Deep Learning นั้นเป็นสาขาหนึ่งของเทคโนโลยี Machine Learning ที่มีความสำคัญต่อวงการระบบวิเคราะห์ข้อมูล และการประยุกต์ใช้ระดับองค์กรมากขึ้นเรื่อยๆ แต่น้อยคนนักที่เข้าใจหลักการของเทคโนโลยีใหม่ดังกล่าวอย่างแท้จริง
Deep Learning นี้เป็นที่รู้จักในวงกว้างตั้งแต่ปี 2559 เมื่อซอฟต์แวร์ AlphaGo ของกูเกิ้ลที่พัฒนาจากเทคโนโลยีดังกล่าว สามารถเอาชนะมนุษย์ได้ในการเล่นเกมหมากล้อมญี่ปุ่น แต่หลังจากนั้นก็ยังไม่ค่อยมีองค์กรนำมาใช้ในการทำงานจริงมากเท่าไรนัก โดยผลสำรวจจาก O’Reilly พบเพียงแค่ 28% ที่มีการนำ Deep Learning มาใช้งานจริง
อย่างไรก็ดี มีกว่า 92% ที่เชื่อว่าเทคโนโลยีนี้จะมีบทบาทสำคัญอย่างยิ่งกับโครงการของตนเองในอนาคต แต่อุปสรรคสำคัญคือการขนาดแคลนบุคลากรที่มีทักษะด้านนี้ ซึ่งผู้เชี่ยวชาญมองว่า เจ้าของเทคโนโลยี AI ทั้งหลายจำเป็นต้องทำให้ Deep Learning สามารถเข้าถึงจากนักพัฒนาทั่วไปได้ง่ายโดยไม่ต้องอาศัยความรู้ถึงระดับดอกเตอร์
ในด้านของผู้บริหารอย่าง CIO, ผู้จัดการฝ่ายไอที, หรือผู้นำด้านธุรกิจต่างๆ นั้น จำเป็นต้องยิ่งที่ต้องเรียนรู้ภาพรวมที่เกี่ยวข้องกับเทคโนโลยีใหม่มาแรงนี้ ซึ่งทาง O’Reilly ได้รวบรวมไว้ ได้แก่
1. Deep Learning นั้นถือเป็นส่วนหนึ่งของ Machine Learning
โดยเริ่มตั้งแต่คำว่า AI กับ Cognitive Computing นั้นมีความหมายเหมือนกัน ขณะที่ Machine Learning เป็น AI ประเภทหนึ่งที่เกี่ยวกับการทำให้คอมพิวเตอร์เรียนรู้ได้ดีขึ้นกับงานหลากหลายแบบโดยไม่จำเป็นต้องเขียนโปรแกรมกำกับแบบเฉพาะเจาะจง ทำให้คอมพิวเตอร์ยกระดับประสิทธิภาพด้วยตัวเองโดยไม่ต้องพึ่งพาให้มนุษย์บอกว่าต้องทำอะไร และสุดท้าย Deep Learning เป็น Machine Learning ประเภทหนึ่งที่ใช้กลไกแบบลำดับชั้น ด้วยกลุ่มอัลกอริทึมหรือสมการทางคณิตศาสตร์ที่นำมาแก้ไขปัญหาด้านการประมวลผล ซึ่งนิยมนำมาใช้กับสถานการณ์ที่ยากเกินกว่าจะเขียนโปรแกรมเองได้
2. Deep Learning เป็นเรื่องใหม่มาก
แม้จะมีประวัติศาสตร์เกี่ยวข้องมาหลายสิบปี แต่ก็เพิ่งหันมาใช้คำนี้ หรือเริ่มนำมาใช้งานจริงแค่ไม่ถึง 5 ปีเอง แต่ผู้เชี่ยวชาญต่างมองว่า Deep Learning จะมีอิทธิพลอย่างมากในอีกไม่กี่ปีข้างหน้า แม้การใช้งานหลายอย่างอาจจำเป็นต้องอาศัยเทคนิค AI อื่นเข้ามาเกี่ยวข้องด้วยก็ตาม
3. “Deep” เพราะมีลงลึกหลายลำดับชั้นมาก
โดยแต่ละเลเยอร์รับข้อมูลมาจากเลเยอร์บน ประมวลผลเป็นเอาต์พุตส่งต่อยังเลเยอร์ถัดไปเรื่อยๆ จนได้ข้อสรุปภาพรวมที่เห็นชัดเจน ตัวอย่างเช่น การจดจำภาพแมว ที่ตอนแรกระบบต้องหัดจำแนกภาพสัตว์ทั้งหมดเพื่อหาแมว จากนั้นจึงเริ่มหาเกณฑ์ที่สัมพันธ์กับแมวเรื่อยๆ เช่น ต้องมีขนาดเล็ก มีขนฟู ฯลฯ จนสามารถแยกแมวจากรูปได้เก่งขึ้นเมื่อเรียนรู้ลึกไปเรื่อยๆ
4. ทำให้คอมพิวเจอร์เข้าใจภาพ
หรือทำให้การประยุกต์ใช้ AI ยอดนิยมอื่นๆ เป็นไปได้ง่ายขึ้นการวิเคราะห์ภาพนั้นเป็นสิ่งที่ Deep Learning เชี่ยวชาญเป็นอย่างยิ่ง และเป็นรูปแบบการใช้งานที่คนส่วนใหญ่ต้องการมากที่สุด นอกจากนี้ยังนิยมนำไปใช้อย่างการประมวลผลเสียงพูดตามธรรมชาติ, เล่นเกมส์, แปลภาษา, เป็นเอนจิ้นให้คำแนะนำ, ค้นวิเคราะห์ข้อความ, ทำนาย, และวิเคราะห์ข้อมูลอื่นๆ
5. ทำงานได้ทั้งแบบมีคน และไม่มีคนควบคุม
แบบมีคนคุมเช่น ต้องใช้คนป้อนข้อมูลและการตัดสินใจตัวอย่างเข้าระบบ อย่างภาพไหนคือ แมว หรือไม่ใช่แมว จนสามารถนำไปประยุกต์หาแมวในภาพอื่นที่ไม่เคยเห็นมาก่อนได้ ส่วนแบบที่ไม่มีคนคุมหรือสอนได้แก่ การปล่อยให้ระบบโยงความสัมพันธ์ จับกลุ่มข้อมูลที่เหมือนกันเพื่อวิเคราะห์ขึ้นมาเอง
6. มักนิยมรันบนเครือข่ายระบบประสาทจำลองหรือ ANN
ซึ่งเป็นระบบคอมพิวเตอร์ที่เลียนแบบโครงสร้างสมองมนุษย์ โดยมีโหนดเชื่อมต่อกัน เรียงกันเป็นลำดับชั้น โดยแบ่งเครือข่ายระบบประสาทจำลองเป็นแบบ Recurrent (RNN) และ Generative Adversarial (GAN)
7. ใช้ทรัพยากรมหาศาล
แต่ปัจจุบันก็มีอย่างระบบที่มี GPU ชั้นสูงในราคาที่พอเอื้อมถึง หรือบริการผ่านคลาวด์ที่คิดค่าใช้จ่ายตามปริมาณการใช้เพื่อแบ่งเบาภาระและทำให้องค์กรต่างๆ มีโอกาสสัมผัสและใช้ประโยชน์ได้มากกว่าเดิม นอกจากนั้น Deep Learning ยังจำเป็นต้องอาศัยข้อมูลปริมาณมหาศาลเพื่อเรียนรู้ด้วยตนเอง จึงเหมาะกับองค์กรที่กำลังใช้ระบบ Big Data
8. ทำงานดีกว่ามนุษย์ในหลายด้าน
นอกจากหมากล้อมกับวิดีโอเกมแล้ว ยังมีระบบอ่านริมฝีปาก LipNet ที่ทำได้ดีกว่ามนุษย์ หรือแม้แต่การใช้ Deep Learning ในการปรับดีไซน์เว็บร้านค้าออนไลน์ให้ได้ยอดขายมากที่สุด โดยงานที่ทำได้ดีส่วนใหญ่มักเป็นระบบวิเคราะห์และทำนายจากข้อมูล โยงความสัมพันธ์ต่างๆ จากข้อมูล
9. เฟรมเวิร์กยอดนิยมมากที่สุดคือ TensorFlow ของกูเกิ้ล
โดยคิดเป็น 61% จากการสำรวจ นอกจากนี้ยังเป็นที่นิยมในหมู่ผู้ให้บริการคลาวด์ด้วย โดยเฉพาะแอมะซอนและกูเกิ้ล โดยกว่า 70% มองว่าบริการ TensorFlow ผ่านคลาวด์สำคัญอย่างยิ่งต่อการพัฒนาแอพพลิเคชั่นที่ใช้ Deep Learning ส่วนเฟรมเวิร์กอื่นๆ ที่ได้รับความนิยมรองลงมาได้แก่ Keras, PyTorch, Caffe, MXNet, CNTK
10. มีหลายองค์กรที่เปิดอบรมเกี่ยวกับ Deep Learning
ปัจจุบันมีมหาวิทยาลัยจำนวนมากเปิดหลักสูตรที่เกี่ยวข้องทั้งแบบในห้องเรียนและแบบสอนออนไลน์ นอกจากนี้ยังมีหลักสูตรเร่งรัดให้เรียนออนไลน์ผ่านเว็บไซต์อย่าง Coursera (ซึ่งร่วมก่อตั้งโดย Andrew Ng หนึ่งในผู้เชี่ยวชาญด้าน Machine Learning) หรือแม้แต่หลายบริษัทที่เปิดคอร์สอบรมแบบ 1-ต่อ-1
ที่มา : InformationWeek
