การเรียนรู้ของเครื่อง: การสอนเครื่องให้เรียนรู้จากมนุษย์

• เขียนโดย:
• ชื่อผู้เขียน

  มองการณ์ไกลควอนตัมรัน
• September 1, 2022

สรุปข้อมูลเชิงลึก

การเรียนรู้ของเครื่อง (ML) ฝึกฝนซอฟต์แวร์ให้พัฒนาโดยการวิเคราะห์ข้อมูลจำนวนมหาศาล ซึ่งนำไปสู่การใช้งานในหลากหลายสาขา แบ่งออกเป็นสองประเภท: ภายใต้การดูแล ซึ่งคอมพิวเตอร์เรียนรู้จากข้อมูลที่ติดป้ายกำกับ และแบบไม่อยู่ภายใต้การดูแล ซึ่งคอมพิวเตอร์จะค้นหารูปแบบของข้อมูลโดยไม่มีผลลัพธ์ที่เฉพาะเจาะจง เทคโนโลยีเหล่านี้ไม่เพียงแต่เพิ่มประสิทธิภาพในภาคส่วนต่างๆ แต่ยังขับเคลื่อนโซลูชันที่เป็นนวัตกรรม เช่น ในด้านเนื้องอกวิทยาเชิงคาดการณ์ และความปลอดภัยของเครือข่าย

บริบทการเรียนรู้ของเครื่อง

การเรียนรู้ของเครื่องได้เปิดใช้งานเทคโนโลยีที่ทรงพลังที่สุดที่มีอยู่ในปัจจุบัน โดยอนุญาตให้ซอฟต์แวร์และเครื่องมือดิจิทัลได้รับการฝึกอบรมและก้าวหน้าเมื่อเวลาผ่านไป ML มุ่งเน้นไปที่การออกแบบและพัฒนาอัลกอริธึมที่ช่วยให้คอมพิวเตอร์วิเคราะห์ข้อมูลปริมาณมาก (ข้อมูลขนาดใหญ่) และเรียนรู้จากข้อมูลนั้น แอปพลิเคชันของ ML เพิ่มขึ้นเนื่องจากความพร้อมใช้งานของข้อมูลขนาดใหญ่และพลังการคำนวณของฮาร์ดแวร์การประมวลผลที่ปรับปรุงอย่างต่อเนื่อง 

แมชชีนเลิร์นนิงที่โดดเด่นมีสองประเภท: มีการควบคุมดูแลและไม่อยู่ภายใต้การดูแล ในการเรียนรู้ภายใต้การดูแล คอมพิวเตอร์จะได้รับการจัดสรรชุดข้อมูลการฝึกอบรม และหน้าที่ของคอมพิวเตอร์คือการเรียนรู้แบบจำลองที่สามารถใช้สร้างการคาดคะเนข้อมูลใหม่ได้ แมชชีนเลิร์นนิงประเภทนี้ต้องการการติดป้ายกำกับข้อมูล ซึ่งหมายความว่ามีเอาต์พุตที่ทราบสำหรับแต่ละอินพุต ในการเรียนรู้แบบไม่มีผู้ดูแล คอมพิวเตอร์จะได้รับชุดข้อมูลแต่ไม่ได้รับคำแนะนำเกี่ยวกับผลลัพธ์ งานของคอมพิวเตอร์คือการค้นหาโครงสร้างหรือรูปแบบในข้อมูล วิธีการแบบหลังนี้เป็นจุดที่ ML โดดเด่นอย่างแท้จริงโดยอนุญาตให้คอมพิวเตอร์วิเคราะห์ข้อมูลในช่วงเวลาหนึ่งและระบุพฤติกรรมที่เกิดขึ้นใหม่หรือการดำเนินการที่อาจเกิดขึ้นได้

จากการสำรวจในปี 2021 จากบริษัทที่ปรึกษา PwC พบว่า 86% ของผู้ตอบแบบสอบถามระบุว่าบริษัทของตนใช้เทคโนโลยี AI อย่างหนัก อันที่จริง ในช่วงการระบาดของ COVID-19 เครื่องมือ AI/ML พิสูจน์แล้วว่าเป็นประโยชน์อย่างมาก และผู้ตอบแบบสำรวจ PwC มากกว่าครึ่งวางแผนที่จะเร่งแผนการปรับใช้ AI/ML 

ผลกระทบก่อกวน

แมชชีนเลิร์นนิงสามารถจัดระเบียบและจัดหมวดหมู่ฐานข้อมูลขนาดใหญ่ได้อย่างรวดเร็วในช่วงเวลาที่ขยายออกไป เพื่อให้อัลกอริทึมสามารถสแกนและวิเคราะห์ข้อมูลต่อไปได้ทุกชั่วโมงของวัน นอกจากนี้ แมชชีนเลิร์นนิงยังปรับปรุงด้วยการเปิดเผยข้อมูลและงานซ้ำๆ ตัวอย่างเช่น ในด้านเนื้องอกวิทยาเชิงพยากรณ์ ML สามารถสแกนฐานข้อมูลผู้ป่วยหลายพันชนิด เนื้องอกหลายร้อยชนิด และมะเร็งกว่า 20 ชนิด อัลกอริธึมการเรียนรู้ของเครื่องสามารถเปรียบเทียบยาที่เป็นไปได้โดยพิจารณาจากผลลัพธ์ในชีวิตจริง ข้อมูลนี้ช่วยให้นักวิจัยและผู้เชี่ยวชาญด้านเนื้องอกวิทยาสามารถเข้าถึงข้อมูลอ้างอิงโดยละเอียดของการรักษาที่เหมาะสมที่สุดตามเงื่อนไขต่างๆ 

ในทำนองเดียวกัน แมชชีนเลิร์นนิงอาจมีแอปพลิเคชันที่กว้างขวาง ตัวอย่างเช่น AI/ML อาจช่วยตรวจสอบความปลอดภัยเครือข่ายขององค์กร เทคโนโลยีนี้อาจสแกนอุปกรณ์ที่เชื่อมต่ออย่างรวดเร็วเพื่อระบุและระบุความเสี่ยงก่อนที่จะใช้ประโยชน์จากองค์กร 

ML อาจลดต้นทุนและเวลาให้กับองค์กรโดยทำให้ขั้นตอนต่างๆ เป็นอัตโนมัติและระบุของเสียในห่วงโซ่อุปทาน จากการสำรวจของ PwC พบว่า 75 เปอร์เซ็นต์ของทีมผู้บริหารใช้ AI เพื่อสร้างกลยุทธ์ทางธุรกิจที่ขับเคลื่อนด้วยข้อมูล นอกจากนี้ 75 เปอร์เซ็นต์ของบริษัทที่ใช้โซลูชัน AI กล่าวว่าพวกเขาสามารถสร้างสรรค์และปรับปรุงผลิตภัณฑ์และบริการของตนต่อไปเพื่อให้เหมาะกับความต้องการของลูกค้า จากข้อมูลของ Nasdaq ตลาด AI/ML คาดว่าจะเติบโต 20 หมื่นล้านดอลลาร์สหรัฐในช่วงปี 2021 ถึง 2025

ความหมายของแมชชีนเลิร์นนิง

นัยที่กว้างขึ้นของการเรียนรู้ของเครื่องอาจรวมถึง: 

• การเร่งพัฒนายาและวัคซีน ส่งผลให้การรักษาพยาบาลรวดเร็วยิ่งขึ้น
• การวินิจฉัยอัตโนมัติ การดูแลผู้ป่วย และการจัดการการรักษา ช่วยเพิ่มผลลัพธ์และประสิทธิภาพของผู้ป่วย
• กลยุทธ์การโฆษณาที่ได้รับการขัดเกลาและผลิตภัณฑ์และบริการที่ปรับแต่งมาอย่างดี ช่วยเพิ่มการมีส่วนร่วมและความพึงพอใจของผู้บริโภค
• ระบบอัตโนมัติของสินค้าคงคลังและห่วงโซ่อุปทาน นำไปสู่การปรับปรุงประสิทธิภาพและการลดต้นทุน
• ผู้ผลิตรถยนต์บูรณาการ AI/ML ในรถยนต์ที่ขับเคลื่อนด้วยตนเอง ช่วยลดอัตราการเกิดอุบัติเหตุและปรับปรุงความปลอดภัยทางถนนได้อย่างมาก
• สถาบันการเงินใช้ ML ในการตรวจจับการฉ้อโกงและการจัดการความเสี่ยง ช่วยลดกรณีการฉ้อโกงทางการเงินได้อย่างมาก และเพิ่มความปลอดภัยของลูกค้า
• ประสบการณ์การเรียนรู้ส่วนบุคคล ส่งผลให้ผลลัพธ์ทางการศึกษาดีขึ้นและลดช่องว่างการเรียนรู้
• การวิเคราะห์เชิงคาดการณ์ในการจัดการสินค้าคงคลัง นำไปสู่การเพิ่มประสิทธิภาพระดับสินค้าคงคลังและลดของเสีย
• รัฐบาลนำแมชชีนเลิร์นนิงไปใช้ในการวางผังเมืองและบริการสาธารณะ ส่งผลให้การจัดการเมืองมีประสิทธิภาพและตอบสนองมากขึ้น
• การเพิ่มประสิทธิภาพพลังงานทดแทน ซึ่งช่วยลดการปล่อยก๊าซคาร์บอนและความก้าวหน้าไปสู่เป้าหมายด้านพลังงานที่ยั่งยืน

คำถามที่ต้องพิจารณา

• อะไรคือความเสี่ยงที่อาจเกิดขึ้นในการเรียนรู้ของเครื่อง
• คุณคิดว่าเทคโนโลยีนี้จะเปลี่ยนแปลงวิธีที่สังคมหรืออุตสาหกรรมประมวลผลข้อมูลได้อย่างไร