- Teachable Machine ช่วยให้สามารถพัฒนาโมเดลการจดจำภาพ เสียง และท่าทางได้โดยไม่ต้องเขียนโค้ด
- เครื่องมือนี้ช่วยทำให้ปัญญาประดิษฐ์เข้าถึงได้ง่ายขึ้น โดยทำให้การเรียนรู้ของเครื่องจักรเป็นเรื่องง่ายขึ้นสำหรับผู้ที่ไม่เชี่ยวชาญด้านเทคนิคและนักการศึกษา
- สามารถส่งออกโมเดลที่ฝึกฝนแล้วเพื่อนำไปผสานรวมเข้ากับแอปพลิเคชันบนเว็บ โครงการ IoT หรือซอฟต์แวร์ในเครื่องได้
คุณเคยคิดไหมว่าปัญญาประดิษฐ์ (AI) เป็นเรื่องสำหรับอัจฉริยะด้านคอมพิวเตอร์หรือนักคณิตศาสตร์ที่มีปริญญาเอกเท่านั้น? ลืมความคิดนั้นไปได้เลย เพราะปัจจุบันนี้ทุกคนสามารถทดลองใช้การเรียนรู้ของเครื่องจักรได้โดยไม่ต้องเขียนโค้ดแม้แต่บรรทัดเดียว ด้วยเครื่องมือที่ใช้งานง่าย เทคโนโลยีนี้จึงเข้าถึงได้ง่ายขึ้น ทำให้ทุกคนตั้งแต่นักเรียนไปจนถึงผู้ประกอบการสามารถเริ่มต้นก้าวแรกสู่โลกของ AI ได้อย่างง่ายดายและเห็นภาพชัดเจน
หนึ่งในตัวอย่างที่โดดเด่นที่สุดในด้านนี้คือ Teachable Machine แพลตฟอร์มบนเว็บของ Google ที่เปลี่ยนการฝึกโมเดลให้กลายเป็นเหมือนเกม ไม่ใช่การสร้างแชทบอทที่ซับซ้อน แต่เป็นการออกแบบระบบที่สามารถจำแนกภาพ จดจำเสียง หรือตรวจจับท่าทางของร่างกายแบบเรียลไทม์ เป็นจุดเริ่มต้นที่สมบูรณ์แบบสำหรับผู้ที่ต้องการเข้าใจว่าเครื่องจักร "เรียนรู้" จากตัวอย่างได้อย่างไร และจะนำความรู้นั้นไปประยุกต์ใช้ในโครงการด้านการศึกษาหรือสร้างสรรค์ได้อย่างไร
แนวคิดพื้นฐานที่จะช่วยให้คุณไม่หลงทางระหว่างทาง
ก่อนที่จะเจาะลึกเข้าไปในเครื่องมือนี้ เราควรทำความเข้าใจก่อนว่าMachine Learning คืออะไร โดยพื้นฐานแล้ว มันคือสาขาหนึ่งของ AI ที่ช่วยให้คอมพิวเตอร์เรียนรู้จากข้อมูลแทนที่จะทำตามคำสั่งที่ตั้งโปรแกรมไว้ล่วงหน้าทีละขั้นตอน ลองนึกภาพว่าคุณเป็นเด็กที่กำลังเรียนรู้ที่จะแยกแยะแอปเปิลออกจากลูกแพร์ พ่อแม่ของคุณจะแสดงผลไม้ต่างๆ ให้คุณดูและบอกคุณว่าอันไหนเป็นอันไหน โมเดล AI ก็ทำเช่นเดียวกัน คือมันวิเคราะห์รูปแบบในข้อมูลที่ได้รับเพื่อตัดสินใจเกี่ยวกับสิ่งที่ไม่เคยเห็นมาก่อน
โมเดลเหล่านี้เป็นแรงขับเคลื่อนสำคัญเบื้องหลังเทคโนโลยีที่เราใช้กันอยู่ทุกวัน เช่น ผู้ช่วยเสียงแบบ Alexa หรือระบบแนะนำของ Netflix ในด้านการศึกษา โมเดลเหล่านี้มีคุณค่าอย่างยิ่ง เพราะช่วยให้นักเรียนเข้าใจการทำงานภายในของ AIและพัฒนาทักษะการคิดเชิงวิเคราะห์เกี่ยวกับการประมวลผลข้อมูลในยุคดิจิทัล
ขั้นตอนการสร้างแบบจำลองแรกของคุณทีละขั้นตอน
หากคุณต้องการเริ่มต้น กระบวนการนั้นง่ายอย่างไม่น่าเชื่อ ขั้นแรก ไปที่เว็บไซต์อย่างเป็นทางการของ Teachable Machine และเลือกประเภทของโปรเจ็กต์ที่คุณสนใจมากที่สุด: รูปภาพ เสียง หรือท่าทางหากคุณเลือกรูปภาพ ตัวอย่างเช่น คุณจะเห็นว่าระบบจะขอให้คุณกำหนด "คลาส" คลาสก็คือหมวดหมู่ที่คุณต้องการให้ AI จดจำ หากคุณต้องการให้มันแยกแยะระหว่างปากกาและสมุดโน้ต คุณจะต้องสร้างคลาสสำหรับแต่ละอย่าง
เพื่อใช้ประกอบการเรียนรู้ คุณมีสองทางเลือก: ใช้เว็บแคมถ่ายภาพแบบเรียลไทม์ หรืออัปโหลดไฟล์ที่คุณบันทึกไว้แล้วในคอมพิวเตอร์หรือใน Google Drive เคล็ดลับที่จะช่วยให้แบบจำลองมีความแม่นยำคือการถ่ายภาพที่หลากหลาย อย่าถ่ายภาพที่เหมือนกันสิบภาพ แต่ให้ถ่ายภาพวัตถุจากมุม แสง และตำแหน่งที่แตกต่างกันยิ่งเครื่องจักรมีตัวอย่างที่ชัดเจนและหลากหลายมากเท่าไหร่ ข้อผิดพลาดก็จะยิ่งน้อยลงเท่านั้น
เมื่อข้อมูลของคุณพร้อมแล้ว ก็ถึงเวลาคลิก ปุ่ม "เตรียมโมเดล"นี่คือจุดเริ่มต้นของความมหัศจรรย์: ระบบจะประมวลผลภาพและเริ่มการฝึกฝน สิ่งสำคัญคืออย่าปิดแท็บหรือเปิดโปรแกรมที่ใช้ทรัพยากรมากในระหว่างกระบวนการนี้เพื่อหลีกเลี่ยงข้อผิดพลาด หลังจากนั้น คุณสามารถทดสอบผลลัพธ์ในหน้าตัวอย่างได้โดยวางวัตถุไว้หน้ากล้องและดูว่า AI กำหนดความน่าจะเป็นของความสำเร็จให้กับแต่ละหมวดหมู่ อย่างไร
เคล็ดลับขั้นสูงและการเพิ่มประสิทธิภาพข้อมูล
มันอาจไม่ได้ผลลัพธ์ที่สมบูรณ์แบบตั้งแต่ครั้งแรกเสมอไป และนั่นก็เป็นส่วนหนึ่งของความสนุก หากคุณสังเกตเห็นว่าโมเดลของคุณเริ่มสับสน คุณอาจต้องทำความสะอาดชุดข้อมูลของคุณตัวอย่างเช่น หากคุณกำลังจำแนกแมลง และมีคนอยู่ในฉากหลังของภาพถ่ายมด AI อาจคิดว่าคนเป็นส่วนหนึ่งที่กำหนดลักษณะของมด การลบภาพที่ไม่เกี่ยวข้องเหล่านี้ออกเป็นกุญแจสำคัญในการได้ข้อมูลที่ "สะอาด" และการฝึกฝนที่มีประสิทธิภาพ
สำหรับผู้ที่ต้องการวิธีการที่เป็นมืออาชีพมากขึ้น เครื่องมืออย่างส่วนขยาย Imageye สำหรับ Chrome ช่วยให้คุณดาวน์โหลดภาพจำนวนมากจาก Google เพื่อป้อนข้อมูลให้กับโมเดล นอกจากนี้ ขอแนะนำอย่างยิ่งให้สำรองภาพตัวอย่างบางส่วนไว้สำหรับการทดสอบกล่าวคือ บันทึกภาพบางส่วนที่ AI ยังไม่เคยเห็นระหว่างการฝึกฝน เพื่อตรวจสอบว่ามันเรียนรู้ที่จะสรุปผลได้จริง ๆ หรือเพียงแค่จดจำภาพเหล่านั้นไว้
การส่งออกและการประยุกต์ใช้ในโลกแห่งความเป็นจริง
ส่วนที่ดีที่สุดคือ งานของคุณไม่จำเป็นต้องจำกัดอยู่แค่บนเว็บไซต์ของ Google คุณสามารถส่งออกโมเดลของคุณในรูปแบบ TensorFlow.js ซึ่งช่วยให้คุณสามารถผสานรวมเข้ากับเว็บไซต์หรือแอปพลิเคชันมือถือของคุณเองได้ นอกจากนี้ยังมีตัวเลือกในการดาวน์โหลดในรูปแบบที่เข้ากันได้กับ TensorFlow Lite ซึ่งเหมาะสำหรับ โครงการInternet of Things (IoT) หรืออุปกรณ์ใน เครื่อง
จากมุมมองด้านการสอน ครูสามารถใช้สิ่งนี้เพื่อสร้างกิจกรรมที่เชื่อมโยงกับสถานการณ์ในชีวิตจริงได้ ตัวอย่างเช่น พวกเขาสามารถฝึก AI ให้ระบุประเภทของกาแล็กซีโดยอิงจากลักษณะทางกายภาพของกล้องโทรทรรศน์อวกาศฮับเบิล หรือสร้างระบบที่จดจำวัตถุในชีวิตประจำวันเพื่อแก้ปัญหาเฉพาะในห้องเรียน ซึ่งจะเปลี่ยนนักเรียนจากผู้บริโภคเทคโนโลยีแบบ passively ไปเป็นผู้สร้างโซลูชันที่ใช้ AI อย่างกระตือรือร้น
เครื่องมืออื่นๆ สำหรับผู้ที่ไม่ใช่ผู้เชี่ยวชาญ
แม้ว่า Teachable Machine จะยอดเยี่ยม แต่ก็ยังมีตัวเลือกอื่นๆ ในตลาดสำหรับผู้ที่ต้องการ วิธีการ เขียนโค้ดน้อยGoogle AutoML เป็นตัวเลือกที่ดีกว่า มีประสิทธิภาพมากกว่า และเหมาะสำหรับองค์กรขนาดใหญ่ โดยสามารถทำงานร่วมกับ Google Cloud ได้ในขณะเดียวกันLobe.aiก็มอบประสบการณ์การใช้งานแบบลากและวางที่ง่ายมากสำหรับโมเดลรูปภาพ ส่วนRunway MLนั้นเป็นสวรรค์สำหรับศิลปินดิจิทัลที่ต้องการสร้างงานศิลปะหรือตัดต่อวิดีโอด้วย AI
หากคุณถนัดใช้ Microsoft มากกว่าAzure Machine Learning Studioจะช่วยให้คุณออกแบบเวิร์กโฟลว์ที่ซับซ้อนได้โดยไม่ต้องเขียนโค้ด และหากคุณถนัดด้านภาษาและข้อความHugging Faceคือแพลตฟอร์มที่เหมาะสมที่สุด โดยมีคลังโมเดลที่ผ่านการฝึกฝนล่วงหน้ามากมายที่คุณสามารถปรับแต่งเพื่อวิเคราะห์ความรู้สึกหรือแปลภาษาได้ แพลตฟอร์มเหล่านี้มีเป้าหมายร่วมกันคือการขจัดอุปสรรคทางเทคนิคเพื่อให้การสร้างสรรค์นวัตกรรมขึ้นอยู่กับไอเดีย ไม่ใช่ความรู้ด้านการเขียนโค้ด
ความสามารถในการฝึกฝนระบบอัจฉริยะได้กลายเป็นสิ่งที่ทุกคนเข้าถึงได้ ทำให้ความคิดสร้างสรรค์และการศึกษาสามารถผสานรวมเข้ากับเทคโนโลยีล้ำสมัยได้ ด้วยการเรียนรู้เครื่องมือต่างๆ เช่น Teachable Machines และเครื่องมืออื่นๆ ที่คล้ายกัน ผู้ใช้ทุกคนสามารถเปลี่ยนข้อมูลธรรมดาให้เป็นแบบจำลองที่ใช้งานได้จริง ซึ่งสามารถจดจำสภาพแวดล้อม ปรับกระบวนการให้เหมาะสม และเปิดประตูสู่นวัตกรรมที่ก่อนหน้านี้สงวนไว้สำหรับผู้เชี่ยวชาญด้านคอมพิวเตอร์เท่านั้น