คิดว่าคุณสามารถสอนเด็กเล็กให้เรียนรู้สิ่งใหม่ๆได้ ไหม?
…ถ้าคำตอบ คือ “ได้”…
… “คุณเข้าใจ” หลักการเรียนรู้ของ Machine Learning!
😇แน่นอน …การสอนเด็กให้เรียนรู้สิ่งใหม่ๆ ไม่ยาก! มีหลากหลายเทคนิค สอนอย่างไรให้ เรียนไว จำเก่ง เป็นเรื่องรายละเอียด
แต่กว่าเด็กจะเรียนรู้ครบทุกเรื่อง กว่าเติบใหญ่ต้องใช้เวลา...
Machine Learning ก็เช่นกัน มีหลากหลายเทคนิคที่ใช้Training ให้เรียนรู้ไว จดจำเก่ง คิดเป็น & ตอบถูกเมื่อถามกลับ
แน่นอน …ไม่ยากเกินกว่าจะเรียนรู้ และเข้าใจ! ที่เหลือคือรายละเอียด…
👍You are ready!
Congratulation! Your Journey begins …
🤖Machine Learning มีขบวนการจดจำและคิดวิเคราะห์เหมือนคน ที่อาศัยเครือข่ายประสาทเทียมในการเรียนรู้(Training) เพื่อการจดจำ(Cognition) เพื่อการค้นหาคำตอบ(Searching) และเพื่อการคิดวิเคราะห์(Analyzing) ด้วยเทคโนโลยี่ที่ก้าวหน้าขึ้น การเรียนรู้บ้างเรื่อง บ้างลักษณะ MLสามารถทำได้ดีกว่าคน
📈แน่นอนงานลักษณะไหนที่ ML ทำได้ดีกว่าคน โอกาสทางธุรกิจก็จะตามมา ดังเช่น บริษัท Aptonomy และ Sanbot นำ AI Droneมาช่วยงาน Security Guard ในการวิเคราะห์ผู้บุกรุก ก่อนส่งต่อข้อมูลให้ทีมPhysical Guard เพื่อเข้าChargeได้ถูกต้องแม่นยำ
🤫หลักการเรียนรู้ของ Machine Learning คือการเรียนรู้จากข้อมูลฝึกสอน(Training Data or Input Data) เพื่อสร้างเป็นองค์ความรู้ใหม่ แล้วจัดเก็บไว้ในหน่วยความจำ ที่สามารถนำข้อมูลออกมาใช้งาน (Output Data) ได้ในอนาคต อาทิเช่น ใช้ค้นหาคำตอบ หรือนำเสนอความคิดวิเคราะห์
🙄รูปแบบการเรียนรู้ของML จะเหมือนพัฒนาการของเด็กเล็กวัยเรียนในการเรียนรู้สิ่งใหม่ๆ ที่มักจะตั้งคำถามซ้ำวนไปวนมา ในระหว่างการเรียนรู้ในเรื่องใหม่ๆ เสมือนพยายามเก็บข้อมูลสิ่งใหม่ในหลากหลายมิติ เพื่อให้ได้ข้อมูลครบถ้วน แล้วจะนำข้อมูล(Input Data)ทั้งหมด มาจัดเรียงความคิด แล้วเก็บบันทึกลงในหน่วยความจำ แน่นอนขบวนการนี้ยิ่งมีตัวอย่างในการเรียนรู้หลากหลายมิติ (ภาพ เสียง รส กลิ่น) ยิ่งทำให้เด็กเล็กสามารถแยกแยะ จดจำสิ่งกำลังเรียนรู้ใหม่ได้ดียิ่ง
☝️แท้จริงแล้วML systemที่เป็นหัวใจควบคุมการทำงานของ AIเลียนแบบระบบเครือข่ายประสาทของคน(Neural Network) และใช้เทคโนโลยี่และขบวนการคิดวิเคราะห์(Algorithm) ที่แตกต่างจากการพัฒนาapplication softwareในปัจจุบัน ซึ่งใช้Information Technology / Creative Software เป็นพื้นฐานในการพัฒนา
o Information Technology/Creative Software : คือการเขียนโค๊ดโปรแกรม (Program Coding) เพื่อให้ระบบทำงานตามองค์ความรู้ algorithm หรือ ขบวนการที่วางไว้ แล้วนำเอาระบบที่ได้ไปติดตั้งในอุปกรณ์ เพื่อให้ทำงานตามโปรแกรมที่ได้ออกแบบ
o ML Technology : คือการวางโครงสร้างด้านการเรียนรู้ (Learning Architecture/Algorithm) และการออกแบบเครือข่ายประสาทเทียม (Neural Network)หลากหลายรูปแบบเพื่อใช้จัดเก็บหน่วยความจำ เหมือนเครือข่ายส่วนประสาทความจำของคน เพื่อให้Machine สามารถเลือกใช้งานได้อย่างเหมาะ
A. ด้วยความก้าวหน้าด้านเทคโนโลยี่ในรอบ 20 ปี:
• Cloudnet Technology: ประสิทธิภาพ การเก็บข้อมูลบนอินเตอรเน็ตเพิ่มขึ้น 1,000 เท่า
• IC & CPU Technology: ประสิทธิภาพเพิ่ม 2 เท่าทุก 18-24 เดือน
👏ความก้าวหน้าทางเทคโนโลยี่เหล่านี้ ถูกนำมาใช้งานด้าน AI อย่างมีประสิทธิ คือ
• Perception & Cognition (ด้านการมองเห็น และการจดจำ):
• Image Recognition อาทิเช่น
- AIจำภาพของ Facebook จำหน้าเพื่อนคุณ จะแทกถึงคุณเมื่อเพื่อนคุณโพสภาพใหม่
- AI ของระบบรถยนต์ไร้คนขับ: เคยวิเคราะห์คนเดินข้ามถนนผิดพลาด 1 ครั้ง/ทุก 30 เฟรมภาพ (ระบบการถ่ายภาพจะบันทึก 30 เฟรมภาพ/วินาที) ปัจจุบันความผิดพลาดลดลงเหลือแค่ 1 ครั้ง/ทุก 30 ล้านเฟรมรูป เนื่องจากมีการพัฒนาเทคโนโลยี่ และระบบDBขนาดใหญ่ จัดเก็บข้อมูลบน cloud net
• Voice Recognition อาทิ Siri, Alexa, และ Google Assistant
- ระบบสั่งพิมพ์ด้วยคำพูด(Speech Recognition) ทำงานเร็วกว่าพิมพ์ด้วยมือถึง 3 เท่า
- ระบบสั่งพิมพ์ด้วยคำพูด(Speech Recognition)อัตราพิมพ์ผิด 4.9% ลดลงจาก 8.5%
• Cognition & Problem Solving (ด้านการจดจำ และ การแก้ปัญหา): เป็นการเรียนรู้จากตัวอย่างหลากหลาย (Data Training) จนสามารถสร้างองค์ความรู้ขึ้นมาเอง เพื่อใช้งานค้นหาคำตอบ งานคิดวิเคราะห์ และงานแก้ปัญหา ตัวอย่างการนำเทคโนโลยี่ด้านนี้มาใช้งาน อาทิเช่น
- AI แข่งขันเกมส์หมากรุก และ Pockerกับคน ล่าสุด AIชนะคนในเกมส์ “โก๊ะ”
- Google ใช้ ML ช่วยเพิ่มประสิทธิภาพระบบทำความเย็นใน Data Center ได้ถึง 15%
- Paypal ใช้ AI ช่วยงาน Cybersecurity ป้องกัน Malware
- บริษัทประกันภัยในสิงคโปรใช้ AI ของ IBM ช่วยงาน claimประกัน
- บริษัทด้านการลงทุนใน Wall street ใช้ ML ช่วยวิเคราะห์และตัดสินใจลงทุน
B. ด้วยความก้าวหน้าด้าน Learning Architecture / Algorithm ในรอบ 20 ปี
ได้การพัฒนาโครงสร้างขบวนการเรียนรู้ (Learning Algorithm) ที่เหมาะสมสำหรับ Machine Learning แต่ละประเภท:
• Self-learning ML Algorithm คือ ขบวนการเรียนรู้ สร้างองค์ความรู้ คิดวิเคราะห์ด้วยตัวเอง แต่ขบวนการนี้ยังอยู่ในระหว่างการพัฒนา ด้วยศักยภาพAIในปัจจุบัน ยังห่างไกลจากความสามารถของคน ทีมีความซับซ้อนมากกว่า หลายสิ่งต้องอาศัยความเข้าถึงอารมณ์ ความรู้สึก ความเข้าใจศิลปวัฒธรรม
• Reinforcement ML Algorithm คือ ขบวนการเรียนรู้ตามกรอบความคิดและตัวแปรที่กำหนดไว้ หลักการทำงาน คือ Reinforcement ML จะพยายามหาวิธีเพื่อให้เข้าใกล้เป้าหมายมากที่สุด โดยเราไม่ต้องบอกวิธีการ อาทิเช่น
o Atari video games, GO board games, ระบบ Stock Trading system.
o ระบบการคัดเลือก New Story Headline ของ Microsoft MNS
• Supervised ML Algorithm คือ ขบวนการเรียนรู้ผ่านการแนะนำป้อนคำตอบโดยคน ว่าสิ่งที่กำลังเรียนรู้เป็นแบบไหน อันไหนใช่ หรือไม่ใช่ ยิ่งมี Training Dataมาก ผลลัพท์ในการเรียนรู้จะถูกต้อง แม่นยำ
• ด้วยศักยภาพที่โดดเด่นและวิธีการทำงาน ระบบ Supervised ML Algorithm กำลังถูกนำมาแทน memory-based filtering algorithms (ที่พัฒนาภายใต้ Information Technology) ที่ใช้งานในปัจจุบันอาทิเช่น
o ระบบวิเคราะห์การตลาด (Marketing Analysis) ที Amazon ช่วยวิเคราะห์แนะนำหนังให้ลูกค้า
o ระบบ Supply Chain จะนำ supervised ML มาทดแทนระบบจัดซื้อเดิม โดยAIสั่งซื้อเมื่อระดับสต๊อกลดลง และเมื่อรับสินค้า AIก็ส่งคำสั่งให้Robust systemนำสินค้าขึ้นจัดเรียงบนชั้นวางได้อย่างมีประสิทธิภาพ
o ระบบวิเคราะห์สินเชื่อ (Financial Analysis) ที่ JP Morgan Chase ช่วยงานวิเคราะห์และอนุมัติเงินกู้ภายในไม่กี่วินาที แทนขบวนการเดิมที่เจ้าหน้าที่วิเคราะห์สินเชื่อเคยใช้เวลานานถึง 360,000 ชั่วโมง
👌Supervised ML ที่ความก้าวหน้ามากที่สุด และ เริ่มมีการนำมาใชัพัฒนาapplicationใช้งานจริงในปัจจุบัน คือ:
C. ในปัจจุบันสิ่งทียังเป็นจุดอ่อนสำหรับ AI & ML :
• เนื่องด้วยระบบการทำงานของ Neural Network System ของML ถูกพัฒนาบนแนวคิดถูกหรือผิดตามข้อมูลสถิติ (Statistical truth-false logic concept) ซึ่งหมายถึง ความถูกต้องไม่ 100% เพราะ ถูกต้องบนพื้นฐานข้อมูลสถิติ
ในชีวิตจริงการตัดสินใจไม่ใช่แค่ต้องการคำตอบถูกหรือผิด แต่บ้างครั้งการตัดสินใจ เกี่ยวข้องกับเหตุผล อารมณ์ ความรู้สึกมีส่วนร่วมในความรับผิดชอบ ความเชื่อมั่นศัทธาต่อหัวหน้าทีม ซึ่งการตัดสินใจถูกหรือผิดบนพื้นฐานข้อมูลสถิติของAIไม่เพียงพอ เพราะเป็นตัดสินใจแบบไม่ต้องรับผิดชอบ ปราศจากความมีส่วนร่วม จึงไม่สามารถสร้างความเชื่อมั่นศรัทธา และการยอมรับ
การใช้ MLสำหรับงานที่ชี้เป็นชี้ตาย ในขบวนการควบคุม Nuclear Power Plan ในส่วน Critical Point จะอันตรายมาก
• AI ยังไม่เหมาะกับงานเขียนเพราะ ด้วยศักยภาพปัจจุบัน AI สามารถเขียนได้ถูกต้องตามหลักภาษาศาสตร์ (Grammar) เท่านั้น แต่งานเขียนยังเกี่ยวข้องกับเรื่องของศิลปะ วัฒนธรรม อารมณ์ และ ภาษา Slang
• AI อาจได้รับการป้อนข้อมูลที่เอนเอียง (Bias) ในระหว่างขบวนการเรียนรู้โดยไม่ได้ตั้งใจจากผู้ป้อนข้อมูล ไม่ได้เกิดจากการออกแบบระบบ
• ขบวนการหาและแก้ไขที่ผิด (Errors Correction)ยากมาก ยิ่งหากระบบได้รับการ Train เพิ่มเติมภายหลัง สภาวะแวดล้อมเงื่อนไขถูกทำให้เปลี่ยนไป จนยากและซับซ้อนในการวิเคราะห์หาที่ผิด
🙏เตรียมพบ EP 3/8 ในวันพุธหน้า 10:00 ...
ค่อยๆก้าว เรียนรู้AI ง่ายๆ …8 EP … From Zero To Hero!
#Harvard_Business_Review #THE_BIG_IDEA #Artificial_Intelligence #Machine_Learning #♾Man #alfa_man
📚สามารถค้นหาอ่านเพิ่มเติมได้ที่
• Artificial Intelligence, For Real” Published in Harvard Business Review; July 2017 Issue
• More Job Opportunity at eJobFair : https://www.ejoblive.com/ejobarticle/
- 28
ดูเพิ่มเติมในซีรีส์
โฆษณา
- ดาวน์โหลดแอปพลิเคชัน
- © 2024 Blockdit
