Deep Learning

Deep Learning คือแขนงหนึ่งของ machine-learning ที่ใช้ neural-network (โครงข่ายประสาทเทียม) แบบ "หลายชั้น" ในการเรียนรู้จากข้อมูล แนวคิดได้แรงบันดาลใจจากการทำงานของสมองมนุษย์ที่มีเซลล์ประสาทเชื่อมโยงกันจำนวนมหาศาล คำว่า "deep" ไม่ได้แปลว่าคิดลึกซึ้งหรือฉลาดกว่า แต่หมายถึงจำนวนชั้น (layer) ของโครงข่าย: ตั้งแต่ราว 3 ชั้นไปจนถึงหลายร้อยหรือหลายพันชั้น ยิ่งชั้นเยอะ โมเดลยิ่งจับรูปแบบที่ซับซ้อนได้มากขึ้น

จุดที่ทำให้ deep learning ต่างจาก machine learning แบบดั้งเดิมคือ มันเรียนรู้ "ลักษณะสำคัญ" ของข้อมูลได้เอง โดยคนไม่ต้องนั่งออกแบบ feature ให้ทีละตัว ข้อมูลจะไหลจาก input layer ผ่าน hidden layer หลายชั้นไปยัง output layer แต่ละชั้นสกัดลักษณะที่นามธรรมขึ้นเรื่อยๆ เช่น งานรู้จำภาพ: ชั้นแรกๆ จับเส้นขอบ ชั้นถัดมาประกอบเป็นรูปทรง จนชั้นท้ายๆ สรุปได้ว่าภาพนี้มีใบหน้าคนอยู่ กระบวนการฝึก (training) ใช้เทคนิค backpropagation ปรับน้ำหนักในโครงข่ายซ้ำๆ จนแม่นยำ ซึ่งต้องกินข้อมูลปริมาณมากและพลังประมวลผลสูง จึงนิยมฝึกบน gpu เป็นหลัก

คนทำงานยุค AI ควรรู้จักคำนี้เพราะ ai ที่เราใช้กันทุกวันส่วนใหญ่สร้างบนแนวทางนี้: ระบบรู้จำเสียงอย่าง Siri และ Alexa, งาน computer-vision เช่นอ่านภาพทางการแพทย์และรถยนต์ไร้คนขับ, การแปลภาษา ไปจนถึง generative-ai อย่าง chatgpt และ stable-diffusion โดยเบื้องหลัง llm ยุคปัจจุบันคือสถาปัตยกรรม transformer ซึ่งเป็น deep learning รูปแบบหนึ่ง จุดเปลี่ยนสำคัญของวงการคือปี 2012 เมื่อโมเดล AlexNet ชนะการแข่งขันรู้จำภาพ ImageNet แบบทิ้งห่างวิธีเดิม จนจุดกระแสการลงทุนใน deep learning ที่ต่อเนื่องมาถึง AI บูมรอบปัจจุบัน

ตัวอย่างจากบทสนทนาจริง

ถาม: พี่ครับ ผมเห็นในสไลด์ vendor เขียนว่าระบบเขาใช้ deep learning แปลว่ามันคิดได้ลึกกว่า AI ธรรมดาใช่ไหม ถึงได้แพงกว่าเจ้าอื่น

ตอบ: ไม่ใช่ครับ คำว่า deep หมายถึงโครงสร้างของ neural network ที่ซ้อนกันหลายชั้น ไม่ได้แปลว่าคิดลึกหรือฉลาดกว่าเสมอไป จริงๆ AI ที่เราใช้กันอยู่แล้วอย่าง ChatGPT ก็เป็นผลผลิตของ deep learning เหมือนกัน เวลาประเมิน vendor ให้ดูที่ผลลัพธ์กับข้อมูลที่เขาใช้ฝึกดีกว่าดูคำโฆษณาครับ

ระวังสับสนกับ

• machine-learning: คำที่กว้างกว่า · deep learning เป็นเพียงสับเซตหนึ่งของ machine learning ซึ่งยังรวมเทคนิคดั้งเดิมที่คนต้องออกแบบ feature เองด้วย
• neural-network: คือตัวโครงสร้างพื้นฐาน · โครงข่ายที่มีแค่ชั้นสองชั้นมักถูกเรียกว่า shallow network ส่วนที่ซ้อนหลายชั้นจึงนับเป็น deep learning ทั้งนี้ยังไม่มีเส้นแบ่งจำนวนชั้นที่ทุกฝ่ายตกลงกันเป็นทางการ นักวิจัยส่วนใหญ่ถือว่าลึกเกินสองชั้นขึ้นไปเข้าข่าย deep