แต่พอได้อ่านเอง ถึงได้รู้ว่าสื่อมวลชนไม่ได้แจกแจงทุกรายละเอียดปลีกย่อย ผมจึงเห็นว่าในเนื้อหามีคำสำคัญหลายคำที่ถูกกล่าวอ้างถึง ล้วนเกี่ยวข้องกับคอมพิวเตอร์ทั้งนั้น ซึ่งได้แก่ คลาวคอมพิวติ้ง บิ๊กดาต้า ไอโอที บล็อกเชน ปัญญาประดิษฐ์ วีอาร์ เออาร์ ควอนตัมคอมพิวติ้ง เซมิคอนดักเตอร์ วิทยาการระบบประสาท และบางคำที่ไม่เกี่ยวข้องกับคอมพิวเตอร์โดยตรงแต่เป็นเรื่องไฮเทค เช่น การบินและอวกาศ และ เทคโนโลยีพันธุศาสตร์

ในแผนเขียนไว้อย่างชัดเจนว่า จีนจะพึ่งพาตัวเองในระดับพื้นฐาน ในหัวข้อตามคำสำคัญที่กล่าวมาข้างต้น โดยลดการพึ่งพาจากต่างชาติให้มากที่สุด และจะทำให้ได้ต่อเนื่องไปถึง 10 ปี เพื่อจะกลายเป็นผู้นำระดับโลกในระยะยาว!!!

ซึ่งถ้าอ้างตามเนื้อหาของแผน แสดงว่าจีนจะทุ่มเทเพื่อคิดค้นทฤษฎีพื้นฐานเอง และลงมือสร้างเครื่องมือพื้นฐานเอง เพื่อจะนำทฤษฎีและเครื่องมือพื้นฐาน ไปใช้ประยุกต์ต่อยอดในการพัฒนาต่าง ๆ อย่างสบายใจ โดยไม่ต้องสนใจการกลั่นแกล้ง ฉุดรั้ง คว่ำบาตร ของชาติอื่น ๆ อีกต่อไป

และถ้าผมประเมินไม่ผิด ในระยะยาวยิ่งกว่านั้น ผมคิดว่าจีนคิดจะพึ่งพาตัวเองให้ได้ในทุก ๆ ด้าน จนแม้กระทั่งถ้าชาติอื่นล่มสลายไปหมดทุกชาติ จีนก็ยังอยู่ได้และเจริญก้าวหน้าต่อไปได้เรื่อย ๆ โดยไม่เดือดร้อน!!!

น่าจะคิดไปถึงขนาดนั้นเลย!!!

การพึ่งพาพลังของชาติได้ในทุก ๆ ด้าน ก็คือ การกลายเป็นประเทศอภิมหาอำนาจ!!!

แต่ผมเองก็ยังไม่เคยเห็นชาติไหนในประวัติศาสตร์ยุคใหม่ที่ทำได้ถึงขนาดนั้น แม้แต่สหรัฐอเมริกาซึ่งเป็นชาติอภิมหาอำนาจในช่วง 100 ปีที่ผ่านมา ก็ยังทำไม่ได้ ยังต้องพึ่งพาการนำเข้าเพื่อทำให้คนในชาติอยู่ดีกินดีอยู่

สหรัฐอเมริกาไม่ได้พึ่งพาชาติอื่นเพราะไม่มีปัญญาคิดเองทำเอง แต่ที่พึ่งพาชาติอื่นเพราะขี้เกียจคิดเองทำเองในเรื่องโลว์เทค สู้เอาเวลาไปทำเรื่องไฮเทคเพื่อให้มีมูลค่าจะดีกว่า

ซึ่งความคิดต่างจากจีน เพราะจีนคิดจะพึ่งพาชาติตัวเองในทุก ๆ ด้าน ไม่ว่าจะเป็นเรื่องโลว์เทคหรือเรื่องไฮเทค!!!

และแผนของจีนก็คือการพึ่งพาตัวเองด้านไฮเทคให้ได้ และมันจะกลายเป็นพลังต่อยอดเพื่อสนับสนุนการพึ่งพาตัวเองด้านโลว์เทคอีกต่อหนึ่ง!!!

ถ้าสังเกตดี ๆ จะเห็นว่าจีนพยายามอย่างสูงสุดที่จะพึ่งพาตัวเอง มันมีหลายข่าวที่ถ่ายทอดออกมา ซึ่งถ้าเราเสพข่าวอย่างผิวเผินเราก็อาจตั้งคำถามว่าจีนคิดจะไม่ให้คนอื่นหากินเลยเหรอ? ไม่คิดจะซื้ออะไรจากชาติอื่นเลยเหรอ? ซึ่งตัวอย่างข่าวก็มีหลายเรื่อง ทั้งเรื่องไฮเทค เช่น จีนมีระบบค้นเว็บของตัวเอง มีตลาดกลางซื้อขายสินค้าออนไลน์ของตัวเอง มีระบบการชำระเงินของตัวเอง มีเครือข่ายสังคมของตัวเอง มีระบบการแบ่งปันคลิปวีดีโอของตัวเอง เป็นต้น

หรือเรื่องโลว์เทค เช่น สถานที่ท่องเที่ยวในชาติอื่นที่ดี ๆ จีนก็จะจำลองไว้ที่ชาติตัวเอง อาหารอร่อย ๆ จีนก็พยายามหัดทำเอง พืชผักผลไม้อร่อย ๆ ที่ได้รับความนิยม จีนก็พยายามจะปลูกเอง เป็นต้น

ตลาดจีนใหญ่มาก ชาติต่าง ๆ ล้วนอยากขายของเข้าไปที่จีน แต่จีนกลับคิดเองทำเอง พึ่งพาตัวเองแม้กระทั่งสินค้าโลว์เทค ไม่ซื้ออะไรที่เป็นโลว์เทคจากชาติอื่น ส่งผลให้ชาติอื่นหากำไรจากจีนไม่ได้ และ ใช้เป็นอำนาจต่อรองกับจีนก็ไม่ได้

สหรัฐพึ่งพาตัวเองในด้านไฮเทค แต่พึ่งพาชาติอื่นในด้านโลว์เทค ชาติอื่นเลยชอบเพราะทำมาค้าขายด้วยได้ คือ ซื้อของไฮเทคจากสหรัฐ และ ขายของโลว์เทคให้สหรัฐ

ส่วนจีนพึ่งพาตัวเองทั้งด้านไฮเทคและโลว์เทค ดังนั้น กลายเป็นว่าชาติต่าง ๆ ต้องซื้อของไฮเทคและโลว์เทคจากจีน และ ชาติต่าง ๆ แทบจะขายของโลว์เทคของตัวเองให้จีนไม่ได้เลย ยกเว้นทรัพยากรธรรมชาติสำคัญที่จีนไม่มี เช่น น้ำมันปิโตรเลียมและแก๊สธรรมชาติ เป็นต้น ซึ่งไม่ใช่ทุกชาติจะมีทรัพยากรธรรมชาติแบบนี้ และอีกไม่นานถ้าจีนเปลี่ยนไปใช้เครื่องยนต์ไฟฟ้าทั้งหมด รวมทั้งจ่ายพลังงานไฟฟ้าให้กับทั้งประเทศด้วยดวงอาทิตย์เทียมได้ ความสำคัญของทรัพยากรธรรมชาติแบบนี้ก็จะหมดลงไป

ตอนนี้ภาพมันชัดขึ้นเรื่อย ๆ ว่าการครองโลกของจีนและสหรัฐมันต่างกัน

สหรัฐครองโลกโดยการก้าวก่ายชาติอื่นไปทั่ว แต่จีนครองโลกโดยการพึ่งพาตัวเองสูงสุด

เราได้เห็นมาแล้วว่าการครองโลกของสหรัฐมันน่ารำคาญสุด ๆ เพราะสหรัฐชอบสูบทรัพยากรจากชาติต่าง ๆ และถ้าชาติไหนไม่เชื่อฟังสหรัฐ สหรัฐก็คว่ำบาตรไม่ซื้อของ และบังคับให้ชาติอื่นไม่ซื้อของ

แต่การครองโลกของจีนก็คงจะน่ารำคาญอีกแบบนึง เพราะจีนไม่สนใจว่าชาติไหนจะเชื่อฟังหรือไม่เชื่อฟังจีน ยังไงจีนก็ไม่ซื้อของชาตินั้นอยู่ดี เพราะจีนพึ่งพาตัวเองได้ และเผลอ ๆ จีนยังขายสิ่งที่ชาติต่าง ๆ ทำได้ในราคาที่ต่ำมาก ๆ แถมคุณภาพดีกว่าอีกต่างหาก ซึ่งมันจะทำให้ชาติอื่นอดตาย เพราะแข่งกับจีนไม่ได้

ผมคิดว่าตอนนี้ จีนคงจะไม่มีเวลามาหาเสียงกับชาติอื่น จีนต้องพัฒนาชาติตัวเองให้พึ่งพาตัวเองให้ได้ มันเป็นเรื่องความมั่นคง เป็นเรื่องคอขาดบาดตายของชาติ เพราะถ้าพึ่งพาเรื่องไฮเทคระดับพื้นฐานไม่ได้ ก็ต้องเป็นเบี้ยล่างสหรัฐและยุโรปเหมือนอดีตที่ผ่านมา

แต่ผมก็เชื่อนะ ว่าภายใน 5 ปีนี้ หลังจากที่จีนพึ่งพาตัวเองในเรื่องไฮเทคระดับพื้นฐานได้แล้ว ในแผน 5 ปีฉบับหน้า จีนน่าจะบรรจุเรื่องการหาเสียงกับชาติอื่น และเริ่มคิดว่าจะอยู่ร่วมกับชาติอื่นในโลกอย่างสันติและมั่งคั่งร่วมกันได้อย่างไร รวมทั้งวางแผนแบ่งผลประโยชน์ยังไงให้ชาติอื่นไม่รู้สึกว่าจีนสนใจแต่ชาติตัวเองไม่สนใจชาติอื่น

จริง ๆ มันมีแบบแผนที่ทำกันมาแล้วนะโดยสหรัฐอเมริกา ตอนที่สหรัฐอเมริกาเป็นอภิมหาอำนาจโลกเสรี ยังเป็นเจ้าสัวโลก (ตอนนี้จีนเป็นแทนแล้ว) โรงงานของโลก (ตอนนี้จีนก็เป็นแทนแล้ว) และ ศูนย์วิจัยของโลก (อันนี้สหรัฐกับจีนแบ่งกันเป็น) นั่นก็คือ การแจกตังค์

ก่อนที่สหรัฐจะถังแตกแบบในปัจจุบัน สหรัฐแจกตังค์ให้ทุกชาติ แจกแบบเจ้าสัวเลย ให้ทุนในหลาย ๆ แบบ ทั้งทุนด้านการทหาร ทุนด้านการศึกษา ปล่อยกู้ผ่านธนาคารโลก ให้เงินอุดหนุนโน่นนี่นั่น เยอะแยะเต็มไปหมด จนชาติต่าง ๆ ยังคงหลงรักสหรัฐแบบหัวปักหัวปำอย่างทุกวันนี้

ซึ่งผมก็คิดว่าเป็นไปได้ที่จีนจะทำตามสหรัฐนั่นแหล่ะ เพียงแต่สหรัฐทำโดยไม่ได้ประกาศเป็นแผนระดับชาติ เป็นการทำผ่านกฎหมายเป็นครั้ง ๆ ให้รัฐสภารับรอง แต่ถ้าจีนเล่นประกาศเป็นแผนระดับชาติออกมา ว่าจะอุดหนุนช่วยเหลือเรื่องเงินทองกับชาติต่าง ๆ อย่างเป็นเรื่องเป็นราว มันก็จะฮือฮาไปอีกแบบนึง

ซึ่งมันต่างจากการที่ประธานาธิบดีสีจิ้นผิงประกาศแจกวัคซีนให้ชาติต่าง ๆ เพื่อหาเสียงกับชาติต่าง ๆ อันนั้นมันเป็นแค่ระดับผู้นำสั่งเป็นครั้ง ๆ ไม่ได้เป็นแผนระดับชาติที่ถูกกำหนดให้ต้องทำอย่างต่อเนื่อง

การครองโลก มันมีแค่ 4 วิธี คือ ใช้กำลังทหาร ใช้กำลังเศรษฐกิจ ใช้กำลังวิทยาการ และ ใช้กำลังวัฒนธรรม ผมเลยคิดว่าจีนคงจะเร่งพัฒนากำลังเศรษฐกิจและกำลังวิทยาการ จนมีกำลังทหารและกำลังวัฒนธรรมที่กล้าแกร่ง และจะครองโลกในอีกรูปแบบนึงอย่างที่เราไม่เคยเห็นมาก่อน ก็เป็นได้!!!

คือเวลาในการทำงานของ Deep Learning มันก็เหมือนโมเดลปัญญาประดิษฐ์ทั่วไป แบบว่าเวลาในการสอนกับเวลาในการใช้งาน มันไม่เท่ากัน ซึ่ง Big O มันก็จะไม่เท่ากัน เลยจะมาขยายความว่าถ้าเป็นเวลาในการสอน Big O จะเท่าไหร่ และเวลาในการใช้งาน Big O จะเท่าไหร่

มาเริ่มกันเลย!!!

1) เวลาในการสอน Deep Learning

สั้น ๆ ผมวิเคราะห์ว่ามันจะเป็นสมาชิกของ Big O(ED(LXN + LXN))

โดย E = จำนวน Epoch ในตอนที่สอน, D = จำนวน Dataset ที่ใช้สอน, L = จำนวน Hidden Layer + Output Layer ของโมเดล, X = จำนวน Node ใน Layer ถัดไปของโมเดล และ N = จำนวน Node ใน Layer ปัจจุบันของโมเดล

และที่ต้องเอา LXN มาบวกกับ LXN ก็เพราะว่า LXN แรกคือเวลาในการคำนวณผล ส่วน LXN หลังคือเวลาในการป้อนค่่าน้ำหนักย้อนกลับ!!!

2) เวลาในการใช้งาน Deep Learning

อันนี้สั้นยิ่งกว่า ผมวิเคราะห์ว่ามันจะเป็นสมาชิกของ Big O(LXN)

โดยตัวแปร L, X และ N อธิบายไว้แล้วในข้อที่ 1 ตรงนี้ไม่อธิบายเพิ่มนะ

ทีนี้พอลงในรายละเอียดอีกนิดนึง Big O(ED(LXN + LXN)) ก็ถือว่าเป็นสมาชิกของ Big O(N ^ 5) ส่วน Big O(LXN) ก็ถือว่าเป็นสมาชิกของ Big O(N ^ 3)

O(ED(LXN + LXN) ∈ O(N ^ 5)

O(LXN) ∈ O(N ^ 3)

หรือสรุปง่าย ๆ ก็คือ ตอนที่สอน Deep Learning ต้องวนลูป 5 ชั้น และในทางตรงกันข้าม ตอนที่ใช้งาน Deep Learning วนลูปเพียง 3 ชั้นก็พอ!!!

ดังนั้นผมถึงได้คิดว่า ถ้าสร้างอัลกอริทึมสำหรับสอนและใช้งาน Deep Learning บน Quantum Computer ได้เมื่อไหร่ จากที่ต้องสอนด้วยเวลา Big O(N ^ 5) และใช้งานด้วยเวลา Big O(N ^ 3) ก็อาจจะลดเวลาลงเหลือเท่ากับ Big O(Log N) ซึ่งมันเป็นอะไรที่เร็วมาก ๆ เลยล่ะ

สำหรับงานทาง Computer Science ใครก็ตามที่สามารถคิดค้นอัลกอริทึม ที่สามารถลดเวลาคำนวณให้เหลือแค่ Big O(Log N) ได้ ถือว่าโคตรสุดยอดครับ!!!

จริง ๆ แล้วเบื้องหลังของการที่มันคิดหรือตัดสินใจได้ เกิดจากปัจจัยเพียง 2 สิ่งเท่านั้น นั่นก็คือ “การคำนวณ” และ “ข้อมูล”

จุดประสงค์ของการคำนวณโดยใช้ข้อมูลประกอบ ก็เพื่อหาคำตอบที่ดีที่สุด สำหรับสังเคราะห์ ตกผลึก ให้ได้เป็นหนทางที่ดีที่สุดในการตัดสินใจ ซึ่งคอมพิวเตอร์เองก็ใช้แนวทางแบบนี้แหล่ะในการจำลองให้เหมือนกับว่า มันมีความคิดขึ้นมา

การเล่นหมากกระดานโดยคอมพิวเตอร์ เป็นตัวอย่างหนึ่งของการที่คอมพิวเตอร์คำนวณโดยใช้ข้อมูลประกอบ ว่ากันตามจริงแล้วมันก็แค่คำนวณเพื่อหาหนทางที่ให้ค่าที่เหมาะสมที่สุด อาจจะเป็นค่าที่มากที่สุด ค่าที่น้อยที่สุด ค่าเฉลี่ยที่ดีที่สุด หรือค่าที่ยอมรับได้มากที่สุดอะไรก็แล้วแต่ ซึ่งทั้งหลายทั้งปวงที่กล่าวมาก็คือการที่มันพยายามค้นหาคำตอบที่ดีที่สุดเพื่อให้มันตัดสินใจได้

แม้แต่แสงเองก็ยังมีความเร็วจำกัด ดังนั้น การค้นหาคำตอบที่ดีที่สุดโดยคอมพิวเตอร์ก็มีความเร็วจำกัดเหมือนกัน เพียงแต่ความเร็วของมันเหนือมนุษย์มาก จนเรารู้สึกว่ามันคิดได้เร็วและเก่งซะเหลือเกิน แต่ทราบกันมั้ยครับว่า เพื่อให้ได้คำตอบที่ดีที่สุดนั้น คอมพิวเตอร์ต้องเผชิญกับอะไรบ้าง

ครับ เนื่องจากคอมพิวเตอร์มันต้องคำนวณ ๆ ๆ ๆ แล้วก็ค้น ๆ ๆ และค้น ดังนั้นพื้นที่ในการค้นหาคำตอบของมันจึงใหญ่มาก ยกตัวอย่างการเล่นหมากกระดานกันอีกทีนึง เพื่อให้เล่นชนะคู่ต่อสู้ คอมพิวเตอร์จำเป็นที่จะต้องคำนวณเพื่อค้นคำตอบล่วงหน้าในหลาย ๆ ๆ ๆ เส้นทาง และ ในหลาย ๆ ๆ ๆ ๆ ตาเดิน ซึ่งการคำนวณจะต้องใช้เวลาและพื้นที่หน่วยความจำอย่างมากมายมหาศาล จนบางครั้งอาจจะเกินเลยกว่าทรัพยากรที่มันมีเลยก็ได้

ดังนั้น ในปัจจุบันจึงมีแนวทางอยู่ 3 ประการในการค้นหาคำตอบที่ดีที่สุดโดยคอมพิวเตอร์ครับ ซึ่งได้แก่

1.  การค้นหาด้วยเทคนิคปรกติ

การค้นหาด้วยเทคนิคปรกติ ก็คือการค้นหาตามหลักการพื้น ๆ ในทางคอมพิวเตอร์ทั่วไป ไม่ว่าจะเป็น

• การค้นหาแบบดิบ ๆ ตั้งแต่ต้นจนจบ
• การค้นหาโดยแบ่งข้อมูลเป็นส่วน ๆ
• การค้นหาโดยการลดรูป
• การค้นหาโดยจัดเส้นทางค้นหาเป็นแบบต้นไม้
• การค้นหาโดยจัดเส้นทางค้นหาเป็นแบบต้นไม้แล้วให้น้ำหนัก
• การค้นหาโดยพักคำตอบไว้ในขั้นตอนก่อนหน้า เพื่อให้ขั้นตอนถัดไปนำไปใช้ซ้ำได้

เทคนิคปรกติเป็นเทคนิคที่ถูกใช้กันอย่างกว้างขวางครับ บ้างก็ใช้แบบเดี่ยว ๆ บ้างก็ใช้ผสมกันต่างกรรมต่างวาระ ส่วนวิธีการจะเลือกว่าจะใช้แบบไหนก็ขึ้นอยู่กับว่าโจทย์ปัญหาที่จะค้นหามันแตกต่างกันยังไง บางโจทย์เช่นคอมพิวเตอร์เล่นหมากกระดาน ก็อาจจะใช้การค้นหาโดยจัดเส้นทางค้นหาเป็นแบบต้นไม้แล้วให้น้ำหนัก หรือบางโจทย์เช่นให้คอมพิวเตอร์แยกระหว่างแอปเปิ้ลกับส้ม ก็อาจจะใช้การค้นหาแบบดิบ ๆ ตั้งแต่ต้นจนจบเป็นต้น

2.  การค้นหาด้วยเทคนิคการเดาอย่างมีเหตุผล

เนื่องจากในหลายปัญหา พื้นที่ในการค้นหามีขนาดใหญ่โตมโหฬารมาก ยกตัวอย่างเช่น การให้คอมพิวเตอร์คำนวณหาเส้นทางที่ดีที่สุดในมหานคร เพื่อหลีกหนีการจราจรที่โกลาหลบนท้องถนนในช่วงเวลาเร่งด่วน ข้อมูลมันมีการปรับเปลี่ยนตลอดเวลาตามสภาพการจราจร ดังนั้น ถึงในแง่ภูมิศาสตร์พื้นที่จะไม่มาก แต่เมื่อมีตัวแปรของเวลาและการจราจรเข้ามาเกี่ยวข้อง เลยทำให้พื้นที่ในการค้นหามีขนาดใหญ่มากไปโดยปริยาย เป็นต้น

ซึ่งถ้าเป็นแบบนี้ จะใช้เทคนิคปรกติก็คงไม่ได้ ดังนั้น คอมพิวเตอร์มันก็ต้องใช้วิธีการเดาคำตอบที่ดีที่สุดอย่างมีเหตุผล ซึ่งมันก็ไม่ใช่คำตอบที่ดีที่สุดจริง ๆ แต่เป็นคำตอบที่ดีที่สุดเท่าที่จะเดาได้ และวิธีการเดาที่ว่าก็มีหลายเทคนิคไม่ว่าจะเป็น

• การเดาโดยเลียนแบบพฤติกรรมของธรรมชาติ เช่น เลียนแบบการวิวัฒนาการของสิ่งมีชีวิต การเลียนแบบแรงดึงดูดโน้มถ่วง
• การเดาโดยเลียนแบบพฤติกรรมของสัตว์หรือแมลง เช่น เลียนแบบการค้นหาเหยื่อของฝูกนก เลียนแบบการหาอาหารของฝูงมด
• การเดาโดยเลียนแบบสิ่งประดิษฐ์ที่เกิดจากมนุษย์ เช่น เลียนแบบพฤติกรรมของโลหะเมื่อร้อนแดงแล้วค่อย ๆ เย็นตัวลง

มนุษย์เราเองก็มักจะเดาจริงมั้ยครับ เพราะหลาย ๆ ครั้งเราก็มีข้อมูลไม่มากพอที่จะตัดสินใจ ดังนั้น คอมพิวเตอร์มันก็เดาได้เหมือนกัน จะต่างกันก็แต่มนุษย์เราเดาโดยอาศัยความรู้สึกและสัญชาตญาณ แต่คอมพิวเตอร์มันเดาโดยใช้การคำนวณอย่างมีเหตุผลแทน

3.  การค้นหาโดยเทคนิคให้คอมพิวเตอร์เรียนรู้

ยังมีอีกเทคนิคนึงในการค้นหาคำตอบที่ดีที่สุด นอกจากเทคนิคปรกติหรือเทคนิคการเดาอย่างมีเหตุผล นั่นก็คือการให้คอมพิวเตอร์มันเรียนรู้จากตัวอย่างที่ดี ๆ ที่มนุษย์เคยหาคำตอบได้ ให้มันเรียนเข้าไป เรียนเข้าไปเยอะ ๆ โดยวิธีการเรียนรู้ของคอมพิวเตอร์ก็มีหลายแบบมาก ไม่ขออธิบายแล้วกัน เพราะเยอะแล้วก็ซับซ้อน แต่ล่ะวิธีก็คิดกันไปคนล่ะแบบ เดี๋ยวจะพาลงงเอา แต่เอาเป็นว่าด้วยการที่คอมพิวเตอร์มันเรียนรู้ได้นี่แหล่ะ ก็จะทำให้มันจำ ๆ ได้ว่าถ้าปัญหามาแบบนี้ คำตอบที่ดีที่สุดน่าจะเป็นแบบไหน และถ้าปัญหามันไม่ตรงเป๊ะ ๆ กับที่เรียนมา มันก็จะค้นหาปัญหาที่มีความละม้ายคล้ายคลึงใกล้เคียงที่สุด แล้วก็หาคำตอบโดยอิงจากปัญหานั้น ๆ แทน

การค้นหาคำตอบที่ดีที่สุดโดยเทคนิคนี้ จะคล้าย ๆ กับเทคนิคการเดาอย่างมีเหตุผลในแง่ของคำตอบ คือคำตอบที่ได้จะไม่ใช่คำตอบที่ดีที่สุดจริง ๆ แต่มันก็ดีพอที่จะยอมรับได้

ดังนั้น โดยสรุปแล้ว ความมีปัญญาของคอมพิวเตอร์ ก็คือการที่คอมพิวเตอร์มันคำนวณ (ด้วยวิธีอันแสนจะซับซ้อน) โดยอิงกับข้อมูล (เท่าที่มี) เพื่อค้นหาคำตอบที่ดีที่สุด ในเวลาที่จำกัดบนทรัพยากรที่จำกัดนั่นเอง

คงอีกนานครับกว่าคอมพิวเตอร์มันจะมีชีวิตจิตใจขึ้นมาได้

ในงานสร้างซอฟต์แวร์โดยเฉพาะซอฟต์แวร์ขนาดใหญ่ มักจะต้องแบ่งงานกันทำ เพราะทำคนเดียวไม่ได้ มันเสร็จช้า และก็อาจจะไม่ประณีตในหลาย ๆ เรื่อง ดังนั้น แบ่งกันทำดีกว่า

ปรกติแล้วการสร้างซอฟต์แวร์ถ้ามีคนพอ จะแบ่งงานออกเป็น 3 ส่วนใหญ่ ๆ คืองาน Management งาน Functional และงาน Technical

ทีนี้เรามาสมมติว่าเราเป็นผู้อำนวยการสร้างกันดีกว่า โดยสมมติให้เราคิดคำนวณตัดสินใจแบบคอมพิวเตอร์ คือสมมติว่าเรามีโครงการสร้างซอฟต์แวร์อยู่โครงการนึง ตั้งงบประมาณไว้ที่ 2,100,000.00 บาท จุดประสงค์ของงบประมาณ คือเอามาจ่ายให้กับคนที่ทำงาน ซึ่งโครงการนี้ต้องการทำให้เสร็จภายใน 30 วัน โดยให้ใช้คนเพียง 3 คนแบ่งกันทำงานทุกวัน ตามตำแหน่ง Management, Functional และ Technical และแต่ล่ะคนทำงานได้เพียงหน้าที่เดียวเท่านั้นตลอดทั้งโครงการ

ในฐานะเราเป็นผู้อำนวยการสร้าง เราก็หวังว่าเราจะใช้คนให้เหมาะสมกับงาน เพื่อให้ได้ประสิทธิผลที่สูงสุด โดยพิจารณาจากคะแนนรวมของตำแหน่ง Management, Functional และ Technical ซึ่งคะแนนของแต่ล่ะตำแหน่ง ก็ได้จากคะแนนทักษะแต่ล่ะแบบของคนทำงานทั้ง 3 คนอีกทอดหนึ่ง

พอดีว่าคนทำงานที่มีให้เลือกมันน้อย ก็เลยมีให้เลือกมาแค่ 3 คนซึ่งมีอายุไล่เลี่ยกัน และแต่ล่ะคนก็มีทักษะ Management, Functional และ Technical แตกต่างกันไปตามภาพข้างล่างนี้ ดังนั้น ลองมาคิดดูกันดีกว่าว่า คนไหนควรจะทำตำแหน่งอะไร เพื่อให้ผลรวมของคะแนนในการคัดเลือกมีมากที่สุด ซึ่งผลรวมมากสุดที่เป็นไปได้ คือ  30 คะแนน

และที่สำคัญ คนไหนที่ได้ทำตำแหน่ง Management เราจะให้เป็นหัวหน้าผู้ควบคุมโครงการในครั้งนี้

จากภาพจะเห็นว่านาย กอ มีทักษะแยกประเภทและทักษะโดยรวมมากกว่า นาย ขอ และ นาย คอ!!!

จะเห็นว่าปัญหานี้เป็นปัญหาที่ต้องใช้เวลาในการคำนวณซึ่งอยู่ในคลาส Factorial คือถ้าเราจะเลือกคนมาทำ Management ก็จะมีตัวเลือก 3 คน พอต้องมาเลือกคนทำ Functional ก็จะเหลือตัวเลือกแค่ 2 คน เพราะเลือก Management ไปแล้วคนนึง และสุดท้ายก็จะเหลือคนมาทำ Technical แค่คนเดียว เพราะอีก 2 คนถูกเลือกให้ทำ Management กับ Functional ไปแล้ว

ดังนั้น ถ้าเราจะต้องหาว่าผลรวมไหนดีที่สุด เราก็ต้องคำนวณหาในทุกกรณี ซึ่งก็ต้องใช้เวลาในการคำนวณเท่ากับ 3 x 2 x 1 = 3! = 6 รูปแบบนั่นเอง

และเพื่อให้เห็นภาพชัดขึ้น เรามาค่อย ๆ คำนวณกันดีกว่า ค่อย ๆ ทำทีล่ะกรณี เพราะโจทย์นี้มันง่าย ทำแค่ 6 ครั้งก็ได้คำตอบ แต่ถ้าให้ทำมากกว่านี้ก็ไม่ไหวเหมือนกัน ตามภาพด้านล่างนี้

จากภาพข้างบนจะเห็นว่า การจัดหมู่ที่ดีที่สุดสำหรับโจทย์นี้คือ การให้นาย ขอ เป็นหัวหน้าทำตำแหน่ง Management ให้นาย คอ ทำตำแหน่ง Functional และนาย กอ ทำตำแหน่ง Technical เหตุผลเพราะการจัดหมู่รูปแบบนี้ ให้ผลคะแนนที่ดีที่สุดคือ 20 คะแนน

โดยปรกติแล้วตามราคาตลาด ผลตอบแทนของ Management จะต้องคูณ 2.3 เท่า ส่วนของ Functional จะต้องคูณ 1.2 เท่า และของ Technical ไม่คูณอะไรเลย

ดังนั้น ถ้าให้ค่าตอบแทนวันล่ะ 15,000 บาท ด้วยการจัดหมู่แบบนี้นาย ขอ จะได้ค่าตอบแทนวันล่ะ 15,000 x 2.3 บาท ส่วนนาย คอ จะได้ค่าตอบแทนวันล่ะ 15,000 x  1.2 บาทและส่วนนาย กอ จะได้ค่าตอบแทนวันล่ะ 15,000 บาท

ถ้าเราไม่มองด้วยทฤษฎีเกม ซึ่งว่าตามจริงแล้วโจทย์นี้ก็คำนวณแบบทฤษฎีเกม คือ คำตอบไหนให้ผลตอบแทนมากที่สุดก็เลือกคำตอบนั้น และเราก็กำลังคำนวณโดยการสวมบทบาทเป็นคอมพิวเตอร์ เราจะพบว่าในฐานะผู้อำนวยการสร้าง ดูเหมือนเราจะไม่ค่อยยุติธรรมกับนาย กอ ซักเท่าไหร่ เพราะจริง ๆ แล้วนาย กอ เก่งกว่าใคร ๆ แต่เรากลับให้นาย กอ เป็นลูกน้องคนที่เก่งน้อยกว่า แถมให้นาย กอ ได้ค่าตอบแทนน้อยกว่าใคร ๆ อีก

ครับ โลกมันเป็นแบบนี้แหล่ะ เพราะในฐานะผู้อำนวยการสร้าง เราต้องสนใจเป้าหมายเป็นหลัก การจัดทีมแบบไหน จัดหมู่แบบใด แล้วมันให้ผลลัพธ์ที่ดีที่สุด เราก็ต้องเลือกแบบนั้น ดังนั้น ปัญหาที่แก้ได้โดยวิธีการคำนวณทางคอมพิวเตอร์ มันก็อาจจะทำให้เกิดปัญหาทางสังคมศาสตร์ขึ้นมาแทนก็เป็นได้

สำหรับโจทย์นี้ถ้าเราจะแก้ปัญหาทางสังคมศาสตร์ เราอาจจะต้องใส่ประจุเพิ่มให้กับคนที่มีทักษะ Management และ Functional เพื่อให้เวลาคำนวณในทางคอมพิวเตอร์ จะได้มีน้ำหนักเหมาะสมมากขึ้น แต่ในบางครั้งการทำแบบนั้นอาจจะไม่ถูก เพราะมันขึ้นกับงานในแต่ล่ะโครงการ บางโครงการจุดสำคัญก็อาจจะอยู่ตรงตำแหน่ง Technical ดังนั้น การเปลี่ยนเป็นให้ค่าตอบแทนกับตำแหน่ง Technical โดยการคูณค่าตอบแทน 2.3 เท่า แล้วไปลดตัวคูณค่าตอบแทนในตำแหน่งอื่นน่าจะเหมาะสมกว่า

โดย N คือจำนวนของขนาดปัญหาที่เป็นไปได้

อย่างแบบแรก ยกตัวอย่างให้เห็นง่าย ๆ ก็คือ ถ้าเรามีเสื้อ 2 ตัว กางเกง 2 ตัว รองเท้า 2 คู่ เราจะเลือกใส่ เสื้อ กางเกง และ รองเท้า ยังไงให้หล่อที่สุด ซึ่งจากโจทย์ C ก็คือ 2 เพราะบังเอิญว่าแต่ล่ะตัวแปรมี 2 กรณีให้เลือก ในขณะที่ N คือ 3 เพราะขนาดปัญหา คือ 3 ตัวแปร คือ 1) เสื้อ 2) กางเกง 3) รองเท้า ดังนั้น ถ้าจะหาคำตอบที่ดีที่สุด เราก็ต้องลอง เสื้อ กางเกง รองเท้า ให้มันหมดเลย ซึ่งต้องใช้เวลาเท่ากับ C ยกกำลัง N หรือ 2 ยกกำลัง 3 ซึ่งก็คือ {1, 1, 1}, {1, 1, 2}, {1, 2, 1}, {1, 2, 2}, {2, 1, 1}, {2, 1, 2}, {2, 2, 1} และ {2, 2, 2} หรือก็คือใช้เวลาไป 8 รอบ

ส่วนแบบสอง ยกตัวอย่างให้เห็นง่าย ๆ ก็คือ ถ้าในร้านค้ามีสินค้าเพียง 3 ชิ้นที่แตกต่างกัน แล้วเรามีเงินอยู่แค่ 100 บาท เราจะซื้อสินค้าได้กี่่ชิ้น ซึ่งจากโจทย์ N ก็คือ 3 เพราะขนาดปัญหา คือ 3 ดังนั้น ถ้าจะหาคำตอบที่ดีที่สุด เราก็ต้องเอาราคาสินค้ามาเทียบกันให้หมดเลย เพื่อดูว่ารวมเงินแล้วจะซื้อชิ้นไหนได้บ้างโดยใช้เงินไม่เกิน 100 บาท ซึ่งต้องใช้เวลาคำนวณเท่ากับ 2 ยกกำลัง 3 แล้วจึงลบ 1 ซึ่งน้อย ๆ แบบนี้ยังพอยกตัวอย่างให้ดูได้ ก็ประมาณนี้คือ {1}, {2}, {3}, {1,2}, {1,3}, {2,3} และ {1,2,3} หรือก็คือใช้เวลาไป 7 รอบ

ทุกวันนี้ไม่มีใครสนใจใช้วิธีการหาคำตอบทั้งหมดเพื่อเลือกคำตอบที่ดีที่สุดบนดิจิทัลคอมพิวเตอร์กันแล้ว เขาหันไปใช้วิธีการตัดเล็มตัวเลือกที่อ่อนด๋อย เพื่อจะได้เหลือเฉพาะตัวเลือกที่ดีที่สุด หรือไม่เขาก็ไปใช้วิธีการอนุมานอย่างมีเหตุผลเพื่อเลือกคำตอบที่น่าจะดีที่สุดแทน

ต่อให้มีควอนตัมคอมพิวเตอร์ให้ใช้กัน ผมก็ยังเชื่อว่าปัญหาความซับซ้อนในการคำนวณจะยังคงถูกต่อยอดคิดค้นให้มาแก้กันต่อไป จนกว่าจะมีใครซักคนคิดค้นสมการเทพ ๆ ที่ใส่ค่าทีเดียวแล้วได้คำตอบทุกอย่าง หรือจนกว่าคอมพิวเตอร์คำนวณชั่วพริบตาขณะจิตจะถูกสร้างขึ้นนั่นแหล่ะ ปัญหานี้ถึงจะหมดไป

ส่วนตัวผมเองก็รู้ทฤษฎีการคำนวณสำหรับคอมพิวเตอร์เพียงไม่กี่เรื่องครับ ดังนั้น ก็เลยต้องเลือกทบทวนวรรณกรรมในหัวข้อที่ตนเองถนัดที่สุด นั่นคือ แบบจำลองทางสถิติที่ชื่อว่า Hidden Markov Models และเพื่อให้ไม่เป็นการเสียเวลา มาลองอ่านงานทบทวนวรรณกรรมฉบับร่างของผมดูกันครับ

ทบทวนวรรณกรรม

นับตั้งแต่งานวิจัย Hidden Markov Model [1][2][3][4] ซึ่งเป็นโมเดลที่เหมาะกับการอนุมานความน่าจะเป็นของลำดับที่ซ่อนอยู่ โดยการวิเคราะห์จากลำดับที่สังเกตได้ ๆ ถูกตีพิมพ์เผยแพร่ออกสู่สาธารณชน และ มีงานวิจัย [5][6][7] ที่ได้บุกเบิกนำ Hidden Markov Models มาปรับใช้สำหรับงานด้าน Speech Recognition เพื่อเปรียบเทียบระหว่างเสียงพูดกับชุดข้อความอย่างมีประสิทธิภาพ ก็ได้ทำให้ Hidden Markov Models กลายเป็นโมเดลที่ถูกประยุกต์ใช้อย่างกว้างขวาง ในการแก้ปัญหาต่าง ๆ ที่เกี่ยวกับการอนุมานความน่าจะเป็นของลำดับที่ซ่อนอยู่ โดยการวิเคราะห์จากลำดับที่สังเกตได้ เช่น งานวิจัย [8] การจับคู่สายรหัสพันธุกรรม ซึ่งเป็นงานด้าน Bioinformatics, งานวิจัย [9] [10][11] การจับคู่ระหว่างข้อความกับรูปแบบของการวาดมือ ซึ่งเป็นงานด้าน Gesture Recognition, งานวิจัย [12] การหาทิศทางเดินให้กับหุ่นยนต์ในสภาพแวดล้อมปิดในอาคาร ซึ่งเป็นงานด้าน Robotics, งานวิจัย [13] [14] [15] ตรวจสอบการบุกรุกระบบคอมพิวเตอร์ ซึ่งเป็นงานด้าน Computer Security เป็นต้น

โดยพื้นฐานแล้วถ้าเราไม่สนใจประสิทธิภาพในการคำนวณ เราจะพบว่า Hidden Markov Models เป็นโมเดลที่ใช้ประโยชน์ได้ดีและไม่มีปัญหา แต่หากเราสนใจประสิทธิภาพในการคำนวณ เราจะพบว่า Hidden Markov Models มีปัญหาพื้นฐานอยู่ 3 ข้อ อันได้แก่ 1) การหาผลรวมสุทธิของความน่าจะเป็นของโมเดล เมื่อเทียบกับลำดับที่สังเกตได้, 2) การหาลำดับที่ถูกซ่อนในโมเดล ซึ่งให้ค่าความเป็นไปได้สูงสุด เมื่อเทียบกับลำดับที่สังเกตได้ และ 3) การปรับค่าพารามิเตอร์ในโมเดล เพื่อให้โมเดลมีผลรวมสุทธิของความน่าจะเป็นเพิ่มขึ้น

สำหรับปัญหาพื้นฐานข้อแรก คือ การหาผลรวมสุทธิของความน่าจะเป็นของโมเดล เมื่อเทียบกับลำดับที่สังเกตได้ ซึ่งโดยพื้นฐานแล้วสามารถใช้วิธีการ Brute Force เพื่อคำนวณหาได้ แต่มันเป็นการคำนวณที่ไม่มีประสิทธิภาพ เพราะใช้เวลาเป็น O(2TN^T) ดังนั้นจึงมีงานวิจัยหลายชิ้นที่นำเสนอวิธีการลดเวลาในการคำนวณ เช่น งานวิจัย [2][3] ที่เสนอให้ใช้เทคนิค Dynamic Programming มาช่วยลดเวลาในการคำนวณ เรียกว่า Forward-Backward Algorithm ซึ่งสามารถลดเวลาในการคำนวณลงเหลือ O(TN^2) และต้องเสียพื้นที่เพิ่มเติมเท่ากับ O(TN), งานวิจัย [16] ที่คิดค้นแปลง Hidden Markov Models ให้เป็น Probabilistic Independent Network เพื่อสะดวกในการคำนวณ ซึ่งสามารถลดเวลาในการคำนวณลงเหลือ O(TN) และต้องเสียพื้นที่เพิ่มเติมเท่ากับ O(TN), งานวิจัย [17] ที่ใช้เทคนิค Divide and Conquer ซึ่งลดเวลาในการคำนวณลงเหลือ O(TN log(N)) และต้องเสียพื้นที่เพิ่มเติมเท่ากับ O(T log (N)) เป็นต้น

สำหรับปัญหาพื้นฐานข้อที่สอง คือ การหาลำดับที่ถูกซ่อนในโมเดล ซึ่งให้ค่าความเป็นไปได้สูงสุด เมื่อเทียบกับลำดับที่สังเกตได้ ซึ่งเป็นปัญหาที่ไม่แตกต่างจากปัญหาแรก นั่นคือ หากคำนวณตรง ๆ ก็จะใช้เวลาเป็น O(2TN^T) เพราะต้องคำนวณให้ครบทุกลำดับที่ซ่อนอยู่ที่เป็นไปได้ จึงจะสามารถเลือกลำดับที่ให้ค่าความน่าจะเป็นสูงสุดมาเป็นผลลัพธ์สำหรับแก้ปัญหาที่สองนี้ และเนื่องจากการแก้ปัญหาแบบนี้ไม่มีประสิทธิภาพ จึงได้มีการประยุกต์ใช้เทคนิคอื่นเพื่อแก้ปัญหา เช่น งานวิจัย [18][19] ซึ่งจัดวางโมเดลให้อยู่ในรูปของ Trellis Diagram และใช้เทคนิค Dynamic Programming ซึ่งเรียกว่า Viterbi Algorithm โดยสามารถลดเวลาคำนวณลงเหลือ O(TN^2) และต้องเสียพื้นที่เพิ่มเติมเท่ากับ O(2TN), งานวิจัย [20][21] ที่นำ Viterbi Algorithm มาต่อยอด โดยการลดรูปของ Trellis Diagram ด้วยวิธีการจัดกลุ่ม State ที่คล้ายกัน ทำให้ลดเวลาการคำนวณลงเหลือ O(TN^2/G^2) และยังเพิ่มประสิทธิภาพเพิ่มเติมด้วยการกำหนด Threshold เพื่อข้ามการคำนวณบาง State ที่ไม่จำเป็น เป็นต้น

สำหรับปัญหาพื้นฐานข้อที่สาม คือ การปรับค่าพารามิเตอร์ในโมเดล เพื่อให้โมเดลมีผลรวมสุทธิของความน่าจะเป็นเพิ่มขึ้น ซึ่งเป็นปัญหาที่ยากที่สุดและไม่มีขั้นตอนวิธีตายตัว โดยนักวิจัยได้แบ่งการค้นคว้ากันไปใน 2 แนวทาง ได้แก่ 1) แบบที่ให้ผลลัพธ์เป็น Local Optimum เช่น งานวิจัย [4] ที่ใช้การประมาณการแบบ Iterative Method ด้วยเทคนิคแบบ Expectation Maximization [22] เรียกว่า Baum-Welch Algorithm, งานวิจัย [23] ที่ใช้เทคนิคการปรับตัวเลข เรียกว่า Gradient Descent Algorithm, งานวิจัย [24] ที่ใช้ Ant Colony Optimization ร่วมกับ Baum-Welch Algorithm และ 2) แบบที่ให้ผลลัพธ์เป็น Global Optimum โดยการใช้ขั้นตอนวิธี Metaheuristic เข้ามาช่วยคำนวณ เช่น งานวิจัย [25][26][27] ที่ใช้ Genetic Algorithm, งานวิจัย [28] ที่ใช้ Particle Swarm Optimization, งานวิจัย [29] ที่ใช้ Modified Gravitational Search Algorithm เป็นต้น

ผู้เขียนวิเคราะห์ว่าแนวโน้มในการแก้ปัญหาพื้นฐานข้อที่สามด้วยวิธี Metaheuristic เพื่อให้ได้ผลลัพธ์เป็น Global Optimum กำลังเป็นที่นิยมแพร่หลายมากขึ้นเรื่อย ๆ เนื่องจากเป็นวิธีการหาคำตอบโดยการสุ่มคำตอบที่ดีที่สุดจากค่าที่เป็นไปได้ทั้งหมดจริง ๆ แทนที่จะใช้วิธีการหาคำตอบที่ดีที่สุดแบบ Local Optimum จากชุดของตัวแทนที่ถูกเลือกมาด้วย Forward-Backward Algorithm ซึ่งคำตอบที่ได้จากตัวแทนอาจจะไม่ใช่คำตอบที่ดีที่สุด เมื่อเทียบกับการหาคำตอบจากค่าที่เป็นได้ทั้งหมด

นอกจากปัญหาในแง่การคำนวณเพื่อให้มีประสิทธิภาพสูงสุดแล้ว ยังมีปัญหาท้าทายอีกอย่างหนึ่งนั่นคือ ปัญหาการออกแบบ Topology ให้มีความเหมาะสม ดังนั้น จึงมีงานวิจัยหลายตัวที่ถูกคิดค้นขึ้น เพื่อการทำให้ Topology ของ Hidden Markov Model มีความหลากหลาย เช่น งานวิจัย [30][31] ที่คิดค้น Hierarchical Hidden Markov Model (HHMM) เพื่อสร้าง Topology ของ Hidden Markov Model ใหม่ โดยการจัดกลุ่มของลำดับที่ซ่อนอยู่ซึ่งมีรูปแบบวนซ้ำ ให้อยู่ในรูปโครงสร้างแบบต้นไม้ จุดประสงค์เพื่อนำไปใช้สำหรับแก้ปัญหาซับซ้อนเชิงโครงสร้างหลายระดับ ที่ Topology แบบเรียงลำดับไม่สามารถแก้ปัญหาได้อย่างมีประสิทธิภาพ หรืองานวิจัย [32] ที่คิดค้น variable-length Hidden Markov Model (VLHMM) ซึ่งเป็น Topology ที่เพิ่ม Context Set เข้ามาช่วยในการคำนวณการเชื่อมโยงของลำดับที่ซ่อนอยู่ จากเดิมที่เคยเชื่อมลำดับที่ซ่อนอยู่ปัจจุบันกับลำดับที่ซ่อนอยู่ก่อนหน้าแบบ First Order ก็ให้เปลี่ยนเป็นลำดับที่สูงกว่า First Order แทน โดยขึ้นกับการคำนวณเพื่อเปลี่ยนแปลงค่าความน่าจะเป็นในโมเดล เพื่อให้โมเดลมีผลรวมของความน่าจะเป็นเพิ่มขึ้น โดยอิงกับลำดับที่สังเกตได้

ผู้เขียนวิเคราะห์ว่าการออกแบบ Topology ให้เหมาะสม จะส่งผลทางอ้อม ทำให้ไม่ต้องแก้ปัญหาพื้นฐานของ Hidden Markov Models ให้ครบทั้ง 3 ข้อ หากแต่เลือกเพียงบางข้อเพื่อแก้ปัญหาก็ได้ เช่น ในงานแก้ปัญหา Speech Recognition ซึ่งมักจะใช้ Topology แบบ Left To Right นั้น ใช้เพียงวิธีแก้ปัญหาพื้นฐานของข้อที่หนึ่งกับข้อที่สามก็เพียงพอแล้ว เนื่องจากรูปแบบของ Topology แบบ Left To Right นั้น ได้บังคับทิศทางของลำดับที่ถูกซ่อนในโมเดลเอาไว้อยู่แล้ว จึงไม่จำเป็นต้องใช้วิธีแก้ปัญหาพื้นฐานของข้อที่สองเพื่อแก้ปัญหาเพิ่มเติมอีก

เอกสารอ้างอิง

1. L.  E.  Baum, T.  Pretrie.  “Statistical Inference For Probabilistic Functions Of Finite State Markov Chains.”  The Annals of Mathematical Statistics.  (April 1966) : 1554-1563.
2. L.  E.  Baum, J.  A.  Eagon.  “An inequality with applications to statistical estimation for probabilistic functions Markov processes and to a model for ecology.”  Bull. Amer. Math. Soc.  (1967) : 360-363.
3. L.  E.  Baum, G.  R.  Sell.  “Growth Transformations For Functions on Manifolds.”  Pacific Journal of Mathematics, vol.  27, No.  2.  (1968) : 211-227.
4. L.  E.  Baum, et al.  “A maximization technique occurring in the statistical analysis of probabilistic functions of Markov chain.”  The Annals of Mathematical Statistics, vol. 41. No. 1.  (1970) : 164-171.
5. L.  R.  Rabiner, B.  H.  Juang.  “An Introduction to Hidden Markov Models.”  IEEE ASSP Magazine.  (January 1986) : 4-16.
6. L.  R.  Rabiner.  “A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition.”  Proceeding of the IEEE, vol. 77, No. 2.  (February 1989) : 257-286.
7. L.  R.  Rabiner,  B.  H.  Juang.  Fundamentals of speech recognition.  New Jersey : Prentice-Hall Inc, 1993.
8. Richard Durbin, et al.  Biological sequence analysis: Probabilistic models of proteins and nucleic acids.  New York : Cambridge University Press, 1998.
9. T.  Starner, A.  Pentland.  “Real-time American Sign Language recognition from video using hidden Markov models.”  Proceeding of the International Symposium on Computer Vision.  (November 1995) : 265-270.
10. Hyeon-Kyu Lee, Jin H. Kim.  “An HMM-Based Threshold Model Approach for Gesture Recognition.”  IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 21, issue 10.  (October 1999) : 961-973.
11. Martin J.  “Automatic handwriting gestures recognition using hidden Markov models.”  Proceeding of IEEE International Conference.  (March 2000) : 403-409.
12. Aycard O.  “Place Learning and recognition using hidden Markov models.”  Proceeding of IEEE/RSJ International Conference, vol. 3.  (September 1997) : 1741-1747.
13. S.  B.  Cho, S.  J.  Han.  “Two Sophisticated Technique to Improve HMM-Based Intrusion Detection Systems.”  RAID2003, (2003) : 207-219.
14. T.  Lane, C.  E.  Brodley.  “An Empirical Study of Two Approaches to Sequence Learning for Anomaly Detection.”  Machine Learning, 51 (2003) : 73-107.
15. C.  Warrender, et al.  “Detecting Intrusions Using System Calls: Alternative Data Models.”  Proceedings of the IEEE Computer Society Symposium on Research in Security and Privacy, (1999) : 133–145.
16. P.  Smyth, D.  Heckerman, M.  Jordan.  “Probabilistic Independence Networks for Hidden Markov Probability Models.”  Technical Report MSR-TR-96-03, Microsoft Research, Redmond, Washington, (1996).
17. J.  Binder, K.  Murphy, S.  Russell.  “Space-efficient inference in dynamic probabilistic networks.”  Proceedings of 5^th IJCAI97, vol.  2, (1997) : 1292-1296.
18. J.  Viterbi.  “Error bounds for convolutional codes and anasymptotically optimal decoding algorithm.”  IEEE Trans.  Informat.  Theory, vol.  IT-13,  (April 1967) : 260-269.
19. G.  D.  Forney.  “The Viterbi algorithm.”  Proc.  IEEE, vol. 62.  (March 1973) : 268-278.
20. Y.  Fujiwara, Y.  Sakurai, M.  Yamamuro.  “SPIRAL: Efficient and Exact Model Identification for Hidden Markov Models.”  KDD’08, (August 2008) : 247-255.
21. Y.  Fujiwara, Y.  Sakurai, M.  Kitsuregawa.  “Fast Likelihood Search for Hidden Markov Models.”  ACM Transaction Knowledge Discovery from Data, vol.  3, no.  4, Article 18, (November 2009) : 1-37.
22. P.  Dempster, N.  M.  Laird and D.  B.  Rubin.  “Maximum Likelihood from incomplete data via the EM algorithm.”  J.  Roy.  Stat.  Soc., vol.  39, no.  1.  (1977) : 1-38.
23. S.  E.  Levinson, L.  R.  Rabiner, M.  M.  Sondhi.  “An introduction to the application of the theory of probabilistic functions of a Markov process to automatic speech recognition.”  Bell System Technical Journal.  62 (1983) : 1035-1074.
24. Q.  Wang, S.  Ju.  “ACO-based BW algorithm for parameter estimation of hidden Markov models.”  International Journal of Computer Applications in Technology, vol.  41, issue 3/4, (September 2011) : 281-286.
25. Fang Sun, Guangrui Hu.  “Speech recognition based on genetic algorithm for training HMM.”  Electronics Letters, vol.  34, 16 (August 1998) : 1563-1564.
26. C.  W.  Chau, et al.  “Optimization of HMM by a Genetic Algorithm.”  IEEE ICASSP-97, vol.  3, (1997) : 1727-1730.
27. Chan, S.  Kwong.  “Analysis of Parallel Genetic Algorithm on HMM based speech recognition system.”  IEEE Conf., (1997) : 1229-1233.
28. L.  Xue, et al.  “A Particle Swarm Optimization for Hidden Markov Model Training.”  Proceeding of 8th International Conference on Signal Processing, 1 (2006).
29. A.  R.  Hosseinabadi, M.  R.  Ghaleh, S.  E.  Hashemi.  “Application of Modified Gravitational Search Algorithm to Solve the Problem of Teaching Hidden Markov Model.”  IJCSI, vol.  10, issue 3, no.  2, (May 2013) : 1-8.
30. S.  Find, Y.  Singer, N.  Tishby.  “The Hierarchical Hidden Markov Model: Analysis and Applications.”  Machine Learning, 32 (1998) : 41-62.
31. Lin-Yi Chou.  “Techniques to incorporate the benefits of a Hierarchy in a modified hidden Markov model.”  Proceeding of the COLING/ACL06, (July 2006) : 120-127.
32. Y.  Wang, et al.  “Mining Complex Time-Series Data by Learning Markovian Models.”  Proceeding of the Sixth ICDM06, (2006) : 1136-1140.

ก็จบคร่าว ๆ ประมาณนี้ครับ ซึ่งถ้าใครสนใจแบบจำลองทางสถิติที่ชื่อว่า Hidden Markov Models ก็สามารถหาอ่านเพิ่มเติมได้ทางเว็บไซต์ต่าง ๆ ครับ แต่ก็เป็นอะไรที่น่าสับสนนิดนึงนะครับ ทางที่ดีถ้าอยากเรียนรู้เร็ว ก็คงต้องให้คนที่แตกฉานในแบบจำลองมาอธิบายนั่นแหล่ะครับถึงจะเข้าใจได้

ในทางทฤษฎีการคำนวณสำหรับคอมพิวเตอร์ ก็มี Taxonomy กับเขาเหมือนกันครับ เพราะเดี๋ยวนี้ทฤษฎีการคำนวณสำหรับคอมพิวเตอร์มันแตกสาย แตกลูกแตกหลานกันเยอะ บางทีได้ยินคุยกันก็รำคาญใจ จัดหมวดหมู่ชั้นช่วงกันผิด ๆ ถูก ๆ เหมือนกับมีคนมาบอกเราว่า กรุงเทพฯ, พระประแดง, นนทบุรี และ ปทุมธานี เป็นปริมณฑล (เห็นใช่มั้ยว่าพระประแดงมันไม่เข้าพวกเพราะมันเป็นอำเภอ?) หรือบอกเราว่าปริมณฑลภาคกลางที่ติดทะเล ได้แก่ สมุทรปราการ, พระประแดง, สมุทรสาคร และ สมุทรสงคราม (พระประแดงเป็นอำเภอของสมุทรปราการ)

ไอ้เจ้า Genetic Algorithm เองก็ถูกอ้างผิดเหมือนกันครับ เพราะเวลาถูกจัดหมวดหมู่อ้างถึง มันมักจะถูกอ้างให้อยู่ในระดับเดียวกับชั้นที่สูงกว่า 1 ช่วงบ้าง 2 ช่วงบ้าง หรือบางครั้งก็ถูกอ้างอิงกับ Class อื่นที่อยู่ในระดับที่ไม่เท่ากัน ดังนั้น เพื่อให้เข้าใจ Taxonomy ของมัน ผมก็เลยทำให้ดูตามภาพข้างล่างนี้แล้ว

จริง ๆ แล้วแต่ล่ะชั้นก็มีลูกหลานแตกสายออกไปเยอะครับ แต่ที่ทำให้ดูในภาพนี้เป็นการลำดับ Taxonomy ของ Genetic Algorithm ว่าสืบสายตรงจากอะไรลงมาอ่ะครับ ก็ประมาณนี้ครับ

งั้นเริ่มเลยล่ะกัน …

1.  บทคัดย่อ

ในวงการวิทยาการคอมพิวเตอร์ หากเรากล่าวถึง “ปัญหา” จะมีสิ่งให้ขบคิดอยู่สองประเด็น นั่นคือ เราจะหาคำตอบของปัญหานั้น ๆ อย่างมีประสิทธิภาพได้อย่างไร และ หากมีการเฉลยคำตอบของปัญหานั้น ๆ แล้ว เราจะหาวิธียืนยันคำตอบนั้น ๆ อย่างมีประสิทธิภาพได้อย่างไร ว่ามันเป็นคำตอบที่ “ใช่” หรือ “ไม่ใช่” ซึ่งกลุ่มของปัญหาที่ต้องการ ๆ ยืนยันคำตอบอย่างมีประสิทธิภาพหากคำตอบคือ “ใช่” จะถูกเรียกในทางทฤษฎีว่าเป็นกลุ่มปัญหา NP หรือ Non-deterministic polynomial time ซึ่งในบทความนี้จะนำเสนอถึงการวิจัย NP ในปัจจุบัน ว่ามีความก้าวหน้าไปอย่างไรบ้าง

2.  บทนำ

วิทยาการคอมพิวเตอร์เป็นศาสตร์ที่ใช้คณิตศาสตร์หลายแขนง เพื่อช่วยในการแก้ปัญหาให้กับศาสตร์ของตนเอง โดยเฉพาะการใช้ศาสตร์ที่เรียกว่า Combinatorics ในการแก้ปัญหา โดยเนื้อหาหลักของ Combinatorics ก็คือ “การจัดหมู่” ในสิ่งที่มีขอบเขต “จำกัด” จากนั้นจึงทำการ “นับ” มัน

ปัจจัยสำคัญใน “การนับ” ในทางวิทยาการคอมพิวเตอร์ก็คือการวนรอบ เพราะคุณลักษณะเด่นของคอมพิวเตอร์ก็คือ การที่สามารถวนรอบทำงานซ้ำ ๆ ได้ โดยไม่เหน็ดเหนื่อยและผิดพลาด ดังนั้น เมื่อมีการวนรอบก็จะหมายถึงการต้องเสียเวลา การวนรอบ 1 ชั้นก็หมายถึงการเสียเวลาน้อยกว่าหรือเท่ากับ n รอบ และการวนรอบ 2 ชั้นก็อาจหมายถึงการเสียเวลาน้อยกว่าหรือเท่ากับ n^2 รอบ เป็นต้น

ด้วยรูปแบบของการวนรอบเพื่อนับ จึงทำให้สามารถมองได้ว่าปัญหาส่วนใหญ่ในทางวิทยาการคอมพิวเตอร์ สามารถแก้ได้ในเวลา Polynomial Time แต่การแก้ปัญหาจะไม่ถือว่ามีประสิทธิภาพ หากใช้เวลาในการแก้ปัญหาเกินกว่าจะยอมรับได้ เช่นในการแก้ปัญหา Travelling Salesman Problem ที่กำหนดให้พนักงานขายเลือกเส้นทางที่สั้นที่สุด เพื่อเดินทางไปทีล่ะเมืองให้ครบทุกเมืองโดยไม่ซ้ำ แล้วย้อนกลับมายังเมืองที่ตั้งต้น ซึ่งการหาผลเฉลยที่ถูกต้องที่สุดก็คือการตรวจในทุก ๆ เส้นทางที่เป็นไปได้ แล้วเลือกเส้นทางที่สั้นที่สุดจากการตรวจสอบทั้งหมด โดยต้องใช้จำนวนรอบเพื่อหาผลเฉลยเท่ากับ n! ซึ่งหากมีจำนวนของเมือง 100 เมืองให้เดินทาง ก็หมายถึงการที่ต้องค้นหาผลเฉลยด้วยจำนวนรอบเท่ากับ 100! ซึ่งใช้เวลาที่มากเกินกว่าจะยอมรับได้

ดังนั้น ในทางทฤษฎีจึงเกิดแนวความคิดว่า ถ้ายังคงต้องการแก้ปัญหาที่ใช้เวลามาก ๆ ใน Polynomial Time ได้อย่างมีประสิทธิภาพ (และเราก็เชื่อว่ายังไงก็ต้องแก้แบบ Polynomial Time จนกว่ามันจะมีวิธีอื่นมาแทนที่ เช่น Quantum อะไรประมาณนั้น) จำเป็นอย่างยิ่งที่จะต้องเปลี่ยนแนวคิดของเครื่องจักรทางทฤษฎีที่ใช้ขับเคลื่อนการแก้ปัญหา จากเดิมที่ใช้เครื่องจักรทางทฤษฎีในการแก้ปัญหาที่มีกลไกเคลื่อนที่ 1 State เกิด 1 Action หรือที่เรียกว่า Deterministic Turing Machine ให้กลายเป็นเครื่องจักรทางทฤษฎีในการแก้ปัญหา ที่มีกลไกเคลื่อนที่ 1 State เกิดได้หลาย Action หรือที่เรียกว่า Non-deterministic Turing Machine

ซึ่งการแก้ปัญหาใน Polynomial Time บนเครื่องจักรทางทฤษฎีแบบ Non-deterministic Turing Machine จึงเรียกว่าเป็นการแก้ปัญหาแบบ Non-deterministic Polynomial Time หรือ NP และปัจจุบันก็มีงานวิจัยในหลากหลายแขนงวิชา ที่กำลังค้นคว้าวิจัยกลุ่มปัญหา NP อยู่ในขณะนี้ ดังจะกล่าวในหัวข้อถัดไป

3.  งานวิจัยในปัจจุบัน

งานวิจัยที่เกี่ยวข้องกับ NP ในช่วงแรกนั้น มุ่งเน้นไปที่การแสวงหาเทคนิคและอัลกอริทึม ในการค้นหาผลเฉลยที่แม่นยำถูกต้องที่สุดเพียงคำตอบเดียวอย่างมีประสิทธิภาพ เพื่อให้สามารถหาคำตอบได้ในเวลาน้อยกว่า O(n!) เช่น งานวิจัยของ Held & Karp[1] และ Bellman[2] ได้นำเสนอการแก้ปัญหา Travelling Salesman Problem โดยใช้ Dynamic Programming เข้ามาช่วยเก็บผลการคำนวณก่อนหน้า เพื่อจะไม่ต้องมาวนซ้ำคำนวณใหม่อีกครั้งในทุก ๆ รอบซึ่งถูกพิสูจน์แล้วว่าสามารถลดการคำนวณจาก O(n!) เหลือ O(n^2*2^(n-1) )[2] เป็นต้น

เทคนิคการค้นหาผลเฉลยในรูปแบบข้างต้น ช่วยลดเวลาในการแก้ปัญหาจาก Factorial Time ให้อยู่ในรูปของ Exponential Time ได้ก็จริง แต่หากต้องเผชิญกับการแก้ปัญหาขนาดใหญ่ที่มีจำนวนข้อมูลมาก ๆ การแก้ปัญหาใน Exponential Time ก็ยังไม่สามารถถือว่าเป็นการแก้ปัญหาที่มีประสิทธิภาพได้ ดังนั้น งานวิจัยในปัจจุบัน จึงเน้นไปที่การค้นหาผลเฉลยที่เหมาะสมพอยอมรับได้ โดยใช้เวลาในการค้นหาที่จำกัดบนทรัพยากรที่จำกัด ด้วยเทคนิคและอัลกอริทึมต่าง ๆ ไม่ว่าจะเป็นการจำลองความฉลาดแบบกลุ่มด้วย Swarm Intelligence, การเลียนแบบขั้นตอนวิธีเชิงพันธุกรรมด้วย Genetic Algorithm หรือวิธีอื่น ๆ เป็นต้น

3.1  Swarm Intelligence

คำว่า Swarm Intelligence ถูกอ้างขึ้นครั้งแรกโดย Gerardo Beni & Jing Wang[3] ในบันทึกการประชุมเกี่ยวกับ Cellular Robotic Systems โดยมีเนื้อหาที่กล่าวถึงระบบซึ่งมีกลุ่มของหุ่นยนต์ที่ไม่ฉลาดจำนวนมากอยู่รวมกันเพื่อบรรลุภารกิจใหญ่ภารกิจหนึ่ง ซึ่งหุ่นยนต์ดังกล่าวจะบริหารจัดการตนเองโดยไม่มีศูนย์กลางควบคุม จะสามารถสื่อสารข้อมูลได้เฉพาะกับหุ่นยนต์ที่อยู่ในรัศมีใกล้ ๆ กัน จะแสดงพฤติกรรมที่ไม่สุ่มแต่ก็ไม่สามารถคาดเดาได้ จะแสดงพฤติกรรมหลายอย่างเกินกว่าความเข้าใจ และไม่สามารถใช้สถิติเพื่ออธิบายพฤติกรรมได้เลย

แนวความคิด Swarm Intelligence ได้ถูกนำไปต่อยอดเพื่อสร้างอัลกอริทึมในการค้นหาผลเฉลยที่เหมาะสมในหลาย ๆ รูปแบบ ซึ่งหนึ่งในนั้นก็คืองานวิจัยของ Marco Dorigo[4][5] ซึ่งเป็นผู้บุกเบิกหลักในการคิดค้น Ant Colony Optimization Algorithms ขึ้นมา โดยแนวคิดของ Ant Colony Optimization Algorithms หรือ ACO ก็คือ การจำลอง Set ของตัวแทนซึ่งมีความร่วมมือกัน โดยสิ่งที่ใช้เป็นตัวแทนก็คือ “มด” ในการร่วมมือร่วมใจกันเพื่อค้นหาผลเฉลยที่ดีที่สุด เปรียบได้กับการร่วมมือร่วมใจของมด ในการเดินทางออกจากรังเพื่อค้นหาแหล่งอาหารด้วยระยะทางเดินที่ใกล้ที่สุด โดยระหว่างการเดินทางค้นหา มดแต่ล่ะตัวจะใช้วิธีทางอ้อมเพื่อทิ้งร่องรอยของเส้นทางเดินให้มดตัวอื่นตามมา ด้วยการปล่อยฟีโรโมนตามเส้นทางเป็นระยะและยิ่งเส้นทางเดินใดมีฟีโรโมนมาก มดตัวใหม่ ๆ ที่เดินตามมาก็จะยิ่งเลือกเส้นทางดังกล่าวมากขึ้น และปล่อยฟีโรโมนซ้ำลงไปเรื่อย ๆ จนกระทั่งสุดท้ายเส้นทางอื่นก็จะไม่ถูกเลือกอีกต่อไป โดยเทคนิคของ ACO จะใช้ทฤษฎีกราฟเป็นโมเดล โดยจะแทนที่ทางเดินระหว่างรังมดกับแหล่งอาหารด้วย Connected Graph, แทนที่การเลือกเส้นทางในช่วงแรกของมดด้วยการสุ่มและ แทนที่การปล่อยฟีโรโมนของมดด้วยการให้ค่าน้ำหนักบน Edges ในระหว่างการเดินบน Path ดังนั้น เมื่อคำนวณจนถึงระดับหนึ่งแล้ว ก็จะได้ผลเฉลยที่เหมาะสมในรูปของ Path ที่มีผลรวมของ Edges มากที่สุดนั่นเอง

ปัจจุบัน มีงานวิจัยซึ่งนำแนวคิด Ant Colony Optimization หรือ ACO ไปเพิ่มขีดความสามารถอย่างกว้างขวาง เช่น งานวิจัยของ Lijie Li, Shangyou Ju และ Ying Zhang[6] ซึ่งได้สร้างโมเดลความน่าจะเป็นแบบใหม่ โดยใช้ Held-Karp Lower Bound ในการพิจารณาตัดสินใจว่าจะให้ระบบเลือกผลเฉลยอย่างใดอย่างหนึ่ง ระหว่างผลเฉลยที่ได้จากค่าน้ำหนักบน Edges หรือผลเฉลยที่ได้จาก Heuristic Information เป็นต้น

หรือการนำ ACO ไปประยุกต์ใช้ เช่น งานวิจัยของ Guangyu Li & Lila Boukhatem[7] ที่ทำให้ยานพาหนะทุกคันซึ่งวิ่งอยู่บนท้องถนน ทำตัวเป็น Wireless Router เพื่อสร้างระบบ Mobile Network โดยการประยุกต์ใช้ ACO เพื่อค้นหาเส้นทางที่สั้นที่สุดระหว่างยานพาหนะที่ต้องการจะสื่อสารกัน โดยการกำหนดให้ยานพาหนะเป็น Vertex ซึ่งเคลื่อนที่ได้, กำหนดให้การเชื่อมโยง Wireless ระหว่างรถแต่ล่ะคันที่มีระยะทำการใกล้ ๆ กัน (100-300 เมตร) เป็น Edge และกำหนดให้ Path คือเส้นทาง Mobile Network ระหว่างรถที่ต้องการสื่อสารกัน ซึ่งจุดที่น่าสนใจจะอยู่ที่ Vertex และ Edge จะสามารถเปลี่ยนแปลงไปมาได้ เพราะยานพาหนะที่วิ่งอยู่บนท้องถนนไม่อยู่นิ่งอยู่กับที่ เป็นต้น

4.  เอกสารอ้างอิง

[1]  Michael Held & Richard M. Karp.  A dynamic programming approach to sequencing problems.  ACM ’61 Proceedings of the 1961 16th ACM national meeting Pages 71.201-71.204.

[2]  Richard Bellman.  Dynamic Programming Treatment of the Travelling Salesman Problem.  Journal of the ACM (JACM) JACM Homepage archive.  Volume 9 Issue 1, Jan. 1962.  Pages 61-63.

[3]  Gerardo Beni & Jing Wang.  Swarm Intelligence in Cellular Robotic Systems.  Proceedings of NATO Advanced Workshop on Robots and Biological Systems Vol 102.

[4]  Alberto Colomi, Marco Dorigo, Vittorio Mamiezzo.  Distributed Optimization by Ant Colonies.  Proceedings of ECAL91 European Conference on Artificial Intelligence Life, Paris, France, Elsevier Publishing, 134-142.

[5]  Marco Dorigo.  Ant Colony System: A Cooperative Learning Approach to the Traveling Salesman Problem.  IEEE Transactions on Evolutionary Computation, Vol.1, No. 1, 1997.

[6]  Lijie Li, Shangyou Ju  and Ying Zhang.  Improved Ant Colony Optimization for the Traveling Salesman Problem.  Proceeding of ICICTA ’08 Proceedings of the 2008 International Conference on Intelligent Computation Technology and Automation – Volume 01, Pages 76-80

[7]  Guangyu Li & Lila Boukhatem.  Adaptive vehicular routing protocol based on ant colony optimization.  Proceeding of VANET ’13 Proceeding of the tenth ACM international workshop on Vehicular inter-networking, systems, and applications, Pages 95-98, June 25 2013, Taipei, Taiwan

…ก็จบประมาณนี้

จริง ๆ แล้วการบ้านชิ้นนี้เป็นงานกลุ่ม ดังนั้น ผมจึงต้องให้เกียรติผู้ร่วมกลุ่ม โดยการไม่เอาส่วนที่พวกเขาเขียนมาลงในบล็อกของผม แต่ผมก็คิดว่าเฉพาะส่วนที่ผมเขียน ก็น่าจะครอบคลุมให้ผู้อ่านเกิดความเข้าใจได้ในระดับหนึ่งครับ

ว่ากันตามจริงแล้ว บล็อกแห่งนี้ก็โม้แต่ความรู้ทางคอมพิวเตอร์ ในรูปแบบความรู้เพื่อแสดงภูมิปัญญา โดยมีความรู้ทั่วไปนิด ๆ หน่อย ๆ และเน้นความรู้ชั้นสูงมากหน่อย!!!

แต่โดยส่วนตัวแล้ว ผมยกย่องคนที่มีความรู้ทางคอมพิวเตอร์เพื่อการเอาตัวรอดนะ ยิ่งคนเหล่านั้นมีความรู้ทางคอมพิวเตอร์เพื่อการเอาตัวรอดแบบชั้นสูงมากเท่าไหร่ ก็ยิ่งน่ายกย่องมากขึ้นเท่านั้น …

แต่เหนือสิ่งอื่นใด การสกัดเอาความรู้ทางคอมพิวเตอร์ในรูปแบบความรู้เพื่อการเอาตัวรอด (ชั้นสูง) เป็นเรื่องที่ไม่ง่ายนัก เปรียบได้กับการสกัดเอาทองคำออกจากหินแร่ต่าง ๆ ซึ่งหากเราลงทุนลงแรงมากไป เราก็อาจจะขาดทุนได้ง่าย ๆ

ที่สำคัญ จะมีบุคคลใดบ้างหนอ ที่มีความรู้ทางคอมพิวเตอร์เพื่อการเอาตัวรอด (ชั้นสูง) ที่จะยอมเปิดสัมปทาน เพื่อให้เราเข้าไป ขุด ค้น สกัด ร่อน เอาความรู้ฯจากสมองของเขา เพื่อนำออกมาทำประโยชน์ให้กับเราได้บ้างอ่ะ T-T

ไม่แน่ใจว่าเครื่องมืออย่าง Facebook, Twitter และ YouTube จะช่วยให้เราหาคำตอบจากเรื่องนี้ได้หรือเปล่า?

[tags]เหมืองความรู้, คอมพิวเตอร์, ความรู้ทางคอมพิวเตอร์, ความรู้, เหมืองคอมพิวเตอร์, Facebook, Twitter, YouTube[/tags]

ค่อย ๆ เลือกเก็บทีล่ะเมล็ดอย่างยากลำบาก เพราะเมล็ดข้าวมันตกปะปนอยู่กับขี้ดินขี้ทราย แถมแต่ล่ะเมล็ดที่เก็บมาได้ ก็มีสีตุ่น ๆ เมล็ดหัก ๆ ดูไม่น่ากินเลย

แต่หลังจากเสียเวลาไปพักใหญ่ ๆ ๆ ๆ นางเอกก็เก็บเมล็ดข้าวได้เต็มกระป๋อง พอที่จะหุงกินกับพระเอกเพื่อประทังชีวิตไปได้อีกมื้อนึง!!!

เสียดายที่นางเอกมีแต่วิชากำลังภายใน แต่ไม่เป็นวิชาฝ่ามือจกพัลวัน ไม่อย่างนั้นคงเก็บเมล็ดข้าวได้เร็วและเยอะเป็นกระบุงโกยแหงม ๆ!!!

ที่โม้เรื่องนี้ขึ้นมาก็เพราะจะบอกว่า การหาเงินทางอินเทอร์เน็ตเดี๋ยวนี้ ก็ไม่ต่างอะไรกับการเก็บเมล็ดข้าวทีล่ะเมล็ดเท่าไหร่นัก จกลงไปแต่ล่ะครั้งก็ได้มาเพียงเล็กน้อย

แต่อาจจะเป็นเรื่องดีที่ระบบคอมพิวเตอร์สามารถทำงานซ้ำ ๆ ได้อย่างรวดเร็ว ไม่รู้จักเหน็ดเหนื่อย แม่นยำ และเสมอต้นเสมอปลาย จึงทำให้เราไว้วางใจที่จะโอนงานเก็บเมล็ดข้าว ไปให้คอมพิวเตอร์ช่วยทำแทนเราได้อย่างไม่ยากเย็นนัก

และในเมื่อเราให้คอมพิวเตอร์ช่วยเก็บเมล็ดข้าวให้แล้ว เราก็ควรจะเติมคุณสมบัติพิเศษให้แก่มัน ให้มันรู้จักเลือกเก็บเมล็ดข้าวที่สะอาด สุกปลั่ง และเต็มเมล็ดได้เยอะ ๆ ด้วย … ก็คงจะดี

[tags]กลยุทธ์,เก็บ,เมล็ดข้าว,อัตโนมัติ[/tags]