คลังเก็บหมวดหมู่: Artificial Intelligence

โม้เกี่ยวกับเทคโนโลยี Artificial Intelligence

สาเหตุที่ไม่ค่อยชอบ Neural Network ซักเท่าไหร่

เห็นทุกวันนี้งานทางด้าน AI ใช้ Neural Network มากขึ้นเรื่อย ๆ ซึ่งโดยส่วนตัวแล้วไม่ค่อยชอบโมเดลปัญญาประดิษฐ์แบบ Neural Network ซักเท่าไหร่ เพราะ …

Model Neural Network แบบต่าง ๆ
Model Neural Network แบบต่าง ๆ
  1.  แปลความยาก คือเวลามันเรียนรู้แล้วสร้างเส้นแบ่ง เส้นแบ่งมันเป็นเส้นโค้ง โค้งไปมาตามข้อมูลที่มันเรียน มันเลยไม่มีความเป็นกลาง ลองนึกถึงว่าเราตีเส้นตรงเพื่อแบ่งเขต เรายังตีความง่าย แต่พอมันโค้ง เราต้องตีความว่าทำไมมันโค้ง มันหลบทำไม มันมีอะไรพิเศษถึงต้องโค้งหลบ (มันเหมือนทางด่วนที่สร้างหลบบ้านคนรวยมั้ย)
  2. ถ้าอยากได้เส้นแบ่งเป็นเส้นตรง ก็ต้องเลือกใช้ Neural Network แบบ Perceptron แต่มุมเอียงของเส้นตรงที่แบ่งข้อมูล ก็จะเอียงแบบไม่มีหลักการ ถ้าเอาไปเทียบกับ Linear Support Vector Machine หรือ Linear Discriminant Analysis พวกนั้นยังตีเส้นตรงแบ่งแบบมีหลักการกว่าเยอะ
  3. มันช้า แต่ล่ะ epoch แปรผันตรงกับ node และ layer ยิ่งเยอะ ยิ่งช้า
  4. โมเดลมันเป็นแบบปลายเปิด คือ ไม่รู้ว่าจะต้องออกแบบ Hidden Layer หรือ Recurrent Layer หรือ Kernel Layer กี่ node หรือกี่ layer ถึงจะเหมาะกับปัญหาที่จะแก้ ต้องลองผิดลองถูกไปเรื่อยๆเอง
  5. การสุ่มค่าน้ำหนักเริ่มต้น เป็นไปตามดวง สุ่มไม่ดีเรียนรู้ช้า สุ่มดีเรียนรู้เร็ว
  6. ต้องใช้ข้อมูลเพื่อเรียนรู้เยอะมาก กว่าจะแบ่งเขตข้อมูลได้อย่างเหมาะสม

ไม่รู้คนอื่นเจอแค่ไหน แต่ที่ส่วนตัวเคยสัมผัสมา ก็ประมาณนี้

แต่ก็ไม่ใช่ว่า Neural Network จะไม่มีอะไรดีเลยในสายตาผมนะ ผมยังมองว่ามันมีจุดดีอยู่บ้าง ซึ่งเป็นจุดที่ผมชอบมาก ๆ เลย

นั่นก็คือ เมื่อสร้าง Model Neural Network ขึ้นมา แล้วสอนมันจนได้ประสิทธิผลที่พอใจแล้ว เราก็ไม่จำเป็นจะต้องสนใจกับข้อมูลที่สอนอีกต่อไป สนใจเฉพาะโมเดลที่ได้ก็พอ

จากนั้นก็เอาโมเดลที่ได้ ไปใช้งานอย่างอื่นต่อไป (ผมเคยเปรย ๆ ไว้ว่ามันเป็นแบบที่สองในหัวข้อวิธีทำให้คอมพิวเตอร์คิดเองได้) ซึ่งมันเป็นอะไรที่ประหยัดพื้นที่จัดเก็บมาก ๆ เลยล่ะ

อธิบายแขนงวิชาของปัญญาประดิษฐ์

เดี๋ยวนี้ ผลิตภัณฑ์อิเล็กทรอนิกส์ที่บรรจุคุณสมบัติของ AI หรือ ปัญญาประดิษฐ์ มีมากขึ้นเรื่อยๆ

ปัญญาประดิษฐ์มีหลายแขนงมาก จะอธิบายให้เข้าใจง่ายๆ ก็ไม่ใช่เรื่องง่ายๆ

แต่ก็จะลองอธิบายดู

1. Machine Learning คือ การให้เครื่องมันเรียนรู้ข้อมูลที่รู้จักมาก่อน และมีผลเฉลยอยู่ก่อนแล้ว โดยมนุษย์เรานั่นแหล่ะเฉลยเอาไว้ ให้มันเรียนเข้าไป เรียนเยอะๆ จุดประสงค์ก็เพื่อว่า ถ้ามีข้อมูลใหม่เข้ามา ก็จะได้ให้มันทำนายด้วยตัวเอง ว่าด้วยข้อมูลแบบนี้นะ ผลเฉลยมันควรจะเป็นยังไง

จากนั้นพอมันเก่งมากพอ มนุษย์เราก็จะเริ่มให้มันเรียนรู้เอง โดยคราวนี้มนุษย์เราจะไม่เฉลยคำตอบให้มันล่ะ ให้มันเฉลยคำตอบเอง เรียนเอง สอนตัวเอง

สำหรับผู้บริโภค คงได้สัมผัสหรือรับรู้ข่าวสารจากประโยชน์ของมันแล้ว เช่น การพูดคุยกับ siri บน ios การขับรถเองของ tesla การดูดฝุ่นเองของเครื่องดูดฝุ่นยี่ห้อ roomba การจับท่าทางการขยับตัวของผู้เล่นเกมด้วย xbox เป็นต้น

สำหรับนักคอมพิวเตอร์ ซึ่งต้องเป็นผู้ที่เข้าใจเบื้องหลังการทำงานของมัน ก็จะเกี่ยวข้องผูกพันกับ Machine Learning ผ่านความเข้าใจในทฤษฎีพื้นฐานที่เกี่ยวเนื่อง เช่น Naive Bayes, Neural Network, Support Vector Machines, Decision Tree, Fuzzy Logics, Regression, Discriminant Analysis, Ensemble, Hidden Markov Model, Bayesian Network เป็นต้น

แขนกลกดเครื่องคิดเลข

2. Data Mining คือ การให้เครื่องหาความรู้จากข้อมูลที่ไม่เคยรู้จักมาก่อน แล้วนำเสนอผลให้มนุษย์ตัดสินใจ โดยมนุษย์เราต้องเป็นคนตีความเอง เป็นคนกำหนดเอง ว่าผลใดคือความรู้และผลใดไม่ใช่ความรู้ เครื่องมันจะแค่ทำหน้าที่ นับ จัดเรียง จำแนก จัดกลุ่ม หาความสัมพันธ์ จากข้อมูลที่มีรูปแบบเฉพาะ มันอาจต้องรู้ผลเฉลยบ้างเพื่อให้มันทำงานได้ดีขึ้น หรือมันอาจไม่ต้องรู้ผลเฉลยมาก่อนเลยก็ได้

สำหรับผู้บริโภคอย่างเรา เราได้สัมผัสมันแล้วผ่านเครือข่ายสังคม เราได้บอกว่าตัวเราชอบอะไร เราเป็นใคร เราอยู่ที่ไหน เราได้อธิบายความผ่าน hash tag เรากด like กด wow เราแชร์รูป

เครื่องมันจะนับ จัดเรียง จำแนก จัดกลุ่ม หาความสัมพันธ์ จากการกระทำของเรา

เครื่องมันไม่รู้ว่าการที่คนเยอะแยะที่บอกว่าตัวเองชอบเครื่องประดับและมักจะแชร์ภาพเครื่องประดับ ทำไมจึงไปกดติดตามเพจ Cartier หรือ Tiffany & Co ซึ่งมีรูปภาพเครื่องประดับ มันไม่รู้ด้วยซ้ำว่า คำว่าเครื่องประดับ กับ รูปภาพเครื่องประดับ มันคืออะไร (การอธิบายข้อมูลเป็นแขนง Ontology ซึ่งแยกต่างหากออกไป ไม่ได้อยู่ใน Data Mining) แต่มันได้รู้ว่าสิ่งเหล่านี้มีความเกี่ยวข้องกัน และเป็นกลุ่มเดียวกันผ่านการ “นับ” จากการที่มนุษย์เราอธิบายความ

เมื่อมันเริ่มได้ความรู้จากข้อมูล ซึ่งมนุษย์เราได้นิยามทางอ้อมไว้ให้แล้วว่าเป็นความรู้ มันก็สามารถนำเสนอได้ เช่น แนะนำเพจที่คล้ายกัน แนะนำคนที่ชอบอะไรเหมือนกัน ส่งโฆษณาที่เราน่าจะสนใจให้เราดู รู้ว่าในรูปภาพที่เราแชร์ มีคนไหนบ้างที่อยู่ในรายชื่อเพื่อนของเราในเครือข่ายสังคม แล้วมันก็ tag รูปให้เราเอง

สำหรับนักคอมพิวเตอร์ ซึ่งต้องเป็นผู้ที่เข้าใจเบื้องหลังการทำงานของมัน (อีกล่ะ) ก็จะเกี่ยวข้องผูกพันกับ Data Mining ผ่านทฤษฎีพื้นฐาน เช่น Centroid Clustering, Hierarchical Clustering, Density Clustering, Association Rule Learning, Frequent Itemsets เป็นต้น

จริงๆยังมีแขนงอื่นของ AI อีกหลายตัวที่ไม่ได้อธิบาย บางตัวก็เป็นเรื่องใกล้ตัว เช่น Image Processing, Ontology หรือ Natural Language Processing

ในขณะที่บางตัวก็ไกลตัวไปเลย เช่น Bioinformatics, Evolutionary Computation หรือ Brain Informatics

เครื่องจักรโง่ เครื่องจักรฉลาด เครื่องจักรปัญญาประดิษฐ์

ก่อนที่เราจะเข้าเรื่องกัน ผมอยากจะค่อย ๆ เล่าให้เห็นภาพว่า มนุษย์เราเหนือกว่าสัตว์ได้ยังไง แล้วมนุษย์เราเหนือกว่ามนุษย์ด้วยกันเองได้ยังไง และอะไรที่ทำให้เผ่าพันธุ์หนึ่งเหนือกว่าอีกเผ่าพันธุ์หนึ่ง และอารยธรรมหนึ่งเหนือกว่าอีกอารยธรรมหนึ่ง

มนุษย์เราจริง ๆ แล้วอ่อนแอ ถ้าเราแก้ผ้ามือเปล่าสู้กับหมีเราคอหักตายแน่ หรือถ้าเราไม่สู้หมีแต่ไปสู้เสือล่ะ ผลก็ไม่แตกต่าง เพียงแต่เปลี่ยนเป็นหน้าแหกเพราะกรงเล็บและคอถูกขย้ำด้วยเขี้ยวแทน

มนุษย์เราก็เหมือนกับสัตว์หรือแม้แต่แมลง เราต้องดิ้นรนเพื่อเอาตัวรอด เราต้องการอาหาร เครื่องนุ่งห่ม ที่อยู่อาศัย ยารักษาโรค เพื่อหล่อเลี้ยงให้เราดำรงชีพอยู่ จากนั้นเราก็ต้องการความปลอดภัย สิ่งเหล่านี้ล้วนเป็นไปตามลำดับความต้องการแบบปัจเจกบุคคลที่เสนอโดยมาสโลว์เป๊ะ

การให้ได้มาซึ่งปัจจัยเหล่านี้ มนุษย์ต้องทำงาน ต้องคิด ทำ แล้วถึงจะมีขึ้นมา ถ้าเป็นยุคบรรพกาล อยากได้อาหารก็ต้องเข้าป่าล่าสัตว์ ตกปลา เก็บของป่า พอเข้าสู่ยุคเกษตรกรรม มนุษย์ก็ต้องปลูกพืชเพื่อเก็บเกี่ยว แล้วพอเข้าสู่ยุคอุตสาหกรรม มนุษย์ก็แปรรูปอาหารเพื่อเพิ่มประสิทธิภาพ สิ่งเหล่านี้เกิดขึ้นได้เพราะมนุษย์ทำมันขึ้นมาด้วยสมองและสองมือ

ยุคที่หนึ่ง มนุษย์ทำเอง

มนุษย์ทำ
มนุษย์ทำ

การทำงานล้วนต้องใช้แรง มันมีงานหลายอย่างที่ใช้แรงมนุษย์ทำได้ ใช้สองมือสองเท้าทำได้ สามารถแปลงทิศทางของแรงหรือขนาดของแรงเองได้ ไม่เกินกำลังของมนุษย์ ไม่ว่าจะเป็นงานสุจริต เช่น การยกกระถางต้นไม้ การยกกระสอบข้าวเข้าโกดัง การจัดเอกสารเข้าตู้ การพับเสื้อผ้าเข้าตู้ การเด็ดผลไม้จากต้น การเก็บเห็ดเด็ดยอดผักหักท่อนอ้อย หรือจะเป็นงานทุจริต เช่น การวิ่งราวทรัพย์ การชกต่อยทะเลาะวิวาท การฉุดคร่า การหน่วงเหนี่ยว เป็นต้น

แต่ก็มีงานเฉพาะหลายอย่างที่ไม่ใช่ว่าทุกคนจะทำได้ เพราะแต่ล่ะคนก็มีแรงไม่เท่ากัน และด้วยเหตุผลเพราะการมีแรงไม่เท่ากัน รวมถึงบางงานมันเกินกำลังของมนุษย์นี่แหล่ะ ทำให้มนุษย์เริ่มคิดว่าควรจะสร้างเครื่องมือขึ้นมา เพื่อให้มาช่วยแปลงทิศทางหรือขนาดของแรง ให้ทุกคนสามารถทำงานได้อย่างเท่าเทียมกัน หรือทำงานที่เกินกำลังได้

ยุคที่สอง มนุษย์คุม เครื่องมือทำ

มนุษย์คุม เครื่องมือทำ
มนุษย์คุม เครื่องมือทำ

คำว่า “เครื่องมือ” หมายถึงอะไรซักอย่างหนึ่งที่จับต้องได้ ซึ่งช่วยทำให้มนุษย์เราบรรลุเป้าหมายได้ ซึ่งมันอาจจะช่วยผ่อนแรง ช่วยย่นระยะทาง ช่วยป้องกัน ช่วยยึดจับ ช่วยให้ความร้อนความเย็น หรืออะไรก็ได้ โดยเป้าหมายพื้นฐานก็เน้นไปที่การหาอาหาร หายา สร้างที่อยู่อาศัย สร้างเครื่องนุ่งห่ม จากนั้นจึงขยายไปด้านการรักษาความปลอดภัย แล้วก็ขยายไปในเรื่องอื่น ๆ ในชีวิตประจำวัน เช่น การช่วยจำ การช่วยนับ การช่วยแลกเปลี่ยน เป็นต้น

การคิดค้นเครื่องมืออย่างง่าย ตามหลักการของ ไม้ลาด รอก ล้อและเพลา ตะปูควง คานดีดคานงัด และ ลิ่ม ช่วยทำให้มนุษย์สร้างเครื่องมือในการทำงาน เพื่อแปลงทิศทางและขนาดของแรงให้มากขึ้น ทำให้เรามีขวานไว้ตัดต้นไม้ มีรถเข็นไว้เข็นของ มีรอกเอาไว้โยงเชือกเพื่อตักน้ำจากบ่อน้ำ มีกรรไกรไว้ตัดผ้า มีดาบหอกธนูไว้ล่าสัตว์และรักษาความปลอดภัย มีประแจไขควงเอาไว้ไขน็อต โดยเครื่องมือที่สร้างเพื่อใช้งาน ยังอยู่บนพื้นฐานที่ว่า มันจะช่วยทำงานให้มนุษย์ โดยมนุษย์จะเป็นผู้ควบคุมและส่งแรงเบื้องต้นให้กับมัน (บางครั้งเราก็ใช้สัตว์ เช่น วัว ควาย ช่วยส่งแรงเบื้องต้นให้) จากนั้นมันก็จะทำหน้าที่แปลงทิศทางและขนาดของแรง เพื่อทำงานให้บรรลุเป้าหมายต่อไป

ถึงแม้จะมีเครื่องมือแล้ว แต่ปัญหาในเรื่องของประสิทธิภาพยังมีอยู่ เพราะเครื่องมือมันมีการส่งกำลังที่จำกัด ดังนั้น มนุษย์จึงเริ่มคิดค้นสิ่งที่เรียกว่า “เครื่องจักร” ขึ้นมา

ยุคที่สาม มนุษย์คุม เครื่องจักรโง่ทำ

มนุษย์คุม เครื่องจักรโง่ทำ
มนุษย์คุม เครื่องจักรโง่ทำ

มีผู้นิยามความหมายของ “เครื่องจักร” เอาไว้ว่า มันคือเครื่องมือที่ประกอบกันตั้งแต่ 1 ชิ้นขึ้นไป โดยมีจุดประสงค์หลักในการแปลงทิศทางของแรงและขนาดของแรง

แล้วเครื่องมืออะไรบ้างที่ประกอบกันเป็นเครื่องจักร? ก็มีหลายอย่าง เช่น ทางลาด รอก ล้อและเพลา ตะปูควง น็อต คานดีดคานงัด ลิ่ม เฟือง โซ่ คันโยก ใบจักร สายพาน สปริง เป็นต้น

เครื่องจักรถูกสร้างขึ้นโดยวัสดุตามยุคตามสมัย ช่วงแรกก็ทำด้วยไม้ จากนั้นก็เป็นเหล็ก เหล็กกล้า และโลหะผสม ตามลำดับ โดยการส่งกำลังให้เครื่องจักรก็ถูกพัฒนาไปด้วย เริ่มจากการส่งกำลังด้วยมนุษย์ สัตว์ แรงลม แรงน้ำ จากนั้นก็ด้วยพลังงานไอน้ำ พลังงานปิโตรเลียม พลังงานไฟฟ้า แล้วก็พลังงานนิวเคลียร์ มันได้ทำให้มนุษย์สามารถเพิ่มประสิทธิภาพในการทำงานได้มากขึ้น สามารถทำงานได้เร็วขึ้นในปริมาณที่มากขึ้นในเวลาที่จำกัด

เครื่องจักรเหล่านี้มีหลายอย่างที่เรารู้จัก ไม่ว่าจะเป็น นาฬิกาอนาล็อก จักรเย็บผ้า เครื่องบดปลาหมึก เครื่องบดน้ำแข็ง เครื่องบดเนื้อ เครื่องพิมพ์ดีด เรือหางยาว รถสามล้อ ไปจนถึงอาวุธอย่างปืนหรือปืนกล เป็นต้น

ถึงมันจะทุ่นแรงไปมาก แต่ว่าเครื่องจักรเหล่านี้ยัง “โง่” อยู่ เพราะทุก ๆ ครั้งที่เราจะใช้มันให้ทำงาน เราก็ต้องสั่งมันใหม่ทุกครั้ง ยิ่งขั้นตอนในการสั่งมีมากเท่าไหร่ มนุษย์เราก็จะเริ่มมีความยุ่งยากในการสั่งเครื่องจักรโง่เหล่านี้เท่านั้น ดังนั้น มนุษย์จึงเริ่มคิดว่าจะทำยังไงให้เครื่องจักร “ฉลาด” ขึ้นมาได้?

ยุคที่สี่ เครื่องจักรฉลาดคุม เครื่องจักรโง่ทำ

เครื่องจักรฉลาดคุมเครื่องจักรโง่
เครื่องจักรฉลาดคุมเครื่องจักรโง่

การคิดค้นไฟฟ้าและการนำสัญญาณไฟฟ้ามาใช้เพื่อขับเคลื่อนวงจรอิเล็กทรอนิกส์ ได้ทำให้มนุษย์มีความก้าวหน้าในการพัฒนาไมโครโปรเซสเซอร์และไมโครคอนโทรลเลอร์ ซึ่งเป็นเครื่องจักรในอีกรูปแบบหนึ่ง ที่ทำหน้าทีในการแปลงทิศทางและขนาดของแรง เพียงแต่มันไม่ใช่กระทำต่อแรงกล แต่เป็นการกระทำต่อแรงแม่เหล็กไฟฟ้าแทน

ความรวดเร็วของสัญญาณไฟฟ้า ได้ทำให้เกิดประสิทธิภาพในรูปแบบใหม่ นั่นคือประสิทธิภาพในการคิดคำนวณและการจัดเก็บข้อมูล อันนำมาซึ่งประสิทธิผลในการควบคุมที่แม่นยำและการสามารถจดจำชุดคำสั่งซึ่งป้อนโดยมนุษย์ได้

เมื่อป้อนชุดคำสั่งให้ทำงานได้ ก็หมายความว่ามนุษย์จะไม่จำเป็นต้องมาสั่งซ้ำ ๆ ในทุกขั้นตอนให้เครื่องจักรทำงานอีกต่อไป สั่งแค่ครั้งเดียว แล้วก็ให้เครื่องจักรทำงานตามขั้นตอนที่สั่งเอาไว้ แล้วมนุษย์ก็เอาเวลาที่เหลือไปทำอย่างอื่นต่อไป

มนุษย์ควบคุมเครื่องจักรฉลาด ให้ไปควบคุมเครื่องจักรโง่เพื่อให้ทำงานอีกต่อหนึ่ง ซึ่งปัจจุบันก็มีตัวอย่างให้เห็นมากมายในชีวิตประจำวัน ไม่ว่าจะเป็น เครื่องปรับอากาศ เตาอบไมโครเวฟ หม้อหุงข้าว สัญญาณไฟจราจร เครื่องซักผ้า รถยนต์ เครื่องบิน หรือที่มีให้เห็นในทางธุรกิจ เช่น ระบบรักษาความปลอดภัยห้องนิรภัย ระบบผ่านเข้าออกประตูสำนักงาน ระบบไม้กั้นทางเข้าออกลานจอดรถ และมีให้เห็นในด้านความมั่นคง เช่น ระบบอาวุธที่ควบคุมด้วยคอมพิวเตอร์ ดาวเทียม ยานอวกาศ สถานีอวกาศ เป็นต้น

พอเล่ามาถึงตรงนี้ก็จะเริ่มเห็นแล้ว การที่มนุษย์เรามีความก้าวหน้าไปอย่างมากมาย ส่วนใหญ่เกิดจากการสร้างเครื่องจักรเพื่อมาใช้งาน ดังนั้น ชาติใดหรืออารยธรรมใด ที่มีความสามารถในการคิดค้นและผลิตเครื่องจักร (ทั้งโง่และฉลาด) เพื่อใช้เองให้เพียงพอในชาติ อีกทั้งยังสามารถส่งออกเครื่องจักรไปขายยังชาติอื่นได้ ชาตินั้นก็จะมีฐานะเป็นชาติมหาอำนาจโดยปริยาย

งั้นเรามาดูกันดีกว่าว่าปัจจุบัน ชาติมหาอำนาจในโลกนี้ ชาติใดส่งออกเครื่องจักรกันบ้าง โดยดูจากกรอบสีเขียวที่ผมครอบเอาไว้ ผมเลือกครอบเฉพาะสินค้ากลุ่มเครื่องจักร ไม่ได้แยกว่าเป็นเครื่องจักรโง่หรือเครื่องจักรฉลาด แต่อุปโลกได้ว่าถ้ามันเป็นสินค้ากลุ่มอิเลกทรอนิกส์ก็คือเครื่องจักรฉลาดนั่นแหล่ะ

เอาเป็นสถิติของปี พ.ศ. 2558 (ค.ศ. 2015) แล้วกัน

ประเทศจีน

สินค้าส่งออก 10 รายการของประเทศจีน ค.ศ. 2015
สินค้าส่งออก 10 รายการของประเทศจีน ค.ศ. 2015

ประเทศสหรัฐอเมริกา

สินค้าส่งออก 10 รายการของประเทศสหรัฐอเมริกา ค.ศ. 2015
สินค้าส่งออก 10 รายการของประเทศสหรัฐอเมริกา ค.ศ. 2015

ประเทศสหราชอาณาจักร

สินค้าส่งออก 10 รายการของประเทศสหราชอาณาจักร ค.ศ. 2015
สินค้าส่งออก 10 รายการของประเทศสหราชอาณาจักร ค.ศ. 2015

ประเทศเยอรมัน

สินค้าส่งออก 10 รายการของประเทศเยอรมัน ค.ศ. 2015
สินค้าส่งออก 10 รายการของประเทศเยอรมัน ค.ศ. 2015

ประเทศญี่ปุ่น

สินค้าส่งออก 10 รายการของประเทศญี่ปุ่น ค.ศ. 2015
สินค้าส่งออก 10 รายการของประเทศญี่ปุ่น ค.ศ. 2015

ประเทศเกาหลีใต้

สินค้าส่งออก 10 รายการของประเทศเกาหลีใต้ ค.ศ. 2015
สินค้าส่งออก 10 รายการของประเทศเกาหลีใต้ ค.ศ. 2015

ต้นฉบับดูได้จากที่นี่ จากภาพข้างบน ๆ จะเห็นว่า สินค้าส่งออกลำดับต้น ๆ ส่วนใหญ่ของชาติมหาอำนาจ ล้วนเป็นเครื่องจักรทั้งนั้น ดังนั้น ถ้าประเทศไทยอยากเป็นมหาอำนาจ ก็ต้องตั้งใจสร้างเครื่องจักรกันได้แล้ว!!!

ยุคที่ห้า เครื่องจักรอัจฉริยะควบคุมเครื่องจักรฉลาด

เครื่องจักรปัญญาประดิษฐ์คุมเครื่องจักรฉลาด
เครื่องจักรปัญญาประดิษฐ์คุมเครื่องจักรฉลาด

ถึงแม้เครื่องจักรโง่จะช่วยเพิ่มประสิทธิภาพ และเครื่องจักรฉลาดจะช่วยเพิ่มทั้งประสิทธิภาพและประสิทธิผล แต่ยังไงก็ยังต้องมีมนุษย์ควบคุมอยู่ ซึ่งเรื่องนี้ถือเป็นข้อจำกัด ดังนั้น ถ้าเป็นงานที่มนุษย์ไม่สามารถติดพันเพื่อควบคุมเครื่องจักรฉลาดได้อย่างต่อเนื่อง เนื่องจากอุปสรรคของระยะทางหรือความเสี่ยงในพื้นที่หรืออยู่ในพื้นที่อับสัญญาณ เช่น งานลาดตระเวนพรมแดน งานสำรวจป่าลึก งานสำรวจใต้ดินระดับลึก งานสำรวจพื้นผิวดาวเคราะห์รอบนอกระบบสุริยะ งานสำรวจมหาสมุทรน้ำลึก หรือเป็นงานที่มนุษย์ทำแล้วซ้ำซาก มีรูปแบบการทำตายตัว เช่น การดูแลลูกค้า การดูแลผู้ป่วย การดูแลคนชรา การขับขี่ยานพาหนะ เป็นต้น งานเหล่านี้จะดีกว่ามั้ย ถ้าจะให้เครื่องจักรปัญญาประดิษฐ์ทำแทน

คำว่า “ปัญญาประดิษฐ์” หมายถึง ความฉลาดเทียมที่สร้างขึ้นให้กับสิ่งไม่มีชีวิต (หาอ่านรายละเอียดเต็มได้ที่นี่) ในปัจจุบัน ปัญญาประดิษฐ์เป็นเรื่องของทฤษฎีทางคอมพิวเตอร์ซึ่งเป็นรากฐานสำคัญสำหรับพัฒนาเป็นซอฟต์แวร์คอมพิวเตอร์ และเมื่อมันถูกสร้างขึ้นแล้ว มันก็อาจถูกขับเคลื่อนบนสถาปัตยกรรมของเครื่องจักรฉลาด ที่ใช้ประโยชน์จากการแปลงทิศทางและขนาดของแรงในรูปแบบใดรูปแบบหนึ่ง เช่น แรงแม่เหล็กไฟฟ้า หรือ แรงนิวเคลียร์แบบอ่อน เป็นต้น

เครื่องจักรปัญญาประดิษฐ์เมื่อถูกสร้างขึ้น จะมีความเป็นอิสระ และถูกควบคุมจากมนุษย์น้อยมาก หรือไม่ถูกควบคุมเลย เพราะจุดประสงค์ของมนุษย์ในการสร้างเครื่องจักรปัญญาประดิษฐ์ ก็เพราะมนุษย์ไม่ต้องการควบคุมมัน และมีความเป็นไปได้อย่างมากที่เครื่องจักรปัญญาประดิษฐ์ส่วนใหญ่ จะหมายถึงหุ่นยนต์ซึ่งมีความฉลาดเบื้องต้นใกล้เคียงมนุษย์ และมีสรีระเหมือนมนุษย์ เพื่อการทำงานแทนมนุษย์อย่างคล่องตัว

สิ่งที่น่ากังวลเกี่ยวกับเครื่องจักรปัญญาประดิษฐ์ก็คือการจัดการงานนอกสั่ง มันมีโอกาสน้อยมากแต่เป็นไปได้ ที่เครื่องจักรปัญญาประดิษฐ์จะทำงานที่เราไม่อยากให้ทำ นั่นคือการที่มันตัดสินใจออกแบบและสร้างเครื่องจักรฉลาดหรือเครื่องจักรโง่ ตามสถาปัตยกรรมที่มันเข้าใจหรือที่มันคิดค้นขึ้นมาเอง โดยไม่ได้ขออนุญาตหรือปรึกษาหารือมนุษย์อย่างเรา เพราะมันเข้าใจผิดว่ามันมีสิทธิ์ที่จะทำได้ และจะยิ่งน่ากังวลมากขึ้น เมื่อสถาปัตยกรรมของเครื่องจักรฉลาดหรือเครื่องจักรโง่ที่ถูกมันสร้างขึ้น เป็นแบบที่มนุษย์เราไม่มีทางเข้าใจ ไม่มีทางควบคุม และไม่มีทางแทรกแซงได้เลย

สุดท้ายแล้ว ความสามารถของมนุษย์จริง ๆ ก็คือการสร้างตัวแทนเพื่อทำงานให้กับตัวเอง ใครยิ่งสร้างตัวแทนได้เก่งก็ยิ่งได้เปรียบคนอื่น อารยธรรมไหนสร้างตัวแทนได้เก่งก็ยิ่งได้เปรียบอารยธรรมอื่น จากอดีตสู่ปัจจุบัน มนุษย์เริ่มสร้างเครื่องมือง่าย ๆ เพื่อทำงานแทนตัวเอง แล้วก็ผ่านมาสู่เครื่องจักร จากนั้นสุดท้ายก็กลายเป็นหุ่นยนต์ มนุษย์สร้างตัวแทนเพื่อทำงานแทนตัวเองไปเรื่อย ๆ ซึ่งผมกำลังคิดว่าต่อไปไม่แน่ มนุษย์อาจจะไม่ใช่สิ่งจำเป็น เพราะต่อไปเครื่องจักรคงจะทำงานแทนในส่วนที่สำคัญที่สุดของมนุษย์ นั่นคือการสืบพันธุ์และขยายเผ่าพันธ์ุแทนมนุษย์นั่นเอง

ยกตัวอย่าง ทฤษฎีบทของเบย์

ทฤษฎีบทของเบย์เป็นทฤษฎีความน่าจะเป็นเชิงอนุมานที่ถูกใช้กันอย่างกว้างขวางในงานคอมพิวเตอร์ชั้นสูงครับ ไม่ว่าจะเป็นการรู้จำแบบมีผู้สอนเชิงเส้นด้วย Naive Bayes หรือ การรู้จำเสียงพูดด้วย Hidden Markov Model หรือ การคำนวณสภาวะ Superposition ของคิวบิตในควอนตัมคอมพิวเตอร์ ก็ล้วนตั้งอยู่บนหลักการของทฤษฎีบทของเบย์ทั้งนั้น

โดยหน้าตาของสมการตามทฤษฎีบทของเบย์ก็เป็นแบบข้างล่างนี้

ทฤษฎีบทของเบย์
ทฤษฎีบทของเบย์

จริง ๆ แล้วทฤษฎีบทของเบย์ก็สืบต่อมาจากทฤษฎีความน่าจะเป็นแบบมีเงื่อนไขอีกทีนึงน่ะครับ เป็นโมเดลที่อธิบายว่าความน่าจะเป็นในลำดับถัดไปจะขึ้นกับความน่าจะเป็นของลำดับก่อนหน้า อะไรประมาณนั้น

ซึ่งถ้าจะคำนวณความน่าจะเป็นของลำดับถัดไปโดยขึ้นกับความน่าจะเป็นของลำดับก่อนหน้า ก็สามารถทำได้ง่าย ๆ ตามสมการข้างล่างนี้ครับ

การคำนวณความน่าจะเป็นแบบมีเงื่อนไข
การคำนวณความน่าจะเป็นแบบมีเงื่อนไข

แล้วในเมื่อมันมีสมการง่าย ๆ อยู่ก่อนแล้ว ทำไมเรายังต้องคำนวณโดยใช้ทฤษฎีบทของเบย์อีก???

คำตอบคือ บางครั้งการคำนวณความน่าจะเป็นของลำดับถัดไป โดยขึ้นกับความน่าจะเป็นของลำดับก่อนหน้า มันทำแบบตรงไปตรงมาไม่ได้ครับ มันต้องทำแบบอ้อม ๆ ดังนั้น ทฤษฎีบทของเบย์เลยเป็นสิ่งที่แก้ปัญหาในเรื่องนี้ไปโดยปริยาย

ก่อนอื่น ยกตัวอย่างข้อมูลให้ดูแล้วกันครับ ตามตารางด้านล่างนี้ เป็นข้อมูลคุณสมบัติของบุคคลที่มีเพียง 5 คนเท่านั้น โดยคุณสมบัติของคนเหล่านั้นก็คือ หน้าตา รูปร่าง เส้นเสียง การแสดง และ อาชีพ ครับ

ตัวอย่างข้อมูลเพื่อคำนวณตามทฤษฎีบทของเบย์
ตัวอย่างข้อมูลเพื่อคำนวณตามทฤษฎีบทของเบย์

ทีนี้จะตั้งโจทย์ครับ โจทย์คือให้หาว่าความน่าจะเป็นที่บุคคลในข้อมูลตัวอย่างจะเป็นนักแสดงและเป็นคนรูปร่างผอม ซึ่งถ้าหาโดยใช้สมการตามความน่าจะเป็นแบบมีเงื่อนไข ก็จะได้ตามสมการด้านล่างนี้

ตัวอย่างสมการแบบความน่าจะเป็นแบบมีเงื่อนไข
ตัวอย่างสมการแบบความน่าจะเป็นแบบมีเงื่อนไข

คำตอบคือ 1 ส่วน 2 ซึ่งแบบข้างบนนี้ตรงไปตรงมา แต่ถ้าหาโดยใช้ทฤษฎีบทของเบย์บ้างล่ะจะเป็นยังไง? ซึ่งก็เป็นไปตามด้านล่างนี้

ตัวอย่างสมการตามทฤษฎีบทของเบย์
ตัวอย่างสมการตามทฤษฎีบทของเบย์

จะเห็นว่าคำตอบที่คำนวณได้ตามทฤษฎีบทของเบย์ มันก็เหมือน ๆ กับคำตอบที่คำนวณได้ตามทฤษฎีความน่าจะเป็นแบบมีเงื่อนไขนั่นแหล่ะครับ แล้วในเมื่อคำตอบมันเหมือนกัน แล้วเราจะไปใช้ทฤษฎีบทของเบย์ทำไมอีก???

คำตอบก็เพราะว่า ในสถานการณ์จริง เราอาจไม่สามารถหาความน่าจะเป็นแบบมีเงื่อนไขอย่างตรงไปตรงมาได้ครับ บางครั้งมันยอกย้อน มันต้องอ้างอิงกลับไปกลับมาถึงจะหาคำตอบได้ ดังนั้น ด้วยคุณสมบัติของทฤษฎีบทของเบย์ ก็เลยทำให้มันกลายเป็นเครื่องมือที่นิยม สำหรับงาน Machine Learning, Data Mining หรือ Quantum Computing ไปโดยปริยายนั่นเอง

Multi-Class กับ Multi-Label

คืองี้ครับ ในวิชา Data Mining หรือ Machine Learning มันจะมีอยู่ปัญหานึงที่มักถูกหยิบยกขึ้นมานำเสนออยู่เสมอ นั่นคือ ปัญหาการจำแนกผลลัพธ์โดยการพิจารณาจากคุณสมบัติของข้อมูลที่ฝึกฝน เช่น ใช้ส่วนสูง หรือ น้ำหนัก ประกอบกัน เพื่อจะจำแนกว่าบุคคลคนนั้น เป็นนักบาสเก็ตบอลหรือนักซูโม่หรือนักมวย

ซึ่งถ้าในทางทฤษฎีเราสามารถจำแนกว่า นักบาสเก็ตบอลคือ Class ที่หนึ่งส่วนนักซูโม่ก็เป็น Class ที่สอง และนักมวยก็เป็น Class ที่สาม ดังนั้น ถ้าข้อมูลที่มีมันจำแนกได้มากกว่าสอง Class เราก็จะเรียกข้อมูลชุดดังกล่าวว่าเป็นข้อมูลที่ถูกจำแนกผลลัพธ์ได้เป็น Multi-Class ตัวอย่างข้อมูลก็เป็นดังรูปข้างล่าง

Multi-Class Classification
Multi-Class Classification

แต่ถ้าข้อมูลที่ต้องการจำแนก มันมีข้อมูลบางชุดที่มีคุณสมบัติเหมือนกันเป๊ะ ๆ แต่สามารถจำแนกเป็นผลลัพธ์ได้มากกว่าหนึ่ง Class เราจะเรียกข้อมูุลชุดดังกล่าวว่ามีลักษณะของ Multi-Label ดังรูป

Multi-Label Classification
Multi-Label Classification

จากรูปจะเห็นว่า นาย จ กับ นาย ฉ มีส่วนสูงกับน้ำหนักเท่ากันเป๊ะเลย แต่กลับกลายเป็นว่า ด้วยส่วนสูงและน้ำหนักที่เท่ากันเป๊ะดังกล่าว กลับให้ผลลัพธ์ที่แตกต่างกัน

สำหรับคอมพิวเตอร์แล้ว การเรียนรู้เพื่อจำแนกผลลัพธ์ซึ่งมีมากกว่าสอง Class (Multi-Class) เป็นเรื่องที่ไม่ได้ยากอะไร แต่ถ้าหากว่าเป็นการจำแนกผลลัพธ์ที่แตกต่างกันมากกว่าหนึ่ง Class โดยเกิดจากคุณสมบัติที่เหมือนกัน (Multi-Label) เป็นเรื่องที่ไม่ง่าย ซึ่งวิธีแก้ความไม่ง่ายก็คือ

  • การให้มันเรียนรู้จากคุณสมบัติของข้อมูลชุดที่เหลือเพื่อให้มันชั่งน้ำหนักในการจำแนกผลลัพธ์แทน หรือ
  • การเพิ่มคุณสมบัติให้กับข้อมูล เช่น ถ้าส่วนสูงกับน้ำหนักมันทำให้จำแนกยาก งั้นก็เพิ่มความดันเลือดกับระดับน้ำตาลในเลือดเข้าไป เผื่อมันจะช่วยให้เห็นความแตกต่าง และทำให้การจำแนกเป็นไปได้ง่ายขึ้น เป็นต้น

ถึงตอนนี้ก็คงพอจะแยกออกแล้วนะครับว่า Multi-Class กับ Multi-Label มันแตกต่างกันยังไง