Deep Learning คืออะไร?

วันนี้ ABB จะพาทุกท่านมาทำความรู้จักกับคำว่า Deep Learning หรือ การเรียนรู้เชิงลึกกัน

Deep Learning คือวิธีการเรียนรู้แบบอัตโนมัติด้วยการ เลียนแบบการทำงานของโครงข่ายประสาทของมนุษย์ (Neurons) โดยนำระบบโครงข่ายประสาท (Neural Network) มาซ้อนกัน หลายชั้น (Layer) และทำการเรียนรู้ข้อมูลตัวอย่าง ซึ่งข้อมูล ดังกล่าวจะถูกนำไปใช้ในการตรวจจับรูปแบบ (Pattern) หรือจัด หมวดหมู่ข้อมูล (Classify the Data)

รูปที่ 1 - ภาพข้อมูลที่ปรากฏขึ้นตามที่เห็นเป็น เพียงข้อมูลภาพที่ซ้อนกันหลายชั้นโครงข่าย (Layer) ซึ่งแสดงให้เห็นว่า
ผลข้อมูลสิ่งที่เห็น (Visual Information) ได้ถูกรวบรวมโดย Deep Learning — รูปที่ 1 - ภาพข้อมูลที่ปรากฏขึ้นตามที่เห็นเป็น เพียงข้อมูลภาพที่ซ้อนกันหลายชั้นโครงข่าย (Layer) ซึ่งแสดงให้เห็นว่า ผลข้อมูลสิ่งที่เห็น (Visual Information) ได้ถูกรวบรวมโดย Deep Learning

ตัวอย่างเช่น -> รูปที่ 1 แสดง รูปภาพจากแต่ละชั้นของโครงข่าย ที่จะทำให้เกิดความสามารถ ในการจดจำ เช่น ใบหน้า ซึ่งจะต้องใช้ชั้นของโครงข่าย (Layer) จำนวนมากมายซ้อนกัน จะมีการเรียนรู้ชั้นของข้อมูลตัวอย่างโดยระบบโครงข่าย ประสาท จัดเป็นการเรียนรู้ของเครื่องจักร (Machine Learning) ประเภทหนึ่ง

โดยทั่วไประบบโครงข่ายประสาทจะเรียนรู้ได้ เพียงไม่กี่ชั้น เนื่องจากยังไม่มีข้อมูลสอน (Training Data) หรือ ความสามารถด้านคอมพิวเตอร์ยังไม่สูงพอ อย่างไรก็ดี ช่วงหลายปี มานี้ เทคโนโลยีได้มีการพัฒนามากขึ้น จึงทำให้มีข้อมูลชั้นของ โครงข่ายได้ง่ายขึ้นและมากขึ้น ยิ่งมีซ้อนกันหลายชั้น โครงข่ายก็ยิ่ง มีความซับซ้อนและลึกขึ้น จึงเป็นที่มาของคำว่า Deep Learning ตามรูปแบบของ Machine Learning โดยทั่วไป เมื่อมีข้อมูลดิบ เข้ามา จะไม่มีการประมวลโดยอัตโนมัติ แต่จะต้องอาศัยความรู้ เฉพาะทาง (Domain Knowledge) สำหรับคุณลักษณะในการ จัดหมวดหมู่ข้อมูลบางประเภท (Hand-Craft Features)

รูปที่ 2 - Deep Learning ช่วยเพิ่มความสามารถในการจดจำข้อมูลภาพ ซึ่งจะเป็นประโยชน์ต่อ
หุ่นยนต์อุตสาหกรรมอย่าง ABB YuMi ดังในภาพสามารถทำงานที่มีความซับซ้อนขึ้น — รูปที่ 2 - Deep Learning ช่วยเพิ่มความสามารถในการจดจำข้อมูลภาพ ซึ่งจะเป็นประโยชน์ต่อ หุ่นยนต์อุตสาหกรรมอย่าง ABB YuMi ดังในภาพสามารถทำงานที่มีความซับซ้อนขึ้น

แต่ถ้าเป็น Deep Learning จะรับข้อมูลดิบเข้าทันที และทำการ ประมวลอัตโนมัติเพื่อหาข้อมูลตัวอย่างที่จำเป็นในการตรวจจับ รูปแบบหรือจัดหมวดหมู่ข้อมูล ความสามารถในการเรียนรู้ คุณลักษณะอัตโนมัติทำให้ Deep Learning เป็นประโยชน์อย่างยิ่ง สำหรับการใช้งานในสถานการณ์ต่าง ๆ สิ่งท้าทายที่ยังต้องเผชิญ คือการหาโครงข่ายระบบประสาท ที่เหมาะสมและการค้นหาตัวแปรที่มีผลต่อสมรรถนะในการสอน (Training Performance) ของโครงข่าย ยังคงเป็นเรื่องยากที่จะ รู้ได้ว่า Deep Learning สามารถเรียนรู้คุณลักษณะใดบ้าง นอกจากนี้ Deep Learning ยังมีลักษณะไม่ต่างจาก Machine Learning นั่นคือ ยังไม่สามารถจัดการข้อมูลรับเข้าที่มีความละเอียดเฉพาะทาง (Carefully Crafted Input) จึงอาจทำให้โมเดล เกิดการอนุมานผิดพลาด (Wrong Inferences)

ซึ่งประเด็นเหล่านี้ เป็นสิ่งที่นักวิจัยสาขาที่เกี่ยวข้องให้ความสนใจอยู่ เมื่อเร็วๆ นี้ Deep Learning ประสบความสำเร็จอย่างมาก ในด้านการจดจำใบหน้าและคำพูด -> รูปที่ 2 Deep Learning อาจมีอิทธิพลมากกว่าที่เราคาดการณ์ไว้ เพราะมันอาจส่งผลต่อ อุตสาหกรรมหลายสาขา และก่อให้เกิดการเปลี่ยนแปลงทางสังคม ที่เห็นได้อย่างชัดเจนอีกด้วย

Writer:
Divya Sheel
ABB Corporate Research Center
Bangalore, India