ปัจจุบัน เทคโนโลยีปัญญาประดิษฐ์ หรือ AI (Artificial Intelligence) ได้เข้ามามีบทบาทในหลากหลายอุตสาหกรรม อาทิ อุตสาหกรรมเทคโนโลยี สื่อบันเทิง การเงินและธนาคาร เนื่องจากมีความสามารถที่ใกล้เคียงกับมนุษย์ ทั้งการเรียนรู้ การวางแผน ไปจนถึงการแก้ปัญหาต่างๆ
ในบทความนี้ SCB TechX จะพาไปทำความรู้จักว่า AI คืออะไรและมีหลักการทำงานอย่างไร รวมถึงเทคโนโลยี Machine Learning และ Deep Learning ที่เป็นส่วนหนึ่งของ AI
ทำความรู้จักกับ AI
คำนิยามของ AI คือ ระบบคอมพิวเตอร์ที่มีฟังก์ชันการทำงานใกล้เคียงกับความสามารถของมนุษย์ เช่น การเรียนรู้ การจดจำ การประมวลผล การวิเคราะห์ และการวางแผน ส่งผลให้เทคโนโลยี AI ถูกนำมาแทนที่และแบ่งเบาภาระของแรงงานมนุษย์ในบางส่วน โดยเฉพาะการทำงานเกี่ยวกับข้อมูลปริมาณมาก (Big Data) ที่มนุษย์ใช้เวลาในการประมวลผลและวิเคราะห์ค่อนข้างนาน ในขณะที่ AI สามารถทำได้รวดเร็วกว่า
โดย Machine Learning และ Deep Learning เป็นส่วนย่อยของเทคโนโลยี AI ที่ถูกพัฒนาต่อยอดขึ้นมา เพื่อเอื้อประโยชน์ต่อการทำงานกับข้อมูลปริมาณมาก
- Machine Learning
ระบบคอมพิวเตอร์ที่ถูกป้อนอัลกอริทึมการตัดสินใจและการเรียนรู้เอาไว้ ทำให้ Machine Learning สามารถประมวลผล เรียนรู้ และตัดสินใจจากข้อมูลที่ได้รับ โดย Machine Learning จะสามารถตัดสินใจในครั้งต่อๆ ไปได้ดีขึ้น จากการเรียนรู้ชุดข้อมูลเดิมซ้ำๆ ซึ่งกระบวนการนี้เรียกว่าการฝึก หรือการเทรนด์ AI นั่นเอง
อย่างไรก็ตาม Machine Learning ยังรองรับชุดข้อมูลได้น้อยกว่า Deep Learning อีกทั้งยังต้องอาศัยมนุษย์ในการฝึก เช่น Feature Extraction และการปรับปรุง Model เป็นต้น โดยโปรแกรมเมอร์จะทำหน้าที่ตรวจสอบความถูกต้องของการตัดสินใจจาก Machine Learning เพื่อให้ Machine Leaning เรียนรู้ความผิดพลาดและความสำเร็จ ซึ่งนำไปสู่การเรียนรู้และการตัดสินใจที่ดีขึ้นในครั้งถัดไป คล้ายคลึงกับกระบวนการเรียนรู้ของมนุษย์
- Deep Learning
Deep Learning เป็นเทคโนโลยีที่พัฒนาต่อยอดมาจาก Machine Learning โดย Deep Learning จะเรียนรู้ ประมวลผลและตัดสินใจจากข้อมูลที่ได้รับ แต่ไม่ต้องอาศัยการแทรกแซงจากมนุษย์ เพราะ Deep Learning สามารถปรับปรุงผลลัพธ์การตัดสินใจได้ด้วยตัวมันเอง ซึ่งอาศัยสถาปัตยกรรมคอมพิวเตอร์ที่เรียกว่า Neural Network
โดย Neural Network หรือโครงข่ายประสาทเทียมที่ได้รับแรงบันดาลใจมาจากโครงสร้างระบบประสาทของมนุษย์ ซึ่งอัลกอริทึมของ Neural Network จะมีลักษณะเป็น Node เรียงกัน 4 ชั้น คือ Input Layer, Hidden Layer, Output Layer และ Prediction
- Input Layer คือ ชั้นข้อมูลขาเข้า อาจเป็นข้อมูลที่มีโครงสร้างหรือไม่มีโครงสร้างก็ได้ โดยข้อมูลเหล่านี้จะถูกเปลี่ยนให้อยู่ในรูปแบบตัวแปรที่ต่างกัน
- Hidden Layer คือ ชั้นประมวลผล โดยใน Hidden Layer จะมีชั้นของหน่วยประมวลผลอยู่มากกว่า 1 ชั้น ขึ้นอยู่กับโครงสร้าง (Network Architecture)
- Output Layer คือ ชั้นที่นำผลลัพธ์จาก Hidden Layer มาประมวลใน Activation Function อีกรอบหนึ่ง
- Prediction คือ ชั้นที่นำเอาผลลัพธ์จาก Output Layer มาตัดสินใจใน Decision Function
ทั้งหมดนี้เรียกว่า Forward Propagation ซึ่งผลลัพธ์ที่ได้จากการทำ Forward Propagation คือ ค่าพยากรณ์ โดยจะต้องนำค่าพยากรณ์มาผ่าน Cost Function ในกระบวนการ Backward Propagation ต่อ เพื่อหาความต่างระหว่างค่าพยากรณ์กับค่าจริง เมื่อทำซ้ำกระบวนการเหล่านี้ไปเรื่อยๆ จะส่งผลให้อัลกอริทึมการทำงานของ Neural Network แม่นยำมากยิ่งขึ้น
โดยอัลกอริทึมของ Neural Network มีจุดเด่น คือ ทรงพลังกว่าอัลกอริทึมของ Machine Learning ทั่วไป เพราะอัลกอริทึมของ Machine Learning ทั่วไปมีชั้นการทำงานเพียงชั้นเดียว ส่งผลให้ไม่สามารถรองรับข้อมูลปริมาณมากที่มีความซับซ้อนสูงได้ เนื่องจากอัลกอริทึมจะพยายามสร้างผลลัพธ์ใหม่ที่ใกล้เคียงกับผลลัพธ์เดิมที่รู้อยู่แล้ว ดังนั้นจึงมีความสามารถในการสร้างสรรค์สิ่งใหม่น้อยกว่า เมื่อเทียบกับอัลกอริทึมของ Neural Network
อย่างไรก็ตาม Deep Learning มีข้อเสีย คือ ต้องอาศัยทรัพยากรคอมพิวเตอร์ประสิทธิภาพสูงและชุดข้อมูลปริมาณมาก ส่งผลให้การใช้งาน Deep Learning ยังไม่แพร่หลายมากนักในระดับอุตสาหกรรมทั่วไป
ตัวอย่างการใช้งาน Machine Learning และ Deep Learning
ในปัจจุบัน ตัวอย่างการใช้งาน Deep Learning เริ่มมีให้เห็นมากขึ้น ไม่ว่าจะเป็น ChatGPT ของบริษัท OpenAI และ Gemini ของบริษัท Google หรือในแง่ของการแข่งขันก็มีให้เห็นได้เช่นกัน อาทิ
- เทคโนโลยี Deep Learning ของ AlphaGo (DeepMind) เอาชนะผู้เล่นโกะอันดับ 1 ของโลกไป 4-1
- เทคโนโลยี Deep Learning ของ OpenAI เอาชนะผู้เล่นผู้เล่นมืออาชีพของ Dota2 ในรูปแบบทีม 5–5
โดยส่วนหนึ่งที่เทคโนโลยี Deep Learning เหล่านี้สามารถเอาชนะผู้เล่นระดับโลกได้ เพราะการตัดสินใจของมนุษย์มักมีอิทธิพลร่วมมาจากอารมณ์และความรู้สึก ทำให้ตัดสินใจผิดพลาดได้ง่ายกว่า Deep Learning ที่เป็นระบบคอมพิวเตอร์ ซึ่งไม่มีอารมณ์และความรู้สึกเข้ามาข้องเกี่ยว
ส่วนตัวอย่างการใช้งาน Machine Learning คือ Data Platform ของ Databricks ที่มีการนำ Machine Leaning เข้ามามีบทบาทในการวิเคราะห์ข้อมูลขั้นสูง โดยการใช้ Machine Leaning สามารถวิเคราะห์ข้อมูลได้รวดเร็วกว่ามนุษย์ เอื้อประโยชน์ต่อการวิเคราะห์แบบเรียลไทม์ อีกทั้งยังใช้ทรัพยากรคอมพิวเตอร์น้อยกว่า เมื่อเทียบกับ Deep Learning ดังนั้น Machine Learning จึงถูกนำมาใช้ในหลากหลายธุรกิจ อาทิ
- Spotify: แพลตฟอร์มสตรีมมิ่งเพลงและพอดแคสต์ที่ใช้ Machine Learning เรียนรู้ความชอบส่วนบุคคลของผู้ใช้งาน ทำให้แพลตฟอร์มสามารถนำเสนอเพลงหรือพอดแคสต์ที่ตรงกับความสนใจเฉพาะบุคคลได้แม่นยำมากยิ่งขึ้น
- TechX Data Platform ของ SCB TechX: แพลตฟอร์มจัดการข้อมูลของ SCB TechX ที่มีการนำ Machine Learning เข้ามามีบทบาทในการวิเคราะห์ข้อมูลขั้นสูง ทำให้ผู้ใช้งานแพลตฟอร์มได้ผลลัพธ์การวิเคราะห์ที่แม่นยำและรวดเร็วขึ้น
แนะนำ TechX Data Platform จาก SCB TechX
SCB TechX พร้อมให้บริการแพลตฟอร์มจัดการข้อมูลแบบครบวงจร TechX Data Platform ที่ช่วยให้ธุรกิจจัดการข้อมูลจำนวนมากได้ ตั้งแต่ขั้นตอนนำข้อมูลเข้าระบบ จัดเก็บ จัดการ วิเคราะห์ และรักษาความปลอดภัยของข้อมูล อีกทั้งยังมีความสามารถในการปรับแต่ง ส่งผลให้รองรับได้ทั้งธุรกิจขนาดเล็กอย่าง Startup ไปจนถึงธุรกิจขนาดใหญ่
หากสนใจดูรายละเอียดบริการแพลตฟอร์ม TechX Data Platform (คลิก)
สอบถามบริการนวัตกรรม E-KYC, Data Platform และโซลูชันอื่นๆ เพิ่มเติม ได้ที่ Email: contact@scbtechx.io
ติดตาม SCB TechX เพื่ออัปเดตข่าวสารใหม่ๆ ก่อนใคร
Facebook: SCB TechX
Medium: medium.com/scb-techx
LinkedIn: www.linkedin.com/company/scb-tech-x/
YouTube: SCB TechX
