MACHINE LEARNING

สมองของ Artificial Intelligence คือ Machine Learning 

Machine Learning คือ ส่วนการเรียนรู้ของเครื่อง ถูกใช้งานเสมือนเป็นสมองของ AI (Artificial Intelligence) เราอาจพูดได้ว่า  AI ใช้ Machine Learning ในการสร้างความฉลาด มักจะใช้เรียกโมเดลที่เกิดจากการเรียนรู้ของปัญญาประดิษฐ์ ไม่ได้เกิดจากการเขียนโดยใช้มนุษย์ มนุษย์มีหน้าที่เขียนโปรแกรมให้ AI (เครื่อง) เรียนรู้จากข้อมูลเท่านั้น ที่เหลือเครื่องจัดการเองMachine Learning เรียนรู้จากสิ่ง หรือข้อมูล ที่เราส่งเข้าไปกระตุ้น แล้วจดจำเอาไว้เป็นมันสมอง ส่งผลลัพธ์ออกมาเป็นตัวเลข หรือ code ที่ส่งต่อไปแสดงผล หรือให้เจ้าตัว AI นำไปแสดงการกระทำ Machine Learning เองสามารถเอาไปใช้งานได้หลายรูปแบบ ต้องอาศัยกลไกที่เป็นโปรแกรม หรือเรียกว่า Algorithm ที่มีหลากหลายแบบ โดยมี Data Scientist เป็นผู้ออกแบบ หนึ่งใน Algorithm ที่ได้รับความนิยมสูง คือ Deep Learning ซึ่งถูกออกแบบมาให้ใช้งานได้ง่าย และประยุกต์ใช้ได้หลายลักษณะงาน อย่างไรก็ตาม ในการทำงานจริง Data Scientist จำเป็นต้องออกแบบตัวแปรต่างๆ ทั้งในตัวของ Deep Learning เอง และต้องหา Algorithm อื่นๆ มาเป็นคู่เปรียบเทียบ เพื่อมองหา Algorithm ที่เหมาะสมที่สุดในการใช้งานจริงสรุปว่า AI จะกระทำอะไรต่อมิอะไรได้ต้องอาศัยส่วนสมองอย่าง Machine Learning ที่เรียนรู้จากสิ่งที่เราส่งไปและส่งผลออกมาเป็นชุดข้อมูล โดยอาศัยโปรแกรม Algorithm ในการประมวล
ตัวอย่าง Machine Learning ในชีวิตประจำวันเรามีอะไรบ้าง Machine Learning อยู่ในชีวิตประจำวันของเราอย่างเนียนมากๆ มาดูกันว่ามีอะไรบ้าง
  • Apple Siri ที่มี Speech Recognition หรือการฟังเสียงและถอดข้อความ Machine Learning นี้ทำให้เกิด NLP (Natural Language Processing) ชื่อในภาษาไทยคือการประมวลผลภาษาธรรมชาติ โดยปกติแล้วมนุษย์มีการใช้ภาษาที่กำกวม แต่คอมพิวเตอร์ใช้ภาษาที่มีลักษณะแน่นอนในการสื่อสาร จึงทำให้มีความยากในการประมวลผล ซึ่ง NLP ก็มีหลายแขนง ใช้การเขียนโปรแกรมแบบใช้เงื่อนไขมาประมวลผลภาษา แต่ด้วยความเป็นไปของภาษาที่เร็วมาก คำใหม่หรือรูปแบบประโยคใหม่ ๆ เกิดขึ้นเร็วมาก การนำ Machine Learning มาช่วยในปัจจุบันจึงทำให้ NLP แม่นยำขึ้นและตามทันโลกได้ไวขึ้น ซึ่งเทคโนโลยีนี้นำมาใช้ใน  Siri
  • Face ID ของ Apple  ที่เราสงสัยกันว่าเราเปลี่ยนลุคหรือเมคอัพแล้ว มันยังจะเวิร์คอยู่หรือไม่ นี่เป็นอีกตัวอย่างหนึ่งในการใช้ Machine Learning เพราะว่า Apple จะใช้วิธียิงจุดอินฟราเรดออกไป และใช้การตรวจสอบรูปของหน้า และแม้ว่าหน้าตาจะเปลี่ยนไปเล็กน้อย เปลี่ยนทรงผม ใส่แว่น Face ID ก็ยังคงสามารถตรวจสอบได้ และถึงจะใช้หน้ากากก็ไม่รอด Face ID เพราะว่า Apple ใช้ Machine Learning เรียนรู้รูปแบบหน้าที่แตกต่างกันมาเยอะมาก และสร้างโมเดลให้คอมพิวเตอร์เรียนรู้

  • Google Assistant ที่สามารถรับคำสั่งด้วยเสียง อีกหนึ่งนวัตกรรมที่ Machine Learning ได้เข้ามามีส่วนพัฒนาความสามารถเช่นกัน ไม่ว่าจะเป็นการรับฟังคำสั่งด้วยเสียงที่แม่นยำมากขึ้นสามารถรองรับได้หลายสำเนียงพูด

  • ข้อเสนอที่แฝงตัวบน YouTube Google ใช้ Machine Learning ในการประมวลข้อมูลไปกับบริการอื่นของบริษัท เช่น บริการแนะนำวิดีโอที่ผู้ใช้งานอาจจะชอบ หรือ วิดีโอที่คุณดูแล้วบน YouTube ซึ่งเหล่านี้ระบบเรียนรู้จากพฤติกรรมการรับชมของเรา

  • การแนะนำหนังที่เราน่าจะสนใจโดย Netflix การค้นหาและเชื่อมโยงคอนเทนต์ที่แต่ละคนน่าจะถูกใจที่เกิดขึ้นจาก Machine Learning นั่นคือสิ่งที่ Netflix ทำเพื่อพยายามชักจูงให้เราตัดสินใจชมคอนเทนต์นั้นให้ได้ โดยเฉพาะกับเนื้อเรื่องที่เราอาจไม่ค่อยคุ้น โดยนำเสนอด้วยภาพกราฟิกที่เหมาะกับแต่ละคน เช่น ภาพฉากการกระทำของตัวละครที่น่าจะตรงใจเรามากขึ้น, ภาพนักแสดงที่เราน่าจะคุ้นเคย เป็นต้น

เหล่านี้ทั้งหมดที่กล่าวมาข้างต้นถือเป็นสิ่งที่เกิดขึ้นจาก Machine Learning ทั้งสิ้น กว่าจะรู้ตัวอีกทีก็รุกคืบมาแบบไม่ให้เรารู้เนื้อรู้ตัว ทีนี้พอเราเริ่มมีประสบการณ์ในการใช้งานโดยตรงแล้ว เห็นได้ว่ามันจะถูกพัฒนาไปอย่างไม่หยุดยั้ง โดยเฉพาะการให้บริการผ่านแอปพลิเคชันผ่านอุปกรณ์เทคโนโลยีต่างๆนั้น มีมาให้ได้ใช้กันอยู่เรื่อยๆ เรียกว่าอัพเดทกันตลอด เพื่อให้ถูกมือถูกใจของเรามากขึ้น
Source: Aware Technology Solution for Business 

การดูแลสุขภาพต้องการ AI มาช่วยให้บริการมีประสิทธิภาพมากขึ้น 

ปัจจุบันมีเพียง 10% ของประชากร 7 พันล้านคนทั่วโลกเท่านั้นที่สามารถเข้าถึงบริการด้านการดูแลสุขภาพที่ดีและอีกครึ่งหนึ่งของโลกไม่สามารถเข้าถึงบริการด้านสุขภาพที่จำเป็นได้ด้วยซ้ำ แม้แต่ในประเทศที่พัฒนาแล้วระบบการดูแลสุขภาพยังอยู่ในภาวะตึงเครียดโดยมีค่าใช้จ่ายที่เพิ่มขึ้นและต้องรอนาน 
อีกทั้งการการฝึกอบรมแพทย์และผู้ให้บริการด้านการดูแลให้เพียงพอ ใช้ทรัพยากร และเวลามาก หากต้องการรับมือกับความท้ายทายทางการแพทย์ในปัจจุบันให้ดีขึ้น จำเป็นต้องใช้เทคโนโลยีเข้ามาช่วย Machine Learning (ML) และปัญญาประดิษฐ์ (AI) สามารถสร้างผลกระทบที่ยิ่งใหญ่ได้
มีการเอกซ์เรย์ทรวงอก (CXR) จำนวนมาก CXR เป็นภาพทางการแพทย์ที่พบมากที่สุดโดยมักจะมากกว่าวิธีการถ่ายภาพขั้นสูงอื่น ๆ ถึง 2 เท่า 10 เท่าเช่น MRI, CT scan, PET เหตุผลบางประการที่ทำให้ CXR เป็นที่นิยม ได้แก่ : (1) ปริมาณรังสีที่ต่ำกว่า; (2) ต้นทุนต่ำกว่า (3) ใช้เวลาเพียงไม่ถึงหนึ่งนาทีในการถ่ายภาพ (เทียบกับการทำ CT scan หนึ่งชั่วโมงหรือมากกว่านั้น) ด้วยเหตุนี้จึงมีการใช้ CXR เป็นเครื่องมือในการคัดกรอง หากมีสิ่งผิดปกติในปอดของคุณที่ต้องการหลักฐานเพิ่มเติมในการวินิจฉัยแพทย์ของคุณมักจะสั่งจ่าย CXR ก่อน CXR ให้มุมมองที่มีความเที่ยงตรงต่ำซึ่งปูทางไปสู่วิธีการถ่ายภาพที่ซับซ้อนกว่าอื่น ๆ

โรงพยาบาลขนาดใหญ่ มี CXR หลายร้อยฟิลม์ในแต่ละวัน ซึ่งฟิมล์ทั้งหมดนี้จำเป็นต้องได้รับการอ่านโดยนักรังสีวิทยา หรือแพทย์อื่น ๆ การอ่านผลฟิลม์ให้ทันเวลาเป็นเรื่องสำคัญเพื่อตรวจจับสภาวะเร่งด่วนที่เกิดขึ้นกับผู้ป่วย 
การอ่าน CXR เกี่ยวข้องกับหลายขั้นตอนและอาจต้องเสียเวลาเวลาโดยเฉลี่ยที่นักรังสีวิทยาที่ได้รับการฝึกฝนมาเป็นอย่างดีในการอ่าน CXR คือประมาณ 1-2 นาที เป็นการยากที่จะเร่งความเร็วให้เร็วขึ้นเนื่องจากการอ่าน CXR เป็นกระบวนการที่เป็นระบบมาก การช่วยจำที่ได้รับความนิยมอย่างหนึ่งสำหรับการอ่าน CXR มีดังต่อไปนี้: ABCDEFGHI A สำหรับทางเดินหายใจ, B สำหรับกระดูก, C สำหรับหัวใจ เป็นต้นอ่าน CXR นั้นยากมาก มีการนำ CXRs ที่มีการวินิจฉัยวัณโรคไปพบแพทย์ทั่วไป และแพทย์ทั่วไปไม่สามารถบอกได้ว่าส่วนใหญ่ผู้ป่วยรายใดเป็นวัณโรค (tuberculosis) แพทย์ด้านรังสีวิทยา บอกฉันต้องอ่านภาพ CXR ประมาณ 10,000 ภาพเพื่อให้มีความเชี่ยวชาญ ดูเหมือนว่ามนุษย์จะต้องใช้ข้อมูลการฝึกอบรมจำนวนมากในการเริ่มรับรู้รูปแบบใน CXR เส้นโค้งการเรียนรู้ที่สูงชันนี้อาจเกิดจากข้อเท็จจริงที่ว่า CXR แตกต่างจากภาพธรรมชาติที่เราได้รับการฝึกฝนมาตลอดชีวิต สิ่งนี้กลายเป็นอุปสรรคสำหรับระบบ AI 
นักรังสีวิทยากำลังขาดแคลน เรากำลังพูดถึง CXR เท่านั้น เนื่องจากการสแกน CT และเทคโนโลยีการถ่ายภาพอื่น ๆ ได้รับความนิยมมากขึ้นปริมาณงานของนักรังสีวิทยาจะเพิ่มขึ้นอย่างมาก ปัญหาการขาดแคลนรังสีแพทย์เกิดขึ้นมานานแล้วในประเทศที่พัฒนา เช่นสหราชอาณาจักร เผยแพร่รายงานเกี่ยวกับรังสีวิทยาคลินิกในสหราชอาณาจักรและผลการวิจัยหลักที่พบมาหลายปีคือ“ การขาดแคลนแรงงานที่เพิ่มขึ้นและค่าใช้จ่ายที่เพิ่มขึ้น เจ้าหน้าที่รังสีวิทยากำลังแสดงอาการเครียดและเหนื่อยหน่าย” ปัญหาการขาดแคลนนักรังสีวิทยาที่ได้รับการฝึกฝนนั้นรุนแรงยิ่งขึ้นในประเทศกำลังพัฒนาที่โครงสร้างพื้นฐานด้านการดูแลสุขภาพล้าหลัง
การแบ่งส่วนอวัยวะใน CXRภารกิจพื้นฐานในการทำความเข้าใจ CXR คือการรับรู้บริเวณปอดและบริเวณหัวใจ:มีข้อมูลมากมายที่คุณจะได้รับจากรูปร่างปอด: หัวใจที่โตผิดปกติอาจบ่งบอกถึงภาวะหัวใจโต (การขยายตัวของหัวใจผิดปกติ); การหักมุมของ costophrenic (# 3 ในภาพด้านขวา) อาจบ่งบอกถึงการไหลของเยื่อหุ้มปอด นอกจากนี้ยังมีประโยชน์ในการแยกอัลกอริทึม AI ในการวินิจฉัยให้เหลือเฉพาะช่องปอดโดยลดสัญญาณปลอมจากส่วนอื่น ๆ ของภาพ 
บทความเต็มคลิ๊กAuthor: David Dai is Senior Machine Learning Engineer at Apple, advisor at Wayfinder AI, and former Senior Director of Engineering at Petuum.

MACHINE LEARNING CAMP FOR TEEN - SUN19DEC21

Machine Learning for CXR 
ประยุกต์ Machine Learning เพื่อมาช่วยอ่านฟิลม์เอ็กซ์เรย์กันครับ  
  • เรียนรู้การสร้าง Algorithm Machine Learning 
  • ประยุกต์เทคโนโลยีเพื่อแก้ปัญหา 
  • การคิดอย่างเป็นระบบ และเชิงสร้างสรรค์สร้างสิ่งประดิษฐ์
  • สร้างผลงานด้านเทคโนโลยี นวัตกรรมทางการแพทย์
  • สามารพัฒนาเป็นโครงงาน และแฟ้มสะสมผลงานได้ มีโค้ชผู้เชี่ยวชาญให้คำปรึกษาพัฒนาต่อยอดถึงระดับประกวด

สำหรับนักเรียนระดับ ม.4-6 ต้องการเพิ่มวิสัยทัศน์ทางด้านเทคโนโลยีการดูแลสุขภาพ ประยุกต์และสร้างเทคโนโลยี
สถานที่  Tree Learning อาคารซีพีทาวเวอร์ 3 พญาไท ชั้น 1 อาคารบี เรียนสด ค่าใช้จ่าย  2,500 บาทเรียนคอร์สวีดีโอ  N/Aวันอาทิตย์ที่ 19ธ.ค.64  เวลา 9.00-16.00 (จัดผ่าน Zoom)
สิ่งที่ต้องเตรียบมาComputer Notebook which use windows 
สถานที่ Tree Learning อาคารซีพีทาวเวอร์3พญาไท (BTS พญาไท) รับเกียรติบัตร และรูปถ่ายทำกิจกรรม รูปถ่ายกิจกรรมโหลดได้ที่ www.facebook.com/treelearningx 
ข้อมูลเพิ่มเติมโทร 095-505-5665 แอดไลน์ @treelearning

BASIC ENGINEEING SKILLS

INNOVATIVE TECH & SCEINCE

iOT & SMART SYSTEM

ROBOTICS BUILDING

DATA SCIENCE FOR HEALTH CARE

MACHINE LEARNING