ดิปเลิร์นนิงคืออะไร

ดีปเลิร์นนิงมีหลายกรณีการใช้งานในอุตสาหกรรมยานยนต์, การบินและอวกาศ การผลิต อิเล็กทรอนิกส์ การวิจัยทางการแพทย์ และสาขาอื่นๆ นี่คือตัวอย่างของดีปเลิร์นนิง

• รถยนต์ที่ขับขี่ด้วยตนเองใช้โมเดลดีปเลิร์นนิงเพื่อตรวจจับป้ายจราจรและคนเดินเท้าโดยอัตโนมัติ
• ระบบกลาโหมใช้ดีปเลิร์นนิงเพื่อกำหนดสถานะพื้นที่ที่น่าสนใจในภาพดาวเทียมโดยอัตโนมัติ
• การวิเคราะห์ภาพทางการแพทย์ใช้ดีปเลิร์นนิงเพื่อตรวจหาเซลล์มะเร็งโดยอัตโนมัติเพื่อการวินิจฉัยทางการแพทย์
• โรงงานใช้แอปพลิเคชันดีปเลิร์นนิงเพื่อตรวจจับเมื่อคนหรือวัตถุอยู่ในระยะที่ไม่ปลอดภัยของเครื่องจักรโดยอัตโนมัติ

คุณสามารถจัดกลุ่มกรณีการใช้งานต่างๆ ของดีปเลิร์นนิงออกเป็นสี่ประเภทที่กว้างๆ ได้แก่ คอมพิวเตอร์วิชัน การรู้จำเสียง การประมวลผลภาษาธรรมชาติ (NLP) และกลไกการแนะนำข้อมูล

คอมพิวเตอร์วิทัศน์

คอมพิวเตอร์วิชัน คือความสามารถของคอมพิวเตอร์ในการดึงข้อมูลและข้อมูลเชิงลึกจากภาพและวิดีโอ คอมพิวเตอร์สามารถใช้ดีปเลิร์นนิงเพื่อเข้าใจภาพในลักษณะเดียวกับที่มนุษย์ทำได้ คอมพิวเตอร์วิทัศน์มีรูปแบบการใช้งานหลายอย่าง เช่น

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

การจดจำเสียงพูด

ดีปเลิร์นนิงสามารถวิเคราะห์คำพูดของมนุษย์ได้แม้จะมีรูปแบบคำพูด ระดับเสียง น้ำเสียง ภาษา และสำเนียงที่แตกต่างกัน ผู้ช่วยเสมือน เช่น Amazon Alexa และซอฟต์แวร์ถอดเสียงอัตโนมัติ ใช้การจดจำเสียงพูดเพื่อทำงานดังต่อไปนี้

• ช่วยเจ้าหน้าที่ศูนย์บริการและจัดประเภทการโทรโดยอัตโนมัติ
• แปลงบทสนทนาทางคลินิกเป็นเอกสารแบบเรียลไทม์
• บรรยายวิดีโอและบันทึกการประชุมได้อย่างแม่นยำเพื่อการเข้าถึงเนื้อหาที่กว้างขึ้น

การประมวลผลภาษาธรรมชาติ

คอมพิวเตอร์ใช้อัลกอริทึมดีปเลิร์นนิงเพื่อรวบรวมข้อมูลเชิงลึกและความหมายจากข้อความ และเอกสาร ความสามารถในการประมวลผลข้อความธรรมชาติที่มนุษย์สร้างขึ้นมีหลายกรณีการใช้งาน ซึ่งรวมถึงกรณีเหล่านี้

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

กลไกการแนะนำ

แอปพลิเคชันสามารถใช้วิธีดีปเลิร์นนิงเพื่อติดตามกิจกรรมของผู้ใช้และพัฒนา คำแนะนำที่เหมาะกับแต่ละคนได้ พวกเขาสามารถวิเคราะห์พฤติกรรมของผู้ใช้ต่างๆ และช่วยค้นพบผลิตภัณฑ์หรือบริการใหม่ ตัวอย่างเช่น บริษัท สื่อและความบันเทิง หลายแห่ง เช่น Netflix, Fox และ Peacock ใช้ดีปเลิร์นนิงเพื่อให้คำแนะนำวิดีโอที่เหมาะกับแต่ละคน

ส่วนประกอบของดีปนิวรัลเน็ตเวิร์กมีดังต่อไปนี้

เลเยอร์อินพุต

เครือข่ายนิวรัลเน็ตเวิร์กมีโหนดหลายโหนดที่อินพุตข้อมูลเข้าไปในนั้น โหนดเหล่านี้ทำขึ้นมาจากการป้อนข้อมูลของระบบ

เลเยอร์ซ่อน

เลเยอร์อินพุตจะประมวลผลและส่งข้อมูลไปยังชั้นต่อไปในนิวรัลเน็ตเวิร์ก เลเยอร์ที่ซ่อนอยู่เหล่านี้ประมวลผลข้อมูลในระดับต่างๆ โดยปรับพฤติกรรมของตนเมื่อได้รับข้อมูลใหม่ๆ เครือข่ายดีปเลิร์นนิงมีเลเยอร์ที่ซ่อนอยู่หลายร้อยเลเยอร์ที่พวกเขาสามารถใช้ในการวิเคราะห์ปัญหาจากมุมที่แตกต่างกันได้มากมาย

ยกตัวอย่างเช่น ถ้าได้รับภาพของสัตว์ที่ไม่รู้จักซึ่งต้องจัดประเภท ก็จะเปรียบเทียบกับสัตว์ที่รู้อยู่แล้ว ตัวอย่างเช่น คุณจะมองไปที่รูปร่างของตาและหู ขนาด จำนวนขา และรูปแบบขน คุณจะพยายามที่จะระบุรูปแบบ ดังเช่นต่อไปนี้:

• สัตว์มีกีบ ดังนั้นอาจจะเป็นวัวหรือกวาง
• สัตว์มีตาแมว ดังนั้นมันอาจจะเป็นแมวป่าประเภทหนึ่ง

เลเยอร์ที่ซ่อนอยู่ในเครือข่ายดีปนิวรัลเน็ตเวิร์กทำงานในลักษณะเดียวกัน ถ้าอัลกอริธึมดีปเลิร์นนิงพยายามจำแนกภาพสัตว์ เลเยอร์ที่ซ่อนอยู่แต่ละเลเยอร์จะประมวลลักษณะต่างๆ ของสัตว์และพยายามจัดหมวดหมู่ให้ถูกต้อง

เลเยอร์เอาต์พุต

เลเยอร์เอาท์พุทประกอบด้วยโหนดที่ส่งออกข้อมูล แบบจำลองดีปเลิร์นนิงที่เอาต์พุตคำตอบ “ใช่” หรือ “ไม่” จะมีโหนดเพียงสองโหนดในเลเยอร์ผลลัพธ์เท่านั้น ในทางกลับกัน เอาท์พุทคำตอบมช่วงกว้างจะมีโหนดมากกว่า 

เครือข่ายดีปเลิร์นนิงมีประโยชน์เหนือแมชชีนเลิร์นนิ่งแบบดั้งเดิมดังต่อไปนี้ 

การประมวลผลข้อมูลที่ไม่มีโครงสร้างอย่างมีประสิทธิภาพ 

วิธีแมชชีนเลิร์นนิ่งจะมีปัญหากับข้อมูลที่ไม่มีโครงสร้าง เช่น เอกสารข้อความ เนื่องจากชุดข้อมูลหลังฝึกนั้นจะมีตัวแปรไม่สิ้นสุด ในทางกลับกัน แบบจำลองดีปเลิร์นนิงสามารถเข้าใจข้อมูลที่ไม่มีโครงสร้างและทำให้ข้อสังเกตทั่วไปโดยไม่ต้องสกัดคุณลักษณะด้วยตนเอง ยกตัวอย่างเช่น นิวรัลเน็ตเวิร์กหนึ่งสามารถรับรู้ได้ว่า ประโยคป้อนเข้าที่ต่างกันสองประโยคนี้มีความหมายเดียวกัน คือ

• ช่วยบอกหน่อยได้ไหมว่าต้องชำระเงินอย่างไร
• ฉันจะโอนเงินได้อย่างไร 

การพบความสัมพันธ์ที่ซ่อนอยู่และรูปแบบ

แอปพลิเคชันดีปเลิร์นนิงสามารถวิเคราะห์ข้อมูลจำนวนมากได้อย่างลึกซึ้งยิ่งขึ้น และเปิดเผยข้อมูลเชิงลึกใหม่ๆ ที่อาจยังไม่ได้รับการฝึก ยกตัวอย่างเช่น พิจารณาแบบจำลองดีปเลิร์นนิงที่ได้รับการฝึกวิเคราะห์การซื้อของผู้บริโภค โมเดลนี้มีข้อมูลเฉพาะสำหรับสินค้าที่คุณได้ซื้อไว้แล้ว แต่ว่า นิวรัลเน็ตเวิร์กสามารถแนะนำสินค้าใหม่ๆ ที่คุณยังไม่ได้ซื้อโดยเปรียบเทียบรูปแบบการซื้อของคุณกับของลูกค้าอื่นที่คล้ายคลึงกัน

การเรียนรู้แบบไม่มีผู้ฝึกฝน

แบบจำลองดีปเลิร์นนิงสามารถเรียนรู้และพัฒนาได้เมื่อเวลาผ่านไปโดยอิงจากพฤติกรรมของผู้ใช้ พวกเขาไม่จำเป็นต้องมีชุดข้อมูลที่มีป้ายกำกับขนาดใหญ่ ตัวอย่างเช่น พิจารณานิวรัลเน็ตเวิร์คที่จะแก้ไขหรือแนะนำคำโดยอัตโนมัติจากการวิเคราะห์ลักษณะการพิมพ์ของคุณ สมมติว่าแบบจำลองได้รับการฝึกฝนมาเป็นภาษาอังกฤษและสามารถตรวจการสะกดคำภาษาอังกฤษได้ แต่ว่า ถ้าพิมพ์คำที่ไม่ใช่ภาษาอังกฤษบ่อยๆ เช่น Danke นิวรัลเน็ตเวิร์กจะเรียนรู้และแก้ไขคำเหล่านี้โดยอัตโนมัติด้วย

การประมวลผลข้อมูลที่ผันผวน

ชุดข้อมูลที่ผันผวนนั้นมีตัวแปรมาก ตัวอย่างหนึ่งคือจำนวนเงินชำระคืนเงินกู้ในธนาคาร เนิวรัลเน็ตเวิร์กดีปเลิร์นนิงสามารถจัดหมวดหมู่และจัดเรียงข้อมูลนั้นได้เช่นกัน เช่น โดยการวิเคราะห์ธุรกรรมทางการเงิน และกำหนดสถานะบางรายการเพื่อตรวจจับการฉ้อโกง

การใช้อัลกอริธึมดีปเลิร์นนิงบนโครงสร้างพื้นฐานของระบบคลาวด์สามารถเอาชนะปัญหาเหล่านี้ได้ คุณสามารถใช้ดีปเลิร์นนิงในระบบคลาวด์เพื่อออกแบบ พัฒนา และฝึกแอปพลิเคชันดีปเลิร์นนิงได้รวดเร็วยิ่งขึ้น 

ความเร็ว

คุณสามารถฝึกรูปแบบดีปเลิร์นนิงได้เร็วขึ้นโดยใช้คลัสเตอร์ของ GPU และ CPU เพื่อดำเนินการทางคณิตศาสตร์ที่ซับซ้อนซึ่งนิวรัลเน็ตเวิร์กของคุณต้องการ จากนั้นคุณสามารถปรับใช้แบบจำลองเหล่านี้เพื่อประมวลผลข้อมูลจำนวนมากและสร้างผลลัพธ์ที่เกี่ยวข้องกว่าเดิมได้

ความสามารถในการปรับขนาด

ด้วยทรัพยากรตามความต้องการที่หลากหลายที่มีให้บริการผ่านระบบคลาวด์ คุณจึงสามารถเข้าถึงทรัพยากรฮาร์ดแวร์ที่แทบไม่จำกัดเพื่อจัดการกับรูปแบบดีปเลิร์นนิงได้ทุกขนาด นิวรัลเน็ตเวิร์กของคุณสามารถใช้ประโยชน์จากโปรเซสเซอร์หลายตัวเพื่อกระจายเวิร์กโหลดได้อย่างราบรื่นและมีประสิทธิภาพ