AI.Neuro.Pal

  สรุปหนังสือ AI and Machine Learning for Coders แต่งโดย “หัวหน้าทีมวิจัย AI ” ของ Google และหนึ่งในผู้คิดค้น TensorFlow หนังสือฉบับภาษาไทย AI and ML for Coders น่าอ่าน.. เพราะแต่งโดยหัวหน้าวิจัย AI ของ Google   วิศวกร AI ส่วนใหญ่ มักพูดจายาก ฟังไม่ค่อยรู้เรื่อง แต่ “ลอเรนซ์ โมโรนีย์” กลับใช้ภาษาที่เข้าใจง่าย สั้น และรัดกุม อ่านปุ๊บสร้างโมเดล AI ได้ปั๊บตั้งแต่บทที่ 2 ทำให้การสร้างโมเดล AI เป็นเรื่องสนุกและง่ายกว่าที่คิด เหมาะสำหรับผู้เริ่มต้นไปจนถึงผู้เชี่ยวชาญ ..แค่รู้ภาษา Python ก็สร้างแอพ AI ได้โดยไม่ต้องจบดอกเตอร์ ที่สำคัญ ไม่ต้องทรมานใจกับคณิตศาสตร์ชั้นสูงและสูตรสถิติ ที่คอยบั่นทอนจิตใจคนรักโค้ด หนังสือเล่มนี้ เหมาะเป็น “ก้าวแรก เพื่อเข้าวงการ AI ” สำหรับหลายๆ คน เหมาะเป็นคู่มืออ้างอิงเพื่อต่อยอดไปยัง AI ขั้นสูง เช่น เรื่อง Reinforcement Learning, Transformer, Generative Adversarial Networks ฯลฯ และ..เมื่อ(ใจ)พร้อม ก็จะย้อนกลับมาเติมเต็มคณิตศาสตร์ชั้นสูงและสถิติได้ง่ายขึ้น เพราะเข้าใจ..ทำไมต้องมีกระบวนการคณิตศาสตร์เหล่านี้ และ..นึกภาพออก เพราะเคยลงมือปฏิบัติมาแล้ว   แค่

Book Summary: หนังสือ Designing Machine Learning Systems ตอนที่ 2/2   …เพราะโปรเจกต์ AI เริ่มจากเดต้าไปหาลอจิก กลับทิศสลับทางกับวิธีการเขียนโค้ดแอปพลิเคชันแบบดั้งเดิม     ดังนั้น การบริหารโปรเจกต์ ML/AI จึงต้อง คิดใหม่ บริหารใหม่ ทั้งในแง่กระบวนการเตรียมข้อมูล, วิธีเลือกใช้อัลกอริทึมและคัดเลือกโมเดล, การบริหารทรัพยากรและเงินทุน, ไปปไลน์, DevOps และการเตรียมทีมงาน สิ่งเหล่านี้จะอยู่ในเนื้อหา 11 บทของหนังสือ Designing Machine Learning Systems ของ Chip Huyen อาจารย์มหาวิทยาลัยสแตนฟอร์ด ผู้มีประสบการณ์บริหารโปรเจกต์ ML ให้กับบริษัทน้อยใหญ่กว่า 4 พันโปรเจกต์ ซึ่งหนึ่งในนั้น รวมถึงบริษัท Netflix และ NVIDIA บริษัทผู้ใส่ NPU หน่วยประมวลผลนิวรอลไว้ในชิปกราฟิกเป็นรายแรกของโลก   โปรเจกต์ ML เริ่มจากเดต้า ไม่ใช่ลอจิก วิธีการบริหารโปรเจกต์ของ CIO/MIS Manager จึงไม่เหมือนเดิม   ก่อนจะสรุปย่อแต่ละบทของหนังสือเล่มนี้ ขอเท้าความกลับไปเมื่อ 3–4 ปีก่อน เมื่อคราวได้ดื่มด่ำเรียนเขียนโค้ดไปหลายชุดในคอร์สออนไลน์ของศาสตรจารย์แอนดรู อึ๊ง หนึ่งในผู้ก่อตั้งโปรเจกต์ Google Brain ตอนนั้น เกิดแรงบันดา

  Book Summary: Designing Machine Learning Systems ตอนที่ 1/2 หนังสือที่ CIO, MIS, ML Engineer และ Data Scientist ควรมี เพื่อ “คิดใหม่ บริหารใหม่” เพราะ AI ไม่ได้เริ่มจากลอจิก แต่เริ่มจากเดต้า   นี่คือ หนังสือที่มหาวิทยาลัยสแตนฟอร์ดใช้ประกอบการสอนวิชา CS 329S: Machine Learning Systems Design ..เป็นจุดเริ่มต้นที่ดึงดูดให้ผมสนใจหนังสือเล่มนี้ สิ่งที่เคยเรียนรู้จากอาจารย์ Andrew Ng เมื่อ 3 ปีก่อน ไม่ได้เกี่ยวข้องกับการ “บริหารโปรเจกต์” เป็นเนื้อหาเชิงทฤษฎีคณิตศาสตร์ เมตริกซ์ สถิติ และเทคนิคการปรับจูนอัลกอริทึม (ขออนุญาต แนะนำให้ทดลองเรียนฟรีคอร์สออนไลน์ AI ของอาจารย์แอนดรู อึ๊ง https://www.coursera.org/specializations/deep-learning ) แต่..การทำงานจริง โลกธุรกิจ วิธีบริหารจัดการโปรเจกต์ AI ไม่ได้เน้นแค่อัลกอริทึม แต่ยังเน้นประสบการณ์การใช้ของยูสเซอร์ ความเร็วในการตอบสนอง ความปลอดภัยของข้อมูลส่วนตัว เป้าหมายทางธุรกิจ ค่าใช้จ่าย การบริหารทีมงาน การปฏิบัติตามกฎหมายและเงื่อนไขสังคม   ..รู้แค่โค้ดและเดต้า ไม่เพียงพอสำหรับการบริหารโปรเจกต์   การบริหารโปรเจกต์ AI ไม่ง่าย ไม่ใช่ทำเสร็

  Top 10 ML เฟรมเวิร์กที่มาแรงปี 2023 และข้อสงสัย ทำไม 90% ของโปรเจกต์ ML จึงล้มเหลว ? credit: รูปจาก www.robogenius.com แมชชีนเลิร์นนิงเฟรมเวิร์ก คือ คอลเลกชั่นคำสั่งพร้อมใช้-ไลบรารี, อินเทอร์เฟซ, รวมทั้งเครื่องมือต่างๆ ที่จะช่วยให้นักพัฒนาสร้างโมเดล ML ได้ง่ายและรวดเร็วขึ้น โดยไม่ต้องเรียนรู้-เจาะลึก “อัลกอริทึมที่ใช้งานอยู่เบื้องหลัง” มีวิธีใช้ที่ตรงไปตรงมา แค่เรียกใช้คำสั่งในเฟรมเวิร์กแล้วปรับแต่งให้เหมาะสม ทำให้กระบวนการพัฒนาแอปพลิเคชัน ML สำหรับองค์กรธุรกิจ รวดเร็ว และมีประสิทธิภาพมากขึ้น ไม่มีเฟรมเวิร์กไหนที่ “ดีที่สุด” มีแต่..เฟรมเวิร์กไหน “เหมาะสมที่สุด” สำหรับงานแต่ละชนิด ใหญ่ เล็ก เลือกใช้ไม่เหมือนกัน ที่น่าสังเกต โปรเจกต์ ML เกือบ 90% ล้มเหลวระหว่างทาง จบแค่งานต้นแบบ งานทดลอง แต่ไปไม่ถึงโปรดักชั่น..เปิดใช้จริงกับยูสเซอร์ (อ้างอิง https://www.qwak.com/post/what-does-it-take-to-deploy-ml-models-in-production ) ส่วนหนึ่งของความล้มเหลวไปไม่ถึงดวงดาว..โปรดักชั่น นอกจากเรื่องงบหมด-อธิบายประโยชน์และความคืบหน้าของโปรเจกต์ไม่ได้ ยังเกิดจากการที่นักพัฒนาถอดใจกับงานวนล