสามารถจัดหมวดหมู่และจัดเรียงข้อมูลนั้นโดยการวิเคราะห์ธุรกรรมทางการเงิน และรายงานสถานะบางอย่างเพื่อตรวจจับการฉ้อโกง

เรียนรู้เพิ่มเติมเกี่ยวกับการเรียนรู้เชิงลึกกับการเรียนรู้ของเครื่อง

AI ช่วยสร้าง

AI ช่วยสร้างยกระดับนิวรัลเน็ตเวิร์กของแมชชีนเลิร์นนิงและดีปเลิร์นนิงขึ้นไปอีกระดับ ในขณะที่แมชชีนเลิร์นนิงและดีปเลิร์นนิงจะเน้นการคาดการณ์และการจดจำรูปแบบ แต่ AI ช่วยสร้างจะสร้างผลลัพธ์ที่ไม่ซ้ำกันตามรูปแบบที่ตรวจจับ เทคโนโลยี AI แบบสร้างขึ้นบน สถาปัตยกรรมตัวแปลง ที่รวมเครือข่ายประสาทที่แตกต่างกันหลายเครือข่ายเพื่อรวมรูปแบบข้อมูลด้วยวิธีที่ไม่เหมือนใคร ขั้นแรกเครือข่ายดีปเลิร์นนิงจะแปลงข้อความ รูปภาพ และข้อมูลอื่น ๆ ให้เป็นสาระสำคัญทางคณิตศาสตร์ แล้วแปลงให้เป็นรูปแบบใหม่ที่มีความหมาย

การใช้ AI ช่วยสร้างและดีปเลิร์นนิงบนโครงสร้างพื้นฐานในระบบคลาวด์ช่วยให้คุณออกแบบ พัฒนา และฝึกแอปพลิเคชันได้เร็วขึ้น 

ความเร็ว

คุณสามารถฝึกโมเดล AI ช่วยสร้างและดีปเลิร์นนิงได้เร็วขึ้นโดยใช้คลัสเตอร์ของ GPU และ CPU เพื่อดำเนินการทางคณิตศาสตร์ที่ซับซ้อนที่นิวรัลเน็ตเวิร์กของคุณต้องการ จากนั้นคุณสามารถปรับใช้แบบจำลองเหล่านี้เพื่อประมวลผลข้อมูลจำนวนมากและสร้างผลลัพธ์ที่เกี่ยวข้องกว่าเดิมได้

ความสามารถในการปรับขนาด

ด้วยทรัพยากรตามความต้องการที่หลากหลายที่มีให้บริการผ่านระบบคลาวด์ คุณจึงสามารถเข้าถึงทรัพยากรฮาร์ดแวร์ที่แทบไม่จำกัดเพื่อจัดการกับโมเดล AI ดีปเลิร์นนิงได้ทุกขนาด นิวรัลเน็ตเวิร์กของคุณสามารถใช้ประโยชน์จากโปรเซสเซอร์หลายตัวเพื่อกระจายเวิร์กโหลดได้อย่างราบรื่นและมีประสิทธิภาพ

เครื่องมือ

คุณสามารถเข้าถึง AI และเครื่องมือดีปเลิร์นนิง เช่น สมุดโน้ต, ดีบักเกอร์, ตัวสร้างโปรไฟล์, ไปป์ไลน์, AIOps และอื่นๆ คุณสามารถทำงานกับโมเดล AI ช่วยสร้างที่มีจากภายในระบบคลาวด์เป็นบริการโดยไม่ต้องใช้โครงสร้างพื้นฐานในการโฮสต์โมเดล ทีมสามารถเริ่มต้นกับแอปพลิเคชัน AI ช่วยสร้างและแอปพลิเคชันดีปเลิร์นนิงได้ แม้จะมีความรู้และการฝึกอบรมเพียงไม่มาก