หูของเอไอ (1)

ชัย วุฒิวิวัฒน์ชัยผู้อำนวยการหน่วยวิจัยวิทยาการสื่อสารของมนุษย์และคอมพิวเตอร์ (HCCRU) หรือ เนคเทค

เอไอคือส่วนประกอบสำคัญที่ทำให้เครื่องจักรทำงานได้เฉกเช่นมนุษย์ นักวิจัยทุ่มเทสรรพกำลังจนมาถึงปัจจุบันมีเอไอหลายตัวที่สามารถนำมาใช้ได้จริง วันนี้ผมอยากพูดถึงตัวแรกคือ "หูของเอไอ" ในที่นี้หมายถึงเทคโนโลยีที่เรียกว่า ระบบรู้จำเสียงพูด (Speech Recognition) หรือระบบแปลงเสียงพูดเป็นข้อความ (Speech-to-text)

คอมพิวเตอร์ในยุคที่ผ่านมารับคำสั่งของมนุษย์ด้วยปุ่มกด ในขณะที่นักวิจัยพยายามพัฒนาให้คอมพิวเตอร์รับคำสั่งด้วยเสียงพูดมาตั้งแต่เกือบ 40 ปีก่อน นำโดยบริษัท ไอบีเอ็ม จนในช่วง 10 ปีที่ผ่านมา เมื่อมนุษย์เข้าสู่ยุคสมาร์ทโฟน อุปกรณ์ติดตัวที่มีพลังคำนวณสูงเชื่อมต่ออินเทอร์เน็ตส่งข้อมูลไปยังเครื่องแม่ข่ายได้อย่างรวดเร็ว ประกอบกับราวปี 2549 ได้เกิดเครื่องมือเรียนรู้ (Machine Learning) ที่เรียกว่านิวรอลเน็ตเวิร์กแบบลึก พร้อมทั้งการมาของเครื่องคำนวณระดับกราฟฟิก ทำให้นักวิจัยสามารถสร้างระบบที่รู้จักคำศัพท์จำนวนมหาศาล ให้ความถูกต้องสูง ซ้ำยังสามารถประกอบระบบลงเครื่องแม่ข่ายให้บริการผ่านอินเทอร์เน็ตไปยังสมาร์ทโฟนบนมือเราๆ ท่านๆ กลายเป็น 10 ปีทองของเทคโนโลยีแปลงเสียงพูดเป็นข้อความ

การทำงานของระบบแปลงเสียงพูดนั้น หลังจากกดปุ่มบันทึกบนสมาร์ทโฟนเสียงที่เราพูดจะถูกบันทึกอยู่ตลอดเวลา แต่ระบบจะตัดสัญญาณเสียงเป็นท่อนๆ อัตโนมัติเมื่อเราหยุดพูด แล้วจัดการ ส่งสัญญาณเสียงแต่ละท่อนผ่านอินเทอร์เน็ตไปยังเครื่องแม่ข่าย ที่เครื่องแม่ข่ายมีการเตรียมโครงข่ายคำ (Word Network) ที่ประกอบด้วยคำต่อๆ กันทุกเส้นทางที่เป็นไปได้เอาไว้ แต่ละคำก็ได้รับการฝึกฝนด้วยเสียงต้นแบบเอาไว้ เมื่อเครื่องแม่ข่ายได้รับสัญญาณเสียงก็จะส่งเข้าไปเปรียบเทียบกับเสียงต้นแบบในทุกๆ เส้นทางในโครงข่ายคำและเลือกเส้นทางที่มีค่าความน่าจะเป็นสูงที่สุดเป็นคำตอบ

ข้อจำกัดของระบบประเภทนี้ มีดังนี้ครับ

1) สัญญาณรบกวน (Noise) เป็นส่วนสำคัญยิ่งที่ทำให้ระบบตัดสัญญาณได้ผิดๆ ถูกๆ ทั้งยังทำให้สัญญาณเสียงอินพุตแตกต่างจากสัญญาณเสียงต้นแบบ เมื่อคำนวณค่าความน่าจะเป็นก็จะผิดๆ ถูกๆ อีกเช่นกัน

2) จำนวนคำศัพท์ (Vocabulary) ที่ระบบจะต้องรู้จักเพื่อสามารถถอดความเนื้อหาใดๆ ได้นั้น มีจำนวนมหาศาล ทำให้ระบบไม่มีทางที่จะตอบได้ถูกต้อง 100% ยิ่งถ้าพูดไทยปนอังกฤษก็ยิ่งจะได้เจอกับคำศัพท์ใหม่ๆ ที่ระบบไม่รู้จักอีกมาก ขนาดของโครงข่ายคำก็จะยิ่งโตขึ้นแบบทวีคูณเมื่อคำศัพท์จำนวนมากขึ้นจนต้องใช้เครื่องแม่ข่ายขนาดใหญ่มาก ในการเก็บและคำนวณ

3) สำเนียง (Dialect) รวมถึงสไตล์การพูดที่แตกต่างกันออกไป เสียงต้นแบบที่ระบบได้เรียนรู้นั้นอาจมาจากคนจำนวนมากที่พูดสำเนียงกลาง เมื่อระบบไปเจอเสียงอินพุตแบบชาวเหนือ ใต้ หรืออีสาน ไปเจอกับอังกฤษแบบสิงคโปร์ หรือออสเตรเลีย ผลลัพธ์ก็ผิดกระจาย

ด้วยปัจจัยเบื้องต้นที่ผมกล่าวมานี้ ความถูกต้องของระบบแปลงเสียงพูดเป็นข้อความถึงระดับไหนแล้ว จึงเป็นคำถามที่ตอบได้ยากมาก ทางที่ดีที่สุดสำหรับพวกเราหรือสำหรับนักธุรกิจซอฟต์แวร์ที่สนใจจะใช้ระบบ คือใช้ แล้วประเมินด้วยตัวเองครับ ครั้งหน้าผมจะมาคุยต่อแบบเน้นๆ สำหรับความก้าวหน้าของระบบสำหรับภาษาไทยครับ n