AI, Machine Learning และ Deep learning ต่างกันอย่างไร

AI, Machine Learning และ Deep learning ต่างกันอย่างไร

AI, Machine learning, และ Deep learning เป็นคำศัพท์ยอดฮิตแห่งศตวรรษ สามารถใช้ได้กับเทคโนโลยีในทุกอุตสาหกรรม ตั้งแต่ การแพทย์ โรงงาน ธุรกิจ การศึกษา ธนาคาร ไอที และอีกมากมาย

คำศัพท์เหล่านี้มักถูกใช้งานสลับกันบ่อยครั้งแม้เราจะคุ้นเคยกับมันและใช้อย่างแพร่หลาย  แท้จริงแล้วมันมีต่างกันอย่างมาก บทความนี้จะอธิบายศัพท์และทำให้เข้าใจความต่างที่พูดถึง

Artificial Intelligence ปัญญาประดิษฐ์

แปลง่าย ๆ ว่า “ความสามารถของเครื่องจักรในการทำงานเหมือนกับสมองมนุษย์”

เมื่อใดก็ตามที่เราได้ยินคำว่า AI เรามักจะนึกถึงหุ่นยนต์ เนื่องจากในช่วง 2-3 ศตวรรษที่ผ่านมา พวกเราตื่นตาตื่นใจกับ “หุ่นยนต์” ในภาพยนตร์ด้วยความสามารถเหนือมนุษย์ในการทำงานที่ยากลำบากและการใช้ชีวิตร่วมกับมนุษย์

ตอนนี้หุ่นยนต์อย่าง Sophia ได้เกิดขึ้นและเราสามารถพบ AI ในทุกหนทุกแห่ง ตั้งแต่หุ่นยนต์ทำความสะอาด ผู้ช่วยส่วนตัวอย่าง SIRI หุ่นยนต์ช่วยในการผ่าตัด หุ่นยนต์เขียนโค้ด รวมไปถึงรถยนต์ไร้คนขับ สิ่งเหล่านี้เข้ามาอยู่ในโลกความเป็นจริงมากขึ้นและกำลังพัฒนาอย่างรวดเร็ว เริ่มจาก AI หมากรุกของ IBM ที่ชื่อว่า Deep blue ที่ชนะแชมป์เปียนหมากรุกระดับโลก ไปจนถึง AlphaGo ของกูเกิ้ล ที่ทำให้เรารู้สึกอัศจรรย์ไปกับการเปลี่ยนแปลงของ AI

ภาพ Sophia หุ่นยนต์คล้ายมนุษย์ตัวแรก ที่มา: Twitter

สรุปได้ว่า AI คือการฝึกให้เครื่องจักรเลียนแบบพฤติกรรมมนุษย์ โดยเฉพาะการทำงานของสมองและการคิด ทำให้ AI พัฒนาการคิดอย่างเป็นตรรกะและเลือกทำสิ่งต่าง ๆ โดยคำนึงถึงโอกาสประสบความสำเร็จ โดย AI มุ่งเน้น 3 ทักษะหลักของมนุษย์ ได้แก่ การเรียนรู้ การใช้เหตุผล และการพัฒนาตนเอง

“วิวัฒนาการของ AI ถือได้ว่าเป็นการปฏิวัติอุตสาหกรรมครั้งที่ 4 UBS”

ผู้เชี่ยวชาญกล่าวว่า ครั้งนี้ระบบ IoT และ Cloud ซึ่งทำงานด้วย AI จะมาเปลี่ยนวิถีชีวิตของเราและโลกอีกครั้งเหมือนที่การปฏิวัติทั้ง 3 ที่ผ่านมา

มาทำความรู้จักกับ AI 3 ประเภท และดูกันว่ามีเข้ามาเกี่ยวข้องกับชีวิตของเราอย่างไรกันบ้าง

1. Artificial Narrow Intelligence
2. Artificial General Intelligence
3. Artificial Super Intelligence

Artificial Narrow Intelligence

ระบบ Artificial Narrow Intelligence ถูกออกแบบและฝึกฝนเพื่อการทำงานเฉพาะด้านเท่านั้น เช่น chatbots ตอบคำถามโดยใช้ชุดข้อมูลที่ถูกป้อนไว้, ผู้ช่วยส่วนตัวอย่าง SIRI, Alexa, และ Cortana, ระบบตรวจจับใบหน้า, และ ระบบAI ที่ใช้ในการค้นข้อมูลบนอินเทอร์เน็ต มักรู้จักกันในชื่อ Weak AI หรือ Narrow AI

Weak AI ไม่ได้เลียนแบบความฉลาดของมนุษย์ มันเพียงแค่เลียนแบบพฤติกรรมบางอย่างของมนุษย์โดยมีพื้นฐานจากชุดตัวแปรและข้อมูลที่ใส่เข้าไปเท่านั้น Weak AI ยังคงต้องการความช่วยเหลือของมนุษย์ ในการนิยามความหมายของตัวแปรสำหรับใช้ในกระบวนการเรียนรู้ รวมทั้งช่วยป้อนข้อมูลที่เกี่ยวข้อง และ ตรวจสอบความแม่นยำของมัน จึงเปรียบได้กับเด็กที่ฟังคำสั่งของผู้ใหญ่และทำตามเท่านั้น

Artificial General Intelligence

Artificial General Intelligence คือ AI ที่สามารถทำงานได้เทียบเท่ากับความสามารถของมนุษย์ มันสามารถแปลความหมาย เข้าใจอารมณ์และการกระทำของมนุษย์ได้ จึงมีอีกชื่อว่า Strong AI ซึ่งยังเป็นเพียงแบบร่างเท่านั้น แต่ด้วยความสามารถของ Machine Learning ที่เพิ่มสูงขึ้น จะทำให้ AI ทำงานได้ดีขึ้นและสร้างมันได้สำเร็จในอนาคตอันใกล้

Artificial Super Intelligence

Artificial Super Intelligence หรือ Super AI คือ AI ที่สามารถตระหนักรู้ถึงการมีอยู่ของตนเองและมีความสามารถเหนือกว่ามนุษย์ แต่มันยังคงเป็นที่ถกเถียงในเหล่านักวิทยาศาสตร์อยู่แม้จะมีงานวิจัยที่น่าตื่นตาตื่นใจมากมาย

นิค บอสตรอม ศาสตราจารย์มหาวิทยาลัย Oxford และผู้เขียนหนังสือขายดีของ New York Times “Superintelligence: Paths, Dangers, Strategies” กล่าวว่า

“ภัยที่อันตรายที่สุดในระยะยาว คือ การมีเทคโนโลยีอัจฉริยะที่ไม่เข้าใจในหลักศีลธรรมและเป้าหมายของมนุษย์ เพราะขีดความสามารถของมันพัฒนาเร็วเกินกว่าที่เราจะตามแก้ไขปัญหาความปลอดภัยและศีลธรรมได้ทัน”

แล้วคุณคิดอย่างไรกับการสร้าง Super AI? มันจะเป็นปัญหากับมนุษย์เพราะไม่สามารถควบคุมได้หรือไม่?

หลังจากที่เราเข้าใจเรื่อง AI มากขึ้นแล้ว คุณสงสัยไหมว่าคอมพิวเตอร์สามารถเลียนแบบพฤติกรรมของมนุษย์ ทำการคาดการณ์สิ่งต่าง ๆ และตัดสินใจด้วยตนเองได้อย่างไร?

Machine Learning

Machine Learning เป็นส่วนหนึ่งของ AI ที่ใช้กระบวนการทางสถิติและอัลกอริธึมต่าง ๆ ทำให้เครื่องจักรและคอมพิวเตอร์สามารถเรียนรู้จากประสบการณ์และชุดข้อมูล ส่งผลให้มันสามารถปรับเปลี่ยนพฤติกรรมได้ด้วยตนเอง

Machine Learning มีหลากหลายเทคนิคและวิธีที่จะทำให้คอมพิวเตอร์สามารถเรียนรู้ได้ เช่น Decision trees, Random Forests, Support Vector Machines, K Means clutering และอีกมากมาย

ตัวอย่างการใช้ Machine Learning ได้แก่ การประเมินความต้องการของสินค้า, คาดการณ์พฤติกรรมของลูกค้า, การประเมินความพึงพอใจของลูกค้าจากพฤติกรรมการใช้โซเชียลมีเดีย Machine learning จะทำงานได้ดีถ้าหากข้อมูลที่มีอยู่ในฐานข้อมูลสมเหตุสมผลพอ ยิ่งมีข้อมูลจำนวนมาก เราจำเป็นต้องใช้อัลกอริธึมและเทคนิคที่มีประสิทธิภาพสูงของ Deep Learning

แพลทฟอร์ม OTT หรือ บริการสื่อผ่านอินเทอร์เน็ต อย่าง Netflix และ Amazon Prime ก็ใช้ Machine Learning ในการแนะนำหนังตามความสนใจของผู้ใช้งาน โดยเรียนรู้จากข้อมูลประวัติการเข้าชมของผู้ใช้นั้น ๆ

ที่มา: Scrabbl

ในระบบ e-commerce บริษัทอย่าง Amazon และ Flipkart ใช้ Machine Learning ในการเรียนรู้ความชอบของผู้ใช้งานเพื่อแนะนำผลิตภัณฑ์ที่เหมาะสมกับผู้ใช้นั้น ๆ โดยใช้ข้อมูลการซื้อในอดีตและประวัติการเข้าชมสินค้า จึงเห็นได้ว่า Machine Learning มีประโยชน์อย่างมากในชีวิตจริง

สรุปได้ว่า Machine Learning และ AI ไม่ใช่สิ่งเดียวกัน แต่เป็นวิธีหนึ่งในการสร้าง AI ให้สมบูรณ์ยิ่งขึ้น อย่างไรก็ตาม Machine Learning ก็มีข้อจำกัด เนื่องจากมันทำงานได้ไม่เต็มประสิทธิภาพเมื่อใช้กับข้อมูลที่มีจำนวนมากหรือมีความซับซ้อนสูง เพราะมันต้องการความช่วยเหลือจากมนุษย์ ในขณะที่ Deep Learning สามารถเรียนรู้ข้อมูลและพัฒนาตัวเองต่อได้

ประสิทธิภาพเมื่อเทียบกับสัดส่วนของข้อมูล ที่มา: soshace.com

มาทำความรู้จักกับ Deep Learning กันเถอะ

Deep Learning

Deep Learning เป็นการพัฒนาของ Machine Learning ซึ่งได้รับแรงบันดาลใจมาจากการทำงานของสมองมนุษย์ เราใช้ Deep Learning ในการแก้ปัญหาที่มีข้อมูลจำนวนมาก ซับซ้อน และไม่เป็นระบบ โดยการสร้างโครงข่ายประสาทเทียมเพื่อเลียนแบบการทำงานของสมองมนุษย์

มาดูกันว่าสมองของเราทำงานยังไงเพื่อให้เข้าใจการทำงานของระบบประสาทนี้กันมากขึ้น

สมองของเราประกอบไปด้วยเซลล์ประสาทจำนวนมาก มีหน้าที่รับส่งข้อมูลระหว่างเซลล์ประสาทด้วยกันเอง กล้ามเนื้อ และต่อมต่าง ๆ ทำให้สมองสามารถตัดสินใจในสถานการณ์ต่าง ๆ ได้

ภาพโดย Colin Behrens จาก Pixabay

ลองนึกถึงตอนที่เราเป็นเด็ก เราไม่รู้เลยว่าน้ำต้มในหม้อนั้นร้อน จนกว่าจะมีใครมาบอก ถ้าเราจับหม้อ เซลล์ประสาทจากปลายนิ้วจะส่งข้อมูลไปยังสมองเพื่อประมวลผลและส่งข้อมูลอีกชุดกลับมายังปลายนิ้ว ทำให้เรารู้สึกถึงความร้อน และเมื่อคุณเห็นหม้อต้มน้ำอีก สมองจะเตือนว่าหากจับหม้อเราจะรู้สึกร้อน

สมองของเรามีการเรียนรู้จากสิ่งแวดล้อมและประสบการณ์ตลอดเวลา ซึ่งช่วยให้เราตัดสินใจได้ดีขึ้น Deep Learning ก็เช่นกัน คือ มันเรียนรู้จากข้อมูลและประสบการณ์ได้เองโดยที่ไม่ต้องใช้โปรแกรมเสริมใด ๆ

ที่มา: DukeToday

Artificial Neural Networks, Convolutional Neural Networks, และ Recurrent Neural Networks คือตัวอย่างของ Deep Learning ที่ใช้ในการแก้ปัญหาในชีวิตจริง

รถยนต์ขับเคลื่อนอัตโนมัติ, ผู้ช่วยส่วนตัวอย่าง Alexa, Siri และ Google Assistant, ระบบแปลงเสียงพูดเป็นตัวอักษร, ระบบการเข้าใจรูปภาพ (Image Recognition) และหุ่นยนต์ผ่าตัด ล้วนเป็นตัวอย่างการใช้ Deep Learning ที่น่าสนใจ

ถึงแม้คอนเซปท์ของ Deep Learning เกิดขึ้นตั้งแต่ยุค 80’s แต่ด้วยข้อจำกัดที่ Deep Learning ต้องใช้ความสามารถในการคำนวณและข้อมูลปริมาณมาก เพราะข้อมูลที่มากขึ้นจะเพิ่มจำนวนชั้นของ neural network และทำให้มันสามารถเรียนรู้ได้ลึกยิ่งขึ้น ซึ่งเป็นหัวใจหลักของ Deep Learning อีกหนึ่งข้อดีของ Deep Learning คือมันรู้ได้เองว่าข้อมูลไหนที่สำคัญหรือไม่สำคัญ โดยเราไม่จำเป็นต้องแยกเองเหมือนใน Machine Learning ทั่ว ๆ ไป

การสร้างหน่วยประมวลผลแบบใหม่, ประสิทธิภาพในการคำนวณของคอมพิวเตอร์พุ่งสูงขึ้น, และจำนวนข้อมูลมากขึ้นอย่างก้าวกระโดด ทำให้ Deep Learning มีบทบาทมากในการนำมาใช้แก้ปัญหาในชีวิตจริงได้มากมาย

“ ในช่วงแรกของปี 2020 จำนวน bytes ที่ถูกเก็บอยู่ในฐานข้อมูลดิจิตอลทั้งหมดบนโลก มีมากกว่า 40 เท่าของจำนวนดวงดาวทั้งหมดที่มนุษย์สังเกตได้ในเอกภพนี้” ~ World Economic Forum

โดยสรุปแล้ว แม้ AI ทำงานด้วย Machine Learning และ Deep Learning แต่พวกมันไม่ใช่สิ่งเดียวกัน

ที่มา: www.analyticsvidhya.com

แปลโดย: Pitsinee APS