Machine learning คืออะไร

ประเภทของ machine learning

ประวัติของ machine learning

แม้จะฟังดูเหมือนเป็นเทคโนโลยีใหม่ แต่ ML ก็มีมานานหลายทศวรรษแล้ว Machine learning ที่เรารู้จักในปัจจุบันมีรากฐานมาจากทศวรรษ 1940

ทศวรรษ 1940

ในปี 1943 Warren McCulloch และ Walter Pitts ได้สร้าง neural network ขึ้นเป็นครั้งแรก สิ่งนี้ทำให้คอมพิวเตอร์สามารถสื่อสารกันได้โดยไม่ต้องมีปฏิสัมพันธ์กับมนุษย์

ทศวรรษ 1950

Alan Turing สร้าง Turing Test เพื่อตรวจสอบว่าเครื่องสามารถทำงานได้เหมือนมนุษย์หรือไม่ นักวิจัยยังคงใช้ Turing Test ในปัจจุบันเพื่อดูว่ามนุษย์สามารถบอกความแตกต่างระหว่างผลลัพธ์ที่มนุษย์สร้างขึ้นกับผลลัพธ์ที่เครื่องสร้างขึ้นได้หรือไม่

ทศวรรษ 1960

Thomas Cover และ Peter Hart เผยแพร่ อัลกอริทึม K-Nearest Neighbours (KNN) ซึ่งเป็นหนึ่งในอัลกอริทึม ML ตัวแรกที่สามารถระบุรูปแบบที่แฝงอยู่ในข้อมูลจำนวนมากได้

ทศวรรษ 1970

Paul Werbos เขียนวิทยานิพนธ์ในปี 1974 หัวข้อ The Roots of Backpropagation ซึ่งปูทางไปสู่ backpropagation ซึ่งเป็นเทคโนโลยีที่ช่วยให้ neural networks สามารถจดจำรูปแบบได้แม่นยำยิ่งขึ้น

ทศวรรษ 1980

Explanation Based Learning (EBL) ช่วยให้คอมพิวเตอร์สามารถวิเคราะห์และเทรนตัวเองเกี่ยวกับข้อมูลได้ รวมถึงการเพิกเฉยต่อข้อมูลที่ไม่สำคัญ Artificial neural network NetTalk ยังได้เรียนรู้วิธีการออกเสียงข้อความภาษาอังกฤษอย่างถูกต้อง

ทศวรรษ 1990

ในปี 1997 IBM ทำให้โลกตกตะลึงเมื่อซูเปอร์คอมพิวเตอร์ Deep Blue Deep Blue เอาชนะเซียนหมากรุกที่เป็นมนุษย์ได้ ชัยชนะครั้งนี้แสดงให้โลกเห็นว่า machine learning สามารถแข่งขันและก้าวข้ามมนุษย์ได้

ทศวรรษ 2000

Torch (ปัจจุบันรู้จักกันในชื่อ PyTorch) ซึ่งเป็นคลังซอฟต์แวร์ฟรี ได้กลายเป็นแพลตฟอร์ม ML ขนาดใหญ่แห่งแรกของโลก ส่งผลให้ machine learning เข้าถึงได้ง่ายขึ้นมาก ในช่วงทศวรรษ 2000 คอมพิวเตอร์ยังได้เรียนรู้วิธี “ดู” ข้อความและรูปภาพด้วย deep learning

ทศวรรษ 2010

Google พัฒนา Google Brain ซึ่งเป็น deep neural network ที่จัดหมวดหมู่วัตถุโดยอัตโนมัติ Facebook, Amazon และ Microsoft เองก็พัฒนาโมเดล ML ด้วย

ทศวรรษ 2020

ในเดือนพฤศจิกายน 2022 ChatGPT ของ OpenAI สร้างความฮือฮาให้กับโลก เทคโนโลยีนี้ทำให้ ML และ AI สามารถเข้าถึงได้โดยคนทั่วไปซึ่งใช้เทคโนโลยีนี้ทำทุกอย่าง ตั้งแต่การร่างจดหมายสมัครงานไปจนถึงการเขียนอีเมล

ประโยชน์ของการใช้ระบบ machine learning

Machine learning เป็นเทคโนโลยีที่มีประโยชน์ซึ่งช่วยให้ธุรกิจบรรลุผลดังต่อไปนี้

• เพิ่มประสิทธิภาพการทำงาน พนักงานมากกว่า 80% เชื่อว่า AI ช่วยเพิ่มประสิทธิภาพการทำงาน ด้วยการทำงานที่ปกติมีแต่มนุษย์เท่านั้นที่ทำได้โดยอัตโนมัติ ML จึงสามารถเพิ่มประสิทธิภาพการทำงานขององค์กรได้
• ช่วยเหลือลูกค้า หลายบริษัทใช้ ML ปรับแต่งผลิตภัณฑ์ของตนเพื่อทำให้ชีวิตลูกค้าง่ายขึ้น ในความเป็นจริง 62% ของผู้บริโภคเต็มใจที่จะแชร์ข้อมูลของตน หากจะได้รับประสบการณ์ที่ดีขึ้น
• ลดข้อผิดพลาดของมนุษย์ ML จะจัดการงานที่เคยต้องทำด้วยตนเองโดยอัตโนมัติ ซึ่งโดยปกติมักจะเกิดข้อผิดพลาดจากมนุษย์และการพิมพ์ผิด ซึ่งหมายความว่าองค์กรของคุณสามารถใช้ข้อมูลที่เป็นระเบียบมากขึ้นสำหรับข้อมูลเชิงลึกทางธุรกิจที่ดีขึ้น
• ยกระดับความพร้อมให้บริการ ในเมื่อ 51% ของผู้บริโภคคาดหวังว่าธุรกิจจะพร้อมให้บริการทุกวันตลอด 24 ชั่วโมง การใช้โซลูชัน ML สำหรับธุรกิจของคุณจะช่วยให้คุณพร้อมให้บริการลูกค้าทั้งวันทั้งคืน
• ขจัดความเสี่ยง การไม่ปฏิบัติตามกฎระเบียบทำให้องค์กรของคุณต้องสูญเสียเงินค่าปรับนับล้านและสูญเสียธุรกิจ แต่ ML ปฏิบัติตามกฎที่กำหนดไว้ล่วงหน้าเพื่อช่วยให้คุณปฏิบัติตามกฎระเบียบได้อย่างมีประสิทธิภาพ
• ลดการทำงานซ้ำๆ ML จะทำงานที่น่าเบื่อโดยอัตโนมัติ เช่น การป้อนข้อมูลเพื่อให้พนักงานสามารถมุ่งเน้นไปที่งานที่มีมูลค่าสูงมากขึ้น ในความเป็นจริง 68% ของพนักงานต้องการเทคโนโลยีที่ใช้ AI มากขึ้นเพื่อช่วยในการดำเนินงาน
• เปิดเผยข้อมูลเชิงลึก ML สามารถนำเสนอข้อมูลเชิงลึกที่เกินกำลังของสมองมนุษย์

ข้อเสียของอัลกอริทึม machine learning

การใช้ระบบ machine learning มีข้อเสียอยู่เล็กน้อยดังนี้

• จำนวนข้อมูลที่กำหนด โมเดล ML มักต้องใช้ข้อมูลจำนวนมากจึงจะมีประสิทธิภาพ
• ขนาดของชุดข้อมูล ขนาดและคุณภาพของชุดข้อมูลเป็นสองปัจจัยที่สำคัญที่สุดในการพิจารณาว่าโมเดลนั้นดีเพียงใด และยิ่งคุณมีข้อมูลมากเท่าไร ก็จะยิ่งมีเวลามากขึ้นในการติดป้ายกำกับข้อมูลนั้นอย่างแม่นยำเพื่อใช้ในวิธี supervised learning
• การรวมประเภทข้อมูล คุณต้องพิจารณาถึงข้อมูลประเภทต่างๆ ที่ต้องเพิ่มลงในชุดข้อมูลเพื่อให้เป็นโมเดลที่มีประสิทธิภาพเนื่องจากคุณกำลังสอนให้เครื่องตัดสินใจในแบบที่มนุษย์ต้องการ
• อคติที่อาจเกิดขึ้น ข้อเสียอีกประการหนึ่งของ ML เกี่ยวกับจริยธรรม โดยเฉพาะอย่างยิ่งเมื่อพูดถึง deep learning โมเดลเหล่านี้ส่วนใหญ่ไม่ได้อธิบายกระบวนการตัดสินใจ ดังนั้นคุณจึงไม่รู้ว่าโมเดลจะพิจารณาจากปัจจัยใดบ้าง โมเดลนี้ดีพอๆ กับข้อมูลที่คุณป้อนลงไปแต่คุณอาจยังไม่รู้ว่าโมเดลจะสังเกตเห็นความสัมพันธ์แบบใดและมีความยุติธรรมทางศีลธรรมหรือไม่
• ความไม่ถูกต้องที่อาจเกิดขึ้น สิ่งสำคัญคือต้องจำไว้ว่าถึงแม้ ML จะมีประสิทธิภาพมากกว่าผลลัพธ์จากมนุษย์ แต่ก็ไม่ได้สมบูรณ์แบบ หากข้อมูลหรือตรรกะของคุณไม่ถูกต้อง โมเดล machine learning จะสะท้อนถึงความไม่ถูกต้องเหล่านั้น
• ค่าใช้จ่าย หากคุณต้องการสร้างโซลูชัน ML ที่กำหนดเองสำหรับองค์กรของคุณ มีค่าใช้จ่ายที่เกี่ยวข้องกับการจ้าง data scientists เพื่อสร้างและดูแลโมเดลเหล่านี้ โดยเฉลี่ยแล้ว องค์กรใช้จ่าย $60,000 ถึง $95,000 ในช่วงห้าปีแรกของการใช้โมเดล อย่างไรก็ตาม การเลือกใช้โซลูชันอย่าง Adobe Sensei ช่วยให้องค์กรของคุณลดต้นทุนเหล่านี้ได้

วิธีที่ธุรกิจใช้ machine learning

มีหลายกรณีที่การใช้อัลกอริทึม ML สามารถช่วยปรับปรุงและเพิ่มประสิทธิภาพทรัพยากรขององค์กรได้ กรณีหนึ่งที่พบบ่อยคือเมื่อ big data มีขนาดใหญ่เกินกว่าที่มนุษย์จะกลั่นกรองได้ แต่ก็มีข้อมูลสำคัญที่จะเป็นประโยชน์ในการตัดสินใจของบริษัท

ประโยชน์ในด้านนี้ไม่ได้สงวนไว้สำหรับบริษัทเทคโนโลยีเท่านั้น โดย 68% ของบริษัททั่วโลกใช้ ML และจำนวนดังกล่าวมีแนวโน้มที่จะเพิ่มขึ้น เนื่องจากมีประโยชน์อย่างมาก machine learning จึงเริ่มแพร่หลายไปในอุตสาหกรรมต่างๆ

การดูแลสุขภาพ

บริษัทด้านการดูแลสุขภาพใช้ ML เพื่อประมวลผลข้อมูลผู้ป่วยจำนวนมากโดยที่ยังคงปฏิบัติตามกฎหมายคุ้มครองข้อมูล ตัวอย่างเช่น บางองค์กรใช้ machine learning เพื่อเพิ่มความแม่นยำของการถ่ายภาพเพื่อการวินิจฉัยเพื่อตรวจหาโรคในระยะแรกเริ่ม นอกจากนี้ยังมีประโยชน์ในการตรวจจับการฉ้อโกง การสังเกตข้อผิดพลาด และการปรับแต่งการรักษาให้เหมาะกับแต่ละบุคคล

การผลิต

ผู้ผลิตกำลังนำ ML มาปรับใช้เพื่อทำการบำรุงรักษาเชิงป้องกันอย่างชาญฉลาดมากขึ้น แทนที่จะเสียเวลาและเงินไปกับการบำรุงรักษาเครื่องจักรที่ยังไม่จำเป็นต้องดำเนินการ ผู้ผลิตใช้ machine learning เพื่อวิเคราะห์แนวโน้มข้อมูลและเพิ่มประสิทธิภาพการทำงานของเครื่องจักร

ผู้ผลิตไม่ได้ใช้ machine learning ในลักษณะนี้เพียงอย่างเดียว แต่ยังใช้ประโยชน์จากเทคโนโลยีนี้เพื่อจัดการยานยนต์กึ่งอัตโนมัติและอัตโนมัติในโรงงานของตน

ความบันเทิง

คุณมีบัญชี Netflix หรือไม่ หากเป็นเช่นนั้น คุณก็ต้องเคยเห็นการทำงานของ ML บริการสตรีมมิ่งใช้ machine learning เพื่อปรับแต่งภาพขนาดย่อให้เหมาะกับผู้ใช้แต่ละราย แนะนำภาพยนตร์ และรายการโชว์ และปรับคุณภาพการสตรีมให้เหมาะสม

การตลาด

สมมติว่าทีมการตลาดของคุณกำลังตรวจสอบข้อมูลใหม่จากเซกเมนต์ลูกค้าต่างๆ เป็นการยากที่จะจัดเรียงคุณลักษณะที่แตกต่างกันของลูกค้าเพื่อระบุเซกเมนต์ที่มีประสิทธิภาพสูงหรือความต้องการของเซกเมนต์ลูกค้า A ที่ตรงข้ามกับกลุ่มลูกค้า B

ข้อมูลที่มีอยู่จำนวนมากมายอาจทำให้ทีมการตลาดของคุณไม่มีความสามารถที่จะวิเคราะห์ได้ครบถ้วนหรือรวบรวมข้อมูลที่เป็นประโยชน์ได้ ML สามารถจัดการสิ่งนี้ได้อย่างรวดเร็วและอาจทำได้ดีกว่ามนุษย์

การใช้ระบบอัตโนมัติของ machine learning อาจส่งผลให้เกิดข้อมูลเชิงลึกจากการคาดการณ์ที่ทีมของคุณอาจไม่พบด้วยตัวเอง

การเงิน

ที่ปรึกษาแบบหุ่นยนต์กำลังได้รับความนิยมมากขึ้นในโลกการเงิน ตัวอย่างเช่น บริการต่างๆ เช่น Wealthfront ใช้ ML และ AI เพื่อจัดการพอร์ตโฟลิโอโดยอัตโนมัติสำหรับผู้ใช้ ซึ่งจะช่วยลดระยะเวลาที่บริษัทการเงินใช้ในการจัดการการลงทุนของลูกค้าในขณะเดียวกันก็ลูกค้าก็ยังคงได้รับประโยชน์จากการลงทุนที่มีการจัดการ

เพิ่มประสบการณ์ลูกค้าที่น่าประทับใจด้วย machine learning

หากต้องการการเพิ่มประสิทธิภาพการแบ่งเซกเมนต์และกานำเสนอเฉพาะบุคคลด้วย Machine Learning (ML) Adobe Real-Time CDP ช่วยคุณได้