xs
xsm
sm
md
lg

10 ความเข้าใจผิดเกี่ยวกับ Artificial Intelligence และ Big Data ในประเทศไทย

เผยแพร่:   โดย: ผศ.ดร.อานนท์ ศักดิ์วรวิชญ์

Photo by Taylor Vick on Unsplash
ผู้ช่วยศาสตราจารย์ ดร. อานนท์ ศักดิ์วรวิชญ์
ผู้อำนวยการหลักสูตรปรัชญาดุษฎีบัณฑิตและวิทยาศาสตรมหาบัณฑิต
สาขาวิชาการวิเคราะห์ธุรกิจและวิทยาการข้อมูล
https://www.facebook.com/BusinessAnalyticsNIDA/
คณะสถิติประยุกต์ สถาบันบัณฑิตพัฒนบริหารศาสตร์


สังคมไทย หน่วยราชการไทย และภาคเอกชนไทย มักจะเห่ออะไรเป็นพัก ๆ โดยไม่ได้เข้าใจอย่างแท้จริง ๆ อะไรที่เป็นแฟชั่น ไม่ว่าจะเป็นแฟชั่นในการจัดการ แฟชั่นด้านเทคโนโลยี หรืออื่น ๆ ที่เป็นคำฮิต (Buzz word) หรือคำที่ตกอยู่ในกระแส ก็จะแห่ตามกัน พยายามเอามาทำ เอามาใช้ จัดซื้อจัดจ้างให้มีให้ได้ และคิดว่ามีเงินก็ซื้ออะไรก็ได้ทำได้ทุกอย่าง ซึ่งในโลกของความจริงหาได้เป็นเช่นนั้นไม่

คำว่า Big Data กับ Artificial Intelligence หรือ AI เป็นคำฮิต ยอดฮิต ตามกระแส Thailand 4.0 ทำให้ผู้บริหารทุกหน่วยงานทั้งภาครัฐและเอกชน เห่อคำนี้ แสวงหาโดยวิธีการต่าง ๆ ที่จะให้หน่วยงานของตนเอง ได้มีข้อมูลใหญ่ การวิเคราะห์ข้อมูลใหญ่ ด้วยปัญญาประดิษฐ์ สั่งการกันยกใหญ่ โดยยังไม่ได้เข้าใจให้ถูกต้องเสียด้วยซ้ำว่าข้อมูลใหญ่นั้นแท้จริงคืออะไร มี concept อย่างไร ยิ่ง AI ด้วยแล้วยิ่งเข้าใจเข้ารกเข้าพงกันไปเป็นแถว ฝ่ายผู้ใต้บังคับบัญชาแบบไทย ๆ ก็เต้นตามนาย จัดหา Big Data และ AI มาเอาใจนาย เชลียร์นายกันถ้วนหน้า โดยที่ไม่ได้ไปเรียนรู้อะไร และไม่ได้คิดอะไรมากมาย แต่แค่ขอให้เอาใจนาย วิ่งเต้นแร้งเต้นกา หามาให้ได้ อย่างน้อยก็ได้หน้า แต่จะเอาไปใช้จริงและเป็นประโยชน์หรือไม่ ยังไม่รู้หรอก และไม่สนใจมากนัก เพราะเดี๋ยวก็จะได้เลื่อนตำแหน่งแล้วหากผลงานเข้าตานาย ก็ว่ากันไปแบบไทย ๆ ผักชีโรยหน้า ผิวเผิน ไม่ได้จริงจังอะไร

ปัญหาคือ พอจะต้องใช้ Big Data และ AI เป็นเครื่องมือจริง ๆ ก็เกิดความเข้าใจผิดมากมาย และหลงทางเข้ารกเข้าพง เข้าดงเข้าป่าจนหาทางออกไม่เจอและสร้างปัญหาหนักยิ่งกว่าเดิม ความเข้าใจผิดดังกล่าวมีอะไรบ้างเราลองมาพิจารณาดูกัน

ประการแรก Data เป็นของโบราณ ไม่ทันสมัยเท่า Big Data; Data ไม่ดี ไม่มีประโยชน์เท่า Big Data; และ Data ย่อมง่ายกว่า Big Data เป็นอย่างมาก

ความเข้าใจผิดนี้ไม่จริง Data จะ Big หรือจะ Small หากมันไม่มีคุณค่า เอามาใช้อะไรไม่ได้ ก็ไร้ค่าพอ ๆ กัน แล้ว Big Data ยิ่งต้องลงทุนสูงกว่า เสียเงินมากกว่า ยิ่งจะไม่คุ้มและไร้ค่ามากกว่า อันที่จริงแล้วประโยชน์ของข้อมูลต้องมี ต้องมีคุณค่า และคุ้ม ต้องคำนวณผลตอบแทนจากการลงทุนในข้อมูล (Return on Data Investment: RODI) ได้

อันที่จริงข้อมูลใหญ่นั้นมีปัญหาหรือมีความท้าทายน้อยกว่าข้อมูลขนาดเล็กมาก อ่านได้จาก Big Data กับ Small Sample Size Data คืออะไร อะไรยากหรือง่ายกว่ากัน? http://bit.ly/2Zz7KQk ซึ่งแท้จริงแล้วข้อมูลที่มีขนาดตัวอย่างเล็กๆ นี่มักจะท้าทายกว่ามาก มี sampling error มากกว่า โดยเฉพาะถ้ามีตัวแปรมาก ๆ เป็นร้อยเป็นพันตัวแปร แต่มี Sample size หรือขนาดตัวอย่างเพียงไม่กี่บรรทัด เช่น ไม่เกินห้าบรรทัด ต้องถือว่าเป็นความยากแบบโหดหินหากจะต้องวิเคราะห์ แต่ข้อมูลใหญ่นั้นหากมีเครื่องคอมพิวเตอร์ศักยภาพสูงและ Data Scientist เก่ง ๆ ก็สามารถแก้ปัญหาได้และวิเคราะห์ได้ง่ายมากกว่ามากในระดับหนึ่ง

ประการที่สอง Big Data เป็นเรื่องง่าย แค่มีเงินก็ซื้อฮาร์ดแวร์และซอฟท์แวร์ก็ได้; ซื้อมาแล้วทำได้ทุกอย่าง แต่ไม่ต้องหรือไม่อยากเรียนรู้วิธีทำ; และจะต้องมี Data Lake และ Cloud เท่านั้น จึงสามารถทำ Big Data Analytics ได้

ความเป็นจริงคือ Big Data ไม่ได้เป็นเรื่องง่ายเลย ถ้าแค่ให้ได้ชื่อว่ามี Big Data ก็เป็นแค่แฟชั่น แต่ถ้าจะให้ใช้งานได้จริง ทำแล้วประสบความสำเร็จ หัวใจคือการพัฒนาบุคลากรด้านวิทยาการข้อมูล ต้องพัฒนา Peopleware ไม่ใช่ Software หรือ Hardware โปรดอ่านได้จากแฟชั่น Big Data และ Data Science จะทำได้ต้องพัฒนา Peopleware https://mgronline.com/daily/detail/9600000116917 และบทความ Big Data หัวใจอยู่ที่ Peopleware ไม่ใช่ Software และ Hardware https://mgronline.com/daily/detail/9610000107066

การพัฒนานั้นนอกจากความแตกฉานด้านข้อมูล ความแตกฉานด้านเทคโนโลยีสารสนเทศแล้ว ยังต้องปรับวัฒนธรรมองค์การให้ตอบสนองต่อการระเบิดดิจิตัล (Digital Disruption) ต้องสร้างวัฒนธรรมข้อมูล (Data culture) ให้ผู้บริหารและบุคลากรตัดสินใจแก้ปัญหาตามที่ข้อมูลเชิงประจักษ์ที่ผ่านการวิเคราะห์จนได้ความรู้ที่สามารถนำไปปฏิบัติได้ (Actionable knowledge) มากกว่าแค่เชื่อความรู้สึก (Gut-feeling) หรืออาศัยเพียงแค่ประสบการณ์ของผู้บริหารเพียงเท่านั้น ซึ่งอาจจะผิดพลาดได้ง่าย

นอกจากนี้ Big Data ก็ไม่ได้จำเป็นต้องอยู่บนทะเลสาปข้อมูล (Data Lake) เพียงอย่างเดียว หากปราศจากการออกแบบสถาปัตยกรรมที่ดี ทะเลสาปข้อมูลก็จะเป็นเพียงถังขยะข้อมูลขนาดมหึมา เก็บไว้แต่ของไร้สาระและมีค่าเช่าที่บน cloud ราคาแพงมาก แต่เอาไปใช้ประโยชน์หรือใช้ทำมาค้าขาย ทำมาหากินสร้างรายได้ไม่ได้ก็จะไม่มีประโยชน์อะไร ทางเลือกอื่น ๆ ก็มีอีกมากขึ้นอยู่กับงบประมาณ ทรัพยากร และสภาพแวดล้อมทางธุรกิจของแต่ละกิจการ ที่ต้องปรับตามให้เหมาะสม

ประการที่สาม ความเข้าใจผิดว่าหน่วยงานของตนเองมี Big Data เพียงพอ; Big Data มาแบบพร้อมใช้ได้เลยและสะอาดแล้วทุกประการ; Big Data ต้อง perfect และถูกต้อง 100% เท่านั้นถึงจะมีประโยชน์ หากไม่มีข้อมูลใหญ่สมบูรณ์ถูกต้อง 100% จะเอาไปทำอะไรต่อก็ไม่ได้ทั้งนั้น

ความเข้าใจผิดนี้ใหญ่หลวงมาก เอาเข้าจริงหน่วยงานในประเทศไทย ไม่ว่าจะภาครัฐหรือเอกชน ต่างไม่ได้เก็บข้อมูลไว้ดีมากนัก เพราะไม่มีใครเป็นเจ้าของที่แท้จริง ไม่มีใครแคร์ (Nobody owns data, nobody cares data.) ปัญหาแบบนี้คือปัญหาการกำกับดูแลคุณภาพข้อมูล (Data Governance)

อีกทั้งวัฒนธรรมของไทยไม่เน้นการจดบันทึกหรือการจัดเก็บข้อมูล ซึ่งข้อนี้จีนทำได้ดีกว่ามานานมากแล้วนับพันปี

ระบบในการเก็บรวบรวมข้อมูลหรือโครงสร้างพื้นฐานข้อมูล (Data infrastructure) ของเราก็ยังมีปัญหามาก และเราไม่มีวิศวกรข้อมูล (Data Engineer) เพียงพอนัก ถึงกับบริษัทที่รับวางระบบ Big Data แห่งหนึ่งขนาดใหญ่มากของไทยเมื่อปีก่อน ไม่มีวิศวกรข้อมูลเพียงพอ ถึงกับประกาศงดรับงานเพราะหาคนมาทำงานไม่ได้แล้ว มหาวิทยาลัยไทยที่ผลิตวิศวกรข้อมูลมีคุณภาพเพียงพอ และทำงานได้จริงมีไม่มากนัก

นอกจากนี้เรายังหวงข้อมูลกันหนักมาก โปรดอ่านได้จาก เมื่อ “หน่วยราชการ” หวงข้อมูล แล้วไทยจะไปสู่ยุค Big Data ได้อย่างไร? https://mgronline.com/daily/detail/9620000020642 และบทความ หมาหวงก้างข้อมูล : หวงเอาไว้แต่ใช้ไม่เป็นหรือหวงด้วยเหตุอื่น?https://mgronline.com/daily/detail/9620000067991

การหวงข้อมูลนี้ไม่ได้เป็นเฉพาะภาคราชการ ในภาคเอกชนการขอข้อมูลข้ามแผนกก็เป็นเรื่องยากแสนยาก ข้อมูลคืออำนาจ ข้อมูลกุมความลับของคน และยังมีพระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคลมากำกับเสียอีกซึ่งจริง ๆ เป็นเรื่องที่ดีเพื่อปกป้องประชาชนแต่ในอีกมุมหนึ่งยิ่งทำให้คนที่ดูแลข้อมูลยิ่งหวงข้อมูล นอกจากนี้ข้อมูลทำให้เกิดการตรวจสอบปัญหาความไม่โปร่งใส การทุจริตคอรัปชั่น ทำให้คนดูแลข้อมูลยิ่งหวง กลัวว่าจะเป็นการเปิดแผลของตนเองให้คนอื่นเห็นและอาจจะเป็นอันตรายแก่ตนเองได้ สิ่งที่เราต้องปลูกฝังและสร้างวัฒนธรรมว่า Bad data is better than no data. หรือพูดง่าย ๆ ว่ามีข้อมูลไม่ดียังดีกว่าไม่มีข้อมูลอะไรเลย การที่แต่ละหน่วยงานแต่ละแผนกต่างหวงข้อมูล เรียกว่าเป็นปัญหา Classic data silo problem ก็ทำให้การบูรณาการข้อมูลระหว่างแผนกภายในหน่วยงาน หรือข้ามหน่วยงานทำได้ยากยิ่งนัก และทำให้ไม่สามารถเชื่อมโยงให้เกิด Big data ที่จะนำไปใช้ประโยชน์กับหน่วยงานหรือประเทศได้

สำหรับปัญหาคุณภาพข้อมูล มีสุดโต่งไปทั้งสองมุม อย่างแรกคือผู้บริหารมักเข้าใจผิดว่าข้อมูลใหญ่ในหน่วยงานตนสมบูรณ์ไม่มีข้อผิดพลาดเลย หรือไม่มีข้อมูลสูญหาย (Missing data) เลย เอามาวิเคราะห์ได้เลย ใช้งานได้เลย ไม่ต้องทำความสะอาดข้อมูลเลย เพราะฉะนั้นก็อยากจะเห็นผลการวิเคราะห์ข้อมูลเร็วมาก ๆ ประเภทสั่งวันนี้จะเอาผลภายในวันหรือสองวัน ราวกับว่าทุกอย่างเรียบร้อยหมด มีแต่ด่วนมาก ด่วนที่สุด ด่วนระห่ำนรก ด่วนจนคนทำงานจะตายหมดแล้ว ก็กลายเป็นว่าวิเคราะห์ส่งเดชไปโดยที่ไม่ได้ทำความสะอาดข้อมูลเลย ซึ่งท้ายที่สุดเอาขยะใส่เข้าไปวิเคราะห์ก็ได้ตัวแบบขยะออกมา (Garbage in, Garbage out model; GIGO) อันที่จริงงานของนักวิทยาการข้อมูลกว่า 80% หรือมากกว่าหมดไปกับการทำความสะอาดข้อมูล

ที่หนักข้อไปยิ่งกว่าคือข้อมูลแบบไทยๆ หลายครั้งก็ได้การสร้างข้อมูลเท็จหรือนั่งเทียนเขียนข้อมูลออกมา ยกตัวอย่างดังบทความนี้ เมื่อข้าราชการต้องทราบจำนวนนกบนฟ้า ปลาในน้ำ และช้างในป่า ปัญหาสถิติทางการของประเทศไทย https://mgronline.com/daily/detail/9610000027078 ยิ่งจำเป็นต้องกรองและทำความสะอาดข้อมูลให้ดีจนสามารถจะพอยอมรับได้

ในอีกด้านหลาย ๆ หน่วยงานก็ต่อต้านการใช้ข้อมูล เพราะข้อมูลช่วยชี้ให้เห็นข้อบกพร่องในการทำงานของตัวเองและหน่วยงานของตัวเอง ข้ออ้างที่ง่ายสุดก็คือกล่าวโทษว่าข้อมูลไม่สะอาดบริสุทธิ์ 100% ซึ่งเป็นเรื่องที่เป็นไปไม่ได้อยู่แล้วที่ข้อมูลจะถูกต้อง perfect ไม่มีข้อผิดพลาดอะไรเลย และต่อให้จะพยายามทำความสะอาดข้อมูลมากเพียงใดก็ตามก็ไม่มีทางได้ perfect data บนโลกนี้ ไม่มีอะไร 100% ถูกต้องหมด การมากล่าวอ้างว่าข้อมูลไม่มีวันถูก ดังนั้นอย่าไปเชื่อ กลายเป็นอุปสรรคในการใช้ Big data และ AI มากเช่นกัน สิ่งที่ควรเข้าใจคือ ทุกตัวแบบและผลการวิเคราะห์ข้อมูลบนโลกใบนี้ผิดหมด แต่บางตัวแบบและบางผลการวิเคราะห์ข้อมูลมีประโยชน์มาก อันเป็นคำกล่าวของ Gertrude Box นักสถิตินามอุโฆษที่ว่า All models are wrong, but some are useful.

ประการที่สี่ ถ้าไม่มี Big Data ก็สามารถใช้เงินซื้อได้; โลกนี้กว้างใหญ่ มีข้อมูลใหญ่มากมาย เอามาใช้ได้เลย และตอบคำถามได้ทุกอย่าง

ข้อนี้ก็เป็นความเข้าใจผิดใหญ่หลวงอีกเช่นกัน หน่วยงานหลาย ๆ แห่งคิดว่ามีเงินก็ซื้อได้ทุกอย่าง จ้างได้ทุกอย่าง ได้ข้อมูลมาได้ทุกอย่าง แต่ข้อมูลในหน่วยงานซึ่งสำคัญที่สุดและตอบโจทย์ปัญหาภายในหน่วยงานได้ดีที่สุดกลับไม่มีหรือไม่ได้สนใจจะจัดเก็บหรือสร้างระบบในการจัดเก็บ หรือไม่สนใจจะสร้างวัฒนธรรมองค์การที่ให้ความสำคัญกับข้อมูล แล้วก็จะไม่มีข้อมูลที่สำคัญจริง ๆ ที่จะมาตอบปัญหาของหน่วยงานตนเอง

จริงอยู่ที่สมัยนี้การหาซื้อข้อมูลทำได้ง่ายกว่าในอดีตมาก แต่ไม่ใช่ว่าข้อมูลที่ซื้อมาจะใช้ประโยชน์ได้จริง จะมีความเกี่ยวข้อง (Relevancy) กับปัญหาที่ต้องการจะตอบหรือต้องการวิเคราะห์ ซื้อมาแล้วใช้ประโยชน์อะไรไม่ได้เลยก็มีมาแล้วมากมาย เสียเงินทิ้งเฉยๆ ขอย้ำว่าเงินไม่ได้ซื้อทุกอย่างบนโลกนี้ได้ แม้เงินจะจ้างผีโม่แป้งได้ แต่ก็ไม่อาจจะซื้อข้อมูลที่เป็นประโยชน์นำไปใช้ได้ผลอย่างง่ายๆ แต่อย่างใด

ประการที่ห้า ความเข้าใจผิดว่า Big Data สามารถสร้างปาฏิหาริย์ได้; Big Data ทำให้ผลการปฏิบัติงานดีขึ้นทันที

Big data ไม่ใช่ยาวิเศษ ไม่ใช่ยาครอบจักรวาล ไม่ใช่ยาผีบอกหรือยาอายุวัฒนะของหน่วยงานแต่อย่างใด ปาฏิหาริย์จาก Big data นั้นมีสำหรับผู้ที่คิดนำ Actionable knowledge จากข้อมูลไปต่อยอด โดยการกำหนดกลยุทธ์หรือนโยบายที่ชาญฉลาดแล้วนำไปลงมือปฏิบัติจนเกิดประสิทธิภาพ ความยั่งยืน ความได้เปรียบในการแข่งขัน หรือนำไปสร้างนวัตกรรมข้อมูล (Data innovation) หรือผลิตภัณฑ์ข้อมูล (Data product) ที่สามารถนำไปใช้งานได้จริง เป็นประโยชน์กับลูกค้า ประเทศชาติ หรือสังคม ต้องมีความคิดเชิงออกแบบ (Design thinking) เพื่อนำ Actionable knowledge ที่ได้จากการวิเคราะห์ข้อมูลไปต่อยอดต่อไป และต้องนำไปปฏิบัติจริง ๆ ให้เกิดผล อันที่จริงมีแต่ Big data แล้วกองไว้เฉย ๆ ไม่นำไปวิเคราะห์ก็จะไม่เกิดประโยชน์อะไรมากนัก วิเคราะห์ได้ความรู้แล้ว หากไม่นำไปประยุกต์หรือนำไปปฏิบัติจริงก็ไม่เกิดผล และปัญหาบางอย่างต้องแก้ไขด้วยวิธีการอื่น เช่น คน เงิน เครื่องจักร ไม่ใช่แก้ไขได้ด้วยข้อมูลเพียงอย่างเดียวเท่านั้น
Photo by ev on Unsplash
ประการที่หก ความเข้าใจผิดที่ว่าปัญญาประดิษฐ์และการเรียนรู้ด้วยเครื่องจักร (Machine learning) เหนือกว่าทั้งสถิติและการทำเหมืองข้อมูล (Data mining) ทั้งสถิติและการทำเหมืองข้อมูลตกยุคไปแล้ว ไม่มีการใช้งานอีกต่อไปแล้ว

ข้อนี้ก็ไม่จริงอีกเช่นกัน ข้อมูลที่ใช้ AI และ Machine learning มากในการวิเคราะห์คือข้อมูลไร้โครงสร้าง เช่น ภาพ เสียง ข้อความ มัลติมีเดีย หรือสื่อสังคม เป็นต้น แต่โดยธรรมชาติของข้อมูลที่เราได้ใช้กันมาก ๆ ก็ยังเป็นข้อมูลแบบมีโครงสร้างอยู่ในตารางเป็นหลัก มากกว่า 80% ของข้อมูลที่เรานำมาวิเคราะห์ก็จะยังคงเป็นตารางอยู่ดี และสถิติก็ยังจำเป็น ยังคงอยู่ และเป็นหลักคิดสำคัญหรือเป็นพื้นฐานปรัชญาสำหรับการวิเคราะห์

สถิติ เป็นศาสตร์ที่เกิดก่อน ก่อนที่นักคอมพิวเตอร์จะสนใจการวิเคราะห์ข้อมูลแล้วมาเรียกว่าการทำเหมืองข้อมูล ซึ่งมีรากฐานมาจากสถิติเช่นเดียวกัน หรือพูดง่าย ๆ ว่านักคอมพิวเตอร์สนใจการวิเคราะห์ข้อมูลแล้วก็นำสถิติแบบเดิมมาพลิกแพลงต่อยอดตามความถนัด และต่อมาก็เกิดปัญญาประดิษฐ์และการเรียนรู้ด้วยเครื่องจักร ซึ่งอย่างหลังก็ยังคงเน้นการวิเคราะห์ข้อมูล แต่ให้คอมพิวเตอร์เรียนรู้จากข้อมูล หรือให้ Machine นั้นสามารถเรียนรู้ได้ จำได้หมายรู้รูปแบบ (Pattern recognition) และให้คอมพิวเตอร์คิดเองได้ เมื่อมีข้อมูลป้อนเข้าไป ให้คอมพิวเตอร์ฉลาดมากขึ้น คิดเองได้ในท้ายที่สุด

แม้ในระยะหลังเราพบว่า AI หรือ Machine learning ค่อนข้างจะมีความแม่นยำในการทำนายหรือการจำแนกได้ดีกว่าสถิติแบบดั้งเดิมซึ่งมักจะกำหนดว่าตัวแบบสัมพันธ์กันเชิงเส้นตรง แต่ในการทำงานจริง ๆ เราต้องเลือกระหว่างความแม่นยำ (Accuracy) กับคำอธิบาย (Explanation) ซึ่งในโลกของความเป็นจริงในทางธุรกิจหรืองานราชการ การใช้สถิติจะช่วยได้มากกว่าในแง่คำอธิบาย เพราะตัวแบบไม่ซับซ้อนมากนัก อธิบายได้ง่ายกว่ามาก เช่น จะพิจารณาว่าจะรับใครเข้ามาทำงาน จะปล่อยกู้ให้ใครหรือไม่ เพราะเหตุใด การใช้ตัวแบบทางสถิติที่แม่นยำน้อยกว่าอาจจะดีกว่า AI ที่อธิบายได้ยาก เอาไปเป็นหลักฐานต่อสู้ทางกฎหมายได้ยากกว่า (Legally defensible evidence)

Milestone ของสถิติคือการสุ่มตัวอย่างและการอนุมานเชิงสถิติก็ยังคงอยู่และมีประโยชน์มาก เพราะบางอย่างก็ต้องสำรวจหรือทดลองถึงจะได้ข้อมูลมา แล้วจึงนำมาใช้งานได้ ดังนั้นในภาพรวมความเชื่อนี้จึงผิดและไม่สอดคล้องกับความเป็นจริงแต่อย่างใด

ประการที่เจ็ด ความเข้าใจผิดว่าปัญญาประดิษฐ์สามารถตอบคำถามที่มนุษย์ตอบไม่ได้ทุกอย่าง และจะแย่งงานมนุษย์ได้ทุกงาน

อันนี้คนเราเข้าใจผิดว่าปัญญาประดิษฐ์จะตอบได้ทุกคำถาม จริง ๆ คือมันตอบได้มากกว่าที่เราสอนหรือป้อนข้อมูลให้มันเรียนรู้มากนิดหน่อยเท่านั้น อะไรที่มันเคยได้เรียนหรือมีข้อมูลมาก่อน AI จะทำได้ดี แต่ไม่ใช่ว่า AI จะตอบคำถามได้ทุกอย่าง

AI ก็เหมือนกันกับ Big Data ทั้งคู่ไม่ใช่ยาวิเศษ ยาครอบจักรวาล ยาอายุวัฒนะแต่อย่างใด จะเอาไปใช้อะไร ทำอะไรก็ต้องคิดให้รอบคอบถึงผลดีและผลเสีย

AI อาจจะพยากรณ์ได้แม่น แต่ AI อาจจะไม่มีความสามารถในการอธิบายความสัมพันธ์เชิงสาเหตุที่อาศัยความสัมพันธ์ระหว่างตัวแปรที่ทำให้พยากรณ์ได้แม่นยำสูงๆ มีสิ่งที่ปัญญาประดิษฐ์ค่อยๆ เก่งมากขึ้นเรื่อยๆ และทำหน้าที่แทนมนุษย์ได้เยอะมาก ดังเช่นในบทความเมื่อเทคโนโลยีพลิกผันแต่สถาบันการศึกษาไม่ปรับตัวจึงไปไม่รอด https://mgronline.com/daily/detail/9620000024068 ซึ่งปัญญาประดิษฐ์ตีปิงปองก็ได้ เขียนเรียงความก็ได้ สอนพูดและโต้ตอบทางวาจาก็ได้ อ่านริมฝีปากออกมาเป็นคำพูดก็ได้โดยไม่ต้องฟังเสียง เป็นเชฟทำกับข้าวก็ได้ สารพัดอย่างที่ AI ทำแทนคนได้ แต่ก็ไม่มีทางครบได้ทุกอย่าง เช่น การชิมรสชาตอาหาร ลิ้นของมนุษย์ยังรับรู้และวิเคราะห์รสชาตได้ดีกว่าปัญญาประดิษฐ์ จมูกคนเราและสุนัขยังดีกว่าเครื่องดมกลิ่น (Olfactometer) ที่เชื่อมต่อกับคอมพิวเตอร์และปัญญาประดิษฐ์

แน่นอนว่าในอนาคตจะมีงานที่หายไปมากมายเพราะปัญญาประดิษฐ์แต่อย่างน้อยน่าจะมีที่ให้คนที่พัฒนาปัญญาประดิษฐ์สำหรับทำงานเพื่อสร้าง พัฒนา และควบคุมปัญญาประดิษฐ์

ประการที่แปด ความเข้าใจผิดที่ว่าถ้ามีเงินพอสามารถซื้อปัญญาประดิษฐ์มาใช้งานได้ทันทีและประสบความสำเร็จอย่างแน่นอน

ข้อนี้ต้องตอบเหมือนประการที่สองและประการที่สี่ เงินไม่สามารถซื้อทุกอย่างได้ หากไม่พัฒนาคนให้มีความสามารถเสียก่อน

ประการที่เก้า ความเข้าใจผิดที่ว่าปัญญาประดิษฐ์ไม่ต้องอาศัยข้อมูลในการเรียนรู้ แค่มีคอมพิวเตอร์ที่เก่งสุดๆ ก็พอ

ข้อนี้ไม่จริง ปัญญาประดิษฐ์ต้องอาศัยข้อมูลมากตั้งแต่การสร้างปัญญาประดิษฐ์ ต้องอาศัย sensor หรือ computer vision เพื่อให้เกิดข้อมูลเข้ามาเชื่อมต่อและให้ AI คิดและตัดสินใจได้ การมีแค่ AI แต่ไม่มีข้อมูลจะไม่มีประโยชน์ และมีคอมพิวเตอร์ประสิทธิภาพสูงสุดๆ ก็อาจจะไม่ช่วยอะไรเลย หากไม่มีข้อมูลเพียงพอให้ AI ได้เรียนรู้

ประการที่สิบ ความเข้าใจผิดว่าปัญญาประดิษฐ์และ Big Data แค่มีนักคอมพิวเตอร์ก็สามารถนำมาใช้ในหน่วยงานได้ประสบความสำเร็จและได้ผลดี

บริษัทเริ่มจ้างนักคอมพิวเตอร์ที่เก่ง AI หรือ Big Data ลดลงเล็กน้อยหลังพบว่าเอา nerdy หรือ computer geek มาทำงาน AI หรือ Big Data แล้วไม่ได้ประสบความสำเร็จ นำไปใช้ได้จริง เพราะทำงานจริง ๆ ต้องอาศัยความรู้ทั้งสถิติ คณิตศาสตร์ ฐานข้อมูล ความเข้าใจในเนื้อหาวิชานั้น ๆ เช่น บริหารธุรกิจ หรือ การแพทย์ ต้องเล่าเรื่องเป็น ต้องมีความคิดสร้างสรรค์ ความคิดเชิงออกแบบเพื่อให้สามารถนำไปต่อยอดได้ การทำงานให้ประสบความสำเร็จด้าน Big data และ AI ต้องบูรณาการและทำงานเป็นทีมใหญ่ ใจเดียวกัน ปรึกษาหารือ ช่วยกันคิด ช่วยกันทำถึงจะประสบความสำเร็จ รู้แต่ computer ไม่เพียงพออย่างแน่นอน และโอกาสในการนำ AI หรือ Big data ที่จะไปใช้งานได้จริงในธุรกิจหรือภาครัฐนั้นจะต่ำมากอย่างแน่นอน


กำลังโหลดความคิดเห็น...