การเรียนรู้เชิงลึก

การเรียนรู้เชิงลึกได้ขับเคลื่อนความก้าวหน้าที่สำคัญในการแก้ไขภาพ AI ตั้งแต่ปี 2012 เมื่อโครงข่ายประสาทเทียมเชิงลึกแสดงให้เห็นถึงความแม่นยำในการจดจำภาพเหนือมนุษย์เป็นครั้งแรกในการแข่งขัน ImageNet เครือข่ายที่มีหลายสิบหรือหลายร้อยเลเยอร์สามารถเรียนรู้ที่จะเข้าใจเนื้อหารูปภาพในระดับนามธรรมหลายระดับ เลเยอร์แรกๆ จะตรวจจับคุณสมบัติง่ายๆ เช่น ขอบและสี ชั้นกลางจะรวมสิ่งเหล่านี้เข้าด้วยกันเป็นพื้นผิวและรูปทรง เลเยอร์ลึกจะจดจำวัตถุและฉากที่สมบูรณ์ ความเข้าใจแบบลำดับชั้นนี้คือสิ่งที่ทำให้เครื่องมือ AI สามารถตัดสินใจแก้ไขภาพได้อย่างชาญฉลาดโดยพิจารณาจากเนื้อหาภาพ\n\nผลกระทบเชิงปฏิบัติของการเรียนรู้เชิงลึกเกี่ยวกับการแก้ไขภาพนั้นทำให้เกิดการเปลี่ยนแปลง ก่อนการเรียนรู้เชิงลึก เครื่องมืออัตโนมัติต้องอาศัยกฎที่สร้างขึ้นด้วยมือและการวิเคราะห์พฤติกรรมแบบง่ายๆ การลบพื้นหลังต้องการให้ผู้ใช้คลิกใกล้ขอบ การลบวัตถุทิ้งสิ่งประดิษฐ์ที่มองเห็นได้ การเพิ่มประสิทธิภาพของภาพใช้การปรับแบบสม่ำเสมอ การเรียนรู้เชิงลึกแทนที่ข้อจำกัดเหล่านี้ด้วยเครื่องมือที่เข้าใจสิ่งที่พวกเขากำลังดูและตอบสนองตามนั้น\n\nการเรียนรู้เชิงลึกต้องใช้ชุดข้อมูลการฝึกอบรมขนาดใหญ่และทรัพยากรการคำนวณที่สำคัญ การฝึกอบรมโมเดลรูปภาพที่ล้ำสมัยอาจต้องใช้รูปภาพนับล้านและการประมวลผลด้วยฮาร์ดแวร์เฉพาะทางเป็นเวลาหลายสัปดาห์ อย่างไรก็ตาม เมื่อฝึกฝนแล้ว โมเดลจะสามารถประมวลผลภาพแต่ละภาพได้ในไม่กี่วินาทีหรือมิลลิวินาที ความไม่สมดุลนี้ — มีราคาแพงในการฝึกและใช้งานถูก — คือเหตุผลว่าทำไมเครื่องมือที่ขับเคลื่อนด้วยการเรียนรู้เชิงลึกจึงสามารถให้ผลลัพธ์คุณภาพระดับมืออาชีพในราคาที่ผู้บริโภคเข้าถึงได้\n\nชุดผลิตภัณฑ์ Magic Magic Eraserire สร้างขึ้นจากเทคโนโลยีการเรียนรู้เชิงลึก โมเดลที่ขับเคลื่อนการลบวัตถุ การแยกพื้นหลัง การปรับปรุงรูปภาพ และการสร้างเนื้อหา ล้วนแต่เป็นโครงข่ายประสาทเทียมเชิงลึกที่ได้รับการฝึกอบรมเกี่ยวกับชุดข้อมูลภาพถ่ายขนาดใหญ่ โมเดลเหล่านี้ได้รับการปรับปรุงอย่างต่อเนื่องเมื่อเทคนิคการฝึกอบรมก้าวหน้าและข้อมูลการฝึกอบรมก็เพิ่มขึ้น การสร้างแบบจำลองที่ต่อเนื่องกันแต่ละครั้งจะให้ผลลัพธ์ที่ดีขึ้นอย่างวัดผลได้ — การตรวจจับขอบที่ละเอียดยิ่งขึ้น การสร้างเนื้อหาที่สมจริงยิ่งขึ้น และการสร้างสีที่แม่นยำยิ่งขึ้น — ซึ่งหมายความว่าเวิร์กโฟลว์ของผู้ใช้คนเดียวกันในการอัปโหลดภาพถ่ายและการคลิกปุ่มจะสร้างผลลัพธ์ที่เป็นมืออาชีพมากขึ้น เนื่องจากโมเดลการเรียนรู้เชิงลึกที่ซ่อนอยู่ได้รับการปรับปรุงและฝึกฝนใหม่บนชุดข้อมูลภาพที่ใหญ่และหลากหลายมากขึ้น