ช่วงนี้ AI ล้ำมากจริง แต่พอเป็นโจทย์ “ฝึกสอน AI ด้วยข้อมูลจำกัด” จะเห็นชัดเลยว่า AI ไม่ได้ฉลาดแบบมนุษย์ตั้งแต่แรก—มันฉลาดเท่ากับ “ข้อมูลที่เราให้” ค่ะ ถ้าเราสอน AI ให้รู้จัก “ปลา” โดยให้ดูเฉพาะรูปปลาที่มีสีแดงเท่านั้น สิ่งที่มักเกิดขึ้นคือ AI จะเรียนรู้ว่า “สีแดง” คือสัญญาณสำคัญที่สุดของคำว่า “ปลา” แทนที่จะเรียนรู้ “รูปร่างปลา/ครีบ/หาง/ลายเกล็ด” เพราะในชุดข้อมูลของเรา ปลา = แดง ไปแล้ว ดังนั้นคำตอบที่มักใช้ตอบโจทย์คือ: โดยทั่วไป AI อาจตรวจจับปลาลักษณะอื่น ๆ (เช่น ปลาสีเขียว) ได้ไม่ดี หรือแทบไม่ได้เลย โดยเฉพาะถ้า AI ถูกฝึกด้วยข้อมูลที่ลำเอียง/จำกัดเกินไป และไม่มีตัวอย่างปลาสีอื่นให้เห็น ความแม่นยำจะตกมาก หรืออาจทายผิดว่า “ไม่ใช่ปลา” เพราะมันไม่เจอ ‘สีแดง’ ที่เคยชิน ถ้าต้องการให้ AI ตรวจจับปลาหลากสีได้ดีขึ้น วิธีแก้ที่ตรงที่สุดคือเพิ่มความหลากหลายของข้อมูล เช่น - ใส่รูปปลาหลายสี หลายสายพันธุ์ หลายมุมมอง (ด้านข้าง/ด้านบน) - มีทั้งฉากหลังหลากหลาย (น้ำใส/น้ำขุ่น/พื้นหิน) - ใส่ตัวอย่าง “ไม่ใช่ปลา” ด้วย เพื่อให้ AI แยกแยะได้จริง สรุปคือเราต้องลด “อคติของข้อมูล” (data bias) ให้ได้ อีกข้อที่ชอบออกคู่กันคือเรื่องทำพอร์ตโฟลิโอจากรูปอินเทอร์เน็ตแบบ “ตัดต่อ/ดัดแปลง” อันนี้ต้องระวังสัญลักษณ์สัญญาอนุญาตรูปภาพ โดยเฉพาะสัญลักษณ์ที่ห้ามนำไปดัดแปลงค่ะ คำตอบที่ควรหลีกเลี่ยงคือ “CC ND” (Creative Commons – NoDerivatives) เพราะ ND หมายถึงห้ามดัดแปลงงาน ถ้าเราเอารูปไปตัดต่อ ทำคอลลาจ ใส่ตัวหนังสือ หรือปรับแก้จนเป็นงานใหม่ อาจเข้าข่ายผิดเงื่อนไขได้ ทริกส่วนตัวเวลาใช้รูปจากเน็ตทำพอร์ต: - เลือกภาพที่ระบุอนุญาตให้ดัดแปลงได้ (เช่น CC BY, CC BY-SA) และให้เครดิตให้ครบ - ถ้าไม่แน่ใจ ใช้ภาพจากเว็บที่ให้ใช้งานเชิงพาณิชย์/ดัดแปลงได้ชัดเจน หรือใช้รูปที่ถ่ายเองจะสบายใจสุด สรุปสั้น ๆ: สอน AI ด้วยข้อมูลจำกัด = AI มัก “จำผิดจุด” และทำงานนอกกรอบไม่ดี ส่วนทำพอร์ตจากรูปอินเทอร์เน็ตให้เลี่ยงสัญลักษณ์ “CC ND” ถ้าต้องมีการดัดแปลงค่ะ