บทช่วยสอนการเรียนรู้เชิงลึกสำหรับผู้เริ่มต้น: พื้นฐานโครงข่ายประสาทเทียม
เอเวลิน คลาร์ก
⚡ สรุปอย่างชาญฉลาด
การเรียนรู้เชิงลึก (Deep Learning) เป็นสาขาหนึ่งของแมชชีนเลิร์นนิงที่สร้างขึ้นบนโครงข่ายประสาทเทียมที่ซ้อนกันเป็นชั้นซ่อนเร้นหลายชั้น โดยแต่ละชั้นจะเรียนรู้คุณลักษณะของข้อมูลที่ละเอียดกว่าชั้นก่อนหน้า
การเรียนรู้เชิงลึกคืออะไร?
การเรียนรู้เชิงลึก (Deep Learning) คือซอฟต์แวร์คอมพิวเตอร์ที่จำลองเครือข่ายของเซลล์ประสาทในสมอง ซึ่งเป็นส่วนหนึ่งของ... เรียนรู้เครื่อง โดยอาศัยโครงข่ายประสาทเทียมที่มีการเรียนรู้การแสดงผล เรียกว่าการเรียนรู้เชิงลึก (Deep Learning) เพราะใช้โครงข่ายประสาทเทียมเชิงลึก การเรียนรู้นี้สามารถเป็นได้ดังนี้ ภายใต้การดูแลควบคุมดูแลบางส่วน หรือ ไม่ได้รับการดูแล.
อัลกอริทึมการเรียนรู้เชิงลึกถูกสร้างขึ้นด้วยชั้นที่เชื่อมต่อกัน ดังแสดงในแผนภาพด้านล่าง
- ชั้นที่ 1 เรียกว่า Input Layer
- ชั้นสุดท้ายเรียกว่า Output Layer
- ชั้นทั้งหมดที่อยู่ระหว่างนั้นเรียกว่าชั้นซ่อนเร้น คำว่า "ลึก" หมายความว่าเครือข่ายเชื่อมต่อเซลล์ประสาทข้ามมากกว่าสองชั้น
แต่ละชั้นที่ซ่อนอยู่ประกอบด้วยเซลล์ประสาท เซลล์ประสาทเหล่านี้เชื่อมต่อกัน เซลล์ประสาทจะประมวลผลสัญญาณอินพุตที่ได้รับ แล้วส่งผลลัพธ์ไปยังชั้นด้านบน ความแรงของสัญญาณที่ส่งไปยังเซลล์ประสาทในชั้นถัดไปขึ้นอยู่กับน้ำหนัก ไบแอส และฟังก์ชันการกระตุ้น
เครือข่ายนี้รับข้อมูลเข้าจำนวนมากและประมวลผลผ่านหลายชั้น ทำให้เครือข่ายสามารถเรียนรู้คุณลักษณะที่ซับซ้อนขึ้นเรื่อยๆ ของข้อมูลในแต่ละชั้นได้
กระบวนการเรียนรู้เชิงลึก
โครงข่ายประสาทเทียมเชิงลึกให้ความแม่นยำระดับแนวหน้าในหลายๆ งาน ตั้งแต่การตรวจจับวัตถุไปจนถึงการจดจำเสียงพูด โครงข่ายเหล่านี้สามารถเรียนรู้ได้โดยอัตโนมัติ โดยไม่ต้องมีองค์ความรู้ที่กำหนดไว้ล่วงหน้าซึ่งเขียนโค้ดโดยโปรแกรมเมอร์ ในทางปฏิบัติ โครงการเรียนรู้เชิงลึกจะดำเนินไปตามห้าขั้นตอน:
- เข้าใจปัญหา
- ระบุข้อมูล
- เลือกอัลกอริธึมการเรียนรู้เชิงลึก
- ฝึกโมเดล
- ทดสอบโมเดล
เพื่อให้เข้าใจแนวคิดของการเรียนรู้เชิงลึก ลองนึกภาพครอบครัวที่มีลูกน้อยและพ่อแม่ ลูกน้อยชี้ไปที่สิ่งของด้วยนิ้วก้อยและพูดคำว่า "แมว" เสมอ เนื่องจากพ่อแม่เป็นห่วงการศึกษาของลูก พวกเขาจึงคอยบอกลูกว่า "ใช่ นั่นคือแมว" หรือ "ไม่ใช่ นั่นไม่ใช่แมว" ลูกน้อยยังคงชี้ไปที่สิ่งของต่อไป แต่ก็พูดได้แม่นยำขึ้นว่า "แมว" ลึกๆ แล้ว เด็กน้อยไม่รู้ว่าทำไมเขาถึงพูดได้ว่ามันเป็นแมวหรือไม่ เขาเพียงแค่เรียนรู้ที่จะจัดลำดับความสำคัญของลักษณะต่างๆ ที่ประกอบกันเป็นแมว โดยมองภาพรวมของสัตว์เลี้ยงก่อน แล้วจึงโฟกัสไปที่รายละเอียดต่างๆ เช่น หางหรือจมูก ก่อนที่จะตัดสินใจ
โครงข่ายประสาทเทียมทำงานในลักษณะเดียวกัน แต่ละชั้นแสดงถึงระดับความรู้ที่ลึกขึ้น นั่นคือลำดับชั้นของความรู้ โครงข่ายประสาทเทียมที่มีสี่ชั้นจะเรียนรู้คุณลักษณะที่ซับซ้อนกว่าโครงข่ายที่มีสองชั้น
การเรียนรู้เกิดขึ้นในสองขั้นตอน:
- ระยะแรก: โดยการนำการแปลงแบบไม่เชิงเส้นมาใช้กับข้อมูลนำเข้า และสร้างแบบจำลองทางสถิติเป็นผลลัพธ์
- ระยะที่สอง: การปรับปรุงแบบจำลองด้วยวิธีการทางคณิตศาสตร์โดยใช้ค่าอนุพันธ์ ซึ่งเป็นวิธีดังนี้ การขยายพันธุ์หลัง ปรับน้ำหนัก
โครงข่ายประสาทเทียมจะทำซ้ำสองขั้นตอนดังกล่าวหลายร้อยถึงหลายพันครั้ง จนกว่าจะได้ระดับความแม่นยำที่ยอมรับได้ การทำซ้ำแต่ละขั้นตอนเรียกว่า การวนซ้ำ (iteration)
เพื่อให้เห็นภาพตัวอย่างของการเรียนรู้เชิงลึก ลองดูภาพเคลื่อนไหวข้างล่างนี้ ซึ่งแบบจำลองกำลังพยายามเรียนรู้วิธีการเต้น หลังจากฝึกฝนไป 10 นาที แบบจำลองก็ยังเต้นไม่เป็น และผลลัพธ์ที่ได้ก็ดูเหมือนภาพวาดขีดเขียนมั่วๆ
หลังจากฝึกฝนเป็นเวลา 48 ชั่วโมง คอมพิวเตอร์ก็สามารถเชี่ยวชาญศิลปะการเต้นได้ ดังที่แสดงในภาพเคลื่อนไหวที่สอง
การจำแนกประเภทของโครงข่ายประสาทเทียม
ขั้นแรก เครือข่ายจะถูกจัดกลุ่มตามจำนวนเลเยอร์ที่ซ่อนอยู่
โครงข่ายประสาทเทียมแบบตื้น: โครงข่ายประสาทเทียมแบบตื้นมีชั้นซ่อนเพียงชั้นเดียวระหว่างอินพุตและเอาต์พุต
โครงข่ายประสาทเทียมเชิงลึก: โครงข่ายประสาทเทียมเชิงลึกมีชั้นซ่อนมากกว่าหนึ่งชั้น ตัวอย่างเช่น โมเดล GoogLeNet สำหรับการจดจำภาพมีถึง 22 ชั้น
ปัจจุบัน เทคโนโลยีการเรียนรู้เชิงลึกปรากฏอยู่ในรถยนต์ไร้คนขับ โทรศัพท์มือถือ และอื่นๆ อีกมากมาย Google เครื่องมือค้นหา, การตรวจจับการฉ้อโกง และโทรทัศน์
ประเภทของเครือข่ายการเรียนรู้เชิงลึก
สถาปัตยกรรมหลายแบบได้กลายเป็นมาตรฐาน โดยแต่ละแบบถูกกำหนดรูปแบบตามประเภทของข้อมูลที่จัดการ แผนภูมิข้างล่างนี้ ซึ่งเผยแพร่โดยสถาบัน Asimov แสดงให้เห็นถึงตระกูลสถาปัตยกรรมที่กว้างขึ้น
โครงข่ายประสาทเทียมแบบฟีดไปข้างหน้า
นี่คือโครงข่ายประสาทเทียมแบบง่ายที่สุด ด้วยสถาปัตยกรรมแบบนี้ ข้อมูลจะไหลไปในทิศทางเดียวเท่านั้น คือไปข้างหน้า นั่นหมายความว่า ข้อมูลเริ่มต้นที่ชั้นอินพุต ไปยังชั้น "ซ่อน" และสิ้นสุดที่ชั้นเอาต์พุต โครงข่ายนี้ไม่มีวงวน และข้อมูลจะหยุดอยู่ที่ชั้นเอาต์พุต
โครงข่ายประสาทที่เกิดซ้ำ (RNNs)
An ร.น. RNN (Relational Neural Network) คือโครงข่ายประสาทเทียมแบบหลายชั้นที่สามารถเก็บข้อมูลไว้ในโหนดบริบท ทำให้สามารถเรียนรู้ลำดับข้อมูลและส่งออกตัวเลขหรือลำดับอื่นได้ กล่าวโดยง่ายคือ เป็นโครงข่ายประสาทเทียมที่มีการเชื่อมต่อระหว่างเซลล์ประสาทเป็นวงวน RNN เหมาะอย่างยิ่งสำหรับการประมวลผลลำดับของข้อมูลนำเข้า เนื่องจากผลลัพธ์จะถูกป้อนกลับเข้าไปในโครงข่ายเป็นหน่วยความจำ
ตัวอย่างเช่น หากงานคือการทำนายคำถัดไปในประโยค “คุณต้องการ…ไหม?” เครือข่ายจะดำเนินการดังนี้:
- เซลล์ประสาท RNN จะได้รับสัญญาณที่ชี้ไปยังจุดเริ่มต้นของประโยค
- เครือข่ายประสาทรับคำว่า “Do” เป็นอินพุตและสร้างเวกเตอร์ของตัวเลข เวกเตอร์นี้จะถูกส่งกลับไปยังเซลล์ประสาทเพื่อสร้างหน่วยความจำให้กับเครือข่าย ขั้นตอนนี้ช่วยให้เครือข่ายจำได้ว่าได้รับคำว่า “Do” และได้รับในตำแหน่งแรก
- เครือข่ายประสาทเทียมทำงานในลักษณะเดียวกันกับคำถัดไป โดยรับคำว่า “you” แล้วจึงรับคำว่า “want” สถานะของเซลล์ประสาทจะได้รับการอัปเดตเมื่อได้รับแต่ละคำ
- ขั้นตอนสุดท้ายเกิดขึ้นหลังจากได้รับคำว่า “a” เครือข่ายประสาทเทียมจะให้ความน่าจะเป็นสำหรับแต่ละคำภาษาอังกฤษที่สามารถเติมเต็มประโยคได้ เครือข่ายประสาทเทียมแบบวนซ้ำ (RNN) ที่ได้รับการฝึกฝนมาอย่างดีมักจะให้ความน่าจะเป็นสูงแก่คำว่า “café,” “drink,” “burger” และคำอื่นๆ ที่คล้ายกัน
การใช้งานทั่วไปของ RNN
- ช่วยให้ผู้ค้าหลักทรัพย์สร้างรายงานการวิเคราะห์
- ตรวจจับความผิดปกติในงบการเงิน
- ตรวจจับธุรกรรมบัตรเครดิตที่ฉ้อโกง
- ระบุคำอธิบายภาพ
- พลัง chatbots
- การใช้งาน RNN โดยทั่วไปมักเกิดขึ้นเมื่อผู้ใช้งานทำงานกับข้อมูลอนุกรมเวลาหรือลำดับ เช่น บันทึกเสียงหรือข้อความ
Convolutional Neural Networks (CNN)
A ซีเอ็นเอ็น เป็นโครงข่ายประสาทเทียมแบบหลายชั้นที่มีสถาปัตยกรรมเฉพาะตัวซึ่งออกแบบมาเพื่อ...tracโครงข่ายประสาทเทียมแบบ Convolutional Neural Network (CNN) พิจารณาคุณลักษณะที่ซับซ้อนมากขึ้นของข้อมูลในแต่ละชั้นเพื่อกำหนดผลลัพธ์ CNN เหมาะอย่างยิ่งสำหรับงานด้านการรับรู้
โดยส่วนใหญ่แล้ว CNN จะถูกใช้เมื่อมีชุดข้อมูลที่ไม่เป็นระเบียบ เช่น รูปภาพ และผู้ใช้งานจำเป็นต้องวิเคราะห์ข้อมูลเหล่านั้นtracข้อมูลจากสิ่งนั้น
ตัวอย่างเช่น หากงานคือการคาดเดาคำบรรยายภาพ:
- โครงข่ายประสาทเทียมแบบ CNN รับภาพ เช่น ภาพแมว ในทางคอมพิวเตอร์ ภาพนี้คือชุดของพิกเซล โดยทั่วไปจะมีหนึ่งเลเยอร์สำหรับภาพขาวดำ และสามเลเยอร์สำหรับภาพสี
- ในขั้นตอนการเรียนรู้คุณลักษณะ ซึ่งก็คือชั้นที่ซ่อนอยู่ เครือข่ายจะระบุคุณลักษณะเฉพาะ เช่น หางของแมวหรือหู เป็นต้น
- เมื่อเครือข่ายเรียนรู้การจดจำภาพอย่างละเอียดแล้ว มันสามารถให้ความน่าจะเป็นสำหรับแต่ละคลาสของภาพที่มันรู้จักได้ โดยป้ายกำกับที่มีความน่าจะเป็นสูงสุดจะกลายเป็นผลการทำนายของเครือข่าย
การเรียนรู้เสริมแรง
เสริมการเรียนรู้ เป็นสาขาย่อยของแมชชีนเลิร์นนิงที่ระบบได้รับการฝึกฝนโดยการรับ "รางวัล" หรือ "การลงโทษ" เสมือนจริง ซึ่งโดยพื้นฐานแล้วเป็นการเรียนรู้โดยการลองผิดลองถูก มันเป็นกระบวนทัศน์การเรียนรู้มากกว่ารูปแบบเครือข่าย แต่ขั้นตอนวิธีสมัยใหม่ของมันสร้างขึ้นบนเครือข่ายเชิงลึก GoogleDeepMind ใช้การเรียนรู้แบบเสริมแรง (reinforcement learning) เพื่อเอาชนะแชมป์โกะระดับมนุษย์ การเรียนรู้แบบเสริมแรงยังถูกนำมาใช้ในวิดีโอเกมเพื่อปรับปรุงประสบการณ์การเล่นเกมโดยการสร้างบอทที่ฉลาดขึ้น
อัลกอริทึมที่มีชื่อเสียงที่สุดบางส่วน ได้แก่:
- Q-การเรียนรู้
- เครือข่ายดีพคิว
- รัฐ-การกระทำ-รางวัล-รัฐ-การกระทำ (SARSA)
- การไล่ระดับนโยบายกำหนดเชิงลึก (DDPG)
ตารางด้านล่างสรุปว่าสถาปัตยกรรมแต่ละแบบเหมาะสมกับสถานการณ์ใดบ้าง
| Archiเทคเจอร์ | ข้อมูลที่เหมาะสม | ลักษณะเด่น | งานทั่วไป |
|---|---|---|---|
| ฟีดไปข้างหน้า | อินพุตแบบตารางที่มีความยาวคงที่ | ไม่มีวงวน ข้อมูลเคลื่อนที่ไปข้างหน้าเท่านั้น | การให้คะแนนและการจัดประเภทอย่างง่าย |
| โครงข่ายประสาทเทียมแบบวนซ้ำ (RNN) | ลำดับและอนุกรมเวลา | โหนดบริบทจะให้หน่วยความจำแก่โหนดนั้น | การคาดเดาข้อความ, เสียง, การพยากรณ์ |
| โครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN) | ข้อมูลที่ไม่เป็นระเบียบแบบตาราง | การคอนโวลูชันและพูลลิ่ง เช่นtracคุณสมบัติ t | การจำแนกภาพและการใส่คำบรรยายภาพ |
| เสริมการเรียนรู้ | สภาพแวดล้อม ไม่ใช่ชุดข้อมูล | เรียนรู้จากรางวัลและการลงโทษ | ตัวแทนเกม, หุ่นยนต์, การควบคุม |
ตัวอย่างการประยุกต์ใช้การเรียนรู้เชิงลึก
สถาปัตยกรรมเหล่านี้ถูกนำไปใช้งานจริงแล้วในอุตสาหกรรมที่หลากหลาย:
AI ในด้านการเงิน
ภาคเทคโนโลยีทางการเงินได้เริ่มนำ AI มาใช้เพื่อประหยัดเวลา ลดต้นทุน และเพิ่มมูลค่าแล้ว การเรียนรู้เชิงลึกกำลังเปลี่ยนแปลงอุตสาหกรรมการให้สินเชื่อผ่านการประเมินเครดิตที่แม่นยำยิ่งขึ้น ผู้ตัดสินใจด้านสินเชื่อสามารถใช้ AI ในการพิจารณาอนุมัติสินเชื่อเพื่อประเมินความเสี่ยงได้รวดเร็วและแม่นยำยิ่งขึ้น โดยใช้ปัญญาประดิษฐ์ในการพิจารณาคุณลักษณะและความสามารถของผู้สมัคร
Underwrite คือบริษัทฟินเทคที่ให้บริการโซลูชัน AI สำหรับผู้ตัดสินใจด้านสินเชื่อ underwrite.ai ใช้ AI ในการตรวจจับว่าผู้สมัครรายใดมีแนวโน้มที่จะชำระคืนเงินกู้ได้มากกว่า ซึ่งบริษัทกล่าวว่าวิธีการนี้มีประสิทธิภาพเหนือกว่าการให้คะแนนแบบดั้งเดิม
AI ใน HR
บริษัท Under Armour ซึ่งเป็นบริษัทผลิตชุดกีฬา revolutUnder Armour ได้ปรับปรุงกระบวนการสรรหาบุคลากรและยกระดับประสบการณ์ของผู้สมัครงานด้วยความช่วยเหลือจาก AI ในปี 2012 Under Armour เผชิญกับความต้องการที่เพิ่มขึ้นอย่างมาก โดยได้รับใบสมัครเฉลี่ยมากกว่า 30,000 ใบต่อเดือน การอ่านใบสมัครทั้งหมด การคัดกรอง และการสัมภาษณ์ใช้เวลานานเกินไป กระบวนการที่ยาวนานในการจ้างงานและรับพนักงานใหม่ส่งผลกระทบต่อความสามารถของ Under Armour ในการจัดหาพนักงานให้ครบถ้วน เตรียมความพร้อม และดำเนินการในร้านค้าปลีกของตนให้พร้อม
ในเวลานั้น Under Armour มีเทคโนโลยีด้านทรัพยากรบุคคลที่จำเป็นครบครัน เช่น โซลูชันด้านธุรกรรมสำหรับการสรรหา การสมัครงาน เป็นต้น tracUnder Armour เคยใช้ระบบการคัดเลือกพนักงานและการเริ่มต้นงาน แต่เครื่องมือเหล่านั้นเพียงอย่างเดียวไม่เพียงพอ Under Armour จึงเลือกใช้ HireVue ผู้ให้บริการโซลูชันด้านทรัพยากรบุคคลด้วย AI สำหรับทั้งการสัมภาษณ์แบบตามความต้องการและการสัมภาษณ์สด ผลลัพธ์ที่ได้นั้นน่าทึ่งมาก บริษัทรายงานว่าสามารถลดระยะเวลาในการสรรหาพนักงานลงได้ 35% ในขณะเดียวกันก็ยกระดับคุณภาพของพนักงานที่จ้างเข้ามาด้วย
AI ในด้านการตลาด
ปัญญาประดิษฐ์ (AI) เป็นเครื่องมือที่มีคุณค่าสำหรับการจัดการบริการลูกค้าและการแก้ปัญหาเฉพาะบุคคล การปรับปรุงการจดจำเสียงพูดในศูนย์บริการลูกค้าและการกำหนดเส้นทางการโทร ซึ่งเป็นผลมาจากการประยุกต์ใช้เทคนิค AI ช่วยให้ลูกค้าได้รับประสบการณ์ที่ราบรื่นยิ่งขึ้น
ตัวอย่างเช่น การวิเคราะห์เสียงด้วยการเรียนรู้เชิงลึกช่วยให้ระบบสามารถประเมินน้ำเสียงทางอารมณ์ของลูกค้าได้ หากลูกค้าตอบสนองต่อแชทบอท AI ได้ไม่ดี ระบบสามารถเปลี่ยนเส้นทางการสนทนาไปยังพนักงานที่เป็นมนุษย์จริง ๆ เพื่อรับช่วงต่อในเรื่องนั้นได้
นอกเหนือจากตัวอย่างการเรียนรู้เชิงลึกทั้งสามข้างต้นแล้ว AI ยังถูกนำไปใช้อย่างกว้างขวางในภาคส่วนและอุตสาหกรรมอื่นๆ อีกด้วย
เหตุใดการเรียนรู้เชิงลึกจึงมีความสำคัญ
การเรียนรู้เชิงลึกเป็นเครื่องมือทรงพลังสำหรับการเปลี่ยนการคาดการณ์ให้เป็นผลลัพธ์ที่นำไปปฏิบัติได้จริง การเรียนรู้เชิงลึกมีความโดดเด่นในการค้นหารูปแบบและการคาดการณ์บนพื้นฐานของความรู้ ข้อมูลขนาดใหญ่ เป็นเชื้อเพลิงสำหรับการเรียนรู้เชิงลึก เมื่อทั้งสองอย่างรวมกัน องค์กรจะสามารถเก็บเกี่ยวผลลัพธ์ในด้านผลิตภาพ ยอดขาย การจัดการ และนวัตกรรมที่ไม่เคยเข้าถึงได้มาก่อน
การเรียนรู้เชิงลึกยังสามารถให้ผลลัพธ์ที่ดีกว่าวิธีการแบบดั้งเดิม โดยเฉพาะอย่างยิ่งในปัญหาเกี่ยวกับการรับรู้ เครือข่ายเชิงลึกได้แสดงให้เห็นถึงประสิทธิภาพสูงสุดมาหลายปีแล้ว การจำแนกภาพ การจดจำเสียง และการจดจำใบหน้า ล้วนถูกครอบงำโดยสถาปัตยกรรมเชิงลึก โดยเฉพาะอย่างยิ่งแบบจำลองการจดจำใบหน้าที่ทำความแม่นยำได้เกือบ 99% ในเกณฑ์มาตรฐานสาธารณะ ประโยชน์ที่ได้รับมาจากการที่เครือข่ายเรียนรู้คุณลักษณะของตัวเอง แทนที่จะพึ่งพาคุณลักษณะที่สร้างขึ้นด้วยมือ
ข้อจำกัดของการเรียนรู้เชิงลึก
ผลลัพธ์เหล่านั้นมาพร้อมกับต้นทุนที่แท้จริง
การติดฉลากข้อมูล
โมเดล AI ส่วนใหญ่ในปัจจุบันได้รับการฝึกฝนผ่านการเรียนรู้แบบมีผู้กำกับดูแล ซึ่งหมายความว่ามนุษย์ต้องติดป้ายกำกับและจัดหมวดหมู่ข้อมูลพื้นฐาน ซึ่งอาจเป็นงานที่ยุ่งยากและมีโอกาสเกิดข้อผิดพลาดสูง ตัวอย่างเช่น บริษัทต่างๆ พัฒนา...ping เทคโนโลยีรถยนต์ไร้คนขับจ้างคนหลายร้อยคนเพื่อติดป้ายกำกับข้อมูลด้วยตนเองจากวิดีโอหลายชั่วโมงของรถต้นแบบ เพื่อใช้ในการฝึกฝนระบบเหล่านี้
รับชุดข้อมูลการฝึกอบรมขนาดใหญ่
มีการแสดงให้เห็นแล้วว่าเทคนิคการเรียนรู้เชิงลึก เช่น CNN สามารถเลียนแบบความรู้ของผู้เชี่ยวชาญในด้านการแพทย์และสาขาอื่นๆ ได้ในบางกรณี อย่างไรก็ตาม คลื่นแห่งการเรียนรู้ของเครื่องจักรนี้ต้องการชุดข้อมูลฝึกฝนที่ไม่เพียงแต่มีการติดป้ายกำกับเท่านั้น แต่ยังต้องครอบคลุมและหลากหลายเพียงพอด้วย
วิธีการเรียนรู้เชิงลึกต้องการข้อมูลจำนวนหลายพันชุดเพื่อให้แบบจำลองมีความแม่นยำในการจำแนกประเภท และในบางกรณีอาจต้องใช้ข้อมูลหลายล้านชุดเพื่อให้ทำงานได้ในระดับเดียวกับมนุษย์ จึงไม่น่าแปลกใจที่การเรียนรู้เชิงลึกมักพบได้ในบริษัทเทคโนโลยีขนาดใหญ่ ซึ่งใช้ข้อมูลขนาดใหญ่ในการสะสมตัวอย่างจำนวนมหาศาล ขนาดที่ใหญ่เช่นนี้ทำให้พวกเขาสามารถสร้างแบบจำลองการเรียนรู้เชิงลึกที่น่าประทับใจและมีความแม่นยำสูงได้
อธิบายปัญหา
แบบจำลองขนาดใหญ่และซับซ้อนอาจอธิบายได้ยากในแง่ของมนุษย์ ตัวอย่างเช่น เหตุใดจึงมีการตัดสินใจเช่นนั้น นี่เป็นหนึ่งในเหตุผลที่การยอมรับแบบจำลองบางอย่างลดลง ปัญญาประดิษฐ์ เครื่องมือนี้ทำงานช้าในด้านการใช้งานที่การตีความข้อมูลมีประโยชน์หรือจำเป็นอย่างยิ่ง
นอกจากนี้ เมื่อการประยุกต์ใช้ AI ขยายตัว ข้อกำหนดด้านกฎระเบียบก็สามารถขับเคลื่อนความต้องการโมเดล AI ที่สามารถอธิบายได้มากขึ้น
