Course 0 · บทที่ 08/10 · Interactive guide

AI เก่งอะไร และไม่เก่งอะไร

AI ทำงานซ้ำกับรูปแบบจำนวนมากได้เร็ว แต่คำตอบที่ฟังดูมั่นใจไม่ใช่หลักฐานว่าถูก เราจึงต้องเลือกวิธีตรวจให้เหมาะกับผลกระทบ

บทเรียน
08 / 10
เวลา
ประมาณ 8 นาที
ระดับ
เริ่มต้น · 0/5
วิชาก่อนหน้า
บทที่ 07 · Multimodal AI

01 · ตั้งความคาดหวังให้ถูก

เก่งในงานหนึ่ง ไม่ได้แปลว่าเก่งทุกเรื่อง

โมเดล AI ถูกฝึกให้ทำงานตามรูปแบบในข้อมูลและเป้าหมายที่กำหนด โมเดลที่แยกภาพแมวได้ดีจึงไม่ได้รู้ว่าจะวางแผนทัศนศึกษายังไง และโมเดลที่เขียนประโยคคล่องก็ยังคำนวณหรืออ้างข้อเท็จจริงผิดได้

เหมือนเครื่องคัดบัตรภาพถ้าได้เห็นตัวอย่างชัด ๆ หลายแบบ มันคัดกองเดิมซ้ำได้เร็ว แต่เมื่อมีบัตรเปียก ถ่ายมืด หรือเป็นสิ่งที่ไม่เคยเห็น กฎจากรูปแบบเดิมอาจพาไปผิดกอง

คำถามที่ดีกว่า “AI ฉลาดไหม?” คือ “ระบบนี้ทำงานอะไร ฝึกจากข้อมูลแบบไหน และถ้าผิดจะเกิดอะไรขึ้น?”

02 · จุดแข็ง

AI เด่นเมื่อโจทย์มีรูปแบบซ้ำจำนวนมาก

Pattern

หารูปแบบ

มองหาความคล้ายในภาพ เสียง ข้อความ หรือตารางข้อมูล

Rank

จัดอันดับ

เรียงผลค้นหาหรือสิ่งที่น่าจะเกี่ยวข้องก่อนหลัง

Predict

คาดการณ์

ประมาณค่า เช่น เวลาเดินทางหรือความต้องการในอนาคตจากข้อมูลเดิม

Classify

จำแนก

เลือกหมวด เช่น ประเภทเอกสารหรือสแปม/ไม่ใช่สแปม

Transform

แปลงรูปแบบ

ถอดเสียงเป็นข้อความ สรุป หรือปรับรูปแบบเนื้อหาให้ใช้งานต่อได้

Scale

ทำซ้ำในขนาดใหญ่

ประมวลผลตัวอย่างจำนวนมากด้วยขั้นตอนเดียวกัน โดยยังต้องตรวจคุณภาพ

จุดแข็งมีราคา: ความเร็วและขนาดช่วยลดงานซ้ำ แต่ข้อผิดพลาดเล็ก ๆ ก็ถูกทำซ้ำในขนาดใหญ่ได้เช่นกัน

03 · ลองตัดสินใจ

คำตอบดูน่าเชื่อแค่ไหน ยังไม่เท่ากับควรเชื่อแค่ไหน

เลือกสถานการณ์ แล้วเลือกระดับการตรวจ ผลลัพธ์จะเปลี่ยนตามความเสี่ยงและหลักฐานที่คุณเพิ่มเข้าไป

คำตอบจากระบบ

“พัสดุไม่มีความเสียหาย” — คะแนนมั่นใจสูง

แต่ภาพมีแสงสะท้อนและมุมกล่องที่บุบถูกบัง ซึ่งต่างจากภาพฝึกส่วนใหญ่

คุณจะตรวจแค่ไหน?

ความน่าเชื่อถือสำหรับการตัดสินใจ: ต่ำ

รีบใช้คำตอบ ทั้งที่ข้อมูลอยู่นอกแบบ

กล่องที่เสียหายอาจถูกส่งต่อ เพราะคะแนนมั่นใจบอกเพียงว่าโมเดลเอนเอียงไปทางคำตอบใด ไม่ได้พิสูจน์ว่าคำตอบถูก

04 · ชั้นที่ลึกขึ้น

ขีดจำกัดที่ควรรู้ชื่อ

Out-of-distribution (OOD)ข้อมูลใหม่ต่างจากสิ่งที่ใช้ฝึก เช่น แสง สถานที่ ภาษา หรือเหตุการณ์แบบใหม่
Missing contextระบบเห็นเฉพาะข้อมูลที่ส่งให้ จึงอาจขาดเจตนา ประวัติ หรือข้อยกเว้นที่คนรู้
Correlation ≠ causationสิ่งสองอย่างเกิดพร้อมกันไม่ได้แปลว่าสิ่งหนึ่งเป็นสาเหตุของอีกสิ่ง
Confident errorรูปแบบคำตอบหรือคะแนนมั่นใจอาจดูหนักแน่น แม้คำตอบผิด
Data biasตัวอย่างที่ไม่ครอบคลุมหรือการตัดสินเดิมที่ไม่เป็นธรรมอาจส่งต่ออคติไปยังผลลัพธ์
Brittlenessการเปลี่ยนเล็กน้อยในอินพุตอาจทำให้ผลเปลี่ยนมาก โดยเฉพาะนอกเงื่อนไขที่ทดสอบ

หลักตรวจตามความเสี่ยง: งานเสี่ยงต่ำอาจสุ่มตรวจ งานที่กระทบเงิน สิทธิ ความปลอดภัย หรือโอกาสของคนต้องใช้หลักฐานตรง เปิดทางอุทธรณ์ และมีคนรับผิดชอบการตัดสินใจ

05 · จำสามเรื่องนี้

ใช้จุดแข็ง โดยไม่มองข้ามขีดจำกัด

  1. 1

    ผูกความเก่งกับงานที่ชัดเจน ถามว่าระบบจัดอันดับ จำแนก คาดการณ์ หรือแปลงอะไร

  2. 2

    ความมั่นใจไม่ใช่ความถูกต้อง ต้องดูหลักฐาน สภาพข้อมูล และผลเมื่อคำตอบผิด

  3. 3

    ตรวจตามความเสี่ยง ยิ่งผลกระทบสูง ยิ่งต้องมีข้อมูลต้นทาง การทดสอบ และคนกำกับ

06 · เช็กความเข้าใจ

ตอบให้ครบ 3 ข้อ

1. งานแบบไหนเหมาะกับจุดแข็งของ AI มากที่สุด?

2. โมเดลให้คะแนนมั่นใจสูง หมายความว่าอะไร?

3. ถ้าผลลัพธ์กระทบสิทธิหรือความปลอดภัย ควรทำอย่างไร?