ปัญญาประดิษฐ์ (AI) คืออะไร

ในเอกสารสัมมนาของ Alan Turing จากปี 1950 เรื่อง "Computing Machinery and Intelligence" เขาพิจารณาว่าเครื่องจักรสามารถคิดเองได้หรือไม่ ในบทความนี้ Turing ได้บัญญัติคำว่าปัญญาประดิษฐ์ขึ้นเป็นครั้งแรก และนำเสนอเป็นแนวคิดทางทฤษฎีและปรัชญา 

ในระหว่างปี 1957 ถึง 1974 การพัฒนาด้านคอมพิวเตอร์ทำให้คอมพิวเตอร์จัดเก็บข้อมูลได้มากขึ้นและประมวลผลได้เร็วขึ้น ในช่วงเวลานี้ นักวิทยาศาสตร์ได้ต่อยอดพัฒนาอัลกอริธึมแมชชีนเลิร์นนิง (ML) ขึ้นมา ความก้าวหน้าในสาขานี้ทำให้หน่วยงานต่างๆ เช่น Defense Advanced Research Projects Agency (DARPA) จัดตั้งกองทุนสำหรับการวิจัย AI ในตอนแรก เป้าหมายหลักของการวิจัยนี้คือการค้นหาว่าคอมพิวเตอร์สามารถถอดเสียงและแปลภาษาพูดได้หรือไม่

ตลอดช่วงทศวรรษ 80 มีเงินทุนเพิ่มขึ้นและชุดเครื่องมืออัลกอริธึมที่นักวิทยาศาสตร์ใช้ในการพัฒนา AI ก็มีประสิทธิภาพเพิ่มมากขึ้น David Rumelhart และ John Hopfield ตีพิมพ์บทความเกี่ยวกับเทคนิคดีปเลิร์นนิง ซึ่งแสดงให้เห็นว่าคอมพิวเตอร์สามารถเรียนรู้จากประสบการณ์ได้ 

ตั้งแต่ปี 1990 ถึงต้นทศวรรษ 2000 นักวิทยาศาสตร์บรรลุเป้าหมายหลักของ AI ในหลากหลายด้าน เช่น การคว้าแชมป์ในการแข่งขันหมากรุกโลก ด้วยข้อมูลการประมวลผลและพลังในการประมวลผลที่เพิ่มมากขึ้นในยุคสมัยใหม่มากกว่าทศวรรษที่ผ่านมา การวิจัยด้าน AI จึงเป็นเรื่องที่นิยมและเข้าถึงได้มากขึ้น โดยมีการพัฒนาอย่างรวดเร็วไปสู่ปัญญาประดิษฐ์ทั่วไป ดังนั้นซอฟต์แวร์จึงสามารถทำงานที่ซับซ้อนได้ ซอฟต์แวร์สามารถสร้าง ตัดสินใจ และเรียนรู้ได้ด้วยตัวเอง ซึ่งก่อนหน้านี้มีเพียงมนุษย์เท่านั้นที่ทำได้

ปัญญาประดิษฐ์มีแอปพลิเคชันที่หลากหลาย แม้ว่ารายการนี้จะไม่ครบถ้วนสมบูรณ์ แต่เป็นตัวอย่างบางส่วนที่เน้นกรณีการใช้งานที่หลากหลายของ AI

การประมวลผลเอกสารอัจฉริยะ

การประมวลผลเอกสารอัจฉริยะ (IDP) จะแปลรูปแบบเอกสารที่ไม่มีโครงสร้างให้เป็นข้อมูลที่ใช้งานได้ ตัวอย่างเช่น แปลงเอกสารทางธุรกิจ เช่น อีเมล รูปภาพ และ PDF เป็นข้อมูลที่มีโครงสร้าง IDP ใช้เทคโนโลยี AI เช่น การประมวลผลภาษาธรรมชาติ (NLP), ดีปเลิร์นนิง และคอมพิวเตอร์วิชันเพื่อแยก จำแนก และตรวจสอบข้อมูล 

ตัวอย่างเช่น HM Land Registry (HMLR) จัดการกรรมสิทธิ์ในอสังหาริมทรัพย์มากกว่า 87 เปอร์เซ็นต์ในอังกฤษและเวลส์ เจ้าหน้าที่ดูแลกรณีของ HMLR เปรียบเทียบและตรวจสอบเอกสารทางกฎหมายที่ซับซ้อนที่เกี่ยวข้องกับธุรกรรมด้านอสังหาริมทรัพย์ องค์กรได้ปรับใช้แอปพลิเคชัน AI เพื่อทำให้การเปรียบเทียบเอกสารเป็นอัตโนมัติ ซึ่งลดเวลาในการตรวจสอบลง 50 เปอร์เซ็นต์ และเสริมประสิทธิภาพในกระบวนการอนุมัติการโอนอสังหาริมทรัพย์ 

Application Performance Monitoring

Application Performance Monitoring (APM) เป็นกระบวนการใช้เครื่องมือซอฟต์แวร์รวมถึงข้อมูลการตรวจวัดและส่งข้อมูลทางไกลเพื่อติดตามประสิทธิภาพของแอปพลิเคชันที่มีความสำคัญต่อธุรกิจ เครื่องมือ APM ที่ใช้ AI เป็นหลักจะใช้ข้อมูลประวัติเพื่อคาดการณ์ปัญหาก่อนที่จะเกิดปัญหาขึ้น อีกทั้งยังสามารถแก้ไขปัญหาแบบเรียลไทม์โดยแนะนำวิธีแก้ปัญหาที่มีประสิทธิภาพให้กับนักพัฒนาของคุณ กลยุทธ์นี้ช่วยให้แอปพลิเคชันทำงานได้อย่างมีประสิทธิภาพและแก้ไขปัญหาคอขวดได้

การซ่อมบำรุงเชิงคาดการณ์

การบำรุงรักษาแบบใช้ข้อมูลคาดการณ์ที่เสริมด้วย AI คือกระบวนการใช้ข้อมูลจำนวนมากเพื่อระบุปัญหาที่อาจนำไปสู่การหยุดทำงานของระบบหรือบริการ การบำรุงรักษาแบบใช้ข้อมูลคาดการณ์ช่วยให้ธุรกิจสามารถแก้ไขปัญหาที่อาจเกิดขึ้นได้ก่อนที่จะเกิดปัญหาขึ้น ซึ่งช่วยลดเวลาหยุดทำงานและป้องกันการหยุดชะงักได้

ตัวอย่างเช่น Baxter ใช้โรงงานผลิต 70 แห่งทั่วโลกและดำเนินงานตลอด 24 ชั่วโมงทุกวันเพื่อให้บริการเทคโนโลยีทางการแพทย์ Baxter ใช้การบำรุงรักษาแบบใช้ข้อมูลคาดการณ์เพื่อตรวจจับสภาวะที่ผิดปกติในอุปกรณ์อุตสาหกรรมโดยอัตโนมัติ ผู้ใช้สามารถนำโซลูชันที่มีประสิทธิภาพมาใช้งานล่วงหน้าเพื่อลดเวลาหยุดทำงานและเพิ่มประสิทธิภาพในการดำเนินงาน 

การวิจัยทางการแพทย์

การวิจัยทางการแพทย์ใช้ AI เพื่อเพิ่มความคล่องตัวในกระบวนการ ปรับงานที่ต้องซ้ำๆ ให้ดำเนินไปโดยอัตโนมัติ และประมวลผลข้อมูลจำนวนมหาศาล คุณสามารถใช้เทคโนโลยี AI ในการวิจัยทางการแพทย์เพื่ออำนวยความสะดวกในการค้นคว้าและพัฒนายาแบบครบวงจร ถอดความบันทึกทางการแพทย์ และลดเวลาในการนำผลิตภัณฑ์ใหม่ๆ ออกสู่ตลาด

ตามตัวอย่างในโลกแห่งความเป็นจริง C2i Genomics ใช้ปัญญาประดิษฐ์เพื่อรันไปป์ไลน์จีโนมและการตรวจทางคลินิกในวงกว้างที่สามารถปรับแต่งได้ เนื่องจาก AI ครอบคลุมไปถึงโซลูชันการประมวลผล นักวิจัยสามารถมุ่งเน้นไปที่ประสิทธิภาพทางคลินิกและการพัฒนาวิธีการได้ ทีมวิศวกรยังใช้ AI เพื่อลดความต้องการใช้ทรัพยากร การบำรุงรักษาทางวิศวกรรม และต้นทุน NRE อีกด้วย 

การวิเคราะห์ทางธุรกิจ

การวิเคราะห์ธุรกิจใช้ AI เพื่อรวบรวม ประมวลผล และวิเคราะห์ชุดข้อมูลที่ซับซ้อน คุณสามารถใช้การวิเคราะห์ AI เพื่อคาดการณ์มูลค่าในอนาคต ทำความเข้าใจสาเหตุที่แท้จริงของข้อมูล และลดกระบวนการที่ใช้เวลานาน 

สถาปัตยกรรมปัญญาประดิษฐ์ประกอบด้วย 4 เลเยอร์หลัก แต่ละเลเยอร์เหล่านี้ใช้เทคโนโลยีที่แตกต่างกันเพื่อทำแต่ละบทบาท ในลำดับต่อไป เราจะอธิบายสิ่งที่เกิดขึ้นในแต่ละเลเยอร์

เลเยอร์ที่ 1: เลเยอร์ข้อมูล

AI สร้างขึ้นจากเทคโนโลยีต่างๆ เช่น แมชชีนเลิร์นนิง การประมวลผลภาษาธรรมชาติ และการจดจำรูปภาพ ศูนย์กลางของเทคโนโลยีเหล่านี้คือข้อมูล ซึ่งเป็นเลเยอร์ขั้นพื้นฐานของ AI เลเยอร์นี้จะเน้นไปที่การเตรียมข้อมูลสำหรับแอปพลิเคชัน AI เป็นหลัก อัลกอริธึมสมัยใหม่ โดยเฉพาะอัลกอริธึมดีปเลิร์นนิง ต้องใช้ทรัพยากรการประมวลผลจำนวนมหาศาล ดังนั้น เลเยอร์นี้จึงมีฮาร์ดแวร์ที่ทำหน้าที่เป็นเลเยอร์ย่อย ซึ่งเป็นโครงสร้างพื้นฐานที่จำเป็นสำหรับการฝึกโมเดล AI คุณสามารถเข้าถึงเลเยอร์นี้โดยเป็นบริการที่มีการจัดการเต็มรูปแบบจากผู้ให้บริการระบบคลาวด์ที่เป็นบุคคลที่สาม

อ่านเรื่องแมชชีนเลิร์นนิง »

เลเยอร์ที่ 2: เฟรมเวิร์ก ML และเลเยอร์อัลกอริทึม

เฟรมเวิร์ก ML สร้างขึ้นโดยวิศวกรร่วมกับนักวิทยาศาสตร์ข้อมูล เพื่อตอบโจทย์ความต้องการของกรณีการใช้งานทางธุรกิจที่เฉพาะเจาะจง จากนั้นนักพัฒนาจะสามารถใช้ฟังก์ชันและคลาสที่สร้างไว้ล่วงหน้าเพื่อสร้างและฝึกโมเดลได้อย่างง่ายดาย ตัวอย่างของเฟรมเวิร์กเหล่านี้ ได้แก่ TensorFlow, PyTorch และ scikit-learn เฟรมเวิร์กเหล่านี้เป็นองค์ประกอบสำคัญของสถาปัตยกรรมแอปพลิเคชันและมีฟังก์ชันที่จำเป็นในการสร้างและฝึกโมเดล AI ได้อย่างง่ายดาย

เลเยอร์ที่ 3: เลเยอร์โมเดล

ในเลเยอร์โมเดล นักพัฒนาแอปพลิเคชันจะนำโมเดล AI ไปใช้และฝึกโมเดลโดยใช้ข้อมูลและอัลกอริธึมจากเลเยอร์ก่อนหน้านี้ เลเยอร์นี้เป็นหัวใจสำคัญของความสามารถในการตัดสินใจของระบบ AI

ต่อไปนี้เป็นองค์ประกอบสำคัญบางส่วนของเลเยอร์นี้

โครงสร้างโมเดล

โครงสร้างนี้จะกำหนดความสามารถของโมเดล ซึ่งประกอบด้วยเลเยอร์ เซลล์ประสาท และฟังก์ชันการเปิดใช้งาน เราอาจเลือกจากนิวรัลเน็ตเวิร์กแบบฟีดฟอร์เวิร์ด นิวรัลเน็ตเวิร์กแบบสังวัตนาการ (CNN) หรืออื่นๆ ทั้งนี้ขึ้นอยู่กับปัญหาและทรัพยากร

พารามิเตอร์และฟังก์ชันของโมเดล

ค่าที่เรียนรู้ระหว่างการฝึก เช่น น้ำหนักและอคติของนิวรัลเน็ตเวิร์ก มีความสำคัญอย่างยิ่งต่อการคาดการณ์ ฟังก์ชันการสูญเสียจะประเมินประสิทธิภาพของโมเดลและมีเป้าหมายเพื่อลดความคลาดเคลื่อนระหว่างผลลัพธ์ที่คาดการณ์ไว้กับผลลัพธ์จริง

เครื่องมือเพิ่มประสิทธิภาพ

องค์ประกอบนี้จะปรับพารามิเตอร์โมเดลเพื่อลดฟังก์ชันการสูญเสีย เครื่องมือเพิ่มประสิทธิภาพต่างๆ เช่น การไล่ระดับสีและ Adaptive Gradient Algorithm (AdaGrad) ทำหน้าที่เพื่อวัตถุประสงค์ที่แตกต่างกัน

เลเยอร์ที่ 4 – เลเยอร์แอปพลิเคชัน

เลเยอร์ที่ 4 คือเลเยอร์แอปพลิเคชัน ซึ่งเป็นส่วนที่มีปฏิสัมพันธ์กับลูกค้าของสถาปัตยกรรม AI คุณสามารถขอให้ระบบ AI ทำงานบางอย่าง สร้างข้อมูล ให้ข้อมูล หรือตัดสินใจโดยมีข้อมูลประกอบได้ เลเยอร์แอปพลิเคชันช่วยให้ผู้ใช้ปลายทางสามารถโต้ตอบกับระบบ AI