Data science

แมชชีนเลิร์นนิงกับการเรียนรู้เชิงลึก

การอภิปรายเกี่ยวกับแมชชีนเลิร์นนิงกับการเรียนรู้เชิงลึกได้รับความสนใจอย่างมากในช่วงไม่กี่ปีที่ผ่านมา จุดแข็งพื้นฐานของเทคโนโลยีทั้งสองนี้อยู่ที่ความสามารถในการเรียนรู้จากข้อมูลที่มีอยู่ แม้ว่าเทคโนโลยี AI นอกระบบทั้งสองนี้จะประสบความสำเร็จใน “อัลกอริธึมการเรียนรู้” แต่วิธีที่อัลกอริธึมการเรียนรู้ของเครื่อง (ML) เรียนรู้นั้นแตกต่างอย่างมากจากวิธีการเรียนรู้ของอัลกอริธึมการเรียนรู้เชิงลึก (DL) ในขณะที่ ML สังเกตรูปแบบข้อมูลโดยตรงและสร้างความสัมพันธ์ อัลกอริทึม DL จะเรียนรู้อย่างก้าวหน้าจากชั้นความรู้ที่ซับซ้อน DL ถือเป็นชุดย่อยของ ML ซึ่งการเรียนรู้เกิดขึ้นผ่านเครือข่ายแบบเลเยอร์ของอัลกอริทึมที่รู้จักกันทั่วไปว่าเป็นโครงข่ายประสาทเทียม (ANN) ANN อยู่ใกล้กับสมองมนุษย์มากที่สุดในแง่ของการทำงาน แมชชีนเลิร์นนิงกับการเรียนรู้เชิงลึก: อันไหนร้อนแรงกว่ากัน? การแข่งขันเพื่อการวิจัยและสิทธิบัตรในด้านแมชชีนเลิร์นนิงและการเรียนรู้เชิงลึกกำลังดำเนินอยู่ในปัจจุบันและจะเพิ่มขึ้นอย่างต่อเนื่องในอนาคต แม้ว่าแมชชีนเลิร์นนิงจะเป็นปัญญาประดิษฐ์ประเภทหนึ่ง ซึ่งอำนวยความสะดวกในการเรียนรู้อัลกอริทึมโดยอัตโนมัติด้วยการศึกษาข้อมูลที่มีอยู่ด้วยตนเอง อัลกอริธึมการเรียนรู้ของเครื่องเป็นโปรแกรมอัจฉริยะที่สามารถค้นหา เข้าถึง และเรียนรู้จากข้อมูลได้โดยไม่ต้องมีการแทรกแซงทางโปรแกรม แบบจำลอง ML มักใช้ในภาคอุตสาหกรรมเพื่อคาดการณ์ความเสี่ยงและโอกาส SD Times อ้างว่าข้อมูลขนาดใหญ่จะไม่เกิดขึ้นหากไม่มี ML เพื่อดึงคุณค่าจากข้อมูล ในทางกลับกัน รายงานของ Gartner's Hype Cycle for Emerging Technologies ระบุว่าการเรียนรู้เชิงลึกเป็นหนึ่งในแปดเทคโนโลยีที่เกิดขึ้นใหม่ 2021 และอื่นๆ การเรียนรู้เชิงลึกอาจถือได้ว่าเป็นส่วนย่อยของ ML ซึ่งการเรียนรู้เกิดขึ้นผ่านลำดับชั้นของความรู้ที่เปิดเผย ในบทความ DATAVERSITY® ประโยชน์ทางธุรกิจของการเรียนรู้เชิงลึก คุณภาพการเรียนรู้ในสมอง (คล้ายกับการทำงานของสมองมนุษย์) ซึ่งมักพบใน DL ได้รับการอธิบายไว้เป็นอย่างดี ความแตกต่างที่เห็นได้ชัดเจนที่สุดระหว่างวิธีการเรียนรู้ทั้งสองแบบคือ อัลกอริธึม ML จัดการกับข้อมูลภายใต้การดูแล ในขณะที่อัลกอริธึม DL ถูกนำไปใช้กับสนามหญ้าที่ไม่มีผู้ดูแล Gartner ให้การคาดการณ์ต่อไปนี้: โดย 2021, 10 เปอร์เซ็นต์ของพนักงานบริการลูกค้าจะมีส่วนร่วมในการโต้ตอบกับบอทโดย 2021 สตาร์ทอัพจะนำเศรษฐกิจ AI ทิ้ง 4 ยักษ์ใหญ่ไว้เบื้องหลัง โดย 20 ความสำเร็จขององค์กรจะขึ้นอยู่กับเทคโนโลยีความรู้ความเข้าใจ นอกจากนี้ โดย 2022 อย่างน้อย 20 เปอร์เซ็นต์ของธุรกิจจะมีส่วนร่วมกับพนักงานในเครือข่ายประสาท ความคล้ายคลึงกันระหว่างการเรียนรู้ของเครื่องและการเรียนรู้เชิงลึก บล็อกโพสต์ของ Zendesk วิธีง่ายๆ ในการทำความเข้าใจเครื่อง Learning vs Deep Learning ใช้คำว่า “ข้อมูล” เพื่อรวม ML และ DL เข้าด้วยกัน ตามโพสต์นี้ แม้ว่าอัลกอริธึม ML จะเรียนรู้จากข้อมูลเพื่อทำการตัดสินใจหรือคาดการณ์ แต่อัลกอริธึม DL จะโต้ตอบกับข้อมูลในเลเยอร์เพื่อให้การเรียนรู้มีความก้าวหน้าและสะสม เป็นความรู้ทั่วไปที่ทั้ง ML และ DL จัดการกับ “อัลกอริทึมการเรียนรู้” แม้ว่าวิธีการเรียนรู้จะแตกต่างกันมาก “หัวข้อทั่วไป” ระหว่าง ML และ DL สามารถอธิบายได้ผ่านการเปรียบเทียบกับรถยนต์ที่ขับด้วยตนเอง ความหมายพื้นฐานคือเมื่อมนุษย์ไม่สามารถเขียนโปรแกรมเพื่อแก้ปัญหาได้ Machine Intelligence ของ ML หรือ DL จะเข้ามาสอนคอมพิวเตอร์ให้กลายเป็นเครื่องจักรที่แก้ปัญหาด้วยตนเองได้ ความคล้ายคลึงกันอีกประการระหว่าง ML และ DL อยู่ในขอบเขตการใช้งาน เช่น การมองเห็นด้วยคอมพิวเตอร์ การจดจำภาพ ระบบการดึงข้อมูล ระบบอัตโนมัติทางการตลาด การวินิจฉัยทางการแพทย์ และ NLP ซึ่งใช้ทั้งอัลกอริธึม ML และ DL ได้สำเร็จ สถาบัน SAS พูดถึงแอปพลิเคชันยอดนิยมบางรายการของ ML ความแตกต่างระหว่าง Machine Learning กับ Deep Learning ดังที่ได้กล่าวไว้ก่อนหน้านี้ ความแตกต่างหลักระหว่าง ML และ DL อยู่ที่แนวทางการเรียนรู้ในแต่ละกรณี นิตยสาร Analytics อินเดียแสดงให้เห็นว่า “กระบวนการเรียนรู้แบบวนซ้ำ” ที่ใช้ใน ML แตกต่างจากวิธีการเรียนรู้แบบเลเยอร์ที่ใช้ใน DL อย่างไร บทความ Deep Learning และ Machine Learning Differences: Recent Views in an Ongoing Debate อภิปรายว่าโมเดล DL ได้รับการอธิบายว่าเป็นนักเรียนที่ “ไม่ได้รับการดูแล” อย่างสมบูรณ์ – เรียนรู้ด้วยตนเอง – ทีละชั้น ตาม Forbes ความแตกต่างหลักระหว่างการเรียนรู้ของเครื่องกับการเรียนรู้เชิงลึกอยู่ในแนวทางการเรียนรู้ที่แท้จริง DL ต้องการข้อมูลจำนวนมาก ซึ่งอัลกอริทึมใช้ในการตัดสินใจเกี่ยวกับข้อมูลอื่นๆ นอกจากนี้ อัลกอริธึม DL ยังใช้ได้กับข้อมูลทุกประเภท เช่น รูปภาพ เสียง วิดีโอ คำพูด ฯลฯ ซึ่งปกติไม่สามารถทำได้ใน ML Data Science Central จะพิจารณาความแตกต่างระหว่างสาขาต่างๆ ของ Data Science หรือ AI แบบองค์รวม และนี่คือจุดที่ผู้อ่านจะค้นพบแนวทางการดำเนินงานที่หลากหลายในการจัดการกับข้อมูลทางธุรกิจ ความแตกต่างที่ใหญ่กว่าระหว่างแมชชีนเลิร์นนิงกับการเรียนรู้เชิงลึกคือ: การจัดการปัญหา: ใน ML ปัญหาใหญ่จะแตกเป็นชิ้นเล็กชิ้นน้อย จากนั้นแต่ละอันจะแก้ไขแยกกัน ในที่สุด โซลูชันทั้งหมดจะถูกรวบรวมกลับคืนมา ใน DL ปัญหาได้รับการแก้ไขตั้งแต่ต้นจนจบ ปริมาณการใช้ข้อมูล: อัลกอริธึม ML ได้พิสูจน์ความสามารถของพวกเขาทั้งในสถานการณ์ข้อมูลขนาดใหญ่และข้อมูลขนาดใหญ่ อัลกอริธึมการเรียนรู้เชิงลึกสามารถทำงานได้เมื่อมีปริมาณข้อมูลมาก แต่อัลกอริธึมใด ๆ เหล่านี้สามารถทำงานจริง ๆ เมื่อปริมาณข้อมูลต่ำหรือไม่ ข้อกำหนดของโปรเซสเซอร์: อัลกอริธึม ML จัดการได้ค่อนข้างดีในเครื่องทั่วไป แต่อัลกอริธึม DL ต้องการเครื่องที่มีประสิทธิภาพสูงเพื่อให้ทำงานได้ดี วิศวกรรมคุณลักษณะ: ใน ML “การแยกคุณลักษณะ” ยังคงเป็น จัดการด้วยตนเอง ในขณะที่อยู่ใน DL การดึงคุณลักษณะจะเกิดขึ้นโดยอัตโนมัติในระหว่างกระบวนการเรียนรู้ เนื่องจากกระบวนการแบบแมนนวลมีทั้งเวลาและแรงงานเข้มข้น DL จึงลดงานลงได้มากโดยทำให้ขั้นตอนสำคัญยิ่งของการดึงข้อมูลเป็นอัตโนมัติ เวลาฝึกอบรม: ใน DL เนื่องจากชั้นประสาทที่ซับซ้อน เวลาฝึกอบรมจึงยาวนานและซับซ้อนมากขึ้น ใน ML อัลกอริธึมสามารถฝึกให้เรียนรู้ได้ในเวลาอันสั้น การตีความ: ใน ML อัลกอริทึมจะนำเสนอกฎที่แม่นยำเพื่ออธิบายการตัดสินใจที่อยู่เบื้องหลังตัวเลือกเฉพาะ ในขณะที่ใน DL การตัดสินใจจะปรากฏเป็น “ตามอำเภอใจ” ทำให้ผู้ใช้สื่อความหมายได้เพียงเล็กน้อย ความสามารถในการหาเหตุผลเข้าข้างตนเองทางเลือก นั่นคือเหตุผลที่อัลกอริธึม DL ไม่สามารถทำงานได้ในนิติวิทยาศาสตร์ ซึ่งหลักฐานจะต้องอธิบายอย่างมีเหตุผลในศาลยุติธรรม คุณลักษณะเปรียบเทียบและเปรียบเทียบระหว่าง ML และ DL Gartner อ้างว่าอัลกอริธึม DL มีประสิทธิภาพเหนือกว่ามนุษย์ในหลาย ๆ งาน เช่น การแนะนำผลิตภัณฑ์ การคาดคะเนความต้องการ บริการเสียงพูดเป็นข้อความ ฯลฯ ในกรณีที่เหมาะสม ML และ DL จะร่วมกันให้ผลลัพธ์ที่ดีที่สุด ที่ระดับสูงสุดของแอปพลิเคชัน DL และอัลกอริธึม ML ภายใต้การดูแลทำงานคล้ายกัน ตัวอย่างเช่น ทั้งอัลกอริธึม DL และ ML ที่มีการควบคุมดูแลสามารถฝึกให้ระบุกลุ่มของวัตถุภายในรูปภาพในไลบรารีรูปภาพขนาดใหญ่ได้ ที่ DL แตกต่างจาก ML คือ DL สามารถจัดการข้อมูลทุกประเภทโดยตรง เช่น เสียง วิดีโอ รูปภาพ ในขณะที่ ML ต้องประมวลผลข้อมูลดิบและให้นักวิทยาศาสตร์ข้อมูลฝึกอัลกอริทึมก่อนทำการฝึกโมเดล ความสามารถในการเรียนรู้ด้วยตนเองของอัลกอริธึม DL ทำให้พวกเขามีประสิทธิภาพมาก กระบวนการแยกคุณลักษณะใน ML ยังคงได้รับการจัดการโดยนักวิทยาศาสตร์ด้านข้อมูลของมนุษย์ ซึ่งทำให้มีภาระเพิ่มขึ้นในด้านเวลาและประสิทธิภาพในการประมวลผล การแยกคุณสมบัติอัตโนมัติที่มีให้คือ DL นำหน้า ML แบบเดิมไม่กี่ปีแสง เวลาและภาระอันมหาศาลของนักวิทยาศาสตร์ด้านข้อมูลของมนุษย์จะถูกขจัดออกไปใน DL มากขึ้น เนื่องจากอัลกอริธึมสามารถโฟกัสไปที่คุณสมบัติที่เหมาะสมโดยอัตโนมัติโดยไม่ต้องมีการแทรกแซงจากนักวิทยาศาสตร์ที่เป็นมนุษย์ ความโล่งใจที่ได้จากการแยกคุณลักษณะอัตโนมัติใน DL นั้นถูกโต้แย้งโดยข้อกำหนดการออกแบบโทโพโลยีเครือข่าย ในหลายกรณี นักวิทยาศาสตร์ด้านข้อมูลใช้คลัสเตอร์ข้อมูลขนาดใหญ่พร้อมกัน ซึ่งทำให้มีเวลาและประสิทธิภาพในการดำเนินการเป็นจำนวนมาก นั่นคือเหตุผลที่อัลกอริธึม DL ทำงานได้ดีที่สุดในซูเปอร์คอมพิวเตอร์ที่สามารถประมวลผลการทำงานของเวกเตอร์ขนาดใหญ่ได้อย่างรวดเร็ว เมื่อเทียบกับแมชชีนเลิร์นนิง ข้อเสียเปรียบที่สำคัญของการเรียนรู้เชิงลึกคือต้องใช้เครื่องจักรที่มีราคาแพงมากจึงจะสามารถทำงานได้ เพื่อให้การเรียนรู้เชิงลึก “มีราคาไม่แพง” สำหรับธุรกิจ ชุมชนนักวิทยาศาสตร์ข้อมูลได้นำหน่วยประมวลผลกราฟิก (GPU) มาใช้ ซึ่งสามารถทำงานได้หลายพันล้านรายการอย่างรวดเร็ว คุณลักษณะที่เกี่ยวข้องอีกประการหนึ่งที่พบในโลก DL คือการมีอยู่ของไลบรารีโอเพนซอร์ส ซึ่งเป็นโซลูชันสำเร็จรูปสำหรับแอปพลิเคชันการจดจำภาพและเสียงจำนวนมาก ไลบรารีโอเพนซอร์ซหลักที่มีอยู่ในปัจจุบัน ได้แก่ TensorFlow, Cafee หรือ MXNet บทสรุป บทความ Deep Learning Updates: Machine Learning, Deep Reinforcement Learning และ Limitations กล่าวถึงการพัฒนาล่าสุดในด้าน AI และ DL ที่ค่อยๆ เปลี่ยนเครื่องจักรให้กลายเป็นสิ่งที่คิดในตัวเองเหมือนมนุษย์ หากการคาดการณ์ทางเทคโนโลยีที่ใหญ่ที่สุดของ Gartner สำหรับทศวรรษปัจจุบันของ “ทุกสิ่งในโลกดิจิทัล” คือการกลายเป็นความจริง การเรียนรู้ของเครื่องและการเรียนรู้เชิงลึก ท่ามกลางเทคโนโลยีอัจฉริยะอื่นๆ จะต้องเพิ่มประสิทธิภาพ มูลค่าทางธุรกิจ และระดับการปฏิบัติงานอย่างต่อเนื่อง เครดิตภาพ: Shutterstock.com

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

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

    Back to top button