ตั้งแต่ผู้ชนะ Jeopardyและผู้เชี่ยวชาญ Go ไปจนถึง เว็บสล็อต การสร้างโปรไฟล์ทางเชื้อชาติที่เกี่ยวข้องกับการโฆษณาที่น่าอับอายดูเหมือนว่าเราจะเข้าสู่ยุคที่การพัฒนาปัญญาประดิษฐ์กำลังเร่งตัวขึ้นอย่างรวดเร็ว แต่สิ่งมีชีวิตที่มีความรู้สึกครบถ้วนซึ่ง “สมอง” อิเล็กทรอนิกส์สามารถมีส่วนร่วมในงานด้านความรู้ความเข้าใจที่ซับซ้อนได้อย่างเต็มที่โดยใช้วิจารณญาณที่ยุติธรรมซึ่งยังคงอยู่เหนือความสามารถของเราในขณะนี้
น่าเสียดายที่การพัฒนาในปัจจุบันทำให้เกิดความกลัวว่าปัญญาประดิษฐ์จะกลายเป็นอะไรในอนาคต การเป็นตัวแทนในวัฒนธรรมป๊อปเมื่อเร็ว ๆ นี้แสดงให้เห็นว่าเราระมัดระวังและมองโลกในแง่ร้ายเพียงใดเกี่ยวกับเทคโนโลยี ปัญหาของความกลัวคือมันอาจทำให้หมดอำนาจและบางครั้งส่งเสริมความเขลา
การเรียนรู้การทำงานภายในของปัญญาประดิษฐ์เป็นยาแก้พิษสำหรับความกังวลเหล่านี้ และความรู้นี้สามารถอำนวยความสะดวกทั้งการมีส่วนร่วมอย่างรับผิดชอบและไร้กังวล
รากฐานหลักของปัญญาประดิษฐ์มีรากฐานมาจากการเรียนรู้ของเครื่อง ซึ่งเป็นเครื่องมือที่สวยงามและเข้าถึงได้อย่างกว้างขวาง แต่เพื่อให้เข้าใจว่าแมชชีนเลิร์นนิงหมายถึงอะไร ก่อนอื่นเราต้องตรวจสอบว่าข้อดีของศักยภาพมีมากกว่าข้อเสียอย่างไร
ข้อมูลคือกุญแจสำคัญ
พูดง่ายๆ ก็คือ แมชชีนเลิร์นนิงหมายถึงการสอนคอมพิวเตอร์ถึงวิธีวิเคราะห์ข้อมูลเพื่อแก้ปัญหาเฉพาะเรื่องผ่านอัลกอริธึม สำหรับการรู้จำลายมือตัวอย่างเช่น อัลกอริธึมการจำแนกประเภทจะใช้เพื่อแยกความแตกต่างของตัวอักษรตามลายมือของบุคคล ในทางกลับกัน ชุดข้อมูลที่อยู่อาศัยใช้อัลกอริธึมการถดถอยเพื่อประเมินราคาขายของทรัพย์สินที่กำหนดด้วยวิธีเชิงปริมาณ
เครื่องจะพูดอะไรกับเรื่องนี้? Jonathan Khoo / Flickr , CC BY-NC-ND
แมชชีนเลิร์นนิงก็ลงมาที่ข้อมูล เกือบทุกองค์กรสร้างข้อมูลไม่ทางใดก็ทางหนึ่ง: คิดวิจัยตลาด โซเชียลมีเดีย สำรวจโรงเรียน ระบบอัตโนมัติ แอปพลิเคชันการเรียนรู้ของเครื่องพยายามค้นหารูปแบบที่ซ่อนอยู่และความสัมพันธ์ในชุดข้อมูลขนาดใหญ่ที่วุ่นวายเพื่อพัฒนาแบบจำลองที่สามารถคาดการณ์พฤติกรรมได้
ข้อมูลมีสององค์ประกอบหลัก – ตัวอย่างและคุณสมบัติ อดีตแสดงถึงองค์ประกอบส่วนบุคคลในกลุ่ม จำนวนหลังมีลักษณะร่วมกันโดยพวกเขา
ดูโซเชียลมีเดียเป็นตัวอย่าง: ผู้ใช้คือกลุ่มตัวอย่าง และสามารถแปลการใช้งานเป็นคุณสมบัติได้ ตัวอย่างเช่น Facebook ใช้กิจกรรม “ชอบ” ในแง่มุมต่างๆ ซึ่งเปลี่ยนจากผู้ใช้เป็นผู้ใช้ เป็นคุณลักษณะที่สำคัญสำหรับการโฆษณาที่กำหนดเป้าหมายผู้ใช้
เพื่อนบน Facebook สามารถใช้เป็นตัวอย่างได้ ในขณะที่การเชื่อมต่อของพวกเขากับผู้อื่นทำหน้าที่เป็นคุณลักษณะ เพื่อสร้างเครือข่ายที่สามารถศึกษาการเผยแพร่ข้อมูลได้
เครือข่ายเพื่อน Facebook ของฉัน: แต่ละโหนดคือเพื่อนที่อาจหรืออาจจะไม่เชื่อมต่อกับเพื่อนคนอื่น ยิ่งโหนดมีขนาดใหญ่เท่าใด ก็ยิ่งมีการเชื่อมต่อมากขึ้นเท่านั้น สีที่คล้ายคลึงกันบ่งบอกถึงวงสังคมที่คล้ายคลึงกัน https://lostcircles.com/
นอกโซเชียลมีเดีย ระบบอัตโนมัติที่ใช้ในกระบวนการทางอุตสาหกรรมเป็นเครื่องมือตรวจสอบใช้สแนปชอตเวลาของกระบวนการทั้งหมดเป็นตัวอย่าง และการวัดเซ็นเซอร์ในช่วงเวลาหนึ่งเป็นคุณสมบัติ ซึ่งช่วยให้ระบบสามารถตรวจจับความผิดปกติในกระบวนการได้แบบเรียลไทม์
โซลูชันที่แตกต่างกันทั้งหมดเหล่านี้อาศัยการป้อนข้อมูลไปยังเครื่องและการสอนให้บรรลุการคาดการณ์ของตนเองเมื่อพวกเขาได้ประเมินข้อมูลที่ได้รับอย่างมีกลยุทธ์แล้ว และนี่คือการเรียนรู้ของเครื่อง
ความฉลาดของมนุษย์เป็นจุดเริ่มต้น
ข้อมูลใดๆ สามารถแปลเป็นแนวคิดง่ายๆ เหล่านี้ได้ และแอปพลิเคชันการเรียนรู้ด้วยเครื่องใดๆ รวมถึงปัญญาประดิษฐ์ ก็ใช้แนวคิดเหล่านี้เป็นส่วนประกอบสำคัญ
เมื่อเข้าใจข้อมูลแล้ว ก็ถึงเวลาตัดสินใจว่าจะทำอย่างไรกับข้อมูลนี้ แอปพลิเคชันทั่วไปและใช้งานง่ายที่สุดของการเรียนรู้ของเครื่องคือการจำแนกประเภท ระบบจะเรียนรู้วิธีใส่ข้อมูลลงในกลุ่มต่างๆ ตามชุดข้อมูลอ้างอิง
สิ่งนี้เกี่ยวข้องโดยตรงกับประเภทของการตัดสินใจที่เราทำทุกวัน ไม่ว่าจะเป็นการจัดกลุ่มผลิตภัณฑ์ที่คล้ายคลึงกัน (เช่น ของใช้ในครัวเทียบกับผลิตภัณฑ์เพื่อความงาม) หรือการเลือกภาพยนตร์ที่ดีที่จะรับชมตามประสบการณ์ที่ผ่านมา แม้ว่าทั้งสองตัวอย่างนี้อาจดูเหมือนไม่เชื่อมต่อกันโดยสิ้นเชิง แต่ก็อาศัยสมมติฐานที่สำคัญของการจัดหมวดหมู่: การคาดคะเนที่กำหนดเป็นหมวดหมู่ที่มีรากฐานมั่นคง
ตัวอย่างเช่น เมื่อหยิบขวดมอยส์เจอไรเซอร์ขึ้นมา เราใช้รายการคุณสมบัติเฉพาะ (เช่น รูปร่างของภาชนะ หรือกลิ่นของผลิตภัณฑ์) เพื่อคาดการณ์ – อย่างแม่นยำ – ว่าเป็นผลิตภัณฑ์เพื่อความงาม กลยุทธ์ที่คล้ายคลึงกันนี้ใช้สำหรับการเลือกภาพยนตร์โดยการประเมินรายการคุณสมบัติ (เช่น ผู้กำกับ หรือนักแสดง) เพื่อทำนายว่าภาพยนตร์จะอยู่ในหนึ่งในสองหมวดหมู่: ดีหรือไม่ดี
โดยการทำความเข้าใจความสัมพันธ์ที่แตกต่างกันระหว่างคุณลักษณะที่เกี่ยวข้องกับกลุ่มตัวอย่าง เราสามารถคาดการณ์ได้ว่าภาพยนตร์อาจคุ้มค่าแก่การดูหรือไม่ หรือยิ่งไปกว่านั้น เราสามารถสร้างโปรแกรมที่จะทำสิ่งนี้ให้เราได้
แต่เพื่อให้สามารถจัดการกับข้อมูลนี้ได้ เราต้องเป็นผู้เชี่ยวชาญด้านวิทยาศาสตร์ข้อมูล ปริญญาโทด้านคณิตศาสตร์และสถิติ มีทักษะการเขียนโปรแกรมเพียงพอที่จะทำให้ Alan Turing และMargaret Hamiltonภาคภูมิใจใช่ไหม ไม่ค่อยเท่าไหร่
คุณไม่จำเป็นต้องเป็นอลัน ทัวริงเพื่อเรียนรู้แมชชีนเลิร์นนิง CyberHades / Flickr , CC BY-NC
เราทุกคนรู้ภาษาแม่ของเรามากพอที่จะใช้ในชีวิตประจำวันของเรา แม้ว่าจะมีเพียงไม่กี่คนเท่านั้นที่สามารถลองเข้าสู่ภาษาศาสตร์และวรรณกรรมได้ คณิตศาสตร์มีความคล้ายคลึงกัน มันอยู่รอบตัวเราตลอดเวลา ดังนั้น การคำนวณการเปลี่ยนแปลงจากการซื้อบางอย่างหรือการวัดส่วนผสมเพื่อทำตามสูตรจึงไม่เป็นภาระ ในทำนองเดียวกัน ความเชี่ยวชาญด้านแมชชีนเลิร์นนิงไม่จำเป็นสำหรับการใช้อย่างมีสติสัมปชัญญะและมีประสิทธิภาพ
ใช่ มีนักวิทยาศาสตร์ด้านข้อมูลที่มีคุณสมบัติเหมาะสมอย่างยิ่งและมีความเชี่ยวชาญอยู่ที่นั่น แต่ด้วยความพยายามเพียงเล็กน้อย ทุกคนสามารถเรียนรู้พื้นฐานและปรับปรุงวิธีที่พวกเขามองเห็นและใช้ประโยชน์จากข้อมูลได้
อัลกอริทึมของคุณผ่านมัน
กลับไปที่อัลกอริธึมการจำแนกประเภท ลองนึกถึงอัลกอริทึมที่เลียนแบบวิธีที่เราตัดสินใจ เราเป็นสิ่งมีชีวิตทางสังคม แล้วปฏิสัมพันธ์ทางสังคมล่ะ? การแสดงครั้งแรกมีความสำคัญและเราทุกคนมีรูปแบบภายในที่จะประเมินในไม่กี่นาทีแรกของการพบปะกับใครสักคนไม่ว่าเราจะชอบพวกเขาหรือไม่
ผลลัพธ์ที่เป็นไปได้สองประการ: ความประทับใจที่ดีหรือแย่ สำหรับทุกคน ลักษณะ (คุณสมบัติ) ที่แตกต่างกันจะถูกนำมาพิจารณา (แม้ว่าจะโดยไม่รู้ตัว) โดยพิจารณาจากการเผชิญหน้าหลายครั้งในอดีต (ตัวอย่าง) สิ่งเหล่านี้อาจเป็นอะไรก็ได้ตั้งแต่น้ำเสียงไปจนถึงการพาหิรวัฒน์และทัศนคติโดยรวมไปจนถึงความสุภาพ
สำหรับบุคคลใหม่ทุกคนที่เราพบ โมเดลในหัวของเราจะลงทะเบียนข้อมูลเหล่านี้และสร้างการคาดคะเน เราสามารถแยกแบบจำลองนี้ออกเป็นชุดของอินพุต ถ่วงน้ำหนักตามความเกี่ยวข้องกับผลลัพธ์สุดท้าย
สำหรับบางคน ความน่าดึงดูดใจอาจมีความสำคัญมาก ในขณะที่สำหรับบางคน อารมณ์ขันที่ดีหรือการเป็นคนเลี้ยงสุนัขพูดได้มากกว่านั้น แต่ละคนจะพัฒนารูปแบบของตนเอง ซึ่งขึ้นอยู่กับประสบการณ์หรือข้อมูลของเธอทั้งหมด
ข้อมูลที่แตกต่างกันส่งผลให้มีการฝึกอบรมแบบจำลองที่แตกต่างกันด้วยผลลัพธ์ที่แตกต่างกัน สมองของเราพัฒนากลไกที่แม้จะยังไม่ชัดเจนสำหรับเรา แต่กำหนดว่าปัจจัยเหล่านี้จะมีน้ำหนักอย่างไร
สิ่งที่แมชชีนเลิร์นนิงทำคือพัฒนาวิธีการทางคณิตศาสตร์ที่เข้มงวดเพื่อให้เครื่องคำนวณผลลัพธ์เหล่านั้น โดยเฉพาะอย่างยิ่งในกรณีที่เราไม่สามารถจัดการปริมาณข้อมูลได้อย่างง่ายดาย ในปัจจุบัน ข้อมูลมีมากมายมหาศาลและคงอยู่ตลอดไป การเข้าถึงเครื่องมือที่ใช้ข้อมูลนี้อย่างจริงจังในการแก้ปัญหาในทางปฏิบัติ เช่น ปัญญาประดิษฐ์ หมายความว่าทุกคนควรและสามารถสำรวจและใช้ประโยชน์จากสิ่งนี้ได้ เราควรทำเช่นนี้ไม่เพียงแค่เพื่อให้เราสามารถสร้างแอปพลิเคชันที่มีประโยชน์ได้เท่านั้น แต่ยังทำให้แมชชีนเลิร์นนิงและปัญญาประดิษฐ์มีมุมมองที่สดใสและไม่วิตกกังวลอีกด้วย
มีแหล่งข้อมูลมากมายสำหรับการเรียนรู้ของเครื่องแม้ว่าจะต้องการความสามารถในการเขียนโปรแกรมก็ตาม มีภาษา ยอดนิยมมากมายที่ได้รับการปรับแต่งสำหรับแมชชีนเลิร์น นิง ตั้งแต่บทช่วยสอนพื้นฐานไปจนถึงหลักสูตรเต็มรูปแบบ ใช้เวลาเพียงช่วงบ่ายเพื่อเริ่มต้นการผจญภัยด้วยผลลัพธ์ที่ชัดเจน
ทั้งหมดนี้ไม่ได้หมายความว่าแนวคิดของเครื่องจักรที่มีจิตใจเหมือนมนุษย์ไม่ควรเกี่ยวข้องกับเรา แต่การรู้มากขึ้นว่าจิตใจเหล่านี้ทำงานอย่างไร ทำให้เรามีพลังที่จะเป็นตัวแทนของการเปลี่ยนแปลงในเชิงบวก ในลักษณะที่ทำให้เราสามารถควบคุมปัญญาประดิษฐ์ได้ ไม่ใช่ในทางกลับกัน เว็บสล็อต
