ปัญญาประดิษฐ์ (AI: Artificial Intelligence) จุดเริ่มต้นแห่งยุคใหม่

​ ​มนุษย์เรามีวิวัฒนาการและอยู่รอดผ่านยุคสมัยและสภาพแวดล้อมต่างกัน ต่อสู้กับความท้าทายประเภทต่าง ๆ และการปรับปรุงพัฒนาไม่เพียงแต่ทางร่างกาย รวมถึงทักษะการแก้ปัญหา มนุษย์ถือได้ว่ามีประสิทธิภาพมากที่สุดในแง่ของทักษะการคิดและการแก้ปัญหา บางครั้งเราพึ่งพาคอมพิวเตอร์เพื่อช่วยให้เราทำงานที่ท้าทายและซับซ้อน เพื่อการประมวลผลข้อมูลที่รวดเร็วและมีประสิทธิภาพมากขึ้น ในยุคแห่งความก้าวหน้าทางเทคโนโลยีนี้ เราต้องการพลังการประมวลผลที่มากขึ้น พลังที่เทียบเท่ากับสติปัญญาและความยืดหยุ่นของมนุษย์ในการแก้ปัญหาที่ซับซ้อนที่โปรแกรมคอมพิวเตอร์ปกติไม่สามารถแก้ได้ในยุคปัจจุบัน

​ ​ก่อนหน้านี้ได้แสดงให้เห็นว่า จะมีความต้องการเพิ่มขึ้นสําหรับพลังการประมวลผลที่เทียบเท่าความยืดหยุ่นและความคิดสร้างสรรค์ของเราในการแก้ปัญหา และนั่นหมายความว่าเราจําเป็นต้องรู้ว่ามนุษย์เรียนรู้และจัดเก็บข้อมูลอย่างไร

​ ​1. การเรียนรู้แบบ Passive: การเรียนรู้โดยการสังเกต การอ่าน หรือการฟัง

​ ​2. การเรียนรู้แบบ Active: การเรียนรู้โดยการทํา, Learning by doing (ประสบการณ์)

เราลองมาทําความเข้าใจเกี่ยวกับคําศัพท์ที่อาจเข้าใจผิดกัน

​ ​ ​ปัญญาประดิษฐ์ (AI) เป็นคําที่ค่อนข้างกว้างดังที่เห็นในภาพด้านบน ชุดย่อยของ AI คือ Machine Learning และ Deep Learning และมีบางส่วนของข้อมูลขนาดใหญ่ (Big Data) และ Data Science ที่ตัดกับ AI

​ ​ ​Machine Learning (ML) เป็นอัลกอริธึมของคอมพิวเตอร์ที่สามารถปรับปรุงประสิทธิภาพของตัวเองโดยอัตโนมัติ เรียนรู้โดยใช้ข้อมูลจํานวนมหาศาล

​ ​ Deep Learning เป็นส่วนย่อยของ Machine Learning ซึ่งแตกต่างจากเทคนิค Machine Learning ทั่วไปที่พึ่งพาวิธีการทางสถิติ ใช้วิธีการเรียนรู้กล่องดํา (Black Box Learning) โดยใช้ "Neural Network" ซึ่งได้รับแรงบันดาลใจจากการทำงานของสมองเป็นหลัก

1. Supervised Learning: การเรียนรู้ภายใต้การดูแล (การเรียนรู้แบบมีผู้สอน)
2. Unsupervised Learning: การเรียนรู้โดยไม่ได้รับการดูแล (ไม่มีผู้สอน)
3. Reinforcement Learning: การเรียนรู้สิ่งต่างๆ จากการลองผิดลองถูก
   
   

​ ​การเรียนรู้แบบมีผู้สอน เป็นกระบวนการเรียนรู้โดยใช้ชุดข้อมูลตัวอย่าง (ชุดข้อมูลที่มีคำตอบ) เพื่อฝึกอบรมแบบจําลองของเราเพื่อให้บรรลุหนึ่งในสิ่งเหล่านี้

​ ​Classification: การจําแนกประเภท เพื่อจําแนกข้อมูล เช่น จําแนกสี

​ ​Regression: ทํานายข้อมูลที่มีความต่อเนื่อง เพื่อทํานายมูลค่าที่แน่นอน (ต่อเนื่อง) เช่น ราคาหุ้นหรือยอดขาย/รายได้

​ ​ใน Supervised Learning แบบจําลองที่ได้รับการฝึกอบรมจะถูกทดสอบทุกการวนซ้ํา หากแบบจําลองได้พิสูจน์แล้วว่าความแม่นยํานั้นสูงกว่าเกณฑ์ การฝึกอบรมจะเสร็จสิ้น หรือหากยังมีข้อผิดพลาดในการทํานาย แบบจําลองจะแก้ไขตัวเองและปรับปรุงผลลัพธ์ในการทําซ้ําครั้งต่อไปจนกว่าจะผ่านเกณฑ์ แนวคิดที่คล้ายคลึงกับวิธีที่ครูจะสอนและทดสอบเรา ถ้าเราเข้าใจ เราสอบผ่าน เราจะไปต่อ แต่ถ้าสอบตก เราจำเป็นต้องเรียนรู้และปรับปรุงผลของเรา วิธีนี้จึงเรียกว่า การเรียนรู้แบบ ”มีผู้สอน”

ภาพแสดงตัวอย่างของปัญหาการจําแนกประเภทที่โมเดลซึ่งเป็น "โมเดลกล่องดํา" จะจําแนกภาพให้เป็นหมายเลขที่ถูกต้อง

​ ​ใน Machine Learning โมเดลกล่องดําคือ เมื่อโมเดลเรียนรู้ที่จะทํานายหรือจําแนกบางสิ่งโดยปราศจากความรู้เกี่ยวกับค่าภายใน หรือเพียงแค่ผู้สร้างโมเดลไม่สามารถพิสูจน์ได้ว่ามันทํางานหรือมีตรรกะที่แข็งแกร่ง สําหรับบางคนการเรียนรู้กล่องดําเป็นปัญหาเนื่องจากธรรมชาติที่อธิบายไม่ได้ ซึ่งตอนนี้อยู่ในสาขาการวิจัยพิเศษของ Explainable AI หรือ AI ที่อธิบายได้

​ ​ การเรียนรู้แบบไม่มีผู้สอน เป็นวิธีการเรียนรู้โดยไม่ต้องมีชุดข้อมูลตัวอย่าง สำหรับการจัดกลุ่มและระบุรูปแบบในข้อมูลโดยไม่ต้องมีการควบคุมดูแลใด ๆ

แนวคิดหลักคือ โมเดลจะต้องสามารถจดจํารูปแบบและคลัสเตอร์ได้ โดยไม่ต้องมีการควบคุมใด ๆ

​ ​วิธีง่าย ๆ ในการทําความเข้าใจ Reinforcement Learning คือ การเปรียบเทียบกับสัตว์เลี้ยง เราจะฝึกลูกสุนัขให้จับมือเราได้อย่างไร ถ้ามันจับมือเรามันได้รับรางวัล ลูกสุนัขจะจดจํารางวัลนี้และทํางานต่อไปจนกว่ามันจะยอดเยี่ยม แรงบันดาลใจจากรางวัล ซึ่งเป็นแนวคิดเดียวกันที่ใช้ใน Reinforcement Learning

​ ​Agent (AI) จะอยู่ในสภาพแวดล้อมที่ต้องตัดสินใจดําเนินการ หากการตัดสินใจของ AI นั้นถูกต้อง AI จะได้รับรางวัลสําหรับการดําเนินการที่ถูกต้อง และ AI จะจดจําการกระทํานี้ที่นําไปสู่การได้รับรางวัล หากการตัดสินใจไม่ถูกต้องอาจถูกลงโทษโดยการหักคะแนน งานของ AI คือการเพิ่มประสิทธิภาพและเพิ่มคะแนนที่ได้รับให้ได้มากที่สุด และในกระบวนการนั้น ในที่สุด AI ก็เรียนรู้ที่จะทํางานให้สําเร็จและรู้วิธีการตัดสินใจที่ถูกต้อง

นี่คือวิดีโอที่น่าสนใจ ที่แสดงให้เห็นถึงพลังของ Reinforcement Learning:

• Multi-Agent Hide and Seek
  

• DeepMind’s AI Plays Catch…And So Much More! 🤖
  

• MarI/O - Machine Learning for Video Games

​ ​Neural networks เครือข่ายประสาท (ANN) ที่แม่นยํายิ่งขึ้นเป็นเครือข่ายหรือวงจรของเซลล์ประสาท (โหนด) เครือข่ายประสาทเทียมประกอบด้วยโหนดและการเชื่อมต่อซึ่งจําลองเป็นน้ําหนัก อินพุตทั้งหมดได้รับการแก้ไขโดยน้ําหนักและสรุป ซึ่งเรียกว่า Linear Combination เอาต์พุตจะถูกส่งผ่านไปยัง Activation Function หรือฟังก์ชันขั้นตอนเพื่อควบคุมแอมพลิจูดของเอาต์พุตตัวอย่างเช่น เอาต์พุตอาจอยู่ระหว่าง 0 ถึง 1 หรือ -1 และ 1 Perceptron ถือได้ว่าเป็นเครือข่ายประสาทชั้นเดียว ตัวอย่างของ Perceptron จะแสดงในภาพด้านล่างนี้

ภาพนี้แสดงให้เห็นว่ากระบวนการเริ่มต้นด้วยการรับค่าอินพุต (X) ทั้งหมดและคูณด้วยน้ําหนัก (W) ของพวกเขา
จากนั้นค่าคูณทั้งหมดเหล่านี้จะถูกรวมเข้าด้วยกันเพื่อสร้างผลรวมถ่วงน้ําหนัก (weighted sum)
ผลรวมถ่วงน้ําหนักจะถูกนําไปใช้กับ Activation Function สร้างผลลัพธ์ของ Perceptron

ภาพนี้แสดงให้เห็นว่าข้อมูลถูกป้อนไปข้างหน้าผ่านเครือข่ายประสาทอย่างไร และเมื่อวัดผลลัพธ์ด้วยข้อผิดพลาด
ค่าข้อผิดพลาดจะย้อนกลับผ่านเครือข่ายประสาททั้งหมดเพื่อปรับน้ําหนัก และทําซ้ํากระบวนการป้อนกลับอีกครั้งจนกว่าอัตราความผิดพลาดจะลดลง

​ ​Deep learning นั้นเป็นอัลกอริธึมรูปแบบใด ๆ ที่ใช้เครือข่ายที่ซ่อนอยู่หลายชั้นในเครือข่ายประสาทลึกและโครงสร้างเครือข่ายประสาทส่วนลึกนี้สามารถรวมกับอัลกอริธึมอื่น ๆ เช่น มีแอพพลิเคชั่นและประเภทของการเรียนรู้ลึกหลายรูปแบบ บางรูปแบบที่ใช้กันมากที่สุด คือ

1. Convolutional Neural Networks: สําหรับการประมวลผลและการเรียนรู้คุณสมบัติของภาพ
2. Recurrent Neural Networks: สําหรับ Natural Language Processing

​ ​AI เป็นสาขาการวิจัยขนาดใหญ่และจะเข้าใจได้มากขึ้นเมื่อเวลาผ่านไปมีเนื้อหามากขึ้นที่ต้องเข้าใจเกี่ยวกับ AI แต่บทความนี้เป็นบทนําที่เรียบง่ายเกี่ยวกับความเป็นไปได้ของการใช้ AI และวิธีที่ AI ปัจจุบันทํางาน

แหล่งข้อมูลเพิ่มเติมที่แนะนํา:
Neural Networks:
But what is a neural network? | Chapter 1, Deep learningGradient descent, how neural networks learn | Chapter 2, Deep learningMIT: Deep learning
MIT 6.S191 (2021): Introduction to Deep Learning