การเรียนรู้เชิงลึก ปัญญาประดิษฐ์ และการเรียนรู้ของเครื่องสำหรับหุ่นจำลอง: อธิบายพร้อมตัวอย่าง

คุณต้องการที่จะเปล่งประกายด้วยสติปัญญาของคุณในกลุ่มเพื่อนร่วมงานหรือทำให้เพื่อนของคุณประหลาดใจในการสนทนาในหัวข้อทางเทคนิคในปัจจุบันหรือไม่? พูดถึง "ปัญญาประดิษฐ์" หรือ "การเรียนรู้ของเครื่อง" ในการสนทนา เท่านี้ก็เรียบร้อย คำว่า "ปัญญาประดิษฐ์" เป็นที่ได้ยินกันอย่างแพร่หลาย โปรแกรมเมอร์ต้องการเรียนรู้ AI ผู้นำต้องการนำ AI มาใช้ในบริการของตน แต่ในทางปฏิบัติ แม้แต่มืออาชีพก็ยังไม่เข้าใจเสมอไปว่า “AI” คืออะไร บทความนี้มีวัตถุประสงค์เพื่อช่วยให้คุณเข้าใจคำว่า “ปัญญาประดิษฐ์” และ “การเรียนรู้ของเครื่อง” นอกจากนี้คุณยังจะได้เรียนรู้ว่า Deep Learning ซึ่งเป็น Machine Learning ที่ได้รับความนิยมมากที่สุดทำงานอย่างไร และที่สำคัญคือคำแนะนำเหล่านี้เขียนด้วยภาษาที่เข้าถึงได้ง่าย คณิตศาสตร์ที่นี่จะเข้าใจได้ไม่ยากเกินไป

พื้นฐาน

ขั้นตอนแรกในการทำความเข้าใจว่า Deep Learning คืออะไรคือการเข้าใจความแตกต่างระหว่างคำศัพท์สำคัญ ภาพ : ดาตานามิ

ปัญญาประดิษฐ์กับการเรียนรู้ของเครื่อง

ปัญญาประดิษฐ์ (AI หรือ AI agnl.) คือความพยายามที่จะคัดลอกกระบวนการคิดของมนุษย์โดยคอมพิวเตอร์ เมื่อการวิจัยในด้านปัญญาประดิษฐ์เพิ่งเริ่มต้น นักวิทยาศาสตร์พยายามคัดลอกพฤติกรรมของสติปัญญาของมนุษย์อย่างเคร่งครัดภายใต้เงื่อนไขบางประการ นั่นคือ เพื่อเพิ่มความคมชัดเพื่อแก้ไขปัญหาบางอย่าง เช่นเพื่อให้เครื่องสามารถเล่นเกมได้ พวกเขาสร้างกฎจำนวนหนึ่งที่เครื่องคอมพิวเตอร์ต้องปฏิบัติตาม คอมพิวเตอร์มีรายการการดำเนินการที่เป็นไปได้ และทำการตัดสินใจตามกฎและข้อจำกัดที่กำหนดไว้ในระหว่างขั้นตอนการออกแบบ ML ช่วยให้คอมพิวเตอร์เรียนรู้ได้ด้วยตัวเอง การเรียนรู้ประเภทนี้ใช้ประโยชน์จากเทคโนโลยีคอมพิวเตอร์สมัยใหม่ ซึ่งสามารถประมวลผลข้อมูลจำนวนมหาศาลได้อย่างง่ายดาย

การเรียนรู้แบบมีผู้สอน VS การเรียนรู้แบบไม่มีผู้สอน

การเรียนรู้แบบมีผู้สอนใช้ชุดข้อมูลที่ประกอบด้วยอินพุตและเอาต์พุตที่คาดหวัง เมื่อคุณฝึกปัญญาประดิษฐ์โดยใช้การเรียนรู้ภายใต้การดูแล คุณจะให้ข้อมูลเป็นอินพุตและระบุผลลัพธ์ที่ควรจะเป็น หากผลลัพธ์ที่ AI ผลิตออกมาแตกต่างจากที่คาดไว้ AI จะต้องแก้ไขการคำนวณให้ถูกต้อง กระบวนการนี้ทำซ้ำหลายครั้งในอาเรย์ข้อมูล ตราบใดที่ AI ทำผิดพลาด ตัวอย่างของการเรียนรู้แบบมีผู้สอนคือปัญญาประดิษฐ์ที่ทำนายสภาพอากาศ เรียนรู้การพยากรณ์อากาศโดยใช้ข้อมูลในอดีต ข้อมูลอินพุตคือความดัน ความชื้น และความเร็วลม ด้วยเหตุนี้เราจึงควรได้รับอุณหภูมิ การเรียนรู้แบบไม่มีผู้ดูแลเป็นงานที่ประกอบด้วยการฝึกอบรม AI โดยใช้ข้อมูลที่ไม่มีโครงสร้าง เมื่อคุณฝึกปัญญาประดิษฐ์โดยใช้การเรียนรู้แบบไม่มีผู้ดูแล คุณจะเปิดใช้งาน AI ทำการจำแนกข้อมูลเชิงตรรกะ ตัวอย่างของปัญญาประดิษฐ์ที่ใช้การเรียนรู้ของเครื่องแบบไม่มีผู้ดูแลคือหุ่นยนต์ทำนายพฤติกรรมของลูกค้าในร้านค้าออนไลน์ เรียนรู้โดยไม่ต้องใช้อินพุตและเอาต์พุตที่รู้จักล่วงหน้า แต่จะต้องจัดประเภทข้อมูลอินพุตแทน อัลกอริทึมควรระบุและบอกคุณว่าผู้ใช้ประเภทใดชอบผลิตภัณฑ์ใด

แมชชีนเลิร์นนิงทำงานอย่างไร

ดังนั้นDeep Learningจึงเป็นหนึ่งในแนวทางหนึ่งของ Machine Learning ช่วยให้คุณสามารถทำนายผลลัพธ์จากข้อมูลอินพุตที่กำหนด หากต้องการฝึก AI คุณสามารถใช้ทั้งสองตัวเลือกข้างต้น: การเรียนรู้แบบมีผู้สอนและแบบไม่มีผู้ดูแล เราจะเข้าใจวิธีการทำงานของ Deep Learning โดยใช้ตัวอย่างที่ชัดเจน สมมติว่าเราจำเป็นต้องพัฒนาบริการในการทำนายราคาการเดินทางทางอากาศ เราจะฝึกอัลกอริทึมของเราโดยใช้วิธีการที่ได้รับการดูแล เราต้องการให้บริการคาดการณ์ราคาการเดินทางทางอากาศคาดการณ์ราคาตามข้อมูลที่ป้อนต่อไปนี้ (เราไม่คำนึงถึงเที่ยวบินขากลับเพื่อความสะดวกในการนำเสนอ):

• สนามบินต้นทาง;
• สนามบินขาเข้า;
• วันออกเดินทางที่วางแผนไว้
• สายการบิน

โครงข่ายประสาท เทียม มาดูสมองของปัญญาประดิษฐ์กันดีกว่า เช่นเดียวกับในกรณีของสิ่งมีชีวิตทางชีวภาพ ตัวทำนายของเรามีเซลล์ประสาทอยู่ใน "หัว" ในภาพจะแสดงเป็นวงกลม เซลล์ประสาทเชื่อมต่อถึงกัน ในภาพ เซลล์ประสาทจะรวมกันเป็นสามกลุ่มชั้น:

• เลเยอร์อินพุต;
• เลเยอร์ที่ซ่อนอยู่ 1 (เลเยอร์ที่ซ่อนอยู่ 1) และเลเยอร์ที่ซ่อนอยู่ 2 (เลเยอร์ที่ซ่อนอยู่ 2);
• เลเยอร์เอาท์พุต

ข้อมูลบางส่วนเข้าสู่เลเยอร์อินพุต ในกรณีของเรา เรามีเซลล์ประสาท 4 ตัวในเลเยอร์อินพุต ได้แก่ สนามบินขาออก สนามบินขาเข้า วันที่ออกเดินทาง สายการบิน เลเยอร์อินพุตจะส่งข้อมูลไปยังเลเยอร์แรกที่ซ่อนไว้ เลเยอร์ที่ซ่อนอยู่จะทำการคำนวณทางคณิตศาสตร์ตามข้อมูลอินพุตที่ได้รับ ปัญหาหลักประการหนึ่งในการสร้างโครงข่ายประสาทเทียมคือการเลือกจำนวนเลเยอร์ที่ซ่อนอยู่และจำนวนเซลล์ประสาทในแต่ละเลเยอร์ เลเยอร์เอาท์พุตจะส่งข้อมูลผลลัพธ์กลับมาให้เรา ในกรณีของเรา ราคาเที่ยวบินที่คาดหวัง เราพลาดสิ่งที่น่าสนใจที่สุดไปแล้ว: ราคาที่คาดหวังคำนวณได้อย่างไร? นี่คือจุดเริ่มต้นของความมหัศจรรย์ของ Deep Learning การเชื่อมต่อระหว่างเซลล์ประสาทแต่ละครั้งจะได้รับการกำหนดน้ำหนัก (สัมประสิทธิ์) ที่แน่นอน น้ำหนักนี้จะกำหนดความสำคัญของค่าอินพุต น้ำหนักเริ่มต้นจะถูกตั้งค่าแบบสุ่ม เมื่อคาดการณ์ต้นทุนการเดินทางทางอากาศวันที่ออกเดินทางจะส่งผลต่อราคามากที่สุด ดังนั้นการเชื่อมต่อของเซลล์ประสาท "วันที่ออกเดินทาง" จึงมีน้ำหนักมากกว่า เซลล์ประสาทแต่ละตัวมีฟังก์ชันการเปิดใช้งานติดอยู่ เป็นการยากที่จะเข้าใจว่าฟังก์ชันนี้คืออะไรหากไม่มีความรู้ทางคณิตศาสตร์ เรามาทำให้ง่ายขึ้นกันดีกว่า: จุดประสงค์ของฟังก์ชันการเปิดใช้งานคือการ "สร้างมาตรฐาน" เอาต์พุตจากเซลล์ประสาท หลังจากที่ชุดข้อมูลได้ผ่านทุกเลเยอร์ของโครงข่ายประสาทเทียมแล้ว ก็จะส่งกลับผลลัพธ์ผ่านเลเยอร์เอาท์พุต จนถึงตอนนี้ทุกอย่างชัดเจนใช่ไหม?

การฝึกอบรมโครงข่ายประสาทเทียม

การฝึกอบรมโครงข่ายประสาทเทียมเป็นส่วนที่ยากที่สุดของ Deep Learning! ทำไม เพราะคุณต้องการข้อมูลจำนวนมาก เพราะคุณต้องการพลังการประมวลผลที่มากขึ้น สำหรับโครงการของเรา เราจำเป็นต้องค้นหาข้อมูลราคาตั๋วเครื่องบินในอดีต นอกจากนี้ สำหรับการรวมสนามบินต้นทางและปลายทาง วันที่ออกเดินทาง และสายการบินต่างๆ ที่เป็นไปได้ทั้งหมด เราต้องการข้อมูลจำนวนมากพร้อมราคาตั๋ว เราต้องป้อนข้อมูลอินพุตจากชุดของเราไปยังอินพุตของโครงข่ายประสาทเทียมของเราและตรวจสอบว่าตรงกับผลลัพธ์ที่เรามีอยู่แล้วหรือไม่ หากผลลัพธ์ที่ได้รับจากปัญญาประดิษฐ์แตกต่างไปจากที่คาดไว้ แสดงว่ายังได้รับการฝึกฝนไม่เพียงพอ เมื่อเราเรียกใช้ข้อมูลจำนวนเต็มผ่านโครงข่ายประสาทเทียมของเราแล้ว เราสามารถสร้างฟังก์ชันที่จะระบุว่าผลลัพธ์ของ AI แตกต่างจากผลลัพธ์จริงในชุดข้อมูลของเราอย่างไร ฟังก์ชันดังกล่าวเรียกว่าฟังก์ชันต้นทุน ในกรณีที่เหมาะซึ่งเรามุ่งมั่นอย่างเต็มที่ค่าของฟังก์ชันต้นทุนของเราจะเท่ากับศูนย์ ซึ่งหมายความว่าผลลัพธ์ต้นทุนที่เลือกโดยโครงข่ายประสาทเทียมไม่แตกต่างจากต้นทุนจริงของตั๋วในชุดข้อมูลของเรา

เราจะลดค่าของฟังก์ชันต้นทุนได้อย่างไร?

เราเปลี่ยนน้ำหนักของการเชื่อมต่อระหว่างเซลล์ประสาท ซึ่งสามารถทำได้แบบสุ่ม แต่วิธีนี้ไม่ได้ผล เราจะใช้วิธีการที่เรียกว่าลาดลงแทน อัลกอริทึมนี้ทำงานโดยค่อยๆ เพิ่มน้ำหนักหลังจากการวนซ้ำของการประมวลผลชุดข้อมูลของเราแต่ละครั้ง ด้วยการคำนวณอนุพันธ์ (หรือการไล่ระดับสี) ของฟังก์ชันต้นทุนสำหรับชุดน้ำหนักบางชุด เราจะเห็นได้ว่าค่าต่ำสุดอยู่ในทิศทางใด ในภาพ: น้ำหนักเริ่มต้น - น้ำหนักเริ่มต้น ต้นทุนขั้นต่ำทั่วโลก - ฟังก์ชันต้นทุนขั้นต่ำทั่วโลก เพื่อลดฟังก์ชันต้นทุนให้เหลือน้อยที่สุด เราต้องทำการคำนวณชุดข้อมูลของเราหลายครั้ง นี่คือเหตุผลที่คุณต้องการพลังการประมวลผลจำนวนมาก ตุ้มน้ำหนักจะได้รับการอัปเดตโดยอัตโนมัติโดยใช้วิธีการไล่ระดับลง นี่คือความมหัศจรรย์ของ Deep Learning! เมื่อเราอบรมบริการทำนายราคาเที่ยวบินด้วย AI แล้ว เราก็สามารถใช้ทำนายราคาได้อย่างปลอดภัยในความเป็นจริง

มาสรุปกัน...

• การเรียนรู้เชิงลึกใช้โครงข่ายประสาทเทียมเพื่อจำลองความฉลาด
• เซลล์ประสาทมีสามประเภทในโครงข่ายประสาทเทียม: เลเยอร์อินพุต, เลเยอร์ที่ซ่อนอยู่, เลเยอร์เอาท์พุต
• การเชื่อมต่อระหว่างเซลล์ประสาทแต่ละอันมีน้ำหนักของตัวเอง ซึ่งบ่งบอกถึงความสำคัญของอินพุตนั้น
• เซลล์ประสาทใช้ฟังก์ชันการเปิดใช้งานเพื่อ "กำหนดมาตรฐาน" เอาต์พุตจากเซลล์ประสาท
• หากต้องการฝึกโครงข่ายประสาทเทียม คุณต้องมีข้อมูลจำนวนมาก
• หากเราประมวลผลอาร์เรย์ข้อมูลโดยใช้โครงข่ายประสาทเทียมและเปรียบเทียบข้อมูลเอาท์พุตกับข้อมูลจริง เราจะได้ฟังก์ชันต้นทุนที่แสดงว่า AI ผิดปกติมากน้อยเพียงใด
• หลังจากการประมวลผลข้อมูลแต่ละครั้ง น้ำหนักระหว่างเซลล์ประสาทจะถูกปรับโดยใช้วิธีการไล่ระดับสีเพื่อลดฟังก์ชันต้นทุน

เชื่อมโยงไปยังต้นฉบับ