Nielsen กับการปรับตัวครั้งใหญ่ เมื่อตลาด TV Rating มูลค่าหลายพันล้านดอลลาร์กำลังตกอยู่ในความเสี่ยง

ถ้า Google คือ การค้นหาทางอินเทอร์เน็ต Facebook คือแพลตฟอร์มสำหรับเครือข่ายโซเชียลมีเดีย สำหรับ Nielsen เอง พวกเขาคือเจ้าพ่อแห่งวงการจัด Rating TV

Nielsen มีอำนาจอิทธิพลมาตั้งแต่ยุคเริ่มต้นของวงการโทรทัศน์ จวบจนถึงทุกวันนี้ กว่า 99 ปีแล้วที่พวกเขาผูกขาดในการวัดจำนวนผู้ชมที่ตัดสินว่าละครหรือรายการทีวีเรื่องใด จะถูกปรับออกจากผังหรือได้ไปต่อ

Nielsen เองได้อาศัย กล่องวิเศษ ที่ติดตั้งในกลุ่มประชากรแบบสุ่ม และคอยตรวจสอบว่าใครในครอบครัวกำลังดดูทีวีช่องไหนอยู่

รายรับต่อปีของพวกเขาอยู่ที่ประมาณ 3.5 พันล้านดอลลาร์ แต่มีอำนาจเหนือ 95% ของเวลาออกอากาศทางเคเบิลทั้งหมดในอเมริกา

แต่ทุกวันนี้ อาณาจักรที่ดูโบราณคร่ำครึ กำลังถูกท้าทายอย่างหนัก เกิดเรื่องอื้อฉาวนับไม่ถ้วน ลูกค้าหลายรายก็ถอนตัวออกไปเพราะมองว่า Nielsen นั้นโบราณเกินไปที่จะทำหน้าที่เป็นมาตรฐานวงการทีวีในทุกวันนี้ที่เทคโนโลยีมันก้าวล้ำไปถึงไหนต่อไหนแล้ว

ในขณะเดียวกันบริการอย่าง Streaming ที่กำลังเติบโตอย่างก้าวกระโดดนั้น พวกเขาไม่แคร์ Nielsen แต่อย่างใด เพราะพวกเขาสามารถวัดยอดผู้ชมได้แบบถูกต้อง 100% จากฐานผู้ใช้งานจริง ๆ ไม่ต้องสุ่มข้อมูลด้วยข้ออ้างทางสถิติ

ความน่าสนใจที่เกิดขึ้นในช่วงการแพร่ระบาดของ COVID-19 ซึ่ง Nielsen ได้กล่าวว่า 9,400 กล่องจากทั้งหมด 41,000 ครัวเรือนที่มีกล่องวิเศษดังกล่าวในอเมริกา หรือเกือบหนึ่งในสี่ของทั้งหมดนั้น รายงานข้อมูลการรับชมผิดพลาดในช่วงตั้งแต่เดือนกุมภาพันธ์ ปี 2020 ถึง กุมภาพันธ์ 2021

แล้วมันเกิดอะไรขึ้น เมื่อ Rating ที่อยู่ในอุตสาหกรรมนี้มาอย่างยาวนาน แต่กลับรายงานผิดพลาดได้ถึงเพียงนี้ และมันส่งผลต่ออุตสาหกรรมโดยเฉพาะด้านการโฆษณาอย่างมหาศาล

Nielsen เองได้โทษไปที่ โรคระบาด ซึ่งโดยปกติครัวเรือนที่ได้รับการคัดเลือกเหล่านี้จะได้รับการบำรุงรักษาเครื่องวัด Rating เป็นประจำต่อเนื่องมาอย่างยาวนาน

แต่บริษัทได้เลื่อนการเข้าตรวจสอบออกไปนับครั้งไม่ถ้วน เนื่องจากต้องปฏิบัติตามคำแนะนำของ CDC และหลีกเลี่ยงการส่งพนักงานไปอยู่ในสถานการณ์ที่มีความเสี่ยงที่อาจจะทำให้ลูกค้าของพวกเขาติดเชื้อ COVID-19

แน่นอนว่าทำให้เหล่าลูกค้าที่ใช้บริการ Rating ของ Nielsen นั้นเกิดความเสียหาย ซึ่งพวกเขาก็ได้ทักท้วงไปยัง David Kenny ซึ่งเป็น CEO ของ Nielsen ว่าจำนวนผู้ชมที่ลดลงอย่างรวดเร็วนั้นไม่น่าจะเป็นข้อมูลที่ถูกต้อง

มันเป็นไปไม่ได้โดยเฉพาะอย่างยิ่งในช่วงเวลาที่ผู้คนต้องอยู่กับบ้านจากการ lockdown ที่เกิดขึ้น จำนวนผู้ชมไม่น่าจะมีการลดลง ซึ่งท้ายที่สุด Kenny ก็ออกมายอมรับในสิ่งที่เกิดขึ้น

แม้จะไม่มีตัวเลขยืนยันความชัดเจนจากความเสียหายที่เกิดขึ้น แต่มันได้สร้างความโกรธเคืองขึ้นกับเครือข่ายทีวีทั้งหลายที่อาศัย Rating ของ Nielsen เป็นหลัก

ตอนนี้มันได้เกิดรูปแบบของบริการ Streaming ที่สามารถวัดยอดวิวได้อย่างชัดเจนแจ่มแจ้ง ไม่ต้องมาประมาณโดยใช้รูปแบบของสถิติทางด้านคณิตศาสตร์เหมือนที่ Nielsen ทำ

ในเดือนสิงหาคม 2020 Dazid Zaslav ที่เป็น CEO ของ Discovery ซึ่งใช้บริการของ Nielsen เป็นตัววัด Rating มานานแสนนานรู้สึกโกรธจัดจากความผิดพลาดในครั้งนี้ รวมถึง กล่าวถึงความล้าหลังของ Nielsen ที่มีเทคโนโลยีล้าหลัง ทั้งที่ยุคสมัยมันเปลี่ยนไปแล้ว

Dazid Zaslav ที่เป็น CEO ของ Discovery รู้สึกโกรธจัดจากความผิดพลาดที่เกิดขึ้น (CR:FT)
Dazid Zaslav ที่เป็น CEO ของ Discovery รู้สึกโกรธจัดจากความผิดพลาดที่เกิดขึ้น (CR:FT)

สำนักโฆษณาวีดีโอ (VAB) ซึ่งเป็นสมาคมของเครือข่ายและเคเบิลที่คอนติดตามการวัดจำนวนผู้ชมโทรทัศน์ กล่าวหา Nielsen ต่อสาธารณชนในเรื่องการย่อจำนวนผู้ชมของเครือข่ายอย่างเป็นระบบ

พวกเขาได้แจ้งต่อ Media Ratings Council (MRC) ซึ่งเป็นกลุ่มที่ไม่แสวงหาผลกำไรที่กำหนดมาตรฐานการให้คะแนน ให้ถอดการรับรอง Nielsen สำหรับเคเบิลทีวีและทีวีออกไป

“Nielsen ทำสามสิ่ง คือ ปฏิเสธ เบี่ยงเบน และหน่วงเวลา” Sean Cunningham หัวหน้าของ VAB กล่าว

ซึ่งท้ายที่สุด Nielsen ก็ออกมายอมรับความผิดพลาด ซึ่งในช่วงเวลานั้นเพียงอย่างเดียวมีเม็ดเงินโฆษณาแพร่สะพัดถึง 1.6-2.3 พันล้านดอลลาร์ และสร้างความสูญเสียมากถึง 5% จากความผิดพลาดที่เกิดขึ้นครั้งนี้

แต่ก็ต้องบอกว่าจุดอ่อนของบริการ Streaming ก็คือการแสดงโฆษณาที่น้อยมาก ๆ ทั้ง Netflix , Amazon Prime และ Disney Plus แทบจะไม่มีโฆษณาเลย

มีเพียงบริการกลุ่มเล็ก ๆ เท่านั้นที่แสดงโฆษณา เช่น Youtube หรือ Hulu ซึ่งแน่นอนว่าพวกเขาไม่สามารถที่จะแสดงโฆษณาได้มากเท่ากับสิ่งที่เกิดขึ้นในวงการทีวีอย่างแน่นอน

มีเพียง 5% ของเวลาโฆษณาทางทีวีทั้งหมดที่ได้ไปปรากฎบนบริการ Streaming เหล่านี้ แม้ว่าพวกเขาจะมีส่วนแบ่งเวลาในการรับชมเกือบ 28% ก็ตาม และ 95% ของนาทีโฆษณาทั้งหมดยังคงปรากฎอยู่ในทีวีแบบเดิม ๆ อยู่ แม้ว่าคนดูจะเริ่มน้อยลงไปมากก็ตามที

ซึ่งแม้จำนวนผู้ชมจะลดจำนวนลงไป แต่ผู้โฆษณารายใหญ่ก็ไม่ได้ตัดงบประมาณในการโฆษณาจากทีวีแบบดั้งเดิม ซึ่งทีวียังเป็นสื่อที่มีประสิทธิภาพสูงสุดสำหรับสปอตโฆษณาที่ให้ความรู้สึกดี และ ราคาแพง ซึ่งสร้างความภักดีต่อแบรนด์ให้กับแบรนด์สินค้ายักษ์ใหญ่ทั่วโลก

แต่ในทางกลับกัน ฐานลูกค้าของบริการ Streaming นั้นมักจะอายุน้อยกว่า และมีรายได้สูงกกว่าผู้รับชมทางทีวีหรือเคเบิลแบบเดิม ๆ ซึ่งผู้โฆษณาต้องจ่ายเงินมากกว่าหากต้องการลงโฆษณาในบริการ Streaming เหล่านี้

เมื่อ Nielsen ชิง Disrupt ธุรกิจตัวเองก่อน

Nielsen ได้วัดสิ่งที่คนอเมริกันมากกว่า 300 คนดูทางทีวีโดยการสำรวจความคิดเห็นจากกลุ่มตัวอย่างเพียงแค่ 41,000 ครัวเรือน ซึ่งการกระจายกลุ่มของผู้ชมที่เริ่มกว้างขึ้นจากการเกิดขึ้นของบริการ Streaming ทำให้ Nielsen ต้องมีการปรับเปลี่ยนครั้งสำคัญ

Nielsen กล่าวว่า “ขนาดกลุ่มตัวอย่างของเราที่สามารถวัดได้มีขนาดเล็กเกินไป”

Kenny เชื่อว่าทางออกที่ดีที่สุดคือการ Disrupt ตัวเอง และวิธีหนึ่งที่ช่วยให้ผู้ลงโฆษณาเข้าถึงผู้ชมทั้งหมดที่เหมาะสมได้ คือการรวบรวมข้อมูลขนาดใหญ่เข้ากับข้อมูลเชิงลึกครัวเรือนรายครัวเรือนอย่างใกล้ชิด สร้างเป็น Big Data ขนาดใหญ่แล้วนำมาประมวลผลด้วยเทคโนโลยี AI

David Kenny CEO ของ Nielsen ที่ลุกขึ้นมาเปลี่ยนแปลงครั้งใหญ่ให้กับบริษัท (CR:Nexttv)
David Kenny CEO ของ Nielsen ที่ลุกขึ้นมาเปลี่ยนแปลงครั้งใหญ่ให้กับบริษัท (CR:Nexttv)

Nielsen ได้เพิ่มฐานข้อมูลด้วยข้อมูลจากสามแหล่งหลัก อย่างแรกคือจำนวนผู้ชมจากบริการเคเบิลทีวีและดาวเทียม จากผู้ให้บริการเคเบิล เช่น Comcast และ Charter และบริการทีวีดาวเทียม DirectTV และ Dish

ข้อมูลส่วนที่สองมาจากสมาร์ททีวี ซึ่งผู้ผลิตฮาร์ดแวร์เช่น Vizio , LG และ Samsung รวมถึง Roku ที่มีระบบปฏิบัติการในตัว ใช้เทคโนโลยี ACR เพื่อกำหนดว่ารายการใดแสดงโฆษณาใด และผู้ชมกำลังดูสิ่งใดอยู่ แหล่งที่สามคือตัวเลขจากเจ้าของแอป Streaming เช่น Roku , Tubi และ Youtube

ทั้งหมดนี้ Nielsen กรองข้อมูลจากกล่องรับสัญญาณและสมาร์ททีวี 100 ล้านเครื่อง และ Nielsen ได้สร้างแบบจำลองคอมพิวเตอร์ที่ปรับใช้เทคโนโลยีทางด้าน AI และ Machine Learning เพื่อเรียนรู้ว่าผู้ชมอาศัยอยู่ที่ใดโดยการซื้อข้อมูลที่อยู่จากผู้ให้บริการเคเบิลและบริการ Streaming

Nielsen ยังซื้อข้อมูลการตลาดจากแหล่งต่าง ๆ ตั้งแต่ผู้จัดพิมพ์นิตยสารไปจนถึงผู้ให้บริการด้านสุขภาพ เพื่อช่วยประเมินว่าชุดข้อมูลของผู้ชมประกอบด้วยผู้หญิงที่เพิ่งแต่งงานใหม่หรือเจ้าของบ้านที่สูงอายุมากเพียงใด

ข้อมูลทั้งหมดนั้นทำงานผ่านอัลกอริธึมที่มีความซับซ้อน ช่วยให้ Nielsen แนะนำผู้โฆษณาเกี่ยวกับวิธีที่ดีที่สุดในการเข้าถึงผู้ชมที่พวกเขาต้องการ

ซึ่งโมเดลนี้ทำหน้าที่สำคัญสองประการ อย่างแรก Machine Learning จะเรียนรู้จากข้อมูลใหม่เพื่อคาดการณ์การเปลี่ยนแปลงพฤติกรรมการรับชมได้อย่างแม่นยำ

ตัวอย่างเทรนด์ล่าสุดที่ Nielsen พบก็คือ ครอบครัวที่ดูกีฬาสดในตอนเย็นจะ Stream Hulu หรือ Youtube มากขึ้นในตอนบ่ายก่อนที่จะเปลี่ยนไปเล่นเกมทางเคเบิลทีวี

แบบจำลองของ Nielsen สามารถคาดการณ์ได้ว่าแนวโน้มดังกล่าวจะเกิดขึ้นเมื่อใด โดยแนะนำให้ผู้ซื้อโฆษณา ซื้อเวลาในบริการ Streaming ก่อนงานใหญ่ ๆ ที่จะเกิดขึ้น

ส่วนที่สอง ข้อมูลขนาดใหญ่เหล่านี้อาจไม่ได้บอกว่าใครที่กำลังดูอยู่ที่บ้านที่อาจะเป็น พ่อ แม่ ปู่ ย่า ลูก หลาน ซึ่ง AI และ Machine Learning สามารถให้ความน่าจะเป็นที่ชัดเจนว่าใครเป็นผู้รับชมที่แท้จริงในเวลาที่กำหนด

ต้องบอกว่าการบูมขึ้นของบริการ Streaming และ ความล้มเหลวของ Nielsen นั้นทำให้คู่แข่งของพวกเขาแข็งแกร่งขึ้น ไม่ว่าจะเป็น Comscore , 605 , TVSquared และ VideoAmp

นั่นเองที่ทำให้ Nielsen ต้องมีการเร่งปรับตัวครั้งใหญ่ในครั้งนี้ ซึ่งสุดท้ายรูปแบบการนับผู้ชมแบบใหม่นี้ซึ่งครอบคลุมทั้งทีวีและ บริการ Streaming ได้กลายมาเป็นบริการที่มีชื่อว่า Nielsen ONE

โดย Nielsen จะมีอายุครบ 100 ปีเมื่อเปิดตัว Nielsen ONE ซึ่ง Kenny เดิมพันว่าความสามารถใหม่ของ Nielsen ในการวัดจำนวนผู้ชมแบบดิจิทัลของสื่อได้ดีกว่าใคร ๆ จะทำให้การครบรอบ 100 ปีไม่ใช่เพียงแค่การย้อนรำลึกถึงอดีตเพียงอย่างเดียวเท่านั้น แต่จะเป็นการเฉลิมฉลองการเกิดใหม่ของพวกเขาด้วยนั่นเองครับผม

References :
https://www.adweek.com/convergent-tv/nielsen-expands-nielsen-one-alpha/
https://fortune.com/2022/02/28/nielsen-ratings-streaming-advertising-david-kenny/
https://www.adexchanger.com/platforms/watch-out-nielsen-one-comscore-is-busily-building-a-unified-cross-platform-measurement-offering-of-its-own/
https://global.nielsen.com/news-center/2020/the-future-of-media-starts-with-nielsen-one/


DeepMind x Gato AI เมื่อโลกเรากำลังใกล้เข้าสู่ยุคปัญญาประดิษฐ์ในระดับเหนือมนุษย์

นักวิจัยด้านปัญญาประดิษฐ์กำลังสร้างแนวคิดว่าเราจะเห็นปัญญาประดิษฐ์ทั่วไป (Artificial general intelligence – AGI) ซึ่งเป็น AI ที่สามารถบรรลุทุกสิ่งที่มนุษย์สามารถทำได้และอาจหลายอย่างที่เราทำไม่ได้ในช่วงชีวิตของเรา

แต่ Dr. Nando de Freitas หัวหน้านักวิจัยของ Google DeepMind ได้ประกาศอย่างกล้าหาญว่า “เกมมันได้จบลงแล้ว ” ซึ่งเขาได้กล่าวว่า “เมื่อเราทำการขยายความสามารถของ AI เราก็เข้าใกล้ AGI ด้วยเช่นกัน”

“มันเกี่ยวกับการทำให้โมเดลเหล่านี้ใหญ่ขึ้น ปลอดภัยขึ้น มีประสิทธิภาพในการคำนวณ เร็วขึ้นในการสุ่มตัวอย่าง หน่วยความจำที่ชาญฉลาดขึ้น รูปแบบต่างๆ ที่มากขึ้น” de Freitas กล่าว

แม้ว่าเทคโนโลยีแมชชีนเลิร์นนิงจะก้าวหน้าอย่างน่าประทับใจในช่วงสองสามทศวรรษที่ผ่านมา แต่มีหลายคนเชื่อว่าไม่มีทางที่เราจะได้เห็นปัญญาประดิษฐ์ระดับมนุษย์ในช่วงชีวิตของเรา

แต่ปรากฏว่า de Freitas และ Ilya Sutskever หัวหน้านักวิทยาศาสตร์ของ OpenAI มองเห็นในสิ่งที่ตรงกันข้าม

DeepMind เพิ่งเปิดตัวงานวิจัยและเผยแพร่บล็อกโพสต์เกี่ยวกับระบบ AI รูปแบบใหม่ ระบบที่เรียกกันว่า ‘Gato’ สามารถทำงานต่างๆ ได้หลายร้อยแบบ ตั้งแต่การควบคุมแขนหุ่นยนต์ไปจนถึงการเขียนบทกวี

ซึ่งแน่นอนว่ามันง่ายที่จะสับสนระหว่าง Gato กับ AGI อย่างไรก็ตาม ความแตกต่างก็คือ สติปัญญาทั่วไปสามารถเรียนรู้ที่จะทำสิ่งใหม่โดยไม่ต้องฝึกอบรมล่วงหน้า ซึ่งถือว่าเป็นสุดยอด AI เหนือมนุษย์นั่นเอง

“ความสามารถของ Gato ในการทำงานหลายอย่างนั้นเหมือนกับวิดีโอเกมคอนโซลที่จัดเก็บเกมต่างๆ ได้ถึง 600 เกม มากกว่าที่จะเหมือนกับเกมที่คุณสามารถเล่นได้ 600 วิธีที่แตกต่างกัน มันไม่ใช่ AI ทั่วไป แต่เป็นโมเดลที่ได้รับการฝึกฝนมาล่วงหน้าจำนวนหนึ่งซึ่งมารวมกันอย่างเป็นระเบียบ” de Freitas กล่าว

AGI สำเร็จแล้วจริงหรือ?

ต้องบอกว่าเป็นเรื่องน่าสนใจกับโมเดลใหม่ ๆ ของ AI ไม่ว่าจะเป็น ทั้ง Gato, DALL-E และ GPT-3 ซึ่งเทคโนโลยีเหล่านี้ สิ่งที่ DeepMind, OpenAI และแล็บต่างๆ ที่คล้ายกันกำลังทำอยู่นั้นสำคัญมาก เป็นวิทยาศาสตร์ที่ล้ำสมัยที่กำลังจะเปลี่ยนโลกแบบที่ไม่เคยปรากฎมาก่อน

Marcus นักวิทยาศาสตร์ นักเขียน และผู้ก่อตั้งและ CEO ของ Robust.AI ที่มีชื่อเสียงระดับโลก ได้ใช้เวลาหลายปีที่ผ่านมาในการสนับสนุนแนวทางใหม่ของ AGI เขาเชื่อว่าทั้งสายงานจำเป็นต้องเปลี่ยนวิธีการหลักเพื่อสร้าง AGI และเขียนหนังสือขายดีชื่อ “Rebooting AI” ร่วมกับ Ernest Davis

เขากำลังถกเถียงและหารือเกี่ยวกับแนวคิดของเขากับทุกคนตั้งแต่ Yann LeCun ของ Facebook ไปจนถึง Yoshua Bengio จาก University of Montreal

เขาได้โต้แย้ง de Freitas ว่า “คุณไม่สามารถทำให้แบบจำลองใหญ่ขึ้นและหวังว่าจะประสบความสำเร็จ มีงานวิจัยที่ได้ทำการปรับ scale เป็นจำนวนมากในช่วงที่ผ่านมา และประสบความสำเร็จอย่างมาก แต่ก็ประสบปัญหาบางอย่างเช่นกัน”

โดยพื้นฐานแล้ว Marcus ดูเหมือนจะโต้เถียงว่าไม่ว่าระบบที่ยอดเยี่ยมและน่าทึ่งเพียงใดก็ตาม เช่น DALL-E ของ OpenAI (แบบจำลองที่สร้างรูปภาพตามสั่งจากคำอธิบาย) หรือ Gato ของ DeepMind ก็ยังเปราะบางอย่างไม่น่าเชื่อ

แต่เมื่อนักวิจัยของ DeepMind ประกาศว่า “เกมจบลงแล้ว” เขามองว่าจะทำให้เกิดวิสัยทัศน์ของอนาคตหรือในระยะสั้นที่ยังไม่สมเหตุสมผลเพียงพอ

เขามองว่า Gato นั้นยอดเยี่ยมอย่างเห็นได้ชัด และเขาก็ไม่ได้มองโลกในแง่ร้ายเกี่ยวกับ AGI เพราะ Gato ไม่ได้มีความฉลาดมากพอ และมีบางสิ่งที่ค่อนข้างตรงกันข้ามในความเป็นจริง

เขามองว่า AGI จะอยู่ไกลออกไปหลายสิบปี บางทีอาจเป็นเพราะ Gato, DALL-E และ GPT-3 พวกเขาแต่ละคนแสดงให้เห็นถึงความก้าวหน้าในความสามารถของเราในการสร้างความเปลี่ยนแปลงให้กับเทคโนโลยี AI

อนาคตของ AI ที่เหนือมนุษย์

ใครที่ได้ติดตามวงการ AI จะทราบว่าตอนนี้มันได้เริ่มพัฒนาไปอย่างมาก ซึ่งค่อนข้างน่าเสียดายที่ช่วงเวลานี้ที่กำลังจะเกิดการเปลี่ยนแปลงอย่างยิ่งใหญ่ในวงการ ถูกเทคโนโลยีอย่าง blockchain เข้ามาเบียดบังในหน้าสื่อไปมาก

โลกเรากำลังจะเข้าสู่จุดเปลี่ยนครั้งสำคัญ การสร้าง AGI ที่เรียนรู้บางสิ่งจากมนุษย์ และพวกมันจะสามารถให้เหตุผลและเข้าใจโลกทางกายภาพได้ดียิ่งขึ้น และพัฒนาไปสู่การได้มาซึ่งภาษาและแนวคิดที่ซับซ้อนที่มนุษย์ยากจะหยั่งถึง และนั่นจะกลายเป็น AI ที่สามารถบรรลุทุกสิ่งที่มนุษย์สามารถทำได้และอาจหลายอย่างที่เราทำไม่ได้ในช่วงชีวิตของเรานั่นเองครับผม

References :
https://thenextweb.com/news/deepmind-researcher-claims-new-gato-ai-could-lead-to-agi-says-game-is-over
https://futurism.com/the-byte/google-deepmind-agi
https://www.independent.co.uk/tech/ai-deepmind-artificial-general-intelligence-b2080740.html

AI ทำนายรัฐประหาร เมื่อนักวิทยาศาสตร์พัฒนาอัลกอริทึมเพื่อทำนายความพยายามรัฐประหารครั้งต่อไป

นักวิทยาศาสตร์ด้านข้อมูลที่ได้ทำการติดตามความรุนแรงทางการเมืองทั่วโลกกำลังพยายามปรับปรุงความพยายามของพวกเขาในการทำนายการจลาจลของอเมริกา แต่เทคโนโลยีเดียวกันนี้ก็สามารถนำมาใช้เพื่อทำนายจุดจบที่เลวร้ายอย่างการรัฐประหารได้เช่นกัน

มันเริ่มมาจากการคาดการณ์ความรุนแรงทางการเมืองในอเมริกา นับตั้งแต่ผู้สนับสนุนประธานาธิบดีโดนัลด์ ทรัมป์ ที่ออกจากตำแหน่งในขณะนั้น บุกโจมตีศาลาว่าการสหรัฐฯเมื่อวันที่ 6 มกราคม 2021 ในสิ่งที่หลายคนมองว่าเป็นความพยายามที่จะล้มล้างผลลัพธ์ของ การเลือกตั้งประธานาธิบดีปี 2020

เทคโนโลยี Machine Learning ที่อยู่เบื้องหลังการสร้างแบบจำลองการคาดการณ์ประเภทนี้มีอยู่แล้วมาระยะหนึ่งแล้ว แต่มักจะเน้นไปที่ประเทศต่างๆ เช่น ยูเครนหรือตุรกี ซึ่งความพยายามในการทำรัฐประหารและความไม่สงบทางการเมืองโดยทั่วไปที่อาจเป็นเรื่องธรรมดาของพวกเขา

โดยการผสมผสานข้อมูลทางประวัติศาสตร์กับข้อมูลทุกอย่างตั้งแต่สภาพอากาศที่ไม่เอื้ออำนวยไปจนถึงการเปลี่ยนแปลงทางเศรษฐกิจและแม้กระทั่งการหยุดชะงักของรูปแบบการขนส่งต่าง ๆ ภายในประเทศ

การสร้างแบบจำลองประเภทนี้อาศัยแนวคิดที่ว่าสัญญาณเตือนจะปรากฏขึ้น และหากอัลกอริธึมปัญญาประดิษฐ์สามารถเรียนรู้จากข้อมูลเก่าโดยใช้เทคโนโลยี Machine Learning อาจทำนายสิ่งเลวร้ายที่อาจเกิดขึ้นกับประเทศใด ๆ ได้

จนถึงตอนนี้ องค์กรไม่แสวงผลกำไร 2 แห่งอย่าง CoupCast แห่งมหาวิทยาลัย Central Florida และองค์กรไม่แสวงหาผลกำไร Armed Conflict Location & Event Data (ACLED) ได้ใช้เทคโนโลยีดังกล่าวนี้ โดยได้ออกคำเตือนครั้งล่าสุดในเดือนตุลาคม 2020 ว่า มีความเสี่ยงเพิ่มขึ้นจากการโจมตีอาคารของรัฐบาลกลาง

ดูเหมือนว่ารัฐบาลสหรัฐฯ จะสังเกตเห็นประโยชน์ของ AI ประเภทนี้ โดยกระทรวงกลาโหม, CIA และกระทรวงการต่างประเทศได้ใช้ AI เพื่อทำนายการเปลี่ยนแปลงทางการเมืองในต่างประเทศแล้ว 

อย่างไรก็ตาม กระทรวงความมั่นคงแห่งมาตุภูมิและเอฟบีไอ กลับไม่ได้ใช้ข้อมูลดังกล่าว ในขณะที่พวกเขาเป็นหน่วยงานที่สำคัญที่สุดสองแห่งที่ได้รับมอบหมายให้ดูแลการก่อการร้ายในประเทศ

โดยธรรมชาติ การสอดแนมทางการเมืองใดๆ ก็ตามที่รัฐบาลจับตามองจะทำให้เกิดข้อกังวลด้านจริยธรรม Jonathan Bellish ซึ่งทำหน้าที่เป็นผู้อำนวยการบริหารของกลุ่ม One Earth Future ซึ่งเป็นผู้นำคนเก่าของ CoupCast ได้กล่าวว่า เขากังวลว่าเครื่องมือประเภทนี้จะถูกนำมาใช้เพื่อปราบปรามการประท้วงอย่างสันติ 

โจนาธาน พาวเวลล์ ผู้ช่วยศาสตราจารย์ที่ทำงานในโครงการนี้ที่ UCF ในปัจจุบัน กล่าวว่าความเป็นไปได้ดังกล่าว “เป็นเรื่องที่น่ากังวลอย่างแท้จริงและน่ากลัวอย่างมากหากประชาชนต้องการที่จะประท้วงอย่างสันติวิธีจริง ๆ ”

และแน่นอน มีข้อเท็จจริงที่ว่า พฤติกรรมของมนุษย์ในขณะนี้ ไม่สามารถคาดเดาได้อย่างน่าเชื่อถือโดยคอมพิวเตอร์อีกต่อไป

โดยเฉพาะอย่างยิ่งเมื่อพิจารณาถึงข้อเท็จจริงที่ว่าการจลาจลเช่นการบุกโจมตีศาลากลางสหรัฐนั้นมักจะอยู่นอกขอบเขตของพฤติกรรมของชาวอเมริกันที่คาดเดาได้ ซึ่งมันไม่เคยเกิดขึ้ันมาก่อน

ในขณะที่การใช้แอปพลิเคชันสำหรับ AI เป็นเรื่องที่น่าสนใจที่สามารถคาดเดาได้ว่าจะมีการพยายามทำรัฐประหารครั้งต่อไปที่ไหนและเมื่อใด ไม่ว่าจะเป็นในประเทศที่มีอัตราความรุนแรงทางการเมืองสูงกว่าหรือในประเทศที่มีเสถียรภาพมากกว่า เช่น ในอเมริกาเหนือและยุโรป

ซึ่งน่าสนใจนะครับ ประเทศไทยเราก็เป็นหนึ่งในประเทศทีมีจำนวนครั้งในการรัฐประหารลำดับต้น ๆ และรูปแบบแพทเทิร์นที่นำไปสู่การรัฐประหาร ก็มีความน่าสนใจว่า AI จะสามารถเรียนรู้จากประวัติศาสตร์การเมืองของเราได้หรือไม่ หากสามารถทำนายได้จริง ๆ ก็ถือเป็นเรื่องน่าสนใจมาก ๆ เลยทีเดียวครับผม

References : https://www.washingtonpost.com/technology/2022/01/06/jan6-algorithms-prediction-violence
https://th.wikipedia.org/wiki/%E0%B8%A3%E0%B8%B1%E0%B8%90%E0%B8%9B%E0%B8%A3%E0%B8%B0%E0%B8%AB%E0%B8%B2%E0%B8%A3%E0%B9%83%E0%B8%99%E0%B8%9B%E0%B8%A3%E0%B8%B0%E0%B9%80%E0%B8%97%E0%B8%A8%E0%B9%84%E0%B8%97%E0%B8%A2_%E0%B8%9E.%E0%B8%A8._2557

แอปสุ่มชีวิต Max Hawkins กับการใช้อัลกอริธึมแบบสุ่มในการขับเคลื่อนทุกสิ่งทุกอย่างของชีวิต

ในทุกวันนี้อัลกอริทึมควบคุมประสบการณ์ต่างๆ ในชีวิตของเรามากกว่าที่เคย สิ่งที่เราดูบน Netflix สิ่งที่เราฟังบน Spotify สิ่งที่แนะนำให้เราบน Instagram ตัวเลือกทั้งหมดเหล่านี้อยู่ภายใต้ซอฟต์แวร์ที่ออกแบบมาเพื่อเรียนรู้พฤติกรรมของเราและป้อนสิ่งที่เราต้องการมากขึ้น 

แต่ถ้าอัลกอริทึมเหล่านั้นไม่สนใจสิ่งที่เราต้องการล่ะ ชีวิตจะเป็นอย่างไรถ้าเราไม่รู้จริงๆว่าจะเกิดอะไรขึ้นต่อไป? นั่นคือคำถามที่ Max Hawkins ตั้งใจจะตอบเมื่อไม่กี่ปีก่อน และนี่คือเรื่องราวของเขา

ชีวิตที่สมบูรณ์แบบ

เมื่อไม่กี่สัปดาห์ก่อน Max ใช้ชีวิตที่สมบูรณ์แบบ หลังจากสำเร็จการศึกษาจากมหาวิทยาลัย Carnegie Mellon เขาได้งานที่สมบูรณ์แบบในฐานะวิศวกรซอฟต์แวร์ที่ Google เขาอาศัยอยู่ในเมืองที่สมบูรณ์แบบอย่างซานฟรานซิสโก ซึ่งขึ้นชื่อในด้านสภาพอากาศที่ยอดเยี่ยมและผู้คนที่ดูสมบูรณ์แบบ

ทุกเช้า Max ตื่นขึ้นอย่างกระปรี้กระเปร่าในเวลา 07.00 น. แวะร้านกาแฟที่ชื่นชอบเพื่อไปรับกาแฟแก้วโปรด และปั่นจักรยานไปทำงานโดยใช้เส้นทางที่ปรับให้เหมาะสมที่สุดซึ่งใช้เวลา 15 นาที 37 วินาทีอย่างแม่นยำ ทุกอย่างในชีวิตของ Max เป็นไปตามที่เขาต้องการ

เขาไม่เข้าใจว่าทำไมถึงเป็นเช่นนี้ จนเขาได้อ่านบทความวิจัยเกี่ยวกับอัลกอริธึม Machine Learning หากคุณป้อนอัลกอริทึมของสถานที่ทั้งหมดที่คุณเคยไปในสัปดาห์ที่ผ่านมา อัลกอริทึมจะคาดการณ์ได้อย่างแม่นยำว่าคุณจะไปที่ไหนในวันรุ่งขึ้น

เมื่อ Max พิจารณาว่าจะเกิดอะไรขึ้นถ้าเขาป้อนรายละเอียดของตัวเอง เขาก็ตระหนักว่าการคาดเดาว่าวันหนึ่งเขาจะอยู่ที่ไหนนั้นง่ายเพียงใด อัลกอริธึมเหล่านี้อาจไม่จำเป็นด้วยซ้ำ ใครก็ตามที่สังเกตกิจวัตรของเขาเป็นเวลาหนึ่งสัปดาห์จะสามารถทำนายพฤติกรรมการใช้ชีวิตของเขาได้อยู่แล้ว

สร้างเครื่องจักรเพื่อเอาชนะเครื่องจักร

Max ได้ทำในสิ่งที่นักวิทยาศาสตร์คอมพิวเตอร์ส่วนใหญ่จะทำเมื่อเผชิญกับปัญหาที่ยากลำบาก เขาสร้างวิธีแก้ปัญหา เขาตัดสินใจว่าวิธีที่ดีที่สุดที่จะหลุดพ้นจากวัฏจักรที่เขาติดอยู่คือการทำให้ชีวิตของเขาคาดเดาไม่ได้แม้กระทั่งตัวเขาเองก็ไม่รู้ว่าจะเกิดอะไรขึ้นต่อไป

ขั้นตอนแรกในแผนของ Max คือแอปที่สุ่มชีวิตประจำวันของเขา ถ้าเขาบอกว่าอยากออกไปกินข้าว มันจะสุ่มเลือกรายชื่ออาหารใน Google แล้วสั่ง Uber แทนเขา แล้วส่งไปที่อพาร์ตเมนต์ของเขา

สิ่งสำคัญที่สุดคือ มันจะทำทั้งหมดนี้โดยไม่เกี่ยวกับความชอบของเขาที่จะเข้าไปยุ่งเกี่ยวกับการสุ่มเหล่านี้ เมื่อเพื่อนให้เขาเลือกที่ที่จะไปในเย็นวันนั้น Max ก็ใช้โอกาสนี้ทดสอบดู เขาเปิดแอปขึ้นมา และ Uber ก็มาถึงอพาร์ตเมนต์ของเขา และปล่อยให้พวกมันพาเขาออกไปกลางดึก

ไม่กี่นาทีหลังจากนั้น Max และเพื่อนของเขาพบว่าตัวเองกำลังขับรถผ่านส่วนหนึ่งของซานฟรานซิสโกซึ่งพวกเขาไม่เคยไปมาก่อน และเมื่อพวกเขามองดูสภาพแวดล้อมที่ไม่คุ้นเคย ก็เริ่มเกิดความสงสัยขึ้น บุคคลประเภทใดที่จะปล่อยให้ Uber พาพวกเขาไปยังจุดสุ่มในเมืองใหญ่? จะเกิดอะไรขึ้นถ้าสถานที่ที่พวกเขาจะไปไม่มีเนื้อวัวออร์แกนิกที่เลี้ยงด้วยหญ้าในท้องถิ่น

แต่ก่อนที่พวกเขาจะมีโอกาสตอบคำถามเหล่านี้ คนขับก็ประกาศว่าพวกเขามาถึงแล้ว เมื่อคนขับบอกเราว่าเราไปถึงที่หมายแล้ว เราคิดว่ามันต้องเป็นเรื่องตลกแน่ๆ เราปรากฏตัวขึ้นที่ด้านหน้าอาคารอิฐเรียบง่ายที่มีรั้วเหล็กดัดอยู่ด้านหน้า และป้ายที่เขียนว่า ศูนย์ฉุกเฉินจิตเวชของโรงพยาบาลซานฟรานซิสโก คอมพิวเตอร์ส่งผมไปที่โรงพยาบาลจิตเวชในท้องที่แบบงง ๆ

การผจญภัยในการใช้ชีวิตแบบสุ่ม

Max ก็ยังคงสนุกอยู่กับการผจญภัยครั้งใหม่ของเขาในการสุ่ม เขาขยายแอปเพื่อสุ่มสิ่งต่างๆ เช่น ตัดผมที่ไหนและซื้อของที่ไหน และฟังเพลงอะไรบน Spotify

แอปเพื่อสุ่มสิ่งต่างๆ ของชีวิต
แอปเพื่อสุ่มสิ่งต่างๆ ของชีวิต

เมื่อเขาเปลี่ยนไปทำงาน Freelance เขาปล่อยให้อัลกอริธึมสุ่มเลือกเมืองต่างๆ ทั่วโลกเพื่อให้เขาไปอาศัยอยู่ เขาเข้าสังคมด้วยการเข้าร่วมกิจกรรมบน Facebook แบบสุ่ม  เขายังได้ภาพสุ่มจากอินเทอร์เน็ตที่สักบนหน้าอกของเขา เป็นเวลากว่าสองปีแล้วที่ Max ได้ละทิ้งทุกแง่มุมของชีวิตประจำวันของเขาและหลงไหลในเครื่องจักรสุ่มตัวใหม่นี้

เขาได้ค้นพบสถานที่ต่างๆ และได้พบกับผู้คนที่เขาจะไม่มีวันได้พบด้วยการอยู่ใน Comfort Zone ของเขา การทำเช่นนี้ทำให้เขาได้รับประสบการณ์นับไม่ถ้วนที่เขาเคยพลาดไป ไม่ใช่เพราะเขาไม่เห็นคุณค่าของสิ่งที่พวกเขาเสนอ แต่เพราะมันไม่เคยเกิดขึ้นกับเขาเลยหรือแม้แต่จะให้เขาได้ลองเลยด้วยซ้ำ

ตัวเลือกที่มองไม่เห็น

เนื่องจากอัลกอริธึมการค้นหาและโซเชียลมีเดียควบคุมสิ่งที่เราเปิดเผยมากขึ้นเรื่อยๆ เราจึงพบว่าตัวเองอยู่ในสถานการณ์ที่คล้ายคลึงกัน 

Amazon รู้ดีว่าเราชอบหนังสือเล่มไหน YouTube รู้ว่าเราชอบวิดีโออะไร Facebook รู้ดีว่าใครคือเพื่อนของเรา เราโหวตเลือกตั้งอย่างไร และเกือบทุกอย่างที่เราใช้ชีวิตพวกมันรู้แทบจะทุกสิ่ง 

และในขณะที่ระบบเหล่านี้แพร่หลายมากขึ้น อีกนานไหมกว่าที่เราจะหยุดสังเกตเห็นว่ามีอะไรขาดหายไป? ตามที่ Eric Schmidt อดีต CEO ของ Google กล่าวว่าเป้าหมายสูงสุดของระบบเหล่านี้คือการทำงานให้เราจนเราแทบจะไม่ต้องคิดอีกเลย

“ผมคิดว่าคนส่วนใหญ่ไม่ต้องการให้ Google ตอบคำถามของพวกเขา พวกเขาต้องการให้ Google บอกพวกเขาว่าพวกเขาควรจะทำอะไรต่อไป”

ฆ่ากวาง

เขาเขียนโปรแกรมที่ทำการสแกนหนังสือ บล็อกโพสต์ และบทความวิกิพีเดียหลายพันเล่มเพื่อหาวลีคำกริยา เช่น “เธอไปสวนสาธารณะและ…” เพื่อตั้งค่าในโปรแกรมของเขา ด้วยเวลาเพียงเล็กน้อยและการประมวลผลทางไวยากรณ์ ก็สามารถก่อให้เกิดกลุ่มความคิดใหม่ ๆ ในจิตนาการที่แทบจะไร้ขีดจำกัด

แต่ก็ต้องบอกว่าส่วนใหญ่ไม่ได้มีประโยชน์มากนัก รายการเหล่านี้เต็มไปด้วยคำแนะนำที่คลุมเครือหรือเป็นนามธรรมเกินไป เช่น “ไปสวนสาธารณะแล้วคิดว่าตัวเองเป็นต้นไม้” หรือ “บรรลุเป้าหมายที่กำหนด” แต่อยู่มาวันหนึ่ง Max พิมพ์ไปยังโปรแกรมของเขา และเกิดสิ่งนี้ขึ้นมา : “ฆ่ากวาง”

การล่ากวางไม่ได้เป็นส่วนหนึ่งของชีวิตที่สมบูรณ์แบบของ Max ดังนั้นสัญชาตญาณแรกของเขาคือการทิ้งกระดาษแผ่นนั้นทิ้งและใช้ชีวิตต่อไป แต่แล้วเขาก็ถามตัวเองด้วยคำถามเดียวกันกับที่เขาเคยถามตั้งแต่การทดลองทั้งหมดเริ่มต้นขึ้น: “ทำไมนั่นไม่ใช่สิ่งที่ผมสามารถทำได้”

เมื่อเขาคิดถึงเรื่องนี้ เขาก็ตระหนักว่าไม่มีเหตุผลอะไรเลยที่เขาจะไม่ลองทำมัน ถึงแม้ว่าเขาจะรู้ว่าการทำเช่นนั้นต้องมีการฆ่าสัตว์นับไม่ถ้วน เขาอาจจะกินกวางด้วยซ้ำ เขาไม่มีปัญหากับปืนเป็นพิเศษ ไม่ใช่ความรู้สึกของเขาที่ว่าเขาไม่สามารถฆ่ากวางได้เพียงแค่ต้องการจำกัดตัวเองในวิถีชีวิตแบบเดิม ๆ ใช่หรือไม่

ดังนั้นเขาจึงตัดสินใจที่จะลอง แม้เขาจะกังวลใจ Max ก็ออกทริปล่าสัตว์กับเพื่อน แผนคือไปให้ถึงจุดที่เขามีกวางอยู่ในสายตา จากนั้นเขาก็ตัดสินใจว่าจะเหนี่ยวไกหรือไม่ (โชคดีสำหรับกวาง Max และเพื่อนของเขาไม่พบสิ่งใดเลยในการตามล่าพวกมัน)

เมื่อเราชินกับการทำตามคำสั่งแบบเดิม ๆ แล้ว ก็น่าตกใจว่าเราจะปล่อยให้ตัวเองถูกผลักไปนอกขอบเขต comfort zone ของเราได้ไกลแค่ไหน ซึ่งคำสั่งเหล่านั้นถูกควบคุมโดยอัลกอริธึมที่ซับซ้อนจนไม่มีใครรู้ว่าจะแนะนำอะไรต่อไป

ถามความต้องการของคุณ

พวกเราส่วนใหญ่ไม่เคยคิดที่จะตั้งคำถามถึงความชอบของเรา และด้วยเหตุนี้ การกระทำของเราจึงถูกชี้นำโดยพวกมัน (อัลกอริธึม) เกือบทั้งหมด 

ผู้ใช้ iPhone มากกว่า 90%วางแผนที่จะใช้ iPhone ของตนต่อไปเมื่อมีรุ่นใหม่ เช่นเดียวกับ 86% ของผู้ใช้โทรศัพท์ซัมซุง ผู้มีสิทธิเลือกตั้งสหรัฐกว่า 99% โหวตแบบเดียวกันทั้งในปี 2020 และปี 2016

ทำไมถึงเป็นเช่นนี้? คนเหล่านี้ตัดสินใจจริงหรือไม่ว่าตัวเลือกก่อนหน้านี้ยังคงเป็นตัวเลือกที่ดีที่สุดสำหรับพวกเขา? 

การวิจัยแสดงให้เห็นว่าบ่อยครั้งที่เราเพียงแค่ยึดติดกับตัวเลือกแรกที่เราพบเจอ จิตใต้สำนึกของเราจะทำให้เราเลือกตัวเลือกแบบเดิม และทำให้เราเชื่อว่าเราเลือกมันโดยเจตนา 

ไม่ว่าจะเป็นแนวคิดทางการเมืองเสรีนิยมหรืออนุรักษ์นิยม iPhone หรือ Android สิ่งที่เราชอบทำบนเตียง เราบอกตัวเองว่าเราได้เลือกความชอบเหล่านี้แล้ว ถึงแม้ว่าเราจะไม่เข้าใจจริงๆ ว่ามันมาจากไหน และในกระบวนการนี้ เราพลาดทุกสิ่งที่อยู่นอกขอบเขตเหล่านั้น นี่คือวิธีที่ Max นำเสนอใน TEDx Talk ของเขา:

ความชอบของผมทำให้ผมตาบอดจากความซับซ้อนของโลก การสร้างอัลกอริธึมแบบสุ่มในทุก ๆ อย่างของชีวิต ทำให้ผมมีความกล้าที่จะอยู่นอก comfort zone ของผม เพื่อค้นหาส่วนต่าง ๆ ของประสบการณ์ของมนุษย์ที่ผมมองข้ามไปเพราะคิดว่ามันต่างกันเกินไปหรือผมคิดไปเองว่า “มันไม่ใช่สำหรับผม”

การสร้างอัลกอริธึมแบบสุ่มในทุก ๆ อย่างของชีวิต ทำให้ผมมีความกล้าที่จะอยู่นอก comfort zone เขากล่าวใน TedX Talk (CR:Ted.com)

แต่ก็ต้องบอกว่าการทำตามคำแนะนำเหล่านี้ล้วนสมเหตุสมผล พวกมัน (อัลกอริธึม) ทำให้เราสบายใจและรู้สึกปลอดภัย แต่การทำตามพวกมันก็นำไปสู่การกีดกันทุกสิ่งทุกอย่างของประสบการณ์ใหม่ ๆ  เรื่องเซอร์ไพรส์ การผจญภัย สิ่งเหล่านี้คือสิ่งที่ทำให้ชีวิตมีความหมาย และเราหาได้เฉพาะการใช้ชีวิตแบบนอกเหนือชีวิตแบบธรรมดา ๆ เพียงเท่านั้น

ในขณะที่คอมพิวเตอร์อัลกอริธึม ทำให้ชีวิตเราแคบลงและยึดติดกับสิ่งเดิม ๆ  ตั้งแต่ดนตรีไปจนถึงการเมือง งานอดิเรก และวัฒนธรรม เราใช้เวลาส่วนใหญ่ไปกับการมองเห็นเพียงเสี้ยวหนึ่งของภาพรวมทั้งหมดที่ศักยภาพของเราจะไปถึง ไม่ได้หมายความว่าการมีความชอบส่วนตัวไม่ใช่เรื่องดี แต่การเตือนตัวเองว่าควรท้าทายพวกมันเป็นครั้งคราวก็ควรค่าแก่การใช้ชีวิตนั่นเองครับผม

References : https://www.ted.com/speakers/max_hawkins
https://onezero.medium.com/what-happens-when-a-computer-runs-your-life-4ba7ec152728
https://debugger.medium.com/this-computer-scientist-built-an-app-that-randomized-his-life-16c17cd44c2f
https://www.happyscribe.com/public/ted-talks-daily/i-let-algorithms-randomize-my-life-for-two-years-max-hawkins

จุดจบของ Watson Health กับความทะเยอทะยานที่ไม่สมดังหวังของ IBM

International Business Machines Corp (IBM) ได้ตกลงที่จะขายส่วนหนึ่งของธุรกิจ IBM Watson Health ให้กับบริษัทร่วมทุน Francisco Partners ซึ่งเป็นการลดความทะเยอทะยานที่ครั้งหนึ่งเคยยิ่งใหญ่ของบริษัทเทคโนโลยีในด้านการดูแลสุขภาพ  

มูลค่าของสินทรัพย์ที่จำหน่าย ซึ่งรวมถึงชุดข้อมูลและผลิตภัณฑ์ที่หลากหลาย รวมถึงซอฟต์แวร์ที่มีมูลค่ามากกว่า 1 พันล้านดอลลาร์ ตามรายงานของ Bloomberg

แต่ AI ควรจะเป็นอนาคตไม่ใช่หรือ? IBM ควรจะเก่งเรื่องนี้ไม่ใช่หรือ?

ต้องบอกว่าทุกอย่างของ Watson นั้นเริ่มต้นได้ดี ผลงานชุดแรกๆ ของ Watson คือค้นหาการวินิจฉัยที่น่าจะเป็นไปได้มากที่สุดจากความรู้สารานุกรมเกี่ยวกับโรคหายาก แต่ความท้าทายหลายอย่างได้กลายเป็นจุดจบของมัน ไม่ว่าจะเป็น ศพคอหัก รูกระสุน 15 รู และกลิ่นไซยาไนด์ที่แรง มันได้ทำให้เกิดคำถาม: ความล้มเหลวครั้งใหญ่ครั้งใดที่ทำให้ Watson ถึงจุดจบ

IBM Watson ได้กลายมาเป็นที่รู้จักมากที่สุดคือในปี 2011 เมื่อใช้เทคโนโลยี natural language processing และ capacious knowledge models เพื่อเอาชนะ Jeopardy ซึ่งเป็นเกมโชว์ทางทีวีของอเมริกา

IBM ใช้โอกาสดังกล่าวในการเปิดตัว Watson Health  ด้วยการวิเคราะห์แบบอัตโนมัติ บริษัทได้กล่าวว่า แพทย์สามารถวินิจฉัยได้แม่นยำยิ่งขึ้น รวดเร็วขึ้น และเสียค่าใช้จ่ายน้อยลง การรักษาจะตรงเป้าหมายมากขึ้นสำหรับผู้ป่วยจำนวนมากขึ้น การปฏิวัติด้านการดูแลสุขภาพกำลังจะเป็นจริง

IBM ได้รังสรรค์สำนักงานใหญ่แห่งใหม่ในแมนฮัตตัน ซึ่ง Watson สามารถแสดงความสามารถอันน่าทึ่งได้ พันธมิตร สถาบันและองค์กรธุรกิจชั้นนำลงทะเบียนเพื่อการพัฒนาร่วมกัน และความมหัศจรรย์ของการเปลี่ยนโฆษณาให้กลายเป็นความจริงได้เริ่มต้นขึ้น

ในปี 2019 IEEE Spectrum ซึ่งเป็นวารสารขององค์กรวิชาชีพด้านวิศวกรรมอิเล็กทรอนิกส์ของอเมริกา รายงานว่ามีการประกาศความร่วมมือประมาณ 50 รายนับตั้งแต่เปิดตัวระหว่าง IBM Watson และองค์กรด้านการดูแลสุขภาพทั่วโลก

โดยระบุรายชื่อองค์กรที่มีชื่อเสียงสูงสุด 20 แห่ง โดยมีหน่วยงานชื่อดังมากมาย เช่น Mayo Clinic องค์กรระดับชาติของอเมริกาในด้านโรคมะเร็ง โรคหัวใจและการวิจัยด้านเนื้องอกวิทยา ตลอดจนโรงพยาบาลและบริษัทต่างๆ มากมาย 

แต่เมื่อมีการเผยแพร่การทดลองทางคลินิก Watson กลับล้มเหลวทุกครั้ง มันไม่สำคัญหรอกว่ามันจะอยู่ในสาขาไหน มันทำคะแนนได้น้อยกว่าแพทย์ที่เป็นมนุษย์อยู่สม่ำเสมอ บางครั้งความแม่นยำต่ำกว่า 50 เปอร์เซ็นต์เลยด้วยซ้ำ และแสดงให้เห็นถึงจุดบอดที่น่าตกใจในการรักษา ผู้เชี่ยวชาญทางการแพทย์กังวลว่า AI จะไม่ได้ช่วยเหลือพวกเขาได้อย่างแท้จริง

แน่นอนว่า AI สามารถเรียนรู้กฎของ Jeopardy ได้ในไม่กี่นาที แต่การจะเป็นหมอต้องใช้เวลาเป็น 10 ปี Watson Health ไม่สามารถทำงานได้ในหลายสาขาพร้อมกัน ที่ต้องการความฉลาดทั่วไปที่ AI ยังไม่มีในปัจจุบัน จำเป็นต้องพัฒนาจากพื้นฐานกับผู้เชี่ยวชาญในแต่ละด้าน เพื่อให้พวกเขาสามารถกำหนดกฎเกณฑ์ วิธีการทำงาน ที่มีประสิทธิภาพวงการแพทย์ได้ 

IBM พยายามหลีกเลี่ยงโดยการซื้อบริษัทอื่นที่มีผลิตภัณฑ์ทางการแพทย์ AI ที่ประสบความสำเร็จ เพื่อดูดเอาความสามารถของพวกเขา ซึ่งบริษัทเล็ก ๆ เหล่านี้สามารถประสบความสำเร็จได้ด้วยตัวเองเมื่อเป็นการแข่งขันขนาดเล็ก และมีความคล่องตัวสูง แต่ไม่สามารถเติบโตได้เมื่อผนวกเข้ากับระบบการตลาดที่นำโดย Watson 

Watson Health ของ IBM ล้มเหลว เช่นเดียวกับเทคโนโลยี Machine Learning หลายๆ อย่าง มันต่างจากเกม Jeopardy ที่เกมดังกล่าวเป็นการสร้างคำถามจากชุดข้อมูล แต่การดูแลสุขภาพ การวินิจฉัย และการรักษาที่มีทักษะสูงสุดเป็นไปโดยอัตโนมัติโดยแพทย์ผู้เชี่ยวชาญ ซึ่งปัญหาไม่ได้อยู่ที่การรับข้อมูลมากที่สุดและการมีอัลกอริทึมที่ดีที่สุดแต่อย่างใด 

ต่างจากเกม Jeopardy ที่เกมดังกล่าวเป็นการสร้างคำถามจากชุดข้อมูล (CR:Huffpost)
ต่างจากเกม Jeopardy ที่เกมดังกล่าวเป็นการสร้างคำถามจากชุดข้อมูล (CR:Huffpost)

แพทย์ที่ดีจะพบกับผู้ป่วยคอยซักถามอาการ Watson ขาดความสามารถในส่วนนี้ ไม่เห็นภาพรวมของกระบวนการของการรักษา ซึ่งการทำงานของแพทย์ ไม่ใช่เพียงแค่การรับอินพุทข้อมูลเท่านั้น แต่มีกระบวนการอีกมากมายที่ใช้ในการรักษาผู้ป่วย

IBM เปิดตัว Watson Health ในปี 2015 โดยมีจุดประสงค์เพื่อใช้แพลตฟอร์มปัญญาประดิษฐ์หลักเพื่อช่วยให้ผู้ให้บริการด้านสุขภาพวิเคราะห์ข้อมูลจำนวนมากและปฏิวัติการรักษามะเร็ง แต่ในท้ายที่สุดความทะเยอทะยานของบริษัทก็ไม่สมหวัง ลูกค้าบางรายบ่นว่าผลิตภัณฑ์ของบริษัทไม่ตรงกับโฆษณา

ในปี 2012 แพทย์ที่ศูนย์มะเร็ง Memorial Sloan Kettering ที่ได้ร่วมมือกับ IBM ฝึกอบรม Watson เพื่อวินิจฉัยและรักษาผู้ป่วย แต่ตามเอกสารของ IBM ซูเปอร์คอมพิวเตอร์มักให้คำแนะนำที่ไม่ดี เช่น แนะนำให้ผู้ป่วยมะเร็งที่มีเลือดออกรุนแรงได้รับยาที่อาจทำให้อาการเลือดออกแย่ลง 

บทสรุปที่เกิดขึ้นกับ Watson Health ไม่ได้หมายความว่าเครื่องมือที่ใช้ AI ไม่สามารถใช้งานได้ในทางการแพทย์  Watson Health ใช้เวลาหลายปีกว่าจะถึงจุดจบ แต่ก็ได้ช่วยเหลือวงการแพทย์ในหลาย ๆ เรื่องเช่นเดียวกัน

แต่หลังจากใช้งบประมาณไป 4 พันล้านดอลลาร์ในการซื้อกิจการรวมถึงการวิจัยและพัฒนา Watson เองยังไม่สามารถสร้างก้าวหน้าแบบที่ IBM คิดไว้ในตอนแรกและธุรกิจนี้ก็ไม่สามารถทำกำไรได้ ปีที่แล้ว Wall Street Journal รายงานว่าธุรกิจดังกล่าวของ IBM สร้างรายได้ประมาณ 1 พันล้านดอลลาร์เพียงเท่านั้น

การตัดสินใจเลิกธุรกิจนี้ถูกมองว่าเป็นหนทางที่จะช่วยให้ Arvind Krishna ประธานเจ้าหน้าที่บริหารซึ่งได้รับแต่งตั้งใหม่ในขณะนั้นมุ่งเน้นไปที่การดำเนินการคลาวด์คอมพิวติ้งที่เติบโตเร็วขึ้น สิ่งเป็นสิ่งที่ IBM มีความถนัดมากกว่านั่นเองครับผม 

References : https://www.theregister.com/2022/01/31/machine_learning_the_hard_way
https://www.bloomberg.com/news/articles/2022-01-21/ibm-is-said-to-near-sale-of-watson-health-to-francisco-partners
https://missthinkup.com/watsons-fatal-misdiagnosis-the-register/
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6433269/
https://www.theverge.com/2018/7/26/17619382/ibms-watson-cancer-ai-healthcare-science