ເຄືອຂ່າຍປະສາດທຽມ (Neural Network) ສາມາດໃຫຍ່ເກີນໄປໄດ້ບໍ?

ລອງນຶກພາບເບິ່ງວ່າ ຖ້າທ່ານຕ້ອງການຈັດສົ່ງເຂົ້າປຽກເສັ້ນແຊບໆຈັກໜຶ່ງຖ້ວຍ ໃຫ້ລູກຄ້າທີ່ຢູ່ຮ່ອມນ້ອຍໆໃນນະຄອນຫຼວງວຽງຈັນ, ທ່ານຈະເລືອກໃຊ້ລົດຈັກນ້ອຍ ຫຼື ຈະລົງທຶນຊື້ລົດບັນທຸກ 18 ລໍ້ຂະໜາດໃຫຍ່ເພື່ອໄປສົ່ງ?

ຄຳຕອບແມ່ນຊັດເຈນຢູ່ແລ້ວວ່າ ລົດບັນທຸກນັ້ນ “ໃຫຍ່ເກີນຄວາມຈຳເປັນ”, ທັງຊັກຊ້າ, ຫາບ່ອນຈອດຍາກ, ເປືອງນ້ຳມັນ ແລະ ທີ່ສຳຄັນຄື ມັນບໍ່ສາມາດແລ່ນເຂົ້າຮ່ອມນ້ອຍໆໄດ້ເລີຍ.

ໃນໂລກຂອງເຕັກໂນໂລຊີປັນຍາປະດິດ (AI) ກໍເຊັ່ນດຽວກັນ. ຫຼາຍຄົນມັກຈະຄິດວ່າ ການສ້າງ ເຄືອຂ່າຍປະສາດທຽມ (Neural Network) ໃຫ້ມີຂະໜາດໃຫຍ່ເທົ່າໃດ ກໍຍິ່ງຈະເຮັດໃຫ້ມັນສະຫຼາດຫຼາຍຂຶ້ນເທົ່ານັ້ນ. ແຕ່ໃນຄວາມເປັນຈິງແລ້ວ, ເຄືອຂ່າຍປະສາດທຽມສາມາດ “ໃຫຍ່ເກີນໄປ” ໄດ້, ແລະ ມັນກໍນຳມາເຊິ່ງບັນຫາຫຼາຍຢ່າງທີ່ພວກເຮົາຈະມາສົນທະນາກັນໃນບົດຄວາມນີ້.

ເຄືອຂ່າຍປະສາດທຽມ (Neural Network) ແມ່ນຫຍັງ?

ເວົ້າແບບເຂົ້າໃຈງ່າຍໆ, ເຄືອຂ່າຍປະສາດທຽມ (Neural Network - ຕົວຫຍໍ້: NN) ແມ່ນລະບົບຄອມພິວເຕີທີ່ຖືກອອກແບບມາໃຫ້ຮຽນແບບການເຮັດວຽກຂອງສະໝອງມະນຸດ. ມັນປະກອບດ້ວຍ “ຈຸລັງປະສາດ” ນ້ອຍໆຈຳນວນຫຼາຍທີ່ເຊື່ອມຕໍ່ກັນ ເພື່ອຮຽນຮູ້ຮູບແບບຕ່າງໆຈາກຂໍ້ມູນ.

ຖ້າເຮົາມີຂໍ້ມູນໜ້ອຍ ເຄືອຂ່າຍກໍຈະມີຂະໜາດນ້ອຍ, ຖ້າເຮົາປ້ອນຂໍ້ມູນຫຼາຍຂຶ້ນ ເຮົາກໍມັກຈະເພີ່ມຂະໜາດຂອງເຄືອຂ່າຍໃຫ້ໃຫຍ່ຂຶ້ນ (ມີຈຳນວນຈຸລັງການເຊື່ອມຕໍ່ຫຼາຍຂຶ້ນ) ເພື່ອໃຫ້ມັນຮຽນຮູ້ໄດ້ເລິກເຊິ່ງກວ່າເກົ່າ.

ເປັນຫຍັງ “ໃຫຍ່ກວ່າ” ຈຶ່ງບໍ່ແມ່ນ “ດີກວ່າ” ສະເໝີໄປ?

ເມື່ອເຄືອຂ່າຍປະສາດທຽມມີຂະໜາດໃຫຍ່ເຖິງຈຸດໜຶ່ງ ມັນຈະເກີດສະຖານະການທີ່ເອີ້ນວ່າ “ການຫຼຸດລົງຂອງຜົນຕອບແທນ” (Diminishing Returns). ໝາຍຄວາມວ່າ ການທີ່ເຮົາພະຍາຍາມເພີ່ມໜ່ວຍຄວາມຈຳ ຫຼື ຂະຫຍາຍຂະໜາດໂມເດວໃຫ້ໃຫຍ່ຂຶ້ນອີກ 2 ເທົ່າ, ມັນອາດຈະຊ່ວຍໃຫ້ໂມເດວສະຫຼາດຂຶ້ນພຽງແຕ່ 1% ເທົ່ານັ້ນ. ນີ້ຄືບັນຫາທີ່ຕາມມາເມື່ອໂມເດວໃຫຍ່ເກີນໄປ:

1. ການປະມວນຜົນທີ່ຊັກຊ້າ (ຄືກັນກັບລົດຕິດໃນວຽງຈັນ)

ເມື່ອໂມເດວມີຂະໜາດໃຫຍ່ມະຫາສານ, ທຸກໆຄັ້ງທີ່ມັນຕ້ອງຫາຄຳຕອບ ມັນຈະຕ້ອງຄຳນວນຜ່ານຈຸລັງປະສາດຫຼາຍຕື້ຕົວ. ອັນນີ້ປຽບເໝືອນສະພາບການຈະລາຈອນໃນນະຄອນຫຼວງວຽງຈັນ ຊ່ວງເວລາເລີກວຽກໃນຕອນແລງ. ເມື່ອມີລົດ (ຂໍ້ມູນ) ຫຼາຍເກີນໄປ ແລະ ຖະໜົນຫົນທາງ (ເຄືອຂ່າຍ) ທັບຊ້ອນກັນຫຼາຍ, ການເຄື່ອນທີ່ພາຂໍ້ມູນໄປຫາຈຸດໝາຍປາຍທາງກໍຈະຊັກຊ້າລົງຢ່າງຫຼີກລ່ຽງບໍ່ໄດ້.

2. ຕົ້ນທຶນທີ່ສູງລິບລິ່ວສຳລັບ SME ລາວ

ການໃຊ້ງານໂມເດວຂະໜາດໃຫຍ່ ຕ້ອງການພະລັງງານໄຟຟ້າ ແລະ ເຄື່ອງເຊີບເວີ (Server) ທີ່ມີລາຄາແພງມະຫາສານ. ສຳລັບທຸລະກິດຂະໜາດນ້ອຍ ຫຼື SME ໃນລາວ ເຊັ່ນ: ຮ້ານກາເຟ, ຮ້ານຂາຍເຄື່ອງອອນລາຍ ຫຼື ທຸລະກິດກະສິກຳ; ການລົງທຶນໃຊ້ AI ທີ່ໃຫຍ່ລົ້ນເຫຼືອພຽງເພື່ອມາຊ່ວຍຕອບແຊັດລູກຄ້າ ຫຼື ຈັດການສະຕັອກສິນຄ້າ ຈຶ່ງເປັນການລົງທຶນທີ່ບໍ່ກຸ້ມຄ່າ.

3. ຮຽນແບບນົກແກ້ວນົກຂຸນທອງ (Overfitting)

ຫນຶ່ງໃນບັນຫາໃຫຍ່ທີ່ສຸດຂອງໂມເດວທີ່ໃຫຍ່ເກີນໄປ ຄືອາການທີ່ເອີ້ນວ່າ Overfitting. ນີ້ຄືສະພາບທີ່ໂມເດວ “ຈື່ຈຳ” ທຸກລາຍລະອຽດຂອງຂໍ້ມູນເກົ່າຫຼາຍເກີນໄປ ແທນທີ່ຈະ “ເຂົ້າໃຈ” ຮູບແບບຂອງມັນແທ້ໆ.

• ຕົວຢ່າງໃນທ້ອງຖິ່ນ: ສົມມຸດວ່າເຮົາສ້າງ AI ຂະໜາດໃຫຍ່ຍັກເພື່ອທຳນາຍລະດັບນ້ຳຂອງ. ຖ້າໂມເດວໃຫຍ່ເກີນໄປ, ມັນອາດຈະໄປຈື່ຮູບແບບຟອງນ້ຳ, ຈື່ນົກທີ່ບິນຜ່ານ ຫຼື ສິ່ງລົບກວນຕ່າງໆໃນຂໍ້ມູນໃນອະດີດ. ພໍຮອດເວລາຕ້ອງທຳນາຍນ້ຳຖ້ວມໃນປີໜ້າແທ້ໆ ມັນພັດທຳນາຍຜິດພາດ ເພາະມັນໜີບເອົາຂໍ້ມູນທີ່ບໍ່ຈຳເປັນມາຄິດໄລ່ນຳ.

ການເລືອກ “ຂະໜາດທີ່ເໝາະສົມ” ຄືກຸນແຈສຳຄັນ

ໃນຄວາມເປັນຈິງ, ເຮົາບໍ່ຈຳເປັນຕ້ອງໃຊ້ມີດງ້າວມາຕັດຜັກ. ການນຳໃຊ້ AI ໃນສະພາບແວດລ້ອມຕົວຈິງ ມັກຈະໄດ້ຮັບຜົນດີກວ່າຖ້າເຮົາໃຊ້ໂມເດວຂະໜາດນ້ອຍທີ່ຖືກຝຶກຝົນມາເພື່ອງານນັ້ນໆໂດຍສະເພາະ.

• ຖ້າຊາວສວນກາເຟຢູ່ປາກຊ່ອງ ຕ້ອງການ AI ມາຊ່ວຍວິເຄາະພະຍາດຂອງໃບກາເຟຜ່ານກ້ອງມືຖື, ພວກເຂົາຕ້ອງການໂມເດວຂະໜາດນ້ອຍ ແຕ່ເກັ່ງເລື່ອງກາເຟໂດຍສະເພາະ (ສາມາດແລ່ນເທິງມືຖືໄດ້ໂດຍບໍ່ຕ້ອງຕໍ່ເນັດ) ແທນທີ່ຈະໃຊ້ໂມເດວພາສາຂະໜາດໃຫຍ່ (Large Language Models) ທີ່ເກັ່ງທຸກເລື່ອງໃນໂລກ ແຕ່ຕ້ອງໃຊ້ອິນເຕີເນັດ ແລະ ເຊີບເວີຍັກໃນການປະມວນຜົນຮູບພາບໃບກາເຟໃບດຽວ.

ສິ່ງສຳຄັນທີ່ຄວນຈື່ (Key Takeaways)

• ໃຫຍ່ກວ່າບໍ່ໄດ້ແປວ່າດີກວ່າສະເໝີໄປ: Neural Network ທີ່ໃຫຍ່ເກີນໄປ ອາດເຮັດວຽກໄດ້ຊ້າລົງ ແລະ ໃຊ້ຕົ້ນທຶນຫຼາຍເກີນຄວາມຈຳເປັນ.
• ກົດຂອງຜົນຕອບແທນທີ່ຫຼຸດລົງ: ການເພີ່ມຂະໜາດໂມເດວເຂົ້າໄປເລື້ອຍໆ ຈະໃຫ້ຜົນລອງຮັບທີ່ມີປະສິດທິພາບໜ້ອຍລົງທຽບກັບເງິນທີ່ຈ່າຍໄປ.
• ລະວັງການຈື່ແບບນົກແກ້ວນົກຂຸນທອງ (Overfitting): ໂມເດວທີ່ໃຫຍ່ເກີນໄປມັກຈະຈື່ຂໍ້ມູນເກົ່າໝົດທຸກຢ່າງ ແລະ ປັບຕົວບໍ່ໄດ້ເມື່ອຕ້ອງແກ້ໄຂບັນຫາໃໝ່ທີ່ມັນບໍ່ເຄີຍເຫັນມາກ່ອນ.
• ເລືອກໃຫ້ເໝາະສົມ (Right-sizing): ສຳລັບທຸລະກິດໃນລາວ, ການໃຊ້ໂມເດວຂະໜາດນ້ອຍ ແຕ່ສະເພາະເຈາະຈົງກັບວຽກງານ ມັກຈະເຮັດໃຫ້ເກີດຄວາມຍືນຍົງ ແລະ ມີປະສິດທິຜົນສູງສຸດ.

ບົດສະຫຼຸບ

ເຄືອຂ່າຍປະສາດທຽມອາດປຽບເໝືອນເຄື່ອງຈັກອັນຊົງພະລັງໃນຍຸກດິຈິຕອນ, ແຕ່ການສ້າງເຄື່ອງຈັກທີ່ໃຫຍ່ເກີນໄປສຳລັບວຽກງານທົ່ວໄປ ແມ່ນການສ້າງພາລະຫຼາຍກວ່າການສ້າງຜົນປະໂຫຍດ. ສຳລັບນັກພັດທະນາ ແລະ ເຈົ້າຂອງທຸລະກິດໃນປະເທດລາວ, ກຸນແຈສູ່ຄວາມສຳເລັດຂອງ AI ບໍ່ແມ່ນການແຂ່ງຂັນກັນວ່າໃຜມີໂມເດວທີ່ໃຫຍ່ທີ່ສຸດ, ແຕ່ແມ່ນການຮູ້ຈັກເລືອກໃຊ້ເຕັກໂນໂລຊີໃຫ້ມີຂະໜາດ “ພໍດີ” ແລະ ເໝາະສົມກັບບໍລິບົດ, ງົບປະມານ ແລະ ຈຸດປະສົງຂອງໜ້າວຽກຕົວຈິງທີ່ສຸດຕ່າງຫາກ.