Machine learning (ML) คืออะไร? เทคโนโลยีที่องค์กรต้องรู้

ปฏิเสธไม่ได้เลยว่าจะหันมองไปทางไหน ก็เจอแต่ “AI” โดยเฉพาะ Generative AI ยิ่งในช่วง 2-3 ปีที่ผ่านมา AI สร้างทั้งความตื่นเต้นในวงการธุรกิจและวงการเทคโนโลยี (เรียกได้ว่ามีเครื่องมือใหม่ ๆ ออกมาให้ลองเล่นรายวัน) รวมไปถึงสร้างความกลัวว่า AI กำลังเข้ามาแย่งงาน และทำให้เราตกงานจริงหรือไม่?

จะดีกว่ามั้ยถ้าเราเรียนรู้ว่า AI จริง ๆ แล้วคืออะไร รวมไปถึงกระบวนการทำงานและการคิดของ AI อย่าง Machine Learning หรือ Deep Learning ว่าจริง ๆ แล้ว AI ทำงานอย่างไร และเราในฐานะมนุษย์สามารถใช้ประโยชน์จาก AI หรือ Machine learning อย่างไรได้บ้าง?

Disrupt Corporate Program อยากจะมาเล่าให้ฟังว่าเบื้องหลังการทำงานของ AI อย่าง Machine Learning คืออะไร ประเภทของ Machine Learning และตัวอย่างของ Machine learning ในชีวิตประจำวัน ฉบับเข้าใจง่าย อ่านได้ทุกคน ⭐
‍

Highlight

Machine learning เป็นสมองของ AI เป็นระบบที่สามารถเรียนรู้ได้ด้วยตนเอง โดยใช้ข้อมูล โดยที่มนุษย์ไม่ต้องคอยมานั่งเขียนโปรแกรมหรือคำสั่งใด ๆ 

Machine learning มี 3 ประเภท 1.Supervised learning 2.Unsupervised learning 3.Reinforcement learningsome

• Supervised learning คือ การให้ข้อมูลในการเรียนรู้ทั้ง input และ output 
• Unsupervised learning คือ การให้ข้อมูลในการเรียนรู้เพียงแค่ชุดเดียว หรือแค่ input
• Reinforcement learning คือ การเรียนผ่านการลองผิดลองถูก หรือ Feedback จากคน

เราสามารถพบเจอ Machine learning ได้ในชีวิตประจำวัน เช่น ระบบการแนะนำหนังใน Netflix การสแกนหน้าหรือ Face ID รวมไปถึงรถยนต์ไร้คนขับ (Autonomous Car) อย่าง Tesla

Artificial Interllegence (AI) หรือในภาษาไทยคือปัญญาประดิษฐ์ พูดง่าย ๆ คือระบบของคอมพิวเตอร์ที่ถูกประดิษฐ์และลอกเลียนแบบให้เหมือนความฉลาดและพฤติกรรมของมนุษย์ (ที่ปัจจุบันหลายตัวฉลาดกว่ามนุษย์โดยเฉลี่ยไปเรียบร้อยแล้ว)

Machine Learning คือ การที่คอมพิวเตอร์หรือระบบสามารถเรียนรู้ได้ด้วยตนเองโดยใช้ข้อมูล และมนุษย์ไม่ต้องคอยมานั่งเขียนโปรแกรมหรือคำสั่งใด ๆ เพิ่มเติม เรียกได้ว่า “สมอง” ของ AI ที่ช่วยในแสดงผลต่าง ๆ ที่เราเห็นกันในปัจจุบัน

Deep Learning คือ ศาสตร์แขนงหนึ่งของ Machine Learning ที่เลียนแบบการทำงานเซลล์ประสาทของมนุษย์หรือวิธีการเรียนรู้ลักษณะข้อมูลต่าง ๆ ที่มนุษย์เรียนรู้ 

ขอยกตัวอย่างความหมายและความแตกต่างว่า AI ML DL คืออะไรกันแน่?

เราต้องการจะสอนเด็กคนหนึ่งว่ามีผลไม้ที่แตกต่างกันสองชนิดคือ “แอปเปิล” และ “ส้ม”ในที่นี้คือเด็กเป็น AI และ ลักษณะและคำจำกัดความของส้มและแอปเปิลคือข้อมูล (ถ้าศัพท์ในทางเทคนิคลักษณะของผลไม้คือ ‘Features’ และชื่อของแอปเปิลและส้มคือ ‘Labels’) 
‍

โดยตัวอย่างของข้อมูลที่เราจะสอนเด็ก (หรือ) AI 

แอปเปิล (Labels): ทรงกลม มีเปลือก มีสีแดง เนื้อสัมผัสแข็ง (Features)

ส้ม (Labels): ทรงกลม มีเปลือก มีสีส้ม เนื้อสัมผัสนิ่ม (Features)

ในขั้นตอนที่เด็กเรียนรู้หรือว่า Machine learning สามารถมีหลายรูปแบบ โดยตัวอย่างยอดฮิตสำหรับ Machine learning คือ Decision Tree Model (Model การตัดสินใจแบบมีกฎและเงื่อนไขในการตัดสินใจ)

และถ้าเราลองเพิ่มตัวอย่างของแอปเปิลและส้มที่มีความแตกต่างและหลากหลายมากขึ้น ไม่ว่าจะเป็นขนาด สายพันธุ์ และสี จนตัวเด็กสามารถแยกความแตกต่างของแอปเปิลและส้มได้อย่างถูกต้องโดยที่เราไม่ต้องเพิ่มข้อมูลของแอปเปิลและส้มเพิ่ม ขั้นตอนในการเรียนรู้นี้จะเรียกว่า Deep Learning

ถ้าแปล Supervised Learning อย่างตรงไปตรงมาจะแปลว่า “การเรียนรู้ภายใต้การดูแล” และในทางของ Machine Learning นั่น Supervised learning คือการที่ AI หรือระบบคอมพิวเตอร์เรียนรู้บางสิ่งได้ด้วย “ข้อมูล” ที่ถูกป้อน โดยข้อมูลที่ถูกป้อนใน Supervised Learning จะต้องประกอบด้วย input (ชุดข้อมูล) และ output (คำตอบของข้อมูล) 

จากตัวอย่างด้านบนที่เราป้อนข้อมูลในเด็กทั้งสองส่วนคือ input (ลักษณะของแอปเปิลและส้ม) และ output (ชื่อของส้มและแอปเปิล)
‍

Decision Tree Model ที่ยกตัวอย่างด้านบนก็ถือว่าเป็นหนึ่งในการเรียนรู้แบบ Supervised Learning เช่นกันการเรียนรู้แบบใช้ข้อมูลจะถูกแบ่งออกเป็น 2 ประเภทหลัก ๆ คือ

1. Regression (การทำนายแนวโน้มข้อมูลในอนาคตจาก 2 ตัวแปร)
2. Classification (การจำแนกหมวดหมู่)

ถ้า Supervised learning คือการที่ระบบหรือ AI เรียนรู้จากข้อมูล 2 ชุดคือ input และ output ในส่วนของ Unsupervised learning คือการที่ระบบเรียนรู้ข้อมูลชุดเดียวคือ Input

Unsupervised learning เปรียบเสมือนการที่เราอธิบายคุณลักษณะของข้อมูล แต่ไม่ได้บอกว่าชื่อของข้อมูลคืออะไร
‍

ตัวอย่างของข้อมูลที่ใช้ใน Unsupervised Learning 

ข้อมูลชุดที่ 1: ผลไม้ทรงกลม มีเปลือก มีสีแดง เนื้อสัมผัสแข็ง 

ข้อมูลชุดที่ 2: ผลไม้ทรงกลม มีเปลือก มีสีส้ม เสื้อสัมผัสนิ่ม
‍

หลังจากที่เราสอนเด็กหรือ AI ด้วยชุดข้อมูลนี้ เด็กคนนั้นก็จะพยายามสังเกตสิ่งรอบตัวและพยายามจัดกลุ่มหน้าตา (ตามชุดข้อมูลที่ได้รับ) ของผลไม้ที่คล้าย ๆ กันให้อยู่ในกลุ่มเดียวกัน โดยการจัดกลุ่มแบบนี้เรียกว่า “Clustering”

Unsupervised Learning แบ่งออกได้เป็น 2 ประเภทคือ

1. Clustering (การจัดกลุ่มข้อมูลที่มีความสัมพันธ์กัน)
2. Dimensionality Reduction (การลดมิติข้อมูลหรือความซับซ้อนของข้อมูล เพื่อการวิเคราะห์ที่ง่ายยิ่งขึ้น)

Reinforcement Learning คือการเรียนรู้จากบริบทแวดล้อม หรือการปล่อยให้ระบบลองผิดลองถูก โดยที่มีคนคอยสอนหรือ Feedback กับ AI ว่าสิ่งนี้ถูกหรือผิด ดีหรือไม่ดี 

ถ้าเปรียบเทียบกับตัวอย่างส้มหรือแอปเปิล เราลองให้เด็กแยกแอปเปิลและส้มออกจากกันด้วยตัวเอง โดยที่มีคนสอนคอยกำกับ ถ้าเด็กสามารถแยกแอปเปิลและส้มออกจากกันได้อย่างถูกต้อง คนสอนก็จะให้รางวัล แต่ถ้าไม่สามารถแยกได้ ก็จะต้องสอนเพิ่มเติมหรือมีการ feedback จนกว่าเด็กจะสามารถแยกแอปเปิลและส้มได้อย่างถูกต้อง

เราจะพบเห็นรูปแบบของ Reinforcement learning ได้บ่อยครั้งจาก Generative AI หรือ GenAI ที่เราจะสามารถให้ Feedback คำตอบของ Gen AI ได้ว่าชอบหรือไม่ชอบ รวมไปถึงพิมพ์บอกให้ Gen AI แก้ไข Output ของตัวเองได้เช่นกัน

ราจะเห็นได้ว่า Machine Learning เป็นสิ่งที่ยิ่งใหญ่กว่า AI หรือ GenAI ที่เรามักจะได้ยินกันอยู่เป็นอย่างมาก โดย Machine learning ที่เราสามารถเจอได้ในชีวิตประจำวันมีทั้งในรูปแบบของเทคโนโลยีที่ใช้ Machine learning ในการจัดการและวิเคราะห์ข้อมูล และ Machine learning ใน AI ที่สามารถในการรับรู้ เรียนรู้ ตัดสินใจ และแสดงพฤติกรรมที่ใกล้เคียงมนุษย์

ตัวอย่างการใช้ Machine learning ในเทคโนโลยีต่าง ๆ

การใช้ Machine learning จดจำใบหน้า เมื่อเราใส่ข้อมูลใบหน้าของเรา ระบบคอมพิวเตอร์จะเก็บข้อมูลใบหน้าของเรา และสร้างรูปแบบ (Model) ในการเรียนรู้ ไม่ว่าจะเป็น Deep Learning หรือ Neural Network เพื่อจดจำใบหน้าและระบุความพิเศษของใบหน้า เพื่อจำแนกว่าใบหน้านั้นเป็นของใคร หรือคนใหม่ที่ระบบยังไม่รู้จัก

ระบบแนะนำหนังใน Netflix หรือสินค้าใน Lazada และ Shopee จะใช้เทคนิค Machine Learning เพื่อวิเคราะห์รูปแบบและพฤติกรรมการเลือกซื้อหรือรับชมของผู้ใช้ และนำมาแนะนำสิ่งที่คิดว่าผู้ใช้จะสนใจต่อไป

ตัวอย่างการใช้ Machine learning ใน AI

เช่น Siri, Alexa, Google Assistant ใช้เทคนิค Machine Learning ในการประมวลผลคำสั่งเสียงของมนุษย์ด้วยเสียงพูดและการประมวลผลภาษาธรรมชาติ (Natural Language: NLP) Vitual Assisstance จึงสามารถตอบด้วยคำพูดและภาษาที่ใกล้เคียงกับมนุษย์

รถยนต์ไร้คนขับหรือ Autonomous Car อย่าง Tesla ใช้ Machine Learning ร่วมกับเซนเซอร์ตรวจจับสิ่งแวดล้อม เพื่อรับรู้สภาพแวดล้อมบนท้องถนน และวิเคราะห์สภาพแวดล้อม เพื่อที่จะสร้างระบบขับขี่อัตโนมัติได้อย่างปลอดภัย

จะเห็นได้ว่า Machine Learning นั่น เป็นศาสตร์ที่น่าสนใจ และสามารถนำไปต่อยอดในทางธุรกิจได้อย่างกว้างขวางและหลากหลาย ไม่ว่าจะเป็นการเพิ่ม Customer Experience การวิเคราะห์ข้อมูลต่าง ๆ ภายในองค์กร รวมไปถึงการสร้างนวัตกรรมภายในองค์กร 

หากองค์กรไหนต้องการที่จะเจาะลึกหรือปูพื้นฐานในเรื่องของ Machine Learning หรือการใช้ AI ในหน่วยธุรกิจ Disrupt Corporate Program มีหลักสูตร D.A.T (Digital, AI, and Technology) ที่จะช่วยเติมเต็มพื้นฐาน หรือต่อยอดทักษะและความรู้ภายในองค์กร เพื่อการสร้างนวัตกรรมและการเปลี่ยนแปลงภายในองค์กรอย่างแท้จริง

“Tech พร้อม! หัวหน้าพร้อม! แล้วคนพร้อมแล้วหรือยัง?”
‍

👉 สนใจหลักสูตรฝึกอบรม สามารถกรอกฟอร์ม https://forms.gle/zgzmLGNgJNAJEXX66

หรือค้นหารายละเอียดเพิ่มเติมได้ที่

👉 โทร 083-7698763 (แพรว) หรือ 061-0207826 (ปานวาด)