หลักการและทฤษฎีการแก้ปัญหาในงานวิจัยประเภท ปัญญาประดิษฐ์ Artificial Intelligene

"ทำไมต้องใช้ AI"

เทคนิคการหาคำตอบที่เหมาะสม (Optimization Algorithms)

          เทคนิคการหาคำตอบที่เหมาะสมสามารถแบ่งเป็น 2 ประเภท คือ การหาคำตอบที่เหมาะสมด้วยวิธีดั้งเดิม (Conventional Optimization Algorithm) และวิธีการหาคำตอบแบบการประมาณ (Approximation Optimization Algorithm) (Nagar et al., 1995)

1 แนวคิดวิธีการหาคำตอบที่ดีที่สุด โดยอาศัยหลักทางคณิตศาสตร์ (Mathematical)

          วิธีการแก้ปัญหา โดยใช้หลักการทางคณิตศาสตร์ ถูกพัฒนาขึ้นในสมัยสงครามโลกครั้งที่ 2 โดยมีวัตถุประสงค์ในการแก้ปัญหาที่มีความซับซ้อนทางทหาร วิธีการแก้ปัญหาแบบนี้ได้ถูก นำไปใช้แก้ปัญหาในด้านอื่นๆมากมาย ไม่ว่าจะเป็นปัญหาในด้านการจัดตาราง (Scheduling problems) ปัญหาการมอบหมายงาน (Assignment problem) รวมไปถึงปัญหาการเดินทางของพนักงานขาย (Traveling salesman problem) ด้วย ซึ่งวิธีการที่ถูกนำมาใช้ในการแก้ปัญหาเพื่อหาคำตอบสำหรับปัญหาการจัดเซลล์การผลิตนั้น มีอยู่ 4 วิธีได้แก่ Dynamic programming, linear programming, Goal programming และ Linear and quadratic integer programming

อย่างไรก็ดี วิธีการหาค่าคำตอบที่ดีที่สุดโดยอาศัยหลักการทางคณิตศาสตร์นั้นจะเหมาะสมกับปัญหาขนาดเล็กเท่านั้นเนื่องมาจากข้อจำกัดและกฎเกณฑ์ในการหาคำตอบที่ตายตัวจนเกินไป (Enumerative search) ซึ่งเมื่อนำวิธีการเหล่านี้ไปแก้ไขปัญหาที่มีขนาดใหญ่และซับซ้อนมากขึ้น ต้องใช้ระยะเวลาในการแก้ปัญหาที่นานมากขึ้นเป็นทวีคูณ

2 แนวคิดวิธีการหาคำตอบที่ดี โดยอาศัยหลักการประมาณ (Approximation optimization algorithm)

            สำหรับปัญหาการหาค่าที่ดีที่สุดโดยใช้วิธีทางคณิตศาสตร์จะเหมาะสำหรับแก้ปัญหาที่มีขนาดเล็ก ซึ่งเป็นเรื่องที่ยากมากในการที่จะหาคำตอบที่มีขนาดใหญ่ โดยเฉพาะว่าเป็นปัญหาแบบ NP-Hard problems ขณะที่ขนาดของปัญหาเพิ่มขึ้นเพียงเล็กน้อย แต่ต้องใช้เวลาในการแก้ปัญหาที่นานมากขึ้นหลายเท่าตัว ดังนั้นจึงมีวิธีการหาค่าคำตอบที่ดีที่สุดโดยอาศัยหลักของการประมาณเกิดขึ้น เพื่อจัดการกับปัญหาลักษณะเช่นนี้โดยตรง ซึ่งวิธีการในกลุ่มนี้จะมีความสามารถในการแก้ปัญหาที่มีขนาดใหญ่และมีความซับซ้อนสูงๆได้ (Pongcharoen et al., 2001)

            เมตาฮิวริสติก (Metaheuristics) เป็นสาขาหนึ่งของการหาค่าคำตอบที่ดีที่สุดโดยอาศัยหลักของการประมาณและประสบความสำเร็จอย่างมาก มีความรวดเร็วในการประมวลผลในการแก้ปัญหาที่มีความซับซ้อนสูงๆ  อย่างเช่น ปัญหาการเดินทางของพนักงานขาย (Traveling salesman problem) วิธีการต่างๆในกลุ่มของเมตาฮิวริสติก ก็เช่น ซิมูเลทเทดแอนนีลลิง (Simulated annealing: SA), ทาบูเสิร์ช (Taboo search: TS), นิวรอลเน็ทเวิร์ค (Neural network: NN), เจเนติคอัลกอริทึม (Genetic algorithm: GA) รวมไปถึง แอนท์โคโลนีออพติไมเซชั่น (Ant colony optimization: ACO) (Pongcharoen et al., 2001) โดยวิธีการเหล่านี้จะได้ผลเฉลยที่ไม่ใช่ผลเฉลยดีที่สุดแต่จะได้เป็นกลุ่มของคำตอบ กระบวนการทำงานจะวนซ้ำแล้วจะหยุดทำงานเมื่อถึงเงื่อนไขตามที่กำหนดไว้ ตัวอย่างขั้นตอนวิธีเหล่านี้ เช่น ACO,TS, SA GA และวิธีการแบบไฮบริด (Hybrid Approaches) ซึ่งแต่ละวิธีจะมีกลยุทธ์ในการค้นหาผลเฉลยที่แตกต่างกันออกไป

ปัญหาที่นิยมใช้วิธี AI ในการแก้ปัญหา

ปัญหาที่ต้องการหาคำตอบ เช่น Minimization, Maximization, Optimization

Travelling salesman(ปัญหา พนักงานขาย),
Scheduling(ปัญหา การจัดตารางการผลิต),
Supply chain and Logistic(ปัญหา การขนส่งและโซ่อุปทาน),
Cellular manufacturing(ปัญหา การผลิตแบบเซลล์),
Producting planning ปัญหา การวางแผนการผลิต),
Cell formation(ปัญหา การวางผังโรงงาน),
Vehicle routing (ปัญหา การวางแผนการขนส่ง)

Optimal Position (ปัญหาการหาตำแหน่งที่เหมาะสม)

Mathematic Ploblem (ปัญหาการแก้สมการทางคณิตศาสตร์

Decistion robot (การตัดสินใจของหุ่นยนต์)

สรุป คือ AI เหมาะสำหรับแก้ปัญหาที่มีขนาดใหญ่และมีความสลับซับซ้อนสูง โดยคำตอบจะไม่การันตีคำตอบที่ดีที่สุด แต่ก็เป็นคำตอบที่ยอมรับได้ แต่ถ้าถามว่าทำใมไม่ใช้วิธีทางคณิตศาสตร์แก้ปัญหา เช่นวิธีการ Linear Programming หรือ dynamic programming ซึ่งการันตีคำตอบที่ดีที่สุด ก็เพราะ ใช้เวลานานในการแก้ปัญหาที่มีขนาดใหญ่ ซึ่งเวลาในการแก้ปัญหาจะมีลักษณะคล้ายกับกราฟ เอ็กโพเนียนเชียล

ทำไมต้องทำงานวิจัย เกี่ยวกับ AI สำหรับผู้เรียน ป.โท-เอก ที่ต้องตีพิมพ์ Paper และต้องมี International Conference ตอบคำเดียว ว่า Hot งาน Conference เพียบ ทั้งใน ไทยและต่างประเทศ เช่น ISL (International symposium Logistic), ANSCSE  ซึ่งเป็นงานที่ ผู้เขียนส่งงานวิจัยไป Conference และอีกมากมาย