โดย ดร.สุทธิพร สัจพันโรจน์และ ดร.ทพ.นนทวัชร จิรกิตตยากร
ทีมห้องแลปวิจัยมหาวิทยาลัยมหิดล
สรุปและเรียบเรียงโดย ไกรศิลา กานนท์และ Gemini Pro
ไขความลับ AI สัญญาณสมองจะสามารถช่วยบอก ความตั้งใจเรียนของผู้เรียนได้อย่างไร
ในโลกยุคใหม่ที่ปัญญาประดิษฐ์ (AI) กลายเป็น “เพื่อนคู่คิด” ที่เข้ามามีบทบาทในชีวิตประจำวันของเรามากขึ้นเรื่อยๆ ไม่ว่าจะเป็นการแนะนำหนังที่เราชอบ การช่วยเราค้นหาข้อมูล หรือแม้แต่การช่วยในการเรียนการสอน การทำความเข้าใจว่า AI ทำงานอย่างไร และอะไรคือเบื้องหลังความฉลาดของมัน จึงเป็นเรื่องที่ไม่ไกลตัวอีกต่อไป บทความนี้ผู้เขียนจะพาคุณไปลองทำความเข้าใจของ AI แบบเข้าใจง่าย พร้อมส่วนที่เป็น “หัวใจ” ของมัน นั่นคือ ข้อมูล และปิดท้ายด้วยเรื่องราวที่น่าสนใจกับการนำคลื่นสมองมาใช้จับสัญญาณ “ความตั้งใจเรียน” ของนักเรียน จากการเข้าร่วมเวิร์กชอปในหัวข้อ Data Preparation for AI Training and an EEG Based Measurement System for Monitoring Student Engagement ที่นำเสนอโดย ดร.สุทธิพร สัจพันโรจน์และ ดร.ทพ.นนทวัชร จิรกิตตยากร จากทีมห้องแลปวิจัยมหาวิทยาลัยมหิดล
AI, ML, DL: สามเกลอหัวใจเดียวกัน
หลายคนอาจจะเคยได้ยินคำว่า AI, Machine Learning (ML) และ Deep Learning (DL) วนเวียนอยู่รอบตัว จนบางทีก็แอบงงว่าสามคำนี้มันต่างกันยังไงนะ? ลองนึกภาพแบบนี้:
AI (ปัญญาประดิษฐ์) เปรียบเสมือน “ร่มใหญ่” ที่คลุมทุกอย่าง มันคือความฝันที่เราอยากให้เครื่องจักรคิดได้ ทำได้เหมือนคนเรา ไม่ว่าจะเป็นการวิเคราะห์ข้อมูลกองโต การหาแพทเทิร์นซ่อนเร้น หรือการตัดสินใจทำอะไรบางอย่างจากข้อมูลที่มันเรียนรู้มา
ML (Machine Learning) คือ “แขนขา” ที่สำคัญของ AI ใต้ร่มคันใหญ่นั้น ML คือชุดเครื่องมือและเทคนิคที่สอนให้ AI รู้จัก “เรียนรู้” จากข้อมูล เหมือนเด็กที่เรียนรู้จากประสบการณ์นั่นแหละค่ะ หัวใจของ ML มี 3 อย่างง่ายๆ คือ:
ข้อมูล: เหมือนตำราเรียนของ AI ยิ่งตำราดี มีคุณภาพ AI ก็ยิ่งฉลาด
แบบจำลอง (Model): เหมือนสมองของ AI ที่ใช้ประมวลผลและทำนายสิ่งใหม่ๆ
การฝึกฝน (Training): เหมือนการติวเข้มให้ AI ทำข้อสอบซ้ำๆ จนเก่ง
DL (Deep Learning) ก็คือ “กล้ามเนื้อ” ที่แข็งแกร่งที่สุดของ ML มันคือ ML แบบพิเศษที่ใช้ “โครงข่ายประสาทเทียม” (Artificial Neural Networks) ที่ซับซ้อนมากๆ เลียนแบบการทำงานของสมองมนุษย์ เหมือนมีเซลล์สมองหลายๆ ชั้นเชื่อมโยงกัน ทำให้ AI สามารถเรียนรู้สิ่งที่ซับซ้อนยิ่งกว่าเดิมได้
กล่าวโดยสรุป จะพบว่า AI จะฉลาดได้ก็เพราะมี ML เป็นแขนขา และ DL เป็นกล้ามเนื้อที่แข็งแกร่ง แต่ทั้งหมดนี้จะไร้ความหมายถ้าขาด “ข้อมูล” ที่ดี เหมือนเรามีสมองดีแค่ไหน แต่ถ้าไม่มีหนังสือให้อ่าน จะเอาความรู้จากไหนมาแสดงความฉลาดได้จริงไหม?
วัตถุดิบที่ขาดไม่ได้ของ AI
ถ้า AI คือ นักเพาะกาย ข้อมูลก็คือ “แหล่งโปรตีนชั้นดี” ที่ช่วยเพิ่มพัฒนาการของกล้ามเนื้อให้เติบโตแข็งแรง เพราะไม่ว่า AI จะถูกออกแบบมาดีแค่ไหน ถ้าข้อมูลที่ใช้ฝึกฝนมันเป็นสิ่งไม่พึงประสงค์ ผลลัพธ์ที่ได้ก็คือความ”อิหยังวะ!”ตามไปด้วย เขาถึงได้บอกว่า “Garbage in, garbage out” หรือ “ใส่ขยะเข้าไป ก็ได้ขยะออกมา” นั่นแหละ
ลองนึกภาพการฝึก AI ง่ายๆ เหมือนการสอนเด็กให้รู้จัก “แมว” นะ
ข้อมูลดิบ (Training Data): เราต้องหาภาพแมวเป็นล้านๆ รูปมาให้ AI ดู เหมือนเอาหนังสือภาพแมวเป็นเล่มๆ มาให้เด็กดูเลยค่ะ
ทำความสะอาดข้อมูล (Data Cleaning): ภาพที่เราได้มาอาจจะมีภาพเบลอๆ ภาพที่มีหมาปนมาด้วย เราก็ต้องคัดทิ้ง ทำความสะอาดให้เหลือแต่ภาพแมวที่ชัดเจนและดีจริงๆ เหมือนคัดหนังสือที่ขาดๆ วิ่นๆ ออกไป
3.สกัดคุณลักษณะ (Feature Extraction): เราต้องสอน AI ให้รู้จัก “จุดเด่น” ของแมว เช่น หูตั้งๆ หนวดแหลมๆ ตาโตๆ เหมือนเราสอนเด็กว่า “นี่คือหูนะ นี่คือหนวดนะ”
4.ติดป้ายกำกับ (Positive/Negative Labels): เราต้องบอก AI ว่า “ภาพนี้คือแมว” “ภาพนี้ไม่ใช่แมว” เหมือนเราชี้ให้เด็กดูแล้วบอกว่า “อันนี้แมว” “อันนี้ไม่ใช่แมว”
5.เรียนรู้แบบจำลอง (Model Learning): AI ก็จะเริ่มเรียนรู้ว่าคุณสมบัติแบบไหนคือแมว
6.ทดสอบ (Testing Phase): พอ AI เรียนรู้จนเก่งแล้ว เราก็เอาภาพแมวที่ไม่เคยเห็นมาก่อนมาให้มันดู แล้วให้มันทายว่า “นี่คือแมวไหม?”
โดยที่ กระบวนการเหล่านี้แสดงให้เห็นว่ากว่า AI จะฉลาดได้ มันต้องผ่านการ “ขัดเกลาข้อมูล” อย่างพิถีพิถัน เหมือนเชฟมิชลินที่ต้องคัดเลือกวัตถุดิบชั้นดีมาทำเมนูเลิศรสบนโต๊ะอาหาร ดังนั้น การพัฒนา AI จึงไม่ใช่แค่เรื่องของโค้ดโปรแกรม แต่เป็นเรื่องของการเข้าใจข้อมูล และการเตรียมข้อมูลให้พร้อมใช้ ซึ่งต้องอาศัยทั้งศาสตร์และศิลป์อย่างยิ่ง
คลื่นสมอง เปิดประตูสู่ “ใจ” ของผู้เรียน
นอกจากเรื่องข้อมูลพื้นฐานเกี่ยวกับ AI แล้ว ทางวิทยากรได้นำองค์ความรู้นี้มาปรับใช้ในวงการศึกษา ลองจินตนาการว่าเราสามารถรู้ได้ว่านักเรียนคนไหนกำลังตั้งใจเรียน คนไหนกำลังเหม่อลอยไปไกล ได้แบบเรียลไทม์! คำตอบนั้นก็คือเทคโนโลยีคลื่นสมอง (Electroencephalography – EEG) นั่นเอง
EEG คือเครื่องมือที่ใช้วัดคลื่นไฟฟ้าในสมองของเราที่เกิดขึ้นจากการทำงานของเซลล์ประสาทจำนวนมหาศาล เหมือนการฟัง “เสียงกระซิบ” จากสมองของเรานั่นเอง
เครื่องมือที่เป็นเหมือน “แผนที่” ที่บอกว่าเราควรจะวางขั้วไฟฟ้าบนศีรษะตรงไหนบ้าง เพื่อให้การวัดคลื่นสมองเป็นมาตรฐานเดียวกัน
คลื่นสมองแต่ละแบบ (แกมมา, เบต้า, อัลฟ่า, ทีต้า, เดลต้า) ก็เหมือน “จังหวะเพลง” ที่แตกต่างกัน แต่ละจังหวะก็บอกสภาวะของสมองที่ต่างกัน เช่น จังหวะเร็วๆ อาจหมายถึงกำลังมีสมาธิ หรือกำลังวิตกกังวล ส่วนจังหวะช้าๆ อาจหมายถึงกำลังผ่อนคลาย หรือกำลังหลับลึก
การนำ EEG มาใช้ในห้องเรียนจึงเป็นเหมือน “เครื่องอ่านคลื่นสมอง” ของผู้เรียน ทำให้ครูอาจารย์สามารถปรับวิธีการสอนให้เข้ากับสภาวะของผู้เรียนแต่ละคนได้ดีขึ้น หรือแม้แต่พัฒนาระบบการเรียนรู้ที่ปรับเปลี่ยนตามความสนใจและความตั้งใจของ ผู้เรียนได้แบบอัตโนมัติ ซึ่งจะนำข้อมูลนี้ไปออกแบบกิจกรรมที่ปรับตามแนวคิด Personalize Learning ได้อย่างเป็นรูปธรรม
การรับรู้อารมณ์จากตัวอักษรด้วยระบบวิเคราะห์ความรู้สึก
อีกหนึ่งการประยุกต์ใช้ AI ที่น่าสนใจคือ “การวิเคราะห์ความรู้สึก” (Sentiment Analysis) ซึ่งเปรียบเสมือน “นักสืบอารมณ์” ที่สามารถอ่านข้อความแล้วบอกได้ว่าข้อความนั้นๆ มีความรู้สึกเชิงบวก เชิงลบ หรือเป็นกลาง
การวิเคราะห์ความรู้สึกมีประโยชน์มหาศาล ไม่ใช่แค่ในด้านการตลาดที่ใช้จับกระแสความรู้สึกของผู้บริโภค แต่ยังสามารถนำมาใช้ในการตรวจจับ “การกลั่นแกล้ง” (Bullying) หรือความรู้สึกไม่สบายใจในโรงเรียนหรือในสังคมออนไลน์ได้อีกด้วย เหมือนมี “เรดาร์จับอารมณ์” ที่ช่วยให้เราสามารถเข้าไปช่วยเหลือหรือแก้ไขสถานการณ์ได้ทันท่วงที ก่อนที่ปัญหาจะบานปลายได้
โดยสรุปแล้ว AI ไม่ใช่เรื่องไกลตัวอีกต่อไป แต่เป็นเครื่องมืออันทรงพลังที่สามารถนำมาประยุกต์ใช้ได้หลากหลายมิติ ตั้งแต่การวิเคราะห์ข้อมูลซับซ้อนไปจนถึงการทำความเข้าใจอารมณ์ของมนุษย์ และสิ่งสำคัญที่สุดที่อยู่เบื้องหลังความฉลาดทั้งหมดนี้ก็คือ “ข้อมูล” ที่ถูกเตรียมมาอย่างดีนั่นเองครับ
