แนวคิดในการสอน AI ให้ฉลาดสุด ๆ

26 ธันวาคม 2564
แนวคิดในการสอน AI ให้ฉลาดสุด ๆ

ก่อนที่จะรู้วิธีการสอน AI เราจำเป็นต้องเข้าใจหลักการทำงานของ AI ให้ชัดก่อน เพื่อจะได้รู้ว่าควรนำหลักการใดหรือใช้เครื่องมือใดจึงจะเหมาะกับการนำมาใช้ในการสอน AI ของเราให้มีความฉลาด

เนื้อหาในบทความนี้จะเกี่ยวข้องกับ Artificial Intelligence (AI), Machine Learning (ML) และ Deep Learning (DL) และเพื่อให้คุณสามารถแยกแยะได้ว่าระหว่าง AI, ML และ DL ต่างกันอย่างไรนั้น ทั้ง 3 แนวทางนี้จะช่วยให้การออกแบบและพัฒนา AI เป็นไปอย่างมีประสิทธิภาพ ไม่เฉพาะแค่การเพิ่มขีดความสามารถของ AI ให้ฉลาดขึ้น แต่ยังสามารถเพิ่มความสามารถให้แก่ AI ในการวิเคราะห์หาข้อมูลเชิงลึกเพื่อตอบโจทย์ของคุณได้อย่างแม่นยำขึ้นด้วย

การทำความเข้าใจว่าปัญญาประดิษฐ์คืออะไร และจะใช้มันเพื่อเป็นประโยชน์ต่อธุรกิจและองค์กรของคุณได้อย่างไร

คุณควรจะต้องทำความเข้าใจกับความหมายของมันให้ถ่องแท้เสียก่อน

Artificial Intelligence (AI) vs Machine Learning (ML)

ปัญญาประดิษฐ์ หรือ AI คือการนำความฉลาดของมนุษย์ไปใส่ไว้ในคอมพิวเตอร์ ทำให้คอมพิวเตอร์มีความฉลาดคล้ายคลึงกับมนุษย์ โดยให้คอมพิวเตอร์ลองประมวลผลบางอย่างที่มีความจำเพาะเจาะจง ด้วยการใส่ข้อมูลเงื่อนไขต่าง ๆ ของสิ่งที่คอมพิวเตอร์ต้องทำตาม ในการประมวลผลแต่ละครั้งคอมพิวเตอร์จะรู้ว่ามีความเป็นไปได้ที่จะเกิดผลลัพธ์ใดขึ้นบ้าง

Machine Learning หมายถึงความสามารถของเครื่องคอมพิวเตอร์ที่สามารถเรียนรู้สิ่งต่าง ๆ ได้จากข้อมูลที่มีอยู่ โดยที่นักพัฒนาไม่ต้องเขียนโค้ดโปรแกรมเพื่อกำหนดเงื่อนไขต่าง ๆ ของสิ่งนั้น ทำให้เครื่องคอมพิวเตอร์สามารถเรียนรู้สิ่งต่าง ๆ ได้ด้วยตนเอง โดยใช้การประมวลผลจากข้อมูลจำนวนมาก ๆ

ML คือการสอน Algorithm ให้เรียนรู้ทำความเข้าใจและตัดสินใจได้ด้วยตัวเองจากข้อมูลที่ป้อนให้ จากการสร้าง Algorithm และนำ Algorithm ไปเรียนรู้กับชุดข้อมูลต้นแบบ (Training Set) เพื่อให้ได้ Function ออกมาเป็น Black box หรือสมการ จากนั้นจึงนำ Function ที่ได้นี้ ไปใช้ประมวลผลกับชุดข้อมูลทดสอบต่อเพื่อให้ได้เป็นผลลัพธ์ที่พร้อมนำไปใช้งานได้

การเรียนรู้ของ Machine นั้นเป็นได้ 2 รูปแบบคือ Supervised Learning หรือการเรียนรู้และทำนายผลลัพธ์ได้จากการช่วยเหลือของนักวิทยาศาสตร์ข้อมูล (Data Scientist) กับ Unsupervised Learning การเรียนรู้เรียนรู้และทำนายผลได้จากการจำแนกและสร้างรูปแบบ pattern ของการทำนายผลลัพธ์ขึ้นจากข้อมูลที่ได้ input เข้าไปในระบบ

Supervised Learning กับ Unsupervised Learning

Supervised Learning คือการ input ข้อมูลที่ต้องระบุผลลัพธ์ตามที่ต้องการไว้อย่างชัดเจนเข้าไปยังระบบประมวลผล เพื่อทำการสอน AI ซึ่งการสอน AI แบบ supervised learning นี้ คุณจะต้องใส่ชุดข้อมูลตัวอย่างที่กำหนดผลลัพธ์ของการประมวลผลของข้อมูลเหล่านั้นด้วย และเมื่อเทรน AI เสร็จ AI ของคุณก็จะสามารถทำนายผลลัพธ์จากชุดข้อมูลที่มีลักษณะเดียวกันกับชุดข้อมูลตัวอย่างที่สอน AI ได้ หากผลลัพธ์ที่ได้นั้นยังไม่เป็นไปตามที่ผู้พัฒนาต้องการ ผู้พัฒนาสามารถปรับปรุงโมเดลในการทำนายผลลัพธ์ได้อีกเรื่อย ๆ จนกว่าจะได้ผลลัพธ์ที่ใกล้เคียงกับที่ต้องการมากที่สุด

Unsupervised Learning เป็นการเทรนโดยที่ไม่ต้องระบุข้อกำหนดเงื่อนไขและผลลัพธ์ของข้อมูลที่ input เข้าไปในระบบเลย แนวทางการใช้โมเดลเทรน AI แบบนี้จะทำให้ AI จะมีความฉลาดสามารถประมวลผลเพื่อจำแนกและสร้างรูปแบบ pattern ของการทำนายผลลัพธ์ได้ด้วยตัวเอง ตัวอย่างเช่น การใช้ Unsupervised Learning ประเภท Clustering เพื่อวิเคราะห์กลุ่มลูกค้าจากพฤติกรรมการซื้อสินค้าในระบบ เป็นต้น

ลึกลงไปอีกขั้นก็ต้องเป็นเรื่องของ Deep Learning (DL)

Deep Learning เป็นกระบวนการหนึ่งของ Machine Learning ที่ทำให้เราสามารถเทรน AI และทำนายผลลัพธ์จากข้อมูลที่นำเข้าได้ โดยใช้ได้ทั้งรูปแบบ Supervised หรือ Unsupervised อะไรก็ได้ ขึ้นอยู่กับชุดข้อมูลที่คุณ input เข้าไปในระบบ

Deep Learning (DL)

Deep Learning คือวิธีการเรียนรู้แบบอัตโนมัติด้วยการเลียนแบบการทำงานของโครงข่ายระบบประสาทของมนุษย์ (Neurons) โดยการนำระบบโครงข่ายประสาท (Neural Network) มาซ้อน ๆ กัน หลาย ๆ ชั้น (Layers) และทำการเรียนรู้ข้อมูลตัวอย่าง ซึ่งข้อมูล ดังกล่าวจะถูกนำไปใช้ในการหารูปแบบ (Pattern) หรือจำแนกหมวดหมู่ของข้อมูล ทำให้เกิดความสามารถในการจดจำ เช่น ใบหน้า หรือ พฤติกรรมของลูกค้า ซึ่งต้องใช้ชั้นของโครงข่ายข้อมูลจำนวนมากมาซ้อนกัน การเรียนรู้ชั้นของข้อมูลตัวอย่างโดยระบบโครงข่ายประสาทนี้จัดเป็นการเรียนรู้รูปแบบหนึ่งของเครื่องจักร (Machine Learning)

โดยทั่วไป เมื่อมีข้อมูลดิบเข้ามาในระบบ ระบบจะไม่ทำการประมวลแบบอัตโนมัติ แต่จะต้องอาศัยชุดข้อมูลความรู้เฉพาะทางเพื่อกำหนดหมวดหมู่ให้แก่ข้อมูลก่อน แต่ในกรณีที่เป็น Deep Learning เมื่อรับข้อมูลดิบเข้ามาระบบจะประมวลผลแบบอัตโนมัติเลยในทันที เพื่อสแกนกลุ่มตัวอย่างข้อมูลเพื่อหาโมเดลที่จำเป็นสำหรับการตรวจจับรูปแบบหรือจัดหมวดหมู่ให้แก่ข้อมูล ความสามารถในการเรียนรู้แบบอัตโนมัตินี้ ทำให้ Deep Learning เป็นประโยชน์อย่างมากต่อการใช้งานในสถานการณ์ต่าง ๆ ที่มีตัวแปรเป็นจำนวนมาก เช่น มีข้อมูลผลไม้อยู่ชนิดหนึ่งที่ไม่ทราบว่าจะเป็นอะไร Deep Learning จะทำการตรวจสอบและทำนายผลลัพธ์ว่าอาจเป็นผลไม้ชนิดนี้ โดยไม่จำเป็นต้องระบุว่ามีรูปทรงอย่างไรหรือต้องเป็นสีอะไร Deep Learning แค่ทำนายผลลัพธ์ เอาไว้ก่อน

หาก Deep Learning ทำนายผิด ตัวมันจะเรียนรู้และปรับเปลี่ยนการประมวลผล เพื่อให้ output ที่ออกมามีความถูกต้องมากขึ้น และยิ่งเรียนรู้มากขึ้นเท่าใด DL ก็จะยิ่งเข้าใจได้มากขึ้น และลงลึกในรายละเอียดยิบย่อยได้มากขึ้น จนสามารถสังเกตความแตกต่างแม้เพียงเล็ก ๆ น้อย ๆ ของข้อมูลได้ โดยที่มนุษย์ไม่จำเป็นต้องแนะนำ

2 สิ่งที่คุณควรรู้ไว้สำหรับการเทรน AI เป็นส่วนที่ยากที่สุดของ Deep Learning ก็คือ

คุณต้องมีข้อมูลจำนวนที่มากพอ (มหาศาล) และคุณต้องมีเครื่องคอมพิวเตอร์ที่มีกำลังในการประมวลผลที่สูงมาก ๆ ด้วย

การเรียนรู้เชิงลึกนี้ก็เป็นเหมือนกับ AI อื่น ๆ ที่จะปรับการสร้างโมเดลด้วยตัวเองและเรียนรู้จากชุดข้อมูลในการทำนายผล เนื่องจากปัจจุบันมีความพยายามอย่างมากในการนำ AI มาใช้ สำหรับคนที่กำลังตัดสินใจจะนำ AI มาใช้จะต้องมั่นใจด้วยว่า การสร้างโครงข่ายประสาทเทียม รูปแบบการเทรน AI และปริมาณข้อมูลเพื่อนำมาเทรน AI นั้นมีความเหมาะสมกับสิ่งที่คุณกำลังออกแบบหรือไม่ เพราะการจะสร้าง AI ให้สามารถทำนายผลลัพธ์ได้อย่างถูกต้องแม่นยำได้มากน้อยเพียงใด ขึ้นอยู่กับปัจจัยที่กล่าวข้างต้น และการออกแบบโมเดลในหารเทรน AI ไปจนถึงการเตรียมข้อมูลที่ไม่ดีพอนั้น อาจส่งผลต่อแนวทางการทำนายผลลัพธ์ที่คลาดเคลื่อนหรือนำไปสู่ความผิดพลาดอื่น ๆ ได้

ปรึกษารายละเอียดเพิ่มเติมเรื่อง AI Chatbot จากทีมงาน TNT

« Back to Result