ปัญญาประดิษฐ์

ปัญญาประดิษฐ์

Artificial Intelligence

พลตรี มารวย  ส่งทานินทร์

[email protected]

2 กุมภาพันธ์ 2562

บทความเรื่อง ปัญญาประดิษฐ์ (Artificial Intelligence) ดัดแปลงมาจากข้อมูลทางอินเตอร์เน็ตหลายแหล่ง เช่น Wikipedia, disruptive website เป็นต้น

ผู้ที่ต้องการบทความนี้แบบ PowerPoint (PDF file) สามารถ Download ได้ที่ https://www.slideshare.net/maruay/artificial-intelligence-130262834

เกริ่นนำ

  • ปัญญาประดิษฐ์ (Artificial Intelligence: AI) อาจจะไม่ไกลตัวอีกต่อไป กับการที่สิ่งไม่มีชีวิตเช่น เครื่องจักร หรือ หุ่นยนต์ สามารถประมวลผลข้อมูล วิเคราะห์ และตัดสินใจแทนมนุษย์ได้
  • อาจจะเป็นสิ่งที่เราเคยเห็นเฉพาะในภาพยนตร์ โดยที่ไม่คาดคิดว่าเทคโนโลยี และนวัตกรรมใหม่อย่างปัญญาประดิษฐ์ จะเข้ามามีบทบาทสำคัญในชีวิตจริงของเราได้อย่างรวดเร็ว และทุกอย่างอาจจะเปลี่ยนแปลงแบบก้าวกระโดดกันเลยทีเดียว
  • ปัญญาประดิษฐ์ หรือที่เรียกกันว่า AI คือ โปรแกรมที่ถูกเขียนและพัฒนาให้มีความฉลาด มีความสามารถคิด วิเคราะห์ วางแผน และตัดสินใจได้ โดยการประมวลผลจากฐานข้อมูลขนาดใหญ่ มากไปกว่านั้นยังสามารถดัดแปลงการประมวลผล ประยุกต์ ให้เป็นไปตามสถานการณ์ต่างๆ

การนำ AI ไปใช้งาน

1. ด้านการผลิต (Production)
2. การตรวจสอบ (Inspection)
3. การประกอบชิ้นส่วน (Assembly)
4. ด้านบริการ (Field service)
5. ด้านการซ่อมแซมโทรศัพท์ (Telephone repair)
6. การตรวจสอบบัญชี (Auditing)
7. การคิดภาษี (Tax accounting)
8. การวางแผนด้านการเงิน (Financial planning)
9. ด้านการลงทุน (Investments)
10. ด้านบุคคล (Personnel)
11. ด้านการตลาด และการขาย (Marketing and sales)
12. การอนุมัติสินเชื่อ (Credit authorization)
13. หน่วยงานด้านบริการของรัฐ (Human services agency)
14. การทำนายทางการแพทย์ (Medical prognosis)

ปัญญาประดิษฐ์ (Artificial Intelligence: AI)

  • หมายถึงความฉลาดเทียมที่สร้างขึ้นให้กับสิ่งที่ไม่มีชีวิต
  • ปัญญาประดิษฐ์เป็นสาขาหนึ่งในด้านวิทยาการคอมพิวเตอร์ และวิศวกรรมเป็นหลัก แต่ยังรวมถึงศาสตร์ในด้านอื่น ๆ อย่างจิตวิทยา ปรัชญา หรือ ชีววิทยา
  • ซึ่งสาขาปัญญาประดิษฐ์เป็นการเรียนรู้เกี่ยวกับกระบวนการการคิด การกระทำ การให้เหตุผล การปรับตัว หรือ การอนุมาน และการทำงานของสมอง

ประวัติศาสตร์ของปัญญาประดิษฐ์

  • ปัญญาประดิษฐ์นั้นเริ่มก่อตั้งขึ้นในที่ประชุมวิชาการที่ Dartmouth College สหรัฐอเมริกา ในช่วงหน้าร้อน ค.ศ. 1956 โดยผู้ร่วมในการประชุมครั้งนั้น ได้แก่ Allen Newell (CMU), Herbert Simon (CMU), John McCarthy (MIT), Marvin Minsky (MIT) และ Arthur Samuel (IBM) ที่ได้กลายมาเป็นผู้นำทางปัญญาประดิษฐ์ในอีกหลายสิบปีต่อมา
  • นักวิทยาศาสตร์เหล่านี้เขียนโปรแกรมที่หลายคนทึ่ง ไม่ว่าจะเป็น คอมพิวเตอร์ที่สามารถเอาชนะคนเล่นหมากรุก แก้ไขปัญหาเกี่ยวกับคำด้วยพีชคณิต พิสูจน์ทฤษฎีทางตรรกวิทยา หรือแม้กระทั่งพูดภาษาอังกฤษได้
  • ในช่วงต้นคริสต์ทศวรรษ 1980 งานวิจัยด้านปัญญาประดิษฐ์ประสบความสำเร็จในเชิงพาณิชย์เป็นครั้งแรก ด้วยระบบที่ชื่อว่า ระบบผู้เชี่ยวชาญ (expert systems) อันเป็นระบบคอมพิวเตอร์ที่ช่วยในการหาคำตอบ อธิบายความไม่ชัดเจน ซึ่งปกตินั้นจะใช้ผู้เชี่ยวชาญในแต่ละสาขาตอบคำถามนั้น
  • ในปี ค.ศ. 1985 ตลาดของปัญญาประดิษฐ์ทะยานขึ้นไปแตะระดับ 1 พันล้านดอลลาร์สหรัฐ ในขณะเดียวกัน โครงการคอมพิวเตอร์รุ่นที่ 5 ของญี่ปุ่นก็ได้จุดประกายให้รัฐบาลสหรัฐอเมริกาและสหราชอาณาจักร หันมาให้เงินทุนสนับสนุนงานวิจัยในสาขาปัญญาประดิษฐ์อีกครั้ง
  • ในช่วงต้นคริสต์ศตวรรษที่ 21 ปัญญาประดิษฐ์ประสบความสำเร็จอย่างสูง มีการนำปัญญาประดิษฐ์มาใช้ในด้านการขนส่ง การทำเหมืองข้อมูล (Data Mining) การวินิจฉัยทางการแพทย์ และในอีกหลายสาขาในหลายอุตสาหกรรม
  • ความสำเร็จของปัญญาประดิษฐ์นั้นได้รับการผลักดันมาจากหลายปัจจัย ไม่ว่าจะเรื่องของความเร็วของคอมพิวเตอร์ที่มีการประมวลผลที่เร็วขึ้น (Moore's law) การสร้างความเชื่อมโยงระหว่างปัญญาประดิษฐ์กับสาขาอื่น ๆ ที่ทำงานคล้าย ๆ กัน
  • เมื่อวันที่ 11 พฤษภาคม ค.ศ. 1997 เครื่อง Deep Blue ของบริษัทIBM กลายมาเป็นคอมพิวเตอร์เครื่องแรกของโลกที่สามารถเล่นหมากรุกเอาชนะ Garry Kasparov แชมป์โลกในขณะนั้นได้ และในเดือนกุมภาพันธ์ ค.ศ. 2011 เครื่อง Watson ของบริษัทIBM ก็สามารถเอาชนะแชมป์รายการตอบคำถาม Jeopardy! (quiz show) ได้แบบขาดลอย
  • นอกจากนี้ เครื่องเล่นเกมอย่าง Kinect ก็ใช้เทคโนโลยีของปัญญาประดิษฐ์ มาใช้ในการสร้างส่วนติดต่อกับผู้ใช้ ผ่านทางการเคลื่อนไหวร่างกายใน 3 มิติเช่นกัน

คำนิยามของปัญญาประดิษฐ์   มีมากมายหลากหลาย ซึ่งสามารถจัดแบ่งออกเป็น 4 ประเภท ได้แก่

  • 1. ระบบที่คิดเหมือนมนุษย์ (Systems that think like humans)
  • 2. ระบบที่กระทำเหมือนมนุษย์ (Systems that act like humans)
  • 3. ระบบที่คิดอย่างมีเหตุผล (Systems that think rationally)
  • 4. ระบบที่กระทำอย่างมีเหตุผล (Systems that act rationally)

ประเภทที่ 1. ระบบที่คิดเหมือนมนุษย์

  • ปัญญาประดิษฐ์ คือ ความพยายามใหม่อันน่าตื่นเต้นที่จะทำให้คอมพิวเตอร์คิดได้ ซึ่งเครื่องจักรที่มีสติปัญญาอย่างครบถ้วนและแท้จริง ("The exciting new effort to make computers think ... machines with minds, in the full and literal sense." [Haugeland, 1985])
  • ปัญญาประดิษฐ์ คือ กลไกของกิจกรรมที่เกี่ยวข้องกับความคิดมนุษย์ เช่น การตัดสินใจ การแก้ปัญหา การเรียนรู้ ("[The automation of] activities that we associate with human thinking, activities such as decision-making, problem solving, learning." [Bellman, 1978])

ประเภทที่ 2. ระบบที่กระทำเหมือนมนุษย์

  • ปัญญาประดิษฐ์ คือ วิชาของการสร้างเครื่องจักรที่ทำงานในสิ่งซึ่งอาศัยปัญญาเมื่อกระทำโดยมนุษย์ ("The art of creating machines that perform functions that requires intelligence when performed by people." [Kurzweil, 1990])
  • ปัญญาประดิษฐ์ คือ การศึกษาวิธีทำให้คอมพิวเตอร์กระทำในสิ่งที่มนุษย์ทำได้ดีกว่าในขณะนั้น ("The study of how to make computers do things at which, at the moment, people are better." [Rich and Knight, 1991])

ประเภทที่ 3. ระบบที่คิดอย่างมีเหตุผล

  • ปัญญาประดิษฐ์ คือ การศึกษาความสามารถในด้านสติปัญญาโดยการใช้โมเดลการคำนวณ ("The study of mental faculties through the use of computational model." [Charniak and McDermott, 1985])
  • ปัญญาประดิษฐ์ คือ การศึกษาวิธีการคำนวณที่สามารถรับรู้ ใช้เหตุผล และกระทำ ("The study of the computations that make it possible to perceive, reason, and act" [Winston, 1992])

ประเภทที่ 4. ระบบที่กระทำอย่างมีเหตุผล

  • ปัญญาประดิษฐ์ คือ การศึกษาเพื่อออกแบบตัวกระทำแทนที่มีปัญญา ("Computational Intelligence is the study of the design of intelligent agents" [Poole et al., 1998])
  • ปัญญาประดิษฐ์ เกี่ยวข้องกับพฤติกรรมที่แสดงปัญญาในสิ่งที่มนุษย์สร้างขึ้น ("AI ... is concerned with intelligent behavior in artifacts" [Nilsson, 1998])

การวิจัยด้านปัญญาประดิษฐ์ พยายามศึกษาระบบเหล่านี้ ได้แก่

  • 1. การหักลบ การให้เหตุผล และการแก้ไขปัญหา (deduction, reasoning, problem solving)
  • 2. ตัวแทนด้านความรู้ (knowledge representation)
  • 3. ระบบผู้เชี่ยวชาญ (expert system)
  • 4. การวางแผนอัตโนมัติ (automated planning)
  • 5. การเรียนรู้ของเครื่องกล (machine learning)
  • 6. การประมวลผลภาษาธรรมชาติ (natural language processing)
  • 7. การรับรู้ของเครื่องกล (machine perception)
  • 8. การเคลื่อนไหวและการจัดการ (motion and manipulation)

ระบบที่ 1. การหักลบ การให้เหตุผล และการแก้ไขปัญหา

  • งานวิจัยด้านปัญญาประดิษฐ์ในช่วงแรก ๆ นั้นเริ่มต้นมาจากการให้เหตุผลแบบทีละขั้น ๆ เป็นการให้เหตุผลแบบเดียวกับที่มนุษย์ใช้ในการไขปัญหา หรือหาข้อสรุปทางตรรกศาสตร์
  • เทคนิคที่นิยมใช้กันมากก็คือ การเขียนโปรแกรมเชิงตรรกะ (logic programming) เมื่อเราแทนความรู้ของเครื่องด้วย first-order logic และ bayesian inference ด้วย bayesian networks

ระบบที่ 2. ตัวแทนด้านความรู้

  • เป็นหัวใจสำคัญของงานวิจัยด้านปัญญาประดิษฐ์ เป็นการศึกษาด้านเก็บ ความรู้ (knowledge) ไว้ในเครื่องจักร
  • เราเชื่อกันว่าหากจะให้เครื่องจักรแก้ไขปัญหาให้ จะต้องใช้ความรู้จำนวนมหาศาลบนโลกนี้ สิ่งที่ปัญญาประดิษฐ์ต้องการหาสัญลักษณ์มาแทนได้แก่ วัตถุ คุณสมบัติ ประเภท ความสัมพันธ์ระหว่างวัตถุ ไม่ว่าจะเป็นสถานการณ์ เหตุการณ์ สถานะ และเวลา ตลอดจนเหตุและผล ความรู้เกี่ยวกับความรู้ (รู้ว่าคนอื่นรู้อะไร) และอื่น ๆ อีกมากมาย

ระบบที่ 3. ระบบผู้เชี่ยวชาญ

  • เป็นการศึกษาเรื่องสร้างระบบความรู้ของปัญหาเฉพาะอย่าง เช่น การแพทย์หรือวิทยาศาสตร์ จุดประสงค์ของระบบนี้คือ ทำให้เสมือนมีมนุษย์ผู้เชี่ยวชาญคอยให้คำปรึกษา และคำตอบเกี่ยวกับปัญหาต่าง ๆ
  • งานวิจัยด้านนี้ มีจุดประสงค์หลักว่า เราไม่ต้องพึ่งมนุษย์ในการแก้ปัญหา แต่อย่างไรก็ตามในทางปฏิบัติแล้ว ระบบผู้เชี่ยวชาญยังต้องพึ่งมนุษย์ เพื่อให้ความรู้พื้นฐานในช่วงแรก

ระบบที่ 4. การวางแผนอัตโนมัติ

  • เครื่องที่ฉลาด จะต้องมีความสามารถในการตั้งเป้าหมายและบรรลุเป้าหมายได้เอง จะต้องมีวิธีการนึกภาพของอนาคต (จะต้องสามารถมองเห็นสถานะต่าง ๆ บนโลก และสามารถคาดการณ์ได้ว่าโลกจะเปลี่ยนไปอย่างไรได้) และสามารถที่จะตัดสินใจเลือกทางเลือกที่มีประโยชน์ (หรือมีค่า) มากที่สุดได้

ระบบที่ 5. การเรียนรู้ของเครื่องกล

  • ¡ เป็นการศึกษาอัลกอริทึมคอมพิวเตอร์ที่ขั้นตอนวิธีจะถูกปรับปรุงอย่างอัตโนมัติ ผ่านการเรียนรู้จากประสบการณ์ เป็นหัวใจหลักของงานวิจัยด้านปัญญาประดิษฐ์ นับตั้งแต่มีการก่อตั้งสาขานี้มา
  • ¡ การเรียนรู้ของเครื่องจักร ถือว่าเป็นหัวใจสำคัญของการพัฒนาหุ่นยนต์เช่นกัน ทำให้หุ่นยนต์มีทักษะใหม่ ๆ ได้ ผ่านการสำรวจด้วยตนเอง การติดต่อกับผู้สอนที่เป็นมนุษย์ การเลียนแบบ และอื่น ๆ

ระบบที่ 6. การประมวลผลภาษาธรรมชาติ

  • คือการทำให้เครื่องมีความสามารถที่จะอ่านและเข้าใจภาษาที่มนุษย์พูดในชีวิตประจำวัน
  • ระบบที่สามารถประมวลผลภาษาธรรมชาติได้มีประสิทธิภาพเพียงพอ จะทำให้เรามีส่วนติดต่อกับผู้ใช้ที่ใช้ภาษาธรรมชาติ และหาความรู้ได้โดยตรง จากแหล่งข้อมูลที่มนุษย์เขียน เช่น หนังสือพิมพ์
  • นอกจากนี้ ยังสามารถนำไปประยุกต์ใช้ได้โดยตรงกับการค้นข้อมูล การตอบคำถาม และการแปล

ระบบที่ 7. การรับรู้ของเครื่องกล

  • คือ ความสามารถในการอ่านข้อมูลขาเข้าจากเซนเซอร์ (เช่น กล้อง ไมโครโฟน เซนเซอร์สัมผัส โซนาร์ หรืออื่น ๆ ) เพื่อจะเข้าใจบริบทของโลกภายนอก ตัวอย่างของงานวิจัยด้านนี้ ได้แก่
    • คอมพิวเตอร์วิทัศน์ (computer vision)
    • การรู้จำคำพูด (speech recognition)
    • การรู้จำใบหน้า (facial recognition)
    • การรู้จำวัตถุ (object recognition)

    ระบบที่ 8. การเคลื่อนไหวและการจัดการ

    • สาขาวิทยาการหุ่นยนต์ มีความคล้ายคลึงกับสาขาปัญญาประดิษฐ์
    • หุ่นยนต์ต้องการความฉลาดเพื่อจัดการกับสิ่งต่าง ๆ เช่น การจัดการวัตถุ ระบบนำทาง การแก้ปัญหาย่อย เช่นการหาที่อยู่ตัวเองหรือหาที่อยู่ของสิ่งอื่น ๆ การทำแผนที่ การวางแผนการเคลื่อนไหวหรือเส้นทาง

    ปรัชญาและจริยธรรมของปัญญาประดิษฐ์

    • 1. ปัญญาประดิษฐ์ทั่วไป(general AI) เกิดขึ้นได้หรือไม่? เครื่องกลสามารถแก้ไขปัญหาใด ๆ ที่มนุษย์สามารถแก้ไขได้โดยใช้สติปัญญาได้หรือไม่? หรือมีข้อจำกัดสำหรับสิ่งที่เครื่องกลสามารถทำได้?
    • 2. เครื่องกลอัจฉริยะอันตรายหรือไม่? เราจะมั่นใจได้อย่างไรว่าเครื่องกลมีการทำงานอย่างมีจริยธรรมและใช้งานอย่างมีจริยธรรม?
    • 3. เครื่องกลมีความคิด สติ และสภาพจิตใจในลักษณะเดียวกับที่มนุษย์ทำได้หรือไม่? เครื่องกลสามารถมีความรู้สึกและสมควรได้รับสิทธิบางอย่างหรือไม่? เครื่องกลทำให้เกิดอันตรายกับมนุษย์โดยเจตนาได้หรือไม่?

    ความเสี่ยงของปัญญาประดิษฐ์

    • Stephen Hawking นักฟิสิกส์, Bill Gates ผู้ก่อตั้งไมโครซอฟท์, และ Elon Musk ผู้ก่อตั้ง SpaceX ได้แสดงความกังวลเกี่ยวกับความเป็นไปได้ที่ AI สามารถพัฒนาจนถึงจุดที่มนุษย์ไม่สามารถควบคุมมันได้ ซึ่งอาจเป็น การสูญพันธุ์ของมนุษยชาติ (spell the end of the human race)
    • เมื่อมนุษย์พัฒนาปัญญาประดิษฐ์ต่อ ๆ ไป มันก็จะเป็นอิสระและออกแบบตัวมันเองได้ในอัตราที่เพิ่มมากขึ้นเรื่อย ๆ ขณะที่มนุษย์ถูกจำกัดด้วยวิวัฒนาการทางชีววิทยาที่ช้า ไม่สามารถแข่งขันได้และจะถูกแทนที่

    กลยุทธ์ด้าน AI

    • แม้ว่าการปรับใช้ AI ขององค์กรเริ่มเพิ่มจำนวนขึ้น แต่กิจกรรมส่วนใหญ่ยังคงเป็นโครงการนำร่องเพียงไม่กี่โครงการ ที่แยกออกมาในรูปแบบเฉพาะกิจ
    • องค์กรที่ไม่มีกลยุทธ์ AI ที่ชัดเจน จะเสี่ยงต่อการตามไม่ทันกับผู้ที่อยู่ในอุตสาหกรรมเดียวกัน

    การเรียนรู้ของเครื่อง

    • ผู้คนชอบคำว่า 'การเรียนรู้ของเครื่อง (machine learning)' มากกว่า 'ปัญญาประดิษฐ์ (AI)' เพราะทำให้เข้าใจได้ดีกว่า
    • และยังดีกว่าคำว่า 'การทำนายด้วยเครื่องจักร (machine prediction)' เนื่องจากในความจริงแล้ว สิ่งที่ชุมชนการเรียนรู้ของเครื่อง ก็ใช้คำว่า 'การเรียนรู้ (learning)' ซึ่งหมายถึงการปรับรูปแบบข้อมูล

    ศักยภาพในการใช้การเรียนรู้ของเครื่องกล :

    • 1. ปรับปรุงการคาดการณ์ 'ธุรกิจหลัก' (Enhanced ‘core business’ prediction)
    • 2. ระบบอัตโนมัติ (Automation)
    • 3. ข้อเสนอใหม่ให้ลูกค้า (New customer propositions)
    • 4. การค้า (Commercialization)
    • 5. โมเดลก่อกวน (Disruptive models)

    ศักยภาพที่ 1. ปรับปรุงการคาดการณ์ 'ธุรกิจหลัก'

    • การวิเคราะห์เชิงทำนายได้ถูกนำมาใช้เป็นเวลาหลายปี เพื่อสนับสนุนการตัดสินใจทางธุรกิจ โดยเฉพาะในด้านการตลาดและการบริหารความเสี่ยง
    • การเรียนรู้ของเครื่อง สามารถรองรับตัวแปรทำนายจำนวนมากและรองรับความสัมพันธ์ของตัวแปรของข้อมูลทั้งที่มีโครงสร้างและไม่มีโครงสร้าง

    ศักยภาพที่ 2. ระบบอัตโนมัติ มีการปรับใช้ระบบอัตโนมัติอย่างน้อยสามประเภท

    • 1. Extractive - การดึงข้อมูลโครงสร้างจากแหล่งที่ไม่มีโครงสร้างโดยอัตโนมัติ
    • 2. Orchestrative - ทำให้กระบวนการหรือกิจกรรมโดยอัตโนมัติเป็นไปอย่างง่ายดาย
    • 3. Generative - โมเดลเหล่านี้ถูกใช้เพื่อสร้าง 'หน้าใหม่' โดยอัตโนมัติ เพื่อใช้สร้างคำอธิบายผลิตภัณฑ์อีคอมเมิร์ซ

    ศักยภาพที่ 3. ข้อเสนอใหม่ให้ลูกค้า

    • ใน B2B (business to business) ของ John Deere ได้ใช้บริการของ Blue River เพื่อแก้ปัญหาทางการเกษตรที่มีความแม่นยำ ในการปรับค่าใช้จ่ายและประสิทธิผลของสารกำจัดศัตรูพืชให้เหมาะสมที่สุด ในขณะที่การแก้ปัญหาลูกหนี้อัจฉริยะของ Bank of America การชำระเงินด้วยใบแจ้งหนี้มีการปรับตัวกับความสามารถในการชำระหนี้
    • ใน B2C (business to customer) หูฟัง Pixel ของ Google ใช้แปลภาษาแบบในเวลาจริง ในขณะที่การมองเห็นด้วยกลไกของ Amazon Go ช่วยให้ไม่ต้องเสียเวลากับการจ่ายเงินในการช็อปปิ้ง

    ศักยภาพที่ 4. การค้า

    • § โอกาสอาจมีอยู่เพื่อสร้างธุรกิจใหม่ที่ก่อตั้งขึ้น บนความได้เปรียบทางการแข่งขันที่ขับเคลื่อนด้วยการเรียนรู้ของเครื่อง
    • § เทคนิคใหม่ ๆ เช่น การเรียนรู้ด้วยการทำให้ตรงไปตรงมามากขึ้น ในการรวมสินทรัพย์ข้อมูลของบริษัทกับของบุคคลที่สามที่เกี่ยวข้อง เพื่อสนับสนุนประสิทธิภาพการทำงานในพื้นที่ที่ไม่ใช่ธุรกิจหลัก

    ศักยภาพที่ 5. โมเดลก่อกวน

    • การเรียนรู้ของเครื่อง มีศักยภาพที่จะแก้ไขรูปแบบธุรกิจที่มีอยู่ก่อน และ/หรือต้นทุนในการแข่งขัน
    • ตัวอย่างเช่นวิธีการทำงานอัตโนมัติคลังสินค้าของ Ocado ซึ่งขณะนี้มีการใช้งานอย่างสมบูรณ์ ไม่เพียงแต่การสั่งซื้อโดยอัตโนมัติอย่างสมบูรณ์เท่านั้น แต่ยังทำให้ลดจำนวนชิ้นส่วนที่เกี่ยวข้อง (ลดการบำรุงรักษาและซ่อมแซม) และเพิ่มประสิทธิภาพด้านต้นทุนสูงสุด

    การเรียนรู้ของเครื่องในปัจจุบันและอนาคต

    • การวิจัยการเรียนรู้ด้วยเครื่องจักรกำลังดำเนินไปในทิศทางที่หลากหลาย
    • อย่างไรก็ตาม มีสองประเด็นสำคัญของการพัฒนาเพื่อเพิ่มขอบเขตการใช้ทางธุรกิจ:
      • - 1. การยอมรับแนวทาง การเรียนรู้แบบเบย์(Bayesian learning) มากขึ้นเรื่อย ๆ
      • - 2. ลดข้อมูลการฝึกอบรมที่จำเป็น

      ประเด็นที่ 1. การยอมรับแนวทางการเรียนรู้แบบเบย์มากขึ้นเรื่อย ๆ

      • § อัลกอริธึมการเรียนรู้ด้วยเครื่องไม่ได้ทำได้ถูกต้องเสมอไป และในสถานการณ์การใช้งานจำนวนมากไม่จำเป็นต้องทำ เพราะพวกเขาสามารถวัดความน่าจะเป็นของความมั่นใจในผลงานของพวกเขาได้
      • § แต่ความซับซ้อนที่เพิ่มมากขึ้นและการยอมรับของวิธีการแบบเบย์ ให้โอกาสในการกระจายความน่าจะเป็นมากกว่าผลลัพธ์ที่เป็นไปได้ เพื่อแก้ไขข้อจำกัดแบบดั้งเดิมเหล่านี้ ซึ่งเป็นกุญแจสำคัญในการปรับใช้ในองค์กรให้กว้างขึ้น

      ประเด็นที่ 2. ลดข้อมูลการฝึกอบรมที่จำเป็น

      • เนื่องจากความสามารถในการจำลองสภาพแวดล้อมในโลกแห่งความเป็นจริงดีขึ้น ดังนั้นทำให้การฝึกอบรมโมเดลที่มีความต้องการข้อมูลการฝึกอบรมที่น้อยลง
      • ถ่ายโอนการเรียนรู้ - รูปแบบการฝึกอบรมพร้อมกับการทำงาน - ส่งผลให้การฝึกอบรมใด ๆ ทำได้เร็วขึ้น
      • ในทำนองเดียวกัน การถ่ายโอนแบบจำลองที่ผ่านการฝึกอบรมมาล่วงหน้าจากสภาพแวดล้อมที่เกี่ยวข้องไปยังอีกรุ่นหนึ่ง ทำให้เสียเวลาน้อยกว่าการฝึกอบรมใหม่ตั้งแต่เริ่มต้น

      สรุป

      • บริษัทในทุกอุตสาหกรรม ต้องสร้างกลยุทธ์ AI ของตัวเอง
      • ในการทำด้วยวิธีการที่รอบคอบ จะให้ผลตอบแทนสูงสุดและมีสิ่งที่ไม่พึงประสงค์น้อยที่สุด
      • การทำเช่นนั้น จำเป็นต้องใช้ความคิดจินตนาการที่มีข้อมูลและมีโครงสร้าง พร้อมกับการใช้วิจารณญาณบนพื้นฐานของประสบการณ์ ซึ่งทั้งสองอย่างนี้จะเป็นการอนุรักษ์มนุษย์ไว้อีกสักระยะหนึ่ง

      ***************************************

      บันทึกนี้เขียนที่ GotoKnow โดย  ใน Others



      ความเห็น (1)

      เขียนเมื่อ 

      ปัญญาประดิษฐ์ ประดิษฐ์ด้วยปัญญา