កុំព្យូទ័រមិនទទួលយកទេប៉ុន្តែពួកគេកំពុងទទួលបានភាពឆ្លាតវៃជារៀងរាល់ថ្ងៃ
នៅក្នុងលក្ខខណ្ឌសាមញ្ញការរៀនម៉ាស៊ីន (ML) គឺជាកម្មវិធីកុំព្យូទ័រ (ម៉ាស៊ីន) ដែលវាអាចអនុវត្តភារកិច្ចដែលបានស្នើដោយប្រើនិងវិភាគ ទិន្នន័យ ( ទិន្នន័យ ) ដើម្បីអនុវត្តភារកិច្ចដោយឯករាជ្យ ដោយគ្មានការបញ្ចូលជាក់លាក់បន្ថែម ពីអ្នកអភិវឌ្ឍន៍មនុស្ស។
ការរៀនម៉ាស៊ីន 101
ពាក្យ "ការរៀនម៉ាស៊ីន" ត្រូវបានបង្កើតនៅក្នុងបន្ទប់ពិសោធន៍របស់ក្រុមហ៊ុន IBM នៅឆ្នាំ 1959 ដោយលោក Arthur Samuel ជាអ្នកត្រួសត្រាយផ្លូវក្នុង ការឆ្លាតវៃសិប្បនិម្មិត (AI) និងហ្គេមកុំព្យូទ័រ។ ការរៀនម៉ាស៊ីនជាលទ្ធផលគឺជាសាខាមួយនៃសិប្បនិម្មិតវៃឆ្លាត។ ការសន្និដ្ឋានរបស់សាំយូអែលគឺដើម្បីត្រឡប់ម៉ូដែលកុំព្យូទ័រនៃពេលវេលាចិត្តសប្បុរសដោយអាស្រ័យចុះនិងបញ្ឈប់ការផ្តល់កុំព្យូទ័ររឿងដើម្បីរៀន។
ផ្ទុយទៅវិញគាត់ចង់ឱ្យកុំព្យូទ័រចាប់ផ្តើមស្វែងរកអ្វីដោយខ្លួនឯងដោយគ្មានមនុស្សត្រូវតែបញ្ចូលសូម្បីតែព័ត៌មានតូចតាចបំផុត។ បន្ទាប់មកលោកគិតថាកុំព្យូទ័រនឹងមិនត្រឹមតែអនុវត្តភារកិច្ចនោះទេប៉ុន្តែអាចសម្រេចថាតើភារកិច្ចណាដែលត្រូវអនុវត្តហើយនៅពេលណា។ ហេតុអ្វី? ដូច្នេះកុំព្យូទ័រអាចកាត់បន្ថយចំនួនការងារដែលមនុស្សត្រូវការដើម្បីអនុវត្តនៅក្នុងតំបន់ដែលបានផ្តល់ឱ្យ។
របៀបដែលម៉ាស៊ីនរៀនធ្វើការ
ការរៀនម៉ាស៊ីនដំណើរការតាមរយៈការប្រើក្បួននិងទិន្នន័យ។ ក្បួនដោះស្រាយគឺជាសំណុំនៃសេចក្តីណែនាំឬគោលការណ៍ណែនាំដែលប្រាប់កុំព្យូទ័រឬកម្មវិធីអំពីរបៀបអនុវត្តភារកិច្ច។ ក្បួនដោះស្រាយដែលបានប្រើនៅក្នុង ML ប្រមូលទិន្នន័យសម្គាល់លំនាំនិងប្រើការវិភាគទិន្នន័យដើម្បីសម្របខ្លួនកម្មវិធីនិងមុខងាររបស់ខ្លួនដើម្បីបំពេញភារកិច្ច។
ក្បួនដោះស្រាយ ML ប្រើសំណុំច្បាប់ដើមឈើការសម្រេចចិត្តគំរូក្រាហ្វិកដំណើរការភាសាធម្មជាតិនិងបណ្តាញសរសៃប្រសាទ (ឈ្មោះមួយចំនួន) ដើម្បីធ្វើឱ្យទិន្នន័យដំណើរការស្វ័យប្រវត្តិដើម្បីធ្វើការសម្រេចចិត្តនិងអនុវត្តភារកិច្ច។ ខណៈពេលដែល ML អាចជាប្រធានបទដ៏ស្មុគ្រស្មាញ, ម៉ាស៊ីន Teachable របស់ Google ផ្តល់នូវការបង្ហាញសាមញ្ញបង្ហាញដៃនៃរបៀប ML ធ្វើការ។
សំណុំបែបបទដ៏មានឥទ្ធិពលបំផុតនៃការរៀនសូត្រម៉ាស៊ីនដែលត្រូវបានគេប្រើសព្វថ្ងៃនេះដែលគេហៅថា ការរៀនសូត្រជ្រៅ បង្កើតរចនាសម្ព័ន្ធគណិតវិទ្យាដែលស្មុគស្មាញដែលគេហៅថាបណ្តាញសរសៃប្រសាទដោយផ្អែកលើទិន្នន័យយ៉ាងច្រើន។ បណ្តាញប្រសាទគឺជាក្បួននៃក្បួនដោះស្រាយនៅក្នុង ML និង AI បានយកគំរូតាមកោសិកាសរសៃប្រសាទនៅក្នុងខួរក្បាលរបស់មនុស្សនិងពត៌មានដំណើរការប្រព័ន្ធសរសៃប្រសាទ។
សិប្បនិម្មិតវៃឆ្លាតទល់។ ម៉ាស៊ីនរៀនទល់។ រ៉ែទិន្នន័យ
ដើម្បីយល់ច្បាស់ពីទំនាក់ទំនងរវាង AI, ML និងការជីកយករ៉ែទិន្នន័យវាមានប្រយោជន៍ក្នុងការគិតអំពីឈុតឆាកខុស ៗ គ្នា។ AI គឺជាឆត្រធំបំផុត។ ឆ័ត្រ ML គឺទំហំតូចជាងនិងសមនឹងក្រោមឆ័ត្រ AI ឆ័ត្រ។ ឆ័ត្ររុករកទិន្នន័យគឺតូចបំផុតនិងសមនៅក្រោមឆ័ត្រ ML ឆ័ត្រ។
- AI គឺជាសាខាវិទ្យាសាស្ត្រកុំព្យូទ័រដែលមានគោលបំណងរៀបចំកម្មវិធីកុំព្យូរទ័រដើម្បីបំពេញការងារតាមវិធី "ឆ្លាតវៃ" និង "មនុស្ស" កាន់តែច្រើនដោយប្រើវិធីសាស្រ្តធ្វើហេតុផលនិងធ្វើការសម្រេចចិត្តដែលឆ្លុះបញ្ចាំងពីការឆ្លាតវៃរបស់មនុស្ស។
- ML គឺជាប្រភេទនៃការគណនានៅក្នុង AI ដែលផ្តោតលើម៉ាស៊ីនសរសេរកម្មវិធី (កុំព្យូទ័រ) ដើម្បីរៀន (ប្រមូលទិន្នន័យចាំបាច់ឬឧទាហរណ៍) ដើម្បីបង្កើតការសម្រេចចិត្តដោយឆ្លាតវៃតាមវិធីស្វ័យប្រវត្តិ។
- ការជីកយករ៉ែទិន្នន័យ ប្រើស្ថិតិ ML, AI និងមូលដ្ឋានគ្រឹះនៃពត៌មានដើម្បីស្វែងយល់ពីលំនាំការផ្តល់ការយល់ដឹងការបង្កើតចំណាត់ថ្នាក់ការកំណត់បញ្ហានិងការចែកចាយទិន្នន័យលំអិត។
អ្វីដែលម៉ាស៊ីនរៀនអាចធ្វើបាន (ហើយរួចទៅហើយ)
សមត្ថភាពកុំព្យូទ័រដើម្បីវិភាគព័ត៌មានយ៉ាងច្រើននៅក្នុងប្រភាគនៃវិនាទីធ្វើឱ្យ ML មានប្រយោជន៍នៅក្នុងឧស្សាហកម្មមួយចំនួនដែលពេលវេលានិងភាពត្រឹមត្រូវគឺមានសារៈសំខាន់។
- វេជ្ជសាស្ត្រ: បច្ចេកវិទ្យា ML កំពុងត្រូវបានអនុវត្តនៅក្នុងដំណោះស្រាយជាច្រើនសម្រាប់វិស័យវេជ្ជសាស្ត្ររួមទាំងការជួយគ្រូពេទ្យនាយកដ្ឋានសង្គ្រោះបន្ទាន់ជាមួយនឹងការធ្វើរោគវិនិច្ឆ័យលឿននៃអ្នកជំងឺដែលមានរោគសញ្ញាខុសពីធម្មតា។ គ្រូពេទ្យអាចបញ្ចូលបញ្ជីរោគសញ្ញារបស់អ្នកជំងឺទៅក្នុងកម្មវិធីនិងប្រើ ML កម្មវិធីនេះអាចឆេះព័ត៌មានរាប់ពាន់លានពត៌មានពីអក្សរសិល្ប៍វេជ្ជសាស្រ្តនិងអ៊ិនធឺណិតដើម្បីផ្តល់នូវបញ្ជីរោគវិនិច្ឆ័យសក្តានុពលនិងការធ្វើតេស្តឬការព្យាបាលដែលត្រូវបានណែនាំក្នុងរយៈពេលកំណត់ត្រា។
- ការអប់រំ: ML ត្រូវបានប្រើដើម្បីបង្កើតឧបករណ៍អប់រំដែលសម្របខ្លួនទៅនឹងតម្រូវការសិក្សារបស់សិស្សដូចជាជំនួយការសិក្សានិម្មិតនិងសៀវភៅអេឡិចត្រូនិចដែលមានអន្តរកម្មបន្ថែមទៀត។ ឧបករណ៍ទាំងនេះប្រើ ML ដើម្បីរកឱ្យឃើញគំនិតនិងជំនាញណាមួយដែលសិស្សយល់តាមរយៈការប្រើតេស្តខ្លីៗនិងលំហាត់អនុវត្ត។ បន្ទាប់មកឧបករណ៍នេះផ្តល់នូវវីដេអូខ្លីៗឧទាហរណ៍បន្ថែមនិងសម្ភារៈផ្ទៃខាងក្រោយដើម្បីជួយសិស្សឱ្យរៀនជំនាញឬគំនិតដែលត្រូវការ។
- រថយ ន្ដៈ ML ក៏ជាសមាសធាតុដ៏សំខាន់មួយផងដែរនៅក្នុងវិស័យរថយន្តដែលបើកបរដោយខ្លួនឯង (ហៅថារថយន្តដែលមិនសូវមានឡានឬរថយន្តស្វយ័ត) ។ កម្មវិធីដែលបើកបរដោយខ្លួនឯងបើកបរប្រើ ML នៅក្នុងការធ្វើតេស្តផ្លូវពិតៗនិងការសាកល្បងដើម្បីរកមើលស្ថានភាពផ្លូវ (ដូចជាផ្លូវទឹកកក) ឬកំណត់ឧបសគ្គនៅលើផ្លូវនិងរៀនពីការបើកបរដែលសមស្របដើម្បីស្វែងរកស្ថានភាពបែបនេះដោយសុវត្ថិភាព។
អ្នកទំនងជាបានជួបប្រទះ ML ច្រើនដងរួចមកហើយដោយមិនចាំបាច់ដឹង។ ការប្រើប្រាស់បច្ចេកវិជ្ជា ML ជាទូទៅរួមមានការស្គាល់សំដី ( Bixby របស់ក្រុមហ៊ុន Samsung កម្មវិធី Siri របស់ក្រុមហ៊ុន Apple និងកម្មវិធីជជែកកំសាន្តជាច្រើនដែលឥឡូវនេះមានលក្ខណៈស្តង់ដារនៅលើកុំព្យូទ័រ) តម្រងសារឥតបានការសម្រាប់អ៊ីម៉ែលរបស់អ្នកការបង្កើតព័ត៌មានព័ត៌មានការរកមើលការក្លែងបន្លំការកំណត់ផ្ទាល់ខ្លួន។ អនុសាសន៍ការទិញឥវ៉ាន់និងការផ្តល់លទ្ធផលស្វែងរកបណ្ដាញកាន់តែមានប្រសិទ្ធភាព។
ML ត្រូវបានចូលរួមនៅក្នុង ហ្វេសប៊ុក របស់អ្នកផងដែរ។ នៅពេលអ្នកចូលចិត្តឬចុចលើការបង្ហោះរបស់មិត្តជាញឹកញាប់ក្បួនដោះស្រាយនិង ML នៅពីក្រោយឆាក "រៀន" ពីសកម្មភាពរបស់អ្នកតាមពេលវេលាដើម្បីផ្តល់អាទិភាពដល់មិត្តភក្តិជាក់លាក់ឬទំព័រនៅក្នុងព័ត៌មានរបស់អ្នក។
អ្វីដែលរៀនម៉ាស៊ីនមិនអាចធ្វើបាន
ទោះយ៉ាងណាក៏ដោយវាមានដែនកំណត់ចំពោះអ្វីដែល ML អាចធ្វើបាន។ ឧទហរណ៍ការប្រើប្រាស់បច្ចេកវិទ្យា ML នៅក្នុងឧស្សាហកម្មផ្សេងគ្នាតម្រូវឱ្យមានចំនួនដ៏សំខាន់នៃការអភិវឌ្ឍនិងការសរសេរកម្មវិធីដោយមនុស្សដើម្បីជំនាញកម្មវិធីឬប្រព័ន្ធសម្រាប់ប្រភេទនៃការងារដែលទាមទារដោយឧស្សាហកម្មនោះ។ ឧទាហរណ៍ក្នុងឧទាហរណ៍ខាងវេជ្ជសាស្ត្ររបស់យើងខាងលើកម្មវិធី ML ដែលត្រូវបានប្រើនៅក្នុងផ្នែកសង្គ្រោះបន្ទាន់ត្រូវបានបង្កើតឡើងជាពិសេសសម្រាប់ថ្នាំមនុស្ស។ បច្ចុប្បន្នវាមិនអាចធ្វើទៅបានដើម្បីយកកម្មវិធីពិតប្រាកដនោះទេហើយអនុវត្តវាដោយផ្ទាល់នៅមជ្ឈមណ្ឌលសង្គ្រោះបន្ទាន់។ ការផ្លាស់ប្តូរបែបនេះតម្រូវឱ្យមានជំនាញនិងការអភិវឌ្ឍយ៉ាងទូលំទូលាយដោយអ្នកសរសេរកម្មវិធីរបស់មនុស្សដើម្បីបង្កើតនូវកំណែដែលមានសមត្ថភាពធ្វើភារកិច្ចនេះសម្រាប់ឱសថសត្វឬសត្វ។
វាក៏តម្រូវឱ្យមានទិន្នន័យនិងឧទាហរណ៍ដ៏ច្រើនលើសលប់ផងដែរដើម្បី "រៀន" នូវព័ត៌មានដែលវាត្រូវការដើម្បីធ្វើការសំរេចចិត្តនិងអនុវត្តភារកិច្ច។ កម្មវិធី ML ក៏មានភាពស៊ីជម្រៅក្នុងការបកស្រាយទិន្នន័យនិងការតស៊ូជាមួយនឹងនិមិត្តសញ្ញាហើយនិងប្រភេទមួយចំនួននៃទំនាក់ទំនងនៅក្នុងលទ្ធផលទិន្នន័យដូចជាបុព្វហេតុនិងឥទ្ធិពល។
ទោះបីជាយ៉ាងណាក៏ដោយការរីកចម្រើនបន្តត្រូវបានធ្វើឱ្យ ML កាន់តែច្រើននៃបច្ចេកវិទ្យាបច្ចេកវិទ្យាដែលបង្កើតកុំព្យូទ័រទំនើប ៗ ជារៀងរាល់ថ្ងៃ។