WEBVTT

00:00:07.360 --> 00:00:10.886
เครื่องจะเรียนรู้ได้ดี
เมื่อมีข้อมูลการฝึกฝนที่ดี

00:00:11.136 --> 00:00:16.016
ฉะนั้นการใช้ข้อมูลคุณภาพสูง
ในปริมาณมากจึงสำคัญ

00:00:16.433 --> 00:00:21.355
ในเมื่อข้อมูลสำคัญ ก็น่าสนใจว่า
ข้อมูลการฝึกนั้นมาจากไหน

00:00:21.730 --> 00:00:26.151
หลายครั้งที่คอมพิวเตอร์เก็บข้อมูลการฝึก
จากคนอย่างเรา ๆ ท่าน ๆ

00:00:26.360 --> 00:00:27.945
โดยที่เราไม่ต้องพยายามอะไร

00:00:28.195 --> 00:00:31.156
บริการสตรีมมิงวีดีโอ
อาจเก็บข้อมูลว่าเราชอบดูอะไร

00:00:31.365 --> 00:00:33.659
ก่อนจำรูปแบบของข้อมูลนั้น

00:00:33.867 --> 00:00:36.328
จะได้แนะนำเราได้ว่า
เราน่าจะอยากชมอะไรต่อ

00:00:37.162 --> 00:00:40.165
บางทีมันก็ขอความช่วยเหลือจากเรา

00:00:40.541 --> 00:00:43.293
เช่นเมื่อเว็บไซต์ถามเราว่า
ภาพไหนเป็นป้ายจราจรบ้าง

00:00:43.544 --> 00:00:47.422
นั่นแหละคือการที่คุณมอบข้อมูลการฝึก
เพื่อช่วยให้เครื่องรู้จักการเห็น

00:00:47.673 --> 00:00:49.341
และอาจขับรถได้สักวันหนึ่ง

00:00:51.843 --> 00:00:55.389
นักวิจัยด้านการแพทย์อาจใช้ภาพ
ด้านการแพทย์เป็นข้อมูลการฝึก

00:00:55.597 --> 00:00:58.725
เพื่อสอนให้คอมพิวเตอร์รู้จัก
และวินิจฉัยโรค

00:01:00.644 --> 00:01:03.772
การเรียนรู้ของเครื่องอาศัยภาพ
หลายร้อยหลายพันภาพ

00:01:04.064 --> 00:01:07.568
และการสอนจากแพทย์ที่รู้ว่า
ต้องมองหาอะไร

00:01:07.776 --> 00:01:10.028
ก่อนที่มันจะสามารถระบุโรคได้อย่างถูกต้อง

00:01:10.445 --> 00:01:12.281
แต่แม้จะมีหลายพันตัวอย่าง

00:01:12.531 --> 00:01:14.992
ก็อาจเกิดปัญหาในการคาดการณ์
ของคอมพิวเตอร์ได้

00:01:15.200 --> 00:01:18.537
หากมีการเก็บข้อมูลเอ็กซเรย์
จากผู้ชายอย่างเดียว

00:01:18.787 --> 00:01:21.331
การคาดการณ์ของคอมพิวเตอร์ก็
อาจใช้ได้กับผู้ชายเท่านั้น

00:01:21.623 --> 00:01:25.877
และอาจไม่รู้จักโรคที่เราขอ
ให้วินิจฉัยจากผลเอ็กซเรย์ของผู้หญิง

00:01:26.670 --> 00:01:30.507
จุดบอดในข้อมูลการฝึกนี้
ก่อให้เกิดสิ่งที่เรียกว่าความลำเอียง

00:01:30.799 --> 00:01:32.759
ข้อมูลที่ลำเอียง
จะให้ความสำคัญกับบางอย่าง

00:01:32.968 --> 00:01:35.804
ไม่ให้ความสำคัญกับบางอย่าง
และตัดบางอย่างไป

00:01:36.096 --> 00:01:38.390
ขึ้นอยู่กับการเก็บข้อมูลการฝึก

00:01:38.682 --> 00:01:42.185
ใครเป็นคนเก็บ และมีการป้อนข้อมูลอย่างไร

00:01:42.394 --> 00:01:45.397
ก็มีโอกาสที่จะมีอคติของมนุษย์ในข้อมูลค่ะ

00:01:45.856 --> 00:01:50.110
เมื่อเรียนรู้จากข้อมูลที่ลำเอียง
คอมพิวเตอร์อาจคาดการณ์แบบมีอคติ

00:01:50.277 --> 00:01:54.156
ไม่ว่าผู้ฝึกคอมพิวเตอร์จะรู้ตัวหรือไม่

00:01:54.448 --> 00:01:58.035
เมื่อคุณหาข้อมูลการฝึก
ให้ถามตัวเองสองข้อ

00:01:58.410 --> 00:02:00.996
ข้อมูลนี้เพียงพอต่อการฝึกคอมพิวเตอร์
อย่างแม่นยำไหม

00:02:01.288 --> 00:02:06.960
และข้อมูลนี้นำเสนอทุกสถานการณ์และผู้ใช้
ที่เป็นไปได้โดยไม่ลำเอียงหรือยัง

00:02:07.294 --> 00:02:10.797
คุณมีบทบาทสำคัญยิ่งในตรงนี้ 
ในฐานะผู้ฝึกที่เป็นมนุษย์

00:02:10.994 --> 00:02:14.334
อยู่ที่คุณ 
ว่าจะให้ข้อมูลที่ไม่ลำเอียงหรือไม่

00:02:14.334 --> 00:02:17.994
อันหมายถึงตัวอย่างมากมายจากหลายแหล่ง

00:02:19.134 --> 00:02:21.808
อย่าลืมว่าเมื่อคุณเลือกข้อมูล
ให้การเรียนรู้ของเครื่อง

00:02:22.059 --> 00:02:24.144
คุณกำลังลงโปรแกรมให้อัลกอริธึม

00:02:24.394 --> 00:02:26.897
ด้วยการใช้ข้อมูลการฝึกแทนโค้ด

00:02:27.147 --> 00:02:29.191
ข้อมูลนี่แหละ คือโค้ด

00:02:29.733 --> 00:02:34.112
ยิ่งมอบข้อมูลดีเท่าไหร่
คอมพิวเตอร์ยิ่งเรียนรู้ได้ดีเท่านั้นค่ะ