關於 สถิติ คณิตศาสตร์ ，我們在網路上蒐集到這些相關的討論、資訊與評價

รู้จักกับ Confidence Interval

Confidence Interval เป็นคอนเซปต์ที่คนทั่วๆ ไปมักจะรู้จักกันน้อยมาก ทั้งๆ ที่ในความเป็นจริงแล้ว มันเป็นคอนเซปต์ที่เราคุ้นเคยกันดีมาก และเราก็ใช้กันอยู่ทุกวันในชีวิตประจำวัน

วิทยาศาสตร์นั้นใช้ “คณิตศาสตร์” เป็นภาษาหลักในการสื่อสาร และเรามักจะวัด “ปริมาณ” ออกมาแทนเป็นตัวเลขเสมอ เวลาเราอ่านข่าว เรามักจะคุ้นเคยกับการรายงานตัวเลขเพียงตัวหนึ่ง แทนค่าอะไรสักอย่าง เอกภพมีอายุ 13.8 พันล้านปี โลกมีรัศมี 6,378 กม. ปริมาณ antibody ในกระแสเลือด คือ 9000 U/mL ฯลฯ ทั้งๆ ที่ความจริงแล้วในทางวิทยาศาสตร์เราจะไม่ได้วัดค่าเป็นตัวเลขเพียงตัวเดียว แต่จะเป็นช่วงตัวเลขช่วงหนึ่ง ที่เรียกว่า “Confidence Interval”

อาจารย์สอนวิชาเคมีวิเคราะห์ที่ผมเรียนด้วย ครั้งหนึ่งเคยพูดเอาไว้ ในประโยคแรก ของคาบเรียนแรกของวิชาว่า

“Every measurement is a lie, the difficulties come when you try to believe it”

“ทุกๆ การวัดก็คือการโกหก ปัญหามันอยู่ที่ว่าเราพร้อมจะเชื่อมันได้แค่ไหน”

ลองจินตนาการดูว่าเราไปซื้อหมูสับที่ตลาด แม่ค้าก็หยิบหมูมากำมือหนึ่ง น้ำหนัก(มวล)ที่แท้จริงของหมูสับนั้นเป็นเป็นค่าๆ หนึ่ง ซึ่งไม่มีใครหรือสิ่งใดในเอกภพที่จะสามารถทราบได้ สิ่งที่ตาชั่งของแม่ค้าบอกนั้นเป็นเพียงการ “ประมาณ” น้ำหนักของหมูชิ้นนั้นเท่านั้น

สมมติว่าตาชั่งนั้นบอกว่าหมูหนัก “สองขีด” แท้จริงแล้ว “สองขีด” นั้นไม่ใช่น้ำหนักที่แท้จริงของหมู แต่เป็นเพียงการประมาณค่าน้ำหนักจริงของเนื้อหมู ที่อยู่ระหว่างสองขีดบวกลบกับค่าความคลาดเคลื่อนที่ได้จากเครื่องมือ

ซึ่งความเป็นจริงแล้ว นี่ไม่ได้เป็นเพียงคอนเซปต์ในอุดมคติอันสวยหรู และเรื่องมากอะไรของนักวิทยาศาสตร์เพียงอย่างเดียว แต่เป็นสิ่งที่เราทุกคนใช้ และตกลงกันอยู่ในชีวิตประจำวัน

เพราะเวลาเราตกลงซื้อ “หมูสองขีด” กับแม่ค้า เราก็ไม่ได้มีความคาดหวังว่าจะต้องซูมเข้าไปดูเข็มว่ามันอยู่ที่ 200 กรัม กับอีกกี่มิลลิกรัม หรือไมโครกรัม เราอาจจะพอใจ และไม่ได้ติดใจอะไรกับแม่ค้า ตราบใดที่นน. ของหมูนั้นอยู่ในค่าที่ “ยอมรับได้” ซึ่งสำหรับหมูสองขีดนี้อาจจะอยู่ในขอบเขต 150-250 กรัม (ขีดครึ่งถึงสองขีดครึ่ง) ก็ยังไม่น่าเกลียดอะไรมาก (เว้นเสียแต่คุณจะเป็นทนายความหัวหมอคนหนึ่งในเมืองเวนิส)

นั่นหมายความว่า เวลาเราบอกกันว่า “หมูสองขีด” แท้จริงแล้วเรากำลังบอกว่า “ตั้งแต่ขีดครึ่งกว่าๆ ไปจนถึงสองขีดครึ่ง” หรือเวลาเราบอกว่าเราใช้เวลาสองชม. เดินทางกลับบ้าน เราไม่ได้หมายความว่า “สองชั่วโมง ศูนย์นาที ศูนย์วินาที ศูนย์มิลลิวินาที” ไม่ขาดไม่เกิน แต่เราหมายความว่า “ระหว่าง ชั่วโมงนิดๆ ไปถึงเกือบสามชม”

ซึ่งไอ้ “ขอบเขตที่ยอมรับได้” นี่เอง ที่เกี่ยวข้องกับ “Confidence Interval” และมีความเกี่ยวข้องกับ “เลขนัยะสำคัญ” เพราะมันเป็นตัวบอกว่าเรา "พร้อมที่จะเชื่อคำโกหกนั้นแค่ไหน" เช่น คนที่บอกว่าใช้เวลากลับบ้าน “สองชั่วโมง” นั้นกำลังพยายามสื่อถึงขอบเขตที่ยอมรับได้ ที่แตกต่างจากผู้ที่บอกว่าใช้เวลากลับบ้าน “หนึ่งชั่วโมง สี่สิบเจ็ดนาที” เพราะเราคงไม่จำเป็นต้องระบุว่าสีสิบเจ็ดนาที ถ้าเราไม่ได้มั่นใจในหลักนาทีที่สำคัญขนาดนั้น

และนี่เป็นเหตุผลว่าทำไมเราจึงไม่ควรจะอ่านตัวเลขทุกหลักที่ได้จากเครื่องคิดเลข เช่น ป้ายยอดดอยอินทนนท์เขียนเอาไว้ว่าดอยอินทนน์มีความสูงจากระดับน้ำทะเล 2,565.3341 เมตร (เขียนงี้จริงๆ ไม่เชื่อลองไปดู) ซึ่งการระบุความแม่นยำไปถึงหลัก 0.1 มิลลิเมตรนั้นสื่อว่าความสูงที่วัดได้นี่นั้นแม่นยำยิ่งกว่าความสูงของเม็ดทรายหนึ่งเม็ด ซึ่งเป็นไปไม่ได้ (คือแค่คนวัดยืนหายใจความสูงก็เปลี่ยนไปมากกว่าทศนิยมที่เขากล่าวอ้างแล้ว)

ซึ่งในทางวิทยาศาสตร์นั้นก็ใช้หลักการเดียวกัน แต่เรามีการระบุให้รัดกุมไปกว่านั้น โดยเราจะบอกเป็น Confidence Interval ควบคู่ไปกับเปอร์เซ็นต์ความน่าเชื่อถือของขอบเขตนั้น หรือที่เรียกกันว่า Confidence Level หรือ "เรามั่นใจแค่ไหน ว่าคำตอบนั้นอยู่ในขอบเขตที่เราระบุเอาไว้"

เราสามารถนึกถึง Confidence Level ง่ายๆ โดยการจินตนาการแบบนี้ “สมมติว่าเราต้องวางเงินเดิมพันว่าค่าของเขตที่เรารายงานนั้นครอบคลุมไปถึงค่าที่แท้จริง เราจะกล้าเดิมพันแค่ไหน” แน่นอนว่าเราไม่มีวันมั่นใจได้ “100%” แต่หากเราพูดถึงการเดิมพัน ยิ่งเรามั่นใจมาก เราก็อาจจะยอมที่จะเดิมพันที่เสี่ยงมากขึ้น เช่น หากเรามั่นใจว่าเราจะถูกถึงมากกว่า 95% ต่อให้เดิมพันเสียเปรียบ 1 ต่อ 20 ก็ยังนับเป็นการลงทุนที่คุ้มค่าที่จะเสี่ยง

ดังนั้นค่าทุกค่าที่รายงานในทางวิทยาศาสตร์ นั้นจะมีอยู่สองส่วนเสมอ (ไม่ว่าจะละเอาไว้ในฐานที่เข้าใจหรือไม่ก็ตาม) นั่นก็คือเปอร์เซนต์ความเชื่อมั่น ว่าผู้รายงานมีความเชื่อมั่นในตัวเลขนี้เท่าใด และช่วงขอบเขตของตัวเลขที่สอดคล้องกับเปอร์เซนต์ความเชื่อมั่นเท่านั้น

ซึ่งยิ่งเราระบุขอบเขตให้กว้างเท่าไหร่ก็จะยิ่งมีโอกาสที่ค่าจริงจะอยู่ในขอบเขตนั้นมากขึ้นเพียงเท่านั้น เราอาจจะไม่มั่นใจเท่าไหร่ว่าหมูชิ้นนี้จะมีน้ำหนักระหว่าง 199.999 กรัมไปจนถึง 200.001 กรัม แต่เรามั่นใจค่อนข้างมากว่า น้ำหนักน่าจะอยู่ระหว่าง 100-300 กรัม และเรามั่นใจล้านเปอร์เซ็นต์ ว่าน้ำหนักของหมูนั้นมากกว่าศูนย์ แค่น้อยกว่ามวลของเอกภพ (แต่ขอบเขตที่ได้จากความมั่นใจเว่อร์ระดับนี้นั้นอาจจะไม่ได้มีความหมายเสียเท่าไหร่)

เช่น นักวิทยาศาสตร์ที่ชั่งสารอาจจะบอกว่า ตัวอย่างนี้มีมวล 200.0 +/- 0.2 g with 95% Confidence Interval รัศมีของโลกมีระยะทาง 6.3781366 +/- 1 x10^6 m ซึ่งยิ่งเครื่องมือมีความแม่นยำเพียงใด เราอาจจะยิ่งได้ขอบเขตของความน่าเชื่อถือที่แคบเท่านั้น แต่เราไม่มีวันที่จะสามารถหาน้ำหนักหรือรัศมี “ที่แท้จริง” เป๊ะๆ ได้เลย เราได้แต่เพียงทำให้ขอบเขตเล็กลงเรื่อยๆ

นอกจากความแม่นยำของเครื่องมือแล้ว อีกปัจจัยหนึ่งก็คือเรื่องของ “สถิติ” เช่น หากเราทำการสำรวจน้ำหนักของประชากรชาวไทย เราจะพบว่าน้ำหนักแต่ละคนนั้นมีการกระจายตัวออก และไม่เท่ากัน เราก็จะใช้ Confidence Interval และ Confidence Level ในการรายงานค่าที่เป็นตัวแทนของประชากรนี้ได้เช่นกัน ว่าเรามีความมั่นใจเพียงใด ว่าค่าที่แท้จริงจะอยู่ในขอบเขตนี้ แน่นอนว่าในประชากรที่มีค่าที่แตกต่างกันมาก ขอบเขตของความเชื่อมั่นย่อมที่จะกระจายตัวได้กว้างเป็นธรรมดา

ซึ่งการรายงาน Confidence Interval ที่ไม่สอดคล้องกับข้อมูล แน่นอนว่าเทียบเท่ากับการ “บิดเบือนความจริง” เพราะเรากำลังจะบอกว่าเรามั่นใจว่าค่าจริงนั้นอยู่ในช่วงนี้ ทั้งๆ ที่ความเป็นจริงแล้วข้อมูลไม่ได้บ่งชี้เช่นนั้นเลย

เช่น หากเรามีข้อมูลเพียงสองจุด แต่เรากลับแทนค่า Confidence Interval ด้วย “พิสัย” ของข้อมูล (ดังภาพ) เท่ากับเรากำลังบอกว่าข้อมูลที่เราวัดเพียงสองครั้งนั้น ได้สะท้อนถึงขอบเขตบน และขอบเขตล่างของค่าจริงเป็นที่เรียบร้อยแล้ว และเท่ากับเป็นการบ่งชี้ว่าเรามีความเชื่อมั่นว่าในการวัดครั้งถัดไป เราจะได้ค่าที่อยู่ระหว่างสองครั้งแรกที่วัดอย่างแน่นอน เปรียบเทียบได้กับการอ้างว่า เพียงสองครั้งที่เราวัดนั้น เราได้บังเอิญสุ่มได้ค่าที่มากที่สุด และน้อยที่สุดไปโดยบังเอิญภายในสองครั้งแรกที่ทำการวัด

หากเปรียบเทียบ ก็เปรียบได้กับการทอยลูกเต๋าที่เราไม่ทราบว่ามีกี่ด้าน และมีตัวเลขเท่าใดบ้างสองครั้ง ได้เลข 4 กับเลข 6 แล้วเราก็สรุปว่าค่าส่วนมากที่เต๋าลูกนี้จะทอยได้นั้น จะอยู่ระหว่าง 4 ถึง 6

เราอาจจะคิดว่า การโกหกข้อมูลมันทำได้เฉพาะการรายงานค่าเฉลี่ยที่ไม่ตรงตามความเป็นจริง แต่ในความเป็นจริงแล้วนั้น อย่างที่บอกไปแล้วว่าข้อมูลทางวิทยาศาสตร์นั้นมีทั้งเปอร์เซ็นต์ความน่าเชื่อถือ กับขอบเขตตัวเลข ซึ่งแม้ว่าเราจะรายงานค่าเฉลี่ยถูกต้อง แต่หากเรารายงานความน่าเชื่อถือ หรือขอบเขตที่ผิดไป (หรือไม่รายงาน) เราก็สามารถทำให้คนอ่านเข้าใจผิดได้เช่นกัน เช่นข้อมูลที่ไม่มีความน่าเชื่อถือ แต่แอบอ้างให้คนอ่านเข้าใจว่ามีความน่าเชื่อถือสูงกว่าที่ควรจะเป็น หรือการทำให้ขอบเขตแคบกว่าที่คิด (โดยการเลือกความน่าเชื่อถือที่ต่ำลง เป็นต้น) ก็อาจทำให้เข้าใจผิดเกี่ยวกับข้อมูลได้เช่นกัน

เช่น หากดูค่าเฉลี่ยเปรียบเทียบแล้วเราอาจจะพบว่าข้อมูลชุดหนึ่งมีค่าเฉลี่ยสูงกว่า แต่หากเราพิจารณาขอบเขตที่ 95% CI แล้วเราจะพบว่าข้อมูลส่วนมากมีความคาบเกี่ยวกันเสียส่วนมาก ทำให้ข้อสรุปที่ได้ควรจะเป็นว่าสองข้อมูลนี้ไม่มีความแตกต่างกันอย่างมีนัยะสำคัญ แต่หากเราเปลี่ยนไปเลือก 65% CI เราอาจจะพบว่าขอบเขตที่น่าเชื่อถือของข้อมูลทั้งสองนั้นแยกจากกันมากขึ้น เราอาจทำให้ผู้อ่านเข้าใจผิดไปว่าข้อมูลทั้งสองนั้นแตกต่างกันมากกว่าที่ควรจะเป็น

ซึ่งแน่นอนว่านี่ไม่ใช่หลักการทางสถิติที่ควรจะเป็น

ป.ล. หลังจากที่หลายๆ คนทักมา และดูเพิ่มเติมแล้ว เข้าใจว่า “ที่มา” ของกราฟ n=2 จะใช้ Interquartile range Q1 Q3 แทนนะครับ ซึ่งเนื่องจากข้อมูลมีไม่พอ เลยถูกปัดไปเป็น min/max โดยปริยาย ซึ่งแม้ว่า IQR จะมีความหมายแตกต่างจาก CI พอสมควร แต่โดยหลักการที่ข้อมูลไม่ได้แสดงแทนด้วยเลขตัวเดียว แต่แทนถึงประชากรที่มีความหลากหลาย ก็ไม่ได้แตกต่างกันมากครับ

อ่านหลักสูตรโท AI ของ Nida น่าสนใจดี
เผื่อใครสนใจเป็น วิศวกรปัญญาประดิษฐ์ ในยุค AI
โดยผู้ที่เขาเรียนเข้าเรียนจบตรีอะไรมาก็ได้ ไม่จำกัดสาขา
แต่ต้องมีพื้นฐานคณิตศาสตร์และมีพื้นฐานการเขียนโปรแกรมที่ดีมาก

วิศวกรปัญญาประดิษฐ์ (Artificial Intelligence Engineer):
อาชีพใหม่ รายได้ดี เป็นที่ต้องการ ที่คนไทยยังไม่รู้จัก

ผู้ช่วยศาสตราจารย์ ดร. อานนท์ ศักดิ์วรวิชญ์
ผู้อำนวยการหลักสูตรปรัชญาดุษฎีบัณฑิตและวิทยาศาสตรมหาบัณฑิต
สาขาวิชาการวิเคราะห์ธุรกิจและวิทยาการข้อมูล
https://www.facebook.com/BusinessAnalyticsNIDA/
คณะสถิติประยุกต์ สถาบันบัณฑิตพัฒนบริหารศาสตร์

โลกก้าวไกลไปด้วยปัญญาประดิษฐ์ (Artificial Intelligence) และการเรียนรู้ด้วยเครื่องจักร (Machine Learning) ของเรียกรวมว่า AIML

คอมพิวเตอร์ในปัจจุบันทำอะไรที่ในอดีตทำแทบไม่ได้เลย และในอนาคตปัญญาประดิษฐ์และการเรียนรู้ด้วยเครื่องจักรจะมาทำหน้าที่แทนคนเป็นอันมาก

อุตสาหกรรมที่เอาปัญญาประดิษฐ์และการเรียนรู้ด้วยเครื่องจักรมาแทนคนจำนวนมากมายและเริ่มเลย์ออฟพนักงาน คือธนาคาร โดยเฉพาะธนาคารพาณิชย์ไทยขนาดใหญ่จำนวนมาก 5-6 แห่งต่างเลย์ออฟพนักงานที่มีทักษะเก่าที่ธนาคารไม่ได้ต้องการแล้วออกไปเป็นจำนวนมากเช่น teller หน้าเคาเตอร์ ซึ่งผู้บริโภคหันไปใช้ mobile banking และ internet banking กันแทบจะหมดแล้ว สาขาก็เริ่มปิดตัวไป

สมัยก่อนคนที่จบการศึกษาด้านเศรษฐศาสตร์นิยมทำงานด้านธนาคาร และธนาคารก็นิยมรับคนจบเศรษฐศาสตร์ แต่มาวันนี้ธนาคารไม่ได้ต้องการคนจบเศรษฐศาสตร์แล้ว และเศรษฐศาสตร์ก็มีคนเรียนน้อยลงมาก เพราะจบมาแล้วอาจจะหางานทำยากเมื่อเทียบกับในอดีต

แต่ว่าธนาคารต่างๆ ในประเทศไทย เลย์ออฟคนแล้ว กลับรับคนใหม่เข้ามามากมาย เช่น ธนาคารแห่งหนึ่งมีพนักงาน 18,000 คน เลย์ออฟพนักงานจนเหลือ 10,000 คน แล้วรับใหม่เข้ามาจนมีพนักงานอยู่ 21,000 คน แสดงให้เห็นว่าแท้จริงแล้วปริมาณงานไม่ได้ลดลง และกิจการก็ไม่ได้แย่ลง

ธนาคารคงคิดว่าไม่อาจจะเปลี่ยนทักษะ (Re-skill) พนักงานเดิมได้ สู้เลย์ออฟแล้วได้พนักงานใหม่ที่มีทักษะใหม่ที่ธนาคารต้องการจะดีกว่า

ทักษะใหม่ที่ว่าได้แก่ ทักษะด้านวิทยาการคอมพิวเตอร์ การพัฒนาซอฟท์แวร์ วิทยาการข้อมูล Financial Technology ปัญญาประดิษฐ์และการเรียนรู้ด้วยเครื่องจักรหรือ AIML ความมั่นคงไซเบอร์ และ Blockchain เป็นอาทิ

โลกในยุคต่อไป AIML จะเข้ามาแทนมนุษย์ในแทบทุกอุตสาหกรรม ทรัมป์บอกว่าจะตั้งกำแพงภาษีหาก NISSAN ไปตั้งโรงงานรถยนต์ในเม็กซิโก NISSAN มาตั้งโรงงานในสหรัฐอเมริกาทันทีแต่ใช้หุ่นยนต์และ AIML แทน ทำให้ลดคนงานจากหลายพันคนเหลือเพียงไม่กี่สิบคน ผลิตรถยนต์ได้เร็วกว่าโรงงานที่จ้างคนมากๆ

โรงงานผลิตอาหารของเครือเจริญโภคภัณฑ์ที่สร้างใหม่ในประเทศจีนก็ใช้หุ่นยนต์และ AIML แทนคนงานจำนวนมาก ใช้คนคุมเครื่องจักร หุ่นยนต์และ AIML ไม่กี่คนก็สามารถผลิตอาหารเลี้ยงจนจีนวันละเป็นล้านคนได้ในแต่ละวันอย่างง่ายดาย ด้วยต้นทุนที่ถูกกว่ากันมาก

การที่ AIML เติบโตอย่างรวดเร็วและสร้างความได้เปรียบในการแข่งขัน ลดต้นทุน ทำให้เกิดความต้องการผู้ที่มีความเชี่ยวชาญด้าน AIML มากขึ้นเรื่อยๆ และเกิดอาชีพใหม่ที่เรียกว่า วิศวกรปัญญาประดิษฐ์ (Artificial Intelligence Engineer) ซึ่งเป็นผู้เชี่ยวชาญด้าน AIML นั่นเอง

วิศวกรปัญญาประดิษฐ์ ทำหน้าที่อะไร

คำตอบคือ ทำหน้าที่พัฒนาและให้คำปรึกษาในการใช้ปัญญาประดิษฐ์และการเรียนรู้ด้วยเครื่องจักรไปประยุกต์ใช้กับข้อมูลประเภทต่างๆ หรือข้อมูลใหม่ๆ ในธุรกิจต่างๆ ซึ่งต้องประยุกต์ให้เหมาะสม การให้คำปรึกษานี้ต้องรวมการพัฒนาไปด้วย เช่นอาจจะมีข้อมูลประเภทใหม่ หรือธุรกิจใหม่ๆ ที่ต้องอาศัยปัญญาประดิษฐ์และการเรียนรู้ด้วยเครื่องจักรวิธีใหม่ และ/หรือต้องมีการปรับจูนพารามิเตอร์ในปัญญาประดิษฐ์หรือการเรียนรู้ด้วยเครื่องจักรเดิมให้ทำงานได้ดีเหมาะสมกับข้อมูลใหม่ๆ หรืออุตสาหกรรมที่แตกต่างกันไป

ดังนั้นวิศวกรปัญญาประดิษฐ์จึงต้อง

1. เข้าใจขั้นตอนวิธี (Algorithm) ของปัญญาประดิษฐ์และการเรียนรู้ด้วยเครื่องจักร อย่างลึกซึ้งพอที่จะแก้ไขปัญหาและแนะนำให้นักวิทยาการข้อมูล (Data scientist) นักวิเคราะห์ธุรกิจ (Business Analyst) นักวิเคราะห์ข้อมูล (Data Analyst) เลือกใช้ AIML ได้อย่างเหมาะสมกับประเภทและความซับซ้อนของปัญหาและข้อมูลที่ต้องการวิเคราะห์

2. เข้าใจการปรับจูนค่าพารามิเตอร์ใน AIML และเข้าใจวิธีการหาค่าเหมาะสุด (Optimization) ใน AIML ให้ได้ผลลัพธ์ที่ดีที่สุด แก้ไขปัญหาได้เมื่อเกิดปัญหา

3. ต้องมีความเข้าใจข้อมูลที่มีโครงสร้าง โครงสร้างของข้อมูล ข้อมูลที่ไร้โครงสร้าง (Unstructured data) ได้แก่ ข้อมูลจากสื่อสังคม ข้อมูลภาพสอง-สามมิติ วีดีทัศน์สอง-สามมิติ มัลติมีเดีย เสียง ข้อความ คลื่นๆ และอื่นๆ อีกมาก ต้องจัดการข้อมูลได้ เพื่อให้เลือกใช้ AIML ให้เหมาะสมกับข้อมูลแต่ละประเภทและที่มีความซับซ้อน

4. มีความคิดสร้างสรรค์และความคิดวิเคราะห์ในการประยุกต์ใช้ AIML หรือพัฒนา AIML ใหม่ๆ มีประสิทธิภาพดีกว่าขั้นตอนวิธีเดิม เพื่อตอบโจทย์ในการเอาไปใช้งานจริง เพิ่มความสามารถในการแข่งขันในอุตสาหกรรม

วิศวกรปัญญาประดิษฐ์ในสหรัฐอเมริกาเป็นอาชีพที่มีรายได้ดีมาก ไม่ว่าจะเป็น Google, Facebook และ Technoprenuership อื่นๆ ต่างก็จ้างวิศวกรปัญญาประดิษฐ์มาช่วยแนะนำและแก้ไขปัญหาการวิเคราะห์ของหน่วยงานตลอดจนพัฒนาระบบการทำงานใหม่ๆ ให้ดีมีประสิทธิภาพมากขึ้น ลดจำนวนพนักงานลงไปได้มาก

คำที่วิศวกรปัญญาประดิษฐ์พูดกันบ่อยๆ มีอยู่หลายคำ ลองไปค้นคำ เช่น Keras, TensorFlow, Deep Learning, Reinforcement Learning, PyTorch, Weka, Apache Spark, Scikit Learn เป็นต้น ซึ่งเป็น software หรือ AIML ตัวใหม่ๆ ที่กำลังแพร่หลายในวงการ AIML ในโลกปัจจุบัน

วิศวกรปัญญาประดิษฐ์ เป็นงานที่ขาดแคลนมากในสหรัฐอเมริกา เป็นงานที่ใช้ความรู้ทั้งด้านคณิตศาสตร์/สถิติศาสตร์/คอมพิวเตอร์/ขั้นตอนวิธี จึงค่อนข้างหายาก ที่สำคัญอย่างยิ่งคือต้องมีความสามารถในการสื่อสารเรื่องยากๆ ทางเทคนิคให้ง่าย ให้คนที่ไม่มีพื้นฐานทางวิทยาการคอมพิวเตอร์ สถิติศาสตร์ หรือคณิตศาสตร์สามารถฟังแล้วเข้าใจได้ง่าย

คนที่จะเรียนทำงานเป็นวิศวกรปัญญาประดิษฐ์ได้ควรจบอย่างน้อยระดับปริญญาโทหรือถ้าจะให้ดีควรจบระดับปริญญาเอก ควรจบปริญญาตรีทางคณิตศาสตร์/วิทยาการคอมพิวเตอร์/วิศวกรรมคอมพิวเตอร์ จะได้เปรียบนิดหน่อยแต่ไม่เสมอไป

คนที่คณิตศาสตร์ดี/เขียนโปรแกรมได้ดี/ตรรกะในการคิดวิเคราะห์ดี ย่อมสามารถเรียน AIML เพื่อให้เป็นวิศวกรรมปัญญาประดิษฐ์ได้ต่อไปในอนาคต

ในอนาคตประเทศไทยก็น่าจะต้องการวิศวกรปัญญาประดิษฐ์เพิ่มมากขึ้น โดยเฉพาะอย่างยิ่งในภาคเอกชนที่มีการนำ AIML มาใช้งานจริงในธุรกิจเพิ่มขึ้นทุกๆ วัน เพื่อเพิ่มความสามารถในการแข่งขันและความยั่งยืนทางธุรกิจ

ยกตัวอย่างเช่น ธนาคารพาณิชย์แห่งหนึ่ง ยกเลิกการจ้างพนักงานประเมินราคาอสังหาริมทรัพย์จาก outsource ภายนอกที่ต้องเสียค่าจ้าง (โดยผู้ขอกู้เงินต้องจ่าย) อย่างน้อยครั้งละ 2500 บาท โดยใช้ปัญญาประดิษฐ์ในการประเมินราคาอสังหาริมทรัพย์แทนคน ผู้กู้ต้องกรอกรายละเอียดของอสังหาริมทรัพย์ให้ครบถ้วนและถ่ายรูปมาแสกนเข้าระบบคอมพิวเตอร์ที่มีปัญญาประดิษฐ์ ทำให้ตีราคาอสังหาริมทรัพย์ได้แม่นยำเกือบเท่ากับการจ้างนักประเมินราคาอสังหาริมทรัพย์ ซึ่งเป็นผู้เชี่ยวชาญได้ไกล้เคียงมาก อีกทั้งการใช้ปัญญาประดิษฐ์ยังเป็นการลดการใช้ดุลพินิจอันเป็นการป้องกันการทุจริตคอร์รัปชั่นไปได้ในตัวเอง

หลักสูตรวิทยาศาสตร์มหาบัณฑิต (การวิเคราะห์ธุรกิจและวิทยาการข้อมูล) คณะสถิติประยุกต์ สถาบันบัณฑิตพัฒนบริหารศาสตร์ เปิดสอนปริญญาโทสองสาขามานานพอสมควรคือสาขาวิชาปัญญาและการวิเคราะห์ธุรกิจ (Business Analytics and Intelligence) และสาขาวิทยาการข้อมูล (Data Science) และการแข่งขันในการเข้าเรียนของทั้งสองสาขาก็สูงมาก

แต่เนื่องจากความจำเป็นของประเทศที่ต้องการวิศวกรปัญญาประดิษฐ์เพื่อตอบสนองความต้องการภาคเอกชนและยุทธศาสตร์ชาติ Thailand 4.0 จึงได้พัฒนาสาขาวิชา ปัญญาประดิษฐ์และการเรียนรู้ด้วยเครื่องจักร (Artificial Intelligence and Machine Learning: AIML) ทั้งในภาคปกติและภาคพิเศษ เพื่อผลิตวิศวกรปัญญาประดิษฐ์ให้กับประเทศไทย
ผู้สมัครเข้าเรียนไม่จำกัดสาขาวิชา แต่ต้องมีพื้นฐานคณิตศาสตร์ที่ดีมาก และมีพื้นฐานการเขียนโปรแกรมตลอดจนความคิดวิเคราะห์และตรรกะที่แม่นยำ

ในปีแรกของการศึกษานักศึกษาทั้งหลักสูตรจะเรียนวิชาปรับพื้นฐานและวิชาแกนร่วมกันดังแผนภาพด้านล่างนี้ วิชาที่พื้นหลังเป็นสีเหลืองเป็นวิชาปรับพื้นฐาน ผู้ที่เรียนมาแล้วระดับปริญญาตรีสามารถทดสอบ (Placement test) เพื่อข้ามไปเรียนวิชาอื่นได้เลยหากสอบผ่าน สำหรับวิชาที่เรียนมี

วิชาการจัดการข้อมูลใหญ่ (Managing Big Data) เพื่อให้สามารถจัดการกับข้อมูลใหญ่ในรูปแบบต่างๆ ได้

วิชาการวิเคราะห์ธุรกิจและวิทยาการข้อมูลเบื้องต้น (Introduction to Business Analytics and Data Science) ซึ่งสอนให้นักศึกษาเห็นภาพรวมของทุกสาขาวิชา และเข้าใจการนำไปประยุกต์ใช้ แต่นิสิตจะเรียกว่า วิชา (สาบาน) ว่าอินโทร

วิชาการวิเคราะห์ข้อมูลเชิงบุกเบิกและการวาดภาพนิทัศน์จากข้อมูล (Exploratory Data Analysis and Data Visualization) วิชานี้สอนให้วาดรูปจากข้อมูลทั้งวิชา สอนเรื่องการออกแบบ เป็นวิชาที่ใช้สมองทุกซีกทุกส่วนของมนุษย์ และใช้ความรู้สารพัดสาขาวิชา ตั้งแต่ จิตวิทยา คอมพิวเตอร์ สถิติ ศิลปะ สถิติศาสตร์ คณิตศาสตร์ และการเขียนโปรแกรมคอมพิวเตอร์

วิชาการออกแบบวิจัยและวิธีการแสวงหาความรู้ (Research Design and Inquiry Methods) สอนให้ออกแบบงานวิจัยเป็น ให้แสวงหาความรู้ด้วยตนเองได้ เข้าใจปรัชญาวิทยาศาสตร์และญาณวิทยาแห่งการแสวงหาความรู้ มีความคิดวิจารณญาณ

วิชาสถิติวิเคราะห์สมัยใหม่ประยุกต์ (Applied Modern Statistical Analysis) เน้นไปที่สถิติอนุมาน การสร้างตัวแบบ และสถิติสมัยใหม่ที่เน้นการคำนวณเข้มข้น (Computationally-intensive statistical methods) อันเป็นพื้นฐานของปัญญาประดิษฐ์ วิทยาการข้อมูล และการเรียนรู้ด้วยเครื่องจักร

วิชาการวิเคราะห์เชิงกำหนดและการหาค่าเหมาะสุดประยุกต์ สอนการจัดการเชิงปริมาณ การหาค่าเหมาะสุดในการจัดการ และเป็นพื้นฐานในการประมาณค่าเหมาะสุดของปัญญาประดิษฐ์และการเรียนรู้ด้วยเครื่องจักร

วิชาการเรียนรู้ด้วยเครื่องจักรประยุกต์ (Applied Machine Learning) เป็นวิชาพื้นฐานตัวแรกของ AIML เลยครับ

หลังจากนั้นปีสอง จึงเริ่มเรียนวิชาเอกในสาขาวิชา เป็นวิชาเอกบังคับห้าวิชา คือ

หนึ่ง วิชาปัญญาประดิษฐ์ สองวิชาปัญญาประดิษฐ์ขั้นสูงซึ่งครอบคลุมไปถึง Computer Vision และ Robotics

สาม วิชาการหาค่าเหมาะสุดสำหรับปัญญาประดิษฐ์และการเรียนรู้ด้วยเครื่องจักร เรียนเพื่อให้เข้าใจขั้นตอนวิธีและการปรับจูนค่าพารามิเตอร์ของ AIML เพื่อให้สามารถพัฒนา AIML ตัวใหม่ๆ ต่อยอดไปได้ในอนาคต

สี่ วิชาการเรียนรู้เชิงลึก หรือ Deep learning ที่เรากำลังรู้จักกันดี

และ ห้า วิชาการเรียนรู้ด้วยเครื่องจักรขั้นสูง ซึ่งครอบคลุมไปถึงการเรียนรู้แบบรวมกลุ่ม (Ensemble learning) และการเรียนรู้แบบเสริมแรง (Reinforcement learning) ซึ่งนำมาใช้ในการพัฒนาปัญญาประดิษฐ์ให้สามารถเล่นโกะหมากล้อมได้ชนะแชมป์โลกได้

ฟังดูเหมือนจะยากใช่ไหมครับ สาขาวิชาปัญญาประดิษฐ์และการเรียนรู้ด้วยเครื่องจักร (AIML) เพื่อสร้างวิศวกรปัญญาประดิษฐ์ อาชีพใหม่ มาแรง มีอนาคตดี รายได้สูงของประเทศไทย ให้ออกไปทำงานรับใช้ชาติ

ถ้าถามว่าเรียนง่ายหรือไม่ คงไม่ใช่อย่างแน่นอน แต่ถ้าถามว่าท้าทาย เป็นประโยชน์ และเป็นโลกของอนาคตหรือไม่ คำตอบคือใช่
เมื่อปัญญาประดิษฐ์และการเรียนรู้ด้วยเครื่องจักรจะมาแทนมนุษย์ในการทำงาน

มนุษย์ที่จะมีงานทำต่อไปก็คือคนที่สร้างปัญญาประดิษฐ์และการเรียนรู้ด้วยเครื่องจักร เท่านั้น ซึ่งก็คือวิศวกรปัญญาประดิษฐ์นั่นเอง ซึ่งน่าจะอยู่รอดได้อีกนาน

ตราบใดที่ปัญญาประดิษฐ์ไม่คิดฆ่าล้างเผ่าพันธุ์คนที่คิดสร้างปัญญาประดิษฐ์ขึ้นมาไปเสียเอง!!! แต่ช้าก่อนเราจะวางใจได้จริงหรือ???

📈 คำว่า "Data Science" เป็นอีกหนึ่งคำที่ฮิตฮอตกับสายไอทีในช่วงนี้อย่างมาก ว่าแต่ .. งานด้านนี้จริง ๆ เขาทำอะไรกันนะ ?
.
โดย Data Science นี้มาจากศาสตร์ความรู้ด้านสถิติ, การวิเคราะห์ข้อมูล, Machine Learning และ วิทยาการคอมพิวเตอร์รวมถึนจนกลายเป็นแขนงความรู้ใหม่นี้นั่นเอง ซึ่งบทบาทหน้าที่เกี่ยวกับสาขา Data Science นั้นจะขึ้นอยู่กับแต่ละองค์กรว่าจะนำความรู้ไปใช้ในด้านใด
.
ถ้าหากดูจาก Job Description แล้ว ทาง Udacity ได้บอกไว้ว่าเราสามารถแบ่งงานด้าน Data Science ออกเป็น 4 ประเภท
.
➡️ Data Analyst
.
หรือ นักวิเคราะห์ข้อมูลนั่นเอง โดยงานนี้มักจะตรงกับชื่อตำแหน่งคือ เราอาจจะทำการดึงข้อมูลออกมาจากแหล่งข้อมูลต่าง ๆ ไม่ว่าจะเป็น SQL Database แล้วทำการสร้างรายงาน หรือ ทำการนำเสนอข้อมูลในรูปแบบ Visualization บน Dash board โดยเราอาจจะได้รับหน้าที่ในการวิเคราะห์ต่อยอดเกี่ยวกับผลลัพธ์ของการทำ A/B Test ในการจัดทำโครงการของบริษัทอีกด้วย
.
➡️ Data Engineer
.
หรือ วิศวกรข้อมูล ที่หลายบริษัทจะโฟกัสไปที่ข้อมูลที่มีขนาดใหญ่มากที่วิ่งเข้า - ออกทั้งภายใน และ ภายนอกองค์กร หน้าที่ของ Data Engineer คือ การวางระบบโครงสร้างพื้นฐานทั้งฝั่ง Hardware และ Software เพื่อจัดทำ Data Infrastructure ที่เหมาะสมกับงาน ซึ่งบางครั้งนอกจากการวางระบบแล้วอาจจะมีการไปทำด้านวิเคราะห์ข้อมูลสถิติ หรือ ทำ Machine Learning ภายในองค์กรได้อีกด้วย
.
➡️ Machine Learning Engineer
.
เป็นหนึ่งตำแหน่งที่จะพบได้ในองค์กรที่มีความจริงจังด้านวิเคราะห์ข้อมูลแบบเข้มข้น ซึ่งงานในตำแหน่งนี้เหมาะกับผู้ที่จริงจังด้าน คณิตศาสตร์, สถิติ หรือ ฟิสิกส์อย่างมาก เพราะเป็นงานที่โฟกัสทุกอย่างที่เป็นข้อมูล รวมถึงการ Optimize วิธีการ และ การเรียนรู้ของ Machine
.
➡️ Data Science Generalist
.
ตำแหน่งนี้มักจะพบในองค์กรที่เริ่มหันมาสนใจในด้าน Data Science ที่อาจจะเพิ่งเริ่ม หรือ องค์กรที่ไม่ได้มีกิจกรรมหลักเป็นบริษัทด้านข้อมูล แต่ต้องการคนมาทำการวิเคราะห์ และ รายงานผลข้อมูล ซึ่งในนี้มักจะเป็นองค์ความรู้รวม ๆ ด้าน Data Science มากกว่าการที่เป็น Specialist ในด้านใดด้านหนึ่ง เรียกได้ว่ามีอะไรมาเราก็ทำได้หมดนั่นเอง
.
สำหรับงานด้านนี้ในประเทศไทยก็ถือว่ามีไม่น้อยเลยทีเดียว เพราะองค์กรเริ่มเห็นความสำคัญของยุคที่เรียกว่า "ข้อมูลมีค่ามากกว่าทองคำ" การที่เราทราบข้อมูลบางอย่าง อาจทำให้ธุรกิจติดปีกไปไกลกว่าเดิมเลยก็ได้
.
และ แน่นอนว่าใครอยากไปทำงานเมืองนอกหละก็ ในภาพโพสต์นี้ก็มีเว็บยักษ์ใหญ่ระดับโลกเปิดรับสมัครงานอยู่เช่นกัน 🤣🤣🤣
.
สำหรับใครอยากอ่านต่อหละก็สามารถดูได้จากที่นี่เลยน้า
.
https://blog.udacity.com/…/01/4-types-data-science-jobs.html
.
#BorntoDev - Coding Academy ให้การพัฒนาเทคโนโลยีเป็นเรื่องง่ายสำหรับทุกคน

รู้ไหมว่าสถิติ และ ตัวเลขเรื่องที่เรามักโดนหลอกหลอนตั้งแต่ประถม มัธยม มหาวิทยาลัยที่ยากๆ ยังหลอกเราไม่ได้บ่อยเท่าเรื่องง่าย ๆ !!? วันนี้เรามาลองหาคำตอบกับเรื่องราวที่ซ่อนอยู่ในตัวเลขกันว่า สิ่งที่เราเห็น มันใช่แบบนั้นจริงๆ หรือเปล่า กับเรื่อง "ค่าเฉลี่ย" กันครับ ^_^

▲ ติดตามช่องของเราได้ที่ : http://bit.ly/borntoDevSubScribe
▲ Facebook : https://www.facebook.com/borntodev
▲ Website : http://www.borntodev.com

?BorntoDev Channel คือ ช่องยูทูปที่เน้นสาระด้านเทคโนโลยี ไปพร้อมกับความสนุกสนาน และ รอยยิ้มเข้าไว้ด้วยกันทั้งในรูปแบบบทเรียน และ vlog

เพื่อการเปลี่ยนรูปแบบการเรียนรู้ด้านการพัฒนาโปรแกรม และ เทคโนโลยีแบบเดิม ๆ ที่เป็นเรื่องเฉพาะกลุ่มให้เข้าถึง เข้าใจได้ง่ายยิ่งขึ้น โดยพัฒนาเน้นไปที่รูปแบบการนำเสนอใหม่ ๆ ที่เป็นมิตรกับทุกคน

โดยมีผู้ดำเนินรายการหลัก 2 คนคือ

"เปรม BorntoDev" ผู้ชื่นชอบ และ หลงไหลด้านวิทยาศาสตร์ เทคโนโลยี รวมถึงการพัฒนาโปรแกรมเป็นชีวิตจิตใจ มีความสุขมากที่ได้ถ่ายทอด และ แลกเปลี่ยนความรู้ เพราะทำให้นึกถึงสมัยยังเป็นเด็กที่เริ่มต้นเขียนโปรแกรมแล้วได้รับการสนับสนุนจากผู้ใหญ่ใจดีในโลก Internet ที่ไม่เคยเห็นหน้าตากันมาก่อน แต่กลับยินดีแบ่งปันให้กัน

"ไกด์ BorntoDev" ชายผู้ที่บอกว่าเป็นพี่น้องกับคนข้างบนหรือเปล่า คำตอบคือไม่ใช่ แต่เขาสนใจด้านเทคโนโลยี การพัฒนาแอปพลิเคชัน ชอบความสนุก จัดกิจกรรม และ ที่ไม่พลาดคือการซื้อเกมมาดองแล้วไม่ได้เล่น เห็นหน้านิ่ง ๆ แบบนี้ดองเกมใน Steam เป็นแสน ๆ นะบอกเลย

▲ กิจกรรมใน Channel BorntoDev เป็นส่วนหนึ่งในการดำเนินงานของ บริษัท บอร์นทูเดฟ จำกัด ที่เปิดรับ Partners ที่สนใจร่วมเปลี่ยนแปลงให้สังคมไทยเป็นสังคมด้านวิทยาศาสตร์ และ เทคโนโลยีมากยิ่งขึ้น หากคุณสนใจสนับสนุน และ ก้าวไปพร้อมกัน สามารถติดต่อร่วมงานได้แล้ววันนี้

▲ ติดต่อโฆษณา สนับสนุน และ ร่วมงานได้ที่: borntodevth@gmail.com

"โจทย์คณิต คิดไม่ออกขอให้บอก TJ นัตตี้ส์ ติวเผ็ด! เข็ดฟัน! พันเทคนิค!"
เตรียมเอกสารให้พร้อม... แล้วมาติวกันได้เลยคร้าบบบ!!!

กลับมาเจอกันอีกแล้วในวิชาคณิตชิคๆ กับทีเจที่ชิคที่สุดในสยามประเทศอย่างทีเจนัตตี้ส์ ใครที่คิดจะเทวิชานี้อย่าเพิ่งเท เพราะทีเจนัตตี้ส์จะมาทำให้วิชานี้ง่ายยยยยยย และสนุก แถมได้ความรู้ความเข้าใจแบบเต็มๆ แน่นอน

.
#ฟรี เอกสารประกอบการเรียน ?
https://goo.gl/QsM8CL
.
#แถม เรียนเพิ่มเติมย้อนหลังได้ที่ ?️
https://goo.gl/z88qF4
.
#โปร พิชิตสอบ ?
https://goo.gl/XjzWsk

#clickforclever #dek61 #ติวเตรียมสอบ #tcas


#ติวผ่านfacebook
https://www.facebook.com/clickforclever/

--วิชา คณิตศาสตร์-- By.TJ นัตตี้ส์
เรื่อง "สถิติ"
"โจทย์คณิต คิดไม่ออกขอให้บอก TJ นัตตี้ส์ ติวเผ็ด! เข็ดฟัน! พันเทคนิค!"
เตรียมเอกสารให้พร้อม... แล้วมาติวกันได้เลยคร้าบบบ!!!

เอกสารประกอบการเรียน ?
https://goo.gl/qFQceh

อย่าพลาด!! การติวทุกวันเวลา 18.00 - 20.00 น.
__________________________________________
แชทสดผ่าน LIVE facebook กับ TJ ได้ที่
https://www.facebook.com/clickforclever/


ติดตามข่าวสารและเรียนเพิ่มเติมย้อนหลังได้ที่
https://www.clickforclever.com/