Data science

การปลดล็อกศักยภาพที่แท้จริงของ ML: การเรียนรู้ด้วยตนเองในภาษาสามารถเอาชนะประสิทธิภาพของมนุษย์ได้อย่างไร

เป้าหมายหลักสำหรับหลายองค์กรที่ใช้ระบบปัญญาประดิษฐ์ (AI) คือการทำให้พวกเขาสะท้อนภาษามนุษย์และสติปัญญา อย่างไรก็ตาม การเลียนแบบภาษามนุษย์และการเรียนรู้ความซับซ้อนที่เป็นเอกลักษณ์ยังคงเป็นความท้าทายที่ใหญ่ที่สุดอย่างหนึ่งของ AI ตามดัชนี Global AI Adoption Index ของ IBM เกือบหนึ่งในสามของผู้เชี่ยวชาญด้านไอทีกล่าวว่าธุรกิจของพวกเขากำลังใช้ AI โดย 43% รายงานว่าบริษัทของพวกเขาเร่งการเปิดตัว ของ AI เนื่องจากการระบาดใหญ่ เมื่อมีธุรกิจจำนวนมากขึ้นที่ใช้ระบบ AI ข้อจำกัดของเทคโนโลยีก็เกิดขึ้นเช่นกัน ซึ่งรวมถึงปริมาณข้อมูลที่จำเป็นในการฝึกอัลกอริธึมการเรียนรู้ของเครื่อง (ML) และความยืดหยุ่นของอัลกอริทึมเหล่านี้ในการทำความเข้าใจภาษามนุษย์ ทุกวันนี้ แอปพลิเคชั่น AI จำนวนมากในการบริการลูกค้าใช้อัลกอริธึม ML ซึ่งพิสูจน์แล้วว่ามีความจำเป็นเนื่องจากพฤติกรรมของผู้บริโภคยังคงเปลี่ยนไป อัลกอริธึม ML มีความสามารถในการประมวลผลข้อมูลและการสนทนาอัตโนมัติ ช่วยเพิ่มความสามารถของธุรกิจในการสนทนากับลูกค้าได้ทุกที่ทุกเวลา เมื่อธุรกิจเริ่มเปลี่ยนจากการสื่อสารแบบทางเดียวความถี่สูงไปเป็นการสนทนาแบบสองทาง อัลกอริทึมเหล่านี้จะมีบทบาทสำคัญในเส้นทางของลูกค้า อย่างไรก็ตาม การทำความเข้าใจภาษามนุษย์ให้ลึกซึ้งยิ่งขึ้นเป็นสิ่งสำคัญ เนื่องจากองค์กรต่างๆ พยายามปรับปรุงปฏิสัมพันธ์กับลูกค้า เป็นความเชื่อของฉันที่ว่าหากระบบ AI สามารถมีความเข้าใจที่ลึกซึ้งกว่าวิธีการวิเคราะห์ข้อมูลแบบเดิมๆ ได้ พวกเขาจะมีความสามารถเหนือกว่าความสามารถของมนุษย์ในงานด้านภาษา สิ่งนี้จะทำให้ AI เข้าใกล้ความฉลาดระดับมนุษย์มากขึ้นอีกก้าวหนึ่ง และเปลี่ยนวิธีที่เรามีส่วนร่วมกับแบรนด์ ธุรกิจ และองค์กรในระดับโลก ด้วยการเรียนรู้ด้วยตนเอง เทคนิค ML จึงมีอำนาจในการเปลี่ยนแปลงสิ่งนี้ แมชชีนเลิร์นนิงที่ควบคุมตนเองช่วยลดความต้องการข้อมูลที่มีป้ายกำกับคุณภาพสูง (Swill Klitch/Shutterstock) การเรียนรู้ด้วยตนเองภายใต้การดูแลคืออะไร ในฐานะเด็กทารก เราเรียนรู้เกี่ยวกับโลกส่วนใหญ่ผ่านการสังเกตและการลองผิดลองถูก นี่เป็นการปูทางให้เราพัฒนาสามัญสำนึกและความสามารถในการเรียนรู้งานที่ซับซ้อน เช่น การขับรถ แต่วิธีการที่มนุษย์สามารถเรียนรู้จากการสังเกตตัวอย่างงานที่กำหนดและอัลกอริธึมการเรียนรู้ของเครื่องไม่สามารถทำได้? นี่คือจุดที่การเรียนรู้ด้วยตนเองสามารถช่วยได้ เทคนิคนี้มักเกี่ยวข้องกับการป้อนข้อมูลชุดข้อมูลและปกปิดส่วนหนึ่งของชุดข้อมูลดังกล่าว อัลกอริทึมการเรียนรู้ที่ควบคุมตนเองจะต้องวิเคราะห์ข้อมูลที่มองเห็นได้ ทำให้สามารถคาดการณ์ข้อมูลที่ซ่อนอยู่ที่เหลืออยู่ได้ ด้วยเหตุนี้ กระบวนการนี้จึงสร้างป้ายกำกับที่จะช่วยให้ระบบเรียนรู้ได้ นี่เป็นการเปิดโอกาสครั้งใหญ่ในการใช้ข้อมูลที่ไม่มีป้ายกำกับได้ดีขึ้น และช่วยให้องค์กรปรับปรุงกระบวนการข้อมูล ด้วยการเรียนรู้ด้วยตนเอง ไม่จำเป็นต้องมีคนอ่านข้อมูลจำนวนมากด้วยตนเองและติดป้ายกำกับ การเรียนรู้แบบควบคุมตนเองจะสร้างระบบ AI ที่มีประสิทธิภาพของข้อมูล ซึ่งสามารถวิเคราะห์และประมวลผลข้อมูลได้โดยไม่ต้องมีการแทรกแซงของมนุษย์ ขจัดความจำเป็นในการ “ควบคุมดูแล” อย่างเต็มรูปแบบ สมองของเราและแน่นอนว่าเป็นสมองของเด็กเล็ก พยายามทำความเข้าใจโลกอยู่ตลอดเวลาโดยคาดการณ์ว่าจะเกิดอะไรขึ้นต่อไป หากการทำนายไม่ตรงกับความเป็นจริง เราก็ประหลาดใจและเรียนรู้ ในทำนองเดียวกัน อัลกอริธึม ML จะเรียนรู้การเติมช่องว่างโดยใช้การเรียนรู้แบบกึ่งควบคุมดูแล อัลกอริธึม ML ที่ได้รับการฝึกฝนโดยใช้การเรียนรู้ด้วยตนเองนั้นดูเหมือนว่าจะเข้าใจสัญญาณทั่วไปของมนุษย์และสามารถเอาชนะประสิทธิภาพการทำงานของมนุษย์ในงานด้านภาษาได้ ความก้าวหน้าในการเรียนรู้ด้วยตนเอง: สิ่งนี้จะปฏิวัติการเรียนรู้เชิงลึกได้อย่างไร การเรียนรู้ด้วยตนเองภายใต้การดูแลสร้างระบบ AI ที่มีประสิทธิภาพข้อมูลที่สามารถวิเคราะห์และประมวลผลข้อมูลโดยไม่จำเป็นต้องมีการแทรกแซงของมนุษย์ (charles taylor/Shutterstock) วิธีการเรียนรู้ด้วยตนเองภายใต้การดูแลได้ทำให้เกิดความก้าวหน้าที่สำคัญในการประมวลผลภาษาธรรมชาติ (NLP) ซึ่งช่วยให้คอมพิวเตอร์ ความสามารถในการเข้าใจ เขียน และพูดภาษาเหมือนที่มนุษย์ทำ ความก้าวหน้าที่แท้จริงใน NLP เกิดขึ้นเมื่อ Google เปิดตัวโมเดล BERT ใน 2018 วิศวกรรีไซเคิลสถาปัตยกรรมที่มักใช้สำหรับการแปลด้วยคอมพิวเตอร์และทำให้เรียนรู้ความหมายของคำที่เกี่ยวข้องกับบริบทในประโยค NLP ยังคงทำลายสถิติหลังจากบันทึกในการทำความเข้าใจภาษามนุษย์: ในช่วงสองปีที่ผ่านมา NLP มีความก้าวหน้ามากขึ้นกว่าในช่วงสี่ทศวรรษที่ผ่านมา อัลกอริธึม AI เหล่านี้เอาชนะประสิทธิภาพของมนุษย์ในการทำความเข้าใจหัวข้อของข้อความและค้นหาคำตอบสำหรับคำถามแบบสุ่ม โดยทำได้มากกว่า 85 ภาษาพร้อมกัน ปัจจุบันแชทบอทจำนวนมากใช้เทคโนโลยี NLP เพื่อตอบสนองความต้องการของลูกค้าได้ดียิ่งขึ้น เนื่องจากการเพิ่มขึ้นของการรับส่งข้อความทางมือถือ บริษัทต่างๆ หันมาใช้แชทบอทและผู้ช่วยเสมือนเพื่อตอบคำถามของลูกค้าแบบเรียลไทม์และเพิ่มการมีส่วนร่วม อัลกอริธึมการเรียนรู้เชิงลึก ซึ่งเป็นชุดย่อยของ ML ได้พัฒนาขึ้นเพื่อจดจำใบหน้าที่มีความแม่นยำเหมือนมนุษย์ อย่างไรก็ตาม ต้องใช้เวลาจนถึง 2015 ในการสร้างอัลกอริธึมที่สามารถจดจำใบหน้าได้อย่างแม่นยำเทียบเท่ากับมนุษย์ ตัวอย่างเช่น DeepFace ของ Facebook แม่นยำ 4% เพียงแค่อาย 5% ประสิทธิภาพของมนุษย์ และอัลกอริธึมการจดจำใบหน้าของ FBI มีความแม่นยำเพียง 85% เท่านั้น ซึ่งหมายความว่ายังคงผิดอยู่มากกว่าหนึ่งในเจ็ดกรณี ในขณะที่การเรียนรู้เชิงลึกเป็นส่วนสำคัญของระบบ AI และมีความก้าวหน้าอย่างมากในช่วงไม่กี่ปีที่ผ่านมา การเรียนรู้นั้นต้องการข้อมูลจำนวนมากเพื่อให้ได้ผลลัพธ์ที่เป็นประโยชน์ การเรียนรู้ด้วยตนเองจะมีบทบาทสำคัญในขณะที่เราต้องการลดการพึ่งพาข้อมูลของ AI และก้าวข้ามข้อจำกัดของการเรียนรู้เชิงลึก ที่สำคัญกว่านั้น จะทำให้ระบบ AI มีความสามารถที่จะทำหน้าที่เหมือนมนุษย์มากขึ้นและเข้าใจภาษาโดยไม่ต้องมีการแทรกแซง การบรรลุเป้าหมายนี้จะปลดล็อกความเป็นไปได้ที่ไม่มีที่สิ้นสุดในโลกของ ML – เป็นเพียงเรื่องของเวลา เกี่ยวกับผู้แต่ง: Pieter Buteneers เป็นวิศวกรอุตสาหกรรมและ ICT-electronics เขาเริ่มต้นอาชีพในด้านวิชาการ โดยเริ่มจากการเป็นนักศึกษาระดับปริญญาเอก และต่อมาเป็น postdoc ซึ่งเขาได้ค้นคว้าเกี่ยวกับการเรียนรู้ของเครื่อง การเรียนรู้อย่างลึกซึ้ง การเชื่อมต่อกับคอมพิวเตอร์ในสมอง และโรคลมบ้าหมู เขาได้รับรางวัลชนะเลิศในการแข่งขัน Deep Learning ที่ยิ่งใหญ่ที่สุด 2015 ร่วมกับทีมแมชชีนเลิร์นนิงจาก Ghent University: National Data Science Bowl ซึ่งจัดขึ้นที่ kaggle.com ในปีเดียวกันนั้น เขาได้บรรยาย TEDx เกี่ยวกับ Brain Computer Interfaces ใน 2019 เขาได้เป็น CTO ของ Chatlayer.ai ซึ่งเป็นแพลตฟอร์มสำหรับสร้างแชทบอทหลายภาษาที่ “ใคร” สื่อสารกันในระดับมนุษย์ ใน 2020 Chatlayer.ai ถูกซื้อกิจการโดย Sinch และตอนนี้ Pieter เป็นผู้นำความพยายามของแมชชีนเลิร์นนิงทั้งหมดที่ Sinch ในตำแหน่งผู้อำนวยการฝ่ายวิศวกรรมใน ML & AI รายการที่เกี่ยวข้อง: ผู้เชี่ยวชาญไม่เห็นด้วยเกี่ยวกับประโยชน์ของโมเดลภาษาขนาดใหญ่ โมเดลหนึ่งที่จะปกครองพวกเขาทั้งหมด: Transformer Networks นำ AI 2.0 มาใช้ Forrester กล่าวว่าสามเคล็ดลับในการขยายข้อมูลขนาดเล็กสำหรับการเรียนรู้เชิงลึก

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button