86550af01f
|
||
|---|---|---|
| .. | ||
| README.md | ||
| assignment.md | ||
README.md
บทนำสู่ปัญญาประดิษฐ์
ภาพวาดโดย Tomomi Imura
แบบทดสอบก่อนเรียน
ปัญญาประดิษฐ์ (Artificial Intelligence) เป็นสาขาวิทยาศาสตร์ที่น่าตื่นเต้นที่ศึกษาว่าเราจะทำให้คอมพิวเตอร์แสดงพฤติกรรมที่ชาญฉลาดได้อย่างไร เช่น การทำสิ่งที่มนุษย์ทำได้ดี
เดิมที คอมพิวเตอร์ถูกคิดค้นโดย Charles Babbage เพื่อทำงานกับตัวเลขตามขั้นตอนที่กำหนดไว้อย่างชัดเจน หรือที่เรียกว่าอัลกอริทึม แม้ว่าคอมพิวเตอร์สมัยใหม่จะก้าวหน้ากว่ารุ่นต้นแบบในศตวรรษที่ 19 อย่างมาก แต่ก็ยังคงยึดหลักการคำนวณที่ควบคุมได้เหมือนเดิม ดังนั้นจึงเป็นไปได้ที่จะเขียนโปรแกรมให้คอมพิวเตอร์ทำบางสิ่งได้ หากเรารู้ลำดับขั้นตอนที่แน่นอนที่ต้องทำเพื่อให้บรรลุเป้าหมาย
ภาพโดย Vickie Soshnikova
✅ การกำหนดอายุของบุคคลจากภาพถ่ายเป็นงานที่ไม่สามารถเขียนโปรแกรมได้อย่างชัดเจน เพราะเราไม่รู้ว่าทำไมเราถึงคิดตัวเลขนั้นขึ้นมาในหัวเมื่อเราทำ
อย่างไรก็ตาม มีบางงานที่เราไม่รู้วิธีแก้ปัญหาอย่างชัดเจน ลองพิจารณาการกำหนดอายุของบุคคลจากภาพถ่าย เราเรียนรู้ที่จะทำได้เพราะเราเคยเห็นตัวอย่างของคนในวัยต่าง ๆ มาก่อน แต่เราไม่สามารถอธิบายได้อย่างชัดเจนว่าเราทำได้อย่างไร และไม่สามารถเขียนโปรแกรมให้คอมพิวเตอร์ทำได้ นี่คืองานประเภทที่ ปัญญาประดิษฐ์ (หรือเรียกสั้น ๆ ว่า AI) ให้ความสนใจ
✅ ลองคิดถึงงานบางอย่างที่คุณสามารถมอบหมายให้คอมพิวเตอร์ทำได้โดยใช้ AI พิจารณาด้านการเงิน การแพทย์ และศิลปะ - ปัจจุบัน AI ช่วยในด้านเหล่านี้อย่างไร?
AI แบบอ่อน (Weak AI) vs. AI แบบแข็ง (Strong AI)
| Weak AI | Strong AI |
|---|---|
| AI แบบอ่อนหมายถึงระบบ AI ที่ถูกออกแบบและฝึกฝนมาเพื่อทำงานเฉพาะหรือชุดงานที่แคบ | AI แบบแข็ง หรือที่เรียกว่า Artificial General Intelligence (AGI) หมายถึงระบบ AI ที่มีความฉลาดและความเข้าใจในระดับมนุษย์ |
| ระบบ AI เหล่านี้ไม่ได้มีความฉลาดทั่วไป แต่เก่งในงานที่กำหนดไว้ล่วงหน้าและขาดความเข้าใจหรือจิตสำนึกที่แท้จริง | ระบบ AI เหล่านี้สามารถทำงานทางปัญญาใด ๆ ที่มนุษย์ทำได้ ปรับตัวในโดเมนต่าง ๆ และมีรูปแบบของจิตสำนึกหรือการตระหนักรู้ในตัวเอง |
| ตัวอย่างของ AI แบบอ่อน ได้แก่ ผู้ช่วยเสมือนอย่าง Siri หรือ Alexa อัลกอริทึมแนะนำที่ใช้ในบริการสตรีมมิ่ง และแชทบอทที่ออกแบบมาเพื่อการบริการลูกค้าเฉพาะทาง | การบรรลุ AI แบบแข็งเป็นเป้าหมายระยะยาวของการวิจัย AI และต้องการการพัฒนาระบบ AI ที่สามารถให้เหตุผล เรียนรู้ เข้าใจ และปรับตัวในงานและบริบทที่หลากหลาย |
| AI แบบอ่อนมีความเชี่ยวชาญสูงและไม่มีความสามารถทางปัญญาแบบมนุษย์หรือการแก้ปัญหาแบบทั่วไปนอกเหนือจากโดเมนที่แคบ | AI แบบแข็งในปัจจุบันยังคงเป็นแนวคิดเชิงทฤษฎี และยังไม่มีระบบ AI ใดที่บรรลุระดับความฉลาดทั่วไปนี้ |
สำหรับข้อมูลเพิ่มเติม ดู Artificial General Intelligence (AGI)
ความหมายของความฉลาดและการทดสอบทัวริง
หนึ่งในปัญหาเมื่อพูดถึงคำว่า ความฉลาด คือไม่มีคำจำกัดความที่ชัดเจนสำหรับคำนี้ บางคนอาจโต้แย้งว่าความฉลาดเกี่ยวข้องกับ การคิดเชิงนามธรรม หรือ การตระหนักรู้ในตัวเอง แต่เราไม่สามารถกำหนดได้อย่างชัดเจน
ภาพ โดย Amber Kipp จาก Unsplash
เพื่อดูความคลุมเครือของคำว่า ความฉลาด ลองตอบคำถามว่า: "แมวฉลาดหรือไม่?" คนต่าง ๆ มักจะให้คำตอบที่แตกต่างกันสำหรับคำถามนี้ เนื่องจากไม่มีการทดสอบที่ยอมรับกันโดยทั่วไปเพื่อพิสูจน์ว่าคำกล่าวนี้เป็นจริงหรือไม่ และถ้าคุณคิดว่ามี - ลองให้แมวของคุณทำแบบทดสอบ IQ ดูสิ...
✅ ลองคิดสักนาทีว่าคุณนิยามความฉลาดอย่างไร อีกา ที่สามารถแก้ปริศนาเพื่อหาอาหารได้ ฉลาดหรือไม่? เด็กคนหนึ่งฉลาดหรือไม่?
เมื่อพูดถึง AGI เราจำเป็นต้องมีวิธีบอกว่าเราสร้างระบบที่ฉลาดจริงหรือไม่ Alan Turing เสนอวิธีที่เรียกว่า การทดสอบทัวริง ซึ่งยังทำหน้าที่เป็นคำจำกัดความของความฉลาด การทดสอบนี้เปรียบเทียบระบบที่กำหนดกับสิ่งที่ฉลาดโดยธรรมชาติ - มนุษย์จริง ๆ และเนื่องจากการเปรียบเทียบอัตโนมัติใด ๆ สามารถถูกหลีกเลี่ยงได้โดยโปรแกรมคอมพิวเตอร์ เราจึงใช้ผู้สอบสวนที่เป็นมนุษย์ ดังนั้น หากมนุษย์ไม่สามารถแยกแยะระหว่างบุคคลจริงและระบบคอมพิวเตอร์ในการสนทนาแบบข้อความได้ - ระบบนั้นถือว่าฉลาด
แชทบอทที่ชื่อ Eugene Goostman ซึ่งพัฒนาขึ้นในเซนต์ปีเตอร์สเบิร์ก เกือบผ่านการทดสอบทัวริงในปี 2014 โดยใช้กลยุทธ์บุคลิกภาพที่ชาญฉลาด มันประกาศล่วงหน้าว่าตัวเองเป็นเด็กชายชาวยูเครนอายุ 13 ปี ซึ่งอธิบายถึงการขาดความรู้และความไม่สอดคล้องบางประการในข้อความ บอทนี้ทำให้ผู้ตัดสิน 30% เชื่อว่ามันเป็นมนุษย์หลังจากสนทนา 5 นาที ซึ่งเป็นตัวชี้วัดที่ทัวริงเชื่อว่าคอมพิวเตอร์จะสามารถผ่านได้ภายในปี 2000 อย่างไรก็ตาม ควรเข้าใจว่านี่ไม่ได้บ่งชี้ว่าเราได้สร้างระบบที่ฉลาด หรือว่าระบบคอมพิวเตอร์หลอกผู้สอบสวนที่เป็นมนุษย์ได้ - ระบบไม่ได้หลอกมนุษย์ แต่ผู้สร้างบอทต่างหากที่หลอก!
✅ คุณเคยถูกแชทบอทหลอกให้คิดว่าคุณกำลังพูดคุยกับมนุษย์หรือไม่? มันทำให้คุณเชื่อได้อย่างไร?
แนวทางต่าง ๆ ในการพัฒนา AI
หากเราต้องการให้คอมพิวเตอร์มีพฤติกรรมเหมือนมนุษย์ เราจำเป็นต้องจำลองวิธีการคิดของเราในคอมพิวเตอร์ ดังนั้นเราจำเป็นต้องพยายามทำความเข้าใจว่าอะไรทำให้มนุษย์ฉลาด
เพื่อที่จะเขียนโปรแกรมความฉลาดลงในเครื่องจักร เราจำเป็นต้องเข้าใจว่ากระบวนการตัดสินใจของเราเองทำงานอย่างไร หากคุณลองพิจารณาตัวเอง คุณจะตระหนักว่ามีกระบวนการบางอย่างที่เกิดขึ้นโดยไม่รู้ตัว เช่น เราสามารถแยกแยะระหว่างแมวกับสุนัขได้โดยไม่ต้องคิด ในขณะที่บางกระบวนการเกี่ยวข้องกับการให้เหตุผล
มีสองแนวทางที่เป็นไปได้สำหรับปัญหานี้:
| แนวทางจากบนลงล่าง (Symbolic Reasoning) | แนวทางจากล่างขึ้นบน (Neural Networks) |
|---|---|
| แนวทางจากบนลงล่างจำลองวิธีที่มนุษย์ให้เหตุผลในการแก้ปัญหา มันเกี่ยวข้องกับการดึง ความรู้ จากมนุษย์ และแสดงในรูปแบบที่คอมพิวเตอร์อ่านได้ นอกจากนี้เรายังต้องพัฒนาวิธีการจำลอง การให้เหตุผล ในคอมพิวเตอร์ | แนวทางจากล่างขึ้นบนจำลองโครงสร้างของสมองมนุษย์ ซึ่งประกอบด้วยหน่วยง่าย ๆ จำนวนมากที่เรียกว่า นิวรอน นิวรอนแต่ละตัวทำหน้าที่เหมือนค่าเฉลี่ยถ่วงน้ำหนักของอินพุต และเราสามารถฝึกเครือข่ายนิวรอนให้แก้ปัญหาที่มีประโยชน์ได้โดยการให้ ข้อมูลการฝึกฝน |
ยังมีแนวทางอื่น ๆ ที่เป็นไปได้สำหรับความฉลาด:
-
แนวทาง Emergent, Synergetic หรือ multi-agent อิงจากข้อเท็จจริงที่ว่าพฤติกรรมที่ชาญฉลาดซับซ้อนสามารถเกิดขึ้นได้จากปฏิสัมพันธ์ของตัวแทนง่าย ๆ จำนวนมาก ตาม cybernetics วิวัฒนาการ ความฉลาดสามารถ เกิดขึ้น จากพฤติกรรมที่ตอบสนองง่าย ๆ ในกระบวนการ metasystem transition
-
แนวทาง วิวัฒนาการ หรือ อัลกอริทึมพันธุกรรม เป็นกระบวนการเพิ่มประสิทธิภาพที่อิงตามหลักการของวิวัฒนาการ
เราจะพิจารณาแนวทางเหล่านี้ในภายหลังในหลักสูตร แต่ตอนนี้เราจะมุ่งเน้นไปที่สองทิศทางหลัก: จากบนลงล่างและจากล่างขึ้นบน
แนวทางจากบนลงล่าง
ใน แนวทางจากบนลงล่าง เราพยายามจำลองการให้เหตุผลของเรา เนื่องจากเราสามารถติดตามความคิดของเราเมื่อเราให้เหตุผล เราจึงสามารถพยายามทำให้กระบวนการนี้เป็นทางการและเขียนโปรแกรมลงในคอมพิวเตอร์ได้ สิ่งนี้เรียกว่า symbolic reasoning
คนมักจะมีชุดกฎในหัวที่ชี้นำกระบวนการตัดสินใจของพวกเขา ตัวอย่างเช่น เมื่อแพทย์วินิจฉัยผู้ป่วย เขาหรือเธออาจตระหนักว่าบุคคลนั้นมีไข้ และดังนั้นอาจมีการอักเสบเกิดขึ้นในร่างกาย โดยการใช้ชุดกฎขนาดใหญ่กับปัญหาเฉพาะ แพทย์อาจสามารถหาข้อวินิจฉัยสุดท้ายได้
แนวทางนี้พึ่งพาอย่างมากกับ การแสดงความรู้ และ การให้เหตุผล การดึงความรู้จากผู้เชี่ยวชาญอาจเป็นส่วนที่ยากที่สุด เพราะในหลายกรณีแพทย์อาจไม่รู้แน่ชัดว่าทำไมเขาหรือเธอถึงได้ข้อวินิจฉัยเฉพาะ บางครั้งคำตอบก็แค่ปรากฏขึ้นในหัวโดยไม่ต้องคิดอย่างชัดเจน บางงาน เช่น การกำหนดอายุของบุคคลจากภาพถ่าย ไม่สามารถลดลงเป็นการจัดการความรู้ได้เลย
แนวทางจากล่างขึ้นบน
ในทางกลับกัน เราสามารถพยายามจำลององค์ประกอบที่ง่ายที่สุดในสมองของเรา – นิวรอน เราสามารถสร้าง เครือข่ายประสาทเทียม ในคอมพิวเตอร์ และพยายามสอนมันให้แก้ปัญหาโดยการให้ตัวอย่าง กระบวนการนี้คล้ายกับวิธีที่เด็กแรกเกิดเรียนรู้เกี่ยวกับสิ่งรอบตัวโดยการสังเกต
✅ ลองค้นคว้าดูว่าเด็กทารกเรียนรู้ได้อย่างไร องค์ประกอบพื้นฐานของสมองเด็กคืออะไร?
แล้ว ML ล่ะ? ส่วนหนึ่งของปัญญาประดิษฐ์ที่อิงกับการที่คอมพิวเตอร์เรียนรู้ที่จะแก้ปัญหาจากข้อมูลบางอย่างเรียกว่า Machine Learning เราจะไม่พิจารณา Machine Learning แบบดั้งเดิมในหลักสูตรนี้ - เราขอแนะนำให้คุณดูหลักสูตร Machine Learning for Beginners แยกต่างหาก
ประวัติย่อของ AI
ปัญญาประดิษฐ์เริ่มต้นเป็นสาขาวิชาในช่วงกลางศตวรรษที่ 20 ในช่วงแรก แนวทาง symbolic reasoning เป็นแนวทางที่แพร่หลาย และนำไปสู่ความสำเร็จที่สำคัญหลายประการ เช่น ระบบผู้เชี่ยวชาญ – โปรแกรมคอมพิวเตอร์ที่สามารถทำหน้าที่เป็นผู้เชี่ยวชาญในบางโดเมนปัญหาที่จำกัด อย่างไรก็ตาม ไม่นานก็ชัดเจนว่าแนวทางดังกล่าวไม่สามารถขยายขนาดได้ดี การดึงความรู้จากผู้เชี่ยวชาญ การแสดงในคอมพิวเตอร์ และการรักษาฐานความรู้นั้นให้ถูกต้องกลายเป็นงานที่ซับซ้อนมาก และมีค่าใช้จ่ายสูงเกินกว่าจะใช้งานได้จริงในหลายกรณี สิ่งนี้นำไปสู่สิ่งที่เรียกว่า AI Winter ในทศวรรษ 1970
ภาพโดย Dmitry Soshnikov
เมื่อเวลาผ่านไป ทรัพยากรการคำนวณมีราคาถูกลง และมีข้อมูลมากขึ้น แนวทางเครือข่ายประสาทเริ่มแสดงประสิทธิภาพที่ยอดเยี่ยมในการแข่งขันกับมนุษย์ในหลายด้าน เช่น การมองเห็นด้วยคอมพิวเตอร์หรือการเข้าใจคำพูด ในทศวรรษที่ผ่านมา คำว่าปัญญาประดิษฐ์ส่วนใหญ่ถูกใช้เป็นคำพ้องความหมายสำหรับเครือข่ายประสาท เพราะความสำเร็จของ AI ส่วนใหญ่ที่เราได้ยินเกี่ยวกับนั้นอิงกับเครือข่ายประสาท
เราสามารถสังเกตได้ว่าแนวทางเปลี่ยนไปอย่างไร ตัวอย่างเช่น ในการสร้างโปรแกรมคอมพิวเตอร์เล่นหมากรุก:
- โปรแกรมหมากรุกยุคแรกอิงกับการค้นหา – โปรแกรมพยายามประเมินการเคลื่อนไหวที่เป็นไปได้ของคู่ต่อสู้ในจำนวนการเคลื่อนไหวถัดไปที่กำหนด และเลือกการเคลื่อนไหวที่เหมาะสมที่สุดโดยอิงจากตำแหน่งที่เหมาะสมที่สุดที่สามารถทำได้ในไม่กี่การเคลื่อนไหว สิ่งนี้นำไปสู่การพัฒนาสิ่งที่เรียกว่า อัลกอริทึม alpha-beta pruning
- กลยุทธ์การค้นหาทำงานได้ดีในช่วงท้ายของเกม ซึ่งพื้นที่การค้นหาถูกจำกัดด้วยจำนวนการเคลื่อนไหวที่เป็นไปได้ที่น้อย อย่างไรก็ตาม ในช่วงเริ่มต้นของเกม พื้นที่การค้นหามีขนาดใหญ่มาก และอัลกอริทึมสามารถปรับปรุงได้โดยการเรียนรู้จากการแข่งขันที่มีอยู่ระหว่างผู้เล่นมนุษย์ การทดลองในภายหลังใช้สิ่งที่เรียกว่า case-based reasoning ซึ่งโปรแกรมมองหากรณีในฐานความรู้ที่คล้ายกับตำแหน่งปัจจุบันในเกม
- โปรแกรมสมัยใหม่ที่ชนะผู้เล่นมนุษย์อิงกับเครือข่ายประสาทและ การเรียนรู้เสริมแรง ซึ่งโปรแกรมเรียนรู้ที่จะเล่นโดยการเล่นกับตัวเองเป็นเวลานานและเรียนรู้จากความผิดพลาดของตัวเอง – คล้ายกับที่มนุษย์เรียนรู้การเล่นหมากรุก อย่างไรก็ตาม โปรแกรมคอมพิวเตอร์สามารถเล่นเกมได้มากกว่าในเวลาที่น้อยกว่า และดังนั้นจึงเรียนรู้ได้เร็วกว่า
✅ ลองค้นคว้าเกี่ยวกับเกมอื่น ๆ ที่ AI เคยเล่น
ในทำนองเดียวกัน เราสามารถเห็นว่าแนวทางในการสร้าง “โปรแกรมพูดคุย” (ที่อาจผ่านการทดสอบทัวริง) เปลี่ยนไปอย่างไร:
- โปรแกรมยุคแรก ๆ เช่น Eliza อิงกับกฎไวยากรณ์ที่ง่ายมากและการ
ภาพโดย Dmitry Soshnikov, photo โดย Marina Abrosimova, Unsplash
งานวิจัย AI ล่าสุด
การเติบโตอย่างมหาศาลในงานวิจัยเกี่ยวกับเครือข่ายประสาทเทียมเริ่มต้นขึ้นประมาณปี 2010 เมื่อชุดข้อมูลสาธารณะขนาดใหญ่เริ่มมีให้ใช้งาน ชุดข้อมูลภาพขนาดใหญ่ที่เรียกว่า ImageNet ซึ่งมีภาพที่มีคำอธิบายประมาณ 14 ล้านภาพ ได้ก่อให้เกิด ImageNet Large Scale Visual Recognition Challenge
ภาพโดย Dmitry Soshnikov
ในปี 2012 Convolutional Neural Networks ถูกนำมาใช้ครั้งแรกในงานการจำแนกภาพ ซึ่งนำไปสู่การลดข้อผิดพลาดในการจำแนกภาพอย่างมีนัยสำคัญ (จากเกือบ 30% เหลือ 16.4%) ในปี 2015 สถาปัตยกรรม ResNet จาก Microsoft Research บรรลุความแม่นยำในระดับมนุษย์
ตั้งแต่นั้นมา เครือข่ายประสาทเทียมได้แสดงผลลัพธ์ที่ประสบความสำเร็จอย่างมากในหลายงาน:
| ปี | บรรลุความเท่าเทียมกับมนุษย์ |
|---|---|
| 2015 | การจำแนกภาพ |
| 2016 | การรู้จำเสียงพูดแบบสนทนา |
| 2018 | การแปลภาษาอัตโนมัติ (จีนเป็นอังกฤษ) |
| 2020 | การสร้างคำบรรยายภาพ |
ในช่วงไม่กี่ปีที่ผ่านมา เราได้เห็นความสำเร็จอย่างมหาศาลของโมเดลภาษาขนาดใหญ่ เช่น BERT และ GPT-3 สิ่งนี้เกิดขึ้นส่วนใหญ่เนื่องจากมีข้อมูลข้อความทั่วไปจำนวนมากที่ช่วยให้เราสามารถฝึกโมเดลเพื่อจับโครงสร้างและความหมายของข้อความ ฝึกโมเดลล่วงหน้าด้วยชุดข้อความทั่วไป และจากนั้นจึงปรับแต่งโมเดลเหล่านั้นสำหรับงานเฉพาะ เราจะเรียนรู้เพิ่มเติมเกี่ยวกับ การประมวลผลภาษาธรรมชาติ ในบทเรียนต่อไปของคอร์สนี้
🚀 ความท้าทาย
สำรวจอินเทอร์เน็ตเพื่อค้นหาว่าในความเห็นของคุณ AI ถูกใช้อย่างมีประสิทธิภาพที่สุดในที่ใด เช่น แอปแผนที่ บริการแปลงเสียงเป็นข้อความ หรือวิดีโอเกม? ศึกษาว่าระบบนั้นถูกสร้างขึ้นมาอย่างไร
แบบทดสอบหลังบทเรียน
ทบทวนและศึกษาด้วยตนเอง
ทบทวนประวัติศาสตร์ของ AI และ ML โดยอ่านผ่าน บทเรียนนี้ เลือกองค์ประกอบจากภาพสเก็ตโน้ตที่อยู่ด้านบนของบทเรียนนี้หรือบทเรียนนี้ และศึกษามันในเชิงลึกเพื่อทำความเข้าใจบริบททางวัฒนธรรมที่มีผลต่อการพัฒนา
งานที่ได้รับมอบหมาย: Game Jam