แมชชีนเลิร์นนิงคืออะไร

แม้ว่าคำว่าแมชชีนเลิร์นนิงและปัญญาประดิษฐ์ (AI) อาจใช้สลับกันได้ แต่ทั้งสองคำนี้ไม่เหมือนกัน แมชชีนเลิร์นนิงเป็นหนึ่งในหลาย ๆ สาขาของ AI แม้ว่าแมชชีนเลิร์นนิงก็คือ AI แต่จะบางกิจกรรมของ AI ก็ไม่ถือว่าเป็นแมชชีนเลิร์นนิง

โดยปัญญาประดิษฐ์เป็นคำศัพท์ที่มีความหมายครอบคลุมสำหรับกลยุทธ์และเทคนิคต่าง ๆ ที่ใช้เพื่อทำให้เครื่องจักรมีลักษณะเหมือนมนุษย์มากขึ้น ซึ่ง AI รวมถึงทุกสิ่งตั้งแต่ผู้ช่วยอัจฉริยะอย่าง Alexa, แชทบอท เครื่องมือสร้างรูปภาพ ไปจนถึงหุ่นยนต์ดูดฝุ่นและรถยนต์ที่ขับเคลื่อนด้วยตัวเอง 

ในทางตรงกันข้าม โมเดลแมชชีนเลิร์นนิงจะดำเนินการวิเคราะห์ข้อมูลที่เฉพาะเจาะจงมากขึ้น เช่น การจำแนกเอกสาร การระบุประเภทรูปภาพ หรือการคาดการณ์กำหนดการบำรุงรักษาอุปกรณ์ในโรงงาน เทคโนโลยีแมชชีนเลิร์นนิงนั้นมีพื้นฐานมาจากคณิตศาสตร์และสถิติเป็นหลัก ในขณะที่ AI ประเภทอื่นๆ มีความซับซ้อนมากกว่า

เรียนรู้เพิ่มเติมเกี่ยวกับแมชชีนเลิร์นนิงกับปัญญาประดิษฐ์

แนวคิดหลักที่อยู่เบื้องหลังแมชชีนเลิร์นนิงคือความสัมพันธ์ทางคณิตศาสตร์ที่มีอยู่ระหว่างการผสมผสานของข้อมูลที่ป้อนเข้าและผลลัพธ์ โมเดลแมชชีนเลิร์นนิงไม่ทราบความสัมพันธ์นี้ล่วงหน้า แต่สามารถเดาได้หากมีตัวอย่างชุดข้อมูลอินพุต-เอาต์พุตมากเพียงพอ ซึ่งหมายความว่าทุกอัลกอริทึมแมชชีนเลิร์นนิงสร้างขึ้นจากฟังก์ชันทางคณิตศาสตร์ที่ปรับเปลี่ยนได้ โดยสามารถทำความเข้าใจหลักการพื้นฐานได้ดังนี้

1. เรา 'ฝึกฝน' อัลกอริทึมโดยระบุชุดข้อมูลที่ป้อนเข้า/ผลลัพธ์ (i,o) ต่อไปนี้ ได้แก่ (2,10), (5,19) และ (9,31)
2. โดยอัลกอริทึมจะคำนวณความสัมพันธ์ระหว่างข้อมูลที่ป้อนเข้าและผลลัพธ์โดยมีลักษณะดังนี้ o=3*i+4
3. จากนั้นเราจะระบุข้อมูลที่ป้อนเข้า 7 และขอให้อัลกอริทึมคาดการณ์ผลลัพธ์ ซึ่งจะสามารถกำหนดผลลัพธ์ได้โดยอัตโนมัติเป็น 25

แม้ว่าเรื่องนี้จะเป็นความเข้าใจพื้นฐาน แต่แมชชีนเลิร์นนิงจะมุ่งเน้นไปที่หลักการที่ว่าระบบคอมพิวเตอร์สามารถเชื่อมโยงทางคณิตศาสตร์กับจุดข้อมูลที่ซับซ้อนทั้งหมด ตราบใดที่มีข้อมูลและความสามารถในการคำนวณด้วยคอมพิวเตอร์ที่เพียงพอในการประมวลผล ดังนั้นความแม่นยำของผลลัพธ์จึงมีความสัมพันธ์กันโดยตรงกับขนาดของข้อมูลที่ป้อนเข้า ระยะต่าง ๆ ของแมชชีนเลิร์นนิงมีดังนี้

การประมวลผลข้อมูล

ข้อมูลดิบจะได้รับการตัดทอนและแปลงเพื่อนำไปใช้ในการฝึกโมเดลแมชชีนเลิร์นนิง ขั้นตอนนี้จะเกี่ยวข้องกับงานต่าง ๆ เช่น การรับมือเมื่อมีค่าที่ตกหล่น การปรับข้อมูลให้มีขนาดตามมาตรฐานทั่วไป หรือการเข้ารหัสข้อมูลข้อความให้อยู่ในรูปแบบตัวเลข โดยระบบอาจเพิ่มข้อมูลอาจหรือจัดการเพื่อปรับปรุงการจัดการโมเดลในกรณีการใช้งานที่กำหนด การประมวลผลล่วงหน้าจะช่วยให้มั่นใจได้ว่าข้อมูลที่ป้อนเข้าสู่โมเดลดังกล่าวมีความเกี่ยวข้องและมีการกำหนดโครงสร้างที่เหมาะสมแล้ว

การฝึกโมเดล

ข้อมูลที่ประมวลผลล่วงหน้าจะใช้เพื่อฝึกอัลกอริทึมแมชชีนเลิร์นนิง อัลกอริทึมดังกล่าวจะพยายามระบุความสัมพันธ์ทางคณิตศาสตร์ระหว่างอินพุตกับผลลัพธ์ที่คาดหวังจากข้อมูลสำหรับการฝึกซ้ำ ๆ จากนั้น โมเดลจะเรียนรู้รูปแบบและความสัมพันธ์ภายในข้อมูล แล้วรวมความรู้นี้ไว้ในพารามิเตอร์ โมเดลจะปรับพารามิเตอร์เพื่อลดความแตกต่างระหว่างการคาดการณ์กับผลลัพธ์ที่แท้จริงที่ทราบมาจากข้อมูลสำหรับการฝึก

การประเมินโมเดล

เป้าหมายคือเพื่อทำให้แน่ใจว่าโมเดลดังกล่าวจะสามารถวิเคราะห์ข้อมูลที่อยู่นอกเหนือจากชุดข้อมูลสำหรับการฝึกได้เป็นอย่างดี ระบบจะนำชุดข้อมูลแยกต่างหากที่เรียกว่าชุดการตรวจสอบมาใช้เพื่อดำเนินการตามจุดประสงค์นี้ และจะวัดผลลัพธ์ของโมเดลโดยใช้เกณฑ์ชี้วัดเกณฑ์มาตรฐานที่แตกต่างกัน ตัวอย่างเช่น ลองนึกดูว่าโมเดลที่ผ่านการฝึกให้ระบุรูปภาพของผลไม้ เช่น แอปเปิ้ลและกล้วยที่เก็บไว้ในตะกร้า การประเมินผลจะตรวจสอบว่าโมเดลดังกล่าวสามารถระบุผลไม้ชนิดเดียวกันได้อย่างถูกต้องหรือไม่ จากภาพที่แสดงผลไม้วางไว้บนโต๊ะหรือในมือของคนบางคน

การเพิ่มประสิทธิภาพ

การเพิ่มประสิทธิภาพจะเกี่ยวข้องกับการปรับแต่งโมเดลเพื่อปรับปรุงประสิทธิภาพของโมเดลนั้น ๆ นักวิทยาศาสตร์ข้อมูลสามารถกำหนดค่ากระบวนการเรียนรู้ใหม่หรือดำเนินกระบวนการสร้างฟีเจอร์ใหม่ได้ ซึ่งจะสร้างฟีเจอร์อินพุตใหม่จากข้อมูลที่มีอยู่ ทั้งนี้ขึ้นอยู่กับประเภทของโมเดลนั้นๆ เป้าหมายคือการเพิ่มความแม่นยำ ประสิทธิภาพ และความสามารถในการวิเคราะห์ข้อมูลใหม่ ๆ ได้เป็นอย่างดี

เราลองมาดูการประยุกต์ใช้แมชชีนเลิร์นนิงในอุตสาหกรรมสำคัญ ๆ บางส่วนกัน ได้แก่

การผลิต

แมชชีนเลิร์นนิงสามารถสนับสนุนการบำรุงรักษาเชิงคาดการณ์ การควบคุมคุณภาพ และการวิจัยเชิงนวัตกรรมในภาคการผลิตได้ นอกจากนี้ยังช่วยให้บริษัทต่างๆ ปรับปรุงโซลูชันด้านโลจิสติกส์ ซึ่งรวมถึงสินทรัพย์ ซัพพลายเชน และการจัดการสินค้าคงคลังได้อีกด้วย ตัวอย่างเช่น ยักษ์ใหญ่ด้านการผลิต 3M ใช้แมชชีนเลิร์นนิงที่จะสร้างสรรค์นวัตกรรมกระดาษทราย อัลกอริทึมแมชชีนเลิร์นนิงยังช่วยให้นักวิจัยของ 3M สามารถวิเคราะห์ว่าการเปลี่ยนแปลงเพียงเล็กน้อยในรูปร่าง ขนาด และทิศทางช่วยปรับปรุงการขัดถูและความทนทานได้อย่างไร โดยข้อเสนอแนะเหล่านั้นจะแจ้งให้กระบวนการผลิตทราบต่อไป

การดูแลสุขภาพและวิทยาศาสตร์ชีวภาพ

การเพิ่มขึ้นอย่างรวดเร็วของเซ็นเซอร์และอุปกรณ์ที่สวมใส่ได้ทำให้เกิดข้อมูลด้านสุขภาพจำนวนมาก โดยโปรแกรมแมชชีนเลิร์นนิงจะวิเคราะห์ข้อมูลนี้ และสนับสนุนแพทย์ในการวินิจฉัยและรักษาได้แบบเรียลไทม์ ในขณะที่นักวิจัยด้านแมชชีนเลิร์นนิงกำลังพัฒนาโซลูชันที่ตรวจหาเนื้องอกที่เป็นมะเร็งและวินิจฉัยโรคตา ซึ่งส่งผลกระทบอย่างมีนัยสำคัญต่อสุขภาพของมนุษย์ ตัวอย่างเช่น Cambia Health Solutions ใช้แมชชีนเลิร์นนิงเพื่อปรับแต่งการรักษาสำหรับหญิงตั้งครรภ์และทำให้กระบวนการดังกล่าวเป็นไปโดยอัตโนมัติ

บริการทางการเงิน

โครงการด้านแมชชีนเลิร์นนิงทางการเงินช่วยปรับปรุงการวิเคราะห์ความเสี่ยงและระเบียบข้อบังคับ เทคโนโลยีแมชชีนเลิร์นนิงช่วยให้นักลงทุนสามารถระบุโอกาสใหม่ ๆ โดยการวิเคราะห์การเคลื่อนไหวของตลาดหุ้น การประเมินกองทุนบริหารความเสี่ยง หรือการจัดระเบียบกลุ่มหลักทรัพย์ทางการเงิน นอกจากนี้ยังสามารถช่วยคุณระบุลูกค้าสินเชื่อที่มีความเสี่ยงสูงและหลีกเลี่ยงโอกาสที่จะเกิดการฉ้อโกงได้อีกด้วย ตัวอย่างเช่น NerdWallet ซึ่งเป็นบริษัทด้านการเงินส่วนบุคคล ใช้แมชชีนเลิร์นนิงเพื่อเปรียบเทียบผลิตภัณฑ์ทางการเงิน เช่น บัตรเครดิต การธนาคาร และสินเชื่อ

การค้าปลีก

แวดวงการค้าปลีกสามารถใช้แมชชีนเลิร์นนิงเพื่อปรับปรุงการบริการลูกค้า การจัดการสต็อก การเพิ่มยอดขาย และการตลาดแบบข้ามช่องทาง ตัวอย่างเช่น Amazon Fulfillment (AFT) ลดต้นทุนโครงสร้างพื้นฐานลง 40 เปอร์เซ็นต์โดยใช้โมเดลแมชชีนเลิร์นนิงเพื่อระบุสินค้าคงคลังที่วางผิดที่ ซึ่งช่วยให้ทำได้ตามคำมั่นสัญญาของ Amazon ที่ว่าสินค้าจะพร้อมให้ลูกค้าใช้งานได้และมาถึงตรงเวลา แม้จะต้องดำเนินการจัดส่งสินค้าทั่วโลกหลายล้านรายการต่อปีก็ตาม

สื่อและความบันเทิง

บริษัทด้านความบันเทิงหันไปใช้แมชชีนเลิร์นนิงเพื่อทำความเข้าใจกลุ่มเป้าหมายของตนให้ดีขึ้น และนำเสนอเนื้อหาที่น่าดึงดูด เป็นส่วนตัว และตามความต้องการได้ โดยมีการปรับใช้อัลกอริทึมแมชชีนเลิร์นนิงเพื่อช่วยในการออกแบบตัวอย่างและโฆษณาอื่นๆ ให้คำแนะนำเนื้อหาที่เป็นส่วนตัวแก่ผู้บริโภค หรือแม้แต่ปรับปรุงการผลิตให้มีประสิทธิภาพ 

ตัวอย่างเช่น Disney ใช้แมชชีนเลิร์นนิงเพื่อเก็บถาวรไลบรารีสื่อ โดยเครื่องมือแมชชีนเลิร์นนิงจะติดแท็ก บรรยาย และจัดเรียงเนื้อหาสื่อโดยอัตโนมัติ ทำให้นักเขียนและนักสร้างแอนิเมชั่นของ Disney สามารถทำความคุ้นเคยและค้นหาตัวละครของ Disney ได้อย่างรวดเร็ว

คอมพิวเตอร์วิทัศน์

คอมพิวเตอร์วิทัศน์เป็นเทคโนโลยีที่จะจดจำและอธิบายภาพโดยอัตโนมัติอย่างแม่นยำและมีประสิทธิภาพ ปัจจุบัน ระบบคอมพิวเตอร์สามารถเข้าถึงภาพและวิดีโอจำนวนมากจากสมาร์ทโฟน กล้องจราจร ระบบรักษาความปลอดภัย และอุปกรณ์อื่น ๆ ได้แล้ว แอปพลิเคชันคอมพิวเตอร์วิชันจะใช้แมชชีนเลิร์นนิงเพื่อประมวลผลข้อมูลนี้อย่างแม่นยำสำหรับการระบุวัตถุและการจดจำใบหน้า ตลอดจนการจำแนกประเภท การให้คำแนะนำ การตรวจสอบ และการตรวจจับ

ตัวอย่างเช่น Campsite เป็นแพลตฟอร์มซอฟต์แวร์ชั้นนำสำหรับค่ายฤดูร้อน ค่ายต่าง ๆ ที่ใช้งานแพลตฟอร์มนี้จะอัปโหลดภาพหลายพันภาพทุกวันเพื่อให้ผู้ปกครองได้ทราบถึงประสบการณ์การเข้าค่ายของบุตรหลานตน การค้นหาภาพถ่ายของบุตรหลานของตนที่ไปเข้าค่ายจึงใช้เวลานานและเป็นเรื่องน่าหงุดหงิดสำหรับผู้ปกครอง CampSite จึงใช้แมชชีนเลิร์นนิงเพื่อระบุภาพโดยอัตโนมัติและแจ้งให้ผู้ปกครองทราบเมื่อมีการอัปโหลดรูปภาพใหม่ของบุตรหลานของพวกเขา

หากผลลัพธ์ของระบบสามารถคาดเดาได้ ก็แสดงว่ารูปแบบดังกล่าวเป็นแบบเชิงกำหนด โดยการประยุกต์ใช้ซอฟต์แวร์ส่วนใหญ่จะตอบสนองต่อการกระทำของผู้ใช้งานที่คาดคะเนได้ ดังนั้นคุณสามารถพูดได้ว่า “หากผู้ใช้ทำเช่นนี้ เขาจะได้รับสิ่งนั้น” อย่างไรก็ตาม อัลกอริทึมแมชชีนเลิร์นนิงจะเรียนรู้ผ่านการสังเกตการณ์ร่วมกับประสบการณ์ ดังนั้นจึงมีลักษณะเชิงความเป็นไปได้ทางสถิติโดยธรรมชาติ ตอนนี้ข้อความดังกล่าวก็จะเปลี่ยนเป็น “หากผู้ใช้ทำเช่นนี้ ก็มีโอกาส X% ที่สิ่งนั้นจะเกิดขึ้น”

ในฝั่งแมชชีนเลิร์นนิง การกำหนดถือเป็นกลยุทธ์ที่ใช้ในขณะที่ประยุกต์ใช้วิธีการเรียนรู้ที่อธิบายไว้ข้างต้น ทั้งนี้วิธีการฝึกฝนแบบมีผู้สอน แบบไม่มีผู้สอน และแบบอื่นๆ สามารถเป็นแบบเชิงกำหนดได้ โดยขึ้นอยู่กับผลลัพธ์ที่ต้องการของธุรกิจ โดยคำถามในการวิจัย การเรียกข้อมูล โครงสร้าง และการตัดสินใจด้านการจัดเก็บข้อมูลจะเป็นตัวกำหนดว่าจะนำกลยุทธ์ที่เป็นแบบเชิงกำหนดหรือไม่ได้เป็นแบบเชิงกำหนดมาใช้

แนวทางแบบเชิงกำหนดเทียบกับความเป็นไปได้ทางสถิติ

แนวทางแบบเชิงกำหนดจะมุ่งเน้นไปที่ความถูกต้องและปริมาณข้อมูลที่รวบรวม ดังนั้นประสิทธิภาพจึงมีความสำคัญมากกว่าความไม่แน่นอน ในทางกลับกัน กระบวนการที่ไม่ได้เป็นแบบเชิงกำหนด (หรือแบบความเป็นไปได้ทางสถิติ) ได้รับการออกแบบมาเพื่อจัดการปัจจัยทางโอกาส โดยมีการบูรณาการเครื่องมือในตัวร่วมกับอัลกอริทึมแมชชีนเลิร์นนิงเพื่อช่วยในการแสดงปริมาณ ระบุ และวัดความไม่แน่นอนในระหว่างการเรียนรู้และการสังเกตการณ์

ความท้าทายในการนำแมชชีนเลิร์นนิงไปปรับใช้มีดังนี้

คุณภาพข้อมูล

ประสิทธิภาพของโมเดลแมชชีนเลิร์นนิงขึ้นอยู่กับคุณภาพของข้อมูลที่ใช้ในการฝึก ปัญหาต่าง ๆ เช่น ค่าที่ตกหล่น รายการข้อมูลที่ไม่สอดคล้องกัน และเสียงรบกวนอาจทำให้ความแม่นยำของโมเดลลดลงอย่างมีนัยสำคัญ นอกจากนี้การที่มีชุดข้อมูลขนาดใหญ่ไม่เพียงพอก็อาจทำให้แมชชีนเลิร์นนิงไม่สามารถเรียนรู้ได้อย่างมีประสิทธิภาพ การตรวจสอบให้แน่ใจว่าข้อมูลมีความสมบูรณ์และการขยายขอบเขตการเก็บรวบรวมข้อมูลโดยไม่ลดทอนคุณภาพ เรียกได้ว่าเป็นความท้าทายที่เรายังต้องเผชิญอยู่

โอเวอร์ฟิตติ้งและอันเดอร์ฟิตติ้ง

โอเวอร์ฟิตติ้งจะเกิดขึ้นเมื่อโมเดลแมชชีนเลิร์นนิงเรียนรู้รายละเอียดและเสียงรบกวนในข้อมูลการฝึกจนถึงขั้นที่ส่งผลเสียต่อประสิทธิภาพของโมเดลในการวิเคราะห์ข้อมูลใหม่ๆ โมเดลจะเก็บข้อมูลรูปแบบที่ใช้งานกับชุดข้อมูลอื่น ๆ ได้ไม่ดีนัก ในทางกลับกัน อันเดอร์ฟิตติ้งจะเกิดขึ้นเมื่อโมเดลไม่สามารถเรียนรู้รูปแบบพื้นฐานของข้อมูลได้ ซึ่งส่งผลให้การฝึกและการทดสอบข้อมูลมีประสิทธิภาพที่ไม่ดีนัก การปรับสมดุลระหว่างความซับซ้อนของโมเดลกับความสามารถในการวิเคราะห์ข้อมูลใหม่ ๆ ที่ยังไม่เคยใช้ฝึกถือเป็นความท้าทายครั้งใหญ่

ความเอนเอียง

ข้อมูลอาจไม่สมดุลในแอปพลิเคชันหลาย ๆ รายการในโลกแห่งความเป็นจริง ซึ่งหมายความว่าบางคลาสอาจเกิดขึ้นบ่อยกว่าคลาสอื่น ๆ อย่างมีนัยสำคัญ ความไม่สมดุลนี้สามารถทำให้กระบวนการฝึกเกิดความเอนเอียงได้ ซึ่งส่งผลให้โมเดลทำงานได้ดีเมื่อเจอข้อมูลในคลาสหลัก ๆ ในขณะที่ไม่สามารถคาดการณ์ข้อมูลในคลาสที่รองลงมาได้อย่างแม่นยำ ตัวอย่างเช่น หากข้อมูลย้อนหลังให้ความสำคัญกับคุณลักษณะทางประชากรศาสตร์บางรายการ อัลกอริทึมแมชชีนเลิร์นนิงที่ใช้ในแอปพลิเคชันทรัพยากรมนุษย์ก็อาจให้ความสำคัญกับคุณลักษณะทางของประชากรศาสตร์เหล่านั้นต่อไปเช่นกัน เทคนิคต่าง ๆ เช่น การสุ่มตัวอย่างข้อมูล การใช้เกณฑ์ชี้วัดการประเมินที่แตกต่างกัน หรือการใช้อัลกอริทึมการตรวจจับความผิดปกติจะช่วยบรรเทาปัญหาดังกล่าวได้ในระดับหนึ่ง

ความสามารถในการอธิบายของโมเดล

เนื่องจากโมเดลแมชชีนเลิร์นนิง (โดยเฉพาะโมเดลดีปเลิร์นนิง) มีความซับซ้อนมากขึ้น การตัดสินใจของโมเดลเหล่านี้จึงตีความได้น้อยลง การพัฒนาวิธีทำให้โมเดลสามารถตีความได้มากขึ้นโดยไม่ทำให้ประสิทธิภาพลดลงถือเป็นความท้าทายที่สำคัญ โดยสิ่งที่กล่าวไปจะส่งผลต่อความสามารถในการใช้งาน ความน่าเชื่อถือ และข้อควรพิจารณาทางจริยธรรมของการนำระบบแมชชีนเลิร์นนิงไปปรับใช้

ความสามารถในการปรับขนาด

โมเดลแมชชีนเลิร์นนิง โดยเฉพาะรูปแบบที่ที่ใช้ชุดข้อมูลขนาดใหญ่หรืออัลกอริทึมที่ซับซ้อน (เช่น ดีปเลิร์นนิง) ต้องการทรัพยากรที่มาจากการคำนวณด้วยคอมพิวเตอร์จำนวนมาก การฝึกโมเดลเหล่านี้อาจใช้เวลานานและมีค่าใช้จ่ายมาก การเพิ่มประสิทธิภาพอัลกอริทึมเพื่อลดความต้องการด้านข้อมูลจากการคำนวณด้วยคอมพิวเตอร์จึงเป็นส่วนหนึ่งของความท้าทายในการออกแบบอัลกอริทึม บริการที่ใช้งาน AWS Cloud สามารถรองรับการปรับใช้ที่คุ้มค่าได้ในวงกว้าง

AWS สร้างแมชชีนเลิร์นนิงที่นักพัฒนา นักวิทยาศาสตร์ข้อมูล และผู้ใช้ทางธุรกิจทุกรายสามารถเข้าถึงได้ บริการ AWS Machine Learning ให้โครงสร้างพื้นฐานที่มีประสิทธิภาพสูง คุ้มค่า และปรับขนาดได้เพื่อตอบสนองความต้องการทางธุรกิจ

• หากคุณเพิ่งเริ่มต้น เรียนรู้การเรียนรู้ของเครื่องด้วยอุปกรณ์การศึกษาที่ใช้งานได้จริงของเรา เช่น AWS DeepRacer และ AWS DeepComposer
• หากคุณมีที่เก็บข้อมูลถาวรเดิมอยู่แล้ว ใช้ Amazon SageMaker Ground Truth สำหรับเวิร์กโฟลว์การติดฉลากข้อมูลในตัวที่รองรับวิดีโอ รูปภาพ และข้อความ
• หากคุณมีระบบแมชชีนเลิร์นนิงเดิมอยู่แล้ว ใช้ Amazon SageMaker Clarityเพื่อตรวจจับอคติและ การฝึกอบรม แบบจำลองของ Amazon SageMaker เพื่อตรวจสอบและเพิ่มประสิทธิภาพการทำงาน
• หากคุณต้องการนำดีปเลิร์นนิงไปปรับใช้ ใช้ Amazon SageMaker Model Training เพื่อฝึกโมเดลการเรียนรู้เชิงลึกขนาดใหญ่โดยอัตโนมัติ 

เริ่มต้นใช้งาน AI ดีปเลิร์นนิงบน AWS โดย https://signin.aws.amazon.com/signin/สร้างบัญชีฟรีวันนี้!