ນອກ ເໜືອ ຈາກ Hype: ຄວາມແຕກຕ່າງລະຫວ່າງປັນຍາທຽມ, ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ, ແລະການຮຽນແບບເລິກເຊິ່ງ

Artificial Intelligence (AI) ໄດ້ເຂົ້າສູ່ຊີວິດປະ ຈຳ ວັນຂອງພວກເຮົາດ້ວຍສຽງດັງ. ຈາກການຕະຫຼາດຈົນເຖິງຢາ, ທຸກໆທຸລະກິດແລະອຸດສາຫະ ກຳ ເບິ່ງຄືວ່າຈະໄດ້ຮັບຜົນກະທົບ. ບັນດາບໍລິສັດເຕັກໂນໂລຢີ ກຳ ລັງແຂ່ງຂັນເພື່ອຄວາມໂດດເດັ່ນໃນການແຂ່ງຂັນເພື່ອ ນຳ ພາຕະຫຼາດແລະໄດ້ຮັບທຸລະກິດ AI ທີ່ມີຫົວຄິດປະດິດສ້າງແລະມີຄວາມກ້າວ ໜ້າ ທີ່ສຸດ.

ທ່ານອາດຈະໃຊ້ AI ໃນຊີວິດປະ ຈຳ ວັນແລ້ວ, ໂດຍມີການ ນຳ ໃຊ້ຕ່າງໆເຊັ່ນການຮັບຮູ້ການປາກເວົ້າ, ການຊ່ວຍເຫຼືອເສີຍໆໃນໂທລະສັບສະຫຼາດຂອງທ່ານ, ລະບົບການແນະ ນຳ ຂອງເວບໄຊທ໌ຊ້ອບປິ້ງແລະການບໍລິການສະຕີມເພງຫລືວີດີໂອ, ຫລືແມ່ນແຕ່ເມື່ອທ່ານໄປຫາ ໝໍ ແລະລາວປຽບທຽບ X-Ray ຫຼືຮູບພາບທາງການແພດອື່ນໆທີ່ມີຂໍ້ມູນທາງການແພດອື່ນໆ.

ແລະຫຼັງຈາກນັ້ນມີ ຄຳ ສັບກ່ຽວກັບການຮຽນຮູ້ຂອງເຄື່ອງຈັກແລະການຮຽນຮູ້ເລິກເຊິ່ງເບິ່ງຄືວ່າສັບສົນກັບຫຼາຍໆຄົນ. ເກີນໄປມັກຈະຖືກ ນຳ ໃຊ້ເຊິ່ງກັນແລະກັນ, ແຕ່ເຖິງວ່າມັນມີຄວາມກ່ຽວຂ້ອງຢ່າງໃກ້ຊິດກັບກັນແລະກັນ, ແຕ່ມັນກໍ່ມີຄວາມ ໝາຍ ທີ່ແຕກຕ່າງກັນ. ສະນັ້ນ, ຄວາມແຕກຕ່າງກັນລະຫວ່າງ AI, ການຮຽນຮູ້ເຄື່ອງຈັກແລະການຮຽນແບບເລິກເຊິ່ງແມ່ນຫຍັງ?

ປັນຍາທຽມ

ໃນຄວາມ ໝາຍ ທີ່ກວ້າງທີ່ສຸດ, ອີງຕາມຜູ້ກໍ່ຕັ້ງຂອງມັນ, AI ແມ່ນວິທະຍາສາດແລະວິສະວະ ກຳ ແຫ່ງການຜະລິດເຄື່ອງອັດສະລິຍະ, ໂດຍສະເພາະໂປຣແກຣມຄອມພິວເຕີທີ່ສະຫຼາດ. ມັນແມ່ນວິທີການເຮັດໃຫ້ຄອມພີວເຕີ, ຫຸ່ນຍົນຄວບຄຸມດ້ວຍຄອມພີວເຕີ້ຫຼືຊອບແວທີ່ຄິດຢ່າງຊານສະຫລາດໃນແບບທີ່ຄ້າຍຄືກັບວິທີທີ່ມະນຸດຄິດໃນຂະນະທີ່ຂຸດຄົ້ນຄວາມໄວແລະພະລັງງານຂອງຄອມພີວເຕີຢ່າງຫຼວງຫຼາຍ.

ວິສະວະ ກຳ ຄວາມຮູ້ແມ່ນພາກສ່ວນຫຼັກຂອງການຄົ້ນຄວ້າ AI. ເຄື່ອງຈັກສາມາດເຮັດໄດ້ຄືກັບມະນຸດເທົ່ານັ້ນຖ້າພວກເຂົາມີຂໍ້ມູນທີ່ກ່ຽວຂ້ອງກັບໂລກ. ລົດທີ່ມີເອກະລາດສາມາດຂັບຂີ່ໄດ້ຢ່າງປອດໄພດ້ວຍຂໍ້ມູນພຽງພໍກ່ຽວກັບສະພາບແວດລ້ອມຂອງມັນ. ສູດການຄິດໄລ່ການຕັດສິນໃຈແມ່ນດີເທົ່າກັບຂໍ້ມູນການປ້ອນຂໍ້ມູນ.

ເວົ້າອີກຢ່າງ ໜຶ່ງ, ປັນຍາປະດິດຕ້ອງມີການເຂົ້າເຖິງວັດຖຸ, ປະເພດ, ຄຸນສົມບັດແລະການພົວພັນລະຫວ່າງພວກມັນທັງ ໝົດ ເພື່ອຈັດຕັ້ງປະຕິບັດວິສະວະ ກຳ ຄວາມຮູ້. ການລິເລີ່ມຄວາມຮູ້ທົ່ວໄປ, ການຫາເຫດຜົນແລະການແກ້ໄຂບັນຫາໃນເຄື່ອງຈັກແມ່ນວິທີການທີ່ຫຍຸ້ງຍາກແລະ ໜ້າ ເບື່ອຫນ່າຍ. ພວກເຮົາບໍ່ມີບ່ອນໃດຢູ່ໃກ້ກັບເຄື່ອງຈັກອັດສະລິຍະແທ້ໆ.

ການຮຽນຮູ້ເຄື່ອງຈັກ

ໃນຂະນະທີ່ປັນຍາທຽມໄດ້ກວມເອົາການຮຽນຮູ້ຂອງເຄື່ອງຈັກທັງ ໝົດ, ການຮຽນຮູ້ເຄື່ອງຈັກມີຄວາມ ໝາຍ ທີ່ແຄບກວ່າເກົ່າ, ຄື“ ຄວາມສາມາດໃນການຮຽນຮູ້ໂດຍບໍ່ໄດ້ຮັບການ ກຳ ນົດຢ່າງຊັດເຈນ.” ເຂົ້າໄປໃນຄອມພີວເຕີ້ແລະລໍຖ້າໃຫ້ພວກມັນມີຜົນໄດ້ຮັບ.

ການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນ AI ປະເພດ ໜຶ່ງ ທີ່ ອຳ ນວຍຄວາມສະດວກໃຫ້ແກ່ຄວາມສາມາດໃນການຮຽນຮູ້ຂອງຄອມພິວເຕີ້ແລະທີ່ ສຳ ຄັນສອນຕົວເອງໃຫ້ມີການພັດທະນາໃນຂະນະທີ່ມັນ ສຳ ຜັດກັບຂໍ້ມູນ ໃໝ່ ແລະປ່ຽນແປງຕະຫຼອດເວລາ. ຕົວຢ່າງ, ຂ່າວສານຂອງເຟສບຸກໃຊ້ການຮຽນຮູ້ຂອງເຄື່ອງຈັກເພື່ອຄວາມເປັນສ່ວນຕົວຂອງອາຫານຂອງແຕ່ລະຄົນໂດຍອີງຕາມສິ່ງທີ່ພວກເຂົາມັກ. ອົງປະກອບຫຼັກຂອງຊອບແວການຮຽນຮູ້ເຄື່ອງຈັກແບບດັ້ງເດີມແມ່ນການວິເຄາະທາງສະຖິຕິແລະການວິເຄາະທີ່ຄາດເດົາທີ່ໃຊ້ໃນການຄົ້ນຫາຮູບແບບແລະຊອກຫາຄວາມເຂົ້າໃຈທີ່ເຊື່ອງໄວ້ໂດຍອີງໃສ່ຂໍ້ມູນທີ່ສັງເກດຈາກການ ຄຳ ນວນທີ່ຜ່ານມາໂດຍບໍ່ໄດ້ມີການ ກຳ ນົດໂປແກຼມກ່ຽວກັບບ່ອນທີ່ຈະເບິ່ງ

ການຮຽນຮູ້ຂອງເຄື່ອງຈັກໄດ້ມີການພັດທະນາຢ່າງແທ້ຈິງໃນໄລຍະປີທີ່ຜ່ານມາໂດຍຄວາມສາມາດໃນການເລື່ອນຊັ້ນຂໍ້ມູນທີ່ສັບສົນ. ເຫຼົ່ານີ້ມັກຈະຖືກເອີ້ນວ່າ "ຂໍ້ມູນໃຫຍ່". ຫຼາຍຄົນອາດຈະແປກໃຈທີ່ຮູ້ວ່າພວກເຂົາພົບກັບ ຄຳ ຮ້ອງຮຽນກ່ຽວກັບເຄື່ອງຈັກໃນຊີວິດປະ ຈຳ ວັນຂອງພວກເຂົາໂດຍຜ່ານການບໍລິການຖ່າຍທອດສົດເຊັ່ນ Netflix ແລະສູດການຄິດໄລ່ສື່ສັງຄົມທີ່ແຈ້ງເຕືອນກ່ຽວກັບຫົວຂໍ້ທີ່ມີທ່າອ່ຽງຫຼື hashtags. ການສະກັດເອົາຄຸນລັກສະນະໃນການຮຽນຮູ້ເຄື່ອງຈັກຮຽກຮ້ອງໃຫ້ນັກຂຽນໂປແກຼມບອກຄອມພິວເຕີ້ວ່າມັນຄວນຊອກຫາສິ່ງໃດແດ່ເຊິ່ງຈະເປັນຮູບແບບໃນການຕັດສິນໃຈ, ເຊິ່ງສາມາດເປັນຂະບວນການທີ່ໃຊ້ເວລາໄດ້. ນີ້ຍັງສົ່ງຜົນໃຫ້ການຮຽນຮູ້ຂອງເຄື່ອງຈັກມີຄວາມຖືກຕ້ອງຫຼຸດລົງເນື່ອງຈາກອົງປະກອບຂອງຄວາມຜິດຂອງມະນຸດໃນລະຫວ່າງຂັ້ນຕອນການຂຽນໂປແກຼມ.

ການຮຽນຮູ້ເລິກເຊິ່ງ

ການຮຽນຮູ້ເລິກແມ່ນພື້ນທີ່ທີ່ນ້ອຍທີ່ສຸດຂອງການຄົ້ນຄວ້າການຮຽນຮູ້ເຄື່ອງຈັກ, ເຊິ່ງໄດ້ຖືກ ນຳ ສະ ເໜີ ດ້ວຍຈຸດປະສົງຂອງການເຄື່ອນຍ້າຍການຮຽນຮູ້ຂອງເຄື່ອງຈັກໃກ້ກັບປັນຍາປະດິດ.

ມັນກ່ຽວຂ້ອງກັບການສຶກສາກ່ຽວກັບ 'ເຄືອຂ່າຍ neural ທີ່ເລິກເຊິ່ງ' ໃນສະ ໝອງ ຂອງມະນຸດແລະພາຍໃຕ້ທັດສະນະດັ່ງກ່າວ, ການຮຽນຮູ້ເລິກພະຍາຍາມເຮັດຕາມ ໜ້າ ທີ່ຂອງຊັ້ນໃນຂອງສະ ໝອງ ຂອງມະນຸດ, ສ້າງຄວາມຮູ້ຈາກຫຼາຍຂັ້ນຕອນຂອງການປະມວນຜົນຂໍ້ມູນຂ່າວສານ. ເນື່ອງຈາກວ່າເຕັກໂນໂລຢີການຮຽນຮູ້ເລິກແມ່ນໄດ້ເອົາແບບຢ່າງຫຼັງຈາກສະ ໝອງ ຂອງມະນຸດ, ແຕ່ລະຄັ້ງທີ່ມີຂໍ້ມູນ ໃໝ່ ເຂົ້າມາ, ຄວາມສາມາດຂອງມັນຈະດີຂື້ນ.

ພາຍໃຕ້ຕົວຢ່າງການຮຽນຮູ້ທີ່ເລິກເຊິ່ງ, ໂດຍພື້ນຖານແລ້ວເຄື່ອງໄດ້ຖືກ 'ຝຶກອົບຮົມ' ໂດຍໃຊ້ຂໍ້ມູນແລະສູດການຄິດໄລ່ຫຼາຍເພື່ອໃຫ້ມັນມີຄວາມສາມາດໃນການຮຽນຮູ້ວິທີການປະຕິບັດວຽກງານ. ຂໍ້ມູນນີ້ໄດ້ຖືກປ້ອນຜ່ານເຄືອຂ່າຍ neural ເຊິ່ງຖາມຊຸດຂອງ ຄຳ ຖາມທີ່ບໍ່ຖືກຕ້ອງ / ຖານສອງຄູ່ຫລືຄ່າຕົວເລກ, ຂອງທຸກໆຂໍ້ມູນທີ່ສົ່ງຜ່ານພວກມັນແລະຈັດແບ່ງປະເພດຕາມ ຄຳ ຕອບທີ່ໄດ້ຮັບ. ໃນມື້ນີ້, ການຮັບຮູ້ຮູບພາບໂດຍເຄື່ອງທີ່ໄດ້ຮັບການຝຶກອົບຮົມຜ່ານການຮຽນຮູ້ເລິກແມ່ນໃຊ້ໃນການຝຶກອົບຮົມຫຸ່ນຍົນແລະພາຫະນະທີ່ເປັນເອກະລາດ, ໃນທາງການແພດເພື່ອ ກຳ ນົດເຄື່ອງ ໝາຍ ພະຍາດແລະຮູບພາບທຸກປະເພດ.

ບາງຄັ້ງທີ່ຜ່ານມາ AlphaGo ຂອງ Google ໄດ້ຮຽນຮູ້ເກມໃນຊົ່ວໂມງໂດຍການຫຼີ້ນກັບຕົວເອງຫຼາຍເທື່ອແລະຫຼາຍເທື່ອ. ຄວາມສາມາດໃນການຮຽນຮູ້ທີ່ບໍ່ມີການຄວບຄຸມແລະໄວກວ່ານີ້ແມ່ນກຸນແຈ ສຳ ຄັນຂອງການສົນທະນາໃນປະຈຸບັນຫຼາຍກວ່າການຮຽນເລິກ. ແຕ່ເຕັກໂນໂລຢີການປະຕິວັດຕໍ່ໄປບໍ່ໄກ.