ดีพเลิร์นนิง vs. แมชชีนเลิร์นนิง: เข้าใจความแตกต่างด้วยวิธีง่ายๆ

การทำความเข้าใจความก้าวหน้าล่าสุดในปัญญาประดิษฐ์ (AI) นั้นอาจชวนให้หัวหมุน แต่ถ้าการเรียนรู้ด้านพื้นฐานเป็นสิ่งที่คุณสนใจ คุณจะมองนวัตกรรม AI ต่างๆ ได้เป็น 2 คอนเซปต์นั่นคือ แมชชีนเลิร์นนิงและดีพเลิร์นนิง คำเหล่านี้ดูเหมือนเป็นศัพท์สูงสุดฮิตที่ใช้สลับสับเปลี่ยนกันได้ จึงจำเป็นต้องทำความเข้าใจในข้อแตกต่าง

และเราควรรู้ความแตกต่างเหล่านั้น เพราะตัวอย่างของแมชชีนเลิร์นนิงและดีพเลิร์นนิงมีอยู่ทุกที่ เป็นวิธีที่ Netflix รู้ว่ารายการใดที่คุณอยากจะดูต่อไป การที่ Facebook รู้ว่าใบหน้าใครอยู่ในรูป การที่รถแบบขับเคลื่อนอัตโนมัติเกิดขึ้นจริง และการที่ตัวแทนบริการลูกค้าจะรู้ว่าคุณจะพึงพอใจกับการช่วยเหลือและบริการหรือไม่ก่อนที่คุณจะตอบแบบสำรวจความพึงพอใจลูกค้าเสียด้วยซ้ำ

แล้วคอนเซปต์เหล่านี้ที่เป็นประเด็นสำคัญในบทสนทนาเกี่ยวกับปัญญาประดิษฐ์คืออะไร และที่จริงแตกต่างกันอย่างไร

ดีพเลิร์นนิง vs. แมชชีนเลิร์นนิง

ข้อควรรู้ที่จำได้ง่ายที่สุดจากการเข้าใจความแตกต่างของดีพเลิร์นนิงและแมชชีนเลิร์นนิง คือรู้ว่าดีพเลิร์นนิงก็คือแมชชีนเลิร์นนิง

หรืออธิบายโดยเจาะจงก็คือดีพเลิร์นนิงถือว่าเป็นวิวัฒนาการของแมชชีนเลิร์นนิง โดยจะใช้โครงข่ายประสาทเทียมที่สามารถโปรแกรมได้ ทำให้เครื่องกลตัดสินใจที่แม่นยำโดยไม่มีมนุษย์ช่วย

แต่สำหรับมือใหม่นั้น มานิยามคำว่า "แมชชีนเลิร์นนิง" กันก่อน

แมชชีนเลิร์นนิงคืออะไร

แมชชีนเลิร์นนิง คือการประยุกต์ใช้ AI ที่มีอัลกอริธึมแจงส่วนข้อมูล เรียนรู้จากข้อมูลเหล่านั้น แล้วตัดสินใจโดยมีข้อมูลประกอบซึ่งได้จากสิ่งที่เรียนรู้

ตัวอย่างง่ายๆ ของอัลกอริธึมของแมชชีนเลิร์นนิง ก็คือบริการสตรีมมิ่งเพลงแบบออนดีมานด์ สำหรับการให้บริการที่ช่วยตัดสินใจว่าเพลงไหนหรือศิลปินคนใดที่จะแนะนำให้กับผู้ฟัง อัลกอริธึมของแมชชีนเลิร์นนิงนั้น จะประมวลจากความชื่นชอบของผู้ฟังคนนั้นกับผู้ฟังคนอื่นที่มีรสนิยมการฟังเพลงที่ใกล้เคียงกัน เทคนิคเช่นนี้ซึ่งหลายคนมักเข้าใจว่าเป็น AI มีการใช้งานในบริการหลายประเภทที่มีการแนะนำแบบอัตโนมัติ

แมชชีนเลิร์นนิงเป็นดั่งเชื้อเพลิงให้งานอัตโนมัติทุกประเภทในอุตสาหกรรมต่างๆ ไม่ว่าองค์กรรักษาความปลอดภัยข้อมูลที่ตามล่ามัลแวร์ หรือมืออาชีพด้านการเงินที่ต้องการแจ้งเตือนเมื่อมีการ อัลกอริธึมของ AI นั้นได้รับการโปรแกรมให้เรียนรู้อยู่เสมอในรูปแบบที่เหมือนกับผู้ช่วยส่วนตัวเสมือนจริง ซึ่งทำได้ดีทีเดียว

แมชชีนเลิร์นนิงนั้นเกี่ยวข้องกับตัวเลขและการโค้ดอันซับซ้อนที่สุดท้ายแล้วได้ผลลัพธ์เป็นการทำงานเชิงกลเหมือนกับกลไกของไฟฉาย รถยนต์ หรือจอคอมพิวเตอร์ เมื่อเราบอกว่าสิ่งหนึ่งมีความสามารถด้าน “แมชชีนเลิร์นนิง” แปลว่าเป็นสิ่งที่สามารถทำหน้าที่ด้วยข้อมูลที่ได้รับและทำหน้าที่ได้ดีขึ้นตามลำดับเมื่อเวลาผ่านไป ก็เหมือนกับคุณมีไฟฉายที่เปิดเมื่อใดก็ตามที่คุณพูดว่า "มืดจัง" แล้วไฟฉายจะเข้าใจวลีต่างๆ ที่มีคำว่า "มืด"

ตอนนี้วิธีที่เครื่องจักรต่างๆ สามารถเรียนรู้วิธีใหม่ๆ นั้นน่าสนใจ (และน่าตื่นเต้น) สุด ๆเมื่อเราพูดถึงดีพเลิร์นนิงและโครงข่ายประสาทเทียมต่าง ๆ

ดีพเลิร์นนิงคืออะไร

ดีพเลิร์นนิงเป็นส่วนย่อยของแมชชีนเลิร์นนิง ที่สร้างโครงสร้างของอัลกอริธึมเป็นหลายเลเยอร์เพื่อสร้าง "โครงข่ายประสาทเทียม" ที่เรียนรู้และสร้างการตัดสินใจได้เอง

ความแตกต่างระหว่างดีพเลิร์นนิงและแมชชีนเลิร์นนิง

ในเชิงปฏิบัติ ดีพเลิร์นนิงเป็นเพียงซับเซตของแมชชีนเลิร์นนิง อันที่จริง ดีพเลิร์นนิงก็คือแมชชีนเลิร์นนิง และทำหน้าที่ได้ใกล้เคียงกัน (จึงเป็นสาเหตุที่มีการใช้สองคำนี้สลับกันอยู่บ้าง) อย่างไรก็ตาม ความสามารถนั้นต่างกัน

แม้รูปแบบของแมชชีนเลิร์นนิงจะดีขึ้นเป็นลำดับไม่ว่าทำงานอะไรก็ตาม ยังต้องมีแนวทางอยู่บ้าง หากอัลกอริธึม AI มีการคาดคะเนที่ไม่แม่นยำ วิศวกรจะต้องเข้ามาจัดการปรับแต่ง ส่วนรูปแบบดีพเลิร์นนิงนั้น อัลกอริธึมจะตัดสินใจได้เองว่าการคาดคะเนแม่นยำหรือไม่ด้วยโครงข่ายระบบประสาทในตัวเอง

ทีนี้ กลับไปที่ตัวอย่างเรื่องไฟฉาย ไฟฉายอาจมีการตั้งโปรแกรมให้เปิดโดยจำคำสั่งรูปแบบเสียงเมื่อมีคนพูดว่า "มืด" เมื่อเรียนรู้ต่อไป สุดท้ายก็อาจเปิดไฟด้วยวลีใดก็ตามที่มีคำนั้น ทีนี้ ถ้าหากว่าไฟฉายนั้นมีรูปแบบดีพเลิร์นนิง ก็จะเปิดได้เองเมื่อมีคนพูดว่า “ฉันมองไม่เห็น” หรือ "สวิตช์ไฟไม่ทำงาน" ซึ่งอาจทำงานควบคู่กับเซนเซอร์สำหรับไฟส่องสว่าง รูปแบบดีพเลิร์นนิงนั้นสามารถเรียนรู้ได้ด้วยวิธีการคำนวณของระบบเอง เป็นกลไกราวกับว่ามีสมองของตัวเอง

ดีพเลิร์นนิงทำงานอย่างไร

รูปแบบดีพเลิร์นนิงผ่านการออกแบบเพื่อวิเคราะห์ข้อมูลอย่างต่อเนื่องตามโครงสร้างเชิงตรรกะ คล้ายกับการตัดสินใจของมนุษย์ เพื่อให้การตัดสินใจเกิดขึ้น การประยุกต์ใช้ดีพเลิร์นนิงอาศัยโครงสร้างลำดับชั้นของอัลกอริธึมที่เรียกว่าโครงข่ายระบบประสาทเทียม การออกแบบโครงข่ายประสาทเทียมนั้น ได้รับแรงบันดาลใจจากโครงข่ายประสาทของสมองมนุษย์ซึ่งนำไปสู่ขั้นตอนการเรียนรู้ซึ่งมีความสามารถเหนือกว่ารูปแบบแมชชีนเลิร์นนิงโดยทั่วไป

แต่ใช่ว่าจะรับรองว่าได้ว่าระบบดีพเลิร์นนิงคาดคะเนได้อย่างไม่ผิดพลาด เพราะต้องอาศัยการฝึกฝนมากมายจนกว่ากระบวนการเรียนรู้จะถูกต้อง ไม่ต่างจาก AI อื่นๆ ที่เคยเห็นเป็นตัวอย่าง แต่เมื่อทำได้อย่างที่ตั้งเป้าไว้ ดีพเลิร์นนิงที่ทำงานได้ถือเป็นดั่งความมหัศจรรย์ทางวิทยาศาสตร์ที่หลายคนยกให้เป็นดั่งกระดูกสันหลังของปัญญาประดิษฐ์โดยแท้จริง

ตัวอย่างสำคัญของดีพเลิร์นนิงก็คือ AlphaGo ของ Google Google ได้สร้างโปรแกรมคอมพิวเตอร์ที่มีโครงข่ายประสาทเทียมของตนเองที่สามารถเล่นเกมกระดานอย่างเช่นหมากล้อม ที่ทุกคนรู้กันดีว่าต้องอาศัยไหวพริบและการตัดสินใจที่เฉียบแหลม ในการเล่นหมากล้อมกับผู้เล่นมืออาชีพ ระบบดีพเลิร์นนิงของ AlphaGo เรียนรู้วิธีการเล่นในระดับที่ไม่เคยปรากฏมาก่อนในปัญญาประดิษฐ์ โดยไม่ต้องสั่งให้ขยับไปทิศทางใด ( ต่างจากแมชชีนเลิร์นนิงที่ต้องรับคำสั่ง) เหตุการณ์ดังกล่าวกลายเป็นเรื่องโด่งดังเมื่อ AlphaGo เอาชนะ "ผู้เล่นระดับมาสเตอร์" ที่ระดับโลก ซึ่งไม่ใช่แค่การที่จักรกลเข้าใจกลหมากที่ซับซ้อนและเสน่ห์ของหมากล้อมเท่านั้น แต่กลายเป็นหนึ่งในผู้เล่นที่ยิ่งใหญ่

คราวนี้ สรุปความแตกต่างระหว่างสองอย่างได้ดังนี้:

• แมชชีนเลิร์นนิงใช้อัลกอริธึมในการแจงส่วนข้อมูล เรียนรู้จากข้อมูล และตัดสินใจโดยใช้ข้อมูลที่ได้เรียนรู้มาประกอบ
• ดีพเลิร์นนิงนั้นมีโครงสร้างของอัลกอริธึมเป็นหลายเลเยอร์เพื่อสร้าง "โครงข่ายประสาทเทียม" ที่เรียนรู้และตัดสินใจอย่างชาญฉลาดได้ด้วยตัวเอง

• ดีพเลิร์นนิงนั้นเป็นสาขาย่อยของแมชชีนเลิร์นนิง ขณะที่ทั้งคู่ถูกจัดอยู่ในประเภทกว้างๆ ของปัญญาประดิษฐ์ แต่ดีพเลิร์นนิงเป็นสิ่งที่ขับเคลื่อนปัญญาประดิษฐ์ที่คล้ายมนุษย์มากที่สุด

ข้อมูลที่เป็นดั่งเชื้อเพลิงแห่งอนาคต

ในขณะที่ปริมาณของข้อมูลมหาศาลนั้นถูกผลิตขึ้นท่ามกลาง "ยุค Big Data" ในปัจจุบัน เราจะได้เห็นนวัตกรรมที่เกินหยั่งรู้ และมีแนวโน้มว่าจะเกิดขึ้นในสิบปีต่อจากนี้ จากคำบอกเล่าของบรรดาผู้เชี่ยวชาญ นวัตกรรมบางอย่างมีแนวโน้มว่าเป็นการประยุกต์ใช้ดีพเลิร์นนิง

Andrew Ng หัวหน้านักวิทยาศาตร์ของบริการค้นหาข้อมูลชั้นนำของจีนอย่าง Baidu และหนึ่งในผู้นำของ Google Brain Project ได้บอกเล่าเกี่ยวกับการอุปมาดีพเลิร์นนิงที่น่าสนใจไว้ในนิตยสาร Wired  "ผมคิดว่า AI นั้นเกี่ยวพันกับการสร้างจรวดอวกาศ คือคุณต้องการเครื่องยนต์ขนาดใหญ่ และเชื้อเพลิงปริมาณสูง" เขากล่าวกับนักข่าว Caleb Garling "ถ้าคุณมีเครื่องยนต์ใหญ่และเชื้อเพลิงนิดหน่อย ก็เข้าสู่วงโคจรไม่ได้ หากคุณมีเครื่องยนต์เล็กและเชื้อเพลงเป็นตัน แม้แต่จะลอยก็ยังไม่ได้เลย การสร้างจรวดนั้น คุณจำเป็นต้องมีเครื่องยนต์ใหญ่มโหฬารและเชื้อเพลิงปริมาณสูง"

"ให้เทียบกับดีพเลิร์นนิงก็คือ เครื่องยนต์จรวดเป็นดั่งรูปแบบดีพเลิร์นนิง และเชื้อเพลิงคือข้อมูลมหาศาลที่เราป้อนให้อัลกอริธึมเหล่านี้ได้"

 – Andrew Ng (ที่มา: Wired)

แล้วในแง่การบริการลูกค้า  แมชชีนเลิร์นนิงและดีพเลิร์นนิงมีความหมายอย่างไร

การประยุกต์ใช้ AI จำนวนมากในทุกวันนี้เพื่อการบริการลูกค้านั้น ใช้ประโยชน์จากอัลกอริธึมแมชชีนเลิร์นนิง โดยมีการนำไปใช้ในการผลักดันการบริการตนเอง เพิ่มประสิทธิภาพเอเจนต์ และทำให้เวิร์กโฟลว์น่าวางใจมากขึ้น

ข้อมูลที่ถูกป้อนให้อัลกอริธึมนั้นมาจากข้อมูลที่ไหลบ่าจากการติดต่อสอบถามจากลูกค้า ซึ่งรวมถึงบริบทที่เกี่ยวข้องกับปัญหาที่ลูกค้ากำลังเผชิญอยู่ จากการรวบรวมบริบทนั้นเข้ากับ AI จะนำไปสู่การคาดคะเนที่รวดเร็วและแม่นยำมากขึ้น ทำให้ปัญญาประดิษฐ์กลายเป็นโอกาสที่น่าตื่นเต้นสำหรับธุรกิจมากมาย โดยมีข้อสังเกตจากผู้นำอุตสาหกรรมว่าการนำ AI เชิงธุรกิจไปใช้จะเกิดประโยชน์ที่สุดต่อการบริการลูกค้า

และยิ่งดีพเลิร์นนิงได้รับการขัดเกลามากเท่าใด เราจะได้เห็นการประยุกต์ใช้ปัญญาประดิษฐ์ที่ล้ำหน้าในการบริการลูกค้ามากเท่านั้น ตัวอย่างที่สำคัญของ Zendesk ก็คือ Answer Bot ที่มีการนำรูปแบบดีพเลิร์นนิงมาสร้างความเข้าใจต่อบริบททิกเก็ตการช่วยเหลือและบริการ รวมทั้งเรียนรู้ว่าควรแนะนำบทความช่วยเหลือใดให้ลูกค้า