สรุปเนื้อหา AI For Everyone – What is AI?

HIGHLIGHT in AI for Everyone Part 1

ในปัจจุบันนี้ AI เริ่มเข้ามาเปลี่ยนแปลงและมีผลกระทบกับวิธีการทำงาน รวมไปถึงการใช้ชีวิตในทุกๆวันของคนเรามากขึ้นๆเรื่อยๆ ดังนั้นความเข้าใจเกี่ยวกับ AI จึงเป็นสิ่งที่เราควรจะให้ความสำคัญเป็นลำดับต้นๆสำหรับยุคที่เรียกว่า AI era ที่มาถึงแล้วในตอนนี้

AI FOR EVERYONE PART 1

ในบทความนี้จะเป็นการสรุปเนื้อหาของหลักสูตร AI FOR EVERYONE โดยเนื้อหาของ Part แรกนี้จะเน้นที่ให้เราเข้าใจเกี่ยวกับ AI ในภาพใหญ่ทั้งหมด ประกอบไปด้วย:

  • AI คืออะไร, ผลกระทบอะไรที่เกิดขึ้นบ้างที่เกิดขึ้นจากการมี AI
  • เข้าใจความหมายของคำต่างๆที่เกี่ยวข้องกับ AI
    • machine learning
    • data science
    • neural network
    • deep learning
    • supervised learning
    • artificial narrow intelligence (ANI)
    • artificial general intelligence (AGI)
    • A to B mapping
  • การเริ่มนำ AI มาใช้เพื่อช่วยในการทำงานของเราได้อย่างไร
  • อะไรบ้างที่ AI สามารถทำได้ดีมาก และ อะไรบ้างที่ยังมีข้อจำกัดในการนำ AI ไปใช้งาน

Demystifying AI (Make AI Clearer and Easier to Understand)

AI แบ่งออกได้เป็น 2 แนวทางคือ Artificial Narrow Intelligence หรือ ANI และ Artificial General Intelligence หรือ AGI

A
rtificial Narrow Intelligence หรือ ANI
– AI ที่เราพบเห็นส่วนมากในปัจจุบันนี้ เป็น AI ที่มีความสามารถสูงในด้านใดด้านหนึ่งมากๆ เฉพาะทาง เช่น AI ใน Smart Speakers (Alexa, Google Assistant), Self-driving car หรือ AI ใน web search engine (Google, Baidu search engine), AlphaGo, AI ใน Microsoft Outlook หรือ Gmail ที่สามารถกจัดการ spam email หรือช่วยในการ follow up to-do tasksได้ แต่ ANI ไม่สามารถที่จะเก่งในทุกๆด้านได้
 
Artificial General Intelligence หรือ AGI (Do anything like human can do) – AI ที่สามารถทำสิ่งต่างๆได้เหมือนหรือฉลาดและดีกว่าที่มนุษย์เราสามารถทำได้ในทุกๆด้านเช่น Robot ใน Terminator โดยเป้าหมายของการพัฒนา AI นั้น เหล่านักพัฒนาต้องการสร้าง AI ให้มีความสามารถในแนวทางที่เรียกว่า AGI
 
ในปัจจุบันนี้มีเพียง ANI เท่านั้นที่ได้รับการพัฒนาอย่างต่อเนื่องและมีก้าวหน้าอย่างรวดเร็ว แต่ในทางกลับกัน AGI แทบที่จะเรียกได้ว่าอัตราความก้าวหน้านั้นช้าหรือแทบไม่มีการพัฒนาเลยด้วยซ้ำ จากเหตุผลที่ว่ามนุษย์เรามีความหวาดกลัวต่อ AI หรือ หุ่นยนต์ที่มีความฉลาดมากๆ จนมันอาจจะมาแทนที่มนุษยชาติได้ในอนาคต แต่ในความเป็นจริงแล้ว กว่าที่เราจะไปถึงจุดที่เราสามารถสร้าง AGI ได้นั้น เราอาจต้องใช้เวลาเป็นสิบปี หรืออาจจะมากเป็นร้อยๆปี

Supervised Learning

Supervised learning is the most commonly used type of machine learning is a type of AI that learns A to B, or input to output mappings.”

Input (A)Output (B)Type of AI Application
Email
Email spam (0/1)Spam filtering
AudioText transcriptSpeech recognition
EnglishChineseMachine translation
Ad, User informationClick (0/1)Online advertising
ImagePosition of other carsSelf-driving car
ImageScratch, Dent (0/1) Visual inspection
Performance ของ AI application แบบ supervised learning จะขึ้นอยู่กับ
 
  1. to have a lot of data (Big Data) – ต้องมี data ที่เยอะเพียงพอและ
  2. to be able to train a very large neural network  ต้องสามารถที่จะสอน (train) ให้คอมพิวเตอร์สามารถหาคำตอบของปัญหาได้ด้วยตัวเอง หลังจากเรียนรู้จากชุด sample data ไปแล้วระยะเวลาหนึ่ง

What is Data?

Sample of Table of Data (dataset)

Size of House (Square feet) (A)Price (1000$) (B)
523115
645150
708210
1034280
2290355
2545440
Size of House (Square feet) (A)#of Bedrooms (A)Price (1000$) (B)
5231115
6451150
7082210
10343280
22904355
25454440

ถ้าต้องการพัฒนา AI system หรือ Machine Learning system เพื่อช่วยในการตั้งราคาหรือช่วยประเมินราคาขายของบ้าน เราอาจจะใช้ข้อมูลขนาดพื้นที่ของบ้านเป็น Input A และราคาของบ้านเป็น Output B และให้ AI system เรียนรู้จากข้อมูลนี้ (Input to Output or A to B mapping)

เราสามารถเพิ่มความถูกต้องของข้อมูลได้มากขึ้นโดยการนำเอาข้อมูลจำนวนของห้องนอนในบ้านแต่ละหลังมาเป็น Input เพิ่มขึ้น โดยข้อมูลขนาดพื้นที่ของบ้านและจำนวนห้องนอนจะเป็น Input A และราคาของบ้านเป็น Output B

How do you get data? How do you acquire data?

Manual labeling – เป็นการรวบรวมข้อมูลและบอก AI ว่าข้อมูลนั้นมีค่าหรือความหมายว่าอย่างไร เช่น ทำการรวบรวมรูปแมวและรูปภาพอื่นๆแล้ว label ให้กับแต่ละรูป เช่นรูปที่ 1 และรูปที่ 3 คือแมว ส่วนรูปที่ 2 และ 4 ไม่ใช่รูปแมว เป็นต้น

Observing user behaviors or other types of behaviors – ข้อมูลที่ได้จากการสังเกตพฤติกรรมของลูกค้า ยกตััวอย่างเช่น สำหรับ e-commerce website ที่มีการเสนอสินค้าให้กับลูกค้าในราคาที่ต่างๆกัน เราต้องทำการสังเกตลูกค้าที่เข้ามาว่าลูกค้าตัดสินใจซื้อสินค้าหรือไม่ รวมไปถึงการเก็บข้อมูลอื่นๆเช่น รหัสลูกค้า, ระยะเวลาที่ลูกค้าอยู่ใน website, ชนิดและราคาของสินค้าและการตัดสินใจซื้อของลูกค้า เป็นต้น

Download it from  a website or to get it from a partner – เราสามารถที่จะ download data ประเภท image datasets, to self-driving car datasets,  to speech recognition datasets,  to medical imaging data sets และอีกมากมายได้ฟรีใน Internet เช่นจาก Google’s Open Images

Use and Mis-use of Data

Do not throw data  in a AI team and assume it will be valuable -ไม่ใช่ทุกข้อมูลที่จะมีค่าสำหรับเรา ซึ่ง AI expert จะช่วยแนะนำเราได้ว่าข้อมูลแบบไหนที่มีค่าและข้อมูลแบบไหนที่ไม่มีค่าสำหรับ AI system ที่เราต้องการ

Messy Data (garbage in garbage out) – ถ้าเรามีข้อมูลที่ไม่ถูกต้อง บางครั้งข้อมูลไม่กี่ record อาจจะทำให้ AI นั้นเรียนรู้และคำนวณผลลัพธ์ผิดมหาศาลได้ เช่น ข้อมูลของบ้านที่มีพื้นที่กว้าง มีจำนวนห้องนอนเยอะ แต่มีราคาขายแค่ 0.1$ หรือการที่มีข้อมูลของบ้านไม่ครบทุกข้อมูล

Unstructured data & Structured data

Unstructured data – images, audio, and text. These are types of data that humans find it very easy to interpret.

Structured data – data that lives  in a giant spreadsheet, MS excel, Google Sheet or else.

The terminology of AI

Machine Learning vs. Data Science

Machine-learning system – ระบบที่เรียนรู้ inputs to outputs (A to B mappings) โดยที่ AI application จะใช้ความสามารถของ machine learning เพื่อที่เรียนรู้ Inputs to Outputs จากผู้ใช้งานจำนวนเป็นร้อย เป็นพันหรือเป็นล้านผู้ใช้งาน

“a machine learning project will often results in a piece of software that runs, that outputs B given A”

Data Science – analyze your dataset in order to gain insights from dataset. ซึ่ง Insights จากข้อมูลในตัวอย่างจะช่วยเราในการตัดสินใจว่าควรที่จะสร้าง 2 หรือ 3 ห้องนอนบนพื้นที่เท่าๆกันเพื่อที่จะทำให้ราคาขายของบ้านนั้นสูงที่สุด หรือ ช่วยในการตัดสินใจว่าจะคุ้มค่าหรือไม่ที่จะ renovate บ้านก่อนที่จะขาย

“the output of a data science project is a set of insights (summarizes conclusions) that can help you make business decisions”

Deep Learning

artificial neural networks

จากรูปด้านบนวงกลมสีน้ำเงิน คือ neural network – concept ของ neural network นั้นถูกเลียนแบบมาจาก neural network (เซลล์ประสาท) ในสมองของมนุษย์ (แต่โดยความเป็นจริงแล้ว หลักการทำงานของ artificial neural network ไม่มีอะไรที่เหมือนกันกับ biological brain เลย)

artificial neural network เป็นการเน้นว่า neuron พวกนี้ไม่ใช่ biological brain แต่มันคือแต่ละ piece of software ดังนั้น artificial neural network ขนาดใหญ่นั้นหมายถึงสมการคณิตศาสตร์ขนาดใหญ่ที่จะบอกเราว่าด้วย Inputs A (Size, # of rooms, House’s status) ที่ให้รับนั้นจะถูกคำนวณออกมาเป็น Output B (Price) ได้อย่างไร

AI Tools

AI ประกอบไปด้วย tool ต่างๆจำนวนมากเพื่อที่จะทำให้ computer สามารถทำงานอย่างชาญฉลาด ซึ่ง machine learning เป็นกลุ่มของ tools ที่ใหญ่ที่สุดในการพัฒนา AI แต่อย่างไรก็ตาม AI ยังมี tools อื่นๆนอกเหนือจาก machine learning เช่น Unsupervised learning, Reinforcement learning, Graphical models เป็นต้น

Neural networks (NN) หรือ deep learning (DL) เป็นส่วนประกอบที่สำคัญมากใน machine learning โดยที่ neural network หรือ deep learning เป็นเครื่องมือที่ทรงพลังในการทำให้ ML สามารถเรียนรู้ในแบบ supervised learning (A to B mappings) ซึ่งอย่างไรก็ตาม machine learning ยังมี tools อื่นๆนอกจาก deep learning เช่นกัน

Become AI Company

“Company + Deep learning <> AI Company”,

สิ่งที่ต้องวางแผนและทำเพื่อให้เรานำ AI มาใช้ได้อย่างเต็มประสิทธิภาพประกอบไปด้วย

Strategic data acquisition – มีกลยุทธ์การเก็บข้อมูล
Unified data warehouse – มีศูนย์กลางในการเก็บข้อมูล
Pervasive automation – มองหาโอกาสในการทำ automation
New roles and division of labor – พิจารณาการมีแผนกและตำแหน่งเฉพาะทางใหม่ๆที่เกี่ยวข้องกับ AI เช่น machine learning engineer (MLE), data scientist, data engineer.

What machine learning can/cannot do?

“AI cannot do everything”, what make ML problem is more likely to be feasible

1. Learning a simple concept – Anything you could do with a second of thought, we can probably now or soon automate using supervised learning ยกตัวอย่างเช่นเราสามารถรู้ตำแหน่งของรถคันอื่นๆได้ภายในเวลาไม่ถึงวินาที, เราสามารถดูและบอกได้ว่ามีรอยขีดข่วนบนโทรศัพท์ของเราหรือไม่ภายในเวลาอันสั้น, เราสามารถเข้าใจคำพูดที่คนรอบข้างพูดกับเราได้ในทันที โดย AI สามารถที่จะเรียนรู้สิ่งเหล่านี้ได้โดยการใช้ supervised learning (A to B mapping) นั่นเอง

ในทางตรงกันข้าม วิธีการเขียน email ที่เหมาะสมเพื่อตอบคำถามหรือข้อร้องเรียนจากลูกค้านั้นเป็นสิ่งที่ซับซ้อน นี่เป็นตัวอย่างของสิ่งที่ Standard AI ในปัจจุบันนี้ยังไม่สามารถทำได้ดีเหมือนกับมนุษย์

2. Lot of Data available – มี Data มากเพียงพอให้ AI สามารถเรียนรู้ว่าอะไรคือ Input A และ Input B


neural network / Deep Learning

“a neural network is a group of artificial neurons each of which computes a relatively simple function. Once you stack enough of them together like Lego bricks, they can compute incredibly complicated functions that give you very accurate mappings from the input A to the output B”

“One of the wonderful things about using neural networks is that to train a neural network, in other words, to build a machine learning system using neural network, all you have to do is give it lots of data, the input A and the output B. And software figures out all of the things in the middle by itself what these blue neurons should be computing, so that it can completely automatically learn the most accurate possible function mapping from the input A to the output B. And it turns out that if you give this enough data and train a neural network that is big enough, this can do an incredible good job mapping from inputs A to outputs B.”

สำหรับคนที่สนใจจะเรียน AI for Everyone Online Course สอนโดย Andrew Ng สามารถเข้าไปเรียนได้ที่ https://www.coursera.org/learn/ai-for-everyone โดยสามารถเลือกได้ทั้งแบบไม่มีค่าใช้ข่ายซึ่งจะสามารถฟังและอ่านเนื้อหาได้ทั้งหมด แต่ไม่สามารถที่จะทำ quiz ได้ โดยถ้าเราต้องการทำ quiz และรับใบ Certificate ก็จะมีค่าใช้จ่ายแค่เพียงประมาณ 1,500 บาท ($49) เท่านั้นเอง…

Leave a Reply

Your email address will not be published. Required fields are marked *