https://www.kaggle.com/ratthachat/python-numpy-deep-learning

แต่ลิงค์สำหรับเรียนนั้นเสีย รบกวนช่วยด้วยครับ   (ลิงค์ : https://thaikeras.com/2018/05/15/dl-shortcourse/)

ขอบคุณครับ,

Yawaraf

ตอนที่ 1 ย้อนรอยความพ่ายแพ้ของ Kasparov

(ในสัปดาห์หน้าจะเป็นตอนที่ 2 วิเคราะห์เกมส์หลังจากเหตุการณ์ 20 ปี)

สวัสดีครับเพื่อนๆ วันนี้ ในช่วงเวลาอันดีงามของ “คริสต์มาส” และ “ปีใหม่” นี้ทีมงาน ThaiKeras ขอมอบบทความที่ชอบมากๆ เพื่อเป็นของขวัญยามว่างให้กับเพื่อนๆ ครับ  บทความสองตอนนี้จะเป็น “บทสนทนา” ที่น่าตื่นเต้นและน่าสนใจมากๆ ระหว่าง Lex Friedman อาจารย์หนุ่มไฟแรงด้าน AI จาก MIT และ Gary Kasparov อดีตแชมป์โลกหมากรุก ผู้ที่ได้รับการยอมรับว่าเป็นนักหมากรุกที่ยิ่งใหญ่ที่สุดตลอดการของโลกครับ

ก่อนจะเข้าเรื่องบทสนทนาในตอนที่ 1 นี้จะขอกล่าวถึง Lex Friedman และ Gary Kasparov สักหน่อยนะครับ

Lex Friedman อาจารย์หนุ่มไฟแรงแห่ง MIT นั้นสนใจเรื่อง AI ในมุม General อย่างมาก (ในแง่ที่ว่า AI จะขึ้นมาเป็นส่วนหนึ่งของมนุษยชาติ ไม่ใช่แค่เครื่องมือทางธุรกิจ) ซึ่งนอกจากได้เปิดคอร์สที่พวกเราก็สามารถเข้ารับฟังได้ฟรีๆแล้วก็ยังได้ไล่สัมภาษณ์คนดังระดับโลกในวงการคอมพิวเตอร์ วิทยาศาสตร์ สังคมศาสตร์ และธุรกิจมากมายเกี่ยวกับมุมมองด้าน AI ซึ่งนับว่าเป็นขุมทองที่พวกเราจะได้ฟังทรรศนะระดับโลกจากสุดยอดกูรูด้านต่างๆ ทั่วโลก  ที่ในอดีตพวกเราไม่มีโอกาสได้ฟังกันง่ายๆ แน่นอนครับ เพื่อนๆ สามารถเข้าไปดูได้ที่ Youtube Channel นี้ครับ http://bit.ly/youtube-lex

ใน Channel นี้เพื่อนสามารถรับชม MIT AI lecture ได้และยังจะได้ชมการสนทนากับบุคคลระดับโลกมากมาย อาทิเช่น

• ธุรกิจและการเงิน - Elon Musk, Eric Schmidt และ Ray Dalio
• สังคมศาสตร์ - Noel Chompski และ Steven Pinker
• วิทยาศาสตร์คอมพิวเตอร์เชิงทฤษฎี - Judea Pearl, Michael Kearns และ Vladimir Vapnik
• ฟิสิกส์ - Michio Kaku, Leonard Susskind, Stephen Wolfram
• ปัญญาประดิษฐ์ - Ian Goodfellows, Peter Norvig, Sebastian Thrun, Yann LeCun, Yoshua Bengio

แต่บทสนทนาที่ผมสนใจเป็นพิเศษและไม่นึกว่าจะมีโอกาสได้รับฟังก็คือบทสนทนากับ Gary Kasparov ซึ่งเหมือนอยู่คนละหมวดหมู่กับบุคคลข้างต้นครับ!!

Gary Kasparov แชมป์โลกผู้ยิ่งใหญ่ หลายคนทราบดีว่าเป็นส่วนนึงในประวัติศาสตร์โลกเมื่อพ่ายแพ้กับ Deep Blue ในปี 1997 เหตุการณ์นี้สำคัญเทียบเท่า กับ Alpha Go ปราบ Lee Sedol เมื่อปี 2016 (และเป็นแรงบันดาลใจสำคัญของAlpha Go team อีกด้วย)

น้อยคนที่จะทราบรายละเอียดว่าการแข่งขันในปี 1997 นั้นเป็นการแข่งขันแบบ 6 เกมส์ และ Kasparov ชนะในเกมส์แรก แพ้ในเกมส์ที่สอง และเสมอในอีก 3 เกมส์ถัดมา ก่อนที่จะมาแพ้ในเกมส์สุดท้ายทำให้แพ้ไปที่คะแนน 2.5 ต่อ 3.5   และน้อยคนลงไปอีกที่จะทราบว่า Kasparov นั้นนอกจากจะสุดยอดด้านหมากรุก ยังมีความรู้ด้าน Chess AI เป็นอย่างดีมาก ทำให้วิเคราะห์จุดอ่อนและวางกลยุทธเพื่อเอาชนะ Deep Blue ในรูปแบบที่แตกต่างจากการวางกลยุทธเพื่อแข่งกับมนุษย์ทั่วไปอีกด้วย  และจริงๆ แล้ว Deep Blue ท้าแข่ง Kasparov เป็นครั้งแรกในปี 1996 และก็พ่ายแพ้ให้กับKasparov ไปก่อนที่จะขอแก้มือในปี 1997

ในเกมส์ปี 1997 กติกาที่ตกลงกันก็คือ Deep Blue มีสิทธิปรับกลยุทธระหว่างแข่งทั้ง 6 เกมส์รวมทั้งเอาข้อมูล Kasparov มาวิเคราะห์ได้ แต่ทว่าในทางตรงกันข้าม Kasparov จะไม่สามารถนำข้อมูลของ Deep Blue มาวิเคราะห์ได้ อย่างไรก็ดีKasparov มั่นใจมากและปฏิเสธข้อเสนอที่ว่าผู้แพ้จะได้รับรางวัล 40% ผู้ชนะ 60% (นั่นคือ Kasparov เสนอเงื่อนไข “All or nothing - 100% สำหรับผู้ชนะและ 0 สำหรับผู้แพ้”  )

โดย Kasparov เชื่อว่า Deep Blue จะไม่สามารถอ่านกลยุทธที่ “ลึก” มากๆ เช่นการยอมเสียสละหมากบางตัวที่จะส่งผลในอีกหลายสิบตาข้างหน้าได้  และทำให้ Kasparov เน้นกลยุทธด้านนี้เป็นพิเศษ อย่างไรก็ดีจุดพลิกผันเกิดขึ้นในเกมส์ที่สองของปี 1997 ซึ่ง Deep Blue ตอบโต้หมากของ Kasparov ในลักษณะเดียวกันกับ “มนุษย์” (อ้างอิงจากคำพูดของ Kasparov เอง) ซึ่งทำให้ Kasparov ตระหนกและสับสนกับกลยุทธที่ตนเองวางไว้มาก และด้วยเวลาที่จำกัดทำให้พ่ายแพ้ให้กับ Deep Blue ในเกมส์ที่สองและหก

โดย Kasparov ถึงกับกล่าวว่าทีม Deep Blue อาจมีการ “เล่นตุกติก” โดยมีมนุษย์เข้ามาช่วยในหมากนั้นๆ และได้ขอlog files ที่บันทึกการคำนวนต่างๆ ของ Deep Blue มาดู รวมทั้งยังขอแก้มือกับ Deep Blue อีกครั้งด้วย   และเหตุการณ์ก็น่าสงสัยมากขึ้นเมื่อทีม Deep Blue ปฏิเสธการให้ดู log files และปฏิเสธการแก้มือของ Kasparov และยังตัดสินใจปิด project ลงอย่างถาวรอีกด้วย!

ในปี 2012 ภายหลังจากเหตุการณ์ 15 ปี Murray Campbell หนึ่งใน 3 นักวิทยาศาสตร์จากทีม Deep Blue ได้ออกมาเล่าว่าในปี 1997 ทีม Deep Blue ได้มีการปรับกลยุทธระหว่างเกมส์จริง แต่ส่วนใหญ่จะเป็นการแก้บั้กระหว่างเกมส์เท่านั้น อย่างไรก็ดีหมากในเกมส์ที่สองที่ Deep Blue ทำให้ Kasparov ตะลึงนั้นเกิดจากบั้กของโปรแกรม (!!) ที่ทำให้ ณ​ หมากนั้น Deep Blue ตัดสินใจเดินแบบ “random” และ Kasparov แปลความหมายผิดเข้าใจว่า Deep Blue มีกลยุทธที่“ฉลาด” มากในการตอบโต้หมากของ Kasparov และเหตุการณ์นี้ทำให้ Kasparov เสียสูญ (ไม่มั่นใจในกลยุทธของตนเองที่วางไว้) จนพ่ายแพ้ในเกมส์สุดท้ายในที่สุด

อย่างไรก็ดีหลังจากเหตุการณ์นี้ในปี 2003 , Kasparov เองก็ได้มีโอกาสแก้มือกับ AI ซึ่งได้ชื่อว่าเป็นผู้สืบทอดของDeep Blue ทั้งสองคือ “Deep Junior” และ “Fritz” และผลที่ได้คือเสมอทั้งสองการแข่งขัน (6 เกมส์ต่อหนึ่งการแข่งขัน)

Vladimir Kramnik แชมป์โลกคนถัดจาก Kasparov ก็มีโอกาสได้แข่งกับ Fritz ในปี 2002 ซึ่งผลคือเสมอและแพ้ไปสูสี4-2ในปี 2006 (โดยกติการอบนี้คือไม่มีการแก้โปรแกรมระหว่างการแข่ง และ Kramnik ยังมีสิทธิแข่งรวมทั้งวิเคราะห์การเล่นของ Fritz  ก่อนการแข่งจริงอีกด้วย)

จากเหตุการณ์นี้อาจมองได้ว่ามนุษย์เองก็ยังไม่ด้อยกว่าคอมพิวเตอร์ซะทีเดียว  หรืออาจมองได้ว่ามนุษย์อาจไม่สามารถเอาชนะคอมพิวเตอร์ได้อีกแล้ว ซึ่งจะนำมาสู่บทสนทนาที่น่าสนใจมากระหว่าง Lex และ Kasparov ในปี 2019 นี่เองครับ!!

อ้างอิง

(1) https://theconversation.com/twenty-years-on-from-deep-blue-vs-kasparov-how-a-chess-match-started-the-big-data-revolution-76882

(2) https://www.wired.com/2012/09/deep-blue-computer-bug/ (ในบทความนี้มีคำกล่าวของ Murray Campbell หนึ่งใน Deep Blue ที่บอกว่าเกิด Bug ขึ้นระหว่างแข่งขัน)

(3) https://time.com/3705316/deep-blue-kasparov/

(4) https://en.m.wikipedia.org/wiki/Garry_Kasparov#Chess_and_computers

คู่มือเตรียมตัวสัมภาษณ์งาน Data Science/Machine Learning!

สวัสดีครับ Chip Huyen ได้เผยแพร่บทความสั้นๆ ที่น่าสนใจมากๆ สำหรับผู้ที่เตรียมตัวสัมภาษณ์งานด้าน Machine Learning และ Data Science โดย Chip ได้ชี้เป้าประเด็นของผู้สมัครงานหน้าใหม่ ที่มักมาจากฝั่ง Academic ให้เข้าใจความแตกต่างในงาน Business Use Cases ว่าการทำงานจริงไม่ได้เน้นเรื่องสร้างโมเดล (ซึ่งเป็นบทเรียนหลักที่เราเจอใน text book) แต่ต้องทำความเข้าใจภาพรวม 4 ด้านดังนี้ครับ

1. Project Setup — ทำความเข้าใจ ‘เป้าหมาย’ ‘เงื่อนไขและข้อจำกัดต่างๆ’ ‘การวัดผล’ และ ‘personalization’ เป็นต้น
2. Data Pipeline — ทำความเข้าใจ ’การออกแบบ input/output’ ’การเก็บข้อมูล’ ’storage’ ’การทำ preprocessing’ และ ’ประเด็นอ่อนไหวต่างๆ เช่น ความปลอดภัยของข้อมูล’
3. Modeling — ทำความเข้าใจ ’การพัฒนาโมเดลจากง่ายไปยากทีละขั้น’ ’การนำเสนอผลลัพธ์ที่เข้าใจง่าย’ ’การคิด baseline’ ’การ debug’ ’การจัดการข้อมูลขนาดใหญ่ที่จัดเก็บใน memoryไม่เพียงพอ’
4. Serving / Deploying — ทำความเข้าใจ ’ข้อจำกัดของ machine ที่ใช้งานจริง’ ’จำนวนผู้ใช้งานในแต่ละช่วงเวลา’’ความเร็วในการตอบสนองผู้ใช้งาน’ ’ความเป็นไปได้ที่โมเดลจะถูกนำไปใช้ในทางที่ผิด’ เป็นต้น

นอกจากนี้ Chip ยังได้ทิ้งท้ายด้วย Case Studies จากบริษัทชั้นนำไม่ว่าจะเป็น AirBNB, Uber, Booking.com และ 27คำถามตัวอย่างที่จะเป็นการทดสอบทักษะด้าน Data Science ของผู้สัมภาษณ์ได้เป็นอย่างดี อาทิเช่น

(สังเกตว่าแต่ละคำถามนั้นจงให้มีลักษณะสั้นและกำกวม ซึ่งเป็นสิ่งที่จะเจอในตอนสัมภาษณ์แน่นอนครับ การตีกรอบโจทย์ให้เคลียร์ด้วยตนเอง เป็นทักษะที่สำคัญมากทักษะหนึ่งในการทำงานจริง)

• สมมติว่าเราทำงานที่ DuoLingo ที่เป็น Applications สอนภาษาต่างประเทศชื่อดัง โดย DuoLingo จะ recommend นิทานหรือเรื่องเล่าต่างๆ ที่ค่อยๆ ยากขึ้นเรื่อยๆ ตามระดับของผู้เรียน —- ถ้าเราเป็นผู้เขียน App เราจะมีวิธีวัดความซับซ้อนของนิทานหรือเรื่องเล่าต่างๆ อย่างไร จะเรียงจากง่ายไปยากได้อย่างไร  และเราสามารถออกแบบโปรแกรมที่ทำเนื้อเรื่องให้ยากขึ้น หรือง่ายลงได้ไหม?
• สมมติเราทำงานที่ Twitter เราควรจะแนะนำผู้ใช้งานแต่ละคนว่าควร Follows ผู้ใช้คนไหน หรือตาม #hashtags trend อย่างไรบ้าง โดยเฉพาะผู้ใช้งานใหม่
• ถ้าเราทำงานที่ Netflix และผู้ใช้งานหยุดดู series เรื่องหนึ่งไป เราจะทำนายได้ถูกต้องได้อย่างไรว่า ผู้ใช้งานคนนั้นหยุดดูเพราะเบื่อ หรือว่าหยุดดูชั่วคราวเพราะติดภารกิจอื่นๆ 

น่าสนใจใช่ไหมครับ เพื่อนๆ สามารถดาวน์โหลด pdf ได้ที่นี่เลยคร้าบ

https://github.com/chiphuyen/machine-learning-systems-design/blob/master/build/build1/consolidated.pdf

สวัสดีครับเพื่อนๆ เป้าหมายที่เป็นความฝันสูงสุดของนักวิจัย หรือนักวิทยาศาตร์ AI ก็คือการสร้าง “หุ่นยนต์” ให้มีความ “ฉลาด” เช่นเดียวกับมนุษย์ สามารถคิดเอง แก้ปัญหาต่างๆ ได้ ไม่จำเป็นต้องให้มนุษย์สอนหรือระบุขั้นตอนทำงานอย่างละเอียดในทุกๆ เรื่อง

จริงๆ แล้วการสร้างหุ่นยนต์ที่ฉลาดเหมือนกับมนุษย์อาจมีประเด็นที่เป็นปัญหา หลายๆ เรื่อง ที่น่าสนใจครับ เช่น ถ้าหุ่นยนต์ฉลาดและมีความคิดเป็นของตนเองจริงๆ แล้ว เป็นไปได้หรือไม่ที่จะตั้งตัวเป็นศัตรูกับมนุษย์ และจะเกิดเหตุการณ์ที่ต้องทำสงครามกันเหมือนในนิยายวิทยาศาสตร์หลายๆ เรื่อง

หลายๆ คนที่เป็นคอนิยาย sci-fi มักจะอ้างถึง “กฏสามข้อของหุ่นยนต์” ของ Isaac Asimov ที่ถูกคิดค้นขึ้นมาเพื่อป้องกันไม่ให้หุ่นยนต์คิดร้ายต่อมนุษย์ (รายละเอียดข้างล่าง)  กฏเหล่านี้ใช้ได้จริงหรือไม่ วันนี้เรามาฟังมุมมองของนักวิจัย AI จาก Computerphile กันครับ

กฏของหุ่นยนต์ทั้งสามข้อของ Asimov ใช้ได้จริงหรือไม่?

ในอนาคตจะเกิดอะไรขึ้นถ้าเราสามารถสร้าง Super Intelligence AI ได้สำเร็จ ... มันจะเป็นอันตรายกับมนุษยชาติหรือไม่ หรือว่าเราสามารถใช้กฏสามข้อของ Asimov เพื่อป้องกันไม่ให้หุ่นยนต์เหล่านี้มาทำร้ายมนุษย์ได้

กฎ 3 ข้อของหุ่นยนต์

• หุ่นยนต์มิอาจกระทำการอันตรายต่อผู้ที่เป็นมนุษย์ หรือนิ่งเฉยปล่อยให้ผู้ที่เป็นมนุษย์ตกอยู่ในอันตรายได้ ...
• หุ่นยนต์ต้องเชื่อฟังคำสั่งที่ได้รับจากผู้ที่เป็นมนุษย์ เว้นแต่คำสั่งนั้นๆ ขัดแย้งกับกฎข้อแรก ...
• หุ่นยนต์ต้องปกป้องสถานะความมีตัวตนของตนไว้ ตราบเท่าที่การกระทำนั้นมิได้ขัดแย้งต่อกฎข้อแรกหรือกฎข้อที่สอง

อ้างอิงวิกิพีเดีย

ใน Video นี้ Computerphile กล่าวว่ากฏทั้งสามข้อไม่สามารถใช้ได้จริงในทางปฏิบัติ

https://youtu.be/7PKx3kS7f4A

https://youtu.be/BQVJU17RQ9w

เพื่อนๆ สามารถทดลองโพสต์อะไรก็ได้ ในกระทู้นี้ครับ