แมชชีนเลิร์นนิงคืออะไร

แมชชีนเลิร์นนิงเป็นศาสตร์ของการพัฒนาอัลกอริทึมและรูปแบบเชิงสถิติที่ระบบคอมพิวเตอร์ใช้เพื่อทำงานต่างๆ ซึ่งปราศจากคำสั่งที่ชัดเจน โดยอาศัยรูปแบบและการอนุมานแทน โดยระบบคอมพิวเตอร์ใช้อัลกอริทึมแมชชีนเลิร์นนิงเพื่อประมวลผลข้อมูลในอดีตปริมาณมากและระบุรูปแบบข้อมูล ซึ่งช่วยให้คาดการณ์ผลลัพธ์ได้อย่างแม่นยำยิ่งขึ้นจากชุดข้อมูลที่ได้รับที่กำหนด ตัวอย่างเช่น นักวิทยาศาสตร์ข้อมูลสามารถฝึกฝนแอปพลิเคชันทางการแพทย์เพื่อวินิจฉัยมะเร็งจากภาพเอ็กซ์เรย์ได้โดยการจัดเก็บภาพที่สแกนไว้และการวินิจฉัยที่เกี่ยวข้องหลายล้านรายการ

เหตุใดแมชชีนเลิร์นนิงจึงมีความสำคัญ

แมชชีนเลิร์นนิงช่วยเหลือธุรกิจด้วยการกระตุ้นการเติบโต ปลดล็อกแหล่งที่มารายได้ใหม่ๆ และแก้ไขปัญหาที่ท้าทาย โดยข้อมูลถือเป็นแรงผลักดันสำคัญที่อยู่เบื้องหลังการตัดสินใจทางธุรกิจ แต่ตามหลักแล้ว บริษัทต่างๆ ได้ใช้ข้อมูลจากแหล่งที่มาต่างๆ เช่น ความคิดเห็นของลูกค้า พนักงาน และการเงิน ซึ่งการวิจัยด้านแมชชีนเลิร์นนิงจะทำให้กระบวนการนี้เป็นไปโดยอัตโนมัติพร้อมทั้งปรับให้เหมาะสม การใช้ซอฟต์แวร์ที่วิเคราะห์ข้อมูลปริมาณมากด้วยความเร็วสูงจึงทำให้ธุรกิจสามารถบรรลุผลลัพธ์ได้เร็วยิ่งขึ้น

เราใช้แมชชีนเลิร์นนิงในแวดวงใดบ้าง

เราลองมาดูการประยุกต์ใช้แมชชีนเลิร์นนิงในอุตสาหกรรมสำคัญๆ บางส่วนกัน ได้แก่

การผลิต

แมชชีนเลิร์นนิงสามารถสนับสนุนการบำรุงรักษาเชิงคาดการณ์ การควบคุมคุณภาพ และการวิจัยเชิงนวัตกรรมในภาคการผลิตได้ โดยเทคโนโลยีแมชชีนเลิร์นนิงยังช่วยให้บริษัทต่างๆ ปรับปรุงโซลูชันด้านโลจิสติกส์ ซึ่งรวมถึงสินทรัพย์ ห่วงโซ่อุปทาน และการจัดการสินค้าคงคลัง ตัวอย่างเช่น บริษัทยักษ์ใหญ่ด้านการผลิตอย่าง 3M ใช้ AWS Machine Learning เพื่อสร้างสรรค์นวัตกรรมกระดาษทราย อัลกอริทึมแมชชีนเลิร์นนิงยังช่วยให้นักวิจัยของ 3M สามารถวิเคราะห์ว่าการเปลี่ยนแปลงเพียงเล็กน้อยในรูปร่าง ขนาด และทิศทางช่วยปรับปรุงการขัดถูและความทนทานได้อย่างไร โดยข้อเสนอแนะเหล่านั้นจะแจ้งให้กระบวนการผลิตทราบต่อไป

การดูแลสุขภาพและวิทยาศาสตร์ชีวภาพ

การเพิ่มขึ้นอย่างรวดเร็วของเซ็นเซอร์และอุปกรณ์ที่สวมใส่ได้ทำให้เกิดข้อมูลด้านสุขภาพจำนวนมาก โปรแกรมแมชชีนเลิร์นนิงสามารถวิเคราะห์ข้อมูลนี้ และสนับสนุนแพทย์ในการวินิจฉัยและรักษาได้แบบเรียลไทม์ ในขณะที่นักวิจัยด้านแมชชีนเลิร์นนิงกำลังพัฒนาโซลูชันที่ตรวจหาเนื้องอกที่เป็นมะเร็งและวินิจฉัยโรคตา ซึ่งส่งผลกระทบอย่างมีนัยสำคัญต่อสุขภาพของมนุษย์ ตัวอย่างเช่น Cambia Health Solutions ใช้ AWS Machine Learning เพื่อสนับสนุนบริษัทสตาร์ทอัพด้านการดูแลสุขภาพ ซึ่งพวกเขาสามารถดำเนินการและปรับแต่งการรักษาสำหรับสตรีมีครรภ์ให้เป็นระบบอัตโนมัติได้

บริการทางการเงิน

โครงการด้านแมชชีนเลิร์นนิงทางการเงินช่วยปรับปรุงการวิเคราะห์ความเสี่ยงและระเบียบข้อบังคับ เทคโนโลยีแมชชีนเลิร์นนิงช่วยให้นักลงทุนระบุโอกาสใหม่ๆ โดยการวิเคราะห์การเคลื่อนไหวของตลาดหุ้น การประเมินกองทุนบริหารความเสี่ยง หรือการจัดระเบียบกลุ่มหลักทรัพย์ทางการเงิน นอกจากนี้ยังสามารถช่วยคุณระบุลูกค้าสินเชื่อที่มีความเสี่ยงสูงและหลีกเลี่ยงโอกาสที่จะเกิดการฉ้อโกงได้อีกด้วย  โดยผู้นำด้านซอฟต์แวร์ทางการเงินอย่าง Intuit ใช้ Amazon Textract ที่เป็นส่วนหนึ่งของระบบ AWS Machine Learning เพื่อสร้างการจัดการทางการเงินที่เป็นส่วนตัวยิ่งขึ้น และช่วยให้ผู้ใช้ปลายทางปรับปรุงสถานภาพทางการเงินของตน

การค้าปลีก

แวดวงการค้าปลีกสามารถใช้แมชชีนเลิร์นนิงเพื่อปรับปรุงการบริการลูกค้า การจัดการสต็อก การเพิ่มยอดขาย และการตลาดแบบข้ามช่องทาง ตัวอย่างเช่น Amazon Fulfillment (AFT) ลดต้นทุนด้านโครงสร้างพื้นฐานลง 40 เปอร์เซ็นต์โดยใช้โมเดลแมชชีนเลิร์นนิงเพื่อระบุสินค้าคงคลังที่อยู่ผิดที่ ซึ่งช่วยให้ทำได้ตามคำมั่นสัญญาของ Amazon ที่ว่าสินค้าจะพร้อมให้ลูกค้าใช้งานได้และมาถึงตรงเวลา แม้จะต้องดำเนินการจัดส่งสินค้าทั่วโลกหลายล้านรายการต่อปีก็ตาม

สื่อและความบันเทิง

บริษัทด้านความบันเทิงหันไปใช้แมชชีนเลิร์นนิงเพื่อทำความเข้าใจกลุ่มเป้าหมายของตนให้ดีขึ้น และนำเสนอเนื้อหาที่น่าดึงดูด เป็นส่วนตัว และตามความต้องการได้ โดยมีการปรับใช้อัลกอริทึมแมชชีนเลิร์นนิงเพื่อช่วยในการออกแบบตัวอย่างและโฆษณาอื่นๆ ให้คำแนะนำเนื้อหาที่เป็นส่วนตัวแก่ผู้บริโภค หรือแม้แต่ปรับปรุงการผลิตให้มีประสิทธิภาพ 

ตัวอย่างเช่น Disney ใช้ AWS Deep Learning เพื่อเก็บไลบรารีสื่อของตนถาวร โดยเครื่องมือของ AWS Machine Learning จะติดแท็ก บรรยาย และจัดเรียงเนื้อหาสื่อโดยอัตโนมัติ ทำให้นักเขียนและนักสร้างแอนิเมชั่นของ Disney สามารถค้นหาและทำความคุ้นเคยกับตัวละครของ Disney ได้อย่างรวดเร็ว

แมชชีนเลิร์นนิงทำงานอย่างไร

แนวคิดหลักที่อยู่เบื้องหลังแมชชีนเลิร์นนิงคือความสัมพันธ์ทางคณิตศาสตร์ที่มีอยู่ระหว่างการผสมผสานของข้อมูลที่ป้อนเข้าและผลลัพธ์ แม้ว่าโมเดลแมชชีนเลิร์นนิงจะไม่ทราบถึงความสัมพันธ์นี้ล่วงหน้า แต่ก็สามารถคาดเดาได้หากได้รับชุดข้อมูลที่เพียงพอ 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 แต่แมชชีนเลิร์นนิงจะมุ่งเน้นไปที่หลักการที่ว่าจุดข้อมูลที่ซับซ้อนทั้งหมดสามารถเชื่อมโยงทางคณิตศาสตร์ได้โดยระบบคอมพิวเตอร์ ตราบใดที่มีข้อมูลและความสามารถในการประมวลผลที่เพียงพอในการประมวลผลข้อมูลดังกล่าว ดังนั้นความแม่นยำของผลลัพธ์จึงมีความสัมพันธ์กันโดยตรงกับขนาดของข้อมูลที่ป้อนเข้า

อัลกอริทึมของแมชชีนเลิร์นนิงมีกี่ประเภท

อัลกอริทึมสามารถแบ่งออกได้ตามรูปแบบการเรียนรู้ที่แตกต่างกันสี่ประเภท โดยขึ้นอยู่กับผลลัพธ์ที่คาดหวังและประเภทของข้อมูลที่ป้อนเข้า

  1. แมชชีนเลิร์นนิงแบบมีผู้สอน
  2. แมชชีนเลิร์นนิงแบบไม่มีผู้สอน
  3. แมชชีนเลิร์นนิงแบบกึ่งมีผู้สอน
  4. แมชชีนเลิร์นนิงแบบเสริมกำลัง

1. แมชชีนเลิร์นนิงแบบมีผู้สอน

นักวิทยาศาสตร์ข้อมูลจัดหาอัลกอริทึมที่มีข้อมูลการฝึกฝนที่มีการระบุประเภทและกำหนดไว้เพื่อประเมินความสัมพันธ์กัน โดยข้อมูลตัวอย่างจะระบุทั้งข้อมูลที่ป้อนเข้าและผลลัพธ์ของอัลกอริทึม ตัวอย่างเช่น รูปภาพของตัวเลขที่เขียนด้วยลายมือจะมีคำอธิบายประกอบเพื่อระบุว่าตรงกับหมายเลขใด ระบบแมชชีนเลิร์นนิงแบบมีผู้สอนจะสามารถจดจำกลุ่มพิกเซลและรูปร่างที่เกี่ยวข้องกับแต่ละตัวเลขได้ หากมีตัวอย่างที่เพียงพอ ซึ่งในที่สุดแล้วระบบจะจำตัวเลขที่เขียนด้วยลายมือได้ โดยสามารถแยกความแตกต่างระหว่างตัวเลข 9 และ 4 หรือ 6 และ 8 ได้อย่างน่าเชื่อถือ 

โดยจุดแข็งของแมชชีนเลิร์นนิงแบบมีผู้สอนคือความเรียบง่ายและความสะดวกในการออกแบบ ซึ่งมีประโยชน์เมื่อต้องคาดการณ์ชุดผลลัพธ์ที่เป็นไปได้แบบจำกัด โดยแบ่งข้อมูลออกเป็นหมวดหมู่ หรือรวมผลลัพธ์จากอัลกอริทึมแมชชีนเลิร์นนิงอีกสองแบบเข้าด้วยกัน อย่างไรก็ตาม การระบุประเภทชุดข้อมูลที่ไม่มีการระบุประเภทหลายล้านรายการก็อาจถือเป็นเรื่องที่ท้าทาย เรามาลองเจาะลึกลงไปอีกหน่อยกัน

การระบุประเภทข้อมูลคืออะไร

การระบุประเภทข้อมูลเป็นกระบวนการในการจัดหมวดหมู่ข้อมูลที่ป้อนเข้าด้วยค่าผลลัพธ์ที่กำหนดไว้ที่สอดคล้องกัน โดยจำเป็นต้องมีข้อมูลการฝึกฝนที่มีการระบุประเภทสำหรับแมชชีนเลิร์นนิงแบบมีผู้สอน ตัวอย่างเช่น จะต้องมีการติดแท็กรูปภาพของแอปเปิ้ลและกล้วยหลายล้านรายการด้วยคำว่า "แอปเปิ้ล" หรือ "กล้วย" จากนั้นแอปพลิเคชันแมชชีนเลิร์นนิงจะสามารถใช้ข้อมูลการฝึกฝนนี้ในการทายชื่อของผลไม้เมื่อให้ภาพผลไม้ได้ อย่างไรก็ตาม การระบุประเภทข้อมูลใหม่นับล้านรายการอาจเป็นงานที่ใช้เวลานานและท้าทาย บริการที่ทำงานร่วมกับคนหมู่มาก เช่น Amazon Mechanical Turk สามารถแก้ไขข้อจำกัดของอัลกอริทึมแมชชีนเลิร์นนิงแบบมีผู้สอนได้ในระดับหนึ่ง โดยบริการเหล่านี้ช่วยให้เข้าถึงแรงงานจำนวนมากซึ่งกระจายอยู่ทั่วโลกได้ในราคาไม่แพง โดยช่วยลดความท้าทายในการได้มาซึ่งข้อมูลให้น้อยลง

2. แมชชีนเลิร์นนิงแบบไม่มีผู้สอน

อัลกอริทึมแมชชีนเลิร์นนิงแบบไม่มีผู้สอนจะฝึกฝนกับข้อมูลที่ไม่มีการระบุประเภท ซึ่งจะสแกนผ่านข้อมูลใหม่ โดยพยายามสร้างการเชื่อมต่อที่มีความหมายระหว่างข้อมูลที่ป้อนเข้าและผลลัพธ์ที่กำหนดไว้ล่วงหน้า โดยอัลกอริทึมดังกล่าวสามารถระบุรูปแบบและจัดหมวดหมู่ข้อมูลได้ ตัวอย่างเช่น อัลกอริทึมแบบไม่มีผู้สอนสามารถจัดกลุ่มบทความข่าวจากเว็บไซต์ข่าวต่างๆ ออกเป็นหมวดหมู่ทั่วไปต่างๆ เช่น กีฬา อาชญากรรม ฯลฯ ซึ่งสามารถใช้การประมวลผลภาษาธรรมชาติเพื่อทำความเข้าใจความหมายและอารมณ์ในบทความดังกล่าวได้ ในแวดวงการค้าปลีก แมชชีนเลิร์นนิงแบบไม่มีผู้สอนสามารถค้นหารูปแบบในการซื้อสินค้าของลูกค้า และให้ผลการวิเคราะห์ข้อมูล เช่น ลูกค้ามักจะซื้อขนมปังหากซื้อเนยด้วย

แมชชีนเลิร์นนิงแบบไม่มีผู้สอนมีประโยชน์อย่างยิ่งสำหรับการจดจำรูปแบบ การตรวจจับความผิดปกติ และการจัดกลุ่มข้อมูลเป็นหมวดหมู่โดยอัตโนมัติ เนื่องจากข้อมูลการฝึกฝนไม่ต้องอาศัยการระบุประเภท จึงตั้งค่าได้ง่าย นอกจากนี้ อัลกอริทึมเหล่านี้ยังสามารถใช้เพื่อล้างและประมวลผลข้อมูลสำหรับการสร้างโมเดลเพิ่มเติมโดยอัตโนมัติได้อีกด้วย โดยข้อจำกัดของวิธีการนี้คือไม่สามารถคาดการณ์ได้อย่างแม่นยำ นอกจากนี้ยังไม่สามารถแยกแยะผลลัพธ์ของข้อมูลบางประเภทแยกจากกันได้อีกด้วย

3. แมชชีนเลิร์นนิงแบบกึ่งมีผู้สอน

ตามที่ชื่อระบุไว้ วิธีการนี้จะผสมผสานแมชชีนเลิร์นนิงแบบมีผู้สอนและแมชชีนเลิร์นนิงแบบไม่มีผู้สอนเข้าด้วยกัน โดยเทคนิคนี้อาศัยการใช้ข้อมูลที่มีการระบุประเภทจำนวนเล็กน้อยและข้อมูลที่ไม่มีการระบุประเภทจำนวนมากในการฝึกฝนระบบ ขั้นแรก เราจะใช้ข้อมูลที่มีการระบุประเภทเพื่อฝึกฝนอัลกอริทึมแมชชีนเลิร์นนิงเพียงบางส่วน หลังจากนั้น อัลกอริทึมที่ได้รับการฝึกฝนเพียงบางส่วนจะระบุประเภทข้อมูลที่ไม่มีการระบุประเภท โดยกระบวนการนี้เรียกว่าการระบุประเภทเทียม จากนั้นโมเดลดังกล่าวจะได้รับการฝึกฝนใหม่เกี่ยวกับการผสมผสานข้อมูลที่เป็นผลลัพธ์โดยไม่ได้เขียนโปรแกรมไว้อย่างชัดเจน

ข้อดีของวิธีการนี้คือ คุณไม่ต้องใช้ข้อมูลที่มีการระบุประเภทจำนวนมาก ซึ่งเหมาะเป็นอย่างยิ่งเมื่อต้องทำงานร่วมกับข้อมูลบางประเภท เช่น เอกสารขนาดยาว ซึ่งอาจใช้เวลานานเกินกว่าที่มนุษย์จะอ่านและระบุประเภทได้

4. การเรียนรู้แบบเสริมกำลัง

การเรียนรู้แบบเสริมกำลังเป็นวิธีการที่มีค่ารางวัลแนบมากับขั้นตอนต่างๆ ที่อัลกอริทึมต้องดำเนินการตลอดกระบวนการ ดังนั้นเป้าหมายของโมเดลดังกล่าวคือการสะสมคะแนนให้ได้มากที่สุดและบรรลุเป้าหมายสุดท้ายได้ในที่สุด โดยการประยุกต์ใช้การเรียนรู้แบบเสริมกำลังในทางปฏิบัติส่วนใหญ่ในทศวรรษที่ผ่านมาอยู่ในแวดวงของวิดีโอเกม อัลกอริทึมการเรียนรู้แบบเสริมกำลังที่ล้ำสมัยได้บรรลุผลลัพธ์ที่น่าประทับใจทั้งในเกมสุดคลาสสิกและเกมสมัยใหม่ ซึ่งมักจะเอาชนะคู่ต่อสู้ที่เป็นมนุษย์ได้เป็นส่วนใหญ่ 

แม้ว่าวิธีการนี้จะได้ผลดีที่สุดในสภาพแวดล้อมข้อมูลที่ไม่แน่นอนและซับซ้อน แต่ก็ไม่ค่อยมีการนำมาใช้มากนักในบริบททางธุรกิจ เนื่องจากไม่มีประสิทธิภาพสำหรับงานที่กำหนดไว้อย่างชัดเจน และอคติของนักพัฒนาอาจส่งผลต่อผลลัพธ์ด้วย เพราะในขณะที่นักวิทยาศาสตร์ข้อมูลออกแบบรางวัลต่างๆ สิ่งเหล่านี้ก็อาจมีอิทธิพลต่อผลลัพธ์ได้เช่นกัน

รูปแบบแมชชีนเลิร์นนิงเป็นแบบเชิงกำหนดหรือไม่

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

ดีปเลิร์นนิ่งคืออะไร

ดีปเลิร์นนิ่งเป็นเทคนิคแมชชีนเลิร์นนิงประเภทหนึ่งที่สร้างแบบจำลองตามสมองของมนุษย์ โดยอัลกอริทึมดีปเลิร์นนิ่งจะวิเคราะห์ข้อมูลด้วยโครงสร้างตรรกะที่คล้ายคลึงกับที่มนุษย์ใช้ ทั้งนี้ดีปเลิร์นนิ่งใช้ระบบอัจฉริยะที่เรียกว่านิวรัลเน็ตเวิร์คเทียมเพื่อประมวลผลข้อมูลในชั้นต่างๆ โดยข้อมูลจะไหลจากชั้นข้อมูลที่ป้อนเข้าผ่านชั้นนิวรัลเน็ตเวิร์คเทียมที่ซ่อนอยู่ "ลึก" หลายชั้นก่อนที่จะมาถึงชั้นผลลัพธ์ ซึ่งชั้นที่ซ่อนอยู่เพิ่มเติมสนับสนุนการเรียนรู้ที่มีความสามารถมากกว่าในโมเดลแมชชีนเลิร์นนิงมาตรฐาน

นิวรัลเน็ตเวิร์คเทียมคืออะไร

ชั้นดีปเลิร์นนิ่งคือโหนดนิวรัลเน็ตเวิร์คเทียม (ANN) ที่ทำงานเหมือนเซลล์ประสาทในสมองของมนุษย์ โดยโหนดเป็นการผสมผสานกันระหว่างฮาร์ดแวร์และซอฟต์แวร์ แต่ละชั้นในอัลกอริทึมดีปเลิร์นนิ่งจะประกอบด้วยโหนด ANN ซึ่งแต่ละโหนดหรือเซลล์ประสาทเทียมจะเชื่อมต่อกับอีกโหนดหนึ่ง และมีตัวเลขค่าและตัวเลขเกณฑ์ที่เกี่ยวข้อง โหนดจะส่งตัวเลขค่าเป็นข้อมูลที่ป้อนเข้าไปยังโหนดชั้นถัดไปเมื่อเปิดใช้งาน ซึ่งจะเปิดใช้งานก็ต่อเมื่อผลลัพธ์สูงกว่าค่าเกณฑ์ที่ระบุ มิฉะนั้นจะไม่มีการส่งต่อข้อมูล

คอมพิวเตอร์วิทัศน์คืออะไร

คอมพิวเตอร์วิทัศน์คือการประยุกต์ใช้ดีปเลิร์นนิ่งในโลกแห่งความเป็นจริง โดยคอมพิวเตอร์วิทัศน์ช่วยให้คอมพิวเตอร์มองเห็น สังเกต และตอบสนองได้ เช่นเดียวกับที่ปัญญาประดิษฐ์ช่วยให้คอมพิวเตอร์สามารถคิดได้ รถยนต์ที่ขับด้วยตนเองจะใช้คอมพิวเตอร์วิทัศน์เพื่อ "อ่าน" ป้ายจราจร กล้องของรถยนต์จะบันทึกภาพป้ายดังกล่าว จากนั้นระบบจะส่งภาพไปยังอัลกอริทึมดีปเลิร์นนิ่งในรถยนต์ โดยชั้นแรกที่ซ่อนอยู่จะตรวจจับขอบ จากนั้นจึงแยกแยะสี ในขณะที่ชั้นที่สามจะระบุรายละเอียดของตัวอักษรบนป้าย อัลกอริทึมจึงคาดการณ์ว่าป้ายจะอ่านว่า STOP (หยุด) และรถยนต์จะตอบสนองโดยการกระตุ้นกลไกเบรก

แมชชีนเลิร์นนิงและดีปเลิร์นนิ่งเหมือนกันหรือไม่

ดีปเลิร์นนิ่งเป็นชุดย่อยของแมชชีนเลิร์นนิง อัลกอริทึมดีปเลิร์นนิ่งถือได้ว่าเป็นวิวัฒนาการที่ทันสมัยและมีความซับซ้อนทางคณิตศาสตร์ของอัลกอริทึมแมชชีนเลิร์นนิง

แมชชีนเลิร์นนิงและปัญญาประดิษฐ์เหมือนกันหรือไม่

คำตอบสั้นๆ คือไม่ เพราะแม้ว่าคำว่าแมชชีนเลิร์นนิงและปัญญาประดิษฐ์ (AI) อาจใช้สลับกันได้ แต่ทั้งคู่นั้นไม่เหมือนกัน โดยปัญญาประดิษฐ์เป็นคำศัพท์ที่มีความหมายครอบคลุมสำหรับกลยุทธ์และเทคนิคต่างๆ ที่ใช้เพื่อทำให้เครื่องจักรมีลักษณะเหมือนมนุษย์มากขึ้น ซึ่ง AI รวมถึงทุกสิ่งตั้งแต่ผู้ช่วยอัจฉริยะอย่าง Alexa ไปจนถึงหุ่นยนต์ดูดฝุ่นและรถยนต์ที่ขับเคลื่อนด้วยตัวเอง ในขณะที่แมชชีนเลิร์นนิงเป็นหนึ่งในอีกหลายสาขาของปัญญาประดิษฐ์ แม้ว่าแมชชีนเลิร์นนิงคือ AI แต่จะไม่สามารถเรียกกิจกรรม AI ทั้งหมดว่าแมชชีนเลิร์นนิงได้

แมชชีนเลิร์นนิงและวิทยาศาสตร์ข้อมูลเหมือนกันหรือไม่

ไม่ใช่ แมชชีนเลิร์นนิงและวิทยาศาสตร์ข้อมูลไม่เหมือนกัน วิทยาศาสตร์ข้อมูลเป็นสาขาวิชาที่ใช้วิธีการทางวิทยาศาสตร์เพื่อดึงความหมายและข้อมูลเชิงลึกจากข้อมูล โดยนักวิทยาศาสตร์ข้อมูลใช้เครื่องมือประเภทต่างๆ สำหรับการวิเคราะห์ข้อมูล และแมชชีนเลิร์นนิงเองก็เป็นหนึ่งในเครื่องมือดังกล่าว นักวิทยาศาสตร์ข้อมูลเข้าใจภาพรวมของข้อมูลต่างๆ เช่น โมเดลธุรกิจ โดเมน และการรวบรวมข้อมูล ในขณะที่แมชชีนเลิร์นนิงเป็นกระบวนการคำนวณที่เกี่ยวข้องกับข้อมูลดิบเท่านั้น

ข้อดีและข้อเสียของแมชชีนเลิร์นนิงมีอะไรบ้าง

เราลองมาดูสิ่งต่างๆ ที่แมชชีนเลิร์นนิงสามารถทำได้และไม่สามารถทำได้กัน

ข้อดีต่างๆ ของรูปแบบแมชชีนเลิร์นนิง ได้แก่

  • สามารถระบุแนวโน้มและรูปแบบของข้อมูลที่มนุษย์อาจมองข้ามไป
  • สามารถทำงานได้โดยปราศจากการแทรกแซงของมนุษย์หลังจากการตั้งค่า ตัวอย่างเช่น แมชชีนเลิร์นนิงในซอฟต์แวร์ความปลอดภัยด้านไซเบอร์สามารถเฝ้าติดตามและระบุความผิดปกติในการรับส่งข้อมูลผ่านเครือข่ายอย่างต่อเนื่องโดยไม่ต้องมีการป้อนข้อมูลจากผู้ดูแลระบบ
  • โดยผลลัพธ์จะแม่นยำยิ่งขึ้นเมื่อเวลาผ่านไป
  • สามารถจัดการรูปแบบข้อมูลได้หลากหลายในสภาพแวดล้อมข้อมูลแบบไดนามิก มีปริมาณมาก และซับซ้อน

ข้อเสียต่างๆ ของรูปแบบแมชชีนเลิร์นนิง ได้แก่

  • การฝึกฝนเริ่มต้นเป็นกระบวนการที่มีค่าใช้จ่ายสูงและใช้เวลานาน อาจเป็นเรื่องยากที่จะนำไปใช้หากไม่มีข้อมูลเพียงพอ
  • เป็นกระบวนการที่ต้องใช้การประมวลผลสูงซึ่งต้องใช้เงินลงทุนเริ่มต้นจำนวนมากหากมีการตั้งค่าฮาร์ดแวร์ภายในองค์กร
  • อาจตีความผลลัพธ์อย่างถูกต้องและขจัดความไม่แน่นอนได้ยากหากไม่ได้รับความช่วยเหลือจากผู้เชี่ยวชาญ          

แมชชีนเลิร์นนิงของ Amazon สามารถช่วยได้อย่างไร

AWS สร้างแมชชีนเลิร์นนิงที่นักพัฒนา นักวิทยาศาสตร์ข้อมูล และผู้ใช้ทางธุรกิจทุกรายสามารถเข้าถึงได้ โดยบริการ Amazon Machine Learning มอบโครงสร้างพื้นฐานที่มีประสิทธิภาพสูง คุ้มค่า และปรับขนาดได้เพื่อตอบสนองความต้องการทางธุรกิจ

หากคุณเพิ่งเริ่มต้น

ให้เรียนรู้แมชชีนเลิร์นนิงด้วยอุปกรณ์เพื่อการศึกษาแบบลงมือปฏิบัติจริง เช่น AWS DeepRacer, AWS DeepComposer และ AWS DeepLens

หากคุณมีที่เก็บข้อมูลถาวรเดิมอยู่แล้ว

ให้ใช้ Amazon SageMaker Ground Truth สำหรับเวิร์กโฟลว์การระบุประเภทข้อมูลในตัวที่รองรับวิดีโอ รูปภาพ และข้อความ

หากคุณมีระบบแมชชีนเลิร์นนิงเดิมอยู่แล้ว

ให้ใช้ Amazon SageMaker Clarify เพื่อตรวจหาอคติ และ Amazon SageMaker Debugger เพื่อเฝ้าติดตามและปรับประสิทธิภาพให้เหมาะสม

หากคุณต้องการปรับใช้ดีปเลิร์นนิ่ง

ให้ใช้ Amazon SageMaker Distributed Training เพื่อฝึกฝนโมเดลดีปเลิร์นนิ่งขนาดใหญ่โดยอัตโนมัติ ลงชื่อสมัครใช้บัญชีฟรีเพื่อเริ่มต้นเส้นทางด้านแมชชีนเลิร์นนิงของคุณวันนี้!

ขั้นตอนถัดไปสำหรับแมชชีนเลิร์นนิง

Standard Product Icons (Features) Squid Ink
ดูแหล่งข้อมูลที่เกี่ยวข้องกับผลิตภัณฑ์เพิ่มเติม
เรียนรู้เพิ่มเติมเกี่ยวกับแมชชีนเลิร์นนิง 
Sign up for a free account
ลงชื่อสมัครใช้บัญชีฟรี

รับสิทธิ์การเข้าถึง AWS Free Tier ได้ทันที

ลงชื่อสมัครใช้งาน 
Standard Product Icons (Start Building) Squid Ink
เริ่มต้นการสร้างใน Console

เริ่มต้นสร้างด้วยแมชชีนเลิร์นนิงใน AWS Management Console

ลงชื่อเข้าใช้