Course 0 · บทที่ 02/10 · Interactive guide
AI ต่างจากโปรแกรมธรรมดายังไง
ทั้ง AI และโปรแกรมธรรมดาคือซอฟต์แวร์ ความต่างอยู่ที่ว่าเราเขียนวิธีตอบไว้ชัดเจน หรือให้ระบบปรับรูปแบบจากตัวอย่าง
- บทเรียน
- 02 / 10
- เวลา
- ประมาณ 8 นาที
- ระดับ
- เริ่มต้น · 0/5
- วิชาก่อนหน้า
- บทที่ 01 · AI คืออะไรกันแน่
01 · เริ่มแบบไม่ใช้ศัพท์ยาก
บอกทุกขั้น หรือให้ดูตัวอย่าง
โปรแกรมธรรมดาทำตามขั้นตอนที่คนเขียนไว้ เช่น “ถ้ายอดรวมเกิน 500 บาท ให้ส่งฟรี” ส่วน Machine Learning รับตัวอย่างจำนวนหนึ่ง แล้วปรับตัวเลขภายในโมเดลเพื่อทำนายกรณีใหม่
เขียนกฎ
คนระบุเงื่อนไข
input เดียวกันและกฎเดิม ให้ผลเหมือนเดิม ตรวจย้อนกลับได้ทีละบรรทัด
เรียนจากตัวอย่าง
โมเดลปรับจากข้อมูล
เหมาะกับรูปแบบที่เขียนเป็นกฎครบทุกกรณีได้ยาก แต่ผลเป็นการคาดการณ์และผิดได้
จุดสำคัญ: AI ไม่ได้อยู่นอกโลกของโปรแกรม มันยังเป็นโค้ดที่รันบนคอมพิวเตอร์ เพียงมีส่วนที่พฤติกรรมถูกปรับจากข้อมูลแทนการเขียนทุกกฎด้วยมือ
02 · อุปมาใกล้ตัว
สูตรทำขนมกับการชิมตัวอย่าง
กฎเหมาะกว่า
การบวกยอด ภาษีตามอัตราที่กำหนด หรือสิทธิ์ตามข้อบังคับต้องแม่น ตรงเงื่อนไข และตรวจสอบได้
ตัวอย่างช่วยได้
รูปร่าง แสง และมุมกล้องต่างกันมาก การเขียนกฎลักษณะของแมวให้ครบทุกภาพทำได้ยาก
มักใช้แบบผสม
กฎบล็อกผู้ส่งที่ห้ามแน่นอน ขณะที่โมเดลช่วยจับรูปแบบข้อความใหม่ที่ไม่ตรงกฎเดิม
03 · ลองตัดสินใจ
โจทย์นี้ควรเขียนกฎ เรียนจากตัวอย่าง หรือผสมกัน?
เลือกโจทย์ แล้วเลือกวิธีที่เหมาะที่สุดสำหรับเงื่อนไขที่ให้มา คำตอบจะเปลี่ยนพร้อมเหตุผล
โจทย์ 1
คิดค่าส่งจากตารางน้ำหนักและจังหวัด
ร้านมีตารางราคาแน่นอนและต้องคิดยอดเดิมให้ตรงกันทุกครั้ง
04 · ชั้นที่ลึกขึ้น
คำศัพท์ที่ช่วยเลือกเครื่องมือให้ถูก
Deterministic
ขั้นตอนเดิมกับ input เดิมให้ output เดิม เหมาะกับเลข กฎธุรกิจ และ workflow ที่ต้องตรวจสอบได้
Training
ช่วงที่อัลกอริทึมปรับค่าภายในโมเดลจากตัวอย่าง เพื่อให้ความผิดพลาดบนงานฝึกลดลง
Inference
ช่วงที่นำโมเดลที่ฝึกแล้วมารับ input ใหม่และให้คำทำนาย เช่น คะแนนว่าอีเมลน่าจะเป็นสแปมแค่ไหน
Probabilistic output
ผลของโมเดลมักเป็นคะแนนหรือความน่าจะเป็น ระบบจริงจึงต้องกำหนด threshold และทางรับมือเมื่อไม่แน่ใจ
ข้อแลกเปลี่ยน: กฎคาดเดาง่ายแต่ขยายยากเมื่อกรณีซับซ้อน โมเดลจับรูปแบบคลุมเครือได้ดีกว่าแต่ต้องมีข้อมูล การวัดผล การเฝ้าดู และทางแก้เมื่อทำนายผิด ระบบจริงจึงมักผสมสองแบบ
05 · จำสามเรื่องนี้
แผนที่สั้น ๆ ก่อนออกจากบท
- 01
ทั้งคู่คือซอฟต์แวร์ ต่างกันที่พฤติกรรมมาจากกฎที่คนเขียน หรือค่าที่ปรับจากตัวอย่าง
- 02
กฎเหมาะกับสิ่งที่ต้องเป๊ะ โดยเฉพาะเลข เงื่อนไขตายตัว ข้อบังคับ และขั้นตอนที่ต้องตรวจย้อนหลัง
- 03
ไม่จำเป็นต้องเลือกอย่างเดียว ระบบจริงมักให้โมเดลช่วยคาดการณ์ แล้วใช้กฎคุมขอบเขตและความเสี่ยง
06 · เช็กความเข้าใจ
ตอบสามข้อ แล้วอ่านเหตุผลทันที
1. ระบบบวกยอดสินค้าและภาษีจากอัตราที่กำหนดควรเริ่มจากอะไร?
ถูก: กฎที่ตรวจสอบได้ เพราะเลขและอัตราที่กำหนดต้องให้ผลตรงเดิม ไม่ต้องใช้การคาดการณ์
2. อะไรอธิบาย Machine Learning ได้ตรงกว่า?
ถูก: ปรับค่าจากตัวอย่าง คนยังเป็นผู้กำหนดงาน ข้อมูล วิธีวัด และขอบเขต โมเดลไม่ได้ตั้งเป้าหมายเอง
3. ทำไมระบบจริงจำนวนมากจึงใช้กฎร่วมกับ ML?
ถูก: ใช้จุดแข็งของแต่ละแบบ โมเดลยังผิดได้ กฎจึงช่วยบังคับข้อจำกัดหรือส่งกรณีเสี่ยงให้คนตรวจ