แมชชีนเลิร์นนิง

ด้วยแมชชีนเลิร์นนิง คุณฝึกโมเดลด้วยข้อมูลในอดีตแทนที่จะเขียนกฎทีละขั้นตอนสำหรับทุกสถานการณ์ โมเดลจะเรียนรู้ความสัมพันธ์ทางสถิติและรูปแบบต่างๆ ในข้อมูลฝึกและจัดเก็บไว้เป็นพารามิเตอร์ภายใน จากนั้นใช้รูปแบบที่เรียนรู้มาเพื่อทำนายข้อมูลใหม่ที่ไม่เคยเห็นมาก่อน ยิ่งมีข้อมูลที่เกี่ยวข้องและสะอาดมากเท่าไร ผลลัพธ์ก็ยิ่งน่าเชื่อถือมากขึ้นเท่านั้น

โดยกว้างๆ มีสามแนวทางหลัก ได้แก่ การเรียนรู้แบบมีผู้สอน (supervised learning) ที่โมเดลฝึกด้วยตัวอย่างที่มีป้ายกำกับ การเรียนรู้แบบไม่มีผู้สอน (unsupervised learning) ที่โมเดลค้นหาโครงสร้างในข้อมูลที่ไม่มีป้ายกำกับด้วยตัวเอง และการเรียนรู้แบบเสริมกำลัง (reinforcement learning) ที่ระบบเรียนรู้ผ่านการลองผิดลองถูกและข้อเสนอแนะ เทคนิคทั่วไปมีตั้งแต่ต้นไม้การตัดสินใจและโมเดลเชิงเส้นแบบง่ายไปจนถึงโครงข่ายประสาทเทียมที่ซับซ้อน แนวทางใดจะเหมาะสมที่สุดขึ้นอยู่กับประเภทของข้อมูล งานที่ต้องทำ และระดับความโปร่งใสที่ผลลัพธ์ต้องมี

ในธุรกิจ แมชชีนเลิร์นนิงมักถูกนำไปใช้ในจุดที่ข้อมูลปริมาณมากสะสมและรูปแบบซับซ้อนเกินกว่าที่คนจะติดตามด้วยมือได้ เช่น การพยากรณ์ความต้องการ ความเสียหายของอุปกรณ์ หรือความเบี่ยงเบนด้านคุณภาพ อย่างไรก็ตาม โมเดลที่ฝึกแล้วไม่ใช่กฎตายตัว ต้องมีการตรวจสอบและฝึกใหม่อย่างสม่ำเสมอเมื่อกระบวนการและเงื่อนไขเปลี่ยนแปลง ที่สำคัญไม่แพ้กันคือ คุณภาพของผลลัพธ์ขึ้นอยู่โดยตรงกับคุณภาพและความเป็นตัวแทนของข้อมูลที่ใช้