อะไรคือเครือข่ายประสาทเทียม (ANNs)?

อะไรคือเครือข่ายประสาทเทียม (ANNs)?

หลายๆ ความก้าวหน้าในด้าน AI ถูกขับเคลื่อนโดยเครือข่ายประสาทเทียม (ANNs) เครือข่ายประสาทเทียม (ANNs) คือการเชื่อมต่อของฟังก์ชันทางคณิตศาสตร์ที่รวมกันในรูปแบบที่ได้รับแรงบันดาลใจจากเครือข่ายประสาทที่พบในสมองของมนุษย์ เครือข่ายเหล่านี้สามารถถอดรูปแบบที่ซับซ้อนจากข้อมูลได้ และนำรูปแบบเหล่านั้นไปใช้กับข้อมูลที่ไม่เคยเห็นมาก่อนเพื่อจัดประเภทหรือรับรู้ข้อมูล ในทางกลับกัน เครื่องจักร “เรียนรู้” นั่นคือภาพรวมอย่างรวดเร็วเกี่ยวกับเครือข่ายประสาทเทียม แต่ลองมาดูเครือข่ายประสาทเทียมอย่างใกล้ชิดเพื่อทำความเข้าใจว่าพวกมันคืออะไรและทำงานอย่างไร

การอธิบาย Multi-layer Perceptron

ก่อนที่เราจะมองไปที่เครือข่ายประสาทเทียมที่ซับซ้อนกว่านี้ เรามาทำความรู้จักกับเครือข่ายประสาทเทียมแบบง่ายๆ กันก่อน ซึ่งเรียกว่า มัลติลายเออร์_เพอร์เซปตรอน (MLP)

ลองนึกภาพสายการผลิตในโรงงาน ในสายการผลิตนี้ ผู้ทำงานหนึ่งรับของเข้ามา ทำการปรับแต่ง และส่งต่อไปยังผู้ทำงานถัดไป ซึ่งทำซ้ำขั้นตอนเดียวกันจนกระทั่งของถูกส่งออกจากโรงงาน ในการเปรียบเทียบนี้ มี “ชั้น” หลายชั้นในสายการผลิต และของจะเคลื่อนที่ผ่านชั้นต่างๆ เมื่อผ่านจากผู้ทำงานหนึ่งไปยังผู้ทำงานอื่น สายการผลิตยังมีจุดเริ่มต้นและจุดสิ้นสุด

มัลติลายเออร์_เพอร์เซปตรอนสามารถถือเป็นสายการผลิตที่ง่ายมาก ซึ่งประกอบด้วยสามชั้น: ชั้นเข้า, ชั้นซ่อน, และชั้นออก ชั้นเข้าเป็นจุดที่ข้อมูลถูกป้อนเข้าไปใน MLP และในชั้นซ่อน จะมี “ผู้ทำงาน” หลายคนจัดการข้อมูลก่อนที่จะส่งต่อไปยังชั้นออก ซึ่งจะส่งผลิตภัณฑ์ออกไปสู่โลกภายนอก ในกรณีของ MLP ผู้ทำงานเหล่านี้เรียกว่า “เนิรอน” (หรือบางครั้งเรียกว่า “โหนด”) และเมื่อพวกมันจัดการข้อมูล พวกมันจะผ่านฟังก์ชันทางคณิตศาสตร์หลายฟังก์ชัน

ภายในเครือข่าย มีโครงสร้างที่เชื่อมต่อโหนดต่อโหนดเรียกว่า “น้ำหนัก” น้ำหนักคือสมมติฐานเกี่ยวกับว่าข้อมูลจุดต่างๆ มีความเกี่ยวข้องกันอย่างไรเมื่อเคลื่อนที่ผ่านเครือข่าย อีกนัยหนึ่ง น้ำหนักสะท้อนถึงระดับของอิทธิพลที่เนิรอนหนึ่งมีต่อเนิรอนอื่น น้ำหนักจะผ่าน “ฟังก์ชันการกระตุ้น” เมื่อออกจากโหนดปัจจุบัน ซึ่งเป็นฟังก์ชันทางคณิตศาสตร์ที่แปลงข้อมูล ฟังก์ชันเหล่านี้แปลงข้อมูลเชิงเส้นเป็นรูปแบบที่ไม่เป็นเชิงเส้น ซึ่งช่วยให้เครือข่ายสามารถวิเคราะห์รูปแบบที่ซับซ้อนได้

การเปรียบเทียบกับสมองของมนุษย์ที่บ่งบอกโดย “เครือข่ายประสาทเทียม” มาจากการที่เนิรอนที่ประกอบเป็นสมองของมนุษย์เชื่อมต่อถึงกันในลักษณะที่คล้ายกับโหนดใน ANN

แม้ว่ามัลติลายเออร์_เพอร์เซปตรอนจะถูกพัฒนามาตั้งแต่ปี 1940 แต่ก็มีข้อจำกัดหลายประการที่ทำให้พวกมันไม่ค่อยมีประโยชน์ อย่างไรก็ตาม ในช่วงสองทศวรรษที่ผ่านมา เทคนิคที่เรียกว่า “การถอยหลัง” ได้ถูกพัฒนาขึ้น ซึ่งช่วยให้เครือข่ายสามารถปรับน้ำหนักของเนิรอนและเรียนรู้ได้อย่างมีประสิทธิภาพมากขึ้น การถอยหลังเปลี่ยนน้ำหนักในเครือข่ายประสาทเทียม ทำให้เครือข่ายสามารถจับภาพรูปแบบที่แท้จริงในข้อมูลได้ดีขึ้น

เครือข่ายประสาทเทียมลึก

เครือข่ายประสาทเทียมลึกใช้รูปแบบพื้นฐานของ MLP และทำให้มันใหญ่ขึ้นโดยการเพิ่มชั้นซ่อนหลายชั้นในตัวแบบ ดังนั้น แทนที่จะมีชั้นเข้า ชั้นซ่อน และชั้นออก จะมีชั้นซ่อนหลายชั้นในระหว่างนั้น และผลลัพธ์ของชั้นซ่อนหนึ่งจะกลายเป็นข้อมูลเข้าสำหรับชั้นซ่อนถัดไป จนกระทั่งข้อมูลผ่านเครือข่ายและถูกส่งกลับ

ชั้นซ่อนหลายชั้นของเครือข่ายประสาทเทียมลึกสามารถตีความรูปแบบที่ซับซ้อนกว่าเครือข่ายมัลติลายเออร์_เพอร์เซปตรอนแบบดั้งเดิมได้ ชั้นต่างๆ ของเครือข่ายประสาทเทียมลึกเรียนรู้รูปแบบของส่วนต่างๆ ของข้อมูล ตัวอย่างเช่น หากข้อมูลเข้ามาเป็นรูปภาพ ส่วนแรกของเครือข่ายอาจตีความความสว่างหรือความมืดของพิกเซล ในขณะที่ชั้นหลังๆ จะระบุรูปทรงและขอบที่สามารถใช้ในการรับรู้วัตถุในภาพ

ประเภทต่างๆ ของเครือข่ายประสาทเทียม

มีหลายประเภทของเครือข่ายประสาทเทียม และแต่ละประเภทมีข้อดีและข้อเสีย (และด้วยเหตุนี้จึงมีการใช้งานที่แตกต่างกัน) ประเภทของเครือข่ายประสาทเทียมลึกที่อธิบายไว้ข้างต้นเป็นประเภทที่พบบ่อยที่สุด และมักจะเรียกว่าเครือข่ายประสาทเทียมแบบส่งไปข้างหน้า

รูปแบบหนึ่งของเครือข่ายประสาทเทียมคือเครือข่ายประสาทเทียมแบบวน (RNN) ในกรณีของ RNN มีการใช้กลไกการวนเพื่อรักษาข้อมูลจากสถานะก่อนหน้าของการวิเคราะห์ ซึ่งหมายความว่าสามารถตีความข้อมูลที่ลำดับหรือลำดับเวลามีความสำคัญ RNN มีประโยชน์ในการอนุมานรูปแบบจากข้อมูลที่เป็นลำดับหรือเรียงตามเวลา RNN สามารถเป็นแบบเดี่ยวหรือแบบสองทิศทาง ในกรณีของ RNN แบบสองทิศทาง เครือข่ายสามารถรับข้อมูลจากช่วงเวลาต่อมาได้เช่นกัน เนื่องจาก RNN แบบสองทิศทางพิจารณาข้อมูลมากกว่า จึงสามารถระบุรูปแบบที่ถูกต้องจากข้อมูลได้ดีขึ้น

เครือข่ายประสาทเทียมแบบการฟิลเตอร์ (CNN) เป็นรูปแบบพิเศษของเครือข่ายประสาทเทียมที่มีความสามารถในการตีความรูปแบบที่พบในรูปภาพ CNN ทำงานโดยการเคลื่อนฟิลเตอร์ไปตามพิกเซลของรูปภาพ และได้รับการแสดงผลเป็นตัวเลขของพิกเซลภายในรูปภาพ ซึ่งสามารถวิเคราะห์เพื่อหาสิ่งผิดปกติได้ CNN มีโครงสร้างที่ชั้นการฟิลเตอร์ ซึ่งดึงพิกเซลออกจากรูปภาพมาเป็นชั้นแรก และตามด้วยชั้นการเชื่อมต่อที่หนาแน่นซึ่งจะเรียนรู้การรับรู้วัตถุหลังจากนั้น