Digital Ventures

Back to blog

AI, Machine Learning และ Data Science เรียนรู้ได้เหมือนกัน แล้วต่างกันอย่างไร

DIGITAL VENTURES กุมภาพันธ์ 27, 2018 1:52 PM

3,983

AI, Machine Learning และ Data Science เรียนรู้ได้เหมือนกัน แล้วต่างกันอย่างไร

ใครที่ติดตามแวดวงเทคโนโลยีมาตลอดจะทราบว่า สมองกลเข้ามามีบทบาทอยู่รอบตัวเราแล้ว เช่นผู้ช่วยบนสมาร์ทโฟนของเราอย่าง Siri และ Google Assistant ก็เป็นผลงานจากสมองกล แต่เมื่อเอ่ยถึงรายละเอียดของมัน หลายคนกลับยังไม่รู้ชัดว่ามันคืออะไร บางคนอาจเคยได้ยินคำว่า AI หรือ Machine Learning ซึ่งชื่อฟังดูให้ความหมายเหมือนกัน แล้ว Data Science ที่ถูกพูดถึงบ่อยในเวลานี้เกี่ยวข้องกับ AI อย่างไร วันนี้เราจะมาจึงขอคลี่คลายเรื่องของ AI, Machine Learning และ Data Science ให้ทุกท่านหายสงสัยกัน

สร้างผู้ช่วยเหลือที่จะเติบโตในโลกที่ข้อมูลล้นเกิน

เมื่อปี 2016 เรามีข้อมูลดิจิทัลที่ถูกจัดระเบียบบนอินเทอร์เน็ตก็มีจำนวนมากกว่า 1 Zettabyte แล้ว ซึ่งเทียบเท่ากับ Harddisk ขนาด 1 Terrabyte จำนวน 1 พันล้านอัน ทั้งยังมีการประเมินว่าข้อมูลออนไลน์ของโลกจะเพิ่มขึ้นทะลุ 160 Zettabiyes ภายในปี 2025

หากให้มนุษย์เป็นผู้จัดการข้อมูลเหล่านี้อาจต้องใช้เวลาถึงรุ่นลูกรุ่นหลานเลยทีเดียว ยิ่งการสืบหาข้อมูลเฉพาะเจาะจงเพื่อนำมาใข้ประโยชน์ในด้านต่างๆ ก็เป็นไปได้ยากขึ้นไปอีก เราจึงพัฒนาเครื่องมือที่ช่วยให้คำตอบที่เราต้องการโดยอาศัยข้อมูลขนาดใหญ่ในทุกวันนี้ให้เกิดประโยชน์ไปพร้อมกัน

Data Science, Machine Learning และ AI สมองกลเหมือนกัน แล้วต่างกันตรงไหน

เชื่อว่าทุกคนเคยได้ยินชื่อทั้ง 3 อย่างนี้ในฐานะสมองกลที่เกี่ยวข้องกับข้อมูลมหาศาล แต่ทั้ง 3 อย่างนี้กลับใช้วิธีการจัดการข้อมูลและให้ผลลัพธ์ที่แตกต่างดังนี้

Data Science สร้างการเข้าถึงข้อมูลเชิงลึก

Data Science พัฒนาขึ้นเพื่อค้นหาข้อมูลเฉพาะอย่างท่ามกลางข้อมูลมหาศาล วิเคราะห์เพื่อทำให้ได้ข้อมูลเฉพาะเจาะจงลงไปเรื่อยๆ ซึ่งข้อมูลเหล่านั้นจะเป็นประโยชน์ต่อการตอบคำถามที่ตั้งไว้  สิ่งที่ได้จากกระบวนการ Data Science จึงเป็นข้อมูลเชิงลึก เพื่อใช้ทำความเข้าใจประเด็นปัญหาต่างๆ ให้ลึกซึ้งขึ้น ทักษะที่ Data Science ต้องใช้ประกอบไปด้วย

  • การสรุปผลสถิติ

  • การนำเสนอข้อมูลอย่างเป็นรูปธรรม

  • การออกแบบการทดลองเพื่อพิสูจน์ข้อมูล

  • การเข้าใจความรู้เฉพาะทาง

  • การสื่อสาร

จากทั้งหมดนี้จะเห็นว่าการทำงานของ Data Science นั้นไม่ใช่ขั้นตอนของการคาดเดาผลลัพธ์ล่วงหน้า และการค้นหาข้อมูลเชิงลึกก็ไม่ได้หมายความว่าจะเป็น Data Science ไปเสียทั้งหมด เพราะจุดเด่นที่บ่งบอกถึงความเป็น Data Science และเป็นสิ่งที่ทำให้ Data Science แตกต่างจาก Machine learning และ Ai อย่างเห็นได้ชัดนั่นก็คือ Data Science ต้องอาศัยมนุษย์ทำงานควบคู่กันไปด้วย เพราะกระบวนการของ Data Science นั้นจะต้องใช้มนุษย์ผู้ที่มีความเชี่ยวชาญในด้านนั้นๆ (Domain Expertise) ในการวิเคราะห์และตีความ ข้อมูล Data Science ร่วมด้วย

Machine Learning สร้างการคาดการณ์

Machine Learning เป็นเครื่องมือที่คาดการณ์จากข้อมูลเพื่อประเมินผลออกมาเป็นคำตอบ ยกตัวอย่างเปรียบเทียบกับคน เราเรียนรู้ผ่านประสบการณ์ในการพบเห็นสิ่งต่างๆ จึงสามารถบอกได้ว่าอะไรเป็นอะไร เช่น เมื่อเรามองเห็นนก เราก็สามารถรับรู้ได้ว่ามันเป็นนกได้ ไม่ว่ามันจะยืน หันหลัง หรือกางปีกบินอยู่ ซึ่งการที่ Machine Learnign จะมองเห็นนกได้แบบเดียวกับเรานั้น ต้องอาศัยข้อมูลเพิ่มเติมขึ้นเรื่อยๆ เหมือนกับที่เราอาศัยความรู้และประสบการณ์ เมื่อได้รับข้อมูลมากพอ Machine Learnign จึงจะบอกให้คำตอบได้ว่าภาพที่เห็นนั้นคือนก แม้ว่าจะเห็นจากด้านใด หรือท่าทางใดก็ตาม

ที่เราต้องใช้คำว่า คาดการณ์ เพราะเราไม่สามารถตอบทุกสิ่งที่ตาเห็นได้หมดตั้งแต่แรก เช่น หากเห็นเงารูปร่างนก สิ่งนั้นอาจเป็นโคมไฟก็ได้ Machine Learning ก็มีโอกาสผิดพลาดแบบนั้นได้เช่นกัน

ความพิเศษของ Machine Learning คือสามารถประมวลผลคาดเดาคำตอบเกี่ยวกับเรื่องใดก็ได้ที่มันได้รับข้อมูล อีกทั้ง Machine Learning จะมีวิธีการหาคำตอบให้เกิดข้อผิดพลาดน้อยที่สุดจากข้อมูลมหาศาลที่มี แน่นอนว่ากระบวนการทั้งหมดของ Machine Learning จะให้คำตอบได้เร็วกว่ามนุษย์มาก และยังสามารถเรียนรู้ด้วยการเพิ่มเติมข้อมูลใหม่ๆ ไม่ว่าจะด้วยการป้อนเข้าไปหรือประมวลด้วยตัวเองก็ตาม

จึงเป็นเหตุผลที่เราเริ่มเห็นการนำ Machine Learning มาใช้ในแวดวงธุรกิจ อย่างเช่นการคาดเดาว่ายอดขายของสินค้า หรือการคาดเดาผลลัพธ์ของตลาดหุ้น เป็นต้น

หากต้องแยกความแตกต่าระหว่าง Data Science กับ Machine Learning ให้มองว่า Data Science เป็นเครื่องแปลภาษา ย่อยข้อมูลตรงไปตรงมา กลไกภายในไม่ซับซ้อนมากนัก ส่วน Machine Learning เป็นเครื่องมือประมวลคำตอบจากการคาดการณ์ และเลือกคำตอบที่มีโอกาสผิดน้อยที่สุดมาให้เรา ซึ่งกลไกภายในที่ซับซ้อนกว่ามาก

Artificial Intelligent สร้างการลงมือทำให้สำเร็จ

สำหรับคำว่า AI เป็นคำที่ได้ยินกันบ่อยที่สุด ซึ่งเป็นคำที่มีนิยามน่าสับสนว่า จริงๆแล้ว มันครอบคลุมถึงอะไรบ้าง เพราะหลายๆ ข้อมูลก็มีการพูดถึง AI ที่ครอบคลุมไปถึง Machine Learning ด้วย แต่หากต้องนิยามเพื่อให้เข้าใจง่ายที่สุดนั้น เราขอสรุปง่ายๆ คือระบบ AI จะมีการทำงานโดยเน้นผลลัพธ์ “การกระทำที่เกิดผล” หรือเป็นผู้แนะนำให้เกิดการกระทำที่เกิดผล  ตัวอย่างเช่นการเล่น AlphaGO ที่มีการพัฒนา AI ให้คิดและลงมือทำจนสามารถเอาชนะแชมป์โลกมาแล้ว รวมไปถึง นำ AI ไปใช้กับหุ่นยนต์ซึ่งต้องอาศัยการตัดสินใจฉับพลันเพื่อประคองให้ยืนอยู่ได้ หรือการเลือกเส้นทางที่ดีที่สุดโดยอัตโนมัติบน Google Map

แน่นอนว่าการพัฒนา AI มีความเสี่ยงสูงที่สุด เพราะการตัดสินใจทำบางอย่างจะมีผลตามมาเสมอ จึงจำเป็นต้องมีมาตรการที่ชัดเจนเพื่อป้องกันความเสียหายในส่วนนี้ด้วย

สมองกลเหล่านี้ทำงานร่วมกันอย่างไร
หากมองด้านการใช้ข้อมูล Data Science จะครอบคลุมกว้างที่สุด Machine Learning จะเจาะข้อมูลเฉพาะอย่างเพื่อหาความเกี่ยวข้องกันและคาดเดาผลลัพธ์ออกมา ส่วน AI จะนำข้อมูลของ Machine Learning และอื่นๆ มาหาทางลงมือทำให้สัมฤทธิ์ผลสูงสุด

เราสามารถผสานเครื่องมือทั้ง 3 อย่างเพื่อพัฒนาเป็นนวัตกรรมใหม่ได้ ยกตัวอย่างยานยนต์ไร้คนขับ จะใช้ความสามารถของ Data Science, Machine Learning และ AI ดังนี้

  • เริ่มจากให้สมองกลเรียนรู้ป้ายสัญญาณจราจรด้วย Machine Learning โดยเรียนรู้จากภาพถ่ายถนน จนสามารถประเมินได้ว่าหากถนนมีป้ายลักษณะนี้ควรตัดสินใจอย่างไร เช่น เห็นป้ายหยุด ก็ควรหยุด เห็นป้ายจำกัดความเร็ว ก็ควรปรับความเร็ว

  • หลังจากที่เรียนรู้สภาพแวดล้อมของถนน AI ะทำหน้าที่ตัดสินใจขับเคลื่อนรถ โดยอาศัยข้อมูลเฉพาะหน้าเพิ่มเติม เช่น ความเร็วของรถที่ร่วมทาง สภาพถนน เพื่อให้ตัดสินใจขับได้ปลอดภัยที่สุด

  • เมื่อผ่านการทดลองขับได้ระยะหนึ่งจนพบข้อผิดพลาด ทีมจึงนำ Data Science มาค้นหาข้อมูลเชิงลึกที่ชี้ถึงจุดผิดพลาด พบว่ารถยนต์จะทำงานต่ำกว่ามาตรฐานเมื่อทดลองในเวลากลางคืน เราจึงสามารถวางแผนการเรียนรู้เพิ่มเติมให้ Learning Machine ได้ตรงจุด

บทความนี้น่าจะทำให้หลายๆ คนเข้าใจ Data Science, Machine Learning และ AI มากขึ้น ที่ Blog ของเรายังมีบทความที่น่าสนใจเกี่ยวกับ AI ให้ศึกษากันอีกมากมาย เช่น หาก AI อ่านใจคุณ และ AI ในโลกการเงินเมื่อปีที่ผ่านมาและก้าวต่อไปของ AI ในอนาคตอันใกล้ เป็นต้น

ข้อมูลโดย

ww.dzone.com, www.greatlearning.in, www.dataversity.net