การให้เหตุผลเชิงลึกในปัญญาประดิษฐ์: คู่มือฉบับสมบูรณ์

อินฟอร์เมเทค ดิจิตอล » Recursos » การให้เหตุผลเชิงลึกในปัญญาประดิษฐ์: คู่มือฉบับสมบูรณ์

ปัญญา ประดิษฐ์ กำลังก้าวหน้าไปอย่างก้าวกระโดดด้วยโมเดลรุ่นใหม่ที่สามารถคิดอย่างเป็นระบบมากขึ้น พวกมันไม่ได้แค่สร้างข้อความหรือรูปภาพเท่านั้น แต่ยังสามารถแยกแยะปัญหา ประเมินทางเลือก และให้เหตุผลประกอบคำตอบทีละขั้นตอนได้ นี่คือสิ่งที่ในแวดวงเทคโนโลยีเรียกว่า การให้เหตุผลเชิงลึก (deep reasoning)

การเข้าใจอย่างถ่องแท้ว่าการให้เหตุผลเชิงลึกในปัญญาประดิษฐ์ คืออะไร แตกต่างจากการเรียนรู้เชิงลึกแบบดั้งเดิมอย่างไร และถูกนำไปใช้ในเครื่องมือในโลกแห่งความเป็นจริงอย่าง Copilot Studio หรือในสาขาต่างๆ เช่น การแพทย์หรือการบริการลูกค้าอย่างไร เป็นกุญแจสำคัญในการเข้าใจว่า AI กำลังมุ่งหน้าไปในทิศทางใด เราจะอธิบายเรื่องทั้งหมดนี้อย่างใจเย็น แต่ใช้ภาษาที่ชัดเจนและเข้าใจง่ายที่สุดเท่าที่จะเป็นไปได้

การให้เหตุผลเชิงลึกในปัญญาประดิษฐ์คืออะไร?

เมื่อเราพูดถึงการให้เหตุผลเชิงลึก เรากำลังหมายถึงแบบจำลองภาษาขนาดใหญ่ที่ล้ำสมัยมากซึ่งได้รับการออกแบบมาโดยเฉพาะเพื่อจัดการกับงานที่ซับซ้อนซึ่งต้องใช้กระบวนการคิดหลายขั้นตอน แทนที่จะให้คำตอบโดยตรงและผิวเผิน แบบจำลองเหล่านี้จะใช้เวลาในการ "คิดภายใน" สร้างลำดับความคิดภายในก่อนที่จะนำเสนอผลลัพธ์แก่ผู้ใช้

โมเดลเหล่านี้สามารถใช้เหตุผลเชิงตรรกะ วิเคราะห์อย่างละเอียด และแก้ปัญหาได้โดยการแบ่งงานออกเป็นปัญหาย่อยๆ แม้ว่ากระบวนการคิดภายใน นี้ จะไม่ได้รับการสอนให้กับผู้ใช้โดยตรงเสมอไป แต่ก็มีอยู่ และเป็นสิ่งที่ทำให้โมเดลเหล่านี้สามารถให้คำตอบที่ซับซ้อนกว่าโมเดลภาษาแบบดั้งเดิมได้มาก

แนวคิดหลักคือแบบจำลองการให้เหตุผลเชิงลึกไม่ได้จำกัดอยู่แค่การทำนายคำถัดไปโดยอาศัยสถิติเพียงอย่างเดียว แต่พยายามที่จะติดตามลำดับการอนุมานภายใน คล้ายกับวิธีที่คนแก้ปัญหาทางคณิตศาสตร์ วิเคราะห์ข้อมูลทางการเงิน หรือพัฒนากลยุทธ์

ในทางปฏิบัติ สิ่งนี้เปิดโอกาสให้ตัวแทน AI สามารถรับมือกับงานที่ยาวนานและมีตัวแปรหลายตัวซึ่งก่อนหน้านี้เป็นงานเฉพาะของมนุษย์ผู้เชี่ยวชาญเท่านั้น ตั้งแต่การวิเคราะห์แนวโน้มตลาดไปจนถึงการแสดงความคิดเห็นเกี่ยวกับรายงานทางการแพทย์ที่ซับซ้อน

การใช้เหตุผลเชิงลึกใน Copilot Studio: วิธีการทำงานและวิธีการใช้งาน

ในการออกแบบเอเจนต์ ผู้สร้างจะกำหนดคำสั่งและภารกิจที่เอเจนต์ต้องดำเนินการภารกิจเหล่านี้อาจมีตั้งแต่การโต้ตอบที่ง่ายมาก (เช่น การตอบคำถามที่พบบ่อย) ไปจนถึงขั้นตอนที่ซับซ้อนมากซึ่งต้องอาศัยการวิเคราะห์อย่างละเอียด ในขั้นตอนที่ต้องใช้การวิเคราะห์เชิงลึกมากขึ้น โมเดลสามารถได้รับคำสั่งให้ใช้เหตุผลขั้นสูงได้

ในการเปิดใช้งานความสามารถเหล่านี้ใน Copilot Studio ให้เพิ่มคำหลักเฉพาะ ("เหตุผล")ลงในขั้นตอนที่เกี่ยวข้องในคำแนะนำของเอเจนต์ ตัวอย่างเช่น: "ใช้เหตุผลเพื่อกำหนดหมายเลขถัดไปในชุด 2, 5, 10, 17..." ณ จุดนั้น ในระหว่างการทำงาน Copilot จะเรียกใช้โมเดลการให้เหตุผลเชิงลึก (ปัจจุบันคือโมเดล Azure OpenAI o3) เพื่อประมวลผลส่วนเฉพาะนั้น

วิธีการทีละขั้นตอนเช่นนี้ช่วยให้นักพัฒนาสามารถควบคุมได้ว่าเมื่อใดที่เอเจนต์จะทำการใช้เหตุผลขั้นสูงและเมื่อใดที่การตอบสนองที่รวดเร็วและเรียบง่ายเพียงพอ ซึ่งจะช่วยปรับสมดุลระหว่างคุณภาพของการตอบสนอง ต้นทุนการคำนวณ และความเร็วให้เหมาะสมที่สุด

กล่าวโดยสรุป Copilot Studio ใช้การให้เหตุผลเชิงลึกเพื่อเสริมสร้างความสามารถในการตัดสินใจของเอเจนต์อย่างเจาะจงไม่ใช่เป็นการเปิดใช้งานตลอดเวลาสำหรับทุกสิ่ง ทำให้สามารถใช้งานได้จริงในสถานการณ์ทางธุรกิจในโลกแห่งความเป็นจริง

วัตถุประสงค์ของการใช้เหตุผลเชิงลึก: ตั้งแต่ด้านการเงินไปจนถึงคณิตศาสตร์ขั้นสูง

โมเดลการให้เหตุผลเชิงลึกมีความโดดเด่นในงานที่ซับซ้อนซึ่งมีหลายขั้นตอนและมีความสัมพันธ์กันตัวอย่างการใช้งานที่ชัดเจนซึ่งได้นำไปใช้แล้วในแพลตฟอร์มต่างๆ เช่น Copilot Studio มีดังต่อไปนี้:

การวิเคราะห์แนวโน้มตลาดและคำแนะนำการลงทุน : โมเดลนี้สามารถแบ่งข้อมูลทางการเงินออกเป็นส่วนย่อยๆ ที่จัดการได้ง่าย ศึกษาอนุกรมเวลา เปรียบเทียบข้อมูลในอดีต สภาวะตลาดปัจจุบันและการคาดการณ์ จากนั้นจึงแนะนำโอกาสการลงทุนที่น่าสนใจที่สุด

การจัดการสินค้าคงคลังและการพยากรณ์ความต้องการ : จากข้อมูลเกี่ยวกับการขายในอดีต ฤดูกาล การไหลเวียนของห่วงโซ่อุปทาน และการเปลี่ยนแปลงพฤติกรรมของลูกค้า โมเดลสามารถเสนอแผนกลยุทธ์ด้านสินค้าคงคลัง ทบทวนระดับความปลอดภัย และแนะนำการปรับเปลี่ยนเพื่อลดสินค้าขาดสต็อกหรือสินค้าล้นตลาดให้น้อยที่สุด

การแก้สมการเชิงอนุพันธ์และปัญหาทางคณิตศาสตร์ที่ซับซ้อน : แบบจำลองเหล่านี้สามารถรับมือกับแบบฝึกหัดขั้นสูงได้โดยการแบ่งปัญหาออกเป็นขั้นตอนเชิงตรรกะที่เชื่อมโยงกันอธิบายสิ่งที่ทำในแต่ละขั้นตอน ซึ่งมีประโยชน์อย่างยิ่งในบริบททางการศึกษาหรือการวิจัย

โดยสรุปแล้ว เมื่อใดก็ตามที่ จำเป็นต้องใช้กระบวนการให้เหตุผลแบบทีละขั้นตอนที่ไม่ซับซ้อน โมเดลการให้เหตุผลเชิงลึกจะให้คุณค่าเพิ่มขึ้นอย่างมหาศาลเมื่อเทียบกับโมเดลที่เรียบง่ายกว่าซึ่งตอบสนองโดยตรงเท่านั้น

การประเมินผล ตัวชี้วัด และความรับผิดชอบในแบบจำลองการให้เหตุผลเชิงลึก

เพื่อให้ระบบเหล่านี้มีประโยชน์ในสภาพแวดล้อมจริง การเป็น "ระบบอัจฉริยะ" เพียงอย่างเดียวไม่เพียงพอ ระบบเหล่านั้นต้องมีความน่าเชื่อถือ ปลอดภัย และตรวจสอบย้อนกลับได้นั่นเป็นเหตุผลที่แบบจำลองการให้เหตุผลเชิงลึกเช่นที่ใช้ใน Copilot Studio ต้องผ่านการประเมินหลายขั้นตอนก่อนที่จะเปิดให้ผู้ใช้ใช้งานได้

ขั้นแรก จะมีการประเมิน พื้นฐานของแบบจำลองกล่าวคือ ตรวจสอบว่าแบบจำลองนั้นตั้งอยู่บนบริบทของโลกแห่งความเป็นจริง และไม่ได้สร้างข้อมูลขึ้นมาอย่างสุ่มสี่สุ่มห้า โดยจะทำการทดสอบแบบจำลองในสถานการณ์ที่มีข้อมูลที่ทราบแล้ว และตรวจสอบว่าแบบจำลองนั้นยังคงสอดคล้องกับบริบทนั้นอย่างแม่นยำเพียงใด

ประการที่สอง คือ การวิเคราะห์การปฏิบัติตาม หลักการ AI ที่มีความรับผิดชอบได้แก่ การป้องกันการพยายามเจาะระบบ (การบังคับให้โมเดลข้ามขีดจำกัดของมัน) การโจมตีแบบแทรกแซงข้ามโดเมน (การผสมคำสั่งที่เป็นอันตรายจากแหล่งต่างๆ) และการกรองเนื้อหาที่เป็นอันตรายหรือไม่เหมาะสม

สุดท้ายนี้ความแม่นยำของคำตอบ จะถูกวัด จากกรณีการใช้งานหลายกรณี ประสิทธิภาพจะถูกประเมินในมิติต่างๆ เหล่านี้โดยใช้ชุดการทดสอบที่หลากหลาย ดังนั้นเฉพาะโมเดลที่ตรงตามมาตรฐานที่กำหนดเท่านั้นที่จะได้รับการเผยแพร่ในที่สุด

การประเมินอย่างต่อเนื่องในลักษณะนี้เป็นกุญแจสำคัญในการทำให้แน่ใจว่าแบบจำลองการให้เหตุผลเชิงลึกจะไม่กลายเป็น"กล่องดำที่ควบคุมไม่ได้ " แต่จะเป็นเครื่องมือที่องค์กรสามารถตรวจสอบ ทดสอบ และเปรียบเทียบได้

ข้อจำกัดของการใช้เหตุผลเชิงลึกและวิธีการลดข้อจำกัดเหล่านั้น

การที่โมเดลมีความ "ลึกซึ้ง" มากกว่าไม่ได้หมายความว่ามันสมบูรณ์แบบเสมอไป ในความเป็นจริง ระบบเหล่านี้มีข้อจำกัดที่สำคัญหลายประการเช่นงานที่ ChatGPT ทำไม่ได้ซึ่งเป็นสิ่งสำคัญที่ต้องทำความเข้าใจ

ประการแรกคือเวลาตอบสนองเนื่องจากแบบจำลองการให้เหตุผลต้องการการคำนวณภายในมากกว่า จึงมักใช้เวลานานกว่าแบบจำลองภาษามาตรฐาน ซึ่งอาจกลายเป็นปัญหาในแอปพลิเคชันที่ไวต่อความหน่วงเวลา (เช่น การสนทนากับลูกค้าที่ใจร้อน) หากมีการใช้งานมากเกินไป

ข้อจำกัดประการที่สองคือ เอเจนต์จะสามารถใช้โมเดลประเภทนี้ได้ก็ต่อเมื่อการตั้งค่าอนุญาตเท่านั้น กล่าวคือ ฟังก์ชันการให้เหตุผลเชิงลึกจะต้องถูกเปิดใช้งานอย่างชัดเจนในเอเจนต์ ไม่ได้เปิดใช้งานโดยค่าเริ่มต้นในทุกสถานการณ์

เพื่อลดข้อเสียเหล่านี้ให้น้อยที่สุด ขอแนะนำให้: เปิดใช้งานการให้เหตุผลเชิงลึกเฉพาะในเอเจนต์ที่จำเป็นเท่านั้นใช้คำหลักที่เกี่ยวข้องเฉพาะในขั้นตอนที่ได้รับประโยชน์จากการวิเคราะห์เชิงลึกอย่างแท้จริง และสงวนโมเดลเหล่านี้ไว้สำหรับงานที่ยอมรับได้ที่จะรอสักเล็กน้อยเพื่อแลกกับคุณภาพการตอบสนองที่เหนือกว่า

นอกจากนี้ ยังเป็นแนวปฏิบัติที่ดีที่จะแจ้งให้ผู้ใช้ทราบว่าการตอบสนองที่ซับซ้อนบางอย่างของเจ้าหน้าที่อาจใช้เวลานานขึ้นอีกเล็กน้อย เพื่อเป็นการจัดการความคาดหวังและหลีกเลี่ยงความผิดหวัง

แนวทางปฏิบัติที่ดีสำหรับการใช้งานอย่างมีความรับผิดชอบ

จากมุมมองด้านการปฏิบัติงาน มีกลยุทธ์หลายประการที่จะช่วยให้มั่นใจได้ว่าการใช้เหตุผลเชิงลึกนั้นมีประสิทธิภาพและปลอดภัยในองค์กร

ประการแรกคือ ควรจำกัดการใช้งานเฉพาะกับเอเจนต์ที่ต้องการกระบวนการคิดวิเคราะห์ที่ซับซ้อนจริงๆเช่น การวิเคราะห์ข้อมูลที่ไม่เป็นระเบียบ การตัดสินใจที่สำคัญโดยพิจารณาจากหลายปัจจัย หรือการสร้างรายงานที่ยาวและมีเหตุผลรองรับอย่างดี การเปิดใช้งานเป็นค่าเริ่มต้นสำหรับทุกอย่างเป็นการสิ้นเปลืองทรัพยากร

ข้อแนะนำที่สองคือ การทดสอบเอเจนต์อย่างละเอียดถี่ถ้วน ตรวจสอบคุณภาพ ความสม่ำเสมอ และความน่าเชื่อถือของผลลัพธ์เมื่อมีการเรียกใช้แบบจำลองการให้เหตุผล การทดสอบเหล่านี้ช่วยให้คุณตรวจจับสถานการณ์ที่แบบจำลองอาจล้มเหลว สร้างข้อมูลเท็จ หรือปรับตัวได้ไม่ดีในโดเมนเฉพาะของบริษัท

เครื่องมือต่างๆ เช่นแผนที่กิจกรรมช่วยให้คุณเห็นว่าในระหว่างเซสชันนั้น เอเจนต์ได้ใช้เหตุผลเชิงลึกเมื่อใด ตรวจสอบขั้นตอนภายใน และเปรียบเทียบผลลัพธ์ ซึ่งช่วยในการพิจารณาว่าโมเดลนั้นส่งมอบคุณค่าที่คาดหวังไว้จริงหรือไม่

นอกจากนี้ การเปรียบเทียบผลลัพธ์อย่างเป็นระบบทั้งแบบที่มีและไม่มีการใช้เหตุผลเชิงลึกโดยการปรับปรุงคำแนะนำและทำการทดสอบ A/B ก็เป็นประโยชน์เช่นกัน วิธีนี้จะช่วยระบุว่าส่วนใดของกระบวนการทำงานที่ได้รับประโยชน์จากการใช้โมเดลเหล่านี้ และส่วนใดที่ใช้โมเดลภาษาที่เรียบง่ายกว่าก็เพียงพอแล้ว

ตั้งแต่การเรียนรู้ของเครื่องจักรไปจนถึงการเรียนรู้เชิงลึกและปัญญาประดิษฐ์เชิงสร้างสรรค์

เพื่อให้เข้าใจถึงเหตุผลเชิงลึกได้อย่างถูกต้อง จำเป็นต้องทบทวนวิวัฒนาการของเทคโนโลยี AI ซึ่งได้แก่การเรียนรู้ของเครื่อง การเรียนรู้เชิงลึก และ AI เชิงสร้างสรรค์ซึ่งล้วนเป็นลำดับขั้นของความซับซ้อน

การเรียนรู้ของเครื่องจักร แบบดั้งเดิม พึ่งพาการเรียนรู้แบบมีผู้กำกับดูแลเป็นอย่างมาก ตัวอย่างเช่น ในการสร้างระบบที่สามารถจดจำสัตว์ในภาพได้ จำเป็นต้องติดป้ายกำกับภาพถ่ายหลายแสนภาพด้วยตนเอง ฝึกฝนอัลกอริทึม ทดสอบด้วยภาพใหม่ วิเคราะห์ข้อผิดพลาด แล้วขยายชุดข้อมูลที่ติดป้ายกำกับอีกครั้งเพื่อปรับปรุงความแม่นยำ

กระบวนการนี้ต้องอาศัยการแทรกแซงจากมนุษย์เป็นอย่างมากในสิ่งที่เรียกว่าการออกแบบคุณลักษณะ : การตัดสินใจว่าจะดึงคุณลักษณะใดออกมา (สี พื้นผิว รูปร่าง ฯลฯ) และจะแสดงคุณลักษณะเหล่านั้นในเชิงตัวเลขอย่างไร เพื่อให้อัลกอริทึมสามารถเรียนรู้ได้

ด้วยเทคโนโลยีการเรียนรู้เชิงลึกเครือข่ายประสาทเทียมหลายชั้นเข้ามาทำหน้าที่เรียนรู้การแสดงผลเหล่านี้โดยตรงจากข้อมูลดิบ (รูปภาพ ข้อความ เสียง ฯลฯ) จึงไม่จำเป็นต้องกำหนดคุณลักษณะทั้งหมดด้วยตนเองอีกต่อไป เพราะตัวแบบจำลองจะค้นพบรูปแบบที่เกี่ยวข้องด้วยตัวเอง

ขั้นตอนต่อไปคือโมเดล AI เชิงสร้างสรรค์ที่ใช้สถาปัตยกรรมแบบเปลี่ยนแปลงได้โมเดลเหล่านี้ เช่นเดียวกับโมเดลภาษาขนาดใหญ่ ไม่เพียงแต่จดจำรูปแบบเท่านั้น แต่ยังสร้างเนื้อหาใหม่ (ข้อความ รูปภาพ โค้ด) โดยการผสมผสานรูปแบบเหล่านั้นในรูปแบบใหม่ๆ อีกด้วย

การใช้เหตุผลอย่างลึกซึ้งนั้นสร้างขึ้นบนพื้นฐานนี้: มันผสมผสานความสามารถในการสร้างสรรค์ของนักคิดเชิงเปลี่ยนแปลงเข้ากับกลยุทธ์ภายในที่ออกแบบมาเพื่อติดตามกระบวนการคิดที่ยาวนานและมีโครงสร้างมากขึ้น

ข้อดีของการเรียนรู้เชิงลึกเหนือกว่าการเรียนรู้ของเครื่องจักรแบบดั้งเดิม

การเรียนรู้เชิงลึกได้นำเสนอ ข้อดีที่ชัดเจนหลายประการ เหนือกว่าการเรียนรู้ของเครื่องแบบดั้งเดิม ซึ่งเป็นพื้นฐานทางเทคนิคสำหรับความก้าวหน้ามากมายในการให้เหตุผลเชิงลึก

ในด้านหนึ่ง มันช่วยให้การประมวลผลข้อมูลที่ไม่เป็นระเบียบ (ข้อความอิสระ รูปภาพ เสียง) มีประสิทธิภาพมากขึ้น ในขณะที่อัลกอริทึมแบบคลาสสิกจะไม่สามารถรับมือกับวิธีการแสดงความคิดเดียวกันได้หลากหลายแทบไม่มีที่สิ้นสุด เครือข่ายประสาทเทียมเชิงลึกสามารถเรียนรู้ความเท่าเทียมกันเหล่านี้ได้โดยตรง ดังนั้นจึงสามารถเข้าใจได้ว่า “ฉันจะโอนเงินได้อย่างไร?” และ “คุณช่วยอธิบายวิธีการชำระเงินได้ไหม?” หมายถึงการกระทำประเภทเดียวกัน

นอกจากนี้ เครือข่ายประสาทเทียมเชิงลึกยังมีความสามารถในการเปิดเผยความสัมพันธ์ที่ซ่อนอยู่และรูปแบบที่ไม่คาดคิดได้ เป็นอย่างดี โมเดลที่ฝึกฝนด้วยข้อมูลการซื้อสามารถแนะนำผลิตภัณฑ์ที่ลูกค้ายังไม่ได้ซื้อได้ เพียงแค่เปรียบเทียบพฤติกรรมของลูกค้ากับผู้ใช้รายอื่นที่มีลักษณะคล้ายคลึงกัน แม้ว่าจะไม่ได้รับการสอนคำแนะนำเฉพาะเจาะจงนั้นมาก่อนก็ตาม

ข้อดีอีกประการหนึ่งคือความสามารถในการเรียนรู้โดยไม่ต้องมีผู้กำกับดูแล หรือมีผู้กำกับดูแลเพียงบางส่วนเครือข่ายสามารถปรับตัวให้เข้ากับพฤติกรรมของผู้ใช้ได้เมื่อเวลาผ่านไป โดยไม่จำเป็นต้องมีข้อมูลที่มีการติดป้ายกำกับนับล้านจุด ตัวอย่างเช่น โปรแกรมตรวจสอบการสะกดคำอัตโนมัติสามารถเพิ่มคำศัพท์ในภาษาอื่น ๆ ได้เมื่อผู้ใช้พิมพ์คำเหล่านั้นบ่อย ๆ

สุดท้ายนี้ การเรียนรู้เชิงลึกมีประสิทธิภาพอย่างมากกับข้อมูลที่มีความผันผวนหรือเปลี่ยนแปลงสูงเช่น ธุรกรรมทางการเงิน มันสามารถเรียนรู้ที่จะแยกแยะรูปแบบปกติของพฤติกรรมการชำระเงิน และแจ้งเตือนข้อมูลที่เบี่ยงเบนไปจากรูปแบบปกติว่าเป็นไปได้ที่จะเป็นการฉ้อโกง

การประยุกต์ใช้การเรียนรู้เชิงลึก: จากวงการแพทย์สู่รถยนต์ไร้คนขับ

การเรียนรู้เชิงลึก (Deep learning) ได้แพร่หลายอย่างมากในวงการแพทย์และการวินิจฉัยโรคมีการนำไปใช้ในการจำแนกภาพทางการแพทย์ การแบ่งส่วนอวัยวะและรอยโรค การวิเคราะห์เนื้อเยื่อวิทยาแบบดิจิทัล และช่วยในการวินิจฉัยโรคโดยใช้ภาพเอกซเรย์ ภาพ MRI และการตรวจทางห้องปฏิบัติการ

นับตั้งแต่ปี 2022 สถาปัตยกรรมVision Transformer (ViT)ได้แสดงให้เห็นถึงประสิทธิภาพที่เทียบเท่าหรือเหนือกว่าโครงข่ายประสาทเทียมแบบ Convolutional ทั่วไปในงานจำแนกภาพทางการแพทย์ขนาดใหญ่ ข้อได้เปรียบที่สำคัญคือความสามารถในการจับความสัมพันธ์โดยรวมในภาพขนาดกิกะพิกเซลผ่านกลไกการดูแลตนเองแบบลำดับชั้น

นอกเหนือจากวงการแพทย์แล้ว การเรียนรู้เชิงลึกยังอยู่เบื้องหลังรถยนต์ไร้คนขับ การจดจำใบหน้า ผู้ช่วยเสียงอย่าง Alexa และ Siri ระบบแนะนำรายการทีวีและเพลง และอีกมากมาย ในทุกกรณีเหล่านี้ โมเดลจะต้องตีความข้อมูลจากโลกแห่งความเป็นจริงที่มีความคลาดเคลื่อนและผันผวนสูง

การทดลองสำคัญๆ เช่นAlphaGoซึ่งเรียนรู้การเล่นโกะและเอาชนะนักโกะระดับปรมาจารย์ได้ แสดงให้เห็นถึงขอบเขตที่โครงข่ายประสาทเทียมเชิงลึกสามารถบรรลุทักษะที่ถือว่า "เป็นไปโดยสัญชาตญาณ" หรือ "สร้างสรรค์" โดยไม่ต้องมีโปรแกรมเมอร์คอยบอกทุกการเดินหมาก

การเรียนรู้เชิงลึกคืออะไรกันแน่: ชั้นต่างๆ ลำดับชั้น และพลังการประมวลผล

แม้ว่าจะไม่มีคำจำกัดความที่เป็นสากลเพียงหนึ่งเดียว แต่ผู้วิจัยส่วนใหญ่เห็นพ้องกันว่าการเรียนรู้เชิงลึกนั้นอยู่บนพื้นฐานของการประมวลผลแบบไม่เชิงเส้นหลายชั้นซึ่งดึงคุณลักษณะที่เป็นนามธรรมมากขึ้นเรื่อยๆ จากข้อมูล

ในชั้นล่างๆ จะมีการเรียนรู้ คุณลักษณะพื้นฐาน (เช่น ขอบในภาพ การผสมคำพื้นฐาน) ในขณะที่ชั้นบนๆ จะนำคุณลักษณะเหล่านั้นมารวมกันเพื่อสร้างแนวคิดที่ซับซ้อนมากขึ้น (เช่น ใบหน้า วัตถุ ความหมายของประโยค)

ความแตกต่างระหว่างอัลกอริธึมแบบ "ตื้น" กับแบบลึกนั้นอยู่ที่จำนวนการแปลงแบบต่อเนื่อง เป็นหลัก ในขณะที่แบบจำลองแบบคลาสสิกอาจใช้การแปลงเพียงหนึ่งหรือสองครั้ง แบบจำลองแบบลึกสามารถมีเลเยอร์ระดับกลางได้หลายสิบหรือหลายร้อยเลเยอร์ ทำให้สามารถแสดงฟังก์ชันที่ซับซ้อนกว่ามากได้

ข้อเสียคือ การฝึกฝนโครงข่ายประสาทเทียมเชิงลึกนั้นต้องการพลังการประมวลผลมหาศาลนั่นเป็นเหตุผลที่ GPU กลายเป็นเครื่องมือพื้นฐานสำหรับการฝึกฝนโมเดลเหล่านี้ เนื่องจากความสามารถในการดำเนินการแบบขนานขนาดใหญ่ (GPGPU)

ผู้ให้บริการคลาวด์รายใหญ่ (Amazon, Azure, IBM, Google ฯลฯ) ได้นำเสนอโครงสร้างพื้นฐานที่มี GPU เฉพาะทางและแพลตฟอร์ม PaaS สำหรับการเรียนรู้ของเครื่อง เช่น แพลตฟอร์มที่ใช้ TensorFlow ซึ่งมีโมเดลที่ได้รับการฝึกฝนล่วงหน้าและเครื่องมือในการปรับแต่งให้เข้ากับแต่ละกรณีอยู่แล้ว

อัลกอริทึมและสถาปัตยกรรมการเรียนรู้เชิงลึกที่เกี่ยวข้องมากที่สุด

ในสาขาการเรียนรู้เชิงลึกมีโครงข่ายประสาทเทียมหลายประเภท เกิดขึ้น โดยแต่ละประเภทได้รับการปรับให้เหมาะสมกับข้อมูลหรือปัญหาบางประเภท

โครงข่าย ประสาทเทียมแบบคอนโวลูชัน (CNN)ถูกออกแบบมาเพื่อประมวลผลภาพและวิดีโอ โดยใช้ตัวกรอง (คอนโวลูชัน) ที่สแกนภาพเพื่อตรวจจับรูปแบบเฉพาะที่ แล้วนำมาผสานรวมกัน CNN เป็นพื้นฐานของวิทยาการคอมพิวเตอร์สมัยใหม่ เช่น การจดจำใบหน้า การจำแนกวัตถุ การวิเคราะห์ภาพทางการแพทย์ และอื่นๆ

โครงข่ายประสาทเทียมแบบวนซ้ำ (RNN)และรูปแบบที่ทันสมัยของมัน ได้รวมเอาวงจรป้อนกลับไว้ด้วย ซึ่งช่วยให้พวกมัน "จดจำ" ข้อมูลในอดีตได้ ทำให้พวกมันมีประโยชน์อย่างมากสำหรับลำดับข้อมูล เช่น ข้อความ เสียง หรืออนุกรมเวลา ตัวอย่างเช่น ระบบนำทางสามารถใช้ความทรงจำเหล่านี้เพื่อคาดการณ์การจราจรติดขัดที่พบบ่อยและแนะนำเส้นทางสำรองได้

ในขณะเดียวกัน แนวคิดต่างๆ เช่นการเรียนรู้แบบกลุ่ม (ensemble learning), เครือข่ายตกค้าง (residual networks), ทรานส์ฟอร์เมอร์ภาพ (vision transformers ) และอื่นๆ อีกมากมาย ได้เกิดขึ้น ซึ่งช่วยขยายและปรับปรุงความสามารถของเครือข่ายเชิงลึกในการปรับตัวให้เข้ากับปัญหาเฉพาะด้าน

ระบบนิเวศทางเทคนิคทั้งหมดนี้เองที่ทำให้สามารถสร้างแบบจำลองที่มีการใช้เหตุผลเชิงลึก ได้ในปัจจุบัน หากปราศจากรากฐานของสถาปัตยกรรมที่ทรงพลังและปรับขนาดได้นี้ การสร้างแบบจำลองที่มีการใช้เหตุผลเชิงลึกก็จะเป็นไปไม่ได้

ประเภทของการให้เหตุผลที่ AI สามารถเลียนแบบได้

ระบบ AI สมัยใหม่สามารถผสมผสานกลยุทธ์การให้เหตุผลที่แตกต่างกัน ได้หลายแบบ ขึ้นอยู่กับประเภทของข้อมูลและการใช้งานเป้าหมาย โดยไม่จำกัดอยู่แค่ "วิธีคิด" เพียงแบบเดียว

แนวทางทั่วไป ได้แก่การให้เหตุผลแบบนิรนัย (เริ่มต้นจากกฎทั่วไปเพื่อไปสู่ข้อสรุปที่เฉพาะเจาะจง) การให้เหตุผลแบบอุปนัย (การสรุปจากตัวอย่าง) การให้เหตุผลเชิง ความน่าจะเป็น (การทำงานกับความไม่แน่นอน) และ การให้เหตุผลแบบคลุมเครือ (การจัดการกับคำที่ไม่แม่นยำ เช่น "สูง" "ต่ำ" "ปานกลาง")

แนวทางต่างๆ เช่นการให้เหตุผลแบบอุปนัย (การเสนอคำอธิบายที่น่าเชื่อถือที่สุดสำหรับชุดข้อเท็จจริง) การให้เหตุผลตามสามัญสำนึก การให้เหตุผลเชิงพื้นที่และเวลา (ซึ่งมีความสำคัญมากในด้านหุ่นยนต์และการขับขี่อัตโนมัติ) และการให้เหตุผลเชิงสัญลักษณ์ประสาท ซึ่งบูรณาการเครือข่ายประสาทเข้ากับตรรกะเชิงสัญลักษณ์ ก็ได้รับ การสำรวจ เช่น กัน

การให้เหตุผลเชิงลึกอาศัยเครื่องมือเหล่านี้ในการสร้างห่วงโซ่การอนุมานที่สมบูรณ์ยิ่งขึ้นโดยผสมผสานข้อมูล สถิติ และกฎเกณฑ์เมื่อจำเป็น

ปัญญาประดิษฐ์ (AI), การเรียนรู้ของเครื่องจักร และการเรียนรู้เชิงลึก: ความแตกต่างที่สำคัญ

เพื่อความชัดเจน: ปัญญาประดิษฐ์ (AI)เป็นคำที่ครอบคลุมกว้างที่สุด ซึ่งรวมถึงระบบใดๆ ก็ตามที่สามารถทำงานที่เกี่ยวข้องกับสติปัญญาของมนุษย์ (การให้เหตุผล การเรียนรู้ การรับรู้ ฯลฯ) ภายใน AI เรามีการเรียนรู้ของเครื่อง (ML)ซึ่งมุ่งเน้นไปที่อัลกอริธึมที่เรียนรู้จากข้อมูลโดยไม่ต้องเขียนโปรแกรมเป็นรายกรณี

การเรียนรู้เชิงลึก (Deep learning ) เป็นส่วนย่อยของการเรียนรู้ของเครื่องจักร (Machine learning) ที่ใช้โครงข่ายประสาทเทียมหลายชั้นในการเรียนรู้โดยตรงจากข้อมูลปริมาณมาก ความแตกต่างหลักอยู่ที่โครงสร้างของแบบจำลองและวิธีการสกัดคุณลักษณะ

ในทางปฏิบัติแล้ว การเรียนรู้ของเครื่องแบบดั้งเดิมมักต้องการการทำงานด้วยตนเองมากขึ้นในการสร้างคุณลักษณะใช้ข้อมูลน้อยกว่า และใช้พลังการประมวลผลน้อยกว่า ในขณะที่การเรียนรู้เชิงลึกต้องการชุดข้อมูลขนาดใหญ่ หน่วยประมวลผลกราฟิก (GPU) ที่ทรงพลัง และเวลาฝึกฝนที่ยาวนาน แต่ก็ให้ความสามารถที่ก้าวกระโดดอย่างน่าทึ่งสำหรับงานที่ซับซ้อนและข้อมูลที่ไม่มีโครงสร้าง

ในแง่ของความสามารถในการตีความ โมเดลการเรียนรู้ของเครื่องจักรแบบง่าย (การถดถอยเชิงเส้น ต้นไม้แบบตื้น) อธิบายได้ง่ายกว่า ในขณะที่เครือข่ายเชิงลึกมีพฤติกรรมคล้าย "กล่องดำ" มากกว่า สิ่งนี้ส่งผลกระทบต่อโมเดลการให้เหตุผลเชิงลึกด้วยเช่นกัน ซึ่งได้รับสืบทอดความไม่โปร่งใสบางส่วนนี้มา แม้ว่าจะมีความพยายามที่จะทำให้โมเดลเหล่านี้โปร่งใสมากขึ้นก็ตาม

การคิดอย่างลึกซึ้งและการบริการลูกค้า

หนึ่งในสาขาที่มีการนำ AI และการเรียนรู้เชิงลึกมาใช้ในทางปฏิบัติมากที่สุดคือการบริการลูกค้าระบบปัจจุบันจำนวนมากใช้อัลกอริธึม ML สำหรับการบริการตนเอง การสนับสนุนเจ้าหน้าที่ฝ่ายบริการลูกค้า และการจัดการกระบวนการทำงาน

ข้อมูลที่ป้อนเข้าสู่ระบบเหล่านี้มาจากคำถามจริงของลูกค้าประวัติเหตุการณ์ บริบทการซื้อ และพฤติกรรมการใช้งาน เมื่อป้อนข้อมูลเข้าสู่โมเดลเหล่านี้ การคาดการณ์และคำแนะนำก็จะเร็วขึ้นและแม่นยำยิ่งขึ้น

ในสภาพแวดล้อมเช่นนี้ การใช้เหตุผลเชิงลึกช่วยให้บอทไม่เพียงแต่ตอบคำถามง่ายๆ ได้เท่านั้น แต่ยังสามารถวิเคราะห์สถานการณ์ทั้งหมดของลูกค้าตรวจสอบประวัติ ประเมินทางเลือกต่างๆ ที่เป็นไปได้ และเสนอแนะทางเลือกที่ดีที่สุดได้อย่างเหมาะสมยิ่งขึ้น

แพลตฟอร์มเฉพาะทาง เช่น บอทขั้นสูงของโซลูชัน CX บางอย่าง ได้ผสานรวมฐานข้อมูลขนาดใหญ่เกี่ยวกับความตั้งใจของลูกค้าเข้ากับโมเดลการเรียนรู้เชิงลึก เพื่อนำเสนอการตอบสนองที่เป็นธรรมชาติและมีประโยชน์มากขึ้นเพิ่มประสิทธิภาพการทำงานของเจ้าหน้าที่ และปรับปรุงขั้นตอนการสนับสนุนให้คล่องตัวยิ่งขึ้น

เมื่อแบบจำลองการให้เหตุผลเชิงลึกได้รับการบูรณาการเข้ากับเครื่องมือประเภทนี้มากขึ้น เราจะได้เห็นตัวแทนเสมือนที่สามารถสนทนาได้อย่างยาวนานและซับซ้อน รักษาความต่อเนื่อง ของหัวข้อสนทนา อธิบายเหตุผลในการตัดสินใจ และปรับตัวให้เข้ากับน้ำเสียงของผู้ใช้ได้เกือบเหมือนกับคนจริงๆ

การเดินทางทั้งหมดนี้ ตั้งแต่การเรียนรู้ของเครื่องจักรแบบคลาสสิกไปจนถึงการเรียนรู้เชิงลึก ปัญญาประดิษฐ์เชิงสร้างสรรค์ และการให้เหตุผลเชิงลึก เผยให้เห็นทิศทางที่ชัดเจน: เราเข้าใกล้ระบบที่ไม่เพียงแต่จดจำรูปแบบได้เท่านั้น แต่ยังสามารถคิดอย่างเป็นระบบเกี่ยวกับปัญหาที่ซับซ้อนได้อีกด้วย ความท้าทายในขณะนี้ไม่ใช่แค่ด้านเทคนิค แต่ยังรวมถึงด้านจริยธรรมและการปฏิบัติงานด้วย นั่นคือ การทำให้แน่ใจว่าแบบจำลองเหล่านี้ได้รับการประเมินอย่างเหมาะสม นำไปใช้ในที่ที่ให้คุณค่าที่แท้จริง จัดการความเสี่ยง และบูรณาการอย่างมีความรับผิดชอบเข้ากับเครื่องมือต่างๆ เช่น Copilot Studio เพื่อให้ปัญญาประดิษฐ์กลายเป็นพันธมิตรที่ทรงพลังและเชื่อถือได้ในการทำงานประจำวัน