ปัญญาประดิษฐ์ (AI) ที่ทำงานโดยการเรียนรู้จากความผิดพลาด
ภาพถ่ายโดย JESHOOTS.com จาก Pexelsz
การพัฒนาโปรแกรมคอมพิวเตอร์เพื่อแข่งขันกับมนุษย์ในการแข่งขันหมากรุกถูกพัฒนามาอย่างต่อเนื่อง จนปัจจุบันแม้กระทั่งในโทรศัพท์สมาร์ทโฟนทั่วไปก็สามารถเล่นหมากรุกได้ แต่มีโปรแกรมปัญญาประดิษฐ์หนึ่งที่กำลังพัฒนาโดยการเรียนรู้จากการเดินหมากรุกที่ผิดพลาดของมนุษย์
โปรแกรมหมากรุกปัญญาประดิษฐ์นี้เป็นที่รู้จักในนาม Maia ซึ่งมีปัญญาประดิษฐ์ล้ำยุค (cutting-edge AI) ทำงานอยู่เบื้องหลัง โดยโปรแกรมหมากรุกปัญญาประดิษฐ์นี้แทนที่จะเรียนรู้การเอาชนะคู่ต่อสู้ในกระดานการแข่งขัน Maia กลับให้ความสนใจกับการพยากรณ์รูปแบบการเดินหมากของมนุษย์ รวมถึงศึกษารูปแบบการเดินหมากที่ผิดพลาดของมนุษย์ด้วย
Jon Kleinberg ศาสตราจารย์จากมหาวิทยาลัยคอร์เนล ซึ่งเป็นผู้นำการพัฒนา Maia กล่าวว่าการพัฒนาปัญญาประดิษฐ์โดยเรียนรู้จากความผิดพลาดของมนุษย์ จะทำให้เกิดการปฏิสัมพันธ์กับมนุษย์ที่ดีขึ้น ผ่านการสอนหรือช่วยเหลือมนุษย์ หรือแม้กระทั่งการเจรจาต่อรองกับมนุษย์ โดยยกตัวอย่างระบบที่สามารถพยากรณ์ความผิดพลาด อาจถูกนำมาใช้ฝึกแพทย์ในการอ่านภาพถ่ายทางการแพทย์ โดยนำองค์ความรู้ที่แพทย์ (ที่เป็นมนุษย์) ทำการวินิจฉัยภาพถ่ายทางการแพทย์ มาศึกษาเปรียบเทียบกับที่ระบบพยากรณ์
Kleinberg กล่าวต่อว่าที่ให้ความสนใจไปที่หมากรุก เพราะว่าโปรแกรมปัญญาประดิษฐ์ในการเดินหมากรุกเป็นหนึ่งในโปรแกรมคอมพิวเตอร์ที่ความชาญฉลาดของเครื่องจักร (machine intelligence) มีชัยเหนือมนุษย์ ทั้งยังเป็นระบบที่เหมาะสมสำหรับการทดลองอัลกอริทึม และเป็นต้นแบบทางด้านความโดดเด่นของปัญญาประดิษฐ์ (AI dominance)
Maia ถูกพัฒนาโดยดัดแปลงโปรแกรมมาจาก Leelo Zero ซึ่งเป็นโอเพนซอร์สโคลน (open source clone) ของ AlphaZero โปรแกรมปัญญาประดิษฐ์ที่ปฏิวัติวงการ ซึ่งถูกพัฒนาโดย Alphabet ซึ่งเป็นบริษัทลูกของ Deepmind
https://www.chess.com/article/view/how-does-alphazero-play-chess
AlphaZero แตกต่างจากโปรแกรมหมากรุกปัญญาประดิษฐ์ทั่วไป โดยมีการศึกษารูปแบบเดินหมากอย่างอิสระจากคำสั่งของมนุษย์ ภายในโปรแกรม AlphaZero จะมีโครงข่ายประสาทจำลอง (simulated neural network) ซึ่งประกอบด้วยเซลล์ประสาทเสมือนจริงที่สามารถปรับให้ตอบสนองต่อปัจจัยนำเข้า (input) สำหรับหมากรุกนั้น AlphaZero ได้รับการป้อนข้อมูลตำแหน่งของกระดานและรูปแบบการเดินหมากที่สร้างขึ้นในเกมการฝึกหัดแข่งขัน และปรับค่าการส่งสัญญาณประสาทเพื่อเลือกรูปแบบการเดินหมากที่จะชนะ ซึ่งกระบวนการนี้เป็นที่รู้จักในชื่อว่าการเรียนรู้แบบเสริมกำลัง (reinforcement learning) AlphaZero สามารถใช้กระบวนการเดียวกันนี้เรียนรู้วิธีการเล่นเกมส์กระดานอื่นๆ เช่น หมากฮอส หรือหมากล้อมแบบกระดานเล็ก
ทีมผู้พัฒนาจากมหาวิทยาลัยคอร์เนลได้ปรับแต่งโปรแกรมของ Leelo Zero เพื่อสร้างโปรแกรมที่เรียนรู้โดยสนับสนุนการคาดการณ์รูปแบบการเดินหมากของมนุษย์ที่แม่นยำ ขณะที่โปรแกรมปัญญาประดิษฐ์หมากรุกอื่นๆ (รวมถึง DeepBlue ของบริษัทไอบีเอ็ม ที่พ่ายแพ้ให้กับแชมป์โลก Garry Kasparov ในปี 2540) พยายามวางแผนการแข่งขันด้วยการสำรวจรูปแบบการเดินหมากที่เป็นไปได้ทั้งหมด แต่ Maia มุ่งเน้นไปที่การค้นหารูปแบบการเดินหมากที่เป็นไปได้มากที่สุดที่มนุษย์จะเลือกใช้ในการเล่น
Maia ได้รับการสอนด้วยข้อมูลจาก Lichess เว็บไซต์เล่นหมากรุกที่ได้รับความนิยม ผลลัพธ์ที่ได้คือโปรแกรมหมากรุกสามารถเล่นหมากรุกในรูปแบบที่คล้ายมนุษย์มากขึ้น Maia ได้รับการพัฒนาเป็นหลายเวอร์ชั่นตามความแข็งแกร่งในการเล่นที่ต่างกัน โดยสามารถท้าทายแข่งขันในตอนนี้ได้แล้วที่เว็บไซต์ Lichess
รูปแบบที่ซับซ้อนมากขึ้นของปัญญาประดิษฐ์อาจจะแซงหน้าความฉลาดของมนุษย์ในทุกสาขาตั้งแต่สาขาคณิตศาสตร์จนถึงสาขาวรรณกรรมและอื่นๆ แต่ถึงกระนั้น Kleinberg กล่าวว่า “จะมีช่วงเวลาการเปลี่ยนผ่านซึ่งมนุษย์และปัญญาประดิษฐ์จะทำงานร่วมกัน และจะมีการสื่อสารระหว่างกัน”
ปัญญาประดิษฐ์ที่สามารถคาดการณ์และเลียนแบบพฤติกรรมของมนุษย์ สามารถนำไปใช้งานได้ทันทีทั้งในเกมหมากรุกและเกมอื่นๆ Matthew Sadler ปรมาจารย์ด้านหมากรุกชาวอังกฤษ และผู้เขียนหนังสือ GAME CHANGER (ซึ่งเป็นหนังสือเกี่ยวกับความสามารถในการเล่นหมากรุกของ AlphaZero) กล่าวว่า “เป็นความคิดที่ดี” และ “มีความต้องการอย่างมากที่ผู้เล่นอยากจะมีเครื่องมือที่สามารถพูดภาษาของพวกเขาได้”
Sadler กล่าวว่า Maia อาจจะมีประโยชน์สำหรับการฝึกฝนและฝึกซ้อม นอกจากนี้ Maia ได้รับการฝึกฝนให้สามารถคาดการณ์รูปแบบการเดินหมากของผู้เล่นคนใดคนหนึ่งโดยเฉพาะ
“ลองจินตนาการว่าคุณกำลังเตรียมตัวสำหรับเกมส์หมากรุกชิงแชมป์โลกเพื่อแข่งกับ Magus Carlsen และคุณมีเครื่องมือที่เดินหมากได้เหมือนกับ Magus”
MATTHEW SADLER ปรมาจารย์ด้านหมากรุกชาวอังกฤษ และผู้เขียนหนังสือ GAME CHANGER
นอกเหนือจากเกมแล้วโปรแกรมปัญญาประดิษฐ์ที่สามารถเข้าถึงพฤติกรรมของมนุษย์อาจช่วยเป็นกลยุทธ์ในการเจรจา หรือการสร้างโปรแกรมและหุ่นยนต์ ที่สามารถคาดการณ์สิ่งที่ผู้ร่วมงานที่เป็นมนุษย์กำลังจะทำ
Julie Shah ผู้ช่วยศาสตราจารย์มหาวิทยาลัยเอ็มไอที ผู้ศึกษาทางด้านปฏิสัมพันธ์และการทำงานร่วมกันระหว่างมนุษย์และเครื่องจักร กล่าวว่า “คำถามที่พวกเขาถามว่าวิธีการนี้คาดการณ์สมรรถภาพของมนุษย์ได้ดีเพียงใดนั้นเป็นคำถามที่น่าสนใจ” Shah ตั้งข้อสังเกตว่าควรที่จะตรวจสอบ (examine) กระบวนการนี้ว่าสามารถสร้างแนวทางที่เหนือกว่าสำหรับมนุษย์และเครื่องจักรในการทำงานร่วมกัน
Matthias Sollner ศาสตร์จารย์มหาวิทยาลัยคาสเซล (Kassel) ประเทศเยอรมนี ผู้ทำการศึกษาว่าปัญญาประดิษฐ์สามารถช่วยพนักงานทำงานได้อย่างไร กล่าวว่ามีความสำคัญเป็นอย่างยิ่งที่ระบบดังกล่าวมีพฤติกรรมเหมือนมนุษย์มากขึ้น แต่อาจจะสำคัญกว่าสำหรับมนุษย์ที่จะต้องทำความเข้าใจการทำงานของระบบปัญญาประดิษฐ์ หากระบบทำงานไม่ดีและไม่ชัดเจนว่าเกิดจากสาเหตุใด เขากล่าวว่า “มันอาจส่งผลเสียต่อการยอมรับระบบปัญญาประดิษฐ์ดังกล่าว”
อ่านบทความที่น่าสนใจเกี่ยวกับ Big Data ได้ที่
#govbigdata #AI #BigData #Chess #MachineLearning #ReinforcementLearning #bigdatathailand #datascience #dataengineer #dataanalytics #digitalthailand #gbdi
โฆษณา
- ดาวน์โหลดแอปพลิเคชัน
- © 2024 Blockdit
