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

Artificial Intelligence (AI)

ปัญญาประดิษฐ์ หรือ AI คือการนำความฉลาดของมนุษย์ไปใส่ไว้ในคอมพิวเตอร์ ทำให้คอมพิวเตอร์มีความฉลาดคล้ายคลึงกับมนุษย์ โดยให้คอมพิวเตอร์ประมวลผลบางอย่างที่มีความจำเพาะเจาะจง ด้วยการใส่ข้อมูลที่จำเป็น ในการประมวลผลแต่ละครั้งคอมพิวเตอร์จะรู้ว่ามีความเป็นไปได้ที่จะเกิดผลลัพธ์ใดขึ้นบ้าง

Machine Learning (ML)

Machine Learning (การเรียนรู้ของเครื่อง) เป็นเครื่องมือหนึ่งของ AI ที่ทำให้เครื่องคอมพิวเตอร์สามารถเรียนรู้สิ่งต่างๆได้จากข้อมูลที่มีอยู่ โดยมีนักพัฒนาในการออกแบบ algorithm เท่านั้น จากนั้นระบบเรียนรู้จากข้อมูลเหล่านั้นเอง

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

การเรียนรู้ของ Machine นั้นจะมี 2 รูปแบบใหญ่ๆ คือ Supervised Learning หรือ การเรียนรู้และทำนายผลลัพธ์ได้จากการช่วยเหลือของนักวิทยาศาสตร์ข้อมูล (Data Scientist) โดยมีรูปแบบที่เราต้องมี “คำตอบ” สอนร่วมไปด้วย กับ Unsupervised Learning การเรียนรู้เรียนรู้และทำนายผลได้จากการจำแนกและสร้างรูปแบบ pattern ของการทำนายผลลัพธ์ขึ้นจากข้อมูลที่ได้ input เข้าไปในระบบ

ลึกลงไปอีกขั้นก็ต้องเป็นเรื่องของ Deep Learning (DL)

Deep Learning เป็นกระบวนการหนึ่งของ Machine Learning ที่ทำให้เราสามารถเทรน AI และทำนายผลลัพธ์จากข้อมูลที่นำเข้าได้ โดยช้รูปแบบ supervised ที่พัฒนาต่อมาจาก Neural Network (ML supervised)

Deep Learning (DL) 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 เมื่อรับข้อมูลดิบเข้ามา ระบบจะประมวลผลแบบอัตโนมัติเลยในทันที เพื่อสแกนกลุ่มตัวอย่างข้อมูลเพื่อหาโมเดลที่จำเป็นสำหรับการตรวจจับรูปแบบหรือจัดหมวดหมู่ให้แก่ข้อมูล ความสามารถในการเรียนรู้แบบอัตโนมัตินี้ เพราะ DL จะมีกระบวนการ Feature Extration (การสกัดข้อมูลที่ต้องการ) อัตโนมัติ เพียงแค่เราต้องหาข้อมูล ที่มีความหลากหลาย และจำนวนมากเพียงพอ ไม่เหมือนกับ ML ที่เราจะต้องสกัดข้อมูลที่เราต้องการเองก่อนค่อยเข้า Train AI ได้

ทำให้ Deep Learning เป็นประโยชน์อย่างมากต่อการใช้งานในสถานการณ์ต่าง ๆ ที่มีตัวแปรเป็นจำนวนมาก เช่น มีข้อมูลผลไม้อยู่ชนิดหนึ่งที่ไม่ทราบว่าจะเป็นอะไร Deep Learning จะทำการตรวจสอบและทำนายผลลัพธ์ว่าอาจเป็นผลไม้ชนิดนี้ โดยไม่จำเป็นต้องระบุว่ามีรูปทรงอย่างไรหรือต้องเป็นสีอะไร Deep Learning แค่ทำนายผลลัพธ์ เอาไว้ก่อน แต่ถ้าหาก Deep Learning ทำนายผิด นักพัฒนาก็จะต้องทำการ Train เพิ่มเองเพื่อให้ output ที่ออกมามีความถูกต้องมากขึ้น และยิ่งเรียนรู้มากขึ้นเท่าใด DL ก็จะยิ่งเข้าใจได้มากขึ้น และลงลึกในรายละเอียดยิบย่อยได้มากขึ้น จนสามารถสังเกตความแตกต่างแม้เพียงเล็กๆ น้อยๆ ของข้อมูลได้ โดยที่มนุษย์ไม่จำเป็นต้องแนะนำ

DL การเรียนรู้เชิงลึกนี้ก็เป็นเหมือนกับ AI อื่น ๆ ที่สามารถฉลาดขึ้นได้ เมื่อ Model ที่นักพัฒนาได้สร้างไว้ได้รับการ Train มากขึ้น โดยมีการเรียนรู้จากชุดข้อมูลในการทำนายผล ซึ่งปัจจุบันมีความพยายามอย่างมากในการนำ AI มาใช้

สำหรับคนที่กำลังตัดสินใจจะนำ AI มาใช้จะต้องมั่นใจด้วยว่า การสร้างโครงข่ายประสาทเทียม รูปแบบการเทรน AI และปริมาณข้อมูลเพื่อนำมาเทรน AI นั้นมีความเหมาะสมกับสิ่งที่คุณกำลังออกแบบหรือไม่ เพราะการจะสร้าง AI ให้สามารถทำนายผลลัพธ์ได้อย่างถูกต้องแม่นยำได้มากน้อยเพียงใด ขึ้นอยู่กับปัจจัยที่กล่าวข้างต้น และการออกแบบโมเดลในการเทรน AI ไปจนถึงการเตรียมข้อมูลที่ไม่ดีพอนั้น อาจส่งผลต่อแนวทางการทำนายผลลัพธ์ที่คลาดเคลื่อนหรือนำไปสู่ความผิดพลาดอื่น ๆ ได้

ปรึกษารายละเอียดเพิ่มเติมเรื่อง AI Chatbot จากทีมงาน TNT