ดิปเลิร์นนิงคืออะไร

ดีปเลิร์นนิงช่วยสร้างคือดีปเลิร์นนิงที่เน้นไปที่การสร้างผลลัพธ์ใหม่จากอินพุตที่เรียนรู้ โดยปกติแล้ว ดีปเลิร์นนิงจะเน้นที่การระบุความสัมพันธ์ระหว่างข้อมูล โมเดลดีปเลิร์นนิงได้รับการฝึกด้วยข้อมูลจำนวนมากเพื่อจดจำรูปแบบในชุดข้อมูล

ดีปเลิร์นนิงช่วยสร้างจะเพิ่มการสร้างสู่การจดจำรูปแบบ โมเดลดังกล่าวจะมองหารูปแบบข้อมูลแล้วสร้างรูปแบบที่เป็นเอกลักษณ์ของตัวเอง ตัวอย่างเช่น สามารถวิเคราะห์ข้อความในหนังสือหลายเล่ม จากนั้นจะใช้ข้อมูลเพื่อสร้างประโยคและย่อหน้าใหม่ที่ไม่พบในหนังสือต้นฉบับ

ดีปเลิร์นนิงช่วยสร้างเป็นพื้นฐานของAI ช่วยสร้างสมัยใหม่และ โมเดลพื้นฐาน โมเดลเหล่านี้ใช้เทคโนโลยีดีปเลิร์นนิงในระดับที่ผ่านการฝึกจากข้อมูลขนาดใหญ่เพื่อทำงานที่ซับซ้อน เช่น การตอบคำถาม สร้างภาพจากข้อความ และการเขียนเนื้อหา

ดูวิดีโอเบื้องต้นเกี่ยวกับแบบโมเดลพื้นฐาน

ดีปเลิร์นนิงมีหลายกรณีการใช้งานในอุตสาหกรรมยานยนต์, การบินและอวกาศ การผลิต อิเล็กทรอนิกส์ การวิจัยทางการแพทย์ และสาขาอื่นๆ

• รถยนต์ขับเองใช้โมเดลดีปเลิร์นนิงเพื่อการตรวจจับวัตถุ
• ระบบป้องกันประเทศใช้ดีปเลิร์นนิงเพื่อกำหนดสถานะพื้นที่ต้องให้ความสนใจต่อภาพดาวเทียมโดยอัตโนมัติ
• การวิเคราะห์ภาพทางการแพทย์ใช้ดีปเลิร์นนิงเพื่อตรวจหาเซลล์มะเร็งเพื่อการวินิจฉัยทางการแพทย์
• โรงงานใช้แอปพลิเคชันดีปเลิร์นนิงเพื่อตรวจจับเมื่อคนหรือวัตถุอยู่ในระยะที่ไม่ปลอดภัยของเครื่องจักร

กรณีการใช้งานต่าง ๆ ของดีปเลิร์นนิงสามารถจัดกลุ่มเป็นห้าประเภทที่กว้างๆ ได้แก่ คอมพิวเตอร์วิชัน, การรู้จำเสียง, การประมวลผลภาษาธรรมชาติ (NLP), กลไกการแนะนำข้อมูล และ AI ช่วยสร้าง

คอมพิวเตอร์วิทัศน์

คอมพิวเตอร์วิชันจะดึงข้อมูลและข้อมูลเชิงลึกจากภาพและวิดีโอโดยอัตโนมัติ เทคนิคดีปเลิร์นนิงสามารถเข้าใจภาพในลักษณะเดียวกับที่มนุษย์ทำได้ คอมพิวเตอร์วิทัศน์มีรูปแบบการใช้งานหลายอย่าง เช่น

• การกลั่นกรองเนื้อหาเพื่อลบเนื้อหาที่ไม่ปลอดภัยหรือไม่เหมาะสมออกจากคลังภาพและวิดีโอโดยอัตโนมัติ
• การจดจำใบหน้าเพื่อระบุใบหน้าและจดจำคุณลักษณะต่างๆ เช่น ดวงตา แว่นตา และขนบนใบหน้า
• การระบุวัตถุในรูปภาพเพื่อระบุโลโก้แบรนด์ เสื้อผ้า อุปกรณ์นิรภัย และรายละเอียดรูปภาพอื่นๆ

การจดจำเสียงพูด

ดีปเลิร์นนิงสามารถวิเคราะห์คำพูดของมนุษย์ได้แม้จะมีรูปแบบคำพูด ระดับเสียง น้ำเสียง ภาษา และสำเนียงที่แตกต่างกัน ผู้ช่วยเสมือน เช่น Amazon Alexa, ข้อความเป็นคำพูด และซอฟต์แวร์คำพูดเป็นข้อความจำใช้การจดจำเสียงพูดเพื่อทำงานต่อไปนี้

• ช่วยเจ้าหน้าที่ศูนย์บริการและจัดประเภทการโทรโดยอัตโนมัติ
• แปลงบทสนทนาทางการแพทย์เป็นเอกสารแบบเรียลไทม์
• บรรยายวิดีโอและบันทึกการประชุมได้อย่างแม่นยำเพื่อการเข้าถึงเนื้อหาที่กว้างขึ้น
• แปลงสคริปต์เป็นพร้อมท์สำหรับระบบช่วยเหลือด้วยเสียงอัจฉริยะ

การประมวลผลภาษาธรรมชาติ

คอมพิวเตอร์ใช้อัลกอริทึมดีปเลิร์นนิงเพื่อรวบรวมข้อมูลเชิงลึกและความหมายจากข้อความและเอกสาร ความสามารถในการประมวลผลข้อความธรรมชาติที่มนุษย์สร้างขึ้นมีหลายกรณีการใช้งาน ซึ่งรวมถึง

• เจ้าหน้าที่เสมือนจริงอัตโนมัติและ แชทบอท
• สรุปเอกสารหรือบทความข่าวโดยอัตโนมัติ
• การวิเคราะห์ข้อมูลวิเคราะห์และประมวลผลทางธุรกิจของเอกสารฉบับยาว เช่น อีเมลและแบบฟอร์ม
• การจัดทำดัชนีวลีสำคัญที่บ่งบอกถึงความรู้สึก เช่น ความคิดเห็นเชิงบวกและเชิงลบบนโซเชียลมีเดีย

กลไกการแนะนำ

แอปพลิเคชันสามารถใช้วิธีดีปเลิร์นนิงเพื่อติดตามกิจกรรมของผู้ใช้และพัฒนา คำแนะนำที่เหมาะกับแต่ละคน พวกเขาสามารถวิเคราะห์พฤติกรรมของผู้ใช้ และช่วยค้นพบผลิตภัณฑ์หรือบริการใหม่ ตัวอย่างเช่น

• แนะนำวิดีโอและเนื้อหาเฉพาะบุคคล
• แนะนำผลิตภัณฑ์และบริการที่กำหนดเอง
• กรองผลการค้นหาเพื่อเน้นเนื้อหาที่เกี่ยวข้องตามตำแหน่งและพฤติกรรมของผู้ใช้

AI ช่วยสร้าง

แอปพลิเคชัน AI ช่วยสร้างสามารถสร้างเนื้อหาใหม่และสื่อสารกับผู้ใช้ปลายทางได้ซับซ้อนมากขึ้น โดยสามารถช่วยทำงานที่ซับซ้อนโดยอัตโนมัติ แนวความคิด และการค้นหาความรู้แบบอัจฉริยะ ตัวอย่างเช่น เครื่องมือ AI ช่วยสร้างอย่าง ธุรกิจ Amazon Q และ Amazon Q Developer ช่วยให้ผู้ใช้สามารถ

• ถามคำถามด้วยภาษาแบบธรรมชาติและรับคำตอบสรุปจากแหล่งความรู้ภายในหลายแห่ง
• รับคำแนะนำโค้ด และการสแกนโค้ดอัตโนมัติ และการอัปเกรด
• สร้างเอกสารใหม่ อีเมล และเนื้อหาทางการตลาดอื่น ๆ ใหม่ได้เร็วขึ้น

โมเดลดีปเลิร์นนิงเป็นนิวรัลเน็ตเวิร์กที่ออกแบบตามสมองของมนุษย์ สมองมนุษย์มีเซลล์ประสาทที่เชื่อมต่อกันในทางชีวะเป็นล้านๆ เซลล์ ซึ่งทำงานร่วมกันเพื่อเรียนรู้และประมวลผลข้อมูล ในลักษณะเดียวกัน นิวรัลของปัญญาประดิษฐ์จะเป็นโมดูลซอฟต์แวร์ที่เรียกว่าโหนด ซึ่งใช้การคำนวณทางคณิตศาสตร์เพื่อประมวลผลข้อมูล เครือข่ายดีปเลิร์นนิง หรือนิวรัลเน็ตเวิร์กประกอบด้วยเซลล์ประสาทเทียมหลายเลเยอร์ที่ทำงานร่วมกันเพื่อแก้ปัญหาที่ซับซ้อน

ส่วนประกอบของดีปนิวรัลเน็ตเวิร์กมีดังต่อไปนี้

เลเยอร์อินพุต

เครือข่ายนิวรัลเน็ตเวิร์กมีโหนดหลายโหนดที่อินพุตข้อมูลเข้าไปในนั้น โหนดเหล่านี้ทำขึ้นมาจากการป้อนข้อมูลของระบบ

เลเยอร์ซ่อน

เลเยอร์อินพุตจะประมวลผลและส่งข้อมูลไปยังชั้นต่อไปในนิวรัลเน็ตเวิร์ก เลเยอร์ที่ซ่อนอยู่เหล่านี้ประมวลผลข้อมูลในระดับต่างๆ โดยปรับพฤติกรรมของตนเมื่อได้รับข้อมูลใหม่ๆ เครือข่ายดีปเลิร์นนิงมีเลเยอร์ที่ซ่อนอยู่หลายร้อยเลเยอร์ที่พวกเขาสามารถใช้ในการวิเคราะห์ปัญหาจากมุมที่แตกต่างกันได้มากมาย

ยกตัวอย่างเช่น ถ้าได้รับภาพของสัตว์ที่ไม่รู้จักซึ่งต้องจัดประเภท ก็จะเปรียบเทียบกับสัตว์ที่รู้อยู่แล้ว ตัวอย่างเช่น คุณจะมองไปที่รูปร่างของตาและหู ขนาด จำนวนขา และรูปแบบขน คุณจะพยายามที่จะระบุรูปแบบ ดังเช่นต่อไปนี้:

• สัตว์มีกีบ ดังนั้นอาจจะเป็นวัวหรือกวาง
• สัตว์มีตาแมว ดังนั้นมันอาจจะเป็นแมวป่า

เลเยอร์ที่ซ่อนอยู่ในเครือข่ายดีปนิวรัลเน็ตเวิร์กทำงานในลักษณะเดียวกัน ถ้าอัลกอริธึมดีปเลิร์นนิงพยายามจำแนกภาพสัตว์ เลเยอร์ที่ซ่อนอยู่แต่ละเลเยอร์จะประมวลผลสัตว์ที่มีลักษณะต่างๆ และพยายามจัดหมวดหมู่ให้ถูกต้อง

เลเยอร์เอาต์พุต

เลเยอร์เอาท์พุทประกอบด้วยโหนดที่ส่งออกข้อมูล แบบจำลองดีปเลิร์นนิงที่เอาต์พุตคำตอบ “ใช่” หรือ “ไม่” จะมีโหนดเพียงสองโหนดในเลเยอร์ผลลัพธ์เท่านั้น ในทางกลับกัน เอาท์พุทคำตอบมช่วงกว้างจะมีโหนดมากกว่า AI ช่วยสร้างมีเลเยอร์เอาต์พุตที่ซับซ้อนเพื่อสร้างข้อมูลใหม่ที่ตรงกับรูปแบบในชุดข้อมูลการฝึก

คำว่าแมชชีนเลิร์นนิง, ดีปเลิร์นนิง และ AI ช่วยสร้างบ่งบอกถึงความก้าวหน้าในเทคโนโลยีนิวรัลเน็ตเวิร์ก

แมชชีนเลิร์นนิง

ดีปเลิร์นนิงเป็นส่วนย่อยของแมชชีนเลิร์นนิง อัลกอริธึมดีปเลิร์นนิงเกิดขึ้นเพื่อทำให้เทคนิคแมชชีนเลิร์นนิงแบบดั้งเดิมมีประสิทธิภาพมากขึ้น วิธีแมชชีนเลิร์นนิ่งแบบดั้งเดิมต้องใช้ความพยายามอย่างมากของมนุษย์ในการฝึกซอฟต์แวร์ ตัวอย่างเช่นในการจดจำภาพสัตว์ คุณต้องทำดังนี้:

• ติดป้ายกำกับภาพสัตว์หลายร้อยหลายพันภาพด้วยตนเอง
• ทำให้อัลกอริทึมแมชชีนเลิร์นนิงประมวลผลภาพเหล่านั้น
• ทดสอบอัลกอริทึมเหล่านั้นในชุดของภาพที่ไม่รู้จัก
• ระบุสาเหตุที่ผลลัพธ์บางอย่างไม่ถูกต้อง
• ปรับปรุงชุดข้อมูลโดยการติดฉลากภาพใหม่เพื่อปรับปรุงความถูกต้องของผลลัพธ์

กระบวนการนี้เรียกว่าการเรียนรู้แบบมีผู้ฝึกฝน ในการเรียนรู้แบบมีผู้ดูแล ความถูกต้องของผลลัพธ์จะดีขึ้นเฉพาะด้วยชุดข้อมูลที่กว้างและแตกต่างกันอย่างเพียงพอ ยกตัวอย่างเช่น อัลกอริทึมอาจระบุแมวดำได้อย่างถูกต้อง แต่ไม่ใช่แมวขาวเพราะชุดข้อมูลการฝึกมีภาพแมวดำมากกว่า ในกรณีนี้ค ุณจะต้องมีข้อมูลที่กำกับภาพแมวสีขาวให้มากขึ้นและฝึกโมเดลแมชชีนเลิร์นนิงอีกครั้ง

ข้อดีของดีปเลิร์นนิงที่มากกว่าแมชชีนเลิร์นนิง

เครือข่ายดีปเลิร์นนิงมีประโยชน์เหนือแมชชีนเลิร์นนิ่งแบบดั้งเดิมดังต่อไปนี้ 

การประมวลผลข้อมูลที่ไม่มีโครงสร้างอย่างมีประสิทธิภาพ

วิธีแมชชีนเลิร์นนิ่งจะมีปัญหากับข้อมูลที่ไม่มีโครงสร้าง เช่น เอกสารข้อความ เนื่องจากชุดข้อมูลหลังฝึกนั้นจะมีตัวแปรไม่สิ้นสุด ในทางกลับกัน แบบจำลองดีปเลิร์นนิงสามารถเข้าใจข้อมูลที่ไม่มีโครงสร้างและทำให้ข้อสังเกตทั่วไปโดยไม่ต้องสกัดคุณลักษณะด้วยตนเอง ยกตัวอย่างเช่น นิวรัลเน็ตเวิร์กหนึ่งสามารถรับรู้ได้ว่า ประโยคป้อนเข้าที่ต่างกันสองประโยคนี้มีความหมายเดียวกัน คือ

• ช่วยบอกหน่อยได้ไหมว่าต้องชำระเงินอย่างไร
• ฉันจะโอนเงินได้อย่างไร 

การพบความสัมพันธ์ที่ซ่อนอยู่และรูปแบบ

แอปพลิเคชันดีปเลิร์นนิงสามารถวิเคราะห์ข้อมูลจำนวนมากได้อย่างลึกซึ้งยิ่งขึ้น และเปิดเผยข้อมูลเชิงลึกใหม่ๆ ที่อาจยังไม่ได้รับการฝึก ยกตัวอย่างเช่น พิจารณาโมเดลดีปเลิร์นนิงที่ได้รับการฝึกวิเคราะห์การซื้อของผู้บริโภค โมเดลนี้มีข้อมูลเฉพาะสำหรับสินค้าที่คุณได้ซื้อไว้แล้ว แต่นิวรัลเน็ตเวิร์กสามารถแนะนำสินค้าใหม่ๆ ที่คุณยังไม่ได้ซื้อโดยเปรียบเทียบรูปแบบการซื้อของคุณกับของลูกค้าที่คล้ายคลึงกัน

การเรียนรู้แบบไม่มีผู้ดูแล

แบบจำลองดีปเลิร์นนิงสามารถเรียนรู้และพัฒนาได้เมื่อเวลาผ่านไปโดยอิงจากพฤติกรรมของผู้ใช้ พวกเขาไม่จำเป็นต้องมีชุดข้อมูลที่มีป้ายกำกับขนาดใหญ่ ตัวอย่างเช่น พิจารณานิวรัลเน็ตเวิร์คที่จะแก้ไขหรือแนะนำคำโดยอัตโนมัติจากการวิเคราะห์ลักษณะการพิมพ์ของคุณ สมมติว่าโมเดลได้รับการฝึกเป็นภาษาอังกฤษและสามารถตรวจการสะกดคำภาษาอังกฤษได้ แต่หากพิมพ์คำที่ไม่ใช่ภาษาอังกฤษบ่อยๆ เช่น Danke นิวรัลเน็ตเวิร์กจะเรียนรู้และแก้ไขคำเหล่านี้โดยอัตโนมัติด้วย

การประมวลผลข้อมูลที่ผันผวน

ชุดข้อมูลที่ผันผวนนั้นมีตัวแปรมาก ตัวอย่างหนึ่งคือจำนวนเงินชำระคืนเงินกู้ในธนาคาร นิวรัลเน็ตเวิร์กดีปเลิร์นนิงสามารถจัดหมวดหมู่และจัดเรียงข้อมูลนั้นโดยการวิเคราะห์ธุรกรรมทางการเงิน และรายงานสถานะบางอย่างเพื่อตรวจจับการฉ้อโกง

เรียนรู้เพิ่มเติมเกี่ยวกับดีปเลิร์นนิงและแมชชีนเลิร์นนิง

AI ช่วยสร้าง

AI ช่วยสร้างยกระดับนิวรัลเน็ตเวิร์กของแมชชีนเลิร์นนิงและดีปเลิร์นนิงขึ้นไปอีกระดับ ในขณะที่แมชชีนเลิร์นนิงและดีปเลิร์นนิงจะเน้นการคาดการณ์และการจดจำรูปแบบ แต่ AI ช่วยสร้างจะสร้างผลลัพธ์ที่ไม่ซ้ำกันตามรูปแบบที่ตรวจจับ เทคโนโลยี AI ช่วยสร้างอาศัยพื้นฐานสถาปัตยกรรมตัวแปลงข้อมูล ที่ผสานนิวรัลเน็ตเวิร์กหลากหลายประเภทเพื่อรวมรูปแบบข้อมูลในวิธีการแบบเฉพาะตัว ขั้นแรกเครือข่ายดีปเลิร์นนิงจะแปลงข้อความ รูปภาพ และข้อมูลอื่น ๆ ให้เป็นสาระสำคัญทางคณิตศาสตร์ แล้วแปลงให้เป็นรูปแบบใหม่ที่มีความหมาย

เครือข่ายดีปเลิร์นนิงมีประโยชน์เหนือแมชชีนเลิร์นนิ่งแบบดั้งเดิมดังต่อไปนี้ 

การประมวลผลข้อมูลที่ไม่มีโครงสร้างอย่างมีประสิทธิภาพ 

วิธีแมชชีนเลิร์นนิ่งจะมีปัญหากับข้อมูลที่ไม่มีโครงสร้าง เช่น เอกสารข้อความ เนื่องจากชุดข้อมูลหลังฝึกนั้นจะมีตัวแปรไม่สิ้นสุด ในทางกลับกัน แบบจำลองดีปเลิร์นนิงสามารถเข้าใจข้อมูลที่ไม่มีโครงสร้างและทำให้ข้อสังเกตทั่วไปโดยไม่ต้องสกัดคุณลักษณะด้วยตนเอง ยกตัวอย่างเช่น นิวรัลเน็ตเวิร์กหนึ่งสามารถรับรู้ได้ว่า ประโยคป้อนเข้าที่ต่างกันสองประโยคนี้มีความหมายเดียวกัน คือ

• ช่วยบอกหน่อยได้ไหมว่าต้องชำระเงินอย่างไร
• ฉันจะโอนเงินได้อย่างไร 

การพบความสัมพันธ์ที่ซ่อนอยู่และรูปแบบ

แอปพลิเคชันดีปเลิร์นนิงสามารถวิเคราะห์ข้อมูลจำนวนมากได้อย่างลึกซึ้งยิ่งขึ้น และเปิดเผยข้อมูลเชิงลึกใหม่ๆ ที่อาจยังไม่ได้รับการฝึก ยกตัวอย่างเช่น พิจารณาแบบจำลองดีปเลิร์นนิงที่ได้รับการฝึกวิเคราะห์การซื้อของผู้บริโภค โมเดลนี้มีข้อมูลเฉพาะสำหรับสินค้าที่คุณได้ซื้อไว้แล้ว แต่ว่า นิวรัลเน็ตเวิร์กสามารถแนะนำสินค้าใหม่ๆ ที่คุณยังไม่ได้ซื้อโดยเปรียบเทียบรูปแบบการซื้อของคุณกับของลูกค้าอื่นที่คล้ายคลึงกัน

การเรียนรู้แบบไม่มีผู้ฝึกฝน

แบบจำลองดีปเลิร์นนิงสามารถเรียนรู้และพัฒนาได้เมื่อเวลาผ่านไปโดยอิงจากพฤติกรรมของผู้ใช้ พวกเขาไม่จำเป็นต้องมีชุดข้อมูลที่มีป้ายกำกับขนาดใหญ่ ตัวอย่างเช่น พิจารณานิวรัลเน็ตเวิร์คที่จะแก้ไขหรือแนะนำคำโดยอัตโนมัติจากการวิเคราะห์ลักษณะการพิมพ์ของคุณ สมมติว่าแบบจำลองได้รับการฝึกฝนมาเป็นภาษาอังกฤษและสามารถตรวจการสะกดคำภาษาอังกฤษได้ แต่ว่า ถ้าพิมพ์คำที่ไม่ใช่ภาษาอังกฤษบ่อยๆ เช่น Danke นิวรัลเน็ตเวิร์กจะเรียนรู้และแก้ไขคำเหล่านี้โดยอัตโนมัติด้วย

การประมวลผลข้อมูลที่ผันผวน

ชุดข้อมูลที่ผันผวนนั้นมีตัวแปรมาก ตัวอย่างหนึ่งคือจำนวนเงินชำระคืนเงินกู้ในธนาคาร เนิวรัลเน็ตเวิร์กดีปเลิร์นนิงสามารถจัดหมวดหมู่และจัดเรียงข้อมูลนั้นได้เช่นกัน เช่น โดยการวิเคราะห์ธุรกรรมทางการเงิน และกำหนดสถานะบางรายการเพื่อตรวจจับการฉ้อโกง

บริการ AI และดีปเลิร์นนิงจาก AWS ใช้พลังของการประมวลผลบนคลาวด์เพื่อให้คุณสามารถสร้างและปรับขนาดตามคลื่นนวัตกรรม AI ถัดไปได้ สร้างประสบการณ์ใหม่ให้กับลูกค้าด้วยบริการที่ครอบคลุมมากที่สุด, โครงสร้างพื้นฐาน AI, เทคโนโลยีดีปเลิร์นนิง และโซลูชัน AI ช่วยสร้าง ตัวอย่างเช่น

• Amazon SageMaker มีโครงสร้างพื้นฐานที่มีการจัดการอย่างเต็มรูปแบบ เครื่องมือ และเวิร์กโฟลว์ต่าง ๆ สำหรับการพัฒนาแมชชีนเลิร์นนิงและดีปเลิร์นนิง
• Amazon Bedrock มี API เดียวเพื่อเข้าถึงและใช้โมเดลพื้นฐานประสิทธิภาพสูงหลากหลายประเภทจากบริษัท AI ชั้นนำ

และคุณยังสามารถใช้ โครงสร้างพื้นฐาน AI ของ AWS เพื่อเข้าถึงการประมวลผล การจัดเก็บ และการสร้างเครือข่ายที่ครอบคลุม ปลอดภัย และมีประสิทธิภาพคุ้มราคาเพื่อสร้างแอปพลิเคชัน AI เริ่มต้นใช้งาน AI ดีปเลิร์นนิงบน AWS โดย สร้างบัญชีฟรีวันนี้!