ความฉลาดของทุกสรรพสิ่ง
(Artificial Intelligence of Everythings: AIoE )
1. เกริ่นนำ
นับตั้งแต่ อลัน แมธิสัน ทัวริ่ง ได้ออกแบบเครื่องจักรทัวริ่ง ซึ่งถือเป็นพื้นฐานในการสร้างเครื่องคอมพิวเตอร์สำหรับช่วยงานมนุษย์ในด้านต่างๆ จนกระทั่ง AlphaGo ของ Google DeepMind ที่สามารถเอาชนะแชมป์โลกเกมหมากล้อมชาวเกาหลีใต้ ลี ซี ดอย ก็ทำให้ผู้คนทั่วโลกตื่นตัวกับคำว่า “ปัญญาประดิษฐ์” (Artificial Intelligence: AI) ซึ่งเป็นศาสตร์ในการสร้างความฉลาดให้กับอุปกรณ์ (Things) ถึงแม้ AlphaGo จะเป็น AI ที่ทำได้เพียงเล่นเกมหมากล้อม แต่แผนการเดินหมากนั้นได้รับการฝึกฝนจากการเล่นกับเซียนหมากล้อมที่เป็นมนุษย์จำนวนมากถึง 30 ล้านเกมส์ ซึ่งนี่เองเป็นแนวทางการพัฒนาที่เรียกว่า “การเรียนรู้ของเครื่องจักร” (Machine Learning) ที่พยายามฉีกกฎเดิมๆจากการพยายามใส่กฎเกณฑ์ให้คอมพิวเตอร์ มาสู่การให้คอมพิวเตอร์พัฒนาองค์ความรู้ขึ้นเองจากข้อมูล เรียนรู้กับข้อมูลที่มีปริมาณมากๆ เพื่อพัฒนาองค์ความรู้ขึ้นมาจากข้อมูล และหากความฉลาดที่ได้สร้างขึ้น มีความซับซ้อนและเรียนรู้จากข้อมูลปริมาณมากๆ (Big Data) เราจะเรียกว่า “การเรียนรู้เชิงลึก” (Deep Learning)
มนุษย์ได้นำความฉลาดเทียม (Artificial Neural Network: NN) ซึ่งเลียนแบบการทำงานของสมองมนุษย์มาพัฒนาความฉลาดให้กับอุปกรณ์ ทั้งด้านการรับรู้ (perceiving) ด้านการเรียนรู้ (learning) การให้เหตุผล (reasoning) และการแสดงออก (behaving) มาพยายามพัฒนาระบบให้มีความฉลาด
ขอยกตัวอย่างระบบจอดรถอัจฉริยะ (Smart Parking) : ชายวัยกลางคนขับรถยนต์มาทำงาน จ.-ศ. โดยจอดรถที่ลานจอดในทุกๆเช้า
- ระบบจะรับรู้ผ่านอุปกรณ์รับรู้ (sensors) เช่น กล้อง เพื่อจับหมายเลขทะเบียนผู้จอดรถ มีการจดจำใบหน้าเจ้าของรถ มีการบันทึกเวลาการเข้าใช้บริการ เป็นต้น
- ระบบจะเรียนรู้และหาความสัมพันธ์ของข้อมูลที่ได้จับเก็บ เพื่อสกัดให้ได้ข้อมูลเชิงลึก (Insight) เช่น ระบบสามารถวิเคราะห์ได้ว่า “เจ้าของขับรถยนต์มาทำงาน จ.-ศ. โดยจอดรถที่ลานจอดในทุกๆเช้า” จึงสามารถแบ่งประเภทกับข้อมูลผู้จอดคนอื่นว่าเป็นวัยทำงาน เป็นต้น
- ระบบจะคาดเดาพฤติกรรมชายคนดังกล่าวว่า ทำงานอยู่ไม่ไกลจากสถานที่นั้น ดังนั้น ควรมีระบบแนะนำ (recommended system) ร้านอาหาร ปั้มน้ำมัน อู่ซ่อมรถที่อยู่ใกล้ เป็นต้น
- ระบบจะสื่อสารกับมนุษย์ผ่านแสง สี เสียง ในรูปแบบต่างๆ เช่น chatbot แนะนำข้อมูล มีสัญญาณไฟเพื่อบอกบริเวณลานจอดรถที่ว่าง เป็นต้น
จากตัวอย่างนี้ทำให้เราเห็นภาพว่า ปัจจุบันนั้นจะเป็นยุคของความฉลาดในทุกสรรพสิ่ง (Artificial Intelligence of Everythings) ซึ่งเชื่อมโยงถึงกันด้วยระบบสื่อสาร มีการแลกเปลี่ยนข้อมูลระหว่างกัน มีการเก็บข้อมูลเพื่อสำหรับมาเรียนรู้ และวิเคราะห์ข้อมูล เพื่อที่จะตอบสนองได้อย่างเฉลียวฉลาด
เมื่ออุปกรณ์ทุกอย่างเชื่อมเข้าด้วยกัน ?
ความสามารถของอุปกรณ์ยังไม่หยุดแค่นั้น เมื่อโครงข่ายของอินเตอร์เน็ตได้พัฒนามาถึงยุคที่ 5 ทำให้เวลารอในการตอบสนองมีค่าน้อยกว่า 0.001 วินาที ทำให้การเชื่อมโยงหรือติดต่อสื่อสารระหว่างอุปกรณ์ (Conneted Devices) เป็นไปได้อย่างง่ายดายไร้รอยต่อ ทำให้สามารถรวมการทำงานของแต่ละอุปกรณ์ สร้างเป็นระบบต่างๆได้ผ่านการสื่อสารทางอินเตอร์เน็ท (Internet of Things: IoT)
2. สถาปัตยกรรมของระบบ
ในหัวข้อนี้จะแนะนำถึงสถาปัตยกรรมตั้งแต่ต้นน้ำจนถึงปลายน้ำ โดยสามารถแบ่งโครงสร้างออกได้เป็น 3 ชั้น:
- ชั้น Cloud computing
- ชั้น Fog computing
- ชั้น Edge computing
หน้าที่ของระบบในชั้น Cloud computing
โดยปกติถ้าแปลตามความหมายตรงๆ Cloud จะถูกแปลว่า “ก้อนเมฆ” แต่ในบริบทนี้ Cloud computing จะหมายถึง ระบบที่ให้บริการบนโลกออนไลน์ในรูปแบบ Pay-as-you-go (จ่ายเท่าที่ใช้) ที่เราสามารถเข้าถึงจากที่ไหนก็ได้บนโลกนี้(แต่ต้องมีเน็ต) ซึ่งจุดเด่นของคลาวด์ คือ มีทรัพยากรเหลือเฟือ ทั้งด้านการคำนวณ ความเร็วการสื่อสารและการจัดเก็บข้อมูล ดังนั้น จึงสามารถที่จะให้คอมพิวเตอร์แม่ข่ายเรียนรู้ข้อมูลปริมาณมากๆ ได้
หน้าที่ของระบบในชั้น Fog computing
โดยปกติคำว่า Fog นั้นหมายถึง “หมอก” (เจตนาเพื่อให้เข้าใจว่าเล็กกว่า Cloud) แต่ในบริบทนี้ถ้าแปลรวมทั้งหมดจะหมายถึง “การประมวลผลระหว่างทาง” ซึ่งสามารถเกิดขึ้นได้ เช่น Routers, Switches, Gatways หรือ Wireless access เป็นต้น โดยมีจุดเด่นดังนี้
- เปรียบเสมือนเป็นรั้วของบ้านในเรื่องความปลอดภัย (Security) และความส่วนตัวของข้อมูล (Privacy)
- มีความต่อเนื่องในการสื่อสาร ซึ่งสามารถติดต่อสื่อสารกันได้โดยไม่ต้องพึ่งการเชื่อมต่อกับอินเตอร์เน็ท
- เป็นตัวกลางในการจัดการเพื่อไม่ให้อุปกรณ์ปลายทาง (End devices) แต่ละตัว สื่อสารกับระบบคลาวด์โดยตรง
ยิ่งไปกว่านั้น ยังเป็นจุดที่เหมาะสมกับการนำการเรียนรู้เชิงลึกมาใช้ เนื่องจากอยู่ใกล้กับอุปกรณ์รับรู้
หน้าที่ของระบบในชั้น Edge computing
เชื่อมโยงกับอุปกรณ์ปลายทาง (End Devices) โดยมีจุดเด่นดังนี้
- สามารถหลอมรวมข้อมูลที่สำคัญเพื่อสำหรับจัดเก็บหรือแสดงผล (Data fusion) ทำให้ข้อมูลที่จะถูกส่งต่อออกไปมีขนาดและปริมาณน้อยลง ทำให้เหลือถนนในการส่งข้อมูลมากขึ้นด้วย (Bandwidth)
- ใช้พลังงานต่ำ และเป็นจุดที่เหมาะสมกับการควบคุมอุปกรณ์การรับรู้
3. ความฉลาดของระบบ
ด้วยความรุ่งโรจน์ของความเร็วอินเตอร์เน็ท ทำให้เกิดแนวคิดการรวมศูนย์กลางความฉลาดของระบบไว้ที่เดียวนั่นคือบนคลาวด์ (centralized intelligence) ทำหน้าที่ทุกอย่างตั้งแต่ จัดเก็บข้อมูลดิบ (Rawdata) ประมวลผล (Preprocessing) แสดงผล (Visualization) รวมถึงการสร้างความฉลาด (Model) ให้แก่ระบบ โดยไม่ได้กระจายงานหรือบริการไปยังอุปกรณ์อื่นๆในระบบ
ทำไมความฉลาดที่ขอบของเครือข่ายจึงสำคัญ (Edge Intelligence) ?
อย่างไรก็ตามมีประเด็นที่น่าสนใจว่า คลาวด์สามารถตอบสนองการรับส่งข้อมูลในยุคข้อมูลระดับ Big data ที่มีลักษณะดังนี้ ได้หรือไม่
- ปริมาณมาก (Volume) เช่น การส่งข้อความใน social media ซึ่งคอมพิวเตอร์เครื่องเดียวอาจจะไม่สามารถจัดเก็บหรือประมวลผลได้
- ความรวดเร็ว (Velocity) เช่น การส่งข้อมูลของอุปกรณ์ IoT ที่ส่งออกตลอดเวลา
- ความหลากหลาย (Variety) เช่น ข้อความ รูปภาพ VDO เป็นต้น
ดังนั้น จึงเกิดแนวคิดการกระจายภาระงาน เช่น การจัดการข้อมูล การประมวลผล ฯลฯ ตั้งแต่ระบบคลาวด์มายังอุปกรณ์สุดท้ายเรียกว่า “ความฉลาดที่ขอบของเครือข่าย (Edge Intelligence)”
จะนำการเรียนรู้เชิงลึก (Deep Learning) มาใช้กับอุปกรณ์ขนาดเล็กได้อย่างไร ?
ขอยกตัวอย่างการรักษาความปลอดภัยชาญฉลาด (Smart surveillance) ที่มีการใช้กล้องวงจรปิดรับข้อมูลและส่งข้อมูลไปประมวลผล เปรียบเทียบกันระหว่าง Edge computing และ Cloud computing
จากผลการเปรียบเทียบพบว่า
- การแสดงผลที่คลาวด์ช้ากว่า แต่สามารถคำนวณผลแบบซับซ้อนได้ โดยมีการแสดงผลต่อวินาที (Frame-per-second: FPS) ปกติ
- การแสดงผลที่ Edge เร็วกว่า แต่สามารถแสดงผลได้ไม่เกิน 2 FPS
ดังนั้น ทิศทางการใช้งานการเรียนรู้เชิงลึกสำหรับความฉลาดที่ขอบของเครือ (Edge Intelligence) จึงต้องพัฒนาแบบจำลองให้มีขนาดและความจุข้อมูลให้เล็กลง เพื่อให้เหมาะสมกับอุปกรณ์ขนาดเล็กเรียกว่า Tiny AI หรือ ความฉลาดสำหรับอุปกรณ์ขนาดเล็ก
ดังนั้นจึงสามารถสรุปสั้นๆได้ว่า
“ความฉลาดบนคลาวด์” เหมาะกับการคำนวณที่ซับซ้อนปริมาณมาก ไม่จำเป็นต้องตอบสนองทันที จึงเหมาะสำหรับเป็นต้นแบบของการเรียนรู้เชิงลึก (Deep learning) ซึ่งพอได้ต้นแบบมาแล้ว จะนำไปปรับค่าให้เหมาะสมกับความสามารถของอุปกรณ์ขนาดเล็กเพื่อสร้าง “ความฉลาดบนขอบของเครือข่าย” สำหรับการตอบสนองที่รวดเร็ว และปรับละเอียดเพื่อให้เข้ากับสภาพแวดล้อมนั้นๆ เรียกความฉลาดแบบนั้นว่า “Tiny Deep Learning”
สามารถติดตาม VDO “แนะนำ Tiny Deep Learning บน Edge Device ภายใน 5 นาที ” ทาง Youtubeได้ที่นี่
ทิ้งท้าย :
กระผม ดร.คงฤทธิ์ โกมาสถิตย์ เป็นพนักงานรัฐวิสาหกิจที่การไฟฟ้าฝ่ายผลิตแห่งประเทศไทย ตำแหน่งวิศวกรไฟฟ้า โดยบทความนี้เป็นส่วนหนึ่งของ โครงการ Super AI Engineer รหัสผู้สมัคร 22p23c0652 และเป็นบทความแรกของผู้เขียน หากมีข้อบกพร่องประการผู้เขียนขอน้อมรับและจะนำไปปรับปรุงในอนาคตครับ :)
สุดท้ายนี้ขอขอบคุณแหล่งข้อมูลอ้างอิงที่สำคัญ ดังนี้
- nectec.or.th แนะนำให้อ่านสำหรับทำความเข้าใจพื้นฐานเรื่อง Cloud, Fog และ Edge Computing
- Empowering Things with Intelligence: A Survey of the Progress, Challenges, and Opportunities in Artificial Intelligence of Things ตอบคำถามเรื่องสถาปัตยกรรมของ Cloud, Fog และ Edge ได้อย่างคลอบคลุม
- Edge intelligence: architectures, challanges, and applications งานวิจัยที่แสดงถึงว่า ทำไมความฉลาดที่ขอบของเครือข่ายจึงสำคัญ ?!
- MCUNet: Tiny deep learning in IoT device งานวิจัยที่แสดงความสำคัญของอุปกรณ์ IoT ได้อย่างน่าสนใจ
