Synthetic Data คืออะไร? เมื่อ AI สร้างข้อมูลมาสอน AI ด้วยกันเอง อธิบายให้เด็กเข้าใจผ่านห้องซ้อมเสมือนจริง
คอนโดของพี่โอ๊ค เพื่อนสมัยเรียนวิศวะของผม มีมุมหนึ่งที่ลูกชายผมชอบที่สุด คือเก้าอี้แข่งรถจำลองที่มีพวงมาลัย คันเร่ง เบรก และจอสามจอโค้งล้อมรอบ พี่โอ๊คทำงานด้านข้อมูลให้บริษัทรถยนต์ และใช้เครื่องนี้เล่นทุกคืน
หลังจากลูกผมขับรถจำลองชนกำแพงไปเป็นรอบที่สิบ พี่โอ๊คเล่าว่า นักแข่ง F1 ตัวจริงใช้เครื่องจำลองแบบนี้ซ้อมก่อนลงสนามจริง เพราะซ้อมได้ไม่จำกัด ชนเท่าไหร่ก็ไม่เจ็บ และจำลองสภาพอากาศที่ยังไม่เคยเจอได้ แล้วเขาก็พูดประโยคที่ทำให้ผมนั่งตัวตรง
“งานที่พี่ทำทุกวันก็คล้ายๆ แบบนี้แหละ แต่คนที่นั่งซ้อมไม่ใช่คน เป็น AI ที่หัดขับรถ และสนามที่มันซ้อม ส่วนใหญ่เป็นข้อมูลที่คอมพิวเตอร์สร้างขึ้นมาเอง” ลูกผมถามทันทีว่า “ข้อมูลปลอมเหรอครับ” พี่โอ๊คหัวเราะ แล้วบอกว่าคำที่ถูกต้องคือ Synthetic Data
สิ่งที่เราจะไขความลับ
- ทำไม AI ต้องการข้อมูลมหาศาล
- ข้อมูลบนอินเทอร์เน็ตกำลังจะหมดจริงไหม
- Synthetic Data คืออะไร
- ห้องซ้อมเสมือนจริงของ AI
- ข้อดีของข้อมูลสังเคราะห์
- แม่แบบที่ลอกจากแม่แบบ: ความผิดเพี้ยนสะสม
- ใช้ข้อมูลสังเคราะห์อย่างไรให้ปลอดภัย
ทำไม AI ต้องการข้อมูลมหาศาล
AI เรียนรู้จากตัวอย่าง ถ้าอยากให้ AI รู้จักแมว ต้องให้มันดูรูปแมวจำนวนมาก ถ้าอยากให้ AI เขียนภาษาไทยได้ดี ต้องให้มันอ่านภาษาไทยจำนวนมหาศาล ยิ่งงานซับซ้อน ยิ่งต้องการตัวอย่างมาก
โมเดลภาษาขนาดใหญ่ที่เราใช้ทุกวันถูกฝึกด้วยข้อความจากหนังสือ เว็บไซต์ บทความ และแหล่งอื่นๆ ปริมาณระดับที่คนคนหนึ่งอ่านทั้งชีวิตก็ไม่มีทางหมด
ข้อมูลบนอินเทอร์เน็ตกำลังจะหมดจริงไหม
ฟังดูไม่น่าเป็นไปได้ อินเทอร์เน็ตกว้างใหญ่ขนาดนั้น แต่นักวิจัยจากองค์กร Epoch AI เคยประเมินว่า ข้อความคุณภาพสูงที่มนุษย์เขียนและเปิดเผยต่อสาธารณะ อาจถูกนำไปใช้ฝึก AI จนเกือบหมดภายในช่วงปลายทศวรรษนี้ ถ้าการพัฒนายังเดินหน้าในอัตราเดิม
ปัญหานี้เรียกว่า Data Scarcity หรือภาวะขาดแคลนข้อมูล ไม่ได้แปลว่าอินเทอร์เน็ตหมด แต่แปลว่าข้อมูลที่ดีพอ หลากหลายพอ และใช้ได้อย่างถูกต้อง เริ่มไม่พอกับความต้องการ ยังไม่นับข้อมูลบางประเภทที่หายากโดยธรรมชาติ เช่น
- ภาพเอกซเรย์ของโรคหายาก
- วิดีโออุบัติเหตุรถยนต์ในสถานการณ์อันตราย
- ข้อมูลที่เป็นความลับส่วนบุคคล ซึ่งนำมาใช้ไม่ได้ตามกฎหมาย
- ภาษาที่มีคนใช้น้อยในโลกออนไลน์
Synthetic Data คืออะไร
Synthetic Data หรือข้อมูลสังเคราะห์ คือข้อมูลที่ถูกสร้างขึ้นด้วยคอมพิวเตอร์ เช่น จากการจำลองสถานการณ์ หรือจาก AI อีกตัว แทนที่จะเก็บมาจากโลกจริงโดยตรง แต่ถูกออกแบบให้มีลักษณะใกล้เคียงข้อมูลจริง เพื่อนำไปฝึก AI
คำว่าสังเคราะห์ไม่ได้แปลว่าปลอมแบบหลอกลวง ลองนึกถึงเพชรสังเคราะห์ที่ผลิตในห้องแล็บ มันมีโครงสร้างเหมือนเพชรธรรมชาติ แค่ไม่ได้ขุดมาจากดิน ข้อมูลสังเคราะห์ก็เช่นกัน มันถูกสร้างอย่างตั้งใจ เพื่อให้มีประโยชน์เหมือนของจริง
ตัวอย่างที่ใช้กันจริง
- รถยนต์ไร้คนขับ บริษัทอย่าง Waymo ใช้การจำลองขับรถในโลกเสมือนเป็นระยะทางหลายพันล้านไมล์ ฝึกรับมือสถานการณ์ที่หายากและอันตรายเกินจะรอให้เกิดในโลกจริง
- AI ทางการแพทย์ สร้างภาพทางการแพทย์จำลอง เพื่อฝึกโดยไม่ต้องใช้ข้อมูลของผู้ป่วยจริง
- โมเดลภาษา ใช้ AI ตัวใหญ่สร้างโจทย์และคำตอบตัวอย่าง เพื่อสอน AI ตัวเล็กให้เก่งเรื่องเฉพาะ
- หุ่นยนต์ ฝึกหยิบจับของในโลกจำลองนับล้านครั้ง ก่อนลองกับของจริง
ห้องซ้อมเสมือนจริงของ AI
ผมอธิบายให้ลูกฟังโดยชี้ไปที่เครื่องแข่งรถของพี่โอ๊ค
นักแข่งที่ซ้อมในเครื่องจำลองได้เปรียบหลายอย่าง ซ้อมสนามที่ยังไม่เคยไป ซ้อมขับตอนฝนตกหนักโดยไม่เสี่ยงชีวิต ซ้อมสถานการณ์ยางระเบิดกลางโค้งซ้ำได้ร้อยครั้ง แต่ทุกทีมก็รู้ว่า เครื่องจำลองไม่ใช่สนามจริง ความรู้สึกของแรงเหวี่ยง กลิ่นยางไหม้ หรือการสั่นของรถบนสนามจริง เครื่องจำลองให้ได้แค่บางส่วน นักแข่งจึงต้องลงสนามจริงด้วยเสมอ
AI ที่ฝึกด้วยข้อมูลสังเคราะห์ก็เหมือนกัน มันได้ซ้อมมากขึ้นหลายเท่า ในสถานการณ์ที่หลากหลาย แต่ถ้าซ้อมแต่ในห้องจำลองโดยไม่เคยแตะโลกจริงเลย มันอาจเก่งในห้องซ้อม แต่พังเมื่อเจอของจริง
ข้อดีของข้อมูลสังเคราะห์
- สร้างได้ไม่จำกัด แก้ปัญหาข้อมูลขาดแคลน
- ปกป้องความเป็นส่วนตัว ไม่ต้องใช้ข้อมูลของคนจริง
- ฝึกสถานการณ์หายาก เช่น อุบัติเหตุ โรคหายาก หรือภัยพิบัติ
- ควบคุมได้ เลือกสร้างข้อมูลให้สมดุล เช่น ภาพคนหลากหลายสีผิวและวัย เพื่อลดอคติ
- ประหยัดเวลาและต้นทุน เมื่อเทียบกับการเก็บข้อมูลจริงและติดป้ายกำกับด้วยมือ
แม่แบบที่ลอกจากแม่แบบ: ความผิดเพี้ยนสะสม
ในงานไม้ ถ้าต้องตัดชิ้นงานรูปทรงเดียวกันหลายชิ้น ช่างจะทำแม่แบบหรือ Template จากไม้อัดแผ่นบาง แล้วใช้เราเตอร์ตัดตามแม่แบบ ได้ชิ้นงานเหมือนกันทุกชิ้น
ครั้งหนึ่งผมทำแม่แบบหาย เลยใช้ชิ้นงานที่ตัดจากแม่แบบเดิมมาเป็นแม่แบบใหม่ แล้วชิ้นงานจากแม่แบบใหม่นั้นก็ถูกใช้ทำแม่แบบรุ่นต่อไปอีกทอดหนึ่ง แต่ละรุ่นเพี้ยนไปจากรุ่นก่อนแค่เศษเสี้ยวมิลลิเมตร ซึ่งมองด้วยตาไม่เห็น พอถึงรุ่นที่ห้า ขอบโค้งที่เคยกลมสวยเริ่มเป็นคลื่น และมุมที่เคยคมเริ่มมน ชิ้นงานใส่กับชิ้นอื่นไม่ได้อีกต่อไป
AI ที่ถูกฝึกด้วยข้อมูลที่ AI รุ่นก่อนสร้าง ซ้ำไปซ้ำมาหลายทอด ก็เสี่ยงต่อความผิดเพี้ยนสะสมแบบเดียวกัน งานวิจัยที่ตีพิมพ์ในวารสาร Nature ปี 2024 เรียกปรากฏการณ์นี้ว่า Model Collapse นักวิจัยพบว่าเมื่อโมเดลถูกฝึกด้วยข้อมูลที่สร้างจากโมเดลรุ่นก่อนซ้ำหลายรุ่น โดยไม่มีข้อมูลจริงผสม รายละเอียดที่หายากจะค่อยๆ หายไป และผลลัพธ์จะแคบลงและผิดเพี้ยนมากขึ้นเรื่อยๆ
ลูกผมสรุปแบบเด็กว่า “เหมือนเกมกระซิบต่อกันไง พูดต่อไปสิบคน ประโยคสุดท้ายไม่เหมือนประโยคแรกเลย” ซึ่งเป็นการเปรียบเทียบที่ผมให้คะแนนเต็ม
ใช้ข้อมูลสังเคราะห์อย่างไรให้ปลอดภัย
นักวิจัยและวิศวกรอย่างพี่โอ๊คใช้หลักหลายอย่างเพื่อลดความเสี่ยง
- ผสมกับข้อมูลจริงเสมอ เหมือนช่างที่เก็บแม่แบบต้นฉบับไว้ใช้ตรวจเทียบ
- ตรวจคุณภาพข้อมูลสังเคราะห์ คัดตัวอย่างที่ผิดหรือแปลกออก
- ทดสอบกับโลกจริง ก่อนนำ AI ไปใช้งาน ต้องทดสอบกับสถานการณ์จริงที่ไม่ได้มาจากการจำลอง
- ติดป้ายว่าข้อมูลไหนสังเคราะห์ เพื่อไม่ให้ปนกับข้อมูลจริงจนแยกไม่ออก
- ระวังอคติที่ถูกขยาย ถ้า AI ตัวแรกมีอคติ ข้อมูลที่มันสร้างก็มีอคตินั้นติดไปด้วย
อีกประเด็นที่ผมชวนลูกคิด คือเนื้อหาบนอินเทอร์เน็ตตอนนี้มีสิ่งที่ AI สร้างปนอยู่มากขึ้นเรื่อยๆ ทั้งบทความ รูปภาพ และรีวิว นี่ทำให้ข้อมูลที่มนุษย์สร้างจริงมีค่ามากขึ้น และทำให้เราทุกคนต้องเป็นผู้อ่านที่ตั้งคำถามมากขึ้นด้วย
ทวนความเข้าใจก่อนปิดหน้า
- AI ต้องการข้อมูลจำนวนมาก และข้อมูลคุณภาพดีเริ่มหายากขึ้น
- Synthetic Data คือข้อมูลที่คอมพิวเตอร์สร้างขึ้นเพื่อฝึก AI
- มันเหมือนห้องซ้อมเสมือนจริง ซ้อมได้มาก ปลอดภัย แต่ไม่ใช่สนามจริง
- ช่วยเรื่องข้อมูลหายาก ความเป็นส่วนตัว และการลดอคติ
- ถ้าลอกต่อกันหลายทอดโดยไม่มีข้อมูลจริง จะเกิดความผิดเพี้ยนสะสม
- หลักสำคัญคือผสมข้อมูลจริง ตรวจคุณภาพ และทดสอบกับโลกจริงเสมอ
คำถามชวนลูกคิดเรื่องข้อมูลจริงกับข้อมูลจำลอง
- ถ้าหนูซ้อมว่ายน้ำในเกมจำลองได้เก่งมาก หนูจะว่ายน้ำในสระจริงได้ไหม เพราะอะไร
- ข้อมูลแบบไหนที่หนูคิดว่าควรใช้ข้อมูลสังเคราะห์ เพื่อปกป้องความเป็นส่วนตัวของคน
- ทำไมการลอกต่อกันหลายทอดถึงทำให้ผิดเพี้ยน ยกตัวอย่างในชีวิตจริงได้ไหม
- ถ้าวันหนึ่งข้อมูลบนอินเทอร์เน็ตส่วนใหญ่สร้างโดย AI สิ่งที่มนุษย์เขียนเองจะมีค่ามากขึ้นหรือน้อยลง
สนามจริงหลังห้องซ้อม
ปิดเทอมนั้น พี่โอ๊คพาลูกผมไปสนามโกคาร์ตจริงแถวชานเมือง หลังจากซ้อมในเครื่องจำลองมาหลายสัปดาห์ ลูกผมขับรอบแรกช้ากว่าที่คิดมาก เพราะไม่เคยรู้สึกถึงแรงเหวี่ยงจริงตอนเข้าโค้ง แต่พอรอบที่สาม เวลาดีขึ้นอย่างเห็นได้ชัด เพราะสิ่งที่ซ้อมในห้องจำลองเริ่มเชื่อมกับความรู้สึกจริง
ระหว่างขับรถกลับบ้าน เขาพูดว่า “AI ก็คงเป็นแบบหนูเลยนะพ่อ ซ้อมในห้องเยอะๆ ก็ดี แต่ต้องลงสนามจริงด้วย” ประโยคนั้นสรุปทั้งข้อดีและข้อจำกัดของ Synthetic Data ได้ดีกว่าที่ผมจะอธิบายเองเสียอีก
ครั้งหน้าที่ลูกเล่นเกมจำลองอะไรก็ตาม ลองถามเขาว่าเกมนี้เหมือนโลกจริงตรงไหน และต่างตรงไหน คำถามง่ายๆ นี้คือประตูสู่การเข้าใจวิธีที่ AI เรียนรู้ในยุคที่ข้อมูลจริงเริ่มหายากครับ
