- คำศัพท์ (A ถึง D)
- การควบคุมความสามารถของ AI
- AIOps
- อัลบั้ม
- ประสิทธิภาพของสินทรัพย์
- ตัวเข้ารหัสอัตโนมัติ
- การขยายพันธุ์หลัง
- ทฤษฎีบทเบย์
- ข้อมูลขนาดใหญ่
- Chatbot: คู่มือสำหรับผู้เริ่มต้น
- การคิดเชิงคำนวณ
- วิสัยทัศน์คอมพิวเตอร์
- เมทริกซ์ความสับสน
- เครือข่ายประสาทเทียม
- cybersecurity
- ผ้าข้อมูล
- การเล่าเรื่องข้อมูล
- ข้อมูลวิทยาศาสตร์
- คลังข้อมูล
- ต้นไม้ตัดสินใจ
- Deepfakes
- การเรียนรู้ลึก ๆ
- การเรียนรู้การเสริมแรงเชิงลึก
- devops
- DevSecOps
- แบบจำลองการแพร่กระจาย
- ดิจิตอลแฝด
- การลดขนาด
- คำศัพท์ (E ถึง K)
- เอดจ์ไอ
- อารมณ์ AI
- การเรียนรู้ทั้งมวล
- การแฮ็กอย่างมีจริยธรรม
- ETL
- AI ที่อธิบายได้
- สหพันธ์การเรียนรู้
- ฟินอ๊อฟ
- กำเนิด AI
- เครือข่ายผู้ให้กำเนิด
- กำเนิดเทียบกับการเลือกปฏิบัติ
- ไล่โทนสี
- โคตรไล่ระดับ
- การเรียนรู้ไม่กี่ช็อต
- การจำแนกรูปภาพ
- การดำเนินงานด้านไอที (ITOps)
- ระบบอัตโนมัติของเหตุการณ์
- วิศวกรรมอิทธิพล
- K-หมายถึงการจัดกลุ่ม
- K-เพื่อนบ้านที่ใกล้ที่สุด
- คำศัพท์ (L ถึง Q)
- คำศัพท์ (R ถึง Z)
- การเรียนรู้เสริมแรง
- AI ที่มีความรับผิดชอบ
- อาร์แอลเอชเอฟ
- ระบบอัตโนมัติของกระบวนการหุ่นยนต์
- มีโครงสร้าง vs ไม่มีโครงสร้าง
- การวิเคราะห์ความเชื่อมั่น
- อยู่ภายใต้การดูแล vs ไม่ได้รับการดูแล
- สนับสนุนเครื่องเวกเตอร์
- ข้อมูลสังเคราะห์
- สื่อสังเคราะห์
- การจัดประเภทข้อความ
- TinyML
- ถ่ายทอดการเรียนรู้
- เครือข่ายประสาทหม้อแปลง
- การทดสอบของทัวริง
- การค้นหาความคล้ายคลึงกันของเวกเตอร์
AI 101
โครงข่ายประสาทเทียมคืออะไร?
สารบัญ
โครงข่ายประสาทเทียม (ANN) คืออะไร?
ความก้าวหน้าที่ยิ่งใหญ่ที่สุดใน AI ได้แก่ ขับเคลื่อนด้วยโครงข่ายประสาทเทียม. โครงข่ายประสาทเทียม (ANN) คือการเชื่อมโยงฟังก์ชันทางคณิตศาสตร์เข้าด้วยกันในรูปแบบที่ได้รับแรงบันดาลใจจากโครงข่ายประสาทเทียมที่พบในสมองของมนุษย์ ANN เหล่านี้สามารถแยกรูปแบบที่ซับซ้อนออกจากข้อมูล โดยนำรูปแบบเหล่านี้ไปใช้กับข้อมูลที่มองไม่เห็นเพื่อจัดประเภท/จดจำข้อมูล ด้วยวิธีนี้ เครื่องจักรจะ "เรียนรู้" นั่นเป็นบทสรุปโดยย่อเกี่ยวกับโครงข่ายประสาทเทียม แต่ลองมาดูโครงข่ายประสาทเทียมให้ละเอียดยิ่งขึ้นเพื่อทำความเข้าใจให้ดีขึ้นว่ามันคืออะไรและทำงานอย่างไร
อธิบาย Perceptron หลายชั้น
ก่อนที่เราจะดูโครงข่ายประสาทเทียมที่ซับซ้อนกว่านี้ เราจะใช้เวลาสักครู่เพื่อดู ANN เวอร์ชันง่ายๆ Perceptron หลายชั้น (MLP).
ลองนึกภาพสายการประกอบที่โรงงาน ในสายการประกอบนี้ ผู้ปฏิบัติงานคนหนึ่งได้รับสินค้า ทำการปรับเปลี่ยนบางอย่าง แล้วส่งต่อไปยังผู้ปฏิบัติงานคนถัดไปในสายการผลิตที่ทำสิ่งเดียวกัน กระบวนการนี้จะดำเนินต่อไปจนกว่าพนักงานคนสุดท้ายในสายการผลิตจะตกแต่งชิ้นงานให้เรียบร้อยและวางลงบนสายพานที่จะนำออกจากโรงงาน ในการเปรียบเทียบนี้ มี "เลเยอร์" หลายชั้นในสายการประกอบ และผลิตภัณฑ์จะเคลื่อนไปมาระหว่างเลเยอร์เมื่อพวกมันย้ายจากคนงานไปยังคนงาน สายการประกอบยังมีจุดเข้าและจุดออก
Multi-Layer Perceptron เปรียบได้กับสายการผลิตที่เรียบง่ายมาก ซึ่งประกอบด้วยเลเยอร์ทั้งหมดสามเลเยอร์: เลเยอร์อินพุต เลเยอร์ที่ซ่อนอยู่ และเลเยอร์เอาต์พุต เลเยอร์อินพุตเป็นที่ที่ข้อมูลถูกป้อนเข้าสู่ MLP และในเลเยอร์ที่ซ่อนอยู่ "คนงาน" จำนวนหนึ่งจะจัดการข้อมูลก่อนที่จะส่งต่อไปยังเลเยอร์เอาต์พุตซึ่งจะส่งผลิตภัณฑ์ไปยังโลกภายนอก ในกรณีของ MLP คนงานเหล่านี้เรียกว่า "เซลล์ประสาท" (หรือบางครั้งโหนด) และเมื่อพวกเขาจัดการกับข้อมูล พวกเขาจัดการกับมันผ่านชุดของฟังก์ชันทางคณิตศาสตร์
ภายในเครือข่ายมีโครงสร้างเชื่อมโยงโหนดต่อโหนดเรียกว่า “น้ำหนัก". น้ำหนักเป็นข้อสันนิษฐานว่าจุดข้อมูลเกี่ยวข้องกันอย่างไรเมื่อย้ายผ่านเครือข่าย พูดอีกอย่างก็คือ น้ำหนักจะสะท้อนถึงระดับของอิทธิพลที่เซลล์ประสาทหนึ่งมีต่อเซลล์ประสาทอีกเซลล์หนึ่ง น้ำหนักจะผ่าน "ฟังก์ชันการเปิดใช้งาน" เมื่อออกจากโหนดปัจจุบัน ซึ่งเป็นฟังก์ชันทางคณิตศาสตร์ประเภทหนึ่งที่แปลงข้อมูล พวกเขาแปลงข้อมูลเชิงเส้นให้เป็นการแสดงที่ไม่ใช่เชิงเส้น ซึ่งช่วยให้เครือข่ายสามารถวิเคราะห์รูปแบบที่ซับซ้อนได้
การเปรียบเทียบกับสมองของมนุษย์โดยนัยของ "เครือข่ายประสาทเทียม" นั้นมาจากข้อเท็จจริงที่ว่าเซลล์ประสาทที่ประกอบเป็นสมองของมนุษย์ถูกรวมเข้าด้วยกันในลักษณะที่คล้ายกับการเชื่อมโยงโหนดใน ANN
ในขณะที่เพอร์เซ็ปตรอนหลายชั้นมีมาตั้งแต่ทศวรรษที่ 1940 แต่ก็มีข้อจำกัดหลายประการที่ทำให้ไม่สามารถใช้ประโยชน์ได้เป็นพิเศษ อย่างไรก็ตาม ในช่วงสองสามทศวรรษที่ผ่านมา เทคนิคที่เรียกว่า “การขยายพันธุ์หลัง” ถูกสร้างขึ้นเพื่อให้เครือข่ายสามารถปรับน้ำหนักของเซลล์ประสาทและเรียนรู้ได้อย่างมีประสิทธิภาพมากขึ้น Backpropagation จะเปลี่ยนน้ำหนักในโครงข่ายประสาทเทียม ทำให้เครือข่ายสามารถจับรูปแบบที่แท้จริงภายในข้อมูลได้ดีขึ้น
เครือข่ายประสาทลึก
โครงข่ายประสาทเทียมระดับลึกใช้รูปแบบพื้นฐานของ MLP และทำให้มีขนาดใหญ่ขึ้นโดยการเพิ่มเลเยอร์ที่ซ่อนอยู่ตรงกลางของแบบจำลอง ดังนั้นแทนที่จะมีเลเยอร์อินพุต เลเยอร์ซ่อน และเลเยอร์เอาท์พุต จึงมีเลเยอร์ซ่อนอยู่มากมายตรงกลาง และเอาต์พุตของเลเยอร์ซ่อนหนึ่งกลายเป็นอินพุตสำหรับเลเยอร์ซ่อนถัดไป จนกว่าข้อมูลจะครบ ผ่านเครือข่ายและถูกส่งกลับ
เลเยอร์ที่ซ่อนอยู่หลายชั้นของโครงข่ายประสาทเทียมเชิงลึกสามารถตีความรูปแบบที่ซับซ้อนได้มากกว่า Perceptron หลายชั้นแบบดั้งเดิม ชั้นต่างๆ ของ Deep Neural Network จะเรียนรู้รูปแบบของส่วนต่างๆ ของข้อมูล ตัวอย่างเช่น หากข้อมูลอินพุตประกอบด้วยรูปภาพ ส่วนแรกของเครือข่ายอาจตีความความสว่างหรือความมืดของพิกเซล ในขณะที่เลเยอร์ต่อมาจะเลือกรูปร่างและขอบที่สามารถใช้เพื่อจดจำวัตถุในภาพได้
ประเภทต่างๆ ของโครงข่ายประสาทเทียม
มีโครงข่ายประสาทเทียมหลายประเภท และโครงข่ายประสาทเทียมแต่ละประเภทมีข้อดีและข้อเสียในตัวเอง (และกรณีการใช้งานแตกต่างกัน) ประเภทของโครงข่ายประสาทเทียมเชิงลึกที่อธิบายไว้ข้างต้นเป็นโครงข่ายประสาทเทียมประเภทที่พบได้บ่อยที่สุด และมักถูกเรียกว่าโครงข่ายประสาทเทียมแบบฟีดฟอร์เวิร์ด
รูปแบบหนึ่งของโครงข่ายประสาทเทียมคือโครงข่ายประสาทที่เกิดซ้ำ (RNN) ในกรณีของ Recurrent Neural Networks กลไกการวนซ้ำจะใช้เพื่อเก็บข้อมูลจากสถานะการวิเคราะห์ก่อนหน้า ซึ่งหมายความว่ากลไกดังกล่าวสามารถตีความข้อมูลตามลำดับความสำคัญได้ RNN มีประโยชน์ในการหารูปแบบจากข้อมูลตามลำดับ/ตามลำดับเวลา โครงข่ายประสาทเทียมที่เกิดซ้ำอาจเป็นแบบทิศทางเดียวหรือสองทิศทางก็ได้ ในกรณีของโครงข่ายประสาทเทียมแบบสองทิศทาง เครือข่ายสามารถรับข้อมูลจากลำดับต่อมาและส่วนก่อนหน้าของลำดับได้ เนื่องจาก RNN แบบสองทิศทางคำนึงถึงข้อมูลมากกว่า จึงสามารถวาดรูปแบบที่ถูกต้องจากข้อมูลได้ดีขึ้น
Convolutional Neural Network คือโครงข่ายประสาทเทียมชนิดพิเศษที่เชี่ยวชาญในการตีความรูปแบบที่พบในภาพ CNN ดำเนินการโดยส่งผ่านตัวกรองไปยังพิกเซลของภาพ และบรรลุการแสดงตัวเลขของพิกเซลภายในภาพ ซึ่งสามารถวิเคราะห์หารูปแบบได้ CNN ได้รับการจัดโครงสร้างเพื่อให้เลเยอร์การบิดงอซึ่งดึงพิกเซลออกจากภาพมาก่อน จากนั้นเลเยอร์ฟีดฟอร์เวิร์ดที่เชื่อมต่ออย่างหนาแน่นจะมาภายหลัง ซึ่งเป็นเลเยอร์ที่จะเรียนรู้ที่จะจดจำวัตถุจริงๆ มาหลังจากนี้
บล็อกเกอร์และโปรแกรมเมอร์ที่มีความเชี่ยวชาญด้าน เครื่องเรียนรู้ และ การเรียนรู้ลึก ๆ หัวข้อ Daniel หวังว่าจะช่วยให้ผู้อื่นใช้พลังของ AI เพื่อประโยชน์ทางสังคม