Deep Learning คืออะไร ?
ในบทความที่เเล้วได้กล่าวถึง concept ของ Artificial Intelligence เเละ Machine Learning กันไปแล้วซึ่งทั้งสองอย่างนั้นมีส่วนช่วยให้เทคโนโลยี เเละคอมพิวเตอร์พัฒนาไปอย่างมาก ทว่ายังมีสิ่งที่อยู่เบื้องหลังเรื่องเหล่านั้นอีก ซึ่งสิ่งนั้นคือ Deep Learning หากบอกว่า ML เปรียบเสมือน subset ของ AI เเล้ว การเรียนรู้เเบบนี้เองก็เป็นเสมือนวิธีการหนึ่งของเรื่องเหล่านี้เช่นกัน เพียงเเต่เป็นวิธีคิดของคอมพิวเตอร์ที่มีประสิทธิภาพสูงยิ่งกว่า Machine Learning โดยการทำงานจะทำร่วมกันเพื่อเพิ่มประสิทธิภาพในการ predicted รวมไปถึงความถูกต้อง ข้อดีของวิธีการเรียนรู้เชิงลึกนี้คือยิ่งมีข้อมูลเข้ามา train มากเท่าไหร่ประสิทธิภาพในการคิดของคอมพิวเตอร์ก็ยิ่งสูงขึ้นเท่านั้น ต่างกับ ML ที่เมื่อมีข้อมูลจำนวนมากประสิทธิภาพการทำงานจะไม่สามารถจะไม่สูงขึ้นอีกจนกว่าจะได้รับการ train เพิ่มเติม โดยกระบวนการทำนายด้วย DL เรียกว่า feature extraction
How Does It work?
ในการทำงานของการเรียนรู้เชิงลึกนี้จะเหมาะกับการทำสิ่งที่ซับซ้อนมาก ๆ มีข้อมูลจำนวนมากที่ต้องคิดอย่างการทำ object recognition, ระบบจดจำใบหน้า ไปจนถึง ANN หรือ Artificial Neural Networks อันเป็นระบบประสาทจำลองที่คอมพิวเตอร์เลียนเเบบมนุษย์เรียกสั้น ๆ ว่า Neural Networks ซึ่งสิ่งนี้เองที่เป็นลักษณะการทำงานของ Deep Learning โดยระบบโครงข่ายประสาทนี้จะถูกเเบ่งออกเป็น 3 layers ได้เเก่ input layer, Hidden layer, Output layer การทำงานจะเป็นรับข้อมูล ประมวลผล เเละได้ผลลัพธ์ตามลำดับ ในเเต่ละ layer จะมีสิ่งที่เรียกว่า Node ใน Hidden layer จะเป็นชั้นที่สำคัญที่สุดเนื่องจากมีการประมวลผลจากการใช้ค่า weight เเละ activation functions (จะยังไม่อธิบายในบทความนี้เพราะเนื้อหามีรายละเอียดเยอะมาก) วิธีคิดของ Machine จะเเตกต่างไปจากคอมพิวเตอร์ทั่ว ๆ ไปตรงที่มันเป็นการหาวิธีการเเก้ปัญหาด้วยการให้ข้อมูลเเละสอนว่าผลลัพธ์นั้นจะเป็นอย่างไร เเต่คอมพิวเตอร์ทั่ว ๆ ไปจะเป็นการให้ข้อมูลตามด้วยวิธีการที่มนุษย์ต้องคิดขึ้นมาทุกครั้งเพื่อให้ได้ผลลัพธ์นั่นเอง
Example of Deep Learning
- การสร้าง tags หรือ labels อัตโนมัติบนภาพที่เรา upload ลงบน Facebook วิธีการคือใช้ข้อมูลที่ได้รับ input เข้ามา(รูปภาพ) เเละทำการเเยกส่วนประกอบของภาพนั้นว่ามีองค์ประกอบอย่างไรสิ่งนั้นในภาพคืออะไร จากนั้นจึงอนุมานเเละสร้างเเบบจำลองขึ้นมาหากผลลัพธ์ที่ได้นั้นมีค่าใกล้เคียงกับ feature ที่ได้สอนให้กับระบบไป มันก็จะเเสดงผลออกมาเป็น tag ให้ผู้ใช้งานเฟสบุ๊คเเบบ อัตโนมัติ (อาจเรียกว่าเป็นการทำ Convolutional Neural Network)
- โปรเเกรมแปลภาษาอัตโนมัติอย่าง Google Translate จะเห็นได้ว่าในช่วงหลังมานี้คุณภาพในการเเปลดีขึ้นมาก ซึ่งตรงนี้เป็นผลมาจากการใช้ Deep Learning เช่นกัน การเเปลคำต่อคำนั้นทำได้ง่ายเเต่หากจะเเปลให้ได้หลายภาษาหรือแปลทั้งประโยคนั้นจำเป็นต้องดูบริบทว่าควรจะเเปลเป็นอย่างไร ฉะนั้นเเล้ววิธีคิดจึงเป็นลำดับขั้น (Sequential Information) โดยอิงจากคำก่อนหน้า จากภาษาถิ่นของเเต่ละประเทศเพื่อให้ได้ความหมายที่ดีที่สุด รวม ๆ เเล้วเป็นการงานหลายครั้งเพื่อให้ได้ผลลัพธ์ด้วยสิ่งที่เรียกว่า Recurrent Neural Network
Conclusion
สรุปได้ว่า เป็นวิธีการคิดของคอมพิวเตอร์ที่ซับซ้อน ยิ่งมีข้อมูลมากความเเม่นยำเเละประสิทธิภาพก็จะเพิ่มขึ้น โดยการทำงานจะเป็นเเบบ Neural Networks อันมี 3 layers ที่ทำหน้าที่รับ ประมวลผล เเละส่งข้อมูล ซึ่งการนำมาใช้งานนั้นเหมาะกับงานที่มีความซับซ้อนมีข้อมูลเข้าเป็นจำนวนมากอย่างเช่น การวิเคราะห์รูปภาพ, การเเปลภาษาอัติโนมัติ, sub title บนวิดีโอเเบบ auto ไปจนถึงการศึกษาพฤติกรรมผู้ใช้งานอีกมามาย เป็นต้น
ศึกษาเพิ่มเติมได้ที่ SBC-BLOG และ Facebook page Subbrain
