What Machine Learning cannot do

AI for Everyone สอนโดย Andrew Ng สามารถสมัครเรียนฟรีหรือจะเลือกเสียเงินก็ได้ หากต้องการรับ certificate นอกจากเสียเงินแล้วต้องทำแบบฝึกหัดทดสอบท้ายบทให้ผ่านเกณฑ์ด้วย
 
แรกทีเดียวผมรู้สึกลังเล ว่าจะเขียนเล่าดีไหม เพราะไม่มีประเด็นหรือแง่มุมอะไรใหม่ ถ้าสนใจน่าจะไปเรียนเองดีกว่า ดังนั้นวัตถุประสงค์สำคัญจึงเพื่อสรุปทบทวนความเข้าใจของตัวเอง
 
ถึงแม้ว่าอ่านหนังสือเล่มเดียวกัน ดูภาพยนต์เรื่องเดียวกัน เรียนวิชาในห้องเรียนพร้อมกัน แต่ละคนก็อาจซึมซับและเข้าใจสารที่ได้รับได้ไม่เท่ากัน เมื่อคิดได้เช่นนี้ผมจึงรู้สึกคลายกังวลว่าไม่จำเป็นต้องถ่ายทอดจนครบถ้วน แต่ต้องการเพียงสะท้อนสิ่งที่ตัวเองเข้าใจออกมา
 
พื้นฐานของผมเขียนโปรแกรมได้ แต่ยังคงคลุมเครือกับคำศัพท์ต่าง ๆ ในแวดวง AI ไม่รู้ความแตกต่างระหว่าง AI (Artificial Intelligence), ML (Machine Learning) หรือ DL (Deep Learning) เหมือนกับไม่สามารถใช้คำเรียกที่ถูกต้องระหว่างหมอ พยาบาล ผู้ช่วยพยาบาล
 
หลังจากที่ทดลองเขียนโปรแกรมติดต่อกับ AI เพื่อให้เกิดแรงบันดาลใจแล้ว จึงมีความคิดว่าอยากปรับพื้นฐานความรู้ก่อนที่จะทำอะไรต่อไป ที่สำคัญคอร์สนี้สอนโดยอาจารย์อึ้ง ที่เป็นมืออันดับต้นของวงการ
 
AI = [ANI, AGI]
 
AI
 
ANI (Artificial Narrow Intelligence)
 
AGI (Artificial General Intelligence) 
 
AI = [ML = [NN, others], others]
 
ML (Machine Learning)
 
NN (Neural Network) / DL (Deep Learning)
 
input A => [Neuron] => output B

Data 

 
Supervised Learning
 
ประสิทธิภาพของ ML (ความแม่นยำของคำตอบ) จึงขึ้นอยู่กับขนาดของ NN และขนาดของ NN ขึ้นอยู่กับขนาด (จำนวนและมิติ) ของ Data Set
 
ML ไม่เท่ากับ DS (Data Science)
 
ML หมายถึงการทำให้คอมพิวเตอร์หาคำตอบ ผ่าน NN โดยไม่ต้องเขียนโปรแกรมสั่ง โดยทั่วไปทำงาน 24/7 รอรับ input A เพื่อประมวลผลผ่าน NN ให้ได้คำตอบ B เช่น chat bot
 
DS หมายถึงการสังเคราะห์ข้อมูลเพื่อได้ผลลัพธ์เป็นข้อสรุป เช่น insight, summary หรือ conclusion ที่เป็น slide presentation หรือ report สั่งให้ทำงานเป็นครั้ง ๆ เพื่อให้ได้ผลลัพธ์ที่ต้องการ

ML สามารถแยกประเภทจากข้อความใน email เช่น ขอคืนสินค้า, ติดตามสินค้า ฯลฯ
 
ML สามารถตรวจจับวัตถุและแยกแยะได้ว่าเป็นอะไร

ML สามารถเรียนรู้จากข้อมูลตัวอย่างจำนวนมาก เช่น ตัวอย่างฟิล์มเอกซเรย์ของคนไข้ที่วินิจฉัยแล้ว

 
จากมุมมองส่วนตัว
 
Empower the machine
 
หัวหน้าเมื่อต้องการให้ลูกน้องทำงาน เราอาจสั่งงานพร้อมกับบอกขั้นตอน 123 ให้ทำตามวิธี หรือเพียงบอกเป้าหมายที่ต้องการแล้วให้เขาหาวิธีการเอง
 
สมัยก่อนเรามีแต่ Programming language ที่ใช้สั่งให้คอมพิวเตอร์ทำงาน (เป็นกระบวนการพัฒนาสิ่งที่ไม่เคยทำ ข้อมูลเกิดขึ้นภายหลัง)
 
ตอนนี้เรามี Machine Learning ที่ให้คอมพิวเตอร์หาวิธีการเอง โดยแค่เตรียมวัตถุดิบ (ข้อมูลตัวอย่าง) ตั้งต้นให้ (เป็นทางเลือกใหม่สำหรับผู้ที่สะสมข้อมูลอยู่แล้ว)
 
Data set
 
เตรียมวัตถุดิบ (ข้อมูลตัวอย่าง) อาจไม่ใช่เรื่องง่าย
 
เป็นหัวใจสำคัญที่สุด ที่ทำให้ ML สามารถหาคำตอบได้แม่นยำ การ clean หรือ validate ข้อมูลให้ถูกต้อง และการกระจายของข้อมูลตัวอย่าง (นึกถึงการทำประชามติ หากเลือกกลุ่มตัวอย่างเบ้ไปทางไหนมากเกินไป คำตอบก็เป็น bias เอนเอียงไปทางนั้น)
 
Garbage in garbage out
 
ความถูกต้องชุดข้อมูลที่ใช้สอนสำคัญที่สุด ถ้าคุณสอนด้วยรูปภาพแมวที่ติดป้ายว่าสุนัข คุณก็จะได้คอมพิวเตอร์ที่ตอบภาพแมวว่าหมา
 
เรื่องบางเรื่องคำตอบที่ถูกต้องไม่ได้มีแค่แง่มุมเดียว แม้แต่มนุษย์ก็ยังไม่เป็นเอกฉันท์ เช่น คนที่โบกมืออยู่บนถนนตีความว่าอะไร รวมทั้งคำตอบทางปรัชญาหรือศีลธรรมที่ไม่สามารถตัดสินผิดหรือถูกได้ชัดเจน

 
No self improvement
 
เพิ่งเห็นคำถามนี้ใน FB เราคาดหวังว่า ML จะมีพัฒนาการเหมือนมนุษย์ เติบโตจากเด็กน้อยกลายเป็นผู้ใหญ่ที่รู้ความ
 
อย่าเพิ่งคาดหวังว่าใช้งาน ML ไปเรื่อย ๆ ถามมาก ๆ แล้วจะฉลาดขึ้น สิ่งที่ ML ส่วนใหญ่ไม่มีคือ วงจรเรียนรู้แบบป้อนกลับเอาคำถามที่ไม่รู้ไปถาม ML ตัวอื่น แล้วเติมใส่ฐานข้อมูลตนเอง ไม่มีความสามารถแสวงหาคำตอบที่ถูกต้องจากช่องทางอื่นเหมือนมนุษย์ เช่น ถามครู ถามเพื่อน แล้วเอามาพิจารณาเปรียบเทียบกับคำตอบของตัวเอง เพื่อสร้างชุดคำตอบใหม่
 
ML ยังเป็นเครื่องจักรที่โดดเดี่ยว เหมือนให้นักเรียนอยู่บ้านฝึกทำโจทย์ไปเรื่อย ๆ คนเดียวโดยไม่เฉลยคำตอบว่าถูกหรือผิด จึงฉลาดเท่ากับวันแรกที่ถูกสอน
 
สรุปจาก AI for Everyone week 1 https://www.deeplearning.ai/courses/ai-for-everyone/