Machine Learning กับ AI ต่างกันอย่างไร?

หากคุณเคยเพ่งมองหน้าสินค้าแล้วสงสัยว่ากำลังซื้อปัญญาประดิษฐ์ (AI) หรือแค่การเรียนรู้ของเครื่องจักร (Machine Learning) ที่ปลอมตัวมา คุณไม่ใช่คนเดียวที่คิดแบบนั้น คำศัพท์เหล่านี้ถูกใช้กันอย่างแพร่หลายราวกับโปรยดอกไม้ นี่คือคู่มือที่เป็นมิตรและตรงไปตรงมาเกี่ยวกับ Machine Learning กับ AI ที่จะช่วยให้คุณเข้าใจได้ง่ายขึ้น พร้อมทั้งเพิ่มคำอธิบายเปรียบเทียบที่เป็นประโยชน์ และให้แผนที่ที่ใช้งานได้จริงแก่คุณ.

บทความที่คุณอาจสนใจอ่านต่อหลังจากบทความนี้:

🔗 ปัญญาประดิษฐ์ (AI) คืออะไร
บทนำที่เข้าใจง่ายเกี่ยวกับแนวคิด ประวัติ และการใช้งานจริงของ AI.

🔗 ปัญญาประดิษฐ์ที่อธิบายได้คืออะไร?
เหตุใดความโปร่งใสของแบบจำลองจึงมีความสำคัญ และวิธีการตีความผลการทำนาย.

🔗 ปัญญาประดิษฐ์ (AI) ของหุ่นยนต์ฮิวมานอยด์คืออะไร
ความสามารถ ความท้าทาย และกรณีการใช้งานของระบบหุ่นยนต์ที่มีลักษณะคล้ายมนุษย์.

🔗 โครงข่ายประสาทเทียมในปัญญาประดิษฐ์คืออะไร
อธิบายโหนด เลเยอร์ และการเรียนรู้ด้วยตัวอย่างที่เข้าใจง่าย.

Machine Learning กับ AI ต่างกันอย่างไรกันแน่? 🌱→🌳

• ปัญญาประดิษฐ์ (AI) คือเป้าหมายกว้างๆ: ระบบที่ทำหน้าที่ต่างๆ ที่เราเชื่อมโยงกับความฉลาดของมนุษย์ เช่น การให้เหตุผล การวางแผน การรับรู้ ภาษา ซึ่ง เป็นจุดหมายปลายทาง บนแผนที่ สำหรับแนวโน้มและขอบเขต ดัชนี AI ของสแตนฟอร์ดนำเสนอ “สถานการณ์ปัจจุบัน” ที่น่าเชื่อถือ [3]

• การเรียนรู้ของเครื่อง (ML) เป็นส่วนย่อยของ AI: วิธีการที่เรียนรู้รูปแบบจากข้อมูลเพื่อปรับปรุงงานให้ดีขึ้น กรอบแนวคิดแบบคลาสสิกที่ยั่งยืน: ML ศึกษาอัลกอริธึมที่ปรับปรุงโดยอัตโนมัติผ่านประสบการณ์ [1]

วิธีง่ายๆ ที่จะเข้าใจให้เข้าใจง่ายๆ ก็ คือ AI เปรียบเสมือนร่ม ส่วน ML เปรียบเสมือนซี่ร่มซี่หนึ่ง ไม่ใช่ว่า AI ทุกตัวจะใช้ ML แต่ AI สมัยใหม่เกือบทั้งหมดมักพึ่งพา ML ถ้า AI คืออาหาร ML ก็เปรียบเสมือนเทคนิคการปรุงอาหาร ฟังดูตลกนิดหน่อย แต่ก็ใช้ได้ผลดี

เปรียบเทียบ Machine Learning กับ AI 💡

เมื่อผู้คนถามถึงความแตกต่างระหว่าง Machine Learning กับ AI พวกเขามักจะต้องการผลลัพธ์ ไม่ใช่ตัวย่อ เทคโนโลยีที่ดีคือเทคโนโลยีที่ให้ผลลัพธ์เหล่านี้:

1. การเพิ่มขีดความสามารถที่ชัดเจน

   • ตัดสินใจได้รวดเร็วหรือแม่นยำกว่ากระบวนการทำงานของมนุษย์ทั่วไป.

   • ประสบการณ์ใหม่ๆ ที่คุณไม่สามารถสร้างได้มาก่อน เช่น การถอดเสียงหลายภาษาแบบเรียลไทม์.

2. วงจรการเรียนรู้ที่เชื่อถือได้

   • ข้อมูลเข้ามา โมเดลเรียนรู้ พฤติกรรมดีขึ้น วงจรดำเนินต่อไปโดยไม่มีปัญหา.

3. ความแข็งแกร่งและความปลอดภัย

   • ความเสี่ยงและการบรรเทาที่กำหนดไว้อย่างชัดเจน การประเมินที่สมเหตุสมผล ไม่มีปัญหาที่ไม่คาดคิดในกรณีพิเศษ กรอบการจัดการความเสี่ยง AI ของ NIST เป็นเข็มทิศที่ใช้งานได้จริงและเป็นกลางต่อผู้ขาย [2]

4. ความเหมาะสมทางธุรกิจ

   • ความแม่นยำ ความหน่วง และต้นทุนของโมเดลต้องสอดคล้องกับสิ่งที่ผู้ใช้ของคุณต้องการ หากมันดูน่าทึ่งแต่ไม่ช่วยเพิ่มตัวชี้วัดประสิทธิภาพ (KPI) มันก็เป็นแค่โครงงานวิทยาศาสตร์เท่านั้น.

5. ความพร้อมในการปฏิบัติงาน

   • การติดตามตรวจสอบ การจัดการเวอร์ชัน การให้ข้อเสนอแนะ และการฝึกอบรมซ้ำ เป็นงานประจำที่นี่ ความน่าเบื่อถือเป็นเรื่องดี.

ถ้าโครงการใดทำได้ครบทั้งห้าข้อนี้ แสดงว่าเป็น AI ที่ดี เป็น ML ที่ดี หรือเป็นทั้งสองอย่าง แต่ถ้าทำไม่ครบ ก็อาจเป็นแค่ตัวอย่างที่ล้มเหลว.

การเรียนรู้ของเครื่องจักรเทียบกับปัญญาประดิษฐ์โดยสังเขป: แต่ละชั้น 🍰

แบบจำลองทางความคิดที่นำไปใช้ได้จริง:

• ชั้นข้อมูล:
  ข้อความดิบ รูปภาพ เสียง ตาราง คุณภาพของข้อมูลสำคัญกว่าคำโฆษณาโมเดลเกือบทุกครั้ง

• ชั้นโมเดล ประกอบด้วย
  แมชชีนเลิร์นนิงแบบคลาสสิก เช่น ต้นไม้และโมเดลเชิงเส้น การเรียนรู้เชิงลึกสำหรับการรับรู้และภาษา และโมเดลพื้นฐานที่กำลังได้รับความนิยมมากขึ้นเรื่อยๆ

• ชั้นการให้เหตุผลและเครื่องมือ
  การกระตุ้น การดึงข้อมูล ตัวแทน กฎ และกลไกการประเมินผล จะแปลงผลลัพธ์ของแบบจำลองให้เป็นการปฏิบัติงาน

• ชั้นแอปพลิเคชัน
  คือ ผลิตภัณฑ์ที่ผู้ใช้เห็นโดยตรง นี่คือจุดที่ AI ให้ความรู้สึกเหมือนเวทมนตร์ หรือบางครั้งก็แค่...โอเคเท่านั้น

การเรียนรู้ของเครื่องเทียบกับ AI ส่วนใหญ่เป็นเรื่องของขอบเขตระหว่างเลเยอร์เหล่านี้ ML มักจะเป็นเลเยอร์โมเดล AI ครอบคลุมทั้งสแต็ก รูปแบบทั่วไปในทางปฏิบัติคือ โมเดล ML ที่มีการสัมผัสเบาๆ บวกกับกฎของผลิตภัณฑ์จะเอาชนะระบบ "AI" ที่ซับซ้อนกว่าได้ จนกว่าคุณจะต้องการความซับซ้อนเพิ่มเติมจริงๆ [3]

ตัวอย่างในชีวิตประจำวันที่แสดงให้เห็นถึงความแตกต่าง 🚦

• การกรองสแปม

  • ML: ตัวจำแนกประเภทที่ฝึกฝนด้วยอีเมลที่มีป้ายกำกับ.

  • AI: ระบบทั้งหมดรวมถึงหลักการวิเคราะห์เชิงอนุมาน รายงานจากผู้ใช้ เกณฑ์การปรับเปลี่ยน และตัวจำแนกประเภท.

• คำแนะนำผลิตภัณฑ์

  • ML: การกรองแบบร่วมมือ (collaborative filtering) หรือต้นไม้เพิ่มประสิทธิภาพแบบไล่ระดับ (gradient boosted trees) บนประวัติการคลิก.

  • AI: การปรับแต่งเฉพาะบุคคลแบบครบวงจรที่คำนึงถึงบริบท กฎทางธุรกิจ และคำอธิบาย.

• ผู้ช่วยแชท

  • ML: ตัวแบบภาษาเอง.

  • AI: ระบบผู้ช่วยอัจฉริยะที่มีทั้งหน่วยความจำ การเรียกค้นข้อมูล การใช้เครื่องมือ มาตรการความปลอดภัย และประสบการณ์ผู้ใช้ (UX).

คุณจะสังเกตเห็นรูปแบบบางอย่าง ML คือหัวใจของการเรียนรู้ ส่วน AI คือสิ่งมีชีวิตที่คอยหล่อเลี้ยงมันอยู่

ตารางเปรียบเทียบ: เครื่องมือ Machine Learning กับ AI กลุ่มเป้าหมาย ราคา และเหตุผลที่ได้ผล 🧰

จงใจทำให้ดูรกเล็กน้อย เพราะบันทึกจริง ๆ นั้นไม่เคยเรียบร้อยสมบูรณ์แบบหรอก.

*เป็นเพียงข้อมูลเบื้องต้นเท่านั้น บริการส่วนใหญ่มีทั้งแบบฟรีและแบบจ่ายตามการใช้งาน โปรดตรวจสอบหน้าข้อมูลราคาอย่างเป็นทางการสำหรับรายละเอียดล่าสุด.

การเรียนรู้ของเครื่องจักร (Machine Learning) กับปัญญาประดิษฐ์ (AI) มีบทบาทอย่างไรในการออกแบบระบบ 🏗️

1. ความต้องการ

   • ปัญญาประดิษฐ์ (AI): กำหนดผลลัพธ์ที่ผู้ใช้ต้องการ ความปลอดภัย และข้อจำกัด.

   • ML: กำหนดตัวชี้วัดเป้าหมาย คุณลักษณะ ป้ายกำกับ และแผนการฝึกอบรม.

2. กลยุทธ์ข้อมูล

   • AI: การไหลเวียนของข้อมูลแบบครบวงจร การกำกับดูแล ความเป็นส่วนตัว และการยินยอม.

   • ML: การสุ่มตัวอย่าง, การติดป้าย, การเพิ่มจำนวนข้อมูล, การตรวจจับการเปลี่ยนแปลง.

3. การเลือกแบบจำลอง

   • เริ่มต้นด้วยสิ่งที่ง่ายที่สุดที่อาจใช้งานได้ สำหรับข้อมูลที่มีโครงสร้าง/ตาราง ต้นไม้ที่ได้รับการเพิ่มประสิทธิภาพด้วยการไล่ระดับมักจะเป็นพื้นฐานที่ยากมากที่จะเอาชนะได้ [5]

   • เกร็ดเล็กเกร็ดน้อย: ในโครงการเกี่ยวกับการลดจำนวนลูกค้าและการฉ้อโกง เราพบว่า GBDT มีประสิทธิภาพเหนือกว่าเครือข่ายที่ลึกกว่าอยู่บ่อยครั้ง ในขณะเดียวกันก็มีราคาถูกกว่าและให้บริการได้เร็วกว่า [5]

4. การประเมิน

   • ML: ตัวชี้วัดแบบออฟไลน์ เช่น F1, ROC, AUC, RMSE.

   • AI: ตัวชี้วัดออนไลน์ เช่น การแปลง การรักษาลูกค้า และความพึงพอใจ รวมถึงการประเมินโดยมนุษย์สำหรับงานเชิงอัตวิสัย ดัชนี AI ติดตามว่าแนวปฏิบัติดังกล่าวมีการพัฒนาอย่างไรในอุตสาหกรรมโดยรวม [3]

5. ความปลอดภัยและการกำกับดูแล

   • นำนโยบายแหล่งที่มาและการควบคุมความเสี่ยงจากกรอบงานที่น่าเชื่อถือมาใช้ NIST AI RMF ได้รับการออกแบบมาโดยเฉพาะเพื่อช่วยให้องค์กรประเมิน จัดการ และจัดทำเอกสารความเสี่ยงด้าน AI [2]

ตัวชี้วัดที่สำคัญ โดยไม่ต้องพูดจาอ้อมค้อม 📏

• ความแม่นยำเทียบกับประโยชน์ใช้สอย
  โมเดลที่มีความแม่นยำต่ำกว่าเล็กน้อยอาจชนะได้หากความเร็วในการตอบสนองและต้นทุนดีกว่ามาก

• การสอบเทียบ
  หากระบบบอกว่ามั่นใจ 90% มันมักจะถูกต้องในอัตรานั้นหรือไม่? เป็นเรื่องที่ถูกพูดถึงน้อย แต่มีความสำคัญมาก และมีวิธีแก้ไขแบบง่ายๆ เช่น การปรับขนาดอุณหภูมิ [4]

• ความทนทาน
  มันสามารถทำงานได้อย่างมีประสิทธิภาพแม้กับข้อมูลป้อนเข้าที่ไม่เป็นระเบียบหรือไม่? ลองทำการทดสอบความเครียดและกรณีพิเศษจำลองดู

• ความเป็นธรรมและความเสียหาย
  วัดประสิทธิภาพของกลุ่ม บันทึกข้อจำกัดที่ทราบ เชื่อมโยงการให้ความรู้แก่ผู้ใช้ใน UI [2]

• ตัวชี้วัดการดำเนินงาน ได้แก่
  เวลาในการปรับใช้ ความเร็วในการย้อนกลับ ความทันสมัยของข้อมูล อัตราความล้มเหลว โครงสร้างพื้นฐานที่ดูธรรมดาแต่สำคัญยิ่ง

สำหรับการอ่านเพิ่มเติมเกี่ยวกับแนวทางปฏิบัติและแนวโน้มการประเมิน Stanford AI Index รวบรวมข้อมูลและการวิเคราะห์ข้ามอุตสาหกรรม [3]

ข้อผิดพลาดและความเชื่อผิดๆ ที่ควรหลีกเลี่ยง 🙈

• ความเชื่อผิดๆ: ข้อมูลยิ่งมากยิ่งดี
  การติดฉลากที่ดีกว่าและการสุ่มตัวอย่างที่เป็นตัวแทนที่ดีกว่านั้นสำคัญกว่าปริมาณข้อมูลดิบ ใช่ ยังคงเป็นเช่นนั้นอยู่

• ความเชื่อผิดๆ: การเรียนรู้เชิงลึกแก้ปัญหาได้ทุกอย่าง
  ไม่ใช่สำหรับปัญหาตารางขนาดเล็ก/กลาง วิธีการแบบต้นไม้ยังคงมีความสามารถในการแข่งขันสูงมาก [5]

• ความเชื่อผิดๆ: AI เท่ากับความเป็นอิสระอย่างสมบูรณ์
  คุณค่าส่วนใหญ่ในปัจจุบันมาจากการสนับสนุนการตัดสินใจและการทำงานอัตโนมัติบางส่วนโดยมีมนุษย์เข้ามาเกี่ยวข้อง [2]

• ข้อผิดพลาด: การกำหนดปัญหาที่ไม่ชัดเจน
  หากคุณไม่สามารถระบุตัวชี้วัดความสำเร็จได้ในบรรทัดเดียว คุณก็จะเสียเวลาเปล่า

• ข้อผิดพลาด: การเพิกเฉยต่อสิทธิ์ข้อมูลและความเป็นส่วนตัว
  ปฏิบัติตามนโยบายขององค์กรและคำแนะนำทางกฎหมาย จัดโครงสร้างการอภิปรายความเสี่ยงด้วยกรอบการทำงานที่เป็นที่ยอมรับ [2]

ซื้อหรือสร้างเอง: เส้นทางการตัดสินใจที่สั้นกระชับ 🧭

• เริ่มต้นด้วยการซื้อ หากความต้องการของคุณเป็นเรื่องทั่วไปและเวลาจำกัด API และบริการจัดการแบบพื้นฐานมีความสามารถสูงมาก คุณสามารถเพิ่มระบบป้องกัน การดึงข้อมูล และการประเมินผลในภายหลังได้

• สร้างระบบเฉพาะ เมื่อข้อมูลของคุณมีเอกลักษณ์ หรือเมื่อภารกิจนั้นคือจุดแข็งของคุณ ควบคุมกระบวนการจัดการข้อมูลและการฝึกอบรมโมเดลของคุณเอง คาดว่าจะต้องลงทุนใน MLOps

• แบบไฮบริดเป็นเรื่องปกติ ทีมหลายทีมใช้ API สำหรับการประมวลผลภาษาควบคู่กับ Machine Learning แบบกำหนดเองสำหรับการจัดอันดับหรือการให้คะแนนความเสี่ยง ใช้สิ่งที่ได้ผล ผสมผสานและปรับใช้ตามความต้องการ

คำถามที่พบบ่อย (FAQ) เพื่อไขข้อสงสัยเกี่ยวกับ Machine Learning กับ AI ❓

AI ทั้งหมดเป็นการเรียนรู้ของเครื่องหรือ
ไม่? ไม่ใช่ AI บางส่วนใช้กฎ การค้นหา หรือการวางแผนโดยมีการเรียนรู้เพียงเล็กน้อยหรือไม่เลย ML เป็นสิ่งที่โดดเด่นในขณะนี้ [3]

ML ทั้งหมดเป็น AI หรือไม่?
ใช่ ML อยู่ภายใต้ร่มของ AI หากมันเรียนรู้จากข้อมูลเพื่อทำงาน คุณก็อยู่ในขอบเขตของ AI [1]

ในเอกสารควรใช้คำไหนระหว่าง Machine Learning กับ AI?
ถ้าพูดถึงโมเดล การฝึกฝน และข้อมูล ให้ใช้ ML แต่ถ้าพูดถึงความสามารถที่ผู้ใช้เห็นและพฤติกรรมของระบบ ให้ใช้ AI ถ้าไม่แน่ใจ ให้ระบุให้ชัดเจน

ฉันจำเป็นต้องใช้ชุดข้อมูลขนาดใหญ่หรือไม่?
ไม่เสมอไป ด้วยการออกแบบคุณลักษณะอย่างรอบคอบหรือการดึงข้อมูลอย่างชาญฉลาด ชุดข้อมูลขนาดเล็กที่คัดสรรมาอย่างดีสามารถทำงานได้ดีกว่าชุดข้อมูลขนาดใหญ่ที่มีสัญญาณรบกวน โดยเฉพาะอย่างยิ่งกับข้อมูลแบบตาราง [5]

แล้ว AI ที่มีความรับผิดชอบล่ะ?
ควรใส่เข้าไปตั้งแต่เริ่มต้น ใช้แนวทางปฏิบัติด้านความเสี่ยงที่มีโครงสร้าง เช่น NIST AI RMF และสื่อสารข้อจำกัดของระบบให้กับผู้ใช้ [2]

เจาะลึก: การเรียนรู้ของเครื่องแบบดั้งเดิม เทียบกับการเรียนรู้เชิงลึก เทียบกับโมเดลพื้นฐาน 🧩

• ML แบบคลาสสิก

  • เหมาะสำหรับข้อมูลตารางและปัญหาทางธุรกิจที่มีโครงสร้าง

  • ฝึกอบรมได้เร็ว อธิบายง่าย และบริการราคาถูก.

  • มักจะจับคู่กับคุณสมบัติที่สร้างขึ้นโดยมนุษย์และความรู้เฉพาะด้าน [5]

• การเรียนรู้เชิงลึก

  • โดดเด่นในด้านการรับข้อมูลที่ไม่เป็นระเบียบ เช่น รูปภาพ เสียง และภาษาธรรมชาติ.

  • ต้องใช้พลังประมวลผลมากขึ้นและการปรับแต่งอย่างระมัดระวัง.

  • จับคู่กับการเพิ่มประสิทธิภาพ การควบคุม และสถาปัตยกรรมที่รอบคอบ [3]

• แบบจำลองพื้นฐาน

  • ได้รับการฝึกฝนล่วงหน้าด้วยข้อมูลที่หลากหลาย สามารถปรับใช้กับงานต่างๆ ได้มากมายผ่านการแจ้งเตือน การปรับแต่ง หรือการเรียกใช้ข้อมูล.

  • จำเป็นต้องมีมาตรการป้องกัน การประเมิน และการควบคุมต้นทุน ระยะทางที่เพิ่มขึ้นด้วยวิศวกรรมที่รวดเร็วและมีประสิทธิภาพ [2][3]

เป็นอุปมาอุปไมยที่อาจมีข้อบกพร่องเล็กน้อย: การเรียนรู้ของเครื่องแบบดั้งเดิมเปรียบเสมือนจักรยาน การเรียนรู้เชิงลึกเปรียบเสมือนรถจักรยานยนต์ และแบบจำลองพื้นฐานเปรียบเสมือนรถไฟที่บางครั้งก็ใช้เป็นเรือได้ มันอาจพอเข้าใจได้บ้างหากมองอย่างตั้งใจ...แต่ก็ไม่เข้าใจในบางครั้ง อย่างไรก็ตาม มันก็ยังใช้ได้อยู่.

รายการตรวจสอบการนำไปใช้ที่คุณสามารถนำไปใช้ได้เลย ✅

1. เขียนโจทย์ปัญหาโดยสรุปในบรรทัดเดียว.

2. กำหนดข้อมูลพื้นฐานที่ถูกต้องและตัวชี้วัดความสำเร็จ.

3. แหล่งข้อมูลสินค้าคงคลังและสิทธิ์ในข้อมูล [2]

4. เริ่มต้นด้วยแบบจำลองที่ง่ายที่สุดเท่าที่จะเป็นไปได้.

5. ติดตั้งเครื่องมือประเมินผล (evaluation hooks) ในแอปก่อนเปิดตัว.

6. วางแผนกระบวนการให้ข้อเสนอแนะ: การติดป้ายกำกับ การตรวจสอบความคลาดเคลื่อน จังหวะการฝึกอบรมซ้ำ.

7. ระบุข้อสมมติฐานและข้อจำกัดที่ทราบไว้ในเอกสาร.

8. ทดลองทำโครงการขนาดเล็กก่อน แล้วเปรียบเทียบตัวชี้วัดออนไลน์กับผลลัพธ์ออฟไลน์ของคุณ.

9. ขยายขนาดอย่างระมัดระวัง ตรวจสอบอย่างไม่ลดละ จงชื่นชมความน่าเบื่อหน่าย.

การเรียนรู้ของเครื่องจักรเทียบกับปัญญาประดิษฐ์ - บทสรุปสั้นๆ 🍿

• AI คือความสามารถโดยรวมที่ผู้ใช้ของคุณได้สัมผัส

• ML คือกลไกการเรียนรู้ที่ขับเคลื่อนความสามารถส่วนหนึ่งนั้น [1]

• ความสำเร็จไม่ได้ขึ้นอยู่กับรูปแบบของโมเดลมากนัก แต่ขึ้นอยู่กับการกำหนดปัญหาที่ชัดเจน ข้อมูลที่สะอาด การประเมินที่เป็นรูปธรรม และการดำเนินงานที่ปลอดภัย [2][3]

• ใช้ API เพื่อการดำเนินการที่รวดเร็ว และปรับแต่งได้ตามต้องการเมื่อมันกลายเป็นจุดแข็งของคุณ.

• คำนึงถึงความเสี่ยง นำภูมิปัญญาจาก NIST AI RMF มาใช้ [2]

• ติดตามผลลัพธ์ที่สำคัญต่อมนุษย์ ไม่ใช่แค่ความแม่นยำ โดยเฉพาะอย่างยิ่งไม่ใช่ตัวชี้วัดที่ไร้สาระ [3][4]

ข้อสรุปสุดท้าย - ยาวเกินไป อ่านไม่จบ 🧾

การเรียนรู้ของเครื่อง (Machine Learning) กับปัญญาประดิษฐ์ (AI) ไม่ใช่การดวลกัน แต่เป็นเรื่องของขอบเขต AI คือระบบทั้งหมดที่ทำงานอย่างชาญฉลาดเพื่อผู้ใช้ ส่วน ML คือชุดของวิธีการที่เรียนรู้จากข้อมูลภายในระบบนั้น ทีมที่มีความสุขที่สุดคือทีมที่มอง ML เป็นเครื่องมือ AI เป็นประสบการณ์ และผลกระทบของผลิตภัณฑ์คือตัวชี้วัดเดียวที่สำคัญที่สุด รักษาความเป็นมนุษย์ ปลอดภัย วัดผลได้ และมีความกล้าที่จะลองสิ่งใหม่ๆ บ้าง และอย่าลืม: จักรยาน มอเตอร์ไซค์ รถไฟ ฟังดูสมเหตุสมผลใช่ไหมล่ะ 😉

เอกสารอ้างอิง

1. ทอม เอ็ม. มิตเชลล์ - การเรียนรู้ของเครื่องจักร (หน้าหนังสือ, คำจำกัดความ) อ่านเพิ่มเติม

2. NIST - กรอบการบริหารความเสี่ยงด้าน AI (AI RMF 1.0) (เอกสารทางการ) อ่านเพิ่มเติม

3. รายงานดัชนีปัญญาประดิษฐ์ Stanford HAI (ไฟล์ PDF อย่างเป็นทางการ) อ่านเพิ่มเติม

4. Guo, Pleiss, Sun, Weinberger - ว่าด้วยการปรับเทียบโครงข่ายประสาทเทียมสมัยใหม่ (PMLR/ICML 2017) อ่านเพิ่มเติม

5. Grinsztajn, Oyallon, Varoquaux - เหตุใดโมเดลแบบต้นไม้จึงยังคงมีประสิทธิภาพเหนือกว่าการเรียนรู้เชิงลึกบนข้อมูลแบบตาราง? (ชุดข้อมูลและเกณฑ์มาตรฐาน NeuroPs 2022) อ่านเพิ่มเติม

ค้นหา AI รุ่นล่าสุดได้ที่ร้านค้าผู้ช่วย AI อย่างเป็นทางการ

เกี่ยวกับเรา