AI สามารถเสพย์งานศิลป์ได้หรือไม่ เป็นคำถามเพราะว่าความทึ่งที่เทคโนโลยี AI ได้ถูกนำมาประยุกต์ใช้ในหลากหลายอุตสาหกรรม แม้กระทั่งงานบันเทิง ทำให้สงสัยว่าในอนาคตมันจะเรียนรู้ และซาบซึ้งในเรื่องรสนิยม หรือ ความชื่นชอบในศิลปะ ได้อย่างมนุษย์หรือไม่?
หลายๆคนน่าจะเคยสัมผัสความสามารถของ AI ในเชิงศิลปะหรืองานบันเทิงมาบ้างแล้ว เช่น การแนะนำเพลงของ Spotify การแนะนำภาพยนต์ของ Netflix เป็นต้น
การเรียนรู้ของเครื่องจักรเกี่ยวกับศิลปะ รสชาติ และรสนิยม
ในช่วงหลายปีมานี้ เทคโนโลยี AI มีความสามารถในการแนะนำ ตอบสนองต่อผู้ใช้ได้ดีขึ้นอย่างมาก สามารถเข้าใจความต้องการของผู้ใช้ได้ถูกต้องมากขึ้น เช่น เครื่องมือที่ใช้ในการแนะนำผลิตหรือสินค้าให้กับผู้ใช้ ราวกับว่าเครื่องมือเหล่านี้มันสามารถรู้รสนิยมของผู้ใช้ได้ ไม่ว่าจะเป็นเพลงที่ชอบ แฟชั่นที่ชอบ และภาพยนต์ที่ผู้ใช้นิยมดู
วิธีการของ Netflix ที่แนะนำภาพยนต์ให้กับผู้ใช้ และวิธีการของ Amazon ที่แนะนำสินค้าให้กับลูกค้า ซึ่งมันทำได้ราวกับว่ามันเข้าใจในรสนิยมของมนุษย์ แต่เปล่าเลย มันเพียงแต่ค้นหารูปแบบความชอบและรสนิยมของผู้ใช้ที่ถูกบันทึกไว้ในระบบข้อมูลขนาดใหญ่ในเชิงปริมาณ รูปแบบหรือตัวอย่างความชอบและรสนิยมเหล่านั้นของสามารถปรับให้เข้าได้กับความชื่นชอบของมนุษย์ได้อย่างเหลือเชื่อ เช่น การแนะนำภาพยนต์ หรือ แนะนำเพลง
หลายๆคนมีความเชื่อว่าในที่สุด เทคโนโลยี AI ก็จะสามารถชื่นชมรสชาติของไวน์หรืออาหารได้ ชื่นชมงานศิลปะได้ ในความเป็นจริงแล้วเครื่องจักรไม่ได้มีความซาบซึ้งว่า อะไรดี หรืออะไรไม่ดี อย่างเช่นมนุษย์ และไม่สามารถซาบซึ้งได้โดยปราศจากการช่วยเหลือหรือตัดสินใจโดยมนุษย์
ตัวอย่างของการเรียนรู้เกี่ยวกับศิลปะและรสนิยมของเทคโนโลยี AI
AI เข้าใจในรสนิยมทางดนตรีได้อย่างไร
ตัวอย่างที่ดีในการเรียนรู้ในด้านรสนิยมในการฟังดนตรีของ AI คือ Spotify รายได้ในอุตสาหกรรมเพลงของสหรัฐอเมริกา มาจากการเป็นสมาชิกสตรีมมิ่งแพลทฟอร์ม เช่น spotify โดยแพลทฟอร์มพวกนี้ใช้ AI ในการเรียนรู้รสนิยมเพื่อแนะนำเพลงให้ตรงกันกับสมาชิกหรือผู้เข้าเยี่ยมชม
AI เป็นอีกหนึ่งเครื่องมือที่ทำให้ Spotify ประสบความสำเร็จในการขายเพลง ด้วยการที่พวกเขาทุ่มเท กำลังแรงใจในการปรับแต่ง AI ให้มีความสามารถระบุประเภทของเพลงที่ผู้ใช้มีแนวโน้มที่จะชื่นชอบ ด้วยการใช้ประวัติการเข้าชมของผู้ใช้ และผู้ใช้รายอื่นหลายพันคนที่มีลักษณะข้อมูลประชากรคล้ายๆกัน Spotify มีฐานข้อมูลจากสมาชิกหลายล้านคนที่ใช้สำหรับการเรียนรู้เพื่อแนะนำรสนิยมให้กับผู้ใช้คนหนึ่ง ซึ่งข้อมูลเหล่านี้เป็นข้อมูลเชิงปริมาณ เกี่ยวกับผู้ที่ฟังเพลงบางเพลง และมีแนวโน้มว่าจะฟังเพลงอื่นๆ ซึ่ง AI จะตีความหมายว่า ชอบ หรือ รสนิยม เครื่องมือจะบันทึกระยะเวลาที่ผู้ใช้ฟังทั้งเพลง ฟังบางส่วน หยุดชั่วคราว เล่นซ้ำ และความถี่ในการเข้าฟัง และรวบรวมข้อมูลเหล่านี้เพื่อบันทึกเป็นความชื่นชอบ ใช้ในการจัดอันดับเพลง จัดเพลย์ลิสต์ และยังใช้ในการทำนายว่าผู้ฟังจะชื่นชอบเพลงใดในอันดับต่อไป Spotify ยังบันทึกเมื่อผู้ใช้รายใดปฏิเสธคำแนะนำเฉพาะเพื่อปรับแต่งคำแนะนำในอนาคต
ตัวอย่างเช่น เมื่อผู้ฟังเข้ามาใช้ spotify ครั้งแรกหรือครั้งสองครั้ง และเลือกฟังเพลงของ ครูสลา AI ยังไม่มีข้อมูลของผู้ใช้ใหม่รายนี้ แต่ AI มีข้อมูลของผู้ใช้คนอื่นๆที่ชื่นชอบเพลงของครูสลา ซึ่ง AI จะใช้ฐานข้อมูลนี้เป็นตัวเรียนรู้และแนะนำให้ผู้ใช้รายใหม่นี้ คล้ายกับในฐานข้อมูลที่ลักษณะประชากรคล้ายๆกัน เมื่อผู้ใช้ใหม่รายนี้ฟังและเข้าใช้บ่อยๆ AI ก็จะปรับฐานข้อมูลของผู้ใช้เพื่อใช้ในการแนะนำครั้งต่อๆไป
หัวใจสำคัญสำหรับการเรียนรู้ของ AI คือ ความเข้าใจ ซึ่งมาจากความพร้อมของข้อมูลจำนวนมากที่ใช้สำหรับการเรียนรู้อยู่เบื้องหลังการแนะนำเพลง AI ไม่ได้อนุมานหรือสมมติประเภทของเพลงที่น่าจะตกอยู่ในรสนิยมของผู้ใช้อย่างแท้จริง แต่มันใช้ข้อมูลที่ได้รับจากผู้ใช้ที่ตอบสนองต่อเพลงและมีพฤติกรรมที่ใช้ตัดสินใจ วิธีการของ “ความเข้าใจ” นั้นเกี่ยวกับความน่าจะเป็นและการประเมินพร็อกซี่ต่างๆสำหรับการ “ ชอบ” เพลงจากผู้ใช้หลายล้านคน
อีกอย่างหนึ่งที่มีความสำคัญก็คือความสามารถของอัลกอริทึมที่ประกอบเป็นโมเดลการเรียนรู้ของเครื่องจักรเพื่อประมวลผลข้อมูลนี้มีบทบาทสำคัญในการสร้างแบบจำลองในการทำนายและให้คำแนะนำ
AI เข้าใจรสนิยมของไวน์ได้หรือไม่
เมื่อ AI สามารถเรียนรู้รสนิยมของการฟังดนตรีของผู้คน แล้วมันสามารถเข้าใจรสนิยมการดื่มไวน์ของผู้คนได้หรือไม่ สมมุติฐานว่าใช้กระบวนการเดียวกับที่เครื่องเรียนรู้วิธีการระบุรสนิยมของผู้ใช้ในเพลง และนำไปใช้กับรสนิยมของผู้ใช้ในการดื่มไวน์ อย่างไรก็ตามเพลงตัวอย่างจะไม่เหมือนกับไวน์ตัวอย่าง พวกเขาเกี่ยวข้องกับประสาทสัมผัสทั้งสองที่แตกต่างกันและรสชาติของไวน์ไม่สามารถทำให้กลายเป็นดิจิทัลได้
สำหรับการฟังดนตรีเมื่อผู้ใช้คลิกที่เพลง ผู้ใช้สามารถสัมผัสได้ถึงเพลงที่เป็นข้อมูลดิจิทัลได้ทันที และสามารถตอบสนองได้แบบดิจิทัล เช่น การฟังเพลงจนจบ หรือฟังเพียงครึ่งเดียว หรือกดข้ามไป สิ่งเหล่านี้สามารบันทึกและนำไปประมวลผลแบบดิจิทัลได้
ส่วนไวน์หรืออาหารนั้น เป็นเรื่องยากที่จะทำให้เครื่องจักรตัดสินใจได้ว่า ผู้ใช้นิยมชมชอบ รสชาติ กลิ่น สัมผัส เพราะลิ้นไม่สามารถสัมผัสและรับรู้ระบบดิจิทัลได้เหมือนหูฟัง การมีส่วนร่วม เพื่อการรวบรวมข้อมูลสำหรับไวน์เกิดขึ้นในโลกทางกายภาพซึ่งไม่สามารถใช้ได้ทันทีกับโมเดลการเรียนรู้ของเครื่องที่มีอยู่ทั้งหมดในพื้นที่ดิจิตอล
ถ้ามีใครสักคนที่ต้องการให้ AI เรียนรู้รสนิยมและแนะนำไวน์สำหรับลูกค้าได้แล้วละก็จะต้องแปลงข้อมูลไวน์ให้เป็นสัญญานดิจิทัล แล้วผู้ใช้หละจะตอบสนองทางดิจิทัลได้อย่างไร
รูปแบบการรับรู้รสชาติของเครื่องจักรนั้นไม่เหมือนมนุษย์ กล่าวได้ว่ามันไม่มีความสามารถในการรับรู้รสชาติ ดังนั้นจึงเป็นเรื่องยากที่จะตรวจสอบการตั้งค่าหรือรสนิยม ของผู้ใช้สำหรับไวน์ มันสามารถกำหนดค่าให้กับคุณลักษณะเฉพาะของไวน์ตามองค์ประกอบทางเคมีและค่าการรับรู้ของแต่ละลักษณะที่ทำให้ไวน์ “ดี” ตามที่มนุษย์กำหนด เช่น สี องค์ประกอบทางเคมี ความหนืด ค่าความเป็นกรด ด่าง กลิ่น ปริมาณแอลกอฮอล์ ซึ่งต้องอาศัยเซนเซอร์ช่วย แล้วเครื่องจักรจะตัดสินใจอย่างไรว่าคนใช้คนไหนชอบไวน์ชนิดใด เครื่องจักรจะแนะนำอย่างไร
อาจต้องใช้ผู้คนนับพันคนชิมไวน์แล้วนำข้อมูลนั้นมาเทียบเคียงกันกับองค์ประกอบทางเคมีที่วัดได้ จัดเป็นรูปแบบของความชอบและรสนิยมต่างๆ เพื่อให้เครื่องจักรเรียนรู้ วิธีการรวบรวมข้อมูลประเภทนี้ต้องการเวลาเงินและความพยายามอย่างมาก จำนวนข้อมูลที่ต้องใช้ในการฝึกอบรมเครื่องเพื่อให้คำแนะนำที่ถูกต้องเหมาะสมสำหรับไวน์อาจใช้เวลาหลายเดือน
โมเดลการเรียนรู้ของเครื่องที่อยู่เบื้องหลังเครื่องมือแนะนำบนหน้าเว็บช๊อปปิ้งออนไลน์อาจสามารถระบุได้ว่าผู้เข้าร่วมในการชิมไวน์ที่จัดอันดับไวน์ที่นักช้อปกำลังดูอยู่นั้นมีแนวโน้มที่จะให้คะแนนไวน์อื่นด้วยเช่นกัน เครื่องก็จะแนะนำจะแสดงไวน์อื่น ๆ ให้กับผู้ซื้อ แต่มันไม่ใช่รสนิยมของผู้ซื้อโดยตรง ซึ่งก็อาจเป็นไปได้ แต่ยังไม่มีใครทำ
AI เข้าใจงานศิลปะภาพวาดและภาพถ่ายได้อย่างไร
ในปัจจุบันนี้โทรศัพท์มือถือที่ใช้ถ่ายภาพกันมักจะใช้ เทคโนโลยี AI เข้ามาช่วยให้การถ่ายภาพนั้นสวยงามระดับมืออาชีพ และใน google photo เราจะเห็นว่า google พยายามแนะนำและปรับภาพให้มีความสวยงามแบบมืออาชีพ Google AI บอกว่าเครื่องเรียนรู้ เลียนแบบขั้นตอนการทำงานของช่างภาพมืออาชีพการถ่ายภาพพาโนรามาจาก Google Street View และค้นหาองค์ประกอบที่ดีที่สุดจากนั้นดำเนินการหลังการประมวลผลต่าง ๆ เพื่อสร้างภาพที่สวยงาม
อย่างไรก็ตามสิ่งที่ชื่นชอบของคนๆหนึ่งอาจไม่เป็นที่ชื่นชอบของคนอีกหลายๆคน มันเป็นเรื่องส่วนบุคคล โชคดีที่การเก็บข้อมูลสำหรับความชื่นชอบในภาพวาดหรือภาพถ่ายง่ายกว่าการเก็บข้อมูลการชื่นชอบของไวน์ ภาพถ่ายหรือภาพวาดสามารถแปลงเป็นข้อมูลดิจิทัลได้โดยง่าย และการตอบสนองของผู้ใช้ก็สามารถแปลงเป็นข้อมูลดิจิทัลได้
Google Images, Facebook และแพลตฟอร์มสื่อภาพอื่น ๆ จะได้รับข้อมูลจุดนับล้านบนภาพและจุดสีในพิกเซลที่ระบุในภาพเหล่านั้น แบบจำลองการเรียนรู้ของเครื่องสามารถใช้จุดข้อมูลเหล่านั้น และใช้เพื่อคาดการณ์ว่าผู้ใช้รายใดจะตอบสนองต่อข้อมูลพิกเซลนี้อย่างไร เช่น ตัวอย่างการทำงานของ AI พบว่าผู้คนในรัฐแคลิฟอร์เนียมีแนวโน้มที่จะตอบสนองต่อภาพที่เกี่ยวข้องกับสีฟ้ามากกว่าคนจากส่วนอื่น ๆ ของสหรัฐอเมริกา ซึ่งอาจสามารถนำไปใช้เกี่ยวกับการสร้างสื่อโฆษณาได้
ในสถานะปัจจุบัน AI เข้าใจในรสนิยมและศิลปะอย่างไร
เครื่องจักรไม่มีความรู้สึกจึงไม่สามารถมีความชอบและรสนิยมของตนเองและไม่สามารถเข้าใจความชอบและรสนิยมของมนุษย์ได้อย่างแท้จริง AI อาจจะสามารถทำสิ่งนี้ได้ในอนาคต แต่นั่นเป็นโอกาสที่น้อยและค่อนข้างยาวไกล
สำหรับตอนนี้ AI พึ่งพาข้อมูลเพื่อคาดการณ์และกำหนดโอกาสเลียนแบบวิธีที่ผู้คน “เข้าใจ” ความพึงพอใจของกันและกัน โดยไม่เข้าใจถึงความเข้าใจที่มีความสามารถของสมองมนุษย์อย่างแท้จริง
Designed by pikisuperstar / Freepik