ปัญญาประดิษฐ์ (Artifi cial Intelligence: AI) เป็นหนึ่งในหัวข้อการสนทนาที่ได้รับความนิยมสูงสุดและมีการแบ่งขั้วทางความคิดเป็นจำนวนมาก แต่สิ่งที่เห็นได้ชัดก็คือ เอไอ (AI) มีศักยภาพที่จะนำไปสู่การพัฒนาในหลากหลายด้านสำหรับธุรกิจและชีวิตความเป็นอยู่ของเราทุกคน
บางคนอาจเห็นว่า เอไอจะเข้าควบคุมโลกภายใน 2 ปีจากนี้ ขณะที่บางคนอาจคิดว่าไม่มีทางเป็นจริงได้โดยปกติแล้ว ความเป็นจริงมักจะอยู่ตรงกลางเสมอ แม้ว่าเอไอจะนำมาซึ่งความเป็นไปได้มากมายที่แทบไม่น่าเชื่อ แต่ก็ไม่ใช่ว่าทุกสิ่งจะเกิดขึ้นในอนาคตอันใกล้เราจะมาไขความสงสัยของความเชื่อบางอย่างเกี่ยวกับเอไอ
เอไอก็เหมือนกับคนคนหนึ่ง : สามารถคิดและแก้ปัญหาต่างๆ ได้ในลักษณะเดียวกับที่มนุษย์ทำ
เอไอกลายเป็นคำศัพท์ทางการตลาดที่มีการพูดถึงกันอย่างกว้างขวาง แต่กระนั้นเอไอก็ยังไม่ได้มีสติปัญญาทั่วไปเหมือนกับมนุษย์เลยทีเดียว และแน่นอนว่าเราอาจยังไม่ต้องการให้เป็นแบบนั้น
อย่างไรก็ตาม ปัจจุบันเอไอมีฟังก์ชันเกี่ยวกับการสอนลีเมอร์ให้รู้จักคิดว่าควรได้รับอาหารมากกว่าลิงชิมแปนซี และยังมีการสร้างฟังก์ชันเอไออีกเป็นจำนวนมากที่มีประโยชน์และมีคุณค่าอย่างมาก ฟังก์ชันเหล่านี้มักได้รับการพัฒนาขึ้นเพื่อวัตถุประสงค์เฉพาะ เช่น การประมวลผลภาษาธรรมชาติ (NLP) การจดจำรูปภาพ เครื่องมือค้นหาข้อมูล เกม การพยากรณ์หรือคุณลักษณะเฉพาะในรถยนต์ที่ขับเคลื่อนอัตโนมัติ แน่นอนว่าการเป็นผู้เชี่ยวชาญมักเสริมสร้างมูลค่าทางธุรกิจได้สูงกว่าการเป็นผู้มีความรู้ในรูปแบบสหวิทยาการ เช่น หากคุณต้องไปพบแพทย์เพื่อวินิจฉัยโรคร้ายแรงที่มีผลต่อชีวิต คุณต้องการให้ใครเป็นผู้รักษา แพทย์เวชปฏิบัติทั่วไปหรือแพทย์ผู้เชี่ยวชาญที่มีชื่อเสียงในสาขานั้นๆ
เป็นเรื่องง่ายมากที่จะพัฒนาเอไอ เพราะเอไอจะเรียนรู้ทุกสิ่งด้วยตัวเอง
แต่อย่าเพิ่งตัดสินใจ! เพราะแม้ว่าการเรียนรู้ของเครื่อง (Machine Learning) จะถือว่าเป็นส่วนสำคัญของเอไอ แต่ก็ยังเป็นเรื่องยากที่จะนำไปใช้ได้จริง แน่นอนว่ามีความท้าทายทั้งที่เป็นเรื่องง่ายและยากจะจัดการ แต่โดยทั่วไปแล้วการใช้อัลกอริทึมที่ทำงานร่วมกับแอพพลิเคชันหรือปัญหาขององค์กรได้ดีอาจไม่ใช่เรื่องที่น่าเบื่ออย่างมาก
บ่อยครั้งที่อัลกอริธึมการเรียนรู้ของเครื่องดูจะเข้าใจได้ง่ายแต่ความท้าทายก็คือการเลือกอัลกอริธึมที่เหมาะสมกับปัญหาและนำเสนอปัญหาให้กับอัลกอริทึมด้วยวิธีที่ถูกต้อง สิ่งนี้ต้องใช้รายละเอียดที่เกี่ยวข้องกับปัญหา รวมถึงความเข้าใจที่ค่อนข้างลึกซึ้งถึงความสามารถและข้อจำกัดของอัลกอริทึมและโมเดลที่มีอยู่ ซึ่งยังคงเป็นปัญหาที่พบได้ทั่วไปในแวดวงวิทยาการคอมพิวเตอร์
เรื่องที่ซับซ้อนยิ่งขึ้นคือการเรียนรู้ของเครื่องนั้นจำเป็นต้องมีการฝึกสอนอย่างถูกต้องเป็นจำนวนมาก เพื่อให้โมเดลดังกล่าวมีมาตรฐานเพียงพอสำหรับนำไปใช้ประโยชน์กับปัญหาใหม่ๆ ที่เกิดขึ้น หากใช้การไม่ได้ตามที่คาดไว้ การแก้ปัญหาอาจใช้เวลานาน เนื่องจากโมเดลที่สร้างโดยเครือข่ายเส้นประสาท (เป็นต้น) อาจซับซ้อนมากและยากเกินกว่าที่จะเข้าใจ
ข้อมูลขนาดใหญ่หรือ Big Data มีอยู่ทั่วไป
ถูกต้องแล้ว! มีข้อมูลจำ นวนมากอยู่ทั่วไป ตัวอย่างเช่น เที่ยวบินเดียวของโบอิ้ง 787 สามารถสร้างข้อมูลได้มากถึง 500 กิกะไบต์ (GB) จากเซ็นเซอร์ และเครื่องมือต่างๆ ที่ใช้งานขณะบิน ในช่วงเวลาหนึ่งมีโบอิ้ง 787 ทำการบินมากกว่า 170 ลำ ดังนั้นจึงมีข้อมูลเกิดขึ้นเป็นจำนวนมาก แต่เมื่อมีการใช้อัลกอริทึมการเรียนรู้ของเครื่อง มักจะมีคำถามเกิดขึ้นว่า “เรามีข้อมูลที่ถูกต้องหรือไม่” และ “เราสามารถสร้างข้อมูลที่เป็นประโยชน์จากข้อมูลเหล่านี้ได้หรือไม่”
ตัวอย่างที่เราใช้ในไอเอฟเอส แลบส์ (IFS Labs) คือการวิเคราะห์ความเชื่อมั่น (Sentiment Analysis) วิกิพีเดีย (Wikipedia) ให้คำจำกัดความของการวิเคราะห์ความเชื่อมั่น (หรือการทำเหมืองความคิดเห็น) ว่าหมายถึงการใช้การประมวลผลภาษาธรรมชาติ การวิเคราะห์ข้อความ และภาษาศาสตร์คอมพิวเตอร์เพื่อระบุและคัดแยกข้อมูลอัตนัยออกจากแหล่งข้อมูลต่างๆ เช่น คุณสามารถใช้การวิเคราะห์ความเชื่อมั่นบนโซเชียลมีเดียเพื่อปรับปรงุ ความถกู ตอ้ งของความตอ้ งการในอนาคตที่คาดการณ์และมีข้อมูลเกิดขึ้นมากมายในโซเชียลมีเดีย เช่น Twitter, Facebook เป็นต้น ซึ่งในทางปฏิบัติแล้วทุกสิ่งจะขึ้นอยู่กับการใช้งานจริงของคุณ หากต้องการเข้าใจความรู้สึกที่มีต่อ iPhone รุ่นล่าสุด คุณอาจค้นหาข้อมูลที่เพียงพอได้ไม่ยาก แต่หากต้องการทำความเข้าใจเกี่ยวกับความเชื่อมั่นต่อการรับรู้ของผู้คนเกี่ยวกับการติดตั้งมิเตอร์อัจฉริยะในประเทศ อาจเป็นเรื่องยากที่จะค้นหาข้อมูลที่เพียงพอและเฉพาะเจาะจงได้มากพอที่จะนำไปสู่ผลลัพธ์ที่มีความหมายได้
เช่นเดียวกับการวิเคราะห์เรื่องต่างๆ จำนวนและความน่าเชื่อถือของชุดข้อมูลพื้นฐานมีความสำคัญต่อความสำเร็จในการเรียนรู้ของเครื่อง ซึ่งไม่ใช่เรื่องง่ายนักที่จะดำเนินการ
หุ่นยนต์จะเข้ามาแทนที่งานทั้งหมดของเรา
จากอดีตจนถึงปัจจุบัน การปฏิวัติเทคโนโลยีในแต่ละครั้งนั้นได้สร้างงานให้เกิดขึ้นมากกว่าที่จะทำลายล้าง ไม่ว่าจะพิจารณาไปที่การปฏิวัติอุตสาหกรรมหรือการเพิ่มจำนวนการใช้งานอินเทอร์เน็ต ในตอนท้าย ผู้คนมากขึ้นจะมีงานเพิ่มขึ้นกว่าที่เคยมีมาก่อน และมักจะได้รับค่าตอบแทนที่ดีกว่าเดิม เนื่องจากสามารถดำเนินงานได้อย่างมีประสิทธิภาพเพิ่มมากขึ้น ด้วยเหตุนี้ ผมจึงคาดหวังว่าข้อดีของเอไอจะมีมากกว่าข้อเสีย โดยเฉพาะอย่างยิ่งหากผู้คนได้รับความช่วยเหลือและสนับสนุนในการเรียนรู้ทักษะใหม่ๆ ที่พวกเขาจะต้องทำงานควบคู่ไปกับระบบอัจฉริยะต่างๆ
นอกจากนี้ การพัฒนาด้านเทคโนโลยีมักใช้เวลานานกว่าที่เราคาดการณ์ในตอนตน้ และเครือ่ งที่มสี ติปญั ญาทั่วไปเหมือนมนุษย์อาจต้องใช้เวลาพัฒนาอีกหลายทศวรรษจึงจะเป็นจริงได้ทั้งหมด ดังนั้นสถานการณ์ที่เป็นไปได้ในตอนนี้ก็คือมนุษย์และเอไอจะต้องทำงานร่วมกัน สิ่งนี้ไม่ใช่เรื่องเลวร้าย แต่ถือเป็นสถานการณ์ที่สร้างปรากฏการณ์ได้ไม่น้อยเลยทีเดียว
และแม้ว่าเทคโนโลยีเอไอจะช่วยให้เราสามารถเพิ่มและทดแทนงานของมนุษย์บางส่วนได้ แต่ในขณะเดียวกันก็มีการสร้างงานใหม่ๆ เกิดขึ้นด้วย และงานใหม่ๆ เหล่านี้ยังคงต้องใช้แรงงานคนที่มีทักษะสูงกว่า จากการคาดการณ์ของการ์ทเนอร์ที่ระบุว่า “ในปี พ.ศ. 2563 เทคโนโลยีเอไอจะกลายเป็นตัวกระตุ้นเชิงบวกในการสร้างงานได้มากถึง 2.3 ล้านงาน โดยจะมีงานลดลงเพียง 1.8 ล้านงานเท่านั้น”
ยังไม่จบเพียงเท่านี้ นี่ไม่ใช่ทุกสิ่งที่จะเกิดขึ้น มีคำกล่าวและความคิดเห็นอีกมากมายเกี่ยวกับความสำคัญของเอไอ และบางทีอาจมองว่าเป็นความเชื่อก็ได้ เช่นเดียวกับทุกสิ่งทุกอย่าง การหาสมดุลระหว่างการมองโลกในแง่บวกและลบย่อมเป็นเรื่องดีสำหรับคุณเมื่อพูดถึงเรื่องเอไอ อย่าเชื่อทุกสิ่งที่กล่าวมา แต่ให้ลงทุนในโอกาสที่เป็นไปได้และมีศักยภาพในการเปลี่ยนแปลงวิธีการดำเนินการธุรกิจของเรา