การเรียนรู้ของเครื่องแบบดั้งเดิมยังคงมีความเกี่ยวข้องหรือไม่?

ในช่วงไม่กี่ปีที่ผ่านมา AI ที่สร้างขึ้นได้แสดงผลลัพธ์ที่น่าหวังในการแก้ปัญหาที่ซับซ้อนของ AI โมเดล AI ร่วมสมัย เช่น ChatGPT, Bard, LLaMA, DALL-E.3, และ SAM ได้แสดงให้เห็นถึงความสามารถที่น่าประทับใจในการแก้ปัญหาที่หลากหลาย เช่น การตอบคำถามด้วยภาพ การแบ่งส่วน การให้เหตุผล และการสร้างเนื้อหา

นอกจากนี้ เทคนิค AI หลายรูปแบบ ได้ปรากฏขึ้น ซึ่งสามารถประมวลผลข้อมูลหลายรูปแบบ เช่น ข้อความ ภาพ เสียง และวิดีโอพร้อมกัน ด้วยความก้าวหน้าเหล่านี้ จึงเป็นเรื่องธรรมดาที่จะสงสัยว่า เรากำลังเข้าใกล้จุดสิ้นสุดของ การเรียนรู้ของเครื่องแบบดั้งเดิม (ML) หรือไม่?

ในบทความนี้ เราจะมองเห็นภาพรวมของภูมิทัศน์การเรียนรู้ของเครื่องแบบดั้งเดิมเกี่ยวกับนวัตกรรม AI ที่สร้างขึ้นร่วมสมัย

การเรียนรู้ของเครื่องแบบดั้งเดิมคืออะไร – มีข้อจำกัดอะไร?

การเรียนรู้ของเครื่องแบบดั้งเดิมเป็นคำที่ครอบคลุมอัลกอริทึมหลากหลายที่ขับเคลื่อนด้วยสถิติ อัลกอริทึม ML แบบดั้งเดิมหลักๆ มีสองประเภท ได้แก่ การเรียนรู้แบบมีคำสั่งและไม่มีคำสั่ง อัลกอริทึมเหล่านี้ได้รับการออกแบบมาเพื่อสร้างแบบจำลองจากชุดข้อมูลที่มีโครงสร้าง

อัลกอริทึมการเรียนรู้ของเครื่องแบบดั้งเดิมมาตรฐาน ได้แก่

• อัลกอริทึมการถดถอย เช่น การถดถอยเชิงเส้น การถดถอยแบบลาสโซ และการถดถอยแบบริดจ์
• การคลัสเตอร์กันของเค-มีนส์
• การวิเคราะห์องค์ประกอบหลัก (PCA)
• แมชชีนการสนับสนุนเวกเตอร์ (SVM)
• อัลกอริทึมแบบต้นไม้ เช่น ต้นไม้การตัดสินใจ และป่าแบบสุ่ม
• โมเดลการเพิ่มประสิทธิภาพ เช่น การเพิ่มประสิทธิภาพแบบค่าความชัน และ XGBoost

ข้อจำกัดของการเรียนรู้ของเครื่องแบบดั้งเดิม

การเรียนรู้ของเครื่องแบบดั้งเดิมมีข้อจำกัดดังต่อไปนี้

1. การปรับขนาดที่จำกัด: โมเดลเหล่านี้มักต้องการความช่วยเหลือในการปรับขนาดสำหรับชุดข้อมูลขนาดใหญ่และหลากหลาย
2. การประมวลผลข้อมูลและการสร้างคุณลักษณะ: การเรียนรู้ของเครื่องแบบดั้งเดิมต้องการการประมวลผลข้อมูลอย่างกว้างขวางเพื่อแปลงชุดข้อมูลให้ตรงตามความต้องการของโมเดล นอกจากนี้ การสร้างคุณลักษณะอาจใช้เวลานานและต้องมีการวนซ้ำหลายครั้งเพื่อจับข้อมูลที่ซับซ้อนระหว่างคุณลักษณะข้อมูล
3. ข้อมูลมิติสูงและไม่มีโครงสร้าง: การเรียนรู้ของเครื่องแบบดั้งเดิมต้องดิ้นรนในการจัดการกับประเภทข้อมูลที่ซับซ้อน เช่น ภาพ เสียง วิดีโอ และเอกสาร
4. การปรับตัวเข้ากับข้อมูลที่ไม่เคยเห็น: โมเดลเหล่านี้อาจไม่ปรับตัวเข้ากับข้อมูลในโลกแห่งความเป็นจริงที่ไม่ได้เป็นส่วนหนึ่งของ ชุดข้อมูลการฝึก ได้ดี

เครือข่ายประสาท: การย้ายจากการเรียนรู้ของเครื่องไปสู่การเรียนรู้ลึกและอื่นๆ

โมเดลเครือข่ายประสาท (NN) มีความซับซ้อนมากกว่าโมเดลการเรียนรู้ของเครื่องแบบดั้งเดิมมาก โมเดล NN ที่เรียบง่ายที่สุด คือ มัลติเลเยอร์เปอร์เซปตรอน (MLP) ซึ่งประกอบด้วยเซลล์ประสาทหลายเซลล์ที่เชื่อมต่อกันเพื่อทำความเข้าใจข้อมูลและทำงานคล้ายกับวิธีการทำงานของสมองมนุษย์

ความก้าวหน้าในเทคนิคเครือข่ายประสาทได้สร้างรากฐานสำหรับการเปลี่ยนแปลงจาก การเรียนรู้ของเครื่องไปสู่การเรียนรู้ลึก ตัวอย่างเช่น NN ที่ใช้สำหรับงานการมองเห็น (การตรวจจับวัตถุและการแบ่งส่วนภาพ) เรียกว่า เครือข่ายประสาทเชิงโครงสร้าง (CNNs) เช่น AlexNet, ResNet, และ YOLO

ปัจจุบัน เทคโนโลยี AI ที่สร้างขึ้นได้นำเทคนิคเครือข่ายประสาทไปสู่ขั้นตอนต่อไป โดยทำให้สามารถเติบโตในหลายโดเมนของ AI ตัวอย่างเช่น เครือข่ายประสาทที่ใช้สำหรับงานประมวลผลภาษาธรรมชาติ (เช่น การสรุปข้อความ การตอบคำถาม และการแปล) เรียกว่า ทรานส์ฟอร์เมอร์ โมเดลทรานส์ฟอร์เมอร์ที่โดดเด่น ได้แก่ BERT, GPT-4, และ T5 โมเดลเหล่านี้มีผลกระทบต่ออุตสาหกรรมต่างๆ ตั้งแต่สุขภาพ ค้าปลีก การตลาด การเงิน ฯลฯ

เรายังคงต้องการอัลกอริทึมการเรียนรู้ของเครื่องแบบดั้งเดิมหรือไม่?

แม้ว่าเครือข่ายประสาทและรูปแบบสมัยใหม่ของมัน เช่น ทรานส์ฟอร์เมอร์ ได้รับความสนใจมาก แต่วิธีการเรียนรู้ของเครื่องแบบดั้งเดิมยังคงสำคัญ มาดูกันว่าทำไมพวกมันยังคงมีความเกี่ยวข้อง

1. ข้อกำหนดข้อมูลที่เรียบง่าย

เครือข่ายประสาทต้องการชุดข้อมูลขนาดใหญ่สำหรับการฝึกอบรม ในขณะที่โมเดลการเรียนรู้ของเครื่องสามารถให้ผลลัพธ์ที่สำคัญด้วยชุดข้อมูลขนาดเล็กและเรียบง่าย ดังนั้น การเรียนรู้ของเครื่องจึงถูกเลือกมากกว่าการเรียนรู้ลึกสำหรับชุดข้อมูลที่มีโครงสร้างขนาดเล็กและง่าย

2. ความเรียบง่ายและความสามารถในการอธิบาย

โมเดลการเรียนรู้ของเครื่องแบบดั้งเดิมสร้างขึ้นบนพื้นฐานของแบบจำลองสถิติและความน่าจะเป็นที่เรียบง่าย ตัวอย่างเช่น เส้นสมการใน การถดถอยเชิงเส้น สร้างความสัมพันธ์ระหว่างอินพุตและเอาต์พุตโดยใช้วิธีการน้อยที่สุดของสี่เหลี่ยม

ในทำนองเดียวกัน ต้นไม้การตัดสินใจใช้หลักการความน่าจะเป็นในการจัดประเภทข้อมูล การใช้หลักการเหล่านี้ทำให้เกิดความสามารถในการอธิบายและทำให้ AI นักปฏิบัติงานเข้าใจการทำงานของอัลกอริทึมการเรียนรู้ของเครื่องได้ง่ายขึ้น

โครงสร้าง NN สมัยใหม่ เช่น โมเดลทรานส์ฟอร์เมอร์และโมเดลการกระจาย (โดยทั่วไปใช้สำหรับการสร้างภาพ เช่น Stable Diffusion หรือ Midjourney) มีโครงสร้างเครือข่ายหลายชั้นที่ซับซ้อน การเข้าใจเครือข่ายเหล่านี้ต้องอาศัยความเข้าใจในแนวคิดทางคณิตศาสตร์ที่ซับซ้อน ดังนั้นจึงเรียกว่า ‘กล่องดำ’

3. ประสิทธิภาพของทรัพยากร

เครือข่ายประสาทสมัยใหม่ เช่น โมเดลภาษาขนาดใหญ่ (LLM) ต้องได้รับการฝึกอบรมบนคลัสเตอร์ของ GPU ที่มีราคาแพงตามความต้องการการคำนวณ ตัวอย่างเช่น GPT4 ถูกฝึกอบรมบน 25000 GPU ของ Nvidia (NVDA ) เป็นเวลา 90 ถึง 100 วัน

อย่างไรก็ตาม ฮาร์ดแวร์ที่มีราคาแพงและเวลาการฝึกอบรมที่ยาวนานไม่เหมาะสมสำหรับนักปฏิบัติงาน AI หรือทีม AI ทุกคน ในทางกลับกัน ประสิทธิภาพการคำนวณของอัลกอริทึมการเรียนรู้ของเครื่องแบบดั้งเดิมช่วยให้นักปฏิบัติงานสามารถบรรลุผลลัพธ์ที่มีความหมายแม้จะใช้ทรัพยากรที่จำกัด

4. ไม่ใช่ทุกปัญหาที่ต้องการการเรียนรู้ลึก

การเรียนรู้ลึก ไม่ใช่วิธีแก้ปัญหาสำหรับทุกปัญหา มีสถานการณ์ที่การเรียนรู้ของเครื่องแบบดั้งเดิมเหนือกว่าการเรียนรู้ลึก

ตัวอย่างเช่น ใน การวินิจฉัยและพยากรณ์โรค โดยมีข้อมูลที่จำกัด อัลกอริทึมการเรียนรู้ของเครื่องสำหรับการตรวจจับความผิดปกติ เช่น REMED ให้ผลลัพธ์ที่ดีกว่าการเรียนรู้ลึก ในทำนองเดียวกัน การเรียนรู้ของเครื่องแบบดั้งเดิมมีความสำคัญในสถานการณ์ที่มีทรัพยากรการคำนวณต่ำเป็นทางออกที่ยืดหยุ่นและมีประสิทธิภาพ

โดยหลักการ การเลือกโมเดลที่ดีที่สุดสำหรับปัญหาใดๆ ขึ้นอยู่กับความต้องการขององค์กรหรือนักปฏิบัติงานและลักษณะของปัญหา

การเรียนรู้ของเครื่องในปี 2023

รูปภาพที่สร้างโดย Leonardo AI

ในปี 2023 การเรียนรู้ของเครื่องแบบดั้งเดิมยังคงพัฒนาและแข่งขันกับการเรียนรู้ลึกและ AI ที่สร้างขึ้น มีการใช้งานหลายอย่างในอุตสาหกรรม โดยเฉพาะอย่างยิ่งเมื่อทำงานกับชุดข้อมูลที่มีโครงสร้าง

ตัวอย่างเช่น บริษัท สินค้าอุปโภคบริโภคที่เคลื่อนไหวเร็ว (FMCG) หลายแห่งจัดการกับข้อมูลที่เป็นตารางและพึ่งพาอัลกอริทึมการเรียนรู้ของเครื่องสำหรับงานสำคัญๆ เช่น การแนะนำผลิตภัณฑ์ส่วนบุคคล การเพิ่มประสิทธิภาพราคา การจัดการสินค้าคงคลัง และการเพิ่มประสิทธิภาพห่วงโซ่อุปทาน

นอกจากนี้ โมเดลการมองเห็นและภาษาหลายรูปแบบยังคงใช้เทคนิคแบบดั้งเดิม โดยให้คำตอบในแนวทางแบบผสมและในแอปพลิเคชันที่เกิดขึ้นใหม่ ตัวอย่างเช่น การศึกษาล่าสุดชื่อ “Do We Really Need Deep Learning Models for Time Series Forecasting?” ได้กล่าวถึงว่า ต้นไม้การถดถอยแบบบูสท์ (GBRTs) มีประสิทธิภาพมากกว่าเครือข่ายประสาทลึกในการทำนายชุดข้อมูลเวลา

ความสามารถในการอธิบายของการเรียนรู้ของเครื่องยังคงมีคุณค่าอย่างสูงด้วยเทคนิค เช่น SHAP (อธิบายเพิ่มเติมของ Shapley) และ LIME (อธิบายแบบท้องถิ่นและแบบอธิบายที่ไม่ขึ้นอยู่กับโมเดล) เทคนิคเหล่านี้อธิบายโมเดลการเรียนรู้ของเครื่องแบบซับซ้อนและให้ข้อมูลเชิงลึกเกี่ยวกับการคาดการณ์ของพวกมัน ทำให้นักปฏิบัติงานการเรียนรู้ของเครื่องเข้าใจโมเดลของตนได้ดีขึ้น

สุดท้าย การเรียนรู้ของเครื่องแบบดั้งเดิมยังคงเป็นวิธีแก้ปัญหาที่แข็งแกร่งสำหรับอุตสาหกรรมที่หลากหลาย โดยจัดการกับการปรับขนาด ความซับซ้อนของข้อมูล และข้อจำกัดของทรัพยากร อัลกอริทึมเหล่านี้ไม่สามารถแทนที่ได้สำหรับการวิเคราะห์ข้อมูลและการสร้างแบบจำลองเชิงทำนาย และจะยังคงเป็นส่วนหนึ่งของ เครื่องมือของนักวิทยาศาสตร์ข้อมูล

หากคุณสนใจหัวข้อเหล่านี้ ลองสำรวจ Unite AI เพื่อเรียนรู้เพิ่มเติม