AI vs ML vs Deep Learning
ความแตกต่างและนิยามของ AI, Machine Learning และ Deep Learning
ทำความรู้จักคำย่อพื้นฐานกันก่อน
- AI (Artificial Intelligence - ปัญญาประดิษฐ์): คือศาสตร์แขนงหนึ่งของวิทยาการคอมพิวเตอร์ ที่ต้องการสร้างให้คอมพิวเตอร์มีความฉลาด สามารถคิด ตัดสินใจ และแก้ปัญหาได้เหมือนมนุษย์
- ML (Machine Learning - การเรียนรู้ของเครื่อง): เป็นวิธีการหนึ่งในการสร้าง AI โดยให้คอมพิวเตอร์ "เรียนรู้จากข้อมูล (Data)" แทนที่จะให้โปรแกรมเมอร์เขียนกฎคำสั่งแบบตายตัว
- DL (Deep Learning - การเรียนรู้เชิงลึก): เป็นวิธีการหนึ่งของ ML ที่ใช้โครงสร้างจำลองสมองมนุษย์ที่เรียกว่า Neural Networks (โครงข่ายประสาทเทียม) ที่ซ้อนกันหลายๆ ชั้น เพื่อให้เก่งในการแยกแยะข้อมูลที่ซับซ้อน เช่น รูปภาพและเสียง
ถ้า AI คือ "ยานพาหนะ" (คำเรียกกว้างๆ), ML ก็คือ "รถยนต์" (ยานพาหนะประเภทหนึ่งที่คนนิยมใช้มากที่สุด), และ DL ก็คือ "รถยนต์ไฟฟ้า (EV)" (รถยนต์ประเภทหนึ่งที่ใช้เทคโนโลยีขั้นสูงและกำลังมาแรง)
ภาพรวมของ AI, ML และ DL ในข้อสอบ
เพื่อเตรียมตัวสอบ AWS Certified AI Practitioner สิ่งแรกที่ต้องแยกให้ออกคือความแตกต่างของทั้ง 3 คำนี้ ซึ่งข้อสอบมักจะให้สถานการณ์มาและถามว่านี่คือ AI, ML หรือ DL
ความสัมพันธ์แบบ Subset ของ AI, ML และ DL
AI: ให้คอมพิวเตอร์ทำงานเลียนแบบความฉลาดของมนุษย์ (กว้างที่สุด)
ML: สอนคอมพิวเตอร์ให้เรียนรู้รูปแบบ (Pattern) จากข้อมูลด้วยตัวเอง
DL: ใช้โครงข่ายประสาทเทียมหลายชั้นจัดการข้อมูลซับซ้อน (รูป, เสียง, ภาษา)
สรุป Key Takeaways
- AI คือร่มใหญ่สุด ครอบคลุมระบบที่ทำพฤติกรรมเลียนแบบมนุษย์
- Machine Learning คือซับเซ็ตของ AI ที่ใช้ข้อมูลเพื่อเรียนรู้โดยไม่ต้องโปรแกรมแบบ rule-based
- Deep Learning คือซับเซ็ตของ ML ที่ใช้ Neural Networks หลายชั้น (Deep) เพื่อแก้ปัญหาที่ซับซ้อน
คำถามที่พบบ่อย
AI, ML, Deep Learning ต่างกันยังไง ตอบสั้นๆ แบบใช้สอบ
เป็นวงกลมซ้อนกัน: AI = แนวคิดใหญ่สุด (เครื่องจักรทำสิ่งที่ต้องใช้ความฉลาด) > ML = สอนด้วยข้อมูลแทนการเขียนกฎ > Deep Learning = ML ที่ใช้ neural network หลายชั้น — ข้อสอบชอบให้จับคู่ตัวอย่างกับระดับที่ถูก เช่น ระบบกฎ if-else ล้วนๆ คือ AI แต่ไม่ใช่ ML
แล้ว Generative AI อยู่ตรงไหนของภาพนี้
เป็นสาขาย่อยของ Deep Learning ที่โมเดล "สร้างเนื้อหาใหม่" (ข้อความ รูป เสียง) แทนที่จะแค่จำแนกหรือทำนาย — foundation model อย่าง LLM คือตัวแทนหลักของกลุ่มนี้
เมื่อไหร่ควรใช้ ML เมื่อไหร่เขียนโปรแกรมปกติพอ
ถ้ากติกาชัดเจนเขียนเป็นกฎได้ (คำนวณภาษี ตรวจฟอร์ม) โปรแกรมปกติดีกว่า — ถูก เร็ว อธิบายได้ ML เหมาะเมื่อกฎซับซ้อนเกินเขียน (จำหน้าคน ตรวจ spam ทำนายยอดขาย) ข้อสอบชอบหลอกด้วยโจทย์ที่จริงๆ ไม่ต้องใช้ ML
ลองทำ Quiz ท้ายบท
คำถามแนวข้อสอบของโมดูลนี้ 2 ข้อ · เฉลยทันที