top of page

6 ความเข้าใจผิดเกี่ยวกับ AI


6 ความเข้าใจผิดเกี่ยวกับ AI
6 ความเข้าใจผิดเกี่ยวกับ AI

1. AI สามารถแก้ปัญหาได้ทุกอย่าง

ณ ปัจจุบัน AI แต่ละประเภทถูกพัฒนาเพื่อใช้ในวัตถุประสงค์ที่ชัดเจน เช่น AI ประเภท Face Recognition ถูกสร้างมาเพื่อระบุอัตลักษณ์ด้วยหน้า จะไม่สามารถนำไปอ่านลายนิ้วมือได้ เป็นต้น


ทั้งนี้ AI เรียนรู้จากชุดข้อมูล เมื่อชุดข้อมูลเปลี่ยน กลไกของ AI ก็อาจจะเปลี่ยนแปลงไปด้วยเช่นกัน เช่น การใช้ NLP ในการแปลภาษา ซึ่งแต่ละภาษามีโครงสร้างไวยากรณ์ที่ไม่เหมือนกัน ทำให้ไม่สามารถใช้ AI ตัวเดียวกันได้ ดังนั้น AI จึงไม่สามารถแก้ปัญหาได้ทุกอย่าง


ส่วนคำถามที่ว่าแล้วปัญหาแบบไหนที่ AI ช่วยแก้ปัญหาไม่ได้? คำตอบที่ง่ายที่สุด คือ ปัญหาที่ไม่มีข้อมูลมาก่อน และไม่รู้ว่าจะเอาข้อมูลไหนมาเป็นต้นแบบ รวมไปถึงปัญหาที่ยังไม่มีเหตุและผลที่ชัดเจน ก็อาจจะไม่สามารถใช้ AI ในการแก้ปัญหาได้ เช่น ปัญหาการแพร่ระบาดของโรคที่เกิดใหม่ ไม่สามารถหาคำตอบด้วย AI ได้ว่าจะต้องรักษาอย่างไร เป็นต้น ดังนั้นข้อสรุป คือ AI ไม่สามารถแก้ปัญหาได้ทุกปัญหาและไม่ใช่ว่าทุกปัญหาจะต้องถูกแก้ด้วย AI

2. AI เป็นเทคโนโลยีที่พร้อมใช้

เทคโนโลยี AI ให้เลือกใช้ 2 รูปแบบ ได้แก่ AI สำเร็จรูป กับ AI ที่ต้องพัฒนาขึ้นมาใหม่ แตกต่างกันตรงที่ AI สำเร็จรูปจะเรียนรู้มาจากชุดข้อมูลชุดหนึ่งที่มีปริมาณมากพอ ในขณะที่ AI ที่ต้องพัฒนาขึ้นใหม่ จะเรียนรู้จากชุดข้อมูลของโจทย์ใดโจทย์หนึ่ง คำว่า “สำเร็จรูป” ในที่นี้หมายถึงไม่จำเป็นต้อง Train Model ขึ้นมาใหม่ทั้งนี้ Algorithm ที่ใช้ในปัจจุบันจะมี Library (หมายถึง ชุดคำสั่งเรียก Algorithm) ให้เลือกใช้ได้หลากหลาย การ Train Model คือ การเรียก Algorithm มาเรียนรู้ด้วยข้อมูล ในกรณีใช้ AI สำเร็จรูป ตัวโปรแกรมจะทำการเลือก Algorithm และเรียนรู้จากชุดข้อมูลที่มีการเลือกเอาไว้แล้ว ทำให้ผู้ใช้งานไม่สามารถปรับแต่งหรือเปิดดู Code เพื่อทำความเข้าใจกลไกการทำงานของระบบได้

การเลือกว่าจะใช้ AI แบบสำเร็จรูปหรือไม่ขึ้นอยู่กับความต้องการและลักษณะของข้อมูล ตัวอย่าง AI สำเร็จรูป ได้แก่ Image Processing ที่สามารถวิเคราะห์รถที่อยู่บนท้องถนนได้ ทำให้สามารถทราบได้ว่า รถแต่ละคันเป็นรถประเภทอะไร ยี่ห้ออะไรและมีความเร็วเท่าใด ในกรณีนี้ชุดข้อมูลที่ต้องใช้ คือ รถ และความเร็วของรถบนท้องถนน ดังนั้นชุดข้อมูลจึงไม่ใช่ชุดข้อมูลที่เฉพาะเจาะจง แต่ควรเป็นชุดข้อมูลขนาดใหญ่มีปริมาณมากพอสำหรับการ Train Model ดังนั้นบริษัทเทคโนโลยีที่สามารถเก็บภาพและข้อมูลการเคลื่อนไหวของรถบนนถนน จึงสามารถสร้าง AI นี้แบบสำเร็จรูปได้และสามารถนำ AI นี้ไปใช้บนท้องถนนทั่วไปได้ด้วยเช่นกัน

ในทางกลับกันกรณีการสร้าง AI ที่เฉพาะเจาะจงเกิดขึ้นจากชุดข้อมูลหรือปัจจัยบางอย่างที่ไม่ใช่ข้อมูลทั่วไป แต่เป็นข้อมูลที่เกิดขึ้นอย่างเฉพาะ เช่น การทำ Forecasting Model สำหรับร้านขายเสื้อผ้าประเภทต่าง ๆ ซึ่งจะต้องมีการทำความเข้าใจวัฏจักรของเสื้อผ้าแต่ละประเภท ก่อนที่จะสร้างเป็น Model สำหรับการพยากรณ์ยอดขาย เช่น เสื้อผ้าบางประเภทขายได้ตลอด บางประเภทขายในช่วงเทศกาล บางประเภทเป็นสินค้าแฟชั่นที่ขายเพียงล็อตเดียว เป็นต้น นอกจากนี้ปัจจัยอื่นๆ เช่น โปรโมชั่น ช่องทางการขาย ประเภทของร้านค้าและสถานที่ ต่างเป็นปัจจัยที่มีผลต่อการพัฒนา Model โดยทั้งสิ้น การพัฒนา Model เพื่อการทำนายยอดขายนี้จึงเหมาะกับการสร้าง Model ขึ้นมาแบบเฉพาะเจาะจงและพัฒนาต่อยอดเป็นระบบสั่งซื้ออัจฉริยะ จึงเรียกได้ว่า เป็น AI ที่สร้างขึ้นมาเพื่อโจทย์นี้โดยเฉพาะ

3. AI เรียนรู้ได้เองแม้จะมีปัจจัยใหม่ ๆ เข้ามาเกี่ยวข้อง

ในปัจจุบัน AI ส่วนใหญ่เป็นประเภท Limited Memory และมีการเรียนรู้โดยมีข้อมูลต้นแบบ เกิดการ Train Model (สร้าง Model) และนำ Model นั้นไปใช้งาน เมื่อใดก็ตามที่ผลลัพธ์ไม่ตอบโจทย์หรือถึงรอบที่จะต้อง Train Model ใหม่ AI จะเรียนรู้ตามกลไกเดิมที่เคยออกแบบไว้ โดยใช้ปัจจัยที่กำหนด หรือเป็นปัจจัยที่มีใน Memory เท่านั้น ดังนั้นหากมีการเปลี่ยนแปลงพฤติกรรมหรือมีข้อมูลใหม่เกิดขึ้น AI จะไม่สามารถเรียนรู้ได้เอง หรือแม้แต่ AI ในอนาคต ก็จำเป็นจะต้องมีกลไกเบื้องต้นเพื่อกำหนดวัตถุประสงค์ในการเรียนรู้ของ AI และนี่จึงเป็นที่มาขอคำกล่าวที่ว่า “ยังไงซะ มนุษย์ก็ฉลาดกว่า AI เพราะมนุษย์เป็นผู้สร้าง AI”


ทั้งนี้ การเรียนรู้ของ AI กับการกำหนดวัตถุประสงค์ในการเรียนรู้ไม่ใช่เรื่องเดียวกัน มนุษย์เป็นคนกำหนดกรอบการเรียนรู้ เช่น การใส่ปัจจัย การเลือก Algorithm การกำหนดตัวแปรที่เป็นเป้าหมาย (Target) เป็นต้น ซึ่งการ Train Model นั้น เป็นการทำงานโดยระบบคอมพิวเตอร์จะสร้าง Model ขึ้นมาตามวัตถุประสงค์ที่วางเอาไว้ ดังนั้นเมื่อมีปัจจัยใหม่เกิดขึ้น อาจส่งผลให้วัตถุประสงค์เปลี่ยน ทำให้ต้องมีการปรับการเรียนรู้ของ AI

4. แค่มีการประมวลผล ก็คือ AI แล้ว

การประมวลผลเป็นส่วนหนึ่งของ AI แต่ไม่ใช่ทั้งหมด แต่การประมวลผลบางประเภท ไม่ใช่ AI เพราะโดยคำนิยามแล้ว AI จะต้องสามารถเรียนรู้ได้ โดยไม่จำเป็นต้องเขียนโปรแกรมชัดเจน ในทางเทคนิคการเรียนโปรแกรมส่วนใหญ่จะเรียนหลักการที่เป็นเหตุเป็นผล (Logic) เช่น ถ้าหมายเลขเท่ากับ 1 ให้เอาหมายเลขนั้น +2 แต่ถ้าหมายเลขนั้นเท่ากับ 2 ให้เอาหมายเลขนั้น +3 เป็นต้น การเขียนโปรแกรมแบบนี้จะเรียกว่าเป็นการเขียน Rule-Based แบบ If-else ซึ่งเป็นหลักการพื้นฐานของการเขียนโปรแกรม แต่การเรียน Logic เช่นนี้ ไม่ถือว่าเป็น AI แต่ถือเป็นส่วนหนึ่งของการพัฒนา AI ตัวอย่างเช่น Chatbot ประเภท Rule-Based Chatbot ไม่ใช่ AI เพราะต้องพิมพ์ข้อมูลให้ถูกต้องตามที่กำหนดเท่านั้น และไม่มีกลไกการเรียนรู้ใด ๆ เป็นต้น อย่างไรก็ตาม ที่กล่าวว่า Rule-Based ไม่ใช่ AI แต่เป็นส่วนหนึ่งของการพัฒนา AI เพราะ AI ไม่ได้มีแต่ส่วนการประมวลผล แต่ยังมีส่วนของการกระทำ ซึ่งจำเป็นต้องเขียนโปรแกรมขึ้นมา เพื่อแสดงผลลัพธ์

5. นักพัฒนา AI จะต้องจบระดับปริญญาเอกเท่านั้น

เป็นความเข้าใจผิดอย่างมาก เพราะการพัฒนา AI มีหลายส่วน ในทางเทคนิค คนที่เรียนวิทยาการคอมพิวเตอร์ทุกคน สามารถเป็นนักพัฒนา AI ได้ เพราะเป็นศาสตร์ที่เรียนเพื่อพัฒนาระบบคอมพิวเตอร์โดยเฉพาะ ซึ่งวิชาพื้นฐาน เช่น วิชาสถาปัตยกรรมซอฟต์แวร์ (Software Architecture) ก็เป็นวิชาที่เรียนในระดับชั้นปริญญาตรี ดังนั้นไม่จำเป็นต้องจบปริญญาเอกก็สามารถพัฒนา AI ได้


อย่างไรก็ตามความเชื่อนี้เกิดขึ้นเนื่องจากในอดีต บุคคลสำคัญที่เกี่ยวข้องกับประวัติศาสตร์การพัฒนา AI ส่วนใหญ่เป็นอาจารย์ในมหาวิทยาลัยและสำเร็จการศึกษาในระดับปริญญาเอก ที่เป็นเช่นนั้นเพราะในอดีตศาสตร์ด้าน AI จะรู้จักในวงการงานวิจัยเท่านั้น แต่ปัจจุบัน การพัฒนา AI สามารถดำเนินการได้ง่ายขึ้น แม้แต่คนทั่วไปก็สามารถพัฒนา AI ง่าย ๆ ได้ เช่น Machine Learning Model เป็นต้น


นอกจากนี้ ความเข้าใจผิดเกี่ยวกับการพัฒนา AI คือ จะต้องเรียนด้านการสร้าง Model เท่านั้น ความเป็นจริง AI แต่ละประเภทจะมีองค์ประกอบที่ต่างกัน เช่น NLP จะเน้นไปทางการกำหนดคำเพื่อให้ AI เรียนรู้ Image Processing จะเน้นด้านการจัดวางรูปภาพ เพื่อให้คอมพิวเตอร์เข้าใจโครงสร้างของภาพนั้น ๆ เป็นต้น ดังนั้นในกลุ่มนักพัฒนา AI จะมีบุคลากรที่มีความเชี่ยวชาญที่หลากหลายรวมกันเพื่อพัฒนาให้เกิดเป็นกลไกอัจฉริยะ

6. AI เกิดมาเพื่อแย่งงานคน

ย้อนกลับไปในสมัยการปฏิวัติอุตสาหกรรมครั้งที่ 1 ในยุคหัวจักรไอน้ำ เป็นที่มาของรถไฟ ส่งผลให้ระบบคมนาคมขนส่งเปลี่ยนแปลงไป คำถามคือการมาของรถไฟทำให้ชีวิตสะดวกสบายขึ้นหรือไม่ คำตอบคือใช่ เพราะถ้าทุกวันนี้เราไม่มีรถไฟ เราก็คงยังไม่มีรถยนต์ ไม่มีเครื่องบิน เราก็คงต้องเดินทางด้วยการเดินเท้า เปรียบได้กับเทคโนโลยีอื่นๆ รวมถึง AI ที่ได้รับการพัฒนามาจากความท้าทายของมนุษย์ เพื่อตอบสนองการใช้ชีวิตของมนุษย์ ในทางกลับกันก็อาจส่งผลต่อคนบางกลุ่มด้วยเช่นกัน แต่ด้วยวัตถุประสงค์หลักแล้ว AI ไม่ได้ถูกสร้างมาเพื่อแย่งงานมนุษย์แต่ถูกสร้างมาเพื่อเป็นเครื่องมือของมนุษย์

จะมีคนตกงานเพราะ AI จริงหรือไม่? ก็ต้องตอบว่าจริงในบางส่วนแต่ไม่ใช่ทั้งหมด การพัฒนาเทคโนโลยีย่อมมีผลกระทบต่อการทำงานของมนุษย์ เช่น การมาของ YouTube ทำให้คนดูทีวีแบบสด ๆ น้อยลง เป็นต้น ดังนั้นการใช้เทคโนโลยี AI เอง ก็ย่อมส่งผลต่อการทำงานด้วยเช่นกัน

แต่ในทางกลับกัน การมาของ AI ก็นำพามาซึ่งอาชีพใหม่ๆ ด้วยเช่นกัน เช่น อาชีพนักพัฒนา AI, นักการตลาดอัจฉริยะที่สามารถวิเคราะห์พฤติกรรมของลูกค้าได้ด้วย AI เป็นต้น คอราไลน์ได้มีโอกาสในการออกแบบระบบบริหารลูกค้าสัมพันธ์อัจฉริยะให้กับองค์กรหนึ่ง ซึ่งจากเดิมที่ทีมงานการตลาด จะมีโปรโมชั่นแบบเดิมๆ ซ้ำไปซ้ำมา เช่น โปรโมชั่นวันแม่ โปรโมชั่นวันเกิด โปรโมชั่นสิ้นปี เป็นต้น ทำให้ลูกค้าเริ่มติดภาพกับโปรโมชั่นเหล่านั้น ต่อมาเมื่อได้มีการใช้ระบบเพื่อแบ่งประเภทของลูกค้าด้วย Clustering Model ที่เป็น Machine Learning Model ประเภทหนึ่ง จึงทำให้ทราบว่าใช้โปรโมชั่นแบบเดิมๆ กับทุกกลุ่มประเภทของลูกค้าเกิดประสิทธิภาพที่ลดลง

ดังนั้นทีมการตลาดจะต้องปรับตัวและคิดลูกเล่นใหม่ เพื่อนำเสนอให้แก่ลูกค้าในแต่ละกลุ่ม ยิ่งไปกว่านั้นเมื่อมีการวิเคราะห์ลูกค้าแบบ Personalization ทำให้แต่ละคนจะมองเห็น Promotion ที่ไม่เหมือนกัน กลายเป็นว่านักการตลาดจะต้องทำงานหนักขึ้นเพื่อมองหาสิ่งที่ตอบโจทย์ลูกค้าได้มากขึ้น

ในกรณีนี้ การใช้ประโยชน์จาก AI ไม่ได้ลดปริมาณของทีมงานด้านการตลาด แต่กลับเพิ่มงานให้ทีมการตลาดต้องทำงานที่ละเอียดขึ้นโดยมี AI เป็นเครื่องมือ ในขณะเดียวกันหากทีมการตลาดไม่เรียนรู้ ไม่เข้าใจว่า Clustering Model ทำงานอย่างไร ไม่เรียนรู้ที่จะสร้างมุมมองของข้อมูล นักการตลาดคนนั้นก็จะไม่ใช่คนที่เหมาะกับการทำงานการตลาดโดยใช้ AI อีกต่อไป

ทั้งนี้ความเข้าใจผิดเกี่ยวกับ AI อาจส่งผลให้การดำเนินโครงการพัฒนา AI ล้มเหลว เพราะไม่สามารถใช้ประโยชน์จาก AI ได้เต็มที่ จากรายงานของ Gartner พบว่า ในปี ค.ศ. 2018 – 2019 มีโครงการที่ใช้ AI ล้มเหลว คิดเป็นสัดส่วนถึง 85% ดังนั้น หากมีความประสงค์ในการใช้ AI อันดับแรก ต้องทำความเข้าใจการทำงานของ AI เสียก่อน เพราะการลงทุนด้าน AI จะต้องคำนึงถึง Ecosystem ที่พร้อมซึ่งรวมไปถึงบุคลากรที่เกี่ยวข้องอีกด้วย

 

We turn your DATA into your KEY of success.

เราพาคุณขับเคลื่อนสู่ความสำเร็จด้วยข้อมูล


คอราไลน์ พร้อมให้คำปรึกษาและพัฒนาโครงการ Big Data, Data Governance, Data Management, Data Analytics, Data Driven Transformations


สนใจบริการติดต่อ

Tel: 099-425-5398

Email: inquiry@coraline.co.th

Facebook: https://www.facebook.com/coralineltd





Komentáre


< Previous
Next >
bottom of page