ปัญญาประดิษฐ์มีอยู่ทั่วไปทุกหนทุกแห่งในทุกวันนี้ แต่พื้นฐานของการทำงานของเทคโนโลยีใหม่ที่มีอิทธิพลนี้อาจทำให้เกิดความสับสนได้ สองสาขาที่สำคัญที่สุดในการพัฒนา AI คือ Machine Learning และ Deep Learning ต่อไปนี้เป็นคำอธิบายโดยย่อว่าสาขาวิชาสำคัญทั้งสองนี้คืออะไร และมีส่วนช่วยในการพัฒนาระบบอัตโนมัติ หรือ AI อย่างไร
AI คืออะไร?
ก่อนที่จะไปศึกษาเรื่องอื่นๆนั้นเราจะเป็นอย่างยิ่งที่จะต้องรู้ก่อนว่า AI คืออะไร ผู้เสนอปัญญาประดิษฐ์กล่าวว่าพวกเขาหวังว่าจะสร้างเครื่องจักรที่สามารถ "คิด" ด้วยตัวเองได้ สมองของมนุษย์เป็นเครื่องมือที่ยอดเยี่ยม สามารถคำนวณได้เกินกว่าความสามารถของเครื่องจักรที่มีอยู่ในปัจจุบันมาก วิศวกรซอฟต์แวร์ที่เกี่ยวข้องกับการพัฒนา AI หวังว่าในที่สุดจะสร้างเครื่องจักรที่สามารถทำทุกอย่างที่มนุษย์สามารถทำได้ด้วยสติปัญญา แต่ยังสามารถทำได้เหนือกว่านั้นด้วย ซึ่งเป็นที่มาของการพัฒนาระบบ AI เพื่อเอามาช่วยในการทำงานของมนุษย์ให้มีความสะดวกสบายมากยิ่งขึ้น
Machine Learning vs. Deep Learning ต่างกันอย่างไร?
Machine Learning (การเรียนรู้ของเครื่อง) และ Deep Learning (การเรียนรู้เชิงลึก) เป็นสาขาย่อยของปัญญาประดิษฐ์ (Artificial Intelligence) แต่มีความแตกต่างกันดังนี้
Machine Learning เป็นการสร้างระบบที่สามารถเรียนรู้และปรับปรุงประสิทธิภาพจากข้อมูลโดยไม่ต้องถูกโปรแกรมโดยตรง โดยใช้อัลกอริทึมต่างๆ เช่น supervised learning, unsupervised learning เป็นต้น แนวคิดหลักคือให้เครื่องสามารถเรียนรู้และปรับปรุงตัวเองจากข้อมูลที่มีอยู่
ส่วน Deep Learning เป็นรูปแบบหนึ่งของการเรียนรู้ของเครื่องที่ได้รับแรงบันดาลใจมาจากโครงสร้างของสมองมนุษย์ โดยใช้ neural network ที่มีหลายๆชั้น (layer) ในการประมวลผลข้อมูล สามารถเรียนรู้และสร้างการสรุปอ้างอิงในระดับสูงจากข้อมูลนำเข้าที่ซับซ้อน เช่น รูปภาพ เสียง และข้อความได้เป็นอย่างดี
โดยสรุปแล้ว Deep Learning เป็นเทคนิคพิเศษชนิดหนึ่งของ Machine Learning ที่ถูกพัฒนามาเพื่อจัดการกับปัญหาที่ซับซ้อนโดยเฉพาะ ในขณะที่ Machine Learning ครอบคลุมเทคนิคและวิธีการอื่นๆ อีกมากมาย นอกเหนือจาก Deep Learning
นอกจากความแตกต่างหลักด้านเทคนิคและวิธีการแล้ว ระหว่าง Machine Learning และ Deep Learning ยังมีความแตกต่างในด้านอื่นๆ ดังนี้
ประสิทธิภาพในการประมวลผล
Deep Learning โดยทั่วไปจะต้องการกำลังประมวลผลและหน่วยความจำขนาดใหญ่มากกว่า เนื่องจากต้องประมวลผลผ่าน Neural Network ที่ซับซ้อน ในขณะที่ Machine Learning บางเทคนิคสามารถทำงานได้ดีบนระบบที่มีทรัพยากรจำกัด
ปริมาณข้อมูลที่ต้องการ
Deep Learning โดยทั่วไปต้องการข้อมูลจำนวนมากในการฝึกสอน เพื่อให้ Neural Network สามารถจับรูปแบบที่ซับซ้อนได้ ในขณะที่ Machine Learning บางอัลกอริทึมสามารถทำงานได้ดีแม้กับข้อมูลจำนวนน้อย
การตีความผล
โมเดล Machine Learning ส่วนใหญ่จะง่ายต่อการตีความว่ากำลังทำอะไรและนำผลลัพธ์ไปใช้อย่างไร มากกว่าโมเดล Deep Learning ที่เป็น Black Box และยากต่อการตีความผล
การประยุกต์ใช้งาน
Machine Learning เหมาะกับการประยุกต์ใช้งานที่ต้องการความแม่นยำและสามารถอธิบายได้ เช่น การจำแนกประเภท การพยากรณ์ ฯลฯ ในขณะที่ Deep Learning เหมาะกับงานที่ซับซ้อน เช่น การประมวลผลข้อมูลมัลติมีเดีย การแปลภาษา ฯลฯ
แม้ Deep Learning จะเป็นส่วนย่อยของ Machine Learning แต่ก็มีความแตกต่างและข้อได้เปรียบเฉพาะในบางประเด็น ทำให้ต้องเลือกใช้ให้เหมาะสมกับลักษณะปัญหาและข้อมูลที่มีอยู่