แนะนำเว็บไซต์เรียนรู้การเรียนรู้ Machine Learning ผ่านการเล่นเกม

สวัสดีครับวันนี้ผมมีเว็บไซต์ที่น่าสนใจที่จะช่วยให้เราเข้าใจกระบวนการพัฒนาโมเดลการเรียนรู้ของเครื่อง (Machine Learning) มาแนะนำให้ลองไปเล่นกันดูครับ นั่นคือ AI Quest จาก Google ครับ ซึ่งเข้าได้จากลิงก์นี้ครับ https://research.google/ai-quests 

ซึ่งเว็บไซต์นี้ก็ตามชื่อครับ คือเขาจะให้เราทำภารกิจ (quest) ด้าน AI เพื่อนำมาสร้างโมเดลการเรียนรู้ของเครื่องเพื่อนำมาแก้ปัญหา โดยเราจะได้เรียนรู้ขั้นตอนเริ่มตั้งแต่

1. การเข้าใจปัญหา 

2. การเก็บรวบรวมข้อมูล 

4.การทำความสะอาดข้อมูล (data cleansing)

5. การเลือกข้อมูลที่เกี่ยวข้องที่สุด (Feature Selection) เพื่อนำมาสร้างจะให้เราทำสร้างโมเดลการเรียนรู้ของเครื่อง 

6. การฝึกฝนโมเดล

7. การทดสอบโมเดล

8. การปรับปรุงโมเดล 

9. การนำโมเดลไปใช้งานจริง 

โดยภารกิจหนึ่งที่ผมลองทำดูแล้วก็คือภารกิจช่วยเรื่องน้ำท่วมตลาด ซึ่งเขาก็จะเริ่มจากเล่าปัญหาให้เราฟังตัวละครตัวแรกก็คือ Luna ผู้จัดการของตลาดซึ่งมีปัญหาน้ำท่วม ซึ่งตลาดนี้อยู่ติดกับแม่น้ำ และน้ำก็มักจะท่วมเข้ามาแบบไม่มีการเตือนล่วงหน้า สร้างความเสียหายให้กับร้านค้าในตลาด เขาจึงต้องการให้นำ AI เข้ามาช่วย 

ภาพจาก https://research.google/ai-quests/intl/en_gb/quest/market-marshes

เมื่อเราเข้าใจปัญหาแล้ว เราก็จะไปพบกับ Mentor ของเราคือ ศาสตราจารย์ Skype ครับ ซึ่งเขาก็จะแนะนำขั้นตอนต่าง ๆ ให้เราทำตามในการนำ AI มาสร้างโมเดลการเรียนรู้ของเครื่องเพื่อแก้ปัญหานี้ครับ 

 

ภาพจาก https://research.google/ai-quests/intl/en_gb/quest/market-marshes

ซึ่งขั้นตอนแรกของภารกิจก็คือ เราต้องเข้าป่าไปรวบรวมเครื่องมือที่อยู่ในป่า เพื่อจำนำเอาข้อมูลมาใช้ในการสร้างโมเดลครับ โดยจะมีเครื่องมือ 12 ตัวที่เราต้องไปรวบรวมมาครับ 

ภาพจาก https://research.google/ai-quests/intl/en_gb/quest/market-marshes

ใน 12 ตัวนี้ เราจะเห็นว่ามีบางตัวอาจไม่ได้ช่วยมากเท่าไรนะครับ นั่นคือขั้นตอนที่เราจะต้องคดกรองต่อไป แต่ขั้นตอนต่อไปที่เจาจะให้เราทำคือการทำความสะอาดข้อมูลครับ ก็คือดูว่าในตัวข้อมูลมีอะไรขาดตกบกพร่อง หรือมีอะไรแปลกแยก (outliers) ไหม 

ภาพจาก https://research.google/ai-quests/intl/en_gb/quest/market-marshes

อย่างรูปข้างบนนี้เราจะเห็นว่าข้อมูล Precipitation ในแถวที่สองหายไป เราก็คลิกได้เลยครับ และเขาก็จะมีข้อผิดพลาดอื่น ๆ ให้เราฝึกทำ เราเจอตรงไหนผิดเราก็คลิกตรงนั้นได้เลยครับ 

ขั้นต่อไปคือการทำ Feature Selection ครับ เขาจะให้เราเลือกข้อมูลจากเครื่องมือ 4 ตัวที่คิดว่าน่าจะเกี่ยวข้องมากที่สุด 

ภาพจาก https://research.google/ai-quests/intl/en_gb/quest/market-marshes

เราก็ลองเลือกดูเลยครับ เมื่อเลือกเสร็จแล้วระบบก็จะสร้างโมเดลการเรียนรู้ของเครื่อง โดยโมเดลจะทำทำหน้าที่บอกบริเวณที่น้ำจะท่วมสูง (ขายของตรงนี้ไม่ได้เลย) กลาง (พอจะขายได้ถ้าตั้งร้านสูงหน่อย) และปลอดภัย (ตั้งร้านได้ไม่ต้องกังวล) และก็ถามทบทวนว่าเราเข้าใจสิ่งที่โมเดลสร้างใช่ไหม ให้ตอบคำถามให้ถูกนะครับ :)

ภาพจาก https://research.google/ai-quests/intl/en_gb/quest/market-marshes

ขั้นต่อไปก็คือการฝึกสอนโมเดล ซึ่งเขาก็จะถามคำถามเพื่อเช็คว่าเราเข้าใจการฝึกสอนโมเดลไหมด้วยนะครับ เราก็ต้องตอบคำถามให้ถูกนะครับ

หลังจากนั้นเราจะได้ผลลัพธ์คือความแม่นยำของโมเดลเราตัวอย่างดังรูปครับ 

ภาพจาก https://research.google/ai-quests/intl/en_gb/quest/market-marshes

ซึ่งถ้าได้ไม่ถึง 90% แนะนำให้กลับไปทำใหม่นะครับ ในความเป็นจริงเกิดได้จากหลายสาเหตุ แต่ในเกมนี้เน้นที่ feature ที่เราเลือกมาอาจยังไม่ได้เกี่ยวข้องที่สุด ให้เราคลิก improve forcast accuracy เพื่อกลับไปเลือกใหม่ครับ 

ในการเลือกใหม่นี้เขาจะบอกเราครับว่า ตัวไหนที่ไม่ใช่ High Relevance เราก็เอาตัวนั้นออก ขั้นตอนการเลือก Fearture นี้ถ้าเราเป็นผู้เชี่ยวชาญในโดเมน (domain expert) เราก็อาจเลือกได้ถูกต้องแต่แรก แต่ถ้าเราไม่ใช่ ก็ต้องลองดูครับ และในที่นี้เขาก็ช่วยแนะนำให้เราเลย เพื่อไม่ให้เราหัวเสียมากเกินไป :) 

 

ภาพจาก https://research.google/ai-quests/intl/en_gb/quest/market-marshes

ได้ 90% แล้ว เราก็เลือก Generate Forecast ได้เลยครับ 

หลังจากนั้นก็มีตัวอย่างการเอาไปใช้งานจริงครับ ก็จะมีคำเตือนขึ้นมาแบบนี้ครับ

ภาพจาก https://research.google/ai-quests/intl/en_gb/quest/market-marshes

 

ก็ให้กดปุ่ม Take Action นะครับ แล้วเขาก็จะมีแผนผังให้เราจัดวางร้านแบบธรรมดากับแบบสูง โดยมีแผนที่บอกระดับน้ำสูง ตรงสีแดงคือสูงมากวางร้านไม่ได้ ตรงสีเหลืองน้ำท่วมกลางต้องใช้ร้านสูง และสีฟ้าปลอดภัยใช้ร้านสูงธรรมดาได้ เราก็จัดการวางเลยครับ 

ภาพจาก https://research.google/ai-quests/intl/en_gb/quest/market-marshes

และเมื่อเราทำสำเร็จ Luna ก็จะออกมาขอบคุณเราครับ 

ภาพจาก https://research.google/ai-quests/intl/en_gb/quest/market-marshes

อ้อยังไม่จบนะครับ Professor Skype ก็จะมาถามเราให้ทบทวนขั้นการสร้างโมเดลการเรียนรู้ของเครื่องอีกทีหนึ่ง และถามคำถามส่งท้ายว่าคนกับ AI ทำงานร่วมกันได้ยังไง ซึ่งผมก็คิดว่าทุกคนคงตอบได้ไม่ยาก เมื่อทำภารกิจมาจนจบนะครับ 

และเขาก็จะปิดท้ายด้วยการให้เราดูวีดีโอที่ Google ทำโครงการพยากรณ์น้ำท่วมครับ ซึ่งผมก็แนะนำว่าให้ดูนะครับ 

โดยสรุปผมว่าเว็บไซต์นี้ดีมากนะครับ คือผมเชื่อว่ามีหลายคนที่สนใจการสร้างโมเดลการเรียนรู้ของเครื่อง แต่ยังไม่มีความรู้ความเข้าใจ ว่าขั้นตอนมันเป็นยังไง แล้วก็ไปเจอคำศัพท์อย่างการเตรียมข้อมูล การสำรวจข้อมูล feature selection และการฝึกโมเดล แล้วก็พยายามเจาะเข้าไปในแต่ละส่วน โดยไม่เข้าใจเลยว่าภาพใหญ่จริง ๆ มันคืออะไร อันนั้นจะทำให้เข้าใจยาก แต่ถ้าเข้าใจภาพใหญ่ก่อน แล้วค่อย ๆ เจาะรายละเอียดลงไปในแต่ละขั้นตอน จะทำให้เราเข้าใจได้ง่ายและดีขึ้นครับ ลองไปเล่นกันดูนะครับ 

เครื่องมือ AI ของสเปนติดตามคำพูดแสดงความเกลียดชังบนโซเชียลมีเดีย

Photo by Jon Tyson on Unsplash

Pedro Sánchez นายกรัฐมนตรีสเปน ได้เปิดตัวเครื่องมือ AI ของรัฐบาลเพื่อจัดลำดับแพลตฟอร์มโซเชียลมีเดีย โดยพิจารณาจากปริมาณคำพูดแสดงความเกลียดชัง (hate speech) ที่แพร่กระจายอยู่ในแต่ละเว็บไซต์

ระบบดังกล่าวมีชื่อว่า HODIO ซึ่งจะทำหน้าที่ติดตามวิวัฒนาการและการแพร่กระจายของเนื้อหาที่สร้างความเกลียดชังบนโซเชียลมีเดีย ผ่านการวิเคราะห์ข้อมูลกิจกรรมบนโซเชียลมีเดียที่เปิดเผยต่อสาธารณะ

Sánchez ระบุว่า "การขยายสัญญาณโดยอัลกอริทึม" (algorithmic amplification) ของคำพูดแสดงความเกลียดชัง จะถูกกำหนดให้เป็นความผิดทางกฎหมาย เนื่องจากรัฐบาลพยายามที่จะกดดันให้แพลตฟอร์มต่าง ๆ ต้องมีความรับผิดชอบต่อเนื้อหาที่เกิดขึ้น

อ่านข่าวเต็มได้ที่: Politico Europe โดย Milena Wälde 

โรงยิมหุ่นยนต์ในเยอรมันใช้สำหรับฝึกหุ่นยนต์เหมือนมนุษย์

ภาพจาก Interesting Engineering โดย Georgina Jedikovska

Technical University of Munich หรือ TUM ในประเทศเยอรมนี กำลังร่วมมือกับบริษัท NEURA Robotics เพื่อดำเนินงานในศูนย์วิจัยและฝึกอบรมด้านหุ่นยนต์ที่มีพื้นที่กว่า 25,000 ตารางฟุต

TUM RoboGym จะเป็นพื้นที่สำหรับหุ่นยนต์เหมือนมนุษย์ (humanoid robots) ในการเรียนรู้ภารกิจเฉพาะด้านจากมนุษย์ และทำการฝึกฝนซ้ำๆ จนชำนาญ ก่อนที่จะนำทักษะเหล่านี้ไปประยุกต์ใช้ในสถานการณ์จริง นอกจากเป้าหมายในการสะสมข้อมูลการฝึกฝนที่มีคุณภาพสูงแล้ว RoboGym แห่งนี้ยังจะถูกใช้เป็นสถานที่สำหรับฝึกอบรมวิศวกรและนักศึกษาอีกด้วย

อ่านข่าวเต็มได้ที่: Interesting Engineering โดย Georgina Jedikovska

LeCun และคณะเสนอเฟรมเวอร์กของ SAI

Photo by Steve Johnson on Unsplash

ในผลงานวิจัยฉบับใหม่ Yann LeCun ผู้ได้รับรางวัล ACM A.M. Turing Award และคณะผู้วิจัย ได้นำเสนอเฟรมเวอร์กสำหรับการพัฒนาปัญญาประดิษฐ์ในอนาคตเพื่อมุ่งไปสู่ Superhuman Adaptable Intelligence (SAI) หรือปัญญาประดิษฐ์ที่มีความสามารถในการปรับตัวเหนือระดับมนุษย์

เฟรมเวิร์กดังกล่าวเรียกร้องให้มีการกำหนดเป้าหมายใหม่ในการพัฒนา AI โดยมุ่งเน้นที่ ความเร็วในการปรับตัว ของระบบ AI ต่อฟังก์ชันหรือภารกิจใหม่ ๆ แทนที่จะมุ่งเน้นเพียงการบรรลุระดับสติปัญญาเท่าเทียมกับมนุษย์ (human-level intelligence) นอกจากนี้ยังให้ความสำคัญกับ ความเชี่ยวชาญเฉพาะด้าน (specialization) มากกว่าการเป็นระบบที่ทำงานได้ครอบจักรวาล (generalization)

คณะผู้วิจัยวาดภาพอนาคตของ AI ว่าจะไม่ใช่โมเดลเดียวที่ทำได้ทุกอย่าง (universal model) แต่จะเป็นชุดของ ระบบที่ทำงานร่วมกัน (collaborative systems) หลาย ๆ ระบบแทน

อ่านข่าวเต็มได้ที่: 36Kr (China) 

Tony Hoare ผู้คิดค้นอัลกอริทึมการเรียงลำดับ Quicksort เสียชีวิตแล้วในวัย 92 ปี

ภาพจาก Wikipedia

Charles Antony ("Tony") Richard Hoare ผู้ได้รับรางวัล ACM A. M. Turing Award ได้เสียชีวิตลงแล้วด้วยวัย 92 ปี

Hoare เป็นที่รู้จักดีที่สุดในฐานะผู้สร้างอัลกอริทึม Quicksort ซึ่งเขาคิดค้นขึ้นในปี 1959 และยังคงเป็นหนึ่งในวิธีการจัดเรียงข้อมูลที่รวดเร็วที่สุดจนถึงปัจจุบัน

ต่อมาเขาได้พัฒนา Hoare logic ซึ่งอิงตาม Hoare triple อันเป็นเครื่องมือสำคัญในการใช้เหตุผลและการตรวจสอบความถูกต้องของโปรแกรมอย่างเป็นทางการ (formal verification) นอกจากนี้ เขายังได้ตีพิมพ์โมเดล Communicating Sequential Processes ซึ่งเป็นแนวทางที่ภาษาโปรแกรมต่างๆ เช่น Clojure, Erlang และ Go ใช้ในการจัดการการทำงานแบบพร้อมกัน (concurrent operations)

อ่านข่าวเต็มได้ที่: The Register (U.K.); Liam Proven