PolyU | แนวคิดปัญญาประดิษฐ์

📚 สรุปเนื้อหา

หลักสูตรนี้นำเสนอการเรียนรู้อย่างเข้มข้นและเข้าใจง่ายเกี่ยวกับปัญญาประดิษฐ์ (AI) สำหรับนักศึกษาปริญญาโทและผู้เชี่ยวชาญ โดยสะท้อนความก้าวหน้าตั้งแต่รากฐานทางประวัติศาสตร์ไปจนถึงนวัตกรรมล่าสุด หลักสูตรจะพัฒนาจากปัญญาประดิษฐ์เชิงสัญลักษณ์และอัลกอริธึมการค้นหา สู่การเรียนรู้เชิงลึก (Deep Learning) และปัญญาประดิษฐ์สร้างสรรค์ (Generative AI) ในปัจจุบัน นักเรียนจะได้สำรวจหัวข้อสำคัญ เช่น การแทนข้อมูลความรู้ การให้เหตุผลแบบความน่าจะเป็น และการเรียนรู้ของเครื่องแบบคลาสสิก ก่อนจะล้ำลึกเข้าสู่เครือข่ายประสาทเทียม โมเดล Transformers และโมเดลภาษาขนาดใหญ่ (LLMs) โดยเน้นทั้งทฤษฎีและการปฏิบัติ ใช้ภาษา Python และเฟรมเวิร์กมาตรฐานในอุตสาหกรรม เช่น PyTorch เพื่อประยุกต์ใช้อัลกอริธึม โต้ตอบกับ API สมัยใหม่ และแก้ไขประเด็นสำคัญด้านจริยธรรมและความปลอดภัยของปัญญาประดิษฐ์

สร้างความเชื่อมโยงระหว่างปัญญาประดิษฐ์เชิงสัญลักษณ์แบบดั้งเดิมกับปัญญาประดิษฐ์สร้างสรรค์สมัยใหม่ หลักสูตรนี้เตรียมความพร้อมให้ผู้เรียนมีความเข้าใจเชิงทฤษฎีอย่างลึกซึ้งและทักษะการเขียนโปรแกรมด้วยภาษา Python เพื่อออกแบบ ดำเนินการ และประเมินระบบอัจฉริยะอย่างมีจริยธรรม

🎯 เป้าหมายการเรียนรู้

1. เชี่ยวชาญพื้นฐานของปัญญาประดิษฐ์: วิเคราะห์และประยุกต์ใช้แนวทางการแก้ปัญหาพื้นฐาน ได้แก่ การค้นหาด้วยเทคนิคเชิงวิเคราะห์ (heuristic search) การให้เหตุผลตามตรรกะ และการจำลองแบบความน่าจะเป็น
2. ประยุกต์ใช้อาร์กิเทคเจอร์การเรียนรู้เชิงลึก: ออกแบบและฝึกอบรมเครือข่ายประสาทเทียมขั้นสูงโดยใช้ PyTorch ตั้งแต่โมเดลเพอร์เซปตรอนหลายชั้น (MLP) ไปจนถึงเครือข่ายประสาทเชิงพิเศษ (CNN) และโมเดล Transformers
3. นำเสนอบริการปัญญาประดิษฐ์สร้างสรรค์: ออกแบบแอปพลิเคชันที่ใช้โมเดลภาษาขนาดใหญ่ (LLMs) โดยใช้เทคนิคต่าง ๆ เช่น การปรับแต่งเฉพาะทาง (fine-tuning) การออกแบบคำสั่ง (prompt engineering) และการเสริมการดึงข้อมูล (Retrieval-Augmented Generation - RAG)
4. ส่งเสริมการพัฒนาปัญญาประดิษฐ์ที่มีจริยธรรม: วิเคราะห์วิจารณ์ระบบปัญญาประดิษฐ์ด้านอคติ ความปลอดภัย และความสอดคล้อง พร้อมใช้กลยุทธ์เพื่อเพิ่มความโปร่งใสและเสถียรภาพในสถานการณ์จริง

🔹 บทเรียนที่ 1: ประวัติและรากฐานของปัญญาประดิษฐ์

บทนำ: การสำรวจจุดกำเนิดของปัญญาประดิษฐ์ ครอบคลุมการทดสอบทัวริง การประชุมดาร์ทมัธ และวงจรการพัฒนาปัญญาประดิษฐ์ที่เรียกว่า "ฤดูหนาวของปัญญาประดิษฐ์" (AI Winters)

ผลการเรียนรู้:

• ติดตามการเปลี่ยนแปลงทางประวัติศาสตร์ของปัญญาประดิษฐ์ตั้งแต่ปี ค.ศ. 1956 ถึงปัจจุบัน
• เปรียบเทียบและวิเคราะห์แนวคิดระหว่างปัญญาประดิษฐ์เชิงสัญลักษณ์ (GOFAI) กับแนวทางการเชื่อมโยง (Connectionism)
• อภิปรายผลกระทบจากวิวัฒนาการของการเรียนรู้เชิงลึก และความก้าวหน้าล่าสุดในด้านการสร้างสรรค์

🔹 บทเรียนที่ 2: กลยุทธ์การค้นหา: ไม่รู้จักเงื่อนไขและรู้จักเงื่อนไข

บทนำ: การแนะนำตัวแทนการแก้ปัญหาพื้นฐานโดยใช้เทคนิคการค้นหา แยกแยะระหว่างการค้นหาแบบตาบอด (blind search) และการค้นหาโดยใช้ฟังก์ชันช่วยเหลือ (heuristic-based)

ผลการเรียนรู้:

• ประยุกต์ใช้วิธีการค้นหาแบบไม่รู้จักเงื่อนไข เช่น BFS, DFS และการค้นหาแบบต้นทุนคงที่ (Uniform Cost search)
• ใช้เทคนิคการค้นหาเชิงวิเคราะห์ เช่น A* และการค้นหาที่ดีที่สุดแบบกระตือรือร้น (Greedy Best-First search)
• วิเคราะห์ความซับซ้อนและประสิทธิภาพของกลยุทธ์การค้นหาแต่ละแบบ

🔹 บทเรียนที่ 3: การค้นหาเชิงขัดแย้งและปัญหาความจำกัด

บทนำ: การศึกษาเชิงลึกเกี่ยวกับการตัดสินใจในสภาพแวดล้อมที่แข่งขันกัน (เช่น เกม) และการแก้ปัญหาที่กำหนดด้วยเงื่อนไข

ผลการเรียนรู้:

• ควบคุมอัลกอริธึม Minimax และการตัดการค้นหาแบบอัลฟา-เบต้า (Alpha-Beta pruning) สำหรับการเล่นเกม
• เข้าใจการค้นหาต้นไม้แบบมอนเตคาร์โล (Monte Carlo Tree Search - MCTS) ที่ใช้ในระบบที่ก้าวหน้า เช่น AlphaGo
• แก้ปัญหาความจำกัด (Constraint Satisfaction Problems - CSP) โดยใช้เทคนิคการกลับตัว (backtracking) และการค้นหาแบบท้องถิ่น (local search)

🔹 บทเรียนที่ 4: การแทนข้อมูลความรู้และการให้เหตุผล

บทนำ: การศึกษาเกี่ยวกับวิธีที่ระบบปัญญาประดิษฐ์แทนข้อมูลอย่างเป็นตรรกะเพื่อทำการอนุมาน ย้ายจากตรรกะคลาสสิกไปสู่โครงสร้างความรู้สมัยใหม่

ผลการเรียนรู้:

• ใช้ตรรกะเชิงประโยค (Propositional Logic) และตรรกะลำดับแรก (First-Order Logic) ในการแทนข้อมูลและอนุมาน
• เปรียบเทียบระบบผู้เชี่ยวชาญแบบดั้งเดิมกับกราฟความรู้และออนโทโลยีสมัยใหม่
• สำรวจปัญญาประดิษฐ์เชิงประสาท-สัญลักษณ์ (Neuro-Symbolic AI) ซึ่งเป็นสะพานเชื่อมระหว่างตรรกะและเครือข่ายประสาทเทียม

🔹 บทเรียนที่ 5: ความไม่แน่นอนในยุคปัญญาประดิษฐ์สร้างสรรค์

บทนำ: ขยายขอบเขตการคำนวณความน่าจะเป็นแบบดั้งเดิม เพื่อทำความเข้าใจว่าความไม่แน่นอนส่งผลต่อปัญญาประดิษฐ์สมัยใหม่อย่างไร บทนี้สำรวจเหตุผลที่โมเดลภาษาขนาดใหญ่ (LLMs) “หลอน” (hallucinate) และทำไมสิ่งนี้จึงเป็นคุณสมบัติ ไม่ใช่ข้อบกพร่อง รวมถึงการสร้างงานศิลปะจากสัญญาณรบกวนบริสุทธิ์ด้วยโมเดลการกระจาย (Diffusion models) และการตัดสินใจของเอเจนต์อัตโนมัติในโลกที่ไม่แน่นอน

ผลการเรียนรู้:

• จากเบย์สสู่ "อารมณ์": ทำความเข้าใจความมั่นใจและค่าปรับตัวอย่างมีเหตุผล โดยเข้าใจว่า "ความน่าจะเป็น 99%" อาจผิดพลาดได้ แม้ไม่ต้องล็อกกับคณิตศาสตร์ซับซ้อน
• แรงขับเคลื่อนแห่งความคิดสร้างสรรค์: วิเคราะห์กลไกการสุ่มแบบความน่าจะเป็น (เช่น อุณหภูมิ, Top-P) ที่ทำให้เกิดความคิดสร้างสรรค์ในปัญญาประดิษฐ์สร้างสรรค์ และนำไปสู่อาการหลอน
• การตัดสินใจของเอเจนต์: เข้าใจกลยุทธ์การตัดสินใจภายใต้ความไม่แน่นอน โดยเน้นปัญหา “การสำรวจกับการใช้ประโยชน์” (Exploration vs. Exploitation) ในเรื่องการเรียนรู้เสริม (Reinforcement Learning) และระบบหลายเอเจนต์

🔹 บทเรียนที่ 6: การเรียนรู้ของเครื่องแบบคลาสสิก

บทนำ: การเริ่มต้นเชิงปฏิบัติเกี่ยวกับอัลกอริธึมที่ขึ้นอยู่กับข้อมูลสำหรับการเรียนรู้แบบมีผู้สอน (supervised learning) และไม่มีผู้สอน (unsupervised learning) โดยใช้ภาษา Python

ผลการเรียนรู้:

• ประยุกต์ใช้โมเดลการเรียนรู้แบบมีผู้สอน เช่น ต้นไม้ตัดสินใจ (Decision Trees) และเครื่องจักรเวกเตอร์สนับสนุน (SVMs)
• ใช้เทคนิคการเรียนรู้แบบไม่มีผู้สอน เช่น การจัดกลุ่มแบบ K-means และการลดมิติแบบ PCA
• ใช้ไลบรารี Scikit-learn เพื่อแก้ปัญหาการวิเคราะห์ข้อมูลพื้นฐาน

🔹 บทเรียนที่ 7: พื้นฐานของเครือข่ายประสาทเทียม

บทนำ: การเปลี่ยนผ่านสู่การคำนวณที่ได้แรงบันดาลใจจากชีวภาพ ครอบคลุมสถาปัตยกรรมและกลไกการฝึกอบรมของเครือข่ายประสาทเทียม

ผลการเรียนรู้:

• อธิบายโครงสร้างของเซลล์ประสาทเทียมและโมเดลเพอร์เซปตรอนหลายชั้น (MLP)
• ควบคุมอัลกอริธึมการแพร่ผิดพลาดย้อนกลับ (Backpropagation) และฟังก์ชันการกระตุ้นต่าง ๆ (ReLU, GELU)
• สร้างเครือข่ายประสาทพื้นฐานโดยใช้ PyTorch

🔹 บทเรียนที่ 8: การประมวลผลภาพและเครือข่ายประสาทเชิงพิเศษ (CNN)

บทนำ: โฟกัสการประมวลผลข้อมูลภาพผ่านสถาปัตยกรรมการเรียนรู้เชิงลึกเฉพาะทาง

ผลการเรียนรู้:

• เข้าใจกลไกการทำงานของเครือข่ายประสาทเชิงพิเศษ (CNN)
• วิเคราะห์สถาปัตยกรรมขั้นสูง เช่น ResNet และโมเดลภาพแบบแปลง (Vision Transformers - ViT)
• สร้างโมเดลการจำแนกประเภทภาพพื้นฐาน

🔹 บทเรียนที่ 9: การประมวลผลลำดับข้อมูลและโมเดล Transformer

บทนำ: การพัฒนาการประมวลผลลำดับข้อมูลตั้งแต่เครือข่ายประสาทวนซ้ำ (RNN) ไปสู่กลไกการจดจำที่ปฏิวัติวงการ (Attention mechanism)

ผลการเรียนรู้:

• แยกแยะความแตกต่างระหว่าง RNN, LSTM และสถาปัตยกรรม Transformer
• อธิบายบทความ "Attention Is All You Need" และกลไกการจดจำตนเอง (self-attention)
• เข้าใจบทบาทของตัวรับรหัส (Encoders) และตัวแปลรหัส (Decoders) ในโมเดลเช่น BERT และ GPT

🔹 บทเรียนที่ 10: โมเดลภาษาขนาดใหญ่ (LLMs)

บทนำ: การศึกษาเชิงลึกเกี่ยวกับปัญญาประดิษฐ์สร้างสรรค์ระดับสูง โดยเน้นการสร้างข้อความและการปรับแต่งโมเดล

ผลการเรียนรู้:

• อธิบายวงจรชีวิตการเรียนรู้เบื้องต้น (Pre-training) และการปรับแต่งเฉพาะทาง (Fine-tuning) ของโมเดลภาษาขนาดใหญ่
• สำรวจการเรียนรู้เสริมจากข้อเสนอแนะของมนุษย์ (Reinforcement Learning from Human Feedback - RLHF)
• ฝึกฝนทักษะการออกแบบคำสั่ง (Prompt Engineering) และวิธีการปรับแต่งแบบประหยัดทรัพยากร (PEFT/LoRA)

🔹 บทเรียนที่ 11: การประยุกต์ใช้ปัญญาประดิษฐ์สร้างสรรค์ขั้นสูง

บทนำ: ขยายขอบเขตจากข้อความไปสู่ระบบการดึงข้อมูลและสื่อสร้างสรรค์โดยใช้ API สมัยใหม่

ผลการเรียนรู้:

• ประยุกต์ใช้การเสริมการดึงข้อมูล (Retrieval-Augmented Generation - RAG) เพื่อลดอาการหลอนของโมเดล
• เข้าใจคณิตศาสตร์เบื้องหลังโมเดลการกระจาย (เช่น Stable Diffusion) และโมเดลการถ่ายโอนความน่าจะเป็น (VAEs)
• โต้ตอบกับ API ปัญญาประดิษฐ์สมัยใหม่เพื่อสร้างแอปพลิเคชันสร้างสรรค์

🔹 บทเรียนที่ 12: จริยธรรม ความปลอดภัย และความสอดคล้องของปัญญาประดิษฐ์

บทนำ: การวิเคราะห์เชิงวิพากษ์เกี่ยวกับผลกระทบทางสังคมของปัญญาประดิษฐ์ โดยเน้นความรับผิดชอบและมาตรการความปลอดภัย

ผลการเรียนรู้:

• ระบุแหล่งที่มาของอคติ และรับประกันความยุติธรรมในโมเดลปัญญาประดิษฐ์
• อภิปรายประเด็นด้านความปลอดภัยของปัญญาประดิษฐ์ ความทนทาน (Robustness) และปัญหาความสอดคล้อง (Alignment)
• ประเมินความโปร่งใส (XAI) และกลยุทธ์ลดความเสี่ยงจากอาการหลอนของโมเดลภาษาขนาดใหญ่