วิธีการเรียนรู้แมชชีนเลิร์นนิง
- ภูมิหลังของคุณคืออะไรคุณทําอะไรก่อนการเรียนรู้ของเครื่อง?อย่างไร
— ฉันทำธุรกิจบริการของ Sethiเทคโนโลยี เราให้บริการลูกค้าด้วยโซลูชั่นตามการเรียนรู้ของเครื่องและปัญญาประดิษฐ์ ในช่วงสองปีที่ผ่านมา เราได้ทำงานร่วมกับบริษัทที่ใหญ่ที่สุดที่ติดอันดับ Fortune 500
ฉันรู้สึกทึ่งกับข้อมูลมาโดยตลอดสิ่งนี้เป็นตัวกำหนดทางเลือกของฉัน - หลังจากนั้นฉันก็เริ่มมองหาความรู้ ทักษะ และประสบการณ์ในด้านการเรียนรู้ของเครื่องผ่านการเรียนรู้ด้วยโครงงาน สิ่งนี้ทำให้ฉันมีโอกาสเป็นผู้เชี่ยวชาญด้านแมชชีนเลิร์นนิงใน Education Ecosystem ซึ่งเป็นระบบนิเวศการเรียนรู้แบบกระจายอำนาจที่สอนมืออาชีพและนักศึกษาให้สร้างผลิตภัณฑ์จริง
“หากข้อมูล ระบบอัตโนมัติ และอัลกอริธึมเป็นที่สนใจ แมชชีนเลิร์นนิงก็เป็นทางเลือกในอาชีพที่ทำกำไรได้”
ผู้คนเริ่มเรียนรู้แมชชีนเลิร์นนิงอย่างไร นี่ไม่ใช่พื้นที่ที่จำเป็นต้องมีความรู้พื้นฐานและการศึกษาเป็นเวลาหลายปีหรือไม่?
— ความรู้พื้นฐานในสาขาการเขียนโปรแกรมเป็นข้อได้เปรียบเพิ่มเติม มิฉะนั้น เส้นโค้งการเรียนรู้จะสูงชันเกินไป แมชชีนเลิร์นนิงยังเป็นองค์ประกอบหลักของพื้นที่ที่มีการพัฒนาอย่างรวดเร็วที่สุด เช่น บิ๊กดาต้า การวิเคราะห์เชิงทำนาย การทำเหมืองข้อมูล และสถิติทางคอมพิวเตอร์
หากข้อมูล ระบบอัตโนมัติ และอัลกอริธึมเรียกที่น่าสนใจ จากนั้นแมชชีนเลิร์นนิงก็เป็นทางเลือกในอาชีพที่ทำกำไรได้ การเรียนโปรแกรมหรือหลักสูตรที่มีโครงสร้างเป็นวิธีที่ดีที่สุดวิธีหนึ่งในการเรียนรู้แมชชีนเลิร์นนิงตั้งแต่เริ่มต้น ความต้องการที่สูงในอุตสาหกรรมนี้ส่งผลให้มีหลักสูตรแบบตัวต่อตัวและแบบออนไลน์หลายร้อยหลักสูตร
— คุณสามารถแนะนำนักพัฒนาและนักวิเคราะห์ที่ต้องการพัฒนาในด้านนี้ได้อย่างไร?
– แมชชีนเลิร์นนิงมีศักยภาพที่จะทำให้แอปพลิเคชันมีประสิทธิภาพและตอบสนองต่อความต้องการของผู้ใช้มากขึ้น นักพัฒนาที่ต้องการนำแมชชีนเลิร์นนิงไปใช้กับแอปพลิเคชันจำเป็นต้องทราบสิ่งสำคัญสองสามประการที่จะช่วยให้พวกเขาประสบความสำเร็จ:
- ยิ่งอัลกอริทึมมีข้อมูลมากเท่าใด ก็ยิ่งมีความแม่นยำมากขึ้นเท่านั้น ดังนั้น หลีกเลี่ยงการสุ่มตัวอย่างย่อยเมื่อทำได้
- การเลือกวิธีการแมชชีนเลิร์นนิงที่ดีที่สุดสำหรับปัญหาคือกุญแจสำคัญ และมักจะเป็นตัวกำหนดความสำเร็จหรือความล้มเหลว
- โมเดลแมชชีนเลิร์นนิงจะดีได้ก็ต่อเมื่อข้อมูลดีเท่านั้น
- การทำความเข้าใจคุณลักษณะของข้อมูลและการปรับปรุง (โดยการสร้างใหม่และนำคุณลักษณะที่มีอยู่ออก) มีผลกระทบอย่างมากต่อความสามารถในการคาดการณ์
- เรียนได้ที่ไหน? อาจจะอยู่ในหลักสูตรหรือโรงเรียน?
— โชคดีที่วันนี้มีหลายแพลตฟอร์มการเรียนรู้ออนไลน์ เช่น ระบบนิเวศการศึกษา ซึ่งคุณสามารถเรียนรู้แนวคิดต่างๆ ของแมชชีนเลิร์นนิงและปัญญาประดิษฐ์ ที่ Education Ecosystem คุณสามารถเรียนรู้จากนักพัฒนาผู้เชี่ยวชาญผ่านโครงการที่มีบทช่วยสอนและทรัพยากรของโครงการ ตัวอย่างเช่น ฉันสร้างหลายโครงการเช่นนี้:
- การดึงภาพโดยความคล้ายคลึงกันโดยใช้ Tensorflow และ Keras
- การถ่ายโอนสไตล์ประสาทโดยใช้ Keras และ Tensorflow
- วิธีการตรวจจับใบหน้าโดยใช้ OpenCV Haar Cascades
ธุรกิจใดต้องการและไม่ต้องการ AI
— คุณ “ขาย” AI และแมชชีนเลิร์นนิงให้กับบริษัทอย่างไร และพวกเขาปรับปรุงงานของพวกเขาอย่างไร? ทำไมคุณถึงคิดว่าธุรกิจกลายเป็นวิทยาศาสตร์มากขึ้น?
— อัลกอริธึมการเรียนรู้ของเครื่องสามารถทำซ้ำได้เรียนรู้จากชุดข้อมูลที่จัดให้ เข้าใจรูปแบบ พฤติกรรม กระบวนการนี้เป็นการทำซ้ำและปรับปรุงอย่างต่อเนื่อง ซึ่งช่วยให้บริษัทต่างๆ เปลี่ยนแปลงอย่างต่อเนื่องเพื่อตอบสนองความต้องการของธุรกิจและลูกค้า
"อัลกอริธึมการเรียนรู้ของเครื่องสามารถเรียนรู้ซ้ำๆ จากชุดข้อมูลที่กำหนด"
บริษัทใดบ้างที่จะและไม่เหมาะกับ? ปัญหาอะไรที่สามารถแก้ไขได้ด้วยความช่วยเหลือของพวกเขา?
— ที่สำคัญที่สุด แมชชีนเลิร์นนิงเป็นสิ่งจำเป็นสำหรับธุรกิจซึ่งเกี่ยวข้องกับการจัดประเภทรูปภาพ การแยกวิเคราะห์ข้อความ หรือการสร้างแบบจำลองการคาดการณ์ สำหรับธุรกิจประเภทอื่นๆ สามารถฝึกอัลกอริทึมเพื่อแนะนำบางสิ่งให้กับผู้ใช้ รวบรวมข้อมูล ใช้การเรียนรู้เชิงลึกและโครงข่ายประสาทเทียม ในอุตสาหกรรมการบริการ อัลกอริทึมสามารถได้รับการฝึกฝนเหมือนผู้จัดการแผนกช่วยเหลือผ่านการประมวลผลภาษาธรรมชาติตามการร้องเรียนของลูกค้าทั่วไป
— ในบริเวณนี้มีสิ่งใหม่ๆ ปรากฏขึ้นแทบทุกวัน จะติดตามสิ่งที่เกิดขึ้นได้อย่างไรให้ความสนใจเป็นพิเศษกับอะไร?
รายงานล่าสุดของ Indeed พบว่างานวิศวกรรมแมชชีนเลิร์นนิงกําลังแซงหน้าเอกสารยังตั้งข้อสังเกตว่าความต้องการวิศวกรแมชชีนเลิร์นนิ่งเพิ่มขึ้น 344%
พื้นที่นี้มีความสำคัญมากเพราะว่าช่วยให้ธุรกิจเห็นแนวโน้มพฤติกรรมลูกค้าและรูปแบบการดำเนินธุรกิจ ส่งเสริมการพัฒนาผลิตภัณฑ์ใหม่ บริษัทชั้นนำหลายแห่ง เช่น Facebook, Google และ Uber กำลังทำให้แมชชีนเลิร์นนิงเป็นส่วนสำคัญของการดำเนินงาน การพัฒนาวิชาชีพอย่างต่อเนื่องจะช่วยให้มืออาชีพใช้ประโยชน์จากอุปสงค์สูงและอุปทานต่ำในอุตสาหกรรมนี้
— การเรียนรู้ของเครื่องมักใช้ในการวิเคราะห์ข้อมูลขนาดใหญ่ ผลิตภัณฑ์ล้ำยุคใดบ้างที่จะปรากฏที่นี่
ข้อมูลขนาดใหญ่กลายเป็นสิ่งสำคัญมากองค์กรทั้งภาครัฐและเอกชน รวบรวมข้อมูลจำนวนมหาศาลในพื้นที่เฉพาะ การรวมแมชชีนเลิร์นนิงเข้ากับบิ๊กดาต้าเป็นกระบวนการที่ไม่มีวันสิ้นสุด เราจะเห็นว่าอัลกอริทึมการเรียนรู้ของเครื่องถูกนำไปใช้กับทุกองค์ประกอบของการทำงานกับข้อมูลขนาดใหญ่อย่างไร รวมถึงการแบ่งส่วน การวิเคราะห์ข้อมูล และการสร้างแบบจำลอง
— ช่องทางการตลาดเสรีใดบ้างที่เกี่ยวข้องกับการพัฒนาแมชชีนเลิร์นนิงและ AI
- ปัญญาประดิษฐ์คือความก้าวหน้าเทคโนโลยีล่าสุด มีหลายพื้นที่เฉพาะที่ AI กำลังสร้างผลกระทบอย่างมาก มีแอปพลิเคชั่นเฉพาะอื่น ๆ ที่ไม่ได้กล่าวถึงในสื่อ แต่อยู่ในสิ่งพิมพ์ทางวิทยาศาสตร์ ในอีกไม่กี่ปีข้างหน้า พวกเขาจะได้รับการพัฒนาที่ยิ่งใหญ่ที่สุด ได้แก่ การศึกษา การก่อสร้างและการวางแผน การวิเคราะห์ความบันเทิงและกีฬา
— คุณเห็นการพัฒนาของแมชชีนเลิร์นนิงอย่างไร? จะช่วยผู้คน ธุรกิจ รัฐได้อย่างไร?
— การเรียนรู้ของเครื่องช่วยธุรกิจใช้การบำรุงรักษาเชิงป้องกันเพื่อลดการเสียอุปกรณ์และเพิ่มผลกำไร เมื่อความต้องการความสามารถในการประมวลผลข้อมูลขนาดใหญ่และซับซ้อนเพิ่มขึ้น แมชชีนเลิร์นนิงจะช่วยให้ธุรกิจต่างๆ ใช้ข้อมูลผู้บริโภคเพื่อสร้างโปรไฟล์ลูกค้าที่มีประโยชน์ เพิ่มยอดขาย และสร้างความภักดีต่อแบรนด์
แมชชีนเลิร์นนิงเพิ่งเริ่มพัฒนา สิ่งที่ดีที่สุด ยังมาไม่ถึง
อะไรคือความเข้าใจผิดที่ใหญ่ที่สุดเกี่ยวกับบิ๊กดาต้าและแมชชีนเลิร์นนิง?
- ความเข้าใจผิดที่ใหญ่ที่สุดคือว่าโมเดลแมชชีนเลิร์นนิงสามารถแก้ปัญหาทั้งหมดของโลกนี้ได้ หนึ่งในคำพูดที่มีชื่อเสียงที่สุดเกี่ยวกับแมชชีนเลิร์นนิงมาจาก Dave Waters: “ทารกเรียนรู้ที่จะคลาน เดิน และวิ่ง ในด้านของแมชชีนเลิร์นนิง เราอยู่ในขั้นตอนการรวบรวมข้อมูล”
ในกระบวนการของการเรียนรู้ของเครื่องจะมีอยู่เสมอบุคคลที่เกี่ยวข้อง แต่มีข้อแม้ที่นี่ ด้วยอัลกอริธึมที่ได้รับการปรับปรุง เราจะสามารถขจัดการมีส่วนร่วมของมนุษย์ได้อย่างสมบูรณ์หลังจากฝึกโมเดลแมชชีนเลิร์นนิงเฉพาะ
- ไม่ใช่ทุกคนที่ติดตามความก้าวหน้าในด้านนี้ - เราควรใส่ใจกับอะไร?
— การพัฒนาล่าสุดในด้านเครื่องจักรการเรียนรู้ในวันนี้คือการเรียนรู้ของเครื่องอัตโนมัติ (AutoML), การจัดการการดำเนินงานการเรียนรู้ของเครื่อง (MLOps), การเรียนรู้ของเครื่องที่ไม่มีโค้ดและการพัฒนาการเรียนรู้ของเครื่องด้วยรหัสต่ำ เหล่านี้เป็นแนวคิดที่จะนำไปสู่โครงการที่มีแนวโน้มมากในปีต่อ ๆ ไป
— ปัญหาระยะสั้นและระยะยาวของ ML คืออะไร? แล้วอคติของนักพัฒนา เจตนาที่ไม่ดี และมาตรฐานทางจริยธรรมที่ไม่สามารถเขียนลงและทำให้เป็นทางการล่ะ
— ความท้าทายที่ใหญ่ที่สุดในการเรียนรู้ของเครื่อง —มันคือการขาดทรัพยากรที่มีคุณภาพ การขาดข้อมูลที่มีคุณภาพ และความเข้าใจว่ากระบวนการใดที่จำเป็นต้องดำเนินการโดยอัตโนมัติ จนกว่าเราจะมีข้อมูลที่ชัดเจนและเชื่อถือได้ ผู้เชี่ยวชาญด้านแมชชีนเลิร์นนิงจะยังคงเผชิญกับความท้าทายในการพัฒนาอัลกอริธึมและระบบที่ตอบสนองความต้องการที่แท้จริงที่พวกเขาสร้างขึ้น
- เมื่อใดและในด้านใด ปัญญาประดิษฐ์จะแสดงตัวเองในลักษณะที่น่าสนใจที่สุด?
— ปัญญาประดิษฐ์กำลังกำหนดอนาคตมนุษยชาติในเกือบทุกภาคส่วน ซึ่งเป็นตัวขับเคลื่อนสำคัญของเทคโนโลยีเกิดใหม่ เช่น บิ๊กดาต้า หุ่นยนต์ และ IoT และจะยังคงเป็นผู้ริเริ่มเทคโนโลยีต่อไปในอนาคตอันใกล้ ทุกวันนี้ เป็นการยากที่จะเลือกพื้นที่ใดพื้นที่หนึ่งโดยเฉพาะ เนื่องจากอุตสาหกรรมทั้งหมดในปัจจุบันทำงานด้วยข้อมูลจำนวนมากและมีความต้องการด้านระบบอัตโนมัติที่แตกต่างกัน
อ่านเพิ่มเติม:
นักโบราณคดีได้ยืนยันตำนานจากพระคัมภีร์อย่างเป็นทางการแล้ว
พบหลุมศพของ "นักบวช" แห่ง Aphrodite: นักวิทยาศาสตร์แสดงสิ่งที่พวกเขาพบที่นั่น
นักวิทยาศาสตร์ได้เห็นสิ่งที่อยู่ในอาณาเขตของเมืองหลวงมายัน การค้นพบทำให้พวกเขาประหลาดใจ