ยุคนี้จะธุรกิจไหนก็หันมาใช้ AI หรือปัญญาประดิษฐ์กันทั้งนั้น โดยเฉพาะ AI รูปแบบที่ให้ผลลัพธ์ได้ตรงตามความต้องการมากที่สุดอย่าง Machine Learning ซึ่งเทคโนโลยีดังกล่าวได้ถูกนำมาใช้ประมวลผลข้อมูลปริมาณมหาศาลอย่างบิ๊กดาต้ากันมากมาย
ดังนั้น เราจึงควรรู้จักกับคำว่า Machine Learning ให้ถ่องแท้ โดยเฉพาะประโยชน์ที่คุณจะสามารถตักตวงจากมันได้มากกว่าที่คุณเคยคิด
นิยามของ Machine Learning
จริงๆ แล้ว Machine Learning เติบโตมาจากพื้นฐานด้านสถิติ และการแก้ปัญหาโดยอาศัยข้อมูลจากประสบการณ์ที่เคยเกิดขึ้น จนสามารถเรียนรู้และประยุกต์มาใช้ในการทำงานรูปแบบใหม่ๆ ได้โดยไม่ต้องเขียนโปรแกรมกำกับแบบจำเพาะอีกต่อไป
ตัวอย่างเช่น การเรียนรู้ที่จะจดจำใบหน้านับล้านคนโดยที่ไม่ต้องคอยโปรแกรมให้จำลักษณะใบหน้าของแต่ละคน เป็นต้น ซึ่งทำให้คุณแปลกใจแน่นอนว่าเป็นไปได้อย่างไรที่จะทำงานเองโดยที่ไม่ต้องเขียนโปรแกรมควบคุมระบบการทำงานดังกล่าว หรือสามารถแสดงความอัจฉริยะออกมาได้
พื้นฐานของระบบ Machine Learning จึงเป็นเรื่องของอัลกอริทึม ให้ลองนึกถึงอัลการิทึมในรูปของสูตรทำอาหารที่แบ่งเป็นขั้นตอน เพียงแต่สูตรการคิดของแมชชีนเลิร์นนิ่งนั้นเป็นการใช้หลักทางสถิติมาตัดสินใจเองในแต่ละสถานการณ์ อย่างรถที่ขับเคลื่อนด้วยตัวเองของกูเกิ้ลที่สามารถหยุดรถเมื่อเห็นป้ายหยุด, เลี้ยวได้เอง, และหลบสิ่งกีดขวางต่างๆ ได้ ซึ่งพฤติกรรมเหล่านี้ไม่มีใครสามารถเขียนโปรแกรมควบคุมได้ครอบคลุมทุกสถานการณ์อยู่แล้ว
อัลกอริทึม
เรียกได้ว่า อัลกอริทึมเป็นกุญแจสำคัญในการทำให้บรรลุเป้าหมายที่ไม่เคยมีการเขียนโปรแกรมที่ระบุวิธีการไว้ล้วงหน้า แต่การจะตัดสินใจได้อย่างแม่นยำนั้นระบบต้องได้รับการเรียนรู้ก่อน อันได้แก่การป้อนข้อมูลที่ถูกจัดกลุ่มไว้อย่างดีแล้วว่า ถ้ามีข้อมูลแบบนี้เราต้องการให้ผลลัพธ์เป็นแบบไหน ดังนั้น ถ้าได้รับข้อมูลสำหรับเรียนรู้ในปริมาณมหาศาล ระบบแมชชีนเลิร์นนิ่งก็สามารถใช้แม่แบบข้อมูลที่เคยจดจำมาเปรียบเทียบได้ใกล้เคียงความเป็นจริงมากที่สุด เราเรียกกลไกการเรียนรู้จากข้อมูลที่มนุษย์ป้อนให้นี้ว่า Supervised Learning
อย่างไรก็ดี ระบบแมชชีนเลิร์นนิ่งก็จำเป็นต้องมีการเรียนรู้ด้วยตนเองอย่างต่อเนื่อง โดยไม่ต้องพึ่งพาข้อมูลที่มนุษย์ป้อนให้ในระยะยาวด้วยเช่นกัน ดังนั้นจึงมีอัลกอริทึมอีกชุดหนึ่ง ซึ่งเป็นอัลกอริทึมที่พบได้ทั่วไปในระบบแมชชีนเลิร์นนิ่งคือ Unsupervised Learning โดยระบบจะไม่ได้รับการป้อนรูปแบบผลลัพธ์ที่ต้องการไปในการเรียนรู้ ดังนั้นระบบจึงต้องเรียนรู้จากข้อมูลที่ได้จากการกระทำต่างๆ ด้วยตัวเอง ซึ่งช่วงแรกหลีกเลี่ยงไม่ได้ที่ระบบมักจะเกิดความผิดพลาดบ่อยครั้ง แต่เมื่อเรียนรู้จากความผิดพลาดในอดีตบ่อยครั้งขึ้น ก็จะพัฒนาความฉลาดแม่นยำได้ด้วยตนเองเหมือนมนุษย์ ที่ก่อนจะประสบความสำเร็จก็ย่อมเจอกับความผิดพลาดมากมายนับไม่ถ้วนเช่นกัน
Reinforcement Learning
แต่เพื่อไม่ให้ผิดบ่อยจนแทนที่จะผิดเป็นครูกลายเป็นผิดเป็นควายแทนนั้น จึงเป็นที่มาของอัลกอริทึมแบบที่สามที่ชื่อ Reinforcement Learning ที่ขยายความครอบคลุมความสามารถในการเรียนรู้ให้กว้างมากกว่าเดิม ด้วยการเรียนรู้พฤติกรรมที่ควรกระทำในสถานการณ์ต่างๆ ผ่านการทดลองผิดถูกด้วยตัวเอง หรือ Trial and Error ซึ่งระบบจะเรียนรู้จากประสบการณ์หรือความผิดพลาดในอดีต อย่างไรก็ดี มนุษย์ก็ต้องให้ความเห็นหรือสนับสนุนการกระทำที่เห็นว่าดี (Reinforce) ให้ระบบรู้ว่าอันไหนดีอันไหนไม่ดีด้วย เหมือนมีครูสอนประกบการเรียนรู้ด้วยตนเอง ให้ดูเป็นชายด์เซ็นเตอร์ที่สร้างสรรค์ไม่ใช่ควายเซ็นเตอร์
ในบรรดาอัลกอริทึมทั้งสามแบบนั้น แบบ Reinforcement เป็นแบบที่ซับซ้อนมากที่สุด ที่ต้องคีย์อัลกอริทึมมากมายเพื่อให้ได้ผลลัพธ์ที่ต้องการ แต่ก็ถือเป็นอัลกอริทึมที่มีประสิทธิภาพมากที่สุดดังที่กล่าวข้างต้นด้วยเช่นกัน
บทสรุป
สรุปแล้ว ระบบแมชชีนเลิร์นนิ่งนั้นถือว่าพึ่งพาข้อมูลและการประมวลผลทางสถิติอย่างหนัก ไม่ว่าจะเลือกใช้อัลกอริทึมแบบไหนก็ตาม ก็ต้องใช้หลักสถิติจากข้อมูลที่ได้รับปริมาณมหาศาลทั้งสิ้นสมกับชื่อที่มีความหมายว่า การที่เครื่องจักรต้องเรียนรู้ (จากข้อมูลจำนวนมาก) ซึ่งถ้าคุณสนใจศึกษาเอไอแขนงนี้ให้ลึกมากขึ้น การทำความเข้าใจหลักการทางสถิติหลากหลายรูปแบบย่อมเป็นสิ่งสำคัญที่จะทำให้คุณก้าวหน้าในเทคโนโลยีด้านนี้อย่างแท้จริง
ที่มา : Technotification
