AI กำลังดึงมนุษย์ออกจากทรัพยากรมนุษย์หรือไม่?

AI กำลังดึงมนุษย์ออกจากทรัพยากรมนุษย์หรือไม่?

เว็บไซต์

บริษัทต่างๆ ตระหนักถึงประโยชน์ของแมชชีนเลิร์นนิงสำหรับทีมบริหารบุคลากร แต่ค่าใช้จ่ายมีมากกว่าประโยชน์หรือไม่
การเรียนรู้เชิงลึกและ AI กำลังเปลี่ยนแปลงอุตสาหกรรมอย่างมาก เช่น การดูแลสุขภาพ บริการทางการเงิน และการค้าปลีก หลายบริษัทยอมรับเทคโนโลยีใหม่เหล่านี้ อย่างไรก็ตาม แผนกทรัพยากรบุคคล (HR) มีปัญหาในการรวมระบบอัจฉริยะเข้ากับเวิร์กโฟลว์ได้ยากขึ้น

การออกแบบเว็บไซต์

แผนกทรัพยากรบุคคลจัดการพนักงานขององค์กร — การว่าจ้าง ไล่ออก การแก้ไขข้อพิพาท การจ่ายเงินเดือน สวัสดิการ และอื่นๆ งานเหล่านี้จำนวนมากดูเหมือนสุกงอมสำหรับระบบอัตโนมัติ แต่การส่งต่อโมเดลการเรียนรู้ด้วยเครื่องถือเป็นความท้าทายด้านจริยธรรมที่น่าสนใจ
การจ้างงานและการปฐมนิเทศ
กระบวนการจ้างงานนั้นลำบากและมีราคาแพง ตั้งแต่การตรวจสอบประวัติย่อ ไปจนถึงการสัมภาษณ์และฝึกอบรมพนักงานใหม่ การรับพนักงานใหม่สามารถทำให้เกิดค่าใช้จ่ายมหาศาลแก่องค์กร—ไม่ต้องพูดถึงแพ็คเกจเงินเดือนและสวัสดิการของพนักงานใหม่ การตัดสินใจที่ผิดพลาดอาจทำให้ต้องเสียเงินมากขึ้นไปอีก หากพนักงานมีผลงานไม่ดีหรือพนักงานใหม่ไม่เหมาะกับตำแหน่งนั้น กระบวนการจะเริ่มต้นใหม่อีกครั้ง องค์กรไม่เพียงแต่จะต้องเสียค่าใช้จ่ายในการปฐมนิเทศพนักงานใหม่เป็นครั้งที่สองเท่านั้น แต่ยังต้องพิจารณาต้นทุนส่วนปลายของความสามารถในการผลิตที่สูญเสียไปอีกด้วย
ส่งผลให้หลายบริษัทหันมาใช้การเรียนรู้เชิงลึกเพื่อลดต้นทุนในการสรรหาและว่าจ้างพนักงาน ในขณะเดียวกันก็เพิ่มคุณภาพของการจ้างงานใหม่ อย่างที่เราคาดไว้ ความพยายามเหล่านี้ไม่ได้เป็นไปตามแผนที่วางไว้เสมอไป
ตั้งแต่ปี 2014 ถึงปี 2018 ทีมงานของ Amazon ได้สร้างระบบเพื่อตรวจสอบประวัติของผู้สมัคร เพื่อปรับปรุงกระบวนการสรรหาบุคลากรที่มีความสามารถระดับสูง ในการฝึกอัลกอริทึม ทีมงานได้รวบรวมชุดข้อมูลการฝึกอบรมโดยใช้ประวัติย่อที่ส่งไปยังองค์กรในช่วงสิบปีที่ผ่านมา
Amazon หวังว่าระบบนี้จะช่วยลดเวลาที่ใช้ในการระบุผู้สมัครที่มีการแข่งขันมากที่สุดได้อย่างมาก โดยการระบุจำนวนพนักงานที่มีศักยภาพสูงสุด x อันดับแรกโดยอัตโนมัติ อย่างไรก็ตาม วิศวกรเหล่านี้พบว่าระบบนี้ชอบผู้ชายมากกว่าผู้สมัครหญิง เนื่องจากมีผู้สมัครงานเพศชายมากกว่าเพศหญิงส่งเรซูเม่ไปยัง Amazon ทำให้เกิดชุดข้อมูลที่มีอคติและบิดเบือน
การสร้างระบบการจ้างงานอัตโนมัติที่เป็นกลางอาจเป็นงานที่ยาก เนื่องจากบริษัทส่วนใหญ่ไม่ค่อยมีความเท่าเทียมกันทางเพศ แบบจำลองจะระบุปัจจัยที่คิดว่าเป็นการบอกการจ้างงานที่ดี แต่ที่จริงแล้วเป็นเรื่องผิดกฎหมายสำหรับผู้จัดการการจ้างงานที่จะต้องพิจารณา หากคุณเคยจ้างผู้ชายมากกว่าผู้หญิง อัลกอริทึมของคุณจะคิดว่าผู้ชายได้รับการว่าจ้างที่มีคุณสมบัติเหมาะสมมากกว่าผู้หญิง ทั้งหมดนี้มาจากข้อมูลที่คุณกำลังป้อนให้กับโมเดลของคุณ
เพื่อสร้างการตัดสินใจว่าจ้างที่ถูกต้องและระบบการจัดอันดับผู้สมัคร เราต้องดูแลเมื่อรวบรวมชุดข้อมูลเพื่อขจัดอคติที่ไม่ต้องการ ตัวอย่างเช่น คุณอาจต้องการพิจารณาฮาร์ดโค้ดโมเดลของคุณเพื่อไม่ให้สนใจคุณลักษณะบางอย่าง เช่น ชื่อ เพศ และเชื้อชาติ
การจัดตารางพนักงาน
แผนกทรัพยากรบุคคล (หรือทีมบุคคลที่หลายบริษัทเริ่มเรียกพวกเขา) ที่จัดการพนักงานรายชั่วโมงมีงานที่น่ากลัวเมื่อสร้างกำหนดการ เมื่อพนักงานของคุณทำงานเป็นกะแบบพาร์ทไทม์หรือแบบเต็มเวลา ความขัดแย้งในการจัดกำหนดการก็จะเกิดขึ้นอย่างหลีกเลี่ยงไม่ได้ เนื่องจากตารางการทำงานที่คาดเดาไม่ได้ หน้าที่หลักของผู้จัดการฝ่ายทรัพยากรบุคคล (และมักเป็นผู้จัดการทั่วไป) คือการจัดการเวลาหยุดและคำขอเปลี่ยนแปลงกะ
หากคุณถามผู้จัดการร้านอาหารหรือร้านค้าปลีก การจัดตารางเวลาและงานที่เกี่ยวข้องมักใช้เวลาส่วนใหญ่ในวันทำงาน อย่างไรก็ตาม ระบบการเรียนรู้เชิงลึกเริ่มรับภาระนี้
ระบบอัตโนมัติสามารถวิเคราะห์คำขอของพนักงานและอนุมัติหรือปฏิเสธโดยอัตโนมัติตามกฎทางธุรกิจที่กำหนดไว้ล่วงหน้า ตัวอย่างเช่น หลายองค์กรที่จ้างพนักงานกะทำงานพาร์ทไทม์ไม่อนุญาตให้พนักงานทำงานเกิน 40 ชั่วโมงในหนึ่งสัปดาห์ หากคำขอเปลี่ยนกะทำให้พนักงานคนหนึ่งทำงานเกิน 40 ชั่วโมงในสัปดาห์ ระบบจะปฏิเสธคำขอโดยไม่มีการแทรกแซงจากมนุษย์
ระบบเหล่านี้มีประสิทธิภาพมากยิ่งขึ้นเมื่อรวมกับข้อมูลความต้องการที่คาดการณ์ไว้ การคาดการณ์อย่างแม่นยำเมื่อกะเฉพาะต้องการพนักงานเพิ่มเติม และการปรับตารางเวลาหรือคำขอเวลาหยุดตามนั้นสามารถปรับปรุงประสิทธิภาพการจัดการพนักงานได้ ตัวอย่างเช่น อัลกอริธึมการจัดพนักงานอัตโนมัติของร้านอาหารสามารถเรียนรู้เกี่ยวกับแนวโน้มในการเข้าชมร้านอาหารเมื่อเวลาผ่านไป ร้านอาหารสามารถประหยัดค่าแรงได้เมื่อมีความต้องการต่ำเป็นประวัติการณ์ และยังช่วยให้มั่นใจได้ว่ามีพนักงานเพียงพอเมื่อมีความต้องการสูง
เทคโนโลยีเหล่านี้สร้างยุคใหม่ในการผลิตหรือเพียงแค่เอามนุษย์ออกจาก HR?
แม้ว่าระบบเหล่านี้สามารถปรับปรุงการจัดการพนักงานได้อย่างมากและลดภาระงานสำหรับผู้จัดการ แต่ก็อาจส่งผลเสียต่อขวัญกำลังใจของพนักงาน บ่อยครั้ง คำขอหยุดงานและเปลี่ยนกะอาจเป็นเรื่องส่วนตัวโดยธรรมชาติ หากระบบอัตโนมัติปฏิเสธการหยุดงานสำหรับกิจกรรมสำคัญ พนักงานอาจไม่พอใจองค์กรและเริ่มหางานทำที่อื่น ในตลาดแรงงานที่คับแคบในปัจจุบัน นั่นเป็นต้นทุนที่นายจ้างจำนวนมากไม่ควรจะยอมจ่าย
เพื่อให้ระบบการจัดกำหนดการอัตโนมัติทำงานได้ สิ่งสำคัญคือต้องกำหนดกฎเกณฑ์ทางธุรกิจอย่างละเอียด และตรวจสอบให้แน่ใจว่าพนักงานมีวิธีอุทธรณ์การตัดสินใจของแบบจำลองผ่านทางผู้จัดการของตน
การวิเคราะห์กำลังคน
ทีมวิเคราะห์ช่วยให้องค์กรต่างๆ ควบคุมข้อมูลของตนในรูปแบบที่ไม่เคยคิดมาก่อน ทำให้บริษัทมีอำนาจในการตัดสินใจด้วยข้อมูลมากกว่าที่เคยเป็นมา
เมื่อเรานึกถึงข้อมูลทางธุรกิจ เรามักจะนึกภาพองค์กรที่เก็บรวบรวมข้อมูลเกี่ยวกับลูกค้าเพื่อให้บริการได้ดียิ่งขึ้น อย่างไรก็ตามหลายองค์กรก็กำลังรวบรวมข้อมูลเกี่ยวกับพนักงานของตนเช่นกัน
การกลั่นพนักงานเป็นชุดเมตริกสามารถลดขั้นตอนการจัดการและทำให้พนักงานรู้สึกเหมือนเป็นตัวเลข
การวิเคราะห์ตัวชี้วัดที่สำคัญของพนักงานช่วยให้แผนกทรัพยากรบุคคลเข้าใจพนักงานได้ดีขึ้น การติดตามความรู้สึกของพนักงาน ประสิทธิผล การเชื่อมต่อกับองค์กร และแม้แต่ตัวชี้วัดความหลากหลายสามารถช่วยให้แผนกทรัพยากรบุคคลสามารถจัดสรรทรัพยากรได้ดีขึ้นและปรับปรุงประสิทธิภาพของพนักงาน นอกจากนี้ โมเดลการวิเคราะห์เชิงคาดการณ์ยังช่วยระบุพนักงานที่เสี่ยงต่อการออกจากองค์กรหรือมีแนวโน้มที่จะได้รับการเลื่อนตำแหน่ง
แม้ว่าการวิเคราะห์กำลังคนอาจดูเหมือนเป็นทางเลือกที่ชัดเจนสำหรับแผนกทรัพยากรบุคคล แต่พนักงานอาจไม่มีมุมมองแบบเดียวกัน การกลั่นพนักงานเป็นชุดเมตริกสามารถลดขั้นตอนการจัดการและทำให้พนักงานรู้สึกเหมือนเป็นตัวเลข
อนาคตของการบริหารคน
แมชชีนเลิร์นนิงและ AI มีศักยภาพในการใช้งานด้านทรัพยากรบุคคล อย่างไรก็ตาม การเปลี่ยนจากการจัดการคนที่ขับเคลื่อนด้วยเครื่องจักรเป็นมนุษย์ อาจทำให้เกิดปัญหาสำคัญกับพนักงานสัมพันธ์และขวัญกำลังใจของพนักงานภายในองค์กร เทคโนโลยีเหล่านี้สร้างยุคใหม่ในการผลิตหรือเพียงแค่เอามนุษย์ออกจาก HR? เวลาจะบอกเอง.
ปัญญาประดิษฐ์
โดยทั่วไปแล้ว AI จะอธิบายเมื่อเครื่องเลียนแบบการทำงานขององค์ความรู้ที่มนุษย์เชื่อมโยงกับจิตใจอื่นๆ ของมนุษย์ เช่น การเรียนรู้และการแก้ปัญหา ในระดับพื้นฐานที่มากกว่านั้น AI สามารถเป็นเพียงกฎที่ตั้งโปรแกรมไว้ซึ่งบอกให้เครื่องทำงานในลักษณะเฉพาะในบางสถานการณ์ กล่าวอีกนัยหนึ่งปัญญาประดิษฐ์สามารถเป็นอะไรได้มากไปกว่าคำสั่ง if-else หลายคำ
คำสั่ง if-else เป็นกฎง่ายๆ ที่มนุษย์ตั้งโปรแกรมไว้ พิจารณาหุ่นยนต์ที่กำลังเคลื่อนที่อยู่บนถนน กฎที่ตั้งโปรแกรมไว้สำหรับหุ่นยนต์นั้นอาจเป็น:
ดังนั้นเมื่อเรากำลังพูดถึงปัญญาประดิษฐ์มัน ‘ s คุ้มค่ามากขึ้นที่จะต้องพิจารณาทั้งสองฟิลด์เฉพาะเจาะจงมากขึ้นของไอ: การเรียนรู้เครื่องและการเรียนรู้ลึก
แมชชีนเลิร์นนิงกับการเรียนรู้เชิงลึก
ตอนนี้เราเข้าใจความหมายของ AI มากขึ้นแล้ว เราจึงสามารถตรวจสอบแมชชีนเลิร์นนิงและการเรียนรู้เชิงลึกอย่างละเอียดยิ่งขึ้นเพื่อแยกแยะความแตกต่างระหว่างสองสิ่งนี้ได้อย่างชัดเจน
การเรียนรู้ของเครื่องไม่ใช่เทคโนโลยีใหม่
การเรียนรู้ของเครื่องคืออะไร? เราสามารถนึกถึงแมชชีนเลิร์นนิงเป็นชุดของอัลกอริทึมที่วิเคราะห์ข้อมูล เรียนรู้จากข้อมูลนั้น และตัดสินใจอย่างมีข้อมูลโดยอิงจากข้อมูลเชิงลึกที่เรียนรู้เหล่านั้น
แมชชีนเลิร์นนิงสามารถนำไปสู่งานอัตโนมัติที่หลากหลาย ส่งผลกระทบต่อแทบทุกอุตสาหกรรม ตั้งแต่การค้นหามัลแวร์ความปลอดภัยด้านไอที การพยากรณ์อากาศ ไปจนถึงนายหน้าซื้อขายหลักทรัพย์ที่กำลังมองหาการซื้อขายที่เหมาะสมที่สุด การเรียนรู้ของเครื่องต้องใช้คณิตศาสตร์ที่ซับซ้อนและการเข้ารหัสจำนวนมากเพื่อให้ได้ฟังก์ชันและผลลัพธ์ที่ต้องการ แมชชีนเลิร์นนิงยังรวมเอาอัลกอริธึมแบบคลาสสิกสำหรับงานประเภทต่างๆ เช่น การจัดกลุ่มการถดถอยหรือการจัดหมวดหมู่ เราต้องฝึกอัลกอริทึมเหล่านี้กับข้อมูลจำนวนมาก ยิ่งคุณให้ข้อมูลสำหรับอัลกอริทึมของคุณมากเท่าไหร่ โมเดลของคุณก็จะยิ่งดีขึ้นเท่านั้น
เมื่อมีคนบอกว่าพวกเขากำลังทำงานกับอัลกอริธึมการเรียนรู้ของเครื่อง คุณสามารถเข้าถึงส่วนสำคัญของคุณค่าของมันได้โดยถามว่า: ฟังก์ชันวัตถุประสงค์คืออะไร

เว็บแอพพลิเคชั่น

แมชชีนเลิร์นนิงเป็นสาขาที่ค่อนข้างเก่าและรวมเอาวิธีการและอัลกอริธึมที่มีมาเป็นเวลาหลายสิบปี โดยบางส่วนนั้นใช้มาตั้งแต่ทศวรรษ 1960 อัลกอริธึมแบบคลาสสิกเหล่านี้รวมถึง Naïve Bayes Classifier และSupport Vector Machines ซึ่งทั้งสองอย่างนี้มักใช้ในการจำแนกประเภทข้อมูล นอกจากการจัดประเภทแล้ว ยังมีอัลกอริธึมการวิเคราะห์คลัสเตอร์เช่นK-Means และการจัดกลุ่มแบบต้นไม้ เพื่อลดมิติข้อมูลและรับข้อมูลเชิงลึกเกี่ยวกับธรรมชาติมากขึ้น แมชชีนเลิร์นนิงใช้วิธีการต่างๆ เช่น การวิเคราะห์องค์ประกอบหลักและ tSNE
องค์ประกอบการฝึกอบรมของโมเดลการเรียนรู้ของเครื่องหมายความว่าโมเดลพยายามปรับให้เหมาะสมตามมิติที่กำหนด กล่าวอีกนัยหนึ่ง โมเดลการเรียนรู้ของเครื่องพยายามลดข้อผิดพลาดระหว่างการคาดคะเนและค่าความจริงพื้นฐาน
สำหรับสิ่งนี้ เราต้องกำหนดสิ่งที่เรียกว่าฟังก์ชันข้อผิดพลาด (เรียกอีกอย่างว่าฟังก์ชันการสูญเสียหรือฟังก์ชันวัตถุประสงค์) เนื่องจากโมเดลมีวัตถุประสงค์ วัตถุประสงค์นี้อาจเพื่อจำแนกข้อมูลออกเป็นหมวดหมู่ต่างๆ (เช่น ภาพแมวและสุนัข) หรือคาดการณ์ราคาหุ้นในอนาคตอันใกล้นี้ เมื่อมีคนบอกว่าพวกเขากำลังทำงานกับอัลกอริธึมการเรียนรู้ของเครื่อง คุณสามารถเข้าใจส่วนสำคัญของค่าของมันได้โดยถามว่า: ฟังก์ชันวัตถุประสงค์คืออะไร
เราจะลดข้อผิดพลาดได้อย่างไร?
เราสามารถเปรียบเทียบการทำนายของแบบจำลองกับค่าความจริงภาคพื้นดินและปรับพารามิเตอร์ของแบบจำลองได้ ดังนั้นครั้งต่อไปที่ข้อผิดพลาดระหว่างสองค่านี้จะน้อยลง กระบวนการนี้ทำซ้ำหลายล้านครั้งจนกระทั่งพารามิเตอร์ของแบบจำลองที่กำหนดการคาดการณ์นั้นดีมากจนความแตกต่างระหว่างการคาดคะเนของแบบจำลองและป้ายกำกับความจริงภาคพื้นดินนั้นเล็กที่สุด
กล่าวโดยย่อ โมเดลการเรียนรู้ของเครื่องคืออัลกอริธึมการปรับให้เหมาะสม หากคุณปรับแต่งให้ถูกต้อง มันจะลดข้อผิดพลาดด้วยการเดา เดา และเดาอีกครั้ง
การเรียนรู้อย่างลึกซึ้ง: สิ่งที่ยิ่งใหญ่ต่อไป
การเรียนรู้เชิงลึกเป็นสาขาย่อยของปัญญาประดิษฐ์ที่แตกต่างจากการเรียนรู้ของเครื่องโดยอาศัยเครือข่ายประสาทเทียม
เนื่องจากอัลกอริธึมการเรียนรู้เชิงลึกยังต้องการข้อมูลเพื่อเรียนรู้และแก้ปัญหา เราจึงสามารถเรียกมันว่าฟิลด์ย่อยของการเรียนรู้ของเครื่อง คำว่าแมชชีนเลิร์นนิงและการเรียนรู้เชิงลึกมักถูกมองว่ามีความหมายเหมือนกัน อย่างไรก็ตาม ระบบเหล่านี้มีความสามารถที่แตกต่างกัน
การเรียนรู้เชิงลึกใช้โครงสร้างหลายชั้นของอัลกอริทึมที่เรียกว่าโครงข่ายประสาทเทียม
โครงข่ายประสาทเทียมมีความสามารถเฉพาะตัวที่ช่วยให้โมเดลการเรียนรู้เชิงลึกสามารถแก้ปัญหาที่โมเดลการเรียนรู้ของเครื่องไม่สามารถแก้ได้
ความก้าวหน้าทางสติปัญญาล่าสุดทั้งหมดเกิดจากการเรียนรู้อย่างลึกซึ้ง หากปราศจากการเรียนรู้อย่างลึกซึ้ง เราจะไม่มีรถยนต์ไร้คนขับ แชทบอท หรือผู้ช่วยส่วนตัวอย่าง Alexa และ Siri Google แปลภาษาจะยังคงเป็นแบบดั้งเดิม และ Netflix ก็ไม่รู้ว่าจะแนะนำภาพยนตร์หรือซีรีส์ทางโทรทัศน์เรื่องใด
เราสามารถพูดได้ว่าการปฏิวัติอุตสาหกรรมครั้งใหม่นั้นขับเคลื่อนโดยโครงข่ายประสาทเทียมและการเรียนรู้เชิงลึก นี่เป็นแนวทางที่ดีที่สุดและใกล้เคียงที่สุดสำหรับความฉลาดของเครื่องจักรที่แท้จริงที่เรามีอยู่ เนื่องจากการเรียนรู้เชิงลึกมีข้อดีสองประการเหนือการเรียนรู้ของเครื่อง
ทำไม DEEP LEARNING ถึงดีกว่า MACHINE LEARNING?
ไม่มีการสกัดคุณลักษณะ
ข้อได้เปรียบประการแรกของการเรียนรู้เชิงลึกเหนือการเรียนรู้ของเครื่องคือความซ้ำซ้อนของการแยกคุณลักษณะ
ก่อนที่เราจะใช้การเรียนรู้เชิงลึก วิธีการเรียนรู้ของเครื่องแบบดั้งเดิม (แผนผังการตัดสินใจ, SVM, ตัวแยกประเภท Naïve Bayes และการถดถอยโลจิสติก) ได้รับความนิยมมากที่สุด สิ่งเหล่านี้เรียกว่าอัลกอริธึมแบบแบน ในบริบทนี้ “แบน” หมายความว่าโดยทั่วไปแล้ว อัลกอริทึมเหล่านี้ไม่สามารถใช้กับข้อมูลดิบได้โดยตรง (เช่น .csv, รูปภาพ, ข้อความ ฯลฯ) แต่เราต้องการขั้นตอนก่อนการประมวลผลที่เรียกว่าการแยกคุณลักษณะ

Web​ application

ในการดึงข้อมูลคุณลักษณะ เราให้การแสดงนามธรรมของข้อมูลดิบที่อัลกอริธึมการเรียนรู้ของเครื่องแบบคลาสสิกสามารถใช้เพื่อดำเนินงานได้ การแยกคุณลักษณะมักจะค่อนข้างซับซ้อน และต้องใช้ความรู้โดยละเอียดเกี่ยวกับโดเมนของปัญหา ขั้นตอนนี้ต้องดัดแปลง ทดสอบ และขัดเกลาซ้ำหลายครั้งเพื่อให้ได้ผลลัพธ์ที่ดีที่สุด โมเดลการเรียนรู้เชิงลึกไม่ต้องการการแยกคุณลักษณะ
เมื่อพูดถึงโมเดลการเรียนรู้เชิงลึก เรามีโครงข่ายประสาทเทียมซึ่งไม่ต้องการการแยกคุณลักษณะ เลเยอร์สามารถเรียนรู้การแสดงข้อมูลดิบโดยปริยายได้ด้วยตนเอง
โมเดลการเรียนรู้เชิงลึกสร้างการแสดงข้อมูลดิบที่เป็นนามธรรมและบีบอัดในหลายชั้นของโครงข่ายประสาทเทียม จากนั้นเราใช้การแสดงข้อมูลที่บีบอัดเพื่อสร้างผลลัพธ์ ผลลัพธ์ที่ได้ เช่น การจำแนกประเภทของข้อมูลที่ป้อนเข้าเป็นคลาสต่างๆ
ในระหว่างกระบวนการฝึกอบรม โครงข่ายประสาทเทียมจะปรับขั้นตอนนี้ให้เหมาะสมเพื่อให้ได้ข้อมูลที่เป็นนามธรรมที่ดีที่สุด โมเดลการเรียนรู้เชิงลึกต้องใช้ความพยายามเพียงเล็กน้อยหรือไม่มีเลยในการดำเนินการและเพิ่มประสิทธิภาพกระบวนการแยกคุณลักษณะ กล่าวอีกนัยหนึ่ง การแยกคุณลักษณะถูกสร้างขึ้นในกระบวนการที่เกิดขึ้นภายในโครงข่ายประสาทเทียมโดยไม่ต้องป้อนข้อมูลจากมนุษย์
หากคุณต้องการใช้โมเดลแมชชีนเลิร์นนิงเพื่อพิจารณาว่าภาพใดแสดงรถยนต์หรือไม่ มนุษย์เราต้องระบุคุณลักษณะเฉพาะของรถยนต์ก่อน (รูปร่าง ขนาด หน้าต่าง ล้อ ฯลฯ) แยกคุณลักษณะเหล่านี้และ ให้อัลกอริทึมเป็นข้อมูลป้อนเข้า อัลกอริธึมการเรียนรู้ของเครื่องจะทำการจำแนกประเภทของภาพ กล่าวคือ ในแมชชีนเลิร์นนิง โปรแกรมเมอร์ต้องเข้าไปแทรกแซงในกระบวนการจัดหมวดหมู่โดยตรง
สิ่งนี้ใช้ได้กับงานอื่นๆ ที่คุณเคยทำกับโครงข่ายประสาทเทียม ให้ข้อมูลดิบกับโครงข่ายประสาทเทียมและปล่อยให้โมเดลจัดการส่วนที่เหลือ
ยุคของข้อมูลขนาดใหญ่
ข้อได้เปรียบที่สำคัญอื่น ๆ ของการเรียนรู้เชิงลึก และส่วนสำคัญในการทำความเข้าใจว่าทำไมการเรียนรู้จึงเป็นที่นิยมอย่างมาก ก็คือมันขับเคลื่อนโดยข้อมูลจำนวนมหาศาล ยุคของเทคโนโลยีบิ๊กดาต้าจะมอบโอกาสมากมายสำหรับนวัตกรรมใหม่ในการเรียนรู้เชิงลึก
โมเดลการเรียนรู้เชิงลึกมักจะเพิ่มความแม่นยำด้วยจำนวนข้อมูลการฝึกอบรมที่เพิ่มขึ้น ในขณะที่โมเดลการเรียนรู้ของเครื่องแบบดั้งเดิม เช่น SVM และตัวแยกประเภท Naïve Bayes จะหยุดปรับปรุงหลังจากจุดอิ่มตัว
โมเดลการเรียนรู้เชิงลึกจะปรับขนาดได้ดีขึ้นด้วยข้อมูลจำนวนมากขึ้น ในการถอดความ Andrew Ng หัวหน้านักวิทยาศาสตร์ของเสิร์ชเอ็นจิ้นรายใหญ่ของจีน Baidu ผู้ร่วมก่อตั้ง Coursera และหนึ่งในผู้นำของ Google Brain Project หากอัลกอริธึมการเรียนรู้เชิงลึกคือเครื่องยนต์จรวด ข้อมูลคือเชื้อเพลิง
เมื่อเดือนมกราคมที่ผ่านมา ที่เหมืองดินเหนียวใกล้เมืองโกลเดน รัฐโคโลราโด Alena Iskanderova ได้ค้นพบสิ่งที่น่าตกใจ: รอยเท้าของญาติจระเข้โบราณซึ่งเคยถูกรักษาไว้เป็นเวลา 100 ล้านปี ส่วนใหญ่ถูกกัดเซาะโดยการกัดเซาะ
ในช่วง 11 ปีที่ผ่านมาตั้งแต่นักบรรพชีวินวิทยา Martin Lockley ภัณฑารักษ์ร่วมที่พิพิธภัณฑ์ประวัติศาสตร์ธรรมชาติแห่งมหาวิทยาลัยโคโลราโด และศาสตราจารย์กิตติคุณของมหาวิทยาลัย ได้จัดทำเอกสารสถานที่ติดตามเป็นครั้งแรก รอยเท้าฟอสซิลของสัตว์นั้นสูญเสียความลึกไปมาก – จากประมาณ 7 ปี ถึง 12 มม. ลงไป 3 ถึง 4 มม. Iskanderova กล่าว
การที่ผลกระทบขององค์ประกอบต่างๆ สามารถลดรอยทางอย่างเห็นได้ชัดในช่วงเวลาสั้น ๆ เช่นนี้ ไม่เพียงแต่จะชี้ให้เห็นถึงความเปราะบางของพวกมันเมื่อเผชิญกับการเปลี่ยนแปลงสภาพภูมิอากาศและภัยคุกคามจากมนุษย์อื่นๆ เท่านั้น Iskanderova กล่าว แต่ความสำคัญของโฟโตแกรมเมทรีเป็นวิธีการรักษาบันทึกทางธรณีวิทยา

Robot Auto process

“บางครั้งรอยเท้าเป็นเพียงการปรากฏตัวของสัตว์ในสภาพแวดล้อมยุคดึกดำบรรพ์ ดังนั้น [การวัดแสง] เป็นสิ่งสำคัญมากสำหรับเราที่จะรู้ว่ามีสัตว์ประเภทใดบ้าง” เธอกล่าว “ร่องรอยยังแสดงให้เราเห็นถึงพฤติกรรมของพวกเขา บางครั้งเราสามารถบอกได้ เช่น มีกลุ่มไดโนเสาร์อพยพจากจุดหนึ่งไปยังอีกจุดหนึ่ง”
Iskanderova เป็นนักถ่ายภาพระยะใกล้ที่เชี่ยวชาญด้านซากดึกดำบรรพ์ เธอใช้กล้อง Canon 5D Mark II ที่มีเลนส์ 24 มม. เพื่อทำงานส่วนใหญ่ของเธอ ซึ่งรวมถึงเอกสารเกี่ยวกับรอยเท้าไดโนเสาร์ ornithishian (“สะโพกนก”) โพรงสัตว์ไม่มีกระดูกสันหลังขนาดเล็ก และร่องรอย Mesozoic ที่รายงานครั้งแรกของนกกระสาตัวเล็ก นกเหมือนที่เรียกว่าIgnotornis mcconnelli งานส่วนใหญ่ของเธอเกิดขึ้นในรูปแบบSouth Platte ซึ่งเป็นเตียงหินที่อุดมด้วยหินทรายในบริเวณเชิงเขาของแนวเทือกเขาด้านหน้าของโคโลราโด