โครงข่ายประสาทเทียมลึกคืออะไร?

Deep Neural Network (DNN) เป็นเทคนิคการเรียนรู้ของเครื่องที่ช่วยให้คอมพิวเตอร์สามารถทํางานที่ยากมากโดยใช้เทคนิคการเขียนโปรแกรมแบบเดิมโดยการฝึกอบรม อัลกอริธึมโครงข่ายประสาทเทียมได้รับแรงบันดาลใจจากสมองของมนุษย์และหน้าที่ของมัน: เช่นเดียวกับจิตใจมนุษย์ของเรามันถูกออกแบบมาให้ทํางานไม่เพียง แต่ทําตามรายการกฎที่กําหนดไว้ล่วงหน้า แต่โดยการทํานายวิธีแก้ปัญหาและสรุปผลตามการทําซ้ําและประสบการณ์ก่อนหน้านี้

สถาปัตยกรรมโครงข่ายประสาทเทียมคืออะไร?

โครงข่ายประสาทเทียมประกอบด้วยโหนดหลายชั้นที่รับอินพุตจากเลเยอร์อื่นและสร้างเอาต์พุตจนกว่าจะได้ผลลัพธ์สุดท้าย โครงข่ายประสาทเทียมสามารถมีเลเยอร์ที่ซ่อนอยู่จํานวนเท่าใดก็ได้: ยิ่งมีเลเยอร์ของโหนดในเครือข่ายมากเท่าใด ความซับซ้อนก็จะยิ่งสูงขึ้นเท่านั้น นี่คือสถาปัตยกรรมโครงข่ายประสาทเทียมที่แตกต่างกัน:

1. โครงข่ายประสาทเทียมแบบดั้งเดิมมักประกอบด้วย 2 หรือ 3 ชั้นที่ซ่อนอยู่
2. เครือข่ายการเรียนรู้เชิงลึกที่สามารถมีเลเยอร์ที่ซ่อนอยู่ได้ถึง 150 เลเยอร์

อะไรคือความแตกต่างระหว่างโครงข่ายประสาทเทียมและโครงข่ายประสาทเทียมลึก?

โครงข่ายประสาทเทียมลึกเป็นระบบที่ซับซ้อนกว่าระบบประสาทที่ "เรียบง่าย" มาก โครงข่ายประสาทเทียมเปรียบได้กับเกมหมากรุก และทํางานตามอัลกอริทึม: กลยุทธ์ต่างๆ จะถูกแนะนําตามการเคลื่อนไหวและการกระทําของคู่ต่อสู้ โครงข่ายประสาทเทียมนี้จะถูกจํากัดเฉพาะสิ่งที่โปรแกรมเมอร์ป้อน:

• ตัวหมากรุกเคลื่อนที่อย่างไร
• ขนาดของกระดานหมากรุก
• กลยุทธ์ที่แตกต่างกันสําหรับสถานการณ์ที่แตกต่างกัน

โครงข่ายประสาทเทียมที่นอกเหนือไปจากข้อมูลอินพุตและสามารถเรียนรู้จากประสบการณ์ก่อนหน้านี้จะกลายเป็นโครงข่ายประสาทเทียมที่ลึก

ตัวอย่างเช่นบนคอมพิวเตอร์เครื่องเดียวกันคุณสามารถฝึกโครงข่ายประสาทเทียมจากนั้นเล่นกับคนอื่นและปล่อยให้มันเรียนรู้ในขณะที่เล่น หากโครงข่ายประสาทเทียมสามารถเรียนรู้จากผู้เล่นที่แตกต่างกันอาจเป็นเรื่องยากหรือเป็นไปไม่ได้อย่างแท้จริงที่จะเอาชนะโครงข่ายประสาทเทียมที่ลึกแม้กระทั่งสําหรับปรมาจารย์หมากรุก

โครงข่ายประสาทเทียมลึกสามารถจดจําคําสั่งเสียงระบุเสียงจดจําเสียงและกราฟิกและทําได้มากกว่าโครงข่ายประสาทเทียม เครือข่ายการเรียนรู้เชิงลึกใช้ "ข้อมูลขนาดใหญ่" ร่วมกับอัลกอริทึมเพื่อแก้ปัญหา และโครงข่ายประสาทเทียมเชิงลึกเหล่านี้สามารถแก้ปัญหาด้วยการป้อนข้อมูลของมนุษย์ที่จํากัดหรือไม่มีเลย

จะเห็นภาพการทํางานของโครงข่ายประสาทเทียมลึกได้อย่างไร?

กระบวนการของโครงข่ายประสาทเทียมเชิงลึกนั้นเข้าใจได้ดีที่สุดโดยดูตัวอย่าง ลองนึกภาพว่าคุณมีภาพหลายแสนภาพ ซึ่งบางภาพมีสุนัขอยู่ในนั้น และคุณตัดสินใจว่าต้องการเขียนโปรแกรมคอมพิวเตอร์เพื่อจดจําสุนัขในรูปภาพ

คุณมีสองทางเลือก คุณสามารถเขียนโปรแกรมเพื่อระบุสุนัขอย่างชัดเจนหรือคุณสามารถเขียนโปรแกรมที่ "เรียนรู้" วิธีการระบุสุนัข

คุณตัดสินใจอย่างไม่ฉลาดที่จะพยายามทําแบบเดิม

การใช้เทคนิคการเขียนโปรแกรมแบบเดิมนั้นใช้เวลานานและยาก และผลลัพธ์ก็ไม่ถูกต้องเสมอไป

ในการระบุรูปภาพสุนัข คุณสร้างโปรแกรมซอฟต์แวร์โดยใช้คําสั่ง "ถ้า" และ "แล้ว" ซึ่งโอกาสที่คุณจะดูสุนัขได้รับการตั้งโปรแกรมให้เพิ่มขึ้นทุกครั้งที่คุณระบุคุณลักษณะที่เหมือนสุนัข เช่น ขน หูฟลอปปี้ และหาง อย่างไรก็ตามระบบประสาทประเภทนี้เป็นเรื่องยากในหลายระดับ:

ตัวอย่างเช่นหากกลุ่มพิกเซลมีลักษณะคล้ายหางเพิ่มโอกาสที่คุณจะมองสุนัข โครงข่ายประสาทเทียมส่วนลึกของคุณต้องระบุกลุ่มพิกเซลที่สอดคล้องกับคุณลักษณะที่เหมือนสุนัข แม้ว่าคุณจะจัดการได้ แต่ก็มีปัญหาสําหรับอัลกอริทึมของคุณ:

• วัตถุที่ถ่ายภาพจํานวนมากมีลักษณะคล้ายสุนัขโดยเฉพาะภาพถ่ายของสัตว์ที่คล้ายคลึงกัน คุณจะต้องเพิ่มกฎ
• บางครั้งคุณลักษณะอยู่ที่นั่น แต่ถูกบดบัง อัลกอริทึมของคุณจะไม่รับมัน
• บางครั้งแอตทริบิวต์จะมีความสําคัญก็ต่อเมื่อมีคุณลักษณะอื่นเท่านั้น จําเป็นต้องมีกฎการตัดสินใจเพิ่มเติม

การจัดประเภทของคุณล้มเหลว คุณตระหนักดีว่าคุณไม่สามารถระบุชุดคุณลักษณะทั้งหมดได้ด้วยตนเองนับประสาอะไรกับการคิดค้นกฎทั้งหมดที่จําเป็นในการจัดการกับกรณีพิเศษเหล่านี้ทั้งหมด

คุณยอมแพ้อย่างชาญฉลาดและตัดสินใจที่จะลองใช้วิธีหลัง ในการใช้โครงข่ายประสาทเทียมหรือโครงข่ายประสาทเทียมที่ลึกกว่านั้น

โมเดลการเรียนรู้เชิงลึกสามารถช่วยคุณประหยัดเวลาในการเขียนโค้ดและให้ผลลัพธ์ที่ดีขึ้น

โครงข่ายประสาทเทียมได้รับการตั้งชื่อเช่นนี้เนื่องจากมีความคล้ายคลึงกันระหว่างวิธีการเขียนโปรแกรมนี้กับวิธีการทํางานของสมอง

เช่นเดียวกับสมองอัลกอริทึมโครงข่ายประสาทใช้เครือข่ายของเซลล์ประสาทหรือโหนด เซลล์ประสาทเหล่านี้เป็นหน้าที่ที่ไม่ต่อเนื่อง (หรือเครื่องจักรเล็ก ๆ ถ้าคุณต้องการ) ที่รับอินพุตและสร้างเอาต์พุต โหนดเหล่านี้ถูกจัดเรียงเป็นชั้นโดยเอาต์พุตของเซลล์ประสาทในชั้นหนึ่งจะกลายเป็นอินพุตไปยังเซลล์ประสาทในชั้นถัดไปจนกว่าเซลล์ประสาทในชั้นนอกของเครือข่ายจะสร้างผลลัพธ์สุดท้าย

ดังนั้นจึงมีชั้นของเซลล์ประสาทโดยเซลล์ประสาทแต่ละเซลล์ได้รับอินพุตที่ จํากัด มากและสร้างเอาต์พุตที่ จํากัด มากเช่นเดียวกับในสมอง ชั้นแรก (หรือชั้นอินพุต) ของเซลล์ประสาทรับอินพุตและชั้นสุดท้ายของเซลล์ประสาท (หรือชั้นเอาต์พุต) ในเครือข่ายจะส่งออกผลลัพธ์

ถูกต้องหรือไม่ที่จะเรียกอัลกอริทึมประเภทนี้ว่า "โครงข่ายประสาทเทียม"?

สมองของมนุษย์มีความซับซ้อนและทรงพลังกว่าโครงข่ายประสาทเทียมแน่นอน การตั้งชื่ออัลกอริทึมว่า "โครงข่ายประสาทเทียมเชิงลึก" เป็นการรัฐประหารการสร้างแบรนด์ แต่อาจสร้างความคาดหวังที่ไม่สมจริงเกี่ยวกับสิ่งที่สามารถทําได้ด้วยเทคนิคเหล่านี้ ที่กล่าวว่ามีคนพยายามปรับโครงสร้างสมองใหม่โดยใช้โครงข่ายประสาทเทียมที่ซับซ้อนมากด้วยความหวังว่าการทําเช่นนี้พวกเขาจะสามารถจําลองความฉลาดทั่วไปที่เหมือนมนุษย์ในการพัฒนาบอทได้ แล้วโครงข่ายประสาทเทียมและเทคนิคการเรียนรู้ของเครื่องช่วยเราแก้ปัญหาการจดจําสุนัขได้อย่างไร

แทนที่จะกําหนดคุณลักษณะที่เหมือนสุนัขด้วยตนเองอัลกอริทึมโครงข่ายประสาทเทียมเชิงลึกสามารถระบุคุณลักษณะที่สําคัญและจัดการกับกรณีพิเศษทั้งหมดโดยไม่ต้องเขียนโปรแกรม

โครงข่ายประสาทเทียมส่วนลึกทํางานอย่างไร?

มันทําสิ่งนี้ดังนี้:

เซลล์ประสาทแต่ละเซลล์บนชั้นอินพุตจะได้รับข้อมูลเล็กน้อยจากภาพเป็นอินพุต จากนั้นสุ่มน้ําหนัก (ระหว่างศูนย์ถึงหนึ่ง) ไม่ว่าข้อมูลนั้นจะแนะนําสุนัขหรือไม่ น้ําหนักที่ต่ํา (น้อยกว่า 0.5) หมายความว่ามีโอกาสน้อยที่ข้อมูลจะเกี่ยวข้องกับสุนัข และน้ําหนักที่สูงหมายความว่าข้อมูลนั้นเกี่ยวข้องกับสุนัขมากกว่า วิธีการโครงข่ายประสาทเทียมหลายชั้นนี้เรียกว่าการเรียนรู้เชิงลึก โครงข่ายประสาทเทียมและการเรียนรู้เชิงลึกเป็นเทคนิคที่ทรงพลังมากในการบรรลุความเข้าใจคอมพิวเตอร์

โครงข่ายประสาทเทียมลึกประกอบด้วยโหนดหลายชั้นที่มีพฤติกรรมเหมือนเซลล์ประสาทในสมองของเรา

ดังนั้นเพื่อดําเนินการต่อในเครือข่ายประสาทลึกน้ําหนักของเซลล์ประสาทเหล่านี้จะถูกป้อนเป็นอินพุตไปยังเซลล์ประสาทชั้นอื่น ๆ ซึ่งสุ่มกําหนดน้ําหนักและส่งต่อเป็นอินพุตไปยังเซลล์ประสาทในเครือข่ายมากขึ้น สิ่งนี้จะดําเนินต่อไปจนกว่าชั้นเอาต์พุตของเซลล์ประสาทจะให้คําตัดสินแบบไบนารี หากค่าเฉลี่ยของน้ําหนักที่ส่งผ่านไปยังพวกเขามากกว่า 0.5 แสดงว่าเป็นสุนัขมิฉะนั้นจะไม่เป็นเช่นนั้น การเชื่อมต่อเหล่านี้ระหว่างและการกระตุ้นของเซลล์ประสาทในโหนดหลายชั้นคือสิ่งที่ทําให้แอปพลิเคชันโครงข่ายประสาทเทียมเชิงลึกมีพลัง

โครงข่ายประสาทเทียมส่วนลึกรู้ได้อย่างไรว่ามันให้คําตอบที่ถูกต้อง?

คําถามที่เกี่ยวข้อง ณ จุดนี้คือ: โครงข่ายประสาทเทียมส่วนลึกเดาถูกหรือไม่ และจะเกิดอะไรขึ้นหากมีหรือเดาไม่ถูก? และโครงข่ายประสาทเทียมรู้ได้อย่างไรว่าเดาถูกหรือไม่?

วิธีหนึ่งที่จะรู้ได้คือถ้าคุณรับงานจําแนกที่ใช้เวลานานมากในการติดป้ายกํากับภาพถ่ายทั้งหมดว่า "สุนัข" หรือ "ไม่ใช่สุนัข" ขึ้นอยู่กับว่ามีสุนัขอยู่ในภาพหรือไม่ โครงข่ายประสาทเทียมจะดูที่ฉลากเพื่อดูว่าระบุสุนัขได้อย่างถูกต้องหรือไม่

และแน่นอนว่าเราไม่สนใจว่ามันจะมีคําถาม "สุนัขหรือไม่" ในภาพสุนัขตัวเดียว เราสนใจว่าคําถามนั้นถูกต้องสําหรับทุกภาพหรือไม่ หรืออย่างน้อยก็เพื่อค้นหาว่าเปอร์เซ็นต์ของเวลาที่แม่นยําในการประเมินว่ามีสุนัขหรือไม่อยู่ในภาพ

โครงข่ายประสาทเทียมเชิงลึกใช้การฝึกอบรมเพื่อเรียนรู้อย่างไร

โครงข่ายประสาทเทียมเรียนรู้จากการทําซ้ําแต่ละครั้งผ่านข้อมูลเพื่อปรับปรุงความแม่นยํา

สําหรับชุดน้ําหนักที่กําหนดในเซลล์ประสาททั้งหมดในเครือข่ายโครงข่ายประสาทเทียมจะทําการคาดเดาสําหรับภาพถ่ายทั้งหมดแล้วพิจารณาว่ามีความแม่นยําเพียงใด มันได้ผลลัพธ์ที่ถูกต้องกี่เปอร์เซ็นต์ เช่น บอกว่าสุนัขอยู่ในภาพเมื่ออยู่ในภาพ และได้ผลลัพธ์ผิดกี่ครั้ง บอกว่าสุนัขอยู่ในภาพเมื่อไม่ใช่ หรือบอกว่าสุนัขไม่ได้อยู่ในภาพเมื่อมันอยู่ ข้อบ่งชี้นี้ว่าอัลกอริทึม AI มีความแม่นยําเพียงใดเป็นข้อเสนอแนะที่จําเป็นสําหรับแบบจําลองโครงข่ายประสาทเทียม

เมื่อมันวิ่งผ่านภาพถ่ายทั้งหมดหนึ่งครั้งมันสามารถสุ่ม (หรืออย่างอื่น) ปรับน้ําหนักบางส่วนแล้วทําแบบฝึกหัดทั้งหมดในการเดาสิ่งที่อยู่ในภาพอีกครั้ง หากผลลัพธ์จากการวิ่งครั้งที่สองดีขึ้นก็จะเก็บไว้แทนที่จะกลับไปใช้น้ําหนักชุดก่อนหน้า หากผลลัพธ์จากการวิ่งครั้งที่สองแย่ลง อาจเปลี่ยนกลับเป็นตุ้มน้ําหนักชุดก่อนหน้า แล้วลองปรับเปลี่ยนตุ้มน้ําหนักเหล่านั้นให้แตกต่างออกไป

กระบวนการนี้จะดําเนินต่อไปในลักษณะนี้จนกว่าโครงข่ายประสาทเทียมจะระบุสุนัขในภาพถ่ายได้ดี (หวังว่า)

เมื่ออัลกอริทึมสามารถระบุสุนัขได้อย่างแม่นยํา ว่ากันว่ามาบรรจบกัน ได้รับการ "ฝึก" เพื่อระบุสุนัขเรียบร้อยแล้ว

โครงข่ายประสาทเทียมประเภทต่าง ๆ มีอะไรบ้าง?

โครงข่ายประสาทเทียมแบบ Convolutional

โครงข่ายประสาทเทียมแบบ Convolutional (CNN) เป็นปัญญาประดิษฐ์ประเภทหนึ่งที่ออกแบบมาเพื่อประมวลผลหรือเรียนรู้จากชุดข้อมูลขนาดใหญ่ โครงข่ายประสาทเทียมแบบ Convolutional เป็นคําที่บัญญัติขึ้นใหม่โดยเฉพาะซึ่งอธิบายเครือข่ายประเภทนี้หรือเทคโนโลยี AI โดยทั่วไป

CNN เป็นเครื่องมือ AI จดจําภาพที่ทรงพลังซึ่งใช้การเรียนรู้เชิงลึกเพื่อทํางานที่สร้างสรรค์ไม่เพียง แต่ยังรวมถึงงานเชิงพรรณนาด้วย ตัวอย่างของงานสร้างสรรค์ ได้แก่ การครอบตัดอัตโนมัติ การเขียนคําบรรยาย การถ่ายวิดีโอ mimeograph และการซ้อนทับรูปภาพ โครงข่ายประสาทเทียมแบบ convolutional ประกอบด้วยสิ่งที่เรียกว่าชั้น convolutional เซลล์ประสาทแต่ละเซลล์ในชั้นเหล่านี้ประมวลผลข้อมูลจากส่วนเล็ก ๆ ของลานสายตาเท่านั้น อินพุตของเซลล์ประสาทแต่ละเซลล์จะเรียงกันในลักษณะคล้ายเช็คซัมเพื่อสร้างแผนที่คุณลักษณะ

โครงข่ายประสาทเทียม

โครงข่ายประสาทเทียม (ANN) เป็นเครือข่ายของการรับรู้จํานวนมากที่ระดับความลึกหรือชั้นต่างๆ ที่สามารถเข้าใจได้ว่าเป็นการถดถอยโลจิสติก ANN มักถูกเรียกว่า Feed Forward Neural Network เนื่องจากอินพุตจะถูกประมวลผลในทิศทางไปข้างหน้าเท่านั้น: เลเยอร์รับอินพุตและส่งเอาต์พุตในลักษณะเชิงเส้น

โครงข่ายประสาทเทียมเรียกอีกอย่างว่าตัวประมาณฟังก์ชันสากล อัลกอริธึมโครงข่ายประสาทเทียมบริสุทธิ์ เช่น ANN และฟังก์ชันการทําแผนที่ที่สามารถนําไปใช้เป็นการเรียนรู้เชิงลึกช่วยให้คอมพิวเตอร์เรียนรู้ฟังก์ชันใดก็ได้ สาเหตุหนึ่งที่ทําให้การประมาณค่าสากลมีความสําคัญคือฟังก์ชันการเปิดใช้งาน ฟังก์ชันการเปิดใช้งานแนะนําคุณสมบัติแบบไม่เชิงเส้นในเครือข่ายในขณะที่เรียนรู้ความสัมพันธ์ที่ซับซ้อนระหว่างอินพุตและเอาต์พุต ช่วยให้เครือข่ายประเภทต่างๆ เรียนรู้จากกันและกัน

โครงข่ายประสาทเทียมส่วนลึกจะดีขึ้นอย่างไรเมื่อเวลาผ่านไป?

วิธีหนึ่งในการจินตนาการว่าอัลกอริทึมกําลังทําอะไรอยู่คือการจินตนาการว่าเซลล์ประสาทแต่ละเซลล์เป็นการทดสอบความแน่นอน แทนที่จะเข้ารหัสข้อความทั้งหมดเพื่อระบุสุนัขเซลล์ประสาทแต่ละเซลล์จะถูกปรับเทียบเพื่อเพิ่มหรือนําออกจากการตัดสินขั้นสุดท้ายว่าวัตถุในภาพเป็นสุนัข ราวกับว่าคําพิพากษา (เช่นสุนัขหรือไม่) ถูกแบ่งออกเป็นการตัดสินที่เชื่อมโยงกันจํานวนมากซึ่งมีส่วนช่วยในการตัดสินขั้นสุดท้าย

แน่นอนว่าวัตถุประสงค์หลักคือเพื่อให้เกิดการบรรจบกันหากเป็นไปได้ นอกจากนี้ยังเป็นวัตถุประสงค์สําคัญในการทําเช่นนี้ในระยะเวลาที่เหมาะสมโดยเฉพาะอย่างยิ่งในเวลาอันสั้น

อัลกอริธึมการเรียนรู้เชิงลึกมีกระบวนการเรียนรู้ที่ทําให้มนุษย์เข้าใจยาก

สิ่งที่น่าสนใจคือตรรกะที่ช่วยให้โครงข่ายประสาทเทียมสามารถระบุสุนัขในภาพนั้นไม่เข้าใจของมนุษย์ โมเดลการเรียนรู้เชิงลึกมีตรรกะที่ซ่อนอยู่โดยพื้นฐานแล้วกล่องดําของชั้นโหนดที่ซ่อนอยู่ซึ่งสร้างเครือข่ายลึกของตัวเอง ที่กล่าวว่ามีความพยายามบางอย่างที่จะพยายามแสดงตรรกะเบื้องหลังโครงข่ายประสาทเทียมสําหรับงานจดจําภาพ สําหรับกรณีอื่นๆ เป็นไปไม่ได้ที่จะเห็นว่าอัลกอริทึมกําลังทําอะไรอยู่เบื้องหลังและวิธีการเรียนรู้เชิงลึกยังคงซ่อนอยู่

โครงข่ายประสาทเทียมและแมชชีนเลิร์นนิงเป็นที่นิยมในขณะนี้ แต่อัลกอริธึมเหล่านี้จํานวนมากเป็นที่รู้จักเมื่อประมาณ 50 ปีที่แล้ว

เหตุใดโครงข่ายประสาทเทียมเชิงลึกจึงเป็นที่นิยมมากขึ้นในอุตสาหกรรมต่างๆ

สาเหตุหลักประการหนึ่งที่ทําให้โครงข่ายประสาทเทียมได้รับความนิยมมากกว่าตอนที่คิดค้นขึ้นครั้งแรกคือพลังการประมวลผลนั้นเร็วกว่าและราคาถูกกว่าที่เป็นอยู่ พลังการประมวลผลได้สร้างความแตกต่างในการบรรลุการบรรจบกันอย่างรวดเร็ว อีกเหตุผลหนึ่งคือขณะนี้ข้อมูลแพร่หลายซึ่งจะเพิ่มมูลค่าของอัลกอริทึมที่สามารถใช้ประโยชน์จากข้อมูลเช่น chatbots สําหรับธุรกิจ

โครงข่ายประสาทเทียมขั้นสูงต้องการพลังการประมวลผลสูงและข้อมูลจํานวนมาก

โครงข่ายประสาทเทียมการเรียนรู้เชิงลึกเป็นข้อมูลและเทคนิคที่ต้องใช้โปรเซสเซอร์ซึ่งสามารถบรรลุผลลัพธ์ที่โปรแกรมเมอร์ใช้เทคนิคการเขียนโปรแกรมไม่สามารถทําได้ เหมาะอย่างยิ่งสําหรับปัญหาบางอย่างที่มีข้อมูลที่แพร่หลาย และง่ายต่อการจัดหมวดหมู่หรือจัดอันดับผลลัพธ์ที่ต้องการ

หากไม่มีรูปถ่ายสุนัขหลายแสนรูปหรือหลายล้านรูป ก็คงเป็นไปไม่ได้ที่จะฝึกอัลกอริทึม เทคนิคเหล่านี้ใช้ได้เฉพาะเมื่อมีข้อมูลจํานวนมากเท่านั้น สิ่งนี้ค่อนข้างชัดเจนเนื่องจากกรณีพิเศษทั้งหมดไม่น่าจะแสดงในชุดภาพถ่ายเพียง 1,000 ภาพ

โครงข่ายประสาทเทียมอาจต้องเผชิญกับข้อมูลที่มีโครงสร้างหรือข้อมูลที่ไม่มีโครงสร้าง

ปัญหาหนึ่งในตัวอย่างข้างต้นคือการทํางานด้วยตนเองจํานวนมากเกี่ยวข้องกับการติดฉลากรูปภาพทั้งหมด อัลกอริทึมสามารถใช้ข้อมูลที่มีป้ายกํากับในลักษณะที่มีโครงสร้างได้ง่ายขึ้น แมชชีนเลิร์นนิงโครงข่ายประสาทเทียมที่ใช้ข้อมูลที่มีโครงสร้างเรียกว่าการเรียนรู้ภายใต้การดูแล

สิ่งนี้นําเราไปสู่คําถามหลัก: เป็นไปได้ไหมที่จะหลีกเลี่ยงการติดแท็กทั้งหมดนั้น? นั่นจะดีเพราะไม่เพียง แต่คุณสามารถหลีกเลี่ยงการทํางานด้วยตนเองจํานวนมาก แต่ข้อมูลส่วนใหญ่ที่มีอยู่บนอินเทอร์เน็ตนั้นไม่มีโครงสร้างเช่นไม่ได้ติดป้ายกํากับหรือโครงสร้างอย่างรอบคอบ

โครงข่ายประสาทเทียมสามารถทํางานกับข้อมูลที่ไม่มีโครงสร้างได้หรือไม่?

โครงข่ายประสาทเทียมและแมชชีนเลิร์นนิงที่ทํางานกับข้อมูลที่ไม่มีโครงสร้างเรียกว่าการเรียนรู้ที่ไม่มีผู้ดูแล แน่นอนว่านี่คือจอกศักดิ์สิทธิ์ของแมชชีนเลิร์นนิงและคล้ายคลึงกับวิธีที่มนุษย์เรียนรู้มากกว่า อย่างไรก็ตาม แม้แต่การเรียนรู้โดยเครื่องจักรโดยไม่มีผู้ดูแลก็ยังต้องการข้อมูลในการ "เรียนรู้" มากกว่าที่มนุษย์ทํา และเครื่องจักรก็ไม่สามารถคาดการณ์ตัวอย่างที่อยู่นอกเหนือสิ่งที่พวกเขาได้รับการฝึกฝนได้อย่างง่ายดาย

โมเดลการเรียนรู้เชิงลึกจํานวนมากพยายามทําซ้ํากระบวนการสมองของมนุษย์

บางคนเชื่อว่าอัลกอริทึมประเภทนี้สามารถพัฒนาได้ อาจโดยการปรับวิศวกรรมสมองใหม่ จนถึงจุดที่อัลกอริทึมเริ่มเข้าใกล้ "ความเข้าใจ" ระดับมนุษย์ พวกเขาเชื่อว่าจะเป็นไปได้ที่จะใช้เทคโนโลยีการสแกนที่ซับซ้อนของสมองเพื่อให้ข้อมูลเชิงลึกเกี่ยวกับวิธีการทํางานของโครงข่ายประสาทเทียมของสมอง ด้วยการคัดลอกการออกแบบและรูปแบบเหล่านี้เราสามารถจําลองความฉลาดระดับมนุษย์ได้

แม้ว่าเทคนิคต่างๆ จะแยบยลและมีประโยชน์มากอย่างไม่ต้องสงสัย โดยเฉพาะอย่างยิ่งเมื่อมีชุดข้อมูลขนาดใหญ่ แต่ก็ยากที่จะจินตนาการว่าอัลกอริธึมง่ายๆ ดังกล่าวอาจเป็นพื้นฐานของความฉลาดที่เหมือนมนุษย์ที่มีความคิดสร้างสรรค์สูง

‍