AI for Oceans (Machine Learning เบื้องต้น) code.org (AI)

การทำนายระดับน้ำทะเลที่จะเพิ่มขึ้นในอนาคต

การสร้างหุ่นยนต์ใต้น้ำที่มีความสามารถในการว่ายน้ำเร็วขึ้น

การทำความสะอาดมหาสมุทรด้วยการกำจัดขยะด้วยตนเอง

การจำแนกวัตถุในมหาสมุทรออกเป็น 'ขยะ' (Trash) และ 'ปลา' (Fish)

การสร้างภาพ 3 มิติของวัตถุใต้น้ำ

การระบุและป้ายกำกับ (Labeling) ภาพวัตถุว่าเป็น 'ขยะ' หรือ 'ปลา'

การกำหนดความเร็วที่ AI ควรจะใช้ในการจำแนก

การเขียนโค้ด 'if/else' เพื่อบอก AI ว่าอะไรคือขยะ

พิกัด GPS ของแหล่งขยะ

ชุดสูตรทางคณิตศาสตร์

ภาพถ่ายและวิดีโอของสิ่งมีชีวิตและวัตถุในมหาสมุทร

เสียงใต้น้ำของวาฬ

AI จะใช้เวลาในการประมวลผลนานขึ้น

AI อาจจำแนกวัตถุที่เป็น 'ปลา' ออกเป็น 'ขยะ' ได้ง่ายเกินไป

AI อาจจำแนกขยะที่มีรูปร่างหรือสีอื่น ๆ ว่าไม่ใช่ 'ขยะ' แต่เป็น 'ปลา'

AI จะไม่สามารถทำงานได้เลยเพราะขาดข้อมูลที่หลากหลาย

AI ใช้ไฟฟ้าน้อยกว่าโปรแกรมดั้งเดิม

AI ไม่ต้องการข้อมูลใด ๆ ในการทำงาน

โปรแกรมดั้งเดิมทำงานบนอินเทอร์เน็ตได้เท่านั้น ส่วน AI ไม่ได้

AI สามารถเรียนรู้ที่จะจำแนกวัตถุใหม่ ๆ จากตัวอย่างที่ให้ โดยไม่ต้องมีกฎที่มนุษย์กำหนดไว้ล่วงหน้า

ชุดกฎ 'if/else' สำหรับนักเรียนคนอื่น ๆ

ข้อเสนอแนะในการปรับปรุงชุดข้อมูลการฝึก

การจัดประเภท (Classification) หรือป้ายกำกับ (Label) ว่าวัตถุนั้นคือ 'ขยะ' หรือ 'ปลา'

ภาพวัตถุใหม่ที่มีความคมชัดสูงขึ้น

เพิ่มกฎ 'if/else' เข้าไปในโค้ดเพื่อแก้ไขข้อผิดพลาดเฉพาะนี้

ลบโค้ด AI ทั้งหมดแล้วเริ่มใหม่

เพิ่ม 'ชิ้นส่วนขยะ' ชิ้นนั้นพร้อมป้ายกำกับ 'ขยะ' เข้าไปในชุดข้อมูลการฝึกฝน และฝึก AI ซ้ำ (Retrain)

เปลี่ยนชื่อโมเดล AI เป็นชื่ออื่น

อารมณ์ความรู้สึกของนักเรียนที่ฝึก AI

อุณหภูมิของน้ำทะเล

สี รูปร่าง และพื้นผิวของวัตถุ

น้ำหนักโมเลกุลของวัตถุ

การสร้างหุ่นยนต์ที่สามารถขับรถบนท้องถนนได้อย่างปลอดภัย

การคำนวณปริมาณน้ำฝนในแต่ละปี

การคัดแยกอีเมลว่าเป็น 'สแปม' (Spam) หรือ 'ไม่ใช่สแปม' (Not Spam)

การบันทึกข้อมูลประชากรของประเทศ

เพื่อให้ AI มีความแม่นยำและสามารถจำแนกวัตถุใหม่ ๆ ที่หลากหลายได้โดยไม่มีความลำเอียงมากเกินไป

พื่อให้ AI สามารถทำงานได้เร็วขึ้นอย่างน้อย 50%

เพื่อให้โปรแกรมสามารถรันได้โดยไม่ต้องใช้พลังงานมาก

เพื่อให้โค้ดที่สร้างขึ้นมีความยาวน้อยลง

จำนวนบรรทัดของโค้ดที่ใช้ในการสร้าง AI

ภาพวัตถุที่ถูกป้ายกำกับว่าเป็น 'ขยะ' หรือ 'ปลา'

ชื่อของนักเรียนที่ทำการฝึก AI

อุณหภูมิเฉลี่ยของน้ำทะเล

โมเดลการเรียนรู้ (Learning Model)

ระบบปฏิบัติการใหม่

อัลกอริทึมการค้นหาที่รวดเร็ว

ชุดกฎ If/Else ที่อ่านง่าย

AI สามารถจำแนกวัตถุได้อย่างถูกต้อง 8 ในทุก ๆ 10 ครั้ง

AI สามารถจำแนกเฉพาะปลาได้เท่านั้น แต่จำแนกขยะไม่ได้ 20%

AI ต้องได้รับการฝึกฝนเพิ่มเติมอีก 20% ของจำนวนข้อมูลทั้งหมด

AI ใช้เวลาในการจำแนกช้ากว่าปกติ 20%

AI จะขอให้นักเรียนกำหนดกฎ 'if/else' เพื่อแก้ไข

AI อาจจำแนกถุงพลาสติกสีขาวว่าเป็น 'ปลา' เนื่องจากถูกฝึกให้เชื่อมโยงสีขาวกับประเภท 'ปลา'

AI จะจำแนกวัตถุสีขาวทุกชิ้นเป็น 'ขยะ' เพื่อความปลอดภัย

AI อาจไม่สามารถทำงานได้เลยเนื่องจากความสับสนของข้อมูล

คุณสมบัติที่ AI สามารถสังเกตได้จากภาพ เช่น สี รูปร่าง ขนาด และพื้นผิว

รหัส ID ที่ใช้กำหนดวัตถุแต่ละชิ้น

ชื่อทางวิทยาศาสตร์ของปลาแต่ละชนิด

ความเร็วในการเคลื่อนที่ของวัตถุ

เพราะ AI ไม่ต้องการข้อมูลใด ๆ ในการทำงาน

เพราะวัตถุในมหาสมุทรมีความหลากหลายและรูปแบบซับซ้อนเกินกว่าจะเขียนกฎที่ครอบคลุมได้ทั้งหมด

เพราะ Machine Learning ใช้ไฟฟ้าในการประมวลผลน้อยกว่า

เพราะกฎ If/Else ไม่สามารถจำแนกภาพถ่ายได้เลย

เพิ่มจำนวนข้อมูลที่ถูกป้ายกำกับอย่างถูกต้องและหลากหลายมากขึ้นในชุดข้อมูลการฝึกฝน

เรียกใช้ AI โดยไม่ต้องป้อนข้อมูลใด ๆ

ลดจำนวนข้อมูลที่ใช้ในการฝึกฝนลงเพื่อให้โมเดลทำงานได้รวดเร็วขึ้น

กำหนดให้ค่าความเชื่อมั่นเป็น 100% เสมอในการตั้งค่าโปรแกรม

การบันทึกฐานข้อมูลการบริจาคโลหิต

การทำนายราคาหุ้นในตลาดหลักทรัพย์

เครื่องมือที่คัดกรองเมลขยะ (Spam) โดยจัดหมวดหมู่อีเมลเป็น 'ขยะ' หรือ 'ไม่ใช่ขยะ'

การคำนวณระยะทางจากดาวเทียม

การตรวจสอบข้อมูล (Data Checking)

การทำลายโมเดล (Model Destruction)

การฝึกฝนซ้ำ (Retraining)

การเขียนโปรแกรมใหม่ทั้งหมด

ฮาร์ดแวร์คอมพิวเตอร์ (Computer Hardware)

ป้ายกำกับข้อมูล (Data Labels)

อัลกอริทึมการเรียนรู้ (Learning Algorithm)

อินเทอร์เฟซผู้ใช้ (User Interface)