Neural Networks - อนาคตของปัญญาประดิษฐ์มีหน้าตาเป็นอย่างไร?

Neural Network คืออะไร ?

ระบบคอมพิวเตอร์นี้ได้รับแรงบันดาลใจจากโครงข่ายประสาทเทียม "เรียนรู้" เพื่อทำงานต่างๆ โดยพิจารณาตัวอย่างบางตัวอย่าง โดยปกติแล้วจะไม่มีการตั้งโปรแกรมกฎเกณฑ์เฉพาะงาน
โครงข่ายประสาทเทียมเป็นหน่วยการเรียนรู้เชิงลึกที่ได้รับแรงบันดาลใจจากโครงสร้างของสมองมนุษย์ อย่างไรก็ตาม โครงข่ายประสาทเทียมรุ่นใหม่ล่าสุดเป็นหน่วยการเรียนรู้เชิงลึก

ตัวอย่างเช่นในการจดจำภาพเช่นการระบุภาพแมว
ระบบคอมพิวเตอร์อาจเรียนรู้ที่จะระบุรูปภาพที่มีแมวโดยการวิเคราะห์ภาพตัวอย่างที่มีป้ายกำกับว่า "cat" หรือ "no cat" ด้วยตนเอง โดยใช้ผลลัพธ์ในการระบุแมวในภาพอื่น พวกเขาสามารถเรียนรู้ที่จะระบุภาพจริง พวกเขาทำสิ่งนี้โดยปราศจากความรู้เกี่ยวกับแมวหรือคุณลักษณะของแมวมาก่อน ตัวอย่างเช่น พวกเขามีขน หาง หนวดเครา และใบหน้าเหมือนแมว

การเรียนรู้เชิงลึกใช้โครงข่ายประสาทเทียมที่เลียนแบบพฤติกรรมของสมองมนุษย์เพื่อแก้ปัญหาที่ซับซ้อนซึ่งเกิดจากข้อมูล การเรียนรู้เชิงลึกเป็นส่วนหนึ่งของการเรียนรู้ของเครื่องซึ่งอยู่ภายใต้ปัญญาประดิษฐ์ (AI) ขนาดใหญ่
การเรียนรู้ด้วยเครื่อง - แอปพลิเคชันปัญญาประดิษฐ์ (AI) การเรียนรู้ด้วยเครื่องช่วยให้ระบบสามารถเรียนรู้และปรับปรุงจากประสบการณ์โดยอัตโนมัติโดยไม่ต้องตั้งโปรแกรมไว้อย่างชัดเจน แมชชีนเลิร์นนิงมุ่งเน้นไปที่การพัฒนาโปรแกรมคอมพิวเตอร์ที่สามารถเข้าถึงข้อมูลและใช้เพื่อเรียนรู้ด้วยตนเอง
กระบวนการเรียนรู้เริ่มต้นขึ้นเมื่อพวกเขาเริ่มสังเกตข้อมูล เช่น ตัวอย่าง ประสบการณ์ตรง หรือคำแนะนำ เพื่อค้นหารูปแบบที่ช่วยให้พวกเขาตัดสินใจได้ดีขึ้นในอนาคต จุดมุ่งหมายหลักคือการอนุญาตให้คอมพิวเตอร์เรียนรู้โดยอัตโนมัติโดยปราศจากการแทรกแซงหรือความช่วยเหลือของมนุษย์ และปรับการกระทำตามนั้น
การเรียนรู้เชิงลึก – การเรียนรู้เชิง ลึก (หรือที่เรียกว่าการเรียนรู้แบบมีโครงสร้างเชิงลึกหรือการเรียนรู้แบบลำดับชั้น) เป็นส่วนหนึ่งของวิธีการเรียนรู้ของเครื่องในวงกว้างโดยอิงจากโครงข่ายประสาทเทียม ภายใต้ Deep Learning กระบวนการเรียนรู้สามารถควบคุม กึ่งควบคุม หรือไม่มีผู้ดูแลได้ การเรียนรู้เชิงลึกเป็นคลาสของอัลกอริธึมการเรียนรู้ของเครื่องที่ใช้หลายเลเยอร์เพื่อแยกคุณลักษณะระดับสูงขึ้นจากอินพุตดิบ
ตัวอย่างเช่น ในการประมวลผลภาพ เลเยอร์ที่ต่ำกว่าอาจระบุขอบ ในขณะที่เลเยอร์ที่สูงกว่าอาจระบุแนวคิดที่เกี่ยวข้องกับมนุษย์ เช่น ตัวเลขหรือตัวอักษรหรือใบหน้า

โครงสร้างโครงข่ายประสาทเทียม

โครงข่ายประสาทเทียมประกอบด้วยเซลล์ประสาทซึ่งเป็นหน่วยประมวลผลหลักของเครือข่าย โครงข่ายประสาทเทียมโดยทั่วไปประกอบด้วย 3 ชั้นที่แตกต่างกัน ได้แก่ เลเยอร์อินพุต เลเยอร์ที่ซ่อนอยู่ และเลเยอร์เอาต์พุต
เลเยอร์อินพุต คือเลเยอร์ที่อินพุตถูกป้อนไปยังเครือข่าย เลเยอร์เอาต์พุต ใช้เอาต์พุตของเลเยอร์ที่ซ่อนอยู่นั้น ๆ ซึ่งการคำนวณส่วนใหญ่เกิดขึ้น สิ่งนี้สัมพันธ์กับค่าตัวเลขที่เรียกว่าอคติ ซึ่งจะถูกเพิ่มเข้าไปในผลรวมอินพุตซึ่งส่งผ่านไปยังฟังก์ชันขีดจำกัดที่เรียกว่าฟังก์ชันการเปิดใช้งาน
ฟังก์ชันการเปิดใช้งานกำหนดว่าควรเปิดใช้งานเซลล์ประสาทเฉพาะหรือไม่ เซลล์ประสาทที่เปิดใช้งานจะส่งข้อมูลไปยังชั้นถัดไป
ช่องสัญญาณเชื่อมต่อระหว่างเซลล์ประสาทเหล่านี้

การทำงานของโครงข่ายประสาทเทียมพร้อมตัวอย่าง

ขั้นตอนพื้นฐาน:

1. เซลล์ประสาทอินพุตของเราเป็นตัวแทนของอินพุต โดยพิจารณาจากข้อมูลที่เรากำลังพยายามจำแนก
2. แต่ละหมายเลขในเซลล์ประสาทที่ป้อนเข้าจะได้รับน้ำหนักที่ไซแนปส์แต่ละอัน (ช่องสัญญาณ)
3. ที่เซลล์ประสาทแต่ละเซลล์ในเลเยอร์ถัดไป เราเพิ่มผลลัพธ์ของไซแนปส์ทั้งหมดที่มาถึงเซลล์ประสาทนั้นพร้อมกับอคติ และใช้ฟังก์ชันกระตุ้น (โดยทั่วไปคือฟังก์ชันซิกมอยด์) กับผลรวมถ่วงน้ำหนัก (ซึ่งจะทำให้ตัวเลขอยู่ระหว่าง 0 ถึง 1)
   ผลรวมอินพุต= (w1*x1) + (w1*x2) + (w1*x3) + b1 คำนวณสำหรับแต่ละอินพุตของเซลล์ประสาท
4. เอาต์พุตของฟังก์ชันนั้นจะถือเป็นอินพุตสำหรับเลเยอร์ synapse ถัดไป
5. ทำต่อไปจนกว่าจะถึงทางออก

พิจารณาตัวอย่างการจำแนกประเภทใบไม้ เช่น ใบปกติหรือใบที่ชำรุด
ที่นี่เรากำลังจัดเตรียมภาพใบไม้ให้กับระบบของเราเพื่อจำแนกตามเงื่อนไข
รูปภาพจะถูกแบ่งออกเป็นชิ้นๆ ตามขนาดของรูปภาพ เช่น หากมีส่วนสูงและน้ำหนัก 28 พิกเซล ระบบจะแยกเป็น 28X28 พิกเซลจาก 784 พิกเซลและป้อนไปยังเลเยอร์อินพุต แต่ในกรณีนี้คือความกว้าง 30px และความสูง 900px ซึ่งป้อนไปยังเลเยอร์อินพุต

เซลล์ประสาทของชั้นหนึ่งเชื่อมต่อกับอีกชั้นหนึ่งด้วยน้ำหนักแบบสุ่มซึ่งใช้ในการคำนวณผลรวม ผลรวมอินพุตของหนึ่งเลเยอร์จะถูกส่งไปยังเลเยอร์ถัดไป (เลเยอร์ที่ซ่อนอยู่) และแต่ละเลเยอร์ที่ซ่อนอยู่นั้นสัมพันธ์กับค่าตัวเลขซึ่งจะถูกเพิ่มเข้าไปในผลรวมอินพุต
ฟังก์ชันการเปิดใช้งานเป็นตัวกำหนดว่าเซลล์ประสาทใดจะถูกกระตุ้น และเซลล์ประสาทใดก็ตามที่เปิดใช้งาน โดยค่าของเซลล์ประสาทจะถูกส่งต่อไปยังชั้นถัดไป นี้เรียกว่าการขยายพันธุ์ไปข้างหน้า

ในเซลล์ประสาทชั้นเอาต์พุตที่มีค่าสูงกว่าจะเป็นตัวกำหนดเอาต์พุต ค่านั้นเป็นค่าความน่าจะเป็นโดยทั่วไป หากค่าความน่าจะเป็นที่สูงกว่าทำนายผลลัพธ์ที่ไม่ถูกต้อง แสดงว่าเครือข่ายยังไม่ได้รับการฝึกอบรม ในกรณีนี้จะถูกพิจารณาว่าเป็นใบไม้ที่มีข้อบกพร่อง ดังนั้นจึงจำเป็นต้องได้รับการฝึกอบรม หลังจากนั้นจึงจะสามารถดำเนินการตรวจจับ/จัดประเภทได้

การขยายพันธุ์ด้านหลังจะดำเนินการเพื่อคาดการณ์ผลลัพธ์ที่ถูกต้อง ซึ่งอิงตามค่าที่คาดการณ์ไว้ เปรียบเทียบกับผลผลิตจริง มีการมอบหมายน้ำหนักซ้ำๆ จนกว่าพวกเขาจะทำนายใบไม้ได้อย่างถูกต้อง จากนั้นให้น้ำหนักเริ่มต้นใหม่เพื่อลดข้อผิดพลาด

หลังจากเริ่มต้นน้ำหนักอีกครั้ง โดยอิงตามความแตกต่างของข้อผิดพลาดของค่าที่คาดการณ์ไว้ เราได้ผลลัพธ์ที่แน่นอนเหมือนกับใบไม้ปกติ

แอปพลิเคชั่นบางส่วนของโครงข่ายประสาทเทียม

1. แปล Google
2. การจดจำใบหน้า
3. รถขับเอง
4. การตรวจจับวัตถุ
5. ดนตรีประกอบ
6. การรู้จำเสียง
7. ตรวจการสะกด
8. การจดจำตัวละคร

ข้อดี

• เมื่อองค์ประกอบของโครงข่ายประสาทเทียมล้มเหลว ก็สามารถดำเนินต่อไปได้โดยไม่มีปัญหาใดๆ ด้วยความช่วยเหลือของธรรมชาติคู่ขนาน
• โครงข่ายประสาทเทียมเรียนรู้และไม่จำเป็นต้องตั้งโปรแกรมใหม่
• สามารถนำไปใช้ในแอปพลิเคชันใดก็ได้
• โครงข่ายประสาทเทียมทำงานที่โปรแกรมเชิงเส้นไม่สามารถทำได้

ข้อเสีย

• โครงข่ายประสาทเทียมจำเป็นต้องมีการฝึกอบรมเพื่อดำเนินการ
• ต้องใช้เวลาในการประมวลผลสูงสำหรับโครงข่ายประสาทเทียมขนาดใหญ่
• จำนวนข้อมูล