บริษัท gamalon นำเสนอบริการปัญญาประดิษฐ์เพื่อวิเคราะ์ข้อมูล โดยใช้เทคนิค Bayesian Program Synthesis (BPS) ที่โฆษณาว่าเหนือกว่าเทคนิคสมัยนิยมอย่าง deep learning ในแง่ที่ใช้จำนวนข้อมูลในการเรียนรู้น้อยกว่า ใช้กำลังประมวลผลและเวลาน้อยกว่า นอกจากนี้ผลจากการเรียนรู้ด้วย BPS ยังเป็นรูปแบบที่มนุษย์เข้าใจได้ และสามารถปรับแต่งให้ดีขึ้นได้
เพื่อให้เข้าใจว่า BPS เหนือกว่า deep learning ตามที่ gamalon กล่าวอ้างได้อย่างไร ต้องดูว่าเบื้องหลังแล้ว 2 เทคนิคนี้มีแนวคิดอย่างไร เทคนิค deep learning นั้นใช้ข้อมูลจำนวนมากที่มนุษย์เป็นผู้กำกับว่าข้อมูลนั้นคืออะไร (เช่น มีภาพจำนวนมากที่มนุษย์บอกว่าภาพนั้นเป็นแมว หมา) จากนั้นปัญญาประดิษฐ์จะพยายามปรับพารามิเตอร์ในสมการเพื่อให้ผลลัพธ์การคำนวณออกมาตรงตามข้อมูลที่มนุษย์บอก นั่นต้องใช้ข้อมูลเป็นจำนวนมาก และหากว่าจะให้ปัญญาประดิษฐ์เรียนรู้สิ่งใหม่ เช่น เปลี่ยนจากหมา เป็นแมว ก็ต้องใช้ข้อมูล (ที่มีมนุษย์คอยกำกับให้) จำนวนมาก นอกจากนี้ข้อมูลที่ไม่มีคุณภาพก็ทำให้การเรียนรู้ผิดพลาดได้ (เช่น คิดว่าคนผิวดำเป็นกอริลล่า เพราะชุดข้อมูลของ “คน” มีแต่ผิวขาว แต่ “กอริลล่า” สีดำ)
ในขณะที่ BPS นั้นเป็นการเรียนรู้กฎเกณฑ์แทน เช่น สัตว์สี่เท้าประกอบด้วยหัว ลำตัว ขา 4 ข้าง การเรียนรู้กฎเกณฑ์ทำให้ใช้ข้อมูลน้อยลง และยังได้ผลลัพธ์ออกมาเป็นกฎเกณฑ์ในรูปแบบที่มนุษย์เข้าใจได้ ทำให้สามารถนำไปต่อยอดได้ เช่น ถ้าระบบเรียนรู้แล้วว่าสัตว์สี่เท้าหน้าตาแบบไหน เราก็เพิ่มเติมไปว่า ช้างคือสัตว์สี่เท้าที่มีหูใหญ่ ๆ แทนที่ระบบจะต้องเรียนรู้ใหม่หมดว่าช้างคืออะไร
ตัวอย่างการใช้งานที่ gamalon นำเสนอลูกค้า เช่น แปลงฐานข้อมูลที่เข้าใจยากออกมาเป็นรูปแบบที่เข้าใจได้ง่าย สามารถดูวิดีโออธิบายได้ในที่มาครับ
ที่มา gamalon – technology ผ่านทาง blognone
