By | November 27, 2022

ทุกคนตื่นเต้นกับปัญญาประดิษฐ์ มีความก้าวหน้าอย่างมากในด้านเทคโนโลยีและเทคนิคการเรียนรู้ของเครื่อง อย่างไรก็ตาม ในช่วงแรกของการพัฒนา เราอาจต้องระงับความกระตือรือร้นลงบ้าง

คุณค่าของ AI นั้นสามารถเห็นได้ในการค้าที่หลากหลาย ซึ่งรวมถึงการตลาดและการขาย การดำเนินธุรกิจ การประกันภัย การธนาคารและการเงิน และอื่นๆ กล่าวโดยสรุปคือ เป็นวิธีที่เหมาะในการดำเนินกิจกรรมทางธุรกิจที่หลากหลาย ตั้งแต่การจัดการทุนมนุษย์และการวิเคราะห์ประสิทธิภาพการทำงานของผู้คนผ่านการสรรหาบุคลากร และอื่นๆ อีกมากมาย ศักยภาพของมันวิ่งผ่านโครงสร้างเชิงนิเวศของธุรกิจทั้งหมด เห็นได้ชัดว่ามูลค่าของ AI ต่อเศรษฐกิจทั้งหมดอาจมีมูลค่าหลายล้านล้านดอลลาร์

บางครั้งเราอาจลืมไปว่า AI นั้นยังอยู่ระหว่างดำเนินการ เนื่องจากเทคโนโลยียังใหม่อยู่ จึงยังมีข้อจำกัดด้านเทคโนโลยีที่ต้องเอาชนะให้ได้ก่อนที่เราจะเข้าสู่โลกใบใหม่ที่กล้าหาญของ AI

ในพอดคาสต์ล่าสุดที่เผยแพร่โดย McKinsey Global Institute บริษัทที่วิเคราะห์เศรษฐกิจโลก Michael Chui ประธานบริษัทและ James Manyika ผู้อำนวยการได้หารือเกี่ยวกับข้อจำกัดของ AI และสิ่งที่กำลังดำเนินการเพื่อบรรเทาข้อจำกัดเหล่านี้

ปัจจัยที่จำกัดศักยภาพของ AI

Manyika ตั้งข้อสังเกตว่าข้อจำกัดของ AI นั้น “เป็นเรื่องของเทคนิคล้วนๆ” เขาระบุว่าเป็นวิธีการอธิบายว่าอัลกอริทึมทำอะไร? เหตุใดจึงเลือกผลลัพธ์และการคาดการณ์เช่นนั้น จากนั้นมีข้อ จำกัด ในทางปฏิบัติเกี่ยวกับข้อมูลและการใช้งาน

เขาอธิบายว่าในกระบวนการเรียนรู้ เรากำลังให้ข้อมูลคอมพิวเตอร์เพื่อไม่เพียงแต่เขียนโปรแกรมเท่านั้น แต่ยังฝึกอบรมพวกเขาด้วย “เรากำลังสอนพวกเขา” เขากล่าว พวกเขาได้รับการฝึกอบรมโดยให้ข้อมูลที่มีป้ายกำกับ การสอนเครื่องจักรให้ระบุวัตถุในภาพถ่ายหรือรับทราบความแปรปรวนในสตรีมข้อมูลที่อาจบ่งบอกว่าเครื่องจักรกำลังจะพังทำได้โดยการป้อนข้อมูลที่ติดฉลากจำนวนมากซึ่งบ่งชี้ว่าในชุดข้อมูลนี้เกี่ยวกับเครื่องจักร เพื่อทำลายและในการรวบรวมข้อมูลนั้นเครื่องไม่ได้กำลังจะพังและคอมพิวเตอร์จะคำนวณว่าเครื่องกำลังจะพังหรือไม่

Chui ระบุข้อจำกัด 5 ข้อของ AI ที่ต้องเอาชนะให้ได้ เขาอธิบายว่าตอนนี้มนุษย์กำลังติดฉลากข้อมูล ตัวอย่างเช่น ผู้คนกำลังดูภาพถ่ายของการจราจรและติดตามรถยนต์และเครื่องหมายเลนเพื่อสร้างข้อมูลที่มีป้ายกำกับซึ่งรถยนต์ที่ขับเองสามารถใช้เพื่อสร้างอัลกอริทึมที่จำเป็นในการขับขี่รถยนต์

Manyika สังเกตว่าเขารู้เกี่ยวกับนักเรียนที่ไปห้องสมุดสาธารณะเพื่อติดฉลากเพื่อให้สามารถสร้างอัลกอริทึมที่คอมพิวเตอร์ใช้ในการคาดการณ์ได้ ตัวอย่างเช่น ในสหราชอาณาจักร กลุ่มคนกำลังระบุภาพถ่ายของสุนัขสายพันธุ์ต่างๆ โดยใช้ข้อมูลฉลากที่ใช้สร้างอัลกอริทึมเพื่อให้คอมพิวเตอร์สามารถระบุข้อมูลและรู้ว่าคืออะไร

เขาชี้ให้เห็นกระบวนการนี้เพื่อวัตถุประสงค์ทางการแพทย์ ผู้คนกำลังติดป้ายรูปถ่ายของเนื้องอกประเภทต่างๆ เพื่อที่ว่าเมื่อคอมพิวเตอร์ทำการสแกน จะได้เข้าใจว่าเนื้องอกคืออะไรและเป็นเนื้องอกชนิดใด

ปัญหาคือต้องใช้ข้อมูลจำนวนมากเกินไปในการสอนคอมพิวเตอร์ ความท้าทายคือการสร้างวิธีให้คอมพิวเตอร์ผ่านข้อมูลที่ติดฉลากได้เร็วกว่า

เครื่องมือที่ใช้ในขณะนี้รวมถึงเครือข่ายฝ่ายตรงข้ามเชิงสร้างสรรค์ (GAN) เครื่องมือนี้ใช้สองเครือข่าย เครือข่ายหนึ่งสร้างสิ่งที่ถูกต้อง และอีกเครือข่ายหนึ่งแยกแยะว่าคอมพิวเตอร์กำลังสร้างสิ่งที่ถูกต้องหรือไม่ ทั้งสองเครือข่ายแข่งขันกันเพื่อให้คอมพิวเตอร์ทำในสิ่งที่ถูกต้อง เทคนิคนี้ทำให้คอมพิวเตอร์สามารถสร้างงานศิลปะในแบบของศิลปินเฉพาะหรือสร้างสถาปัตยกรรมในแบบของสิ่งอื่น ๆ ที่ได้รับการสังเกต

Manyika ชี้ให้เห็นว่าผู้คนกำลังทดลองใช้เทคนิคการเรียนรู้ของเครื่องอื่นๆ ตัวอย่างเช่น เขากล่าวว่านักวิจัยจาก Microsoft Research Lab กำลังพัฒนาในการติดฉลากสตรีม ซึ่งเป็นกระบวนการที่ติดฉลากข้อมูลผ่านการใช้งาน กล่าวอีกนัยหนึ่ง คอมพิวเตอร์กำลังพยายามตีความข้อมูลตามวิธีการใช้งาน แม้ว่าการติดฉลากในสตรีมจะมีมาระยะหนึ่งแล้ว แต่เมื่อไม่นานมานี้ก็มีความก้าวหน้าครั้งใหญ่ ถึงกระนั้น Manyika กล่าวว่าการติดฉลากข้อมูลเป็นข้อจำกัดที่ต้องการการพัฒนาเพิ่มเติม

ข้อจำกัดอีกอย่างของ AI คือข้อมูลไม่เพียงพอ เพื่อต่อสู้กับปัญหา บริษัทที่พัฒนา AI กำลังได้รับข้อมูลเป็นเวลาหลายปี เพื่อพยายามลดเวลาในการรวบรวมข้อมูล บริษัทต่างๆ กำลังหันไปใช้สภาพแวดล้อมจำลอง การสร้างสภาพแวดล้อมจำลองภายในคอมพิวเตอร์ทำให้คุณสามารถเรียกใช้การทดลองได้มากขึ้น เพื่อให้คอมพิวเตอร์สามารถเรียนรู้สิ่งต่างๆ ได้เร็วขึ้น

จากนั้นจึงมีปัญหาในการอธิบายว่าทำไมคอมพิวเตอร์ถึงตัดสินใจว่ามันทำอะไร เป็นที่ทราบกันดีว่าสามารถอธิบายได้ ปัญหานี้เกี่ยวข้องกับกฎระเบียบและหน่วยงานกำกับดูแลที่อาจตรวจสอบการตัดสินใจของอัลกอริทึม ตัวอย่างเช่น ถ้ามีคนถูกปล่อยตัวออกจากคุกด้วยเครื่องผูกมัดและคนอื่นไม่ได้ถูกปล่อยตัว ใครบางคนจะต้องอยากรู้ว่าทำไม อาจมีคนพยายามอธิบายการตัดสินใจ แต่แน่นอนว่ามันจะยาก

Chui อธิบายว่ามีการพัฒนาเทคนิคที่สามารถให้คำอธิบายได้ เรียกว่า LIME ซึ่งย่อมาจากคำอธิบายแบบไม่เชื่อเรื่องพระเจ้าของโมเดลที่ตีความได้ในท้องถิ่น มันเกี่ยวข้องกับการดูส่วนของโมเดลและอินพุต และดูว่าสิ่งนั้นจะเปลี่ยนแปลงผลลัพธ์หรือไม่ ตัวอย่างเช่น หากคุณกำลังดูภาพถ่ายและพยายามพิจารณาว่าสิ่งของในภาพถ่ายเป็นรถกระบะหรือรถยนต์ ถ้ากระจกบังลมของรถบรรทุกหรือด้านหลังรถเปลี่ยนไป ให้ทำอย่างใดอย่างหนึ่ง การเปลี่ยนแปลงสร้างความแตกต่าง นั่นแสดงว่าตัวแบบกำลังโฟกัสไปที่ด้านหลังของรถหรือกระจกบังลมของรถบรรทุกเพื่อทำการตัดสินใจ สิ่งที่เกิดขึ้นคือมีการทดลองในโมเดลเพื่อหาว่าอะไรสร้างความแตกต่าง

ประการสุดท้าย ข้อมูลที่เอนเอียงยังเป็นข้อจำกัดของ AI หากข้อมูลที่เข้าสู่คอมพิวเตอร์มีความเอนเอียง ผลลัพธ์ก็จะเอนเอียงไปด้วย ตัวอย่างเช่น เรารู้ว่าบางชุมชนอยู่ภายใต้การดูแลของตำรวจมากกว่าชุมชนอื่นๆ หากคอมพิวเตอร์กำหนดว่าตำรวจจำนวนมากในชุมชนจำกัดอาชญากรรมหรือไม่ และข้อมูลมาจากพื้นที่ใกล้เคียงที่มีตำรวจหนาแน่นและพื้นที่ใกล้เคียงที่มีตำรวจน้อย การตัดสินใจของคอมพิวเตอร์จะขึ้นอยู่กับข้อมูลเพิ่มเติมจากพื้นที่ใกล้เคียง กับตำรวจและไม่มีข้อมูลว่าแถวไหนไม่มีตำรวจ พื้นที่ใกล้เคียงที่สุ่มตัวอย่างมากเกินไปอาจทำให้เกิดข้อสรุปที่เบ้ได้ ดังนั้นการพึ่งพา AI อาจส่งผลให้เกิดการพึ่งพาอคติโดยกำเนิดในข้อมูล ดังนั้นความท้าทายคือการหาวิธี “ลดอคติ” ข้อมูล

ดังนั้น การที่เราจะมองเห็นศักยภาพของ AI ได้นั้น เราจึงต้องตระหนักถึงข้อจำกัดของมันด้วย ไม่ต้องกังวล; นักวิจัยด้าน AI กำลังทำงานอย่างหนักเพื่อแก้ไขปัญหานี้ บางสิ่งที่เคยถูกมองว่าเป็นข้อจำกัดของ AI เมื่อไม่กี่ปีที่ผ่านมาไม่ใช่ในปัจจุบัน เนื่องจากการพัฒนาอย่างรวดเร็ว นั่นคือเหตุผลที่คุณต้องตรวจสอบกับนักวิจัย AI อย่างต่อเนื่องว่าเป็นไปได้อย่างไรในปัจจุบัน