บทช่วยสอนการเรียนรู้ของเครื่องสำหรับผู้เริ่มต้น: พื้นฐานของ ML คืออะไร

Machine Learning คืออะไร?

เครื่องเรียนรู้ การเรียนรู้ของเครื่อง (Machine Learning) คือระบบของอัลกอริธึมคอมพิวเตอร์ที่สามารถเรียนรู้จากตัวอย่างผ่านการพัฒนาตนเอง โดยไม่ต้องมีการเขียนโค้ดโดยโปรแกรมเมอร์อย่างชัดเจน การเรียนรู้ของเครื่องเป็นส่วนหนึ่งของ... ปัญญาประดิษฐ์ ซึ่งเป็นการนำข้อมูลมาผสมผสานกับเครื่องมือทางสถิติเพื่อคาดการณ์ผลลัพธ์ที่สามารถนำไปใช้สร้างข้อมูลเชิงลึกที่นำไปสู่การปฏิบัติได้

ความก้าวหน้าครั้งสำคัญเกิดขึ้นจากแนวคิดที่ว่าเครื่องจักรสามารถเรียนรู้จากข้อมูล (เช่น ตัวอย่าง) ได้ด้วยตนเองเพื่อสร้างผลลัพธ์ที่แม่นยำ การเรียนรู้ของเครื่องจักรมีความเกี่ยวข้องอย่างใกล้ชิดกับ การทำเหมืองข้อมูล และการสร้างแบบจำลองการทำนายแบบเบย์เซียน เครื่องจักรจะรับข้อมูลเป็นอินพุตและใช้อัลกอริธึมในการสร้างคำตอบ

งานทั่วไปอย่างหนึ่งของการเรียนรู้ของเครื่องจักรคือการให้คำแนะนำ สำหรับผู้ที่มี Netflix บัญชีผู้ใช้จะอ้างอิงข้อมูลประวัติการใช้งานของผู้ใช้เป็นหลัก บริษัทเทคโนโลยีใช้ข้อมูลเหล่านี้ การเรียนรู้โดยไม่ได้รับการดูแล เพื่อปรับปรุงประสบการณ์การใช้งานของผู้ใช้โดยการปรับแต่งคำแนะนำให้เหมาะสมกับแต่ละบุคคล

การเรียนรู้ของเครื่องยังถูกนำไปใช้ในงานต่างๆ มากมาย เช่น การตรวจจับการฉ้อโกง การบำรุงรักษาเชิงคาดการณ์ การเพิ่มประสิทธิภาพพอร์ตโฟลิโอ และการทำงานอัตโนมัติ

การเรียนรู้ของเครื่องกับการเขียนโปรแกรมแบบดั้งเดิม

การเขียนโปรแกรมแบบดั้งเดิมแตกต่างอย่างมากจากการเรียนรู้ของเครื่อง ในการเขียนโปรแกรมแบบดั้งเดิม โปรแกรมเมอร์จะเขียนกฎทั้งหมดโดยปรึกษากับผู้เชี่ยวชาญในอุตสาหกรรมที่กำลังพัฒนาซอฟต์แวร์นั้น กฎแต่ละข้อจะอิงตามหลักตรรกะ เครื่องจะสร้างผลลัพธ์โดยปฏิบัติตามคำสั่งตรรกะ เมื่อระบบมีความซับซ้อนมากขึ้น จำเป็นต้องเขียนกฎเพิ่มเติม และอาจไม่ยั่งยืนในการบำรุงรักษา แผนภาพด้านล่างแสดงขั้นตอนการทำงาน โดยข้อมูลและกฎที่เขียนด้วยมือจะป้อนเข้าไป และคำตอบจะออกมา

การเรียนรู้ของเครื่องมีจุดมุ่งหมายเพื่อแก้ไขปัญหานี้ เครื่องจะเรียนรู้ว่าข้อมูลขาเข้าและข้อมูลขาออกมีความสัมพันธ์กันอย่างไร และมันจะเขียนกฎขึ้นมาเอง โปรแกรมเมอร์ไม่จำเป็นต้องเขียนกฎใหม่ทุกครั้งที่มีข้อมูลใหม่ อัลกอริทึมจะปรับตัวตามข้อมูลใหม่และประสบการณ์เพื่อเพิ่มประสิทธิภาพเมื่อเวลาผ่านไป แผนภาพที่สองเป็นการกลับด้านของแผนภาพแรก: ข้อมูลและคำตอบที่ทราบแล้วป้อนเข้าไป และกฎก็ออกมา

แมชชีนเลิร์นนิงทำงานอย่างไร

เมื่อได้พิจารณาความแตกต่างดังกล่าวแล้ว คำถามต่อไปคือ อะไรเกิดขึ้นจริง ๆ ภายในขั้นตอนการเรียนรู้

การเรียนรู้ของเครื่องจักรเปรียบเสมือนสมองที่กระบวนการเรียนรู้ทั้งหมดเกิดขึ้น วิธีการเรียนรู้ของเครื่องจักรคล้ายคลึงกับวิธีการเรียนรู้ของมนุษย์ มนุษย์เรียนรู้จากประสบการณ์ ยิ่งเรารู้มากเท่าไหร่ เราก็ยิ่งคาดการณ์ได้ง่ายขึ้นเท่านั้น เปรียบเทียบได้กับสถานการณ์ที่ไม่คุ้นเคย เมื่อเราเผชิญกับสถานการณ์ที่ไม่รู้จัก โอกาสที่จะประสบความสำเร็จจะต่ำกว่าในสถานการณ์ที่เรารู้จัก เครื่องจักรได้รับการฝึกฝนในลักษณะเดียวกัน เพื่อให้สามารถคาดการณ์ได้อย่างแม่นยำ เครื่องจักรจะเห็นตัวอย่าง เมื่อเราให้ตัวอย่างที่คล้ายกันแก่เครื่องจักร มันก็จะสามารถคาดเดาผลลัพธ์ได้ อย่างไรก็ตาม เช่นเดียวกับมนุษย์ หากมันได้รับตัวอย่างที่ไม่เคยเห็นมาก่อน เครื่องจักรก็จะคาดการณ์ได้ยาก

เป้าหมายหลักของการเรียนรู้ของเครื่องจักรคือการเรียนรู้และการอนุมาน ประการแรก เครื่องจักรเรียนรู้ผ่านการค้นพบรูปแบบ และการค้นพบนั้นเป็นไปได้ด้วยข้อมูล ส่วนสำคัญอย่างหนึ่งของงานนักวิทยาศาสตร์ข้อมูลคือการเลือกข้อมูลที่จะป้อนให้กับเครื่องจักรอย่างระมัดระวัง รายการของคุณลักษณะที่ใช้ในการแก้ปัญหาเรียกว่า (List of attributes used to solve a problem) คุณสมบัติเวกเตอร์คุณสามารถมองว่าเวกเตอร์คุณลักษณะเป็นส่วนย่อยของข้อมูลที่ใช้เพื่อแก้ปัญหาได้

เครื่องจักรใช้อัลกอริธึมเพื่อลดทอนความซับซ้อนของความเป็นจริงและแปลงการค้นพบนี้ให้เป็นแบบจำลอง ดังนั้นขั้นตอนการเรียนรู้จึงใช้เพื่ออธิบายข้อมูลและสรุปข้อมูลเหล่านั้นเป็นแบบจำลอง ดังแสดงในภาพด้านล่าง

ตัวอย่างเช่น เครื่องจักรพยายามทำความเข้าใจความสัมพันธ์ระหว่างค่าจ้างของแต่ละบุคคลกับโอกาสที่จะไปรับประทานอาหารที่ร้านอาหารหรู ปรากฏว่าเครื่องจักรพบความสัมพันธ์เชิงบวกระหว่างค่าจ้างกับการไปรับประทานอาหารที่ร้านอาหารระดับไฮเอนด์ นี่คือแบบจำลองดังกล่าว

การอนุมาน

เมื่อสร้างแบบจำลองเสร็จแล้ว ก็สามารถทดสอบประสิทธิภาพของแบบจำลองกับข้อมูลที่ไม่เคยเห็นมาก่อนได้ ข้อมูลใหม่จะถูกแปลงเป็นเวกเตอร์คุณลักษณะ ผ่านแบบจำลอง และให้ผลการทำนาย นี่คือส่วนที่มีค่าของแมชชีนเลิร์นนิง ไม่จำเป็นต้องอัปเดตกฎหรือฝึกแบบจำลองใหม่ คุณสามารถใช้แบบจำลองที่ฝึกฝนไว้ก่อนหน้านี้เพื่อทำการอนุมานกับข้อมูลใหม่ได้ ดังที่แสดงในแผนภาพด้านล่าง

วงจรการทำงานของโปรแกรมแมชชีนเลิร์นนิงนั้นตรงไปตรงมาและสามารถสรุปได้เป็นประเด็นดังต่อไปนี้:

1. กำหนดคำถาม
2. เก็บข้อมูล
3. เห็นภาพข้อมูล
4. อัลกอริทึมรถไฟ
5. ทดสอบอัลกอริธึม
6. รวบรวมคำติชม
7. ปรับแต่งอัลกอริทึม
8. ทำซ้ำขั้นตอนที่ 4 ถึง 7 จนกว่าจะได้ผลลัพธ์ที่น่าพอใจ
9. ใช้แบบจำลองในการทำนาย

เมื่ออัลกอริธึมสามารถสรุปผลได้ถูกต้องแล้ว อัลกอริธึมจะนำความรู้ดังกล่าวไปใช้กับชุดข้อมูลใหม่

เครื่องเรียนรู้ Algorithms และใช้ที่ไหน?

แผนภูมิด้านล่างนี้จัดกลุ่มอัลกอริธึมที่ใช้กันทั่วไปตามประเภทของงานที่อัลกอริธึมเหล่านั้นแก้ไข

การเรียนรู้ของเครื่องจักรสามารถแบ่งออกเป็นสองกลุ่มใหญ่ๆ ได้แก่: ภายใต้การดูแล และ ไม่ได้รับการดูแลนอกจากนี้ยังมีอีกสองกลุ่มการเรียนรู้ที่อยู่ระหว่างและเหนือกว่านั้น ได้แก่ การเรียนรู้แบบกึ่งควบคุม ซึ่งผสมผสานกลุ่มตัวอย่างขนาดเล็กที่มีป้ายกำกับเข้ากับกลุ่มตัวอย่างขนาดใหญ่ที่ไม่มีป้ายกำกับ และ การเรียนรู้การเสริมแรงโดยที่ตัวแทนเรียนรู้จากรางวัลแทนที่จะเรียนรู้จากคำตอบที่มีป้ายกำกับ

การเรียนรู้ภายใต้การดูแล

อัลกอริทึมใช้ข้อมูลฝึกฝนและข้อเสนอแนะจากมนุษย์เพื่อเรียนรู้ความสัมพันธ์ระหว่างข้อมูลนำเข้าและผลลัพธ์ที่กำหนด ตัวอย่างเช่น ผู้ปฏิบัติงานสามารถใช้ค่าใช้จ่ายทางการตลาดและการพยากรณ์อากาศเป็นข้อมูลนำเข้าเพื่อทำนายยอดขายกระป๋องได้

คุณสามารถใช้ได้ การเรียนรู้ภายใต้การดูแล เมื่อทราบข้อมูลผลลัพธ์แล้ว อัลกอริทึมจะทำการทำนายโดยใช้ข้อมูลใหม่

การเรียนรู้แบบมีผู้กำกับดูแลแบ่งออกเป็นสองประเภท:

• งานจำแนกประเภท
• งานการถดถอย

การจัดหมวดหมู่

ลองนึกภาพว่าคุณต้องการทำนายเพศของลูกค้าเพื่อใช้ในโฆษณา คุณจะเริ่มต้นด้วยการรวบรวมข้อมูลเกี่ยวกับส่วนสูง น้ำหนัก อาชีพ เงินเดือน สินค้าที่ซื้อ และอื่นๆ จากฐานข้อมูลลูกค้าของคุณ คุณทราบเพศของลูกค้าแต่ละรายแล้ว ซึ่งอาจเป็นชายหรือหญิงเท่านั้น เป้าหมายของตัวจำแนกคือการกำหนดความน่าจะเป็นของการเป็นชายหรือหญิง (เช่น ป้ายกำกับ) โดยอิงจากข้อมูลที่คุณรวบรวมไว้ (เช่น คุณลักษณะ) เมื่อแบบจำลองเรียนรู้ที่จะจดจำชายหรือหญิงแล้ว คุณสามารถใช้ข้อมูลใหม่เพื่อทำการทำนายได้ ตัวอย่างเช่น คุณเพิ่งได้รับข้อมูลใหม่จากลูกค้าที่ไม่รู้จัก และคุณต้องการทราบว่าลูกค้าเป็นชายหรือหญิง หากตัวจำแนกทำนายว่าชาย = 70% หมายความว่าอัลกอริทึมมั่นใจ 70% ว่าลูกค้ารายนี้เป็นชาย และมั่นใจ 30% ว่าเป็นหญิง

ป้ายกำกับสามารถมีคลาสได้สองคลาสขึ้นไป ตัวอย่างการเรียนรู้ของเครื่องข้างต้นมีเพียงสองคลาส แต่หากตัวจำแนกประเภทจำเป็นต้องทำนายวัตถุ อาจมีคลาสได้หลายสิบคลาส (เช่น แก้ว โต๊ะ รองเท้า — วัตถุแต่ละชิ้นแสดงถึงหนึ่งคลาส)

การถอยหลัง

เมื่อผลลัพธ์เป็นค่าต่อเนื่อง งานนั้นจะเป็นการวิเคราะห์การถดถอย ตัวอย่างเช่น นักวิเคราะห์ทางการเงินอาจต้องการคาดการณ์มูลค่าของหุ้นโดยพิจารณาจากคุณลักษณะต่างๆ เช่น ส่วนของผู้ถือหุ้น ผลการดำเนินงานของหุ้นในอดีต และดัชนีเศรษฐกิจมหภาค ระบบจะได้รับการฝึกฝนให้ประมาณราคาหุ้นโดยมีข้อผิดพลาดน้อยที่สุดเท่าที่จะเป็นไปได้

ตารางด้านล่างนี้แสดงรายการอัลกอริธึมแบบมีผู้กำกับดูแลที่คุณจะพบเจอบ่อยที่สุด และงานที่แต่ละอัลกอริธึมเหมาะสมที่จะใช้

ขั้นตอนวิธี	Descriptไอออน	ประเภท
การถดถอยเชิงเส้น	ค้นหาวิธีเชื่อมโยงแต่ละคุณลักษณะกับเอาต์พุตเพื่อช่วยทำนายค่าในอนาคต	การถอยหลัง
การถดถอยโลจิสติก	เป็นการขยายผลของการถดถอยเชิงเส้นที่ใช้สำหรับงานจำแนกประเภท ตัวแปรผลลัพธ์เป็นแบบไบนารี (เช่น ดำหรือขาวเท่านั้น) แทนที่จะเป็นแบบต่อเนื่อง (เช่น รายการสีที่เป็นไปได้ไม่จำกัด)	การจัดหมวดหมู่
ต้นไม้ตัดสินใจ	การจำแนกประเภทหรือแบบจำลองการถดถอยที่สามารถตีความได้สูง ซึ่งแยกค่าคุณลักษณะของข้อมูลออกเป็นสาขาที่โหนดการตัดสินใจ (เช่น หากคุณลักษณะเป็นสี แต่ละสีที่เป็นไปได้จะกลายเป็นสาขาใหม่) จนกระทั่งมีการตัดสินใจขั้นสุดท้าย	การถอยหลัง การจัดหมวดหมู่
ไร้เดียงสา Bayes	วิธีเบย์เซียนเป็นวิธีการจำแนกประเภทที่ใช้ทฤษฎีบทเบย์เซียน ทฤษฎีบทจะปรับปรุงความรู้เดิมเกี่ยวกับเหตุการณ์ด้วยความน่าจะเป็นอิสระของแต่ละคุณลักษณะที่อาจส่งผลต่อเหตุการณ์	การถอยหลัง การจัดหมวดหมู่
สนับสนุนเครื่องเวกเตอร์	เครื่องมือ Support Vector Machine หรือ SVM มักใช้สำหรับงานจำแนกประเภท อัลกอริทึม SVM จะค้นหาไฮเปอร์เพลนที่แบ่งคลาสได้อย่างเหมาะสมที่สุด โดยจะทำงานได้ดีที่สุดเมื่อใช้ร่วมกับตัวแก้ปัญหาแบบไม่เชิงเส้น	การถดถอย (ไม่ธรรมดามาก) การจัดหมวดหมู่
ป่าสุ่ม	อัลกอริทึมนี้สร้างขึ้นบนพื้นฐานของต้นไม้ตัดสินใจเพื่อปรับปรุงความแม่นยำอย่างมาก Random Forest สร้างต้นไม้ตัดสินใจแบบง่ายๆ จำนวนมาก และใช้วิธี "การลงคะแนนเสียงส่วนใหญ่" เพื่อตัดสินใจว่าจะส่งคืนป้ายกำกับใด สำหรับงานการจำแนกประเภท การทำนายขั้นสุดท้ายจะเป็นการทำนายที่มีคะแนนเสียงมากที่สุด สำหรับงานการถดถอย การทำนายเฉลี่ยของต้นไม้ทั้งหมดจะเป็นการทำนายขั้นสุดท้าย	การถอยหลัง การจัดหมวดหมู่
เอด้าบูสต์	เทคนิคการจำแนกประเภทหรือการถดถอยที่ใช้แบบจำลองมากมายในการตัดสินใจ แต่ชั่งน้ำหนักตามความแม่นยำในการทำนายผลลัพธ์	การถอยหลัง การจัดหมวดหมู่
ต้นไม้ที่ส่งเสริมการไล่ระดับสี	Gradient-boosting trees เป็นเทคนิคการจำแนก/การถดถอยที่ทันสมัยที่สุด โดยมุ่งเน้นไปที่ข้อผิดพลาดที่เกิดขึ้นจากต้นไม้ก่อนหน้าและพยายามแก้ไขข้อผิดพลาดเหล่านั้น	การถอยหลัง การจัดหมวดหมู่

การเรียนรู้ที่ไม่มีผู้ดูแล

ในการเรียนรู้แบบไม่มีผู้กำกับดูแล อัลกอริทึมจะสำรวจข้อมูลอินพุตโดยไม่ได้รับตัวแปรเอาต์พุตที่ชัดเจน (เช่น สำรวจข้อมูลประชากรของลูกค้าเพื่อระบุรูปแบบ)

คุณสามารถใช้มันได้เมื่อคุณไม่ทราบวิธีการจัดประเภทข้อมูล และต้องการให้อัลกอริทึมค้นหารูปแบบและจัดกลุ่มข้อมูลให้คุณ อัลกอริทึมแบบไม่ใช้การกำกับดูแลหลัก ๆ สรุปได้ดังต่อไปนี้

ชื่ออัลกอริทึม	Descriptไอออน	ประเภท
K-หมายถึงการจัดกลุ่ม	ใส่ข้อมูลลงในบางกลุ่ม (k) ซึ่งแต่ละกลุ่มมีข้อมูลที่มีลักษณะคล้ายคลึงกัน (ตามที่กำหนดโดยแบบจำลอง ไม่ใช่ล่วงหน้าโดยมนุษย์)	Clusterไอเอ็นจี
แบบผสมแบบเกาส์เซียน	การสรุปภาพรวมของการจัดกลุ่มแบบ k-means ที่ให้ความยืดหยุ่นมากขึ้นในขนาดและรูปร่างของกลุ่ม (คลัสเตอร์)	Clusterไอเอ็นจี
การจัดกลุ่มตามลำดับชั้น	แบ่งกลุ่มข้อมูลตามลำดับชั้นเพื่อสร้างระบบการจำแนกประเภท สามารถใช้เพื่อจัดกลุ่มลูกค้าบัตรสะสมแต้มได้	Clusterไอเอ็นจี
ระบบผู้แนะนำ	ช่วยกำหนดข้อมูลที่เกี่ยวข้องสำหรับการให้คำแนะนำ	Clusterไอเอ็นจี
PCA/t-SNE	ส่วนใหญ่ใช้เพื่อลดมิติของข้อมูล อัลกอริธึมจะลดจำนวนฟีเจอร์ให้เหลือ 3 หรือ 4 เวกเตอร์ที่มีความแปรปรวนสูงสุด	ลดขนาด

วิธีเลือกอัลกอริธึมการเรียนรู้ของเครื่อง

มีอัลกอริธึมการเรียนรู้ของเครื่องมากมาย และการเลือกใช้อัลกอริธึมนั้นขึ้นอยู่กับวัตถุประสงค์มากกว่ากระแสความนิยม

ในตัวอย่างการเรียนรู้ของเครื่องด้านล่าง งานคือการทำนายชนิดของดอกไม้จากสามสายพันธุ์ การทำนายจะขึ้นอยู่กับความยาวและความกว้างของกลีบดอก ภาพแสดงผลลัพธ์ของอัลกอริทึมที่แตกต่างกันสิบแบบ ภาพด้านบนซ้ายคือชุดข้อมูลเอง โดยข้อมูลถูกจำแนกออกเป็นสามประเภท ได้แก่ สีแดง สีฟ้าอ่อน และสีฟ้าเข้ม บางกลุ่มpingสามารถมองเห็นความแตกต่างได้ ตัวอย่างเช่น ในภาพที่สอง ทุกอย่างในมุมบนซ้ายเป็นของหมวดสีแดง ส่วนตรงกลางมีส่วนผสมของความไม่แน่นอนและสีฟ้าอ่อน ในขณะที่ส่วนล่างตรงกับหมวดสีเข้ม ภาพอื่นๆ แสดงให้เห็นว่าอัลกอริทึมต่างๆ พยายามจำแนกข้อมูลเดียวกันอย่างไร

เมื่อเลือกผู้สมัครได้แล้ว คุณภาพของผู้สมัครจะถูกประเมินจากข้อมูลที่ผู้สมัครไม่เคยเห็นมาก่อน โดยปกติแล้วจะใช้เกณฑ์ดังต่อไปนี้ เมทริกซ์ความสับสน และค่าความถูกต้อง ความเที่ยงตรง และอัตราการเรียกคืนข้อมูลที่ได้จากข้อมูลนั้น

ความท้าทายและข้อจำกัดของการเรียนรู้ของเครื่อง

ความท้าทายหลักของการเรียนรู้ของเครื่องจักรคือการขาดแคลนข้อมูล หรือการขาดความหลากหลายภายในชุดข้อมูล เครื่องจักรไม่สามารถเรียนรู้ได้หากไม่มีข้อมูล ชุดข้อมูลที่ขาดความหลากหลายยังทำให้เครื่องจักรทำงานได้ยาก เพราะเครื่องจักรต้องการความแตกต่างหลากหลายเพื่อเรียนรู้ข้อมูลเชิงลึกที่มีความหมาย เป็นเรื่องยากที่อัลกอริทึมจะสามารถ...tracข้อมูลจะมีประโยชน์เมื่อไม่มีหรือมีความแปรผันน้อย โดยทั่วไปแล้วควรมีข้อมูลอย่างน้อย 20 ตัวอย่างต่อกลุ่มเพื่อช่วยให้เครื่องจักรเรียนรู้ได้ดีขึ้น หากน้อยกว่านั้น การประเมินและการทำนายก็จะได้รับผลกระทบ

ปริมาณข้อมูลไม่ใช่ข้อจำกัดเพียงอย่างเดียว โมเดลที่ฝึกฝนจากข้อมูลในอดีตที่มีอคติจะสร้างอคตินั้นซ้ำ โมเดลที่ซับซ้อนนั้นยากที่จะอธิบายให้หน่วยงานกำกับดูแลหรือลูกค้าเข้าใจ และโมเดลใดๆ ก็ตามจะเสื่อมคุณภาพลงเมื่อโลกที่ใช้ฝึกฝนเปลี่ยนแปลงไป

การประยุกต์ใช้การเรียนรู้ของเครื่อง

เทคนิคข้างต้นถูกนำไปใช้ในการผลิตจริงในอุตสาหกรรมส่วนใหญ่แล้ว ตัวอย่างด้านล่างจะแสดงให้เห็นตั้งแต่การให้ความช่วยเหลือทั่วไปไปจนถึงภาคส่วนเฉพาะต่างๆ

เสริม: การเรียนรู้ของเครื่องช่วยมนุษย์ในการทำภารกิจประจำวัน ไม่ว่าจะเป็นส่วนตัวหรือเชิงพาณิชย์ โดยไม่ต้องควบคุมผลลัพธ์อย่างสมบูรณ์ การเรียนรู้ของเครื่องดังกล่าวถูกนำไปใช้ในหลากหลายวิธี เช่น ผู้ช่วยเสมือน การวิเคราะห์ข้อมูล และซอฟต์แวร์ โดยมีเป้าหมายหลักคือการลดข้อผิดพลาดที่เกิดจากอคติของมนุษย์

อัตโนมัติ: การเรียนรู้ของเครื่องจักรทำงานได้อย่างอิสระโดยสมบูรณ์ในทุกสาขาโดยไม่จำเป็นต้องมีการแทรกแซงจากมนุษย์ ตัวอย่างเช่น หุ่นยนต์ดำเนินการขั้นตอนสำคัญในโรงงานผลิต

อุตสาหกรรมการเงิน: การเรียนรู้ของเครื่อง (Machine Learning หรือ ML) กำลังได้รับความนิยมเพิ่มขึ้นในอุตสาหกรรมการเงิน ธนาคารส่วนใหญ่ใช้ ML เพื่อค้นหารูปแบบภายในข้อมูล รวมถึงเพื่อป้องกันการฉ้อโกงด้วย

หน่วยงานของรัฐ: รัฐบาลต่างๆ ใช้แมชชีนเลิร์นนิง (ML) ในการจัดการความปลอดภัยสาธารณะและสาธารณูปโภค ตัวอย่างเช่น ประเทศจีนและโครงการจดจำใบหน้าขนาดใหญ่ของจีน การประยุกต์ใช้ปัญญาประดิษฐ์ ใช้เพื่อระบุผู้ที่เดินข้ามถนนอย่างไม่ระมัดระวัง

อุตสาหกรรมการดูแลสุขภาพ: อุตสาหกรรมการดูแลสุขภาพเป็นหนึ่งในอุตสาหกรรมแรกๆ ที่นำการเรียนรู้ของเครื่องจักรมาใช้ โดยเริ่มต้นจากการตรวจจับภาพ

ตลาด: การนำ AI มาใช้ในด้านการตลาดอย่างแพร่หลายเกิดขึ้นได้เนื่องจากข้อมูลจำนวนมหาศาล ก่อนยุคข้อมูลมากมาย นักวิจัยได้พัฒนาเครื่องมือทางคณิตศาสตร์ขั้นสูง เช่น การวิเคราะห์แบบเบย์เซียน เพื่อประเมินมูลค่าของลูกค้า เมื่อข้อมูลเพิ่มขึ้นอย่างรวดเร็ว แผนกการตลาดจึงพึ่งพา AI เพื่อเพิ่มประสิทธิภาพความสัมพันธ์กับลูกค้าและแคมเปญการตลาด

ตัวอย่างการประยุกต์ใช้การเรียนรู้ของเครื่องจักรในห่วงโซ่อุปทาน

การเรียนรู้ของเครื่องจักรให้ผลลัพธ์ที่ยอดเยี่ยมสำหรับการจดจำรูปแบบภาพ ซึ่งเปิดโอกาสในการประยุกต์ใช้งานมากมายในการตรวจสอบทางกายภาพและการบำรุงรักษาตลอดทั้งเครือข่ายห่วงโซ่อุปทาน

การเรียนรู้แบบไม่มีผู้กำกับดูแลสามารถค้นหารูปแบบที่เทียบเคียงกันได้ในชุดข้อมูลที่หลากหลายได้อย่างรวดเร็ว ในทางกลับกัน เครื่องจักรสามารถทำการตรวจสอบคุณภาพตลอดทั้งศูนย์กลางโลจิสติกส์และแจ้งเตือนสินค้าที่เสียหายหรือชำรุดได้

ยกตัวอย่างเช่น IBMแพลตฟอร์ม Watson ของสามารถระบุเรือได้ping ความเสียหายของตู้คอนเทนเนอร์ Watson ผสานรวมข้อมูลภาพและข้อมูลจากระบบเพื่อ track, รายงานและให้คำแนะนำแบบเรียลไทม์

ในอดีต ผู้จัดการคลังสินค้าพึ่งพาการประเมินและคาดการณ์สินค้าคงคลังด้วยวิธีแบบดั้งเดิมเป็นอย่างมาก แต่เมื่อนำข้อมูลขนาดใหญ่และการเรียนรู้ของเครื่องจักรมาผสานรวมกัน จะทำให้สามารถคาดการณ์ได้อย่างแม่นยำยิ่งขึ้น โดยมีรายงานว่าประสิทธิภาพดีขึ้นถึง 20-30 เปอร์เซ็นต์เมื่อเทียบกับเครื่องมือคาดการณ์แบบดั้งเดิม ในแง่ของยอดขาย นั่นหมายถึงการเพิ่มขึ้น 2-3 เปอร์เซ็นต์ เนื่องจากการลดต้นทุนสินค้าคงคลังที่อาจเกิดขึ้นได้

ตัวอย่างของการเรียนรู้ของเครื่องจักรใน... Google รถ

ทุกคนรู้ดีว่า Google รถคันนี้มีเลเซอร์ติดตั้งอยู่บนหลังคา ซึ่งใช้บอกตำแหน่งของรถเมื่อเทียบกับพื้นที่โดยรอบ ด้านหน้ามีเรดาร์ที่คอยแจ้งความเร็วและการเคลื่อนที่ของรถคันอื่นๆ รอบข้าง ระบบใช้ข้อมูลทั้งหมดนี้ในการคำนวณไม่เพียงแต่การขับขี่รถเท่านั้น แต่ยังสามารถคาดการณ์การกระทำของผู้ขับขี่รอบข้างได้อีกด้วย สิ่งที่น่าประทับใจคือ รถคันนี้ประมวลผลข้อมูลได้เกือบหนึ่งกิกะไบต์ต่อวินาที

เหตุใดการเรียนรู้ของเครื่องจึงมีความสำคัญ

การเรียนรู้ของเครื่องเป็นเครื่องมือที่ดีที่สุดในปัจจุบันสำหรับการวิเคราะห์ ทำความเข้าใจ และระบุรูปแบบในข้อมูล แนวคิดหลักอย่างหนึ่งเบื้องหลังการเรียนรู้ของเครื่องคือ การฝึกฝนคอมพิวเตอร์ให้ทำงานอัตโนมัติในงานที่เหนื่อยล้าหรือเป็นไปไม่ได้สำหรับมนุษย์ การเปลี่ยนแปลงที่ชัดเจนจากการวิเคราะห์แบบดั้งเดิมคือ การเรียนรู้ของเครื่องสามารถตัดสินใจได้โดยมีการแทรกแซงจากมนุษย์น้อยที่สุด

ลองพิจารณาตัวอย่างต่อไปนี้: ตัวแทนขายบ้านสามารถประเมินราคาบ้านได้จากประสบการณ์ส่วนตัวและความรู้เกี่ยวกับตลาด

เครื่องจักรสามารถฝึกฝนให้แปลงความรู้ของผู้เชี่ยวชาญนั้นไปเป็นคุณลักษณะได้ คุณลักษณะเหล่านั้นคือลักษณะเฉพาะของบ้าน สภาพแวดล้อมโดยรอบ สภาพเศรษฐกิจ และอื่นๆ ที่ทำให้ราคาแตกต่างกัน สำหรับผู้เชี่ยวชาญนั้น อาจต้องใช้เวลาหลายปีในการฝึกฝนจนเชี่ยวชาญในการประเมินราคาบ้าน และความเชี่ยวชาญก็จะเพิ่มขึ้นหลังจากการขายแต่ละครั้ง

สำหรับเครื่องจักรแล้ว ต้องใช้ข้อมูลจำนวนมหาศาล (เช่น ตัวอย่าง) นับล้านๆ จุดจึงจะเชี่ยวชาญในด้านนี้ได้ ในช่วงเริ่มต้นของการเรียนรู้ เครื่องจักรจะทำผิดพลาดบ้าง เหมือนกับพนักงานขายมือใหม่ เมื่อเครื่องจักรได้เห็นตัวอย่างมากพอแล้ว มันก็จะมีองค์ความรู้เพียงพอที่จะทำการประเมิน และทำได้อย่างแม่นยำสูง เครื่องจักรยังสามารถแก้ไขข้อผิดพลาดได้เมื่อมีลูกค้าใหม่เข้ามา

บริษัทขนาดใหญ่ส่วนใหญ่เข้าใจถึงคุณค่าของการเรียนรู้ของเครื่องจักรและการเก็บรักษาข้อมูล สถาบัน McKinsey Global Institute ประเมินมูลค่าประจำปีของเทคนิคการวิเคราะห์ทั้งหมดไว้ที่ 9.5 ล้านล้านดอลลาร์ถึง 15.4 ล้านล้านดอลลาร์ และระบุว่าประมาณ 40 เปอร์เซ็นต์ของมูลค่าดังกล่าว หรือประมาณ 3.5 ล้านล้านดอลลาร์ถึง 5.8 ล้านล้านดอลลาร์ต่อปี มาจากเทคนิค AI ขั้นสูงที่ใช้โครงข่ายประสาทเทียมเชิงลึก ดังที่ระบุไว้ในรายงานของสถาบัน บันทึกจากแนวหน้าของปัญญาประดิษฐ์ การวิจัย.

ในกรณีที่ทราบกฎเกณฑ์แต่ไม่แม่นยำมากกว่าที่จะไม่มีกฎเกณฑ์เลย แนวทางที่อิงตามกฎเกณฑ์ เช่น ตรรกะคลุมเครือ อาจเหมาะสมกว่าแบบจำลองที่เรียนรู้มา ดังนั้นจึงมักมีการเปรียบเทียบเทคนิคทั้งสองก่อนเริ่มโครงการ

คำถามที่พบบ่อย