ความหมาย

     ระบบโครงข่ายประสาท (Neural Network) หรือ “โครงข่ายใยประสาทเสมือน (Artificial Neural Network: ANN)” หมายถึง คอมพิวเตอร์ที่สามารถเลียนแบบการทำงานของสมองมนุษย์ได้ ด้วยการประมวลผลข้อมูลสารสนเทศ และองค์ความรู้ได้ในคราวละมากๆ

     นอกจากนี้ ยังสามารถรับและจดจำสารสนเทศในรูปแบบที่เป็นประสบการณ์ได้ ทำให้สามารถเชื่อมโยงข้อเท็จจริงทั้งหลายเข้าด้วยกันเพื่อหาข้อสรุป และใช้ประสบการณ์ที่จัดเก็บไว้มาเรียนรู้และทำความเข้าใจว่า ข้อเท็จจริงใหม่ที่ได้รับเข้ามามีความเกี่ยวข้องกันอย่างไร เพื่อทำการปรับปรุงองค์ความรู้ให้มีความทันสมัยเพื่อประโยชน์ในอนาคต
Neural Network เป็นตัวประมวลผลคู่ขนานขนาดใหญ่ที่สร้างขึ้นจากหน่วยประมวลผลขนาดเล็ก

     มีคุณสมบัติเพื่อเก็บสิ่งที่รับรู้ประสบการณ์ หรือ การกระทำ มีลักษณะคล้ายกับสมอง 2 ข้อ คือ

• สิ่งที่รับรู้ได้มาโดย network ซึ่งได้ผ่านทางการกระบวนการการเรียนรู้
• เซลล์ที่เชื่อมต่อถึงกัน เรียกว่า synaptic จะถูกใช้เพื่อเก็บสิ่งที่รับรู้เข้ามา

โครงข่ายใยประสาทเสมือนและใยประสาทจริง
     โครงข่ายใยประสาทเสมือนเป็นการเลียนแบบการทำงานของสมองมนุษย์ ที่ประกอบไปด้วยเซลล์พิเศษมากมายที่เรียกว่า “เซลล์ประสาท (Neuron)” ซึ่งมีมากกว่า 100 ชนิด

     เซลล์ประสาทที่มีชนิดเดียวกันจะถูกจัดไว้ในกลุ่มเดียวกัน เรียกว่า “เครือข่ายหรือโครงข่าย (Network)” แต่ละโครงข่ายจะบรรจุเซลล์ประสาทจำนวนนับพันเซลล์ที่มีการเชื่อมต่อกันอย่างเหนียวแน่น ดังนั้น สมองมนุษย์จึงอาจเรียกได้อีกอย่างหนึ่งว่า “กลุ่มประสาท”
     การเลียนแบบการทำงานของสมองมนุษย์ของเครื่องคอมพิวเตอร์ เริ่มจากการกำหนดให้แต่ละซอฟต์แวร์ เรียกว่า “โหนด (node)” เปรียบเสมือนว่าเป็น “เซลล์ประสาท” และสร้างการเชื่อมต่อให้กับโหนดเหล่านั้นให้เป็นโครงข่าย (network) แต่ละโครงข่ายจะประกอบไปด้วยโหนดที่ถูกจัดแบ่งเป็นชั้นๆ เรียกว่า “เลเยอร์ (Layer)” แต่ละเลเยอร์จะมีหน้าที่การทำงานแตกต่างกัน

องค์ประกอบและโครงสร้างการทำงาน
     Software ที่เลียนแบบโครงข่ายของเซลล์ประสาทนั้นจะมีขอบเขต (Boundary) กั้นระหว่างข้อมูลนำเข้ากับการทำงานของใยประสาทเสมือน ซึ่งประกอบด้วยโครงข่ายของเชลล์ที่ถูกจัดไว้เป็น เลเยอร์ ดังนั้น องค์ประกอบที่ได้จัดแบ่งเป็นเลเยอร์ และหน้าที่ของแต่ละองค์ประกอบจึงมีดังนี้
     1. ข้อมูลนำเข้า (Input)
        ข้อมูลนำเข้าจะถูกจำแนกตามคุณลักษณะ (Attribute) เช่น ถ้าปัญหาที่ระบบใยประสาทเสมือนจะต้องตัดสินใจคือ การอนุมัติเงินกู้ว่าจะให้ผ่านหรือไม่ ข้อมูลนำเข้าก็จะถูกจำแนกเป็นคุณลักษณะ กล่าวคือ ระดับรายได้ และอายุ เป็นต้น ข้อมูลนำเข้านอกจากจะเป็นข้อความแล้ว ยังสามารถเป็นรูปภาพ หรือเสียงก็ได้ แต่อาจจะต้องผ่านการแปลงให้เป็นสัญลักษณ์หรือตัวเลขเพื่อให้เครื่องสามารถทำความเข้าใจได้ก่อน จากนั้นก็จะเข้าสู่การทำงานที่แท้จริงของระบบใยประสาทเสมือนที่เริ่มต้นด้วยการนำข้อมูลเข้ามาให้น้ำหนัก (weight) ของความสัมพันธ์ระหว่างข้อมูลนำเข้าเหล่านั้นในเลเยอร์แรกภายใต้ขอบเขตของระบบ
     2. น้ำหนัก (Weight)
       เป็นส่วนประกอบที่สำคัญของระบบโครงข่ายใยประสาท เนื่องจากเป็นส่วนที่ใช้หาน้ำหนักของความสัมพันธ์ระหว่างข้อมูลนำเข้า ว่าข้อมูลนำเข้าใดมีความสัมพันธ์กับข้อมูลนำเข้าอื่นในระดับใด ซึ่งจะทำให้สามารถเชื่อมโยงไปหาข้อสรุปได้ ด้วยการลองผิดลองถูกในความสัมพันธ์แต่ละแบบ และเก็บไว้เป็นแบบแผนหรือรูปแบบ (pattern) ของประสบการณ์เพื่อการเรียนรู้ของโครงข่าย
     3. ฟังก์ชันการรวม (Summation Function)
        เป็นโครงข่ายที่ทำหน้าที่ในการรวมค่าน้ำหนักที่ได้จากโครงข่ายในเลเยอร์ input เพื่อสรุปผลความสัมพันธ์ระหว่างข้อมูลนำเข้า รอการแปลงเป็นสารสนเทศที่มีความหมายในเลเยอร์ต่อไป

     4. ฟังก์ชันการแปลง (Transformation Function)
         เป็นโครงข่ายที่ทำหน้าที่ในการประสาน (integrate) สารสนเทศที่ผ่านการประมวลผลจากโครงข่ายในเลเยอร์ต่างๆแล้วทำการแปลง (Transform) ให้กลายเป็นสารสนเทศที่สื่อความหมาย และเป็นประโยชน์ต่อการนำไปใช้ได้เพื่อส่งออกไปเป็นผลลัพธ์ (Output)
     5. ผลลัพธ์ (Output)
       ผลลัพธ์ที่ได้จากโครงข่ายใยประสาทเสมือน จะหมายถึงแนวทางในการแก้ไขปัญหา เช่น ปัญหาการอนุมัติเงินกู้ว่าผู้กู้จะผ่านการอนุมัติหรือไม่ “ผลลัพธ์” ที่ผู้ใช้จะได้รับคือ”อนุมัติ” หรือ “ไม่อนุมัติ” ซึ่งโครงข่ายใยประสาทเสมือนจะใช้สัญลักษณ์แทนคำตอบทั้งหมด

        ผลลัพธ์ที่ได้จากโครงข่ายหนึ่ง สามารถเป็นข้อมูลนำเข้า (input) ของอีกโครงข่ายหนึ่งได้ ทั้งนี้ เพื่อเป็นข้อมูลนำเข้าของการตัดสินใจแก้ไขปัญหาอื่น เช่น ผลลัพธ์ที่ได้จากการอนุมัติเงินกู้ อาจจะนำไปใช้เป็นข้อมูลนำเข้าเพื่อการอนุมัติสินเชื่อที่อยู่อาศัยได้

ประโยชน์ของโครงข่ายประสาทเสมือน
     1. เกิดข้อผิดพลาดได้ยาก (Fault Tolerance)
       หากระบบโครงข่ายใยประสาทเสมือนประกอบไปด้วยโครงข่ายที่ใช้ในการประมวลผลมากมายหลายโครงข่าย ความผิดพลาดที่เกิดขึ้นจากเพียงหนึ่งหรือสองโครงข่ายจะไม่ทำให้ทั้งระบบเกิดข้อผิดพลาดได้

     2. ความสามารถในการหาเหตุผล (Generalization)
        เมื่อระบบโครงข่ายใยประสาทเสมือนได้รับข้อมูลนำเข้าที่ไม่ครบถ้วนหรือไม่เพียงพอต่อการหาข้อสรุป หรือได้รับข้อเท็จจริงที่ไม่เคยได้รับมาก่อน ระบบจะสามารถลำดับการเชื่อมโยงข้อเท็จจริงจนสามารถให้ข้อสรุปและเหตุผลได้
     3. ความสามารถในการปรับเปลี่ยน (Adaptability)
        โครงข่ายใยประสาทเสมือนสามารถเรียนรู้สภาพแวดล้อมใหม่ได้ ดังนั้นเมื่อมีเหตุการณ์ใหม่ๆ เข้าสู่ระบบก็จะสามารถปรับเปลี่ยนหรือปรับปรุงองค์ความรู้ให้ทันสมัยตามเหตุการณ์ใหม่นั้น

    4. ความสามารถในการพยากรณ์ (forecasting Capability)
       โครงข่ายใยประสาทเสมือนสามารถนำข้อมูลทางสถิติเดิมที่มีอยู่ในระบบ มาใช้คาดการณ์หรือพยากรณ์ข้อมูลในอนาคตได้

------------------
ที่มา:
น.ส.พรนภา  ประสาร
น.ส.ศิริพร จันทาวุฒ