การให้เหตุผลเชิงลึกในปัญญาประดิษฐ์: คู่มือฉบับสมบูรณ์

อินฟอร์เมเทค ดิจิตอล » Recursos » การให้เหตุผลเชิงลึกในปัญญาประดิษฐ์: คู่มือฉบับสมบูรณ์

La ปัญญาประดิษฐ์กำลังก้าวหน้าอย่างก้าวกระโดด ด้วยความก้าวหน้าของโมเดลรุ่นใหม่ที่สามารถคิดอย่างเป็นระบบมากขึ้น พวกมันไม่ได้แค่สร้างข้อความหรือรูปภาพ แต่สามารถแยกแยะปัญหา ประเมินทางเลือก และให้เหตุผลประกอบคำตอบทีละขั้นตอนได้ นี่คือสิ่งที่ในโลกเทคโนโลยีเรียกว่า การให้เหตุผลเชิงลึก (deep reasoning)

เข้าใจอย่างถ่องแท้ว่ามันคืออะไร การให้เหตุผลเชิงลึกในปัญญาประดิษฐ์การทำความเข้าใจว่ามันแตกต่างจากการเรียนรู้เชิงลึกแบบดั้งเดิมอย่างไร และนำไปใช้ในเครื่องมือในโลกแห่งความเป็นจริงอย่าง Copilot Studio หรือในสาขาต่างๆ เช่น การแพทย์และการบริการลูกค้าได้อย่างไร เป็นกุญแจสำคัญในการเข้าใจว่า AI กำลังมุ่งหน้าไปในทิศทางใด เราจะอธิบายเรื่องทั้งหมดนี้อย่างใจเย็น แต่ใช้ภาษาที่ชัดเจนและเข้าใจง่ายที่สุดเท่าที่จะเป็นไปได้

การให้เหตุผลเชิงลึกในปัญญาประดิษฐ์คืออะไร?

เมื่อเราพูดถึงการใช้เหตุผลอย่างลึกซึ้ง เราหมายถึง... แบบจำลองภาษาขนาดใหญ่ที่ล้ำสมัยมากระบบเหล่านี้ได้รับการออกแบบมาโดยเฉพาะเพื่อรับมือกับงานที่ซับซ้อนซึ่งต้องอาศัยการไตร่ตรองหลายขั้นตอน แทนที่จะให้คำตอบที่ตรงไปตรงมาและผิวเผิน ระบบจะใช้เวลาในการ "คิดภายใน" สร้างลำดับความคิดก่อนที่จะแสดงผลลัพธ์ให้ผู้ใช้เห็น

โมเดลเหล่านี้สามารถทำงานได้ การใช้เหตุผลเชิงตรรกะ การวิเคราะห์อย่างละเอียด และการแก้ปัญหา โดยการแบ่งงานออกเป็นปัญหาย่อยๆ ที่เล็กกว่า แม้ว่า... ลำดับความคิดภายใน ถึงแม้จะไม่ได้สอนให้ผู้ใช้ปลายทางเรียนรู้โดยตรง แต่ทักษะนี้ก็มีอยู่แล้ว และเป็นสิ่งที่ช่วยให้พวกเขาสามารถให้คำตอบที่ละเอียดซับซ้อนกว่าแบบจำลองภาษาแบบดั้งเดิมได้

แนวคิดหลักคือแบบจำลองการให้เหตุผลเชิงลึกไม่ได้จำกัดอยู่เพียงแค่... ทำนายคำต่อไป โดยอาศัยสถิติเพียงอย่างเดียว มันพยายามติดตามลำดับการอนุมานภายใน คล้ายกับวิธีที่คนๆ หนึ่งแก้ปัญหาทางคณิตศาสตร์ วิเคราะห์ข้อมูลทางการเงิน หรือพัฒนากลยุทธ์

ในทางปฏิบัติ สิ่งนี้เปิดโอกาสให้ตัวแทน AI สามารถแก้ไขปัญหาได้ งานที่ใช้เวลานานและมีตัวแปรหลายอย่างซึ่งก่อนหน้านี้เป็นขอบเขตของผู้เชี่ยวชาญเฉพาะด้านเกือบทั้งหมด ตั้งแต่การวิเคราะห์แนวโน้มตลาดไปจนถึงการแสดงความคิดเห็นเกี่ยวกับรายงานทางการแพทย์ที่ซับซ้อน

การใช้เหตุผลเชิงลึกใน Copilot Studio: วิธีการทำงานและวิธีการใช้งาน

ในการออกแบบเอเจนต์ ผู้สร้างจะกำหนด... คำแนะนำและภารกิจที่คุณต้องปฏิบัติงานเหล่านี้มีตั้งแต่การโต้ตอบที่ง่ายมาก (เช่น การตอบคำถามที่พบบ่อย) ไปจนถึงกระบวนการที่ซับซ้อนมากซึ่งต้องอาศัยการวิเคราะห์อย่างละเอียด ในขั้นตอนที่ต้องการการวิเคราะห์เชิงลึกมากขึ้น สามารถกำหนดค่าโมเดลให้ใช้การให้เหตุผลขั้นสูงได้

วิธีการเปิดใช้งานความสามารถเหล่านี้ใน Copilot Studio คือการเพิ่ม คำสำคัญเฉพาะ (“เหตุผล”) ในขั้นตอนที่เกี่ยวข้องตามคำแนะนำของเอเจนต์ ตัวอย่างเช่น: “ใช้เหตุผลเพื่อกำหนดตัวเลขถัดไปในชุด 2, 5, 10, 17…” ณ จุดนั้น ในระหว่างการดำเนินการ Copilot จะเรียกใช้โมเดลการให้เหตุผลเชิงลึก (ปัจจุบันคือโมเดล Azure OpenAI o3) เพื่อประมวลผลส่วนนั้นโดยเฉพาะ

วิธีการทีละขั้นตอนนี้ช่วยให้ผู้สร้างสามารถควบคุมได้ว่าเอเจนต์จะดำเนินการเมื่อใด การใช้เหตุผลขั้นสูง และเมื่อคำตอบที่รวดเร็วและง่ายกว่านั้นเพียงพอแล้ว วิธีนี้จะช่วยปรับสมดุลระหว่างคุณภาพของคำตอบ ต้นทุนการคำนวณ และความเร็วให้เหมาะสมที่สุด

โดยสรุปแล้ว Copilot Studio ใช้การให้เหตุผลเชิงลึกเป็นเครื่องมือ การเสริมสร้างศักยภาพในการตัดสินใจอย่างมีเป้าหมาย เป็นการทำงานของเอเจนต์ ไม่ใช่สิ่งที่ต้องเปิดใช้งานตลอดเวลาสำหรับทุกเรื่อง ซึ่งทำให้สามารถใช้งานได้จริงในสถานการณ์ทางธุรกิจในโลกแห่งความเป็นจริง

วัตถุประสงค์ของการใช้เหตุผลเชิงลึก: ตั้งแต่ด้านการเงินไปจนถึงคณิตศาสตร์ขั้นสูง

แบบจำลองการให้เหตุผลเชิงลึกมีความโดดเด่นในด้านต่างๆ ดังนี้ งานที่ซับซ้อนซึ่งมีหลายขั้นตอนและมีความเกี่ยวโยงกันตัวอย่างการใช้งานที่ชัดเจน ซึ่งได้นำไปใช้แล้วในแพลตฟอร์มต่างๆ เช่น Copilot Studio มีดังต่อไปนี้:

การวิเคราะห์แนวโน้มตลาดและคำแนะนำการลงทุนแบบจำลองนี้สามารถแบ่งข้อมูลทางการเงินออกเป็นส่วนย่อยที่จัดการได้ง่าย ศึกษาข้อมูลอนุกรมเวลา เปรียบเทียบข้อมูลในอดีต สภาวะตลาดปัจจุบันและการคาดการณ์ จากนั้นจึงแนะนำโอกาสการลงทุนที่น่าสนใจที่สุด

การจัดการสินค้าคงคลังและการพยากรณ์ความต้องการแบบจำลองนี้สามารถสร้างแบบจำลองโดยอาศัยข้อมูลเกี่ยวกับการขายในอดีต ฤดูกาล การไหลเวียนของห่วงโซ่อุปทาน และการเปลี่ยนแปลงพฤติกรรมของลูกค้า เสนอกลยุทธ์ด้านหุ้นประเมินมาตรการรักษาความปลอดภัยอีกครั้ง และเสนอแนะการปรับเปลี่ยนเพื่อลดปัญหาสินค้าหมดสต็อกหรือสินค้าล้นตลาด

การแก้สมการเชิงอนุพันธ์และปัญหาทางคณิตศาสตร์ที่ซับซ้อนแบบจำลองเหล่านี้สามารถรับมือกับแบบฝึกหัดขั้นสูงได้โดยการแบ่งปัญหาออกเป็นส่วนย่อยๆ ขั้นตอนเชิงตรรกะที่เชื่อมโยงกันอธิบายว่าแต่ละขั้นตอนทำอะไร ซึ่งมีประโยชน์อย่างยิ่งในบริบททางการศึกษาหรือการวิจัย

โดยพื้นฐานแล้ว เมื่อใดก็ตามที่มีความจำเป็นต้องปฏิบัติตาม การให้เหตุผลแบบทีละขั้นตอนที่ไม่ธรรมดาแบบจำลองการให้เหตุผลเชิงลึกมอบมูลค่าเพิ่มมหาศาลเมื่อเทียบกับแบบจำลองที่เรียบง่ายกว่าซึ่งตอบสนองโดยตรงเท่านั้น

การประเมินผล ตัวชี้วัด และความรับผิดชอบในแบบจำลองการให้เหตุผลเชิงลึก

เพื่อให้ระบบเหล่านี้มีประโยชน์ในสภาพแวดล้อมจริง การเป็น "ระบบอัจฉริยะ" เพียงอย่างเดียวไม่เพียงพอ พวกมันต้องมีคุณสมบัติอื่นๆ ด้วย เชื่อถือได้ ปลอดภัย และตรวจสอบได้ด้วยเหตุนี้ โมเดลการให้เหตุผลเชิงลึกอย่างเช่นที่ใช้ใน Copilot Studio จึงต้องผ่านการประเมินหลายขั้นตอนก่อนที่จะเปิดให้ผู้ใช้ได้ใช้งาน

ขั้นแรก จะทำการประเมินสิ่งต่อไปนี้: เหตุผลกล่าวคือ เพื่อตรวจสอบว่าแบบจำลองนั้นอิงอยู่กับบริบทในโลกแห่งความเป็นจริง และไม่ได้สร้างข้อมูลขึ้นมาอย่างสุ่มสี่สุ่มห้า ซึ่งทำได้โดยการทดสอบแบบจำลองในสถานการณ์ที่มีข้อมูลที่ทราบแล้ว และตรวจสอบว่าแบบจำลองนั้นยังคงสอดคล้องกับบริบทนั้นอย่างแม่นยำเพียงใด

ประการที่สองคือ การวิเคราะห์การปฏิบัติตามหลักการ เอไอที่มีความรับผิดชอบการป้องกันการพยายามเจาะระบบ (การบังคับให้โมเดลข้ามขีดจำกัดของมัน) การโจมตีแบบแทรกโค้ดข้ามโดเมน (การผสมผสานคำสั่งที่เป็นอันตรายจากแหล่งต่างๆ) และการกรองเนื้อหาที่เป็นอันตรายหรือไม่เหมาะสม

สุดท้ายนี้ ความแม่นยำของการตอบสนอง ในการใช้งานหลายกรณี ประสิทธิภาพจะถูกประเมินในมิติต่างๆ เหล่านี้โดยใช้ชุดการทดสอบที่หลากหลาย เพื่อให้มีเพียงโมเดลที่ตรงตามมาตรฐานที่กำหนดเท่านั้นที่จะได้รับการเผยแพร่ในที่สุด

การประเมินอย่างต่อเนื่องในลักษณะนี้เป็นกุญแจสำคัญในการป้องกันไม่ให้แบบจำลองการให้เหตุผลเชิงลึกกลายเป็นสิ่งที่ไม่จำเป็น “กล่องดำที่ควบคุมไม่ได้”แต่ในรูปแบบเครื่องมือที่องค์กรสามารถตรวจสอบ ทดสอบ และเปรียบเทียบได้

ข้อจำกัดของการใช้เหตุผลเชิงลึกและวิธีการลดข้อจำกัดเหล่านั้น

เพียงเพราะแบบจำลองนั้น "ลึก" กว่า ไม่ได้หมายความว่ามันสมบูรณ์แบบ อันที่จริง ระบบเหล่านี้มีข้อบกพร่องอยู่บ้าง ข้อจำกัดที่สำคัญเช่น งานที่ ChatGPT ทำไม่สำเร็จซึ่งเป็นสิ่งสำคัญที่ต้องเข้าใจให้ดี

ประการแรกคือ เวลาตอบสนองเนื่องจากแบบจำลองการให้เหตุผลต้องการการคำนวณภายในที่ซับซ้อนกว่า จึงมักใช้เวลานานกว่าแบบจำลองภาษามาตรฐาน ซึ่งอาจกลายเป็นปัญหาในแอปพลิเคชันที่ต้องการความเร็วในการตอบสนองสูง (เช่น การสนทนากับลูกค้าที่ใจร้อน) หากมีการใช้งานมากเกินไป

ข้อจำกัดประการที่สองคือ ตัวแทนจะสามารถใช้ได้เพียงเท่านั้น โมเดลประเภทนี้ หากการกำหนดค่าเอื้ออำนวยกล่าวอีกนัยหนึ่ง คุณต้องเปิดใช้งานฟังก์ชันการให้เหตุผลเชิงลึกในเอเจนต์อย่างชัดเจน ฟังก์ชันเหล่านี้ไม่ได้เปิดใช้งาน "โดยอัตโนมัติ" ในทุกสถานการณ์

เพื่อลดข้อเสียเหล่านี้ให้น้อยที่สุด ขอแนะนำให้ปฏิบัติดังนี้: เปิดใช้งานการใช้เหตุผลเชิงลึกเฉพาะในตัวแทนที่จำเป็นต้องใช้เท่านั้นใช้คำหลักที่เกี่ยวข้องเฉพาะในขั้นตอนที่ได้รับประโยชน์อย่างแท้จริงจากการวิเคราะห์เชิงลึก และสงวนโมเดลเหล่านี้ไว้สำหรับงานที่ยอมรับได้ที่จะรอสักเล็กน้อยเพื่อแลกกับคุณภาพการตอบสนองที่เหนือกว่า

นอกจากนี้ยังถือเป็นแนวปฏิบัติที่ดี แจ้งให้ผู้ใช้ปลายทางทราบ บางครั้งการตอบกลับที่ซับซ้อนจากเจ้าหน้าที่อาจใช้เวลาเพิ่มขึ้นอีกเล็กน้อย เพื่อจัดการความคาดหวังและหลีกเลี่ยงความผิดหวัง

แนวทางปฏิบัติที่ดีสำหรับการใช้งานอย่างมีความรับผิดชอบ

จากมุมมองเชิงปฏิบัติการ มีกลยุทธ์หลายประการเพื่อให้มั่นใจได้ว่ามีการใช้เหตุผลเชิงลึกในการปฏิบัติงาน มีประสิทธิภาพและปลอดภัย ในองค์กรต่างๆ

ประการแรกคือการจำกัดการใช้งานไว้เพียง ตัวแทนที่ต้องการกระบวนการคิดวิเคราะห์ที่ซับซ้อนซึ่งรวมถึงงานต่างๆ เช่น การวิเคราะห์ข้อมูลที่ไม่เป็นระเบียบ การตัดสินใจที่สำคัญโดยพิจารณาจากหลายปัจจัย หรือการสร้างรายงานที่ยาวและละเอียด การเปิดใช้งานฟังก์ชันนี้เป็นค่าเริ่มต้นสำหรับทุกอย่างเป็นการสิ้นเปลืองทรัพยากร

ข้อแนะนำที่สองคือ ควรทดสอบตัวแทนอย่างละเอียดถี่ถ้วน โดยตรวจสอบ... คุณภาพ ความสม่ำเสมอ และความน่าเชื่อถือ การทดสอบเหล่านี้วิเคราะห์ผลลัพธ์เมื่อมีการเรียกใช้แบบจำลองการให้เหตุผล ช่วยให้เราตรวจจับสถานการณ์ที่แบบจำลองอาจล้มเหลว สร้างข้อมูลเท็จ หรือปรับตัวได้ไม่ดีในขอบเขตธุรกิจเฉพาะด้าน

เครื่องมือเช่น แผนที่กิจกรรม เครื่องมือเหล่านี้ช่วยให้คุณเห็นว่าเอเจนต์ใช้การให้เหตุผลเชิงลึกในช่วงใดบ้างของเซสชัน ตรวจสอบขั้นตอนภายใน และเปรียบเทียบผลลัพธ์ ซึ่งช่วยในการพิจารณาว่าโมเดลนั้นส่งมอบคุณค่าที่คาดหวังได้จริงหรือไม่

การเปรียบเทียบอย่างเป็นระบบก็มีประโยชน์เช่นกัน ผลลัพธ์ทั้งแบบที่มีและไม่มีการใช้เหตุผลเชิงลึก ปรับปรุงคำแนะนำและทำการทดสอบ A/B เพื่อระบุว่าส่วนใดของกระบวนการทำงานที่ได้รับประโยชน์จากการใช้โมเดลเหล่านี้ และส่วนใดที่ใช้โมเดลภาษาที่เรียบง่ายกว่าก็เพียงพอแล้ว

ตั้งแต่การเรียนรู้ของเครื่องจักรไปจนถึงการเรียนรู้เชิงลึกและปัญญาประดิษฐ์เชิงสร้างสรรค์

เพื่อให้เข้าใจบริบทของเหตุผลพื้นฐานได้อย่างถูกต้อง การทบทวนวิวัฒนาการของเทคโนโลยี AI จะเป็นประโยชน์: การเรียนรู้ของเครื่อง การเรียนรู้เชิงลึก และปัญญาประดิษฐ์เชิงสร้างสรรค์ พวกมันก่อตัวเป็นเหมือนบันไดแห่งความซับซ้อน

El การเรียนรู้ของเครื่องจักรแบบดั้งเดิม ระบบนี้อาศัยการเรียนรู้แบบมีผู้กำกับดูแลเป็นอย่างมาก ตัวอย่างเช่น ในการสร้างระบบที่สามารถจดจำสัตว์ในภาพได้ จำเป็นต้องติดป้ายกำกับภาพถ่ายหลายแสนภาพด้วยตนเอง ฝึกฝนอัลกอริทึม ทดสอบด้วยภาพใหม่ วิเคราะห์ข้อผิดพลาด แล้วขยายชุดข้อมูลที่ติดป้ายกำกับอีกครั้งเพื่อปรับปรุงความแม่นยำ

กระบวนการนี้ต้องใช้ความพยายามอย่างมาก การแทรกแซงของมนุษย์ในสิ่งที่เรียกว่าวิศวกรรมคุณลักษณะ: ตัดสินใจว่าจะดึงคุณลักษณะใดออกมา (สี พื้นผิว รูปร่าง ฯลฯ) และจะแสดงคุณลักษณะเหล่านั้นในเชิงตัวเลขอย่างไร เพื่อให้อัลกอริธึมสามารถเรียนรู้ได้

ด้วยการ การเรียนรู้ลึกโครงข่ายประสาทเทียมแบบหลายชั้นเข้ามารับหน้าที่เรียนรู้การแสดงผลเหล่านี้โดยตรงจากข้อมูลดิบ (รูปภาพ ข้อความ เสียง ฯลฯ) ไม่จำเป็นต้องกำหนดคุณลักษณะทั้งหมดด้วยตนเองอีกต่อไป เพราะแบบจำลองจะค้นพบรูปแบบที่เกี่ยวข้องด้วยตัวเอง

ขั้นตอนต่อไปคือรุ่นต่างๆ ของ ปัญญาประดิษฐ์เชิงสร้างสรรค์บนพื้นฐานของสถาปัตยกรรมที่เปลี่ยนแปลงได้โมเดลเหล่านี้ เช่นเดียวกับโมเดลภาษาขนาดใหญ่ ไม่เพียงแต่จดจำรูปแบบเท่านั้น แต่ยังสร้างเนื้อหาใหม่ (ข้อความ รูปภาพ รหัส) โดยการผสมผสานรูปแบบเหล่านั้นในรูปแบบใหม่ๆ อีกด้วย

การใช้เหตุผลอย่างลึกซึ้งนั้นสร้างขึ้นบนพื้นฐานนี้: มันเป็นการผสมผสานระหว่าง กำลังการผลิตของหม้อแปลงไฟฟ้า โดยมีกลยุทธ์ภายในที่ออกแบบมาเพื่อรองรับกระบวนการคิดที่เป็นระบบและยาวนานยิ่งขึ้น

ข้อดีของการเรียนรู้เชิงลึกเหนือกว่าการเรียนรู้ของเครื่องจักรแบบดั้งเดิม

การเรียนรู้เชิงลึกได้นำเสนอชุดข้อมูลต่างๆ มีข้อได้เปรียบที่ชัดเจนเหนือกว่าแมชชีนเลิร์นนิงแบบดั้งเดิมซึ่งเป็นพื้นฐานทางเทคนิคของความก้าวหน้ามากมายในการให้เหตุผลเชิงลึก

ในอีกด้านหนึ่ง มันเสนอ การประมวลผลข้อมูลที่ไม่มีโครงสร้างมีประสิทธิภาพมากขึ้นอย่างมาก (ข้อความ รูปภาพ เสียง) ในขณะที่อัลกอริทึมแบบคลาสสิกจะรับมือไม่ไหวกับวิธีการแสดงความคิดเดียวกันที่มีมากมายนับไม่ถ้วน แต่โครงข่ายประสาทเทียมเชิงลึกสามารถเรียนรู้ความเท่าเทียมกันเหล่านี้ได้โดยตรง ดังนั้นจึงสามารถเข้าใจได้ว่า “ฉันจะโอนเงินได้อย่างไร?” และ “คุณช่วยอธิบายวิธีการชำระเงินได้ไหม?” หมายถึงการกระทำประเภทเดียวกัน

นอกจากนี้ เครือข่ายเชิงลึกยังมีความสามารถในการค้นพบที่ดีมาก ความสัมพันธ์ที่ซ่อนเร้นและรูปแบบที่ไม่คาดคิดโมเดลที่ฝึกฝนด้วยข้อมูลการซื้อสามารถแนะนำผลิตภัณฑ์ที่ลูกค้ายังไม่เคยซื้อได้ เพียงแค่เปรียบเทียบพฤติกรรมของลูกค้ากับผู้ใช้รายอื่นที่มีลักษณะคล้ายคลึงกัน แม้ว่าลูกค้าจะไม่ได้รับการสอนให้รับคำแนะนำเฉพาะนั้นโดยตรงก็ตาม

ข้อดีอีกประการหนึ่งคือความสามารถในการ การเรียนรู้แบบไม่มีผู้กำกับดูแลหรือแบบมีผู้กำกับดูแลบางส่วนเครือข่ายสามารถปรับตัวให้เข้ากับพฤติกรรมของผู้ใช้ได้ตลอดเวลาโดยไม่จำเป็นต้องมีข้อมูลที่ติดแท็กเป็นล้านๆ จุด ตัวอย่างเช่น โปรแกรมตรวจสอบการสะกดคำอัตโนมัติสามารถเพิ่มคำศัพท์ในภาษาอื่นๆ เข้าไปได้เมื่อผู้ใช้พิมพ์คำเหล่านั้นบ่อยๆ

สุดท้ายนี้ การเรียนรู้เชิงลึกมีประสิทธิภาพอย่างมาก ข้อมูลที่มีความผันผวนหรือเปลี่ยนแปลงสูงเช่น ธุรกรรมทางการเงิน คุณสามารถเรียนรู้ที่จะแยกแยะรูปแบบการชำระเงินปกติและระบุรูปแบบที่เบี่ยงเบนไปจากปกติว่าเป็นไปได้ว่าเป็นการฉ้อโกง

การประยุกต์ใช้การเรียนรู้เชิงลึก: จากวงการแพทย์สู่รถยนต์ไร้คนขับ

การเรียนรู้เชิงลึกได้แพร่หลายอย่างกว้างขวางใน การแพทย์และการวินิจฉัยโรคใช้ในการจำแนกภาพทางการแพทย์ แบ่งส่วนอวัยวะและรอยโรค วิเคราะห์เนื้อเยื่อวิทยาแบบดิจิทัล หรือช่วยในการวินิจฉัยจากภาพเอกซเรย์ ภาพ MRI และการตรวจทางห้องปฏิบัติการ

นับตั้งแต่ปี 2022 สถาปัตยกรรม วิชัน ทรานส์ฟอร์มเมอร์ (ViT) พวกมันแสดงให้เห็นถึงประสิทธิภาพที่เทียบเท่าหรือเหนือกว่าโครงข่ายประสาทเทียมแบบคอนโวลูชันแบบดั้งเดิมในงานจำแนกภาพทางการแพทย์ขนาดใหญ่ ข้อได้เปรียบที่สำคัญของพวกมันคือสามารถจับความสัมพันธ์โดยรวมในภาพขนาดกิกะพิกเซลได้ด้วยกลไกการให้ความสนใจตนเองแบบลำดับชั้น

นอกเหนือจากวงการแพทย์แล้ว การเรียนรู้เชิงลึกยังล้าหลังอยู่ รถยนต์ไร้คนขับ, การจดจำใบหน้า, ผู้ช่วยเสียง เช่น Alexa หรือ Siri ระบบแนะนำรายการทีวีและเพลง และอื่นๆ อีกมากมาย ในทุกกรณี โมเดลจะต้องตีความข้อมูลจากโลกแห่งความเป็นจริงที่มีสัญญาณรบกวนและมีความผันแปรสูง

การทดลองสำคัญๆ เช่น AlphaGoนักวิจัยซึ่งเรียนรู้วิธีเล่นโกะและเอาชนะปรมาจารย์โกะระดับโลก ได้แสดงให้เห็นถึงขอบเขตที่โครงข่ายประสาทเทียมเชิงลึกสามารถบรรลุทักษะที่ถือว่า "เป็นไปโดยสัญชาตญาณ" หรือ "มีความคิดสร้างสรรค์" โดยไม่จำเป็นต้องมีโปรแกรมเมอร์คอยบอกทุกการเดินหมาก

การเรียนรู้เชิงลึกคืออะไรกันแน่: ชั้นต่างๆ ลำดับชั้น และพลังการประมวลผล

แม้ว่าจะไม่มีคำจำกัดความที่เป็นสากลเพียงหนึ่งเดียว แต่ผู้วิจัยส่วนใหญ่เห็นพ้องกันว่าการเรียนรู้เชิงลึกนั้นมีพื้นฐานมาจาก... การประมวลผลแบบไม่เชิงเส้นหลายชั้น ซึ่งดึงเอาคุณลักษณะที่เป็นนามธรรมมากขึ้นเรื่อยๆ ออกมาจากข้อมูล

ในชั้นล่างๆ เราจะได้เรียนรู้ว่า คุณสมบัติง่ายๆ (เส้นขอบในภาพ การผสมคำพื้นฐาน) ในขณะที่เลเยอร์ด้านบนจะรวมคุณสมบัติเหล่านั้นเข้าด้วยกันเพื่อสร้างแนวคิดที่ซับซ้อนยิ่งขึ้น (ใบหน้า วัตถุ ความหมายของประโยค)

ความแตกต่างกับอัลกอริธึมแบบ "ตื้น" นั้นอยู่ที่... จำนวนการแปลงแบบลูกโซ่ในขณะที่แบบจำลองคลาสสิกอาจใช้การแปลงเพียงหนึ่งหรือสองครั้ง แบบจำลองเชิงลึกอาจมีชั้นกลางหลายสิบหรือหลายร้อยชั้น ทำให้สามารถแสดงฟังก์ชันที่ซับซ้อนกว่ามากได้

ข้อเสียคือ การฝึกโครงข่ายประสาทเทียมเชิงลึกนั้นต้องใช้... พลังการประมวลผลมหาศาลด้วยเหตุนี้ GPU จึงกลายเป็นเครื่องมือพื้นฐานสำหรับการฝึกฝนโมเดลเหล่านี้ เนื่องจากความสามารถในการดำเนินการแบบขนานขนาดใหญ่ (GPGPU)

ผู้ให้บริการคลาวด์รายใหญ่ (Amazon, Azure, IBM, Google ฯลฯ) ได้ให้บริการดังกล่าวอยู่แล้ว โครงสร้างพื้นฐานที่มี GPU เฉพาะทาง และแพลตฟอร์ม PaaS สำหรับการเรียนรู้ของเครื่อง เช่น แพลตฟอร์มที่ใช้ TensorFlow ซึ่งมีโมเดลที่ได้รับการฝึกฝนล่วงหน้าและเครื่องมือในการปรับแต่งให้เข้ากับแต่ละกรณี

อัลกอริทึมและสถาปัตยกรรมการเรียนรู้เชิงลึกที่เกี่ยวข้องมากที่สุด

ภายในขอบเขตของการเรียนรู้เชิงลึก มีปัจจัยหลายประการที่เกิดขึ้น ประเภทของโครงข่ายประสาทเทียมแต่ละแบบได้รับการปรับให้เหมาะสมสำหรับข้อมูลหรือปัญหาประเภทใดประเภทหนึ่งโดยเฉพาะ

ลา เครือข่ายประสาทเทียม (CNN) อัลกอริทึมเหล่านี้ได้รับการออกแบบมาเพื่อประมวลผลภาพและวิดีโอ โดยใช้ตัวกรอง (การแปลงแบบคอนโวลูชัน) ที่สแกนภาพเพื่อตรวจจับรูปแบบเฉพาะที่ แล้วจึงนำมาผสมผสานกัน อัลกอริทึมเหล่านี้เป็นพื้นฐานของวิทยาการคอมพิวเตอร์สมัยใหม่ เช่น การจดจำใบหน้า การจำแนกวัตถุ การวิเคราะห์ภาพทางการแพทย์ เป็นต้น

ลา เครือข่ายประสาทที่เกิดขึ้นซ้ำ (RNN)ระบบเหล่านี้และรูปแบบที่ทันสมัยของมันได้รวมเอาวงจรป้อนกลับที่ช่วยให้พวกมัน "จดจำ" ข้อมูลในอดีตได้ ทำให้พวกมันมีประโยชน์มากสำหรับลำดับต่างๆ เช่น ข้อความ เสียง หรืออนุกรมเวลา ตัวอย่างเช่น ระบบนำทางสามารถใช้ความทรงจำเหล่านี้เพื่อคาดการณ์การจราจรติดขัดที่พบบ่อยและแนะนำเส้นทางอื่นได้

ในขณะเดียวกัน แนวคิดต่างๆ เช่น การเรียนรู้เซต, เครือข่ายตกค้าง, ทรานส์ฟอร์เมอร์ภาพ และอื่นๆ อีกมากมาย ซึ่งช่วยขยายและปรับปรุงความสามารถของเครือข่ายเชิงลึกในการปรับตัวให้เข้ากับปัญหาเฉพาะด้านต่างๆ

ระบบนิเวศทางเทคนิคทั้งหมดนี้เองที่ทำให้สามารถสร้างแบบจำลองได้ในปัจจุบัน การใช้เหตุผลอย่างลึกซึ้ง ยิ่งไปกว่านั้น หากปราศจากรากฐานของสถาปัตยกรรมที่ทรงพลังและปรับขนาดได้นี้แล้ว ก็คงเป็นไปไม่ได้

ประเภทของการให้เหตุผลที่ AI สามารถเลียนแบบได้

ระบบ AI สมัยใหม่สามารถผสมผสานหลายสิ่งเข้าด้วยกันได้ กลยุทธ์การให้เหตุผลที่แตกต่างกันขึ้นอยู่กับประเภทของข้อมูลและการใช้งานเป้าหมาย แนวคิดจึงไม่ได้จำกัดอยู่แค่ "วิธีคิด" เดียว

ในบรรดาวิธีการทั่วไปที่เราพบนั้น ได้แก่ การให้เหตุผลแบบนิรนัย (โดยเริ่มจากกฎทั่วไปเพื่อนำไปสู่ข้อสรุปที่เฉพาะเจาะจง) การใช้เหตุผลแบบอุปนัย (การสรุปจากตัวอย่าง) การให้เหตุผล ความน่าจะเป็น (การทำงานกับความไม่แน่นอน) หรือการใช้เหตุผล การกระจาย (การจัดการกับคำที่ไม่แม่นยำ เช่น "สูง" "ต่ำ" "ปานกลาง")

นอกจากนี้ยังมีการสำรวจแนวทางต่างๆ ดังต่อไปนี้: การให้เหตุผลแบบอุปนัย (เพื่อเสนอคำอธิบายที่น่าเชื่อถือที่สุดสำหรับชุดข้อเท็จจริง) การให้เหตุผลโดยอิงจาก สามัญสำนึกการให้เหตุผลเชิงพื้นที่และเวลา (ซึ่งสำคัญมากในด้านหุ่นยนต์และการขับขี่อัตโนมัติ) และ การให้เหตุผลเชิงสัญลักษณ์ประสาทซึ่งเป็นการผสานรวมโครงข่ายประสาทเทียมเข้ากับตรรกะเชิงสัญลักษณ์

การใช้เหตุผลอย่างลึกซึ้งนั้นอาศัยเครื่องมือชุดนี้ในการสร้าง ห่วงโซ่การอนุมานที่สมบูรณ์ยิ่งขึ้นโดยผสมผสานข้อมูล สถิติ และกฎเกณฑ์ต่างๆ เมื่อจำเป็น

ปัญญาประดิษฐ์ (AI), การเรียนรู้ของเครื่องจักร และการเรียนรู้เชิงลึก: ความแตกต่างที่สำคัญ

เพื่อความชัดเจน: ปัญญาประดิษฐ์ (AI) ปัญญาประดิษฐ์ (AI) เป็นคำที่ครอบคลุมกว้างที่สุด ซึ่งรวมถึงระบบใดๆ ก็ตามที่สามารถทำงานที่เกี่ยวข้องกับสติปัญญาของมนุษย์ (การให้เหตุผล การเรียนรู้ การรับรู้ ฯลฯ) ภายใน AI นั้น เรามี... การเรียนรู้ของเครื่อง (ML)ซึ่งมุ่งเน้นไปที่อัลกอริธึมที่เรียนรู้จากข้อมูลโดยไม่ต้องเขียนโปรแกรมเป็นรายกรณี

El การเรียนรู้ลึก กล่าวอีกนัยหนึ่งคือ มันเป็นส่วนย่อยของแมชชีนเลิร์นนิงที่ใช้โครงข่ายประสาทเทียมหลายชั้นเพื่อเรียนรู้โดยตรงจากข้อมูลปริมาณมาก ความแตกต่างหลักอยู่ที่โครงสร้างของแบบจำลองและวิธีการสกัดคุณลักษณะ

ในทางปฏิบัติแล้ว การเรียนรู้ของเครื่องแบบดั้งเดิมมักต้องการ... งานที่ต้องทำด้วยตนเองมากขึ้นในด้านวิศวกรรมคุณลักษณะข้อมูลน้อยลงและพลังการประมวลผลน้อยลง ในขณะที่การเรียนรู้เชิงลึกต้องการชุดข้อมูลขนาดใหญ่ หน่วยประมวลผลกราฟิก (GPU) ที่ทรงพลัง และเวลาฝึกฝนที่ยาวนาน แต่ก็ให้ความสามารถที่ก้าวกระโดดอย่างน่าทึ่งสำหรับงานที่ซับซ้อนและข้อมูลที่ไม่มีโครงสร้าง

ในส่วนของความสามารถในการตีความนั้น โมเดล ML แบบง่าย การถดถอยเชิงเส้นและโครงสร้างต้นไม้แบบตื้นนั้นอธิบายได้ง่ายกว่า ในขณะที่โครงข่ายประสาทเทียมแบบลึกนั้นทำงานคล้ายกับ "กล่องดำ" มากกว่า สิ่งนี้ส่งผลกระทบต่อแบบจำลองการให้เหตุผลเชิงลึกด้วยเช่นกัน ซึ่งได้รับสืบทอดความไม่โปร่งใสบางส่วนนี้มา แม้ว่าจะมีความพยายามที่จะทำให้แบบจำลองเหล่านี้โปร่งใสมากขึ้นก็ตาม

การคิดอย่างลึกซึ้งและการบริการลูกค้า

หนึ่งในสาขาที่มีการนำ AI และการเรียนรู้เชิงลึกมาใช้ในทางปฏิบัติมากที่สุดคือ... การบริการลูกค้าระบบปัจจุบันจำนวนมากใช้อัลกอริธึมแมชชีนเลิร์นนิงสำหรับบริการตนเอง การสนับสนุนจากเจ้าหน้าที่ และการจัดการกระบวนการทำงาน

ข้อมูลที่ป้อนเข้าสู่ระบบเหล่านี้มาจาก คำถามจากลูกค้าจริงประวัติเหตุการณ์ บริบทการซื้อ และพฤติกรรมการใช้งาน ล้วนเป็นปัจจัยที่ถูกนำมาพิจารณาในแบบจำลองเหล่านี้ เมื่อป้อนข้อมูลเข้าไปในแบบจำลองเหล่านี้มากขึ้น การคาดการณ์และคำแนะนำก็จะรวดเร็วและแม่นยำยิ่งขึ้น

ในสภาพแวดล้อมเช่นนี้ การใช้เหตุผลเชิงลึกช่วยให้บอทไม่เพียงแต่ตอบคำถามง่ายๆ ได้เท่านั้น แต่ยังสามารถ... วิเคราะห์สถานการณ์โดยรวมของลูกค้าทบทวนประวัติความเป็นมา ประเมินแนวทางแก้ไขที่เป็นไปได้หลายทาง และเสนอแนะแนวทางที่ดีที่สุด โดยคำนึงถึงความต้องการเฉพาะบุคคลให้มากที่สุด

แพลตฟอร์มเฉพาะทาง เช่น บอทขั้นสูงของโซลูชัน CX บางอย่าง ได้ผสานรวมฐานข้อมูลขนาดใหญ่เกี่ยวกับความตั้งใจของลูกค้าเข้ากับโมเดลการเรียนรู้เชิงลึก เพื่อนำเสนอสิ่งต่างๆ มากมาย คำตอบที่เป็นธรรมชาติและมีประโยชน์มากกว่าเพิ่มประสิทธิภาพการทำงานของเจ้าหน้าที่ และปรับปรุงกระบวนการสนับสนุนให้คล่องตัวยิ่งขึ้น

เมื่อแบบจำลองการให้เหตุผลเชิงลึกได้รับการบูรณาการเข้ากับเครื่องมือประเภทนี้มากขึ้น เราจะได้เห็น... เอเจนต์เสมือนที่มีความสามารถ เพื่อสนทนาในเรื่องที่ยาวและซับซ้อน รักษาความต่อเนื่องของบทสนทนา อธิบายเหตุผลในการตัดสินใจ และปรับตัวให้เข้ากับน้ำเสียงของผู้ใช้ราวกับเป็นคนๆ หนึ่ง

การเดินทางทั้งหมดนี้ ตั้งแต่การเรียนรู้ของเครื่องจักรแบบดั้งเดิมไปจนถึงการเรียนรู้เชิงลึก ปัญญาประดิษฐ์เชิงสร้างสรรค์ และการให้เหตุผลเชิงลึก แสดงให้เห็นถึงทิศทางที่ชัดเจน: เรากำลังเข้าใกล้ระบบที่ไม่เพียงแต่จดจำรูปแบบได้เท่านั้น แต่ยังมีความสามารถในการ... คิดอย่างเป็นระบบเกี่ยวกับปัญหาที่ซับซ้อนความท้าทายในขณะนี้ไม่ใช่แค่ด้านเทคนิค แต่ยังรวมถึงด้านจริยธรรมและการปฏิบัติงานด้วย กล่าวคือ การทำให้แน่ใจว่าแบบจำลองเหล่านี้ได้รับการประเมินอย่างเหมาะสม นำไปใช้ในที่ที่ให้คุณค่าที่แท้จริง ควบคุมความเสี่ยง และบูรณาการอย่างมีความรับผิดชอบเข้ากับเครื่องมือต่างๆ เช่น Copilot Studio เพื่อให้ปัญญาประดิษฐ์กลายเป็นพันธมิตรที่ทรงพลังและเชื่อถือได้ในการทำงานประจำวัน