Deep learning คืออะไร?

เราต่างเฝ้าดูปรากฏการณ์ที่อยู่เบื้องหลังAI ขั้นสูงที่สุดในปัจจุบันนี้
Deep learning หมายถึงเทคนิคในการสร้างปัญญาประดิษฐ์โดยใช้โครงข่ายประสาทเทียมหรือข่ายงานประสาทเทียมหลายๆ ชั้นเหมือนแบบจำลองอันเรียบง่ายของสมองมนุษย์

มันเหมาะกับเทคนิคMachine learning ที่มีจุดมุ่งหมายในการสอนเครื่องจักรกลให้วิเคราะห์ข้อมูลตามการตัดสินใจของตัวมันเองแทนการใช้เทคนิคอัลกอริทึมที่ถูกกำหนดโดยมนุษย์ ซึ่งจะกำหนดล่วงหน้าสำหรับงานเฉพาะด้านไว้
กระบวนการ Deep learning มีรากฐานมาจาก Neocortex หรือส่วนหนึ่งของเปลือกสมองในสัตว์เลี้ยงลูกด้วยนมโดย Deep learning จะจัดเรียงโนดการวิเคราะห์ในชุดเส้นทางสำหรับข้อมูลที่ไหลระหว่างการเชื่อมต่อในโครงข่ายดังเช่นเครือข่ายโนดที่ซ้อนทับกันหลายเลเยอร์ อย่างไรก็ตาม ปัจจุบันนี้มนุษย์ยังไม่สามารถจำลองข้อมูลการเชื่อมต่อหลายชั้นที่ซับซ้อนจนทำให้สมองเป็นดั่งคอมพิวเตอร์ที่ทรงพลังได้เลย
ความสามารถในการวิเคราะห์นี้กำลังช่วยขับเคลื่อนเทคโนโลยีแห่งอนาคต เช่น รถยนต์ที่ไร้คนขับ ซึ่งมันจะสามารถช่วยให้ระบบรถยนต์รับรู้และจดจำสัญญาณจราจรหรือแยกความแตกต่างของวัตถุต่างๆ ในเส้นทางได้เอง
Deep learning นั้นมีความแม่นยำในระดับสูง บางครั้งก็มีประสิทธิภาพการทำงานที่มากกว่าการทำงานมนุษย์ เพราะมักได้รับการสอนด้วยชุดข้อมูลขนาดใหญ่และสถาปัตยกรรมของโครงข่ายประสาทเทียมที่มีหลายเลเยอร์

ทำความเข้าใจและจำแนกประเภทของ AI

แนวคิดของ AI ไม่ใช่เรื่องใหม่ อันที่จริง มีบันทึกของปัญญาประดิษฐ์ตั้งแต่ต้นศตวรรษที่ 18 แล้ว ซึ่งมันมาพร้อมกับการคุกคามของเครื่องจักรที่อัจฉริยะพอๆกับมนุษย์ (หรือ Moreso) โดยเป็นที่นิยมอย่างกว้างขวางจากวงการภาพยนตร์อย่าง2001: A Space Odyssey และ The Terminator
และแนวคิดเหล่านี้ก็ไม่ได้เป็นแนวความคิดที่นำเสนอผ่านเพียงภาพยนตร์อีกต่อไป เพราะแนวคิดเหล่านี้ได้กลายเป็นส่วนหนึ่งของชีวิตประจำวันของพวกเรามากขึ้น อย่างการเปิดตัวเทคโนโลยีอย่างChatbots และแอพพลิเคชั่นสุดอัจฉริยะ หรือในอนาคตอาจจะมีเครื่องจักรที่มีความอัจฉริยะเหนือกว่าความฉลาดของมนุษย์ก็ได้ ซึ่งมันไม่ใช่เรื่องเกินจริงเลย
คำว่า "ปัญญาประดิษฐ์" เป็นการอธิบายแนวคิดกว้างๆ ของเครื่องจักรที่มีความคิด การตัดสินใจเพื่อตัวมันเอง แต่ในความเป็นจริง ปัญญาประดิษฐ์เพียงหนึ่งคำอาจไม่สามารถอธิบายครอบคลุมความหมายของมันได้ หากเราเริ่มมองดูเทคโนโลยีนี้ ปัญญาประดิษฐ์นั้นสามารถแบ่งออกเป็นสองมิติที่แตกต่างกัน ได้แก่: ปัญญาประดิษฐ์ทั่วไป (General AI) และปัญญาประดิษฐ์เชิงแคบ (Narrow AI) (หรือ Applied AI)
ปัญญาประดิษฐ์ทั่วไป (General AI) หมายถึงการศึกษาและออกแบบระบบที่สามารถปฏิบัติงานได้เท่าที่มนุษย์สามารถทำได้ มันอาจเป็นความหมายที่พบบ่อยที่สุดของ AI และสิ่งที่ทำให้เกิดโรคฮิสทีเรียมากที่สุด เนื่องจากระบบนี้สร้างความหวาดกลัวให้คน เกี่ยวกับระบบอัตโนมัติต่างและการเพิ่มขึ้นของหุ่นยนต์สังหารมาทำงานแทนที่มนุษย์ ดังที่คุณอาจทราบแล้วว่าความสำเร็จในด้านนี้ค่อนข้างจำกัด
ในทางกลับกันปัญญาประดิษฐ์เชิงแคบ (Narrow AI)นั้นกลับประสบความสำเร็จมากกว่า เพราะแทนที่จะมุ่งเน้นในการสร้างระบบที่สามารถเลียนแบบมนุษย์โดยทั่วไปได้ แต่ด้านนี้จะเน้นการสร้างเครื่องจักรที่สามารถทำงานเฉพาะทางหรือชุดงานใดก็ตามให้ดีกว่ามนุษย์คนใด
ยกตัวอย่างให้เห็นภาพคือ Chatbot ที่ออกแบบโดย บริษัท AI Luka ถูกสร้างขึ้นเพื่อวิเคราะห์ ตอบสนองข้อความ และตอบข้อความในโซเชียลมีเดียอัตโนมัติ เพื่อส่งไปยัง Roman Mazurenko เพื่อนสนิทของหนึ่งในนักพัฒนาของLuka ที่เพิ่งเสียชีวิตไป โดยโปรแกรมนี้ได้รับมอบหมายให้วิเคราะห์ข้อมูลเมื่อสี่ปีก่อนเพื่อสร้างความประทับใจในการสื่อสารกับMazurenkoดังนั้น เมื่อโปรแกรมดึงข้อมูลเหล่านี้มาใช้ก็จะสามารถตอบกลับข้อความด้วยสไตล์ของMazurenko โดยสะท้อนโทนเสียงและภาษาของเขาได้
หลายคนยอมรับว่ามันเป็นตัวอย่างที่น่าขนลุกพอสมควรเพราะมันเกี่ยวข้องกับความตายของมนุษย์ แต่ก็เป็นการแสดงให้เห็นว่าปัญญาประดิษฐ์เชิงแคบไม่จำเป็นต้องทะเยอทะยานเหมือนกับปัญญาประดิษฐ์ทั่วไปและถึงแม้ว่ามันจะไม่ได้ก้าวหน้าอย่างหุ่นยนต์สังหารจากจิตนาการด้านSci-fiของเรา แต่ก็ไม่มีตัวช่วยหรือระบบใดที่สามารถจำลองข้อมูลอีกชุดขึ้นมาจนเกือบเท่าระดับความฉลาดของมนุษย์ได้อย่างปัญญาประดิษฐ์เช่นกัน
สิ่งใดที่เป็นไปได้ ส่วนใหญ่ต้องขอบคุณMachine learning เพราะแทนที่จะเป็นเครื่องจักที่คัดลอกเฉพาะการกระทำของมนุษย์ด้วยคำแนะนำที่ตั้งไว้ล่วงหน้าแต่อัลกอริทึมที่สร้างขึ้นด้วยหลักการ Machine learningนั้นจะถูกสอนด้วยระบบปัญญาประดิษฐ์เชิงแคบเพื่อเรียนรู้จากข้อมูลที่ดำเนินการ
ตัวอย่างเช่น ระบบที่ระบุรูปภาพของลูกโป่งวันเกิดเครื่องจักรอาจถูกสอนให้ใช้ข้อมูลจากการทำงานประจำที่กำหนดไว้ล่วงหน้าเช่น เครื่องหนึ่งเอาไว้ตรวจจับรูปร่างอีกเครื่องหนึ่งเอาไว้ระบุตัวเลขและอีกเครื่องหนึ่งเอาไว้เพื่อวิเคราะห์สีโดยรูปแบบMachine learning ที่กล่าวมาระบบจะดึงรหัสที่มนุษย์ใช้เข้าเป็นประจำมาใช้และพัฒนาอัลกอริทึมเพื่อช่วยให้มันเรียนรู้การระบุวัตถุได้อย่างถูกต้อง
ในขณะที่สิ่งนี้เป็นการพัฒนาระบบ AI ที่ค่อนข้างแหวกแนว แต่ข้อบกพร่องของแบบจำลองก็ปรากฏขึ้นอย่างรวดเร็วเช่นกันซึ่งปัญหาที่ใหญ่ที่สุดคือการใช้การวิเคราะห์แบบประจำที่ต้องกำหนดไว้ล่วงหน้านั้น ต้องการข้อมูลที่ป้อนจากมนุษย์มากเกินไปตลอดช่วงการใช้งาน นอกจากนี้ยังมีปัญหาหากมีรูปภาพที่ยากต่อการประมวลผล เช่น รูปใบหน้าหรือรูปวัตถุต่างๆ นั้นเบลอ

แล้วDeep learning เข้ากันได้อย่างไร?

เนื่องจากแบบจำลองนี้ได้ดึงความเข้าใจของเราเกี่ยวกับสมองมนุษย์ทุกวันนี้เราจึงเรียกมันว่า Deep learning.
คำว่า 'ลึก' หรือ ‘Deep’ หมายถึงการสร้างโครงข่ายประสาทเทียมแบบเลเยอร์คล้ายกับตาข่ายของเซลล์ประสาทที่เชื่อมต่อกันซึ่งอยู่ภายในสมอง แต่ไม่เหมือนกับสมองที่ทำหน้าที่เหมือนตาข่ายสามมิติที่เซลล์ประสาทหนึ่งสามารถสื่อสารกับส่วนอื่นๆ ภายในบริเวณใกล้เคียงได้เครือข่ายประดิษฐ์เหล่านี้มีโครงสร้างที่ทำเป็นชั้นโดยมีเลเยอร์บนเลเยอร์(layer upon layer)ของเส้นทางเชื่อมต่อเพื่อให้ข้อมูลนั้นไหลได้เทคนิคนี้เรียกว่า Backpropagationเทคนิคที่ปรับน้ำหนักระหว่างโนดในเครือข่ายเพื่อให้แน่ใจว่าจุดข้อมูลที่เข้ามาจะนำไปสู่ผลลัพธ์ที่ถูกต้อง
นักวิจัยต้องการสร้างกระบวนการวิเคราะห์ที่ซับซ้อนของสมองขึ้นมาใหม่แต่ละเลเยอร์จึงถูกออกแบบให้วิเคราะห์ข้อมูลและเพิ่มเติมข้อมูลประกอบสำหรับข้อมูลนั้นๆ ทุกครั้งอีกด้วย เมื่อวัตถุผ่านแต่ละเลเยอร์ ความแม่นยำของภาพที่ถูกต้องและความเข้าใจก็จะมีความเป็นไปได้มากขึ้น
อย่างในตัวอย่างของลูกโป่งวันเกิดที่ได้กล่าวไปแล้วนั้น ภาพจะถูกแบ่งออกเป็นส่วนประกอบต่างๆของลูกโป่งวันเกิด ไม่ว่าจะเป็นสี หมายเลขหรือตัวอักษรใดๆ บนพื้นผิว รูปร่าง หรือแม้กระทั่งแยกว่าว่าลูกโป่งถูกจับไว้หรือลอยอยู่บนอากาศ จากนั้นแต่ละส่วนจะถูกวิเคราะห์โดยเซลล์ประสาทเลเยอร์ที่หนึ่งเพื่อประมาณการและส่งผ่านข้อมูลไปยังเลเยอร์ถัดไป
ระบบนี้ยังสามารถทำงานได้ดี โดยเฉพาะอย่างยิ่งถูกใช้ในการป้องกันการฉ้อโกง ยกตัวอย่างเช่น ระบบสามารถออกแบบมาเพื่อระบุกิจกรรมของบัญชีฉ้อโกงที่โยงกับเครือข่ายประสาทโดยใช้ข้อมูลดิบก่อนหน้า แล้วหลังจากนั้นมันจะเพิ่มข้อมูลเพิ่มเติมที่ไหลผ่านในระบบด้วย เช่น ราคาซื้อขายของที่นำเข้าและข้อมูลด้านตำแหน่งต่างๆ
ในขณะที่บางเครือข่ายอาจมีเพียงไม่กี่เลเยอร์ แต่บางโปรแกรมอย่าง AlphaGo ของ Google นั้นมีหลายร้อยเลเยอร์ จนสามารถเอาชนะผู้เล่นระดับแชมป์ของเกมกระดานจีนได้ในปี2559 ได้ โดยธรรมชาติแล้ว สิ่งนี้ต้องการอานุภาพในการคำนวณที่ยิ่งใหญ่ อย่างไรก็ตาม โครงข่ายประสาทนั้นเป็นความใฝ่ฝันของผู้บุกเบิก AI ยุคแรกเสมอ แม้ในปัจจุบันมันก็ยังไม่สามารถทำได้
Deep learning ในปัจจุบัน
ในปัจจุบัน ระบบMachine learning ที่ทันสมัยที่สุดหลายแห่งใช้เครือข่ายประสาทเทียมในการประมวลผลข้อมูล ความสำเร็จล่าสุดในอุตสาหกรรมรถยนต์ไร้คนขับเป็นไปได้เนื่องจากDeep learning ในขณะที่หลักการยังถูกนำไปใช้ในภาคการป้องกันและการบินเพื่อระบุวัตถุจากอวกาศอีกด้วย
ในขณะที่ศักยภาพของDeep learning นั้นมีมหาศาล แต่ก็มีข้อจำกัดเมื่อต้องทำงานที่คล้ายกับมนุษย์มากขึ้นเช่นกัน เพราะ Deep learning นั้นมีการจดจำรูปแบบอย่างกฎที่ซับซ้อนแต่ตายตัวของ Goแต่นักวิจัยชี้ให้เห็นว่า Training Data จำนวนมากจำเป็นต้องสอนเครื่องจักรแค่กฎที่เฉพาะเจาะจง
การจดจำรูปแบบอาจเป็นตัวอย่างที่เด่นชัดที่สุดของ AIในด้านการติดต่อ โดยมีDeep learningทำหน้าที่เป็นเครือข่ายสนับสนุนอินพุตแบบ Multimodal ที่รวมความสามารถด้านเสียงและการรับรู้จะถูกประมวลผลควบคู่ไปกับเอาท์พุทแบบMultimodal เช่น รูปภาพและเสียงสังเคราะห์ บริษัทอย่างสตาร์บัคส์ไปจนถึงApple กำลังปรับใช้ระบบข่าวกรองนี้ ทำให้ลูกค้ามีทางเลือกในการสั่งซื้อผ่านแอพพลิเคชั่นของพวกเขาผ่านทางคำสั่งเสียงและความสะดวกในการเข้าสู่อุปกรณ์ด้วยสายตาเพียงอย่างเดียว
ในการขั้นของการพัฒนาในปัจจุบัน ดูเหมือนจะเป็นไปไม่ได้ที่ Deep learningจะดำเนินการกระบวนการที่ซับซ้อนและมีกระบวนการคิดแบบปรับได้อย่างมนุษย์ อย่างไรก็ตามเทคโนโลยียังคงพัฒนาอย่างต่อเนื่อง

Deep learning ในอนาคต

Deep learningอาจไม่ส่งผลสำหรับหุ่นยนต์สังหารในช่วงเวลาอันใกล้ นี้แต่นั่นไม่ได้หมายความว่ามันจะไม่เปลี่ยนแปลงแง่มุมพื้นฐานของสังคมในรูปแบบอื่น
กลุ่มวิจัย Google Brainแสดงให้เห็นถึง วิธีที่ AI นั้นเรียนรู้อย่างลึกซึ้งได้อย่างไร โดยไม่ต้องระบุวงจำกัดของการทดลองสำหรับการระบุแมวแต่ละตัว หลังจากนั้น ข้อมูลของแมวหลายล้านตัวถูกส่งต่อไปยัง 'Google Brain' และเครือข่ายสามารถระบุรูปภาพได้โดยไม่ต้องใช้ข้อมูลกำกับ

การระบุแมวแต่ละตัวอาจดูเหมือนเป็นแค่การทดสองพื้นฐาน แต่นั่นก็ทำให้เห็นว่าการพัฒนาดังกล่าวสามารถนำไปใช้ในทางปฏิบัติได้มากขึ้น
ผลการศึกษาเกี่ยวกับ AI ในวงการแพทย์ โดยมหาวิทยาลัยเบอร์มิงแฮมพบว่าDeep learning นั้นมีความเชี่ยวชาญในการตีความภาพทางการแพทย์เทียบเท่าความเชี่ยวชาญของมนุษย์เลย นี่อาจเป็นการปูทางให้ AI ได้มีบทบาทในวงการแพทย์ที่กำลังจะก้าวไปข้างหน้ามากขึ้น เพื่อลดความเครียดของเหล่าบุคลากรทางการแพทย์และช่วยให้แพทย์ใช้เวลากับผู้ป่วยได้เยอะมากขึ้น
สิ่งน่าตื่นเต้นที่สุดของ Deep learning คือมันกำลังถูกขนานนามว่าเป็นดั่งกระดานกระโดดน้ำที่ถูกค้นพบในจักรวาล โดยนักวิจัยจากมหาวิทยาลัย ETH ซูริค ได้เปิดเผยงานวิจัยที่พวกเขาได้ลองใช้เครือข่ายประสาทเทียมเพื่อศึกษาสสารมืดโดยเปรียบเทียบกับกล้องโทรทรรศน์ฮับเบิล พวกเขาพบว่า Deep learning บ่งบอกค่าได้แม่นยำกว่า 30% เมื่อแยกองค์ประกอบของจักรวาล สสารแบริออน สสารมืดและพลังงานมืด นักวิจัยได้สรุปว่า Deep learning สร้างโอกาสที่ดีสำหรับการวิเคราะห์ข้อมูลทางดาราศาสตร์ในอนาคต
และสิ่งที่จะเป็นไปอย่างแน่นอนคือการระดมทุนเข้าสู่ AI - Pentagonhas เพื่อจัดสรรงบประมาณเกือบ 1พันล้านดอลลาร์ให้ AI โดยเน้นการศึกษาวิจัยDeep learning ในปี 2563เพื่อที่อิทธิพลของ AI และ Deep จะได้เติบโตขึ้นไปในอนาคต