94ab679d2a
|
||
|---|---|---|
| .. | ||
| README.md | ||
| assignment.md | ||
README.md
ภาพโดย Dmitry Soshnikov
เมื่อเวลาผ่านไป ทรัพยากรการประมวลผลมีราคาถูกลง และข้อมูลมีจำนวนมากขึ้น วิธีการที่ใช้เครือข่ายประสาทเทียม (Neural Networks) เริ่มแสดงประสิทธิภาพที่ยอดเยี่ยมในการแข่งขันกับมนุษย์ในหลายด้าน เช่น การมองเห็นด้วยคอมพิวเตอร์ (Computer Vision) หรือการเข้าใจเสียงพูด ในช่วงทศวรรษที่ผ่านมา คำว่า ปัญญาประดิษฐ์ (Artificial Intelligence) มักถูกใช้เป็นคำพ้องความหมายกับเครือข่ายประสาทเทียม เพราะความสำเร็จส่วนใหญ่ของ AI ที่เราได้ยินในปัจจุบันล้วนมาจากเทคโนโลยีนี้
เราสามารถสังเกตเห็นการเปลี่ยนแปลงของวิธีการ เช่น ในการสร้างโปรแกรมคอมพิวเตอร์ที่เล่นหมากรุก:
- โปรแกรมหมากรุกในยุคแรกอาศัยการค้นหา (Search) โดยโปรแกรมจะพยายามประเมินการเดินหมากของคู่ต่อสู้ในจำนวนก้าวถัดไปที่กำหนด และเลือกการเดินหมากที่เหมาะสมที่สุดโดยพิจารณาจากตำแหน่งที่ดีที่สุดที่สามารถทำได้ในไม่กี่ก้าว วิธีนี้นำไปสู่การพัฒนาอัลกอริธึมการค้นหาแบบ alpha-beta pruning
- กลยุทธ์การค้นหาทำงานได้ดีในช่วงท้ายเกมที่พื้นที่การค้นหาถูกจำกัดด้วยจำนวนการเดินหมากที่เป็นไปได้ที่น้อยลง อย่างไรก็ตาม ในช่วงต้นเกม พื้นที่การค้นหามีขนาดใหญ่มาก และอัลกอริธึมสามารถปรับปรุงได้โดยการเรียนรู้จากเกมที่มีอยู่ระหว่างผู้เล่นมนุษย์ การทดลองในภายหลังใช้วิธีที่เรียกว่า case-based reasoning ซึ่งโปรแกรมจะค้นหากรณีในฐานข้อมูลที่คล้ายกับตำแหน่งปัจจุบันในเกม
- โปรแกรมสมัยใหม่ที่สามารถเอาชนะผู้เล่นมนุษย์ได้ใช้เครือข่ายประสาทเทียมและ การเรียนรู้แบบเสริมกำลัง (Reinforcement Learning) โดยโปรแกรมเรียนรู้การเล่นจากการเล่นกับตัวเองเป็นเวลานานและเรียนรู้จากความผิดพลาดของตัวเอง ซึ่งคล้ายกับวิธีที่มนุษย์เรียนรู้การเล่นหมากรุก อย่างไรก็ตาม โปรแกรมคอมพิวเตอร์สามารถเล่นเกมได้มากกว่าในเวลาที่น้อยกว่า และจึงสามารถเรียนรู้ได้เร็วกว่า
✅ ลองค้นคว้าเกี่ยวกับเกมอื่น ๆ ที่ AI เคยเล่นและประสบความสำเร็จ
ในทำนองเดียวกัน เราสามารถเห็นการเปลี่ยนแปลงของวิธีการสร้างโปรแกรมที่ "พูดได้" (ที่อาจผ่านการทดสอบทัวริง) ดังนี้:
- โปรแกรมในยุคแรก เช่น Eliza อาศัยกฎไวยากรณ์ที่เรียบง่ายและการเปลี่ยนประโยคที่ป้อนเข้าไปเป็นคำถาม
- ผู้ช่วยสมัยใหม่ เช่น Cortana, Siri หรือ Google Assistant เป็นระบบแบบไฮบริดที่ใช้เครือข่ายประสาทเทียมในการแปลงเสียงพูดเป็นข้อความและระบุเจตนาของผู้ใช้ จากนั้นใช้การให้เหตุผลหรืออัลกอริธึมที่ชัดเจนเพื่อดำเนินการตามที่ต้องการ
- ในอนาคต เราอาจคาดหวังโมเดลที่ใช้เครือข่ายประสาทเทียมทั้งหมดในการจัดการบทสนทนาได้ด้วยตัวเอง เครือข่ายประสาทเทียมตระกูล GPT และ Turing-NLG ล่าสุดแสดงให้เห็นถึงความสำเร็จที่ยอดเยี่ยมในด้านนี้
ภาพโดย Dmitry Soshnikov, ภาพถ่าย โดย Marina Abrosimova, Unsplash
งานวิจัย AI ล่าสุด
การเติบโตอย่างมหาศาลของงานวิจัยเกี่ยวกับ Neural Network เริ่มต้นขึ้นราวปี 2010 เมื่อชุดข้อมูลสาธารณะขนาดใหญ่เริ่มมีให้ใช้งาน หนึ่งในชุดข้อมูลที่สำคัญคือ ImageNet ซึ่งเป็นชุดข้อมูลภาพที่มีการใส่คำอธิบายไว้ประมาณ 14 ล้านภาพ และได้ก่อให้เกิดการแข่งขัน ImageNet Large Scale Visual Recognition Challenge
ภาพโดย Dmitry Soshnikov
ในปี 2012 Convolutional Neural Networks ถูกนำมาใช้ครั้งแรกในงานการจำแนกภาพ ซึ่งทำให้ข้อผิดพลาดในการจำแนกลดลงอย่างมาก (จากเกือบ 30% เหลือ 16.4%) ในปี 2015 สถาปัตยกรรม ResNet จาก Microsoft Research ประสบความสำเร็จในระดับความแม่นยำเทียบเท่ามนุษย์
ตั้งแต่นั้นมา Neural Networks ได้แสดงให้เห็นถึงความสำเร็จอย่างมากในหลายงาน:
| ปี | ความสำเร็จเทียบเท่ามนุษย์ |
|---|---|
| 2015 | การจำแนกภาพ |
| 2016 | การรู้จำเสียงพูดสนทนา |
| 2018 | การแปลภาษาอัตโนมัติ (จีนเป็นอังกฤษ) |
| 2020 | การสร้างคำบรรยายภาพ |
ในช่วงไม่กี่ปีที่ผ่านมา เราได้เห็นความสำเร็จอย่างยิ่งใหญ่ของโมเดลภาษาขนาดใหญ่ เช่น BERT และ GPT-3 สิ่งนี้เกิดขึ้นได้ส่วนใหญ่เนื่องจากมีข้อมูลข้อความทั่วไปจำนวนมากที่ช่วยให้เราสามารถฝึกโมเดลเพื่อจับโครงสร้างและความหมายของข้อความ ฝึกโมเดลเบื้องต้นด้วยชุดข้อความทั่วไป และจากนั้นจึงปรับแต่งโมเดลเหล่านั้นให้เหมาะสมกับงานเฉพาะ เราจะเรียนรู้เพิ่มเติมเกี่ยวกับ การประมวลผลภาษาธรรมชาติ ในบทเรียนต่อไปของคอร์สนี้
🚀 ความท้าทาย
สำรวจอินเทอร์เน็ตเพื่อค้นหาว่าในความเห็นของคุณ AI ถูกใช้งานได้อย่างมีประสิทธิภาพที่สุดในที่ใด เช่น แอปแผนที่ บริการแปลงเสียงเป็นข้อความ หรือวิดีโอเกม? ศึกษาว่าระบบนั้นถูกสร้างขึ้นมาอย่างไร
แบบทดสอบหลังบทเรียน
ทบทวนและศึกษาด้วยตนเอง
ทบทวนประวัติศาสตร์ของ AI และ ML โดยอ่านผ่าน บทเรียนนี้ เลือกองค์ประกอบหนึ่งจากภาพสเก็ตช์โน้ตที่อยู่ด้านบนของบทเรียนนั้นหรือบทเรียนนี้ และศึกษามันในเชิงลึกเพื่อทำความเข้าใจบริบททางวัฒนธรรมที่มีผลต่อการพัฒนาของมัน
งานที่ต้องทำ: Game Jam
ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่แม่นยำ เอกสารต้นฉบับในภาษาต้นทางควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามนุษย์มืออาชีพ เราจะไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดซึ่งเกิดจากการใช้การแปลนี้