5 เทรนด์ที่คุณอาจคาดหวังของปัญญาประดิษฐ์ในปี 2021
ปัญญาประดิษฐ์(Artificial intelligence) คือ การจำลองกระบวนการปัญญาของมนุษย์ด้วยเครื่องจักร โดยเฉพาะระบบคอมพิวเตอร์ การใช้งานเฉพาะของ AI รวมถึงระบบผู้เชี่ยวชาญ การประมวลผลภาษาธรรมชาติ การรู้จำเสียงพูด และแมชชีนวิชัน นวัตกรรมปัญญาประดิษฐ์ยังคงดำเนินต่อไปอย่างรวดเร็วด้วยการเติบโตอย่างรวดเร็วในแทบทุกอุตสาหกรรม ในบทความนี้แสดงรายการแนวโน้ม 5 ประการที่เห็นว่ากำลังพัฒนาในปี 2020 ซึ่งคาดว่าจะโดดเด่นยิ่งขึ้นในปี 2021 เรามาพบกับเทรนด์งาน AI ที่โดดเด่น ดังนี้
MLOps
MLOps (“ ปฏิบัติการเรียนรู้ของเครื่อง” การฝึกฝนการผลิต Machine Learning) มีมาระยะหนึ่ง อย่างไรก็ตามในช่วงปี 2020 COVID-19 ทำให้เกิดการขอบคุณครั้งใหม่สำหรับความจำเป็นในตัวอย่างการตรวจสอบและจัดการ Machine Learning ในการผลิต การเปลี่ยนแปลงขั้นตอนการปฏิบัติงาน การจัดการสินค้าคงคลัง รูปแบบการรับส่งข้อมูล ฯลฯ ทำให้ AI จำนวนมากทำงานผิดปกติ สิ่งนี้รู้จักกันในโลก MLOps ในชื่อ Drift – เมื่อข้อมูลที่เข้ามาไม่ตรงกับที่ AI ได้รับการฝึกฝนคาดหวัง ในขณะที่ Drift และความท้าทายอื่นๆ ในการผลิต ML เป็นที่ทราบกันดีในกลุ่มบริษัท ที่นำ ML มาใช้ในการผลิตมาก่อนการเปลี่ยนแปลงที่เกิดจาก COVID ทำให้เกิดความชื่นชมในความต้องการ MLOps ในวงกว้าง ในทำนองเดียวกันเนื่องจากกฎข้อบังคับด้านความเป็นส่วนตัวเช่น CCPA ถูกระงับ บริษัทที่ดำเนินการเกี่ยวกับข้อมูลลูกค้าจึงมีความจำเป็นในการกำกับดูแลและการบริหารความเสี่ยง ในที่สุดการรวมตัวกันของชุมชน MLOps ครั้งแรกนั่นคือ การประชุม MLOps เชิงปฏิบัติการซึ่งเริ่มต้นในปี 2019 ก็ได้เห็นการเติบโตอย่างมีนัยสำคัญของความคิด ประสบการณ์และการมีส่วนร่วมในวงกว้างในปี 2020
รหัสต่ำ / ไม่มีรหัส (Low Code/No Code)
AutoML (การเรียนรู้ของเครื่องอัตโนมัติ) มีมาระยะหนึ่งแล้ว AutoML มุ่งเน้นไปที่การเลือกอัลกอริทึมและการค้นหาโซลูชัน Machine Learning หรือ Deep Learning ที่ดีที่สุดสำหรับชุดข้อมูลเฉพาะ ปีที่แล้วมีการเติบโตของการเคลื่อนไหวของ Low-Code / No-Code ทั่วทั้งกระดานตั้งแต่แอพพลิเคชั่นไปจนถึงโซลูชัน AI แนวตั้งสำหรับธุรกิจ ในขณะที่ AutoML เปิดใช้งานการสร้างโมเดล AI คุณภาพสูงโดยไม่มีความรู้ด้านวิทยาศาสตร์ข้อมูลเชิงลึก และแพลตฟอร์ม Low-Code / No-Code ที่ทันสมัยยังช่วยให้สามารถสร้างแอปพลิเคชันที่ใช้ AI ในระดับการผลิตทั้งหมดได้โดยไม่ต้องมีความรู้ด้านการเขียนโปรแกรมอย่างลึกซึ้งได้อีกด้วย
แบบจำลองภาษาขั้นสูงก่อนการฝึกอบรม (Advanced Pre-trained Language Models)
ไม่กี่ปีที่ผ่านมาได้นำความก้าวหน้าอย่างมากมาสู่พื้นที่การประมวลผลภาษาธรรมชาติ สิ่งที่ยิ่งใหญ่ที่สุดอาจเป็น Transformers and Attention ซึ่งเป็นแอปพลิเคชันทั่วไปซึ่ง ได้แก่ BERT (Bidirectional Encoder Representations with Transformers) แบบจำลองเหล่านี้มีประสิทธิภาพมากและได้ปฏิวัติการแปลภาษา ความเข้าใจ การสรุปและอื่นๆ อย่างไรก็ตามโมเดลเหล่านี้มีราคาแพงมากและใช้เวลานานในการฝึกอบรม ข่าวดีก็คือ โมเดลที่ผ่านการฝึกอบรมมาแล้ว (และบางครั้ง API ที่อนุญาตให้เข้าถึงโดยตรง) สามารถสร้างบริการ AI รุ่นใหม่ที่มีประสิทธิภาพและสร้างได้ง่ายมาก หนึ่งในตัวอย่างที่ใหญ่ที่สุดของโมเดลขั้นสูงที่สามารถเข้าถึงได้ผ่าน API คือ GPT-3 ซึ่งแสดงให้เห็นการสาธิตถึงกรณีการใช้งานตั้งแต่การเขียนโค้ดไปจนถึงการเขียนบทกวี
การสร้างเนื้อหาสังเคราะห์ (และลูกพี่ลูกน้องของมันคือ Deep Fake)
NLP ไม่ใช่พื้นที่ AI เพียงแห่งเดียวที่จะได้เห็นนวัตกรรมอัลกอริทึมที่สำคัญ Generative Adversarial Networks (GAN) ยังได้เห็นนวัตกรรมซึ่งแสดงให้เห็นถึงความสำเร็จที่น่าทึ่งในการสร้างงานศิลปะและภาพปลอม เช่นเดียวกับหม้อแปลง GAN ยังมีความซับซ้อนในการฝึกอบรมและปรับแต่งเนื่องจากต้องใช้ชุดฝึกขนาดใหญ่ อย่างไรก็ตามนวัตกรรมได้ลดขนาดข้อมูลในการสร้าง GAN ลงอย่างมาก ตัวอย่างเช่น Nvidia ได้แสดงวิธีการเสริมใหม่สำหรับการฝึกอบรม GAN ที่ต้องการข้อมูลน้อยกว่ารุ่นก่อนมาก นวัตกรรมนี้สามารถทำให้เกิดการใช้ GAN ในทุกสิ่งตั้งแต่การใช้งานทางการแพทย์เช่น ภาพเนื้อเยื่อมะเร็งสังเคราะห์ไปจนถึงของปลอมแยกได้ยากมาก
AI สำหรับเด็ก
เนื่องจากเครื่องมือที่ใช้โค้ดต่ำ(Low Code)เป็นที่แพร่หลายอายุที่คนรุ่นใหม่สามารถสร้าง AI ได้จึงลดลง ตอนนี้เป็นไปได้ที่นักเรียนระดับประถมศึกษาหรือมัธยมต้นสามารถสร้าง AI ของตัวเองเพื่อทำอะไรก็ได้ตั้งแต่การจำแนกข้อความเป็นรูปภาพ โรงเรียนมัธยมในสหรัฐอเมริกากำลังเริ่มสอน AI โดยนักเรียนในวัยมัธยมนั้นต้องมีการติดตามดูความเคลื่อนไหวเนื่องจากมีพัฒนา AI ได้ดีเป็นอย่างมาก ตัวอย่างเช่น ในงาน Synopsys Science Fair 2020 ของ Silicon Valley 31% ของโครงการซอฟต์แวร์ที่ได้รับรางวัลใช้ AI ในการสร้างสรรค์นวัตกรรม ที่น่าประทับใจยิ่งกว่านั้น 27% ของ AI เหล่านี้ถูกสร้างขึ้นโดยนักเรียนในเกรด 6-8 ตัวอย่างผู้ชนะที่เข้ารับตำแหน่ง Broadcom MASTERS ระดับประเทศเป็นนักเรียนชั้นประถมศึกษาปีที่ 8 ที่สร้าง Convolutional Neural Network เพื่อตรวจหา Diabetic Retinopathy จากการสแกนตา
