Machine learning

ทุกวันนี้ปฎิเสธไม่ได้ว่าหันไปทางไหนก็ได้ยินคนพูดเรื่องปัญญาประดิษฐ์ (AI) หลายคนต่างกังวลว่ามันจะเข้ามาแย่งงานในอนาคตไหม ทำไมบางองค์กรถึงประสบความสำเร็จในการนำเทคโนโลยีนี้มาใช้ แต่ทำไมบางองค์กรแม้พยายามยังไงก็อยู่ที่เดิม?

ว่ากันว่าอุปสรรคของการพัฒนาเทคโนโลยีนั้นไม่ใช่เพราะตัวเทคโนโลยี แต่คือ 'การสื่อสาร' ยิ่งองค์กรไหนต้องการเป็นผู้นำด้านเทคโนโลยีด้วยแล้ว จึงมีความจำเป็นอย่างยิ่งที่จะต้องนำเรื่อง AI อีกทั้ง Machine Learning และ Deep Learning มาใช้ในการปฏิบัติงาน อีกทั้งต้องทำให้เป็นคำศัพท์ทางธุรกิจทั่วไปที่ทุกคนสามารถเข้าใจได้ ก่อนที่เราจะกังวลว่าเทคโนโลยีจะเข้ามาแย่งงานไหม มาทำความเข้าใจและทำความรู้จักกับเทคโนโลยีทั้งหลายนี้กันก่อน เพื่อที่ในอนาคตอันใกล้เราจะสามารถทำงานร่วมกันกับมันได้ ไม่ใช่ยอมให้มันมาแย่งงานเรา

Artificial intelligence Machine Learning Deep LearningArtificial Intelligence (AI) : ปัญญาประดิษฐ์

ปัญญาประดิษฐ์หรือ (AI) การรวมความฉลาดของมนุษย์สู่เครื่องจักร (Machine) คือชุดของโค้ด, เทคนิค, หรืออัลกอริทึม ที่ทำให้ระบบคอมพิวเตอร์สามารถเลียนแบบ พัฒนาและแสดงพฤติกรรมของมนุษย์ได้

เมื่อใดก็ตามที่ Machine สามารถเแก้ปัญหาหรือแก้อัลกอริทึมตามชุดของคำสั่งที่สร้างไว้ได้สำเร็จ การทำงานเช่นนั้นเรียกว่า 'ปัญญาประดิษฐ์'

Machine ที่ขับเคลื่อนด้วยปัญญาประดิษฐ์แบ่งเป็นสองกลุ่มคือแบบทั่วไป (General AI) และแบบแคบ (Narrow AI) ปัญญาประดิษฐ์แบบทั่วไปสามารถแก้ปัญญาได้อย่างชาญฉลาดเหมือนกับที่กล่าวไปข้างต้น ส่วนปัญญาประดิษฐ์แบบแคบนั้นสามารถทำงานบางด้านได้ดี หรือบางครั้งทำได้ดีกว่ามนุษย์เสียอีก แม้ว่าจะมีข้อจำกัดบางด้านอยู่ก็ตาม อย่าง ระบบการจำแนกรูปภาพของ Pinterest ก็ถือเป็น Narrow AI เช่นกัน

ว่ากันด้วยเรื่องวิทยาการของ AI ในปัจจุบัน ในตอนนี้เราอยู่ในยุคที่หลายๆ คนเรียกว่าเป็นยุค Weak AI หรือในยุคที่ปัญญาประดิษฐ์มีความสามารถเฉพาะทางหรือเก่งในเรื่องบางเรื่องเท่านั้น ยังไม่สามารถทำได้หลายๆ ด้านเหมือนกับมนุษย์

ในตอนนี้เทคโนโลยีปัญญาประดิษญ์ยังอยู่ในช่วงเริ่มต้นของการพัฒนา และมีการคาดว่าจะมันจะมีความสามารถเหนือมนุษย์ในช่วง Strong AI โดยการที่จะเปลี่ยนผ่านไปสู่ช่วงนั้น Machine จำเป็นต้องเรียนรู้วิธีการคิดของมนุษย์ทั้งในด้านเทคนิคและกระบวนการจัดเก็บข้อมูลในสมอง

Machine Learning (ML) : การสอนให้ระบบคอมพิวเตอร์ทำการเรียนรู้ได้ด้วยตนเองโดยการใช้ 'ข้อมูล'

อาจจะทำความเข้าใจง่าย ๆ ตามชื่อเลยก็คือ การสอนอัลกอริทึมให้เรียนรู้ทำความเข้าใจและตัดสินใจได้ด้วยตัวเองจาก 'ข้อมูล' ที่ป้อนให้

การเรียนรู้ของ Machine นั้นเป็นไปในสองรูปแบบคือ การเรียนรู้โดยมีผู้บังคับบัญชา (Supervised) หรือการเรียนรู้โดยไม่มีผู้บังคับบัญชา (Unsupervised)

การเรียนรู้โดยมีผู้บังคับบัญชา (Supervised) นั้นเครื่องจะเรียนรู้และทำนายผลลัพธ์ได้จากการช่วยเหลือของนักวิทยาศาสตร์ข้อมูล (Data Scientist) ส่วนการเรียนรู้โดยไม่มีผู้บังคับบัญชา (Unsupervised) นั้นเครื่องจะเรียนรู้และทำนายผลได้จากการจำแนกและสร้างแพทเทิร์นของมันจากข้อมูลที่ได้รับ

เมื่อเครื่องสามารถทำนายผลลัพธ์จากชุดข้อมูลจำนวนมากได้มากเท่าไร ก็จะยิ่งแสดงความสามารถในการเรียนรู้เชิงลึก (Deep Learning) มากเท่านั้น

Deep Learning (DL) : การเรียนรู้เชิงลึก

อัลกอริทึมแบบระบบเรียนรู้เชิงลึก (Deep learning) ต้องใช้ ‘ โครงข่ายใยประสาทเสมือน’ (Artificial Neural Networks (ANN)) ซึ่งก็เหมือนวิธีการทำงานของระบบประสาทในสมองมนุษย์ โครงข่ายเหล่านี้มี 'เซลล์ประสาท' ที่เชื่อมต่อกันเป็น 'ระบบประสาท' และสื่อสารกัน โดยใช้วิธีประมวลผลแบบขนาน (parallel processing) เพื่อทำให้มันสามารถเข้าใจและเรียนรู้จากข้อมูลจำนวนมากที่ได้รับอย่างต่อเนื่อง

สมองคนเรามักจะพยายามถอดรหัสข้อมูลที่ได้รับ อีกทั้งมักจะติดป้ายและการกำหนดสิ่งต่างๆ แบ่งแยกเป็นหมวดหมู่ เมื่อใดก็ตามที่เราได้รับข้อมูลใหม่สมองจะพยายามเปรียบเทียบกับสิ่งที่เราได้รู้ก่อนหน้า ก่อนที่จะทำความเข้าใจกับมัน เช่นเดียวกัน DL ก็สามารถถูกสอนให้ทำงานในลักษณะเดียวกันให้สำเร็จได้

ลองมาดูการเปรียบเทียบ Machine Learning vs Deep Learning

ตัวอย่างเช่น ในขณะที่ DL สามารถค้นพบคุณสมบัติที่จะใช้ในการแบ่งแยกหมวดหมู่โดยอัตโนมัติ แต่ ML จำเป็นต้องได้รับข้อมูลเหล่านี้จากผู้ให้ข้อมูลโดยตรง

นอกจากนี้ DL ยังต้องการเครื่องจักรระดับสูงและชุดข้อมูลจำนวนมาก เพื่อการทำนายผลที่แม่นยำมากขึ้น

ทั้ง 3 เทคโนโลยีนี้จะช่วยในการทำงานของนักวิทยาศาสตร์และนักวิเคราะห์ในการตีความข้อมูลได้อย่างมหาศาล อีกทั้งยังมีความสำคัญอย่างยิ่งต่อสาขาวิทยาศาสตร์ข้อมูล (Data Science)

ยกตัวอย่างการวิวัฒนาการการทำงานของเจ้า Machine

ในปีแรกโดยขั้นพื้นฐานมันอาจทำความเข้าใจระบบคมนาคม อีกทั้งระบุได้ว่าเส้นทางไหนน่าจะประสบกับปัญหาจราจรติดขัดมากที่สุด ในปีถัดมา มันจะสามารถทำนายการจราจรที่ติดขัดในชั่วโมงเร่งด่วน และสามารถแจ้งให้ผู้เดินทางรู้ล่วงหน้าได้ว่าควรเปลี่ยนไปใช้เส้นทางไหนแทน ในปีต่อมา มันจะสามารถพัฒนาแผนในอนาคตได้เอง อย่างประเมินการเติบโตของจำนวนประชากร สภาพการจราจร ระบบโครงสร้างพื้นฐาน และปัจจัยต่าง ๆ ที่จะเข้ามากระทบ อย่างการเปลี่ยนแปลงทางสภาพภูมิอากาศ

เข้าใจความหมายของโลกใหม่มากขึ้น เพื่อเตรียมรับมือกับมันอย่าง 'มีสติ' ไม่ใช่ตื่นตูม

การที่เราสามารถทำการแยกแยะได้ว่าทั้ง AI, ML และ DL ต่างกันอย่างไรนั้น จะช่วยให้การบริหารงานเป็นไปอย่างมีประสิทธิภาพ ทั้งการเพิ่มขีดความสามารถของ AI ไปจนถึงการเพิ่มขีดความสามารถของการวิเคราะห์หาข้อมูลเชิงลึก

การสามารถแยกความแตกต่างของ AI ในแต่ละรูปแบบ และนำมาปรับใช้และต่อยอดในแผนกลยุทธ์องค์กร และการทำโร้ดแมปด้านไอที จะช่วยให้องค์กรสามารถทำการวัดผลทั้งในด้านไอทีและทางธุรกิจได้อย่างเป็นรูปธรรมมากขึ้น

การทำความเข้าใจว่าปัญญาประดิษฐ์คืออะไร และจะใช้มันเพื่อเป็นประโยชนต์ต่อองค์กรได้อย่างไร ควรจะเป็นอะไรที่ทุกคนสามารถความเข้าใจความหมายของมันจริงๆ มากกว่าการสร้างคำสวยหรูประดับองค์กร อีกทั้งการทำให้เป็นหนึ่งในแผนกลยุทธ์ที่เชื่อมโยงกับงบประมาณ แผนการดึงดูดคนที่มีความสามารถ การวัดความคุ้มค่าในการลงทุน (ROI) รวมทั้งผลลัพธ์อื่นๆ ที่จะได้จากการลงทุนด้านเทคโนโลยี

อ้างอิงข้อมูลจาก: 

RELATED ARTICLE

Responsive image

Cisco ซื้อ Perspica สตาร์ทอัพด้าน Machine Learning

Cisco ซื้อสตาร์ทอัพด้าน Machine Learning ที่ชื่อ Perspica หวังเพิ่มความสามารถให้กับ AppDynamics ระบบตรวจสอบประสิทธิภาพของแอพพลิเคชันที่พัฒนาอยู่ พร้อมยกทีมงานเข้ามาร่วมพัฒนาต่อ......

Responsive image

'Sergey Brin' Co-Founder ของ Google ชี้ AI จะทำให้เกิด "ยุคเรเนสซองส์ของวงการเทคโนโลยี"

Co-Founder คนสำคัญของ Google อย่าง Sergey Brin คาดการบูมของ AI จะทำให้เกิด "ยุคเรเนสซองส์ของวงการเทคโนโลยี" ทำให้เห็นแอปพลิเคชันที่เข้าถึงสังคมสมัยใหม่ได้มากขึ้น เชื่อหลังจากนี้จะเ...

Responsive image

Microsoft ซื้อ Startup ด้าน AI ที่เกี่ยวกับการสนทนา เสริมพลัง Cortana

Microsoft ประกาศเข้าซื้อกิจการ Startup ด้าน AI ที่เกี่ยวข้องกับการสนทนา อย่างบริษัท Semantic Machines ที่นำเอาเทคโนโลยี Machine Learning มาช่วยให้ Chatbot ตอบสนองได้อย่างเป็นธรรมชา...