Machine Learning - นิยามและตัวอย่างการใช้งาน

Machine Learning – นิยามและตัวอย่างการใช้งาน

Machine Learning, deep learning และ algorithms คุณไม่สามารถหลีกเลี่ยงคำศัพท์เหล่านี้ได้อีกต่อไปเมื่อพูดถึงอุตสาหกรรม 4.0 มาค้นหาสิ่งที่ Machine Learning เป็นจริงๆ และเราจะใช้มันอย่างไรในทางปฏิบัติ

Machine Learning – นิยามความหมาย

การเรียนรู้ของเครื่องจักร คำแปลตรงตัวของคำว่า Machine Learning เป็นสาขาย่อยของแอเรียความรู้อันกว้างใหญ่ไพศาลของสิ่งที่เรียกว่า ปัญญาประดิษฐ์ หรือ artificial intelligence หรือ AI

คำๆ นี้หมายถึงความสามารถของระบบไอทีในการหาหนทางแก้ปัญหาด้วยตนเอง โดยการจดจำรูปแบบในฐานข้อมูล กล่าวอีกนัยหนึ่ง Machine Learning ช่วยให้ระบบไอทีรู้จักรูปแบบบนพื้นฐานของอัลกอริทึมและชุดข้อมูลที่มีอยู่ เพื่อพัฒนากระบวนการแก้ปัญหาที่เหมาะสม ดังนั้นใน Machine Learning – ความรู้ประดิษฐ์ หรือ aritificial knowledge จึงถูกสร้างขึ้นบนพื้นฐานของประสบการณ์

เพื่อให้ซอฟต์แวร์สามารถสร้างโซลูชันได้อย่างอิสระจำเป็นต้องมีการกระทำก่อนหน้านี้ของมนุษย์ นั่นก็คือการป้อนชุดอัลกอริทึมและข้อมูลที่จำเป็นลงในระบบล่วงหน้า รวมถึงกฎการวิเคราะห์ตามลำดับเพื่อการจดจำรูปแบบต่างๆ (patterns) ในสต็อคข้อมูล เมื่อทั้งสองขั้นตอนนี้เสร็จสิ้นระบบจึงจะสามารถแสดงผลการทำงานของ Machine Learning ได้

สรุปอย่างสั้น  Machine Learning คือ

  • การค้นหา แยกแยะและสรุปข้อมูลที่เกี่ยวข้อง
  • การคาดคะเนตามฐานข้อมูลการวิเคราะห์
  • การคำนวณความน่าจะเป็นสำหรับผลลัพธ์ที่เฉพาะเจาะจง
  • การปรับตัวให้เข้ากับการพัฒนาบางอย่างโดยอัตโนมัติ
  • การเพิ่มประสิทธิภาพกระบวนการตามรูปแบบที่รู้จัก/จดจำ

Machine Learning ทำงานอย่างไร

ในทางหนึ่ง Machine Learning จะทำงานคล้ายกับการเรียนรู้ของมนุษย์ ตัวอย่างเช่น ถ้าเราแสดงภาพวัตถุประเภทต่างๆ ให้เด็กคนหนึ่งดู พวกเขาก็จะสามารถเรียนรู้ที่จะระบุและแยกความแตกต่างในภาพเหล่านั้นได้ Machine Learning ทำงานในลักษณะเดียวกัน: ด้วยการป้อนชุดข้อมูลและชุดคำสั่งต่างๆ คอมพิวเตอร์จะถูกใช้งานเพื่อ “เรียนรู้” เพื่อจำแนกแยกแยะวัตถุต่างๆ รวมถึงบุคคล สิ่งของ ฯลฯ และเพื่อแยกความแตกต่างระหว่างกัน ด้วยเหตุนี้ ซอฟท์แวร์จึงถูกซัพพลายด้วยข้อมูล (data) และการฝึกฝน (trained) ตัวอย่างเช่น โปรแกรมเมอร์สามารถบอกระบบได้ว่าวัตถุใดเป็นมนุษย์ (= “human”) และอีกวัตถุหนึ่งไม่ใช่มนุษย์ (= “no human”) ซอฟต์แวร์จะได้รับ feedback อย่างต่อเนื่องจากโปรแกรมเมอร์ สัญญาณการตอบรับเหล่านี้จะถูกใช้โดยอัลกอริทึมเพื่อปรับและเพิ่มประสิทธิภาพโมเดล ด้วยชุดข้อมูลใหม่ที่ป้อนเข้าไปในระบบ รูปแบบจะได้รับการปรับให้เหมาะสมเพื่อให้สามารถแยกแยะระหว่าง “humans” กับ “non-humans” ได้อย่างชัดเจนในตอนท้าย

แต่ Machine Learning มีความหมายมากกกว่าแค่การแยกความแตกต่างระหว่างสองสิ่งหรือสองระดับ (ที่เป็นมนุษย์และที่ไม่ใช่มนุษย์) การใช้หุ่นยนต์ตีปิงปอง (table tennis robot) ของ KUKA เป็นตัวอย่างหนึ่ง คุณจะเห็นได้ว่าเครื่องจักรจะสแกนหาท่วงท่าที่ซับซ้อนและสไตล์การเล่นของฝ่ายตรงข้ามได้อย่างไร จากนั้นก็ปรับตัวให้เข้ากับการเล่นของพวกเขาหรือแม้แต่ทำให้แชมป์โลกเหงื่อตกได้ด้วยวิธีนี้

ข้อดีของ Machine Learning

ไม่ต้องสงสัยเลยว่า Machine Learning ช่วยให้มนุษย์ทำงานได้อย่างสร้างสรรค์และมีประสิทธิภาพมากขึ้น คุณเองก็สามารถมอบหมายงานที่ค่อนข้างซับซ้อนหรือซ้ำซากให้กับคอมพิวเตอร์ผ่าน Machine Learning ได้เริ่มจากการสแกน บันทึก และจัดเก็บเอกสารกระดาษ เช่นใบแจ้งหนี้เพื่อจัดระเบียบและแก้ไขภาพ

นอกเหนือจากงานง่ายๆ เหล่านี้ เครื่องจักรเรียนรู้ด้วยตนเอง (Self-learning machines) ยังสามารถทำงานที่ซับซ้อนได้ ตัวอย่างเช่น การจดจำรูปแบบที่ผิดพลาดต่างๆ (error patterns) ได้ด้วย นี่เป็นข้อได้เปรียบที่สำคัญโดยเฉพาะอย่างยิ่งในแอเรียต่างๆ เช่นอุตสาหกรรมการผลิต ซึ่งเป็นอุตสาหกรรมที่ต้องพึ่งพาการผลิตอย่างต่อเนื่องและปราศจากข้อผิดพลาด แม้แต่ในเรื่องที่ผู้เชี่ยวชาญก็ไม่อาจมั่นใจได้ว่าเกิดข้อผิดพลาดในสายการผลิตได้อย่างไร แต่ Machine Learning เสนอความเป็นไปได้ในการระบุข้อผิดพลาดได้อย่างรวดเร็ว ซึ่งช่วยประหยัดเวลาและค่าใช้จ่าย

ตอนนี้โปรแกรมการเรียนรู้ด้วยตนเองยังถูกใช้ทางด้านการแพทย์ ในอนาคตหลังจากที่ “บริโภค” ข้อมูลจำนวนมหาศาล (สิ่งตีพิมพ์ทางการแพทย์ ผลการศึกษา ฯลฯ ) apps (ของคนไข้) จะสามารถเตือนคนไข้ในกรณีที่แพทย์ต้องการสั่งยาที่คนไข้ไม่อาจรับได้หรือตัวยาที่คนไข้เกิดอาการแพ้ “ความรู้” ในข้อนี้ยังหมายถึงการที่แอปสามารถเสนอทางเลือกอื่น ๆ ได้โดยคำนึงถึงข้อจำกัดทางพันธุกรรมของผู้ป่วยนั้นๆ ด้วย

วิธีการที่ถูกใช้ใน Machine Learning

ใน Machine Learning วิธีการทางคณิตศาสตร์และสถิติถูกนำมาใช้เพื่อเรียนรู้จากชุดข้อมูล มีอีกหลายสิบวิธีที่แตกต่างกัน ด้วยเหตุนี้ การแยกแยะความแตกต่างโดยทั่วไปสามารถทำได้ระหว่างสองระบบ คือการใช้ symbolic approaches ในทางหนึ่งและและ sub-symbolic approaches ในอีกทางหนึ่ง ในขณะที่ symbolic systems อีกนัยยะหนึ่งคือระบบเชิงประจักษ์ที่เนื้อหาถูกนำมาแสดงอย่างชัดเจน ส่วน sub-symbolic systems ก็คือ artificial neuronal networks (โครงข่ายประสาทเทียม) ทั้งหมดนี้ทำงานบนหลักการของสมองมนุษย์โดยที่เนื้อหาความรู้จะถูกแสดงอย่างชัดเจน

โครงข่ายประสาทเทียม (Artificial Neural Networksคือ การสร้างคอมพิวเตอร์ที่จำลองเอาวิธีการทำงานของสมองมนุษย์ หรือทำให้คอมพิวเตอร์รู้จักคิดและจดจำในแนวเดียวกับโครงข่ายประสาทของมนุษย์ เพื่อช่วยให้คอมพิวเตอร์ฟังภาษามนุษย์ได้เข้าใจ อ่านออก และรู้จำได้ ซึ่งอาจเรียกได้ว่าเป็น “สมองกล”

ประเภทต่างๆ ของ Machine Learning

โดยพื้นฐานแล้ว อัลกอริธึมมีบทบาทสำคัญใน Machine Learning ในทางหนึ่งมันมีส่วนในการจดจำรูปแบบต่างๆ และในทางหนึ่ง มันสามารถสร้างโซลูชั่นต่างๆ ได้ ทั้งนี้ อัลกอริธึมสามารถถูกแบ่งออกเป็นหมวดหมู่ต่างๆ ได้ดังนี้:

  • Supervised learning: การเรียนรู้แบบมีผู้สอน: จะมีการกำหนดโมเดลตัวอย่างไว้ล่วงหน้า เพื่อให้แน่ใจว่ามีการจัดสรรข้อมูลอย่างเพียงพอกับกลุ่มโมเดลที่เกี่ยวข้องของอัลกอริทึมเหล่านี้ ซึ่งจากนั้นต้องมีการจำเพาะเจาะจง กล่าวอีกนัยหนึ่งระบบจะเรียนรู้บนพื้นฐานของ input และ output ที่กำหนดไว้ ทั้งนี้ ตามหลักของเรียนรู้ที่ได้รับการตรวจสอบ โปรแกรมเมอร์ซึ่งทำหน้าที่เป็นเหมือนครูผู้สอนเป็นผู้จัดสรรค่าที่เหมาะสมสำหรับ particular input เป้าหมายก็คือการ train ระบบในบริบทของการคำนวณต่อเนื่องกับ inputและ output ที่แตกต่างกันและเพื่อสร้างการเชื่อมต่อ
  • Unsupervised learning: การเรียนรู้แบบไม่มีผู้สอน ปัญญาประดิษฐ์จะเรียนรู้โดยไม่มีค่าเป้าหมายที่กำหนดไว้ล่วงหน้าและไม่มีผลตอบแทน ส่วนใหญ่ใช้เพื่อการแบ่งกลุ่มการเรียนรู้ (clustering) เครื่องจักรพยายามที่จะจัดโครงสร้างและจัดเรียงข้อมูลที่ถูกป้อนเข้ามาตามลักษณะบางอย่าง ตัวอย่างเช่นเครื่องสามารถ เรียนรู้ได้ว่าเหรียญที่มีสีแตกต่างกันสามารถจัดเรียงตามลักษณะ “สี” เพื่อจัดโครงสร้างให้มันได้
  • Partially supervised learning: การเรียนรู้แบบมีผู้สอนบางส่วน เป็นความรู้อีกแบบของการรวมกันของการเรียนรู้แบบมีผู้สอนและไม่มีผู้สอน โดยที่”ผู้สอน”จะไม่สอนอย่างสมบูรณ์ นั่นคือ บางข้อมูลในเซ็ตการสอนนั้นขาดข้อมูลขาออก
  • Encouraging learning: การเรียนรู้แบบส่งเสริม ก็เหมือนกับเงื่อนไขแบบคลาสสิกของสกินเนอร์ คือขึ้นอยู่กับผลตอบแทนและการลงโทษ อัลกอริทึมนี้ได้รับการสอนโดยปฏิสัมพันธ์ในเชิงบวกหรือเชิงลบซึ่งจะเกิดปฏิกิริยากับสถานการณ์บางอย่าง
  • Active learning: ภายใต้ขอบข่ายงานของ active learning อัลกอริทึมมีหน้าที่ในการสืบค้นและแสดงผลของข้อมูลขาเข้าที่จำเพาะเจาะจง (specific input data) บนพื้นฐานของคำถามที่กำหนดไว้ซึ่งถือว่าสำคัญ โดยปกติแล้วอัลกอริทึมจะเลือกคำถามที่มีความเกี่ยวข้องสัมพันธ์กันในระดับสูง โดยทั่วไปแล้วฐานข้อมูลเป็นได้ทั้งแบบออฟไลน์หรือแบบออนไลน์ ทั้งนี้ขึ้นอยู่กับระบบที่สอดคล้องกัน

Machine Learning กับแอพพลิเคชั่นที่ได้รับความนิยมสูงสุด

Machine Learning ถูกนำไปใช้ที่ Netflix และ Amazon รวมถึงการจดจำใบหน้าของ Facebook สำหรับคุณในฐานะผู้ใช้ Machine Learning สะท้อนให้เห็นถึงความเป็นไปได้ของการติดแท็กคนในภาพที่อัพโหลดโดยอัตโนมัติ ความเป็นจริงก็คือ Facebook มีฐานข้อมูลใบหน้าที่ใหญ่ที่สุดในโลก ข้อมูลที่ป้อนโดยผู้ใช้ในเครือข่ายสังคมออนไลน์จะถูกใช้โดย Facebook เพื่อเพิ่มประสิทธิภาพและเทรนระบบ Machine Learning ในส่วนของการจดจำภาพ

อีกหนึ่งแอพพลิเคชันของ Machine Learning ที่รวมอยู่ในชีวิตประจำวันอย่างเหนียวแน่นก็คือการตรวจจับ สแปมโดยอัตโนมัติซึ่งถูกรวมเข้ากับโปรแกรมอีเมลเกือบทั้งหมด ในขอบเขตของการตรวจจับสแปม ข้อมูลที่มีอยู่ในอีเมลจะได้รับการวิเคราะห์และจัดหมวดหมู่ รูปแบบ “สแปม” และ “ไม่ใช่สแปม” ถูกใช้ในส่วนนี้ หากอีเมลถูกจดจำว่าเป็นอีเมลขยะ โปรแกรมจะเรียนรู้ว่าจะระบุเมลสแปมได้อย่างมีประสิทธิภาพมากยิ่งขึ้น ส่วนอื่น ๆ ของแอ็พพลิเคชันอื่นๆ สำหรับ Machine Learning ได้แก่ การจัดอันดับของเครื่องมือ (engine ranking) การต่อสู้กับอาชญากรรมทางไซเบอร์และการป้องกันการโจมตีทางคอมพิวเตอร์

แอพพลิเคชั่นเพื่อการค้าของ Machine Learning

ด้วยความช่วยเหลือของ Machine Learning ข้อมูลทางเศรษฐกิจสามารถเปลี่ยนเป็นเงินได้ บริษัทที่พึ่งพา Machine Learning หรือ Machine Learning methods ไม่เพียงเพิ่มความพึงพอใจให้กับลูกค้าเท่านั้น แต่ยังสามารถลดต้นทุนได้ด้วย ด้วย Machine Learning ช่วยให้สามารถประเมินความคาดหวังและความต้องการของลูกค้าและสามารถกำหนดมาตรการด้านการตลาดต่อได้ นำไปสู่ประสบการณ์เชิงบวกของลูกค้าและเพิ่มความภักดีของลูกค้าในที่สุด

นอกจากนี้ยังมีการใช้ chat bots มากขึ้นในพื้นที่ของการบริการลูกค้าทางโทรศัพท์ เหล่านี้เป็นโปรแกรมอัตโนมัติที่สื่อสารกับลูกค้า ด้วยวิธีนี้ chat bots สามารถเพิ่มประสิทธิภาพความสามารถด้านความรู้ความเข้าใจเกี่ยวกับการตีความโทนเสียงในสถานการณ์ต่างๆ นอกจากนี้ chat bots ยังสามารถส่งต่อสายได้ เช่น กรณีที่เป็นคำร้องขอที่ซับซ้อนมากขึ้นไปยังพนักงานของศูนย์บริการ

นอกจากนี้ Machine Learning ยังเป็นเทคโนโลยีสำคัญในการพัฒนาระบบอิสระ: นอกเหนือจากรถไร้คนขับ (driverless cars) แล้ว Machine Learning ยังถูกใช้ใน collaborative robots ด้วย ส่วนอื่น ๆ ของแอพพลิเคชั่นสำหรับ Machine Learning จะเป็น:

  • การวิเคราะห์ตลาดหุ้น
  • การตรวจสอบการฉ้อโกงบัตรเครดิตขั้นตอน
  • การวินิจฉัยโดยอัตโนมัติ
  • การได้มาซึ่งทุ่นระเบิดใน acoustic sensor และข้อมูลเรดาร์

Machine Learning: กับผู้นำเทคโนโลยี

นอกเหนือจาก Microsoft, Google, Facebook, IBM และ Amazon แล้ว Apple ยังใช้ทรัพยากรทางการเงินมหาศาลในการใช้และพัฒนา Machine Learning ต่อไป ซูเปอร์คอมพิวเตอร์ Watson ของไอบีเอ็มยังคงเป็นเครื่องมือที่รู้จักกันดีสำหรับ Machine Learning ส่วนใหญ่วัตสันจะถูกใช้ในภาคการแพทย์และการเงิน ตามที่กล่าวมาแล้ว Facebook ใช้ Machine Learning เพื่อการรับรู้ภาพ Microsoft ใช้สำหรับระบบจดจำเสียงพูด Cortana, Apple สำหรับ Siri แน่นอนว่า Machine Learning ถูกใช้งานที่ Google ด้วยทั้งในด้านการบริการภาพและเครื่องมือค้นหาขั้นสูง

ผู้ให้บริการระบบคลาวด์เช่น Google, Microsoft, Amazon Webservice และ IBM ได้สร้างบริการสำหรับ Machine Learning ขึ้นแล้ว ด้วยความช่วยเหลือของพวกเขามีความเป็นไปได้ว่านักพัฒนาซอฟต์แวร์ที่ไม่มีความรู้เกี่ยวกับ Machine Learning โดยเฉพาะจะพัฒนาแอ็พพลิเคชันต่อไปได้ แอปพลิเคชันเหล่านี้สามารถเรียนรู้จากชุดข้อมูลที่กำหนดได้อย่างอิสระ แพลตฟอร์มเหล่านี้มีชื่อแตกต่างกันไปขึ้นอยู่กับผู้ให้บริการ:

  • IBM: Watson
  • Amazon: Amazon Machine Learning
  • Microsoft: Azure ML Studio
  • Google: Tensorflow

นอกจากแพลตฟอร์มดังกล่าวข้างต้นแล้ว ยังมีโปรแกรม free open source ที่มีคุณภาพสูงซึ่งทำให้ Machine Learning สามารถเข้าถึงผู้ชมได้กว้างขวางขึ้น ช่วยให้นักพัฒนาซอฟต์แวร์หรือผู้เชี่ยวชาญด้านข้อมูลสามารถทำงานร่วมกันได้

  • 4
  •  
  •  
  •  
  •  
  •