AI คืออะไร และ มีกี่แบบ | LOC Hackathon ครั้งที่ 1 | Workshop 2

• ความสำคัญของ Data
• จะรู้ได้อย่างไรว่า Data นั้นดี
• AI ช่วยแก้ปัญหาอะไรได้บ้าง
• ประเภทของข้อมูลที่รวบรวมได้
• วิธีการสอน Machine Learning
• การเลือกโมเดลที่เหมาะสม
• AI กับการนำไปประยุกต์ใช้งานจริง
• จริยธรรมและความรับผิดชอบในการใช้ AI
• สรุปและแนวทางในการศึกษาเพิ่มเติม

เวิร์กช็อป AI Hackathon ครั้งที่ 2 เป็นโอกาสที่ดีสำหรับผู้สนใจด้านการพัฒนา AI แบบลงมือทำจริง โดยมีหัวข้อหลักเกี่ยวกับการเรียนรู้และเข้าใจการใช้งานข้อมูลที่มีคุณภาพ การเลือกและพัฒนาโมเดล AI ให้เหมาะสม รวมไปถึงการใช้ AI อย่างมีความรับผิดชอบ เพื่อให้สามารถนำไปประยุกต์ใช้แก้ปัญหาได้จริงในชีวิตประจำวัน

Data นั้นสำคัญไฉน

ความสำคัญของ Data

ทุกวันนี้เราได้ยินคำว่า "Data" หรือข้อมูล กันอยู่บ่อยๆ ไม่ว่าจะในแวดวงธุรกิจ เทคโนโลยี หรือชีวิตประจำวัน แต่ว่าข้อมูลนั้นสำคัญแค่ไหน? ความจริงคือ ข้อมูลคือหัวใจสำคัญของทุกเทคโนโลยี โดยเฉพาะ AI หรือ Machine Learning หากเปรียบเทียบง่ายๆ ข้อมูลก็เหมือนอาหารของ AI ถ้าข้อมูลดีและถูกต้อง AI ก็จะทำงานได้อย่างมีประสิทธิภาพ แต่ถ้าข้อมูลผิดพลาด AI ก็จะทำงานผิดพลาดตามไปด้วย

จะรู้ได้อย่างไรว่า Data นั้นดี

ข้อมูลที่ดีควรมีคุณสมบัติที่ชัดเจน เช่น ความถูกต้อง ความครบถ้วน ความใหม่ และไม่มีอคติ (Bias) เช่น หากเราต้องการสอน AI ให้แยกแยะภาพแมว เราควรให้ AI เรียนรู้จากภาพแมวที่หลากหลาย ครบถ้วน และไม่มีสัตว์ชนิดอื่นปะปนอยู่ เพื่อให้ AI เรียนรู้ได้อย่างถูกต้องและแม่นยำที่สุด

AI/ML 101

AI ช่วยแก้ปัญหาอะไรได้บ้าง

AI สามารถนำมาใช้แก้ปัญหาในชีวิตประจำวันได้หลายอย่าง เช่น การทำนายผลลัพธ์ การแนะนำสินค้า การตรวจสอบสุขภาพ หรือแม้แต่การช่วยตอบคำถามอัตโนมัติ AI ยังสามารถช่วยจัดการข้อมูลมหาศาลในธุรกิจ ช่วยในการตัดสินใจ และเพิ่มประสิทธิภาพในการทำงาน

ประเภทของข้อมูลที่รวบรวมได้

ข้อมูลที่สามารถนำมาใช้กับ AI มีหลายประเภท เช่น ข้อความ (Text), รูปภาพ (Image), เสียง (Audio) และวิดีโอ (Video) ซึ่งแต่ละประเภทจะเหมาะกับโมเดล AI ที่แตกต่างกันไป

วิธีการสอน Machine Learning

Machine Learning Algorithm แบบคลาสสิก

• Classical ML: อัลกอริธึมพื้นฐานสำหรับเริ่มต้น

• KNN (K-Nearest Neighbors): การจำแนกข้อมูลด้วยความใกล้เคียง

• Regression: ทำนายค่าตัวเลขหรือแนวโน้ม

• Decision Tree: ตัดสินใจจากลำดับเหตุการณ์หรือคุณลักษณะ

• SVM (Support Vector Machine): แยกแยะข้อมูลด้วยเส้นแบ่งที่ดีที่สุด

Machine Learning Algorithm ขั้นสูง

• Modern Machine Learning: เทคนิคขั้นสูงที่พัฒนาขึ้นมาใหม่

• KNN แบบประยุกต์ใช้: การนำไปใช้งานในสถานการณ์ที่ซับซ้อน

• Regression ขั้นสูง: ทำนายผลในสถานการณ์ที่มีข้อมูลหลากหลาย

• Decision Tree ในสถานการณ์จริง: ปรับแต่งและใช้งานกับข้อมูลจริง

• SVM ในงานซับซ้อน: ใช้แยกข้อมูลที่มีความซับซ้อนสูง

AI/ML 102

การเลือกโมเดลที่เหมาะสม

การเลือกโมเดล AI ขึ้นอยู่กับลักษณะของข้อมูลและปัญหาที่ต้องการแก้ไข หากเราเลือกโมเดลได้เหมาะสม จะช่วยให้ AI ทำงานได้มีประสิทธิภาพและแม่นยำมากขึ้น

การเตรียม Dataset

Processing คือการจัดการข้อมูลให้พร้อมใช้งาน โดยต้องปรับแต่งและจัดรูปแบบข้อมูลให้เหมาะสมก่อนนำไปใช้งานจริง

Data Augmentation คือการเพิ่มปริมาณข้อมูลจากข้อมูลเดิมที่มีอยู่ เพื่อช่วยให้ AI เรียนรู้ได้ดีและหลากหลายมากขึ้น

ปัญหา Overfitting และ Underfitting

Overfitting คือปัญหาที่ AI เรียนรู้ข้อมูลการฝึกมากเกินไปจนจดจำข้อมูลเฉพาะเจาะจง ไม่สามารถใช้งานได้ดีกับข้อมูลใหม่

Underfitting คือปัญหาที่ AI เรียนรู้น้อยเกินไป ไม่สามารถทำนายผลลัพธ์ได้อย่างแม่นยำ

การปรับแต่ง Hyperparameters

Hyperparameters คือค่าต่างๆ ที่เราปรับเปลี่ยนระหว่างการฝึก AI เพื่อเพิ่มประสิทธิภาพและความแม่นยำของโมเดล

ความเข้าใจ Loss Function (Objective Function)

Loss Function เป็นค่าที่แสดงระดับความผิดพลาดของโมเดล AI ในแต่ละรอบการฝึก หากค่าความผิดพลาดยิ่งต่ำแสดงว่า AI เรียนรู้ได้แม่นยำมากขึ้น

Gradient Descent และเทคนิค Backpropagation

Gradient Descent และ Backpropagation เป็นเทคนิคสำคัญที่ใช้ในการปรับแต่งโมเดล เพื่อให้สามารถเรียนรู้และทำนายผลลัพธ์ได้อย่างแม่นยำที่สุด

AI กับการนำไปประยุกต์ใช้งานจริง

AI สามารถนำไปใช้งานในหลากหลายสาขา เช่น

• NLP (Natural Language Processing) ซึ่งช่วยให้ AI เข้าใจภาษาและสื่อสารกับมนุษย์ได้

• Reinforcement Learning และ Game AI ที่ช่วยให้ AI เรียนรู้ผ่านการตัดสินใจและประสบการณ์

• Medical AI ช่วยวิเคราะห์และวินิจฉัยโรคในวงการแพทย์

• Generative AI ช่วยสร้างข้อมูลใหม่ๆ เช่น รูปภาพ วิดีโอ ข้อความ หรือเสียง

จริยธรรมและความรับผิดชอบในการใช้ AI

ในการพัฒนา AI นักพัฒนาต้องตระหนักถึงความรับผิดชอบต่อสังคมอย่างจริงจัง

ความสำคัญของจริยธรรมในการใช้ข้อมูล: คือ ต้องใช้ข้อมูลที่ถูกต้อง โปร่งใส และไม่ละเมิดความเป็นส่วนตัว

วิธีการลดอคติใน AI: โดยเลือกใช้ข้อมูลที่หลากหลายและเป็นกลาง

ความรับผิดชอบของนักพัฒนา AI: คือ การสร้างระบบที่โปร่งใส ตรวจสอบได้ และไม่สร้างผลกระทบเชิงลบต่อสังคม

สรุปและแนวทางในการศึกษาเพิ่มเติม

การจะนำ AI ไปใช้งานจริงนั้นต้องมีความรู้ตั้งแต่ขั้นพื้นฐานไปจนถึงระดับสูง ควบคู่ไปกับการตระหนักถึงจริยธรรมและความรับผิดชอบต่อผลกระทบที่เกิดขึ้น ผู้สนใจสามารถศึกษาเพิ่มเติมได้จากแหล่งข้อมูลต่างๆ บนอินเทอร์เน็ต รวมทั้งการเข้าร่วมเวิร์กช็อปหรือกิจกรรมต่างๆ ที่เปิดโอกาสให้ได้ลงมือปฏิบัติจริง