เทคโนโลยีในกลุ่มของปัญญาประดิษฐ์ (Artificial Intelligence – AI) ได้กลายเป็นเทคโนโลยีที่สามารถพบเห็นและใช้งานได้ในชีวิตประจำวัน โดยเฉพาะในสมาร์ทโฟนที่หลายต่อหลายคนใช้กัน ปัญญาประดิษฐ์สามารถแบ่งเป็นสองประเภท คือ การเรียนรู้ด้วยจักรกล หรือ Machine Learning และที่กำลังเป็นที่สนใจในปัจจุบันอย่างการเรียนรู้เชิงลึกหรือ Deep Learning
Deep Learning คืออะไร เข้าใจง่ายๆ
สิ่งหนึ่งที่ต้องทำความเข้าใจกันก่อนคือ แม้จะถูกแบ่งแยกออกเป็นสองประเภท แต่ Deep Learning เองก็ยังถือเป็นส่วนหนึ่งของ Machine Learning เพียงแต่วิธีการเรียนรู้เพื่อหาคำตอบของปัญญาประดิษฐ์นั้นแตกต่างกัน
Machine Learning คือการรับข้อมูลจำนวนมหาศาล เพื่อจดจำความแตกต่างหรือลักษณะเด่นและทำการแบ่งข้อมูลออกเป็นกลุ่ม เช่น หากมีปีกก็แยกไปกลุ่มนก ไม่มีปีกแต่มีสี่ขาก็แยกไปกลุ่มสุนัข ตามจุดเด่นที่เห็นได้ชัด เป็นต้น ยิ่งเรียนรู้มากก็จะยิ่งแยกแยะจุดเด่นดังกล่าวได้ดีขึ้น
Deep Learning คือการจำลองรูปแบบการประมวลผลของสมองมนุษย์ โดยใช้โครงข่ายคล้ายเซลล์ประสาทในการประมวลผล เมื่อได้รับข้อมูลมา Deep Learning จะทำการแบ่งแยกข้อมูลและรายละเอียดต่างๆ ที่ได้รับมาทั้งหมด แล้วนำมาประมวลผลหาจุดเด่นและจุดแตกต่างของข้อมูลในเชิงลึก คล้ายกับการกรองข้อมูลเป็นชั้นๆ แล้วสรุปผลข้อมูลออกมาเป็น Output และตรวจสอบว่าข้อมูลนั้นส่งผลอย่างไร ผิด หรือถูก
เช่น มีข้อมูลสัตว์ 1 ตัวที่ไม่ทราบว่าจะเป็นอะไร Deep Learning จะทำการตรวจสอบและคาดการณ์ ว่า ‘อาจจะเป็น’ สัตว์ชนิดนี้ โดยไม่จำเป็นต้องระบุว่ามีปีกหรือมีหาง Deep Learning แค่ ‘คาดการณ์’ เอาไว้ก่อน
หาก Deep Learning คาดการณ์ผิด ตัวมันจะเรียนรู้และปรับเปลี่ยนการประมวลผล เพื่อให้ Output ที่ออกมามีความถูกต้องมากขึ้น และยิ่งเรียนรู้มาก Deep Learning ก็จะเข้าใจได้มากขึ้น และลงลึกในรายละเอียดยิบย่อยได้มากขึ้น จนสามารถสังเกตความแตกต่างของข้อมูลได้แม้เพียงเล็กน้อยก็ตาม โดยที่มนุษย์ไม่จำเป็นต้องแนะนำ
การกระทำต่อเนื่องเป็นลำดับขั้นของ Deep Learning จึงเป็นที่มาของคำว่า “ลึก” (Deep)
Deep Learning สามารถแบ่งคร่าวๆ เป็น สองประเภท คือ Feedforward Neural Network ที่ข้อมูลสามารถผ่านหน่วยประมวลผลได้เพียงทางเดียว ไม่ได้นำข้อมูลผลลัพธ์มาใช้ซ้ำ และ Recurrent Neural Network ที่ข้อมูลก่อนหน้าจะถูกนำกลับมาใช้ใหม่เพื่อคาดการณ์ผลลัพธ์ที่จะเกิดขึ้นในอนาคต
ข้อดี – ข้อเสียของ Deep Learning
ข้อดี
ข้อได้เปรียบสำคัญของ Deep Learning เมื่อเปรียบเทียบกับ Machine Learning รูปแบบอื่นๆ คือ
ไม่จำเป็นต้องจัดโครงสร้างข้อมูล
ข้อมูลส่วนใหญ่มักบรรจุอยู่ในรูปแบบที่แตกต่างกันไป ไม่ว่าจะเป็นข้อความ ตัวเลข รูปภาพ หรือเสียง ซึ่งไม่สามารถนำมาใช้ร่วมกันได้ และจำเป็นต้องแปลงข้อมูลให้เป็นรูปแบบเดียวกันก่อนนำไปประมวลผลต่อ ในขณะที่ Deep Learning สามารถหาความสัมพันธ์ของข้อมูลต่างรูปแบบกันได้ในทันที
ไม่จำเป็นต้องจัดหมวดหมู่ข้อมูล
การจัดหมวดหมู่ข้อมูลเป็นขั้นตอนที่มีต้นทุนสูงเป็นอย่างมาก ยกตัวอย่างเช่น การแยกรูปภาพระหว่าง “สุนัข” กับ “แมว” ซึ่งจำเป็นต้องบอกให้ Machine Learning รู้ว่ารูปใดคือสุนัข รูปใดคือแมว ด้วยการใช้ภาพสุนัขและภาพแมวมากกว่าพันรูปขึ้นไป แต่ขั้นตอนนี้ไม่จำเป็นสำหรับ Deep Learning เพราะกลไกของ Deep Learning สามารถเรียนรู้จนจำแนกสุนัขออกจากแมวด้วยตัวเองได้โดยอัตโนมัติ
ไม่จำเป็นต้องกำหนดการจับคู่ข้อมูลล่วงหน้า
ระบบ Machine Learning โดยทั่วไปต้องสั่งให้ระบบต้องจับคู่ข้อมูลตามที่กำหนดเพื่อให้ได้ผลลัพธ์ เช่น การจับคู่ค่าละติจูดและลองติจูดเพื่อให้ได้ค่าพิกัด ส่วน Deep Learning สามารถหาความสัมพันธ์ระหว่างข้อมูลได้ด้วยตัวเอง ทำให้ Deep Learning สามารถหาความเชื่อมโยงระหว่างข้อมูลที่มนุษย์ไม่สามารถคาดการณ์ล่วงหน้าได้
ด้วยข้อได้เปรียบที่เหนือกว่า Machine Learning แบบอื่นๆ ทำให้ข้อดีของ Deep Learning คือความสามารถในการแก้ปัญหาที่ซับซ้อนได้อย่างหลากหลายและความยืดหยุ่นสูง โดยที่ใช้มนุษย์ในการดูแลเพียงเล็กน้อย
ข้อเสีย
ข้อเสียของ Deep Learning เมื่อเปรียบเทียบกับ Machine Learning รูปแบบอื่นๆ คือ
ต้องการข้อมูลจำนวนมหาศาล
เงื่อนไขสำคัญที่ทำให้ Deep Learning สามารถแก้ปัญหาได้คือการ “เรียนรู้” จากข้อมูล นอกจากนี้ ความแม่นยำของ Deep Learning ยังแปรผันตรงกับปริมาณข้อมูล ยิ่งต้องการความแม่นยำจาก Deep Learning มาก ผู้ใช้งานจำเป็นต้องเพิ่มข้อมูลในระบบมากตามไปด้วย ทำให้ข้อจำกัดของ Deep Learning คือความต้องการข้อมูลจำนวนมหาศาลอย่างไม่มีที่สิ้นสุด
กลไกการทำงานที่ไม่สามารถอธิบายได้
การอธิบายกระบวนการของ Deep Learning ถือว่าเป็นสิ่งที่ซับซ้อนอย่างมาก เพราะหน่วยประมวลผลแต่ละหน่วยสามารถเรียนรู้ได้ด้วยตนเอง จึงทำให้เหตุผลในการ “ให้คำตอบ” ของแต่ละหน่วยประมวลผลอาจแตกต่างกันอย่างโดยสิ้นเชิง และการที่ Deep Learning ประกอบไปด้วยเครือข่ายของหน่วยประมวลผลจำนวนมาก จึงเป็นการยากที่จะให้เหตุผลที่ตายตัวกับผลลัพธ์ที่ได้จาก Deep Learning
นอกจากนี้ผู้ใช้งาน Deep Learning ยังต้องลงทุนกับอุปกรณ์ที่มีประสิทธิภาพสูงเพื่อรองรับกับข้อมูลจำนวนมาก รวมถึงความต้องการผู้ดูแลระบบที่เข้าใจวิธีการทำงานของ Deep Learning เพื่อออกแบบการทำงานของ Deep Learning โดยเฉพาะ
การใช้งาน Deep Learning ที่เห็นได้จริง
ในปัจจุบันมีการนำ Deep Learning ไปใช้กับงานที่เกี่ยวข้องกับข้อมูลปริมาณมาก เข่น
รถยนต์ขับเคลื่อนอัตโนมัติ (Autonomous Vehicles)
ระบบความปลอดภัยของรถยนต์ในปัจจุบันอย่างระบบควบคุมความเร็ว ระบบเบรกอัตโนมัติ หรือระบบเตือนเมื่อรถออกนอกเลน ต่างใช้ Deep Learning ในการแยกวัตถุที่อยู่รอบรถยนต์ไม่ว่าจะเป็นรถยนต์คันอื่น รถจักรยานยนต์ จักรยาน หรือแม้แต่คนเดินถนน ผ่านการดึงข้อมูลจากเซนเซอร์และกล้องจำนวนมากภายในรถยนต์ และนำมาคำนวนเพื่อหาทิศทางและความเร็วที่เหมาะสม หรือการอ่านข้อมูลจากป้ายเตือนต่างๆ และสั่งให้รถยนต์ลดความเร็วหรือหยุดได้ด้วยตนเอง
การวินิจฉัยโรค
Deep Learning ถูกนำมาเป็นเครื่องมือในการวินิจฉัยโรค เช่น การวินิจฉัยจากข้อมูลส่วนตัวของผู้ป่วยอย่างน้ำหนัก ส่วนสูง ค่าน้ำตาลในเลือดหรือค่าไขมันในเลือด เพื่อหาสาเหตุของอาการเจ็บป่วย หรือการวินิจฉัยจากภาพถ่ายทางการแพทย์เช่นภาพเอ็กซ์เรย์ ภาพอัลตราซาวนด์หรือภาพ MRI โดย Deep Learning จะประมวลผลภาพถ่ายของผู้ป่วยโดยเปรียบเทียบกับฐานข้อมูลเพื่อค้นหาความผิดปกติอย่างเนื้องอกหรือมะเร็ง และระบุตำแหน่งของความผิดปกติที่เกิดขึ้นกับอวัยวะให้แพทย์ได้ทราบ ซึ่งช่วยลดเวลาในการวินิจฉัยโรคของแพทย์ได้เป็นอย่างมาก
การแปลภาษา
ระบบแปลภาษาอย่าง Google Translate นั้นตั้งอยู่บนพื้นฐานของการใช้ Deep Learning สองขั้นตอน คือการวิเคราะห์ข้อมูลที่ผู้ใช้งานป้อนเข้าไป ในรูปของตัวอักษร รูปภาพและเสียง เพื่อเปรียบเทียบข้อมูลที่ถูกป้อนกับฐานข้อมูลคำในหลากหลายภาษาที่มีอยู่ และขั้นตอนของทำการแปลโดยใช้ Deep Learning เพื่อหาความหมายที่เหมาะสมที่สุดสำหรับคำที่ต้องการ
การสร้างประโยคหรือโต้ตอบกับมนุษย์
Deep Learning สามารถนำมาใช้ในการสร้างการโต้ตอบ เช่นการโต้ตอบกับข้อมูลที่ผู้ใช้ส่งเข้าไปยังบริการโต้ตอบอัตโนมัติอย่าง Siri, Alexa และ Google Assistant หรือแม้แต่การสร้างงานที่ต้องการทักษะในการเขียนสูง เช่น นวนิยายหรือบทความวิชาการ โดย Deep Learning จะหาความเชื่อมโยงระหว่างคำหรือประโยคที่มีอยู่ในฐานข้อมูล และนำคำที่เกี่ยวข้องเหล่านี้มาสร้างเป็นประโยคหรือย่อหน้าที่มีความหมายสมบูรณ์ ซึ่งมีผู้นำ Deep Learning มาใช้ในการเขียนภาคต่อของนวนิยายชื่อดังอย่าง Harry Potter
เกม
โดยในปี 2016 ได้มีการจัดการแข่งขันหมากล้อมระหว่างลีเซดอล นักหมากล้อมแชมป์โลกชาวเกาหลีใต้ กับคอมพิวเตอร์อย่าง AlphaGo ที่ใช้ Deep Learning ในการวิเคราะห์เเละดำเนินเกม และด้วยความสามารถของ Deep Learning ที่พลิกแพลงการวางหมากได้อย่างคาดไม่ถึง ทำให้ AlphaGo สามารถเอาชนะมนุษย์ได้ถึง 4-1 เกม
ถึงแม้ว่า Deep Learning จะเป็น “กล่องดำ” ที่สามารถอธิบายหลักการทำงานชัดเจนได้ยาก แต่ด้วยพลังของเทคโนโลยีได้ทำให้ Deep Learning อยู่ใกล้ตัวกับชีวิตประจำวันได้มากกว่าที่คุณคิด
ร่วมเป็นส่วนหนึ่งในการสร้างสรรค์คอนเทนต์ให้ตรงใจคุณได้ง่ายๆ ด้วยการให้ฟีดแบคและคอมเมนต์กับเราได้ที่อิโมจิด้านขวานี้ ขอบคุณครับ
