จริง ๆ แล้วต้องโฟกัสนิดนึงว่า ที่ว่าอ่อน ผมโฟกัสเรื่อง STEM ที่ตัวเองอ่อน วิชาในโลกมีเป็นแสนวิชา ถ้าต้องเรียนทุกวิชาที่ตัวเองอ่อน สงสัยเรียนไปอีกหลายชาติ

ผ่านมาปีนึงแล้วที่ตั้งอกตั้งใจเรียน ทั้ง ควอนตัมคอมพิวเตอร์ นาโนเทคโนโลยี อิเล็กทรอนิกส์ แมคคาทรอนิกส์ ไมโครคอนโทรลเลอร์ ระบบฝังตัว แคลคูลัส และ การทำเกมด้วย Unity กับ RPG Maker MZ ผลคือบางตัวได้รู้ลึก ส่วนบางตัวได้รู้กว้าง และเพราะหลายวิชาต้องมีปฏิบัติบ้างถึงจะเข้าใจเพิ่มขึ้น แต่ผมไม่ได้ปฏิบัติ เน้นแต่ทฤษฎี ดังนั้น เลยเลือกรู้กว้างเอาไว้ก่อน

ทำไมต้องเรียน เรียนไปทำไม?

เหตุผลง่าย ๆ โลกมันกำลังขับเคลื่อนเร็วมากด้วย STEM และเดิมมันขับเคลื่อนโดยฟากตะวันตก แต่ตอนนี้ฟากตะวันออกก็แข่งกันขับเคลื่อนด้วย ส่งผลให้ของเจ๋ง ๆ จาก STEM โผล่กันออกมาเต็มไปหมด ในเมื่อไม่มีปัญญาทำมันเองได้ ก็ขอเข้าใจหลักการทำงานของมันได้ก็ยังดี

ที่สำคัญ ประชากรเกิดใหม่กำลังลดลง ส่วนคนก็อายุยืนขึ้น สังคมกำลังจะกลายเป็นสังคมคนแก่ คนแก่แรงก็ไม่ค่อยจะมี สุขภาพก็ไม่ค่อยดี เหลืออย่างเดียวที่พอจะเกื้อกูลสังคมได้ ก็คือสมองที่ยังแจ่มใสและอัดแน่นด้วยความรู้ เพื่อที่จะให้คำปรึกษาสังคม หรือแม้กระทั่งไปคิดไปทำเองก็ยังพอได้

โชคดีที่อะไรที่เกี่ยวกับ STEM ส่วนใหญ่ มันถูกยกขึ้นมาอยู่บนระบบคอมพิวเตอร์ มือถือ และ กลุ่มเมฆ เกือบหมดแล้ว ทำให้การคิดหรือทำอะไรกับมัน เป็นการนั่งทำงาน ไปหาที่เย็น ๆ นั่งทำได้ จะทำที่ไหนก็ได้ แถมเดี๋ยวนี้อุปกรณ์ราคาไม่แพง อินเทอร์เน็ตก็เร็ว ระบบไร้สายก็แข็งแรง ดีไปหมด

เราอาจเข้าใจว่ายุคถัดจากนี้จะเป็นยุคที่เอไอกับหุ่นยนต์เข้ามาในชีวิตประจำวันมากขึ้น ทำให้เราไม่จำเป็นต้องมีความรู้ด้าน STEM ก็ได้ ผมคิดว่าคนส่วนใหญ่ที่เป็นผู้ใช้งาน จะคิดแบบนี้ก็ได้นะ แต่คนส่วนน้อยที่เป็นผู้คิดค้นและพัฒนา ซึ่งผมก็เป็นคนส่วนน้อยนี่แหล่ะ จะคิดงี้ไม่ได้

และเมื่อผมคิดว่าจะคิดงี้ไม่ได้ (ซึ่งเป็นการคิดเองเออเองนะ) ผมก็เลยต้องมานั่งแกะทีล่ะตัวของ STEM ว่าผมอ่อนอะไรบ้าง และสนใจอะไรบ้าง แล้วก็เลือกเรียนวิชาในหัวข้อนั้น ๆ

S = Science = วิทยาศาสตร์

ถ้า Science หมายถึง ฟิลิกส์ เคมี ชีววิทยา แล้วล่ะก็ ต้องบอกเลยว่าช่วงปีที่ผ่านมา ผมไม่ได้ลงหลักสูตรอะไรเกี่ยวกับพวกนี้เลย มันเป็นวิชาที่บริสุทธิ์ พื้นฐาน และเชิงทฤษฎีมาก จะเอาไปปฏิบัติได้ต้องต่อหลายยอด และที่สำคัญ วิชาพวกนี้มันกว้างมาก แถมเคยเรียนมาตั้งแต่เล็ก ๆ แล้ว ผมเลยคิดว่า ผมไม่ลงหลักสูตรเกี่ยวกับวิทยาศาสตร์ดีกว่า

T = Technology = เทคโนโลยี

เทคโนโลยีนี่แหล่ะคือสิ่งที่ต่อหลายยอดจากวิทยาศาสตร์ ผมน่าจะเรียนวิชาในหัวหมวดนี้เยอะสุด ทั้ง ควอนตัมคอมพิวเตอร์ นาโนเทคโนโลยี และ การทำเกมด้วย Unity กับ RPG Maker MZ ผมจัดว่าอยู่ในหัวหมวดนี้หมด และเรียนครบก็พบว่า มีแต่การทำเกมด้วย Unity กับ RPG Maker MZ นี่แหล่ะ ที่พอจะเอาไปทำอะไรที่จับต้องเข้าถึงผู้คนได้ นอกเหนือจากนี้ คือเรียนเอารู้เฉย ๆ เพราะมันยังไกลตัวอยู่

E = Engineering = วิศวกรรม

ผมไม่ใช่สายวิศวกรรม เป็นสายวิทยาศาสตร์แท้ ๆ ดังนั้น วิชาวิศวกรรมนี่ไม่เคยเรียนมาก่อนแน่ ๆ เลยต้องเตรียมใจนิดนึงว่าผมจะไม่รู้เรื่อง แล้วก็จริงอย่างที่คิด มันอย่างยาก ต้องทวนหลาย ๆ รอบถึงพอจะเข้าหัว ผมเลือกเรียนเฉพาะวิศวกรรมที่เกี่ยวกับไฟฟ้า เพราะมันใกล้ตัวนิดนึง ใกล้กับเรื่องคอมพิวเตอร์ ก็เลยลงเรียน อิเล็กทรอนิกส์ แมคคาทรอนิกส์ ระบบฝังตัว และ ไมโครคอนโทรลเลอร์ เรียนเสร็จก็ได้แต่ร้องโอ้โห เราคงทำชิ้นส่วนเล็ก ๆ ของมันไม่ได้ ทำได้อย่างมากก็คือเอาชิ้นส่วนเล็ก ๆ ที่มีบริษัทผลิตขายมาประกอบกัน แล้วถ้าเอาของจริงมาประกอบก็เปลืองตังค์ด้วย งั้นก็คงต้องลองประกอบมันในโปรแกรมจำลองก่อน แล้วถึงจะใจกล้า ๆ ไปเอาของจริงมาประกอบตามโปรแกรมจำลองให้มันเกิดชิ้นงานจับต้องใช้งานได้อีกทีนึง

ผมมีถาม ChatGPT นะ ว่ามีใครจำคุณสมบัติของชิ้นส่วนอิเล็กทรอนิกส์ของทุกรุ่น ทุกแบรนด์ และทุกเบอร์ ได้มั้ย มันตอบเลยว่าไม่มีทาง ใครจะไปจำได้ สิ่งที่ทำได้คือเราต้องกำหนดความอยากของเราก่อน แล้วค่อยไปค้นว่ามีชิ้นส่วนไหนเอามาประกอบแล้วตรงกับความอยากของเรา ความยากของอิเล็กทรอนิกส์ ระบบฝังตัว และ ไมโครคอนโทรลเลอร์ เลยไม่ใช่เรื่องของการผลิตชิ้นส่วนล่ะ แต่เป็นเรื่องของการค้นหาชิ้นส่วนที่มีเป็นแสน ๆ รุ่น/แบรนด์/เบอร์ ว่าอันไหนมันเอามาประกอบแล้ว ทำได้อย่างที่เราต้องการที่สุด ได้ประสิทธิภาพด้านพลังงาน พื้นที่ และ ความเร็ว มากเท่าที่ต้องการที่สุด ซึ่งเรื่องพวกนี้มันเป็นประสบการณ์ พอเห็นเป็นอย่างนี้แล้ว ผมก็เลยเรียนเพื่อให้คุยกับวิศวกรให้พอเข้าใจกันก็ได้ก็พอ ส่วนไอ้ที่ยาก ๆ ก็ปล่อยให้วิศวกรตัวจริงคิดทำต่อไปแล้วกัน

M = Mathematic = คณิตศาสตร์

ผมอ่อนแคลคูลัส อ่อนแบบว่าท่องสูตรได้ แต่พอเจอโจทย์จริงก็ทำไม่ค่อยได้ เลยไปเอาตัวรอดด้วย สถิติ ความน่าจะเป็น พีชคณิตเชิงเส้น และ เรขาคณิตวิเคราะห์แทน ซึ่งก็ทำให้พอรอดชีวิตมาได้มาจนถึงทุกวันนี้ แต่ก็นั่นแหล่ะ ของยากด้านวิทยาศาสตร์มักรองรับด้วยแคลคูลัส และบรรดาเปเปอร์งานวิจัยทางด้านวิทยาการคอมพิวเตอร์ยาก ๆ ก็ล้วนแต่สอดไส้คาราเมลด้วยแคลคูลัสทั้งนั้น ส่งผลให้ผมต้องตัดสินใจ ลังเล หันซ้ายหันขวา ตรึกตรอง ว่าจะรื้อฟื้นคณิตศาสตร์ด้านแคลคูลัสดีมั้ย และสุดท้ายผมก็ตัดสินใจว่า อือ เอาหน่อยแล้วกัน เพราะขนาดอินทิเกรตบายพาร์ต ยังท่องได้แต่สูตร แต่ทำจริงไม่ค่อยคล่องเลย จะรื้อฟื้นก็คงไม่สูญเปล่าซะทีเดียว ผมก็เลยเลือกที่จะเรียนแคลคูลัสสี่ตัว มีตัวหนึ่ง สอง สาม และ สมการอนุพันธ์

ผลคือผ่านมาปีนึงแล้ว เก็บได้แค่แคลคูลัสหนึ่งกับสอง ส่วนแคลคูลัสสามกับสมการอนุพันธ์ ยังดองเอาไว้ในไหอยู่เลย

แต่กลับไปทวนก็ดีอย่างนึงนะ เพราะตอนที่เคยเรียนพอไม่เข้าใจก็ข้ามไป ข้ามจนพื้นฐานอ่อน พอตอนนี้กลับไปเรียนใหม่ ที่เคยรู้สึกว่ามันยากก็เริ่มไม่ยากล่ะ เริ่มเข้าใจล่ะว่าทำไมมันเป็นงั้นเป็นงี้ แต่พอทำข้อสอบในหลักสูตร ก็ยังมีทำไม่ได้อยู่บ้าง โดยเฉพาะโจทย์ที่ยาก ๆ รู้สึกเลยว่าไม่รู้จะยากไปไหน แล้วก็ได้ร้องอ๋อเข้าใจเลยว่าทำไมเขาถึงต้องสอนวิชา ระเบียบวิธีเชิงตัวเลข เพื่อประมาณการผลลัพธ์ของสมการอันแสนซับซ้อน เพราะถ้าให้คำนวณตรง ๆ คงกินแรงน่าดู

STEM

ผมมีถาม ChatGPT เหมือนกันว่าตัว M ตัวสุดท้ายทำไมไม่ใช่ Medicine ที่เป็นการแพทย์ ซึ่งมันก็ตอบว่าการแพทย์อยู่ภายใต้ร่มของ S หรือก็คือวิทยาศาสตร์อยู่แล้ว จะให้เพิ่มเป็น STEMM เพื่อแถมการแพทย์ไว้สุดท้ายก็กระไรอยู่

หนึ่งปีที่ผ่านมา ถึงแม้ผมจะเรียนมาเยอะมาก แต่ก็พบว่าสิ่งที่ถูกจริตตัวเองจริง ๆ คือ วิชาการทำเกมด้วย Unity ซึ่งผมลงเรียนไปตั้ง 3 วิชาแน่ะ และผมก็คิดว่าที่มันถูกจริตตัวเองก็คงเป็นเพราะมันเป็นสิ่งที่จบได้ด้วยเครื่องมือตัวเดียว คือ คอมพิวเตอร์ และเมื่อทำออกมาแล้วมันเอาไปเผยแพร่ได้ง่าย เผยแพร่ได้ไกล และเดี๋ยวนี้มีแพลตฟอร์มให้เผยแพร่ ไม่เหมือนกับอิเล็กทรอนิกส์ แมคคาทรอนิกส์ ระบบฝังตัว หรือ ไมโครคอนโทรลเลอร์ ที่มันต้องมีส่วนประกอบอื่นนอกจากคอมพิวเตอร์ และเมื่อทำได้แล้วมันต้องใช้เวลาทำซ้ำ และทุกการทำซ้ำก็มีต้นทุน เพราะเป็นสิ่งจับต้องได้ ทำให้เผยแพร่ยาก เผยแพร่ไปได้ไม่ไกล

ผมคิดว่า STEM ที่แต่ล่ะคนสนใจคงไม่เหมือนกัน แต่ของผมก็คงประมาณนี้แหล่ะ

Computing Curricula 2005 คือความร่วมมือระหว่างองค์กร ACM, AIS และ IEEE ในปี ค.ศ. 2005 เพื่อร่วมกันจัดแบ่งสาขาวิชาทางคอมพิวเตอร์ออกเป็นสาขาใหญ่ ๆ แบ่งตามความแตกต่างหลาย ๆ อย่าง และสุดท้ายก็แบ่งออกมาได้เป็น 5 สาขาใหญ่ คือ CE (Computing Engineering), CS (Computer Science), IS (Information System), IT (Information Technology) และ SE (Software Engineering) จุดประสงค์เพื่อให้การจัดการเรียนการสอนในวิชาทางคอมพิวเตอร์ของวิทยาลัย หรือ มหาวิทยาลัยต่าง ๆ ง่ายขึ้น เทียบกันได้สอดคล้องกันในระดับนานาชาติ

ACM

แต่บอกเลยว่าไม่มีเวลา ได้แต่คิด!!!

และหลังจากผ่านเวลามาหลายเพลา ในที่สุดวันนี้ก็มีเวลาจนได้!

วิธีทำก็ไม่ยาก (แต่ใช้เวลานิดนึง) คือ ต้องใช้โปรแกรม Adobe Photoshop เข้าช่วย บวกกับทักษะในการแต่งภาพนิดหน่อย วัดให้ตรงอีกนิดนึง ก็ทำออกมาได้แล้ว

เริ่มแรก เอาสาขาวิชาทางคอมพิวเตอร์ มาจัดหมู่ 2 สาขาให้ดูกันก่อน

1. Computing Curricula แบบจัดหมู่ 2 สาขา

1.1 Computer Engineering vs Computer Science

1.2 Computer Engineering vs Information System

1.3 Computer Engineering vs Information Technology

1.4 Computer Engineering vs Software Engineering

1.5 Computer Science vs Information System

1.6 Computer Science vs Information Technology

1.7 Computer Science vs Software Engineering

1.8 Information System vs Information Technology

1.9 Information System vs Software Engineering

1.10 Information Technology vs Software Engineering

ทีนี้พอผมย้อมสีภาพและจัดหมู่ 2 สาขาไปแล้ว ผมก็เริ่มคิดว่า ผมน่าจะลองจัดหมู่ 3 สาขาบ้างดีกว่า ซึ่งก็เป็นดังชุดภาพข้างล่างนี้

2. Computing Curricula แบบจัดหมู่ 3 สาขา

2.1 Computer Engineering vs Computer Science vs Information System

2.2 Computer Engineering vs Computer Science vs Information Technology

2.3 Computer Engineering vs Computer Science vs Software Engineering

2.4 Computer Engineering vs Information System vs Information Technology

2.5 Computer Engineering vs Information System vs Software Engineering

2.6 Computer Engineering vs Information Technology vs Software Engineering

2.7 Computer Science vs Information System vs Information Technology

2.8 Computer Science vs Information System vs Software Engineering

2.9 Computer Science vs Information Technology vs Software Engineering

2.10 Information System vs Information Technology vs Software Engineering

โอเค เอาที่ย้อมสีและจัดหมู่ออกมาให้ดูเรียบร้อยล่ะ!!!

ทีนี้มาตรวจสอบวัตถุประสงค์ดีกว่า ว่าตกลงผมทำไปทำไม?

จริง ๆ แล้วผมทำเพื่อจะแสดงให้เห็นว่า ถึงแม้วิชาทางคอมพิวเตอร์มันจะไม่ได้กว้างอะไร และดูผิวเผินแล้วมันก็เหมือน ๆ กัน แต่เอาเข้าจริงแม้แต่องค์กรชั้นนำเขาก็เห็นว่ามันมีความไม่เหมือนกันในหลาย ๆ มิติ จนกระทั่งเขาตัดสินใจแบ่งสาขาออกมาได้เป็น 5 สาขา และในปีนี้เรื่อยไปจนปีต่อ ๆ ไปอาจจะเพิ่มไปอีก 6-7 สาขา เนื่องจากการเติบโตขึ้นของสาขาทางคอมพิวเตอร์ด้าน Cybersecurity และ Data Science!!!

คนที่จบมาจากแต่ล่ะสาขาทางคอมพิวเตอร์ก็จะเก่งไม่เหมือนกัน บางคนอาจจะขยายเข้าไปในขอบเขตของสาขาทางคอมพิวเตอร์อื่นได้ แต่ไม่ใช่ทั้งหมด มันเป็นไปได้ แต่เป็นไปได้ยาก ดังนั้น การจัดทีมทำงานจึงเป็นทางเลือกที่เหมาะสมทางหนึ่งจากหลาย ๆ ทาง ที่เราจะเติมเต็มทักษะที่ขาดหายไปของคนทำงานได้

นี่จึงเป็นวัตถุประสงค์ที่มีนัยยะสำคัญ การอธิบายด้วยคำพูด มันไม่เหมือนกับการแสดงออกมาเป็นรูปภาพ รูปภาพมันมีความหมายในตัวเอง ถ้าเราย้อนกลับไปดูในภาพข้างบน แล้วเรามีเรื่องที่จะต้องจัดทีมทำงานทางคอมพิวเตอร์ 2 คนบ้าง 3 คนบ้าง เพื่อจะทำให้งานหนึ่ง ๆ สำเร็จ เราก็จะรู้ทันทีว่าด้วยลักษณะงานนั้น ๆ เราควรจะเอาคนในสาขาทางคอมพิวเตอร์ใด มาจัดหมู่ร่วมทีมกัน

ถ้างานที่ต้องทำเป็นงานด้านทฤษฎี ก็ต้องจัดหมู่แบบนึง ถ้าเป็นงานด้านปฏิบัติ ก็ต้องจัดหมู่อีกแบบนึง

หรือถ้างานที่ต้องเข้าถึงแก่นของเครื่องจักร ก็ต้องจัดหมู่แบบนึง และถ้าเป็นงานเรียบเรียงประเด็นปัญหาของผู้ใช้งาน ก็อาจต้องจัดหมู่อีกแบบนึง เป็นต้น

ในขณะเดียวกัน การจัดหมู่ 2 สาขา หรือ จัดหมู่ 3 สาขา ก็อาจจะมีข้อดีข้อเสียแตกต่างกัน ขึ้นกับบริบท เพราะบางครั้งการจัดหมู่ 3 สาขาแล้วจัดผิด ก็อาจทำให้พังมากกว่าสำเร็จ ก็เป็นได้!!!

โดยสรุป ไม่มีอะไรมาก ผมแค่อยากจัดหมู่เล่น ๆ แล้วก็ใส่สีให้สวย ๆ ก็เท่านั้นแหล่ะ ส่วนย่อหน้าข้างบน ๆ เป็นแค่ข้ออ้างเท่านั้นเอง 555

1. กลุ่มรู้ทั่วไป คือ กลุ่มที่ตามข่าวของควอนตัมคอมพิวเตอร์ จึงรู้จักคิวบิตและสภาวะ Superposition ของมัน รู้จักความพัวพันเชิงควอนตัม รู้จักการประมวลผลขนานแบบควอนตัม และรู้จักควอนตัมคอมพิวเตอร์ยี่ห้อต่าง ๆ ที่ถูกผลิตโดยบริษัทชั้นนำของโลก

2.  กลุ่มรู้เยอะ คือ กลุ่มที่อ่านเปเปอร์ด้านควอนตัมคอมพิวเตอร์มาแล้วหลายฉบับ มีความรู้ในการคำนวณสภาวะ Superposition ของคิวบิต รู้วิธีการออกแบบควอนตัมเกต รู้อัลกอริทึมทางควอนตัมแบบต่าง ๆ รู้จักทฤษฎีความซับซ้อนในการคำนวณเชิงควอนตัม

3.  กลุ่มลงมือทำ คือ กลุ่มที่ทำวิจัยด้านควอนตัมคอมพิวเตอร์โดยตรง คนพวกนี้รู้ทุกอย่างที่คนกลุ่มที่ 1 และ 2 รู้ และพวกเขาก็ไม่หยุดที่จะลงมือทำ

พวกเราส่วนใหญ่คงเป็นคนกลุ่มที่ 1 และมีน้อยคนที่เป็นคนกลุ่มที่ 2 แต่ถ้าเกิดว่าเราอยากเป็นคนกลุ่มที่ 3 ล่ะ เราจะทำยังไง? หลายคนอาจจะมองว่าควอนตัมคอมพิวเตอร์เป็นเรื่องที่เกินเอื้อม เป็นเรื่องของบริษัทชั้นนำของโลก สถาบันการศึกษาชั้นนำของโลก หรือประเทศชั้นนำของโลก ซึ่งนั่นก็จริงแหล่ะ แต่ทุกอย่างมีช่องว่างของมัน ถึงช่องว่างมันจะเล็ก แต่มันก็กว้างพอให้คนตัวเล็ก ๆ อย่างพวกเราลอดผ่านไปได้

สมมติว่าผมชวนให้พวกเรามาเป็นคนกลุ่มที่ 3 กลุ่มคนที่คิดจะทำวิจัยด้านควอนตัมคอมพิวเตอร์ งั้นเราก็ต้องมาหาช่องว่างกัน ว่ามันมีช่องว่างเล็ก ๆ ตรงไหนบ้างที่พวกเราจะไปเติมเต็มได้ ซึ่งผมก็คงต้องชี้แจงก่อนว่า ตอนนี้งานวิจัยทางด้านควอนตัมคอมพิวเตอร์ มันมีขอบเขตแค่ไหน โดยขออ้างอิงจากบทความของ Rodney Van Meter และ Clare Horsman เรื่อง A Blueprint for Building a Quantum Computer ซึ่งตีพิมพ์ใน Communication of the ACM ฉบับที่ 56 ลำดับที่ 10 ประจำเดือนตุลาคม ค.ศ. 2013 นะครับ

จากภาพจะเห็นว่า การจะสร้างควอนตัมคอมพิวเตอร์ได้ซักเครื่องนึง มันมีปัญหาหลายระดับและแต่ล่ะระดับก็มีปัญหาหลายส่วน ดังนั้น แค่เพียงคิวบิตอย่างเดียวมันไม่พอจะทำให้เกิดเป็นควอนตัมคอมพิวเตอร์ได้ มันยังต้องทำโน่นทำนี่อีกเยอะแยะเพื่อให้เกิดเป็นจริงขึ้นมา

ส่วนตัวผมมองว่า ถ้าคนไทยเราจะทำวิจัยทางด้านควอนตัมคอมพิวเตอร์ เราคงมีโอกาสน้อยมากในการทำวิจัยในระดับของสถาปัตยกรรมควอนตัมคอมพิวเตอร์ และระดับของโครงสร้างพื้นฐานเพื่อรองรับสถาปัตยกรรมควอนตัมคอมพิวเตอร์ เพราะมันต้องจ่ายเยอะมากเพื่อลองผิดลองถูก ใกล้เคียงที่สุดที่เป็นไปได้ คือ คนไทยเราน่าจะหันไปวิจัยในระดับของทฤษฎีการคำนวณทางควอนตัม หรือ ระดับของการโปรแกรมเชิงควอนตัมแทน เพราะมันเป็นงานทางทฤษฎี ไม่ต้องมีของก็ยังพอจะทำได้บนพื้นฐานของคณิตศาสตร์และวิทยาการคอมพิวเตอร์

ปัจจุบัน ผมเริ่มเห็นมหาวิทยาลัยชั้นนำของเมืองไทย บรรจุวิชา Quantum Computing ในหลักสูตรปริญญาบัตรและบัณฑิตศึกษากันบ้างแล้ว และเริ่มเห็นว่าคนไทยเราก็เริ่มทำวิจัยในระดับของทฤษฎีการคำนวณทางควอนตัมแล้วเช่นกัน (ลองอ่านงานวิจัย การลดรูปของ Genetic Algorithm บนควอนตัมคอมพิวเตอร์ และ การเร่งวงจรบนควอนตัมคอมพิวเตอร์)

จริง ๆ ผมก็เข้าใจนะ ว่าการลงลึกในความรู้แบบนี้มันยาก และบางคนก็มองว่า มันอาจจะไม่ได้ช่วยให้เรามั่งคั่งได้ในเวลาอันใกล้ แต่ไม่แน่ว่าด้วยความชำนาญทางด้านควอนตัมคอมพิวเตอร์ อาจจะทำให้เรากลายเป็นคนที่มีค่าตัวแพงมาก ๆ ในอนาคตข้างหน้าก็ได้ ใครจะรู้?

ตอนนี้ผมเลยคิดว่าผมต้องมาปรับปรุงมันใหม่อีกครั้ง เพราะโลกมันเปลี่ยน มันมีวิทยาการใหม่ ๆ เกิดขึ้นมา หลักสูตรทางคอมพิวเตอร์มันก็เปลี่ยนตาม แถมคราวที่แล้วผมก็ไม่ได้อธิบายไว้อย่างชัดเจนมากนัก ว่าแต่ล่ะหลักสูตรเขามีจุดประสงค์ในการเปิดการเรียนการสอนเพื่ออะไรบ้าง ในหัวข้อนี้เลยจะมาเล่าให้อ่านกันสั้น ๆ

ผมสรุปแล้ว (สรุปเอง) ว่าเราสามารถจัดหลักสูตรคอมพิวเตอร์ในเมืองไทยได้ 10 หลักสูตรใน 4 วุฒิการศึกษาครับ ตามรายการด้านล่างนี้

วุฒิวิทยาศาสตร์

• วิทยาการคอมพิวเตอร์ (Computer Science) มุ่งเน้นการเรียนรู้ทฤษฎีการคำนวณสำหรับคอมพิวเตอร์ และ ทฤษฎีการประมวลผลสารสนเทศ
• วิศวกรรมซอฟต์แวร์ (Software Engineering) มุ่งเน้นการเรียนรู้ทฤษฎีการพัฒนาซอฟต์แวร์ และกระบวนการพัฒนาซอฟต์แวร์อย่างเป็นระบบ
• เทคโนโลยีสารสนเทศ (Information Technology) มุ่งเน้นการประยุกต์ทฤษฎีทางคอมพิวเตอร์ให้เกิดประโยชน์และใช้ได้จริง
• ระบบสารสนเทศเพื่อการจัดการ (Management Information System) มุ่งเน้นการเรียนรู้ทฤษฎีการค้นหา วิเคราะห์ สังเคราะห์ข้อมูลด้วยคอมพิวเตอร์ เพื่อสกัดสารสนเทศและตกผลึกสารสนเทศ สำหรับนำเสนอ ตัดสินใจ และบริหารจัดการ
• เทคโนโลยีมัลติมีเดียและแอนิเมชั่น (Multimedia Technology and Animation) มุ่งเน้นการเรียนรู้การใช้คอมพิวเตอร์เพื่อประมวลผลสัญญาณภาพดิจิทัล ผสานสื่อผสม สร้างเกมคอมพิวเตอร์ และประสานงานด้านนิเทศศาสตร์
• เทคโนโลยีคอมพิวเตอร์อุตสาหกรรม (Industrial Computer Technology) มุ่งเน้นการประยุกต์ใช้คอมพิวเตอร์ เพื่อตอบสนองต่องานช่างอุตสาหกรรม และพัฒนาระบบในงานอุตสาหกรรม

วุฒิวิศวกรรมศาสตร์

• วิศวกรรมคอมพิวเตอร์ (Computer Engineering) มุ่งเน้นการเรียนรู้กระบวนวิธีเพื่อสั่งการคอมพิวเตอร์ในระดับล่างเชิงลึก และการสั่งการฮาร์ดแวร์ที่ต่อเชื่อมกับคอมพิวเตอร์ การสั่งการระบบฝังตัวและระบบไมโครคอนโทรลเลอร์
• วิศวกรรมข้อมูลขนาดใหญ่ (Big Data Engineering) มุ่งเน้นการเรียนรู้ทฤษฎีการบริหารจัดการข้อมูลขนาดใหญ่ การเรียนรู้โดยเครื่องจักร และการสกัดความรู้จากข้อมูลขนาดใหญ่

วุฒิบริหารธุรกิจ

• คอมพิวเตอร์ธุรกิจ (Business Computer) มุ่งเน้นเรียนรู้การประยุกต์ใช้คอมพิวเตอร์ในด้านฐานข้อมูล สินค้าคงคลัง ค้าปลีก ค้าส่ง การเงิน บัญชี ทรัพยากรบุคคล เพื่อตอบสนองทางธุรกิจ

วุฒิครุศาสตร์อุตสาหกรรม

• เทคโนโลยีคอมพิวเตอร์ (Computer Technology) มุ่งเน้นเรียนรู้เทคโนโลยีทางคอมพิวเตอร์ และเรียนรู้ขั้นตอนวิธีการถ่ายทอดความรู้ เพื่อเป็นผู้ถ่ายทอดความรู้ทางคอมพิวเตอร์ให้ผู้อื่นอย่างเป็นระบบ

และทั้งหมดนี้ก็คือหลักสูตรคอมพิวเตอร์ในเมืองไทย ที่เปิดสอนในระดับปริญญาและบัณฑิตศึกษาตามมหาวิทยาลัยหรือสถาบันต่าง ๆ ที่ผมสรุปได้ครับ โดยวุฒิใหม่ล่าสุดที่มีการเปิดการเรียนการสอน และผมได้เพิ่มเข้าไปในหัวข้อนี้ คือ วุฒิวิศวกรรมศาสตร์ สาขาวิศวกรรมข้อมูลขนาดใหญ่นั่นเอง

ถ้าใครอยากรู้ว่าวิศวกรรมข้อมูลขนาดใหญ่ มันมีความสำคัญยังไงต่ออนาคต อยากให้ไปลองอ่านหัวข้อ Data Science คืออะไร และ Data Scientist คืออะไร ที่ผมเคยเขียนไว้ครับ เพื่อจะได้เข้าใจว่าปฐมบทแห่งวิศวกรรมข้อมูลขนาดใหญ่ มันมีต้นกำเนิดมาจากอะไร

งาน Data Science จึงเป็นการรวมสรรพวิชา สรรพเทคโนโลยี เพื่อการนำเอาความรู้จากข้อมูลออกมาใช้งานครับ

คำว่า Data Science หรือแปลเป็นไทยว่า วิทยาศาสตร์ข้อมูล หรือ วิทยาการข้อมูล จึงไม่ใช่เรื่องใหม่ มันเป็นเรื่องเก่าที่ถูกเอามาปัดฝุ่นใหม่ มันเป็นเหล้าเก่าในขวดใหม่ เพราะโดยบริบทแล้วคอมพิวเตอร์ก็เป็นที่เก็บข้อมูล และก็มีอัลกอริทึม สมการ ขั้นตอนวิธีตั้งหลายอย่าง ที่ถูกคิดค้นขึ้นในสาขา Computer Science หรือ Information Technology เพื่อบริหารจัดการข้อมูล สกัดสารสนเทศจากข้อมูล และสกัดความรู้จากข้อมูลอยู่แล้ว

แต่เนื่องจากสรรพวิชา สรรพเทคโนโลยีทั้งหลายทั้งปวงเหล่านั้น มันอยู่กระจัดกระจายเป็นสมาชิกกันอยู่ในโดเมนต่าง ๆ ก็เลยคิดกันว่าน่าจะจับเอามารวมอยู่ด้วยกัน แล้วเรียกเป็นชื่อเก๋ ๆ ว่า Data Science ดีกว่า ซึ่งสิ่งเหล่านั้นก็ประกอบไปด้วยรายการทางด้านเทคโนโลยีดังนี้ครับ

1. Cloud Computing

ข้อมูลต้องมีพื้นที่บนโครงสร้างพื้นฐานเพื่อจัดเก็บครับ มันต้องเป็นพื้นที่ ๆ มีความจุมาก ๆ เข้าถึงได้อย่างสะดวก และการติดต่อใช้งานไม่ยุ่งยากซับซ้อน ซึ่ง Cloud Computing เป็นปัจจัยสำคัญในเรื่องนี้ และบริการบนอินเทอร์เน็ตทุกวันนี้ ก็ขี่ควบอยู่บน Cloud Computing กันทั้งนั้น ซึ่งบริการแบบนี้มีอยู่หลายเจ้าที่ให้บริการ ทั้งแบบเอามาติดตั้งใช้แบบส่วนตัว หรือไปเช่าใช้บนพื้นที่ส่วนรวม อันนี้สุดแล้วแต่

2.  Big Data

ข้อมูลขนาดใหญ่โตมโหฬารที่ถูกจัดเก็บไว้ นอกจากจะต้องอยู่บนโครงสร้างพื้นฐานอย่าง Cloud Computing แล้ว ตัวมันก็ควรจะถูกจัดเก็บ บริหารจัดการ และสืบค้นได้อย่างง่ายดาย อีกทั้งต้องมีโครงสร้างที่เรียบง่าย ซึ่งทำให้การเชื่อมสัมพันธ์ข้อมูลไม่มีความซับซ้อนอีกด้วย ซึ่ง Big Data ก็เป็นคำกว้าง ๆ ที่หมายถึงอะไรเหล่านี้ มันจะเป็น Platform ก็ได้ จะเป็นกลไกกลวิธีก็ได้ หรือจะเป็นโครงสร้างข้อมูลก็ได้ ขอให้มันตอบโจทย์เรื่องการจัดเก็บข้อมูลขนาดใหญ่ได้ก็เพียงพอในขั้นต้นแล้ว

3.  Machine Learning

เราตัดสินข้อมูลเองไม่ได้ทั้งหมดครับ มันเยอะ ตัดสินเองแล้วตาลาย ดังนั้น เราก็ต้องสอนให้คอมพิวเตอร์ตัดสินข้อมูลแทนเราในระดับหนึ่งนั่นแหล่ะ แล้วที่เหลือเราก็มาตัดสินเองอีกทีนึง ซึ่งไอ้การตัดสินใจโดยคอมพิวเตอร์นี่ก็คือ Machine Learning เนี่ยแหล่ะครับ ซึ่งอัลกอริทึมที่เกี่ยวข้องกับมันมีเยอะ เล่ายาวครับ ไม่เล่าแล้วกันนะ

4.  Data Mining

บางทีเราไม่ได้อยากให้คอมพิวเตอร์ตัดสินใจให้เราครับ แต่เราอยากให้มันค้นหาความรู้ออกมาให้ ความรู้สำคัญที่ซ่อนอยู่ โดยความรู้ดังกล่าวอาจจะอยู่ในรูปของความสัมพันธ์ของข้อมูล ซึ่งเราดูด้วยตาเปล่าไม่รู้ นับเองด้วยนิ้วมือที่เรามีก็ไม่พอเพราะมันเยอะ เอากระดาษมานั่งจดก็ไม่ไหวตาลาย ดังนั้น ถ้าเรามองว่าข้อมูลมันอยู่ในเหมือง เราก็ต้องขุดมันออกมาครับ โดยใช้อัลกอริทึมที่มีประสิทธิภาพ ซึ่งมันก็มีหลายวิธีครับ แต่ล่ะวิธีก็แตกต่างกันไป ยากบ้างง่ายบ้าง แต่เดี๋ยวนี้มีเครื่องมือช่วยเยอะครับ มีคนสร้างเอาไว้ให้เยอะ

5.  Statistics

ก็สถิตินี่แหล่ะครับ จำเป็นพอควร บางทีเราก็ต้องตั้งสมมติฐานจากข้อมูลที่ได้มา ว่าเราจะยอมรับสมมติฐาน หรือปฏิเสธสมมติฐาน มันต้องมีเรื่องของความน่าจะเป็นเข้ามาเกี่ยวข้อง เพราะมันไม่มีอะไรเป๊ะ ๆ มันต้องกะ ๆ เอาว่าจะใช่หรือไม่ใช่ จะจริงหรือไม่จริง แล้วก็เอาตัวชี้วัดหลาย ๆ ตัวมาวัดมัน แล้วก็เชื่อมัน

6.  Internet of Things (IoT)

การที่หน่วยประมวลผลและหน่วยควบคุมมีขนาดเล็กลงเรื่อย ๆ มีระบบปฏิบัติการในตัวเอง สามารถสื่อสารผ่านเครือข่ายไร้สายได้ด้วยตัวเอง และมีหมายเลขไอพีในตัวเอง มันทำให้การที่เราจะเอาหน่วยประมวลผลหรือหน่วยควบคุมเหล่านั้น ฝังเอาไว้บนอุปกรณ์ทุกสิ่งอย่างซึ่งอยู่รอบ ๆ ตัวเรา มีความเป็นไปได้มากขึ้น ไม่ว่าจะฝังเอาไว้ในเครื่องปรับอากาศ ตู้เย็น โทรทัศน์ วิทยุ พัดลม เตาอบไมโครเวฟ กล้องวงจรปิด ตู้เสื้อผ้า หม้อหุงข้าว ซึ่งอุปกรณ์เหล่านี้ก็ล้วนมีกิจกรรมที่ก่อให้เกิดข้อมูลมากมายออกมาได้ และมีขั้นตอนการทำงานหลายอย่างที่สามารถควบคุมจากระยะไกลได้

ลองคิดเล่น ๆ ดูว่าเดิมเราสร้างข้อมูลมหาศาลขึ้นมา เพื่อนำเข้าสูระบบคอมพิวเตอร์สำหรับประมวลผล โดยใช้แป้นพิมพ์ เมาส์ ไมโครโฟน กล้องถ่ายรูป กล้องถ่ายวีดีโอ แต่ด้วย Internet of Things นั่นหมายความว่าข้อมูลนำเข้าจะถูกสร้างขึ้นมาอย่างมากมายมหาศาลเป็นเท่าตัวผ่านอุปกรณ์ต่าง ๆ ที่ถูกฝังหน่วยประมวลผลหรือหน่วยควบคุมเอาไว้

สรุปง่าย ๆ ก็คือ Data Science คือการรวมวิชาและเทคโนโลยีทางด้าน Cloud Computing, Big Data, Machine Learning, Data Mining, Statistics และ Internet of Things เข้าไว้ด้วยกัน จุดประสงค์เพื่อบริหารจัดการข้อมูลขนาดใหญ่ และสกัดความรู้จากข้อมูลขนาดใหญ่ ซึ่งมีลำดับขั้นตอนประกอบด้วย

• การนำเข้าข้อมูลจาก Input หลาย ๆ อย่างรวมทั้งจากอุปกรณ์ตามนิยามของ Internet of Things
• ข้อมูลถูกจัดเก็บเอาไว้บน Cloud Computing ซึ่งบริหารจัดการตามนิยามของ Big Data
• ข้อมูลจะถูกนำมาตัดสินใจด้วย Machine Learning ถูกนำมาค้นหาความรู้ด้วย Data Mining และถูกนำมาชี้วัดสมมติฐานด้วย Statistics

ส่วน Data Scientist ก็คือบุคลากรที่มีความรู้ในวิชาและเทคโนโลยีในย่อหน้าข้างบน เพื่อประกอบวิชาชีพตามจุดประสงค์ในย่อหน้าข้างบนนั่นแหล่ะครับ โดยบุคลากรเหล่านี้ก็ต้องรู้จักใช้เครื่องมือ เช่น

• รู้จักใช้ Amazon Web Services เพื่อบริหารจัดการ Public Cloud Computing หรือรู้จักการติดตั้งปรับแต่ง Hadoop เพื่อบริหารจัดการ Distributed Computing ให้อยู่ในรูปของ Private Cloud Computing
• รู้จักนิยาม NoSQL เพื่อจัดหาฐานข้อมูลสำหรับบริหารจัดการ Big Data
• รู้จักใช้ Matlab หรือ ภาษา R หรือ Weka หรือ RapidMiner เพื่อทำ Machine Learning หรือ Data Mining
• รู้จักใช้ SPSS เพื่อวิเคราะห์ Statistics เป็นต้น
• รู้จักการปรับแต่งและสั่งงานหน่วยประมวลผล เช่น Raspberry Pi หรือหน่วยควบคุม เช่น Arduino เป็นต้น

จะเห็นว่างานของ Data Scientist จะเป็นอะไรที่หยินหยางมาก เพราะแตะทั้งของที่จับต้องได้และของที่จับต้องไม่ได้ แต่ก็นั่นแหล่ะครับท่านผู้ชม เพราะมันข้ามสายกันแบบนี้นั่นแหล่ะครับ มันเลยเป็นอาชีพที่เป็นที่นิยมในขณะนี้นั่นเอง

ACM ย่อมาจาก Association for Computing Machinery แปลเป็นภาษาไทยแบบทื่อ ๆ ว่า สมาคมสำหรับการคำนวณเครื่องจักร แต่ถ้าอธิบายเป็นความหมายก็หมายถึง สมาคมของผู้ที่มีความสนใจในการคำนวณโดยใช้เครื่องจักร ซึ่งสำหรับในปัจจุบันก็หมายถึงการคำนวณโดยใช้คอมพิวเตอร์นั่นเอง

ผมเคยถามอาจารย์ที่ปรึกษางานวิจัยของผม รวมทั้งเคยถามอาจารย์หัวหน้าหลักสูตรที่ร่างหลักสูตรให้ผมเรียนว่า ระหว่างงานวิจัยทางคอมพิวเตอร์ที่ตีพิมพ์ใน ACM กับ IEEE อันไหนมีภาษีมากกว่ากัน?

IEEE ย่อมาจาก Institue of Electrical and Electronics Engineers แปลว่า สถาบันวิศวกรไฟฟ้าและอิเลกทรอนิกส์ แต่ถ้าอธิบายเป็นความหมายก็หมายถึง สมาคมของเหล่าบรรดาวิศวกรไฟฟ้าและอิเลกทรอนิกส์ (จริง ๆ ไม่ต้องอธิบายเลยนะ เพราะคำแปลมันตรงตัว)

อาจารย์ทั้งสองบอกผมตรงกันว่า งานวิจัยถ้าเป็นทางคอมพิวเตอร์ อันที่ตีพิมพ์ใน ACM จะมีภาษีมากกว่า IEEE สาเหตุเป็นเพราะ ACM เน้นเรื่องการคำนวณโดยเครื่องจักร หรือก็คือการคำนวณโดยคอมพิวเตอร์ ซึ่งถือว่าเป็นเครื่องจักรคำนวณโดยใช้สัญญาณไฟฟ้าแบบหนึ่ง ในขณะที่ IEEE มีขอบเขตกว้างกว่านั้น เพราะครอบคลุมในทุกสิ่งที่เกี่ยวกับไฟฟ้า ดังนั้น ไม่ว่าจะเป็นการใช้กำลังไฟฟ้า หรือ การใช้สัญญาณไฟฟ้า เช่น อิเลกทรอนิกส์ โทรคมนาคม หรือแม้แต่คอมพิวเตอร์ ก็ล้วนถูกครอบคลุมด้วยทั้งสิ้น ดังนั้น อะไรที่มันกว้างกว่าก็ย่อมเจือจางกว่าเป็นธรรมดา

ถึงแม้ว่างานวิจัยทางคอมพิวเตอร์คุณภาพดีจะถูกตีพิมพ์อยู่ใน ACM และ IEEE เป็นจำนวนมากก็ตาม แต่เหนือฟ้าก็ยังมีฟ้า เพราะงานวิจัยที่ใหม่สุดยอด หรืองานวิจัยที่มีผลปฏิวัติวงการ จะถูกจัดให้ตีพิมพ์อยู่ในฐานันดรที่เหนือกว่านั้น เป็นฐานันดรที่อยู่บนสุดของยอดพีระมิด นักวิจัยคนไหนก็ตามที่ได้ตีพิมพ์ในฐานันดรนี้ จะมีเกียรติยศอย่างมากมาย เหมือนกับการตีบอสใหญ่เพื่อชนะเกมได้เลยทีเดียว

เหนือ ACM ยังมี SIGs ACM และเหนือ IEEE ยังมี IEEE Transaction!!!

SIGs ย่อมาจาก Special Interest Groups เป็นกลุ่มที่มีความสนใจในการคำนวณโดยใช้คอมพิวเตอร์ในเรื่องใดเรื่องหนึ่งโดยเฉพาะ ปัจจุบันแบ่งได้เป็น 37 กลุ่ม อยากรู้รายละเอียดจิ้มตรงนี้

โดยส่วนตัวผมไม่สนใจ IEEE Transaction ขอลำเอียงข้ามเลย ขอคุยแต่ของ SIGs ACM ก็แล้วกัน ซึ่งในนั้นผมจะสนใจงานวิจัยที่ตีพิมพ์อยู่ใน 3 กลุ่มประกอบด้วย

• SIGAI เป็นกลุ่มที่เน้นทางด้านปัญญาประดิษฐ์ โดยเน้นเกี่ยวกับการทำให้เครื่องจักรเป็นตัวแทนของมนุษย์ และเป็นตัวแทนที่ทำงานได้หลาย ๆ อย่างพร้อม ๆ กันหรือที่เรียกว่า Multi Agent
• SIGKDD เป็นกลุ่มที่เน้นเกี่ยวกับการทำนายผลเฉลยโดยใช้ข้อมูลที่เคยถูกสอนเอาไว้ก่อน ที่เรียกเป็นศัพท์ทางเทคนิคว่า Machine Learning และกลุ่มนี้ก็ยังเน้นเกี่ยวกับการค้นหาความรู้จากข้อมูลขนาดใหญ่ที่ไม่เคยรู้จักมาก่อน ที่เรียกเป็นศัพท์ทางเทคนิคว่า Data Mining
• SIGEVO เป็นกลุ่มที่เน้นการเลียนแบบธรรมชาติ เลียนแบบสัตว์ เลียนแบบแมลง เลียนแบบพืช เพื่อการเพิ่มประสิทธิภาพในการคำนวณ โดยจุดมุ่งหมายคือการเอาชนะปัญหา Non-Deterministic Polynomial Time ด้วยการ Optimization เพื่อหาคำตอบที่เป็น Local Optimum ที่มีความใกล้เคียงกับ Global Optimum มากที่สุด และด้วยการเลียนแบบดังกล่าวนี้เอง ทำให้ดูเหมือนว่าคอมพิวเตอร์มันจะมีความคิดที่คาดเดาไม่ได้ และดูมีชีิวิตจิตใจขึ้นมา

งานวิจัยที่ถูกตีพิมพ์ใน ACM หรือ IEEE ล้วนเป็นงานวิจัยในระดับที่ 1 คือการวิจัยทฤษฎี และระดับที่ 2 คือการวิจัยเพื่อนำทฤษฎีไปประยุกต์ใช้ให้เกิดประโยชน์ (ผมเคยเขียนอธิบายระดับเอาไว้ สนใจอ่านเพิ่มเติมกดตรงนี้) ดังนั้น มันจึงเป็นงานเขียนที่อ่านยาก ถ้าไปเทียบกับการอ่านหนังสือสอนเขียนโปรแกรมคอมพิวเตอร์ หรืออ่านคู่มือการใช้งานโปรแกรมคอมพิวเตอร์ อันนั้นก็คนล่ะเรื่องกันเลยครับ

หลักสูตรที่ผมเรียนเป็นหลักสูตรที่อนุมัติเมื่อปี พ.ศ. 2553 ครับ ดังนั้น จึงยังเป็นหลักสูตรที่ทันโลกอยู่ ซึ่งการปรับปรุงหลักสูตรของมหาวิทยาลัย ก็มักจะถูกกระทำทุก ๆ 5 ปี เพื่อให้หลักสูตรมีความทันสมัยอยู่เสมอ ดังนั้น ก่อนที่ผมจะจบการศึกษา ทางสภามหาวิทยาลัยก็ได้มีการประกาศหลักสูตรใหม่ของปี พ.ศ. 2557 ออกมาเป็นที่เรียบร้อยแล้ว

หลายคนอาจจะมีความสับสนเล็ก ๆ ว่า หลักสูตรวิทยาการคอมพิวเตอร์นั้น ต่างกับหลักสูตรเทคโนโลยีสารสนเทศ หรือต่างกับหลักสูตรการจัดการระบบสารสนเทศยังไง ซึ่งสำหรับรีวิวนี้คงไม่อธิบายเปรียบเทียบให้เห็นทีล่ะตัว แต่จะเน้นอธิบายอย่างชัดเจนในหลักสูตรวิทยาการคอมพิวเตอร์ ว่าเป็นหลักสูตรที่มุ่งหวังเพื่อผลิตบุคลากรที่มีความรู้ความสามารถในทฤษฎีการคำนวณสำหรับคอมพิวเตอร์และทฤษฎีการประมวลผลสารสนเทศ ดังนั้น ผู้ที่จบในหลักสูตรนี้ จึงมีความเข้าอกเข้าใจอย่างยิ่ง ในการใช้คณิตศาสตร์เพื่อช่วยแก้ปัญหาทางคอมพิวเตอร์!!!

สำหรับรายวิชาที่ผมเรียนในหลักสูตรวิทยาการคอมพิวเตอร์ มีทั้งหมด 10 วิชาประกอบด้วย

1.  Design & Analysis of Algorithm

วิชานี้ไม่ได้สอนให้ผมนั่งท่องโครงสร้างข้อมูล ท่องวิธีการจัดเรียง หรือท่องวิธีการค้นหาข้อมูล แต่เป็นวิชาที่สอนให้ผมรู้จักคำนวณประสิทธิภาพในการจัดเรียง ประสิทธิภาพในการค้นหา และประสิทธิภาพในการทำงานของอัลกอริทึมต่าง ๆ มันทำให้ผมเกิดความเข้าใจอย่างถ่องแท้ว่า ถึงแม้ว่าคอมพิวเตอร์มันจะทำงานแบบอนุกรมได้อย่างรวดเร็ว แต่หากต้องเผชิญกับปัญหาที่ต้องวนรอบการทำงานหลายชั้น มันก็มีสิทธิ์ตายห่าได้เหมือนกัน

นอกจากนี้ วิชานี้ยังสอนให้ผมรู้จักคัดเลือกเทคนิค อัลกอริทึม และขั้นตอนวิธีต่าง ๆ เพื่อให้เหมาะสมกับปัญหาที่จะต้องแก้ไข โดยมีจุดประสงค์สูงสุดคือทำให้เกิดประสิทธิภาพมากที่สุดในการทำงานของคอมพิวเตอร์

2.  Computer Architecture

หลายคนอาจจะเข้าใจว่าวิชา Computer Architecture หรือเรียกเป็นภาษาไทยว่าวิชาสถาปัตยกรรมคอมพิวเตอร์ คือ วิชาที่สอนให้เราท่อง ๆ ๆ ๆ อะไรหลาย ๆ อย่างเกี่ยวกับคอมพิวเตอร์ ซึ่งผมขอบอกว่าไม่จริงครับ เพราะจริง ๆ แล้ววิชานี้สอนให้ผมรู้วิธีการคำนวณทางคณิตศาสตร์ในระดับบิตของข้อมูล สอนให้ผมได้รู้วิธีการคำนวณทางคณิตศาสตร์ในสถาปัตยกรรมคอมพิวเตอร์หลาย ๆ รูปแบบ และทำให้ผมเข้าใจว่าในโลกนี้มันมีสถาปัตยกรรมคอมพิวเตอร์มากมายหลายแบบเหลือเกิน

3.  Principle of Programming

คนที่จะเรียนหลักสูตรวิทยาการคอมพิวเตอร์ได้ มีความจำเป็นอย่างที่สุดที่จะต้องเขียนโปรแกรมคอมพิวเตอร์เป็นครับ แต่ว่าวิชานี้ไม่ได้สอนให้ผมเสาะแสวงหาภาษาคอมพิวเตอร์ใหม่ ๆ มาทดลองเขียนโปรแกรมคอมพิวเตอร์ เพื่อให้ผมเป็นผู้สันทัดกรณีและมีทักษะสูงส่งในการเขียนโปรแกรมคอมพิวเตอร์ที่หลากหลายแต่ประการใด หากแต่วิชานี้กลับสอนให้ผมเข้าใจหัวใจและจิตวิญาณของการเขียนโปรแกรมคอมพิวเตอร์ และสอนให้ผมสามารถบรรยายพรรณาเหตุผลในทางไวยากรณ์และวากยสัมพันธ์ของภาษาคอมพิวเตอร์ได้

ซึ่งจุดมุ่งหมายสูงสุดของวิชานี้คือการปูพื้นฐานที่แน่นหนา เพื่อต่อยอดไปยังวิชา Compiler ซึ่งเป็นวิชาที่ศึกษาวิธีการแปลภาษาคอมพิวเตอร์ที่มนุษย์อ่านเข้าใจได้ ไปเป็นภาษาคอมพิวเตอร์ที่คอมพิวเตอร์อ่านเข้าใจได้นั่นเอง

4.  Semantic Web & Ontology

ข้อมูลที่ถูกบรรยายด้วยข้อมูล อ่านแล้วไม่งงใช่มั้ย? ตอนแรกผมเองก็งงนั่นแหล่ะ และวิชานี้ก็ช่วยให้ผมหายงง เพราะวิชานี้ได้สอนให้ผมเกิดความเข้าใจว่า ข้อมูลนั้นมันสามารถถูกบรรยายด้วยข้อมูลได้ โดยวิธีการอธิบายจะต้องมีการตกลงกัน เช่น ตกลงกันในระดับหน่วยงาน ระดับชุมชน หรือ ระดับโลก จุดประสงค์ของการบรรยายและการตกลงกัน ก็เพื่อให้เกิดการแลกเปลี่ยนข้อมูลกันได้อย่างมีมาตรฐาน และทำให้คอมพิวเตอร์มันเข้าใจสิ่งที่บรรยายได้

และนอกจากจะสอนให้ผมสามารถออกแบบโมเดลการบรรยายข้อมูลได้แล้ว วิชานี้ยังสอนให้ผมออกแบบโมเดลความสัมพันธ์ให้กับข้อมูลได้ด้วย โดยมีจุดประสงค์เพื่อผลการอนุมานข้อมูลในอนาคต ยกตัวอย่างเช่น เรากำหนดว่า กรุงเทพมหานคร คือ เมืองหลวงของประเทศไทย และ บางกอก ก็คือ เมืองหลวงของประเทศไทย ดังนั้น คอมพิวเตอร์ก็จะอนุมานตามสิ่งที่บรรยายไว้ว่า ที่แท้แล้ว กรุงเทพมหานคร กับ บางกอก น่าจะเป็นสิ่งเดียวกันนั่นเอง!!!

โดยส่วนตัวแล้วผมจัดวิชานี้อยู่ในกลุ่มวิชาปัญญาประดิษฐ์ครับ และยังมีอีก 4 วิชาที่ยังอยู่ในกลุ่มนี้เช่นกัน ซึ่งผมจะได้เล่าต่อไป

5.  Machine Learning

ผมได้เรียนเกี่ยวกับ Neural Network รูปแบบต่าง ๆ ทั้งแบบ Supervised Learning และ Unsupervised Learning จากวิชานี้ครับ โดยสิ่งที่ผมเรียนไม่ใช่การออกแบบ Neural Network เพราะมันธรรมดาไป แต่เป็นการเรียนวิธีการคำนวณของ Neural Network ครับ และยังเรียนวิธีการเพิ่มประสิทธิภาพในการคำนวณของ Neural Network ด้วย

นอกจากนี้ ผมยังได้เรียนเกี่ยวกับ  Fuzzy Logic และ Centroid-based clustering แบบ Fuzzy C Means ซึ่งไม่ใช่การเรียนออกแบบหรือใช้งานเช่นเคยครับ แต่เป็นการเรียนวิธีการคำนวณล้วน ๆ โดยเฉพาะไอ้เจ้า Fuzzy C Means นี่ถ้าใช้วิธีคำนวณด้วยมือจะต้องทำหลายรอบมากจนปวดหัวไปหมดเลย

สำหรับวิชานี้นะครับ ก็จัดได้ว่าอยู่ในกลุ่มวิชาปัญญาประดิษฐ์เช่นกัน

6.  Data Mining

วิชานี้ผมคิดว่าเป็นวิชาที่เหมาะกับยุคสมัยนี้มาก เพราะยุคสมัยนี้เป็นยุคที่ข้อมูลเยอะเท่าภูเขาเลากา ดังนั้น มันจะเป็นการดีกว่าถ้าเราสามารถสกัด “ความรู้” จาก “ข้อมูลมหาศาล” ได้

วิชานี้ใช้การคำนวณทั้งด้านพีชคณิต เมตริกซ์กับเวกเตอร์ และสถิติ หลายอย่างมาก!!!

ผมได้เรียนการคำนวณเพื่อเกลี่ยข้อมูลให้ค่ามีความใกล้เคียงกัน ได้เรียนการคำนวณ Entropy, Information Gain, Chi Square เพื่อการเลือกคุณลักษณะเด่นของข้อมูล ได้เรียนการคำนวณ Principle Component Analysis เพื่อการลดมิติของข้อมูลและสกัดคุณลักษณะเด่นของข้อมูล

ได้เรียนการคำนวณ Superivised Learning ของ Naive Bayes, Decision Tree และ Support Vector Machine และได้เรียนการคำนวณ Unsupervised Learning ของ Density-based Clustering

นอกจากนี้ผมยังได้เรียนกลไกการทำงานและวิธีการคำนวณของวิธี Association Rule Learning ด้วยเทคนิค Apriori และ FP-Growth อีกด้วย (วิชานี้มีประโยชน์มากในทางธุรกิจนะเออ)

สุดท้าย วิชานี้ยังได้สอนให้ผมรู้ว่า ทุกสิ่งที่หาคำตอบมาได้มันต้องมีการประเมินผล ดังนั้น ผมจึงได้เรียนการคำนวณเพื่อประเมินผลคำตอบด้วยตัวชี้วัดแบบต่าง ๆ ซึ่งก็มีทั้ง Precision, Recall, True Positive Rate และ False Positive Rate

สำหรับวิชานี้นะครับ ก็จัดได้ว่าอยู่ในกลุ่มวิชาปัญญาประดิษฐ์เช่นกัน

7.  Bioinformatics

วิชานี้เป็นวิชาที่ใหม่มากครับ และหากใครทำวิจัยในแวดวงของวิชานี้ จะได้รับคะแนนในการวิจัยสูงมาก เนื่องจากเป็นงานวิจัยที่มีผลกระทบในวงกว้าง!!!

การเรียนวิชานี้จำเป็นที่จะต้องมีพื้นฐานความรู้ทางชีววิทยาพอสมควร เพราะวิชานี้เป็นวิชาที่รวมเอา ชีววิทยา คณิตศาสตร์ และ คอมพิวเตอร์เข้าไว้ด้วยกัน โดยจะเน้นลงไปถึงระดับของ เซล โครโมโซม ดีเอ็นเอ อาร์เอ็นเอ จีโนไทป์ ฟีโนไทป์ และ โปรตีน ครับ

ผมได้เรียนอัลกอริทึมในการจับคู่ดีเอนเอแบบต่าง ๆ จากวิชานี้ โดยอัลกอริทึมที่เรียนจะมีพื้นฐานจากอัลกอริทึม Longest Common Subsequence ได้เรียนวิธีการอนุมานดีเอนเอ โดยใช้วิธีการคำนวณ Hidden Markov Model ได้เรียนการค้นหาคำตอบแบบ Optimization ด้วย Genetic Algorithm ได้เรียนการจัดกลุ่มของจีโนไทป์และฟีโนไทป์ และได้เรียนการคำนวณเพื่อทำ Hierarchical-based Clustering ครับ

สำหรับวิชานี้นะครับ ก็จัดได้ว่าอยู่ในกลุ่มวิชาปัญญาประดิษฐ์เช่นกัน เพราะจุดมุ่งหมายของวิชานี้คือการทำให้คอมพิวเตอร์สามารถเรียนรู้และระบุความแตกต่างของดีเอ็นเอ เพื่อนำไปสู่การรักษาโรคได้นั่นเอง

8.  Image Processing

ต้องบอกเลยว่าวิชานี้เป็นวิชาที่ผมต้องเรียนคำนวณมากที่สุดเลยก็ว่าได้ เพราะการขยายภาพ ย่อภาพ บิดภาพ เติมภาพ กร่อนภาพ เน้นภาพ เปลี่ยนความสว่างความมืด หาเส้นขอบของวัตถุในภาพ กำจัดสิ่งรบกวนในภาพ เติมภาพที่หายไป ฯลฯ ทั้งหลายทั้งปวง ล้วนใช้คณิตศาสตร์ด้วยกันทั้งนั้น และเป็นคณิตศาสตร์แบบยากซะด้วย ดังนั้น สำหรับคนที่อยากจะรู้ว่าโปรแกรม Photoshop มันทำงานยังไง ก็จะได้รู้กันเลยล่ะครับจากวิชานี้

วิชานี้มันถูกจัดอยู่ในกลุ่มปัญญาประดิษฐ์ก็เพราะว่า วิธีการคำนวณและอัลกอริทึมที่คิดค้นขึ้น มันเป็นตัวผลักดันให้คอมพิวเตอร์รู้จักที่จะตัดสินใจว่ามันควรจะจัดการกับภาพยังไงถึงจะเหมาะสมที่สุดครับ และที่สำคัญวิธีการคำนวณและอัลกอริทึม ต้องสามารถนำไปใช้ได้กับทุกภาพครับ ถึงจะถือว่าเลิศที่สุด จะมาบอกว่าใช้ได้กับภาพหน้าคนแต่ใช้กับภาพสิ่งของสถานที่ไม่ได้ แบบนี้ไม่ได้ครับ

9.  Computer Security

ความมั่นคงทางคอมพิวเตอร์เป็นเรื่องที่กว้างมากครับ กินอาณาบริเวณครอบคลุมทั้งฮาร์ดแวร์ มิดเดิ้ลแวร์ ซอฟต์แวร์ ข้อมูล ฐานข้อมูล ผู้ใช้งาน และ เครือข่าย เป็นเรื่องของความละเอียดอ่อน ช่องโหว่ ภัยคุกคาม

ด้วยวิชานี้จึงทำให้ผมได้เกิดความเข้าใจและแยกแยะได้ว่า ช่องโหว่ของคอมพิวเตอร์มันมีอยู่ที่ตรงไหนบ้าง ภัยคุกคามของคอมพิวเตอร์มันเป็นอะไรได้บ้าง แล้วเราจะอุดช่องโหว่ได้อย่างไร จะตรวจพบช่องโหว่ได้ด้วยวิธีใด และจะรับมือกับภัยคุกคามอย่างมีประสิทธิภาพได้ยังไง

เพราะเหตุนี้ วิชานี้จึงไม่ใช่วิชาท่องจำ มันเป็นวิชาสืบสวนสอบสวน ดังนั้น การจะเรียนวิชานี้ได้จึงมีความจำเป็นจะต้องเข้าอกเข้าใจใน ฮาร์ดแวร์ มิดเดิ้ลแวร์ ซอฟต์แวร์ ข้อมูล ฐานข้อมูล ผู้ใช้งาน และ เครือข่าย ในระดับหนึ่งเลยทีเดียว และสำหรับผมแล้ว วิชานี้ถึงแม้ว่าจะไม่มีการคำนวณเข้ามาเกี่ยวข้อง แต่มันก็ยังคงต้องมีการวิเคราะห์เข้ามาเกี่ยวข้องอยู่ดี

10.  Research Method

วิชานี้ถือว่าเป็นวิชาตกผลึก เพราะวิชานี้สอนให้ผมเข้าใจขั้นตอนการทำงานวิจัยอย่างถูกต้อง วิชานี้ได้สอนให้ผมรู้ว่าจุดสำคัญของงานวิจัยคืออะไร การทบทวนวรรณกรรมสำคัญไฉน (ป.ล. วรรณกรรมที่ว่าก็คืองานวิจัยนั่นแหล่ะ) จะไปหาวรรณกรรมจากที่ไหนมาทบทวนได้บ้าง และจะไปแสวงหาวิธีการแก้ปัญหาได้จากแหล่งไหนได้บ้าง

ผมได้ลองเขียนเอกสารทบทวนวรรณกรรมครั้งแรกก็เพราะวิชานี้ ซึ่งมันทำให้ผมได้เข้าใจว่า การบรรยายว่าเรารู้อะไรมาบ้างอย่างเป็นลำดับขั้นตอน มันเป็นสิ่งที่สำคัญมาก มันเหมือนกับว่าเราต้องแก้ปัญหาอะไรซักอย่างนึง เราต้องอธิบายให้ใคร ๆ เข้าใจได้ว่าปัญหามันคืออะไร มีใครเคยแก้ปัญหานี้บ้าง แล้วเขาแก้ปัญหาด้วยวิธีไหนกันบ้าง และเราจะแก้ปัญหาด้วยวิธีไหน แล้ววิธีที่เราจะแก้มันวิเศษกว่าวิธีของคนที่เคยแก้มาก่อนยังไง แล้วไอ้ทั้งหมดที่สาธยายมา คือจะต้องถูกเขียนลงไปในรูปแบบเอกสาร แทนที่จะเป็นการมาพูด ๆ ๆ เพื่ออธิบาย มันจึงไม่ง่ายเลยสำหรับคนทางคอมพิวเตอร์ ที่จะมาอธิบายอะไรแบบยืด ๆ ยาว ๆ และเป็นเชิงระบบแบบนี้

ทั้ง 10 วิชาที่ผมรีวิวไปแล้วทั้งหมด จะเห็นว่ามีถึง 5 วิชา คือ Semantic Web & Ontology, Machine Learning, Data Mining, Bioinformatics และ Image Processing ที่จัดอยู่ในกลุ่มปัญญาประดิษฐ์ ซึ่งมันสะท้อนให้เห็นว่า โดยข้อเท็จจริงแล้วหลักสูตรวิทยาการคอมพิวเตอร์ กำลังจะนำพาเราไปสู่เส้นทางที่ถูกจับตามองด้วยความวิตกกังวล มันคือเส้นทางของการทำให้เครื่องจักรมีความคิด มีจิตใจ มีวิจารณญาณ และมีจินตนาการ

มันอาจจะเป็นข้อเท็จจริงแบบนั้นจริง ๆ ก็ได้ เพราะไม่ใช่มีเพียงสาขาวิชาวิทยาการคอมพิวเตอร์เท่านั้น ที่กำลังมุ่งไปสู่เส้นทางดังกล่าว ทางสาขาวิชาวิศวกรรมไฟฟ้าและสาขาวิชาวิศวกรรมเครื่องกลเอง ก็ไม่มีความแตกต่างกัน เพราะพวกเขาก็เพียรพยายามที่จะตกผลึกสรรพวิชาในสาขาของตนเอง เพื่อจะสร้างหุ่นยนต์ที่ประสิทธิภาพสูงและหวังผลในประสิทธิผลได้

ผมว่านะ เมื่อใดก็ตามที่ถึงจุด ๆ หนึ่งที่นักวิทยาศาสตร์คอมพิวเตอร์ สามารถพัฒนาปัญญาประดิษฐ์จนกระทั่งบรรจุเป็นสมองของหุ่นยนต์ได้ และวิศวกรไฟฟ้ากับวิศวกรเครื่องกลสามารถพัฒนาสรีรวิทยาทั้งภายในและภายนอกของหุ่นยนตจนเหมือนมนุษย์ได้ เมื่อนั้นก็คงค่อยมาว่ากันอีกทีครับ ว่าเราจะจัดการกับความสำเร็จนี้ของมนุษย์กันยังไงดี

วกกลับมาเรื่องของเรานิดนึง สำหรับใครที่อยากจะเรียนหลักสูตรวิทยาการคอมพิวเตอร์นะครับ ก็จะเป็นประมาณที่ผมรีวิวนั่นแหล่ะ ผมคิดว่าทุกมหาวิทยาลัยที่มีสอนหลักสูตรวิทยาการคอมพิวเตอร์ในระดับปริญญาโท ก็คงจะจัดรายวิชาให้เรียนคล้าย ๆ แบบที่ผมเรียนเนี่ยแหล่ะ ดังนั้น ใครที่คิดจะเรียนหลักสูตรนี้ในระดับปริญญาโท ก็คงต้องขยันให้มาก ๆ นะครับ เพราะมันต้องเน้นคำนวณเยอะจริง ๆ

สุดท้าย และท้ายที่สุด ผมลืมเล่าไป ลืมได้ไง คือ หลังจากเรียนทั้ง 10 วิชาครบแล้ว ผมยังต้องทำงานวิจัยหนึ่งชิ้นเพื่อจะจบการศึกษาด้วยครับ โดยงานวิจัยที่ผมทำ คือ การวิเคราะห์ภาพสมอง จุดประสงค์เพื่อสกัดหรือเลือกคุณลักษณะเด่นจากภาพสมอง สำหรับทำนายความคิด เพื่อนำความคิดของเจ้าของสมอง ไปสั่งการคอมพิวเตอร์ต่อไปครับ

นับเบ็ดเสร็จแล้ว เพื่อจะให้จบหลักสูตรนี้ได้ ก็ต้องลงเรียน 10 วิชา และทำงานวิจัย 1 ชิ้นนั่นเองครับ!!!

ป.ล. จริง ๆ มันมีอีกนิดหน่อย คือ ต้องสอบผ่านภาษาอังกฤษ และ สอบประมวลความรู้ผ่านด้วย แต่ผมไม่นับครับ มันเป็นเรื่องปลีกย่อย

1. การวิจัยทฤษฎี
2. การวิจัยเพื่อนำทฤษฎีไปประยุกต์ใช้ให้เกิดประโยชน์
3. การวิจัยเพื่อนำการประยุกต์ใช้ให้เกิดประโยชน์ไปสร้างต้นแบบ
4. การวิจัยเพื่อนำต้นแบบไปผลิตเชิงพาณิชย์
5. การวิจัยทางการตลาดเพื่อตอบสนองต่อความพึงพอใจและความต้องการของผู้บริโภค

ระดับที่ 1 ถือว่าหินสุด ต้องเป็นระดับดอกเตอร์ ผศ. รศ. ศ. อะไรพวกนั้น ถึงจะวิจัยทฤษฎีได้ คือ มันต้องพิสูจน์ มันต้องอธิบายอย่างลึกซึ้ง มันเป็นวิทยาศาสตร์บริสุทธิ์ มันยาก

โดยส่วนตัวผมถนัดในงานวิจัยระดับที่ 2 เพราะเป็นการเอาทฤษฎีที่มีอยู่แล้วมาประกอบ อันนี้ผมถนัด อาจารย์ผมเรียกการวิจัยในระดับที่ 2 ว่าเป็นการยืนอยู่บนบ่ายักษ์ คือ ยักษ์มันสูงของมันอยู่แล้ว เราไปยืนอยู่บนนั้น เราก็สูงตามไปด้วย

สำหรับคนเขียนโปรแกรมคอมพิวเตอร์เก่ง ๆ คงจะเหมาะกับระดับที่ 3 และคนที่ชำนาญด้านวิศวกรรมซอฟต์แวร์คงจะเหมาะกับระดับที่ 4

สุดท้ายสำหรับระดับที่ 5 คงจะเหมาะกับนักการตลาด เพราะพวกนี้เขาวาดฝันเก่ง และเขาก็เข้าใจผู้บริโภคได้ดีกว่าใคร ๆ

และสุดท้ายของสุดท้าย คนทั้ง 5 ระดับนี้มันเคยคุยกันบ้างหรือเปล่า? ประเทศไทยเราถึงยังไม่ก้าวหน้าทางด้านนี้กันเท่าไหร่เลย!!!

คนส่วนใหญ่ที่เรียนวิทยาการคอมพิวเตอร์มา มักจะได้มีโอกาสเรียนเครื่องมือในการแก้ปัญหาจนชำนาญ และพวกเขาเหล่านั้นก็มักจะมีเครื่องมือแก้ปัญหาประจำตัวอะไรซักอย่างหนึ่ง ที่พวกเขาถนัดที่สุด ใช้บ่อยที่สุด และมีความมั่นใจมากที่สุดเมื่อใช้มัน เช่น พวกเขาอาจจะถนัดใช้ Neural Network มาก รู้ทะลุปรุโปร่งสุด ๆ หรือ อาจจะถนัด Hidden Markov Models อย่างเทพ หรือ อาจจะถนัดในการเขียน OOP บน Java มาก ๆ เป็นต้น

ดังนั้น เมื่อต้องคิดงานวิจัยอะไรขึ้นมา พวกเขาเหล่านั้นจึงไม่ลังเลที่จะเอาเครื่องมือแก้ปัญหาที่พวกเขาถนัด ไปแก้ปัญหาเรื่องนู้นเรื่องนี้ตามแต่โอกาสจะอำนวย เช่น ถ้าถนัด แต่ Hidden Markov Model ก็นำ Hidden Markov Model ไปแก้ปัญหา Speech Recognition, Gesture Recognition, Network Intruder เป็นต้น

แต่อาจารย์ของผมสอนผมว่าแบบนี้ไม่ดี เพราะมันเท่ากับว่าเราเอาแต่หมกมุ่นกับเครื่องมือแก้ปัญหามากเกินไป ดังนั้น เราจะไม่มีการพัฒนาตัวเอง เพราะเราจะรู้อยู่แต่เครื่องมือที่เราถนัดเท่านั้น ในขณะที่แบบที่อาจารย์ผมมองว่าดีคือ ให้เราสนใจในปัญหาก่อน แล้วค่อยหาเครื่องมือแก้ปัญหาที่เหมาะสมมาแก้ปัญหา เช่น ถ้าเราจะค้นหาผลลัพธ์ใด ๆ ในเวลาอันรวดเร็ว โดยให้มันไม่เผชิญกับปัญหา Non-Deterministic Polynomial Time เราก็ควรจะทดลองหาเครื่องมือต่าง ๆ มาทดลอง เช่น Ant Colony Optimization, Genetic Algorithm, Particle Swarm Optimization, Gravitational Search Algorithm, Tabu Search เป็นต้น ซึ่งมันจะทำให้เรามีความรู้ในเครื่องมือที่หลากหลาย และได้รู้ทางอ้อมว่าเครื่องมือใดเหมาะกับการแก้ปัญหาใดจริง ๆ จากการทดลอง

โดยส่วนตัวมองว่า ความชำนาญในการใช้เครื่องมือแก้ปัญหา กับ ความชำนาญในการแก้ปัญหา มันขึ้นอยู่กับความเหมาะสมในแต่ล่ะโอกาส ไม่มีใครผิดใครถูก เช่น ถ้าเป็นในการทำงานจริง เราก็อยากให้คนระดับบริหารจัดการของเรา มีความชำนาญในการแก้ปัญหา ในขณะที่เราก็คาดหวังให้คนระดับปฏิบัติการของเรา มีความชำนาญในการใช้เครื่องมือแก้ปัญหาเหมือนกัน

แต่ถ้าเป็นในแง่ของงานวิจัยทางวิทยาการคอมพิวเตอร์ ดูเหมือนว่าคนที่ชำนาญในการแก้ปัญหา จะมีภาษีสูงกว่าคนที่ชำนาญในการใช้เครื่องมือแก้ปัญหาเยอะ

ปัจจุบัน เมืองไทยเราก็มีงานประชุมวิชาการที่เกี่ยวกับวิทยาการคอมพิวเตอร์อยู่หลายงานครับ ซึ่งจัดติดต่อกันมาแล้วหลายปี มีการตรวจสอบงานวิจัยอย่างเข้มข้นโดยผู้ทรงคุณวุฒิ ซึ่งเดิมอาจจะเคยเป็นเพียงงานประชุมระดับชาติ แต่ตอนนี้ได้ยกระดับกลายเป็นงานประชุมระดับนานาชาติไปแล้ว ซึ่งงานประชุมเหล่านั้นก็ได้แก่

1. ICSEC หรือ The International Computer Science and Engineering Conference เป็นงานที่รวม ๆ กันระหว่างวิทยาการคอมพิวเตอร์  วิศวกรรมคอมพิวเตอร์ และ เทคโนโลยีสารสนเทศ
2. JCSSE หรือ The International Joint Conference on Computer Sciences and Software Engineering เป็นงานที่รวม  ๆ กันระหว่างวิทยาการคอมพิวเตอร์ และ วิศวกรรมซอฟต์แวร์
3. EECON หรือ Electrical Engineering Conference ซึ่งเป็นงานของวิศวกรรมไฟฟ้า แต่ก็ยินดีให้วิศวกรรมคอมพิวเตอร์ วิศวกรรมซอฟต์แวร์ วิทยาการคอมพิวเตอร์ และ เทคโนโลยีสารสนเทศ เข้าร่วมส่งงานวิจัยด้วยได้

ก็ประมาณนี้ครับ