Anantasak Tippayachai

ยกตัวอย่างจากมือถือรุ่นใหม่อย่าง Samsung S24 ที่สามารถประมวลผลเสียงและแปลได้ทันทีทันใด หรือ Seemless Translation นั้น เป็นตัวอย่างหนึ่งของการนำ Edge AI มาใช้ในชีวิตประจำวัน เทคโนโลยีนี้ช่วยให้ผู้ใช้สามารถแปลภาษาได้แบบเรียลไทม์โดยไม่ต้องเชื่อมต่ออินเทอร์เน็ต ซึ่งมีประโยชน์อย่างมากสำหรับการเดินทางท่องเที่ยวหรือติดต่อสื่อสารกับผู้คนจากต่างวัฒนธรรม

แนวโน้มของ Edge AI ในอนาคตจะมุ่งเน้นไปที่การพัฒนาให้มีประสิทธิภาพมากขึ้น สามารถประมวลผลข้อมูลได้อย่างรวดเร็วและแม่นยำยิ่งขึ้น เพื่อให้สามารถรองรับการใช้งานที่หลากหลายและซับซ้อนมากขึ้น เช่น

• การประมวลผลภาพและวิดีโอแบบเรียลไทม์ เช่น การตรวจจับใบหน้า วัตถุ หรือการเคลื่อนไหว
• การประมวลผลเสียงและภาษาแบบเรียลไทม์ เช่น การแปลภาษา การจดจำเสียง หรือการสร้างข้อความ
• การประมวลผลข้อมูลในอุปกรณ์ IoT เช่น การควบคุมอุปกรณ์อัจฉริยะ การติดตามข้อมูลสุขภาพ หรือการวิเคราะห์ข้อมูลการผลิต

นอกจากนี้ Edge AI ยังจะผสานรวมกับเทคโนโลยีอื่นๆ เช่น 5G, Blockchain และ Quantum Computing เพื่อเพิ่มประสิทธิภาพและขีดความสามารถในการใช้งานมากยิ่งขึ้น

ตัวอย่างการใช้งาน Edge AI ในอนาคตที่อาจเกิดขึ้น ได้แก่

• รถยนต์ไร้คนขับ จะใช้ Edge AI เพื่อประมวลผลข้อมูลจากเซ็นเซอร์ต่างๆ เช่น กล้อง เรดาร์ และ LiDAR เพื่อควบคุมรถยนต์ให้เคลื่อนที่ได้อย่างปลอดภัย
• หุ่นยนต์อุตสาหกรรม จะใช้ Edge AI เพื่อทำงานอัตโนมัติและตัดสินใจได้อย่างชาญฉลาด
• เมืองอัจฉริยะ จะใช้ Edge AI เพื่อรวบรวมและวิเคราะห์ข้อมูลต่างๆ เช่น ข้อมูลจราจร ข้อมูลสิ่งแวดล้อม และข้อมูลความปลอดภัย เพื่อปรับปรุงคุณภาพชีวิตของประชาชน

จะเห็นได้ว่า Edge AI มีศักยภาพที่จะพลิกโฉมโลกของเราไปอย่างสิ้นเชิง โดยเทคโนโลยีนี้จะช่วยให้เราใช้ชีวิตได้อย่างสะดวกสบายและปลอดภัยมากขึ้น

ในแง่ของ Generative AI ซึ่งในปัจจุบันความก้าวหน้าของ ระบบรู้สร้าง นี้ได้เข้ามาใช้ประโยชน์ในชีวิตประจำวันเรามากขึ้นเรื่อยๆ ไม่ว่าจะในที่ทำงานเป็นทำงานร่วมกับ MS Office หรือ ค้นหาข้อมูลหรือ แนวทางต่างๆ ซึ่งในส่วนที่มาเชื่อมต่อกับ Edge AI ซึ่งสามารถสร้างสรรค์งานสิ่งต่างๆ ได้หลากหลายขึ้น

อนาคตของ Edge AI ในรูปแบบ Generative AI มีโอกาสพัฒนาต่อเนื่องได้หลายทิศทาง ดังนี้

• การพัฒนาประสิทธิภาพของอุปกรณ์ อุปกรณ์ Edge AI ในปัจจุบันยังไม่มีประสิทธิภาพเพียงพอที่จะรองรับการใช้งาน Generative AI ที่ซับซ้อน เช่น การสร้างภาพ วิดีโอ เสียง หรือข้อความที่มีคุณภาพสูง อย่างไรก็ตาม การพัฒนาเทคโนโลยีด้านชิปเซ็ตและหน่วยความจำแบบใหม่จะช่วยให้อุปกรณ์ Edge AI มีพลังประมวลผลและพื้นที่จัดเก็บข้อมูลมากขึ้น ซึ่งจะส่งผลให้ Generative AI ทำงานได้มีประสิทธิภาพมากขึ้น

• การพัฒนาอัลกอริทึม อัลกอริทึม Generative AI ในปัจจุบันยังทำงานได้ไม่สมบูรณ์แบบ เช่น อาจสร้างภาพหรือวิดีโอที่มีจุดบกพร่อง หรืออาจสร้างข้อความที่เข้าใจยากหรือไม่เป็นธรรมชาติ อย่างไรก็ตาม การพัฒนาอัลกอริทึมใหม่ ๆ จะช่วยให้ Generative AI ทำงานได้แม่นยำและสร้างสรรค์มากขึ้น

• การผสานรวมกับเทคโนโลยีอื่น ๆ Generative AI ยังสามารถผสานรวมกับเทคโนโลยีอื่น ๆ เช่น 5G, Blockchain และ Quantum Computing เพื่อเพิ่มประสิทธิภาพและขีดความสามารถในการใช้งานมากยิ่งขึ้น เช่น การใช้ 5G เพื่อส่งข้อมูลภาพและวิดีโอแบบเรียลไทม์ไปยังอุปกรณ์ Edge AI หรือการใช้ Blockchain เพื่อปกป้องข้อมูลส่วนตัวและความปลอดภัยของข้อมูล

ตัวอย่างการใช้งาน Edge AI ในรูปแบบ Generative AI ในอนาคตที่อาจเกิดขึ้น ได้แก่

• การสร้างภาพและวิดีโอแบบเรียลไทม์ อุปกรณ์ Edge AI สามารถใช้ Generative AI เพื่อสร้างภาพและวิดีโอแบบเรียลไทม์ เช่น การสร้างภาพเสมือนจริง (Virtual Reality) หรือการสร้างภาพเสริมความเป็นจริง (Augmented Reality) เพื่อช่วยให้ผู้ใช้งานสามารถมองเห็นโลกรอบตัวได้ในรูปแบบใหม่ ๆ

• การแปลภาษาแบบเรียลไทม์ อุปกรณ์ Edge AI สามารถใช้ Generative AI เพื่อแปลภาษาแบบเรียลไทม์ เช่น การแปลภาษาแบบปากเปล่าหรือแบบข้อความ ซึ่งจะช่วยให้การสื่อสารระหว่างผู้คนจากต่างวัฒนธรรมเป็นไปได้อย่างราบรื่น

• การสร้างเนื้อหาสร้างสรรค์ อุปกรณ์ Edge AI สามารถใช้ Generative AI เพื่อสร้างเนื้อหาสร้างสรรค์ เช่น การสร้างเพลง บทกวี หรือผลงานศิลปะ ซึ่งจะช่วยให้ผู้คนสามารถสร้างสรรค์ผลงานได้อย่างง่ายดายและรวดเร็ว

จะเห็นได้ว่า Edge AI ในรูปแบบ Generative AI มีศักยภาพที่จะพลิกโฉมโลกของเราไปอย่างสิ้นเชิง โดยเทคโนโลยีนี้จะช่วยให้เราใช้ชีวิตได้อย่างสะดวกสบายและสร้างสรรค์มากขึ้น ซึ่งการนำไปใช้เพื่อให้เกิดประโยชน์ นั้น เราควรมี AI Ethic เพื่อครอบคลุมการใช้งาน และ บทบาทที่จัดเจนมากยิ่งขึ้น หลายๆประเทศ ก็มีมาตรฐาน ของ AI โดยกำหนด ISO BS/IEC 42001:2023 ซึ่งหลายๆ บริษัทได้นำมาปรับใช้กันบ้างแล้ว อนาคตของ Edge AI ขึ้นอยู่กับ ท่านผู้อ่าน และ การนำไปใช้ให้เกิดประโยชน์ แก่ตัวเอง และ คนรอบข้าง

บทสรุป

Edge AI เป็นเทคโนโลยีที่มีศักยภาพที่จะพลิกโฉมโลกของเราไปอย่างสิ้นเชิง โดยเทคโนโลยีนี้จะช่วยให้เราใช้ชีวิตได้อย่างสะดวกสบายและปลอดภัยมากขึ้น Edge AI มีแนวโน้มที่จะพัฒนาอย่างต่อเนื่อง โดยมุ่งเน้นไปที่การพัฒนาประสิทธิภาพให้มากขึ้น สามารถประมวลผลข้อมูลได้อย่างรวดเร็วและแม่นยำยิ่งขึ้น เพื่อให้สามารถรองรับการใช้งานที่หลากหลายและซับซ้อนมากขึ้น

การประยุกต์ใช้ Edge AI ในปัจจุบันมีให้เห็นในหลากหลายด้าน เช่น การดูแลสุขภาพ การผลิต การเกษตร คมนาคมขนส่ง และเมืองอัจฉริยะ ในอนาคต Edge AI จะเข้ามามีบทบาทสำคัญในหลาย ๆ ด้านของชีวิตเรามากยิ่งขึ้น เช่น

• รถยนต์ไร้คนขับ จะใช้ Edge AI เพื่อประมวลผลข้อมูลจากเซ็นเซอร์ต่างๆ เช่น กล้อง เรดาร์ และ LiDAR เพื่อควบคุมรถยนต์ให้เคลื่อนที่ได้อย่างปลอดภัย
• หุ่นยนต์อุตสาหกรรม จะใช้ Edge AI เพื่อทำงานอัตโนมัติและตัดสินใจได้อย่างชาญฉลาด
• เมืองอัจฉริยะ จะใช้ Edge AI เพื่อรวบรวมและวิเคราะห์ข้อมูลต่างๆ เช่น ข้อมูลจราจร ข้อมูลสิ่งแวดล้อม และข้อมูลความปลอดภัย เพื่อปรับปรุงคุณภาพชีวิตของประชาชน

จะเห็นได้ว่า Edge AI มีศักยภาพที่จะสร้างการเปลี่ยนแปลงครั้งใหญ่ให้กับโลกของเรา โดยเทคโนโลยีนี้จะช่วยให้เรามีชีวิตที่ดีขึ้นและยั่งยืนมากขึ้น

1. ลักษณะโดยทั่วไป : อธิบายลักษณะภายนอก หรือ ทางกายภาพของ Software ที่มองเห็น
2. จุดประสงค์การใช้ : ระบุวัตถุประสงค์การใช้ และ ความสามารถในการทำงาน 
3. ข้อบ่งใช้ : อธิบายถึงโรค และ สภาวะที่ Software สามารถวินิจฉัย รักษา ป้องกัน บำบัด หรือ บรรเทา รวมถึงกลุ่มเป้าหมายอย่างชัดเจน
4. หลักการทำงาน/กลไกการทำงาน : อธิบายหลักการทำงานให้สอดคล้องกับวัตถุประสงค์การใช้งาน และข้อบ่งใช้ที่แสดง

insurance <- read.csv("insurance.csv", stringsAsFactors = TRUE)
str(insurance)

## 'data.frame':    1338 obs. of  7 variables:
##  $ age     : int  19 18 28 33 32 31 46 37 37 60 ...
##  $ sex     : Factor w/ 2 levels "female","male": 1 2 2 2 2 1 1 1 2 1 ...
##  $ bmi     : num  27.9 33.8 33 22.7 28.9 25.7 33.4 27.7 29.8 25.8 ...
##  $ children: int  0 1 3 0 0 0 1 3 2 0 ...
##  $ smoker  : Factor w/ 2 levels "no","yes": 2 1 1 1 1 1 1 1 1 1 ...
##  $ region  : Factor w/ 4 levels "northeast","northwest",..: 4 3 3 2 2 3 3 2 1 2 ...
##  $ expenses: num  16885 1726 4449 21984 3867 ...

ซึ่งในตัวอย่าง ข้อมูลสำหรับลูกค้าประกันภัย ประกอบด้วย อายุ , เพศ , ค่า BMI , จำนวนลูก , สูบบุหรี่ , และ ค่าใช้จ่าย ซึ่ง ข้อมูล 1338 ตัวอย่าง จาก 7 ตัวแปรสำคัญ และ พิจารณา องค์ประกอบต่างๆ เพื่อตั้งเป้าหมายตัวแปรคือ ค่าใช้จ่าย (การเคลมประกัน)

2) เตรียมข้อมูล (Cleansing Data)

เมื่อพิจารณาถึงฐานรายได้ทั้งหมดจากตัวแปรสำคัญ 

# สรุปตัวเลขของ ค่าใช้จ่าย
summary(insurance$expenses)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1122    4740    9382   13270   16640   63770

# แสดงเป็นค่า Histogram การกระจายการใช้จ่ายด้านประกัน
hist(insurance$expenses)

## 
## northeast northwest southeast southwest 
##       324       325       364       325

พิจารณาถึงตัวแปรสำคัญที่เกี่ยวข้องกัน

การจะพิจารณาถึงความสัมพันธ์ของตัวแปลในกราฟด้านบนนั้น เราใช้ ฟังก์ชั่นของ R เพื่อแสดงถึงความสัมพันธ์ดังกล่าว

# แสดงถึงความสัมพันธ์ระหว่าตัวแปรแต่ละตัวด้วย matrix
cor(insurance[c("age", "bmi", "children", "expenses")])

##                age        bmi   children   expenses
## age      1.0000000 0.10934101 0.04246900 0.29900819
## bmi      0.1093410 1.00000000 0.01264471 0.19857626
## children 0.0424690 0.01264471 1.00000000 0.06799823
## expenses 0.2990082 0.19857626 0.06799823 1.00000000

# แสดงภาพความสัมพันธ์ขอตัวแปรทั้ง 4 อัน ในรูปแบบ Matrix
pairs(insurance[c("age", "bmi", "children", "expenses")])

# แสดงข้อมูลที่ได้จากกราฟ 
install.packages("psych")
library(psych)
pairs.panels(insurance[c("age", "bmi", "children", "expenses")])

3) การเทรนโมเดล

## ขั้นตอนที่ 3 : การเทรนโมเดลสำหรับข้อมูล 
ins_model <- lm(expenses ~ age + children + bmi + sex + smoker + region,
                data = insurance)
# หรือใช้คำสั่งนี้แทนโดย . แทนค่าตัวแปรทั้งหมด
# ins_model <- lm(expenses ~ .,data=insurance )
# แสดงให้เห็นค่าประมาณการของ beta coefficients
ins_model

## 
## Call:
## lm(formula = expenses ~ age + children + bmi + sex + smoker + 
##     region, data = insurance)
## 
## Coefficients:
##     (Intercept)              age         children              bmi  
##        -11941.6            256.8            475.7            339.3  
##         sexmale        smokeryes  regionnorthwest  regionsoutheast  
##          -131.4          23847.5           -352.8          -1035.6  
## regionsouthwest  
##          -959.3

4) เพิ่มประสิทธิภาพการประมวลผล

## ขั้นที่ 4 : เพิ่มประสิทธิภาพการประมวลผล 
# แสดงให้เห็นรายละเอียดเกี่ยวกับข้อมูลbeta coefficients
summary(ins_model)

## 
## Call:
## lm(formula = expenses ~ age + children + bmi + sex + smoker + 
##     region, data = insurance)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -11302.7  -2850.9   -979.6   1383.9  29981.7 
## 
## Coefficients:
##                 Estimate Std. Error t value Pr(>|t|)    
## (Intercept)     -11941.6      987.8 -12.089  < 2e-16 ***
## age                256.8       11.9  21.586  < 2e-16 ***
## children           475.7      137.8   3.452 0.000574 ***
## bmi                339.3       28.6  11.864  < 2e-16 ***
## sexmale           -131.3      332.9  -0.395 0.693255    
## smokeryes        23847.5      413.1  57.723  < 2e-16 ***
## regionnorthwest   -352.8      476.3  -0.741 0.458976    
## regionsoutheast  -1035.6      478.7  -2.163 0.030685 *  
## regionsouthwest   -959.3      477.9  -2.007 0.044921 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 6062 on 1329 degrees of freedom
## Multiple R-squared:  0.7509, Adjusted R-squared:  0.7494 
## F-statistic: 500.9 on 8 and 1329 DF,  p-value: < 2.2e-16

• Age (p < 0.001)

• BMI (p < 0.001)

• Children (p < 0.001)

• Smoker = yes (p < 0.001)

• Region of residence = SE (p = 0.031)

• Region of residence = SW (p = 0.045)

5) พัฒนารูปแบบเพิ่มประสิทธิภาพขึ้น

ins_model1.5 <- lm(expenses ~ age + children + bmi + smoker,
                data = insurance)

# see the estimated beta coefficients
ins_model1.5

## 
## Call:
## lm(formula = expenses ~ age + children + bmi + smoker, data = insurance)
## 
## Coefficients:
## (Intercept)          age     children          bmi    smokeryes  
##    -12105.5        257.8        473.7        321.9      23810.3

summary(ins_model1.5)

## 
## Call:
## lm(formula = expenses ~ age + children + bmi + smoker, data = insurance)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -11895  -2921   -985   1382  29499 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -12105.48     941.95 -12.851  < 2e-16 ***
## age            257.83      11.90  21.674  < 2e-16 ***
## children       473.69     137.79   3.438 0.000604 ***
## bmi            321.94      27.38  11.760  < 2e-16 ***
## smokeryes    23810.32     411.21  57.903  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 6068 on 1333 degrees of freedom
## Multiple R-squared:  0.7497, Adjusted R-squared:  0.749 
## F-statistic: 998.2 on 4 and 1333 DF,  p-value: < 2.2e-16

## ขั้นตอนที่ 5 : เพิ่มปรับเปลี่ยนโมเดลให้ทันสมัยมากขึ้น ----

# เพิ่มตัวแปรจาก "age" โดยพิจารณาไม่ได้เป็นเชิงเส้น
insurance$age2 <- insurance$age^2

# เพิ่มตัวแปรสำหรับ  BMI >= 30
insurance$bmi30 <- ifelse(insurance$bmi >= 30, 1, 0)

# สร้างแบบจำลอง
ins_model2 <- lm(expenses ~ age + age2 + children + bmi + sex +
                   bmi30*smoker + region, data = insurance)

summary(ins_model2)

## 
## Call:
## lm(formula = expenses ~ age + age2 + children + bmi + sex + bmi30 * 
##     smoker + region, data = insurance)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -17297.1  -1656.0  -1262.7   -727.8  24161.6 
## 
## Coefficients:
##                   Estimate Std. Error t value Pr(>|t|)    
## (Intercept)       139.0053  1363.1359   0.102 0.918792    
## age               -32.6181    59.8250  -0.545 0.585690    
## age2                3.7307     0.7463   4.999 6.54e-07 ***
## children          678.6017   105.8855   6.409 2.03e-10 ***
## bmi               119.7715    34.2796   3.494 0.000492 ***
## sexmale          -496.7690   244.3713  -2.033 0.042267 *  
## bmi30            -997.9355   422.9607  -2.359 0.018449 *  
## smokeryes       13404.5952   439.9591  30.468  < 2e-16 ***
## regionnorthwest  -279.1661   349.2826  -0.799 0.424285    
## regionsoutheast  -828.0345   351.6484  -2.355 0.018682 *  
## regionsouthwest -1222.1619   350.5314  -3.487 0.000505 ***
## bmi30:smokeryes 19810.1534   604.6769  32.762  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 4445 on 1326 degrees of freedom
## Multiple R-squared:  0.8664, Adjusted R-squared:  0.8653 
## F-statistic: 781.7 on 11 and 1326 DF,  p-value: < 2.2e-16

# สร้างโมเดลอันสุดท้าย
ins_model2.5 <- lm(expenses ~ age + age2 + children + 
                   bmi30*smoker, data = insurance)

summary(ins_model2.5)

## 
## Call:
## lm(formula = expenses ~ age + age2 + children + bmi30 * smoker, 
##     data = insurance)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -18718.8  -1641.7  -1313.8   -846.4  23799.7 
## 
## Coefficients:
##                   Estimate Std. Error t value Pr(>|t|)    
## (Intercept)      2237.3824  1083.9103   2.064   0.0392 *  
## age               -24.5114    60.2871  -0.407   0.6844    
## age2                3.6643     0.7524   4.870 1.25e-06 ***
## children          669.3870   106.6878   6.274 4.74e-10 ***
## bmi30              42.3929   276.9065   0.153   0.8783    
## smokeryes       13389.6763   442.5871  30.253  < 2e-16 ***
## bmi30:smokeryes 19759.1124   608.6309  32.465  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 4483 on 1331 degrees of freedom
## Multiple R-squared:  0.8636, Adjusted R-squared:  0.8629 
## F-statistic:  1404 on 6 and 1331 DF,  p-value: < 2.2e-16

อะไรคือพื้นฐานของระบบอัจฉริยะ (Intelligence)

และถามต่ออีกว่า ... อะไรคือ Artificial Intelligence

สองมุมมองของ AI

• AI อาจจะกล่าวได้ถึงการจำลองมันสมองของมนุษย์ เช่น 
• Cognitive science (ประชานศาสตร์ : การศึกษาทางวิทยาศาสตร์ทั้งเรื่องของความคิดและความฉลาด) 
• Turing test (การทดสอบของทัวริง : การทดสอบความสามารถของปัญญาประดิษฐ์ว่าทำได้ดีใกล้เคียงมนุษย์แล้วหรือยัง)
  
  
  
• AI อาจจะเสมือนสิ่งที่สมองของมนุษย์ ควรจะทำ เช่น 
• Rationality ความมีเหตุผล การพินิจพิเคราะห์ ความชอบธรรม

ที่มา : Advance AI https://j.mp/2YGXK6n

การพิเคราะห์เชิงเหตุผล (Acting Rationally)

ที่มา : CMU

ที่มา : ROS (Robot Operating System)

Rational Agents

• ENIAC : ซูเปอร์คอมพิวเตอร์ ที่สร้างขึ้นในปี 1946
  
  
  
• เริ่มใช้มากขึ้นในปี 1950 เกี่ยวกับ Artificial Intelligence
       - Rosenblatt's perceptron
       - Samuel's checkers player 

AI ในปัจจุบัน ที่มนุษย์ต้องการ

AI ในอนาคต : การใช้คณิตศาสตร์ช่วยการคำนวน

Edge ในภาคอุตสาหกรรม 

"ควรเริ่มต้นอย่างไร และ กระบวนการใด?"

EDGE COMPUTING MARKET - GROWTH, TRENDS, FORECASTS ที่มา : https://j.mp/3i5IGa4

ตัวอย่างแนวทางการพัฒนาระบบ IoT Edge-Cloud ในภาคอุตสาหกรรม

https://elinux.org/RPi-Cam-Web-Interface