การเรียนรู้ของเครื่องคืออะไร

หากคุณกำลังถามว่าการเรียนรู้ของเครื่องคืออะไร คำตอบที่ง่ายที่สุดคือ: การเรียนรู้ของเครื่องเป็นวิธีที่ทำให้คอมพิวเตอร์เรียนรู้รูปแบบจากข้อมูล และใช้รูปแบบเหล่านั้นเพื่อคาดการณ์ แนะนำ หรือตัดสินใจ แทนที่จะเขียนกฎทุกข้อด้วยมือ ผู้คนจะให้ตัวอย่างแก่ระบบ แล้วระบบก็เรียนรู้จากตัวอย่างเหล่านั้น

อภิธานศัพท์ของ NIST ให้นิยามการเรียนรู้ของเครื่องว่าเป็นระบบคอมพิวเตอร์ที่ปรับตัวและเรียนรู้จากข้อมูลเพื่อเพิ่มความแม่นยำ ซึ่งฟังดูเป็นเชิงเทคนิค แต่แนวคิดในชีวิตประจำวันนั้นคุ้นเคย: ยิ่งระบบเห็นตัวอย่างที่มีประโยชน์มากเท่าไร ก็ยิ่งจดจำรูปแบบได้ดีขึ้นเท่านั้น

การเรียนรู้ของเครื่องคืออะไรในคำง่ายๆ

การเรียนรู้ของเครื่องเป็นแขนงหนึ่งของปัญญาประดิษฐ์ IBM, Google Cloud, Microsoft Azure และ AWS ต่างอธิบายในลักษณะคล้ายกันว่า การเรียนรู้ของเครื่องใช้ข้อมูลและอัลกอริทึมเพื่อฝึกระบบให้สามารถคาดการณ์หรือค้นหารูปแบบได้โดยไม่ต้องเขียนโปรแกรมอย่างชัดเจนสำหรับทุกกรณี

ลองนึกภาพการสอนเด็กให้จดจำสุนัข คุณไม่ได้ระบุรูปร่างหู ความยาวหาง และสีขนที่เป็นไปได้ทุกแบบ คุณแสดงตัวอย่าง เมื่อเวลาผ่านไป เด็กก็เรียนรู้รูปแบบ การเรียนรู้ของเครื่องทำงานด้วยแนวคิดคล้ายกัน แต่ใช้ข้อมูล คณิตศาสตร์ และอัลกอริทึม

การเรียนรู้ของเครื่องทำงานอย่างไร

โครงการการเรียนรู้ของเครื่องส่วนใหญ่มีกระบวนการพื้นฐานดังนี้: รวบรวมข้อมูล เตรียมข้อมูล ฝึกโมเดล ทดสอบโมเดล แล้วจึงใช้โมเดลกับข้อมูลนำเข้าใหม่ คู่มือของ AWS เกี่ยวกับ การสร้างแอปพลิเคชันการเรียนรู้ของเครื่อง อธิบายว่านี่เป็นกระบวนการวนซ้ำ: กำหนดปัญหา เตรียมข้อมูล สร้างคุณลักษณะที่มีประโยชน์ ฝึกโมเดล ประเมินผล และใช้เพื่อคาดการณ์

ตัวกรองสแปมเป็นตัวอย่างง่ายๆ ระบบเรียนรู้จากอีเมลที่ติดป้ายว่า “สแปม” และ “ไม่ใช่สแปม” ระหว่างการฝึก ระบบจะสังเกตรูปแบบต่างๆ เช่น ลิงก์น่าสงสัย วลีที่ซ้ำกัน พฤติกรรมของผู้ส่ง หรือรูปแบบการจัดวาง ระหว่างการอนุมาน ระบบจะนำสิ่งที่เรียนรู้ไปใช้กับอีเมลใหม่ และคาดการณ์ว่าเป็นสแปมหรือไม่

คำสำคัญคือ “คาดการณ์” การเรียนรู้ของเครื่องไม่ได้เข้าใจโลกเหมือนมนุษย์ แต่ค้นหารูปแบบทางสถิติ ซึ่งอาจทรงพลังมาก แต่ก็หมายความว่าคุณภาพของข้อมูลมีความสำคัญอย่างยิ่ง

ประเภททั่วไปของการเรียนรู้ของเครื่อง

การเรียนรู้ของเครื่องไม่ได้มีเพียงวิธีเดียว แต่ประกอบด้วยแนวทางหลักหลายแบบ:

Stanford CS229 สอนการเรียนรู้ของเครื่องผ่านหัวข้อหลัก เช่น การเรียนรู้แบบมีผู้สอน การเรียนรู้แบบไม่มีผู้สอน โครงข่ายประสาทเทียม และการเรียนรู้แบบเสริมแรง Machine Learning Crash Course ของ Google ก็มีประโยชน์สำหรับผู้เริ่มต้น เพราะอธิบายแนวคิดด้วยตัวอย่างเชิงปฏิบัติ สำหรับผู้ที่ต้องการเอกสารประกอบแบบลงมือทำ คู่มือผู้ใช้ scikit-learn และ พื้นฐานการเรียนรู้ของเครื่องของ TensorFlow เป็นแหล่งอ้างอิงทางเทคนิคที่ดี

การเรียนรู้ของเครื่อง เทียบกับ AI เทียบกับการเรียนรู้เชิงลึก

ผู้คนมักสับสนระหว่าง AI การเรียนรู้ของเครื่อง และการเรียนรู้เชิงลึก สิ่งเหล่านี้เกี่ยวข้องกัน แต่ไม่เหมือนกัน

ปัญญาประดิษฐ์เป็นสาขาที่กว้าง: การสร้างระบบที่สามารถทำงานซึ่งเกี่ยวข้องกับสติปัญญาของมนุษย์ เช่น การให้เหตุผล ภาษา การรับรู้ การเรียนรู้ หรือการตัดสินใจ การเรียนรู้ของเครื่องเป็นหนึ่งในวิธีสร้างระบบ AI ส่วนการเรียนรู้เชิงลึกเป็นประเภทหนึ่งของการเรียนรู้ของเครื่องที่ใช้โครงข่ายประสาทเทียมที่มีหลายชั้น

ดังนั้นความสัมพันธ์จึงเรียบง่าย: AI คือหมวดหมู่ใหญ่ การเรียนรู้ของเครื่องอยู่ภายใน AI และการเรียนรู้เชิงลึกอยู่ภายในการเรียนรู้ของเครื่อง

เครื่องคิดเลขทำตามกฎตายตัว จึงไม่ใช่การเรียนรู้ของเครื่อง ระบบแนะนำที่พัฒนาขึ้นด้วยการเรียนรู้จากพฤติกรรมของผู้ใช้คือการเรียนรู้ของเครื่อง โมเดลภาษาขนาดใหญ่ที่ใช้โครงข่ายประสาทเทียมเชิงลึกคือการเรียนรู้เชิงลึก

ตัวอย่างจริงของการเรียนรู้ของเครื่อง

การเรียนรู้ของเครื่องเป็นส่วนหนึ่งของชีวิตประจำวันอยู่แล้ว บริการสตรีมมิงใช้เพื่อแนะนำวิดีโอ ธนาคารใช้เพื่อตรวจจับธุรกรรมที่ผิดปกติ บริการอีเมลใช้เพื่อกรองสแปม เครื่องมือแปลภาษาใช้เพื่อแปลงภาษา เสิร์ชเอนจินใช้เพื่อทำความเข้าใจสัญญาณความเกี่ยวข้องและการจัดอันดับ

ในด้านการดูแลสุขภาพ FDA มีรายการ อุปกรณ์ทางการแพทย์ที่ใช้ AI ซึ่งหลายรายการใช้เทคนิค AI หรือการเรียนรู้ของเครื่องสำหรับการสร้างภาพ การวินิจฉัย หรือการสนับสนุนทางคลินิก นี่เป็นเครื่องเตือนใจที่ดีว่าการเรียนรู้ของเครื่องอาจมีประโยชน์ แต่ระบบที่มีความเสี่ยงสูงจำเป็นต้องมีการทดสอบและการกำกับดูแล

วิทยาศาสตร์เป็นอีกตัวอย่างที่ชัดเจน AlphaFold ใช้ AI เพื่อคาดการณ์โครงสร้างโปรตีน ช่วยให้นักวิจัยศึกษาชีววิทยาได้อย่างมีประสิทธิภาพมากขึ้น ซึ่งแสดงให้เห็นว่าการเรียนรู้ของเครื่องไม่ได้มีไว้สำหรับโฆษณา แอป และแดชบอร์ดเท่านั้น แต่ยังช่วยสนับสนุนการค้นพบทางวิทยาศาสตร์ได้ด้วย

เหตุใดคุณภาพข้อมูลจึงสำคัญ

โมเดลการเรียนรู้ของเครื่องจะดีได้เท่ากับข้อมูลและสมมติฐานที่อยู่เบื้องหลังเท่านั้น หากข้อมูลฝึกไม่ครบถ้วน มีอคติ ล้าสมัย หรือมีป้ายกำกับไม่ดี โมเดลก็อาจเรียนรู้รูปแบบที่ผิด

ตัวอย่างเช่น โมเดลการจ้างงานที่ฝึกจากข้อมูลการจ้างงานในอดีตที่มีอคติ อาจทำซ้ำรูปแบบเหล่านั้น โมเดลทางการแพทย์ที่ฝึกโดยใช้ประชากรกลุ่มเดียวเป็นหลักอาจทำงานได้แย่ลงกับอีกกลุ่มหนึ่ง โมเดลแนะนำอาจแคบเกินไปและแสดงสิ่งเดิมๆ ให้ผู้ใช้เห็นซ้ำๆ

งานการเรียนรู้ของเครื่องที่ดีประกอบด้วยการทำความสะอาดข้อมูล การทดสอบ การตรวจสอบความถูกต้อง การติดตามผล และการทบทวนโดยมนุษย์ นอกจากนี้ยังหมายถึงการตั้งคำถามที่ไม่สบายใจ: ใครบ้างที่มีตัวแทนอยู่ในข้อมูล? ใครหายไป? จะเกิดอะไรขึ้นหากโมเดลผิดพลาด?

อธิบายการเรียนรู้ของเครื่องด้วยภาพด้วย Pi

การเรียนรู้ของเครื่องอาจดูเป็นนามธรรม เพราะงานสำคัญมักมองไม่เห็น ได้แก่ การเตรียมข้อมูล การฝึกโมเดล การประเมินผล การนำไปใช้งาน และวงจรป้อนกลับ การอธิบายด้วยภาพช่วยให้ผู้คนมองเห็นกระบวนการได้

ด้วย Pi คุณสามารถเปลี่ยนแนวคิดการเรียนรู้ของเครื่องให้เป็นงานนำเสนอได้: เวิร์กโฟลว์จากข้อมูลสู่โมเดล การเปรียบเทียบการเรียนรู้แบบมีผู้สอนและไม่มีผู้สอน แผนภูมิที่แสดงความแม่นยำของโมเดล หรือคำอธิบายการฝึกและการอนุมานด้วยไอคอน Pi ยังสามารถปรับแต่งธีม สี เลย์เอาต์ ไอคอน แผนภูมิ และภาพที่สร้างโดย AI ซึ่งช่วยให้นำเสนอแนวคิดทางเทคนิคแก่ผู้เรียน ลูกค้า ผู้ก่อตั้ง หรือทีมภายในได้ง่ายขึ้น

ความเสี่ยงและการใช้อย่างรับผิดชอบ

ระบบการเรียนรู้ของเครื่องอาจทำผิดพลาดได้ อาจขยายอคติ เปิดเผยข้อมูลส่วนตัว สร้างผลลัพธ์ที่ไม่เป็นธรรม หรืออธิบายได้ยาก นั่นคือเหตุผลที่ AI อย่างรับผิดชอบมีความสำคัญ

กรอบการจัดการความเสี่ยง AI ของ NIST ช่วยให้องค์กรมีแนวทางในการพิจารณาความเสี่ยงของ AI ที่น่าเชื่อถือ หลักการ AI ของ OECD เน้นคุณค่าที่ยึดมนุษย์เป็นศูนย์กลาง ความเป็นธรรม ความโปร่งใส ความทนทาน ความปลอดภัย และความรับผิดชอบ

สำหรับผู้เริ่มต้น ข้อสรุปนั้นเรียบง่าย: ไม่ควรตัดสินการเรียนรู้ของเครื่องจากความแม่นยำเพียงอย่างเดียว ควรพิจารณาความเป็นธรรม ความปลอดภัย ความเป็นส่วนตัว ความสามารถในการอธิบาย และผลกระทบในโลกจริงด้วย

บทสรุป

การเรียนรู้ของเครื่องคือแนวปฏิบัติในการสอนคอมพิวเตอร์ให้เรียนรู้รูปแบบจากข้อมูล และนำรูปแบบเหล่านั้นไปใช้กับสถานการณ์ใหม่ เป็นหนึ่งในกลไกหลักเบื้องหลัง AI สมัยใหม่ ตั้งแต่ระบบแนะนำและการตรวจจับการฉ้อโกง ไปจนถึงเครื่องมือทางการแพทย์และการวิจัยทางวิทยาศาสตร์

แนวคิดนั้นเรียบง่าย แต่การปฏิบัติต้องอาศัยความรอบคอบ การเรียนรู้ของเครื่องที่ดีต้องมีข้อมูลที่ดี เป้าหมายที่ชัดเจน การทดสอบ การติดตามผล และการใช้อย่างรับผิดชอบ โมเดลที่ดีที่สุดไม่ได้แค่ชาญฉลาด แต่ยังมีประโยชน์ เชื่อถือได้ และเหมาะสมกับผู้คนที่ได้รับผลกระทบจากมัน

คำถามที่พบบ่อย (FAQ)

ถาม: การเรียนรู้ของเครื่องคืออะไร?

ตอบ: การเรียนรู้ของเครื่องเป็นแขนงหนึ่งของ AI ที่คอมพิวเตอร์เรียนรู้รูปแบบจากข้อมูล และใช้รูปแบบเหล่านั้นเพื่อคาดการณ์ แนะนำ หรือตัดสินใจ

ถาม: การเรียนรู้ของเครื่องเหมือนกับปัญญาประดิษฐ์หรือไม่?

ตอบ: ไม่ AI เป็นสาขาที่กว้างกว่า การเรียนรู้ของเครื่องเป็นหนึ่งในวิธีที่ใช้สร้างระบบ AI ส่วนการเรียนรู้เชิงลึกเป็นหมวดหมู่ย่อยภายในการเรียนรู้ของเครื่อง

ถาม: ตัวอย่างทั่วไปของการเรียนรู้ของเครื่องมีอะไรบ้าง?

ตอบ: ตัวอย่างทั่วไป ได้แก่ ระบบแนะนำ ตัวกรองสแปม การตรวจจับการฉ้อโกง การรู้จำเสียง การจัดประเภทภาพ เครื่องมือแปลภาษา และระบบ AI ทางการแพทย์บางประเภท

ถาม: จำเป็นต้องเขียนโค้ดเพื่อเรียนรู้การเรียนรู้ของเครื่องหรือไม่?

ตอบ: คุณสามารถเข้าใจแนวคิดพื้นฐานได้โดยไม่ต้องเขียนโค้ด แต่การสร้างโมเดลการเรียนรู้ของเครื่องจริงมักต้องใช้ทักษะด้านการเขียนโปรแกรม สถิติ การจัดการข้อมูล และการทดสอบ