การพยากรณ์ด้วยการเรียนรู้ของเครื่องจักรอาศัยอัลกอริทึมที่ได้รับการฝึกฝนจากข้อมูลในอดีตเพื่อทำนายผลลัพธ์ในอนาคต ในขณะที่การพยากรณ์โดยผู้เชี่ยวชาญนั้นอาศัยวิจารณญาณของผู้เชี่ยวชาญ ความรู้เฉพาะด้าน และการให้เหตุผลตามบริบท ทั้งสองแนวทางมีจุดแข็งที่แตกต่างกัน และหลายองค์กรในปัจจุบันได้ผสมผสานทั้งสองแนวทางเข้าด้วยกันเพื่อการพยากรณ์ที่แม่นยำยิ่งขึ้น
แนวทางที่ขับเคลื่อนด้วยข้อมูล ซึ่งใช้อัลกอริธึมที่ได้รับการฝึกฝนจากชุดข้อมูลในอดีตเพื่อระบุรูปแบบและสร้างการคาดการณ์เกี่ยวกับเหตุการณ์ในอนาคต
แนวทางที่อาศัยการตัดสินใจ โดยผู้เชี่ยวชาญเฉพาะด้านใช้ประสบการณ์ สัญชาตญาณ และความเข้าใจในบริบทเพื่อคาดการณ์ผลลัพธ์ในอนาคต
| ฟีเจอร์ | การพยากรณ์ด้วยการเรียนรู้ของเครื่องจักร | การพยากรณ์โดยผู้เชี่ยวชาญมนุษย์ |
|---|---|---|
| ข้อมูลป้อนเข้าหลัก | ข้อมูลตัวเลขทางประวัติศาสตร์ | ความรู้เฉพาะด้าน ประสบการณ์ บริบทเชิงคุณภาพ |
| ความเร็วในการทำนาย | เมื่อฝึกฝนแล้ว จะทำได้อย่างรวดเร็วเกือบจะในทันที | ช้าลง ต้องใช้การวิเคราะห์อย่างรอบคอบ |
| การรับมือกับเหตุการณ์ที่ไม่คาดคิด (Black Swan Events) | ยากจนหากไม่ได้รับการฝึกอบรมใหม่ | แข็งแกร่ง สามารถใช้เหตุผลวิเคราะห์สถานการณ์ใหม่ๆ ได้ |
| ความสามารถในการปรับขนาด | สามารถปรับขนาดได้อย่างมากสำหรับงานหลายประเภท | จำกัดด้วยเวลาของผู้เชี่ยวชาญที่มีอยู่ |
| ความสามารถในการตีความ | มักจะเป็นเหมือนกล่องดำ แม้ว่าจะมีเครื่องมือช่วยอธิบายอยู่ก็ตาม | การตัดสินใจสามารถอธิบายได้ด้วยเหตุผล |
| ความอ่อนไหวต่ออคติ | สะท้อนอคติในข้อมูลการฝึกอบรม | อาจได้รับผลกระทบจากอคติทางความคิด เช่น การยึดติดกับความคิดเดิม และความมั่นใจมากเกินไป |
| โครงสร้างต้นทุน | ต้นทุนเริ่มต้นสูง ต้นทุนส่วนเพิ่มต่ำ | จำเป็นต้องมีการจ่ายค่าตอบแทนผู้เชี่ยวชาญอย่างต่อเนื่อง |
| ความสามารถในการปรับตัวให้เข้ากับการเปลี่ยนแปลง | จำเป็นต้องฝึกอบรมใหม่โดยใช้ข้อมูลใหม่ | สามารถปรับการให้เหตุผลได้แบบเรียลไทม์ |
งานวิจัยจากโครงการ Good Judgment Project ของ Philip Tetlock แสดงให้เห็นว่า นักพยากรณ์ชั้นนำที่เป็นมนุษย์สามารถเอาชนะการพยากรณ์โดยใช้แบบจำลองทางคณิตศาสตร์ได้ประมาณ 30% ในประเด็นทางภูมิรัฐศาสตร์ อย่างไรก็ตาม ในด้านที่มีข้อมูลในอดีตมากมาย เช่น การพยากรณ์อากาศ หรือความต้องการสินค้าปลีก แบบจำลองการเรียนรู้ของเครื่องมักจะทำได้ดีกว่าการพยากรณ์ของมนุษย์อย่างมาก ความแม่นยำที่ได้นั้นขึ้นอยู่กับว่าอนาคตจะคล้ายกับอดีตหรือไม่
โมเดลการเรียนรู้ของเครื่องต้องการข้อมูลที่สะอาดและมีโครงสร้างจำนวนมากเพื่อให้ทำงานได้ดี และจะประสบปัญหาเมื่อข้อมูลนั้นกระจัดกระจายหรือมีสัญญาณรบกวน ในทางกลับกัน ผู้เชี่ยวชาญสามารถคาดการณ์ได้อย่างสมเหตุสมผลแม้จะมีข้อมูลจำกัด โดยอาศัยการเปรียบเทียบและประสบการณ์ในอดีต เมื่อโมเดลการเรียนรู้ของเครื่องได้รับการฝึกฝนแล้ว การสร้างการคาดการณ์หลายพันครั้งแทบจะไม่มีต้นทุน ในขณะที่การขยายขอบเขตความเชี่ยวชาญของมนุษย์นั้นจำเป็นต้องจ้างและฝึกอบรมบุคลากรเพิ่มขึ้น
ผู้มีส่วนได้ส่วนเสียมักต้องการเข้าใจว่าเหตุใดการพยากรณ์จึงระบุเช่นนั้น และผู้เชี่ยวชาญที่เป็นมนุษย์มักจะสามารถอธิบายเหตุผลทีละขั้นตอนได้ โมเดลการเรียนรู้ของเครื่องจำนวนมาก โดยเฉพาะอย่างยิ่งโครงข่ายประสาทเทียมเชิงลึก ทำงานเหมือนกล่องดำที่ตรรกะภายในไม่โปร่งใส เครื่องมืออธิบายอย่าง SHAP และ LIME ช่วยได้ แต่ก็เพิ่มความซับซ้อนและไม่สามารถตอบสนองความต้องการของหน่วยงานกำกับดูแลหรือผู้มีอำนาจตัดสินใจที่ต้องการคำอธิบายที่ชัดเจนได้เสมอไป
เมื่อเกิดเหตุการณ์ที่ไม่เคยเกิดขึ้นมาก่อนอย่างแท้จริง เช่น การระบาดของโควิด-19 ที่ส่งผลกระทบต่อห่วงโซ่อุปทานทั่วโลก โมเดลการเรียนรู้ของเครื่องจักรที่ฝึกฝนด้วยข้อมูลก่อนการระบาดมักจะล้มเหลวอย่างสิ้นเชิงจนกว่าจะได้รับการฝึกฝนใหม่ ผู้เชี่ยวชาญที่เป็นมนุษย์สามารถใช้เหตุผลเกี่ยวกับสถานการณ์ใหม่ ๆ โดยใช้หลักการพื้นฐานและปรับโมเดลทางความคิดของตนได้ทันที ความสามารถในการปรับตัวนี้ทำให้การตัดสินใจของมนุษย์มีคุณค่าอย่างยิ่งในช่วงเวลาของการเปลี่ยนแปลงโครงสร้างหรือวิกฤต
การสร้างระบบพยากรณ์ด้วยแมชชีนเลิร์นนิงที่มีประสิทธิภาพ จำเป็นต้องลงทุนในโครงสร้างพื้นฐานด้านข้อมูล บุคลากรด้านวิศวกรรม และทรัพยากรด้านการคำนวณ แต่ต้นทุนส่วนเพิ่มต่อการพยากรณ์แต่ละครั้งจะน้อยมากในภายหลัง ในทางกลับกัน การพยากรณ์โดยผู้เชี่ยวชาญที่เป็นมนุษย์นั้น ต้องใช้เงินลงทุนอย่างต่อเนื่องในด้านเงินเดือน โปรแกรมฝึกอบรม และค่าตอบแทนที่แข่งขันได้เพื่อรักษาบุคลากรที่มีความสามารถสูงไว้ สำหรับองค์กรที่มีงบประมาณจำกัด ทางเลือกมักจะขึ้นอยู่กับว่าพวกเขามีข้อมูลหรือสามารถเข้าถึงความเชี่ยวชาญได้หรือไม่
ปัจจุบัน การพยากรณ์ที่แม่นยำที่สุดมักมาจากการผสมผสานทั้งสองวิธีเข้าด้วยกัน มากกว่าการเลือกใช้เพียงวิธีเดียว การเรียนรู้ของเครื่องจักรสามารถจัดการกับงานเชิงปริมาณที่ซับซ้อนและค้นหารูปแบบต่างๆ ในขณะที่ผู้เชี่ยวชาญจะตรวจสอบผลลัพธ์ ปรับแก้ปัจจัยเชิงคุณภาพ และแก้ไขแบบจำลองเมื่อพวกเขารู้สึกว่ามีบางอย่างผิดปกติ แนวทางที่มีมนุษย์เข้ามาเกี่ยวข้องนี้กำลังกลายเป็นมาตรฐานในหลากหลายสาขา ตั้งแต่การเงินไปจนถึงระบาดวิทยา
การเรียนรู้ของเครื่องจักรให้ผลการพยากรณ์ที่แม่นยำกว่ามนุษย์เสมอ
ความแม่นยำขึ้นอยู่กับขอบเขตของข้อมูลเป็นอย่างมาก ในสภาพแวดล้อมที่เสถียรและมีข้อมูลมากมาย การเรียนรู้ของเครื่องมักจะทำได้ดีกว่า แต่ในสถานการณ์ใหม่หรือเปลี่ยนแปลงอย่างรวดเร็ว นักพยากรณ์ที่มีทักษะมักจะทำได้ดีกว่าอัลกอริทึม งานวิจัยเช่นงานวิจัยเกี่ยวกับนักพยากรณ์ชั้นยอดของ Tetlock แสดงให้เห็นว่ามนุษย์สามารถเอาชนะค่าพื้นฐานของการเรียนรู้ของเครื่องในประเด็นทางภูมิรัฐศาสตร์ได้
การพยากรณ์โดยผู้เชี่ยวชาญที่เป็นมนุษย์นั้นเป็นเพียงการคาดเดาโดยอาศัยสัญชาตญาณเท่านั้น
ผู้เชี่ยวชาญด้านการพยากรณ์ที่มีทักษะจะใช้วิธีการที่เป็นระบบ เช่น การพยากรณ์โดยใช้กลุ่มอ้างอิง การแยกส่วน และการปรับปรุงความน่าจะเป็น พวกเขาติดตามการคาดการณ์ เรียนรู้จากข้อผิดพลาด และใช้เหตุผลอย่างเข้มงวดแทนที่จะพึ่งพาสัญชาตญาณเพียงอย่างเดียว
เมื่อฝึกฝนโมเดลการพยากรณ์ด้วยแมชชีนเลิร์นนิงเสร็จแล้ว ก็ไม่จำเป็นต้องอัปเดตอีกต่อไป
แบบจำลองจะเสื่อมคุณภาพลงเมื่อเวลาผ่านไป เนื่องจากรูปแบบในโลกแห่งความเป็นจริงเปลี่ยนแปลงไป ซึ่งเป็นปัญหาที่เรียกว่า การเบี่ยงเบนของแนวคิด (concept drift) ระบบ ML ที่ใช้งานจริงส่วนใหญ่จำเป็นต้องมีการฝึกฝนใหม่ การตรวจสอบ และการบำรุงรักษาอย่างสม่ำเสมอเพื่อให้ยังคงมีความแม่นยำ
ยิ่งมีข้อมูลมากเท่าไหร่ การคาดการณ์ของแมชชีนเลิร์นนิงก็จะยิ่งแม่นยำมากขึ้นเท่านั้น
คุณภาพของข้อมูลมีความสำคัญไม่แพ้ปริมาณ ข้อมูลที่มีอคติ ล้าสมัย หรือมีสัญญาณรบกวน อาจทำให้การคาดการณ์แย่ลง และการเพิ่มข้อมูลที่ผิดพลาดแบบเดียวกันเข้าไปอีกก็ไม่ได้แก้ไขปัญหาที่ต้นเหตุ
ผู้เชี่ยวชาญที่เป็นมนุษย์นั้นมีอคติมากเกินไป จึงไม่สามารถคาดการณ์ได้อย่างแม่นยำ
แม้ว่าจะมีอคติทางความคิดอยู่บ้าง แต่เทคนิคการพยากรณ์ที่เป็นระบบและการรวบรวมการคาดการณ์จากผู้เชี่ยวชาญอิสระหลายคนจะช่วยลดอคติได้อย่างมาก งานวิจัยของ Tetlock แสดงให้เห็นว่าการคาดการณ์จากผู้เชี่ยวชาญหลายคนรวมกันนั้นมีความแม่นยำอย่างน่าทึ่ง
เลือกใช้การพยากรณ์ด้วยแมชชีนเลิร์นนิงเมื่อคุณมีข้อมูลในอดีตจำนวนมาก ต้องการการพยากรณ์ในวงกว้าง และทำงานในสภาพแวดล้อมที่ค่อนข้างคงที่ เลือกใช้การพยากรณ์ด้วยผู้เชี่ยวชาญเมื่อต้องเผชิญกับสถานการณ์ใหม่ ข้อมูลจำกัด หรือสถานการณ์ที่การใช้เหตุผลเชิงบริบทมีความสำคัญมากกว่าการจดจำรูปแบบ สำหรับการใช้งานที่สำคัญส่วนใหญ่ ผลลัพธ์ที่ดีที่สุดมักมาจากการผสมผสานทั้งสองวิธีเข้าด้วยกันมากกว่าการมองว่าทั้งสองวิธีเป็นคู่แข่งกัน
AI slop หมายถึงเนื้อหา AI ที่ผลิตออกมาจำนวนมากโดยใช้ความพยายามน้อยและขาดการกำกับดูแล ในขณะที่งาน AI ที่มีมนุษย์ควบคุมนั้นเป็นการผสมผสานปัญญาประดิษฐ์เข้ากับการตัดต่อ การกำกับ และการตัดสินใจเชิงสร้างสรรค์อย่างรอบคอบ ความแตกต่างมักอยู่ที่คุณภาพ ความคิดริเริ่ม ประโยชน์ใช้สอย และว่ามีบุคคลจริงเข้ามามีส่วนร่วมในการกำหนดผลลัพธ์สุดท้ายหรือไม่
AI ที่มีมนุษย์เข้ามาเกี่ยวข้อง (Human-in-the-Loop AI) ผสานประสิทธิภาพของเครื่องจักรเข้ากับการตัดสินใจของมนุษย์ในจุดสำคัญ ในขณะที่ระบบ AI อัตโนมัติเต็มรูปแบบ (Fully Automated AI Systems) ทำงานอย่างอิสระตั้งแต่ต้นจนจบ แต่ละแนวทางมีข้อดีข้อเสียที่แตกต่างกันในด้านความแม่นยำ ความสามารถในการขยายขนาด ต้นทุน และความรับผิดชอบ ซึ่งเป็นตัวกำหนดว่าแนวทางใดเหมาะสมกับกรณีการใช้งานนั้นๆ
การเปรียบเทียบทางสถาปัตยกรรมนี้เน้นให้เห็นถึงความแตกต่างหลักระหว่างระบบ AI ที่รับรู้บริบท ซึ่งวิเคราะห์ข้อมูลสถานการณ์แบบไดนามิก เช่น ความตั้งใจของผู้ใช้ ประวัติ และสภาพแวดล้อม กับระบบที่ไม่รับรู้บริบท ซึ่งประมวลผลข้อมูลนำเข้าเป็นเหตุการณ์แยกต่างหากโดยอาศัยกฎที่กำหนดไว้ล่วงหน้าเท่านั้น
AI ที่เสริมด้วยการค้นหาจะดึงข้อมูลแบบเรียลไทม์จากแหล่งข้อมูลภายนอกในขณะที่ทำการค้นหา ในขณะที่การฝึกฝนโดยใช้ชุดข้อมูลเพียงอย่างเดียวจะอาศัยความรู้ที่ฝังอยู่ในน้ำหนักของโมเดลระหว่างการฝึกฝนเท่านั้น แต่ละแนวทางมีข้อดีข้อเสียที่แตกต่างกันในด้านความแม่นยำ ต้นทุน ความทันสมัย และความสามารถในการจัดการกับคำถามที่อยู่นอกขอบเขตการฝึกฝนดั้งเดิม
ระบบ AI แบบกระจายศูนย์จะกระจายสติปัญญา ข้อมูล และการคำนวณไปยังโหนดอิสระต่างๆ โดยมักให้ความสำคัญกับความเปิดกว้างและการควบคุมของผู้ใช้ ในขณะที่ระบบ AI ขององค์กรนั้นได้รับการจัดการจากส่วนกลางโดยบริษัทต่างๆ โดยมุ่งเน้นที่ประสิทธิภาพ ผลกำไร และการบูรณาการผลิตภัณฑ์ ทั้งสองแนวทางนี้มีส่วนกำหนดวิธีการสร้าง การกำกับดูแล และการเข้าถึง AI แต่มีความแตกต่างกันอย่างมากในด้านความโปร่งใส การเป็นเจ้าของ และการควบคุม
