How does artificial intelligence learn? - Briana Brownell

Translator: PanaEk Warawit Reviewer: Sakunphat Jirawuthitanant

Today, artificial intelligence helps doctors diagnose patients,

ทุกวันนี้ปัญญาประดิษฐ์ สามารถช่วยหมอวินิจฉัยโรค

pilots fly commercial aircraft, and city planners predict traffic.

ช่วยนักบินขับเครื่องบินพาณิชย์ และช่วยนักผังเมืองพยากรณ์สภาพจราจร

But no matter what these AIs are doing, the computer scientists who designed them

แต่ไม่ว่าจะเป็นเอไอสำหรับงานอะไรก็ตาม นักวิจัยผู้ออกแบบระบบเหล่านี้

likely don’t know exactly how they’re doing it.

มักจะไม่รู้อย่างแน่ชัดว่า มันทำงานได้อย่างไรกันแน่

This is because artificial intelligence is often self-taught,

นั่นเป็นเพราะว่า ปัญญาประดิษฐ์มักจะสอนตัวมันเอง

working off a simple set of instructions

โดยทำงานจากชุดคำสั่งง่ายๆ

to create a unique array of rules and strategies.

เพื่อสร้างกลุ่มก้อนเฉพาะ ของกฎเกณฑ์และกลยุทธ์ต่างๆ

So how exactly does a machine learn?

แล้วเครื่องจักรเรียนรู้ได้อย่างไร

There are many different ways to build self-teaching programs.

มีหลายวิธีที่จะสร้างโปรแกรม ที่สอนตัวเองได้

But they all rely on the three basic types of machine learning:

แต่ทั้งหมดก็มีพื้นฐาน จากการเรียนรู้ของเครื่องสามแบบ

unsupervised learning, supervised learning, and reinforcement learning.

การเรียนรู้แบบมีผู้สอน แบบไม่มีผู้สอน และแบบให้รางวัล

To see these in action,

เพื่อให้เห็นภาพได้ชัดเจนขึ้น

let’s imagine researchers are trying to pull information

ลองนึกภาพนักวิจัยกำลังดึงข้อมูล

from a set of medical data containing thousands of patient profiles.

จากชุดข้อมูลทางการแพทย์ ที่มีข้อมูลของผู้ป่วยนับพันราย

First up, unsupervised learning.

อย่างแรก การเรียนรู้แบบมีผู้สอน

This approach would be ideal for analyzing all the profiles

แนวทางนี้จะเหมาะมากสำหรับการ วิเคราะห์ข้อมูลผู้ป่วยทั้งหมด

to find general similarities and useful patterns.

เพื่อหาความเหมือน และรูปแบบที่เป็นประโยชน์

Maybe certain patients have similar disease presentations,

ผู้ป่วยบางกลุ่มอาจมีการแสดงอาการ ของโรคที่คล้ายคลึงกัน

or perhaps a treatment produces specific sets of side effects.

หรือการรักษาแบบใดแบบหนึ่ง อาจมีผลข้างเคียงที่เฉพาะเจาะจง

This broad pattern-seeking approach can be used to identify similarities

วิธีการหารูปแบบอย่างกว้างๆ นี้ จะสามารถนำมาใช้เพื่อหาความเหมือนกัน

between patient profiles and find emerging patterns,

ระหว่างข้อมูลผู้ป่วยคนต่างๆ และหารูปแบบสำคัญที่กำลังเกิดขึ้นได้

all without human guidance.

โดยไม่จำเป็นต้องใช้มนุษย์ช่วย

But let's imagine doctors are looking for something more specific.

แต่ลองจินตนาการว่าแพทย์ กำลังมองหาอะไรที่เจาะจงกว่านั้น

These physicians want to create an algorithm

แพทย์เหล่านั้นต้องการสร้างอัลกอริทึม

for diagnosing a particular condition.

เพื่อวินิจฉัยอาการเฉพาะบางอย่าง

They begin by collecting two sets of data—

พวกเขาเริ่มด้วยการเก็บข้อมูลสองชุด

medical images and test results from both healthy patients

ภาพถ่ายทางการแพทย์ และผลตรวจ จากทั้งกลุ่มผู้ป่วยที่แข็งแรง

and those diagnosed with the condition.

และจากผู้ป่วยที่วินิจฉัยแล้วว่า มีอาการ

Then, they input this data into a program

แล้วพวกเขาก็ป้อนข้อมูลเข้าไปในโปรแกรม

designed to identify features shared by the sick patients

ที่ถูกออกแบบมาเพื่อให้ระบุ คุณลักษณะที่มีในคนไข้ที่ป่วย

but not the healthy patients.

แต่ไม่พบในคนไข้ที่ไม่มีอาการดังกล่าว

Based on how frequently it sees certain features,

และจากความถี่ ที่พบในคุณลักษณะแต่ละข้อ

the program will assign values to those features’ diagnostic significance,

โปรแกรมก็จะกำหนดค่าความสำคัญต่อ ผลการวินิจฉัยของคุณลักษณะนั้นๆ

generating an algorithm for diagnosing future patients.

สร้างขึ้นมาเป็นอัลกอริทึม เพื่อใช้ในการวินิจฉัยผู้ป่วยในอนาคต

However, unlike unsupervised learning,

อย่างไรก็ตาม ในการเรียนรู้แบบมีผู้สอน

doctors and computer scientists have an active role in what happens next.

ทั้งแพทย์และนักคอมพิวเตอร์ มีบทบาทสำคัญต่อสิ่งที่จะเกิดขึ้นต่อไป

Doctors will make the final diagnosis

แพทย์จะต้องทำการวินิจฉัย ขั้นสุดท้าย

and check the accuracy of the algorithm’s prediction.

แล้วตรวจสอบความแม่นยำ ของผลการทำนายของอัลกอริทึม

Then computer scientists can use the updated datasets

แล้วนักคอมพิวเตอร์ จะสามารถใช้ ชุดข้อมูลที่ปรับปรุงแล้วนี้

to adjust the program’s parameters and improve its accuracy.

เพื่อปรับแต่งตัวแปร ของโปรแกรม ในการเพิ่มความแม่นยำ

This hands-on approach is called supervised learning.

แนวทางการทำงานแบบนี้ เรียกว่า การเรียนรู้แบบมีผู้สอน

Now, let’s say these doctors want to design another algorithm

ต่อมาสมมติว่าแพทย์ต้องการ ออกแบบอัลกอริทึมอีกอย่างหนึ่ง

to recommend treatment plans.

เพื่อจะแนะนำแผนการรักษา

Since these plans will be implemented in stages,

เนื่องจากแผนเหล่านี้ จะถูกดำเนินการเป็นขั้นๆ ไป

and they may change depending on each individual's response to treatments,

และอาจเปลี่ยนไปได้ ตามการตอบสนอง ต่อการรักษาของผู้แต่ละคน

the doctors decide to use reinforcement learning.

ทีมแพทย์จึงตัดสินใจใช้การ การเรียนรู้แบบให้รางวัล

This program uses an iterative approach to gather feedback

โปรแกรมนี้จะเป็นการทำซ้ำๆ เพื่อเก็บผลตอบรับ

about which medications, dosages and treatments are most effective.

ว่าการให้ยาแบบไหน ปริมาณใด และการรักษาแบบใด ให้ผลดีที่สุด

Then, it compares that data against each patient’s profile

แล้วจึงนำผลมาเปรียบเทียบกับ ข้อมูลผู้ป่วยแต่ละราย

to create their unique, optimal treatment plan.

เพื่อสร้างแผนการรักษา เฉพาะตัวที่เหมาะสมที่สุด

As the treatments progress and the program receives more feedback,

เมื่อการรักษาดำเนินไป และโปรแกรมได้รับข้อมูลตอบรับมากขึ้น

it can constantly update the plan for each patient.

มันจะสามารถปรับปรุงแผน การรักษาสำหรับผู้ป่วยแต่ละรายได้

None of these three techniques are inherently smarter than any other.

เทคนิคการโปรแกรมเหล่านี้ ไม่ได้มีวิธีไหนที่ชาญฉลาดกว่ากัน

While some require more or less human intervention,

ในขณะที่บางวิธี ต้องมีมนุษย์เข้ามาเกี่ยวข้องด้วย

they all have their own strengths and weaknesses

แต่ละวิธีก็มีจุดอ่อนจุดแข็งของมันเอง

which makes them best suited for certain tasks.

ทำให้มันเหมาะสมที่สุด กับงานต่างประเภทกัน

However, by using them together,

อย่างไรก็ตาม เมื่อนำมาใช้ร่วมกันแล้ว

researchers can build complex AI systems,

นักวิจัยจะสามารถสร้างระบบ ปัญญาประดิษฐ์ที่ซับซ้อน

where individual programs can supervise and teach each other.

โดยให้โปรแกรมย่อยแต่ละตัว สามารถสอนกันเองได้

For example, when our unsupervised learning program

ตัวอย่างเช่น ในโปรแกรมเรียนรู้แบบไม่มีผู้สอน

finds groups of patients that are similar,

ทำการหากลุ่มของผู้ป่วย ที่มีความคล้ายคลึงกัน

it could send that data to a connected supervised learning program.

มันสามารถส่งข้อมูลไปยังโปรแกรมอื่น ที่ใช้การเรียนรู้แบบมีผู้สอน

That program could then incorporate this information into its predictions.

โปรแกรมนั้นก็จะนำข้อมูลที่ได้ มาเป็นส่วนหนึ่งของการทำนายผล

Or perhaps dozens of reinforcement learning programs

หรืออาจใช้โปรแกรม เรียนรู้แบบให้รางวัลหลายสิบตัว

might simulate potential patient outcomes

เพื่อจำลองผลลัพธ์การตอบสนอง ของผู้ป่วยหลายๆ แบบ

to collect feedback about different treatment plans.

และเก็บรวบรวมผลตอบรับ ต่อแผนการรักษาที่แตกต่างกัน

There are numerous ways to create these machine-learning systems,

มีหลากหลายวิธีที่จะสร้าง ระบบการเรียนรู้ด้วยเครื่องเหล่านี้

and perhaps the most promising models

โมเดลรูปแบบหนึ่ง ที่ให้ความหวังได้ดีที่สุด

are those that mimic the relationship between neurons in the brain.

คือโมเดลที่จำลอง ความเชื่อมโยงกันของเซลประสาทในสมอง

These artificial neural networks can use millions of connections

โครงข่ายประสาทเทียมเหล่านี้ อาจมีจุดเชื่อมต่อกันเป็นล้านๆ จุด

to tackle difficult tasks like image recognition, speech recognition,

เพื่อรับมือกับปัญหายากๆ อย่างเช่น การจดจำภาพถ่าย การจดจำคำพูด

and even language translation.

หรือแม้แต่การแปลภาษา

However, the more self-directed these models become,

อย่างไรก็ตาม ยิ่งเมื่อ โมเดลเหล่านี้มีการเรียนรู้เองมากเท่าใด

the harder it is for computer scientists

ก็ยิ่งเป็นเรื่องยากมากขึ้น สำหรับนักคอมพิวเตอร์

to determine how these self-taught algorithms arrive at their solution.

ที่จะเข้าใจได้ว่าอัลกอริทึมที่สอนตัวเอง เหล่านี้ สร้างผลลัพธ์ออกมาได้อย่างไร

Researchers are already looking at ways to make machine learning more transparent.

นักวิจัยเริ่มมองหาหนทางต่างๆ ที่จะทำให้ การเรียนรู้ของเครื่องมีความโปร่งใสมากขึ้น

But as AI becomes more involved in our everyday lives,

แต่เมื่อปัญญาประดิษฐ์ เข้ามาเกี่ยวข้องมากขึ้นในชีวิตประจำวัน

these enigmatic decisions have increasingly large impacts

ปริศนาการตัดสินใจของเครื่อง ก็ส่งผลกระทบมากขึ้นเรื่อยๆ

on our work, health, and safety.

กับงาน สุขภาพ และความปลอดภัยของเรา

So as machines continue learning to investigate, negotiate and communicate,

ดังนั้นเมื่อเครื่องจักรเรียนรู้มากขึ้น ที่จะค้นหา ต่อรอง และสื่อสาร

we must also consider how to teach them to teach each other to operate ethically.

เราจำเป็นต้องหาหนทางที่จะสอนมัน ให้สอนตัวเองเพื่อทำงานอย่างมีจริยธรรม