นิวรัลเน็ตเวิร์คคืออะไร

นิวรัลเน็ตเวิร์คเป็นวิธีหนึ่งในปัญญาประดิษฐ์(AI) ที่สอนคอมพิวเตอร์ให้ประมวลผลข้อมูลในลักษณะที่อ้างอิงมาจากสมองมนุษย์ ซึ่งเป็นกระบวนการแมชชีนเลิร์นนิงประเภทหนึ่งที่เรียกว่าดีปลิร์นนิงซึ่งใช้โหนดหรือนิวรอนที่เชื่อมต่อถึงกันในโครงสร้างแบ่งเลเยอร์ที่คล้ายกับสมองมนุษย์ ทำให้เกิดระบบปรับตัวที่คอมพิวเตอร์ใช้ในการเรียนรู้จากความผิดพลาดและปรับปรุงพัฒนาอย่างต่อเนื่อง ดังนั้น นิวรัลเน็ตเวิร์คประดิษฐ์จึงพยายามแก้ปัญหาที่ซับซ้อนได้อย่างแม่นยำยิ่งขึ้น เช่น การสรุปเอกสารหรือการจดจำใบหน้า

เหตุใดนิวรัลเน็ตเวิร์คจึงมีความสำคัญ

นิวรัลเน็ตเวิร์คสามารถช่วยให้คอมพิวเตอร์ตัดสินใจได้อย่างชาญฉลาดด้วยความช่วยเหลือของมนุษย์ที่จำกัด เพราะนิวรัลเน็ตเวิร์คสามารถเรียนรู้และสร้างแบบจำลองความสัมพันธ์ระหว่างข้อมูลอินพุตและเอาต์พุตที่ไม่เป็นเชิงเส้นและซับซ้อน ตัวอย่างสิ่งที่นิวรัลเน็ตเวิร์คสามารถทำได้มีดังนี้

สร้างลักษณะทั่วไปและการอนุมาน

นิวรัลเน็ตเวิร์คสามารถเข้าใจข้อมูลที่ไม่มีโครงสร้างและทำการสังเกตการณ์ทั่วไปโดยไม่ต้องมีการฝึกฝนที่ชัดเจน ตัวอย่างเช่น นิวรัลเน็ตเวิร์คสามารถรับรู้ได้ว่าประโยคอินพุตที่แตกต่างกันสองประโยคมีความหมายคล้ายกัน อาทิ

  • ช่วยบอกหน่อยได้ไหมว่าต้องชำระเงินอย่างไร
  • ฉันจะโอนเงินได้อย่างไร

นิวรัลเน็ตเวิร์คจะรู้ว่าทั้งสองประโยคมีความหมายเหมือนกัน หรือสามารถระบุได้ในวงกว้างกว่านั้น เช่น Baxter Road เป็นสถานที่ แต่ Baxter Smith เป็นชื่อบุคคล

นิวรัลเน็ตเวิร์คใช้สำหรับอะไรบ้าง

นิวรัลเน็ตเวิร์คมีหลายกรณีการใช้งานในอุตสาหกรรมต่างๆ มากมาย เช่น

  • การวินิจฉัยทางการแพทย์โดยการจำแนกภาพทางการแพทย์
  • การตลาดแบบกำหนดเป้าหมายโดยการกรองเครือข่ายสังคมและการวิเคราะห์ข้อมูลพฤติกรรม
  • การคาดการณ์ทางการเงินโดยการประมวลผลข้อมูลเก่าของเครื่องมือทางการเงิน
  • การพยากรณ์โหลดไฟฟ้าและความต้องการพลังงาน
  • กระบวนการและการควบคุมคุณภาพ
  • การระบุสารประกอบทางเคมี

การใช้งานนิวรัลเน็ตเวิร์คที่สำคัญมีอยู่ด้วยกัน 4 กรณี ดังนี้

คอมพิวเตอร์วิทัศน์

คอมพิวเตอร์วิทัศน์คือความสามารถของคอมพิวเตอร์ในการดึงข้อมูลและข้อมูลเชิงลึกจากภาพและวิดีโอ นิวรัลเน็ตเวิร์คช่วยให้คอมพิวเตอร์สามารถแยกแยะและจดจำภาพที่คล้ายกับมนุษย์ได้ คอมพิวเตอร์วิทัศน์มีรูปแบบการใช้งานหลายอย่าง เช่น

  • การจดจำภาพในรถยนต์ที่ขับด้วยตนเองเพื่อให้สามารถจดจำป้ายถนนและผู้ใช้ถนนรายอื่นได้
  • การกลั่นกรองเนื้อหาเพื่อลบเนื้อหาที่ไม่ปลอดภัยหรือไม่เหมาะสมออกจากคลังภาพและวิดีโอโดยอัตโนมัติ
  • การจดจำใบหน้าเพื่อระบุใบหน้าและจดจำคุณลักษณะต่างๆ เช่น ดวงตา แว่นตา และขนบนใบหน้า
  • การระบุวัตถุในรูปภาพเพื่อระบุโลโก้แบรนด์ เสื้อผ้า อุปกรณ์นิรภัย และรายละเอียดรูปภาพอื่นๆ

การจดจำเสียงพูด

นิวรัลเน็ตเวิร์คสามารถวิเคราะห์คำพูดของมนุษย์ได้แม้จะมีรูปแบบคำพูด ระดับเสียง น้ำเสียง ภาษา และสำเนียงที่แตกต่างกัน ผู้ช่วยเสมือน เช่น Amazon Alexa และซอฟต์แวร์ถอดเสียงอัตโนมัติ ใช้การจดจำเสียงพูดเพื่อทำงานดังต่อไปนี้

  • ช่วยเจ้าหน้าที่ศูนย์บริการและจัดประเภทการโทรโดยอัตโนมัติ
  • แปลงบทสนทนาทางคลินิกเป็นเอกสารแบบเรียลไทม์
  • บรรยายวิดีโอและบันทึกการประชุมได้อย่างแม่นยำเพื่อการเข้าถึงเนื้อหาที่กว้างขึ้น

การประมวลผลภาษาธรรมชาติ

การประมวลผลภาษาธรรมชาติ (NLP) คือความสามารถในการประมวลผลข้อความที่มนุษย์สร้างขึ้นตามธรรมชาติ นิวรัลเน็ตเวิร์คช่วยคอมพิวเตอร์รวบรวมข้อมูลเชิงลึกและความหมายจากข้อมูลข้อความและเอกสารต่างๆ NLP มีกรณีการใช้งานหลายแบบ ดังนี้

  • เจ้าหน้าที่เสมือนและ Chatbot อัตโนมัติ
  • การจัดระเบียบและการจัดประเภทข้อมูลที่เป็นลายลักษณ์อักษรอัตโนมัติ
  • การวิเคราะห์ข้อมูลวิเคราะห์และประมวลผลทางธุรกิจของเอกสารฉบับยาว เช่น อีเมลและแบบฟอร์ม
  • การจัดทำดัชนีวลีสำคัญที่บ่งบอกถึงความรู้สึก เช่น ความคิดเห็นเชิงบวกและเชิงลบบนโซเชียลมีเดีย
  • การสรุปเอกสารและการสร้างบทความตามหัวข้อที่กำหนด

กลไกการแนะนำ

นิวรัลเน็ตเวิร์คสามารถติดตามกิจกรรมของผู้ใช้เพื่อพัฒนาคำแนะนำเฉพาะบุคคลได้ และยังสามารถวิเคราะห์พฤติกรรมของผู้ใช้ทั้งหมด รวมถึงค้นพบผลิตภัณฑ์หรือบริการใหม่ๆ ที่ผู้ใช้บางรายอาจสนใจ ตัวอย่างเช่น Curalate ซึ่งเป็นสตาร์ทอัพในฟิลาเดลเฟีย ช่วยแบรนด์ต่างๆ ในการแปลงโพสต์โซเชียลมีเดียเป็นยอดขาย หลายแบรนด์ใช้บริการติดแท็กผลิตภัณฑ์อัจฉริยะ (IPT) ของ Curalate เพื่อรวบรวมและจัดการเนื้อหาโซเชียลที่ผู้ใช้สร้างขึ้นโดยอัตโนมัติ IPT ใช้นิวรัลเน็ตเวิร์คเพื่อค้นหาและแนะนำผลิตภัณฑ์ที่เกี่ยวข้องกับกิจกรรมโซเชียลมีเดียของผู้ใช้โดยอัตโนมัติ ผู้บริโภคไม่ต้องตามหาแค็ตตาล็อกออนไลน์เพื่อค้นหาผลิตภัณฑ์ใดผลิตภัณฑ์หนึ่งจากภาพโซเชียลมีเดีย แต่สามารถใช้การติดแท็กผลิตภัณฑ์อัตโนมัติของ Curalate เพื่อซื้อผลิตภัณฑ์ได้อย่างง่ายดาย

นิวรัลเน็ตเวิร์คทำงานอย่างไร

สมองมนุษย์คือต้นแบบสถาปัตยกรรมนิวรัลเน็ตเวิร์ค เซลล์สมองมนุษย์ที่เรียกว่านิวรอนก่อตัวเป็นเครือข่ายที่ซับซ้อนและเชื่อมต่อถึงกันสูง และส่งสัญญาณไฟฟ้าให้กันและกันเพื่อช่วยให้มนุษย์ประมวลผลข้อมูลได้ ในทำนองเดียวกัน นิวรัลเน็ตเวิร์คประดิษฐ์ประกอบด้วยนิวรอนเทียมที่ทำงานร่วมกันเพื่อแก้ปัญหา นิวรอนเทียมคือโมดูลซอฟต์แวร์ที่เรียกว่าโหนด และนิวรัลเน็ตเวิร์คประดิษฐ์คือโปรแกรมซอฟต์แวร์หรืออัลกอริทึมที่ใช้ระบบคอมพิวเตอร์เป็นหลักในการแก้ปัญหาการคำนวณทางคณิตศาสตร์

สถาปัตยกรรมนิวรัลเน็ตเวิร์คอย่างง่าย

นิวรัลเน็ตเวิร์คพื้นฐานมีนิวรอนเทียมที่เชื่อมถึงกัน 3 เลเยอร์ ได้แก่

เลเยอร์อินพุต

ข้อมูลจากโลกภายนอกเข้าสู่นิวรัลเน็ตเวิร์คจากเลเยอร์อินพุต โหนดอินพุตประมวลผล วิเคราะห์ หรือจัดหมวดหมู่ข้อมูล แล้วส่งต่อไปยังเลเยอร์ถัดไป

เลเยอร์ซ่อน

เลเยอร์ซ่อนรับข้อมูลอินพุตจากเลเยอร์อินพุตหรือเลเยอร์ซ่อนอื่นๆ นิวรัลเน็ตเวิร์คประดิษฐ์มีเลเยอร์ซ่อนได้อย่างเลเยอร์ เลเยอร์ซ่อนแต่ละชั้นจะวิเคราะห์ผลลัพธ์จากเลเยอร์ก่อนหน้า นำไปประมวลผลต่อ และส่งผ่านไปยังเลเยอร์ถัดไป

เลเยอร์เอาต์พุต

เลเยอร์เอาต์พุตให้ผลลัพธ์สุดท้ายของการประมวลผลข้อมูลทั้งหมดจากนิวรัลเน็ตเวิร์ค ซึ่งอาจมีโหนดเดียวหรือมีหลายโหนด ตัวอย่างเช่น หากเรามีปัญหาการจัดประเภทไบนารี (ใช่/ไม่ใช่) เลเยอร์เอาต์พุตจะมีโหนดเอาต์พุตหนึ่งโหนด ซึ่งจะให้ผลลัพธ์เป็น 1 หรือ 0 แต่หากเรามีปัญหาการจำแนกประเภทหลายคลาส เลเยอร์เอาต์พุตอาจมีโหนดเอาต์พุตมากกว่าหนึ่งโหนด

สถาปัตยกรรมนิวรัลเน็ตเวิร์คเชิงลึก

นิวรัลเน็ตเวิร์คเชิงลึกหรือเครือข่ายดีปเลิร์นนิ่งมีเลเยอร์ซ่อนอยู่หลายชั้น โดยมีนิวรอนเทียมหลายล้านตัวเชื่อมถึงกัน ตัวเลขที่เรียกว่าน้ำหนักแสดงถึงการเชื่อมต่อระหว่างโหนดหนึ่งกับโหนดอื่น น้ำหนักเป็นจำนวนบวกหากโหนดหนึ่งกระตุ้นอีกโหนดหนึ่ง หรือเป็นลบหากโหนดหนึ่งกดอีกโหนดหนึ่ง โหนดที่มีค่าน้ำหนักสูงกว่าจะมีอิทธิพลต่อโหนดอื่นๆ มากกว่า
ในทางทฤษฎี นิวรัลเน็ตเวิร์คเชิงลึกสามารถจับคู่อินพุตประเภทใดก็ได้กับเอาต์พุตประเภทใดก็ได้ อย่างไรก็ตามก็ยังต้องได้รับการฝึกฝนมากกว่าเมื่อเทียบกับวิธีแมชชีนเลิร์นนิงอื่นๆ นิวรัลเน็ตเวิร์คเชิงลึกต้องใช้ตัวอย่างข้อมูลการฝึกฝนหลายล้านตัวอย่าง ซึ่งแตกต่างจากนิวรัลเน็ตเวิร์คอย่างง่ายที่อาจต้องใช้ตัวอย่างเพียงหลายร้อยหรือหลายพันตัวอย่าง

 

นิวรัลเน็ตเวิร์คมีประเภทใดบ้าง

นิวรัลเน็ตเวิร์คประดิษฐ์สามารถจัดประเภทได้ตามวิธีการไหลของข้อมูลจากโหนดอินพุตไปยังโหนดเอาต์พุต ตัวอย่างเช่น

นิวรัลเน็ตเวิร์คแบบฟีดฟอร์เวิร์ด

นิวรัลเน็ตเวิร์คแบบฟีดฟอร์เวิร์ดจะประมวลผลข้อมูลในทิศทางเดียวจากโหนดอินพุตไปยังโหนดเอาต์พุต ทุกโหนดในเลเยอร์หนึ่งนั้นเชื่อมโยงกับทุกโหนดในเลเยอร์ถัดไป เครือข่ายแบบฟีดฟอร์เวิร์ดใช้กระบวนการป้อนกลับเพื่อปรับปรุงการคาดการณ์เมื่อเวลาผ่านไป

อัลกอริทึมแบบแพร่ย้อนกลับ

นิวรัลเน็ตเวิร์คประดิษฐ์จะเรียนรู้อย่างต่อเนื่องโดยใช้ลูปการป้อนกลับเชิงแก้ไขเพื่อปรับปรุงการวิเคราะห์เชิงคาดการณ์ กล่าวง่ายๆ คือ คุณสามารถนึกถึงข้อมูลที่ไหลจากโหนดอินพุตไปยังโหนดเอาต์พุตผ่านเส้นทางต่างๆ ในนิวรัลเน็ตเวิร์ค ซึ่งมีเส้นทางเดียวเท่านั้นที่ถูกต้องในการจับคู่โหนดอินพุตกับโหนดเอาต์พุตที่ถูกต้อง ในการค้นหาเส้นทางนี้ นิวรัลเน็ตเวิร์คจะใช้ลูปการป้อนกลับ ซึ่งทำงานดังนี้:

  1. แต่ละโหนดจะคาดเดาโหนดถัดไปในเส้นทาง
  2. ซึ่งตรวจสอบว่าการคาดเดาถูกต้องหรือไม่ โหนดจะกำหนดค่าน้ำหนักที่สูงกว่าให้กับเส้นทางที่นำไปสู่การคาดเดาที่ถูกต้องมากกว่า และกำหนดค่าน้ำหนักที่น้อยกว่าให้กับเส้นทางโหนดที่นำไปสู่การคาดเดาที่ไม่ถูกต้อง
  3. สำหรับจุดข้อมูลถัดไป โหนดจะทำการคาดการณ์ใหม่โดยใช้เส้นทางที่น้ำหนักสูงกว่า จากนั้นก็ทำซ้ำขั้นตอนที่ 1

นิวรัลเน็ตเวิร์คแบบสังวัตนาการ

เลเยอร์ซ่อนนิวรัลเน็ตเวิร์คแบบสังวัตนาจะทำการคำนวณทางคณิตศาสตร์เฉพาะ เช่น การสรุปหรือการกรอง ซึ่งเรียกว่าสังวัตนาการ (Convolution) ซึ่งมีประโยชน์มากสำหรับการจำแนกรูปภาพ เนื่องจากสามารถดึงคุณลักษณะที่เกี่ยวข้องโดยตรงจากรูปภาพที่ช่วยในการจดจำและการจำแนกรูปภาพได้ดี รูปแบบใหม่นี้จะประมวลผลได้ง่ายขึ้นโดยไม่สูญเสียคุณลักษณะที่สำคัญต่อการคาดการณ์ที่ดี เลเยอร์ซ่อนแต่ละชั้นจะแยกและประมวลผลคุณลักษณะของรูปภาพที่แตกต่างกันไป เช่น ขอบ สี และความลึก

ฝึกฝนนิวรัลเน็ตเวิร์คได้อย่างไรบ้าง

การฝึกฝนนิวรัลเน็ตเวิร์คเป็นกระบวนการสอนนิวรัลเน็ตเวิร์คเพื่อปฏิบัติงานใดงานหนึ่ง นิวรัลเน็ตเวิร์คเรียนรู้โดยเริ่มประมวลผลข้อมูลจำนวนมากที่มีป้ายกำกับหรือไม่มีป้ายกำกับ นิวรัลเน็ตเวิร์คสามารถประมวลผลข้อมูลอินพุตที่ไม่รู้จักได้แม่นยำยิ่งขึ้นโดยใช้ตัวอย่างเหล่านี้

การเรียนรู้แบบมีผู้สอน

ในการเรียนรู้แบบมีผู้สอน นักวิทยาศาสตร์ข้อมูลจะให้ชุดข้อมูลนิวรัลเน็ตเวิร์คประดิษฐ์ที่มีป้ายกำกับซึ่งให้คำตอบที่ถูกต้องล่วงหน้า ตัวอย่างเช่น การฝึกฝนเครือข่ายดีปเลิร์นนิ่งให้จดจำใบหน้าในขั้นต้นจะประมวลผลภาพใบหน้ามนุษย์หลายแสนภาพ โดยใช้คำศัพท์ต่างๆ ที่เกี่ยวข้องกับแหล่งกำเนิดทางชาติพันธุ์ ประเทศ หรืออารมณ์ที่อธิบายแต่ละภาพ

นิวรัลเน็ตเวิร์คจะสร้างความรู้จากชุดข้อมูลเหล่านี้อย่างช้าๆ ซึ่งให้คำตอบที่ถูกต้องล่วงหน้า หลังจากที่เครือข่ายได้รับการฝึกฝนแล้ว เครือข่ายจะเริ่มคาดเดาเกี่ยวกับต้นกำเนิดทางชาติพันธุ์หรืออารมณ์ของภาพใบหน้ามนุษย์แบบใหม่ที่ไม่เคยมีการประมวลผลมาก่อนได้

ดีปเลิร์นนิ่งในบริบทของนิวรัลเน็ตเวิร์คคืออะไร

ปัญญาประดิษฐ์เป็นสาขาวิทยาการคอมพิวเตอร์ที่วิจัยวิธีการให้เครื่องจักรมีความสามารถในการทำงานที่ต้องใช้สติปัญญาของมนุษย์ แมชชีนเลิร์นนิงเป็นเทคนิคปัญญาประดิษฐ์อย่างหนึ่งที่ช่วยให้คอมพิวเตอร์เข้าถึงชุดข้อมูลขนาดใหญ่มากและสอนให้คอมพิวเตอร์เรียนรู้จากข้อมูลนี้ได้ ซอฟต์แวร์แมชชีนเลิร์นนิงจะค้นหารูปแบบในข้อมูลที่มีอยู่และนำรูปแบบเหล่านั้นไปใช้กับข้อมูลใหม่เพื่อทำการตัดสินใจอย่างชาญฉลาด ดีปเลิร์นนิ่งเป็นส่วนย่อยของแมชชีนเลิร์นนิงที่ใช้เครือข่ายดีปเลิร์นนิ่งในการประมวลผลข้อมูล

แมชชีนเลิร์นนิงกับดีปเลิร์นนิ่ง

วิธีการแมชชีนเลิร์นนิงแบบดั้งเดิมนั้นต้องใช้ข้อมูลจากมนุษย์เพื่อให้ซอฟต์แวร์แมชชีนเลิร์นนิงทำงานได้ดีเพียงพอ นักวิทยาศาสตร์ข้อมูลจะกำหนดชุดคุณลักษณะที่เกี่ยวข้องด้วยตนเองซึ่งซอฟต์แวร์ต้องวิเคราะห์ แต่จะเป็นการจำกัดความสามารถของซอฟต์แวร์ ซึ่งทำให้การสร้างและจัดการน่าเบื่อหน่าย

ในทางกลับกันสำหรับดีปเลิร์นนิ่ง นักวิทยาศาสตร์ข้อมูลแค่ให้ข้อมูลดิบแก่ซอฟต์แวร์เท่านั้น เครือข่ายดีปเลิร์นนิ่งจะกำหนดคุณลักษณะต่างๆ ขึ้นมาด้วยตัวเอง และเรียนรู้ได้อย่างอิสระมากขึ้น ซึ่งสามารถวิเคราะห์ชุดข้อมูลที่ไม่มีโครงสร้างได้ เช่น เอกสารข้อความ ระบุแอตทริบิวต์ข้อมูลที่จะจัดลำดับความสำคัญ และแก้ปัญหาที่ซับซ้อนมากขึ้น

ตัวอย่างเช่น หากคุณกำลังฝึกฝนซอฟต์แวร์แมชชีนเลิร์นนิงเพื่อระบุภาพสัตว์เลี้ยงอย่างถูกต้อง คุณจะต้องทำตามขั้นตอนเหล่านี้

  • ค้นหาและระบุภาพสัตว์เลี้ยงนับพัน เช่น แมว สุนัข ม้า หนูแฮมสเตอร์ นกแก้ว และอื่นๆ ด้วยตนเอง
  • บอกซอฟต์แวร์แมชชีนเลิร์นนิงว่าต้องค้นหาคุณลักษณะใดเพื่อให้สามารถระบุภาพได้ด้วยข้อกำจัดนั้น ตัวอย่างเช่น อาจนับจากจำนวนขา แล้วจึงค่อยตรวจสอบรูปร่างตา รูปร่างหู หาง ขน และอื่นๆ
  • ประเมินและเปลี่ยนชุดข้อมูลที่มีป้ายกำกับด้วยตนเองเพื่อปรับปรุงความแม่นยำของซอฟต์แวร์ ตัวอย่างเช่น หากชุดการฝึกของคุณมีภาพแมวดำมากเกินไป ซอฟต์แวร์จะระบุแมวดำได้อย่างถูกต้อง แต่ไม่สามารถระบุแมวขาวได้ถูกต้องนัก
  • อย่างไรก็ตามในดีปเลิร์นนิ่ง นิวรัลเน็ตเวิร์คจะประมวลผลภาพทั้งหมดและกำหนดโดยอัตโนมัติว่าจำเป็นต้องวิเคราะห์จำนวนขาและรูปร่างใบหน้าก่อน จากนั้นจึงดูที่หางเพื่อระบุสัตว์ในภาพได้อย่างถูกต้อง

บริการดีปลิร์นนิงบน AWS คืออะไร

บริการดีปเลิร์นนิง บน AWS ใช้ประโยชน์จากประสิทธิภาพของการประมวลผลบนคลาวด์ เพื่อให้คุณสามารถปรับขนาดนิวรัลเน็ตเวิร์กสำหรับดีปเลิร์นนิงด้วยต้นทุนที่ต่ำลง พร้อมทั้งปรับให้เหมาะสมเพื่อความรวดเร็วด้วย คุณยังสามารถใช้บริการของ AWS เหล่านี้ เพื่อจัดการแอปพลิเคชันดีปลิร์นนิงที่เฉพาะเจาะจงได้อย่างเต็มที่:

  • Amazon Rekognition เพื่อเพิ่มคุณสมบัติคอมพิวเตอร์วิทัศน์ที่ผ่านการฝึกฝนล่วงหน้าแล้วหรือปรับแต่งได้ให้กับแอปพลิเคชันของคุณ
  • Amazon Transcribe เพื่อจดจำและถอดเสียงคำพูดได้อย่างแม่นยำโดยอัตโนมัติ
  • Amazon Lex เพื่อสร้าง Chatbot อัจฉริยะที่เข้าใจเจตนา รักษาบริบทการสนทนา และทำงานง่ายๆ ในหลายภาษาโดยอัตโนมัติ

เริ่มต้นใช้งานนิวรัลเน็ตเวิร์กสำหรับดีปเลิร์นนิงบน AWS ด้วย Amazon SageMaker และสร้าง ฝึกฝน และปรับใช้โมเดลต่างๆ ได้ทุกระดับขนาดได้อย่างรวดเร็วและง่ายดาย นอกจากนี้คุณยังสามารถใช้ AWS Deep Learning AMI ในการสร้างสภาพแวดล้อมและเวิร์กโฟลว์แบบกำหนดเองสำหรับดีปเลิร์นนิงได้

สร้างบัญชี AWS ฟรีเพื่อเริ่มต้นใช้งานเลยวันนี้!

ขั้นตอนถัดไปบน AWS