Neural Network

Neural Network (โครงข่ายประสาทเทียม) คือ model คอมพิวเตอร์ที่ได้แรงบันดาลใจจากโครงสร้างสมองของสิ่งมีชีวิต: ประกอบด้วยหน่วยประมวลผลเล็กๆ ที่เรียกว่า "เซลล์ประสาทเทียม" (artificial neuron) จำนวนมากเชื่อมต่อถึงกัน แต่ละจุดเชื่อมมีตัวเลขกำกับเรียกว่า weight (น้ำหนัก) ซึ่งบอกว่าสัญญาณที่ส่งผ่านจุดนั้นควรแรงขึ้นหรือเบาลง หน่วยเหล่านี้จัดเรียงกันเป็นชั้น (layer): ชั้นรับข้อมูลเข้า (input layer) ชั้นกลางที่ซ่อนอยู่ (hidden layer) ทำหน้าที่แปลงข้อมูลให้เป็นรูปแบบที่ซับซ้อนขึ้นเรื่อยๆ และชั้นสุดท้าย (output layer) ให้ผลลัพธ์ออกมา เช่น คำตอบว่าภาพที่เห็นคือแมวหรือหมา ในเครือข่ายขนาดใหญ่ ชั้นกลางเหล่านี้อาจมีเซลล์ประสาทเทียมเชื่อมโยงกันหลายล้านหน่วย

จุดที่ทำให้ neural network พิเศษคือมัน "เรียนรู้" จากข้อมูลได้เองผ่านกระบวนการ training: ระบบลองทำนายคำตอบ เทียบกับเฉลยจริง วัดว่าพลาดไปมากแค่ไหน แล้วส่งค่าความผิดพลาดย้อนกลับไปปรับ weight ทีละนิดด้วยเทคนิคที่เรียกว่า backpropagation ทำวนซ้ำจนเส้นทางที่นำไปสู่คำตอบถูกได้น้ำหนักมากขึ้น ส่วนเส้นทางที่พาไปผิดถูกลดน้ำหนักลง เฉลยที่ใช้เทียบมาได้หลายทาง: แบบที่เข้าใจง่ายที่สุดคือชุดข้อมูลที่คนติดป้ายกำกับไว้ให้ล่วงหน้า (แนวทางแบบ supervised-learning) ส่วนโมเดลภาษาขนาดใหญ่ยุคนี้ฝึกแบบ self-supervised คือให้โมเดลทายคำถัดไปจากข้อความดิบจำนวนมหาศาลที่ไม่ต้องมีคนติดป้ายกำกับ ค่า weight ทั้งหมดนี้ รวมกับค่า bias คือ parameters ของโมเดลนั่นเอง

คนทำงานยุคนี้ควรรู้จักคำนี้เพราะมันคือรากฐานของแทบทุกอย่างที่เราเรียกว่า ai ในปัจจุบัน: ระบบจดจำใบหน้าและเสียง การวิเคราะห์ภาพทางการแพทย์ รถยนต์ไร้คนขับ ระบบแนะนำสินค้า ไปจนถึง llm อย่างที่อยู่เบื้องหลัง chatgpt ซึ่งแท้จริงคือ neural network สถาปัตยกรรม transformer ขนาดมหึมา แนวคิดนี้ไม่ใช่ของใหม่: มีงานวิจัยตั้งแต่ปี 1943 และ perceptron ในปี 1958 แต่เพิ่งเปล่งประกายจริงจังช่วงทศวรรษ 2010 เมื่อพลังประมวลผลและข้อมูลมีมากพอ (จุดเปลี่ยนสำคัญคือ AlexNet ชนะการแข่งขันจดจำภาพ ImageNet ในปี 2012) การเข้าใจ neural network ช่วยให้เรามองออกว่า AI ไม่ได้ถูกเขียนโปรแกรมด้วยกฎตายตัว แต่ "เรียนรู้จากตัวอย่าง" ดังนั้นคุณภาพของข้อมูลที่ใช้ฝึกจึงชี้ชะตาคุณภาพของ AI โดยตรง

ตัวอย่างจากบทสนทนาจริง

คุณเมย์ (ฝ่ายการตลาด): เห็นข่าวว่าระบบ AI ตัวใหม่ของบริษัทใช้ neural network แปลว่ามันมีสมองคิดเองได้เหมือนคนเลยใช่ไหม ป้อนอะไรเข้าไปมันก็เข้าใจหมด?

คุณต้น (ทีม data): ยังไม่ถึงขั้นนั้นครับ neural network แค่ได้แรงบันดาลใจจากสมอง แต่ข้างในจริงๆ คือตัวเลขน้ำหนักจำนวนมหาศาลที่ถูกปรับจากข้อมูลตัวอย่างตอนฝึก มันเก่งเรื่องจับ pattern ที่เคยเห็นบ่อยๆ แต่ถ้าเจอเคสที่ไม่เคยมีในข้อมูลฝึก หรือข้อมูลฝึกลำเอียง มันก็ตอบพลาดได้ เราเลยยังต้องตรวจงานมันเสมอครับ

ระวังสับสนกับ

• deep-learning · deep learning คือ "แนวทาง" การใช้ neural network ที่มี hidden layer ซ้อนกันหลายชั้น (นิยามที่ใช้กันบ่อยคือมี hidden layer ตั้งแต่สองชั้นขึ้นไป จึงได้ชื่อว่า deep) ส่วน neural network คือตัวโครงสร้างพื้นฐาน · งาน deep learning ในทางปฏิบัติแทบทั้งหมดใช้ neural network แต่ neural network ไม่จำเป็นต้องลึกเสมอไป
• machine-learning · เป็นร่มใหญ่ของการสอนคอมพิวเตอร์ให้เรียนรู้จากข้อมูล โดย neural network เป็นเพียงเทคนิคหนึ่งในนั้น · จุดต่างสำคัญ: ML แบบดั้งเดิมมักต้องให้คนเลือกลักษณะเด่น (feature) ของข้อมูลเอง ส่วน neural network แบบหลายชั้นดึง feature จากข้อมูลดิบได้เอง