Deep Learning ກັບ Machine Learning: ມັນຕ່າງກັນແນວໃດ ແລະ ຄວນເລືອກໃຊ້ຕອນໃດ?

ທ່ານເຄີຍສົງໄສບໍ່ວ່າ ເຟສບຸກ (Facebook) ຮູ້ໄດ້ແນວໃດວ່າຕ້ອງແທັກແນະນຳຊື່ໝູ່ຂອງທ່ານໃນຮູບພາບທີ່ໄປທ່ຽວງານບຸນທາດຫຼວງນຳກັນ? ຫຼື ຕິກຕ໋ອກ (TikTok) ຮູ້ໃຈພວກເຮົາໄດ້ແນວໃດຈຶ່ງເລືອກວິດີໂອທີ່ເຮົາມັກມາໃຫ້ເບິ່ງແບບພໍດີເປະ? ທັງໝົດນີ້ແມ່ນຜົນງານຂອງເຕັກໂນໂລຊີທີ່ເຮົາມັກໄດ້ຍິນກັນເລື້ອຍໆນັ້ນກໍຄື AI, Machine Learning ແລະ Deep Learning.

ແຕ່ຫຼາຍຄົນອາດຈະຍັງສັບສົນວ່າ ສອງຄຳນີ້ (Machine Learning ແລະ Deep Learning) ມັນຄືກັນຫຼືບໍ່? ແລະ ສຳລັບທຸລະກິດ SME ຫຼື ຄົນລາວທົ່ວໄປ, ເຮົາຄວນຈະເຂົ້າໃຈ ແລະ ເລືອກໃຊ້ມັນແນວໃດຈຶ່ງຈະເກີດປະໂຫຍດ? ມື້ນີ້ພວກເຮົາຈະມາໄຂຂໍ້ຂ້ອງໃຈເຫຼົ່ານີ້ດ້ວຍພາສາທີ່ເຂົ້າໃຈງ່າຍທີ່ສຸດ.

ປູພື້ນຖານ: ປັນຍາປະດິດ (AI) ແມ່ນຫຍັງ?

ກ່ອນອື່ນໝົດ, ໃຫ້ພວກເຮົາວາດພາບວ່າ AI (Artificial Intelligence ຫຼື ປັນຍາປະດິດ) ແມ່ນ “ຄັນຮົ່ມໃຫຍ່” ທີ່ກວມເອົາທຸກໆເຕັກໂນໂລຊີທີ່ສ້າງມາເພື່ອເຮັດໃຫ້ຄອມພິວເຕີມີຄວາມສະຫຼາດຄືກັບມະນຸດ. ລອງນຶກພາບ AI ຄືກັບໂຮງຮຽນ, ພາຍໃນໂຮງຮຽນກໍຈະມີວິຊາຮຽນຕ່າງໆ ແລະ ສອງວິຊາທີ່ໂດດເດັ່ນ ແລະ ເປັນທີ່ນິຍົມທີ່ສຸດໃນຍຸກນີ້ກໍຄື Machine Learning ແລະ Deep Learning.

Machine Learning (ML) ແມ່ນຫຍັງ?

Machine Learning (ML) ຫຼື ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ ແມ່ນສາຂາຍ່ອຍຂອງ AI. ແທນທີ່ພວກເຮົາຈະຂຽນຄຳສັ່ງໃຫ້ຄອມພິວເຕີເຮັດວຽກທຸກຂັ້ນຕອນແບບເກົ່າ, ພວກເຮົາພຽງແຕ່ປ້ອນ “ຂໍ້ມູນ” (Data) ໃຫ້ມັນ ແລ້ວໃຫ້ມັນຮຽນຮູ້ທີ່ຈະຊອກຫາຮູບແບບ (Pattern) ດ້ວຍຕົນເອງ.

• ຕົວຢ່າງໃຫ້ເຫັນພາບ: ລອງນຶກພາບວ່າທ່ານເປັນເຈົ້າຂອງສວນກາເຟຢູ່ເມືອງປາກຊ່ອງ ແລະ ຕ້ອງການສອນພະນັກງານໃໝ່ໃຫ້ຮູ້ຈັກແຍກ “ເມັດກາເຟທີ່ດີ” ກັບ “ເມັດກາເຟທີ່ເສຍ”. ທ່ານຕ້ອງຈັບເມັດກາເຟແຕ່ລະແບບຂຶ້ນມາແລ້ວບອກລາວວ່າ “ອັນນີ້ສີແດງຄືດີ, ອັນນີ້ສີດຳຄືເສຍ”. ເມື່ອທ່ານສອນໄປໄດ້ປະມານ 1,000 ເມັດ, ພະນັກງານຄົນນັ້ນກໍຈະເລີ່ມຈື່ ແລະ ແຍກເອງໄດ້. ນີ້ຄືວິທີທີ່ ML ເຮັດວຽກ! ມະນຸດຕ້ອງຊ່ວຍບອກມັນກ່ອນວ່າ “ຈຸດສັງເກດ” ແມ່ນຫຍັງ ເຊັ່ນ: ສີ, ຂະໜາດ ຫຼື ນໍ້າໜັກ.

Deep Learning (DL) ແມ່ນຫຍັງ?

Deep Learning (DL) ຫຼື ການຮຽນຮູ້ເລິກເຊິ່ງ ແມ່ນສາຂາຍ່ອຍລົງໄປອີກຂັ້ນໜຶ່ງຂອງ Machine Learning, ເຊິ່ງອາດຈະປຽບໄດ້ກັບ “ນັກຮຽນຫ້ອງເກັ່ງພິເສດ”. ມັນໃຊ້ໂຄງສ້າງທີ່ເອີ້ນວ່າ ເຄືອຂ່າຍປະສາດທຽມ (Artificial Neural Networks) ເຊິ່ງເປັນການຮຽນແບບການເຮັດວຽກຂອງຈຸລັງສະໝອງມະນຸດ.

• ຕົວຢ່າງໃຫ້ເຫັນພາບ: ຖ້າເປັນກໍລະນີສວນກາເຟຢູ່ປາກຊ່ອງຄືເກົ່າ, ຖ້າທ່ານໃຊ້ກົນໄກຂອງ DL ລົງມາຊ່ວຍ, ທ່ານບໍ່ຈຳເປັນຕ້ອງບອກລະບົບເລີຍວ່າຕ້ອງເບິ່ງທີ່ “ສີ” ຫຼື “ຂະໜາດ”. ທ່ານພຽງແຕ່ປ້ອນຮູບພາບເມັດກາເຟດີ ເປັນແສນໆປຸ້ມ ແລະ ເມັດກາເຟເສຍ ເປັນແສນໆຮູບໃຫ້ມັນເບິ່ງ. ລະບົບສະໝອງກົນຂອງ DL ຈະຄິດວິເຄາະ ແລະ ຊອກຫາຈຸດສັງເກດດ້ວຍຕົວມັນເອງ (ບາງຄັ້ງມັນອາດຈະສັງເກດເຫັນຮອຍດ່າງນ້ອຍໆທີ່ຕາຄົນເຮົາມອງບໍ່ເຫັນຊໍ້າ).

ຄວາມແຕກຕ່າງຫຼັກ: ມັນຕ່າງກັນຢູ່ບ່ອນໃດທີ່ແທ້ຈິງ?

ເພື່ອໃຫ້ເຫັນພາບຊັດເຈນ, ນີ້ຄື 3 ຂໍ້ແຕກຕ່າງທີ່ສຳຄັນທີ່ສຸດລະຫວ່າງ ML ແລະ DL ທີ່ທ່ານຄວນຮູ້:

• 1. ປະລິມານຂໍ້ມູນ (Volume of Data):
  • ML: ສາມາດເຮັດວຽກໄດ້ດີເຖິງແມ່ນວ່າຈະມີຂໍ້ມູນໃນລະດັບກາງ ຫຼື ໜ້ອຍ (ເຊັ່ນ: ຕາຕະລາງຍອດຂາຍປະຈຳເດືອນຂອງຮ້ານມິນິມາດໃນນະຄອນຫຼວງວຽງຈັນທີ່ມີປະມານ 5,000 ລາຍການ).
  • DL: ຫິວໂຫຍຂໍ້ມູນເປັນຢ່າງຫຼາຍ! ມັນຕ້ອງການຂໍ້ມູນມະຫາສານຈຶ່ງຈະສະຫຼາດໄດ້ (ເຊັ່ນ: ວິດີໂອກ້ອງວົງຈອນປິດຕາມສີ່ແຍກໄຟແດງໃນວຽງຈັນເປັນເວລາຫຼາຍໝື່ນຊົ່ວໂມງ ເພື່ອຮຽນຮູ້ການຈັບພາບລົດທີ່ຝ່າໄຟແດງ).
• 2. ການຊ່ວຍເຫຼືອຈາກມະນຸດ (Human Intervention):
  • ML: ຕ້ອງການໃຫ້ຄົນຊ່ວຍຈັດກຽມຂໍ້ມູນ ແລະ ບອກວ່າຕ້ອງໂຟກັສທີ່ຈຸດໃດເປັນຫຼັກ.
  • DL: ສາມາດຮຽນຮູ້ ແລະ ສະກັດຈຸດເດັ່ນຂອງຂໍ້ມູນໄດ້ດ້ວຍຕົວມັນເອງ ໂດຍແທບຈະບໍ່ຕ້ອງອາໄສມະນຸດຊ່ວຍຊີ້ບອກ.
• 3. ເວລາ ແລະ ພະລັງງານຄອມພິວເຕີ (Time & Compute Power):
  • ML: ໃຊ້ເວລາຝຶກຝົນ (Train) ໜ້ອຍ ແລະ ສາມາດໃຊ້ງານເທິງຄອມພິວເຕີທົ່ວໄປເຄື່ອງດຽວກໍໄດ້.
  • DL: ຕ້ອງການຄອມພິວເຕີສະເປັກສູງຫຼາຍ (ເຊັ່ນ: ກາດຈໍ GPU ແພງໆຮ່ວມກັນຫຼາຍຕົວ) ແລະ ອາດໃຊ້ເວລາເປັນອາທິດ ຫຼື ເປັນເດືອນເພື່ອປະມວນຜົນໃຫ້ສຳເລັດ.

ແລ້ວທຸລະກິດໃນລາວຄວນເລືອກໃຊ້ແບບໃດ?

ການເລືອກໃຊ້ລະຫວ່າງສອງຢ່າງນີ້ ບໍ່ມີອັນໃດດີກວ່າກັນແບບ 100% ແຕ່ມັນຂຶ້ນຢູ່ກັບ “ບັນຫາທີ່ທ່ານຕ້ອງການແກ້” ແລະ “ປະເພດຂໍ້ມູນທີ່ທ່ານມີ”.

ເລືອກໃຊ້ Machine Learning (ML) ເມື່ອ:

• ທ່ານມີຮູບແບບຂໍ້ມູນທີ່ຖືກຈັດລຽງເປັນລະບຽບແລ້ວ ເຊັ່ນ ຕາຕະລາງ Excel ຫຼື Database.
• ຕົວຢ່າງໃນລາວ: ທະນາຄານທ້ອງຖິ່ນ ຕ້ອງການວິເຄາະວ່າລູກຄ້າຄົນໃດມີຄວາມສ່ຽງຈະປ່ອຍກູ້ແລ້ວເປັນໜີ້ເສຍ (NPL) ໂດຍອີງຈາກປະຫວັດການເງິນໃນອະດີດ. ຫຼື ເຈົ້າຂອງຮ້ານອາຫານເຝີແຊບ ຕ້ອງການໃຊ້ຂໍ້ມູນເກົ່າເພື່ອພະຍາກອນລ່ວງໜ້າວ່າຍອດຂາຍໃນຊ່ວງບຸນປີໃໝ່ລາວຈະເພີ່ມຂຶ້ນເທົ່າໃດ ເພື່ອຈະໄດ້ຕຽມສັ່ງຊື້ຊີ້ນໄວ້ໃຫ້ພໍດີແບບບໍ່ເຫຼືອຖິ້ມ.

ເລືອກໃຊ້ Deep Learning (DL) ເມື່ອ:

• ທ່ານມີຂໍ້ມູນທີ່ບໍ່ເປັນຮູບແບບຕາຕະລາງ (Unstructured Data) ແລະ ມີຄວາມຊັບຊ້ອນສູງ ເຊັ່ນ: ຮູບພາບ, ສຽງ, ວິດີໂອ ເປັນຕົ້ນ.
• ຕົວຢ່າງໃນລາວ: ການສ້າງແອັບພລິເຄຊັນແປພາສາ ທີ່ສາມາດຮັບຟັງສຽງຄົນເວົ້າພາສາລາວແລ້ວແປເປັນພາສາອັງກິດໄດ້ທັນທີ, ຫຼື ການໃຊ້ໂດຣນ (Drone) ບິນຖ່າຍຮູບລະດັບນໍ້າຂອງ ແລ້ວໃຊ້ໂປຣແກຣມອັດສະລິຍະວິເຄາະຮູບພາບເພື່ອແຈ້ງເຕືອນໄພນໍ້າຖ້ວມລ່ວງໜ້າ.

ຈຸດສຳຄັນທີ່ຄວນຈື່ (Key Takeaways)

• AI ຄືເຕັກໂນໂລຊີທີ່ເຮັດໃຫ້ຄອມພິວເຕີສະຫຼາດຄືຄົນ.
• ML ຄືການປ້ອນຂໍ້ມູນໃຫ້ມັນຮຽນຮູ້ດ້ວຍຕົນເອງ ໂດຍມີມະນຸດຄອຍແນະນຳທິດທາງ.
• DL ຄື ML ຂັ້ນສູງທີ່ຮຽນແບບສະໝອງມະນຸດ ເໝາະສຳລັບການປະມວນຜົນຂໍ້ມູນຊັບຊ້ອນທີ່ສຸດ.
• ຖ້າທ່ານມີຂໍ້ມູນເປັນຕາຕະລາງ, ຂໍ້ມູນມີຈຳນວນບໍ່ຫຼາຍ ແລະ ຕ້ອງການປະຢັດງົບປະມານ -> ຈົ່ງເລືອກ ML
• ຖ້າທ່ານຕ້ອງປະມວນຜົນຮູບພາບ, ສຽງ, ວິດີໂອ, ມີຂໍ້ມູນຂະໜາດໃຫຍ່ມະຫາສານ ພ້ອມທັງມີງົບປະມານດ້ານຄອມພິວເຕີພຽງພໍ -> ຈົ່ງເລືອກ DL

ສະຫຼຸບ

ປັນຍາປະດິດ (AI) ບໍ່ໄດ້ເປັນເລື່ອງຂອງເວດມົນ ຫຼື ເປັນສິ່ງທີ່ໄກຕົວສຳລັບຄົນລາວອີກຕໍ່ໄປ ແຕ່ມັນຄື “ຄະນິດສາດ” ແລະ “ຂໍ້ມູນ” ທີ່ຖືກນຳມາປະກອບໃຊ້ເຂົ້າກັນຢ່າງເປັນລະບົບ. ສຳລັບທຸລະກິດພາຍໃນປະເທດລາວບໍ່ວ່າຈະເປັນ SMEs ທີ່ຫາກໍເລີ່ມຕົ້ນ ຫຼື ອົງກອນຂະໜາດໃຫຍ່, ການເລີ່ມຕົ້ນເກັບກຳຂໍ້ມູນ (Data) ແບບດິຈິຕອນຢ່າງເປັນລະບົບຕັ້ງແຕ່ມື້ນີ້ ເປັນກ້າວທຳອິດທີ່ສຳຄັນທີ່ສຸດ. ເມື່ອທ່ານມີຂໍ້ມູນແລ້ວ, ການຈະນຳເອົາ Machine Learning ຫຼື Deep Learning ມາຊ່ວຍເພີ່ມຄວາມໄດ້ປຽບທາງທຸລະກິດ ກໍຈະກາຍເປັນເລື່ອງທີ່ເປັນໄປໄດ້ ແລະ ສ້າງຜົນຕອບແທນໄດ້ຢ່າງຄຸ້ມຄ່າແນ່ນອນ.