Deep Learning คืออะไร? อธิบายการเรียนรู้เชิงลึกสำหรับมือใหม่
Deep Learning (การเรียนรู้เชิงลึก) เป็นส่วนหนึ่งของการเรียนรู้ของเครื่องที่ใช้โครงข่ายประสาทเทียมซึ่งประกอบด้วยหลายชั้น เรียนรู้รูปแบบจากข้อมูลโดยตรง โดยไม่ต้องอาศัยการกำหนดคุณลักษณะด้วยมือเหมือนวิธีแบบเดิม คำว่า "ลึก" หมายถึงจำนวนชั้นของโครงข่ายที่อยู่ระหว่างส่วนรับข้อมูลเข้ากับส่วนแสดงผลลัพธ์ ไม่ได้หมายความว่าเครื่องมีความเข้าใจลึกซึ้งเหมือนมนุษย์ การเรียนรู้เชิงลึกเป็นเทคนิคที่อยู่เบื้องหลังเครื่องมือ AI หลายอย่าง ตั้งแต่การจดจำภาพไปจนถึงโมเดลภาษาขนาดใหญ่
หากคุณได้อ่านเรื่อง แมชชีนเลิร์นนิงคืออะไร แล้ว การเรียนรู้เชิงลึกคือกลุ่มเทคนิคที่อยู่ภายในซึ่งเน้นใช้โครงข่ายหลายชั้น
เหตุใดจึงเรียกว่า "ลึก"
โครงข่ายประสาทเทียมแบบเรียบง่ายมักมีเพียงไม่กี่ชั้น ส่วนโครงข่ายเชิงลึกอาจมีหลายสิบไปจนถึงหลายร้อยชั้น ข้อมูลจะถูกเปลี่ยนผ่านทีละชั้นให้กลายเป็นการแทนค่าที่เป็นนามธรรมมากขึ้นเรื่อย ๆ
ลองนึกถึงเด็กที่เรียนรู้การจดจำแมว เด็กไม่จำเป็นต้องท่องนิยามว่า "สี่ขา หูแหลม มีหนวด" เพียงแค่ดูรูปแมวจำนวนมาก มีผู้ใหญ่คอยแก้เมื่อเข้าใจผิดว่าเป็นหมา แล้วค่อย ๆ สรุปกฎเกณฑ์ได้เอง โครงข่ายเชิงลึกทำงานในแนวทางเดียวกัน คือดูตัวอย่างที่มีคำตอบจำนวนมาก แล้วปรับค่าภายในจนสามารถทำนายภาพที่ไม่เคยเห็นได้ถูกต้อง
สำหรับงานจดจำภาพ แต่ละชั้นรับหน้าที่ต่างกัน:
- ชั้นแรกตรวจจับเส้นพื้นฐาน เช่น เส้นตรงและขอบ
- ชั้นถัดไปนำขอบมาประกอบเป็นรูปร่าง
- ชั้นที่ลึกกว่ารู้จำชิ้นส่วน เช่น ตาหรือจมูก
- ชั้นสุดท้ายสรุปว่าภาพนี้มีใบหน้าอยู่
การเรียนคุณลักษณะด้วยตัวเอง
จุดแตกต่างที่สำคัญจากวิธีการเรียนรู้แบบเดิมอยู่ที่ที่มาของคุณลักษณะ
- การเรียนรู้ของเครื่องแบบเดิมมักกำหนดให้วิศวกรออกแบบคุณลักษณะก่อนนำเข้าอัลกอริทึม
- การเรียนรู้เชิงลึกปล่อยให้โมเดลค้นพบคุณลักษณะที่เป็นประโยชน์จากข้อมูลดิบเองผ่านหลายชั้น
ทั้งนี้ไม่ได้ยกเลิกการปรับแต่งทั้งหมด เพราะจำนวนชั้นและขนาดของแต่ละชั้นยังต้องเลือกให้เหมาะกับปัญหา
ตำแหน่งของการเรียนรู้เชิงลึกใน AI
สามคำว่าปัญญาประดิษฐ์ การเรียนรู้ของเครื่อง และการเรียนรู้เชิงลึกมักสับสนกัน เพราะขอบเขตต่างกัน
| คำศัพท์ | ขอบเขต | ลักษณะเด่น |
|---|---|---|
| ปัญญาประดิษฐ์ (AI) | กว้างที่สุด | ระบบที่ทำงานที่ต้องใช้ความฉลาด |
| Machine learning | ส่วนหนึ่งของ AI | เรียนรู้รูปแบบจากข้อมูล |
| Deep learning | ส่วนหนึ่งของ machine learning | โครงข่ายประสาทเทียมหลายชั้น |
โมเดลการเรียนรู้เชิงลึกทุกตัวจัดเป็น machine learning และระบบ machine learning ทุกระบบจัดเป็น AI แต่ไม่ใช่ทุกระบบ AI ที่ใช้การเรียนรู้เชิงลึก
สถาปัตยกรรมที่พบบ่อย
การเลือกสถาปัตยกรรมขึ้นอยู่กับชนิดของข้อมูล
- โครงข่ายประสาทคอนโวลูชัน (CNN): เป็นที่นิยมสำหรับภาพและคอมพิวเตอร์วิชัน ใช้ตัวกรองเลื่อนผ่านข้อมูล
- โครงข่ายประสาทวนซ้ำ (RNN): ออกแบบสำหรับข้อมูลลำดับ เช่น ข้อความและสัญญาณ โดยส่งต่อสถานะระหว่างขั้นตอน
- Transformer: ใช้กลไกความสนใจ เพื่อถ่วงน้ำหนักส่วนข้อมูลที่เกี่ยวข้อง และเป็นพื้นฐานของโมเดลภาษาขนาดใหญ่หลายตัว
ขั้นตอนการทำงานโดยทั่วไป
โครงข่ายเชิงลึกมักได้รับการฝึกตามขั้นตอนดังนี้
- ชั้นนำเข้ารับข้อมูลดิบ เช่น พิกเซล ตัวอักษร หรือเสียง
- ชั้นซ่อนเปลี่ยนข้อมูลตามลำดับผ่านการคำนวณเชิงเส้นและฟังก์ชันกระตุ้น
- ชั้นส่งออกให้ผลการทำนาย เช่น ป้ายกำกับคลาส
- ฟังก์ชันความสูญเสียวัดระยะห่างระหว่างผลทำนายกับคำตอบที่ถูกต้อง
- การแพร่ย้อนกลับและการเพิ่มประสิทธิภาพปรับค่าน้ำหนักเพื่อลดความผิดพลาดในรอบถัดไป
วัฏจักรเดินหน้าเพื่อทำนายและถอยหลังเพื่อแก้ไขนี้ถูกทำซ้ำจนกว่าสมรรถนะบนทดสอบจะคงที่
จุดเด่นและความท้าทาย
| ด้าน | การเรียนรู้เชิงลึก |
|---|---|
| จุดเด่น | เรียนคุณลักษณะเองได้ แข็งแกร่งกับข้อมูลซับซ้อน เช่น ภาพและภาษา |
| ความต้องการข้อมูล | โดยทั่วไปต้องใช้ข้อมูลปริมาณมากจึงจะทำงานได้ดี |
| ความต้องการการประมวลผล | การฝึกโมเดลใหญ่สิ้นเปลืองทรัพยากรและเวลา |
| ข้อจำกัด | อาจให้ผลลัพธ์ที่ผิดพลาดได้ จึงยังต้องมีการตรวจสอบ |
โมเดลที่มีจำนวนชั้นมากกว่าไม่ได้เหมาะกับทุกสถานการณ์โดยอัตโนมัติ หากข้อมูลมีจำกัดหรือปัญหาเรียบง่าย โมเดลที่เบากว่าอาจเป็นทางเลือกที่ประหยัดและเพียงพอ
ตัวอย่างการใช้งาน
- การจดจำใบหน้าและการแบ่งประเภทภาพ
- ผู้ช่วยเสียงและการรู้จำเสียงพูด
- การแปลภาษาและการประมวลผลภาษาธรรมชาติ
- การแนะนำเนื้อหาและสินค้า
- การตรวจจับการฉ้อโกงทางการเงิน
- การสร้างข้อความและภาพใน AI สร้างเนื้อหา
คำถามที่พบบ่อย
การเรียนรู้เชิงลึกคืออะไร สรุปสั้น ๆ? เป็นสาขาของการเรียนรู้ของเครื่องที่ใช้โครงข่ายประสาทเทียมหลายชั้นเรียนรู้รูปแบบจากข้อมูลโดยตรง โดยมีคุณลักษณะที่โมเดลค้นพบเอง
ต่างจาก machine learning ทั่วไปอย่างไร? การเรียนรู้ของเครื่องแบบเดิมมักต้องกำหนดคุณลักษณะด้วยมือ ส่วนการเรียนรู้เชิงลึกดึงคุณลักษณะเองผ่านหลายชั้นจากข้อมูลดิบ
เหตุใดจึงต้องใช้ข้อมูลจำนวนมาก? โครงข่ายลึกมีพารามิเตอร์จำนวนมาก ข้อมูลที่เพียงพอจึงช่วยให้โมเดลเรียนรู้กฎเกณฑ์ที่ถูกต้องและลดความเสี่ยงจากการท่องจำข้อมูลฝึก
การเรียนรู้เชิงลึกเป็น AI หรือไม่? เป็นส่วนหนึ่งของ AI โดยอยู่ภายใน machine learning ส่วน AI เป็นแนวคิดที่ครอบคลุมกว้างกว่า
การเรียนรู้เชิงลึกใช้ได้เฉพาะภาพหรือเปล่า? ไม่ใช่ ยังใช้กับข้อความ เสียงพูด วิดีโอ ระบบแนะนำ และข้อมูลลำดับอื่น ๆ โดยเลือกสถาปัตยกรรมให้เหมาะกับแต่ละงาน
ขั้นตอนถัดไป
เพื่อให้เห็นภาพรวม ควรอ่านเรื่อง ปัญญาประดิษฐ์คืออะไร และ นิวรัลเน็ตเวิร์กคืออะไร จากนั้นจึงศึกษาสถาปัตยกรรมเฉพาะอย่าง เช่น โครงข่ายคอนโวลูชัน และ โครงข่ายวนซ้ำ
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free