การสร้างโปรแกรมที่เรียนรู้

ปัญญาประดิษฐ์เป็นหัวใจสำคัญของความก้าวหน้าอย่างมากในด้านยานยนต์ การดูแลสุขภาพ ระบบอุตสาหกรรม และการขยายขอบเขตการใช้งานในขณะที่ความสนใจเพิ่มมากขึ้น ธรรมชาติของ AI ได้ทำให้เกิดความสับสนและกลัวถึงบทบาทที่เพิ่มขึ้นของ AI ในชีวิตประจำวันประเภทของ AI ที่ช่วยให้ผลิตภัณฑ์อัจฉริยะมีจำนวนเพิ่มขึ้น สร้างขึ้นจากวิธีการทางวิศวกรรมที่ตรงไปตรงมาแต่ไม่สำคัญ เพื่อส่งมอบความสามารถที่ห่างไกลจาก AI ที่สิ้นสุดอารยธรรมของนิยายวิทยาศาสตร์

คำจำกัดความของ AI มีตั้งแต่รูปแบบขั้นสูงสุดและยังคงเป็นแนวความคิด โดยที่เครื่องจักรมีพฤติกรรมเหมือนมนุษย์ ไปจนถึงรูปแบบที่คุ้นเคยมากขึ้นโดยที่เครื่องจักรได้รับการฝึกฝนให้ทำงานเฉพาะอย่างในรูปแบบที่ก้าวหน้าที่สุด ปัญญาประดิษฐ์ที่แท้จริงจะทำงานโดยไม่มีทิศทางที่ชัดเจนและการควบคุมของมนุษย์ เพื่อให้ได้ข้อสรุปบางอย่างโดยอิสระหรือดำเนินการบางอย่างเช่นเดียวกับที่มนุษย์อาจทำได้ในตอนท้ายของสเปกตรัม AI เชิงวิศวกรรมที่คุ้นเคยมากขึ้น วิธีการเรียนรู้ด้วยเครื่อง (ML) มักจะให้พื้นฐานการคำนวณสำหรับแอปพลิเคชัน AI ปัจจุบันวิธีการเหล่านี้สร้างการตอบสนองต่อข้อมูลที่ป้อนด้วยความเร็วและความแม่นยำที่น่าประทับใจโดยไม่ต้องใช้โค้ดที่เขียนไว้อย่างชัดเจนเพื่อให้คำตอบเหล่านั้นในขณะที่นักพัฒนาซอฟต์แวร์เขียนโค้ดเพื่อประมวลผลข้อมูลในระบบทั่วไป นักพัฒนา ML จะใช้ข้อมูลเพื่อสอนอัลกอริทึม ML เช่น โมเดลโครงข่ายประสาทเทียมเพื่อสร้างการตอบสนองที่ต้องการต่อข้อมูล
โมเดลโครงข่ายประสาทเทียมพื้นฐานสร้างขึ้นอย่างไร?
ในบรรดาประเภทการเรียนรู้ของเครื่องที่คุ้นเคยที่สุด โมเดลโครงข่ายประสาทเทียมส่งผ่านข้อมูลจากเลเยอร์อินพุตผ่านเลเยอร์ที่ซ่อนอยู่ไปยังเลเยอร์เอาต์พุต (ภาพที่ 1)ตามที่อธิบายไว้ เลเยอร์ที่ซ่อนอยู่นั้นได้รับการฝึกฝนให้ทำการแปลงเป็นชุดซึ่งแยกคุณลักษณะที่จำเป็นในการแยกแยะระหว่างคลาสต่างๆ ของข้อมูลอินพุตการเปลี่ยนแปลงเหล่านี้มีผลสูงสุดใน
ค่าที่โหลดเข้าไปในชั้นเอาท์พุต โดยที่แต่ละหน่วยเอาท์พุตจัดเตรียมค่าที่แสดงถึงความน่าจะเป็นที่ข้อมูลที่ป้อนเข้าอยู่ในคลาสใดคลาสหนึ่งด้วยวิธีนี้ นักพัฒนาสามารถจัดประเภทข้อมูล เช่น ภาพหรือการวัดเซ็นเซอร์โดยใช้สถาปัตยกรรมโครงข่ายประสาทเทียมที่เหมาะสม

สถาปัตยกรรมโครงข่ายประสาทเทียมมีหลายรูปแบบ ตั้งแต่แบบธรรมดาของโครงข่ายประสาทเทียมแบบ feedforward ที่แสดงในรูปที่ 1 ไปจนถึงโครงข่ายประสาทเทียมระดับลึก (DNN) ที่สร้างขึ้นด้วยเลเยอร์ที่ซ่อนอยู่หลายชั้นและแต่ละชั้นที่มีเซลล์ประสาทหลายแสนเซลล์อย่างไรก็ตาม สถาปัตยกรรมที่แตกต่างกันมักจะสร้างขึ้นบนหน่วยเซลล์ประสาทเทียมที่มีอินพุตหลายตัวและเอาต์พุตเดียว (รูปที่ 2)รูปที่ 1: โครงข่ายประสาทเทียมประกอบด้วยชั้นของเซลล์ประสาทเทียมที่ได้รับการฝึกฝนเพื่อแยกแยะระหว่างคลาสข้อมูลอินพุตต่างๆ(ที่มา: ดัดแปลงจาก Wikipedia)

รูปที่ 2: เซลล์ประสาทเทียมสร้างเอาต์พุตตามฟังก์ชันการกระตุ้นที่ทำงาน

กับผลรวมของอิมพัทแบบถ่วงน้ำหนักของนูรอน(ที่มา: Wikipedia)

ในโครงข่ายประสาทแบบ feedforward เซลล์ประสาทเฉพาะ n ในเลเยอร์ที่ซ่อนอยู่จะรวมอินพุตของมัน x ที่ปรับโดยน้ำหนักเฉพาะอินพุต wp และเพิ่มปัจจัยอคติเฉพาะของเลเยอร์ b (ไม่แสดงในรูป) เป็น fllows:

สุดท้าย ค่ารวมS จะถูกแปลงเป็นเอาต์พุตค่าเดียวโดยฟังก์ชันการเปิดใช้งานฟังก์ชันเหล่านี้อาจมีหลายรูปแบบ เช่น ฟังก์ชันขั้นตอนง่าย ๆ อาร์คแทนเจนต์ หรือการแมปแบบไม่เชิงเส้น เช่น หน่วยเชิงเส้นที่แก้ไข (ReLU) ซึ่งให้เอาต์พุตเป็น 0 สำหรับ S<=0 หรือ s สำหรับ S> ทั้งนี้ขึ้นอยู่กับข้อกำหนด 0.

แม้ว่าทั้งหมดได้รับการออกแบบเพื่อแยกคุณลักษณะที่แตกต่างของข้อมูล แต่สถาปัตยกรรมที่แตกต่างกันอาจใช้การแปลงที่แตกต่างกันอย่างมากตัวอย่างเช่น Convolutional Neural Network (CNNs) ที่ใช้ในแอปพลิเคชันการรู้จำภาพจะใช้การบิดเคอร์เนลในที่นี้ ฟังก์ชันที่เรียกว่า kernels จะทำการบิดภาพอินพุตเพื่อแปลงเป็นแผนผังคุณลักษณะเลเยอร์ที่ตามมาจะทำให้เกิดการบิดเบี้ยวหรือฟังก์ชันอื่นๆ มากขึ้น แยกและแปลงคุณลักษณะเพิ่มเติมจนกว่าโมเดล CNN จะสร้างเอาต์พุตความน่าจะเป็นของการจำแนกประเภทที่คล้ายคลึงกันเช่นเดียวกับในโครงข่ายประสาทเทียมที่ง่ายกว่าอย่างไรก็ตาม สำหรับนักพัฒนา คณิตศาสตร์พื้นฐานสำหรับสถาปัตยกรรมโครงข่ายประสาทเทียมที่ได้รับความนิยมนั้นส่วนใหญ่มีความโปร่งใสเนื่องจากมีเครื่องมือในการพัฒนา ML (ที่กล่าวถึงในประเด็นนี้) การใช้เครื่องมือเหล่านั้น นักพัฒนาสามารถใช้โมเดลโครงข่ายประสาทเทียมได้อย่างง่ายดายและเริ่มฝึกโดยใช้ ชุดข้อมูลที่เรียกว่าชุดฝึกอบรมชุดข้อมูลการฝึกอบรมนี้ประกอบด้วยชุดการสังเกตข้อมูลและการจัดรูปแบบที่ถูกต้องสำหรับการสังเกตแต่ละครั้ง และแสดงถึงแง่มุมที่ท้าทายยิ่งขึ้นอีกประการหนึ่งของการพัฒนาแบบจำลองโครงข่ายประสาทเทียม

โมเดลโครงข่ายประสาทเทียมได้รับการฝึกฝนและปรับใช้อย่างไร?

ในอดีต นักพัฒนาที่สร้างชุดการฝึกอบรมมีตัวเลือก ltte แต่จะต้องทำงานผ่านการสังเกตหลายพันครั้งที่จำเป็นในชุดทั่วไป โดยจะติดป้ายกำกับการสังเกตแต่ละรายการด้วยชื่อที่ถูกต้องด้วยตนเองตัวอย่างเช่น เพื่อสร้างชุดฝึกอบรมสำหรับแอปพลิเคชันการรู้จำป้ายถนน พวกเขา

ต้องดูภาพป้ายถนนและติดป้ายแต่ละภาพด้วยชื่อป้ายที่ถูกต้องชุดข้อมูลสาธารณะที่มีป้ายกำกับล่วงหน้าช่วยให้นักวิจัยด้านการเรียนรู้ด้วยเครื่องจำนวนมากหลีกเลี่ยงงานนี้และมุ่งเน้นไปที่การพัฒนาอัลกอริธึมอย่างไรก็ตาม สำหรับแอปพลิเคชัน ML ที่ใช้งานจริง งานการติดฉลากอาจเป็นความท้าทายที่สำคัญนักพัฒนา ML ขั้นสูงมักใช้โมเดลที่ได้รับการฝึกอบรมล่วงหน้าใน a

กระบวนการที่เรียกว่า ถ่ายทอดการเรียนรู้ เพื่อช่วยบรรเทาปัญหานี้