เมื่อปีที่ผ่านมาเนี่ยนับว่า AI เนี่ยมัน คือบวร์อย่างแท้จริง AI มันเก่งและโคตร เจ๋งขนาดที่สร้างภาษาของตัวเองจนโดน Facebook ปิดแต่มันเป็นอย่างงั้นจริงๆ หรือพวกเราแค่กาวกันไปเองวันนี้มาลองรู้ จักกับ AI กันดูใน 10 นาทีเนน canola ครับรอบนี้เนนมาเป็นคที่ ไม่ได้มาเป็นค่ะมี 2 รสชาติทั้งคุกกี้แอน ครีมที่ได้ไวทช็อแบบเต็มคำและช็อกโกแลต ชิปคุกกี้ที่หอมกลิ่นเมกับได้ช็อกโกแลต ชิปแบบจุกๆพร้อมเปลี่ยนแพ็คเกจใหม่กรอบ กว่าเดิมอร่อยกว่าเดิมราคาเพียง 20 บาท ถ้าซื้อครบ 300 บาทสามารถรวมบินไปแลกของ พรีเมี่ยมที่เพจ Gen ได้หรือถ้าซื้อถึง 500 บาทจะได้ภาคคลุม n อาร์มเลยนะเว้ยไป หาซื้อได้แล้วที่ 7-eleven ทุกสาขาเริ่ม กันที่ definition ครั้งนึงครับ John mccarty รู้จักกันในนามของบีาแห่ง AI ให้นิยามไว้ว่ามันคือวิทยาศาสตร์และ วิศวกรรมในการทำให้เครื่องจักรเนี่ยฉลาด ibm เรียกเครื่องจักรอะไรก็ตามที่ดูฉลาด ว่า AI จะเห็นว่าคำนิยามค่อนข้างกว้างและ ตามนิยามนี้เนี่ย ifl ก็สามารถพูดได้ว่า เป็น AI เช่นเดียวกันสิ่งนี้เราเรียกกัน ว่า symbolic AI หรือ good old Fashion AI ที่เป็น AI ในยุคเริ่มแรกที่สร้างจาก ifl คณิตศาสตร์และ algor แต่มันไม่ใช่ ว่าทุกอย่างเนี่ยเราสามารถที่จะเขียน โปรแกรมได้และนั่นคือสิ่งที่ Machine Learning เข้ามาช่วย Machine Learning คือศาสตร์ที่ทำให้คอมพิวเตอร์เนี่ยเรียน รู้ด้วยจากประสบการณ์ซึ่งหลายๆครั้งความ หมายนี้เนี่ยทำให้ทุกคนเนี่ยเข้าใจผิด ความหมายที่แท้จริงของมันก็คือจาก คอมพิวเตอร์ที่เราเอาแค่ input เนี่ยเข้า ไป process อะไรบางอย่างแล้วได้ output กับกันเรา input แล้ว Out พุเนี่ยมาเข้า algorithm อะไรบางอย่างเพื่อที่จะสร้าง Ru
หรือ process ตรงกลางให้โดย algorithm ของ Machine Learning เนี่ยจะจะแบ่งตาม การเรียนรู้ของมันเป็น 3 อย่างครับนั่นก็ คือ 1 supervised Learning supervised Learning คือการเรียนรู้ที่โมเดลเนี่ยมี มนุษย์คอยบอกว่า input ที่ใส่ไปคืออะไร และจะออกมาเป็น output อะไรอันที่ 2 uns supervise Learning โมเดลที่สามารถ เรียนรู้ได้โดยที่ไม่ต้องมีใครไปบอกผล ลัพธ์มันและสุดท้ายคือ Range Force me Learning คือการเรียนรู้ที่ให้ AI เนี่ย มันไปลองผิดลองถูกเองอย่างที่พวกเราเคย เห็นก็คือ AI Dota Alpha Go หรืออย่าง ช่องดีๆที่เคยใช้ก็อย่างเช่น Tech Cast กดซับเดี๋ยวนี้ทีนี้เรามาดูที่พื้นฐานที่ สุดก่อนนั่นก็คือ supervise Learning ซึ่งใช้กันเยอะที่สุดนับว่าเป็น 99% เลย ก็ว่าได้โดยตัวอย่างที่ง่ายที่สุดและครอบ คลุมที่สุดนั่นก็คือ linear equation ซึ่งมันก็คือคณิตศาสตร์ตอนม 5 ที่พวกเรา เรียนกันลองคิดภาพว่าผมบอกคุณว่า 1 คุณ ต้องตอบว่า 2 ผมบอกว่า 2 คุณตอบว่า 3 ที นี้ถ้าผมบอกว่า 4 คุณต้องตอบว่า 5 ซึ่ง ไม่ว่าผมจะพูดอะไรเนี่ยก็แค่ + 1 เข้าไป ถูกป่ะและนี่แหละคือสมการเชิงเส้นที่มี สูตรว่า Y = wx + B โดย x เนี่ยก็คือ ข้อมูลที่ผมบอกคุณส่วน y คือคำตอบดังนั้น จะเหลืออีก 2 ตัวแปรครับนั่นก็คือ W และ b
โดย w และ b เนี่ยจะมีอีกชื่อนึงที่เรียก ว่า parameter สิ่งที่ LINE legation ต้องทำเนี่ยก็คือการหา W กับ B ที่ดีที่ สุดดยการวัดผลว่าจะหาพารามิเตอร์ที่ดีที่ สุดได้เนี่ยเราต้องหาจาก Cos ฟังก์ชัน Cos ฟังก์ชันคือฟังก์ชันที่จะวัดความแม่นยำ ของโมเดลอย่างที่ linear legation ใช้ เนี่ยก็คือ Square Error Cos function ความหมายของมันก็คือถ้าเกิดว่าเส้นเรา เรียงเหมือน Delta ค่ายิ่งน้อยแต่ถ้าต่าง มากค่าก็จะยิ่งเยอะแต่ถ้าเราลองแทนค่า W แล้วพค่าในกราฟจะพบว่ามันเป็นแบบนี้นั่น หมายความว่าจุดต่ำสุดคือจุดที่ดีที่สุด นั่นเองแต่จะหาอันที่ดีที่สุดได้ไงเพราะ ว่าค่ามีเป็นล้านกว่าจะหาได้เนี่ยคงตาย ก่อนมันเลยมีวิธีการนึงครับที่ชื่อว่า gradient descent gradient descent บอกว่าถ้าไม่รู้ก็ลองไหลไปตามความชันกราฟ ดูดิเดี๋ยวก็ไปอยู่ที่จุดต่ำสุดเองอ่ะ แล้วจะหาความชันยังไงอ่ะถ้าเกิดเราไม่ได้ แทนค่าก่อนน่ะและนี่แหละครับคือเจิของ คณิตศาสตร์เพราะเราแค่หา derivative ของ Cos ฟังก์ชันค่าที่เราจะได้ก็คือความชัน ทันทีแล้วเราก็ค่อยอัปเดตค่าไปตามความชัน ส่วนจะขยับค่าไปมากน้อยแค่ไหนเต้องเซตเอง ซึ่งค่านี้เราเรียกกันว่า learning Rate ถ้าค่าเยอะมันอาจจะเลยจุดต่ำสุดและก็ไม่ ลงไปจุดต่ำสุดเลยก็ได้ถ้าค่าน้อยเราก็จะ เทรนมันนานมากที่เหลือเราก็แค่อัปเดตวนไป เรื่อยๆจนโมเดลเนี่ยมันอยู่ที่จุดต่ำสุด และดีใจด้วยครับตอนนี้คุณเข้าใจ Concept ของ Machine Learning แล้วเดี๋ยวแล้วถ้า เกิด Data มันไม่ได้เป็นเส้นตรงอ่ะมัน เป็นเส้นโค้งทีนี้เราก็จะเห็นว่าสมการ เส้นตรงเนี่ยมันไม่สามารถที่จะตามเส้น โค้งได้ถูกป่ะแล้วก็ต้องเปลี่ยนสมการครับ ให้กลายเป็นสมการ 2 ตัวแปรหรือสมการยก กำลังซึ่งก็ขึ้นอยู่กับ Data เลยจะเห็น ว่า Machine Learning เนี่ยไม่สามารถที่ จะยัด Data แล้วได้โมเดลที่ดีนะแต่เรา ต้องรู้ถึงความสัมพันธ์ของ Data และรู้ ว่าต้องใช้โมเดลแบบไหนถึงจะเวิร์คหรือถ้า เกิดินไม่สามารถที่จะตอบโจทย์ได้มันก็ยัง มีอีกหลากหลายโมเดลให้ใช้ครับเช่น naive Bay ที่ใช้ความเป็นไปได้แทน decision 3 kess
neighbor และอีกมากมายการเรียนรู้ ในแบบถัดมาครับนั่นก็คือ unsupervised Learning อย่างที่บอกว่าโมเดลเนี่ย สามารถที่จะหาคำตอบด้วยตัวเองความหมายดี ที่สุดก็คือมันเป็นออมที่ให้เราใส่แค่ input ก็พอแล้วอ่ะตัวอย่างเช่นเรามี Data อยู่ 2 กลุ่มเราบอกว่าอยากให้มันแบ่ง กลุ่มให้หน่อยเราก็เลยโยนหิน 2 อันเข้าไป และหิน 2 ก้อนเนี้ยมันจะพยายามเข้าหา กลุ่มเต้าที่เกาะกลุ่มกันมากที่สุดและ อย่างที่บอกว่าโมเดลเนี่ยมันไม่รู้ว่า เต้าแต่ละชุดเนี่ยมันคืออะไรมันก็จะบอก แค่ว่าอ่ะก้อนเนี้ยชุดเเรียกว่า 1 ชุด เนี้ยเรียกว่า 2 ที่เหลือเราก็ต้องไปดู เองว่าอ๋อเต้ากลุ่มเนี้ยเรือว่าส้มเต้า อันเนี้ยคือแอปเปิลจะเห็นว่าเราไม่ต้อง บอกมันว่าอันไหนส้มอันไหนแอปเปิลแต่มัน สามารถแบ่งกลุ่มได้สิ่งนี้เรียกว่า clustering หรือการแบ่งกลุ่มด้วยเคมีนะ ครับการรู้ในแบบถัดมาคือ reinforcement Learning ซึ่งหลายๆคนนมักจะ HP กับ เรื่องนี้มากก็คือ AI ที่สามารถเรียนรู้ จากการลองผิดลองถูกได้เหมือนกับเด็กทารก เลยโดยไอเดียก็คือเราสร้าง environment จำลองให้มันแล้วก็โยนโมเดลเนี่ยเข้าไป มั่วสุมอยู่ในนั้นโดย environment เนี่ย จะมีหน้าที่ให้ข้อมูลต่างๆกับโมเดลและถึง จะบอกว่ามันเป็นการลองผิดลองถูกแต่จริงๆ แล้วโมเลเนี่ยไม่ได้ลองครับมันสุ่มแล้ว เราก็เอาสิ่งที่มันทำเนี่ยไปบอก environment environment ก็จะบอกว่า สิ่งที่ทำเนี่ยมันดีไม่ดีถ้าดีก็จะให้ reward จากนั้นเราก็จะเอา reward เนี่ย มาสอนมันโดยให้ input เนี่ยไปเป็นข้อมูล จากที่ environment ให้มาและ output เนี่ยก็คือ reward ที่ได้เอ๊ะคุ้นๆป่ะนี่ มัน supervise Learning ไม่ใช่หรอใช่ ครับจริงๆแล้วมันค่อนข้างจะเหมือนกันเลย แต่ที่ต่างกันก็คือสูตรที่ใช้ในการสอนกับ การใช้ environment เนี่ยมาสร้าง Data เหมาะกับงานที่เราไม่สามารถหา Data ได้ อย่างเช่นแขนหุ่นยนต์ที่เราต้องจำลองใน โปรแกรมก่อนแล้วค่อยเอาไปใช้จริงตอนนี้ ทุกคนเนี่ยรู้ประเภทการเรียนรู้ครบละแล้ว ก็ถึงเวลา algor ที่เด่นที่สุดแห่งยุค อย่าง Deep Learning แค่พูดก็โก้แค่มอง ก็เท่เพราะ algor นี้เนี่ยมันทำให้เกิด ความว้าวมาโดยตลอดไม่ว่าจะเป็น
chat gbt draw E Solar Out อันอันนี้ไม่น่าใช่ แต่ว่าสิ่งนี้มันคืออะไร Deep Learning เรามีอีกชื่อนึงครับนั่นก็คือ neural Network neuron Network คือ1ึใน Machine Learning algorithm ที่พยายาม เลียนแบบสมองด้วยการจำลองเซล์ neuron โดย มันเป็นหนึ่งในการเรียนรู้แบบ supervise Learning และด้วยความที่มันน่ะสามารถ stack เป็น layer หลายๆชั้นได้เลยเรียก กันว่า Deep neuron network และเปลี่ยน ชื่อไปเป็น Deep Learning ในปี 2005 ที นี้มาลองดูวิธีการทำงานกันลองคิดภาพว่า เรามีเซลล์อันนึงหน้าที่ของเซลล์อันนี้ คือการรับกระแสประสาทเข้ามาจากหลายๆเซลล์ และกระจายออกไปที่เซลล์อื่นๆเซลล์หรือโด 1 อันเนี่ยก็คือจะมี input และ output ได้ หลายอันโดยเราจะต่อกันเป็น layer ระหว่าง โดจะมีเส้นที่ต่อกันโดยจะเก็บเป็นค่าตัว แปรครับโดยค่านี้เนี่ยก็คือพารามิเตอร์ หรือเทนอกจากนี้แต่ละโนดเนี่ยก็ยังเก็บ ค่าตัวแปรอีกอย่างนึงครับนั่นก็คือ Bas แล้วก็สามารถคำนวณได้ตามสูตรนี้เฮ้ยคุ้นๆ ป่ะนี่มันเหมือนกับ linear legation เลย ไม่ใช่หรอแต่มันเป็น LINE legation ที่ คำนวณเป็นเวกเตอร์แล้วส่ง output ไปคำนวณ ต่อเป็น layer layer ซึ่งเราจะพบว่ายิ่ง Deep Learning ได้ Data มากขึ้นโมเดล ใหญ่ขึ้น Performance จะยิ่งดีขึ้นตามแต่ ข้อเสียของมันเลยก็คือด้วยความที่ พารามิเตอร์มันเป็นล้านต่อกันมั่วเนี่ยผล ลัพธ์ที่เราได้ออกมาเนี่ยมันแทบจะอธิบาย อะไรไม่ได้เลยอ่ะว่ามันผิดตรงไหนหรือตัว แปรไหนเลยมักจะมอง Deep Learning เป็น blackbox กันนอกจากนี้เนี่ย Machine Learning ยิ่งพารามิเตอร์เยอะมันยิ่ง ช่วยให้โมเดลเข้าหาหรือฟิกับ Data ได้ดี
แต่ไม่ได้หมายความว่าว่าจะสามารถปล่อยให้ โมเดลเนี่ยเรียนต่อไปได้เรื่อยๆนะกราฟอัน ซ้ายสุดเนี่ยเราจะเห็นว่าเส้นเนี่ยมันไม่ เข้ากับ dela เลยเราเรียกปัญหานี้ว่า Under Fit หรือก็คือโมเดลเนี่ยยังเรียน รู้ไม่พอและอันสุดท้ายคือโมเดลที่ิกับ Data แบบสุดๆเรียกได้ว่าทำนายทุกอย่าง ที่เคยเห็นได้หมดแต่พอเอาไปใช้จริงกับ ทำนายผิดยับๆสิ่งนี้เราเรียกว่า overfitting ซึ่งเกิดจากพารามิเตอร์ที่ เยอะเกินไปหรือเทรนนานเกินไปเพื่อแก้ ปัญหานี้เนี่ยในการเทรนก็มักจะมีการ Speed Data ออกเป็น 3 อย่างคือ Training Set ไว้สำหรับเทรน vation Set เป็น Data ที่ ที่โมดลไม่เคยเห็นเอาไว้เช็คประสิทธิภาพ ตอนเทรนเทสเซตเอาไว้เช็คประสิทธิภาพตอน Final Model ทีนี้ตอนเทรนเนี่ยความผิด พลาดของโมเดลอ่ะมันจะค่อยๆลดลงมาเรื่อยๆ หมายความว่ามลเนี่ยมันกำลังเรียนรู้อยู่ ในขณะเดียวกันเราก็จะไปเช็คตัว validation Set ด้วยว่าถ้าเกิด Data ที่มันไม่เคย เห็นเนี่ยมันลดลงมาเหมือนกันหรือเปล่าถ้า ลถแสดงว่ามันกำลังเรียนรู้อยู่แต่พอถึง จุดนึงครับ variation Set เนี่ยมันจะ ย้อนกลับขึ้นไปซึ่งจุดนี้แหละครับคือการ เกิด overfitting และควรจะหยุดเทรนดัง นั้น Deep Learning เนี่ยไม่สามารถที่จะ เทรนไปได้ตลอดนะครับมันมีจุดที่ต้องหยุด เหมือนกันแต่ความคูของ Deep lear ยังไม่ จบเพียงแค่นี้ฮะเพราะ Deep Learning มัน คูในระดับ Architecture ด้วยอย่างเช่นแกน โมเดลที่จะเอาโมดล Deep Learning 2 อัน เนี่ยมาแข่งกันสร้างภาพอีกอันนึงตรวจภาพ ทำให้โมเดลเนี่ยสามารถที่จะสร้างภาพที่ดี ได้ Encoder decoder input เป็นภาพ output ออกเป็นภาพเดิมแต่โมเดลเนี่ยมี ขนาดจากใหญ่มาเล็กและเล็กไปใหญ่เพราะว่า Encoder จะทำหน้าที่ encode ภาพให้กลาย เป็นเวกเตอร์และขยายกลับขึ้นไปด้วย decoder ซึ่งลเนี้ยสามารถทำให้เกิดการดี น้อยเสียงได้หรือดีน้อยภาพก็ได้ซึ่ง เรื่องราวของ de Learning เนี่ยยังมีอีก เยอะที่พูดไม่หมดนอกจากนี้เนี่ยเปอร์ใหม่ ๆก็ยังพ่นออกมาตลอดเวลาแทบจะทุกวันและ ประสิทธิภาพก็มากขึ้นเรื่อยๆจนหลายๆอย่าง
เกินระดับมนุษย์ไปแล้วหรือว่าพวกเรากำลัง จะไปสู่ agi agi หรือ artificial General intelligence ถ้าอ้างอิงตาม ibm มันคือประเภท AI ในอุดมคติที่ว่า AI ตัว เดียวที่ทำงานได้หลายอย่างทำได้ดีเหมือน สัตว์และมนุษย์โดยประเภทของ AI ในอุดมคติ เนี่ยเรามีทั้งหมด 3 อันครับนั่นก็คือ 1 Week AI หรือ narrow AI ก็คือ AI ที่ เราใช้กันในปัจจุบันทำได้แค่งานเดียวจะ พ่นเคก็พ่น text อย่างเดียวจะรับแค่ภาพก็ รับแค่ภาพอย่างเดียว 2 คือ str Strong AI หรือ agi AI นี้จะรับมาเป็นภาพรับมา เป็น text แล้วจะพ่นออกเป็น text หรือ เป็นภาพคือทำได้หมดในโมเดลเดียวและทำได้ ดีกว่ามนุษย์ 3 Super AI คือ AI ที่ เก่งระดับมนุษย์มี Self awareness และ ตระหนักรู้ซึ่งเรายังไม่ใกล้เคียงกับสิ่ง นี้เลยเรียกได้ว่าเป็นความฝันสูงสุดที่ ส่งต่อกันมาอีกทีแล้วกันและไม่ว่าจะชอบ หรือไม่ปัจจุบัน AI ก็เข้ามาแล้วเหมือน กับไฟฟ้าที่ช็อตคนได้เหมือนกับมีดที่แทง คุณได้ถ้าคุณไม่กดซับ กดเดี๋ยวนี้เหมือนกับเทคโนโลยีที่ผ่านๆมา AI ก็สามารถนำไปทำเรื่องไม่ดีได้เช่นกัน ดังนั้นเรื่อง AI คงไม่พูดเรื่องนี้ไม่ ได้เรื่องของจริยธรรมหรือ eic ในการสร้าง AI eic จะมีทั้งหมด 5 เสาหลักครับนั่น ก็คือ transparency ต้องบอกว่า AI เนี่ย ตัดสินใจยังไง Data เนี่ยเอามาจากไหน fess คือ AI ที่ไม่ bi จะไป bi กับสีผิวคนไม่
ได้จะ bi กับเพศไม่ได้ privacy ก็คือ เรื่องของ Personal Data เราต้องเป็นคน ควบคุมเหมือนเดิม accountability คือ de เนี่ยต้องรับผิดชอบชอบต่อผลลัพธ์ของ System อันสุดท้าย sustainability มัน คือเรื่องความยั่งยืนอย่างเช่นเทรนเนี่ย ใช้พลังงานเยอะแค่ไหนใช้คาร์บอน fl print เท่าไหร่ eic พวกนี้นะครับจะเป็นแนวทาง ที่ทำให้ AI เนี่ยพัฒนาไปในแนวทางที่ดีใน อนาคตโลกเราจะไปสู่จุดจบแบบ Terminator หรือไปสู่เสรีภาพที่ AI ทำงานแทนแล้วะเอา เวลาไปใช้ชีวิตก็ขึ้นอยู่กับอนาคตและนี่ คือพื้นฐาน AI ที่ผมคิดว่าควรรู้ใน 10 นาทีถ้าเกิดมีพี่ๆหรือเพื่อนๆที่คิดว่ามี จุดสำคัญที่ผมข้ามไปหรืออธิบายผิดเนี่ยผม ฝากมาร์คเวลาและคอมเมนต์อธิบายเพิ่มเติม ด้วยนะครับเผื่อให้คนทั่วไปเนี่ยจะสามารถ เข้าใจ AI ได้ถูกต้องและดีขึ้นฮะโดยคทน นี้เนี่ยผมหวังว่าจะช่วยปูพื้นฐานความรู้ AI ให้กับทุกคนได้ครับเพอหลังจากนี้ช่อง เราจะลงลึก AI กันเดี๋ยวนะนั่นปุ่มเขียน ว่าติดตามหรอกดเดี๋ยวนี้หรือไม่อย่างงั้น ผมจะส่งน้อง AI ไปขยี้ [เพลง]