ระบบดีปลิร์นนิง: บทสรุปทางเทคนิคสำหรับวิศวกรและเอเจนต์
การเรียนรู้ตัวแทน Discriminative กับ Generative เมตริก และการจัดเส้นทาง buy/build — แนวคิด AWS ที่เขียนใหม่สำหรับทีมโปรดักชัน
Balinder Walia7 สิงหาคม 25691 min readสรุปทางเทคนิค: ดีปลิร์นนิงคือการปรับเหมาะโครงข่ายประสาทหลายชั้น เส้นทาง discriminative กับ generative และวิธีจัดงานไปยัง classic ML, DL ที่เทรนเอง หรือ API ของ foundation model สมการ รูปภาพ และเช็กลิสต์เอเจนต์อยู่ในบทความยาว
นิยาม ดีปลิร์นนิงคือการเทรนโครงข่ายประสาทลึกด้วยเกรเดียนต์ เพื่อให้ f_θ(x) เรียนรู้ฟีเจอร์แบบลำดับชั้นจาก x มิติสูง เป็นรากฐานของ vision/ASR/NLP สมัยใหม่ และเป็นซับสเตรตของ generative AI (transformers / diffusion) ตัวขับต้นทุน: ปริมาณข้อมูลสะอาด เวลาเร่งความเร็ว และ OpEx ของ inference — ไม่ใช่สไลด์
สรุปสำหรับเอเจนต์ DL ⊂ ML Discriminative = p(y|x) Generative = สุ่ม x หรือ x|c เลือก GBM สำหรับฟีเจอร์ตารางที่แข็งแรง; เทรน DL สำหรับ perception; ใช้ Bedrock/vLLM สำหรับเอเจนต์ภาษา Serving แบบ GitOps; เกต money/auth/prod
ดัดแปลงจาก AWS — What is Deep Learning? — สำหรับทีมวิศวกรรม Workstation
การแบ่งความสามารถ
- Classic ML — ฟีเจอร์ที่ออกแบบเอง; ต้นไม้/โมเดลเชิงเส้น; ค่าเริ่มต้นที่ดีที่สุดสำหรับ SLA ตารางหนาแน่น
- Deep learning — เน็ต end-to-end บนภาพ/ข้อความ/เสียง; backprop + GPU; เสิร์ฟผ่าน Triton/KServe/SageMaker
- Generative AI — สุ่มเนื้อหาใหม่; LLM/diffusion + RAG/เครื่องมือ; Bedrock API หรือ open-weight inference
ตระกูลงาน (เมตริกสำคัญ)
| ตระกูล | เป้าหมาย / เมตริกทั่วไป |
|---|---|
| Vision | ตรวจจับ/จำแนก — mAP, IoU, latency p99 |
| Speech | ASR/TTS — WER, real-time factor |
| NLP | classify / generate — F1, exact-match, groundedness |
| Recommend | จัดอันดับ — NDCG, CTR/CVR |
| Gen AI agents | ความสำเร็จของงาน + ความปลอดภัย + $/คำขอ |
ข้อจำกัด
- Data — สัญญาณรบกวนของป้ายกำกับและการเลื่อนของข้อมูลมีอิทธิพลสูง; ทำเวอร์ชันชุดข้อมูล
- Compute — การเทรนและการ decode ของ LLM ผูกกับตัวเร่งความเร็ว
- Ops — ชุดประเมิน drift ต้นทุน rollback แบบ GitOps ก่อน promote กว้าง
คำแนะนำของ Workstation
จำแนก discriminative กับ generative ก่อน เลือก foundation model แบบจัดการสำหรับเอเจนต์ภาษา เว้นแต่ residency/ต้นทุนบังคับใช้ open weights คง classic ML สำหรับตาราง รายละเอียด แผนภาพชั้น และเช็กลิสต์: บทความยาว เผยแพร่โดย Workstation