ปัญญาประดิษฐ์กับการเรียนรู้ของเครื่อง (ML) กับการเรียนรู้เชิงลึก – อะไรคือความแตกต่าง

ในชีวิตประจำวันของคุณ คุณต้องเคยได้ยินคำว่า Artificial Intelligence (AI), Machine Learning (ML) และ Deep Learning (DL) คุณอาจสังเกตเห็นด้วยว่าคำเหล่านี้มักใช้แทนกันได้

แต่ 3 คนนี้เหมือนกันไหม? คุณมีอิสระในการใช้แทนกันหรือไม่? มาหาคำตอบกัน!

ย้อนกลับไปในปี 1955 John McCarthy ซึ่งเป็นเจ้าพ่อแห่ง AI ยุคแรกๆ ได้นิยามปัญญาประดิษฐ์ว่าเป็น “วิทยาศาสตร์และวิศวกรรมในการสร้างเครื่องจักรอัจฉริยะที่มีความสามารถในการบรรลุเป้าหมายเหมือนที่มนุษย์ทำ” จากนั้น 4 ปีต่อมา ในปี 1959 อาร์เธอร์ ซามูเอล อธิบายว่าแมชชีนเลิร์นนิงเป็นสาขาย่อยขนาดใหญ่ของการจัดการ AI “ที่ทำให้คอมพิวเตอร์สามารถเรียนรู้ได้โดยไม่ต้องตั้งโปรแกรมไว้อย่างชัดเจน” สิ่งนี้เกี่ยวข้องกับอะไร?

ในแมชชีนเลิร์นนิง เมื่อสร้างโปรแกรมแล้ว โปรแกรมจะค่อยๆ เรียนรู้วิธีการทำงานที่ชาญฉลาดให้สำเร็จลุล่วงเกินขอบเขตของการเขียนโปรแกรม โดยจะเรียนรู้ผ่านประสบการณ์และข้อมูล ในแง่นี้ โปรแกรม ML ไม่เหมือนกับโปรแกรมที่สร้างขึ้นตามวัตถุประสงค์ซึ่งมีชุดพฤติกรรมและเป้าหมายที่กำหนดไว้ล่วงหน้า

อาจเป็นเพราะภาพนี้จะทำให้คุณชัดเจนขึ้นเล็กน้อย:

ตอนนี้ เราจะมาดูข้อมูลเชิงลึกเกี่ยวกับปัญญาประดิษฐ์ แมชชีนเลิร์นนิง และการเรียนรู้เชิงลึก รวมถึงความแตกต่างของปัญญาประดิษฐ์

ปัญญาประดิษฐ์กับการเรียนรู้ของเครื่อง

พูดง่ายๆ ก็คือ AI พยายามออกแบบโปรแกรมคอมพิวเตอร์และอัลกอริธึมพิเศษที่ช่วยให้เครื่องจักรทำงานเหมือนมนุษย์ ความเข้าใจผิดที่พบบ่อยที่สุดที่ผู้คนมีเกี่ยวกับ AI คือมันเป็น 'ระบบ' ความจริง – AI ไม่ใช่ระบบ เป็นการ ศึกษา (เช่นที่เรากล่าวถึงก่อนหน้า "วิทยาศาสตร์และวิศวกรรม") ที่เกี่ยวข้องกับการฝึกอบรมคอมพิวเตอร์เพื่อทำงานให้สำเร็จโดยมนุษย์

AI สามารถจำแนกได้ 3 ประเภท:

• AI แคบ: หมายถึง AI ที่สามารถตั้งโปรแกรมให้เครื่องจักรทำงานเฉพาะได้ แต่ในทางที่ดีกว่ามนุษย์มาก
• AI ทั่วไป: หมายถึง AI ที่สามารถทำอาร์เรย์ของงานทางปัญญา / อัจฉริยะที่มีระดับความแม่นยำเท่ากันของมนุษย์
• Active AI: บางทีรูปแบบ AI ขั้นสูงสุด Active AI สามารถทำงานได้ดีกว่ามนุษย์ในงานเฉพาะ

เนื่องจาก AI เป็นการศึกษาหรือแนวคิดในการพัฒนาเครื่องจักรอัจฉริยะ จึงต้องมีวิธีทางเทคโนโลยีบางอย่างเพื่อบรรลุเป้าหมายนั้น ใช่ไหม

หนึ่งในนั้นคือการเรียนรู้ของเครื่อง ทำเครื่องหมายคำพูดของเราที่นี่ ML เป็นหนึ่งในวิธีที่เราสามารถดำเนินการตามแนวคิดของ AI Tom Mitchell ผู้เชี่ยวชาญด้าน ML ที่ Carnegie Mellon University กล่าวไว้ว่า

“แมชชีนเลิร์นนิงคือการศึกษาอัลกอริธึมของคอมพิวเตอร์ที่ช่วยให้โปรแกรมคอมพิวเตอร์ปรับปรุงประสบการณ์โดยอัตโนมัติ”

ดังนั้นการบรรลุเป้าหมายของ AI - การสร้างเครื่องจักรที่สามารถเรียนรู้จากประสบการณ์และการลองผิดลองถูกเช่นเดียวกับที่มนุษย์ทำ อัลกอริทึม ML ดึงข้อมูลเพื่อเรียนรู้จากมัน เมื่อใดก็ตามที่อินพุตใหม่ถูกป้อนเข้าสู่อัลกอริทึม อัลกอริธึมจะปรับการตอบสนองต่อการเปลี่ยนแปลงนี้เพื่อทำงานใหม่ ตัวอย่างคลาสสิกของแมชชีนเลิร์นนิงคือเครื่องมือแนะนำ คุณต้องเคยเห็นสิ่งนี้บนแพลตฟอร์มออนไลน์เช่น Netflix และ Amazon โดยอิงจากเนื้อหาที่คุณค้นหา แอพเหล่านี้จะรวบรวมรายการคำแนะนำที่เป็นส่วนตัวและปรับแต่งเองของเนื้อหาที่คุณ 'ต้องการ' ดู

ย้อนกลับไปเมื่อ AI อยู่ในช่วงแรกสุด เป้าหมายของนักวิทยาศาสตร์และนักวิจัยคือการสร้างเครื่องจักรที่สามารถทำงานได้ที่ต้องการสติปัญญา เริ่มแรกพวกเขาพัฒนา โปรแกรม (โปรดคิดอีกครั้งว่าโปรแกรมจำเป็นต้องดำเนินการตามแผนของ AI) ที่สามารถแก้ปัญหาตรรกะพื้นฐานและแข่งขันกับมนุษย์ในเกมเช่นหมากรุกและหมากฮอส กรณีตรงประเด็น – Deep Blue ของ IBM ที่เอาชนะ Gary Kasparov แชมป์โลกที่หมากรุก

นี่เป็นหนึ่งในตัวอย่างแรกๆ ของความสำเร็จของ AI และไม่จำเป็นต้องพูด มันทำให้เกิดความตื่นเต้นครั้งใหญ่ในหมู่ผู้ที่ชื่นชอบคอมพิวเตอร์และเทคโนโลยี – เป็นจุดเริ่มต้นของโลกที่มีความเป็นไปได้ใหม่เอี่ยม กรอไปข้างหน้าจนถึงวันนี้ ดูว่า AI ยืนอยู่ตรงไหนในตอนนี้ – วันนี้เราสามารถอวดเกี่ยวกับแอปพลิเคชัน AI ในชีวิตจริง เช่น รถยนต์ไร้คนขับของ Google, Robot Sophia, ผู้ช่วยเสมือนอัจฉริยะ เช่น Siri ของ Apple และ Alexa ของ Amazon, Smart Homes และ IoT และ อื่น ๆ อีกมากมาย. สิ่งประดิษฐ์ AI ทั้งหมดนี้มีสิ่งหนึ่งที่เหมือนกันซึ่งขับเคลื่อนพวกเขา นั่นคืออัลกอริธึม ML

แมชชีนเลิร์นนิงกับการเรียนรู้เชิงลึก

เช่นเดียวกับ ML เป็นส่วนย่อยของ AI การเรียนรู้เชิงลึกก็เป็นส่วนย่อยของ ML

สาระสำคัญของการเรียนรู้เชิงลึกคือโครงข่ายประสาทเทียม (ANN) เนื่องจากแนวคิดทั้งหมดของ AI คือการเลียนแบบความสามารถของสมองมนุษย์ โครงข่ายประสาทเทียมจึงถูกสร้างขึ้น คุณสามารถพิจารณา Deep Learning เป็นสาขาวิวัฒนาการของ ML โดยที่ ANNs เป็นเว็บที่ซับซ้อนของเซลล์ประสาทจำนวนหนึ่งที่เข้าใจยาก ซึ่งเชื่อมต่อถึงกันอย่างลึกซึ้งในชั้นต่างๆ

ANN ได้รับการออกแบบมาเพื่อจัดการกับปัญหาที่ซับซ้อนซึ่งอัลกอริธึม ML แบบเดิมและโครงข่ายประสาทธรรมดาไม่สามารถทำได้ ไม่ใช่เพราะโครงข่ายประสาทธรรมดาเชื่อมต่อกันอย่างเรียบง่าย แต่ไม่สามารถทำการยกน้ำหนักของสมองมนุษย์ที่มีเซลล์ประสาทมากกว่า 86 พันล้านเซลล์ ทำให้เกิดรูปแบบการเชื่อมต่อที่สลับซับซ้อน

ดังที่เราได้กล่าวไว้ก่อนหน้านี้ว่า Deep Learning สามารถกล่าวได้ว่าเป็นส่วนย่อยของ Machine Learning โดยพื้นฐานแล้ว Machine Learning นั้นเกี่ยวกับการพัฒนาแบบจำลองที่ดีขึ้นเรื่อย ๆ ในงานที่จัดสรรให้กับพวกเขา แต่ก็ยังต้องการคำแนะนำบางอย่าง ในกรณีที่อัลกอริทึม ML ส่งกลับผลลัพธ์ที่ไม่ถูกต้อง นักพัฒนาจำเป็นต้องดำเนินการแก้ไขที่จำเป็น แต่โมเดล Deep Learning ซึ่งใช้โครงข่ายประสาทเทียมที่จำลองการทำงานของสมองมนุษย์ จะกำหนดความถูกต้องของการคาดคะเนของมันเอง โดยไม่ต้องอาศัยการแทรกแซงจากมนุษย์

สรุปความคิด...

การสนทนาข้างต้นจะต้องได้ชี้แจงคำถามมากมายที่คุณอาจมีเกี่ยวกับ AI, ML หรือ Deep Learning โดยพื้นฐานแล้ว เป้าหมายสุดท้ายของเทคโนโลยีทั้งสามนั้นเหมือนกัน – ทำให้เครื่องจักรฉลาดขึ้น เป็นเส้นทางที่พวกเขาใช้ทำให้พวกเขาแตกต่างไปจากที่อื่น

หากคุณยังสับสนว่าคืออะไร โปรดส่งความคิดเห็นถึงเรา เราจะช่วยคุณได้!