เรียนรู้การทำงานของ AI ผ่าน machine learning (ML)
เชื่อว่าหลายคนคงเคยได้ยินและรู้จักคำว่า AI หรือปัญญาประดิษฐ์กันมามาสักพักหนึ่งแล้ว AI หรือซอฟต์แวร์ที่มีลักษณะการทำงานคล้ายสมองของสิ่งมีชีวิต แต่มันคือสมองของสิ่งไม่มีชีวิต โดยสามารถคิด เรียนรู้ และทำงานงานได้คล้ายมนุษย์ได้ในบางอย่างที่เป็นการทำงานแบบการใช้การคิดและตัดสินใจอย่างมีเหตุมีผล แต่ยังไม่ใช่เรื่องของความรู้สึก
ภาพที่ 1 ปัญญาประดิษฐ์
ที่มา Seanbatty / Pixabay
วันนี้ขอขอนำเสนอและยกตัวอย่างรูปแบบการทดลองต่าง ๆ ซึ่งเป็นสื่อการสอนอีกรูปแบบหนึ่งที่สามารถเรียนรู้การทำงานของ AI ง่าย ๆ ได้ด้วยตนเองผ่านเทคโนโลยีที่เรียกว่า machine learning (ML)
จริง ๆ แล้ว การเรียนรู้ด้วยตนเองในรูปแบบของ Machine learning (ML) ซึ่งเป็นรูปแบบที่เป็นสาขาหนึ่งของปัญญาประดิษฐ์ พัฒนามาจากการศึกษาด้านการรู้จำ โดยใช้อัลกอลิธึมสร้างแบบหรือซอฟต์แวร์เพื่อเรียนรู้และจดจำข้อมูล และสร้างเป็นแบบจำลอง เพื่อการประมวลผลหรือทำนายข้อมูลออกมา เราอาจเรียก machine learning ว่าเป็นเครื่องมือหรือวิธีการหนึ่งที่ช่วยเพิ่มความฉลาดของ AI ก็ว่าได้
Arthur Lee Samuel (อาเธอร์ ซามูเอล) นักวิทยาศาสตร์คอมพิวเตอร์ยุคแรก ๆ ของ ได้เคยนิยามความหมายของ ML ไว้ว่า “ศาสตร์ที่จะทำให้คอมพิวเตอร์สามารถที่จะเรียนรู้ได้ โดยไม่ต้องเขียนโปรแกรมกำกับชัดเจน”“Field of study that gives computers the ability to learn without being explicitly programmed.”
ศาสตร์ดังกล่าวคืออัลกอริทึมที่อาศัยโมเดลที่สร้างมาจากชุดข้อมูลตัวอย่างนำเข้า (Input Data) เพื่อการทำนายหรือตัดสินใจในภายหลัง แทนที่จะทำงานตามลำดับของคำสั่งโปรแกรมคอมพิวเตอร์ จะเห็นได้ว่าพระเอกของงานนี้เลยคือ ข้อมูล (Data) นั่นเอง
อาจกล่าวง่าย ๆ โดยสรุปว่า เราจะสอนให้คอมพิวเตอร์เรียนรู้จากการป้อนข้อมูล Input เข้าไป เพื่อให้คอมพิวเตอร์เรียนรู้และจดจำสร้างรูปแบบ เพื่อการทำนายข้อมูลในอนาคต ยกตัวอย่างง่าย ๆ เช่น การสอนให้คอมพิวเตอร์แยกแยะภาพว่าภาพที่ทดสอบเป็นภาพสุนัขหรือแมว โดยการนำภาพสุนัขและแมวจำนวนหนึ่งซึ่งถือเป็น Input Data เข้าไปในระบบที่ทดสอบ คอมพิวเตอร์จะมีสร้างอัลกอริทึมเพื่อเรียนรู้และจดจำภาพในระดับ Pixel จากนั้นสร้างเป็นต้นแบบ (Pattern) หากทำการทดสอบด้วยภาพใหม่ ๆ คอมพิวเตอร์ก็จะสามารถแยกแยะได้ว่าภาพที่ทดสอบเป็นภาพของสุนัขหรือแมวได้นั่นเอง
เพื่อให้เราได้เรียนรู้ AI ผ่าน machine learning (ML) ได้ด้วยตนเอง เราสามารถทดสอบจากระบบทดสอบออนไลน์ที่มีอยู่ในอินเทอร์เน็ตมากมายเช่น
Thing Translator
ภาพที่ 2 ตัวอย่างการสาธิต Thing Translator
ที่มา ภาพจากงานมหกรรมวิทยาศาสตร์และเทคโนโลยี 2560
Thing Translator ตัวอย่างการวิเคราะห์วัตถุจากภาพ และอ่านออกเสียงวัตถุดังกล่าวเป็นภาษาต่าง ๆ เป็นแอปพลิเคชันที่สามารถตรวจจับวัตถุที่ผู้ใช้งานต้องการตรวจสอบผ่านกล้องถ่ายรูปในสมาร์ทโฟน และแสดงผลเป็นภาษาต่าง ๆ
Quick, Draw!
ภาพที่ 2 ตัวอย่างการสาธิต Quick, Draw!
ที่มา https://experiments.withgoogle.com/ai/quick-draw
Quick, Draw! คือตัวอย่างการฝึกให้เราวาดรูปจากคำใบ้หรือภาพจากคนอื่นที่เคยวาดไว้ เราต้องวาดรูปตามโจทย์ที่ได้รับ ซึ่งระบบจะตรวจสอบและวิเคราะห์รูปที่เราวาดนั้นคืออะไร
นี่เป็นเพียงตัวอย่างเพียงเล็กน้อย ที่ทำให้เราได้เรียนรู้ว่าเราควรให้ความสำคัญกับเทคโนโลยี Machine learning (ML) ซึ่งเครื่องมือสำคัญของการสร้างระบบ AI ที่มีความสามารถเหมือนกับสมองของมนุษย์ที่มีประสิทธิภาพอย่างไม่มีที่สิ้นสุดในอนคต ซึ่งจะช่วยให้งานวิจัย หรือการพัฒนาเทคโนโลยีต่าง ๆ ก้าวหน้าไปได้อย่างรวดเร็ว
แหล่งที่มา
Machine Learning สิ่งจำเป็นต่อการเปลี่ยนแปลงสู่ดิจิทัล. สืบค้นเมื่อ 15 พฤศจิกายน 2560, จาก
http://www.theeleader.com/machine-learning/
Pornthep Khetrum. (2560, 30 ตุลาคม). AI Machine Learning คืออะไร รู้จักหรือไม่รู้จักก็ต้องรีบ Learn. สืบค้นเมื่อ 15 พฤศจิกายน 2560, จาก
https://googleanalyticsthailand.wordpress.com/2017/10/30/ai-machine-learning-คืออะไร/
G-ABLE. (2560, 15 สิงหาคม). Machine Learning: ความหวังและความกลัว. สืบค้นเมื่อ 15 พฤศจิกายน 2560, จาก
https://www.g-able.com/digital-review/done-machine-learning-hope-and-fear/
LEONID. (2559, 22 พฤศจิกายน). Google เผย AI Experiments เว็บเทสปัญญาประดิษฐ์เจ๋งๆ! . สืบค้นเมื่อ 15 พฤศจิกายน 2560, จาก
https://65blogs.com/technology/google-unveils-creative-and-studious-ai-experiments/
Quick. สืบค้นเมื่อ 15 พฤศจิกายน 2560, จาก
https://experiments.withgoogle.com/ai/quick-draw
Thing Translator. สืบค้นเมื่อ 15 พฤศจิกายน 2560, จาก
https://experiments.withgoogle.com/ai/thing-translator
(9879) 
(4685) 
(19382)