ຄອມພິວເຕີ້ບໍ່ໄດ້ຮັບເອົາແຕ່ພວກເຂົາກໍາລັງຮຽນຮູ້ຕະຫລາດທຸກໆມື້
ໃນເງື່ອນໄຂທີ່ງ່າຍດາຍ, ການຮຽນຮູ້ເຄື່ອງຈັກ (ML) ແມ່ນການຂຽນໂປລແກລມເຄື່ອງ (ຄອມພິວເຕີ) ເພື່ອໃຫ້ມັນສາມາດເຮັດວຽກທີ່ຕ້ອງການໄດ້ໂດຍການນໍາໃຊ້ແລະການວິເຄາະ ຂໍ້ມູນ (ຂໍ້ມູນ) ເພື່ອປະຕິບັດວຽກງານໂດຍຕົນເອງ ໂດຍບໍ່ມີຂໍ້ມູນສະເພາະໃດໆ ຈາກຜູ້ພັດທະນາມະນຸດ.
Machine Learning 101
ຄໍາສັບ "ການຮຽນຮູ້ເຄື່ອງ" ແມ່ນຖືກສ້າງຂື້ນໃນຫ້ອງທົດລອງ IBM ໃນປີ 1959 ໂດຍ Arthur Samuel, ຜູ້ບຸກເບີກໃນ ທາງປັນຍາປອມ (AI) ແລະເກມຄອມພິວເຕີ. ການຮຽນຮູ້ເຄື່ອງຈັກ, ເປັນຜົນມາຈາກ, ແມ່ນສາຂາຂອງ Artificial Intelligence. ການສະຫຼຸບຂອງຊາມູເອນແມ່ນເພື່ອປ່ຽນຮູບແບບຄອມພິວເຕີ້ຂອງເວລາທີ່ຂື້ນລົງແລະຢຸດໃຫ້ຄອມພິວເຕີສິ່ງທີ່ຈະຮຽນຮູ້.
ແທນທີ່ຈະ, ເຂົາຕ້ອງການຄອມພິວເຕີເພື່ອເລີ່ມຕົ້ນການຄິດໄລ່ສິ່ງທີ່ຕົນເອງ, ໂດຍບໍ່ມີການມະນຸດທີ່ຈະເອົາໃຈໃສ່ເຖິງຂໍ້ມູນຂ່າວສານທີ່ນ້ອຍທີ່ສຸດ. ຫຼັງຈາກນັ້ນ, ລາວຄິດວ່າ, ຄອມພິວເຕີຈະບໍ່ພຽງແຕ່ປະຕິບັດວຽກງານແຕ່ວ່າໃນທີ່ສຸດສາມາດຕັດສິນໃຈທີ່ວຽກງານທີ່ຈະປະຕິບັດແລະເວລາໃດ. ເປັນຫຍັງ? ດັ່ງນັ້ນຄອມພິວເຕີສາມາດຫຼຸດຜ່ອນຈໍານວນຂອງການເຮັດວຽກຂອງມະນຸດທີ່ຈໍາເປັນຕ້ອງໄດ້ປະຕິບັດຢູ່ໃນພື້ນທີ່ໃດຫນຶ່ງ.
ວິທີການຮຽນຮູ້ຂອງເຄື່ອງຈັກເຮັດວຽກ
ການຮຽນຮູ້ເຄື່ອງຈັກເຮັດວຽກຜ່ານການນໍາໃຊ້ສູດແລະຂໍ້ມູນ. ສູດວິທີການແມ່ນຄໍາແນະນໍາຫຼືຄໍາແນະນໍາທີ່ບອກຄອມພິວເຕີ້ຫຼືໂຄງການວິທີການເຮັດວຽກ. ສູດການນໍາໃຊ້ໃນ ML ເກັບກໍາຂໍ້ມູນ, ຮັບຮູ້ຮູບແບບຕ່າງໆ, ແລະການນໍາໃຊ້ການວິເຄາະຂໍ້ມູນທີ່ຈະປັບປຸງໂຄງການແລະຫນ້າທີ່ຂອງຕົນເອງເພື່ອເຮັດສໍາເລັດຫນ້າວຽກ.
ລະບົບປະຕິບັດການ ML ໃຊ້ລະບຽບກົດຫມາຍ, ຕົ້ນໄມ້ການຕັດສິນໃຈ, ຮູບແບບກາຟິກ, ການປຸງແຕ່ງພາສາທໍາມະຊາດແລະເຄືອຂ່າຍປະສາດ (ຊື່ບາງ) ເພື່ອອັດຕະໂນມັດຂໍ້ມູນການປຸງແຕ່ງເພື່ອຕັດສິນໃຈແລະປະຕິບັດວຽກ. ໃນຂະນະທີ່ ML ສາມາດເປັນຫົວຂໍ້ທີ່ສະລັບສັບຊ້ອນ, ເຄື່ອງ Teachable ຂອງ Google ສະຫນອງການສະແດງໃຫ້ເຫັນກ່ຽວກັບການເຮັດວຽກທີ່ງ່າຍດາຍໃນການເຮັດວຽກຂອງ ML.
ຮູບແບບທີ່ມີປະສິດທິພາບທີ່ສຸດຂອງການຮຽນຮູ້ເຄື່ອງທີ່ຖືກນໍາໃຊ້ໃນມື້ນີ້, ເອີ້ນວ່າ ການຮຽນຮູ້ເລິກ , ສ້າງໂຄງສ້າງຄະນິດສາດແບບສະລັບສັບຊ້ອນທີ່ເອີ້ນວ່າເຄືອຂ່າຍ neural, ອີງຕາມຂໍ້ມູນຈໍານວນຫຼວງຫຼາຍ. ເຄືອຂ່າຍ Neural ແມ່ນຊຸດຂອງລະບົບໃນ ML ແລະ AI ສ້າງແບບຈໍາລອງຫຼັງຈາກວິທີການເຊນເສັ້ນປະສາດໃນສະຫມອງຂອງມະນຸດແລະຂໍ້ມູນກ່ຽວກັບຂະບວນການລະບົບປະສາດ.
Artificial Intelligence vs Machine Learning vs Data Mining
ເພື່ອເຂົ້າໃຈດີກວ່າການພົວພັນລະຫວ່າງ AI, ML ແລະການຂຸດຄົ້ນຂໍ້ມູນ, ມັນເປັນປະໂຫຍດທີ່ຈະຄິດເຖິງຊຸດຂອງຖ້ວຍຂະຫນາດຕ່າງໆທີ່ແຕກຕ່າງກັນ. AI ແມ່ນ umbrella ທີ່ໃຫຍ່ທີ່ສຸດ. umbrella ML ແມ່ນຂະຫນາດນ້ອຍກວ່າແລະເຫມາະສົມພາຍໃຕ້ຖ້ວຍ AI. umbrella ຂຸດຄົ້ນຂໍ້ມູນແມ່ນນ້ອຍທີ່ສຸດແລະເຫມາະສົມພາຍໃຕ້ umbrella ML.
- AI ແມ່ນສາຂາຂອງວິທະຍາສາດຄອມພິວເຕີທີ່ມີຈຸດປະສົງໃນການນໍາໃຊ້ຄອມພິວເຕີເພື່ອປະຕິບັດຫນ້າວຽກໃນຫຼາຍວິທີທາງ "ທີ່ສະຫລາດ" ແລະ "ມະນຸດ", ໂດຍນໍາໃຊ້ວິທີການຄິດໄລ່ແລະການຕັດສິນໃຈທີ່ເປັນຮູບແບບຂອງປັນຍາຂອງມະນຸດ.
- ML ແມ່ນປະເພດຂອງຄອມພິວເຕີ້ພາຍໃນ AI ທີ່ເນັ້ນຫນັກໃສ່ເຄື່ອງຄອມພິວເຕີ້ (ຄອມພິວເຕີ້) ເພື່ອຮຽນຮູ້ (ເກັບກໍາຂໍ້ມູນທີ່ຈໍາເປັນຫຼືຕົວຢ່າງ) ເພື່ອເຮັດໃຫ້ການຕັດສິນໃຈທີ່ມີຂໍ້ມູນທີ່ຖືກຕ້ອງຕາມແບບອັດຕະໂນມັດ.
- ການຂຸດຄົ້ນຂໍ້ມູນການ ນໍາໃຊ້ສະຖິຕິ, ML, AI ແລະຂໍ້ມູນຖານຂໍ້ມູນຢ່າງຫຼວງຫຼາຍເພື່ອຊອກຫາຮູບແບບຕ່າງໆ, ໃຫ້ຂໍ້ມູນຄວາມເຂົ້າໃຈ, ສ້າງປະເພດ, ຊອກຫາບັນຫາແລະສົ່ງຂໍ້ມູນວິເຄາະຂໍ້ມູນ.
ສິ່ງທີ່ຮຽນຮູ້ຂອງເຄື່ອງສາມາດເຮັດໄດ້ (ແລະແລ້ວ)
ຄວາມສາມາດຂອງຄອມພິວເຕີໃນການວິເຄາະຂໍ້ມູນຈໍານວນຫຼວງຫຼາຍໃນແຕ່ລະສ່ວນທີສອງເຮັດໃຫ້ ML ມີປະໂຫຍດຫລາຍໃນອຸດສາຫະກໍາທີ່ມີເວລາແລະຄວາມຖືກຕ້ອງເປັນສິ່ງຈໍາເປັນ.
- ຢາ: ເຕັກໂນໂລຢີ ML ກໍາລັງຖືກປະຕິບັດຢູ່ໃນລະດັບຕ່າງໆສໍາລັບພາກວິຊາທາງດ້ານການແພດ, ລວມທັງການຊ່ວຍເຫຼືອຫມໍພະແນກສຸກເສີນທີ່ມີການບົ່ງມະຕິໄວຂຶ້ນຂອງຄົນເຈັບທີ່ມີອາການທີ່ຜິດປົກກະຕິ. ແພດສາມາດໃສ່ລາຍຊື່ຂອງອາການຂອງຄົນເຈັບເຂົ້າໃນໂຄງການແລະການນໍາໃຊ້ ML, ໂຄງການສາມາດຫລີກລ່ຽງການທົດແທນຄວາມຖີ່ຂອງ terabytes ຂໍ້ມູນຈາກປື້ມທາງການແພດແລະອິນເຕີເນັດເພື່ອສົ່ງຄືນລາຍຊື່ຂອງການກວດສອບແລະການທົດສອບຫຼືການປິ່ນປົວໃນເວລາບັນທຶກ.
- ການສຶກສາ: ML ຖືກນໍາໃຊ້ເພື່ອສ້າງເຄື່ອງມືການສຶກສາທີ່ເຫມາະສົມກັບຄວາມຕ້ອງການຂອງການຮຽນຮູ້ຂອງນັກຮຽນເຊັ່ນ: ການຊ່ວຍເຫຼືອດ້ານການຮຽນຮູ້ virtual ແລະປື້ມຮຽນເອເລັກໂຕຣນິກທີ່ມີການໂຕ້ຕອບຫຼາຍ. ເຄື່ອງມືເຫຼົ່ານີ້ໃຊ້ ML ເພື່ອຄົ້ນພົບແນວຄວາມຄິດແລະທັກສະທີ່ນັກຮຽນເຂົ້າໃຈນໍາໃຊ້ການສອບເສັງສັ້ນແລະການຝຶກປະຕິບັດ. ເຄື່ອງມືຫຼັງຈາກນັ້ນໃຫ້ວິດີໂອສັ້ນ, ຕົວຢ່າງເພີ່ມເຕີມແລະອຸປະກອນພື້ນຖານເພື່ອຊ່ວຍໃຫ້ນັກຮຽນຮຽນຮູ້ທັກສະຫຼືແນວຄວາມຄິດທີ່ຕ້ອງການ.
- ຍານພາຫະນະ: ML ຍັງເປັນສ່ວນປະກອບສໍາຄັນໃນຂົງເຂດທີ່ພົ້ນເດັ່ນຂື້ນຂອງລົດໃຫຍ່ທີ່ຂັບລົດຕົນເອງ (ທີ່ເອີ້ນວ່າລົດບໍ່ຂັບລົດຫລືລົດໃຫຍ່ເອງ). ຊອບແວທີ່ດໍາເນີນການຂັບລົດດ້ວຍຕົນເອງໃຊ້ ML ໃນລະຫວ່າງການທົດສອບທາງເສັ້ນທາງທີ່ແທ້ຈິງແລະ simulations ເພື່ອກວດເບິ່ງສະຖານະການຖະຫນົນຫົນທາງ (ເຊັ່ນຖະຫນົນຫົນທາງ icy) ຫຼືກໍານົດອຸປະສັກໃນຖະຫນົນແລະຮຽນຮູ້ການຂັບລົດທີ່ເຫມາະສົມເພື່ອນໍາສະຖານທີ່ດັ່ງກ່າວໄດ້ຢ່າງປອດໄພ.
ທ່ານອາດຈະພົບກັບ ML ຫຼາຍຄັ້ງໂດຍບໍ່ໄດ້ຮັບຮູ້ມັນ. ບາງສ່ວນຂອງການນໍາໃຊ້ເຕັກໂນໂລຢີ ML ຫຼາຍທີ່ສຸດແມ່ນການຮັບຮູ້ຄໍາເວົ້າທີ່ເປັນປະໂຫຍດ ( Samsung Bixby ຂອງ Samsung , Apple's Siri ແລະຫຼາຍໆໂຄງການສົນທະນາກັບໂຕທີ່ເປັນມາດຕະຖານໃນ PCs), ການກັ່ນຕອງ spam ສໍາລັບອີເມວຂອງທ່ານ, ການສ້າງຂ່າວສານຂ່າວສານ, ການກວດສອບການສໍ້ໂກງ, ຄໍາແນະນໍາການຊ້ອບປິ້ງແລະການສະຫນອງຜົນລັບການຄົ້ນຫາເວັບໄຊທ໌ທີ່ມີປະສິດທິພາບຫຼາຍ.
ML ເຖິງແມ່ນມີສ່ວນຮ່ວມໃນອາຫານ ເຟສບຸກ ຂອງທ່ານ. ເມື່ອທ່ານມັກຫຼືຄລິກໃສ່ຂໍ້ຄວາມຂອງຫມູ່ເພື່ອນເລື້ອຍໆ, ລະບົບແລະ ML ຢູ່ຫລັງສະແດງ "ຮຽນຮູ້" ຈາກການປະຕິບັດຂອງທ່ານໃນໄລຍະເວລາເພື່ອໃຫ້ຫມູ່ເພື່ອນຫຼືຫນ້າເວັບຕ່າງໆໃນ Newsfeed ຂອງທ່ານໄດ້ຮັບຄວາມນິຍົມ.
ການຮຽນຮູ້ຂອງເຄື່ອງຈັກບໍ່ສາມາດເຮັດໄດ້
ຢ່າງໃດກໍ່ຕາມ, ມີຂໍ້ຈໍາກັດຕໍ່ສິ່ງທີ່ ML ສາມາດເຮັດໄດ້. ຕົວຢ່າງເຊັ່ນການນໍາໃຊ້ເຕັກໂນໂລຢີ ML ໃນອຸດສາຫະກໍາຕ່າງໆຕ້ອງການຈໍານວນການພັດທະນາແລະການຂຽນໂປລແກລມໂດຍມະນຸດເພື່ອພິເສດໂຄງການຫຼືລະບົບສໍາລັບປະເພດຂອງຫນ້າວຽກທີ່ຕ້ອງການໂດຍອຸດສາຫະກໍານັ້ນ. ຕົວຢ່າງເຊັ່ນໃນຕົວຢ່າງດ້ານການແພດຂອງພວກເຮົາຂ້າງເທິງ, ໂຄງການ ML ທີ່ໃຊ້ໃນພະແນກສຸກເສີນໄດ້ພັດທະນາໂດຍສະເພາະສໍາລັບຢາປົວມະນຸດ. ມັນບໍ່ສາມາດນໍາໃຊ້ໂຄງການທີ່ແນ່ນອນໄດ້ແລະປະຕິບັດໂດຍກົງໃນສູນສຸກເສີນສັດຕະວະແພດ. ການຫັນປ່ຽນດັ່ງກ່າວຕ້ອງການຄວາມຊໍານານແລະການພັດທະນາຢ່າງກວ້າງຂວາງໂດຍຜູ້ຂຽນໂປລແກລມຂອງມະນຸດເພື່ອສ້າງສະບັບທີ່ສາມາດເຮັດວຽກນີ້ສໍາລັບຢາສັດຕະວະແພດຫຼືສັດ.
ມັນຍັງຮຽກຮ້ອງໃຫ້ມີຂໍ້ມູນແລະຕົວຢ່າງທີ່ຫນ້າປະຫລາດໃຈຫລາຍທີ່ຈະ "ຮຽນຮູ້" ຂໍ້ມູນທີ່ມັນຕ້ອງການເພື່ອຕັດສິນໃຈແລະປະຕິບັດວຽກງານ. ບັນດາໂຄງການ ML ຍັງມີຄວາມຫມາຍຫຼາຍໃນການຕີລາຄາຂໍ້ມູນແລະການຕໍ່ສູ້ກັບສັນຍາລັກແລະບາງປະເພດຂອງການພົວພັນພາຍໃນຜົນໄດ້ຮັບຂໍ້ມູນເຊັ່ນ: ສາເຫດແລະຜົນກະທົບ.
ຢ່າງໃດກໍ່ຕາມ, ຄວາມກ້າວຫນ້າຕໍ່ໄປແມ່ນເຮັດໃຫ້ ML ເພີ່ມເຕີມຂອງເຕັກໂນໂລຢີທີ່ສໍາຄັນສ້າງຄອມພິວເຕີທີ່ສະຫລາດທຸກໆມື້.