หาก AI เป็นปัญญาประดิษฐ์แล้ว Machine Learning, Supervised & Unsupervised Learning และGen-AI คืออะไร?
Machine Learning คือ ส่วนการเรียนรู้ของเครื่อง ถูกใช้งานเสมือนเป็นสมองของ AI (Artificial Intelligence) เราอาจพูดได้ว่า AI ใช้ Machine Learning ในการสร้างความฉลาด มักจะใช้เรียกโมเดลที่เกิดจากการเรียนรู้ของปัญญาประดิษฐ์ ไม่ได้เกิดจากการเขียนโดยใช้มนุษย์ มนุษย์มีหน้าที่เขียนโปรแกรมให้ AI (เครื่อง) เรียนรู้จากข้อมูลเท่านั้น ที่เหลือเครื่องจัดการเอง
Machine Learning เรียนรู้จากสิ่งที่เราส่งเข้าไปกระตุ้น แล้วจดจำเอาไว้เป็นมันสมอง ส่งผลลัพธ์ออกมาเป็นตัวเลข หรือ code ที่ส่งต่อไปแสดงผล หรือให้เจ้าตัว AI นำไปแสดงการกระทำ Machine Learning เองสามารถเอาไปใช้งานได้หลายรูปแบบ ต้องอาศัยกลไกที่เป็นโปรแกรม หรือเรียกว่า Algorithm ที่มีหลากหลายแบบ โดยมี Data Scientist เป็นผู้ออกแบบ หนึ่งใน Algorithm ที่ได้รับความนิยมสูง คือ Deep Learning
Deep Learning คืออะไร?
Deep Learning เป็นแขนงหนึ่งของ Machine Learning ที่มีความซับซ้อนและทรงพลังเป็นพิเศษ โดยมีโครงสร้างที่ได้รับแรงบันดาลใจมาจากการทำงานของสมองมนุษย์ ที่เรียกว่า โครงข่ายประสาทเทียม (Artificial Neural Networks) แต่สิ่งที่ทำให้ Deep Learning แตกต่างคือการใช้โครงข่ายประสาทเทียมที่มีชั้น (Layers) ลึกๆ ซ้อนกันอยู่หลายชั้น
แต่ละชั้นของโครงข่ายจะเรียนรู้และสกัดลักษณะเด่น (Features) ของข้อมูลในระดับที่แตกต่างกันไป จากง่ายไปสู่ซับซ้อน
เช่น ในการวิเคราะห์ภาพ ชั้นแรกๆ อาจเรียนรู้ที่จะจดจำขอบหรือสี ส่วนชั้นที่ลึกลงไปก็จะนำข้อมูลเหล่านั้นมาประกอบกันเพื่อจดจำสิ่งที่ซับซ้อนขึ้น เช่น ดวงตา จมูก หรือทั้งใบหน้า ด้วยความสามารถในการเรียนรู้จากข้อมูลจำนวนมหาศาลได้อย่างลึกซึ้งนี้เอง ทำให้ Deep Learning เหมาะกับงานที่ซับซ้อน เช่น การจดจำใบหน้า การประมวลผลภาษาธรรมชาติ (ที่ใช้ใน Chatbot) และการพัฒนารถยนต์ไร้คนขับ
Deep Learning ซึ่งถูกออกแบบมาให้ใช้งานได้ง่าย และประยุกต์ใช้ได้หลายลักษณะงาน อย่างไรก็ตาม ในการทำงานจริง Data Scientist จำเป็นต้องออกแบบตัวแปรต่างๆ ทั้งในตัวของ Deep Learning เอง และต้องหา Algorithm อื่นๆ มาเป็นคู่เปรียบเทียบ เพื่อมองหา Algorithm ที่เหมาะสมที่สุดในการใช้งานจริง
สรุปว่า AI จะกระทำอะไรต่อมิอะไรได้ต้องอาศัยส่วนสมองอย่าง Machine Learning ที่เรียนรู้จากสิ่งที่เราส่งไปและส่งผลออกมาเป็นชุดข้อมูล โดยอาศัยโปรแกรม Algorithm ในการประมวลผล และ Deep Learning ก็คือหนึ่งใน Algorithm ที่ทรงพลังที่สุดในปัจจุบัน ซึ่งเลียนแบบการทำงานของสมองมนุษย์เพื่อเรียนรู้จากข้อมูลที่ซับซ้อน
Machine Learning ในชีวิตประจำวัน
บอกได้เลยว่าเจ้า Machine Learning อยู่ในชีวิตประจำวันของเราอย่างแนบเนียนมากๆ เราเชื่อว่าหากเอ่ยถึงเรื่องราวต่อไปนี้คุณจะต้องร้องอ๋อแน่ๆ
Apple Siri ที่มี Speech Recognition หรือการฟังเสียงและถอดความ
Machine Learning นี้ทำให้เกิด NLP (Natural Language Processing) ชื่อในภาษาไทยคือการประมวลผลภาษาธรรมชาติ โดยปกติแล้วมนุษย์มีการใช้ภาษาที่กำกวม แต่คอมพิวเตอร์ใช้ภาษาที่มีลักษณะแน่นอนในการสื่อสาร จึงทำให้มีความยากในการประมวลผล ซึ่ง NLP ก็มีหลายแขนง ใช้การเขียนโปรแกรมแบบใช้เงื่อนไขมาประมวลผลภาษา แต่ด้วยความเป็นไปของภาษาที่เร็วมาก คำใหม่หรือรูปแบบประโยคใหม่ ๆ เกิดขึ้นเร็วมาก การนำ Machine Learning มาช่วยในปัจจุบันจึงทำให้ NLP แม่นยำขึ้นและตามทันโลกได้ไวขึ้น ซึ่งเทคโนโลยีนี้นำมาใช้ใน Siri
Face ID ของ Apple ที่เราสงสัยกันว่าเราเปลี่ยนลุคหรือเมคอัพแล้ว มันยังจะเวิร์คอยู่หรือไม่
นี่เป็นอีกตัวอย่างหนึ่งในการใช้ Machine Learning เพราะว่า Apple จะใช้วิธียิงจุดอินฟราเรดออกไป และใช้การตรวจสอบรูปของหน้า และแม้ว่าหน้าตาจะเปลี่ยนไปเล็กน้อย เปลี่ยนทรงผม ใส่แว่น Face ID ก็ยังคงสามารถตรวจสอบได้ และถึงจะใช้หน้ากากก็ไม่รอด Face ID เพราะว่า Apple ใช้ Machine Learning เรียนรู้รูปแบบหน้าที่แตกต่างกันมาเยอะมาก และสร้างโมเดลให้คอมพิวเตอร์เรียนรู้
Google Assistant ที่สามารถรับคำสั่งด้วยเสียง
อีกหนึ่งนวัตกรรมที่ Machine Learning ได้เข้ามามีส่วนพัฒนาความสามารถเช่นกัน ไม่ว่าจะเป็นการรับฟังคำสั่งด้วยเสียงที่แม่นยำมากขึ้น
สามารถรองรับได้หลายสำเนียงพูด
ข้อเสนอที่แฝงตัวบน YouTube
Google ใช้ Machine Learning ในการประมวลข้อมูลไปกับบริการอื่นของบริษัท เช่น บริการแนะนำวิดีโอที่ผู้ใช้งานอาจจะชอบ หรือ วิดีโอที่คุณดูแล้วบน YouTube ซึ่งเหล่านี้ระบบเรียนรู้จากพฤติกรรมการรับชมของเรา
การแนะนำหนังที่เราน่าจะสนใจโดย Netflix
การค้นหาและเชื่อมโยงคอนเทนต์ที่แต่ละคนน่าจะถูกใจที่เกิดขึ้นจาก Machine Learning นั่นคือสิ่งที่ Netflix ทำเพื่อพยายามชักจูงให้เราตัดสินใจชมคอนเทนต์นั้นให้ได้ โดยเฉพาะกับเนื้อเรื่องที่เราอาจไม่ค่อยคุ้น โดยนำเสนอด้วยภาพกราฟิกที่เหมาะกับแต่ละคน เช่น ภาพฉากการกระทำของตัวละครที่น่าจะตรงใจเรามากขึ้น, ภาพนักแสดงที่เราน่าจะคุ้นเคย เป็นต้น
เหล่านี้ทั้งหมดที่กล่าวมาข้างต้นถือเป็นสิ่งที่เกิดขึ้นจาก Machine Learning ทั้งสิ้น กว่าจะรู้ตัวอีกทีก็รุกคืบมาแบบไม่ให้เรารู้เนื้อรู้ตัว ทีนี้พอเราเริ่มมีประสบการณ์ในการใช้งานโดยตรงแล้ว เห็นได้ว่ามันจะถูกพัฒนาไปอย่างไม่หยุดยั้ง โดยเฉพาะการให้บริการผ่านแอปพลิเคชันผ่านอุปกรณ์เทคโนโลยีต่างๆนั้น มีมาให้ได้ใช้กันอยู่เรื่อยๆ เรียกว่าอัพเดทกันตลอด เพื่อให้ถูกมือถูกใจของเรามากขึ้น
โดยปกติแล้วการเรียนรู้ของเครื่องจะถูกแบ่งออกเป็น 2 การเรียนรู้ยอดนิยม ได้แก่
🔺1. การเรียนรู้แบบมีผู้สอน (Supervised Learning)
เป็นการเรียนรู้ของเครื่องที่พูดได้ว่าเป็นการเรียนแบบจับมือสอน เพราะเราต้องเอาความรู้ที่มีทั้งคำถามและคำตอบ ให้เครื่องหาความสัมพันธ์ระหว่างคำถามและคำตอบ ยกตัวอย่างเช่น เราจะสอนเครื่องให้รู้จักหมากับแมว เราก็จะทำการสอนด้วยชุดข้อมูลสอน(Training Data) โดยเราจะมีรูปหมา 4 รูป และรูปแมว 4 รูป
การสอนเราก็จะเอารูปที่เป็นคำถาม และคำตอบที่บอกว่าเป็นหมาหรือแมว
เริ่มสอน!!!
รูปที่ 1 นี่เป็นหมานะโว้ย เครื่องก็จะตอบว่า โอเคจ้า
รูปที่ 2 นี่เป็นหมานะโว้ย เครื่องก็จะตอบว่า โอเคจ้า
รูปที่ 3 นี่เป็นหมานะโว้ย เครื่องก็จะตอบว่า โอเคจ้า
รูปที่ 4 นี่เป็นหมานะโว้ย เครื่องก็จะตอบว่า โอเคจ้า
รูปที่ 5 นี่เป็นแมวนะโว้ย เครื่องก็จะตอบว่า โอเคจ้า
รูปที่ 6 นี่เป็นแมวนะโว้ย เครื่องก็จะตอบว่า โอเคจ้า
รูปที่ 7 นี่เป็นแมวนะโว้ย เครื่องก็จะตอบว่า โอเคจ้า
รูปที่ 8 นี่เป็นแมวนะโว้ย เครื่องก็จะตอบว่า โอเคจ้า
ในระหว่างที่เราสอนเครื่อง เครื่องก็การหาความสัมพันธ์ระหว่างคำถามกับคำตอบ ซึ่งในเรียนรู้เราต้องบอกเครื่องด้วยว่าจะให้เรียนจากคุณลักษนะใดบ้างของรูป เช่น ขนาดของจมูกและปากของสัตว์สองชนิดนี้ จากคุณลักษณะ 2 ตัวนี้ เครื่องก็จะรู้ความสัมพันธ์ระหว่าง คำถามกับคำตอบว่า สัตว์ที่มีจมูกและปากใหญ่คือหมา สัตว์ที่มีจมูกและปากเล็กคือแมว
ดังนั้นเมื่อเราเอาการเรียนรู้ของเครื่องที่เราได้ ไปใช้งานโดยการป้อนภาพที่ไม่ได้อยู่ใน Training Data เครื่องก็จะตอบคำถามได้ เพราะดูจากความสัมพันธ์ของคุณลักษณะของสัตว์สองชนิดนี้
การเรียนรู้แบบ Supervised learning นั้นจะถูกแบ่งออกเป็น “regression” และ “classification”
Regression problem เป็นการพยายามที่จะทำนายคำตอบที่เป็น continuous output หรือคำตอบที่ต่อเนื่องกัน เช่นทำนายราคาบ้านในอนาคต จากทำเล ขนาดบ้าน เป็นตัวเลขออกมาเป็น 1 ล้าน 2 ล้าน 3 ล้านก็ว่าไป
ส่วน Classification problem เป็นการพยายามที่จะทำนายคำตอบที่เป็น discrete output หรือคำตอบที่ไม่ต่อเนื่องกันเช่น ตอบคำถามว่าเป็นหมาหรือแมวดังตัวอย่างข้างบนที่ผมได้ยกตัวอย่างไป
ถ้ายังไม่เห็นภาพ ก็จัดตัวอย่างไปอีกครับ!!!
ตัวอย่าง:
(a) Regression เช่นให้รูปภาพบุคคล เพื่อให้เครื่องทำนายอายุของบุคคลในภาพ
(b) Classification เช่นให้ลักษณะเนื้องอกของผู้ป่วย เพื่อให้เครื่องทำนายว่าเป็นเนื้องอกที่เป็นมะเร็งหรือไม่
🔺2. การเรียนรู้แบบไม่มีผู้สอน (Unsupervised Learning)
การเรียนรู้แบบ Unsupervised Learning นี้จะตรงกันข้ามกับ Supervised Learning ก็คือเครื่องสามารถเรียนรู้ได้โดยไม่มีการสอน(ไม่มีคำตอบให้)เรามีเพียงชุดข้อมูลที่ประกอบไปด้วยคุณลักษณะเท่านั้น
ดังภาพด้านบนจะเห็นว่า Supervised Learning มีข้อมูลคุณลักษณะ (Attribute หรือบางที่เรียก Feature) 2 ตัวได้แก่ X1 และ X2 และมีคำตอบ(Target Attribute หรือบางที่เรียก Label )เป็น O กับ X จากตัวอย่างข้างบนที่เป็นเรื่องแยกหมากับแมวจะเห็นว่า X1 เป็นขนาดจมูก X2 เป็นขนาดของปาก และTarget Attribute O เป็นแมวเพราะมีขนาดจมูกและปากเล็ก และ Target Attribute X ก็คือหมานั้นเอง
ส่วนภาพด้านขวาที่เป็น Unsupervised Learning นั้นจะ Attributes เหมือนกันกับSupervised Learning เลยแต่ไม่มี Target Attribute คำตอบที่ได้จากการเรียนรู้แบบนี้คือลักษณะโครงสร้างความสัมพันธ์ของข้อมูล เช่นถ้าเราเอาข้อมูลตัวอย่างภาพหมากับแมวที่มีแค่ Attribute ขนาดของปากและขนาดของจมูก แต่ไม่ได้บอกว่าภาพไหนคือหมาหรือแมว Unsupervised Learning ก็จะให้คำตอบเราได้เช่นกัน แต่จะเป็นคำตอบที่บอกว่า มีกลุ่มข้อมูลอยู่2กลุ่มนะจ๊ะ กลุ่มนึง ปากและจมูกใหญ่ อีกกลุ่มนึงปากและจมูกเล็ก
🔸สรุประหว่าง Supervised กับ Unsupervised Learning
- Supervised Learning
ข้อมูลสอนต้องที่คำตอบ(Target Attribute)ให้
ใช้เพื่อการทำนาย
ถูกแบ่งเป็น Regression และ Classification
- Unsupervised Learning
ข้อมูลสอนไม่ต้องที่คำตอบ(Target Attribute)ให้
ใช้เพื่อช่วยในการวิเคราะห์
ถูกจัดกว่าเป็นClustering
🟣ทำความเข้าใจ Generative AI, Transformer, และ LLM เทคโนโลยีเปลี่ยนโลก
ถึงแม้จะมีกระแสต่อต้านการใช้งาน AI โดยเฉพาะในแวดวงของวิชาการและงานศิลปะ แต่ดูเหมือนว่ามันจะเป็นเทคโนโลยีที่ไม่อาจเลี่ยงได้ในปี 2023 สิ่งที่เราทุกคนควรทำไม่ใช่การหวาดกลัวเพียงอย่างเดียว แต่เราควรที่จะศึกษาเพื่อเตรียมพร้อมในการปรับตัวเมื่อ AI Disruption Age มาถึง
🔻Generative AI คืออะไร ทำไมถึงโดดเด่นกว่า AI ทั่วไป มุมมองความเป็นไปได้ในอนาคต
AI vs Generative AI
Artificial Intelligence (AI) คือ คำจัดความกว้างๆ ที่หมายถึง เทคโนโลยีที่มีการทำงานอย่างชาญฉลาด ไปจนถึงระบบขั้นสูงที่สามารถเลียนแบบกระบวนการคิดของมนุษย์ได้ เช่น การคิดคำนวน การวิเคราะห์ข้อมูล ผ่านกระบวนการเทรนด์ชุดข้อมูลขนาดใหญ่ต่างๆ ที่ซับซ้อนด้วยโมเดล Machine learning algorithm ทั่วไป
ในทางกลับกัน Generative AI (Gen-AI) คือ AI ที่ถูกออกแบบมาโดยเฉพาะให้มีความสามารถในการ “สร้างใหม่” จากชุดข้อมูลที่มีอยู่ ด้วยอัลกอริทึมแบบ Generative Model เช่น Generative adversarial network: GANs), Variational autoencoders: VAEs, Autoregressive models โดยสามารถนำมาใช้งานหลากหลาย เช่น การสร้างภาพ การประมวลผล การสร้างเสียงดนตรี
🚩สถาปัตยกรรม Transformer: หัวใจสำคัญของ Gen-AI ยุคใหม่
เบื้องหลังความสามารถอันน่าทึ่งของ Generative AI ยุคใหม่ โดยเฉพาะที่เกี่ยวข้องกับภาษา มีเทคโนโลยีที่เป็นรากฐานสำคัญอยู่ นั่นคือ สถาปัตยกรรม Transformer ซึ่งถูกนำเสนอครั้งแรกโดย Google ในปี 2017 ผ่านงานวิจัยชื่อ "Attention Is All You Need"
จุดเด่นของ Transformer คือกลไกที่เรียกว่า "Attention Mechanism" ซึ่งช่วยให้ AI เข้าใจบริบทและความสัมพันธ์ของคำต่างๆ ในประโยคได้อย่างลึกซึ้ง โดยสามารถให้น้ำหนักความสำคัญกับคำที่เกี่ยวข้องได้แม้ว่าจะอยู่ห่างกันก็ตาม ความสามารถนี้ก้าวข้ามข้อจำกัดของโมเดลรุ่นก่อนๆ และเปิดประตูสู่การพัฒนาโมเดลที่มีขนาดใหญ่และซับซ้อนยิ่งขึ้น
📍Large Language Models (LLM): ผลลัพธ์อันทรงพลังจาก Transformer
สถาปัตยกรรม Transformer นี้เองที่ได้ปูทางไปสู่การพัฒนา "แบบจำลองภาษาขนาดใหญ่" หรือ Large Language Models (LLMs) ซึ่งก็คือโมเดล AI ที่ได้รับการฝึกฝนด้วยข้อมูลข้อความจำนวนมหาศาลจากอินเทอร์เน็ตและคลังความรู้ต่างๆ ทำให้มันมีความสามารถในการเข้าใจ สร้างสรรค์ และตอบโต้ด้วยภาษาที่ใกล้เคียงกับมนุษย์ได้อย่างน่าทึ่ง
ยกตัวอย่างที่เห็นได้ชัดอย่าง DALL-E AI Text-to-image ที่สามารถสร้างรูปภาพจากคำสั่ง (prompt) โดยที่รูปนั้นเป็นผลงานชิ้นใหม่ มีเอกลักษณ์เฉพาะเป็นของตัวเอง หรือ ChatGPT AI Chatbot ที่ตอบคำถามเราอย่างเป็นธรรมชาติและลื่นไหล ก็คือตัวอย่างหนึ่งของ LLM ที่ถูกสร้างขึ้นบนพื้นฐานของสถาปัตยกรรม Transformer นั่นเอง
กล่าวง่ายๆ การสร้างเนื้อหาขึ้นใหม่จากข้อมูลที่มีอยู่ คือ นิยามสั้นๆ ของ Gen-AI หรือสังเกตง่ายๆ ผลลัพธ์ไม่ว่าจะเป็นข้อความ รูปภาพ หรือเพลง จาก Gen-AI จะแตกต่างกันไปตามข้อมูลที่เราป้อนเข้าไป (prompt) นั่นเอง
ที่มา:
มกราคม 20, 2023 | By Techsauce Team
May 28&29, 2018 | By Nattapon Rakthong
- 2
โฆษณา
- ดาวน์โหลดแอปพลิเคชัน
- © 2025 Blockdit
