Deep Reinforcement Learning หรือ Deep RL เป็นการประยุกต์ Deep Learning ผสมกับกระบวนทัศน์ Reinforcement Learning หรือ RL อันเป็นหนึ่งในเสาหลักของเทคโนโลยี Machine Learning ซึ่ง Reinforcement Learning หรือ RL ในทางเทคนิคจะหมายถึงการประมวลผลโดย Neural Network ในสภาพแวดล้อมที่ Machine Learning ถูกใช้งานด้วย Output Variables หรือ ตัวแปรขาออกทั้งแบบที่มีกลไก Supervised และ Unsupervised… ซึ่งถ้าเปรียบเทียบกับโมเดล AI ก็จะเป็นการใช้งานระบบโดย “มี หรือ ไม่มี” การสอน หรือ Train AI ก่อนใช้งาน และถ้าเปรียบเทียบเป็นคน… ก็เหมือนการส่งใครสักคนไปทำงานโดยไม่ได้สอนงานให้ก่อน…
ย้อนกลับไปที่เทคโนโลยีสุดล้ำในช่วงกลางทศวรรษ 1980 ที่ชื่อ Neural Network ซึ่งเป็นความหวังในการประยุกต์ใช้ข้อมูลขั้นสูงที่สมดุลทั้ง Input/Output โดยมีเทคโนโลยีคอมพิวเตอร์ และ ไมโครชิพเติบโตอย่างก้าวกระโดดตามกฎของมัวร์ หรือ Moore’s Law ซึ่งความน่าสนใจของ Neural Network ในขณะนั้นก็คือการฟังก์ชั่น Input เข้ากับ ENV หรือ Environment หรือ สภาพแวดล้อมหนึ่งของระบบ ก็จะได้ Output ออกมาหนึ่งค่า และ วน หรือ Loop กลับไปเป็น Input ใหม่ ซึ่ง Neural Network จะต้องจดจำ และ เรียนรู้ Input/Output บนกระบวนการตัดสินใจตามลำดับ หรือ Sequential Decision Process… จนกระทั่ง Neural Network ได้ Output ที่ดีที่สุด หรือ Maximize Reward… ด้วยกลไกวน หรือ Loop เพื่อเรียนรู้ผ่าน Output หรือ Reward ภายในระบบแบบนี้นี่เองที่ทำให้การพูดถึง Neural Network ถูกเติมเต็มอีกขั้นด้วยคำว่า Deep Learning และ Deep Reinforcement Learning ในที่สุด
Source Image: https://venturebeat.com
ถึงตรงนี้… ผมคงต้องสารภาพว่าไม่สามารถเอาตรรกะ และ โมเดลจำลองแบบต่างๆ ของ Deep Reinforcement Learning หรือแม้แต่ Deep Learning ธรรมดา และ Neural Network มาเล่าไว้ในบทความตอนนี้ได้หมด… ซึ่งในเบื้องต้นเพียงอยากจะให้ทราบเอาไว้พอสังเขปไวว่า… การพูดถึง Machine Learning ซึ่งมีสาขาย่อย หรือ Sub-Fields หลายสาขา และ หลายชั้นนั้น… พัฒนาการของการป้อน Big Data ให้ Machine Learning สาขา Deep Learning ได้ก้าวไปอีกขั้นให้เราท่านต้องทำความเข้าใจกับ Deep Reinforcement Learning ที่กำลังได้รับความสนใจยิ่งกว่า Deep Learning แบบดั้งเดิม หรือ Traditional กันแล้ว
ประมาณนี้ก่อนครับ!
References…
