machine learning คืออะไร

หากคุณกำลังถามว่า machine learning คืออะไร คำตอบที่ง่ายที่สุดคือ: machine learning คือวิธีที่ทำให้คอมพิวเตอร์เรียนรู้รูปแบบจากข้อมูล และนำรูปแบบเหล่านั้นไปใช้เพื่อการคาดการณ์ การแนะนำ หรือการตัดสินใจ แทนที่จะต้องเขียนกฎทุกข้อด้วยมือ ผู้คนจะให้ตัวระบบมีตัวอย่าง และตัวระบบจะเรียนรู้จากตัวอย่างเหล่านั้น

พจนานุกรมของ NIST ให้คำจำกัดความของ machine learning ว่าเป็นระบบคอมพิวเตอร์ที่ปรับตัวและเรียนรู้จากข้อมูลเพื่อเพิ่มความแม่นยำ ฟังดูเป็นเรื่องเชิงเทคนิค แต่แนวคิดในชีวิตประจำวันนั้นคุ้นเคยอยู่แล้ว: ยิ่งระบบเห็น “ตัวอย่างที่มีประโยชน์” มากเท่าไร ระบบก็ยิ่งสามารถจดจำรูปแบบได้ดีขึ้นเท่านั้น

machine learning คืออะไร อธิบายแบบง่ายๆ

Machine learning เป็นสาขาหนึ่งของปัญญาประดิษฐ์ IBM, Google Cloud, Microsoft Azure และ AWS ต่างก็อธิบายคล้ายกันว่า machine learning ใช้ข้อมูลและอัลกอริทึมเพื่อฝึกระบบที่สามารถทำการคาดการณ์หรือค้นหารูปแบบได้ โดยไม่จำเป็นต้องเขียนโปรแกรมกำหนดไว้สำหรับทุกกรณีอย่างชัดเจน

ลองนึกภาพการสอนเด็กให้รู้จักจำแนกสุนัข คุณไม่จำเป็นต้องระบุรูปร่างของหู ความยาวหาง และสีขนทุกแบบ คุณแสดงตัวอย่างให้ดู แล้วเมื่อเวลาผ่านไป เด็กก็จะเรียนรู้รูปแบบ Machine learning ก็ทำงานในแนวคิดที่คล้ายกัน แต่ใช้ข้อมูล คณิตศาสตร์ และอัลกอริทึม

Machine Learning ทำงานอย่างไร

โปรเจกต์ machine learning ส่วนใหญ่จะทำตามกระบวนการพื้นฐาน ได้แก่ รวบรวมข้อมูล เตรียมข้อมูล ฝึกโมเดล ทดสอบ แล้วจึงนำโมเดลไปใช้กับอินพุตใหม่ คู่มือของ AWS เรื่อง การสร้างแอปพลิเคชัน machine learning อธิบายว่ากระบวนการนี้เป็นแบบวนซ้ำ (iterative): กำหนดปัญหา เตรียมข้อมูล สร้างฟีเจอร์ที่มีประโยชน์ ฝึกโมเดล ประเมินผล และนำไปใช้สำหรับการคาดการณ์

ตัวอย่างง่ายๆ คือ ตัวกรองสแปม ระบบจะเรียนรู้จากอีเมลที่ติดป้าย “spam” และ “not spam” ในช่วงการฝึก ระบบจะสังเกตรูปแบบ เช่น ลิงก์ที่น่าสงสัย วลีที่ใช้ซ้ำ พฤติกรรมของผู้ส่ง หรือรูปแบบการจัดรูปแบบ (formatting) จากนั้นในช่วงการอนุมาน ระบบจะนำสิ่งที่เรียนรู้ไปใช้กับอีเมลใหม่ และคาดการณ์ว่าอีเมลนั้นเป็นสแปมหรือไม่

คำที่สำคัญคือ “คาดการณ์” (predicts) Machine learning ไม่ได้เข้าใจโลกเหมือนคน มันจะหารูปแบบเชิงสถิติ สิ่งนี้อาจมีพลังมาก แต่ก็หมายความว่าคุณภาพของข้อมูลมีความสำคัญอย่างยิ่ง

ประเภททั่วไปของ Machine Learning

Machine learning ไม่ใช่วิธีการเดียว แต่ประกอบด้วยแนวทางหลักหลายแบบ:

Stanford CS229 สอนการเรียนรู้ของเครื่องผ่านหัวข้อหลัก ๆ เช่น การเรียนรู้แบบมีผู้สอน (supervised learning) การเรียนรู้แบบไม่มีผู้สอน (unsupervised learning) โครงข่ายประสาท (neural networks) และการเรียนรู้แบบเสริมแรง (reinforcement learning) ของ Google Machine Learning Crash Course ก็มีประโยชน์สำหรับผู้เริ่มต้นเช่นกัน เพราะอธิบายแนวคิดด้วยตัวอย่างที่นำไปใช้ได้จริง สำหรับผู้ที่ต้องการเอกสารเชิงปฏิบัติ คู่มือผู้ใช้ scikit-learn และ พื้นฐานการเรียนรู้ของเครื่องของ TensorFlow เป็นแหล่งอ้างอิงทางเทคนิคที่แข็งแรง

Machine Learning vs AI vs Deep Learning

ผู้คนมักสับสนระหว่าง AI, การเรียนรู้ของเครื่อง (machine learning) และการเรียนรู้เชิงลึก (deep learning) สิ่งเหล่านี้เกี่ยวข้องกัน แต่ไม่เหมือนกัน

ปัญญาประดิษฐ์คือสาขาที่กว้าง: การสร้างระบบที่สามารถทำงานที่เกี่ยวข้องกับสติปัญญาของมนุษย์ เช่น การให้เหตุผล ภาษา การรับรู้ การเรียนรู้ หรือการตัดสินใจ การเรียนรู้ของเครื่องเป็นวิธีหนึ่งในการสร้างระบบ AI การเรียนรู้เชิงลึกเป็นรูปแบบหนึ่งของการเรียนรู้ของเครื่องที่ใช้โครงข่ายประสาทเทียมที่มีหลายชั้น

ดังนั้นความสัมพันธ์จึงเข้าใจง่าย: AI คือหมวดหมู่ใหญ่ การเรียนรู้ของเครื่องอยู่ภายใน AI การเรียนรู้เชิงลึกอยู่ภายในการเรียนรู้ของเครื่อง

เครื่องคิดเลขทำตามกฎที่กำหนดไว้ล่วงหน้า จึงไม่ใช่การเรียนรู้ของเครื่อง ระบบแนะนำที่พัฒนาขึ้นโดยเรียนรู้จากพฤติกรรมผู้ใช้คือการเรียนรู้ของเครื่อง โมเดลภาษาขนาดใหญ่ที่ใช้โครงข่ายประสาทเชิงลึกคือการเรียนรู้เชิงลึก

ตัวอย่างจริงของการเรียนรู้ของเครื่อง

การเรียนรู้ของเครื่องเป็นส่วนหนึ่งของชีวิตประจำวันอยู่แล้ว บริการสตรีมมิ่งใช้มันเพื่อแนะนำวิดีโอ ธนาคารใช้เพื่อตรวจจับธุรกรรมที่ผิดปกติ บริการอีเมลใช้เพื่อกรองสแปม เครื่องมือแปลภาษานำไปใช้เพื่อแปลงภาษา เครื่องมือค้นหาใช้เพื่อทำความเข้าใจความเกี่ยวข้องและสัญญาณการจัดอันดับ

ในด้านสุขภาพ สำนักงานคณะกรรมการอาหารและยา (FDA) จะดูแลรายชื่อ อุปกรณ์การแพทย์ที่เปิดใช้งานด้วย AI โดยจำนวนมากใช้เทคนิค AI หรือการเรียนรู้ของเครื่องสำหรับงานด้านการถ่ายภาพ การวินิจฉัย หรือการสนับสนุนทางคลินิก นี่เป็นเครื่องเตือนใจที่ดีว่าแม้การเรียนรู้ของเครื่องจะมีประโยชน์ แต่ระบบที่มีความเสี่ยงสูงจำเป็นต้องได้รับการทดสอบและมีการกำกับดูแล

วิทยาศาสตร์ก็เป็นอีกตัวอย่างที่เด่น AlphaFold ใช้ AI เพื่อคาดการณ์โครงสร้างของโปรตีน ช่วยให้นักวิจัยศึกษาชีววิทยาได้อย่างมีประสิทธิภาพมากขึ้น แสดงให้เห็นว่าการเรียนรู้ของเครื่องไม่ได้มีไว้แค่โฆษณา แอป และแดชบอร์ดเท่านั้น แต่ยังช่วยสนับสนุนการค้นพบทางวิทยาศาสตร์ได้อีกด้วย

เหตุใดคุณภาพของข้อมูลจึงสำคัญ

โมเดลการเรียนรู้ของเครื่องจะดีได้เท่ากับข้อมูลและสมมติฐานที่อยู่เบื้องหลังเท่านั้น หากข้อมูลการฝึกไม่ครบถ้วน มีอคติ ล้าสมัย หรือมีการติดป้ายกำกับไม่ดี โมเดลอาจเรียนรู้รูปแบบที่ผิดได้

ตัวอย่างเช่น โมเดลการจ้างงานที่ฝึกจากข้อมูลการจ้างงานในอดีตที่มีอคติอาจทำซ้ำรูปแบบเหล่านั้น โมเดลทางการแพทย์ที่ฝึกมาเป็นหลักกับประชากรกลุ่มหนึ่งอาจทำงานได้แย่ลงสำหรับอีกกลุ่มหนึ่ง โมเดลการแนะนำอาจแคบเกินไปและยังคงแสดงให้ผู้ใช้เห็นสิ่งเดิมๆ มากขึ้นเรื่อยๆ

งานด้านแมชชีนเลิร์นนิงที่ดีประกอบด้วยการทำความสะอาดข้อมูล การทดสอบ การตรวจสอบ การเฝ้าระวัง และการทบทวนโดยมนุษย์ ซึ่งยังหมายถึงการถามคำถามที่ไม่สบายใจ: ในข้อมูลมีใครถูกแทนอยู่บ้าง? ใครที่ขาดหายไป? ถ้าโมเดลผิดพลาดจะเกิดอะไรขึ้น?

อธิบายการเรียนรู้ของเครื่องด้วยภาพด้วย Pi

แมชชีนเลิร์นนิงอาจดูเป็นนามธรรม เพราะงานสำคัญมักมองไม่เห็น: การเตรียมข้อมูล การฝึกโมเดล การประเมิน การนำไปใช้งาน และลูปการตอบกลับ การอธิบายด้วยภาพช่วยให้ผู้คนเห็นกระบวนการนั้น

ด้วย Pi คุณสามารถเปลี่ยนแนวคิดเกี่ยวกับแมชชีนเลิร์นนิงให้กลายเป็นสไลด์พรีเซนต์ได้: เวิร์กโฟลว์จากข้อมูลสู่โมเดล การเปรียบเทียบระหว่างการเรียนรู้แบบมีผู้สอนและแบบไม่มีผู้สอน กราฟที่แสดงความแม่นยำของโมเดล หรือคำอธิบายแบบใช้อไอคอนเกี่ยวกับการฝึกและการอนุมาน Pi ยังสามารถปรับแต่งธีม สี เค้าโครง ไอคอน กราฟ และภาพที่สร้างด้วย AI ได้ ซึ่งทำให้การนำเสนอไอเดียเชิงเทคนิคให้แก่นักเรียน ลูกค้า ผู้ก่อตั้ง หรือทีมภายในทำได้ง่ายขึ้น

ความเสี่ยงและการใช้อย่างรับผิดชอบ

ระบบแมชชีนเลิร์นนิงสามารถทำผิดพลาดได้ พวกมันอาจขยายอคติ เปิดเผยข้อมูลส่วนตัว สร้างผลลัพธ์ที่ไม่เป็นธรรม หรือทำให้ยากต่อการอธิบาย นั่นจึงเป็นเหตุว่าทำไม AI อย่างรับผิดชอบจึงสำคัญ

กรอบการจัดการความเสี่ยงด้าน AI ของ NIST มอบวิธีให้แก่องค์กรในการคิดเกี่ยวกับความเสี่ยงของ AI ที่น่าเชื่อถือ หลักการด้าน AI ของ OECD เน้นคุณค่าที่ยึดมนุษย์เป็นศูนย์กลาง ความเป็นธรรม ความโปร่งใส ความทนทาน ความปลอดภัย และความรับผิดชอบ

สำหรับผู้เริ่มต้น สิ่งที่ควรได้คือเรื่องง่ายๆ: ควรไม่ตัดสินแมชชีนเลิร์นนิงจากความแม่นยำเพียงอย่างเดียว ควรพิจารณาด้วยเรื่องความเป็นธรรม ความปลอดภัย ความเป็นส่วนตัว ความสามารถในการอธิบาย และผลกระทบในโลกจริง

ข้อสรุป

แมชชีนเลิร์นนิงคือการฝึกให้คอมพิวเตอร์เรียนรู้รูปแบบจากข้อมูล และนำรูปแบบเหล่านั้นไปใช้กับสถานการณ์ใหม่ๆ เป็นหนึ่งในเครื่องยนต์หลักที่ขับเคลื่อน AI สมัยใหม่ ตั้งแต่ระบบแนะนำและการตรวจจับการฉ้อโกง ไปจนถึงเครื่องมือทางการแพทย์และงานวิจัยทางวิทยาศาสตร์

แนวคิดนี้เรียบง่าย แต่การนำไปปฏิบัติต้องใช้ความระมัดระวัง การเรียนรู้ของเครื่องที่ดีต้องมีข้อมูลที่ดี เป้าหมายที่ชัดเจน การทดสอบ การเฝ้าระวัง และการใช้อย่างรับผิดชอบ โมเดลที่ดีที่สุดไม่ได้แค่ฉลาดเท่านั้น แต่มันมีประโยชน์ เชื่อถือได้ และเหมาะสมกับผู้คนที่ได้รับผลกระทบจากโมเดลนั้น

คำถามที่พบบ่อย (FAQ)

ถาม: การเรียนรู้ของเครื่องคืออะไร?

ตอบ: การเรียนรู้ของเครื่องเป็นแขนงหนึ่งของ AI ที่ให้คอมพิวเตอร์เรียนรู้รูปแบบจากข้อมูล แล้วใช้รูปแบบเหล่านั้นเพื่อทำการคาดการณ์ การแนะนำ หรือการตัดสินใจ

ถาม: การเรียนรู้ของเครื่องเหมือนกับปัญญาประดิษฐ์หรือไม่?

ตอบ: ไม่ใช่ AI เป็นสาขาที่กว้างกว่า การเรียนรู้ของเครื่องเป็นวิธีหนึ่งที่ใช้ในการสร้างระบบ AI การเรียนรู้เชิงลึกเป็นหมวดหมู่ที่เล็กกว่าภายในการเรียนรู้ของเครื่อง

ถาม: ตัวอย่างทั่วไปของการเรียนรู้ของเครื่องมีอะไรบ้าง?

ตอบ: ตัวอย่างที่พบบ่อยได้แก่ ระบบแนะนำ ตัวกรองสแปม การตรวจจับการฉ้อโกง การรู้จำเสียง การจัดประเภทภาพ เครื่องมือแปลภาษา และระบบ AI ด้านการแพทย์บางระบบ

คำถาม: คุณจำเป็นต้องเขียนโค้ดเพื่อเรียนรู้การเรียนรู้ของเครื่อง (machine learning) ไหม

คำตอบ: คุณสามารถเข้าใจแนวคิดพื้นฐานได้โดยไม่ต้องเขียนโค้ด แต่การสร้างแบบจำลองการเรียนรู้ของเครื่องที่ใช้งานได้จริงมักต้องใช้ทักษะด้านการเขียนโปรแกรม สถิติ การจัดการข้อมูล และการทดสอบ