ทำไมผมถึงคิดว่าเจ้าของกิจการควรรู้สองคำนี้#

ก่อนจะลงรายละเอียด ผมขออธิบายก่อนว่าทำไมถึงเอาสองคำนี้มาเล่า เพราะบางคนอาจจะคิดว่า “เรื่องเทคนิคลึกๆ แบบนี้ ปล่อยให้ทีมไอทีปวดหัวไปเถอะ ฉันเป็นเจ้าของร้าน ฉันรู้ทำไม”

ผมเข้าใจความรู้สึกนั้นดีครับ แต่ลองนึกภาพแบบนี้ดู — สมมติคุณจะเปิดร้านอาหาร แล้วต้องไปคุยกับผู้รับเหมาเรื่องทำครัว ถ้าคุณไม่รู้เลยว่า “เตาแก๊ส” กับ “เครื่องดูดควัน” มันคนละอย่างกัน เวลาผู้รับเหมาพูด คุณก็ได้แต่พยักหน้าตามไม่รู้เรื่อง สุดท้ายเขาเสนออะไรมาคุณก็จ่ายๆ ไป เพราะไม่กล้าถาม กลัวดูโง่

เรื่อง AI ก็เหมือนกันครับ คุณไม่จำเป็นต้องลงไปทำเองหรือเขียนโปรแกรมเป็น แต่ถ้าคุณรู้จัก “คำหลักๆ” ไม่กี่คำ พอให้คุยกับทีมหรือ vendor รู้เรื่อง คุณจะถามคำถามได้ตรงจุด รู้ว่าเขากำลังทำอะไรอยู่ และที่สำคัญที่สุด — ไม่โดนป้ายยาง่ายๆ สองคำที่ผมเลือกมาเล่าวันนี้ คือคำที่คุณจะได้ยินบ่อยที่สุดเวลาทีมเทคพูดถึงการสร้างหรือปรับปรุง AI ครับ รู้ไว้ไม่เสียหาย

อัลกอริทึมมีหลายแบบ เหมือนวิธีสอนมีหลายสไตล์#

ในโลก AI ไม่ได้มีอัลกอริทึมแค่ตัวเดียวนะครับ มันมีหลายตระกูล เหมือนครูแต่ละคนมีสไตล์การสอนต่างกัน บางคนชอบให้ท่องจำ บางคนชอบให้ลองผิดลองถูก บางคนชอบวาดแผนภาพ

ผมไม่อยากให้คุณไปจำชื่อมันเป๊ะๆ หรอกครับ เดี๋ยวปวดหัวเปล่าๆ แต่ขอยกตัวอย่างให้เห็นภาพว่ามันต่างสไตล์กันยังไง พอเป็นน้ำจิ้ม —

ที่ผมยกตารางนี้ขึ้นมา ไม่ได้จะให้ท่องนะครับ แค่อยากให้เห็นว่า “การเลือกอัลกอริทึม” ก็เหมือนการเลือกครูให้ตรงกับวิชา — จะสอนเด็กให้เก่งวาดรูป คุณคงไม่เอาครูคณิตไปสอน ใช่ไหมครับ คนทำ AI เขาก็ต้องเลือกอัลกอริทึมให้เข้ากับงานเหมือนกัน

และไม่ใช่ว่า “ตัวที่ซับซ้อนที่สุด = ดีที่สุด” เสมอไปนะครับ บางงานง่ายๆ ใช้อัลกอริทึมแบบเรียบง่ายกลับได้ผลดีกว่า เร็วกว่า และอธิบายเหตุผลได้ง่ายกว่าด้วย เหมือนจะตอกตะปูตัวเดียว คุณไม่ต้องไปเช่ารถเครนมาหรอกครับ ค้อนอันเดียวก็จบ การเลือกของให้ “พอดีกับงาน” ต่างหากที่เป็นฝีมือ

ระวังสับสน — อัลกอริทึม ไม่เท่ากับ โมเดล#

ตรงนี้เป็นจุดที่คนงงบ่อยมาก ผมขอแยกให้ชัดเลยครับ เพราะมันมักถูกพูดปนกัน —

• อัลกอริทึม = “วิธีเรียน” คือสูตรหรือกระบวนการที่ใช้ในการเรียนรู้ (ยังไม่ได้เรียนอะไร เป็นแค่วิธี)
• โมเดล = “ผลลัพธ์ที่เรียนจบแล้ว” คือสิ่งที่ได้ออกมาหลังจากเอาอัลกอริทึมไปป้อนข้อมูลจนเรียนเสร็จ พร้อมใช้งานจริง

เปรียบให้เห็นภาพ — อัลกอริทึมเหมือน “หลักสูตรการสอนทำอาหาร” ส่วนโมเดลเหมือน “เชฟที่เรียนจบหลักสูตรนั้นแล้ว” หลักสูตรเดียวกัน เอาไปสอนคนละคน ฝึกกับวัตถุดิบคนละแบบ ก็ได้เชฟที่ถนัดคนละอย่าง คนนึงเก่งของหวาน อีกคนเก่งอาหารทะเล

เวลาเราใช้งาน ChatGPT หรือแอป AI ต่างๆ สิ่งที่เราคุยด้วยจริงๆ คือ “โมเดล” (เชฟที่เรียนจบแล้ว) ไม่ใช่ “อัลกอริทึม” (หลักสูตร) ครับ อัลกอริทึมมันทำงานหน้าที่ของมันไปแล้วตั้งแต่ตอนสร้าง — เปรียบเหมือนหลักสูตรที่ใช้ปั้นเชฟเสร็จไปแล้ว เราเลยไม่เห็นมันตอนใช้งาน

สรุปหัวใจของอัลกอริทึม: มันคือ “วิธี” หรือ “สูตร” ที่โมเดลใช้เรียนรู้จากข้อมูล มันคือกระบวนการลอง-ผิด-ปรับ-จนเก่งขึ้น ตัวมันเองคนทำ AI เป็นคนเลือกว่าจะใช้สไตล์ไหน แต่พอเลือกแล้ว มันจะเรียนเอง สังเกตเอง ปรับตัวเองไปเรื่อยๆ จนกลายเป็น “โมเดล” ที่พร้อมใช้งาน

ปุ่มที่ 1 — “ให้มันเรียนเร็วแค่ไหน”#

ปุ่มนี้น่าจะเป็นปุ่มที่ดังที่สุดและเข้าใจง่ายที่สุดครับ ชื่อทางเทคนิคเขาเรียกว่า learning rate (เลิร์นนิ่งเรท แปลตรงตัวคือ “อัตราการเรียนรู้”)

ลองนึกภาพแบบนี้ครับ — สมมติคุณกำลังหัดเดินลงเขาในที่มืด เป้าหมายคือเดินไปให้ถึงจุดต่ำสุดของหุบเขา

• ถ้าคุณ ก้าวทีละก้าวใหญ่ๆ คุณจะลงเร็วก็จริง แต่เสี่ยงก้าวข้ามจุดต่ำสุดไปเลย แล้วเดินวนไปวนมาหาไม่เจอสักที
• ถ้าคุณ ย่องทีละก้าวเล็กๆ คุณจะค่อยๆ คลำหาจุดต่ำสุดได้แม่นมาก แต่กว่าจะถึงก็ใช้เวลานานมหาศาล

“ขนาดของก้าว” ตรงนี้แหละครับคือ learning rate ถ้าคนทำ AI ตั้งให้มันเรียนเร็วเกินไป (ก้าวใหญ่ไป) โมเดลจะมั่ว เรียนไม่นิ่งสักที แต่ถ้าตั้งให้ช้าเกินไป (ก้าวเล็กไป) ก็เสียเวลาและเสียเงินค่าเครื่องไปเปล่าๆ กว่าจะเรียนจบ — เป้าหมายคือหา “ก้าวที่พอดี” ครับ

อีกอุปมาที่ผมชอบใช้คือการสอนคนขับรถครับ — ครูที่ใจร้อน เร่งให้ลูกศิษย์ออกถนนใหญ่เลยตั้งแต่วันแรก (เรียนเร็วเกิน) ลูกศิษย์ก็พังตั้งแต่ยังไม่ทันได้อะไร แต่ครูที่ให้ฝึกถอยเข้าซองอยู่นั่นเป็นเดือนๆ ไม่ยอมให้ออกถนนสักที (เรียนช้าเกิน) กว่าจะขับเป็นก็เสียเวลาไปเยอะ ความพอดีมันอยู่ตรงกลางครับ และตรงกลางที่ว่านี่แหละที่หายาก

ปุ่มที่ 2 — “ให้มันทบทวนบทเรียนกี่รอบ”#

อีกปุ่มที่เข้าใจง่ายคือ “จะให้โมเดลดูข้อมูลทั้งกองวนซ้ำกี่รอบ” ครับ

เหมือนเด็กอ่านหนังสือสอบนั่นแหละครับ —

• อ่าน รอบเดียว ก็อาจจะยังจำไม่หมด ทำข้อสอบได้ไม่ดี (ในวงการเรียกอาการนี้ว่า underfitting หรือ “เรียนไม่พอ”)
• แต่ถ้าอ่าน ซ้ำเป็นร้อยรอบ จนท่องได้ทุกตัวอักษร พอเจอข้อสอบที่ถามพลิกนิดเดียว กลับทำไม่ได้ เพราะเอาแต่ท่องจำ ไม่ได้เข้าใจจริง (อาการนี้เรียกว่า overfitting หรือ “ท่องจำจนเกินไป จำเฉพาะของเดิม พอเจอของใหม่ก็จ๋อย”)

เห็นไหมครับว่ามันต้อง “พอดีๆ” อีกแล้ว ตั้งน้อยไปก็เรียนไม่พอ ตั้งมากไปก็ท่องจำเกินจนใช้กับของจริงไม่ได้ คนทำ AI ต้องคอยดูตรงนี้

ปุ่มที่ 3 — “ให้มันดูข้อมูลทีละกี่ชิ้น”#

ปุ่มสุดท้ายที่ผมขอยกเป็นตัวอย่าง คือ “แต่ละครั้งที่โมเดลปรับตัว ให้มันดูข้อมูลทีละกี่ชิ้น” ครับ

เหมือนการตรวจการบ้านนักเรียนนั่นแหละ — จะตรวจทีละใบแล้วให้คอมเมนต์ทันที (ละเอียดดีแต่ช้า) หรือจะรวบมาตรวจทีละปึกใหญ่ๆ แล้วค่อยให้คอมเมนต์รวม (เร็วกว่าแต่หยาบกว่านิดหน่อย) ตรงนี้ก็เป็นปุ่มที่คนต้องเลือกตั้งเหมือนกัน

ปุ่มที่ 4 — “ให้โครงสร้างมันใหญ่แค่ไหน”#

ปุ่มสุดท้ายที่ผมอยากเล่า คือเรื่อง “ขนาด” หรือ “ความซับซ้อน” ของโมเดลครับ พูดง่ายๆ คือ เราจะให้สมองของมันใหญ่แค่ไหน มีชั้นการคิดซ้อนกันกี่ชั้น

ลองนึกถึงการสร้างทีมงานในร้านครับ — งานเล็กๆ คุณจ้างคนคนเดียวก็เอาอยู่ ถ้าไปจ้างมาทั้งแผนกสิบคนทำงานเดียวกัน ก็เปลืองเงินเดือนเปล่าๆ แถมคนเยอะเกินยังเกี่ยงงานกันอีก แต่ถ้างานมันใหญ่จริงๆ คุณจ้างคนเดียวก็ทำไม่ไหว ต้องมีทีม

โมเดล AI ก็เหมือนกัน ตั้งให้ “สมองเล็กไป” มันก็เรียนงานยากๆ ไม่ไหว แต่ตั้งให้ “สมองใหญ่เกินงาน” ก็เปลืองทรัพยากร ฝึกช้า แถมยังเสี่ยงไปจำขยะรายละเอียดที่ไม่จำเป็นอีก (ปัญหาท่องจำเกินที่ผมจะเล่าต่อไป) ความพอดีอีกแล้วครับ

ผมยกมา 4 ปุ่มพอเป็นน้ำจิ้มนะครับ ของจริงมันมีปุ่มให้หมุนเยอะกว่านี้อีกเยอะมาก แต่ใจความสำคัญที่ผมอยากให้จำคือ ปุ่มพวกนี้ “อัลกอริทึมตั้งเองไม่ได้” ต้องมีคนมานั่งหมุนเอง และการหมุนให้ลงตัวนี่แหละคือศิลปะ สังเกตไหมครับว่าเกือบทุกปุ่มที่ผมเล่ามา มันมีคำว่า “พอดี” โผล่มาตลอด ไม่ใช่ยิ่งมากยิ่งดี ไม่ใช่ยิ่งเร็วยิ่งดี แต่เป็นการหา “จุดพอดี” ของแต่ละปุ่ม และนี่แหละครับคือเหตุผลที่งานจูนถึงได้ยากนัก

ขอรวบปุ่มทั้งหมดไว้ในตารางเดียว เผื่อกลับมาเปิดดู#

(ย้ำว่าตารางนี้ผมเขียนคำเป็นภาษาบ้านๆ เองนะครับ ไม่ใช่ศัพท์ทางการเป๊ะ ตั้งใจให้เจ้าของกิจการอ่านรู้เรื่องเป็นหลัก)

ลองดูว่าการจูนหนึ่งรอบมันเป็นยังไง#

เพื่อให้เห็นภาพ ผมขอเล่าเป็นฉาก สมมติ ว่าคนทำ AI เขานั่งจูนกันยังไงนะครับ (สมมติล้วนๆ เพื่อให้เข้าใจขั้นตอน) —

1. เขาตั้งปุ่มชุดแรกตามที่เดาว่าน่าจะดี เช่น เรียนความเร็วระดับกลาง ทบทวนสัก 10 รอบ
2. กดปุ่มฝึก แล้วก็… รอ ครับ บางทีรอเป็นชั่วโมง บางงานใหญ่ๆ รอเป็นวันก็มี เพราะเครื่องต้องประมวลผลข้อมูลกองโต
3. พอฝึกเสร็จ เอาโมเดลไปลองทดสอบดูว่าทายแม่นแค่ไหน — อ้าว ยังไม่ค่อยดี
4. เขาก็มานั่งคิดว่า “เอ๊ะ มันท่องจำเกินไปหรือเปล่า ลองลดรอบทบทวนลงดีไหม” หรือ “ลองขยับความเร็วการเรียนดูไหม”
5. ปรับปุ่ม กดฝึกใหม่ รอใหม่ ทดสอบใหม่ — วนแบบนี้ไปเรื่อยๆ

เห็นไหมครับว่าแต่ละรอบมันไม่ได้เร็วเลย มี “การรอ” คั่นอยู่ตลอด และกว่าจะเจอชุดปุ่มที่ลงตัว อาจจะต้องวนหลายสิบรอบ นี่แหละครับคือเหตุผลที่การจูนกินเวลา ไม่ใช่เพราะคนทำงานช้า แต่เพราะธรรมชาติของมันคือ “ลองแล้วรอ ลองแล้วรอ”

ทำไมจูนถึงยาก — เพราะปุ่มมันเยอะ และมันกวนกันเอง#

ลองนึกภาพเครื่องเสียงรุ่นเก่าที่มีปุ่มหมุนเป็นสิบๆ ปุ่ม — เบส แหลม กลาง เสียงสะท้อน บลาๆ ครับ ทีนี้คุณอยากได้เสียงที่เพราะที่สุด

ปัญหาคือ พอคุณหมุนปุ่มเบสเพิ่ม เสียงแหลมดันเพี้ยนตาม พอแก้แหลม กลางก็พังอีก — ปุ่มมันส่งผลกระทบถึงกันหมด หมุนตัวนึงกระทบอีกตัว เลยหาจุดที่ลงตัวพร้อมกันทุกปุ่มได้ยากมาก

การจูน hyperparameter ก็เป็นแบบนั้นเป๊ะเลยครับ ปุ่ม “เรียนเร็วแค่ไหน” กับปุ่ม “ทบทวนกี่รอบ” มันส่งผลถึงกัน คุณจะหมุนทีละปุ่มแยกกันไม่ได้ ต้องลองหลายๆ ชุดผสมกัน แล้วดูว่าชุดไหนให้ผลดีที่สุด — ซึ่งจำนวนชุดที่เป็นไปได้มันเยอะมหาศาล

ผมขอเปรียบอีกแบบให้เห็นภาพชัดขึ้น ลองนึกถึงการปรุงน้ำจิ้มแจ่วให้อร่อยที่สุดดูครับ คุณมีของให้ปรับหลายอย่าง เปรี้ยว เค็ม เผ็ด หวาน พอเติมมะนาวเพิ่มให้เปรี้ยวขึ้น ความเค็มมันก็เจือจางลงตาม ต้องเติมน้ำปลาตาม พอเค็มขึ้นก็รู้สึกเผ็ดน้อยลงอีก… วนแบบนี้ มันไม่ได้มีสูตรเป๊ะว่า “ใส่มะนาวกี่ช้อน” เพราะมันขึ้นกับว่าของอื่นใส่ไปเท่าไหร่ คนปรุงเก่งคือคนที่ชิมแล้วรู้เลยว่า “ขาดอะไร ควรเติมอะไรก่อน” การจูนโมเดลก็ต้องการสัญชาตญาณแบบนั้นเหมือนกันครับ และสัญชาตญาณนี้มาจากประสบการณ์ล้วนๆ

💡 มุมเจ้าของกิจการ: เวลาทีมเทคบอกคุณว่า “ขอเวลาอีกหน่อยครับ กำลังจูนโมเดลอยู่” — เขาไม่ได้อู้งานนะครับ การจูนนี่แหละคือขั้นที่ทำให้โมเดลตัวเดิมๆ จากที่ใช้งานได้พอใช้ กลายเป็นใช้งานได้ดีจริง มันเหมือนช่างที่กำลังนั่งเซ็ตอัพรถแข่งให้ลงตัวก่อนออกสนาม เครื่องเดียวกัน แต่จูนดีกับจูนแย่ วิ่งคนละเรื่องเลยครับ

จูนดี กับ จูนไม่ดี ต่างกันแค่ไหน#

ผมขอยกตัวอย่าง สมมติ ให้เห็นภาพนะครับ (ย้ำว่าเป็นตัวอย่างที่ผมแต่งขึ้นเองเพื่อให้เห็นภาพ ไม่ใช่ตัวเลขจริงจากที่ไหน) —

สมมติคุณมีโมเดลที่เอาไว้ทายว่าลูกค้าคนไหนกำลังจะเลิกซื้อของจากร้าน (จะได้รีบโทรไปดูแลก่อน) ถ้าจูนไม่ดี โมเดลอาจจะทายมั่วๆ เตือนผิดเตือนถูกจนทีมขายเลิกเชื่อมันไปเลย แต่พอจูนปุ่มให้ลงตัว โมเดลตัวเดียวกันนั่นแหละ อาจจะทายแม่นขึ้นจนทีมขายเริ่มไว้ใจและใช้งานจริง

สังเกตนะครับว่าผมไม่ได้ใส่ตัวเลขเป๊ะๆ ว่าแม่นขึ้นกี่เปอร์เซ็นต์ เพราะมันขึ้นอยู่กับงาน ข้อมูล และอีกหลายปัจจัย ผมเลยขอเล่าเป็นทิศทางว่า “จากใช้ไม่ค่อยได้ กลายเป็นใช้ได้จริง” ก็พอ ใครมาบอกคุณว่า “จูนแล้วแม่นขึ้น 47% เป๊ะๆ” โดยไม่บอกที่มา ก็ฟังหูไว้หูนะครับ

สองหลุมพรางที่การจูนคอยระวัง — “เรียนไม่พอ” กับ “ท่องจำเกิน”#

ผมเอ่ยถึงสองคำนี้ไปแล้วประปราย แต่ขอรวบมาเล่าให้ชัดตรงนี้เลย เพราะมันคือสองหลุมที่คนจูนต้องคอยหลบตลอดเวลา และมันอธิบายได้ด้วยภาษาคนล้วนๆ ครับ

ลองนึกถึงเด็กสองคนที่เตรียมตัวสอบ —

• เด็กคนแรก อ่านหนังสือน้อยไป พอเข้าห้องสอบก็ทำไม่ค่อยได้ เพราะความรู้ไม่พอ — อาการนี้เรียกว่า “เรียนไม่พอ” (underfitting) โมเดลแบบนี้คือมันยังจับแก่นของงานไม่ได้ ทายอะไรก็มั่วๆ ทั้งของเก่าของใหม่
• เด็กคนที่สอง ท่องหนังสือจนจำได้ทุกตัวอักษร แต่ท่องแบบนกแก้วนกขุนทอง ไม่ได้เข้าใจจริง พอข้อสอบถามพลิกนิดเดียวจากที่ท่องมา ก็ทำไม่ได้ทันที — อาการนี้เรียกว่า “ท่องจำเกิน” (overfitting) โมเดลแบบนี้คือมันเก่งมากกับข้อมูลเก่าที่เคยเห็น แต่พอเจอเคสใหม่จริงๆ กลับจ๋อย

นี่คือสาเหตุที่ผมบอกว่าทุกปุ่มมีคำว่า “พอดี” — เพราะถ้าจูนพลาดไปทางหนึ่ง ก็ตกหลุม “เรียนไม่พอ” ถ้าพลาดอีกทาง ก็ตกหลุม “ท่องจำเกิน” คนจูนเก่งๆ คือคนที่เดินอยู่บนเส้นบางๆ ตรงกลางระหว่างสองหลุมนี้ได้

💡 มุมเจ้าของกิจการ: หลุม “ท่องจำเกิน” นี่อันตรายแบบเงียบๆ ครับ เพราะเวลาทีมเทคโชว์ผลให้คุณดู มันอาจจะดูสวยหรูมาก “ทดสอบแล้วแม่นเกือบร้อยเปอร์เซ็นต์เลยครับ!” แต่นั่นอาจเป็นเพราะมันทดสอบกับข้อมูลชุดเดิมที่มันเคยเห็นตอนเรียน (เหมือนเอาข้อสอบที่เด็กเคยท่องมาให้ทำ) พอเอาออกไปเจอลูกค้าจริงที่ไม่เคยเห็น กลับมั่วซะงั้น คำถามที่คุณควรถามคือ “ทดสอบกับข้อมูลที่มันไม่เคยเห็นมาก่อนหรือเปล่า” นี่แหละครับคือคำถามเด็ดที่แยกของจริงออกจากของหลอกตาได้เลย

ขอขยายความคำถามเด็ดนั้นอีกนิดนะครับ เพราะมันมีหลักคิดง่ายๆ ที่คนทำ AI เขาใช้กัน เวลาจะสอนโมเดล เขาจะ ไม่เอาข้อมูลทั้งหมดไปสอน ครับ แต่จะกันส่วนหนึ่งเก็บไว้ “ไม่ให้โมเดลเห็น” เลย เหมือนคุณครูที่กันข้อสอบบางชุดไว้ ไม่เอาไปให้เด็กดูตอนติว พอถึงเวลาวัดผล ค่อยเอาข้อสอบชุดที่เด็กไม่เคยเห็นนั้นมาทดสอบ ถ้าเด็กทำได้ดี ก็แปลว่าเขา “เข้าใจจริง” ไม่ใช่แค่ “ท่องจำของเก่า”

โมเดล AI ก็ใช้ทริกเดียวกันเป๊ะครับ กันข้อมูลส่วนหนึ่งไว้เป็น “ข้อสอบลับ” สำหรับวัดผล พอเข้าใจตรงนี้ คุณจะรู้ทันทีว่าทำไมการถามว่า “ทดสอบกับข้อมูลที่ไม่เคยเห็นไหม” ถึงสำคัญ — เพราะถ้าเขาเอาข้อสอบให้เด็กดูก่อนสอบ คะแนนเต็มก็ไม่ได้แปลว่าเด็กเก่งจริงนี่ครับ จริงไหม

มันคืองาน “ลองผิดลองถูก” ที่ต้องใช้ทั้งประสบการณ์และความอดทน#

หัวใจที่ผมอยากให้เข้าใจคือ การจูนมันไม่ใช่ว่ามีสูตรสำเร็จกดปุ่มเดียวจบ มันคืองาน ลองผิดลองถูกอย่างมีหลักการ ครับ คนที่เก่งคือคนที่มีประสบการณ์พอจะเดาได้ว่า “ปุ่มนี้น่าจะหมุนทางไหนก่อน” ทำให้ลองน้อยครั้งกว่า เสียเวลาเสียเงินค่าเครื่องน้อยกว่า

สมัยนี้เขาก็มีเครื่องมือมาช่วยจูนให้อัตโนมัติบ้างแล้วครับ (ให้คอมลองหมุนปุ่มหลายๆ ชุดเองแล้วเลือกชุดที่ดีที่สุดมาให้) แต่สุดท้ายคนก็ยังต้องเป็นคนกำหนดกรอบ คอยดู และตัดสินใจอยู่ดี มันยังเป็นงานที่ “คน” ถือพวงมาลัยครับ ผมชอบเปรียบว่ามันเหมือนหุ่นยนต์ดูดฝุ่นในบ้าน คือมันวิ่งเก็บฝุ่นเองได้ก็จริง แต่คุณก็ยังต้องเป็นคนกำหนดว่าให้มันทำห้องไหน เก็บสายไฟให้พ้นทางก่อน แล้วก็คอยดูว่ามันไปติดอยู่ใต้โซฟาหรือเปล่า เครื่องมือช่วยทุ่นแรงได้ แต่ไม่ได้แทนคนคิดทั้งหมดครับ

”สามวัตถุดิบ” ที่ทำให้ AI ตัวหนึ่งออกมาดีหรือแย่#

อ่านมาถึงตรงนี้ ผมอยากชวนคุณถอยออกมามองภาพรวมสักนิดครับ จะได้เห็นว่าสิ่งที่เราคุยกันทั้งตอนนี้ มันต่อกันเป็นภาพเดียวยังไง

ผมมองว่า AI ตัวหนึ่งที่ออกมาดีหรือแย่ มันมาจาก “สามวัตถุดิบ” ผสมกัน เหมือนทำอาหารเลยครับ —

เห็นไหมครับว่ามันต้องดีพร้อมกันทั้งสามอย่าง — วัตถุดิบดี (ข้อมูลดี) + เลือกสูตรเหมาะ (อัลกอริทึมเหมาะ) + คุมไฟดี (จูน hyperparameter ดี) ขาดอย่างใดอย่างหนึ่ง อาหารก็ออกมาไม่อร่อย

ที่ผมเน้นเรื่องนี้เพราะ vendor หลายเจ้าชอบโม้แต่เรื่องเดียว เช่น “เราใช้อัลกอริทึมล้ำสุดในตลาด!” — แต่ถ้าข้อมูลที่เขาเอาไปสอนมันห่วย หรือจูนไม่เป็น ผลลัพธ์ก็ยังแย่อยู่ดีครับ เก่งสูตรอย่างเดียวแต่ใช้วัตถุดิบเน่า ก็จบเห่