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

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

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