บทความโดย นายบาส เดอ โวส
ผู้อำนวยการกลุ่มนักคิดด้านเทคโนโลยีภายในองค์กร ของ ไอเอฟเอส แลบส์ บริษัท ไอเอฟเอส
ปัญญาประดิษฐ์ (Artificial intelligence: AI) เป็นหนึ่งในหัวข้อการสนทนาที่ได้รับความนิยมสูงสุดและมีการแบ่งขั้วทางความคิดเป็นจำนวนมาก แต่สิ่งที่เห็นได้ชัดก็คือ เอไอ (AI) มีศักยภาพที่จะนำไปสู่การพัฒนาในหลากหลายด้านสำหรับธุรกิจและชีวิตความเป็นอยู่ของเราทุกคน
บางคนอาจเห็นว่า เอไอ จะเข้าควบคุมโลกภายในสองปีจากนี้ ขณะที่บางคนอาจคิดว่าไม่มีทางเป็นจริงได้ โดยปกติแล้ว ความเป็นจริงมักจะอยู่ตรงกลางเสมอ แม้ว่า เอไอ จะนำมาซึ่งความเป็นไปได้มากมายที่แทบไม่น่าเชื่อ แต่ก็ไม่ใช่ว่าทุกสิ่งจะเกิดขึ้นในอนาคตอันใกล้
เราจะมาไขความสงสัยของความเชื่อบางอย่างเกี่ยวกับ เอไอ
เอไอ ก็เหมือนกับคนๆ หนึ่ง: สามารถคิดและแก้ปัญหาต่างๆ ได้ในลักษณะเดียวกับที่มนุษย์ทำ
เอไอ กลายเป็นคำศัพท์ทางการตลาดที่มีการพูดถึงกันอย่างกว้างขวาง แต่กระนั้น เอไอ ก็ยังไม่ได้มีสติปัญญาทั่วไปเหมือนกับมนุษย์เลยทีเดียว และแน่นอนว่าเราอาจยังไม่ต้องการให้เป็นแบบนั้น อย่างไรก็ตาม ปัจจุบัน เอไอ มีฟังก์ชั่นเกี่ยวกับการสอนลีเมอร์ให้รู้จักคิดว่าควรได้รับอาหารมากกว่าลิงชิมแปนซี และยังมีการสร้างฟังก์ชั่น เอไอ อีกเป็นจำนวนมากที่มีประโยชน์และมีคุณค่าอย่างมาก ฟังก์ชันเหล่านี้มักได้รับการพัฒนาขึ้นเพื่อวัตถุประสงค์เฉพาะ เช่น การประมวลผลภาษาธรรมชาติ (NLP) การจดจำรูปภาพ เครื่องมือค้นหาข้อมูล เกม การพยากรณ์ หรือคุณลักษณะเฉพาะในรถยนต์ที่ขับเคลื่อนอัตโนมัติ แน่นอนว่าการเป็นผู้เชี่ยวชาญมักเสริมสร้างมูลค่าทางธุรกิจได้สูงกว่าการเป็นผู้มีความรู้ในรูปแบบสหวิทยาการ เช่น หากคุณต้องไปพบแพทย์เพื่อวินิจฉัยโรคร้ายแรงที่มีผลต่อชีวิต คุณต้องการให้ใครเป็นผู้รักษา แพทย์เวชปฏิบัติทั่วไปหรือแพทย์ผู้เชี่ยวชาญที่มีชื่อเสียงในสาขานั้นๆ
เป็นเรื่องง่ายมากที่จะพัฒนา เอไอ เพราะ เอไอ จะเรียนรู้ทุกสิ่งด้วยตัวเอง
แต่อย่าเพิ่งตัดสินใจ! เพราะแม้ว่าการเรียนรู้ของเครื่อง (Machine Learning) จะถือว่าเป็นส่วนสำคัญของ เอไอ แต่ก็ยังเป็นเรื่องยากที่จะนำไปใช้ได้จริง แน่นอนว่ามีความท้าทายทั้งที่เป็นเรื่องง่ายและยากจะจัดการ แต่โดยทั่วไปแล้วการใช้อัลกอริทึมที่ทำงานร่วมกับแอพพลิเคชั่นหรือปัญหาขององค์กรได้ดีอาจไม่ใช่เรื่องที่น่าเบื่ออย่างมาก
บ่อยครั้งที่อัลกอริธึมการเรียนรู้ของเครื่องดูจะเข้าใจได้ง่าย แต่ความท้าทายก็คือการเลือกอัลกอริธึมที่เหมาะสมกับปัญหาและนำเสนอปัญหาให้กับอัลกอริทึมด้วยวิธีที่ถูกต้อง สิ่งนี้ต้องใช้รายละเอียดที่เกี่ยวข้องกับปัญหา รวมถึงความเข้าใจที่ค่อนข้างลึกซึ้งถึงความสามารถและข้อจำกัดของอัลกอริทึมและโมเดลที่มีอยู่ ซึ่งยังคงเป็นปัญหาที่พบได้ทั่วไปในแวดวงวิทยาการคอมพิวเตอร์
เรื่องที่ซับซ้อนยิ่งขึ้นคือการเรียนรู้ของเครื่องนั้นจำเป็นต้องมีการฝึกสอนอย่างถูกต้องเป็นจำนวนมาก เพื่อให้โมเดลดังกล่าวมีมาตรฐานเพียงพอสำหรับนำไปใช้ประโยชน์กับปัญหาใหม่ๆ ที่เกิดขึ้น หากใช้การไม่ได้ตามที่คาดไว้ การแก้ปัญหาอาจใช้เวลานานเนื่องจากโมเดลที่สร้างโดยเครือข่ายเส้นประสาท(เป็นต้น) อาจซับซ้อนมากและยากเกินกว่าที่จะเข้าใจ
ข้อมูลขนาดใหญ่หรือ Big Data มีอยู่ทั่วไป
ถูกต้องแล้ว! มีข้อมูลจำนวนมากอยู่ทั่วไป ตัวอย่างเช่น เที่ยวบินเดียวของโบอิ้ง 787 สามารถสร้างข้อมูลได้มากถึง 500 กิกะไบต์ (GB) จากเซ็นเซอร์และเครื่องมือต่างๆ ที่ใช้งานขณะบิน ในช่วงเวลาหนึ่งมีโบอิ้ง 787 ทำการบินมากกว่า 170 ลำ ดังนั้นจึงมีข้อมูลเกิดขึ้นเป็นจำนวนมาก แต่เมื่อมีการใช้อัลกอริทึมการเรียนรู้ของเครื่อง มักจะมีคำถามเกิดขึ้นว่า "เรามีข้อมูลที่ถูกต้องหรือไม่" และ "เราสามารถสร้างข้อมูลที่เป็นประโยชน์จากข้อมูลเหล่านี้ได้หรือไม่"
ตัวอย่างที่เราใช้ใน ไอเอฟเอส แลบส์ (IFS Labs) คือการวิเคราะห์ความเชื่อมั่น (Sentiment Analysis) วิกิพีเดีย(Wikipedia) ให้คำจำกัดความของการวิเคราะห์ความเชื่อมั่น (หรือการทำเหมืองความคิดเห็น) ว่าหมายถึงการใช้การประมวลผลภาษาธรรมชาติ การวิเคราะห์ข้อความ และภาษาศาสตร์คอมพิวเตอร์ เพื่อระบุและคัดแยกข้อมูลอัตนัยออกจากแหล่งข้อมูลต่างๆ เช่น คุณสามารถใช้การวิเคราะห์ความเชื่อมั่นบนโซเชียลมีเดียเพื่อปรับปรุงความถูกต้องของความต้องการในอนาคตที่คาดการณ์ได้ และมีข้อมูลเกิดขึ้นมากมายในโซเชียลมีเดีย เช่น Twitter, Facebook เป็นต้น ซึ่งในทางปฏิบัติแล้วทุกสิ่งจะขึ้นอยู่กับการใช้งานจริงของคุณ หากต้องการเข้าใจความรู้สึกที่มีต่อ iPhone รุ่นล่าสุด คุณอาจค้นหาข้อมูลที่เพียงพอได้ไม่ยาก แต่หากต้องการทำความเข้าใจเกี่ยวกับความเชื่อมั่นต่อการรับรู้ของผู้คนเกี่ยวกับการติดตั้งมิเตอร์อัจฉริยะในประเทศ อาจเป็นเรื่องยากที่จะค้นหาข้อมูลที่เพียงพอและเฉพาะเจาะจงได้มากพอที่จะนำไปสู่ผลลัพธ์ที่มีความหมายได้
เช่นเดียวกับการวิเคราะห์เรื่องต่างๆ จำนวนและความน่าเชื่อถือของชุดข้อมูลพื้นฐานมีความสำคัญต่อความสำเร็จในการเรียนรู้ของเครื่อง ซึ่งไม่ใช่เรื่องง่ายนักที่จะดำเนินการ
หุ่นยนต์จะเข้ามาแทนที่งานทั้งหมดของเรา
จากอดีตจนถึงปัจจุบัน การปฏิวัติเทคโนโลยีในแต่ละครั้งนั้นได้สร้างงานให้เกิดขึ้นมากกว่าที่จะทำลายล้าง ไม่ว่าจะพิจารณาไปที่การปฏิวัติอุตสาหกรรมหรือการเพิ่มจำนวนการใช้งานอินเทอร์เน็ต ในตอนท้าย ผู้คนมากขึ้นจะมีงานเพิ่มขึ้นกว่าที่เคยมีมาก่อน และมักจะได้รับค่าตอบแทนที่ดีกว่าเดิมเนื่องจากสามารถดำเนินงานได้อย่างมีประสิทธิภาพเพิ่มมากขึ้น ด้วยเหตุนี้ ผมจึงคาดหวังว่าข้อดีของ เอไอ จะมีมากกว่าข้อเสีย โดยเฉพาะอย่างยิ่งหากผู้คนได้รับความช่วยเหลือและสนับสนุนในการเรียนรู้ทักษะใหม่ๆ ที่พวกเขาจะต้องทำงานควบคู่ไปกับระบบอัจฉริยะต่างๆ
นอกจากนี้ การพัฒนาด้านเทคโนโลยีมักใช้เวลานานกว่าที่เราคาดการณ์ไว้ในตอนต้นและเครื่องที่มีสติปัญญาทั่วไปเหมือนมนุษย์อาจต้องใช้เวลาพัฒนาอีกหลายทศวรรษจึงจะเป็นจริงได้ทั้งหมด ดังนั้นสถานการณ์ที่เป็นไปได้ในตอนนี้ก็คือมนุษย์และ เอไอ จะต้องทำงานร่วมกัน สิ่งนี้ไม่ใช่เรื่องเลวร้าย แต่ถือเป็นสถานการณ์ที่สร้างปรากฎการณ์ได้ไม่น้อยเลยทีเดียว
และแม้ว่าเทคโนโลยี เอไอ จะช่วยให้เราสามารถเพิ่มและทดแทนงานของมนุษย์บางส่วนได้ แต่ในขณะเดียวกันก็มีการสร้างงานใหม่ๆ เกิดขึ้นด้วย และงานใหม่ๆ เหล่านี้ยังคงต้องใช้แรงงานคนที่มีทักษะสูงกว่า จากการคาดการณ์ของการ์ทเนอร์ที่ระบุว่า "ในปี 2563 เทคโนโลยี เอไอ จะกลายเป็นตัวกระตุ้นเชิงบวกในการสร้างงานได้มากถึง 2.3 ล้านงาน โดยจะมีงานลดลงเพียง 1.8 ล้านงานเท่านั้น"
ยังไม่จบเพียงเท่านี้
นี่ไม่ใช่ทุกสิ่งที่จะเกิดขึ้น มีคำกล่าวและความคิดเห็นอีกมากมายเกี่ยวกับความสำคัญของเอไอ และบางทีอาจมองว่าเป็นความเชื่อก็ได้ เช่นเดียวกับทุกสิ่งทุกอย่าง การหาสมดุลระหว่างการมองโลกในแง่บวกและลบย่อมเป็นเรื่องดีสำหรับคุณเมื่อพูดถึงเรื่อง เอไอ อย่าเชื่อทุกสิ่งที่กล่าวมา แต่ให้ลงทุนในโอกาสที่เป็นไปได้และมีศักยภาพในการเปลี่ยนแปลงวิธีการดำเนินการธุรกิจของเรา