Deep Learning (DL) ฉบับ 101 คืออะไร ไม่มีพื้นฐานก็เข้าใจได้!

ใครหลายคนคงคุ้นเคยกับคำว่า AI, Generative AI และ Machine Learning แต่มีอีกหนึ่งเทคโนโลยีสนใจที่อยู่เบื้องหลัง AI ซึ่งก็คือ Deep Learning หรือเทคโนโลยีที่ทำให้ Gen AI มีความใกล้เคียงกับมนุษย์มากขึ้น! นอกจากนี้แล้ว Deep Learning ก็แฝงตัวอยู่ในชีวิตประจำวันของเราไม่ว่าจะในฐานะองค์กรหรือผู้บริโภค

Disrupt Corporate Program จึงอยากเล่าเรื่อง Deep Learning ฉบับเข้าใจง่าย พร้อมตัวอย่างของการใช้ Deep Learning ที่พบเจอได้ทุกวัน และเพื่อความสนุกอย่างเต็มรูปแบบ สามารถอ่านบทความเรื่อง Machine Learning เพื่อความเข้าใจเพิ่มเติมก่อนได้ แต่ถ้าพร้อมแล้ว ก็สามารถเริ่มอ่านกันได้เลย !

‍

Highlight 

• Deep Learning ใช้ระบบ Deep Neural Network ในการวิเคราะห์ข้อมูลทำให้สามารถข้อมูลที่ซับซ้อนและไม่มีโครงสร้างหรือ Unstractured Data ได้เป็นอย่างดี
•  ข้อดีของ Deep Learning คือสามารถวิเคราะห์ข้อมูลที่ไม่มีโครงสร้าง สามารถทำงานได้ด้วยตัวเองไม่ต้องรับคำสั่งจากมนุษย์ตลอดเวลา และหาความสัมพันธ์และรูปแบบของข้อมูลที่ซับซ้อนและขนาดใหญ่ได้อย่างมีประสิทธิภาพ 
• ตัวอย่างการใช้ Deep Learning ได้แก่ ยานยนต์ไร้คนขับ Social Listening และ Recommendation System หรือระบบการแนะนำสินค้าและบริการนั่นเอง

Deep Learning เป็นหนึ่งในสาขาของ Machine Learning ซึ่งใช้ในการสอนปัญญาประดิษฐ์หรือ AI ที่ถูกออกแบบมาเพื่อจำลองการทำงานของสมองของมนุษย์ในการรับข้อมูลและเรียนรู้ผ่านประสบการณ์ โดยจุดเด่นของ Deep Learning คือการประมวลผลข้อมูลที่ไม่โครงสร้างหรือ Unstructured Data 

โดย Unstructured Data ส่วนใหญ่จะเป็นข้อมูลเชิงคุณภาพ (Qualitative Data) ที่ต้องทำการประมวลผลก่อนที่จะนำไปใช้งานได้ ซึ่งเป็นอีกหนึ่งในข้อมูลสำคัญที่สามารถสร้างมูลค่าให้กับทางธุรกิจได้อย่างมหาศาล 

ตัวอย่าง Unstructure Data ในแวดวงธุรกิจ 

• ข้อความจากการสนทนา: ข้อความจากแชทกับลูกค้า อีเมล ข้อเสนอแนะและคำติชม 
• เสียงสนทนา: บันทึกเสียงการสนทนาจากศูนย์บริการลูกค้า หรือระบบคอลเซ็นเตอร์ 
• ภาพและวิดีโอ: ภาพและวิดีโอโฆษณาสินค้า คลิปรีวิวสินค้าและบริการจากผู้ใช้งาน

สิ่งที่ทำให้ Deep Learning สามารถทำงานเลียนแบบได้เหมือนสมองมนุษย์ คือเครือข่ายประสาทเทียมชั้นลึก หรือ Deep Neural Networks ที่สามารถเรียนรู้และตีความข้อมูลในรูปแบบต่าง ๆ ได้ โดยไม่ต้องสั่งระบบคอมพิวเตอร์ด้วยคำสั่งที่ซับซ้อน Deep Neural Networks จึงสามารถจัดกลุ่มข้อมูล (Classification), ทำนายหรือคาดการณ์แนวโน้ม (Prediction), และตัดสินใจ (Decision-making)  ได้อย่างดี มีประสิทธิภาพและรวดเร็วกว่า Machine Learning ทั่วไป

การทำความเข้าใจ Deep Learning หรือ Deep Neural Network อาจจะต้องเริ่มจากการทำความเข้าใจหลักการทำงานของ Machine Learning เสียก่อนว่ามันทำงานยังไง 

หลักการทำงานของ Machine Learning จะประกอบไปด้วย 3 ชั้นสอนหลัก คือ 

• Input Layer: มนุษย์ป้อนข้อมูลที่ระบุหน้าตาและลักษณะของข้อมูล โดย Input Layer จะส่งต่อข้อมูลไปที่ Hidden Layer ใน ‘Node’ ต่าง ๆ 
• Hidden Layer:  Hiden Layer จะถูกแบ่งออกเป็นแต่ละหน่วย (หรือวงกลมตามแผนภาพ) ในที่นี้จะเรียกว่า ‘Node’ โดยแต่ละ Node จะประมวลผลและวิเคราะห์ข้อมูลตามตัวแปรหรือคำสั่งที่ถูกตั้งค่าไว้ เพื่อให้ได้ Output ที่ต้องการ เช่น Output ต้องการจะหาว่าข้อมูลที่ใส่เข้าไปเป็น ‘ส้ม’ หรือไม่ ในแต่ละ Node ก็จะใส่เงื่อนไขต่าง ๆ ไม่ว่าจะเป็น เป็นผลไม้หรือไม่ ทรงกลมหรือไม่ หรือมีสีส้มหรือไม่  ‍
• Output Layer: หลังจากประมวลเสร็จ Node จะส่งข้อมูลออกไปที่ Output Layer เพื่อทำการแสดงผล

โดยระบบการประมวลผลข้อมูลของ Machine Learning จะถูกเรียก Artificial Neural Networks (ANN) โดยจะเห็นว่า Hidden Layer หรือขั้นตอนการคิดของ ANN จะมีเพียงแค่ Layer เดียวเท่านั้น ทำให้ Machine Learning มีข้อจำกัดในการวิเคราะห์ข้อมูล และต้องอาศัยมนุษย์ในการระบุ feature ของข้อมูลอยู่ 

“แล้วถ้ามี Hidden Layer หรือขั้นตอนการคิดที่มากขึ้น…ระบบจะสามารถวิเคราะห์ข้อมูลได้อย่างมีประสิทธิภาพขึ้นหรือไม่?”

‍

ด้วยสมมุติฐานดังกล่าว Hidden Layer จึงถูกสร้างให้มีจำนวนชั้นที่มากขึ้น และ Node ที่เยอะขึ้น เพื่อการประมวลผลและวิเคราะห์ของข้อมูลที่ ‘ลึกขึ้น’ ด้วยเหตุนี้เองจึงเรียกระบวนการคิดว่า “Deep Neural Networks” ซึ่งเป็นกระบวนการเรียนรู้ของ Deep Learning นั่นเอง โดยมนุษย์สามารถกำหนดจำนวน Layer และ Node ได้แต่ละ Layer ได้อย่างอิสระ ไม่ว่าจะใช้แค่ 2 Node หรือ 2,000 Node ก็ตาม

จะเห็นได้ว่าถึงแม้ว่า Deep Learning จะเป็นส่วนหนึ่งของ Machine Learning แต่ก็มีความแตกต่างกันอย่างชัดเจน ไม่ว่าจะเป็น…

• Deep Learning สามารถเรียนรู้ข้อมูลที่ไม่มีโครงสร้างได้ โดยไม่จำเป็นต้องเป็นต้องกำหนดคุณลักษณะของข้อมูลหรือ Feature มาก่อน 
• Machine Learning ต้องอาศัยการกำหนด Feature ของข้อมูล รวมไปถึงคำสั่งจากมนุษย์ในการทำงานหรือประมวลผลของข้อมูล ในขณะที่ Deep Learning สามารถทำงานได้เองโดยไม่ต้องอาศัยคำสั่งของมนุษย์ 
• Deep Learning สามารถวิเคราะห์ข้อมูลที่มีความซับซ้อนและสามารถวิเคราะห์ข้อมูลที่มีประสิทธิภาพได้มากกว่า เพราะใช้ Deep Neural Networks ในการวิเคราะห์ข้อมูล

แน่นอนว่าด้วยกระบวนการคิดที่ซับซ้อนมากกว่า Machine Learning ทั่วไป จึงทำให้ Deep Learning มีประโยชน์อย่างมากไม่ว่าจะเป็นในการวิเคราะห์ข้อมูลปริมาณมาก รวมไปถึงการสร้างมูลค่าธุรกิจในหลากหลายรูปแบบ 

• การประมวลผล Unstructured Data ได้อย่างมีประสิทธิภาพ

ความยากในการวิเคราะห์ Unstractured Data คือการที่ข้อมูลมีตัวแปรที่ไม่ชัดเจน ซึ่งเป็นปัญหาใหญ่ของ Machine Learning แต่ Deep Learning สามารถทำสิ่งนี้ได้เป็นอย่างดี  เช่นการใช้เทคโนโลยีการประมวลผลภาษาธรรมชาติ (Natural Language Processing; NLP) ในการทำให้ระบบคอมพิวเตอร์เข้าใจภาษาของมนุษย์ได้ 

เช่น คุณเป็นเจ้าของธุรกิจร้านอาหาร โดยใช้ Chatbot ในการถาม-ตอบกับลูกค้า มีลูกค้า 2 คนถามเรื่องที่จอดรถว่า “จอดรถที่ไหนใกล้สุด” และ “จอดรถที่ไหนสะดวกที่สุด” จะเห็นได้ว่าสองประโยคถึงแม้ว่าจะใช้คำไม่เหมือนกัน แต่ความหมายเหมือนกัน Machine Learning ทั่วไปจะไม่สามารถคิดคำตอบของสองประโยคนี้ได้ ในขณะที่ Deep Learning หรือ NLP สามารถเข้าใจและตอบคำถามที่ถูกต้องให้ลูกค้าได้ 

• การพบรูปแบบและความสัมพันธ์ของข้อมูลที่ซับซ้อน

Deep Learning สามารถวิเคราะห์ข้อมูลจำนวนมาก พร้อมหารูปแบบและหาความสัมพันธ์ของข้อมูลได้ นอกจากนี้แล้ว Deep Learning ยังสามารถคาดการณ์ความเป็นไปได้ในอนาคตโดยที่ยังไม่ผ่านการเรียนรู้จากมนุษย์ ทำให้ Deep Learning สามารถแนะนำสินค้าและบริหาร รวมไปถึงวิเคราะห์ธุรกรรมทางการเงินว่าลูกหนี้จะเบี้ยวชำระหนี้หรือไม่ 

จึงสรุปได้ว่า Deep Learning สามารถประมวลผล Unstructured Data จำนวนมากและซับซ้อนได้อย่างมีประสิทธิภาพ โดยไม่จำเป็นต้องอาศัยป้อนคำสั่งของมนุษย์ (Unsupervised Learning) รวมไปถึงสามารถเรียนรู้แนวทางการวิเคราะห์ข้อมูลจากพฤติกรรมมนุษย์ (Reinforcement Learning) ได้อีกด้วย

Deep Learning เป็นเทคโนโลยีที่ส่งพลังและสามารถยกประสิทธิภาพการทำงานของมนุษย์ได้อย่างมหาศาล Disrupt จึงอยากยกตัวอย่างการนำไปใช้ในโลกธุรกิจ รวมไปถึงโลกแห่งอนาคตว่า Deep Learning หรือ AI จะมีหน้าตาเป็นอย่างไร? เรากำลังจะได้เห็นอะไรในโลกอนาคตกัน?

ถึงแม้ว่า Deep Learning จะดูเป็นเรื่องที่ไกลตัว แต่จริง ๆ แล้วเทคโนโลยี Deep Learning มีให้เราเห็นอยู่มากมายและใกล้ตัวกว่าที่เราคิด อย่าง Gen AI อย่าง Chat GPT หรือ Claude.AI! และ Deep Learning ถูกใช้ในหลายวงการ ไม่ว่าจะเป็นวงการยานยนต์ งานฝ่ายการตลาดและขาย รวมไปถึงวงการบันเทิงอีกด้วย  

• ยานยนต์ไร้คนขับหรือขับเคลื่อนอัตโนมัติ 

โดยปกติเวลาที่มนุษย์คนหนึ่งจะขับรถนั้น คนขับจะต้องใช้สายตาดูท้องถนน ใช้หูฟังเสียงรอบข้าง รวมไปถึงใช้ประสาทสัมผัสอื่น ๆ เพื่อให้ขับรถบนท้องถนนได้อย่างปลอดภัย ยานยนต์ไร้คนขับใช้หลักการเดียวกันในการรับรู้สภาพแวดล้อมในท้องถนนผ่านเซนเซอร์รอบตัวรถ รับข้อมูลต่าง ๆ และนำข้อมูลต่างมาวิเคราะห์และตัดสินใจเส้นทางการขับเคลื่อนบนท้องถนนผ่าน Deep Neural Networks ซึ่งใน 1 ยานพาหนะจะประกอบด้วยหลากหลาย Network ในการตัดสินใจ เช่น … 

• เส้นทางการขับขี่บนท้องถนน
• ตรวจจับป้ายสัญญาณการจราจร หรือไฟจราจร
• การเคลื่อนไหวของยานพาหนะรอบตัวรถ 

นอกจากนี้แล้วแต่ละ Network ยังสามารถตรวจสอบความถูกต้องของกันและกันได้ เพื่อป้องกันการอ่านค่าที่ผิดพลาดจากเซนเซอร์ และเป็นการเพิ่มน้ำหนักในการตัดสินใจของระบบอีกด้วย 

• การทำ Social Listening และจัดการชื่อเสียงของแบรนด์หรือธุรกิจ 

การทำ Branding เป็นสิ่งที่สำคัญมาก ๆ ในยุคปัจจุบันที่เต็มไปด้วยการเปลี่ยนแปลงจากสื่อออนไลน์และพฤติกรรมของผู้บริโภคที่เปลี่ยนแปลงอย่างรวดเร็ว การสร้าง Brand เป็นที่พูดถึงในตลาดเป็นเรื่องยากและใช้ความพยายามเป็นอย่างมาก แต่ชื่อเสียงที่สร้างมาสามารถโดนทำลายได้ภายในหลักนาที ดังนั้นการทำ Social Listening จึงเป็นสิ่งที่สำคัญมาก ๆ สำหรับแบรนด์ใหญ่ เช่นการทำ Sentiment Analysis เพื่อดูอารมณ์หรือความคิดเห็นของลูกค้าที่มีต่อแบรนด์ ผ่านเทคโนโลยี NLP 

เช่น คุณเป็นเจ้าของธุรกิจร้านอาหารขนาดใหญ่และมีรีวิวจากลูกค้ามากมายหลายช่องทาง ไม่ว่าจะเป็น Google Review / Facebook หรือ Social Media อื่น ๆ ซึ่งอาจจะเป็นเรื่องยากที่จะวิเคราะห์แนวโน้มความคิดเห็นของลูกค้าเป็นไปในทางไหน NLP สามารถช่วยวิเคราะห์และแยกแยะความคิดเห็นของลูกค้าได้ เช่น

นอกเหนือจากการทำ Sentiment Analysis แล้วนั้น Deep Learning ยังสามารถช่วยเหลือเรื่องการสร้าง Brand ได้อีกหลากหลาย ไม่ว่าจะเป็น 

• ระบุชื่อบริษัทหรือสินค้าของคุณถูกพูดถึงที่ไหน ใน Platform ใด
• ระบุความเสี่ยงที่จะเกิดขึ้นกับชื่อเสียงของ brand
• ค้นหาความต้องการใหม่ ๆ ของลูกค้า
• ค้นหาสถานที่ใหม่เพื่อการออกอีเว้นท์หรือทำกิจกรรมต่าง ๆ เพื่อส่งเสริมการขาย

• การแนะนำสินค้าและบริการ (Recommender engines) 

ตัวอย่างคลาสสิคที่ทุกคนพบเจอได้ในชีวิตประจำวันของ Deep Learning คือ Recommender engines หรือการที่ระบบคอมพิวเตอร์สังเกตและบันทึกพฤติกรรมการใช้งานของมนุษย์ ไม่ว่าจะเป็นการเข้าชมเว็บไซต์ การสั่งซื้อสินค้าและบริการผ่านอินเทอร์เน็ต หรือการที่ผู้ใช้มีปฏิสัมพันธ์กับวัตถุต่าง ๆ ในเว็บไซต์หรือแอปพลิเคชันอย่างไร โดย Recommender engines จะรวบรวมข้อมูล วิเคราะห์เพื่อหาจุดร่วมกันของข้อมูลและแนะนำสินค้าและบริการให้ตรงกับบริการของผู้บริโภค โดย Recommender Engines สามารถพบเจอได้ในชีวิตประจำวันไม่ว่าจะเป็น Social Media (การแนะนำ Ads หรือโฆษณา ใน Youtube, Tiktok, Facebook) E-Commerce (ระบบสินค้าแนะนำ ใน Shopee และ Lazada) รวมไปถึง Entertaining Platform อย่าง Spotify หรือ Netflix

เราจะเห็นได้ว่า Deep Learning สามารถเอื้อประโยชน์ให้เราวิเคราะห์ข้อมูลจำนวนมหาศาลได้อย่างรวดเร็วและมีประสิทธิภาพมากขึ้น ซึ่งมีผลประโยชน์อย่างมหาศาลในแง่ของธุรกิจ 

แต่ถึงอย่างไรก็ตามสิ่งที่ทำให้ Deep Learning โดดเด่น คือการจำลองการทำงานของสมองมนุษย์ ให้มีความนึกคิดคล้ายมนุษย์มากที่สุด เลยอยากจะขอยกหนึ่งในตัวอย่างของความก้าวหน้าทางเทคโนโลยีที่น่าสนใจ เพื่อให้ผู้อ่านเห็นภาพของอนาคตไม่ว่าจะเป็น AI หรือตัว Deep Learning เองว่าเรากำลังจะได้เห็นอะไรน่าสนใจอีกมากมายในอนาคต

บริษัท Startup Figure บริษัทผู้ผลิตหุ่นยนต์เสมือนมนุษย์หรือ Humanoid ที่สามารถระดมทุนไปได้ถึง 675 ล้านดอลลาร์ในปี 2022 จากนักลงทุนหลายกลุ่มเช่น Amazon, Microsoft, Intel, Nvidia และ OpenAI โดยการประเมินบริษัทหุ่นยนต์นี้จะมีมูลค่าอยู่ที่ 2.6 พันล้านดอลลาร์ 

และในปีนี้เองที่ทางบริษัท Startup Figure ได้ออกหุ่นยนต์ตัวแรกชื่อว่า ‘Figure 01’ โดยใช้ระบบ AI ที่ร่วมพัฒนากับทาง Open AI โดย Figure 01 มีความสามารถใน “การเข้าใจ ประมวลผล และให้เหตุผลทางภาษาได้” โดยสามารถชมความสามารถของ Figure 01 ได้จากคลิปวิดีโอด้านล่าง 👇

Figure Status Update - OpenAI Speech-to-Speech Reasoning

https://www.youtube.com/watch?v=Sq1QZB5baNw

จะเห็นได้ว่า Figure 01 สามารถวิเคราะห์สิ่งที่อยู่ตรงหน้า ทำตามคำสั่ง ให้เหตุผล และประเมินสถานการณ์ตรงหน้า และชงกาแฟได้! โดยจุดประสงค์ของการสร้าง Humanoid คือการเพิ่มประสิทธิภาพในภาคส่วนของการผลิต ทดแทนจำนวนแรงงานที่ลดลง รวมไปถึงให้หุ่นยนต์เข้าไปทำงานที่อันตรายแทนมนุษย์อีกด้วย

Deep Learning เป็นหนึ่งในเทคโนโลยีที่น่าจับตามองโดยเฉพาะในการทำธุรกิจ เพราะช่วยเพิ่มประสิทธิภาพในการทำงานผ่านการวิเคราะห์ข้อมูลจำนวนมหาศาล สามารถตอบสนองความต้องการของลูกค้าได้อย่างรวดเร็ว รวมไปถึงสร้างสรรค์นวัตกรรมใหม่ให้องค์กรได้อีกด้วย

หากองค์กรไหนต้องการที่จะเจาะลึกหรือปูพื้นฐานในเรื่องของ Deep Learning รวมไปถึงความรู้และทักษะ Technology อื่น ๆ ไม่ว่าจะเป็น 

• Data Analysis หรือ Data Visualization  
• Gen AI เบื้องต้นหรือเพื่อการทำงานเฉพาะทาง เช่น HR Operation หรือ Marketing
• หรือทักษะเรื่องคนในยุค AI Disruption ไม่ว่าจะเป็นการวางกลยุทธ์ ทักษะความเป็นผู้นำ รวมไปถึงการสื่อสาร 

Disrupt Corporate Program มีหลักสูตร D.A.T (Digital, AI, and Technology) ที่จะช่วยเติมเต็มพื้นฐาน หรือต่อยอดทักษะและความรู้ภายในองค์กร เพื่อการสร้างนวัตกรรมและการเปลี่ยนแปลงภายในองค์กรอย่างแท้จริง

“Tech พร้อม! หัวหน้าพร้อม! แล้วคนพร้อมแล้วหรือยัง?”

‍

👉 สนใจหลักสูตรฝึกอบรม สามารถกรอกฟอร์ม https://forms.gle/zgzmLGNgJNAJEXX66 

หรือค้นหารายละเอียดเพิ่มเติมได้ที่

👉 โทร 083-7698763 (แพรว) หรือ 061-0207826 (ปานวาด)

Ref:

• https://aws.amazon.com/th/what-is/deep-learning/
• https://www.bmc.com/blogs/deep-neural-network/
• https://medium.com/mmp-li/deep-learning-แบบฉบับคนสามัญชน-ep-1-neural-network-history-f7789236a9a3
• https://softengi.com/blog/15-most-common-deep-learning-use-cases-across-industries/
• https://www.it24hrs.com/2024/humanoid-ai-robot-openai/