AlexNet: จุดเปลี่ยนสำคัญที่ขับเคลื่อนยุค Deep Learning
เคยสงสัยไหมว่าอะไรคือจุดเริ่มต้นที่ทำให้ปัญญาประดิษฐ์ โดยเฉพาะอย่างยิ่งด้านการมองเห็นด้วยคอมพิวเตอร์ ก้าวกระโดดมาได้ไกลขนาดนี้? หนึ่งในคำตอบที่สำคัญคือ AlexNet โมเดลเครือข่ายประสาทเทียมแบบ Convolutional Neural Network (CNN) ที่สร้างความฮือฮาในปี 2012
โมเดลนี้ไม่เพียงแค่ชนะการแข่งขัน ImageNet Large Scale Visual Recognition Challenge (ILSVRC) อย่างถล่มทลาย แต่ยังเปิดประตูบานใหม่ให้กับวงการ Deep Learning และจุดประกายให้เกิดการวิจัยและพัฒนา AI อย่างก้าวกระโดดจนถึงทุกวันนี้
ทำความรู้จักกับโครงสร้างของ AlexNet
AlexNet มีโครงสร้างที่ค่อนข้างลึกและซับซ้อนสำหรับยุคนั้น ประกอบด้วยหลายชั้นเรียนรู้ที่ทำงานร่วมกัน โดยมีชั้นหลักๆ คือ ชั้น Convolutional ห้าชั้น และชั้น Fully Connected สามชั้น
ก่อนเข้าสู่กระบวนการ โมเดลจะรับภาพขนาด 227×227 พิกเซล และมีสามช่องสี (RGB) จากนั้นภาพจะถูกส่งผ่านชั้น Convolutional ที่ทำหน้าที่เหมือนฟิลเตอร์ตรวจจับคุณสมบัติเฉพาะต่างๆ เช่น ขอบ สี หรือรูปร่าง
หลังจากแต่ละชั้น Convolutional จะมีชั้น Pooling ที่ช่วยลดขนาดของข้อมูลและทำให้โมเดลทนทานต่อการเปลี่ยนแปลงตำแหน่งของวัตถุในภาพได้ดีขึ้น และที่สำคัญคือการใช้ฟังก์ชัน ReLU (Rectified Linear Unit) ซึ่งช่วยให้การฝึกโมเดลทำได้เร็วขึ้นอย่างมาก เมื่อเทียบกับฟังก์ชันกระตุ้นแบบเดิมๆ
นวัตกรรมที่พลิกโฉมวงการ
AlexNet ไม่ได้โดดเด่นแค่ผลลัพธ์ แต่ยังนำเสนอนวัตกรรมหลายอย่างที่กลายเป็นมาตรฐานในเวลาต่อมา
สิ่งแรกคือการใช้ GPU (Graphics Processing Unit) หลายตัวในการฝึกโมเดล ซึ่งช่วยลดเวลาในการประมวลผลได้อย่างมหาศาล ทำให้สามารถฝึกโมเดลขนาดใหญ่และซับซ้อนได้จริง
นอกจากนี้ การนำ ReLU มาใช้เป็นฟังก์ชันกระตุ้นหลัก ได้พิสูจน์แล้วว่ามีประสิทธิภาพเหนือกว่าฟังก์ชัน Sigmoid หรือ Tanh ที่ใช้กันทั่วไปในยุคนั้น โดยช่วยแก้ปัญหา Gradient Vanishing และทำให้เครือข่ายเรียนรู้ได้เร็วขึ้น
อีกหนึ่งเทคนิคสำคัญคือ Dropout เป็นวิธีที่ช่วยป้องกัน Overfitting หรือการที่โมเดลจดจำข้อมูลที่ใช้ฝึกมากเกินไปจนไม่สามารถใช้งานกับข้อมูลใหม่ได้ โดย Dropout จะปิดการทำงานของเซลล์ประสาทบางส่วนแบบสุ่มในระหว่างการฝึก ทำให้โมเดลเรียนรู้คุณสมบัติที่แข็งแกร่งและไม่พึ่งพาเซลล์ใดเซลล์หนึ่งมากเกินไป
และการเพิ่มข้อมูล (Data Augmentation) ด้วยการสุ่มตัดภาพ พลิกภาพ หรือปรับความสว่าง ก็เป็นอีกวิธีที่ช่วยให้โมเดลมีความยืดหยุ่นและเรียนรู้ได้ดีขึ้นกับข้อมูลที่หลากหลาย
ผลกระทบและมรดกที่ทิ้งไว้
AlexNet ถือเป็นตัวเร่งปฏิกิริยาสำคัญที่ทำให้โลกตระหนักถึงศักยภาพอันมหาศาลของ Deep Learning ในงานด้านการมองเห็นด้วยคอมพิวเตอร์
ความสำเร็จของมันพิสูจน์ให้เห็นว่าเครือข่ายประสาทเทียมที่ลึกและมีพารามิเตอร์จำนวนมาก สามารถทำงานได้อย่างยอดเยี่ยม เมื่อมีข้อมูลปริมาณมหาศาลและการประมวลผลที่ทรงพลัง
จากนั้นเป็นต้นมา การพัฒนาโมเดล CNN ก็ก้าวหน้าไปอย่างรวดเร็ว โดยมี AlexNet เป็นแรงบันดาลใจและพื้นฐานในการสร้างสรรค์สถาปัตยกรรมที่ซับซ้อนและมีประสิทธิภาพสูงขึ้นไปอีกมากมาย ทั้ง VGG, ResNet หรือ Inception
ผลงานชิ้นนี้จึงไม่ได้เป็นเพียงแค่โมเดลที่ชนะการแข่งขัน แต่เป็นเสมือนประตูบานแรกที่เปิดเข้าสู่ยุคทองของปัญญาประดิษฐ์ที่เราเห็นในปัจจุบัน