ບັນຫາກ່ອງດຳ (Black Box): ເປັນຫຍັງເຮົາຈຶ່ງອະທິບາຍ Deep Learning ບໍ່ໄດ້?

ລອງຈິນຕະນາການເບິ່ງວ່າ ທ່ານໄປຖາມໝໍຢູ່ໂຮງໝໍມະໂຫສົດຍ້ອນມີອາການປ່ວຍ ແລ້ວແພດສັ່ງຢາຊະນິດໜຶ່ງໃຫ້ທ່ານກິນ. ທ່ານຖາມວ່າ “ເປັນຫຍັງຂ້ອຍຈຶ່ງຕ້ອງກິນຢານີ້?” ແຕ່ແພດພັດຕອບວ່າ “ຂ້ອຍກໍບໍ່ຮູ້ຄືກັນ ພຽງແຕ່ຄວາມຮູ້ສຶກໃນສະໝອງຂອງຂ້ອຍມັນບອກໃຫ້ສັ່ງຢານີ້”. ໄດ້ຍິນແນວນັ້ນ, ທ່ານຄົງຈະບໍ່ກ້າກິນຢານັ້ນ ແມ່ນບໍ່?

ນີ້ຄືສິ່ງທີ່ນັກວິທະຍາສາດຄອມພິວເຕີກຳລັງພົບພໍ້ໃນໂລກຂອງປັນຍາປະດິດ (AI) ໂດຍສະເພາະໃນເຕັກໂນໂລຊີທີ່ເອີ້ນວ່າ Deep Learning (DL). ເຖິງຢ່າງໃດກໍຕາມ, ໃນຂະນະທີ່ AI ກຳລັງສະຫຼາດຂຶ້ນທຸກມື້ ມັນພັດມີບັນຫາໜຶ່ງທີ່ທ້າທາຍທີ່ສຸດໃນວົງການເຕັກໂນໂລຊີນັ້ນກໍຄື: ບັນຫາກ່ອງດຳ ຫຼື The Black Box Problem.

ທຳອິດ: ມາຮູ້ຈັກກັບ Deep Learning ກ່ອນ

Deep Learning ຖ້າເຮົາແປກົງຕົວແມ່ນ “ການຮຽນຮູ້ແບບເລິກເຊິ່ງ” ເຊິ່ງມັນເປັນພາກສ່ວນໜຶ່ງຂອງ AI. ຄວາມພິເສດຂອງມັນຄື ມັນຖືກອອກແບບມາໃຫ້ເຮັດວຽກຄ້າຍຄືກັບເຄືອຂ່າຍເສັ້ນປະສາດໃນສະໝອງຂອງມະນຸດ ເຊິ່ງເຮົາເອີ້ນວ່າ “ເຄືອຂ່າຍປະສາດທຽມ” (Neural Networks).

ໃນການສອນ Deep Learning ເຮົາບໍ່ປ້ອນກົດເກນຕ່າງໆ ແຕ່ເຮົາຈະໃຊ້ວິທີການ “ຍົກຕົວຢ່າງໃຫ້ເບິ່ງ”. ລອງນຶກພາບຕອນເຮົາສອນເດັກນ້ອຍໃຫ້ຮູ້ຈັກ “ຕິບເຂົ້າ”. ເຮົາບໍ່ໄດ້ບອກວ່າ ຕິບເຂົ້າຕ້ອງເຮັດຈາກໄມ້ໄຜ່, ມີຝາປິດ ແລະ ມີຖານຕັ້ງ. ແຕ່ເຮົາໃຊ້ວິທີເອົາຕິບເຂົ້າຫຼາກຫຼາຍຮູບແບບໃຫ້ເດັກນ້ອຍເຫັນເລື້ອຍໆ ຈົນລາວຈຳແນກໄດ້ເອງວ່າອັນໃດຄືຕິບເຂົ້າ ອັນໃດຄືກະຕ່າ. Deep Learning ກໍເຮັດວຽກແບບດຽວກັນ, ມັນຮຽນຮູ້ຮູບແບບ (Patterns) ຈາກຂໍ້ມູນຈຳນວນມະຫາສານທີ່ເຮົາປ້ອນໃຫ້.

”ບັນຫາກ່ອງດຳ” ຫຼື Black Box ແມ່ນຫຍັງ?

ເມື່ອລະບົບຮຽນຮູ້ຈົນເກັ່ງແລ້ວ, ມັນສາມາດບອກໄດ້ວ່າຮູບນີ້ແມ່ນຕິບເຂົ້າຢ່າງຖືກຕ້ອງ. ແຕ່ເມື່ອເຮົາຖາມມັນວ່າ “ເຈົ້າຮູ້ໄດ້ແນວໃດ?”, “ເຈົ້າເບິ່ງຈາກລວດລາຍການສານໄມ້ໄຜ່ ຫຼື ເບິ່ງຈາກຮູບຊົງ?”, ລະບົບພັດບໍ່ສາມາດອະທິບາຍໃຫ້ເຮົາເຂົ້າໃຈໄດ້.

ນີ້ຄືສິ່ງທີ່ເກີດຂຶ້ນພາຍໃນລະບົບ:

• ຂໍ້ມູນເຂົ້າ (Input): ຮູບພາບ, ຕົວໜັງສື ຫຼື ຂໍ້ມູນດິບ (ເຊັ່ນ: ຮູບໃບກາເຟຈາກສວນຢູ່ປາກຊ່ອງ).
• ກ່ອງດຳ (The Black Box): ຂໍ້ມູນຈະຖືກສົ່ງເຂົ້າໄປປະມວນຜົນຜ່ານຊັ້ນເຄືອຂ່າຍປະສາດທຽມທີ່ມີການຄຳນວນທາງຄະນິດສາດນັບລ້ານໆຈຸດ ທີ່ສັບສົນເກີນກວ່າທີ່ສະໝອງມະນຸດຈະຈິນຕະນາການ ຫຼື ຕິດຕາມໄດ້.
• ຜົນອອກ (Output): ຄຳຕອບທີ່ AI ສົ່ງອອກມາ (ເຊັ່ນ: “ຕົ້ນກາເຟນີ້ກຳລັງຕິດພະຍາດ”).

ຍ້ອນຂະບວນການຢູ່ເຄິ່ງກາງລະຫວ່າງ Input ແລະ Output ມັນຊັບຊ້ອນຫຼາຍຈົນບໍ່ມີໃຜເຂົ້າໃຈຕັກກະການຕັດສິນໃຈຂອງມັນ, ເຮົາຈຶ່ງປຽບທຽບມັນວ່າເປັນ “ກ່ອງດຳ” ທີ່ປິດທຶບໜ່ວຍໜຶ່ງ ນັ້ນເອງ.

ເປັນຫຍັງຄວາມໂປ່ງໃສນີ້ຈຶ່ງສຳຄັນສຳລັບປະເທດລາວ?

ຄວາມຫຍຸ້ງຍາກໃນການອະທິບາຍນີ້ອາດຈະບໍ່ເປັນຫຍັງ ຖ້າ AI ພຽງແຕ່ແນະນຳເພງໃນ YouTube ໃຫ້ເຮົາຟັງ. ແຕ່ຖ້າພວກເຮົາເອົາ AI ມາໃຊ້ໃນວຽກງານພື້ນຖານໂຄງລ່າງຂອງປະເທດ ມັນຈະກາຍເປັນເລື່ອງໃຫຍ່ທັນທີ:

1. ດ້ານການແພດ ແລະ ສາທາລະນະສຸກ

ຖ້າໂຮງໝໍໃນນະຄອນຫຼວງວຽງຈັນ ຊື້ລະບົບ AI ເຂົ້າມາຊ່ວຍວິເຄາະຟິມເອັກຊະເຣ (X-ray) ເພື່ອກວດຫາໂລກມະເຮັງ. ຖ້າ AI ວິນິດໄສວ່າ “ຄົນເຈັບມີໂອກາດເປັນມະເຮັງ 95%”, ທ່ານໝໍຈຳເປັນຕ້ອງຮູ້ເຫດຜົນວ່າເປັນຫຍັງ AI ຈຶ່ງຕັດສິນແນວນັ້ນ ເພື່ອໃຫ້ສາມາດວາງແຜນການປິ່ນປົວໄດ້ຢ່າງຖືກຕ້ອງ ແລະ ບໍ່ຜິດພາດ.

2. ດ້ານກະສິກຳອັດສະລິຍະ

ຫາກລະບົບ AI ທີ່ຄາດຄະເນລະດັບນໍ້າຂອງ ແນະນຳໃຫ້ຊາວນາເລື່ອນເວລາການຫວ່ານກ້າອອກໄປ. ຊາວນາຍ່ອມຕ້ອງການຢາກຮູ້ເຫດຜົນວ່າການຕັດສິນໃຈນີ້ອ້າງອີງຈາກຂໍ້ມູນສະພາບອາກາດ, ປະລິມານນ້ຳຝົນປີກາຍ ຫຼື ທ່າອ່ຽງຈາກການປ່ຽນແປງຂອງດິນຟ້າອາກາດໂລກ ກ່ອນທີ່ພວກເຂົາຈະຍອມສ່ຽງປະຕິບັດຕາມ.

3. ທຸລະກິດການເງິນ ແລະ SME

ລອງຈິນຕະນາການເຖິງແມ່ຄ້າຕະຫຼາດເຊົ້າທີ່ໄປກູ້ຢືມເງິນນຳສະຖາບັນການເງິນ. ຖ້າທະນາຄານໃຊ້ AI ໃນການປະເມີນຄວາມສ່ຽງ ແລ້ວ AI ຕັດສິນໃຈ “ບໍ່ອະນຸມັດ” ເງິນກູ້, ແມ່ຄ້າຄົນນັ້ນສົມຄວນທີ່ຈະໄດ້ຮັບເຫດຜົນທີ່ຊັດເຈນ (ເຊັ່ນ: ກະແສເງິນສົດໝູນວຽນບໍ່ພໍ), ບໍ່ແມ່ນການຕອບພຽງແຕ່ “ລະບົບ AI ບໍ່ອະນຸມັດ”.

ວິທີທີ່ນັກວິທະຍາສາດກຳລັງແກ້ໄຂ

ປັດຈຸບັນ, ວົງການ AI ກຳລັງພະຍາຍາມແກ້ໄຂບັນຫານີ້ໂດຍການພັດທະນາເຕັກໂນໂລຊີທີ່ເອີ້ນວ່າ Explainable AI (XAI) ຫຼື “AI ທີ່ອະທິບາຍໄດ້”. ເປົ້າໝາຍຂອງ XAI ແມ່ນການປ່ຽນຈາກ ກ່ອງດຳ (Black Box) ມາເປັນ ກ່ອງແກ້ວໃສ (Glass Box) ເພື່ອໃຫ້ຜູ້ພັດທະນາ ແລະ ຜູ້ໃຊ້ງານ ສາມາດເບິ່ງເຫັນຂະບວນການຄິດການຕັດສິນໃຈຂອງລະບົບໄດ້ ເຊິ່ງຈະຊ່ວຍສ້າງຄວາມເຊື່ອໝັ້ນ ແລະ ຫຼຸດຜ່ອນອະຄະຕິທີ່ອາດເກີດຂຶ້ນດັ່ງກ່າວ.

ສິ່ງສຳຄັນທີ່ຄວນຈື່ (Key Takeaways)

• Deep Learning ແມ່ນເຕັກໂນໂລຊີ AI ທີ່ຈຳລອງການເຮັດວຽກຂອງສະໝອງມະນຸດ ເຊິ່ງເກັ່ງຫຼາຍໃນການຫາຮູບແບບຂອງຂໍ້ມູນ.
• Black Box Problem ແມ່ນສະຖານະການທີ່ AI ສາມາດໃຫ້ຜົນໄດ້ຮັບທີ່ຖືກຕ້ອງ ແຕ່ບໍ່ມີໃຜ (ເຖິງກະທັ້ງຜູ້ສ້າງມັນຂຶ້ນມາ) ສາມາດອະທິບາຍ “ເຫດຜົນ” ທີ່ຢູ່ເບື້ອງຫຼັງການຕັດສິນໃຈນັ້ນໄດ້ຢ່າງຊັດເຈນ.
• ຄວາມໂປ່ງໃສ ເປັນເລື່ອງສຳຄັນທີ່ສຸດໃນການນຳໃຊ້ AI ເຂົ້າໃນຂົງເຂດທີ່ສຳຄັນຂອງຊີວິດ ເຊັ່ນ: ການແພດ, ການເງິນ ແລະ ກະສິກຳ.

ການກ້າວເຂົ້າສູ່ຍຸກດິຈິຕອລຂອງປະເທດລາວ ການນຳໃຊ້ Deep Learning ເຂົ້າມາຊ່ວຍໃນການພັດທະນາເສດຖະກິດ-ສັງຄົມແມ່ນມີຄວາມສຳຄັນຫຼາຍ. ເຖິງຢ່າງໃດກໍຕາມ, ກ່ອນທີ່ພວກເຮົາຈະມອບໝາຍການຕັດສິນໃຈສຳຄັນໃຫ້ກັບ AI ເຮົາຕ້ອງໝັ້ນໃຈວ່າເຮົາສາມາດກວດສອບ ແລະ ເຂົ້າໃຈເຫດຜົນຂອງມັນໄດ້. ການພັດທະນາເຕັກໂນໂລຊີອັດສະລິຍະ ຕ້ອງຄວບຄູ່ໄປກັບການມີຄວາມຮັບຜິດຊອບ ແລະ ຄວາມໂປ່ງໃສ ເພື່ອໃຫ້ AI ສາມາດກາຍເປັນຜູ້ຊ່ວຍທີ່ແທ້ຈິງທີ່ຮັບໃຊ້ ແລະ ສ້າງປະໂຫຍດໃຫ້ແກ່ສັງຄົມລາວໃນອະນາຄົດ.