สารบัญ
บทที่ 1............................................................................................................................................................ 6
บทนำเบื้องต้นของ AI ในอุตสาหกรรม 4.0 ..................................................................................................... 6
1.1 องคป์ ระกอบของอตุ สาหกรรม 4.0......................................................................................................6
1.2 AI Machine Learning และ Deep Learning คืออะไร .....................................................................8
1.3 การใชง้ าน AI กับ Machine Learning ใน Industry 4.0 ด้านใดบ้าง .................................................9
1.4 AI แบบท่วั ไปและ AI แบบแคบ ........................................................................................................ 11
1.5 ประวตั ขิ องอตุ สาหกรรม AI (Artificial Intelligence)...................................................................... 12
บทท่ี 2 การประยกุ ต์ใช้ AI ............................................................................................................................ 15
2.1 AI ในชีวิตประจำวัน.......................................................................................................................... 15
2.2 รถยนต์ไรค้ นขบั ............................................................................................................................... 16
2.3 AI ในภาคธุรกิจ ............................................................................................................................... 19
2.4 AI ในอุตสาหกรรม .......................................................................................................................... 20
2.5 ความน่ากังวลของ AI ในอนาคต...................................................................................................... 22
บทที่ 3 หลกั การทำงานของโมเดลและเทคนิคการฝึกสอน Machine Learning ........................................... 24
3.1 โมเดลของ Machine Learning ....................................................................................................... 24
3.2 โมเดลการเรียนรแู้ ละข้อมูลฝึก.......................................................................................................... 25
3.3 หลกั การของครอสวาลิเดชนั (Cross Validation)........................................................................... 26
3.4 ตัวอยา่ งครอสวาลิเดชนั (Cross Validation).................................................................................. 28
3.5 สรปุ ครอสวาลิเดชัน (Cross Validation) ......................................................................................... 30
บทท่ี 4 การจัดเตรียมข้อมลู และการทำความสะอาดข้อมลู ............................................................................ 32
4.1 การเตรียมและเลือกข้อมูล................................................................................................................ 32
4.2 Feature Engineering ................................................................................................................... 33
4.3 Feature Scaling............................................................................................................................. 34
4.4 หลกั การในการวดั ผลจากชุดข้อมลู ................................................................................................... 36
4.5 ทบทวนการบวนการเตรียมข้อมลู ..................................................................................................... 38
บทที่ 5 อัลกอริทึมของ Machine Learning................................................................................................. 39
5.1 แบบต่าง ๆ ของการเรยี นรู้.............................................................................................................. 39
สำนักงานคณะกรรมการดิจิทัลเพ่อื เศรษฐกิจและสงั คมแห่งชาติ
5.2 การเรียนรู้แบบมผี สู้ อน (Supervised Learning)............................................................................ 40
5.3 การเรียนรู้แบบไมม่ ีผสู้ อน (Unsupervised Learning) .................................................................... 41
5.4 การเรยี นรแู้ บบก่ึงมผี ูส้ อน (Semi Supervised Learning)............................................................... 42
5.5 การเรียนรูแ้ บบเสรมิ กำลัง (Reinforcement Learning) ................................................................ 43
บทท่ี 6 การเรียนรแู้ บบมีผสู้ อน..................................................................................................................... 45
6.1 ต้นไมต้ ัดสนิ ใจ (Decision Tree)..................................................................................................... 45
6.2 การจำแนกข้อมลู ด้วยวิธีการเบย์เซยี น (Bayesian Classification)................................................. 46
6.3 K-Nearest Neighbors (KNN)......................................................................................................... 48
6.4 การวิเคราะห์การถดถอย (Regression Analysis)............................................................................ 50
6.5 การประยุกต์การใช้งานของการเรียนรู้แบบมีผู้สอน (Supervised Learning) .................................. 52
บทที่ 7 การเสริมประสิทธภิ าพของโมเดล ..................................................................................................... 54
7.1 การเสรมิ ประสทิ ธิภาพของโมเดลด้วยขอ้ มลู ..................................................................................... 54
7.2 การเสริมประสิทธิภาพด้วยอัลกอริทึม (Improve Performance with Algorithms)...................... 55
7.3 การเสริมประสิทธิภาพของโมเดลด้วยการปรับแต่งอัลกอริทึม (Improve Performance with
Algorithm Tuning)............................................................................................................................... 56
7.4 การเสรมิ ประสทิ ธภิ าพของโมเดลด้วยเอน็ เซม็ เบลิ (Ensembles) ..................................................... 56
บทที่ 8 การเรียนร้แู บบไม่มผี ู้สอน ................................................................................................................. 59
8.1 การเรียนรู้แบบไมม่ ผี สู้ อน ................................................................................................................. 59
8.2 การแบง่ กลุ่ม..................................................................................................................................... 60
8.3 K-means Clustering...................................................................................................................... 62
8.4 Hierarchical Clustering ................................................................................................................ 70
8.5 การประยุกต์ใช้ในโลกแห่งความเป็นจริงของการเรยี นร้ทู ี่ไมม่ ผี ู้สอน................................................. 72
บทท่ี 9 อัลกอริทึมทนี่ ิยมใน Machine Learning ......................................................................................... 74
9.1 อัลกอริทมึ ทน่ี ยิ มใช้สำหรับการเรยี นรูแ้ บบมีผสู้ อนในปัจจบุ นั ........................................................... 74
9.2 อัลกอริทึมที่นิยมใช้ในการเรียนรู้แบบไม่มีผู้สอน (Unsupervised Learning Several Popular
Algorithms)........................................................................................................................................... 78
บทท่ี 10 พ้ืนฐานของ AI................................................................................................................................ 81
10.1 หลกั สำคญั ของ AI (Foundations of AI)....................................................................................... 81
10.2 คำจำกดั ความของ AI หรือปญั ญาประดษิ ฐ์ (Definition & Motivations) ..................................... 82
โครงการพฒั นาชุดทดลองปญั ญาประดษิ ฐเ์ พือ่ พฒั นาทักษะดา้ นดิจทิ ัลของนกั เรยี นและนกั ศึกษาในสายวชิ าชีพอาชวี ศึกษาและสามัญศึกษา
(Open AI Kit for Thai Students) | 2
สำนักงานคณะกรรมการดิจิทัลเพอื่ เศรษฐกิจและสังคมแหง่ ชาติ
10.3 การทำความเข้าใจของ AI (Understanding AI - 1)..................................................................... 82
10.4 การทำความเขา้ ใจของ AI (Understanding AI - 2)..................................................................... 84
10.5 เสน้ ทางสู่ AGI (Artificial General Intelligence)......................................................................... 86
บทที่ 11 นิวรอลเนต็ เวริ ์คและการเรยี นรูเ้ ชิงลกึ ............................................................................................. 89
11.1 บทนำเบ้อื งตน้ ของนวิ รอลเนต็ เวริ ค์ และการเรยี นร้เู ชงิ ลึก (Introduction to Neural Networks and
Deep Learning).................................................................................................................................... 89
11.2 ระบบโครงข่ายประสาท (Neural Networks)................................................................................ 91
11.3 การเปรียบเทียบระหว่าง การเรียนรู้ของเครื่อง (Machine Learning) กับการเรียนรู้เชิงลึก (Deep
Learning)............................................................................................................................................... 94
11.4 สอน Neural Network อย่างไร?................................................................................................... 95
บทท่ี 12 ข้อความและเสยี งพูด...................................................................................................................... 96
12.1 บทนำเบ้ืองต้นของระบบข้อความและเสยี งพดู (Introduction Text and Speech) ..................... 96
12.2 การประมวลผลภาษาธรรมชาติ (Natural language processing) ............................................... 97
บทท่ี 13 คอมพิวเตอรป์ ริทศั น์.....................................................................................................................102
13.1 บทนำเบอ้ื งตน้ คอมพิวเตอร์วิทัศน์ (Introduction Computer Vision)....................................... 102
13.2 คอมพวิ เตอรป์ รทิ ศั น์และการประมวลผลภาพ (Computer Vision and Image Processing).... 104
13.3 การประยุกตใ์ ช้คอมพวิ เตอรป์ รทิ ัศน์ท่แี พร่หลาย (Popular Computer Vision Applications) . 107
บทท่ี 14 บอท.............................................................................................................................................109
14.1 บทนำเบ้อื งตน้ บอท (Introduction Bots - Conversation as a Platform).............................. 109
14.2 ตัวอย่าง Chatbot สำหรับใชง้ านแบง่ แยกตามหน้าท่ี ................................................................... 111
14.3 การแบง่ ประเภท Chatbot .......................................................................................................... 112
14.4 สถาปัตยกรรม Chatbot.............................................................................................................. 112
14.5 ความหมายและคำท่ีมีความหมายคล้ายกัน................................................................................... 114
บทที่ 15 การสรา้ งระบบแนะนำ..................................................................................................................118
15.1 คำนำ............................................................................................................................................ 118
15.2 Content-based Recommender System............................................................................... 120
15.3 Collaborative Recommendation Engine ............................................................................. 121
15.4 Recommendation System ..................................................................................................... 122
15.5 Model-based Methods (Deep Learning-based) ................................................................. 124
โครงการพฒั นาชุดทดลองปญั ญาประดิษฐเ์ พื่อพัฒนาทกั ษะดา้ นดิจิทลั ของนกั เรียนและนักศกึ ษาในสายวชิ าชีพอาชวี ศกึ ษาและสามญั ศึกษา
(Open AI Kit for Thai Students) | 3
สำนักงานคณะกรรมการดจิ ทิ ลั เพอื่ เศรษฐกจิ และสงั คมแห่งชาติ
บทที่ 16 หลักการเรกูไรเซชนั ......................................................................................................................127
16.1 โมเดลคณิตศาสตรข์ องนิวตรอน ................................................................................................... 127
16.2 Regularization คอื อะไร............................................................................................................. 130
16.3 L1 and L2 Regularizations + Elastic Net ............................................................................. 130
16.4 Dropout Regularizations......................................................................................................... 132
16.5 Data Augmentation ................................................................................................................. 132
บทท่ี 17 พน้ื ฐานภาษาไพธอนของ Machine Learning.............................................................................134
17.1 ทำความรจู้ ักกบั ภาษาไพธอน (Python)....................................................................................... 134
17.2 คำส่ังพ้นื ฐานของภาษาไพธอน (Python)..................................................................................... 140
17.3 หลักการเขยี นโปรแกรมภาษาไพธอน (Python)........................................................................... 142
บทท่ี 18 อุปกรณ์ราสเบอรร์ ไ่ี พกับภาษาไพธอน ..........................................................................................144
18.1 บทนำเบ้อื งต้นอุปกรณร์ าสเบอรร์ ีพ่ าย (Introduction Raspberry Pi)......................................... 144
18.2 โปรแกรมพืน้ ฐานดว้ ยภาษาไพธอน (Basic program with Python) .......................................... 148
18.3 การสรา้ งจียไู อด้วยภาษาไพธอน (Create Graphic User Interfaces in Python)...................... 152
18.4 การใชง้ านไพธอน (Python) บนอุปกรณ์ราสเบอร์รี่พาย (Raspberry Pi) .................................... 155
บทท่ี 19 การประมวลผลอมิ เอจด้วยภาษาไพธอน.......................................................................................159
19.1 บทนำเบ้อื งต้นโอเพน็ ซีวี (Introduction OpenCV) ..................................................................... 159
19.2 หลักการของการประมวลผลอมิ เมจ (Image Processing)........................................................... 159
19.3 คำส่งั พน้ื ฐานโอเพน็ ซวี ี (OpenCV)............................................................................................... 162
19.4 การเขียนโปรแกรมสำหรับการประมวลผลอิมเมจ (Image Processing) ด้วยภาษาไพธอน (Python)
และโอเพน็ ซีวี (OpenCV) ..................................................................................................................... 162
บทที่ 20 การใช้งานระบบ Machine Learning ดว้ ยภาษาไพธอน..............................................................164
20.1 กเู กิล โคแลป (Google Colab) ................................................................................................... 164
20.2 การจำแนกประเภทวตั ถุดว้ ยภาษาไพธอน (Object Classification with python) .................... 166
20.3 นิวรอลเนต็ เวริ ค์ ดว้ ยภาษาไพธอน (Neural Network with Python) ......................................... 167
20.4 แนวทางการประยุกต์ใช้งานร่วมกับการประมวลผลอิมเมจและอุปกรณ์ราสเบอร์ร่ี ไพ (Image
Processing and Raspberry Pi) ......................................................................................................... 168
บทท่ี 21 การทดลองชุดที1่ .........................................................................................................................172
บทที่ 22 การทดลองชุดที่2 .........................................................................................................................180
โครงการพฒั นาชดุ ทดลองปัญญาประดิษฐเ์ พือ่ พฒั นาทกั ษะดา้ นดจิ ิทลั ของนกั เรียนและนกั ศึกษาในสายวชิ าชพี อาชวี ศึกษาและสามญั ศึกษา
(Open AI Kit for Thai Students) | 4
สำนักงานคณะกรรมการดิจทิ ลั เพอ่ื เศรษฐกจิ และสงั คมแห่งชาติ
บทท่ี 23 การทดลองชดุ ท่ี3 .........................................................................................................................191
บทท่ี 24 การทดลองชดุ ท่ี4 .........................................................................................................................199
บทท่ี 25 การทดลองชุดท5่ี .........................................................................................................................203
บทท่ี 26 การทดลองชดุ ท่6ี .........................................................................................................................207
บทที่ 27 การทดลองชุดท7ี่ .........................................................................................................................212
บทท่ี 28 การทดลองชุดที8่ .........................................................................................................................216
บทที่ 29 การทดลองชุดที่9 .........................................................................................................................220
บทท่ี 30 การทดลองชุดท1่ี 0 .......................................................................................................................224
โครงการพัฒนาชดุ ทดลองปัญญาประดิษฐเ์ พอ่ื พฒั นาทักษะดา้ นดจิ ิทัลของนักเรยี นและนกั ศกึ ษาในสายวชิ าชีพอาชวี ศกึ ษาและสามญั ศกึ ษา
(Open AI Kit for Thai Students) | 5
สำนกั งานคณะกรรมการดจิ ิทลั เพอ่ื เศรษฐกจิ และสังคมแห่งชาติ
บทท่ี 1
บทนำเบอื้ งต้นของ AI ในอตุ สาหกรรม 4.0
1.1 องคป์ ระกอบของอตุ สาหกรรม 4.0
AI จะใชใ้ นอุตสาหกรรมการผลิตอย่างมาก จึงสมควรทตี่ ้องเขา้ ใจวิวฒั นาการปฏริ ปู อุตสาหกรรม ซึ่งมี
มาแลว้ 3 ยุค ขณะน้ีเขา้ สยู่ คุ ที่ 4 โดยเรยี กแตล่ ะยุควา่
• อุตสาหกรรม 1.0
• อุตสาหกรรม 2.0
• อตุ สาหกรรม 3.0
• อตุ สาหกรรม 4.0
อตุ สาหกรรม 1.0 คือ ยุคแรก ตอนสน้ิ สดุ ศตวรรษท่ี 18 เป็นยุคทีใ่ ชเ้ คร่ืองมือจากไอน้ำและพลังน้ำ
อุตสาหกรรม 2.0 เป็นยุคศตวรรษที่ 20 ยุคนี้เป็นยุคที่ใช้พลังงานไฟฟ้าและเครื่องจักรกล มีการผลิต
แบบจำนวนมาก (Mass Production)
โครงการพฒั นาชุดทดลองปัญญาประดษิ ฐเ์ พอ่ื พัฒนาทกั ษะดา้ นดจิ ิทัลของนักเรยี นและนักศึกษาในสายวิชาชีพอาชวี ศึกษาและสามญั ศึกษา
(Open AI Kit for Thai Students) | 6
สำนกั งานคณะกรรมการดิจทิ ัลเพ่อื เศรษฐกจิ และสังคมแหง่ ชาติ
อตุ สาหกรรม 3.0 เรม่ิ ยคุ ในชว่ งทศวรรษ 1970 ยคุ นี้ใช้ระบบอนิ เทอร์เน็ตและแขนกลอุตสาหกรรมใน
การเพิม่ ประสิทธภิ าพและมกี ารใช้ไอทีในการควบคมุ การผลิต
อุตสาหกรรม 4.0 คอื ยคุ ปัจจบุ นั จะมีเทคโนโลยสี มยั ใหม่ไม่นอ้ ยกวา่ 10 ประเภทท่ีทำใหส้ ามารถผลิต
สินค้าอย่างอัตโนมัติ มีทั้งระบบจริงและเสมือนจริง เรียกว่า Cyber-Physical System (CPS) คือระบบทาง
วิศวกรรมที่บูรณาการโลกกายภาพ (Physical World) ซึ่งประกอบด้วย อุปกรณ์ เครื่องจักร วัสดุ
สภาพแวดล้อม หรือสิ่งต่างๆ ที่จับต้องได้ รวมทั้งมนษุ ย์ เข้ากับโลกไซเบอร์ (Cyber World) หรือโลกดจิ ิทัล ที่
ขับเคลื่อนด้วยระบบเครือข่ายคอมพิวเตอร์และข้อมูล เพื่อสื่อสารแลกเปลี่ยน คำนวณ และวิเคราะห์ข้อมูล
หรือช่วยบริหารจัดการในส่วนต่างๆ การบูรณาการระหว่างสองโลกนี้ทำให้สิ่งต่างๆ ในระบบสามารถเชื่อมต่อ
ทำงานร่วมกันได้ สามารถตรวจสอบและควบคุมเพื่อเปลี่ยนแปลงสภาวะของระบบตามความเหมาะสมกับ
อตุ สาหกรรมหรือบริการต่างๆ1 ท่เี ชอ่ื มโยงอุปกรณ์การผลิตเปน็ โรงงานอัจฉริยะ (Smart Factory)
1 https://www.nstda.or.th/nac/2018/seminar/83-seminar13mar/122-13cc405.html
โครงการพัฒนาชุดทดลองปญั ญาประดษิ ฐเ์ พ่อื พัฒนาทกั ษะดา้ นดิจิทัลของนกั เรยี นและนักศึกษาในสายวชิ าชพี อาชวี ศึกษาและสามัญศึกษา
(Open AI Kit for Thai Students) | 7
สำนกั งานคณะกรรมการดิจทิ ลั เพ่ือเศรษฐกจิ และสงั คมแหง่ ชาติ
ยุคปฏิวัติอุตสาหกรรม 4.0 นี้ ความเร็วในการสร้างธุรกิจเป็นปัจจัยสำคัญมาก พิจารณาจากเวลาที่
เขา้ ถงึ ลกู ค้าหนึง่ รอ้ ยลา้ นคน ของสิ่งต่างๆ เหลา่ น้ี
• โทรศพั ทใ์ ชเ้ วลา 75 ปี
• เวบ็ ใชเ้ วลา 7 ปี
• Facebook ใชเ้ วลา 4 ปี
• Instagram ใช้เวลา 2 ปี
• Pokémon Go ใชเ้ วลา 1 เดอื น
อุตสาหกรรม 4.0 ก็เช่นเดยี วกนั ถ้าสามารถตอบสนองตอ่ ลูกค้าได้อยา่ งรวดเร็ว สายการผลติ ก็สามารถ
ปรับเปลี่ยนการผลิตสินค้าได้หลากหลายประเภท ตัวอย่างเช่น การผลิตมีการใช้ AI และแขนกลหุ่นยนต์ หรือ
โรงงานสามารถตอบสนองตอ่ ลูกค้าทัว่ โลก ผ่านการสร้างตน้ แบบและทดสอบในโลกเสมือนก่อนที่นำไปผลิตจริง
จะทำให้ความเร็วการตอบสนองต่อลกู ค้าเร็วขึ้นมาก ประกอบดว้ ยเทคโนโลยีอยา่ งนอ้ ย 10 ประเภท
1. AI หรอื ปัญญาประดิษฐใ์ ชใ้ นการควบคุมการผลิต
2. หนุ่ ยนต์อัตโนมัติ (Autonomous Robots) มาเป็นผู้ช่วยในการผลิต
3. การสรา้ งแบบจำลอง (Simulation)
4. การบูรณาการระบบต่างๆ เขา้ ด้วยกัน (System Integration)
5. การเชือ่ มตอ่ อินเทอร์เน็ตของสรรพส่ิง (Internet of Things) ท่ีทำให้เปน็ อุปกรณส์ ามารถติดต่อกันได้
6. การรกั ษาความปลอดภยั ของขอ้ มูล (Cyber Security)
7. การประมวลผลแบบคลาวด์ (Cloud Computing)
8. การขึน้ รปู ชน้ิ งานด้วยเน้ือวัสดุ (Additive Manufacturing) เช่น การข้นึ รปู ช้นิ งานในเคร่ืองพิมพ์ 3 มิติ
9. เทคโนโลยีความจริงเสริม (Augmented Reality: AR) ที่ผสานเอาโลกแห่งความเป็นจริง เข้ากับ
โลกเสมือน ใช้สรา้ งแบบจำลอง Cyber-Physical
10. ข้อมูลขนาดใหญ่ (Big Data) คือ ชุดข้อมูลที่มีขนาดใหญ่และประกอบด้วยข้อมูลหลากหลาย
รปู แบบ มีท้งั การบนั ทกึ และจัดเก็บ การค้นหา การแบ่งปนั และการวเิ คราะห์ข้อมูล
เทคโนโลยที ี่สำคัญทส่ี ุดในยคุ นี้จะเปน็ ปญั ญาประดษิ ฐ์ หรือ Artificial Intelligence เรยี กส้ันๆ วา่ AI
1.2 AI Machine Learning และ Deep Learning คอื อะไร
โครงการพฒั นาชดุ ทดลองปญั ญาประดิษฐ์เพือ่ พัฒนาทกั ษะดา้ นดจิ ิทลั ของนักเรยี นและนักศกึ ษาในสายวิชาชพี อาชวี ศกึ ษาและสามัญศกึ ษา
(Open AI Kit for Thai Students) | 8
สำนกั งานคณะกรรมการดจิ ิทลั เพอ่ื เศรษฐกจิ และสงั คมแห่งชาติ
AI คือ การรวมความฉลาดของมนุษย์สู่เครื่องจักรผ่านโค้ด เทคนิค หรืออัลกอริทึม ที่ทำให้ระบบ
คอมพวิ เตอร์สามารถเลยี นแบบพฤติกรรมของมนุษย์ได้ และเมอื่ เครื่องจักรสามารถแก้ปัญหาหรือแก้อัลกอริทึม
ตามชุดคำสัง่ ท่ีสรา้ งไว้ไดส้ ำเรจ็ การทำงานน้ีเรียกวา่ “ปัญญาประดิษฐ์”
ในปัจจุบันคำว่า AI ถูกใช้กันอย่างแพร่หลาย และมีอีกสองคำที่เกี่ยวเนื่องกับ AI คือ Machine
Learning และ Deep Learning โดยทั่วไปคำว่า Machine หมายถึงเครื่องจักรเป็นเครื่องยนต์กลไก แต่
เครือ่ งจักรในดา้ นดจิ ทิ ลั ก็คือระบบคอมพิวเตอรน์ ัน้ เอง
AI จะสร้างขึ้นด้วยเทคนิคที่เรียกว่า Machine Learning กล่าวคือ AI จะเป็นเคร่ืองจักรที่ต้องเรียนรู้
ก่อน การเรียนรู้ต้องมีตัวอย่างที่ถูกต้องให้จำ เช่น Input เป็น a แล้ว Output เป็น p โดยตัวอย่างที่ว่านี้
จำเปน็ ตอ้ งมจี ำนวนมากจึงจะสามารถทำให้เคร่ืองจักรสามารถแกป้ ัญหาในรูปแบบนน้ั ๆ ไดอ้ ย่างถูกต้อง ดังน้ัน
AI ที่สร้างขึ้นดว้ ยวิธี Machine Learning จะเป็น AI ที่ทำงานแกป้ ญั หาเร่อื งเลก็ ๆ เพยี งเร่ืองเดยี ว
Machine Learning หรอื “เครอ่ื งจกั รเรียนรู้” เปน็ ซอฟตแ์ วร์หรือโปรแกรมคอมพิวเตอร์ มขี ั้นตอนใน
การคำนวณหรือการประมวลผล เรียกว่า อัลกอริทึม (Algorithm) ทำให้ AI ที่สร้างจาก Machine Learning
จะมีความฉลาดแบบจำกดั ทำงานเฉพาะบางอย่างเทา่ นนั้
ส่วน Deep Learning หรือ “เครื่องจักรเรียนรู้เชิงลึก” จะเป็นเทคโนโลยีที่เก่งขึ้น จะมีสายใยสมอง
เทียมหรือ Artificial Neuron Network คือ จำลองรูปแบบการประมวลผลของเซลล์ล์ประสาทสมองมนุษย์
ด้วยโมเดลคณิตศาสตร์เชื่อมโยงเป็นโครงข่าย เมื่อได้รับข้อมูลมา Deep Learning จะทำการแบ่งแยกข้อมูล
และรายละเอียดต่างๆ ที่ได้รับมาทั้งหมด แล้วนำมาประมวลผลหาจุดเด่นและจุดแตกต่างของข้อมูลในเชิงลึก
คล้ายกับการกรองข้อมูลเป็นชั้นๆ แล้วสรุปผลข้อมูลออกมาเป็น Output และตรวจสอบว่าข้อมูลนั้นส่งผล
อยา่ งไร ผิดหรอื ถกู 2
1.3 การใช้งาน AI กบั Machine Learning ใน Industry 4.0 ด้านใดบา้ ง
AI เปน็ เทคโนโลยที ปี่ ระเทศชัน้ นำของโลกแข่งขนั การวิจยั และพัฒนาอยา่ งเต็มท่ี เพราะเป็นเทคโนโลยี
เชิงรุกตอ่ เศรษฐกิจ การปอ้ งกนั ประเทศ และสงั คม
ตวั อยา่ งการนำ AI มาใช้ประโยชน์ ดงั นี้
2 https://blog.pttexpresso.com/get-to-know-deep-learning/
โครงการพัฒนาชุดทดลองปญั ญาประดิษฐเ์ พอื่ พฒั นาทกั ษะดา้ นดจิ ิทลั ของนักเรยี นและนักศกึ ษาในสายวชิ าชพี อาชวี ศึกษาและสามญั ศกึ ษา
(Open AI Kit for Thai Students) | 9
สำนักงานคณะกรรมการดิจทิ ลั เพ่อื เศรษฐกิจและสงั คมแห่งชาติ
ดา้ นการแพทย์
ปัญหาความขาดแคลนเครื่องมือและบุคลากรทางการแพทย์เกิดขึ้นทั่วโลก มีการนำเทคโนโลยี AI มา
ใช้เพื่อบรรเทาปัญหาและยังช่วยแพทย์ในการวินิจฉัยโรคได้อย่างแม่นยำมากยิ่งขึ้น ตัวอย่างเช่น โรงพยาบาล
บำรุงราษฎร์ ได้นำเทคโนโลยี AI ของ IBM ที่ชื่อว่า Watson มาช่วยวิเคราะห์การรักษาโรคมะเร็ง หรือ
โรงพยาบาลที่เซี่ยงไฮ้ ประเทศจีน ก็มีการใช้เทคโนโลยี AI จากบริษัท Infervision มาช่วยในการวินิจฉัยและ
เอก็ ซ์เรยโ์ รคมะเรง็ ปอด เปน็ ต้น
ด้านการเกษตร
ระบบเกษตรอัจฉริยะ หรือ Smart Farm เริ่มถูกนำมาใช้ในอุตสาหกรรมการเกษตรบ้างแล้ว โดยมี
วัตถุประสงค์เพื่อช่วยบรรเทาการใช้แรงงานมนุษย์และเพิ่มผลผลิตที่มีประสิทธิภาพ ตัวอย่างเช่น ฟาร์มปลูก
แตงกวาในญี่ปุ่นของ Makoto Koike ได้นำเทคโนโลยี Machine Learning และ Deep Learning ภายใต้
ระบบ Tensor Flow ของ Google พร้อมด้วย Raspberry Pi 3 มาใช้ในการคัดแยกแตงกวา ซึ่งให้ความ
ถกู ตอ้ งถงึ 95% สงู กว่าการใชค้ นท่ที ำไดเ้ พยี ง 70% เท่าน้ัน
โครงการพฒั นาชุดทดลองปัญญาประดษิ ฐ์เพือ่ พัฒนาทกั ษะดา้ นดิจทิ ัลของนกั เรยี นและนกั ศึกษาในสายวิชาชีพอาชวี ศึกษาและสามญั ศกึ ษา
(Open AI Kit for Thai Students) | 10
สำนกั งานคณะกรรมการดจิ ทิ ัลเพ่อื เศรษฐกิจและสงั คมแหง่ ชาติ
ด้านการประกนั ภยั
ตวั อย่างเช่น Fukoku Mutual บริษทั ประกันภัยของญีป่ ุ่น นำ IBM Watson ซึ่งเปน็ เทคโนโลยี AI มา
วิเคราะห์ข้อมูลผู้ถือกรมธรรม์ เพื่อพิจารณาเงินประกันท่ีผูถ้ ือกรมธรรม์ต้องจา่ ยกับในแต่ล่ะกรณีได้ โดยดูจาก
ประวัติทางการแพทย์เป็นหลัก และเชื่อมั่นว่าวิธีการน้ีทำให้ประสิทธิภาพในการทำงานเพิ่มขึ้น 30% และยัง
ช่วยลดค่าใชจ้ ่ายเงนิ เดือนพนักงานไดถ้ ึง 140 ล้านเยนตอ่ ปี ผลท่ีเกิดข้ึนเมื่อนำ AI มาใช้ บรษิ ทั ตัดสินใจเลิกจา้ ง
พนักงานในแผนกท่เี กี่ยวข้อง 34 คน
1.4 AI แบบทว่ั ไปและ AI แบบแคบ
AI แบ่งเป็นสองกลุ่ม คือ แบบทั่วไป (General AI) และแบบแคบ (Narrow AI) โดย AI แบบทั่วไป
สามารถแก้ปญั หาหลายประเภทได้อย่างชาญฉลาด ส่วน AI แบบแคบสามารถทำงานบางด้านไดด้ ีและบางคร้ัง
ทำได้ดีกว่ามนุษย์เสียอีก แม้ว่าจะมีข้อจำกัดบางด้านอยู่ก็ตาม เช่น ระบบการจำแนกรูปภาพของ Pinterest
ถือว่าเป็น AI แบบแคบ หรือระบบ AI ที่ควบคุมการขับเคลื่อนของรถไร้คนขับก็เป็น AI แบบแคบเช่นกัน
ปจั จุบนั AI แบบทั่วไปยังไม่มี
ววิ ัฒนาการ์ของ AI ยงั อยู่ในยุคที่เรียกวา่ Weak AI หรือในยุคท่ี AI มีความสามารถเฉพาะทางหรือเก่ง
ในบางเรื่องเท่าน้ัน ยังไมส่ ามารถทำได้หลายๆ ด้านเหมอื นกับมนุษย์ ถือเป็นชว่ งเร่ิมต้นของการพัฒนา และจะ
เปลี่ยนผ่านเข้าสู่ช่วง Strong AI ที่มีความสามารถเหนือมนุษย์นั้น เครื่องจักรจำเป็นต้องเรียนรู้วิธีการคิดของ
มนุษยท์ ้งั ในด้านเทคนคิ และกระบวนการจัดเกบ็ ข้อมลู ในสมอง
Machine Learning จำเป็นต้องเรียนรู้จากข้อมูล Input และ Output ที่ถูกต้องจำนวนมากจึงจะ
ทำงานได้ วิธีการเรียนรู้ทำได้หลายแบบ โดยทั่วไปมีสองรูปแบบ คือ 1) การเรียนรู้โดยมีผู้บังคับบัญชา
(Supervised) เครื่องจะเรยี นรู้และทำนายผลลัพธ์ไดจ้ ากการชว่ ยเหลือของนักวิทยาศาสตร์ข้อมูล และ 2) การ
เรียนรู้โดยไม่มีผู้บังคับบัญชา (Unsupervised) เครื่องจะเรียนรู้และทำนายผลได้จากการจำแนกและสร้าง
โครงการพฒั นาชดุ ทดลองปญั ญาประดษิ ฐ์เพื่อพัฒนาทักษะดา้ นดจิ ิทัลของนักเรียนและนกั ศึกษาในสายวิชาชพี อาชวี ศึกษาและสามญั ศึกษา
(Open AI Kit for Thai Students) | 11
สำนกั งานคณะกรรมการดิจิทลั เพื่อเศรษฐกิจและสงั คมแหง่ ชาติ
รูปแบบจากข้อมูลที่ได้รับ เมอ่ื เครอ่ื งสามารถทำนายผลลัพธ์จากชุดข้อมลู จำนวนมากได้มากเท่าไรก็จะยิ่งแสดง
ความสามารถในการเรียนร้เู ชงิ ลกึ มากขึน้ ดงั นั้นจะเห็นไดว้ ่า AI ตอ้ งมขี อ้ มูลไปฝึกให้ AI นนั้ เรียนรู้ถึงจะทำงาน
ได้ และในระหว่างขั้นตอนทำงาน AI ก็ต้องรับข้อมลู มาประมวลผลตามรปู แบบท่ีเรยี นรู้ จึงเป็นสาเหตุให้มลู ค่า
ของข้อมลู มีความสำคัญมาก
1.5 ประวตั ขิ องอตุ สาหกรรม AI (Artificial Intelligence)
ช่วงเริม่ ตน้ การกำเนิดของวทิ ยาการ AI
AI เป็นความฝันพวกมนุษย์ชาติที่จะสร้างเครื่องจักรที่สามารถทำงานได้และคิดได้เหมือนมนุษย์ เมื่อ
ค.ศ.1952 – 1956 มกี ารเริ่มประดิษฐ์เครื่องจักรคำนวณหรือเครื่องคอมพวิ เตอร์ท่ีใช้ในวงจรอิเล็กทรอนิกส์ ใน
ยุคนั้นเริ่มนำแนวคิดของสายใยประสาทของมนุษย์ท่ีเรียกว่านิวรอน (Neuron) มาสร้างเปน็ สมองกล แต่ในยุค
นั้นนิวรอนสามารถประมวลผลแค่ 0 หรือ 1 เท่านั้น ต่อมาในปี 1956 ได้มีการจัดงานประชุมท่ีวิทยาลัย
ดาร์ตมัธ (Dartmouth College) โดยผู้จัดงานประชุมนี้คือ Marvin Minsky (MIT), John McCarthy
(Stanford University), Claude Shannon (Bell Telephone Laboratories) แ ล ะ Nathan Rothschild
(IBM) ประเด็นหลักของงานประชุมนี้คือ การค้นหามุมมองและหลักการต่างๆ ที่ใช้การเรียนรู้อย่างครอบคลุม
เพื่อที่จะนำมาประยุกต์ใช้ให้เครื่องจักรสามารถเรียนรู้ได้เช่นกัน3 ในงานประชุมที่มีนักวิจัยชั้นนำใน
สหรัฐอเมริกา John McCarthy ได้ชักชวนทุกคนให้ยอมรับคำว่า “Artificial Intelligence” เป็นชื่อของ
วิทยาการแขนงนี้อย่างเป็นทางการ เกิดพลังขับเคลื่อนพันธกิจในการพัฒนา AI ถือว่าเป็นจุดกำเนิดของ
วทิ ยาการ AI
ยคุ ทองของ AI ยคุ แรก
ช่วง 1956-1974 ถือว่าเป็นปีทองของ AI โดยที่นักวิจัยทั้งหลายเชื่อมั่นวา่ สามารถสร้าง AI ที่สมบูรณ์
ได้ภายใน 20 ปี หน่วยงานเชน่ สำนักโครงการวิจัยขัน้ สูงด้านกลาโหม (The Defense Advanced Research
Projects Agency: DARPA) ของสหรัฐอเมริกา ให้เงินทุนวจิ ยั และพัฒนาอย่างมหาศาลแก่นักวิจัยในวิทยาการ
สาขานี้ งานวิจัยดา้ น AI จึงแตกแขนงไปหลายทิศทาง
• เน้นการแก้ปัญหา – นักวิจัย AI จะคิดค้นอัลกอริทึมที่สามารถแก้ปัญหาทั่วไปโดยอาศัยการค้นหา
เป้าหมายที่กำหนด แต่ต้องไปผจญกับปัญหาแบบที่จะแก้ได้ต้องใช้เวลามหาศาล หมายความว่าในการ
แก้ปญั หาขนาดใหญ่จะต้องใช้เวลาจำนวนไม่จำกดั อาจเปน็ ล้านปีถงึ จะแก้ได้
3 https://www.facebook.com/AIComunitys/posts/166913391711725/
โครงการพฒั นาชดุ ทดลองปญั ญาประดิษฐเ์ พอื่ พัฒนาทักษะดา้ นดิจทิ ลั ของนกั เรยี นและนักศึกษาในสายวิชาชพี อาชวี ศึกษาและสามัญศกึ ษา
(Open AI Kit for Thai Students) | 12
สำนักงานคณะกรรมการดิจิทัลเพอื่ เศรษฐกิจและสังคมแหง่ ชาติ
• การวิจัยด้านภาษามนุษย์ – ถ้า AI จะทำงานได้จริงต้องเข้าใจภาษามนุษย์ด้วย สามารถสื่อสารกับ
มนุษย์ได้ มีการคิดโปรแกรมสนทนาตามบทที่กำหนดในลักษณะ Decision Tree แต่ไม่สามารถสนทนานอก
บทได้
• การใช้แบบจำลอง Mini World – งานวิจัยที่นำโดย Marvin Minsky คิดแบบจำลองแทนสภาวะ
แวดล้อมจริงเพื่อให้สามารถสร้าง AI ที่ทำงานในสภาวะแวดล้อมที่มีตัวแปรน้อยลง งานวิจัยนี้นำไปสู่การ
ค้นคว้าเรือ่ ง Machine Vision ทคี่ วบคมุ แขนหุ่นยนต์
• ฝันเกินจริง – ในช่วงยุคต้นนี้ เทคโนโลยี AI ก้าวหน้าไปอย่างรวดเร็ว นักวิจัยในวงการนี้ เช่น
Herbert A. Simon หรือ Allen Newell เชื่อมั่นว่าภายใน 20 ปี AI จะสามารถทำงานเหมือนมนุษย์ 1 คน
ส่วน Marvin Minsky ก็เชื่อว่าภายในหนึ่งรุ่นของมนุษย์ชาติ ปัญหาการสร้าง AI จะถูกแก้ได้เกือบหมด และ
เมือ่ ปี ค.ศ.1970 เขายงั ไดบ้ อก Life Magazine ว่าภายใน 3-8 ปี จะมี AI ท่ที ำงานได้เหมอื นคนทั่วไป
ยคุ ตกต่ำ 1974 – 1980
ในยุคทศวรรษ 1970 วิทยาการดา้ น AI ถูกวิพากษ์วิจารณ์อย่างมาก เพราะนักวิจัยให้ความคาดหวังท่ี
สูง แต่ยังไม่สามารถสร้างขีดความสามารถนั้นได้ เงินทุนวิจัยด้าน AI เริ่มถดถอย งานวิจัยใหม่ เช่น Neural
Net เกือบไม่มีเงินทุนสนับสนุนเป็นเวลาร่วม 10 ปี ขณะเดียวกันก็มีงานวิจัยที่เริ่มใหม่ เช่น Logic
Programming และ Commonsense Reasoning โดยปัญหาในยุคนั้นอยู่ที่ว่า คอมพิวเตอร์ยังมีความเร็วต่ำ
เกินกว่าที่จะประมวลผลอย่างรวดเร็วเพื่อแสดงผลลัพธ์ที่แสดงถึงความฉลาด ถ้าจะใช้ซุปเปอร์คอมพิวเตอร์ก็
แพงเกนิ ไปและมีจำนวนตดิ ต้ังใชง้ านได้นอ้ ย
นอกจากนี้ปัญหาด้าน AI ที่สำคัญยังมีระดับความซับซ้อนแบบ NP-Complete คือต้องใช้เวลา
มหาศาลในการแก้และข้อมูลท่ีจัดเก็บได้ก็ไม่มาก ยังไม่สามารถจัดเก็บข้อมูลจำนวนมากในหนว่ ยความจำหลัก
ได้ ทำให้การประมวลผลเพื่อการจำลองการเรียนรูท้ ำได้ยาก ความล้อมเหลวท่ีเหน็ ได้ชัดเกิดจากงาน AI ที่ต้อง
ประมวลผลภาษาในดา้ นการแปล การพูด การทำความเขา้ ใจ ความหมาย ซึง่ เปน็ จดุ ปัญหาท่ีทำให้หน่วยงานให้
ทุนลม้ เลกิ ใหท้ นุ วิจยั ดา้ นนี้
ในช่วงยุดมืดนี้ก็มีนักวิจัยหลายค่าย หลายสำนักโต้แย้งเรื่องว่าการที่เครื่องจักรทำงานเป็น AI นั้น
เครอ่ื งจกั รก็ไมม่ ีความเข้าใจถงึ วัตถุตา่ งๆ ทีเ่ ครอื่ งจกั ร AI น้นั ต้องนำมาใช้หรือประมวลผลไมว่ ่าจะเป็น Gödel's
incompleteness theorems ที่บอกว่าระบบ AI จะไม่มีทางที่จะเข้าใจประเด็นบางอย่างที่มนุษย์ใช้ แต่
นักวิจัยด้านนี้ก็ยังคงยืนหยดั ที่จะหาทางแก้ปัญหาต่างๆ ที่ผจญมาในทิศทางเดิมซ่ึงแนวคิดบางอย่างก็เปน็ จุดท่ี
ทำใหเ้ กิด Object-Oriented Programming ในยุดถดั ไป
ยุคบมู ค.ศ 1980 – 1987
ในยุคทศวรรษ 1980 เกิดเทคโนโลยี Expert System ซึ่งบริษัทต่างๆ นำไปใช้ในการสร้างระบบ
บริหารองค์ความรู้ ซึ่งเป็นส่วนหนึ่งของระบบ AI และเนื่องจากระบบ Expert System มีการนำไปใช้จริงใน
ดา้ นต่างๆ เช่น การบริหารเครอื ขา่ ยดว้ ย Expert System ทำใหม้ ีเงนิ ทุนให้กับนักวิจยั AI ตอ่ ไป
Expert System แต่ละระบบจะบริหารจัดการองค์ความรู้เพือ่ แก้ปัญหาเฉพาะทาง ไม่ใช่เป็นความรู้ที่
ประยุกต์ใช้ทั่วไปได้ ในยุคนี้นอกจากเกิด AI ที่เรียกว่า Expert System ยังเกิดภาษา Prolog ที่ใช้เขียนระบบ
AI เงนิ ทนุ ก้อนใหญเ่ รม่ิ ไหลเข้าสู่วงการ AI อกี คร้ัง
โครงการพัฒนาชุดทดลองปัญญาประดิษฐเ์ พื่อพัฒนาทักษะดา้ นดิจทิ ัลของนักเรียนและนักศกึ ษาในสายวิชาชพี อาชวี ศึกษาและสามญั ศึกษา
(Open AI Kit for Thai Students) | 13
สำนกั งานคณะกรรมการดจิ ิทลั เพอ่ื เศรษฐกิจและสงั คมแหง่ ชาติ
ในยุคทศวรรษ 1980 นี้ ก็ทำให้เกิดการพัฒนา Neural Network โดยการฝึกอบรมนิวรัล เนต แบบ
Backpropagation ที่เสนอโดย Seppo Linnainmaa (1970) แล้วนำมาประยุกต์ใช้กับ Neural Network
โดย Paul Werbos เทคโนโลยีนี้เริ่มประยุกต์ใช้ในด้าน Optical Character Recognition และ Speech
Recognition
ยุคตกตำ่ ครั้งท่ี 2 1987 – 1993
ในช่วงนี้บริษัทด้าน AI มากกว่า 300 แห่ง ประสบล้มเหลวต้องปิดกิจการ ไม่ว่าเป็นบริษัทที่ชำนาญ
ด้าน Chip AI หรือ AI Software หรือระบบ Expert System ที่ทำงานเฉพาะด้านและไม่สามารถขยาย
ขอบเขตได้
AI ในยุค 1993 – 2011
ในยุคที่ผ่านมาทำให้ชื่อ AI ไม่สวยหรูในวงการธุรกิจอุตสาหกรรม เพราะเทคโนโลยีไม่สามารถสร้าง
มลู ค่าเพม่ิ แก่ธุรกิจอุตสาหกรรม แตเ่ ทคโนโลยีทีเ่ กิดจาก AI มกี ารนำไปใช้ในวงการต่างๆ แต่ไม่ไดใ้ ช้ชอื่ AI เช่น
การจดจำใบหน้า หรือผลงานไม่ใช่เชิงพาณิชย์ เช่น ระบบ Watson ของ IBM ชนะการตอบคำถามในรายการ
ชื่อ Jeopardy หรือเครื่อง Deep Blue ของ IBM สามารถเล่นหมากรุกได้ เป็นต้น ส่วนในโลกของธุรกิจ
อุตสาหกรรมเริ่มมีการใช้ Intelligent Software Agent ในการทำงานต่างๆ อย่างได้ผล ในสายตรงของ AI
เริ่มมีการนำโมเดลคณิตศาสตร์มาใช้ เช่น Bayesian Networks, Hidden Markov Model และ Neural
Network
AI เริ่มมีประโยชน์ในการแก้ปัญหาอุตสาหกรรม เช่น การทำเหมืองข้อมูล (Data Mining), หุ่นยนต์
อุตสาหกรรม, การขนสง่ , การสนทนา, การธนาคาร, การแพทย์ และเคร่อื งจกั รคน้ หากูเกลิ งานพวกนใ้ี ช้ AI แต่
AI ไม่ไดร้ ับเครดติ เพราะใช้บ่อยจนเปน็ สามัญธรรมดา ในปี 2005 หนงั สอื พิมพ์ The New York Times ตีพิมพ์
ว่า “นกั วิจัยและนกั พัฒนาซอฟต์แวร์หลกี เลยี่ งใชช้ ่อื AI เพราะกลัวว่าผู้ใชจ้ ะคดิ คน้ วา่ พวกเป็นคนชา่ งเพอ้ ฝนั ”
2011 – ปัจจุบัน
ในทศวรรษ 2010 ถึง 2020 นี้ Machine Learning และ Deep Learning ซึ่งอยู่บนฐานเทคโนโลยี
ของ Neural Network กลายเป็นเครื่องมือสำคัญในการสร้าง AI เฉพาะทางในการแก้ปัญหาได้เกือบทุกด้าน
ของธุรกิจอุตสาหกรรม ตลาดซอฟต์แวร์ AI จะโตถึง 126 พันล้าน USD ในปี ค.ศ.2025 โดยซอฟต์แวร์ AI จะ
ใช้ในด้านการประมวลผลภาษา งานหุ่นยนต์ และการประยุกต์ใช้ Machine Learning ในทุกกิจกรรมของ
มนุษย์ ได้แก่ ธุรกิจอุตสาหกรรมภาครัฐและเอกชน และด้านการป้องกันประเทศ (Statistics.com) สำหรับ
IDC ได้ประเมินขนาดตลาดไว้มากกว่า 300 พันล้าน USD ในปี ค.ศ.2024 และ 58% ขององค์กรใน
สหรัฐอเมริกาจะต้องนำ AI มาใช้ในภายใน 5 ปี (อ้างอิง : MIT Sloan Management Review, Sept 2018)
โดยมอี ตั ราเพ่ิมสะสมที่ 17.1% ตวั เลขของ IDC รวมทัง้ AI Application และระบบเครอื ข่ายที่ใชป้ ระมวลผล
สำหรับบรษิ ทั Start Up ทีไ่ ด้รบั เงินจากกลุ่มทนุ (Venture Capital) มากทส่ี ุดคอื Severe Time ของ
จีน โดยในปี 2019 เป็นจำนวนเงิน 1.63 พันล้าน USD เพื่อใช้ในการสร้างเทคโนโลยีด้านจำภาพ (Image
Recognition) รวมทงั้ จำใบหน้าและภาพ การวิเคราะหภ์ าพและวดี โี อทางการแพทย์ การประมวลผลระยะไกล
โครงการพฒั นาชดุ ทดลองปญั ญาประดิษฐ์เพือ่ พัฒนาทกั ษะดา้ นดิจทิ ัลของนักเรียนและนกั ศกึ ษาในสายวิชาชพี อาชวี ศึกษาและสามัญศึกษา
(Open AI Kit for Thai Students) | 14
สำนักงานคณะกรรมการดิจิทัลเพือ่ เศรษฐกจิ และสังคมแหง่ ชาติ
บทที่ 2
การประยุกต์ใช้ AI
2.1 AI ในชีวิตประจำวนั
AI เป็นเทคโนโลยีที่มีบทบาทสำคัญอย่างมากในหลายๆ ธุรกิจและอุตสาหกรรม เป็นเรื่องใกล้ตัวท่ี
แทรกเข้ามาอยู่ในชวี ิตประจำวนั นานแล้ว เช่น ระบบรักษาความปลอดภัยของท่าอากาศยาน การชำระเงินบน
เว็บอีคอมเมิร์ซ เปน็ ต้น นอกจากนี้เทคโนโลยี AI ยังชว่ ยแกป้ ญั หาและสรา้ งความสะดวกให้กับชีวิตคนเรา
• เทคโนโลยี AI จะทำการจัดเก็บข้อมูลและพฤติกรรมของผู้บริโภค ด้วยวิธีการและช่องทางท่ี
หลากหลาย เช่น โทรศพั ทม์ อื ถอื การจดจำใบหนา้ ผ่านกล้อง CCTV หรือวเิ คราะห์ความตอ้ งการจากพฤติกรรม
การใช้เว็บไซต์ ทำให้ AI สามารถคาดการณ์พฤติกรรมการของผู้บริโภคได้อย่างแม่นยำ เป็นประโยชน์ในการ
เสนอขายสินคา้ ใหต้ รงกบั ความต้องการของลูกคา้ มากทสี่ ุด
• เทคโนโลยี AI สามารถวเิ คราะห์ข้อมลู มหาศาลได้ด้วยตัวเอง และมปี ระสิทธิภาพมากกว่ามนุษย์มาก
โดย AI สามารถวิเคราะห์รูปแบบจากข้อมูลต่างๆ ได้อย่างรวดเร็ว ช่วยนำเสนอส่ิงท่ีตรงใจผู้บริโภคมากขึ้น ซ่ึง
ขอ้ มูลที่ไดจ้ ากการวิเคราะห์ของ AI จะเปน็ ข้อมลู ทเี่ จาะลึก สามารถวเิ คราะห์ถึงเหตผุ ลได้อย่างแม่นยำเพื่อช่วย
แกป้ ญั หาตา่ งๆ ไดเ้ ป็นอยา่ งดี
• เทคโนโลยี AI สามารถชว่ ยให้ผบู้ ริโภคคน้ หาสง่ิ ทต่ี ้องการจากภาพได้ เพียงแคอ่ พั โหลดภาพสนิ ค้า AI
ก็จะทำการการประมวลผลหาสินค้าที่ใกล้เคียงกันจากสี รูปร่าง ขนาด เนื้อผ้า เพื่อช่วยผู้บริโภคหาสินค้าที่
ตอ้ งการไดอ้ ยา่ งง่ายดายและรวดเรว็ แบบที่ไม่เคยมมี ากอ่ น
• เทคโนโลยี AI สามารถวเิ คราะห์ Dwell Times ซง่ึ คือเวลาทลี่ กู ค้าจดจ้องอยูก่ ับสนิ ค้าสงิ่ ใดนานๆ แต่
ไม่ได้มีการซื้อมาแต่อย่างใด แต่พอกลับมาที่บ้านเปิดคอมพิวเตอร์หรือสมาร์ทโฟน ก็จะเห็นโฆษณาของสินค้า
นนั้ ๆ
ตอนนี้หลายธุรกิจได้นำ AI เข้ามาใช้ และลดบทบาทในการทำงานของมนุษย์ลง ทำให้ในอนาคตจะมี
หลายตำแหน่งหน้าที่งานที่จะถูก AI เข้ามาทดแทน อย่างไรก็ตามสิ่งที่ AI ทำได้เพราะมีผู้เชี่ยวชาญ AI ที่เป็น
มนษุ ย์จรงิ ๆ เป็นผู้สร้างโมเดลหรือสูตรคณติ ศาสตรห์ รอื อลั กอริทมึ ท่ีใชส้ รา้ ง AI ในการแกป้ ัญหา ก่อนแก้ปัญหา
นั้นได้ก็ต้องมีการฝึกหรือสอน AI ก่อน การฝึกก็เป็นการเอาตัวอย่างการใช้งานที่มี Input และ Output ที่
ถูกต้องจำนวนมากไปให้ AI เรียนรู้ จนกระทั่งเมือ่ ใส่ Input แล้ว AI สามารถให้ Output หรือคำตอบท่ีถกู ต้อง
เชน่ 95 ครง้ั จาก 100 คร้ัง เป็นตน้
โครงการพฒั นาชุดทดลองปัญญาประดิษฐเ์ พ่ือพฒั นาทกั ษะดา้ นดจิ ทิ ัลของนักเรียนและนกั ศกึ ษาในสายวิชาชีพอาชวี ศกึ ษาและสามญั ศึกษา
(Open AI Kit for Thai Students) | 15
สำนกั งานคณะกรรมการดิจิทัลเพ่อื เศรษฐกิจและสังคมแห่งชาติ
2.2 รถยนต์ไรค้ นขับ
คำว่า Autonomous Car หรือรถยนต์ไร้คนขับ มาพร้อมกันกับยุคแห่งรถยนตไ์ ฟฟ้า ตัวอย่างรถยนต์
ไฟฟ้า Tesla ที่มีระบบ Auto Pilot ที่รถสามารถเคลื่อนตัวเองได้ เพียงแค่ระบุว่าต้องการไปที่ไหน รถก็
สามารถไปส่งถึงจุดหมายปลายทางได้ แต่ระบบ Autonomous Car ไม่ต้องเป็นรถยนต์ไฟฟ้าเท่านั้น จะใช้
พลังงานเชื้อเพลิงแบบใดก็ได้ แต่ขณะน้ีโลกกำลังมุ่งสู่การใช้ยานยนต์ไฟฟ้า ดังนั้นการพัฒนาระบบขับเคลื่อน
อตั โนมัติ ส่วนใหญจ่ งึ อยูบ่ นพืน้ ฐานการทำงานบนรถยนตไ์ ฟฟา้ เปน็ หลกั
Society of Automotive Engineers หรือ SAE International (หน่วยงานเดียวกันกับที่แบ่งเกรด
นำ้ มันเคร่อื ง) แบ่งการทำงานของระบบขับเคล่อื นอัตโนมตั ิไวท้ ้งั หมด 6 ระดับ ดังน้ี
ระดับ 0 SAE Automation Levels 0: No Automation – ระดับนี้ ตัวรถจะไม่มีระบบอัตโนมัติอยู่
เลย ผู้ขับขี่ที่เป็นมนุษย์จะทำหน้าที่ในการควบคุมเองทุกอย่าง เช่น พวงมาลัย เบรก คันเร่ง เป็นต้น เรียกว่า
ตง้ั แตร่ ถ Ford Model T จนถงึ ปัจจุบัน เป็นระดบั ทร่ี ถยนตส์ ่วนใหญ่จำหน่ายอยู่ในตอนนี้
ระดับ 1 SAE Automation Levels 1: Driver Assistance (Hands On) – ระดับนี้ ระบบขับเคลื่อน
อัตโนมัติจะเริ่มเข้ามาช่วยเหลือผู้ขับขี่ในการทำงานอย่างใดอย่างหนึ่ง ตัวอย่างเช่นระบบ Adaptive Cruise
Control ที่ควบคุมคันเร่งได้อัตโนมัติ Lane Keeping ที่ควบคุมพวงมาลัยให้อยู่ในเส้นทางเดินรถโดยอัตโนมัติ
โดยการทำงานของระบบอัตโนมัติจะไมท่ ำงานพรอ้ มกัน และคนขบั ยงั คงต้องเปน็ คนมองเสน้ ทางอยู่ และพร้อม
ที่จะกลับเข้าไปควบคุมได้ตลอดเวลา โดยทาง SAE ให้คำจำกัดความง่ายๆ ว่า Hands On หมายถึง ยังคงต้อง
จบั พวงมาลยั อยูต่ ลอดนนั่ เอง
โครงการพฒั นาชดุ ทดลองปัญญาประดษิ ฐเ์ พอื่ พฒั นาทกั ษะดา้ นดจิ ิทัลของนกั เรียนและนกั ศกึ ษาในสายวิชาชีพอาชวี ศึกษาและสามญั ศึกษา
(Open AI Kit for Thai Students) | 16
สำนักงานคณะกรรมการดจิ ทิ ัลเพื่อเศรษฐกิจและสังคมแห่งชาติ
ระดับ 2 SAE Automation Levels 2: Partial Automation (Hands Off) – ระบบนี้จะคล้ายกับ
Level 1 แต่ระบบขับเคลื่อนอัตโนมัติจะทำงานพร้อมกันตั้งแต่ 2 อย่างขึ้นไป ตัวอย่างเช่นระบบ Pilot Assist
ของ Volvo เมื่อตั้งระบบ Adaptive Cruise Control ให้ทำงาน ระบบจะทำการปรับระดับความเร็วให้
อัตโนมัติ ตามที่ตั้งค่าเอาไว้ และปรับความเร็วไปตามความเร็วของรถคันข้างหน้าได้ จากนั้นระบบก็จะเข้ามา
ควบคุมพวงมาลยั และเบรกดว้ ย ทาง SAE จึงนิยามในระดบั นว้ี ่า Hands Off หรือปลอ่ ยมือได้ แต่ผู้ขับขี่ยังคง
ต้องตรวจสอบเสน้ ทางด้วยสายตาตวั เองอยู่ตลอดเวลา และพรอ้ มกลบั เข้าไปควบคุมรถเองได้ทกุ วินาทเี ชน่ เดิม
ระดับ 3 SAE Automation Levels 3: Conditional Automation (Eyes off) – รถยนต์ไร้คนขับ
ระดับนี้ จะมีการเพิ่มความสามารถของระบบอัตโนมัติเขา้ ไปมากข้ึน เช่น การเร่งคันเรง่ การควบคุมพวงมาลยั
การเปลย่ี นเลน การเบรก การจอดเขา้ ซอง เป็นต้น รถจะทำหน้าที่เองทั้งหมดโดยอัตโนมตั ิ แตย่ ังคงไม่สามารถ
ทำงานได้ครบทุกส่วน 100% ดังนั้น ระบบนี้ยังคงต้องการผู้ขับขี่นั่งอยู่ในตำแหน่งคนขับอยู่ และพร้อมในการ
เข้าควบคุมรถได้ทุกเมื่อ ถ้าระบบต้องการความช่วยเหลือ จึงมีการนิยามระบบนี้ว่า Eyes Off หมายความว่า
คนขับสามารถปดิ ตาน่งั รถไปได้ แตถ่ า้ ระบบร้องให้เข้าควบคมุ เม่ือไหร่ คนขับต้องเขา้ รับหน้าที่ตอ่ ไดท้ นั ที ถือว่า
เป็นขั้นสูงสุดของรถยนต์ระบบขับเคลื่อนอัตโนมัติในปัจจุบัน ตัวอย่าง Auto Pilot ของ Tesla หรือ Audi A8
และยังไม่มกี ฎหมายของประเทศไหนท่ีอนุญาตให้ไม่ต้องมีคนน่ังอยูใ่ นตำแหน่งผู้ขบั ขี่
โครงการพฒั นาชดุ ทดลองปัญญาประดิษฐ์เพอื่ พัฒนาทักษะดา้ นดจิ ทิ ลั ของนกั เรียนและนักศึกษาในสายวิชาชพี อาชวี ศกึ ษาและสามัญศึกษา
(Open AI Kit for Thai Students) | 17
สำนกั งานคณะกรรมการดจิ ิทลั เพ่อื เศรษฐกจิ และสังคมแหง่ ชาติ
ระดับ 4 SAE Automation Levels 4: High Automation (Mind Off) – ในระดับนี้จะเป็นระบบที่
ไม่ต้องการความช่วยเหลือจากมนุษย์อีกต่อไป รถยนต์จะทำหน้าที่ในการขับเคลื่อนเองทั้งหมด ตั้งแต่เริ่ม
สตาร์ทรถ ไปจนดบั เครอ่ื งรถเมื่อถึงจุดหมายปลายทาง จึงมกี ารนิยามระดับนี้ว่า Mind Off ไมต่ อ้ งคิดอะไรเลย
ทำหน้าที่เป็นผู้โดยสารอย่างเดียว แต่ตัวรถยนต์จะยังเป็นรูปแบบเดียวกับรถยนต์ในปัจจุบัน มีการทดสอบ
รถยนต์ไรค้ นขบั ระดับนีก้ นั อยู่ ตวั อยา่ งเชน่ Waymo ของ Google หรือ Self-driving Car ของ Uber เปน็ ตน้
ระดับ 5 SAE Automation Levels 5: Full Automation (Steering Wheel Optional) – เป็นขั้น
สงู สดุ ของรถยนต์ขับเคลื่อนอัตโนมัติ คือ รถยนตท์ ีส่ ามารถขับเคล่ือนได้เองอย่างสมบูรณ์แบบ มนุษย์เป็นเพียง
ผโู้ ดยสาร เม่อื ถงึ จุดหมายปลายทางก็ลง ดงั นนั้ ในห้องโดยสารจงึ ไมจ่ ำเปน็ ตอ้ งมีพวงมาลัยเพ่ือใชใ้ นการควบคุม
ทาง SAE จึงนิยามว่า Steering Wheel Optional หรือพวงมาลัยเป็นเพียงตัวเลือกในการควบคุม ทำให้การ
ออกแบบเน้นเพ่ือความสะดวกสบายสูงสุด พวงมาลยั เป็นเพียงสว่ นประกอบท่ีซ่อนไวไ้ ม่ใหเ้ กะกะ คาดการณ์ว่า
เม่อื รถยนตไ์ รค้ นขบั ถงึ ระดับ 4 สามารถทำงานไดส้ มบูรณ์ ระดับ 5 ก็จะตามมาในระยะเวลาทไ่ี มน่ าน
โครงการพัฒนาชุดทดลองปัญญาประดษิ ฐเ์ พ่อื พัฒนาทกั ษะดา้ นดจิ ิทลั ของนกั เรียนและนักศกึ ษาในสายวิชาชพี อาชวี ศกึ ษาและสามญั ศกึ ษา
(Open AI Kit for Thai Students) | 18
สำนกั งานคณะกรรมการดจิ ทิ ัลเพื่อเศรษฐกิจและสังคมแหง่ ชาติ
2.3 AI ในภาคธรุ กจิ
ความสามารถท่ีเพิม่ ข้ึนของ AI ทำให้ธรุ กจิ เรม่ิ ต้ังคำถามว่าจะเอา AI ท่ชี าญฉลาดมาใชใ้ นการทำงานได้
อย่างไร ประโยชน์ของ AI กับการใช้งานในภาคธุรกิจอยู่ตรงไหนบ้าง เพราะองค์กรต่างๆ มีเทคโนโลยีเป็น
รากฐานของธุรกิจ และ AI เป็นเหมือนเครื่องมือที่เข้ามาสร้างความได้เปรียบทางการแข่งขัน จากการสำรวจ
ของ eMarketer ผู้บริหารในองค์กรใหญ่ๆ ไดใ้ ห้ความเห็นถงึ งานท่ี AI จะเข้ามาช่วยในธรุ กจิ ได้ คอื
1. ใช้วเิ คราะห์ขอ้ มลู ซับซอ้ นได้แม่นยำมากกว่า ข้อมลู ท่ีมคี วามซับซ้อนและมจี ำนวนมากมายมหาศาล
ที่ถูกเกบ็ จากเทคโนโลยีการจดั เก็บที่ทรงประสิทธิภาพ ไมใ่ ช่เรื่องง่ายหากจะใช้แรงงานคนทัง้ หมดในการจัดการ
และประมวลผล เพราะฉะนั้น AI จึงเป็นคำตอบที่ดีในการทำงานประมวลผลข้อมูลเหล่านั้นด้วยความถูกต้อง
แมน่ ยำ และนำเสนอไดภ้ ายในระยะเวลาจำกัด ตวั อย่างเช่น
ด้านการค้นหาในระบบออนไลน์ – สมัยก่อนบางครั้งผลลัพธ์ในการค้นหาอาจไม่ถูกต้อง ไม่ถูกใจ ไม่
เหมาะนำไปใช้งาน แต่ปัจจุบันการค้นหาใน Google แค่คีย์เวิร์ดคำเดียวก็สามารถหาข้อมูลที่ตรงใจได้ เพราะ
ระบบ AI สามารถวเิ คราะห์พฤติกรรมการใช้คำค้นหาหรือคีย์เวริ ์ด เพื่อใหส้ ามารถได้ข้อมูลที่ต้องการค้นหา ซึ่ง
แน่นอนวา่ ความผดิ พลาดมนี ้อยลงกว่าแตก่ ่อนมาก
ด้านการเงินการทุน – การเล่นหุ้นหรือการลงทุนจะรวดเร็วขึ้น เพราะปัจจัยการคิดและวิเคราะห์จาก
AI จะช่วยรวบรวมข้อมูลทั้งหมดที่สำคัญและนำมาประมวลผลหาโอกาสหรือความเป็นไปได้ในการลงทุนที่ทำ
ใหไ้ ด้ผลกำไรในระยะเวลาอนั ส้นั
ด้านสุขภาพ – การวิเคราะห์หรือตรวจหาโรคจะทำได้รวดเร็วและแม่นยำขึ้น คำว่าป่วยระยะสุดท้าย
หรือเกินเยียวยาด้วยสาเหตุการวิเคราะห์ล่าช้าจะกลายเป็นเรื่องล้าสมัย เพราะ AI สามารถทำการสแกนเพ่ือ
คน้ หาจุดผดิ ปกติ รวมถึงการให้คำแนะนำกบั แพทยเ์ พื่อใช้ในการพิจารณาได้ เคยมกี ารทดลองใช้ AI ตรวจสอบ
มะเร็งเต้านมในสหรัฐอเมริกา ระบบ AI สามารถตรวจพบความผิดปกติที่อาจก่อให้เกิดมะเร็งเต้านม และช่วย
ให้ผู้หญิงกว่า 52% สามารถหายจากโรคมะเร็งก่อนทีแ่ พทยจ์ ะตรวจพบ
ด้านการตรวจสอบสิ่งผิดกฎหมายออนไลน์ – ขณะที่อีคอมเมิร์ซกำลังเติบโตอยู่ การซื้อขายสินค้าผิด
กฎหมายรวมไปถึงการฟอกเงินเกิดขึ้นง่ายมาก สินค้าออนไลน์กว่าล้านชิ้นจะตรวจสอบกันอย่างไรให้ถูกต้อง
และรวดเรว็ AI สามารถเรียนรู้และตรวจสอบได้ว่าสินคา้ ประเภทใดผิดกฎหมาย รวมถึงตรวจสอบรายละเอียด
ของผซู้ ื้อและผ้ขู าย เพ่อื วิเคราะหว์ า่ การซือ้ ขายในแตล่ ะคร้ังมีข้อพิรธุ อะไรท่ีนำไปสกู่ ารฟอกเงินหรือไม่
ด้านการรักษาความปลอดภัยของข้อมูล – ปัจจุบันมีมัลเเวร์ (Malware) เกิดขึ้นใหม่กว่า 3 แสนไฟล์
ทุกวัน ซ่ึงมีความแตกต่างกันไม่เกิน 10% ทำให้การตรวจสอบติดตามทำได้ยากมาก แต่ระบบ AI สามารถ
แยกแยะได้ทันทีว่าไฟล์ไหนเป็นมัลแวร์คุกคาม โดยเฉพาะปัจจุบันนี้มีการใช้งานระบบคลาวด์มากขึ้น ทำให้
ระบบ AI ยิง่ มีความสำคัญในการตรวจสอบขอ้ มูล
โครงการพฒั นาชุดทดลองปญั ญาประดษิ ฐเ์ พื่อพฒั นาทกั ษะดา้ นดิจิทัลของนกั เรียนและนกั ศกึ ษาในสายวิชาชีพอาชวี ศึกษาและสามญั ศกึ ษา
(Open AI Kit for Thai Students) | 19
สำนักงานคณะกรรมการดจิ ิทัลเพอ่ื เศรษฐกิจและสงั คมแหง่ ชาติ
2. เปิดโอกาสในการ “สร้างสรรค์” บริการและความประทับใจให้กับลูกค้าได้มากกว่าเดิม การ
สร้างสรรค์รูปแบบบริการใหม่ๆ ได้จากการสนับสนุนการทำงานของ AI ตัวอย่างเช่น Chatbot ที่สามารถเพิ่ม
ลูกเล่นในการรับมือกับลูกค้าและให้บริการได้จากข้อมูลการถามตอบกับลูกค้า หรือการที่ AI สามารถ
ประเมินผลพฤติกรรมผู้บริโภค ประวัติการซื้อทั้งก่อน ระหว่าง และหลังการซื้อเหล่านี้ สามารถนำข้อมูลมา
ใชไ้ ด้อยา่ งถกู ตอ้ งเพ่ือเลือกขายสนิ คา้ ที่ตรงใจมากขน้ึ แถมยังชว่ ยสรา้ งประสบการณ์ท่ถี ูกจริตผ้บู รโิ ภคแต่ละคน
ได้มากกว่าเดมิ
สำหรับกลยุทธ์การตลาดและการสร้างความประทับใจต่อคนยุคใหม่ที่ชอบหาข้อมูลด้วยตัวเอง AI
สามารถช่วยสร้างแบรนด์ด้วยภาพลักษณ์ที่ทันสมัยน่าสนใจได้ เริ่มตั้งแต่สามารถช่วยสร้างเว็บไซต์ที่สวยงาม
ครบด้วยการใช้งานที่เหมาะกับกลุ่มลูกค้าเป้าหมายและลูกค้าตัวจริง ช่วยทำ SEO ให้ได้ผลดี ตอบโจทย์การ
ค้นหาของลูกค้าได้ดีขึ้น ทั้งช่วยสร้างและเชื่อมโยงเนื้อหาที่ดึงดูดผู้อ่านได้มากขึ้น ไปจนถึงช่วยให้การส่งเสริม
สินคา้ และทำโฆษณามปี ระสทิ ธิภาพโดนใจลกู คา้
3. ช่วยเจ้าของธุรกิจให้ตัดสินใจได้ดีขึ้น AI เป็นเรื่องที่น่าสนใจในธุรกิจเพราะ AI สามารถทำงาน
ประมวลผลจากข้อมูล นำมาวิเคราะห์และตัดสินใจโดยอ้างอิงจากข้อมูลที่เคยมีมาก่อน เพื่อหาทางเลือกท่ี
คุ้มค่าที่สุด มีความเสี่ยงน้อยที่สุด หรือใช้เวลาน้อยที่สุดได้ โดยการค้นหาทางเลือกท่ีเกิดประโยชน์สูงสุดจาก
ข้อมูลที่มีอยู่ เพื่อช่วยการตัดสินใจเรื่องยากๆ จากข้อมูลที่ต้องใช้ประกอบการตัดสินใจจำนวนมหาศาล ซ่ึง
แตกต่างกันอย่างสิ้นเชิงกับของมนุษย์ เพราะ AI ไม่ได้นำเรื่องของอารมณ์ ความชอบ รสนิยม ความคิดเห็น
ความสัมพันธ์ส่วนตัว หรือการวัดดวงมาใช้ เพราะมนุษย์ใช้สติปัญญาและประสบการณ์ในการตัดสินใจ แต่ก็
แฝงด้วยสญั ชาติญาณและความรู้สกึ ทอี่ ยใู่ นตวั
2.4 AI ในอตุ สาหกรรม
AI เป็นอีกหนึ่งเทคโนโลยีสำคัญที่ถูกกล่าวถึงในยุคของการพัฒนาอุตสาหกรรม 4.0 ในอุตสาหกรรม
การผลิตระดับโลก เช่น Siemens, General Electric, Hitachi หรือ Boeing มีการนำ AI เข้ามาใช้ใน
กระบวนการผลิต โดยมีเป้าหมายสำคัญเพื่อเพิ่มประสิทธิภาพการผลิต ลดต้นทุน ยืดอายุการใช้งานของ
เครื่องจกั ร บรหิ ารจัดการห่วงโซอ่ ุปทาน ควบคมุ คณุ ภาพและความปลอดภัย
ปัจจุบันการใช้ AI ในอุตสาหกรรมการผลิตเชิงพาณิชย์ทั่วโลกยังอยู่ในช่วงเริ่มต้น เป็นการใช้ AI ที่มี
ความสามารถเฉพาะทางหรือที่เรียกว่า “Artificial Narrow Intelligence” ซึ่งมุ่งพัฒนาให้ AI มีความชำนาญ
เฉพาะด้าน ตวั อยา่ งเช่น การตรวจจับและวเิ คราะหค์ ณุ ภาพสินค้า หรือการตรวจสอบการทำงานของเครอ่ื งจักร
โครงการพฒั นาชดุ ทดลองปัญญาประดิษฐเ์ พ่ือพัฒนาทกั ษะดา้ นดิจทิ ัลของนกั เรยี นและนักศึกษาในสายวิชาชีพอาชวี ศึกษาและสามัญศึกษา
(Open AI Kit for Thai Students) | 20
สำนกั งานคณะกรรมการดจิ ิทัลเพ่อื เศรษฐกิจและสังคมแห่งชาติ
เพือ่ พยากรณก์ ารซ่อมบำรุงล่วงหนา้ ซ่งึ การนำ AI มาปรบั ใชค้ วบค่กู ับเทคโนโลยีในกระบวนการผลิต มี 4 แบบ
ทีน่ า่ สนใจ
เทคโนโลยีแรก คือ การให้ AI วิเคราะห์และประเมินโอกาสที่จะเกิดปัญหาหรือความเสียหายของ
เคร่ืองจักรในกระบวนการผลิต หรอื คาดการณ์การซ่อมบำรงุ ลว่ งหน้าจากข้อมลู ของเคร่ืองจกั รอยา่ งต่อเน่ือง ท่ี
เรยี กวา่ “AI-enhanced Predictive Maintenance”
เทคโนโลยีที่สอง คือ การสร้างแบบจำลองกระบวนการผลิตคู่ขนานไปกับการผลิตจริง หรือ “Digital
Twin” โดยใช้ AI วิเคราะหแ์ ละคาดการณ์ปญั หาที่อาจเกิดขึ้นในกระบวนการผลติ ผา่ นการทำงานควบคู่ไปกับ
การเก็บขอ้ มลู แบบ real-time ของระบบคลาวด์ และ IoT
ตัวอย่างเช่นบริษัท GE ผลิตเครื่องจักรปั่นไฟใช้กับเขื่อน โดย GE จะมีทั้งเครื่องจักรปั่นไฟตัวจริงและ
เครื่องจักรปั่นไฟที่เป็นโมเดล 3D (Digital Twin) ซึ่งสามารถจำลองการทำงานของเครื่องจักรจริงผ่านการ
ตอ่ เช่อื มขอ้ มลู ถึงกันเพ่ือให้มีสภาพแวดล้อมการทำงานเหมือนกัน เพื่อทีเ่ คร่อื งจักรจำลองสามารถทดลองหาจุด
ที่มีปญั หาหรือทดลองผลการปรบั เปลย่ี นตัวแปรก่อนนำไปใชก้ บั เครื่องจักรจรงิ
เทคโนโลยีที่สาม คือ การนำ AI มาช่วยวเิ คราะห์กระบวนการผลิต และคำนวณการสั่งซือ้ วตั ถุดิบหรอื
ชิ้นส่วนต่างๆ รวมไปถึงการจำลองเหตุการณ์กรณีการปรับเพิ่ม-ลดผลิตภัณฑ์ในสายการผลิต ที่เรียกว่า “AI-
enhanced Supply Chain Management”
เทคโนโลยีสุดท้าย คือ “Human-robot Collaborative” โดยให้ AI เข้ามาควบคุมและเรียนรู้ใน
ระบบ Machine Learning ของเคร่ืองจักรหรือหุ่นยนต์อตุ สาหกรรม เพอื่ ใหเ้ กิดการเรียนรู้อย่างรวดเร็วในการ
ทำงานร่วมกับมนุษย์ และลดโอกาสในการเกิดอุบัติเหตุภายในโรงงาน จากการศึกษาของ McKinsey พบว่า
การนำ AI เข้ามาใช้ในกระบวนการผลิตจะช่วยเพิ่มประสิทธิภาพในการผลิตได้ 20% ลดระยะเวลาการหยุด
ผลิตเพื่อซ่อมบำรุงได้ 20% อีกทั้งยังสามารถลดความผิดพลาดในการจัดการระบบห่วงโซ่อุปทานได้มากถึง
50% สอดคล้องกับรายงานของ General Electric ในปี 2016 ที่พบว่า การนำ AI มาปรับใช้ควบคู่กับ
เทคโนโลยีข้างต้น ช่วยเพิ่มประสิทธิภาพการผลิตของโรงงานในอินเดียได้ 18% ลดระยะเวลาซ่อมบำรุงของ
โรงงานในมิชแิ กนได้มากกว่า 20% และลดคา่ ใชจ้ ่ายในการสง่ั ซื้อช้ินสว่ นได้มากกวา่ 80 ลา้ นดอลลาร์สหรัฐเลย
ทเี ดยี ว
โครงการพฒั นาชดุ ทดลองปัญญาประดิษฐ์เพือ่ พัฒนาทักษะดา้ นดจิ ทิ ัลของนกั เรียนและนักศกึ ษาในสายวชิ าชีพอาชวี ศกึ ษาและสามญั ศึกษา
(Open AI Kit for Thai Students) | 21
สำนกั งานคณะกรรมการดิจทิ ลั เพ่อื เศรษฐกจิ และสังคมแหง่ ชาติ
2.5 ความน่ากังวลของ AI ในอนาคต
ขณะทหี่ ลายบริษทั ใหญ่ในโลกกำลงั ทุ่มเทวิจยั และพัฒนา AI นน้ั ความวติ กกังวลว่า หาก AI ทำงานได้
ดีมาก ต่อไปจะเข้ามาแทนที่แรงงานคน เกิดภาวะตกงาน หรือหาก AI ฉลาดขึ้นเรื่อยๆ มนุษย์จะอยู่กับ AI
อยา่ งไร
สิ่งเดียวเกิดขึ้นอยู่ตลอดเวลาในชีวิตของมนุษย์ก็คือการเปลี่ยนแปลง และการเปลี่ยนแปลงดังกล่าว
กำลังเกิดขึ้นเร็วกว่าที่เคยเป็นมา หาก AI จะต้องเป็นก้าวต่อไปสำหรับการทำธุรกิจที่ไม่อาจหลีกเลี่ยงได้ สิ่งที่
เป็นขอ้ ด-ี ขอ้ เสยี คอื อะไร?
ขอ้ ดีของ AI
1. ช่วยในการพัฒนาประสิทธิภาพ ความสามารถประมวลผลข้อมูลจำนวนมาก และการหาผลลัพธ์ที่
ถกู ต้อง แมน่ ยำ รวดเร็ว
2. เพื่อขจัดความผิดพลาดของมนุษย์ (Human Error) เพราะ AI ทำงานที่ได้รับการออกแบบมาอย่าง
ไมเ่ หนด็ เหน่ือย
3. สามารถขยายขนาดของปัญหาได้เกือบไม่จำกัด โดยที่ AI ยังสามารถทำงานที่มอบหมายได้โดยไม่
ผิดพลาด
4. เป็นเทคโนโลยีอัจฉริยะ (Smart Technology) เพราะสามารถประมวลข้อมูลทุกมิติ ทุกทิศทาง
และเรียนรู้ถึงวิธีการที่เหมาะสมที่สุด ทำงานตามกฎเกณฑ์ที่กำหนดและยังสามารถเรียนรู้และปรับตัวเอง ใน
อนาคต AI จะถกู นำมาใช้เพื่อให้บริการอตั โนมัติมีประสิทธภิ าพมากย่ิงขึน้ จากรถยนต์ที่สามารถขับเคลื่อนด้วย
ตัวเอง (Self-Driving Car) โดยใช้ AI ในการสำรวจถนนและส่งิ กดี ขวาง ไปจนถงึ เมืองอจั ฉรยิ ะ (Smart City) ท่ี
คาดว่าจะช่วยปรบั ปรงุ สภาพแวดล้อม เพิ่มประสทิ ธิภาพใหป้ ระชากรสามารถอยู่อาศัยด้วยคณุ ภาพชวี ิตท่ีดขี นึ้
ขอ้ เสยี ของ AI
1. ปัญหาการเลิกจ้างงานอาจจะเป็นข้อเสียอันดับหนึ่งของ AI ที่ถูกเน้นย้ำตลอดเวลา เพราะไม่
สามารถทำงานได้ดีกว่าเครื่องจักร ตำแหน่งงานที่ต้องใช้แรงงาน เช่น สายงานด้านการผลิตและขนส่ง มีการ
คาดการณว์ า่ จะมีการปลดพนักงานออกมากที่สุด แต่ก็มีบางสาขาอาชีพท่ีคาดการณ์ไว้ลว่ งหน้าว่าจะได้รับผลดี
ไดแ้ ก่ งานบริการดา้ นสุขภาพและการเรียนการสอน
2. หัวหน้าที่เป็นหุ่นยนต์ ตัวอย่างเช่น บริษัท IBM ได้นำ AI และ Watson Analytics มาใช้ในการ
ตัดสินใจว่าพนักงานมีความคุ้มค่าต่อการเพิ่มขึ้นของเงินที่จะจ่ายไปหรือไม่ ทั้งในส่วนของโบนัสหรือการเลื่อน
ตำแหนง่ โดยดูจากประสบการณแ์ ละผลงานในช่วงท่ผี า่ นมาของพนกั งาน เพือ่ ตดั สนิ คณุ ภาพและทกั ษะของแต่
ละคน ทอ่ี าจจะเป็นประโยชน์แก่บรษิ ัทในอนาคตข้างหนา้
โครงการพัฒนาชดุ ทดลองปัญญาประดษิ ฐ์เพือ่ พัฒนาทักษะดา้ นดจิ ทิ ัลของนักเรยี นและนักศกึ ษาในสายวชิ าชพี อาชวี ศกึ ษาและสามัญศึกษา
(Open AI Kit for Thai Students) | 22
สำนกั งานคณะกรรมการดิจทิ ลั เพื่อเศรษฐกิจและสังคมแหง่ ชาติ
3. AI อาจมีความลำเอยี ง ท้ังนโ้ี มเดลท่ีสรา้ งขน้ึ มาและข้อมลู ฝกึ AI ท่ใี ช้อาจจะมบี างส่วนของข้อมูลที่มี
ความลำเอียงทีเ่ ก่ียวกบั เพศ สี ผิว หรือคุณลักษณะบางอยา่ งของมนษุ ย์ ซึ่งทำให้ AI ถูกฝึกให้จำแบบผิดๆ การ
ใช้ AI ดังกล่าวจะมีปัญหาได้โดยมนุษยท์ ี่ดูแล AI นั้นไมร่ ู้
4. การที่ AI ตัดสินใจผิดทาง อาจจะทำให้ AI ค่อยๆ มุ่งเข้าไปในทิศทางที่ไม่พึงประสงค์ ยกตัวอย่าง
ภาพยนตร์ไซไฟเรื่อง Terminator ที่ AI ถูกสร้างเพื่อรักษาสันติภาพของโลก แต่เมื่อ AI ประมวลผลแล้วว่าตัว
ปัญหาคอื มนุษย์ ดงั นัน้ สิ่งที่ AI ตอ้ งทำคอื ยดึ อำนาจจากมนษุ ย์
5. ข้อผิดพลาดที่มนุษย์สร้างขึ้นนั้น แม้ว่า AI จะสามารถขจัดข้อผิดพลาดดังกล่าวออกจาก
กระบวนการได้เกือบทั้งหมด แต่อาจยังคงหลงเหลืออยู่ในรหัสคำสั่งพร้อมกับอคติและความลำเอียง โดยส่วน
ใหญ่จะพบอยู่ในขั้นตอนวิธีหรืออัลกอริทึม เมื่อประมวลผลจะทำให้เกิดผลกระทบในเชิงลบต่อประชากรบาง
กลุ่มหรือการเลือกปฏบิ ัติตอ่ ผู้คนได้
โครงการพัฒนาชุดทดลองปญั ญาประดิษฐ์เพ่ือพัฒนาทกั ษะดา้ นดจิ ทิ ลั ของนกั เรยี นและนกั ศกึ ษาในสายวิชาชพี อาชวี ศกึ ษาและสามัญศึกษา
(Open AI Kit for Thai Students) | 23
สำนกั งานคณะกรรมการดิจทิ ลั เพอ่ื เศรษฐกิจและสังคมแห่งชาติ
บทท่ี 3
หลักการทำงานของโมเดลและเทคนคิ การฝึกสอน Machine Learning
3.1 โมเดลของ Machine Learning
Machine Learning เป็นซอฟต์แวร์ที่สามารถเรียนจากตัวอย่างและปรับปรุงเพื่อให้ได้ผลลัพธ์ที่ถูกต้อง
เมื่อรับ Input เข้ามาประมวลผล ทง้ั นี้ Machine Learning ไม่ใช่โปรแกรมหรอื ซอฟตแ์ วร์ท่ีเขียนขนึ้ มาประมวลผล
แบบมีขั้นตอนแล้วให้ผลลัพธ์ แต่ Machine Learning ต้องเรียนรู้การทำงานโดยจดจำจากข้อมูลที่รับเข้ามาและรู้
ว่าผลลัพธ์คืออะไร จนกระทั่งสามารถทำงานเองได้ งานท่ี Machine Learning ทำส่วนใหญ่จะเป็นการจำแนก
ทำนาย แนะนำ เชน่ ทำนายวา่ ผ้ซู ือ้ ทเ่ี ข้าไปเยยี่ มเว็บไซตค์ าดว่าจะซื้ออะไร หรอื เม่อื ดรู ูปแบบของการเบิกเงินของผู้
ตอ้ งสงสัย จะคาดทำนายวา่ อาจจะเปน็ การฟอกเงนิ หรอื ไม่ เปน็ ต้น
โปรแกรม Machine Learning แตกตา่ งการเขยี นโปรแกรมทัว่ ไปอย่างไร
การเขียนโปรแกรมเพื่อหาคำตอบจะเป็นการประมวลผลจากข้อมูลที่เข้ามาแล้วถูกเปล่ียนแปลงตามกฎท่ี
กำหนดแลว้ กจ็ ะได้ผลลัพธ์
ภาพ 3.1
แต่โปรแกรมของ Machine Learning นั้น จะเรียนรู้จากชุดข้อมูล Input และ Output ที่ถูกต้อง
จนกระทั่งไดก้ ฎเกณฑ์ด้วยตัวเองว่า ถ้ามี Input แบบนี้แล้ว Output ที่ถูกต้องควรตอ้ งเป็นอะไร เพราะ Machine
Learning เคยจำไดว้ ่าเคยถกู ฝึกด้วย Input แบบน้ันจงึ แน่ใจวา่ Output ที่ถูกคืออะไร
โครงการพฒั นาชุดทดลองปญั ญาประดษิ ฐ์เพอื่ พฒั นาทกั ษะดา้ นดจิ ทิ ัลของนักเรยี นและนักศึกษาในสายวิชาชีพอาชวี ศกึ ษาและสามัญศกึ ษา
(Open AI Kit for Thai Students) | 24
สำนักงานคณะกรรมการดิจิทัลเพือ่ เศรษฐกจิ และสงั คมแหง่ ชาติ
คำถามวา่ ถา้ Machine Learning รับ Input ทีไ่ มเ่ คยเหน็ มากอ่ นจะหา Output ที่ถกู ต้องได้หรือไม่
ภาพ 3.2
Machine Learning เปน็ ซอฟตแ์ วร์คอมพิวเตอร์แบบหน่ึง มคี ณุ ลักษณะเฉพาะ มีข้ันตอนทสี่ ามารถเรียนรู้
จากข้อมูลที่ป้อนเข้าไป Machine Learning เหมือนเด็กท่ีต้องสอน สอนไปแล้วอาจจำไม่ได้ Machine Learning
สอนไปแล้วจะจำได้ แต่ก็ต้องสอนด้วยจำนวนตัวอย่างที่มากพอ เมื่อ Machine Learning เจอสถานการณ์แบบ
เดียวกนั กใ็ ห้คำตอบได้ แตถ่ ้าเจอสถานการณ์ทีไ่ ม่เหมือนกบั ตวั อย่างท่ใี ห้จำก็ต้องใช้วธิ คี าดคะเน ผลลพั ธ์ทไี่ ด้จึงอาจ
ถูกหรอื ผิด ไม่ร้อยเปอร์เซน็ ต์
เพราะฉะนั้นซอฟต์แวร์ที่ใช้ทั่วไปถูกเขียนขึ้นเพื่อทำงานตามที่กำหนด แต่ซอฟต์แวร์ที่ใช้สร้าง Machine
Learning นั้น จะเรียนรู้และสร้างกฎเกณฑ์การทำงานจากข้อมูลที่ป้อนให้ เปรียบเสมือนสอนให้เครื่องจักรทำงาน
กอ่ น จากน้ันจงึ ค่อยใหท้ ำงานจรงิ
ตัวอย่างการสรา้ ง Machine Learning เพื่อพิจารณาว่าจะให้สนิ เชื่อกับผู้กหู้ รือไม่ ขั้นตอนแรก ต้องเตรียม
ข้อมูลในอดีตของลูกค้าท่ีมากู้เงินแล้วเกิดหนี้เสียและที่ไม่เกิดหนี้เสีย จากนั้นก็จับคู่เป็นกรณีว่า นาย ก มีประวัติ
แบบนี้ กู้เงินแล้วไม่เกิดหนี้เสีย ส่วนนาย ข มีประวัติแบนนี้ กู้เงินแล้วเกิดหนี้เสีย เพื่อนำไปใช้ในโปรแกรม
Machine Learning เพอื่ ให้ไดโ้ มเดลทที่ ำงานทีพ่ ิจารณาสนิ เช่อื
Input ประวตั คิ นกู้ Machine ได้ โมเดลการ
ผลของการกู้
Learning พจิ ารณาสนิ เชื่อ
ภาพ 3.3
3.2 โมเดลการเรยี นรู้และขอ้ มลู ฝกึ
ซอฟต์แวร์หรือโปรแกรมของ Machine Learning ที่ทำงานตามที่ฝึก จะเรียนรู้กฎเกณฑ์จากข้อมูลฝึกท่ี
ปอ้ นให้ โดยทีไ่ ม่ต้องเขยี นโปรแกรมใหม่ เรยี กวา่ โมเดล
อัลกอริทึม (ข้ันตอนงาน) ของ Machine Learning แต่ละแบบ มีดงั น้ี
• Regression – โมเดลทใ่ี ชต้ วั แปรต่อเนื่องเปน็ เสน้ ตรง
• Regression Lugistion – โมเดลใช้จำแนกสง่ิ ของ
• Decision Tree – โมเดลใช้ตวั แปรตอ่ เนือ่ งและการจำแนกสงิ่ ของ
• Naïve Bayes - โมเดลใช้จำแนกข้อมูลและโมเดลที่ใชต้ วั แปรต่อเนอ่ื ง
โครงการพฒั นาชุดทดลองปัญญาประดิษฐ์เพือ่ พฒั นาทกั ษะดา้ นดจิ ทิ ลั ของนักเรียนและนกั ศกึ ษาในสายวิชาชีพอาชวี ศึกษาและสามัญศึกษา
(Open AI Kit for Thai Students) | 25
สำนักงานคณะกรรมการดิจิทัลเพ่อื เศรษฐกจิ และสงั คมแห่งชาติ
• Support Vector Machine (SVM) โมเดลใช้จำแนกสงิ่ ของ
• Random Forest โมเดลแบบ Decision Tree แต่ดกี ว่า
• K-means Clustering โมเดลใช้จำแนกขอมลู
• K-Nearest Neighbor (KNN) โมเดลใช้จำแนกขอ้ มูล
โมเดลการเรยี นรทู้ ต่ี อ้ งสรา้ งขึน้ มานี้เปน็ เร่ืองของข้อมลู ต้องมีจำนวนมากพอ หากมีน้อยโมเดลก็ให้คำตอบ
ผดิ ๆ ถูกๆ ถ้ามขี ้อมูลฝึกมาก Machine Learning จะใหค้ ำตอบที่ถูกต้องได้แม่นยำข้ึน โดยปกตถิ ้าหาข้อมูลท่ีใช้ฝึก
Machine Learning ได้ 100% จะใช้ 80% ของข้อมูลไว้ฝึก Machine Learning และข้อมูลอีก 20% ไว้ทดสอบ
ว่าโมเดลการทำงาน Machine Learning นั้นให้คำตอบถูกหรือผิดกี่เปอร์เซ็นต์จากชุดข้อมูลทดสอบ ถ้าถูกหมดก็
สามารถนำโมเดลน้ันไปใชง้ าน แต่ถ้ามีผดิ พลาด เช่น 5% กต็ ้องประเมนิ วา่ จะยอมรับไดห้ รอื ไม่
ข้อมูลที่นำมาใช้ใน Machine Learning ประกอบด้วย 3 ส่วน การขาดส่วนใดส่วนหนึ่งจะทำให้การสรา้ ง
โมเดลหรอื สูตรมปี ระสิทธิภาพท่ตี ่ำได้
ข้อมูลชุดแรก เรียกว่า ข้อมูลสอนหรือข้อมูลฝึกสอน (Training Data) ประกอบด้วยวัตถุเข้า มักจะเป็น
เวกเตอร์ (Vector)4 และผลลัพธ์ที่ต้องการ โดยผลจากการเรียนรู้นี้จะเป็นฟังก์ชันที่อาจจะให้ค่าต่อเนื่อง (เรียกว่า
การถดถอย หรอื Regression) หรอื ใช้ทำนายประเภทของวตั ถุ (เรียกวา่ การแบง่ ประเภท หรอื Classification)
ข้อมูลชุดที่สอง เรียกว่า ข้อมูลตรวจสอบ (Validation Data) เป็นข้อมูลที่ใช้ในการตรวจสอบผลจากการ
เรียนรู้ และนำไปปรับปรุงเพื่อให้ได้ผลการเรียนรู้ท่ีถูกต้องแม่นยำมากยิ่งขึ้น ข้อมูลตรวจสอบ มีการใช้ควบคู่กับ
ขอ้ มลู สอน และผลท่ไี ดจ้ ะเปน็ สูตรท่ีจะนำไปใชง้ าน
ข้อมูลสุดท้าย เรียกว่า ข้อมูลทดสอบ (Test Data) เป็นข้อมูลที่ใช้วัดประสิทธิภาพของขั้นตอนวิธี หรือ
อลั กอรทิ ึม หรือสูตร หรอื โมเดล ทไ่ี ดจ้ ากการปรับค่าต่างๆ จากชดุ ขอ้ มูลสอนกบั ชดุ ข้อมูลตรวจสอบ
3.3 หลักการของครอสวาลเิ ดชัน (Cross Validation)5
4 เวกเตอร์ (Vector) เป็นปริมาณในทางคณิตศาสตร์ และฟิสกิ ส์ ปรมิ าณเวกเตอรป์ ระกอบไปด้วยขนาด (Magnitude) และทศิ ทาง (Direction) ซ่งึ
สามารถใช้ดำเนินการทางคณติ ศาสตร์บนปรภิ ูมิเวกเตอร์ (Vector Space) ตา่ งจากปริมาณสเกลาร์ (Scalar Quantity) ท่ีอธิบายปรมิ าณด้วยขนาดเพียง
อยา่ งเดียว
5 Cross Validation คอื เคร่ืองมอื ทช่ี ว่ ยให้เราตัดสินใจไดว้ า่ เราควรแบง่ ขอ้ มูลสว่ นไหนไปเปน็ Training Data
โครงการพัฒนาชุดทดลองปญั ญาประดษิ ฐเ์ พื่อพัฒนาทักษะดา้ นดจิ ทิ ลั ของนักเรยี นและนักศึกษาในสายวชิ าชพี อาชวี ศกึ ษาและสามญั ศกึ ษา
(Open AI Kit for Thai Students) | 26
สำนกั งานคณะกรรมการดิจิทลั เพือ่ เศรษฐกิจและสังคมแห่งชาติ
หลกั การ Machine Learning มสี องอยา่ งดว้ ยกันคอื การเรยี นรู้ (Learning) และการอนุมาน (Inference)
ดังนั้น การสร้าง Machine Learning ให้ทำงานแบบใดแบบหนึ่ง ต้องมีข้อมูลฝึก จากนั้นเมื่อสามารถจดจำและ
สร้างกฎเกณฑ์ท่ีนำมาใช้แก้ปัญหาได้แล้ว Machine Learning จะแปลงความสัมพันธ์ของขอ้ มูลท่ีฝึกตนเองให้เปน็
กฎเกณฑข์ องโมเดลที่ใช้แก้ปญั หาทก่ี ำหนด การแปลงดงั กลา่ วต้องอาศยั การอนุมาน (Inference)
เมื่อโมเดลถูกสร้างขึ้นมาแล้ว มีการทดสอบกับข้อมูลที่ไม่เคยพบเจอมาก่อน โดยข้อมูลที่นำมาทดสอบ
เหลา่ นีถ้ กู แปลงให้เป็นเวกเตอรข์ องคณุ ลักษณะ (Feature Vector) ส่งไปให้โมเดลประมวลผลและทำการพยากรณ์
ออกมา โดย Machine Learning ไม่จำเปน็ ตอ้ งเพมิ่ เติมกฎใดๆ ก็สามารถใชโ้ มเดลทำการอนุมานข้อมลู ใหม่ๆ เพื่อ
ทำนายผลต่อไปได้
การนำข้อมูลเพื่อนำไปฝึกสอนหรือฝึกทดสอบ มีหลายเทคนิคแต่ในที่น้ีจะกล่าวถึงเทคนิคครอสวาลิเดชัน
ซง่ึ เปน็ เทคนคิ เพื่อใช้ในการแบ่งข้อมูลเพ่ือนำไปทดสอบประสทิ ธิภาพของโมเดล มกี ารแบง่ ข้อมูลออกเป็นจำนวน K
ส่วน ในแต่ละส่วนต้องมาจากการสุ่มเพื่อให้ข้อมูลกระจายเท่าๆ กัน เช่น K-fold Cross-Validation คือ ทำการ
แบง่ ข้อมลู ออกเปน็ K สว่ น โดยท่ีแตล่ ะสว่ นมีจำนวนขอ้ มูลเท่ากนั
ค่า K คือ จำนวนกลุ่มข้อมูลที่จะแยกจากชุดข้อมูลทั้งหมด ทางปฏิบัติถ้ามีข้อมูล 100 แล้วจะใช้ K = 10
หรือ 10-Fold Cross Validation ทำเพอ่ื ฝกึ Machine Learning ให้สามารถทำงานไดด้ เี มื่อพบ Input เปน็ ข้อมูล
ทไ่ี มเ่ คยได้รับการฝกึ มากอ่ น
วธิ กี าร
1. เอาข้อมลู มาเขยา่ เพ่ือใหข้ ้อมูลทงั้ กลุ่มเรียงกันเอาไมม่ ีระเบยี บที่สุด (Random)
2. แยกชุดขอ้ มูลเป็น 1 กลุม่
3. สำหรับแตล่ ะกลมุ่
1) ใช้เปน็ Test Data Set
2) เอากลุม่ ท่ีเหลอื เปน็ Learning Data Set เอาไวฝ้ กึ
3) เม่อื ฝึกแล้วแล้วไดโ้ มเดลแล้ว ก็ทดสอบด้วยกลมุ่ ขอ้ มูลท่ีเป็น Test Data Set
4) เกบ็ คะแนนไว้ (% ความถูกต้อง) แลว้ ทงิ้ โมเดลน้ัน
4. ทำแบบข้อ 3 สำหรับทุกกลุ่มข้อมูลหมุนเวยี นเปลีย่ นไป (ทุกกลุ่มจะได้เป็นข้อมูลฝึก K-1 ครั้งและเปน็
กลุ่มทดสอบ 1 ครงั้ )
5. สรปุ ผลคะแนน
ตัวอย่าง
- สมมตมิ ีชุดขอ้ มูล (12,13,14,21,35,42)
- ทำ 3-Fold Cross Validation
- แบ่งขอ้ มลู เป็น 3 กลุ่ม โดยเขยา่ ชดุ ข้อมูล สมมตไิ ดช้ ุด 11 [35,13,12,14,21,42]
ดังน้นั จะได้กลุ่ม
กลุ่มท่ี 1 : [35,15]
โครงการพัฒนาชุดทดลองปัญญาประดิษฐเ์ พอื่ พัฒนาทักษะดา้ นดิจทิ ลั ของนกั เรียนและนักศกึ ษาในสายวิชาชพี อาชวี ศึกษาและสามัญศึกษา
(Open AI Kit for Thai Students) | 27
สำนักงานคณะกรรมการดิจทิ ัลเพ่ือเศรษฐกิจและสงั คมแหง่ ชาติ
กลุ่มที่ 2 : [12,14]
กลุ่มท่ี 3 : [21,42]
เพราะฉะนน้ั จะฝึกทงั้ สิ้น 3 คร้ัง ดงั นี้
คร้ังท่ี 1 ได้ Model 1 ใชช้ ุดฝึกกลุม่ 1, กลมุ่ 2 และทดสอบด้วยกลมุ่ 3 ได้คะแนน 1
ครั้งที่ 2 ได้ Model 2 ใชช้ ดุ ฝกึ กลุ่ม 2, กลุม่ 3 และทดสอบดว้ ยกลมุ่ 1 ไดค้ ะแนน 0
คร้งั ที่ 3 ได้ Model 3 ใชช้ ุดฝึกกลมุ่ 1, กลุ่ม 3 และทดสอบดว้ ยกลมุ่ 2 ไดค้ ะแนน 2
สรปุ แล้วจะใช้โมเดล 3 ในการทำงาน
3.4 ตวั อยา่ งครอสวาลเิ ดชัน (Cross Validation)
จากรูปแบ่งข้อมูลสอนออกเป็น 5 ส่วนที่มีจํานวนเท่ากัน หลังจากนั้นทําการทดสอบประสิทธิภาพของ
โมเดล 5 ครงั้ ดงั นี้
รอบที่ 1 ใชข้ ้อมูลสว่ นท่ี 2, 3, 4 และ 5 สรา้ งโมเดลและใชโ้ มเดลทํานายขอ้ มลู สว่ นท่ี 1 เพอ่ื ทำการทดสอบ
โครงการพฒั นาชุดทดลองปัญญาประดิษฐเ์ พอื่ พัฒนาทักษะดา้ นดจิ ทิ ลั ของนักเรยี นและนกั ศึกษาในสายวิชาชพี อาชวี ศึกษาและสามัญศกึ ษา
(Open AI Kit for Thai Students) | 28
สำนกั งานคณะกรรมการดจิ ทิ ลั เพอ่ื เศรษฐกิจและสังคมแหง่ ชาติ
รอบที่ 2 ใชข้ ้อมูลส่วนท่ี 1, 3, 4 และ 5 สรา้ งโมเดลและใชโ้ มเดลทํานายขอ้ มูลสว่ นท่ี 2 เพอ่ื ทำการทดสอบ
รอบที่ 3 ใช้ข้อมลู สว่ นที่ 1, 2, 4 และ 5 สรา้ งโมเดลและใชโ้ มเดลทํานายขอ้ มูลสว่ นที่ 3 เพื่อทำการทดสอบ
โครงการพฒั นาชดุ ทดลองปัญญาประดษิ ฐ์เพื่อพัฒนาทักษะดา้ นดจิ ิทัลของนักเรียนและนกั ศึกษาในสายวิชาชีพอาชวี ศกึ ษาและสามัญศึกษา
(Open AI Kit for Thai Students) | 29
สำนักงานคณะกรรมการดจิ ทิ ลั เพ่ือเศรษฐกจิ และสังคมแห่งชาติ
รอบท่ี 4 ใชข้ ้อมลู สว่ นที่ 1, 2, 3 และ 5 สร้างโมเดลและใชโ้ มเดลทํานายขอ้ มลู ส่วนที่ 4 เพอื่ ทำการทดสอบ
รอบที่ 5 ใชข้ ้อมูลส่วนท่ี 1, 2, 3 และ 4 สรา้ งโมเดลและใช้โมเดลทํานายข้อมูลสว่ นท่ี 5 เพื่อทำการทดสอบ
3.5 สรุปครอสวาลเิ ดชนั (Cross Validation)
ครอสวาลิเดชัน เป็นเทคนิคหนึ่งที่สำคัญเพราะมีประโยชน์มากในการเลือกชุดข้อมูลที่จะมาฝกึ Machine
Learning โดยทั่วไปถ้ามีชุดข้อมูลจำนวนมากแล้วแค่เลือกมาสุ่มๆ จำนวนหนึ่งก็อาจจะได้ข้อมูลที่ลำเอียงหรือไม่
เปน็ ตวั แทนของข้อมูลท้ังหมด เมอื่ นำฝึก Machine Learning โมเดลทีไ่ ด้อาจทำงานหาคำตอบได้ไม่แม่นยำ อีกท้ัง
เทคนิคทีใ่ ช้สรา้ ง Machine Learning ก็มีหลายชนดิ ควรเลอื กใช้เทคนิคทเ่ี หมาะสม
K-fold Cross Validation เปน็ เครอื่ งมือหนง่ึ ท่ีชว่ ยใหส้ รา้ งโมเดล Machine Learning เพราะ
• ส่วนใดของชุดข้อมูลควรเป็นข้อมูลฝึก
โครงการพัฒนาชุดทดลองปัญญาประดิษฐ์เพ่ือพฒั นาทกั ษะดา้ นดจิ ิทลั ของนกั เรยี นและนักศึกษาในสายวิชาชพี อาชวี ศกึ ษาและสามัญศกึ ษา
(Open AI Kit for Thai Students) | 30
สำนักงานคณะกรรมการดจิ ิทลั เพื่อเศรษฐกิจและสังคมแหง่ ชาติ
• ส่วนใดของชดุ ขอ้ มลู ควรเปน็ ขอ้ มูลทดสอบ
โปรแกรมทีใ่ ช้ทำเรื่องครอสวาลิเดชัน จะเป็นชุดโปรแกรมไลบรารี่ทีเ่ ขียนมาให้ทำงานเรื่องนี้ เบื้องต้นตอ้ ง
เข้าใจวธิ ีการใสข่ ้อมูล การต้งั คา่ ตา่ งๆ ให้โปรแกรมทำงาน และตอ้ งเข้าใจวธิ ไี ดผ้ ลลัพธ์ออกมาวิเคราะห์
สรุปวา่ ครอสวาลิเดชัน ชว่ ยเปรยี บเทยี บชดุ ขอ้ มูลทจ่ี ะใชฝ้ ึกและทดสอบวา่ ชุดไหนได้ผลลัพธ์ดีท่ีสุด ซึ่งต้อง
มีการคำนวณวา่ คา่ ความผดิ พลาดของการใชช้ ดุ ขอ้ มูลด้วย โดยเลอื กใช้ชดุ ข้อมลู ทีผ่ ดิ พลาดนอ้ ยที่สดุ
โครงการพัฒนาชดุ ทดลองปญั ญาประดษิ ฐเ์ พอื่ พัฒนาทักษะดา้ นดิจิทลั ของนกั เรยี นและนกั ศึกษาในสายวิชาชพี อาชวี ศึกษาและสามญั ศกึ ษา
(Open AI Kit for Thai Students) | 31
สำนกั งานคณะกรรมการดจิ ทิ ัลเพอ่ื เศรษฐกจิ และสงั คมแหง่ ชาติ
บทท่ี 4
การจดั เตรียมข้อมลู และการทำความสะอาดข้อมูล
วัตถุประสงค์ เพื่อเรียนรู้รูปแบบข้อมูลที่จะใช้สำหรับการสอน โมเดล ของ การเรียนรู้ของเครื่อง
(Machine learning) และการจดั การกบั ชุดขอ้ มูลตา่ ง ๆ โดยประกอบดว้ ยหัวขอ้ ดังน้ี
4.1 รปู แบบข้อมูลท่ีต้องเตรยี ม
4.2 การแบ่งชดุ ขอ้ มลู
4.3 การใช้งานข้อมูลแตล่ ะชดุ
4.4 หลักการในการวัดผลจากชดุ ขอ้ มูล
4.1 การเตรยี มและเลอื กขอ้ มลู
การเตรียมข้อมูลหรือ Data Preparation สำหรับ Machine Learning เป็นขั้นตอนแรกที่สำคัญ ต้องมี
การเตรียมข้อมูลฝึกให้ Machine Learning ทำงาน จากนั้นก็ต้องมีการประเมินว่าโมเดลที่ได้นั้นทำงานได้จริง
หรือไม่ ถ้ายังทำงานมีข้อผิดพลาดมากจะต้องมีการเตรียมข้อมูลเพิ่มเพื่อมาฝึก Machine Learning ต่อ แล้วก็
ประเมินใหม่อีก ทำแบบนี้จนกระท่ัง Machine Learning ทำงานถูกต้องหรือทำงานไดเ้ กือบ 100% เป็นที่ยอมรับ
ได้ จึงนำไปใช้งาน
ภาพที่ 4.1
โครงการพัฒนาชดุ ทดลองปัญญาประดษิ ฐ์เพื่อพัฒนาทกั ษะดา้ นดิจิทลั ของนกั เรยี นและนักศกึ ษาในสายวชิ าชพี อาชวี ศึกษาและสามัญศึกษา
(Open AI Kit for Thai Students) | 32
สำนักงานคณะกรรมการดิจิทัลเพ่ือเศรษฐกิจและสงั คมแห่งชาติ
โดยปกติการเตรียมขอ้ มูลจะตอ้ งมีการทำความสะอาดข้อมูลก่อน เพราะข้อมูลเรื่องเดียวกันอาจมีรูปแบบ
ต่างกันไป ข้อมูลที่นำมาใช้นั้น 80% จะใช้ในการฝึกให้ Machine Learning ทำงานตามโมเดลที่ออกแบบไว้ ส่วน
อีก 20% ของข้อมลู ใช้ในการทดสอบว่า Machine Learningที่ ไดร้ ับฝกึ มาน้ันทำงานตามท่อี อกแบบไวห้ รอื ไม่
ชุดข้อมลู (x, y) โดย x เปน็ ขอ้ มูลทีจ่ ะนำมาใช้และ y เป็นผลลพั ธ์ที่เกิดจากค่า x ผา่ นการประมวลผลแบบ
ใดแบบหนึ่งในทางคณิตศาสตร์ เบื้องต้นเขียนว่า y = f(x) ในขั้นฝึกนั้นจะใช้ค่าต่างๆ ของ x แล้วให้ Machine
Learning คำนวณค่า f(x) ซ่งึ ก็คือ y ในเทคโนโลยี Machine Learning ระบบจะจำค่าชุดข้อมูล (x, y) ท่ไี ด้ทั้งหมด
น่นั คือถ้ามกี ารป้อน Input x ใดๆ เชน่ คา่ xi กจ็ ะได้ผลลพั ธ์เป็น f(xi) ซงึ่ เทา่ กับ yi
ก่อนนำข้อมูลมาใช้ในการฝึก Machine Learning จะต้องนำมาทำความสะอาดก่อน กระบวนงานน้ี
เรยี กวา่ Data Pre-Processing ประกอบดว้ ยการทำความสะอาดข้อมลู การดูวา่ ขอ้ มูลน้ันมีจำนวนเพยี งพอหรือไม่
การสกัดเอาคา่ ลกั ษณะใดลักษณะหน่งึ ออกมา การขยายคณุ สมบตั บิ างอย่าง การใช้ตวั อย่างจำนวนหนง่ึ
ภาพท่ี 4.2
การรวมกลุ่มข้อมูลและการลดมิติ (คุณสมบัติหลัก) ของข้อมูล สมมติว่า x เป็นรูปแบบของบ้าน ส่วน y
เป็นราคา ตวั อย่างเชน่ Machine Learning ทส่ี รา้ งขึ้น จะรบั ข้อมูลว่าเป็นบ้าน 3 ช้นั ผนังปนู หนา้ ตา่ ง กระจก 10
บาน ลานหลังบ้าน ฯลฯ จากนั้นจะมีการประมวลผลและบอกได้ว่าบ้านหลังนั้นจะมีราคา 4 ล้าน ข้อมูล x คือ
คณุ สมบัตมิ ากมายทนี่ ำมาใชไ้ ด้ ขอ้ มลู ท้งั หมดทน่ี ำมาใชจ้ ะอยู่ในรปู แบบ (x, y) เรยี กว่า Data Set
4.2 Feature Engineering
การฝึก Machine Learning อาจจะต้องใช้ชุดข้อมูลจำนวนหลายพันหรือหลายล้านชุด ในการฝึก
Machine Learning ข้อมูลฝึกยิ่งมากยิ่งดี แต่ข้อมูลที่ใช้ก็ต้องเป็นข้อมูลที่ถูกต้องและไม่ลำเอียง Machine
Learning จะสามารถนำสิ่งที่จำได้ไปขยายผลในหลักการ กรณีทั่วไปที่นำไปหาคำตอบสำหรับ Input ที่ไม่เคยพบ
เห็นเข้ามา โดยการอนุมานคำตอบที่ถูกต้องได้ ดังนั้น ถ้าใช้ข้อมูลฝึกที่ไม่ถูกต้องไม่เป็นแบบฉบับก็จะทำให้
Machine Learning สบั สนให้คำตอบไม่ได้
โครงการพัฒนาชดุ ทดลองปัญญาประดิษฐเ์ พ่ือพัฒนาทกั ษะดา้ นดิจทิ ัลของนักเรียนและนักศกึ ษาในสายวิชาชีพอาชวี ศกึ ษาและสามัญศกึ ษา
(Open AI Kit for Thai Students) | 33
สำนักงานคณะกรรมการดิจิทลั เพ่อื เศรษฐกิจและสงั คมแหง่ ชาติ
ตัวอยา่ งกรณขี อ้ มลู บา้ น 8% ของข้อมูลไม่ไดร้ ะบจุ ำนวนหน้าต่าง หรือขอ้ มูลประชากร 15% ไมไ่ ดร้ ะบอุ ายุ
ถา้ เป็นส่วนหนงึ่ ของข้อมลู ชว่ งฝึกกจ็ ะทำใหโ้ มเดลไมส่ มบรู ณ์ และถ้าเปน็ ช่วงใช้งาน ถ้ามี Input เข้าไปในโมเดลของ
Machine Learning ใหห้ าราคาบ้าน Machine Learning จะต้องใชร้ าคาเฉลย่ี แทนคำตอบ
ตัวอยา่ ง
XY
เช้ือชาติ สงู นำ้ หนัก จะอยู่ถึง 70 หรือไม่
ฝรง่ั 186 90 Y
แอฟริกัน 185 98 N
เอเชีย 175 80 N
แอฟรกิ ัน 180 Y
เอเชยี 178 72 N
ฝรงั่ 172 75 Y
ฝรง่ั 90 N
แอฟรกิ ัน 186 95 Y
ตัวอย่างนี้เป็นชุดข้อมูลสำหรับ Machine Learning ที่จะทำนายว่าจากเชื้อชาติ ส่วนสูง และน้ำหนัก จะ
อยู่รอดถึงอายุ 70 หรือไม่ ในตารางนี้มีบางช่องที่ข้อมูลหายไป ซึ่งอาจจะใช้ค่าเฉลี่ยของข้อมูลกลุ่มนั้น แทนได้
อย่างไรก็ตามการทำนายของ Machine Learning จะต้องมีการใช้ข้อมูลจำนวนมาก จึงจะสามารถทำนายได้
ถูกต้องย่งิ ขน้ึ ชดุ ขอ้ มลู นี้จะต้องหาจากแหลง่ ต่างๆ แลว้ ทำการสกดั มาใช้
การหาข้อมูลฝึก Machine Learning จะต้องใช้ข้อมูลที่มีความหมาย วิธีการหาเรียกว่า Feature
Engineering โดยมขี นั้ ตอนประกอบดว้ ย
• เลอื กคุณสมบตั ิขอ้ มลู ที่ต้องการ
• สกัดเอาข้อมลู ทต่ี ้องการ และอาจรวมกับขอ้ มลู อ่นื เพอ่ื ให้ได้ขอ้ มูลทม่ี ีความหมายดขี น้ึ
• หาคณุ ลกั ษณะอ่ืน (ใหม)่ ท่ีตอ้ งใช้จากขอ้ มูลใหมท่ ี่หาได้
4.3 Feature Scaling
ปญั หาท่ีอาจเกิดคือข้อมูลแตล่ ะชดุ ที่ได้มามสี เกลต่างกัน เชน่ ขอ้ มลู ชุดท่ี 1 อาจจะเป็นขอ้ มูล 1 ถึง 1,000
แตข่ ้อมลู อีกชดุ อาจเปน็ 10 ถึง 10,000 ซงึ่ จะทำให้ Machine Learning ทำงานผิดได้ วธิ ีการแกค้ ือ ทำให้คา่ ทุกชุด
ใหอ้ ยู่ในช่วงเดยี วกนั เชน่ อยู่ในชว่ งท่ี 0 ถึง 1 ซ่งึ เทคนิคทใ่ี ช้แกป้ ญั หาเร่ืองนกี้ ็มี 2 เทคนคิ ได้แก่ เทคนคิ มาตรฐาน
คือ ให้ข้อมูลทุกชุดให้อยู่ในรปู แบบ Normal Distribution และอีกวิธคี ือ นอร์มัลไลเซชัน (Normalization) ให้ค่า
ทกุ ชุดอยู่ในชว่ ง 0 ถงึ 1
โครงการพัฒนาชุดทดลองปัญญาประดิษฐเ์ พื่อพฒั นาทกั ษะดา้ นดจิ ทิ ัลของนกั เรียนและนักศึกษาในสายวชิ าชีพอาชวี ศกึ ษาและสามญั ศึกษา
(Open AI Kit for Thai Students) | 34
สำนักงานคณะกรรมการดจิ ทิ ลั เพื่อเศรษฐกิจและสังคมแหง่ ชาติ
ตัวอยา่ ง แสดงชดุ คา่ 1 ถึง 5 ในรปู แบบ Standardized และ Normalize
Input Standardized Normalize
0.0 -1.336306 0.0
1.0 -0.801784 0.2
2.0 -0.267261 0.4
3.0 0.267261 0.6
4.0 0.801784 0.8
5.0 1.996306 1.0
คำศัพท์ที่ใช้บอ่ ยในด้านการเตรยี มขอ้ มูลฝกึ Machine Learning 4 คำ
1. ข้อมูลลาเบลและข้อมูลฝึก (Labeled data or Training Data) ข้อมูลที่ใช้ในการฝึก Machine
Learning (ประมาณ 80% ของขอ้ มูล)
2. ข้อมูลที่ไม่ลาเบล (Unlabeled Data) เป็นข้อมูลที่ใช้การเรียนของ Machine Learning แบบ
Unsupervised
3. ข้อมูลทดสอบ (Test Data) เป็นข้อมูลที่ใช้ทดสอบ (จำนวน 20%) ที่เก็บไว้ทดสอบว่า Machine
Learning ทำงานถูกตอ้ งตามสมมติฐานหรอื ไม่
4. ข้อมูลทดสอบความถูกต้อง (Validation Data) เป็นข้อมูลใหม่ในการทดสอบ Machine Learning
ตามสมมตฐิ านว่าถกู ต้องจริง
ขอ้ มูลท่จี ดั เก็บมาจะประกอบด้วย
1) ขอ้ มลู ขนาดใหญ่ เปน็ ขอ้ มลู จากระบบ IT เช่น จากระบบ ERP, SCM, CRM, MRP เป็นต้น
2) ข้อมลู ขนาดเลก็ เปน็ ข้อมลู จากอุปกรณม์ ือถอื นาฬิกา เครื่องตรวจสขุ ภาพ
3) ขอ้ มลู ดาร์ค (Dark Data) ข้อมลู จากเซนเซอรอ์ ินเทอรเ์ นต็
ตวั อยา่ ง Data Set ทใ่ี ช้ในการทดสอบ ML
1) MNIST Dataset
- เป็น Dataset ของ NIST (National Institute of Standards and Technology) ประเทศ
สหรฐั อเมรกิ า
- เป็นชุดข้อมูล จำนวน 70,000 ตัวเลขที่เขียนด้วยมือ สำหรับทดสอล Machine Learning ที่ใช้
จดจำตวั เลขท่ีเขยี นดว้ ยมือ
โครงการพัฒนาชุดทดลองปัญญาประดิษฐเ์ พอื่ พัฒนาทกั ษะดา้ นดจิ ิทลั ของนักเรียนและนักศกึ ษาในสายวิชาชพี อาชวี ศึกษาและสามัญศึกษา
(Open AI Kit for Thai Students) | 35
สำนกั งานคณะกรรมการดิจิทัลเพอื่ เศรษฐกิจและสังคมแหง่ ชาติ
ภาพท่ี 4.3
ที่มา : https://upload.wikimedia.org/wikipedia/commons/thumb/2/27/MnistExamples.png/440px-MnistExamples.png
2) CIFAR-10 Dataset
- CIFAR-10, CIFAR-100 เปน็ labelled subset 80 Million Tiny Images Dataset
- CIFAR-10 Dataset มี 60,000 32*32 รูปภาพสีใน 10 กลุ่ม โดยมี 6,000 รูปต่อกลุ่ม ทั้งนี้มี
50,000 รปู ท่จี ะฝึก และ 10,000 รปู ทใ่ี ช้ทดสอบ
ภาพท่ี 4.4
ที่มา : https://www.researchgate.net/publication/322148855/figure/fig1/AS:577424834662400@1514680216761/
Heterogeneousness-and-diversity-of-the-CIFAR-10-entries-in-their-10-image-categories-The.png
4.4 หลกั การในการวดั ผลจากชุดข้อมูล
แนวคิดและดชั นชี ้วี ดั ที่ใชก้ ารวัดผลในชดุ ข้อมลู มกี ารวดั ผลหลายตวั ด้วยกัน ซึ่งเทคนคิ ในการทำ Machine
Learning แต่ละตัวจะมีการวัดผลที่แตกต่างกันไป วิธีการประเมินจะใช้ตารางคอนฟิวชั่นหรือคอนฟิวชั่นเมทริกซ์
คำว่าเมทรกิ ซห์ มายถึงตารางน่ันเอง
โครงการพัฒนาชุดทดลองปญั ญาประดษิ ฐเ์ พอื่ พัฒนาทกั ษะดา้ นดจิ ทิ ลั ของนกั เรยี นและนกั ศึกษาในสายวชิ าชีพอาชวี ศึกษาและสามญั ศกึ ษา
(Open AI Kit for Thai Students) | 36
สำนกั งานคณะกรรมการดจิ ิทลั เพือ่ เศรษฐกิจและสงั คมแห่งชาติ
ภาพที่ 4.5 ตารางคอนฟวิ ชั่นเมทรกิ ซ์ (Confusion Matrices)
ตารางคอนฟิวชั่นเป็นตารางที่ใช้ในการวัดความสามารถของ Machine Learning ในการแก้ปัญหาการ
แบ่งประเภท การจัดกลมุ่ รปู ทเี่ หน็ จะเปน็ ตารางคอนฟวิ ชน่ั ขนาด 2x2 โดยท่ี
True Positive (TP) คือ ส่ิงท่โี ปรแกรมทำนายวา่ “จรงิ ” และ มคี า่ เป็น “จริง”
True Negative (TN) คอื ส่ิงที่โปรแกรมทำนายวา่ “ไม่จรงิ ” และ มีค่า “ไมจ่ ริง”
False Positive (FP) คือ ส่ิงทโ่ี ปรแกรมทำนายวา่ “จริง” แต่ มคี ่าเปน็ “ไม่จรงิ ”
False Negative (FN) คือ ส่งิ ที่โปรแกรมทำนายวา่ “ไมจ่ ริง” แต่ มีค่าเป็น “จรงิ ”
ค่าความถูกต้อง (Accuracy) เป็นค่าที่ใช้วัดประสิทธิภาพในการจำแนกหรือวัดขนาดของความผิดพลาด
หากค่าความถกู ต้องมีค่ามากจะมคี วามผดิ พลาดน้อย ดงั สมการ
ความถูกต้อง = จำนวนขอ้ มูลทที่ ำนายถูกตอ้ ง / จำนวนข้อมลู ทงั้ หมด
ค่าความแม่นยำ (Precision) เป็นอัตราส่วนของการทำนายข้อมูลในคลาสได้ถูกต้องจากจำนวนข้อมูล
ทัง้ หมดในคลาสนน้ั ดังสมการ
ความแมน่ ยำ = จำนวนขอ้ มูลทที่ ำนายถูกตอ้ งในคลาส / จำนวนข้อมลู ทงั้ หมดทีท่ ำนายไดใ้ นคลาสนนั้
คา่ ความระลึก (Recall) เป็นอัตราสว่ นของการค้นพบคลาสที่ใกล้เคียงกับคำขอและมีการค้นคืนให้กับผู้ใช้
กับขอ้ มูลท่ีตรงตามคำขอทง้ั หมดท่ถี ูกตอ้ ง ดังสมการ
ความระลกึ = จำนวนขอ้ มลู ท่ที ำนายถูกตอ้ งในคลาสน้ัน / จำนวนขอ้ มลู ท่ีถูกต้องทัง้ หมด
ค่าความถ่วงดุล (F-Measure) เป็นค่าที่แสดง ความสัมพันธ์ระหว่างค่าความแม่นยำและค่าความระลึก
เพื่อหาค่าความถ่วงดุล โดยค่าที่ได้จากการคไนวณจะมี ค่าอยู่ระหว่าง 0 ถึง 1 ถ้าค่าที่คำนวณได้เข้าใกล้ 1
หมายความว่า การให้ผลในการจำแนกมีประสิทธภิ าพ สงู และถา้ ค่าคำนวณไดเ้ ข้าใกล้ 0 หมายความว่า การ ให้ผล
ในการจำแนกมปี ระสทิ ธิภาพต่ำ ดงั สมการ
ความถว่ งดุล = 2 (ความแม่นยำ) (ความระลกึ ) / (ความแม่นยำ+ความระลึก)
โครงการพฒั นาชดุ ทดลองปัญญาประดษิ ฐ์เพอ่ื พัฒนาทกั ษะดา้ นดจิ ิทลั ของนกั เรียนและนกั ศกึ ษาในสายวิชาชพี อาชวี ศกึ ษาและสามัญศึกษา
(Open AI Kit for Thai Students) | 37
สำนักงานคณะกรรมการดิจิทัลเพ่อื เศรษฐกจิ และสงั คมแหง่ ชาติ
เมทริกซ์หรือตัวชี้วัด คือ ข้อมูลที่ถูกเปลี่ยนให้กลายเป็นตัวเลข เป็นค่าที่ได้จากการคำนวณ เปรียบเทียบ
ผลการทำนายกับค่าที่แท้จริง (Prediction vs Actual) ว่าโมเดลทำนายได้ถูกต้องแค่ไหน จากดัชนีชี้วัดเหล่านี้
สามารถนำไปประยุกตใ์ ชใ้ นการประเมนิ ว่าวธิ ีการฝกึ Machine Learning ใช้ไดผ้ ลลัพธด์ เี พียงใด
4.5 ทบทวนการบวนการเตรียมข้อมลู
การนำขอ้ มลู มาใช้ฝกึ เครื่องจักรจะต้องมีการจดั เตรยี มข้อมลู และการทำใหข้ อ้ มูลพร้อมในการนำไปใช้งาน
เรียกวา่ การทำความสะอาดข้อมูล
จากการสำรวจข้อมูลด้านวิศวกรรมข้อมูล การเตรียมการข้อมูลและการทำลาเบลสำหรับ AI ปี 2019
(Data Engineering, Preparation, and Labeling for AI 2019 [CGR-DE100]) แสดงให้เห็นว่า นักวิทยาศาสตร์
ข้อมูล ใช้เวลาในด้านการทำความสะอาดข้อมูลถึง 25% การทำลาเบล 25% การทำ Data Augmentation หรือ
การเพิ่มปริมาณข้อมูลภาพสอน (จากข้อมูลภาพเดิม) ประมาณ 15%, การรวมข้อมูล (Aggregation) ประมาณ
10%, และการทำข้อมูลที่ตอ้ งปกป้องและตอ้ งระมัดระวงั หรือที่เรียกวา่ Data Identification ประมาณ 5% รวม
แล้วส่วนทจ่ี ัดทำทเี่ กีย่ วข้องกับข้อมูลประมาณ 80% ของงานดา้ น AI
ข้นั ตอนในการเตรียมข้อมลู
ในการจดั เตรยี มขอ้ มูล แบง่ ขั้นตอนในการจดั เตรียมขอ้ มลู ได้ 3 ข้นั ตอน ประกอบไปด้วย
ขนั้ ตอนท่ี 1: การเลอื กข้อมูล (Select Data) หรือการรวบรวมข้อมูล (Data Collection)
1. ในขั้นตอนนีเ้ ป็นการใหค้ วามสำคัญกับการเลือกข้อมูลที่จะนำมาใช้งาน และควรเป็นข้อมูลที่จำเปน็
และมีความสำคญั ทสี่ ามารถหามาได้
2. ตอ้ งพจิ ารณาว่าขอ้ มลู นัน้ ครอบคลมุ ตรงกบั คำถามหรือปญั หาทจี่ ะเข้าไปหาคำตอบนนั้ จรงิ ๆ หรอื ไม่
3. ข้อมลู ทไี่ ดม้ าตอ้ งพิจารณาวา่ ไมม่ ีการลำเอียง กล่าวคอื ไมห่ นกั ไปขา้ งใดข้างหนง่ึ
ขั้นตอนที่ 2: การปรบั ปรงุ ขอ้ มลู ก่อนการนำขอ้ มลู ไปประมวลผล (Preprocess Data)
เมื่อมีการเลือกข้อมูลมาใช้งานได้แล้วต้องพิจารณาต่อว่าจะนำข้อมูลไปใช้อย่างไร ดังนั้น การจัดทำ
ข้อมูลก่อนการนำข้อมูลไปใช้งานเพือ่ นำไปประมวลผล จำเป็นต้องทำใหข้ ้อมูลอยู่ในรูปแบบที่สามารถนำมาใช้งาน
ได้ ขั้นตอนพื้นฐานการจัดทำข้อมูลก่อนการนำข้อมูลไปประมวลผล ได้แก่ การจัดรูปแบบ การทำความสะอาด
ข้อมูล และการส่มุ ข้อมลู ข้ันตอนแรก
ขัน้ ตอนที่ 3: การแปลงรปู แบบข้อมูล (Transform Data)
ขั้นตอนสุดท้ายนี้ เป็นการแปลงรูปแบบการประมวลผลข้อมูล การใช้อัลกอริทึมที่ต้องใช้งาน ความรู้
ของกรอบของปัญหา จะมีอิทธพิ ลในขน้ั ตอนนแ้ี ละจะทำให้ต้องมีการแปลงรูปแบบของขอ้ มูลก่อนนำมาประมวลผล
การแปลงรูปแบบข้อมูล ได้แก่ การปรับขนาด (Scaling) การแยกย่อยตัวคุณลักษณะ (Attribute
Decomposition) และนำตัวคุณลักษณะมารวมกัน (Attribute Aggregation) ซึ่งในขั้นตอนน้ี เรียกอีกอย่างหน่ึง
ว่า วศิ วกรรมคณุ ลกั ษณะ (Feature Engineering)
การปรับขนาด (Scaling) เมื่อได้ข้อมูลจากการขั้นตอนที่ 2 อาจประกอบด้วยคุณลักษณะปริมาณ
แตกตา่ งกนั เชน่ บาท กิโลกรัม เป็นตน้ ในวิธกี ารทำใน Machine Learning จำเปน็ ต้องมขี นาดเหมือนกัน
โครงการพัฒนาชุดทดลองปญั ญาประดิษฐเ์ พอ่ื พฒั นาทักษะดา้ นดิจทิ ัลของนักเรียนและนกั ศึกษาในสายวชิ าชีพอาชวี ศึกษาและสามัญศึกษา
(Open AI Kit for Thai Students) | 38
สำนกั งานคณะกรรมการดจิ ทิ ลั เพื่อเศรษฐกิจและสังคมแหง่ ชาติ
บทท่ี 5
อลั กอรทิ ึมของ Machine Learning
วัตถุประสงค์ เรียนรู้การเสริมประสิทธิภาพของโมเดล ด้วยวิธีต่าง ๆ ทั้งด้านข้อมูลและ การปรับเปลี่ยน
อัลกอรทิ มึ (Algorithms) ของโมเดล โดยประกอบดว้ ยหัวข้อดังน้ี
5.1 การเรียนรแู้ บบมผี ู้สอน (Supervised Learning)
5.2 การเรยี นรแู้ บบไม่มีผ้สู อน (Unsupervised Learning)
5.3 การเรยี นรู้แบบก่งึ มีผู้สอน (Semi-Supervised Learning)
5.1 แบบต่าง ๆ ของการเรยี นรู้
Machine Learning แบ่งออกได้เป็น 4 ประเภทด้วยกัน กล่าวคือ ประเภทการเรียนรู้แบบมีผู้สอน
(Supervised Learning) การเรยี นรู้แบบไม่มีผสู้ อน (Unsupervised Learning) การเรยี นรูแ้ บบกง่ึ มีผสู้ อน (Semi
Supervised Learning) และการเรียนรู้แบบเสริมกำลัง (Reinforcement Learning) ในแต่ละประเภทสามารถ
แบ่งแยกย่อยออกไปไดอ้ ีกมากมาย
การเรียนรู้แบบมีผู้สอน แบ่งได้สองแบบหลักๆ แบบที่ใช้ตัวแปรที่มีค่าต่อเนื่อง เช่น เป็นเส้นตรง เป็นต้น
วิธีการนี้จะใช้อัลกอริทึม Regression ซึ่งสามารถใช้สร้างโมเดลทำงาน เช่น โมเดลทำนายราคาที่ดิน เป็นต้น อีก
แบบของการเรียนรู้แบบนี้ คือ การทำงานแบบจำแนกและคาดคะเน หรือ Classification เพื่อระบุชี้วัดสิ่งที่
ประมวลผลอยูก่ ลุ่มใด
การเรียนรู้แบบไม่มีผู้สอน จะไม่มีการกำหนดตัวแปร งานที่เหมาะจะเป็นงานเกี่ยวกับการรวมกลุ่ม การ
ระบุว่ามีกลุ่มอะไรบ้างและการหาความสัมพันธ์ เช่น โมเดลการแบ่งกลุ่มลูกค้า โมเดลการวิเคราะห์กลุ่มหุ้นที่ควร
ลงทุน เป็นตน้
การเรยี นรแู้ บบก่ึงมผี ู้สอน วิธีการสอนแบบนี้จะมีตวั แปรของประเภทส่งิ ของ เพื่อสรา้ งโมเดลจำแนกสิ่งของ
หรือการหากลุ่มของส่ิงของ ตวั อย่าง เช่น โมเดลการจำแนกคำและข้อความในบทความ หรือโมเดลการหารถอยู่ใน
ช่องจราจรได้โดยใช้ขอ้ มลู GPS
โครงการพัฒนาชดุ ทดลองปัญญาประดิษฐเ์ พื่อพฒั นาทักษะดา้ นดจิ ทิ ัลของนกั เรียนและนักศกึ ษาในสายวชิ าชพี อาชวี ศกึ ษาและสามญั ศึกษา
(Open AI Kit for Thai Students) | 39
สำนกั งานคณะกรรมการดิจทิ ลั เพอื่ เศรษฐกิจและสังคมแหง่ ชาติ
การเรียนรู้แบบเสริมกำลัง จะใช้กับทั้งกรณีที่มีตัวแปรของแต่ละประเภทวัตถุหรือไม่มีตัวแปรก็ได้ และใช้
กับการสร้างโมเดลที่เกีย่ วกับการจำแนกและการควบคุม ตัวอย่างเชน่ โมเดลท่ีทำให้การตลาดได้ผลมากที่สดุ หรือ
โมเดลควบคุมรถไรค้ นขบั เป็นต้น
5.2 การเรยี นรแู้ บบมผี สู้ อน (Supervised Learning)
Machine Learning ประเภทการเรียนรู้แบบมีผู้สอน จะมีอัลกอริทึมที่ฝึกให้เรียนรู้ข้อมูลจากชุดฝึก ซ่ึง
ประกอบด้วยค่า Input และ Output ที่ถูกต้อง เพื่อที่จะเรียนรู้ความสัมพันธ์ระหว่างข้อมูลที่เป็น Input กับ
Output ทำให้ Machine Learning มีโมเดลการทำงานตามท่ีกำหนดไว้ เมื่อมีการป้อน Input โมเดลจะพยายาม
หา Output ที่ถูกต้องจาก Output ท่ีเคยอยู่ในชุดฝกึ และถูกเก็บอยู่ แต่ถ้า Output นั้นไม่เคยเห็นมาก่อน จะต้อง
ใช้วิธเี ดาคำตอบจากความสามารถของอลั กอริทึมท่ีใช้
ผลจากการเรียนรจู้ ะเป็นฟงั ก์ชันที่อาจจะใหค้ ่าต่อเน่ือง เรยี กว่า การถดถอย (Regression) ซึ่งแทนด้วยตัว
แปรทม่ี คี ่าต่อเน่อื ง หรือใช้ทำนายประเภทของวตั ถุ เรยี กว่า การแบ่งประเภท (Classification)
การเรียนรแู้ บบมผี ้สู อน มี 2 ประเภทหลักๆ
1. การถดถอย (Regression)
2. การแบ่งประเภท (Classification)
ภาพที่ 5.1 การแบ่งข้อมลู แบบการแบง่ ประเภทกบั การถดถอย
จากรูปดา้ นบนเปน็ การนำข้อมลู มาใช้กบั การแบ่งประเภท (classification) กบั การถดถอย (Regression)
โครงการพฒั นาชดุ ทดลองปญั ญาประดิษฐเ์ พอื่ พัฒนาทักษะดา้ นดิจทิ ลั ของนกั เรียนและนักศึกษาในสายวิชาชพี อาชวี ศกึ ษาและสามัญศกึ ษา
(Open AI Kit for Thai Students) | 40
สำนักงานคณะกรรมการดิจทิ ัลเพอื่ เศรษฐกิจและสังคมแห่งชาติ
ภาพที่ 5.2 การแสดงภาพแบบการแบง่ ประเภทกบั การถดถอย
การแบ่งแยกประเภทข้อมูล (Data Classification) เป็นปัญหาพื้นฐานของการเรียนรู้แบบมีผู้สอน การ
ทำนายประเภทของวัตถุจากคุณสมบัติต่างๆ ของวัตถุ ซึ่งการเรียนรู้แบบมีผู้สอนจะสร้างฟังก์ชันเชื่อมโยงระหว่าง
คุณสมบัติของวัตถุ กับประเภทของวัตถุจากตัวอย่างข้อมูลชุดฝึก แล้วจึงใช้ฟังก์ชันนี้ทำนายประเภทของวัตถุที่ไม่
เคยพบ เครื่องมือหรือขั้นตอนวิธีที่ใช้สำหรับการแบ่งประเภทข้อมูล คือ Regression Decision หรือโครงข่าย
ประสาทเทียม(Artificial Neuron Network: ANN) เป็นตน้
การถดถอย (Regression) เป็นวิธกี ารทางสถิตทิ ี่ศึกษาความสัมพันธ์ของตัวแปรท่ที ราบค่า เรียกว่าตัวแปร
อสิ ระ (Independent Variation) หรือเรยี กว่าตัวพยากรณ์ (Prediction) นยิ มนำมาใช้พยากรณ์ค่าของอีกตัวแปร
หน่งึ เรยี กวา่ ตัวแปรตาม (Dependent Variation)
5.3 การเรยี นร้แู บบไมม่ ีผ้สู อน (Unsupervised Learning)
การเรียนแบบไม่มีครูเป็นเทคนิคแบบหนึ่งที่ผู้ใช้งานไม่ต้องช่วยสร้างโมเดล แต่ให้โมเดลค้นหารูปแบบ
(Pattern) ของสารสนเทศทีไ่ มเ่ คยค้นพบมาก่อน วธิ ีการแบบนี้อาจไดผ้ ลลัพธ์ดีหรอื ไมด่ ี คาดเดายาก
แนวคดิ เรอ่ื งการแบ่งกลุ่มข้อมูล (Data Clustering) หรือการวิเคราะห์คลสั เตอร์ (Cluster Analysis) เป็น
วิธีการจัดกลุม่ ข้อมลู ทมี่ ีลกั ษณะเหมือนกันไวใ้ นกลมุ่ เดียวกนั
การวิเคราะห์คลัสเตอร์ เป็นการทำงานร่วมกันของอัลกอริทึมหรือขั้นตอนวิธีที่หลากหลาย ใช้ในการ
แบง่ กล่มุ จากความเหมือน (Similarity) หรือความใกล้ชิด (Proximity) โดยจะแบง่ ชดุ ขอ้ มลู ออกเปน็ กลุ่ม (Cluster)
นำข้อมลู ทม่ี ีคุณลกั ษณะเหมือนกนั หรือคลา้ ยกนั จัดไว้ในกลมุ่ เดยี วกัน การคำนวณจากการวดั ระยะระหว่างเวกเตอร์
ของข้อมูลเข้า โดยใช้การวัดระยะแบบต่างๆ เช่น การวัดระยะแบบยูคลิด (Euclidean Distance) การวัดระยะ
แบบแมนฮตั ตนั (Manhattan Distance) การวัดระยะแบบเชบเิ ชฟ (Chebychev Distance)
การเรียนแบบไม่มีครูนั้น Machine Learning จะต้องสามารถค้นหารูปแบบของข้อมูลที่ซ่อนอยู่ในชุด
ข้อมูลการเรียนรู้ แบบนี้จะต้องมีข้อมูลครบถ้วนเพื่อหารูปแบบที่ซ่อนอยู่ ซึ่งกลไกที่ใช้จะเป็นกลไกการแยกวัตถุ
ออกเป็นกลมุ่ วิธีนีเ้ รียกวา่ Clustering เทคนคิ การแยกเป็นกล่มุ มีหลายวิธี วธิ ที ่ใี ชบ้ ่อยมีดงั น้ี
• K-Means Clustering
โครงการพฒั นาชดุ ทดลองปัญญาประดษิ ฐเ์ พอ่ื พัฒนาทักษะดา้ นดจิ ทิ ลั ของนกั เรยี นและนกั ศกึ ษาในสายวิชาชีพอาชวี ศกึ ษาและสามญั ศึกษา
(Open AI Kit for Thai Students) | 41
สำนักงานคณะกรรมการดิจทิ ลั เพอ่ื เศรษฐกจิ และสงั คมแหง่ ชาติ
• K-Nearest Neighbors
• Hierarchical Clustering
การเรียนของ Machine Learning แบบไม่มีครูนั้น เมื่อสร้างโมเดลโดยการค้นหารูปแบบความสัมพันธ์
ภายในชุดข้อมูลด้วยตัวเองนั้น เมื่อได้โมเดลแล้วการทำงานของโมเดลอาจจะไม่แม่นยำหรือน่าเช่ือถือกว่าโมเดลท่ี
สร้างจากการเรียนรู้ที่มีครู ยกตัวอย่างง่ายๆ คุณแม่นำแมวมาให้เด็กน้อยอายุ 2 ขวบเห็นครั้งแรกและบอกว่าเป็น
แมว แตเ่ มื่อมเี พอ่ื นบ้านนำสุนขั มาใหเ้ ด็กน้อย เด็กน้อยคน้ พบว่ามีสนุ ัขมีส่ีเท้า มหี นึง่ หาง มีสองหู มีสองตา มีจมกู มี
ปาก เหมอื นรูปแบบของแมวที่เคยเหน็ กจ็ ะคิดวา่ สนุ ัขคือแมวแบบหนง่ึ น่นั เอง และหากไม่มีคุณแม่สอน เด็กน้อยก็
คงเขา้ ใจแบบนน้ั ตอ่ ไป
5.4 การเรยี นรู้แบบก่ึงมผี ู้สอน (Semi Supervised Learning)
การเรยี นร้แู บบก่ึงมีผสู้ อน มปี ระโยชน์มากบางครั้งเพราะการหาชดุ ข้อมูลมาฝึก Machine Learning อาจ
ไดไ้ ม่ครบ หรือชดุ ข้อมูลที่มีลาเบลไม่สมบรู ณ์ แตย่ ังสามารถเพิ่มขอ้ มลู แบบไม่ไดล้ าเบลมาใช้ฝกึ ได้
วิธีการเรียนรู้แบบนี้คือการผสมผสานทั้งสองประเภท โดยเบื้องต้นอาจจะใช้ข้อมูลที่ไม่มากในการสอน
เครอื่ ง แบบการเรียนร้แู บบมผี ู้สอน (Supervised Learning) จากนน้ั เมือ่ เคร่อื งมีความร้ขู น้ึ มาระดบั หนึง่ กใ็ ห้เรียนรู้
ดว้ ยการเรียนรแู้ บบไม่มีผู้สอน (Unsupervised Learning)
ตัวอย่างการเล่นหมากรุก เบื้องต้นอธิบายตัวหมากและกฎกติกา จากนั้นให้เครื่องไปเรียนรู้วิธีการหากล
ยุทธการเล่นจากข้อมูลอืน่ ๆ เป็นตน้
ตวั อยา่ งของข้อมูลที่มีลาเบล
ลาเบล เพศ อายุ
50
สขุ ภาพดี ชาย 21
30
สขุ ภาพดี ชาย 45
65
สุขภาพดี หญงิ 51
58
ป่วย หญิง 77
ป่วย ชาย
ป่วย หญงิ
ป่วย ICU ชาย
ป่วย ICU หญงิ
ตัวอย่างของขอ้ มลู ทไี่ ม่มลี าเบล
โครงการพัฒนาชุดทดลองปญั ญาประดิษฐ์เพอ่ื พัฒนาทักษะดา้ นดิจทิ ลั ของนกั เรียนและนักศึกษาในสายวิชาชีพอาชวี ศึกษาและสามัญศกึ ษา
(Open AI Kit for Thai Students) | 42
สำนกั งานคณะกรรมการดิจิทลั เพือ่ เศรษฐกิจและสังคมแหง่ ชาติ
เพศ อายุ
หญงิ 26
หญิง 25
หญงิ 37
หญงิ 26
ชาย 72
ชาย 23
ชาย 40
การฝึก Machine Learning แบบกึ่งมีครูสอนจะใชข้ ้อมูลมีลาเบลจำนวนเท่าทีห่ าได้ โดยฝึกให้ Machine
Learning จำแนกแยกข้อมูลได้ โดยใช้ข้อมูลของลาเบลที่มี จากนั้นใช้ข้อมูลที่ไม่มีลาเบลจำนวนมาก ฝึกให้
Machine Learning จำแนกแยกขอ้ มลู ท่ีไม่มีลาเบล โดยสามารถระบไุ ดว้ ่าควรมลี าเบลอะไร จากนัน้ เอาขอ้ มูลแบบ
ลาเบลและแบบไม่มลี าเบลฝึก Machine Learning อีกครงั้ โมเดลทไ่ี ด้จะสามารถทำงานได้ดีข้นึ
5.5 การเรียนรู้แบบเสริมกำลงั (Reinforcement Learning)
แบบการเรียนรู้นี้เป็นส่วนหนึ่งของวิทยาการ Machine Learning และมีข้อแตกต่างจากการเรียนแบบมี
ครู เพราะการเรียนแบบมีครู คือ ชุดทดสอบนั้นมีทั้ง Input และ Output อยู่แล้ว ซึ่งโมเดลที่เกิดจากฝึกนั้นรู้
คำตอบ แต่สำหรับการเรียนรู้แบบเสริมกำลังนั้น ไม่มีการฝึกเครื่องจักรด้วยชุดฝึกที่มีคำตอบ แต่ซอฟต์แวร์หรือ
โปรแกรมในกรณีการเรียนแบบเสริมแรง เรียกว่า เอเย่นต์ (Agent) จะต้องตัดสินใจว่าจะทำอะไรต่อไปโดยอาศัย
ประสบการณข์ องการตดั สินใจเฉพาะหน้าท่ีผา่ นมา
กลไกการฝึกเอเยน่ ต์ คือ เอเย่นตต์ ้องทำงานให้ไปถึงเปา้ หมาย (คำตอบ) และทุกคร้ังทเี่ อเย่นต์ตัดสินใจถูก
ทางกจ็ ะได้รบั รางวลั (คะแนนเพม่ิ ) ทกุ ครงั้ ท่ีตดั สินใจผดิ ทางกจ็ ะได้รบั การลงโทษ (ตัดคะแนน)
วิธกี ารขัน้ ตอนของการเรยี นแบบเสริม
โครงการพัฒนาชดุ ทดลองปัญญาประดิษฐเ์ พอื่ พฒั นาทกั ษะดา้ นดจิ ทิ ัลของนกั เรียนและนักศึกษาในสายวิชาชพี อาชวี ศกึ ษาและสามัญศกึ ษา
(Open AI Kit for Thai Students) | 43
สำนกั งานคณะกรรมการดจิ ิทลั เพื่อเศรษฐกจิ และสงั คมแห่งชาติ
1. Input: เปน็ สถานการณเ์ ริ่มต้นของระบบ
2. Output: อาจมี Output ได้หลายแบบ เพราะปญั หาสามารถแกไ้ ดห้ ลายแบบ
3. ฝึก: การฝกึ จะขน้ึ กับ Input เมือ่ รบั Input ถ้า Outputอยูใ่ นทิศทางท่ีดกี ็จะได้รับคะแนนเพิ่ม ถ้าไม่
อยู่ในทิศทางท่ีดกี จ็ ะถกู ตัดคะแนน
โมเดลนี้จะค่อยๆ เรียนรู้ จนกระทั่งสามารถได้รับคะแนนสูงสุด ซึ่งก็จะได้คำตอบที่ดีที่สุด ดังนั้น การ
เสริมแรงของเอเยน่ ตท์ ำไดส้ องกรณี
1. การเสริมทางบวก คือ การมีเหตุการณ์ที่เกิดจากพฤติกรรมแบบหนึ่งที่เพิ่มความเข้มของพฤติกรรม
และความถมี่ ากขน้ึ ของการเกดิ พฤติกรรมดังกลา่ ว
ขอ้ ดี
• เพม่ิ สมรรถนะ
• ทำใหก้ ารเปลี่ยนแปลงที่เกดิ ขนึ้ อยู่ได้นาน
ขอ้ เสยี
• การเสรมิ แรงมากไปอาจะทำใหส้ ถานภาพของเอเยน่ ต์แย่ลงและได้ผลลพั ธ์ท่ีไม่ดี
2. การเสริมทางลบ คือ การทำให้พฤติกรรมหนึ่งมีความเข้มมากขึ้นเพราะมีการหลีกเลี่ยงหรือหยุด
เง่ือนไขท่ีเปน็ ลบจะเกิดขึ้น
ข้อดี
• เพม่ิ พฤติกรรม
• เป็นการกำหนดสมรรถนะทต่ี ่ำสุดได้
ขอ้ เสีย
• ทำงานไดผ้ ลเพยี งเทา่ สมรรถนะตำ่ สดุ
ประโยชน์ของการเรยี นรู้แบบเสริมกำลังจะนำไปใช้ในอุตสาหกรรมแขนกลหุ่นยนต์ หรอื ประยุกต์ใช้ในการ
พัฒนาระบบการเรยี นการสอนท่ีปรับเปลี่ยนตามพฤติกรรมการเรียนรขู้ องผูเ้ รยี น
โครงการพฒั นาชุดทดลองปญั ญาประดิษฐ์เพ่ือพัฒนาทักษะดา้ นดจิ ิทลั ของนกั เรยี นและนักศึกษาในสายวชิ าชพี อาชวี ศึกษาและสามญั ศึกษา
(Open AI Kit for Thai Students) | 44
สำนกั งานคณะกรรมการดจิ ิทลั เพ่ือเศรษฐกจิ และสังคมแหง่ ชาติ
บทท่ี 6
การเรียนรู้แบบมีผ้สู อน
วัตถปุ ระสงค์ ทำความรูจ้ ักกับการเรียนรู้แบบมีผู้สอน (Supervised Learning) ทเ่ี ป็นรูปแบบหนึ่งของการ
เรียนรู้ของเครื่อง (Machine learning) รวมทั้งรูปแบบการทำงาน และ การประยุกต์การใช้งานการเรียนรู้แบบมี
ผูส้ อน (Supervised Learning) โดยประกอบดว้ ยหัวขอ้ ดังน้ี
6.1 บทนำเบ้ืองต้นการเรียนร้แู บบมผี ู้สอน (Introduction Supervised Learning)
6.2 การจำแนกประเภท (Classification)
6.3 การถดถอย (Regression)
6.4 การประยุกต์ใชก้ ารเรยี นร้แู บบมีผู้สอน (Applications of Supervised machine learning)
6.5 การเสรมิ ประสิทธิภาพของโมเดล (Improving Model Performance)
6.1 ต้นไมต้ ัดสนิ ใจ (Decision Tree)
ต้นไม้ตัดสินใจ เป็นเทคนิคหรืออัลกอริทึมของการเรียนแบบมีครูสอนที่ใช้สำหรับการจำแนกและการทำ
Regression แต่ส่วนใหญ่แล้วจะใช้กับงานจำแนกแยกแยะสิ่งของ (Classification) โหนด (Node)ในต้นไม้จะเป็น
คุณลักษณะ (ค่า) ของชุดข้อมูล กิ่งจะแทนกฎการตัดสินใจและใบที่เรียกว่า Leaf Node จะแทนผลลัพธ์ที่ได้ ใน
ตน้ ไมต้ ัดสนิ ใจจะมีข้อมูล Yes/No ได้
ในต้นไม้จะมีโหนดสองแบบ ได้แก่ โหนดตัดสนิ ใจและโหนดใบ โหนดตัดสนิ ใจจะมีกิ่งจำนวนมากออกจาก
โหนดนั้น ส่วนโหนดใบจะตอ่ กับโหนดตัดสินใจเพื่อรับค่าผลลัพธ์ และไม่มีกิ่งต่อออกไปอีก การสอนต้นไม้ตัดสินใจ
จะใชอ้ ลั กอริทึม CAT หรือ Classification and Regression Trees Algorithm
เหตุการณ์ที่ตน้ ไม้ตัดสินใจใช้ได้
• ต้นไม้ตัดสินใจสอดรับกับวิธคี ิดของมนุษย์
• วธิ กี ารคิดของตน้ ไมต้ ัดสินใจเขา้ ใจงา่ ย
• สามารถฝกึ ให้ Machine Learning เป็นโมเดลทำงานเหมือนตน้ ไมต้ ดั สินใจได้
การจำแนกข้อมูลด้วยต้นไม้ตัดสินใจ เป็นกระบวนการสร้างต้นไม้ขึ้นเพื่อใช้ในการตัดสินใจจากข้อมูลที่มี
หมวดหมู่ข้อมูลแนบอยู่ด้วย ต้นไม้ตัดสินใจ ประกอบ ด้วยโหนดต่างๆ ที่ไม่ใช่โหนดใบ ที่ซึ่งถูกใช้ในการแสดงถึง
โครงการพัฒนาชดุ ทดลองปญั ญาประดษิ ฐเ์ พอื่ พัฒนาทักษะดา้ นดิจิทลั ของนกั เรยี นและนักศกึ ษาในสายวชิ าชพี อาชวี ศึกษาและสามญั ศกึ ษา
(Open AI Kit for Thai Students) | 45
สำนกั งานคณะกรรมการดิจทิ ลั เพ่ือเศรษฐกจิ และสงั คมแห่งชาติ
เงื่อนไขหรือ Attribute ของข้อมูล โดยที่แต่ละกิ่งก้านของโหนดหนึ่งๆ จะหมายถึงค่าที่เป็นไปได้จากการทดสอบ
กับเง่อื นไขน้นั ๆ และจะประกอบดว้ ยโหนดใบทม่ี หี มวดหมขู่ อ้ มูลจดั เก็บอยู่
ตัวอย่างต้นไม้ตัดสินใจแสดงการทำนายคุณลักษณะของลูกค้าที่จะทำการซื้อคอมพิวเตอร์จากร้านขาย
อุปกรณ์ไฟฟ้า โดยโหนดต่างๆ ที่ไม่ใช่โหนดใบจะถูกแทนด้วยสี่เหลี่ยม และโหนดใบจะถูกแทนด้วยวงรีตามลำดับ
จากรูปจะเห็นว่าโหนดใบจะเป็นโหนดที่บ่งบอกถึงข้อมูลหมวดหมู่ของคำตอบที่ต้องการ เช่น “yes” หมายถึง
ลูกค้าจะซอ้ื คอมพิวเตอร์ และ “no” หมายถงึ ลกู คา้ จะไม่ซื้อคอมพิวเตอร์ โดยต้นไมท้ ี่ถูกสร้างขึ้นอาจเป็นต้นไม้ท่ีมี
ลักษณะเปน็ ไบนาร่ีหรืออาจจะไม่เปน็ ไบนารก่ี ็ได้
6.2 การจำแนกขอ้ มลู ด้วยวธิ กี ารเบยเ์ ซยี น (Bayesian Classification)
การจำแนกข้อมลู ดว้ ยวธิ ีการเบย์เซยี นจะเป็นการสร้างตัวจำแนกข้อมลู ด้วยการประยุกต์ใช้ค่าทางสถิติ ซึ่ง
สามารถบ่งบอกความนา่ จะเป็นของข้อมูลเรคคอรด์ (Record) หนึ่งที่อยู่ในหมวดหมู่ของข้อมูลหน่ึง วิธีการจำแนก
ข้อมลู น้จี ะทำการประยุกตใ์ ช้ทฤษฎีของเบย์ (Bayes’ Theorem) ช่วยให้สามารถจำแนกข้อมลู ได้อยา่ งรวดเร็วและ
มคี วามแมน่ ยำสูงอีกด้วย
ทฤษฎขี องเบย์
กำหนดให้ คอื ข้อมูลเรคคอรด์ หนึง่ ๆท่ีประกอบไปดว้ ย แอทรบิ วิ
กำหนดให้ คอื สมมตฐิ านท่ซี ่งึ ขอ้ มูลเรคคอร์ด จะมีหมวดหมู่ของขอ้ มลู เปน็ โดยการจำแนกข้อมูล
จะตอ้ งทำการคำนวณค่า 4 ค่า
โครงการพฒั นาชุดทดลองปญั ญาประดษิ ฐเ์ พ่อื พฒั นาทักษะดา้ นดจิ ิทัลของนกั เรยี นและนกั ศึกษาในสายวิชาชีพอาชวี ศกึ ษาและสามัญศึกษา
(Open AI Kit for Thai Students) | 46
สำนักงานคณะกรรมการดิจทิ ัลเพือ่ เศรษฐกจิ และสงั คมแหง่ ชาติ
• ค่าความน่าจะเป็นของสมมติฐาน จะเป็นจริง เมื่อทำการพิจารณาข้อมูลแถว ซึ่งสามารถแทนได้
ด้วย ( | ) ตัวอย่างเช่น ข้อมูลแถว ที่ประกอบไปด้วย 2 เงื่อนไข (Attribute) คือ อายุเท่ากับ 35 และ
เงินเดือนเท่ากับ 20,000 บาท โดยสมมติฐาน จะเป็นสมมติฐานที่นาย จะทำการซื้อคอมพิวเตอร์ โดย
( | ) จะสะท้อนถงึ ความน่าจะเป็นท่นี าย จะทำการซื้อคอมพวิ เตอรเ์ มือ่ ทราบถงึ อายุและรายได้ของนาย
• ค่าความน่าจะเป็นที่ข้อมูลทั้งหมดในชุดข้อมูลจะอยู่ในหมวดหมู่ ซึ่งก็คือค่า ( ) ตัวอย่างคือ ค่า
ความนา่ จะเป็นทลี่ ูกค้ารายหนึ่งจะทำการซ้ือคอมพิวเตอร์ โดยทไ่ี มต่ ้องทำการพิจารณาถงึ อายแุ ละรายได้ของลูกค้า
คนนั้นเลย
• ค่าความน่าจะเป็นที่จะมแี ถวท่มี ีค่าเท่ากบั เมือ่ ทราบถึงแถวท่ีอยใู่ นหมวดหมู่ ซงึ่ กค็ อื ค่า ( | )
ตัวอย่างคือ ความน่าจะเป็นที่จะมีลูกค้าที่มีอายุเท่ากับ 35 และรายได้ 20,000 บาท จากลูกค้าที่ทำการซ้ือ
คอมพิวเตอรจ์ ากลกู คา้ ทม่ี ีอายุ 35 และมีรายได้ 20,000 บาททัง้ หมด
• ค่าความน่าจะเปน็ ท่จี ะเกิดข้อมลู ในแถว จากแถวท้ังหมด ซึ่งก็คอื ค่า ( ) ตวั อย่างคือค่าความน่าจะ
เป็นทจี่ ะมีลกู ค้าอายุเทา่ กับ 35 และมเี งินเดอื นเท่ากับ 20,000 บาท
จากคา่ ท้ัง 4 ขา้ งต้น สามารถประเมนิ หรือคำนวณหาค่า ( ), ( | ) และ ( ) ได้จากข้อมูล โดย
ทฤษฎีของเบยจ์ ะพยายามคำนวณหาคา่ ( | ) จากคา่ ( ), ( | ) และ ( ) จากสูตร
นาอีฟ เบย์ อัลกอริทึม (Naïve Bayes Algorithm) เป็นเทคนิคการจำแนก แยกแยะ ที่ใช้ทฤษฎีทาง
คณติ ศาสตรข์ องของ Bayes โดยสมมติวา่ ตวั แปรของคณุ ลกั ษณะของข้อมลู แต่ละตวั แปรอสิ ระจากกัน ตวั อย่างเช่น
สม้ โอมสี ีเขยี ว กลม เส้นผ่าศูนยก์ ลาง 5 นิว้ ถึงแม้ว่าตวั แปรคุณลักษณะ 3 ตัวแปรน้ีจะเก่ียวพันกันเป็นไปได้ในโลก
แหง่ ความเปน็ จรงิ แตส่ มมติว่า 3 ลักษณะนอี้ สิ ระจากกัน ทำให้โอกาสสเี ขยี ว กลม เสน้ ผ่าศนู ย์กลางของผลไมน้ ้ีเป็น
ส้มโอ นนั่ คือคำวา่ Naïve ซึง่ แปลว่าไร้เดียงสา
วิธีนาอีฟ เบย์ มีขอ้ ดี ขอ้ เสียอยา่ งไร
ขอ้ ดี
1. ใช้งานไดง้ ่ายและสามารถทำนายแยกแยะกลุม่ ไดด้ ี
2. ถ้าสมมติฐานว่าคุณลักษณะต่างๆ ของตัวแปรอิสระจากกัน วิธีนี้จะได้ผลดีกว่า Logistic
Regression และใชข้ ้อมลู ฝึกน้อยกว่า
3. สามารถใช้สร้างโมเดล Machine Learning เพื่อทำนายแบบเรียลไทม์ (Real Time) สามารถ
จำแนกแยกคำ แยกอเี มลทีเ่ ปน็ สแปม วเิ คราะห์หาอารมณข์ องกลุ่มคำ และระบบแนะนำ
ขอ้ เสยี
1. บางครั้งชุดข้อมูลมีกลุ่มที่แทนด้วยตัวแปรที่เป็นกลุ่มอื่นจะทำให้เกิดปัญหา Zero Frequency ทำ
ให้โมเดล Machine Learning ไม่สามารถทำงานได้
โครงการพฒั นาชดุ ทดลองปญั ญาประดิษฐ์เพอ่ื พัฒนาทักษะดา้ นดจิ ิทลั ของนักเรียนและนกั ศกึ ษาในสายวชิ าชีพอาชวี ศกึ ษาและสามัญศึกษา
(Open AI Kit for Thai Students) | 47
สำนกั งานคณะกรรมการดจิ ิทลั เพือ่ เศรษฐกิจและสงั คมแหง่ ชาติ
2. ข้อสมมตฐิ าน นาอฟี เบย์ ในทางปฏิบตั ิใชไ้ มค่ อ่ ยไดจ้ ริง
6.3 K-Nearest Neighbors (KNN)
อัลกอริทึมที่ใช้บ่อย โดยเฉพาะนักวิจัยด้านเทคโนโลยีสารสนเทศของไทย คือ KNN หรือ K-Nearest
Neighbors เขียนให้เข้าใจง่ายๆ ว่า “เพื่อนบ้านที่อยู่ใกล้ที่สุด K คน” อัลกอริทึมนี้จัดอยู่ในกลุ่มที่ใช้กับการฝึก
Machine Learning แบบมีครูและใช้ข้อมูลฝึกแบบมีลาเบล คือ มีการระบุว่าชื่อประเภทข้อมูลนั่นคืออะไร เช่น
ขอ้ มลู อายุ ข้อมูลสว่ นสงู เป็นตน้
ก่อนอื่นต้องรู้จักสูตรหาระยะทางระหว่างจุด 2 จุด ซึ่งดูจากรูปสามเหลี่ยม ABC สามารถหาระยะทาง
ระหว่าง A และ C เรยี กว่า d ตามรูปได้ ถา้ ร้รู ะยะทางระหว่างจุด C และ B ซง่ึ เทา่ กบั b และระยะทางระหว่างจุด
A และ B ซง่ึ เทา่ กบั a
สมมติวา่ มีข้อมูล ราคา ภาพท่ี 6.1 ประเภท
800 จีน
ประเภท 400 ระดับนยิ ม จีน
หฉู ลาม 100 3 จีน
เป็ดยา่ ง 80 8 ไทย
ออสว่ น 200 5 ไทย
ผดั ไทย 100 8
กุ้งเผากะปิ 3
อาหาร X 6
คำนวณวา่ อาหาร X จะระยะทางจากอาหาร K ไปถึงอาหารแบบอนื่ โดยใช้สตู ร
โครงการพฒั นาชดุ ทดลองปญั ญาประดษิ ฐ์เพื่อพฒั นาทกั ษะดา้ นดิจทิ ัลของนกั เรยี นและนกั ศึกษาในสายวิชาชพี อาชวี ศกึ ษาและสามัญศกึ ษา
(Open AI Kit for Thai Students) | 48
สำนักงานคณะกรรมการดิจิทลั เพื่อเศรษฐกจิ และสงั คมแห่งชาติ
ระยะอาหาร X ไปถงึ หฉู ลาม:
√(800 − 100)2 + (3 − 6)2 = √(700)2 + (−3)2
ระยะอาหาร X ไปถึงเป็ดย่าง:
√(400 − 100)2 + (8 − 6)2 = √(300)2 + (2)2
ระยะอาหาร X ไปถงึ ออสว่ น:
√(100 − 100)2 + (5 − 6)2 = √(0)2 + (−1)2
ระยะอาหาร X ไปถงึ ผัดไทย:
√(80 − 100)2 + (8 − 6)2 = √(−20)2 + (2)2
ระยะอาหาร X ไปถงึ กงุ้ เผา:
√(200 − 100)2 + (3 − 6)2 = √(100)2 + (−3)2
1. √490,000 + 9 = √490,009 = 700.00 อาหารจีน
2. √90,000 + 4 = √90,004 = 300.00 อาหารจนี
3. √0 + 1 = √1 = 1 อาหารจนี
4. √400 + 4 = √404 = 20.09 อาหารไทย
5. √10,000 + 9 = √10,009 = 100.04 อาหารไทย
6. √(0)2 + (0)2 = √0 = 0 อาหารไทย
สมมติใช้ K = 1 อาหารจนี (รายการที่ 3)
สมมตใิ ช้ K = 2 อาหารจนี (รายการที่ 3) อาหารไทย (รายการ 4)
สมมตใิ ช้ K = 3 อาหารจนี (รายการท่ี 3) อาหารไทย (รายการ 4) อาหารไทย (รายการ 5)
สมมติมีรายการ X หลงั จากท่ีคำนวณระยะท่ีตา่ งจากแต่ละรายการแล้วให้ K เป็นระยะหา่ ง
k=n คอื จำนวนรายการทอี่ ย่ใู กลก้ บั X ในระยะ n
k=1 คือจำนวนรายการที่อยใู่ กลท้ สี่ ุด ซง่ึ ทำใหเ้ ราไม่มโี อกาสเลือกรายการอื่นๆ
โครงการพฒั นาชุดทดลองปัญญาประดษิ ฐเ์ พอื่ พฒั นาทักษะดา้ นดจิ ทิ ัลของนกั เรยี นและนักศึกษาในสายวชิ าชพี อาชวี ศึกษาและสามญั ศกึ ษา
(Open AI Kit for Thai Students) | 49
The words you are searching are inside this book. To get more targeted content, please make full-text search by clicking here.
หลักสูตรการฝึกทักษะการประยุกต์ใช้ระบบ AI Machine Learning และ Image Processing ทั้ง 3 ระดับ
Discover the best professional documents and content resources in AnyFlip Document Base.
Search