เกี่ยวกับบทความนี้

ผมตั้งใจเขียนบทความนี้เขึ้นเพื่อ 1.ตีความและสรุปเป็นเนื้อหาตามที่ผมเข้าใจ 2.เพื่อยืนยันความเข้าใจของตนเองและฝึกฝนการตีความ และถ่ายทอดความรู้ในเรื่องของ Machine Learning จากการเรียนคอร์สออนไลน์ และรวมไปถึงหนังสือที่ผมได้อ่าน อาทิเช่น Deep Reinforcement Learning Hands-On  by Maxim Lapan, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow by Aurélien Géron โดยเนื้อหาหลักมาจากคอร์สออนไลน์มาจาก Coursera: Machine Learning by Andrew Ng (Standford University) ภาษาที่ใช้ในการเขียนหลักเป็นภาษาไทยแต่ยกเว้นศัพท์เฉพาะจำพวกชื่อ ผมขอนุญาติใช้คำภาษาอังกฤษ 

“AI”,”Machine Learning”,”Deep Learning”

ทุกวันนี้เราคงได้ยินคำศัพท์ที่ใช้เรียกระบบอัจริยะในการใช้เทคโนโลยีของ “AI”,”Machine Learning”,”Deep Learning” ที่หลายคนอาจจะยังสงสัยถึงความแตกต่างหรือเหมือนกันของสิ่งเหล่านี้อยู่ และหลายท่านเมื่อพูดถึงสิ่งเหล่านี้ก็จะนึกถึง หุ่นยนต์จากภาพยนตร์เรื่องคนเหล็ก Terminator Skynet หรืออาจจะนึกถึง จาวิซในภาพยนตร์ ไอร่อนแมน อย่างไรก็ตาม “Machine Learning” ได้นำมาใช้อยู่ในชีวิตประจำวันของเรามาแล้วร่วมสิบปี เช่น แอฟพยากรณ์อากาศที่บอกสภาพอากาศล่วงหน้าให้เราทราบ หรือจะเป็นการแก้คำผิดเมื่อเราพิมพ์ผิด(Text auto correction) การพิมพ์ตัวอักษรให้เราจากเสียงที่เราพูด(Speech to text) หรือที่หลายท่านอาจคุ้นเคยกันดีกับ SIRI หรือ OK Google!! ที่สามารถพูดคุยตอบโต้และช่วยเราจัดการสิ่งต่างๆใน SmartPhone ของเรา

แล้วมันต่างกันอย่างไรระหว่าง  “AI”,”Machine Learning”และ”Deep Learning” จากภาพ 1.0 แสดงให้เห็นว่า Machine Learning เป็น Subset ของ AI และ Deep Learning ของ Machine Learning ดังนั้นความหมายของคำว่า AI จะกว้างมากเมื่อไหร่ที่เราได้ทำเครื่อง, หุ่นยนต์หรือกลไลอะไรสักอย่างเพื่อให้ทำงานหรือแก้ปัญหาได้ตามที่เรากำหนดไว้ด้วย”อัลกอลิทึม”ที่เราสร้างขึ้นมา เราเรียกว่า “Artificial Intelligence” โดยหลักเราแบ่งออกเป็นสองประเภทคือ Weak AI เป็นประเภทที่ AI สามารถทำงานพื้นฐาน, ไม่ซับซ้อนและอาจทำงานได้เพียง1ประเภทเช่น ซึ่งแตกต่างจาก Strong AI คือสามารถทำงานที่ยากและซับซ้อนได้ซึ่งไม่ได้แปลว่าต้องทำงานได้หลายประเภทเช่น AlphaGo สำหรับท่านที่เคยเล่นหรือรู้จักอาจจะพอได้ยินมาบ้างในเรื่อง AI เกมส์กระดานโกะหรือหมากล้อมที่ผู้เล่นสองฝ่ายต้องวางหมากขาวหรือดำเพื่อแย่งพื้นที่บนกระดานให้ได้มากที่สุด โดยเจ้า AlphaGo ได้เอาชนะแชมป์โลกไปได้ 

ต่อมาเป็นสิ่งหลักที่เราจะคุยกันในบทความนี้คือ “Machine Learning” ซึ่งก็ตามชื่อที่ทำให้เราเห็น และเมื่อเราตีความได้คร่าวๆก็คือ การเพิ่มขีดความสามารถในการ “Learning” (เรียนรู้) ให้กับระบบที่เราต้องการสร้างให้ทำงานหรือแก้ปัญหาให้เรา โดยสิ่งที่แเพิ่มเติมหลักๆคือเราจะสอนระบบของเราให้เรียนรู้ได้อย่างไรเป็นสิ่งที่เราจะมาทำความเข้าใจกันในบทความซีรี่นี้ครับ อย่างที่ได้กล่าวไปในข้างต้นว่า Machine Learning เป็น Subset ของ AI ซึ่งสิ่งต่างๆที่เราจะเขียนในบทความนี้อยู่ภายใต้ความหมายของคำว่า AI ทั้งหมด 

สุดท้ายกับ “Deep Learning” อย่างที่ได้กล่าวไปในข้างต้นว่า Deep Learning เป็น Subset ของ Machine Learning ให้เข้าใจง่ายๆก็คือเป็นหนึ่งในวิธีการที่ระบบเราสามารถเรียนรู้ข้อมูลที่นำวิธีมาจากแนวความคิดของการเรียนรู้แบบมนุษย์ ซึ่งเราจะมาคุยเรื่องนี้กันในบทความ Deep Learning ซีรี่

“Supervised Learning”,”Unsupervised Learning”, “Reinforcement Learning”

จากที่ได้กล่าวไปข้างต้นของเรื่องการเพิ่มขีดจำกัดการเรียนรู้ของระบบใน Machine Learning มีมากมายหลายประเภทแต่เราจะแบ่งประเภทหลักๆเป็น 3 ประเภทที่จะพูดถึงในบทความนี้ คือ “Supervised Learning” เปรียบเสมือนเราสอนให้ระบบของเราเรียนรู้การจัดการแก้ปัญหาและหาคำตอบโดยคำตอบนั้นได้ถูกสอนในกระบวนการ Training เช่น เรามีข้อมูลของราคาบ้านตามขนาดพื้นที่ของบ้านตามท้องตลาดจำนวน 100 หลังและเราต้องการที่จะตั้งราคาบ้านที่เรากำลังจะขายให้ไม่สูงไม่น้อยไปกว่าท้องตลาด ดังนั้นเราจะดูพื้นที่บ้านของเราเทียบกับข้อมูลพื้นที่บ้าน 100หลังที่เรามี และนำมาเปรียบเทียบกับบ้านของเราเพื่อตั้งราคา โดยแน่นอนว่าก่อนที่ระบบจะตั้งราคาให้บ้านของเราได้ ระบบก็ต้องเรียนรู้ราคาบ้าน 100 หลังจาก Training Set (ข้อมูบ้าน 100 หลัง) และนำข้อมูลใหม่ก็คือขนาดบ้านของเราและระบบก็จะคำนวณและได้คำตอบออกมาเป็นราคาบ้านที่เหมาะสมกับท้องตลาด

ต่อมาคือ “Unsupervised Learning” ที่ข้อมูลของเราจะไม่มีชนิดหรือประเภทระบุไว้แต่เราสามารถให้ระบบของเราเรียนรู้และแยกข้อมูลให้กับเราได้เช่น เรามีข้อมูลของสัตว์กลุ่มหนึ่งที่ไม่สามารถบอกได้ว่าคือสัตว์อะไรบ้าง โดยเรามีส่วนสูง, น้ำหนัก, อาหารที่สัตว์กิน, จำนวนขา เป็นต้น ระบบจะเรียนรุ้จากข้อมุลจำนวนมากจนสามารถแยกประเภทของสัตว์ออกมาได้

ประเภทสุดท้ายที่เราจะพูดถึงมีความใกล้เคียงกับการฝึกฝนสัตว์เลี้ยงให้ทำตามที่เราสั่ง เวลาที่เราฝึกสุนัขให้รอให้นั่งสิ่งที่เราจะเอามาล่อใจให้การฝึกสำเร็จก็คือ “รางวัล” เหมือนสุนัขจะค่อยๆเรียนรู้ ในช่วงแรกอาจจะมีการลองผิดลองถูก (ในช่วง Training) จนชำนาญรู้ว่าวทำอย่างไรถึงจะได้ขนม ดังที่แสดงในรูป 1.1 เมื่อให้สุนัขแทน Agent ที่จะทำการ Action อะไรบางอย่างเมื่อเจอ Environment ก็คือสัญญาณมือ อาจจะได้ Reward รางวัลหรือไม่ได้หรือรางวัลติดลบ(ตัวอย่าง: โดนทำโทษ) เป็นค่า Observation หรือสิ่งที่ได้จากการกระทำในทุกครั้งนั่นเอง เราเรียกการเรียนรู้ประเภทนี้ว่า “Reinforcement Learning” ซึ่งข้อดีอีกอย่างของวิธีนี้คือระบบของเราจะเรียนรู้ต่อไปเรื่อยๆถึงแม้จะจบช่วง Training แล้วซึ่งทำให้ระบบเราพัฒนาตามตัวแปรที่เปลี่ยนไปด้วย 

ในบทแรกนี้ได้สรุปความหมายของ “AI”,”Machine Learning”,”Deep Learning” โดยสังเขปซึ่งเราจะลงลึกในเรื่องของ Machine Learning กันในบทต่อไป และการเพิ่มขีดจำกัดการเรียนรู้ของระบบใน Machine Learning มีมากมายหลายประเภทแต่เราจะโฟกัสที่ Supervised Learning, Unsupervised Learningและ Reinforcement Learning ซึ่งจะพูดถึงกันในบทความถัดไป Machine Learning : ตอนที่ 2