เขียนโดย

มาร์ค เมอร์ซิเอร์

สารบัญ

ขั้นตอนที่ 1. ชื่อของขั้นตอนไปที่นี่ตามที่คาดไว้

สิ่งสำคัญที่ต้องจดจำ

มาสคอตของเครือข่ายประสาทเทียมเชิงลึกคืออะไร?

เครือข่ายประสาทลึก (DNN) คือรูปแบบการเรียนรู้ของเครื่องจักรชนิดหนึ่งที่เลียนแบบวิธีการประมวลผลข้อมูลของสมองมนุษย์ ซึ่งแตกต่างจากอัลกอริทึมดั้งเดิมที่ปฏิบัติตามกฎที่กำหนดไว้ล่วงหน้า DNN สามารถเรียนรู้รูปแบบจากข้อมูลและทำนายจากประสบการณ์ก่อนหน้าได้ เช่นเดียวกับเรา

DNN เป็นรากฐานของการเรียนรู้เชิงลึกที่ขับเคลื่อนแอปพลิเคชันต่างๆ เช่น ตัวแทน AI การจดจำภาพ ผู้ช่วยเสียง และ แชทบอท AI

สร้างตัวแทน AI

สร้างตัวแทนอัตโนมัติที่กำหนดเอง

เริ่มเลย

ไม่ต้องใช้บัตรเครดิต

สถาปัตยกรรมโครงข่ายประสาทเทียมคืออะไร?

“ความลึก” ใน DNN หมายถึงการที่มีเลเยอร์ที่ซ่อนอยู่หลายเลเยอร์ ซึ่งช่วยให้เครือข่ายสามารถจดจำรูปแบบที่ซับซ้อนได้

เครือข่ายประสาทประกอบด้วยโหนดหลายชั้นที่รับอินพุตจากชั้นอื่นและสร้างเอาต์พุตจนกว่าจะถึงผลลัพธ์สุดท้าย

เครือข่ายประสาทประกอบด้วยชั้นของโหนด (นิวรอน) แต่ละโหนดจะรับอินพุต ประมวลผล และส่งต่อไปยังชั้นถัดไป

ชั้นอินพุต : ชั้นแรกที่รับข้อมูลดิบ (เช่น รูปภาพ ข้อความ)
เลเยอร์ที่ซ่อนอยู่ : เลเยอร์ระหว่างอินพุตและเอาต์พุตที่แปลงข้อมูลและตรวจจับรูปแบบ
ชั้นเอาท์พุต : ผลิตคำทำนายขั้นสุดท้าย

เครือข่ายประสาทเทียมสามารถมีเลเยอร์ที่ซ่อนอยู่ได้หลายเลเยอร์ ยิ่งมีเลเยอร์ของโหนดในเครือข่ายมากเท่าไร ความซับซ้อนก็จะยิ่งมากขึ้นเท่านั้น เครือข่ายประสาทเทียมแบบดั้งเดิม มักประกอบด้วยเลเยอร์ที่ซ่อนอยู่ 2 หรือ 3 เลเยอร์ ในขณะที่ เครือข่ายการเรียนรู้เชิงลึก สามารถมีเลเยอร์ที่ซ่อนอยู่ได้มากถึง 150 เลเยอร์

เครือข่ายประสาทแตกต่างจากเครือข่ายประสาทลึกอย่างไร?

แผนภาพที่แสดงการเปรียบเทียบระหว่างเครือข่ายประสาทและเครือข่ายประสาทลึก โดยเน้นว่าเครือข่ายประสาทปฏิบัติตามกฎที่ตั้งโปรแกรมไว้และตัดสินใจโดยอิงจากข้อมูลอินพุต ในขณะที่เครือข่ายประสาทลึกเรียนรู้จากประสบการณ์และปรับการตัดสินใจโดยอิงจากรูปแบบในข้อมูล

โดยย่อ: เครือข่ายประสาทที่ไปไกลกว่าข้อมูลอินพุตและสามารถเรียนรู้จากประสบการณ์ก่อนหน้าจะกลายเป็นเครือข่ายประสาทที่ลึก

เครือข่ายประสาทเทียมจะปฏิบัติตามกฎที่ตั้งโปรแกรมไว้เพื่อตัดสินใจโดยอิงจากข้อมูลอินพุต ตัวอย่างเช่น ในเกมหมากรุก เครือข่ายประสาทเทียมสามารถแนะนำการเคลื่อนไหวโดยอิงจากกลวิธีและกลยุทธ์ที่ตั้งไว้ล่วงหน้า แต่จำกัดเฉพาะสิ่งที่โปรแกรมเมอร์จัดเตรียมไว้เท่านั้น

แต่เครือข่ายประสาทเทียมเชิงลึกจะก้าวไปไกลกว่านั้นด้วยการเรียนรู้จากประสบการณ์ แทนที่จะพึ่งพาเฉพาะกฎที่ตั้งไว้ล่วงหน้า DNN สามารถปรับการตัดสินใจตามรูปแบบที่จดจำในชุดข้อมูลขนาดใหญ่ได้

ตัวอย่าง

ลองนึกภาพการเขียนโปรแกรมเพื่อจดจำสุนัขในภาพถ่าย เครือข่ายประสาทเทียมแบบดั้งเดิมจะต้องมีกฎเกณฑ์ที่ชัดเจนในการระบุคุณลักษณะต่างๆ เช่น ขนหรือหาง ในทางกลับกัน DNN จะเรียนรู้จากรูปภาพที่มีป้ายกำกับหลายพันภาพและปรับปรุงความแม่นยำเมื่อเวลาผ่านไป โดยสามารถจัดการแม้แต่กรณีที่ยากได้โดยไม่ต้องใช้การเขียนโปรแกรมเพิ่มเติม

เครือข่ายประสาทเทียมแบบลึกทำงานอย่างไร?

ประการแรก นิวรอนแต่ละนิวรอนในเลเยอร์อินพุตจะรับข้อมูลดิบ เช่น พิกเซลจากรูปภาพหรือคำจากประโยค และกำหนดน้ำหนักให้กับอินพุตนี้ โดยระบุว่าข้อมูลนั้นเกี่ยวข้องกับงานมากเพียงใด

น้ำหนักที่ต่ำ (น้อยกว่า 0.5) หมายความว่าข้อมูลดังกล่าวมีความเกี่ยวข้องน้อยลง อินพุตที่มีน้ำหนักเหล่านี้จะถูกส่งผ่านเลเยอร์ที่ซ่อนอยู่ ซึ่งนิวรอนจะปรับข้อมูลต่อไป การดำเนินการนี้จะดำเนินต่อไปในหลายเลเยอร์จนกระทั่งเลเยอร์เอาต์พุตส่งการคาดการณ์ขั้นสุดท้าย

เครือข่ายประสาทลึกรู้ได้อย่างไรว่ามันถูกต้องหรือไม่?

เครือข่ายประสาทเทียมเชิงลึกจะทราบว่าข้อมูลนั้นถูกต้องหรือไม่โดยการเปรียบเทียบข้อมูลทำนายกับข้อมูลที่มีป้ายกำกับระหว่างการฝึก สำหรับแต่ละอินพุต เครือข่ายจะตรวจสอบว่าข้อมูลทำนายตรงกับผลลัพธ์จริงหรือไม่ หากข้อมูลทำนายผิด เครือข่ายจะคำนวณข้อผิดพลาดโดยใช้ฟังก์ชันการสูญเสีย ซึ่งวัดว่าข้อมูลทำนายนั้นคลาดเคลื่อนจากข้อมูลทำนายมากเพียงใด

จากนั้นเครือข่ายจะใช้ การแบ็กโพรพาเกชั่น เพื่อปรับน้ำหนักของนิวรอนที่ส่งผลต่อข้อผิดพลาด กระบวนการนี้จะทำซ้ำในแต่ละรอบ

โครงข่ายประสาทเทียมประเภทต่าง ๆ มีอะไรบ้าง?

ประเภทเครือข่ายประสาท	คุณสมบัติหลัก	กรณีการใช้งานทั่วไป
เครือข่ายฟีดฟอร์เวิร์ด	การไหลของข้อมูลทางเดียว	การทำนายง่ายๆ งานพื้นฐาน
เครือข่ายคอนโวลูชั่น (CNN)	ตรวจจับรูปแบบภาพ	การจดจำภาพ, การสร้างภาพทางการแพทย์
เครือข่ายแบบเรียกซ้ำ (RNN)	จัดการข้อมูลแบบลำดับ	ลำดับเวลา การจดจำเสียงพูด
หน่วยความจำระยะยาวระยะสั้น (LSTM)	จดจำการพึ่งพาในระยะยาว	การสร้างข้อความ, แชทบอท
หน่วยรีเวิร์สแบบมีประตู (GRU)	LSTM แบบย่อ	NLP การทำนายอนุกรมเวลา
ฟังก์ชันฐานรัศมี (RBF)	ใช้ฟังก์ชันพื้นฐานเชิงรัศมี	การจำแนกประเภท การจดจำรูปแบบ
เครือข่ายการต่อต้านเชิงสร้างสรรค์ (GAN)	สร้างข้อมูลใหม่	การสร้างภาพ Deepfakes
หม้อแปลงไฟฟ้า	กลไกการเอาใจใส่ตนเอง	แบบจำลองภาษา การแปล
เครือข่ายโมดูลาร์	เครือข่ายย่อยอิสระหลายเครือข่าย	กระบวนการหลายงานที่ซับซ้อน
เครือข่ายประสาทเทียมแบบสไปก์กิ้ง (SNN)	การประมวลผลตามระยะเวลา	หุ่นยนต์ การคำนวณแบบนิวโรมอร์ฟิก

‍

โครงข่ายประสาทเทียมส่วนลึกจะดีขึ้นอย่างไรเมื่อเวลาผ่านไป?

เครือข่ายประสาทเทียมเชิงลึกจะปรับปรุงตัวเองเมื่อเวลาผ่านไปโดยเรียนรู้จากข้อผิดพลาด เมื่อทำการคาดการณ์ เช่น ระบุปัญหาของลูกค้าหรือแนะนำผลิตภัณฑ์ ระบบจะตรวจสอบว่าการคาดการณ์นั้นถูกต้องหรือไม่ หากไม่ถูกต้อง ระบบจะปรับตัวเองเพื่อปรับปรุงในครั้งต่อไป

ตัวอย่างเช่น ในด้านการสนับสนุนลูกค้า DNN อาจทำนายวิธีแก้ไขปัญหา หากการทำนายผิดพลาด DNN จะเรียนรู้จากข้อผิดพลาดนั้นและจะเก่งขึ้นในการแก้ไขปัญหาที่คล้ายกันในอนาคต ในด้านการขาย DNN สามารถเรียนรู้ว่าลูกค้าเป้าหมายรายใดจะแปลงเป็นลูกค้าได้ดีที่สุดโดยวิเคราะห์ข้อตกลงที่ผ่านมา และปรับปรุงคำแนะนำในช่วงเวลาหนึ่ง

ดังนั้นการโต้ตอบแต่ละครั้งจะทำให้ DNN แม่นยำและเชื่อถือได้มากขึ้น

เครือข่ายประสาทลึกคิดต่างจากมนุษย์หรือไม่?

อย่างไรก็ตาม โมเดลการเรียนรู้เชิงลึกมักทำหน้าที่เป็น "กล่องดำ" ซึ่งหมายความว่ามนุษย์ไม่สามารถตีความได้อย่างง่ายดายว่าตนเองตัดสินใจอย่างไร Cynthia Rudin นักวิจัยด้าน AI จาก Duke University อธิบายว่า ความสามารถในการตีความเป็นสิ่งสำคัญสำหรับการใช้งานระบบ AI อย่างมีจริยธรรม โดยเฉพาะอย่างยิ่งในสภาพแวดล้อมที่มีความเสี่ยงสูง

นักวิจัยพยายามสร้างภาพให้เห็นถึงวิธีที่เครือข่ายประมวลผลภาพ แต่สำหรับงานที่ซับซ้อนกว่า เช่น ภาษาหรือการทำนายทางการเงิน ตรรกะยังคงซ่อนอยู่ แม้ว่าอัลกอริทึมเหล่านี้จะดูเหมือนใหม่ แต่หลายอัลกอริทึมได้รับการพัฒนามานานหลายสิบปีแล้ว ความก้าวหน้าด้านข้อมูลและพลังการประมวลผลเป็นสิ่งที่ทำให้อัลกอริทึมเหล่านี้ใช้งานได้จริงในปัจจุบัน

เหตุใดเครือข่ายประสาทลึกจึงได้รับความนิยมเพิ่มมากขึ้น?

1. การปรับปรุงพลังการประมวลผล

สาเหตุหลักประการหนึ่งที่ทำให้ DNN มีจำนวนเพิ่มขึ้นก็คือพลังการประมวลผลที่เร็วขึ้นและถูกกว่า พลังการประมวลผลทำให้การบรรจบกันรวดเร็วขึ้น “การเพิ่มขึ้นของฮาร์ดแวร์เฉพาะทาง เช่น หน่วยประมวลผลกราฟิก (GPU) และหน่วยประมวลผลเทนเซอร์ (TPU) ทำให้การฝึกเครือข่ายที่มีพารามิเตอร์นับพันล้านเป็นไปได้”

2. เพิ่มความพร้อมใช้งานของชุดข้อมูล

ปัจจัยสำคัญอีกประการหนึ่งคือความพร้อมใช้งานของชุดข้อมูลขนาดใหญ่ ซึ่งเครือข่ายประสาทเทียมเชิงลึกจำเป็นต้องมีเพื่อเรียนรู้ได้อย่างมีประสิทธิภาพ เมื่อธุรกิจสร้างข้อมูลมากขึ้น DNN จะสามารถเปิดเผยรูปแบบที่ซับซ้อนซึ่งโมเดลดั้งเดิมไม่สามารถจัดการได้

3. การปรับปรุงการประมวลผลข้อมูลที่ไม่มีโครงสร้าง

ความสามารถในการประมวลผลข้อมูลที่ไม่มีโครงสร้าง เช่น ข้อความ รูปภาพ และเสียง ยังได้เปิดการใช้งานใหม่ๆ ในด้านต่างๆ เช่น แชทบอท ระบบคำแนะนำ และการวิเคราะห์เชิงคาดการณ์

โครงข่ายประสาทเทียมสามารถทํางานกับข้อมูลที่ไม่มีโครงสร้างได้หรือไม่?

ใช่ เครือข่ายประสาทสามารถทำงานกับข้อมูลที่ไม่มีโครงสร้างได้ และนี่คือจุดแข็งที่ใหญ่ที่สุดประการหนึ่งของมัน

เครือข่ายประสาทเทียมที่ทำงานกับข้อมูลที่ไม่มีโครงสร้างเรียกว่า การเรียนรู้แบบไม่มีผู้ดูแล นี่คือเป้าหมายสูงสุดของการเรียนรู้ของเครื่องจักรและคล้ายคลึงกับวิธีการเรียนรู้ของมนุษย์

อัลกอริธึมการเรียนรู้ของเครื่องแบบดั้งเดิมนั้นประสบปัญหาในการประมวลผลข้อมูลที่ไม่มีโครงสร้าง เนื่องจากต้องใช้การออกแบบคุณลักษณะ ซึ่งก็คือการเลือกและแยกคุณลักษณะที่เกี่ยวข้องด้วยตนเอง ในทางกลับกัน เครือข่ายประสาทเทียมสามารถเรียนรู้รูปแบบในข้อมูลดิบได้โดยอัตโนมัติโดยไม่ต้องมีการแทรกแซงด้วยมือมากนัก

อ่านคู่มือ RAG ฉบับสมบูรณ์

อยากให้ RAG ช่วยคุณไหม เราช่วยคุณได้

อ่านตอนนี้

การเข้าถึงนั้นฟรีเสมอ

โครงข่ายประสาทเทียมเชิงลึกใช้การฝึกอบรมเพื่อเรียนรู้อย่างไร

เครือข่ายประสาทเทียมเชิงลึกเรียนรู้โดยการทำนายและเปรียบเทียบกับผลลัพธ์ที่ถูกต้อง ตัวอย่างเช่น เมื่อประมวลผลภาพถ่าย เครือข่ายประสาทเทียมจะทำนายว่าภาพมีสุนัขหรือไม่ และติดตามว่าภาพนั้นตอบคำถามได้ถูกต้องบ่อยเพียงใด

เครือข่ายจะคำนวณความแม่นยำโดยตรวจสอบเปอร์เซ็นต์ของการคาดการณ์ที่ถูกต้อง และใช้ข้อเสนอแนะนี้เพื่อปรับปรุง โดยจะปรับน้ำหนักของนิวรอนและดำเนินการซ้ำอีกครั้ง หากความแม่นยำดีขึ้น ก็จะคงน้ำหนักใหม่ไว้ หากไม่ดีขึ้น ก็จะลองปรับค่าอื่นๆ

วงจรนี้จะทำซ้ำหลายครั้งจนกระทั่งเครือข่ายสามารถจดจำรูปแบบและทำนายได้อย่างแม่นยำ เมื่อถึงจุดนี้ เครือข่ายจะบรรจบกันและผ่านการฝึกสำเร็จ

ประหยัดเวลาการเขียนโค้ดด้วยผลลัพธ์ที่ดีกว่า

โครงข่ายประสาทเทียมได้รับการตั้งชื่อเช่นนี้เนื่องจากมีความคล้ายคลึงกันระหว่างวิธีการเขียนโปรแกรมนี้กับวิธีการทํางานของสมอง

เช่นเดียวกับสมองอัลกอริทึมโครงข่ายประสาทใช้เครือข่ายของเซลล์ประสาทหรือโหนด เซลล์ประสาทเหล่านี้เป็นหน้าที่ที่ไม่ต่อเนื่อง (หรือเครื่องจักรเล็ก ๆ ถ้าคุณต้องการ) ที่รับอินพุตและสร้างเอาต์พุต โหนดเหล่านี้ถูกจัดเรียงเป็นชั้นโดยเอาต์พุตของเซลล์ประสาทในชั้นหนึ่งจะกลายเป็นอินพุตไปยังเซลล์ประสาทในชั้นถัดไปจนกว่าเซลล์ประสาทในชั้นนอกของเครือข่ายจะสร้างผลลัพธ์สุดท้าย

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

ถูกต้องหรือไม่ที่จะเรียกอัลกอริทึมประเภทนี้ว่า "โครงข่ายประสาทเทียม"?

การเรียกอัลกอริทึมนี้ว่า "เครือข่ายประสาทลึก" ได้รับการพิสูจน์แล้วว่าเป็นการสร้างแบรนด์ที่มีประสิทธิภาพ แม้ว่าอาจตั้งความคาดหวังที่สูงเกินไปก็ตาม ถึงแม้ว่าโมเดลเหล่านี้จะทรงพลัง แต่ก็ยังง่ายกว่าความซับซ้อนของสมองมนุษย์มาก อย่างไรก็ตาม นักวิจัยยังคงสำรวจสถาปัตยกรรมประสาทที่มุ่งเป้าไปที่สติปัญญาแบบทั่วไปที่คล้ายกับมนุษย์ อย่างไรก็ตาม มีผู้คนที่พยายามออกแบบสมองใหม่โดยใช้เครือข่ายประสาทที่ซับซ้อนมาก โดยหวังว่าการทำเช่นนี้จะทำให้พวกเขาสามารถจำลองสติปัญญาแบบทั่วไปที่คล้ายกับมนุษย์ในการพัฒนาหุ่นยนต์ได้ แล้วเครือข่ายประสาทและเทคนิคการเรียนรู้ของเครื่องจักรช่วยเราแก้ปัญหาการจดจำสุนัขได้อย่างไร

แทนที่จะกําหนดคุณลักษณะที่เหมือนสุนัขด้วยตนเองอัลกอริทึมโครงข่ายประสาทเทียมเชิงลึกสามารถระบุคุณลักษณะที่สําคัญและจัดการกับกรณีพิเศษทั้งหมดโดยไม่ต้องเขียนโปรแกรม