Machine Learning เปลี่ยนแปลงโลกอย่างไร?

คุณเคยได้ยินเกี่ยวกับ ทฤษฎีเบียร์และผ้าอ้อม ที่มีชื่อเสียง หรือไม่?

Walmart ผู้ค้าปลีกรายใหญ่ที่สุดของโลก "สมมุติ" ได้สร้างทฤษฎีนี้ขึ้นมาเพื่อทำความเข้าใจความสัมพันธ์ระหว่างผลิตภัณฑ์และระบุรูปแบบ

ผู้ชายที่มีอายุระหว่าง 30-40 ปีที่ซื้อผ้าอ้อมที่ไหนสักแห่งระหว่างเวลา 17.00 น. ถึง 19.00 น. ในวันศุกร์ มักจะดื่มเบียร์บนรถบรรทุก ทฤษฎีนี้กระตุ้นให้ร้านขายของชำเก็บเบียร์กะรัตไว้ข้างๆ ผ้าอ้อม ซึ่งจะทำให้ยอดขายของทั้งสองรายการในเชิงเรขาคณิตเพิ่มขึ้น

ทีนี้ ทฤษฎีนี้ทำงานอย่างไร? หลังจากเหน็ดเหนื่อยมาเป็นเวลาหลายสัปดาห์ ผู้ชายวัยทำงานมักจะเหนื่อย นอกจากหน้าที่รับผิดชอบในแต่ละวันแล้ว วันหยุดของพวกเขามักจะเกี่ยวข้องกับการซื้อผ้าอ้อมให้ลูกและซื้อเบียร์ให้ตัวเองจากทางเดินข้างเคียง

นี่เป็นตัวอย่างที่สมบูรณ์แบบของความสัมพันธ์ ทฤษฎีนี้อธิบายว่าเครือข่ายซูเปอร์มาร์เก็ตเชื่อมโยงผลิตภัณฑ์ขนาดใหญ่เพียงใด ความสัมพันธ์อาจเป็นส่วนสำคัญของการสร้างแบบจำลองการเรียนรู้ของเครื่อง

การเรียนรู้ของเครื่องคือสิ่งที่ทำให้งานง่ายขึ้น เราไม่ได้พูดถึงแค่งานใหญ่ๆ เท่านั้น แต่รวมถึงการลงสีด้วยตนเองของภาพขาวดำและการค้นหาบุคคลบนโซเชียลมีเดียด้วย ตอนนี้ลองนึกภาพเครื่องจักรที่เข้าใจงานและวิวัฒนาการด้วยข้อกำหนดใหม่ในปัจจุบันและในอดีต

การเรียนรู้ของเครื่องคืออะไร?

การเรียนรู้ของเครื่องเป็นส่วนย่อยของ AI (ปัญญาประดิษฐ์) เป็นศาสตร์แห่งการสร้างอัลกอริธึมที่สามารถเรียนรู้ได้ด้วยตัวเอง มันทำงานโดยจดจำรูปแบบจากข้อมูลแทนที่จะใช้โปรแกรมเฉพาะ เมื่อออกแบบแล้ว ก็ไม่ต้องดำเนินการใดๆ ด้วยตนเอง แมชชีนเลิร์นนิงฉลาดพอที่จะเรียนรู้ด้วยตัวเอง ค้นหารูปแบบจากข้อมูลเดิมและคาดการณ์รูปแบบในอนาคตโดยใช้การวิเคราะห์ทางสถิติ

เพื่อความเข้าใจที่ดีขึ้น นี่คือตัวอย่างบางส่วน:

1) Siri, Alexa และ Google Assistant คือตัวอย่างบางส่วนของการเรียนรู้ของเครื่องที่มีชื่อเสียง พวกเขาคือผู้ช่วยเสียงเสมือน ซึ่งช่วยในการค้นหาข้อมูลเมื่อถามผ่านเสียง และสิ่งที่คุณต้องทำคือเปิดใช้งาน ตัวอย่างเพิ่มเติมของ Virtual Voice Assistants แบบบูรณาการ ได้แก่:

• Amazon Echo
• Samsung Bixby
• Google Allo

2) การรับรู้ภาพ

Image Recognition เป็นหนึ่งในตัวอย่างที่พบบ่อยที่สุดของแมชชีนเลิร์นนิง มันคือความสามารถในการระบุวัตถุ สถานที่ ผู้คน ฯลฯ ผู้คนแบ่งปันข้อมูลจำนวนมากผ่านแอพ โซเชียลมีเดีย เว็บไซต์ ฯลฯ และ Facebook มีความสามารถเพียงพอที่จะทำการจดจำใบหน้าด้วยความแม่นยำ 98% ทำให้ปริมาณข้อมูลตกอยู่ในความเสี่ยง . มีการโต้เถียงกันมากมาย ว่าการจดจำภาพจะส่งผลต่อความเป็นส่วนตัวและความปลอดภัยทั่วโลกอย่างไร

แมชชีนเลิร์นนิง: ทำไมจึงสำคัญ

ตามเนื้อผ้า นักวิทยาศาสตร์ด้านข้อมูลเคยสร้างแบบจำลองที่เสร็จสิ้นแล้ว เพื่อรับข้อมูลเชิงลึก แทนที่จะฝึกคอมพิวเตอร์ให้ทำเช่นนั้น ดูเหมือนว่าจะเป็นแนวทางที่เป็นไปไม่ได้ในขณะนี้ เนื่องจากมีข้อมูลมากมายและแตกต่างกัน แมชชีนเลิร์นนิงเข้ามามีบทบาทในขณะที่แบ่งข้อมูลปริมาณมหาศาลอย่างชาญฉลาด และเสนออัลกอริทึมอัจฉริยะเพื่อมอบโซลูชันที่มีความหมาย

Google ประมวลผลข้อมูล 20 เพตาไบต์ (1 เพตาไบต์= 10^15 ไบต์) ของข้อมูลต่อวัน ยักษ์เสิร์ชเอ็นจิ้นมีศูนย์ข้อมูลซึ่งเก็บบันทึกข้อมูลทั้งหมดที่รวบรวมข้อมูล คุณอาจจำสิ่งที่คุณค้นหาใน Google เมื่อ 2 ปีที่แล้วไม่ได้ แต่ Google จำได้ มันเหมือนกับห้องสมุดขนาดใหญ่ที่มีหนังสือหลายพันล้านเล่มซึ่งครอบคลุมข้อมูลแทบทุกบิตบนโลกใบนี้

มีซอฟต์แวร์ในท้องตลาดที่สามารถ ติดตามตารางเวลาในแต่ละวัน และช่วยคุณในงานประจำวันของคุณ เช่น การจองรถแท็กซี่ เปิดเครื่องปรับอากาศก่อนกลับบ้าน หรือเปิดเครื่องชงกาแฟในตอนเช้า

ไม่ว่าเราต้องการหรือไม่ก็ตาม เราทิ้งรูปแบบพฤติกรรมทุกครั้งที่เราทำงานง่ายๆ รูปแบบเหล่านี้ถอดรหัสโดยอัลกอริทึมเพื่อทำความเข้าใจความต้องการของเราและค้นหาทางเลือกที่มีประสิทธิภาพสำหรับกระบวนการมาตรฐานขั้นพื้นฐาน

ปัญญาประดิษฐ์ แมชชีนเลิร์นนิง และการเรียนรู้เชิงลึก เหมือนกันหรือไม่

ไม่พวกเขาไม่ได้เป็น. คุณสามารถคิดเกี่ยวกับสิ่งเหล่านี้เป็นชุดที่ซ้อนกันอยู่ภายในกัน วิธีที่ง่ายที่สุดในการทำความเข้าใจสิ่งนี้คือการแสดงภาพเป็นวงกลมที่มีศูนย์กลาง การเรียนรู้เชิงลึกเป็นส่วนย่อยของการเรียนรู้ด้วยเครื่องซึ่งเป็นชุดย่อยของปัญญาประดิษฐ์ด้วย

เรามาดูกันดีกว่าว่าพวกเขาแตกต่างกันอย่างไร

ปัญญาประดิษฐ์ - ตามที่ John McCarthy กล่าว ปัญญาประดิษฐ์ เป็นกระบวนการสร้างเครื่องจักร เครื่องคอมพิวเตอร์ที่ควบคุมด้วยหุ่นยนต์ หรือผลิตภัณฑ์ที่คิดอย่างชาญฉลาดเหมือนมนุษย์ ปัญญาประดิษฐ์เป็นการรวมกันของคำสองคำ "ประดิษฐ์" และ "ปัญญาประดิษฐ์" โดยที่ปัญญาประดิษฐ์หมายถึงผิดธรรมชาติหรือสร้างขึ้นโดยมนุษย์และปัญญาหมายถึงความสามารถในการคิดและเข้าใจ

ประเด็นสำคัญบางประการเกี่ยวกับปัญญาประดิษฐ์:

• แรงจูงใจหลักคือการเพิ่มโอกาสในการประสบความสำเร็จ
• เป็นโปรแกรมที่ทำงานอย่างชาญฉลาด
• AI สามารถแก้ปัญหาที่ซับซ้อนได้
• มันพัฒนาระบบ "เหมือนมนุษย์" เพื่อตอบสนองต่อสถานการณ์

การเรียนรู้ของเครื่อง - ตามที่กำหนดไว้ข้างต้น การเรียนรู้ของเครื่องเป็นศาสตร์แห่งการสร้างอัลกอริทึมที่สามารถเรียนรู้ได้ด้วยตัวเอง เป็นส่วนย่อยของปัญญาประดิษฐ์

ประเด็นสำคัญบางประการเกี่ยวกับการเรียนรู้ของเครื่อง:

• เป้าหมายหลักคือการเพิ่มความแม่นยำ
• มันศึกษาข้อมูลและเรียนรู้จากมัน
• นอกจากนี้ยังเรียนรู้เกี่ยวกับข้อมูลที่ประมวลผล
• มีทางออกเดียวไม่ว่าจะเหมาะสมที่สุดหรือไม่ก็ตาม

การเรียนรู้เชิง ลึก – การเรียนรู้เชิงลึกเป็นส่วนย่อยของการเรียนรู้ของเครื่อง มันอนุมานรูปแบบจากข้อมูลที่ให้ไว้และช่วยในการแยกโซลูชันออกจากมัน สามารถเรียนรู้จากข้อมูลที่ไม่มีโครงสร้างหรือไม่มีป้ายกำกับ ซึ่งอาจใช้เวลาหลายทศวรรษกว่าจะค้นพบรูปแบบ

ประเด็นสำคัญบางประการเกี่ยวกับการเรียนรู้เชิงลึก:

• จุดมุ่งหมายหลักคือการค้นหารูปแบบในข้อมูลที่กำหนด
• มันสังเกตรูปแบบและทำนายจากมัน
• ใช้มิติหลายระดับของระบบประสาทเทียมเพื่อให้ขั้นตอนการเรียนรู้ของเครื่องเสร็จสมบูรณ์

อิทธิพลของการเรียนรู้ของเครื่อง

แมชชีนเลิร์นนิงเป็นเทคโนโลยีระดับถัดไปที่แมชชีนมาบรรจบกับความรู้ของมนุษย์ ซึ่งมีความสำคัญอย่างมากในการเปลี่ยนแปลงชีวิตของเรา มาดูพื้นที่ต่างๆ ในชีวิตประจำวันที่ได้รับผลกระทบจากการเรียนรู้ของเครื่อง:

• บ้าน
  สิบห้าปีที่แล้ว เราไม่เคยคิดว่าการสื่อสารที่สะดวกจะเกิดขึ้นในอนาคตจะเป็นอย่างไร แต่ตอนนี้ เราสามารถสื่อสารกับใครก็ได้ในและรอบโลกในไม่กี่วินาทีและที่ไหนสักแห่งที่เราทุกคนพึ่งพาอาศัยกัน เราพึ่งพาคอมพิวเตอร์เป็นอย่างมากในการสื่อสาร การนำทาง การรับข้อมูล ฯลฯ นี่คือจุดที่การเรียนรู้ของเครื่องเข้ามามีบทบาทและช่วยกิจกรรมประจำวันของเรา
• ดูแลสุขภาพ
  กระบวนการจัดการด้านการดูแลสุขภาพ เช่นเดียวกับการวางแผนด้านสาธารณสุข เริ่มต้นด้วยการจำแนกประเภทตามประวัติ ซึ่งจะช่วยในการตรวจสอบ สืบสวน และติดตามผลเพื่อส่งมอบผลลัพธ์ในอนาคต สมมติฐานเหล่านี้ช่วยในการค้นหาความต้องการในพื้นที่ที่ต้องการมากที่สุด
• ขนส่ง
  เรารู้อยู่แล้วเกี่ยวกับความก้าวหน้าล่าสุด เช่น รถยนต์ไร้คนขับ หรือรถบรรทุกกึ่งอัตโนมัติใหม่ของเทสลา ที่ซึ่ง AI ได้ยกระดับการคมนาคมไปอีกระดับ ผู้สังเกตการณ์วิเคราะห์ข้อมูลเพื่อคาดการณ์การตัดสินใจอย่างเหมาะสม เช่น ความปลอดภัยสาธารณะ ช่วยในการจัดการการจราจรหรือรายละเอียดอาชญากรรมแบบเรียลไทม์ นอกจากนี้ยังช่วยในการค้นหาเส้นทางสำหรับคนเดินถนนและนักปั่นจักรยานซึ่งส่งผลให้จำนวนอุบัติเหตุจราจรลดลง
• การศึกษา
  ก่อนหน้านี้มีเพียงวิธีการเดียวในการเรียนรู้ระหว่างครูและนักเรียน แต่ด้วยการเพิ่มแมชชีนเลิร์นนิง สถาบันหลายแห่งเริ่มใช้งานโดยเพิ่มการโต้ตอบระหว่างครูกับนักเรียนให้สูงสุด และเพิ่มประสิทธิภาพด้วยการสร้างกำหนดการที่เหมาะสมสำหรับพวกเขา นอกจากนี้ยังช่วยท้าทายนักเรียนด้วยการจัดหาการเรียนรู้แบบปรับตัว โดยใช้การเรียนรู้ส่วนบุคคลเพื่อให้นักเรียนแต่ละคนให้ความสนใจเป็นรายบุคคล

แมชชีนเลิร์นนิงในฐานะพันธมิตร SEO

คุณไม่แน่ใจหรือไม่ว่าแมชชีนเลิร์นนิงและ SEO สามารถทำงานร่วมกันได้อย่างไร

มาสำรวจกัน

เสิร์ชเอ็นจิ้นทุกเครื่องกำลังเรียนรู้วิธีการมองสิ่งต่าง ๆ ในทางที่ดีขึ้น ซึ่งช่วยให้พวกเขาให้ผลลัพธ์ที่ดีขึ้น

ตัวอย่างที่เหมาะสมของการที่แมชชีนเลิร์นนิงกำลังเปลี่ยนแปลงโลกของ SEO คือการเห็นว่าการกรองอีเมลเสร็จสิ้นแล้วในตอนนี้ ซึ่งค่อนข้างสำคัญ อัตราความสำเร็จของ Google ในการกรองสแปมคือ 99.9% อย่างละเอียด Google นำกระบวนการเรียนรู้ของเครื่องนี้มาใช้เพื่อกำจัดสแปมใน TensorFlow โดยเฉพาะ กระบวนการทั้งหมดนี้เกิดขึ้นมาหลายปีแล้ว

นอกจากนี้ Google ยังใช้ปัญญาประดิษฐ์กับตัวกรองตามกฎที่สามารถบล็อกสแปมที่ชัดเจนได้ รูปแบบเหล่านี้ตรวจพบโดยไซต์ที่เชื่อมโยงสแปมเหล่านี้ ประเภทของลิงก์ที่ไม่ต้องการที่พวกเขาได้รับ ฯลฯ

การเรียนรู้ของเครื่องยังส่งผลต่อ SEO ของเนื้อหาอีกด้วย มาดูกันว่าอย่างไร:

นับตั้งแต่ 10 ปีที่ผ่านมา Google ได้ดำเนินการแก้ไขปัญหาดังกล่าว – จับคู่วลีและนำผลลัพธ์ออก เพื่อแก้ไขปัญหานี้ พวกเขาได้แนะนำระบบการเรียนรู้ของเครื่องในเดือนกันยายน 2559 ที่ชื่อว่า Google Neural Machine Translation System (GNMT) นี้บรรลุประสิทธิภาพในการทำความเข้าใจวลีโดยการเข้ารหัสแล้วถอดรหัสเพื่อแสดงผลลัพธ์ที่ต้องการ

แมชชีนเลิร์นนิง: เหตุใดจึงสำคัญสำหรับอนาคต

ในไม่ช้า ปัญญาประดิษฐ์และแมชชีนเลิร์นนิงจะไม่เหลือเศษหินใดๆ เหลือทิ้งไว้ ในบางปี วิธีการทำงานของผู้คนจะเปลี่ยนไปอย่างมาก การพึ่งพาอาศัยกันจะอยู่ที่คอมพิวเตอร์มากกว่ามนุษย์ พลังงานแรงงานส่วนใหญ่จะเป็นระบบอัตโนมัติด้วยคอมพิวเตอร์

คุณอาจคิดว่าวิวัฒนาการของการเรียนรู้ของเครื่องและปัญญาประดิษฐ์นี้อาจนำไปสู่การตกงานทั่วโลก แต่นั่นไม่เป็นความจริง

จากข้อมูลของ BBC การเรียนรู้ของเครื่องกำลังเข้ามาแทนที่เพื่อให้งานที่เป็นกิจวัตรและซ้ำๆ สามารถทำได้อย่างรวดเร็วและมีประสิทธิภาพโดยอัลกอริทึมที่มนุษย์เขียนขึ้น อาจส่งผลกระทบต่อตลาดแรงงาน แต่พวกเขาอาจได้งานที่ต้องใช้ทักษะที่ซับซ้อนและซับซ้อนน้อยลง

การ ศึกษาจาก Mckinsey ชี้ให้เห็นว่าภายในปี 2030 AI & ML จะเข้ามาแทนที่ 30% ของแรงงานทั่วโลก

แม้จะมีความกลัวเหล่านี้ แต่การปฏิวัติทางเทคโนโลยีทุกครั้งได้จบลงด้วยการสร้างงานมากกว่าที่จะถูกบดขยี้