ภาพแสดงแนวโน้มพัฒนาการของ AI Machine Learning และ Deep Learning 

ที่มา : https://www.researchgate.net/figure/Evolution-of-Artificial-Intelligence-23_fig1_348174488

การพัฒนา AI มีวัตถุประสงค์เพื่อให้เครื่องจักรทำงานแทนมนุษย์ รวมทั้งเพื่อเพิ่มประสิทธิภาพให้กับงานบางอย่าง ดังนั้น AI ที่พัฒนาขึ้นจึงไม่จำเป็นต้องพัฒนาให้สามารถคิดอ่านและมีพฤติกรรมเลียนแบบมนุษย์ได้ทั้งหมด แต่สามารถทำงานบางอย่างแทนมนุษย์หรือสามารถสร้างประสิทธิภาพในการทำงานของมนุษย์ได้ จากการศึกษาสามารถสรุปประเภทของ AI ได้ 3 ประเภท ดังนี้

1. Artificial Narrow Intelligence (ANI) หรือ “ปัญญาประดิษฐ์แบบเบา (Weak AI)” เป็น AI ที่สร้างขึ้น มาเพื่อใช้งานเฉพาะทาง เช่น SIRI เป็น AI ที่สามารถให้ความช่วยเหลือ แนะนำและให้คำปรึกษา (เท่าที่สามารถทำได้) ต่อผู ้ใช้งานสินค้าแบรนด์ Apple หรือ Alexa ที่อำนวยความสะดวกให้แก่ลูกค้าของ Amazon ในการหาข้อมูลต่าง ๆ ทั้งการจองทริปและแสดงราคาสินค้า เป็นต้น 

2. Artificial General Intelligence (AGI) หรืออาจเรียกว่า “ปัญญาประดิษฐ์แบบเข้ม (Strong AI)” คือ AI ที่มีความสามารถใกล้เคียงกับมนุษย์ (Human-Level AI) ซึ่งมนุษย์เหนือกว่าสัตว์หรือสิ่งประดิษฐ์ อื่นตรงที่มนุษย์สามารถใช้ความคิดบนพื้นฐานของเหตุและผล สามารถวางแผนเพื่อแก้ไขปัญหา ต่างๆ และสามารถเรียนรู ้จากประสบการณ์ในอดีต ตัวอย่างแอปพลิเคชันในระดับนี้ เช่น รถยนต์ ขับเคลื่อนได้เองของ Uber และระบบขับรถอัตโนมัติ (Autonomous Car) ของ Tesla เป็นต้น 

3. Artificial Super Intelligence (ASI) อาจเรียกว่า “ปัญญาประดิษฐ์แบบทรงปัญญา” ซึ่ง Nick Bostrom นักคิดชั้นนำด้าน AI จาก Harvard University กล่าวว่า AI ประเภทนี้เทียบเคียงได้กับ “Superintelligence” หรือเครื่องจักรทรงภูมิปัญญา (Machine Superintelligence) ที่สามารถบูรณาการความรู ้ในทุกศาสตร์แล้วนำมาประมวลผลด้วยความเร็วสูง และมีความเป็นไปได้ว่า AI ประเภทนี้จะมีศักยภาพในเชิงสติปัญญาเหนือมนุษย์

ที่มา : สำนักงานพัฒนารัฐบาลดิจิทัล (2562)

ที่มา : https://www.dga.or.th/document-sharing/infographic/36539

Machine Learning มุ่งเน้นไปที่การพัฒนาโปรแกรมคอมพิวเตอร์ที่สามารถเข้าถึงข้อมูลและเรียนรู้ด้วยตนเอง โดยสามารถแบ่งออกได้ 4 รูปแบบ ดังนี้

1. การเรียนรู้แบบมีผู้สอน (Supervised Machine Learning) การมีผู้สอน หมายถึง ข้อมูลที่ใช้ในการฝึกนั้น (Training Data) ได้ถูกนำมาแยกประเภทผลลัพธ์ด้วยการติดป้าย (Label) แล้วจึงนำข้อมูลที่ติดป้ายแล้วไปใช้ในการฝึกของเครื่องที่ทำงานผ่านอัลกอริทึมสำหรับสร้างโมเดลที่ใช้ในการทำนายผลลัพธ์ เมื่อได้โมเดลที่ผ่านการฝึกแล้วก็จะทดลองกับข้อมูลใหม่ (New Data) เพื่อให้เครื่องทำนายผ่านแบบจำลอง (Predictive Model) ว่าคำตอบควรจะเป็นอย่างไร 

        นอกจากการเรียนรู้แบบ Supervised Machine Learning ที่มีผู้สอนโดยปกติทั่วไปแล้ว ยังมีวิธีการเรียนรู้แบบ Deep Learning ที่เป็นรูปแบบการเรียนรู้ของเครื่องแบบมีผู้สอนเช่นกัน แต่ Deep Learning มีการกำหนดชั้นของข้อมูล (Layer) ที่แตกต่างกันเพื่อให้เครื่องสามารถเรียนรู ้ข้อมูลได้มากขึ้น แม่นยำขึ้น โดยใช้เทคนิคการเพิ่มความลึกของข้อมูลที่แสดงออกมาตามจำานวนของ ชั้นข้อมูลที่มากขึ้น 

2. การเรียนรู้แบบไม่มีผู้สอน (Unsupervised Machine Learning) อัลกอริทึมการเรียนรู้แบบไม่มีผู้สอนหรือแบบไม่ถูกควบคุม เป็นเทคนิคการเรียนรู้ด้วยข้อมูลที่ไม่ถูกจัดประเภท หรือติดป้ายกำกับข้อมูล การเรียนรู้ด้วยเทคนิคนี้ เครื่องจะอนุมานข้อมูลที่ได้รับและทำความเข้าใจถึงโครงสร้างที่ซ่อนอยู่ ดังนั้น เทคนิคนี้จึงไม่สามารถหาผลลัพธ์ที่ถูกต้องได้ แต่จะใช้วิธีสำรวจข้อมูลและใช้การอนุมานว่าข้อมูลนั้นคืออะไร 

3. Semi-supervised Machine Learning Algorithm  เป็นเทคนิคการเรียนรู้ด้วยอัลกอริทึมแบบกึ่งควบคุม เป็นเทคนิคการเรียนรู้ที่ผสมผสานทั้งการเรียนรู้แบบมีผู้สอน (Supervised) และไม่มีผู้สอน (Unsupervised) เนื่องจากมีการใช้ทั้งข้อมูลที่มีป้ายกำกับและไม่มีป้ายกำกับสำหรับการกำหนดข้อมูลให้เครื่องเรียนรู้ ซึ่งเทคนิคนี้สามารถปรับปรุงความแม่นยำในการเรียนรู้ของเครื่องได้ดียิ่งขึ้น มักถูกนำมาใช้ในกรณีที่ข้อมูลที่มีป้ายกำกับนั้นไม่สามารถวิเคราะห์ด้วยการฝึกสอนแบบปกติได้แต่ต้องใช้ทักษะในการวิเคราะห์เพิ่มเติม 

4. Reinforcement Machine Learning Algorithms เป็นเทคนิคการเรียนรู้ของเครื่องแบบเสริมกำลัง โดยการกำหนดเป้าหมายให้แก่เครื่องหรือคอมพิวเตอร์ ที่เรียกว่า “Reinforcement Signal” เพื่อให้เครื่องสร้างทางเลือกในการตัดสินใจหลายรูปแบบตามสภาวะแวดล้อมที่แตกต่างกัน หลังจากนั้นเครื่องจะเก็บข้อมูลการตัดสินใจในแต่ละทางเลือกเพื่อเรียนรู้ผลลัพธ์และข้อผิดพลาดที่เกิดขึ้น ซึ่งวิธีนี้จะช่วยให้เครื่องสามารถประมวลผลเพื่อหาทางเลือกที่มีประสิทธิภาพที่สุดในการบรรลุเป้าหมายได้โดยอัตโนมัติ

ที่มา : สำนักงานพัฒนารัฐบาลดิจิทัล (2562)