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!!!

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

โดยหน้าตาของสมการตามทฤษฎีบทของเบย์ก็เป็นแบบข้างล่างนี้

จริง ๆ แล้วทฤษฎีบทของเบย์ก็สืบต่อมาจากทฤษฎีความน่าจะเป็นแบบมีเงื่อนไขอีกทีนึงน่ะครับ เป็นโมเดลที่อธิบายว่าความน่าจะเป็นในลำดับถัดไปจะขึ้นกับความน่าจะเป็นของลำดับก่อนหน้า อะไรประมาณนั้น

ซึ่งถ้าจะคำนวณความน่าจะเป็นของลำดับถัดไปโดยขึ้นกับความน่าจะเป็นของลำดับก่อนหน้า ก็สามารถทำได้ง่าย ๆ ตามสมการข้างล่างนี้ครับ

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

ทีนี้จะตั้งโจทย์ครับ โจทย์คือให้หาว่าความน่าจะเป็นที่บุคคลในข้อมูลตัวอย่างจะเป็นนักแสดงและเป็นคนรูปร่างผอม ซึ่งถ้าหาโดยใช้สมการตามความน่าจะเป็นแบบมีเงื่อนไข ก็จะได้ตามสมการด้านล่างนี้

คำตอบคือ 1 ส่วน 2 ซึ่งแบบข้างบนนี้ตรงไปตรงมา แต่ถ้าหาโดยใช้ทฤษฎีบทของเบย์บ้างล่ะจะเป็นยังไง? ซึ่งก็เป็นไปตามด้านล่างนี้

จะเห็นว่าคำตอบที่คำนวณได้ตามทฤษฎีบทของเบย์ มันก็เหมือน ๆ กับคำตอบที่คำนวณได้ตามทฤษฎีความน่าจะเป็นแบบมีเงื่อนไขนั่นแหล่ะครับ แล้วในเมื่อคำตอบมันเหมือนกัน แล้วเราจะไปใช้ทฤษฎีบทของเบย์ทำไมอีก???

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

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

แต่ถ้าข้อมูลที่ต้องการจำแนก มันมีข้อมูลบางชุดที่มีคุณสมบัติเหมือนกันเป๊ะ ๆ แต่สามารถจำแนกเป็นผลลัพธ์ได้มากกว่าหนึ่ง Class เราจะเรียกข้อมูุลชุดดังกล่าวว่ามีลักษณะของ Multi-Label ดังรูป

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

ยกตัวอย่างเช่น เราอยากให้คอมพิวเตอร์แยกแยะได้ระหว่าง ส้ม กับ แอปเปิ้ล เราก็จะเอาข้อมูลคุณสมบัติของส้มซัก 20 ลูก พร้อมทั้งเฉลยว่าคุณสมบัติเหล่านั้นคือส้ม และเอาข้อมูลคุณสมบัติของแอปเปิ้ลซัก 20 ลูก พร้อมทั้งเฉลยว่าคุณสมบัติเหล่านั้นคือแอปเปิ้ล ป้อนเข้าไปให้คอมพิวเตอร์มันเรียนรู้ มันก็จะพยายามทบทวนของมันไป จนมันได้อะไรซักอย่างนึงออกมาเพื่อจะบอกว่ามันเรียนรู้ได้ล่ะ จากนั้นเราก็ลองพิสูจน์ดูว่ามันแยกแยะได้จริงหรือเปล่า โดยการป้อนคุณสมบัติของส้มหรือแอปเปิ้ลเข้าไปให้มัน ดูซิว่ามันจะตอบว่าเป็นผลอะไร ถ้ามันตอบถูกแสดงว่ามันแม่น ถ้าตอบผิดแสดงว่ามันไม่แม่น เป็นต้น

โดยวิธีการเรียนรู้ของคอมพิวเตอร์จากข้อมูลที่มีการเฉลยไว้ก่อน เพื่อทำนายคำตอบของข้อมูลใหม่ที่ป้อนให้กับคอมพิวเตอร์ สามารถแบ่งได้เป็น 2 แบบใหญ่ ๆ ครับ คือ

แบบที่หนึ่ง มองว่าข้อมูลที่ให้คอมพิวเตอร์เรียนรู้พร้อมกับผลเฉลย เป็นเหมือนสารานุกรม ดังนั้น ทุกครั้งที่มีข้อมูลใหม่ป้อนให้กับคอมพิวเตอร์เพื่อขอคำตอบ คอมพิวเตอร์ก็จะย้อนกลับไปเปิดสารานุกรมที่ว่า เพื่อเทียบความคล้ายของข้อมูล จากนั้นเมื่อพบว่าข้อมูลใหม่คล้ายข้อมูลที่เคยเรียนชุดไหนมากที่สุด ก็จะเอาผลเฉลยของข้อมูลที่เคยเรียน (ก็ไอ้ตัวที่ว่าคล้ายที่สุดนั่นแหล่ะ) มาเป็นคำตอบ ถ้าจะเปรียบเทียบก็เหมือนกับการทำข้อสอบแบบเปิดตำรานั่นแหล่ะครับ ข้อสอบส่วนใหญ่ก็ประยุกต์จากเนื้อหาในตำรานั่นแหล่ะ เพียงแต่มันไม่เป๊ะ ๆ เท่านั้นเอง

แบบที่สอง มองว่าคอมพิวเตอร์ไม่จำเป็นจะต้องเก็บข้อมูลที่เคยเรียนรู้พร้อมกับผลเฉลยในรูปแบบของสารานุกรม ที่จะต้องเสียเวลามาพลิก ๆ เทียบ ๆ ทุกครั้งที่มีข้อมูลใหม่ป้อนเข้ามาเพื่อขอคำตอบ แต่ให้ใช้วิธีผนึกการกะประมาณผลเฉลยเข้าไปในอะไรซักอย่างนึงแทน ดังนั้น เมื่อมีข้อมูลใหม่ป้อนเข้ามาเพื่อขอคำตอบ ก็ใช้การกะประมาณผลเฉลยที่ผนึกเอาไว้ เป็นตัวกลั่นกรองหาผลเฉลยของคำตอบไปเลย ถ้าให้ยกตัวอย่างก็คงเหมือนกับแทนที่เราจะทำข้อสอบแบบเปิดตำรา ก็เปลี่ยนเป็นแบบปิดตำรา ซึ่งก็หมายความว่าตัวผู้ทำข้อสอบ จะต้องท่องหนังสือสอบเข้าไปในสมองตัวเองนั่นเอง

โดยปรกติแล้ว การทำให้คอมพิวเตอร์เรียนรู้จากผลเฉลย เพื่อทำให้มันสามารถให้คำตอบกับข้อมูลใหม่ ๆ ได้ ยังไม่ถือว่าเป็นการทำให้คอมพิวเตอร์คิดเองได้ มันยังห่างไกลกับนิยามนั้นอยู่ และถึงแม้ว่าเราจะพยายามยกระดับให้กับมัน โดยการให้มันนำข้อมูลใหม่ที่ถูกเฉลยแล้วด้วยตัวมันเอง ป้อนกลับไปให้ตัวมันเองเรียนรู้ใหม่อีกครั้ง เพื่อให้มันมีสารานุกรมส่วนตัวที่ทันสมัยขึ้น หรือให้มันมีการกะประมาณผลเฉลยที่เจนจัดมากขึ้น ก็ยังไม่ถือว่าคอมพิวเตอร์มันคิดเองได้อยู่ดี

เพราะทุกวันนี้การให้คอมพิวเตอร์เรียนรู้ผลเฉลย ยังมีขอบเขตจำกัดอยู่ เรายังไม่สามารถทำให้คอมพิวเตอร์เรียนรู้ได้เป็นลำดับขั้นตอนที่หลากหลาย เหมือนกับการเรียนรู้ของเด็กทารกที่ค่อย ๆ เติบโตขึ้นกลายเป็นผู้ใหญ่ เรายังไม่สามารถสร้างสารานุกรมแบบบูรณการ หรือวิธีการกะประมาณผลเฉลยแบบบูรณการ เพื่อส่งมอบให้คอมพิวเตอร์ใช้เรียนรู้ได้ ดังนั้น ความวิตกกังวลเรื่องเครื่องจักรครองโลก คงต้องรอไปอีกอย่างน้อยหลายสิบปี กว่าเวลานั้นจะมาถึงครับ

ในขณะที่งานวิจัยทางด้าน Mining ส่วนใหญ่แล้วต้องพิสูจน์ด้วย Domain Expert เพราะการหาความรู้จากข้อมูล มันไม่สามารถพิสูจน์ได้ถ้าไม่มีผู้เชี่ยวชาญมาตัดสินว่าถูกหรือผิด เช่น ถ้าจะจัดกลุ่มข้อมูลทางด้านโรคภัยไข้เจ็บ พอจัดกลุ่มได้ก็ต้องให้หมอมาตัดสิน หรือถ้าจะจัดกลุ่มข้อมูลการออกฤทธิ์ของยา ก็ต้องให้เภสัชกรมาตัดสิน เป็นต้น

การให้ผู้เชี่ยวชาญหรือ Domain Expert มาตัดสินว่าถูกหรือผิดมีต้นทุนที่สูง เพราะอย่างแรกก็คือเราจะไปรู้จัก Domain Expert เหล่านั้นได้ยังไง อย่างสองก็คือจะเอาอะไรมาพิสูจน์ว่าคนเหล่านั้นเป็น Domain Expert จริง และอย่างสามก็คือจะเอาวิธีการเก็บสถิติหรือเก็บผลสำรวจแบบไหน เพื่อมาใช้ประกอบการตัดสินผลการ Mining โดย Domain Expert

เมื่อเป็นเช่นนี้แล้ว มันจึงทำให้ดูเหมือนกับว่า งานวิจัยทางด้าน Mining ค่อนข้างจะโน้มเอียงไปในทางสังคมศาสตร์อยู่ไม่น้อย!!!

จริง ๆ แล้วผมก็เห็นงานวิจัยหลายชิ้นที่พยายามหนีการพิสูจน์ด้วย Domain Expert โดยการใช้ Internal Indices เข้ามาช่วย เช่นการพิสูจน์ว่าผลการจัดกลุ่มถูกต้องมั้ย โดยการพิสูจน์ย้อนกลับว่าสมาชิกในแต่ล่ะกลุ่ม เกาะกลุ่มกันใกล้ศูนย์กลางจริงหรือเปล่า ซึ่งแล้วไงล่ะ? มันก็แค่พิสูจน์ว่ามันเกาะกลุ่มจริง แต่มันก็ยังคงพิสูจน์ไม่ได้อยู่ดีว่าการเกาะกลุ่มของมัน สมเหตุสมผลกับสภาวะความเป็นจริงหรือเปล่า จนกว่าจะมี Domain Expert มาตัดสินมัน

ผมกำลังคิดว่า มันน่าจะมีวิธีพิสูจน์ผลการ Mining แบบกลาง ๆ ซึ่งอยู่ระหว่างวิธีใช้ Domain Expert กับวิธีใช้ Internal Indices ซึ่งต้องดูกันต่อไป

หลายปีที่ผ่านมา ประชาคมอินเทอร์เน็ตได้ช่วยกันสร้างเนื้อหาต่าง ๆ และโอนมันขึ้นไปอยู่บนระบบอินเทอร์เน็ตมากมายมหาศาล ไม่ว่าสิ่งนั้นจะเป็น ข้อความ ภาพ เสียง วีดีโอ แฟ้มไบนารี่ ซึ่งการกระทำเหล่านั้นล้วนผ่านทั้งกระบวนการของ User Generated Content และหรือ Human Based Computation

เนื้อหาที่มากมายมหาศาลที่ถูกสร้างขึ้นเหล่านั้น เป็นก้อนข้อมูลขนาดมหึมาซึ่งต้องมีพื้นที่จัดเก็บที่มีขนาดทัดเทียมกันหรือมากกว่ารองรับ ทุกอย่างมันต้องสอดคล้องกัน เพราะจำนวนคนในประชาคมอินเทอร์เน็ตที่สร้างเนื้อหามีจำนวนมากมายเป็นล้าน ๆ คน ในขณะที่พื้นที่จัดเก็บก็ต้องขยายตามไปด้วย จนเกิดแนวคิด Big Data ขึ้นมา แนวคิดที่ว่าข้อมูลหรือเนื้อหาทั้งหมดควรจะเก็บไว้ โดยที่มันสามารถค้นหาได้ง่ายอย่างรวดเร็วที่สุด!!

คนโบราณมักจะบอกว่า “เกิน” ดีกว่า “ขาด” ดังนั้น การเก็บทุกอย่างไว้ใน Hardware ที่มีความจุสูงโดยใช้แนวคิด Big Data จึงเป็นเรื่องที่เหมาะสม แต่หลังจากนั้น เราก็ต้องมาคิดว่าเราจะทำยังไงกับข้อมูลจำนวนมหาศาลที่เก็บไว้ เราจะแค่สืบค้นมันขึ้นเฉย ๆ หรือเราจะทำอะไรอย่างอื่นกับมันได้อีก?

ซึ่งนั่นเป็นที่มาของ Data Mining หรือก็คือการค้นหาและสกัดความรู้จากข้อมูลจำนวนมหาศาลที่ถูกจัดเก็บไว้ โดยการค้นหาความรู้จะต้องทำได้อย่างรวดเร็ว และได้ความรู้ที่มีค่า มีความหมาย

มันคงจะเป็นอะไรที่ฟุ่มเฟือย ต้นทุนสูง และไร้ค่ามาก ๆ หากเราเก็บข้อมูลเอาไว้ได้อย่างมากมายมหาศาล แต่เรากลับไม่สามารถสกัดหรือสังเคราะห์ความรู้อะไรออกจากข้อมูลเหล่านั้นได้เลย

ทุกวันนี้บริษัทไอทียักษ์ใหญ่ผู้ให้บริการอินเทอร์เน็ตในโลกอย่าง Google, Microsoft หรือ Facebook ก็ล้วนแต่ทำ Data Mining จากข้อมูลจำนวนมหาศาลที่ประชาคมอินเทอร์เน็ตสร้างขึ้นผ่านบริการของตนเองทั้งนั้น

นิยามความรู้เบื้องต้นของ Data Mining ตอนนี้อาจจะยังอยู่แค่ Classification, Clustering หรือ Association Rule Mining แต่ในอนาคตเราไม่รู้ว่าจะมีนักวิจัยคิดค้นอย่างอื่นเพื่อการทำ Data Mining อีกมั้ย และถ้าถึงตอนนั้นก็อาจจะมีวิธีหาความรู้จากข้อมูลจำนวนมหาศาลมหึมาในรูปแบบใหม่ก็เป็นได้!

• Machine Learning คือ การให้คอมพิวเตอร์ทำนายผลลัพธ์ โดยใช้ข้อมูลพื้นฐานจาก attribute ที่รู้จักมาก่อนจากขั้นตอนการ train
• Data Mining คือ การค้นพบความรู้จากข้อมูล โดยข้อมูลที่ใช้เพื่อการค้นพบนั้นเป็น attribute ที่ไม่เคยรู้จักมาก่อน

ดังนั้น ความแตกต่างของทั้งสองอย่างอยู่ที่กริยาของพวกมัน เพราะอย่างนึงคิดค้นขึ้นเพื่อการ “ทำนาย” ส่วนอีกตัวนึงคิดค้นขึ้นเพื่อการ “ค้นพบ” ส่วนสิ่งที่เหมือนกันของทั้งสองอย่างคือ “ข้อมูล” เพราะในแง่ของ Machine Learning นั้น การมีข้อมูลนำเข้าที่มาก จะทำให้การทำนายมีความแม่นยำมากยิ่งขึ้น ส่วนแง่ของ Data Mining นั้น การมีข้อมูลยิ่งมากเท่าไหร่ ก็ยิ่งจะทำให้สามารถค้นพบ Pattern เพื่อจะประเมินเป็นความรู้ได้มากเท่านั้น

สรุปแล้ว ข้อมูลคือสิ่งสำคัญที่สุดสำหรับ Machine Learning กับ Data Mining ครับ ดังนั้น เราต้องเริ่มจากข้อมูลก่อน แล้วค่อยเอาทฤษฎีการคำนวณ และทฤษฎีการประมวลผลสารสนเทศมาดำเนินการต่อไป

ผมทำไปแล้วและส่งไปแล้ว และมันเป็น Demo ของ Paper ที่ไม่สามารถนำไปต่อยอดเพื่อตีพิมพ์หรือประชุมวิชาการได้อย่างแน่นอน เพราะมันมีจุดบกพร่องอยู่ 3 ข้อใหญ่ ๆ  โดยจุดบกพร่องข้อแรกก็คือ ผมไม่ได้คิดอะไรใหม่เลย ผมแค่เอาสิ่งที่มีอยู่แล้วมาประกอบกันเพื่อสร้างเป็นผลลัพธ์ จุดบกพร่องข้อสองคือ ผมสนใจในเรื่องโบราณ เป็นเรื่องที่นิยมวิจัยกันตั้งแต่ 30 ปีก่อนแล้ว เพราะเดี๋ยวนี้นักวิจัยมุ่งเน้นวิจัยหุ้นร่วมกับเครือข่ายสังคมแล้ว และ จุดบกพร่องข้อสามก็คือ ผมไม่สามารถพิสูจน์สิ่งที่ตัวเองค้นพบได้ว่าจริงหรือไม่จริง ผมทำได้เพียงแค่ตั้งข้อสังเกตจากผลลัพธ์เท่านั้น

แต่ก็คิดว่าน่าจะเป็นประโยชน์ เลยเอามาเผยแพร่ให้ดูครับ ว่าสิ่งที่ผมทำมันประมาณไหน

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]