ปัญญาประดิษฐ์ดึงดูดผู้มาใหม่ด้วยคำมั่นสัญญาว่าจะมีเครื่องมือแห่งอนาคตตั้งแต่แชทบอทไปจนถึงรถยนต์ขับเคลื่อนอัตโนมัติ
อย่างไรก็ตาม ความจริงที่น่าตกใจที่ซ่อนอยู่ภายใต้พื้นผิวก็คือ ผู้เริ่มต้นส่วนใหญ่ขาดความเข้าใจในหลักการพื้นฐาน โดยเข้าใจผิดว่าการโต้ตอบแบบผิวเผินกับ AI เป็นความเข้าใจที่แท้จริง ช่องว่างของความรู้นี้ไม่ใช่เรื่องเล็กน้อย แต่เป็นความแตกต่างระหว่างการใช้ประโยชน์จากเทคโนโลยีอย่างมีประสิทธิผลกับการถูกจำกัดของเทคโนโลยีทำให้เข้าใจผิด
หัวใจสำคัญของ AI คือการผสมผสานระหว่างคณิตศาสตร์ วิทยาศาสตร์ข้อมูล และตรรกะเชิงคำนวณ
ผู้เริ่มต้นมักจะละเลยแนวคิดพื้นฐาน เช่น การเรียนรู้แบบมีผู้ดูแลกับแบบไม่มีผู้ดูแล หรือบทบาทของเครือข่ายประสาทเทียม แล้วมุ่งตรงไปที่ไลบรารีการเข้ารหัส เช่น TensorFlow โดยไม่ทราบว่าอัลกอริทึม "เรียนรู้" ผ่านการลดการสูญเสียอย่างไร หรือเหตุใดการประมวลผลข้อมูลเบื้องต้นจึงมีความสำคัญ พวกเขาจึงสร้างแบบจำลองที่ล้มเหลวโดยไม่สามารถคาดเดาได้ ตัวอย่างเช่น เครื่องมือวิเคราะห์ความรู้สึกที่ฝึกฝนจากข้อมูลโซเชียลมีเดียที่มีอคติอาจระบุข้อความที่เป็นกลางว่าเป็นเชิงลบ ไม่ใช่เพราะโค้ดมีข้อบกพร่อง แต่เพราะผู้สร้างเข้าใจผิดเกี่ยวกับบทบาทของข้อมูลในการกำหนดผลลัพธ์
ความสับสนยิ่งทวีความรุนแรงมากขึ้นเมื่อกล่าวถึงคำศัพท์
คำศัพท์เช่น "การฝึกอบรม" "การอนุมาน" และ "การโอเวอร์ฟิตติ้ง" มักถูกหยิบยกมาใช้กันอย่างไม่ใส่ใจ แต่ผู้มาใหม่เพียงไม่กี่คนเท่านั้นที่เข้าใจถึงนัยยะในทางปฏิบัติของคำเหล่านี้ การโอเวอร์ฟิตติ้ง ซึ่งเป็นแบบจำลองที่จดจำข้อมูลแทนที่จะเรียนรู้รูปแบบนั้น ไม่ใช่แค่ศัพท์เฉพาะ แต่เป็นเหตุผลว่าทำไม AI ทางการแพทย์จึงอาจประสบความสำเร็จในการทดลอง แต่ล้มเหลวกับผู้ป่วยจริง ในทำนองเดียวกัน กระแสฮือฮาเกี่ยวกับ "เครือข่ายประสาท" ทำให้ความเรียบง่ายของเครือข่ายเหล่านี้ถูกบดบังไป พวกมันเป็นเพียงฟังก์ชันแบบเลเยอร์ที่ประมาณรูปแบบ ไม่ใช่สมองที่ลึกลับ
จุดบอดด้านจริยธรรมทำให้ปัญหารุนแรงยิ่งขึ้น
ผู้เริ่มต้นมักไม่ค่อยพิจารณาว่าข้อมูลการฝึกอบรมที่ลำเอียงนั้นทำให้เกิดการเลือกปฏิบัติได้อย่างไร เช่น ระบบการจดจำใบหน้าระบุกลุ่มชนกลุ่มน้อยผิดพลาด หรืออัลกอริทึมที่ไม่โปร่งใสในเครื่องมือการจ้างงานทำให้ความไม่เท่าเทียมกันรุนแรงขึ้นอย่างไร สิ่งเหล่านี้ไม่ใช่สมมติฐาน แต่เป็นผลที่ตามมาจากการปฏิบัติต่อ AI เป็นเครื่องมือแบบ plug-and-play มากกว่าที่จะเป็นระบบทางสังคมเทคนิคที่เรียกร้องการตรวจสอบ
การเชื่อมช่องว่างนี้ต้องอาศัยการเปลี่ยนแปลงวิธีคิด
เริ่มต้นด้วยการไขข้อข้องใจเกี่ยวกับส่วนประกอบต่างๆ ของ AI: สถิติ (เช่น การแจกแจงความน่าจะเป็น) พีชคณิตเชิงเส้น (การดำเนินการเมทริกซ์) และแคลคูลัส (การคำนวณการไล่ระดับ) หลักสูตรฟรี เช่น “การเรียนรู้ของเครื่องจักร” ของมหาวิทยาลัยสแตนฟอร์ด หรือหนังสือ เช่น Hands-On Machine Learning นำเสนอการเรียนรู้ที่มีโครงสร้าง แพลตฟอร์ม เช่น Kaggle สอนการทำความสะอาดข้อมูลและนำเสนอวิศวกรรมผ่านโปรเจ็กต์ในโลกแห่งความเป็นจริง สิ่งสำคัญคือ ผู้เริ่มต้นต้องเรียนรู้ที่จะถามว่า "ฉันกำลังแก้ปัญหาอะไรอยู่" ก่อนที่จะเลือกใช้โซลูชันของ AI
เงินเดิมพันสูง
ในโลกที่ AI มีอิทธิพลต่องาน การดูแลสุขภาพ และประชาธิปไตย ความรู้พื้นฐานไม่ใช่ทางเลือก แต่เป็นความรับผิดชอบของพลเมือง โดยการปลูกฝังความอยากรู้อยากเห็นอย่างจริงจัง ผู้เริ่มต้นจะเปลี่ยนจากผู้บริโภคที่เฉื่อยชาเป็นสถาปนิกที่มีอำนาจ ซึ่งพร้อมที่จะใช้ประโยชน์จากศักยภาพของ AI โดยไม่ตกเป็นเหยื่อของกับดัก
