การเรียนรู้เชิงลึกคืออะไร?

การเรียนรู้เชิงลึกเป็นส่วนย่อยของ การเรียนรู้ของเครื่อง (กลไกของปัญญาประดิษฐ์) แม้ว่าการเขียนโปรแกรมสาขานี้อาจมีความซับซ้อนมาก แต่ก็เริ่มต้นด้วยคำถามง่ายๆ ที่ว่า “ถ้าเราต้องการให้ระบบคอมพิวเตอร์ทำงานอย่างชาญฉลาด ทำไมเราไม่สร้างแบบจำลองมันตามสมองของมนุษย์ล่ะ”

ความคิดดังกล่าวก่อให้เกิดความพยายามมากมายในทศวรรษที่ผ่านมาเพื่อสร้างอัลกอริธึมที่เลียนแบบวิธีการทำงานของสมองมนุษย์ และสามารถแก้ปัญหาได้เช่นเดียวกับที่มนุษย์ทำ ความพยายามเหล่านั้นส่งผลให้มีเครื่องมือวิเคราะห์ที่มีคุณค่าและมีความสามารถเพิ่มมากขึ้นซึ่งนำไปใช้ในสาขาต่างๆ มากมาย

โครงข่ายประสาทเทียมและวิธีการใช้งาน

การเรียนรู้เชิงลึก ได้ชื่อมาจากวิธีที่ใช้ในการวิเคราะห์ข้อมูลที่ "ไม่มีโครงสร้าง" หรือข้อมูลที่ไม่เคยมีป้ายกำกับจากแหล่งอื่นมาก่อนและอาจต้องมีคำจำกัดความ ซึ่งจำเป็นต้องมีการวิเคราะห์อย่างรอบคอบว่าข้อมูลคืออะไร และการทดสอบข้อมูลนั้นซ้ำหลายครั้งเพื่อให้ได้ข้อสรุปขั้นสุดท้ายที่ใช้งานได้ เดิมทีคอมพิวเตอร์ไม่เก่งในการวิเคราะห์ข้อมูลที่ไม่มีโครงสร้างเช่นนี้

ลองคิดในแง่ของการเขียน: หากคุณมีสิบคนเขียนคำเดียวกัน คำนั้นจะดูแตกต่างกันมากในแต่ละคน ตั้งแต่เลอะเทอะไปจนถึงเรียบร้อย และจากตัวสะกดไปจนถึงการพิมพ์ สมองของมนุษย์ไม่มีปัญหาในการทำความเข้าใจว่ามันเป็นคำเดียวกัน เพราะมันรู้ว่าคำพูด การเขียน กระดาษ หมึก และนิสัยส่วนตัวล้วนทำงานอย่างไร อย่างไรก็ตาม ระบบคอมพิวเตอร์ปกติจะไม่มีทางรู้ได้ว่าคำเหล่านั้นเหมือนกัน เพราะมันดูแตกต่างกันมาก

นั่นนำเราไปสู่ทาง โครงข่ายประสาทเทียมอัลกอริธึมที่สร้างขึ้นโดยเฉพาะเพื่อเลียนแบบวิธีที่เซลล์ประสาทในสมองโต้ตอบกัน โครงข่ายประสาทเทียมพยายามแยกวิเคราะห์ข้อมูลในแบบที่จิตใจสามารถทำได้: เป้าหมายของพวกเขาคือจัดการกับข้อมูลที่ยุ่งเหยิง เช่น การเขียน และสรุปผลที่เป็นประโยชน์ เช่น คำที่งานเขียนพยายามแสดง เข้าใจง่ายที่สุด โครงข่ายประสาทเทียม ถ้าเราแบ่งพวกมันออกเป็นสามส่วนสำคัญ:

เลเยอร์อินพุต: ที่เลเยอร์อินพุต โครงข่ายประสาทเทียมจะดูดซับข้อมูลที่ไม่เป็นความลับทั้งหมดที่ได้รับ นี่หมายถึงการแบ่งข้อมูลออกเป็นตัวเลขและแปลงให้เป็นบิตของข้อมูลที่ใช่หรือไม่ใช่ หรือ "เซลล์ประสาท" หากคุณต้องการสอนโครงข่ายประสาทเทียมให้จดจำคำศัพท์ เลเยอร์อินพุตจะเป็นในทางคณิตศาสตร์ กำหนดรูปร่างของตัวอักษรแต่ละตัว โดยแบ่งเป็นภาษาดิจิทัลเพื่อให้เครือข่ายสามารถเริ่มต้นได้ การทำงาน. เลเยอร์อินพุตอาจค่อนข้างเรียบง่ายหรือซับซ้อนอย่างไม่น่าเชื่อ ขึ้นอยู่กับความง่ายในการแสดงบางสิ่งทางคณิตศาสตร์

ชั้นที่ซ่อนอยู่: ที่ศูนย์กลางของโครงข่ายประสาทเทียมจะมีเลเยอร์ซ่อนอยู่ จากที่ใดที่หนึ่งไปยังหลายชั้น เลเยอร์เหล่านี้สร้างจากเซลล์ประสาทดิจิทัลของตัวเอง ซึ่งได้รับการออกแบบให้เปิดใช้งานหรือไม่เปิดใช้งานโดยขึ้นอยู่กับเลเยอร์ของเซลล์ประสาทที่อยู่ข้างหน้าพวกมัน เซลล์ประสาทเดี่ยวเป็นพื้นฐาน “ถ้าสิ่งนี้ก็เป็นเช่นนั้น“ แต่เลเยอร์ต่างๆ ประกอบไปด้วยเซลล์ประสาทสายยาว และเลเยอร์ที่แตกต่างกันจำนวนมากสามารถมีอิทธิพลต่อกันและกัน ทำให้เกิดผลลัพธ์ที่ซับซ้อนมาก เป้าหมายคือการอนุญาตให้โครงข่ายประสาทเทียมจดจำคุณลักษณะต่างๆ มากมายและรวมเข้าด้วยกันเป็นการรับรู้เดียวเหมือนกับเด็ก เรียนรู้ที่จะจดจำตัวอักษรแต่ละตัวแล้วประกอบเข้าด้วยกันเพื่อให้จดจำคำเต็มได้ แม้จะเขียนคำนั้นเพียงเล็กน้อยก็ตาม เลอะเทอะ.

เลเยอร์ที่ซ่อนอยู่นั้นเป็นที่ที่มีการฝึกอบรมการเรียนรู้เชิงลึกมากมาย ตัวอย่างเช่น หากอัลกอริทึมไม่สามารถจดจำคำได้อย่างถูกต้อง โปรแกรมเมอร์จะส่งกลับว่า “ขออภัย นั่นไม่ถูกต้อง” และอัลกอริธึมจะปรับวิธีการชั่งน้ำหนักข้อมูลจนกว่าจะพบสิ่งที่ถูกต้อง คำตอบ การทำซ้ำขั้นตอนนี้ (โปรแกรมเมอร์อาจปรับน้ำหนักด้วยตนเอง) ช่วยให้โครงข่ายประสาทเทียมสามารถสร้างเลเยอร์ที่ซ่อนอยู่ที่แข็งแกร่งซึ่ง เชี่ยวชาญในการค้นหาคำตอบที่ถูกต้องผ่านการลองผิดลองถูกมากมาย รวมถึงคำแนะนำจากภายนอก — อีกครั้ง เช่นเดียวกับสมองของมนุษย์ ทำงาน ตามภาพด้านบนที่แสดง เลเยอร์ที่ซ่อนอยู่อาจมีความซับซ้อนมาก!

เลเยอร์เอาท์พุต: เลเยอร์เอาท์พุตมี "เซลล์ประสาท" ค่อนข้างน้อยเพราะเป็นที่ที่การตัดสินใจขั้นสุดท้าย ที่นี่โครงข่ายประสาทเทียมจะใช้การวิเคราะห์ขั้นสุดท้าย กำหนดคำจำกัดความของข้อมูล และสรุปข้อสรุปที่ตั้งโปรแกรมไว้ตามคำจำกัดความเหล่านั้น ตัวอย่างเช่น “มีข้อมูลเพียงพอที่จะบอกว่าคำนี้คือ ทะเลสาบ, ไม่ เลน” ในที่สุดข้อมูลทั้งหมดที่ส่งผ่านเครือข่ายจะถูกจำกัดให้แคบลงเหลือเพียงเซลล์ประสาทเฉพาะในเลเยอร์เอาท์พุต เนื่องจากนี่คือจุดที่บรรลุเป้าหมาย จึงมักจะเป็นส่วนแรกของเครือข่ายที่สร้างขึ้น

การใช้งาน

หากคุณใช้เทคโนโลยีสมัยใหม่ โอกาสที่ดีที่อัลกอริธึมการเรียนรู้เชิงลึกจะทำงานรอบตัวคุณทุกวัน คุณคิดว่า อเล็กซา หรือ ผู้ช่วยของ Google เข้าใจคำสั่งเสียงของคุณไหม? พวกเขาใช้โครงข่ายประสาทเทียมที่สร้างขึ้นเพื่อเข้าใจคำพูด Google รู้ได้อย่างไรว่าคุณกำลังค้นหาอะไรก่อนที่คุณจะพิมพ์เสร็จ การเรียนรู้เชิงลึกมากขึ้นในที่ทำงาน กล้องรักษาความปลอดภัยของคุณเพิกเฉยต่อสัตว์เลี้ยง แต่จดจำการเคลื่อนไหวของมนุษย์ได้อย่างไร การเรียนรู้อย่างลึกซึ้งอีกครั้ง

เมื่อใดก็ตามที่ซอฟต์แวร์รับรู้อินพุตของมนุษย์จาก การจดจำใบหน้า สำหรับผู้ช่วยด้านเสียง การเรียนรู้อย่างลึกซึ้งน่าจะทำงานอยู่ข้างใต้ อย่างไรก็ตาม ฟิลด์นี้ยังมีแอปพลิเคชันที่มีประโยชน์อื่นๆ อีกมากมาย การแพทย์เป็นสาขาที่น่ามีแนวโน้มเป็นอย่างยิ่ง โดยการใช้การเรียนรู้เชิงลึกขั้นสูงเพื่อวิเคราะห์ DNA เพื่อหาข้อบกพร่องหรือสารประกอบระดับโมเลกุลเพื่อประโยชน์ต่อสุขภาพที่อาจเกิดขึ้น ในด้านกายภาพมากขึ้น การเรียนรู้เชิงลึกถูกนำมาใช้ในเครื่องจักรและยานพาหนะจำนวนมากขึ้นเรื่อยๆ เพื่อคาดการณ์ว่าเมื่อใดที่อุปกรณ์จำเป็นต้องได้รับการบำรุงรักษาก่อนที่จะเกิดข้อผิดพลาดร้ายแรง

อนาคตของการเรียนรู้เชิงลึก

อนาคตของการเรียนรู้เชิงลึกนั้นสดใสเป็นพิเศษ! ข้อดีของโครงข่ายประสาทเทียมคือสามารถจัดการกับข้อมูลที่แตกต่างกันจำนวนมหาศาลได้อย่างดีเยี่ยม (ลองนึกถึงทุกสิ่งที่สมองของเราต้องเผชิญอยู่ตลอดเวลา) สิ่งนี้มีความเกี่ยวข้องอย่างยิ่งในยุคของเซ็นเซอร์อัจฉริยะขั้นสูงของเรา ซึ่งสามารถรวบรวมข้อมูลจำนวนมหาศาลได้อย่างเหลือเชื่อ โซลูชันคอมพิวเตอร์แบบเดิมเริ่มมีปัญหาในการจัดเรียง การติดป้ายกำกับ และการหาข้อสรุปจากข้อมูลจำนวนมาก

ในทางกลับกัน การเรียนรู้เชิงลึกสามารถจัดการกับข้อมูลดิจิทัลจำนวนมหาศาลที่เรากำลังรวบรวมได้ ในความเป็นจริง ยิ่งข้อมูลมีจำนวนมากขึ้น การเรียนรู้เชิงลึกก็จะมีประสิทธิภาพมากขึ้นเมื่อเปรียบเทียบกับวิธีการวิเคราะห์อื่นๆ นี่คือสาเหตุที่องค์กรต่างๆ เช่น Google ลงทุนอย่างมากกับอัลกอริธึมการเรียนรู้เชิงลึกและเหตุใดจึงมีแนวโน้มที่จะกลายเป็นเรื่องปกติมากขึ้นในอนาคต

และแน่นอน หุ่นยนต์ด้วย อย่าลืมเกี่ยวกับหุ่นยนต์

คำแนะนำของบรรณาธิการ

• A.I. การเรียนรู้เชิงลึก กำลังช่วยนักโบราณคดีแปลแผ่นจารึกโบราณ
• การเรียนรู้เชิงลึก A.I. สามารถเลียนแบบเอฟเฟ็กต์การบิดเบี้ยวของเทพเจ้าแห่งกีตาร์อันเป็นเอกลักษณ์ได้
• A.I. อ่านใจ วิเคราะห์คลื่นสมองของคุณเพื่อเดาว่าคุณกำลังดูวิดีโออะไรอยู่
• แอปที่ขับเคลื่อนด้วย A.I. นี้สามารถตรวจพบมะเร็งผิวหนังได้อย่างแม่นยำ 95 เปอร์เซ็นต์
• AI. นักวิจัยสร้างระบบจดจำใบหน้าสำหรับชิมแปนซี