The Fundamentals of AI – Machine Learning, Neural Network, Deep Learning – พื้นฐานแนวคิดของ “AI” ในยุคปัจจุบัน

PIN

ในเดือนที่ผ่านมา มีการปะทะถกเถียงกันระหว่างนาย “Elon Musk” ผู้ประกอบการอัจฉริยะแห่ง Tesla, SpaceX, PayPal และอีกหลายบริษัทที่ได้ถูกนำมาเป็นต้นแบบของภาพยนตร์ “Iron Man” กับ “Mark Zuckerberg” อัจริยะโปรแกรมเมอร์ผู้สร้างและยังคงดำรงตำแหน่ง CEO ของโซเชียลเน็ทเวิร์คอันดับหนึ่งของโลกอย่าง Facebook ในเรื่องของวิวัฒนาการของ “Artificial Intelligence” หรือที่เราเรียกกันสั้นๆว่า “AI”

ทางด้าน Elon Musk ได้พยายามออกมาประกาศเรียกร้องให้มีการควบคุมการพัฒนา “AI” ให้ใกล้ชิดมากขึ้น เพราะมองว่าหากมันถูกพัฒนาโดยไม่ได้รับการดูแล จะนำอันตรายต่อมนุษย์ในหลายรูปแบบ ไม่ว่าจะเป็นการทดแทนงาน หรือการใช้ไปในทางอาวุธคุกคามกัน ในขณะที่ทาง Mark Zuckerberg ออกมาพูดเชิงว่าการที่มีคนออกมาประกาศว่า “AI” จะเป็นสิ่งอันตรายที่ทำให้มนุษยชาติเสียหายนั่นเป็นเรื่องที่ “ไร้ความรับผิดชอบ” เพราะการพัฒนา “AI” สามารถนำมาใช้ให้เกิดประโยชน์มากมายไม่ใช่แค่เรื่องของการทุ่นแรงแต่รวมไปถึงการศึกษาวิจัยพัฒนาวิธีการรักษาโรคร้ายหลายตัวที่ก่อนหน้านี้เราไม่มีศักยภาพในการวิเคราะห์ข้อมูลที่เพียงพอ

นาย Elon Musk โพสท์ข้อความตอบคำกล่าวหาของ Mark Zuckerberg ผ่าน Twitter
นาย Elon Musk โพสท์ข้อความตอบคำกล่าวหาของ Mark Zuckerberg ผ่าน Twitter

นาย Elon Musk โพสท์ข้อความตอบคำกล่าวหาของ Mark Zuckerberg ผ่าน Twitter

ผมเคยได้มีโอกาสเขียนถึง “AI” ไปแล้วว่าจริงๆแล้วมันได้เข้ามาอยู่รอบตัวเราไปแล้ว และไม่ว่าคุณจะอยู่ค่ายไหนของการถกเถียงเรื่องความเสี่ยงของ “AI” ต่ออนาคตของมนุษย์ แต่สิ่งที่ประวัติศาสตร์สอนเราได้แน่ๆก็คือเราไม่สามารถห้ามวิวัฒนาการได้ตราบใดที่มนุษย์ยังคงมีความสงสัยและความต้องการในการค้นคว้าอยู่

และที่สำคัญ ในเมื่อ “AI” กำลังจะเข้ามามีผลกระทบต่อชีวิตเราอยากหลีกเลี่ยงไม่ได้แล้ว จึงเป็นเรื่องสำคัญที่เราจะต้องเรียนรู้แนวความคิดและความสามารถของมันเพื่อที่จะสามารถใช้ประโยชน์จากมันให้เต็มที่ รวมถึงการปรับความรู้ความสามารถขอตัวเองเพื่อเหมาะกับโลกอนาคตที่กำลังเกิดขึ้นแล้วด้วยครับ

ในครั้งนี้ ผมจึงอยากจะขอนำเสนอคำพูดที่เกี่ยวข้องกับแนวคิดของ “AI” ในยุคปัจจุบัน เพื่อสร้างพื้นฐานให้เข้าใจถึงวิวัฒนาการ ศักยภาพ และอนาคตที่อาจจะเกิดขึ้นครับ

“AI” ต่างจากซอฟท์แวร์อย่างอื่นอย่างไร

คำว่า “AI” หรือ “Artificial Intelligence” นั้นเป็นคำกว้างๆที่มักจะหมายถึงการใช้ “ซอฟท์แวร์” ที่อยู่ในอุปกรณ์คอมพิวเตอร์ประเภทต่างๆทำการเรียนรู้การใช้งานและผลิตหรือคาดเดาผลลัพธ์ที่มนุษย์ต้องการเพื่อให้เราสามารถบรรลุเป้าหมายที่ต้องการได้สะดวกขึ้น

จุดสำคัญที่ทำให้การพัฒนา “AI” ต่างจากการพัฒนาซอฟท์แวร์ประเภทอื่นๆตรงที่การพัฒนา “AI” นั้น จะเป็นการออกแบบและพัฒนา “ตรรกกะการเรียนรู้” ในขณะที่การพัฒนาซอฟท์แวร์ประเภทอื่นๆนั้นจะเป็นการพัฒนาตามกฏกระบวนการต่างๆที่ได้ออกแบบไว้แล้ว

ยกตัวอย่างเช่นระบบ “Autocomplete” หรือระบบคาดเดาคำพูดที่เราต้องการพิมพ์ที่แพร่หลายในโทรศัพท์มือถือหรือแอปพลิเคชันแชท เมื่อเรามีการพิมพ์ตัวอักษร “สว” ผ่านแป้นพิมพ์ ระบบมันก็อาจเสนอประโยค “สวัสดีวันจันทร์” มาให้เรายืนยันแล้วว่าเป็นประโยคที่เราต้องการจะพิมพ์หรือไม่ แต่ในขณะเดียวกัน คนอีกกลุ่มหนึ่งอาจได้รับการเสนอคำว่า “สวัสดีจ้า” เฉยๆก็ได้

การที่ระบบมันสามารถทราบคำที่เราต้องการพิมพ์และเสนอคำที่แตกต่างกันสำหรับคนต่างคนได้นั้น ไม่ได้เกิดจากการที่ผู้พัฒนาโปรแกรมได้ทำการเขัยนไว้ว่าหากคนกลุ่มนี้พิมพ์คำว่า “สว” ให้เสนอคำว่า “สวัสดีวันจันทร์” และหากคนอีกกลุ่มหนึ่งพิมพ์คำว่า “สว” ให้เสนอคำว่า “สวัสดีจ้า” แต่เป็นการบอกให้ระบบคอยดูว่าคนที่ใช้แต่ละคนนั้นพิมพ์ประโยคอะไรบ่อย แล้วค่อยนำเสนอคำนั้นเมื่อเขาพิมพ์ตัวอักษรที่เริ่มต้นประโยคนั้นสองตัวนั่นเอง

ดังนั้น แม้ว่า “AI” จะมีวิวัฒนาการอยู่ตลอดเวลา แต่คงจะพอเรียกได้ว่าหัวใจของ “AI” คือ “การเรียนรู้”

Machine learning

จากตัวอย่าง “Autocomplete” ข้างต้น จะเห็นว่าหากเราไม่สามารถพัฒนา “AI” ที่เรียนรู้ด้วยตัวเองได้แล้วนั้น การที่เราจะทำระบบที่จะสามารถคาดเดาว่าผู้ใช้ต้องการจะพิมพ์คำว่าอะไรหลังจากที่เขาเริ่มพิมพ์ตัวอักษร “สว” ได้นั้นแทบจะเป็นไปไม่ได้เลย เพราะจะต้องอาศัยการนำเอาประโยคทั้งหมดในโลกนี้ที่ขึ้นต้นด้วย “สว” บันทึกลงเข้าไปในโปรแกรม และต่อให้ทำได้จริงแค่ไหน ก็จะไม่รองรับวิวัฒนาการภาษาตามที่เราเห็นกันในโลกโซเชียลอย่างการใช้คำว่า “ครัช” แทน คำว่า “ครับ” กันอย่างทุกวัน

และวิวัฒนาการของ “การเรียนรู้” แบบ “เรียนรู้ด้วยตัวเอง” ผ่านการรับข้อมูลจำนวนมากแทนการสร้าง “กฏจำนวนมาก” เพื่อดักทางการใช้งานของผู้ใช้ให้คอมพิวเตอร์แบบนี้เอง ที่เป็นหนึ่งในจุดเปลี่ยนทำให้วงการ AI มีการพัฒนาอย่างรวดเร็วในช่วงที่ผ่านมา ซึ่งเราเรียกการเรียนรู้แบบนี้ว่าการเรียนรู้แบบ “Machine learning”

รูปภาพการตัดสินใจแบบ Decision Tree
รูปภาพการตัดสินใจแบบ Decision Tree

การเขียนโปรแกรมแบบสร้าง “กฎจำนวนมาก”จะมีลักษณะเหมือน “Decision Tree”

การสอนให้คอมพิวเตอร์ทำการเรียนรู้แบบ “Machine learning” นี้อาศัยการป้อนข้อมูลตัวอย่างจำนวนมากเพื่อให้สมองกล “AI” ที่เราออกแบบไว้จับหาคุณลักษณะและรูปแบบโครงสร้างของข้อมูลด้วยตัวเอง โดยปราศจากการสอนว่าอะไรเป็นอะไร ยกตัวอย่างระบบการแบ่งแยกประเภทรูปภาพของ Google Photos หรือการ tag รูปภาพของ Facebook ที่ไม่เคยมีใครไปสอนว่าคนไหนหน้าตาแบบไหนหรือชอบใส่เสื้อผ้าสีอะไร หรือว่างานแต่งมักมีสีขาว หรือชายหาดจะมีสีฟ้าทะเลและสีน้ำตาลของทราย แต่ทาง “AI” จะทำการเรียนรู้และแยกแยะและจัดหมวดหมู่ด้วยตนเอง

ตัวอย่างการแยกแยะข้อมูลในรูปภาพของ Google Photos
ตัวอย่างการแยกแยะข้อมูลในรูปภาพของ Google Photos

ตัวอย่างการแยกแยะข้อมูลในรูปภาพของ Google Photos

คนในวงการ AI นี้ได้อธิบายไว้ว่าการพัฒนาระบบการเรียนรู้และองค์ความรู้แบบนี้ คล้ายกับการสอนสุนัขให้ดมหาระเบิดตรงที่จริงๆแล้วมนุษย์เราเองก็ไม่รู้วิธีการดมกลิ่นหาระเบิดด้วยตนเอง แต่สิ่งที่เราทำได้คือการพาสุนัขไปยังเป้าหมายหลายๆครั้งและให้รางวัลมันเมื่อมันทำได้ถูกต้อง จนสุนัขสามารถเข้าใจเป้าหมายที่เราต้องการและแสวงหาวิธีการหาเป้าหมายด้วยตัวเองได้เอง

Neural Networks และ Deep Learning

ศาสตร์ของการเรียนรู้แบบ “Machine learning” เองก็มีรูปแบบของ “ตรรกะ” หรือ “algorithm” อยู่หลากหลายรูปแบบ โดยรูปแบบ algorithm ที่ดูจะได้รับความสนใจและแพร่หลายมากที่สุดในปัจจุบัน คือตรรกะการเรียนรู้แบบ “Neural Network” ที่ตั้งชื่อล้อกับ “โครงสร้างประสาท” ของสมองมนุษย์ โดยการวางโครงสร้างการเรียนรู้แบบ “Neural Network” นี้จะมีลักษณะของการออกแบบหน่วยงานหลายๆหน่วยงานที่จะทำการอ่านข้อมูลและเรียนรู้ที่จะแบ่งหน้าที่การทำงานซึ่งกันและกันเพื่อหาโครงสร้างของข้อมูลที่ได้รับและรูปแบบผลลัพธ์ที่สามารถผลิตได้ คล้ายกับเซลสมองที่จะมีการส่งข้อมูลต่อๆกันเพื่อเรียนรู้และสั่งการการกระทำต่างๆของเรา และการที่สมองเราสามารถแปลงแสงต่างๆเป็น “การมองเห็น” และเสียงต่างๆเป็น “การได้ยิน”

ภาพอธิบายโครงสร้าง Neural Network แบบ Deep Learning โดยสังเขปจาก hackernoon.com
ภาพอธิบายโครงสร้าง Neural Network แบบ Deep Learning โดยสังเขปจาก hackernoon.com

(ภาพอธิบายโครงสร้าง Neural Network แบบ Deep Learning โดยสังเขปจาก hackernoon.com)

โดยปกติแล้ว โครงสร้าง “Neural Network” นั้นจะถูกแบ่งเป็น “ชั้นๆ” โดยแต่ละที่จะมีหน้าที่ของมันโดยเฉพาะ แต่ละชั้นอาจมี “หน่วยประสาท” เป็นพันๆหรือล้านๆหน่วย ยกตัวอย่างเช่นในศาสตร์แขนงหนึ่งของวิทยาศาสตร์คอมพิวเตอร์ที่เรียกว่า “Computer Vision” ที่หมายถึงการใช้คอมพิวเตอร์ทำความเข้าใจถึงองค์ประกอบต่างๆที่อยู่ในรูปเหมือนกับเวลาที่มนุษย์ดูรูปภาพและแยกออกว่ารูปแต่ละรูปมีองค์ประกอบอะไรบ้าง คนกี่คน งานเทศกาลอะไร ช่วงเวลาอะไรของวัน มีอุปกรณ์อะไรบ้างในภาพ ฯลฯ และได้รับการพูดถึงบ่อยในการเปิดตัวครั้งล่สุดของ Apple นั้น ในแต่ละชั้นอาจจะมีการแบ่งว่าชั้นไหนเรียนรู้เรื่องสี ชั้นไหนสรรหาเรื่องเงา ชั้นไหนแยกแยะหน้าคนออกมา โดยจะมีการแบ่งชั้นและหน้าที่ของ “หน่วยประสาท” แต่ละหน่วยงานได้ด้วยตนเอง

และการเรียนรู้แบบส่งต่อกันหลายๆชั้นนี้ คือที่มาของคำว่า “Deep Learning” นั่นเอง

แอปพลิเคชันกล้องถ่ายรูปและการแต่งภาพในปัจจุบันที่สามารถใส่องค์ประกอบต่างๆไปในหน้าคนได้ในทันทีนี้ก็เกิดจากการพัฒนา “Neural Network” ที่มีการเรียนรู้แบบ “Deep Learning” นั่นเอง

ตัวอย่าง filter รูปภาพแบบ Real Time ของ Snapchat จาก VRScout
ตัวอย่าง filter รูปภาพแบบ Real Time ของ Snapchat จาก VRScout

ตัวอย่าง filter รูปภาพแบบ Real Time ของ Snapchat จาก VRScout

สิ่งที่ตามมาของการเรียนรู้แบบ “Deep Learning” นี้ก็คือ เราไม่สามารถรู้ได้แล้วว่าตรรกะต่างๆที่ถูกสร้างขึ้นจาก Neural Network ภายในระบบของแต่ละระบบนั้นมีลักษณะการทำงานอย่างไร และการป้อนข้อมูลไปแต่ละครั้งจะให้ผลลัพธ์อะไรออกมา เหมือนกับที่เราไม่ได้สามารถคาดเดาปฏิกริยาการตอบรับของคนแต่ละคนหรือแม้กระทั่งสมองของตัวเราเอง

แต่แม้ว่าสมองกลเหล่านี้จะสามารถคิดและทำงานทดแทนมนุษย์ได้ในหลายๆเรื่อง แต่ก็เป็นเรื่องยากที่ระบบระบบเดียวจะสามารถคิดแทนสมองของมนุษย์ได้ในทุกๆเรื่อง เพราะการทำงานของระบบ “AI” ต่างนั้นก็คล้ายกับการที่เรือดำน้ำสามารถดำน้ำได้เหมือนปลา แต่ไม่ได้ใช้วิธีการหายใจหรือขยับตัวเหมือนปลาเสียทีเดียว กล่าวคือแม้ว่า “AI” จะทำงานคล้ายกับสมองมนุษย์ แต่วิวัฒนาการของมันไม่ใช่การกลายเป็นสมองที่เหมือนของมนุษย์ไปเลยในตอนนี้ และที่สำคัญมนุษย์เองทุกวันนี้ก็ยังไม่เข้าใจวิธีการทำงานของสมองของเราเอง จึงเป็นเรื่องยากที่เราจะสามารถออกแบบระบบอะไรขึ้นมาที่จะสามารถทำงานได้เหมือนเรา

เริ่มที่การเข้าใจเหมือนมนุษย์ ต่อยอดที่การคาดการณ์อนาคต

นอกจากวิวัฒนาการของ “AI” จะทำให้คอมพิวเตอร์สามารถแยกแยะและทำความเข้าใจข้อมูลข้อความรูปภาพวิดีโอต่างๆได้คล้ายกับมนุษย์แล้ว สิ่งที่น่าติดตามคือความสามารถในการคาดเดาอนาคตจากการขุดหารูปแบบข้อมูลที่แฝงอยู่ในที่ต่างๆได้ในปริมาณที่มากกว่ามนุษย์จะสามารถทำได้

ยกตัวอย่างเช่น ทุกวันนี้ เราพอจะสามารถคำนวณและคาดการณ์ผลประกอบการณ์ของบริษัทในปีถัดไปได้บนพื้นฐานของปัจจัยบางอย่างที่เรามีอย่างเช่นข้อมูลการประกอบการในอดีต เทรนด์การเติบโตของเศรษฐกิจ ส่วนแบ่งตลาด เป็นต้น แต่หากรเาสามารถสร้างกระบวนการคาดเดาโดยใช้ซอฟท์แวร์ “AI” เข้ามาช่วยแล้ว เราจะสามารถทำการคาดการณ์โดยใช้ปัจจัยที่เพิ่มและลึกขึ้นได้หลายเท่า รวมไปถึงการปล่อยให้ “AI” แสวงหาปัจจัยที่ส่งผลต่อการประกอบการที่เราอาจคาดไม่ถึงอีกด้วยผ่านการป้อนข้อมูลที่เรามีทั้งหมดอย่างเช่น รายชื่อพนักงาน วุฒิการศึกษาที่จบ เพศ อายุ ที่เราอาจไม่มีเวลาหรือคาดไม่ถึงว่าจะส่งผลมาก่อนอีกด้วย

ทั้งหมดนี้ ต้องย้ำอีกครั้งว่ามันไม่ใช่โลกของอนาคต แต่เป็นสิ่งที่เกิดขึ้นแล้ว เป็นโลกที่ทั้งน่าตื่นเต้นและน่าหวาดระแวง เมื่อตรรกะคอมพิวเตอร์พัฒนามาถึงขั้นการคิดที่ทำได้เหนือมนุษย์ในบางชิ้นงาน และกระบวนการทำงานที่ทางผู้ออกแบบเองก็ไม่สามารถอธิบายได้ว่าเป็นอย่างไรเพราะเกิดจากการเรียนรู้และพัฒนาของตัวมันเอง

หวังว่าคอลัมน์ในครั้งนี้ จึงจะพอเป็นพื้นฐานให้สามารถศึกษาเพิ่มเติมกันได้ครับ

 

คอลัมน์นี้ตีพิมพ์ครั้งแรกในนิตยสาร SM Magazine ฉบับเดือนสิงหาคม 2560 ภายใต้คอลัมน์ “STARTUP MARKUP”


เลอทัด ศุภดิลก
กรรมการผู้จัดการ บริษัท เซลสุกิ จำกัด
www.sellsuki.co.th

Hi, I'm Lertad Supadhiloke

เลอทัด ศุภดิลก ปัจจุบันดำรงตำแหน่งเป็นผู้ร่วมก่อตั้งและประธานบริหารจัดการบริษัท Sellsuki จำกัด

http://www.lertad.com