Data Science Machine Learning

สรุปเนื้อหาคอร์สเรียน AI For Everyone – ตอนที่ 4/4

สัปดาห์สุดท้ายของคอร์ส AI For Everyone อธิบายผลกระทบของ AI ที่มีต่อสังคม เศรษฐกิจ ความเท่าเทียมกัน และเรื่องงานในอนาคต เราเขียนสรุปเป็น 4 หัวข้อดังนี้

  • AI และปัญหา DeepFake
  • AI และการกีดกันทางเพศ สีผิว และประชาธิปไตย
  • AI ไม่ได้เห็นทุกอย่างเหมือนที่ตาเราเห็น
  • AI และผลกระทบต่อตลาดแรงงานในอนาคต

What is DeepFake?

DeepFake เป็นการผสมคำระหว่าง deep learning + fake เป็นเทคนิคการสังเคราะห์ใบหน้ามนุษย์เสมือนจริง (human image synthesis) แล้วนำไปใช้ในทางที่ผิด เช่น ทำให้ใบหน้าเหล่านั้นพูดในสิ่งที่เค้าไม่เคยพูด ด้านล่างเป็นตัวอย่างวีดีโอ DeepFake ของ Barack Obama อดีตประธานาธิบดีสหรัฐอเมริกา

ในวีดีโอ Obama ตัวปลอมพูดว่า “ปธน. Trump เป็นคนที่โง่บรรลัยเลย .. เห็นมั้ย? ในชีวิตจริงผมคงไม่พูดแบบนี้ อย่างน้อยก็ไม่พูดในสถานที่สาธารณะ เรากำลังใช้ชีวิตอยู่ในยุคสมัยที่น่ากลัว”

วีดีโอ deep fake ของ Barack Obama ที่มา – BuzzFeedVideo

DeepFake เป็นปัญหาใหญ่ที่ส่งผลหลายอย่างบนอินเตอร์เน็ต โดยเฉพาะเรื่องการสร้างและกระจายข่าวสารแบบผิดๆ (false information) เพื่อผลประโยชน์ของคนกลุ่มใดกลุ่มหนึ่งโดยเฉพาะเรื่องการเมือง

ข่าวที่อยู่บน social media ตอนนี้มีทั้งข่าวจริง-ข่าวปลอมแยกกันไม่ค่อยออก ตัว Mark Zuckerberg เองเคยออกมายอมรับว่า <facebook> มีผลไม่มากก็น้อยต่อการเลือกตั้ง ปธน. ในปี 2016 ที่ช่วยให้ Donald Trump ได้ขึ้นรับตำแหน่งที่ทรงพลังที่สุดในโลก (ทั้งๆที่เค้าอาจไม่ควรได้รับมัน) ทำไมนึกถึงลุงแถวบ้าน ผ๊าม! 555+

AI Newest Model – GAN

Ian Goodfellow (2014) นักวิจัย AI ลูกศิษย์มือหนึ่งของ Andrew Ng เป็นผู้พัฒนา Generative Adversarial Network หรือเรียกสั้นๆว่า GAN ที่ใช้ในการสร้างใบหน้าเทียมในวีดีโอ DeepFake

Yann LeCun หัวหน้าทีม AI ของ facebook ถึงกับเอ่ยปากชื่นชมโมเดลนี้ว่า “เป็นไอเดียที่น่าสนใจที่สุดในช่วง 10 ปีที่ผ่านมาของวงการ AI/ ML” และทำให้ Goodfellow กลายเป็น AI superstar ที่ทั่วโลกต้องจับตามอง

GAN ที่เทรนด้วยข้อมูลใบหน้าดารา Hollywood สามารถสังเคราะห์หน้าดาราคนใหม่ที่ไม่มีตัวตนจริงๆในโลกนี้ได้อย่างแนบเนียน ในชีวิตจริงจะมีเหตุผลอะไรที่ต้องสร้าง fake identity แบบนี้หรือเปล่า? ต่อไปเราอาจได้ดูหนัง Hollywood ที่ใช้ตัวละคร DeepFake ทั้งเรื่องก็เป็นไปได้

ใบหน้าของคนที่ไม่มีอยู่จริงในโลกใบนี้ สร้างโดย GANs ที่มา – The Verge

AI and Discrimination

Discrimination (n.) ภาษาอังกฤษแปลว่าการแบ่งแยก กีดกันทางสังคม เป็นอีกหนึ่งปัญหาที่นักวิจัย AI ให้ความสำคัญมาก เราไม่อยากสร้าง AI ที่มี bias และตัดสินใจเพื่อผลประโยชน์ของคนกลุ่มใดกลุ่มหนึ่งเท่านั้น

แล้วทำไม AI ถึงมี bias ในเมื่อมันเป็นแค่เครื่องจักรที่เราสร้างขึ้นมาไม่ใช่หรอ? ก็เพราะมนุษย์มี bias ไง ข้อมูลที่เราเก็บมาแล้วเอาไปสอน AI ก็มี bias ที่เห็นได้ชัดคือเรื่อง gender bias/ discrimination การแบ่งแยกกีดกันทางเพศ ด้านล่างเป็นตัวอย่างที่ Andrew เล่าให้ฟังในคอร์สนี้

ถ้าเราดึงข้อมูล text ในอินเตอร์เน็ตมาสอน AI ว่าผู้ชายผู้หญิงคืออะไร? คำตอบของ AI สำหรับผู้หญิงคือ แม่ ราชินี และแม่บ้าน แสดงให้เห็นถึง bias เรื่องอาชีพที่มีอยู่จริงในสังคม ความน่าจะเป็นของผู้หญิงทำงานเป็นโปรแกรมเมอร์ในปัจจุบันต่ำกว่าผู้ชายมาก แต่ไม่ได้แปลว่า “พวกเค้าจะทำงานอย่างพวกเรา (ผู้ชาย) ไม่ได้”

Women can be a homemaker computer programmer – just like men do.

#ผู้ชายผู้หญิง
1FatherMother
2KingQueen
3Computer ProgrammerHomemaker

เพจเราสนับสนุนให้ผู้หญิงเริ่มเขียนโค้ดมากขึ้น ไม่ยากอย่างที่คิดและทุกคนสามารถทำได้ ถ้าลองดู profile ของเพจเราจะเห็นว่าจำนวนผู้หญิงที่ติดตามเพจเราอยู่ที่ 50% ไม่น้อยไปกว่าผู้ชายเลย

Computers Don’t See Like Human

คอมพิวเตอร์ไม่ได้เห็นทุกอย่างเหมือนที่ตาเราเห็น อย่างในรูปด้านล่างเราเห็นแล้วก็บอกได้ทันทีว่ารูปซ้ายคือเสื้อแขนยาว ส่วนรูปขวาคือรองเท้าบู๊ท แต่สิ่งที่ AI เห็นคือ matrix ขนาด 25 x 25 และตัวเลขระหว่าง 0-255

classifying clothes using TensorFlow ที่มา – medium

ตัวเลข 0-255 คือเลขที่บอกระดับความมืด-สว่างของรูปภาพแบบ grayscale โดยที่ 0 คือสีดำและ 255 คือสีขาว เราเรียกค่าที่อยู่ใน matrix นี้ว่า “pixel” ที่ประกอบกันเป็นรูปภาพหนึ่งๆ

ประเด็นของเรื่องนี้คือการเปลี่ยนค่า pixel บางจุด ตามนุษย์จะไม่มีทางมองเห็นได้เลย แต่คอมพิวเตอร์มองเห็นทุกการเปลี่ยนแปลงในภาพได้อย่างชัดเจน และส่งผลโดยตรงกับความสามารถในการทำนายผล (ทำให้แย่ลง) กลายเป็นจุดอ่อนที่ทำให้ AI ก็โดนหลอกได้ง่ายๆเหมือนกัน การจงใจ manipulate ข้อมูลเพื่อปั่นหัว AI แบบนี้เรียกว่า Adversarial Attacks โลกนี้ไม่ได้มีแต่คนที่ใช้ AI ในทางที่ดีเท่านั้น ยังมีคนบางกลุ่มที่นำ AI ไปใช้สร้างปัญหามากมาย เช่น ปัญหา fraud และการเจาะรหัส password

Andrew ยกตัวอย่างกรณี spam email ที่มีคนพยายามจะส่งข้อความ phishing เข้ากล่องข้อความของเรา แต่ Google ก็พยายามจะบล๊อคพวกสแปมเหล่านั้น เป็นการแข่งขันแบบ zero-sum game ที่สุดท้ายไม่มีใครชนะทั้งฝั่งคนดีและคนเลว เช่น phishing ส่งมา 100 -> Google ก็บล๊อค 100 หักลบกันเท่ากับศูนย์

Goldilocks Rule of AI

Andrew พูดถึง “Goldilocks Rule” เกี่ยวกับแนวคิดเรื่อง AI โดยทั่วไปความเชื่อมนุษย์จะแบ่งเป็นสามประเภท ได้แก่ too positive (ดีเกินไป), too negative (ร้ายเกินไป) และ just right belief (กำลังดี)

  • too positive เชื่อว่า AI จะทำได้แบบ Skynet ในหนังเรื่อง Terminator มีความรู้สึกนึกคิดเป็นของตัวเอง
  • too negative เชื่อว่า AI ทำอะไรไม่ได้มากกว่านี้แล้วและ AI winter กำลังจะกลับมา
  • just right เชื่อว่า AI ทำไม่ได้ทุกอย่างแต่อย่างน้อยก็ช่วยเปลี่ยนแปลงชีวิตพวกเราในทางที่ดีขึ้น ยอมรับว่า AI เองก็มีข้อจำกัด เช่น biased AI ที่เราอธิบายด้านบน
ฤดูหนาว AI กำลังจะกลับมา? รูปภาพจากซีรี่ Game of Thrones

อธิบาย – AI winter ไม่ได้เกี่ยวอะไรกับ Game of Thrones 555+ แต่มันคือเหตุการณ์ในอดีตบางช่วงเวลาที่นักวิจัยเลิกสนใจ AI เพราะติดข้อจำกัดหลายๆอย่าง เช่น คอมพิวเตอร์ไม่มีแรงพอจะประมวลผลข้อมูลเยอะๆ (ปัญหาเมื่อหลายสิบปีก่อน) ไม่มี wow result ออกมาให้เห็นจนทำให้นักลงทุนไม่อยากลงทุนใน AI อีกแล้ว

The Goldilocks Rule of AI คือการเปิดรับทุกความเป็นไปได้ แต่ก็เข้าใจข้อจำกัดของ AI ทำงานด้วยความเชื่อแบบ just right ไม่หวั่นไหวกับ AI hype หรือคำโฆษณาเกินจริงในสื่อทุกวันนี้

The Future of Jobs

McKinsey Global Institute (2017) ได้ทำนายปริมาณงานทั่วโลกที่จะถูก disrupt ด้วย AI automation ภายในปี 2030 ถึงแม้หลายๆงานจะถูกแทนที่ด้วย AI ในขณะเดียวกันก็จะมีงานใหม่เกิดขึ้นมาอีกเยอะมาก โดยเฉพาะงานด้านเทคโนโลยีที่ต้องนำ AI ไปประยุกต์ใช้ เช่น custom DNA-based drug designer ออกแบบยาที่เหมาะสมกับ DNA ผู้ป่วย หรือการออกแบบ 3D printing ด้านแฟชั่น เป็นต้น

ตำแหน่งงานที่จะหายไปตำแหน่งงานที่จะเพิ่มขึ้น
400-800 ล้าน555-890 ล้าน

อาชีพและตำแหน่งงานที่มีความเสี่ยงสูงที่จะถูกแทนที่ด้วย AI automation เป็นงาน routine + repetitive ที่ไม่ต้องใช้ทักษะอะไรเยอะ คำถามสำคัญที่เราต้องตอบให้ได้คือทำยังไงถึงจะไม่ถูกแทนที่ด้วย AI ต้องมีทักษะอะไรถึงจะเป็นที่ต้องการของตลาดแรงงานในอนาคต

Image result for AI impact on jobs OECD
ตำแหน่งงานที่มีโอกาสโดนแทนที่ด้วย AI automation ที่มา – The Economist

Andrew อธิบายว่าทักษะที่สำคัญที่สุดที่ทุกคนต้องมีคือ Learning skill โมเดลการศึกษาแบบเก่าส่งลูกไปเข้าเรียนมหาวิทยาลัย 3-4 ปีไม่ตอบโจทย์กับโลกที่มันเปลี่ยนแปลงโคตรเร็วในปัจจุบันนี้แล้ว ทุกวันนี้อยากรู้อะไรก็เปิด Google หาเรียนออนไลน์ได้เลย เราเป็นอะไรก็ได้ที่เราอยากเป็น เรียนอะไรก็ได้ที่เราอยากเรียน!

และนี้คือบทสรุปที่อยากให้ทุกคนได้จากคอร์สนี้ – “ในฐานะมนุษย์ เราต้องไม่หยุดที่จะเรียนรู้” เตรียมตัวเองให้พร้อมกับทุกอย่างที่จะเกิดขึ้นในอนาคต

2 comments

  1. ขอบคุณมากครับสำหรับบทความดีดี ผมอ่านครับทั้ง 4 ตอนแล้ว
    ทำให้เข้าใจโลกของ AI มากขึ้นเยอะเลย

    เป็นกำลังใจให้ทำบทความดีดีเพิ่มขึ้นต่อไปครับผม

Leave a Reply

This site uses Akismet to reduce spam. Learn how your comment data is processed.