Page 25 - วิศวกรรมสาร ปีที่ 78 ฉบับที่ 1 มกราคม - มีนาคม 2568
P. 25
การใช้ Raspberry Pi ในงานอุตสาหกรรมร่วมกับ AI
1. แบบมีผู้สอน (Supervised Learning) โมเดลจะเรียนรู้จาก 3. แบบเรียนรู้เสริมแรง (Reinforcement Learning) โมเดล
ข้อมูลที่ถูกติดป้ายก�ากับ (Labeled Data) ซึ่งหมายความว่าข้อมูล จะเรียนรู้ผ่านการปฏิสัมพันธ์กับสิ่งแวดล้อม (Environment)
แต่ละชุดจะมีค�าตอบที่ถูกต้องให้โมเดลเรียนรู้ โมเดลจะพยายาม โดยการลองผิดลองถูก (Trial and Error) การให้รางวัลตาม
หาความสัมพันธ์ระหว่างข้อมูลน�าเข้า (Input) และผลลัพธ์ที่ นโยบายโดยโมเดลจะได้รับรางวัล (Reward) หรือการลงโทษ
ต้องการ (Output) เพื่อท�านายผลลัพธ์เมื่อได้รับข้อมูลใหม่ ตัวอย่าง (Penalty) จากการกระท�าแต่ละครั้ง และพยายามปรับปรุง
การใช้งาน เช่น การรู้จ�าภาพ (Image Classification) การท�านาย ตัวเองเพื่อให้ได้รับรางวัลสูงสุด ตัวอย่างการใช้งานเช่น การ
ราคาวัตถุดิบ (Price Prediction) หากมีข้อมูลที่ถูกต้องและเพียง ควบคุมอัตโนมัติ การฝึกหุ่นยนต์ให้เดินหรือท�างานต่าง ๆ โมเดล
พอจะให้ผลลัพธ์ที่แม่นย�าสูง จะเรียนรู้ได้โดยไม่ต้องมีข้อมูลฝึกฝนล่วงหน้า เหมาะส�าหรับ
2. แบบไม่มีผู้สอน (Unsupervised Learning) โมเดลจะเรียน งานที่ต้องตัดสินใจแบบต่อเนื่อง (Sequential Decision
รู้จากข้อมูลที่ไม่มีป้ายก�ากับ (Unlabeled Data) โดยพยายามหา Making) ข้อเสียคือต้องใช้เวลานานในการฝึกฝนและอาจต้อง
รูปแบบหรือโครงสร้างภายในข้อมูล คุณลักษณะเด่น โมเดลจะจัด ใช้ทรัพยากรในการค�านวณมาก
กลุ่มข้อมูล (Clustering) หรือลดมิติข้อมูล (Dimensionality
Reduction) เพื่อค้นหาความสัมพันธ์ที่ซ่อนอยู่ ตัวอย่างการใช้งาน
เช่น การค้นหารูปแบบผิดปกติในข้อมูลจากเซ็นเซอร์ (Anomaly
Detection) การจัดกลุ่มลูกค้าตามพฤติกรรมการซื้อ (Customer
Segmentation) อย่างไรก็ตามผลลัพธ์อาจตีความได้ยากเพราะ
ไม่มีค�าตอบที่ถูกต้องให้เปรียบเทียบในบางกรณี
ตารางที่ 2 : เปรียบเทียบเทคนิคML แบบมีผู้สอน (Supervised Learning), แบบไม่มีผู้สอน (Unsupervised Learning)
และแบบเรียนรู้เสริมแรง (Reinforcement Learning)
ลักษณะ Supervised Learning Unsupervised Learning Reinforcement Learning
วัตถุประสงค์ ท�ำนำยหรือจ�ำแนกข้อมูล ค้นหำรูปแบบหรือโครงสร้ำงในข้อมูล เรียนรู้เพื่อตัดสินใจที่ดีที่สุด
ข้อมูล ข้อมูลติดป้ำยก�ำกับ (Labeled Data) ข้อมูลไม่มีป้ำยก�ำกับ (Unlabeled Data) ไม่จ�ำเป็นต้องมีข้อมูลล่วงหน้ำ
ตัวอย่ำงกำรใช้งำน กำรจ�ำแนกอีเมล, กำรท�ำนำยรำคำ กำรจัดกลุ่มลูกค้ำ, กำรลดมิติข้อมูล กำรฝึกหุ่นยนต์, เกม AI
ข้อดี แม่นย�ำหำกมีข้อมูลเพียงพอ ไม่ต้องมีข้อมูลติดป้ำยก�ำกับ เหมำะส�ำหรับกำรตัดสินใจแบบต่อเนื่อง
ข้อเสีย ต้องมีข้อมูลติดป้ำยก�ำกับ ผลลัพธ์อำจตีควำมยำก ใช้เวลำฝึกฝนนำน
การเลือกใช้เทคนิคต่าง ๆ ต้องพิจารณาจากการใช้งานและ เครื่องจักร เช่น อุณหภูมิ ความชื้น หรือการสั่นสะเทือนสามารถใช้
ข้อมูลที่มี ข้อมูลที่ติดป้ายก�ากับและต้องการท�านายหรือจ�าแนก ควบคุมเครื่องจักรหรือระบบอัตโนมัติในสายการผลิต ระบบจดจ�า
ข้อมูลควรใช้ Supervised Learning หากข้อมูลไม่ได้ติดป้ายก�ากับ ใบหน้า ระบบแยกประเภทสินค้า และการตรวจจับข้อบกพร่อง
แต่มีข้อมูลที่ต้องการส�ารวจข้อมูลและค้นหารูปแบบที่ซ่อนอยู่ ในการผลิต Raspberry Pi สามารถใช้เป็น Gateway ส�าหรับรวบรวม
เหมาะส�าหรับ Unsupervised Learning และเมื่อไม่มีข้อมูล และ ข้อมูลจากอุปกรณ์ IoT ต่าง ๆ และส่งข้อมูลไปยังคลาวด์หรือ
ต้องเรียนรู้ผ่านการปฏิสัมพันธ์กับสิ่งแวดล้อมที่ต้องตัดสินใจแบบ เซิร์ฟเวอร์เพื่อวิเคราะห์ ระบบแนะน�าสินค้า (Recommendation
ต่อเนื่องเหมาะสมกับ Reinforcement Learning Systems) การรู้จ�าเสียง (Speech recognition) หุ่นยนต์ที่สามารถ
โดย Raspberry Pi สามารถน�ามาใช้ร่วมกับโมเดล AI ได้ เช่น เดินและพูดได้ ระบบขับรถอัตโนมัติ (Self-driving cars) สามารถใช้
Raspberry Pi สามารถเชื่อมต่อกับเซ็นเซอร์เพื่อตรวจสอบสภาพ Raspberry Pi เพื่อควบคุมหุ่นยนต์หรือระบบจัดเก็บอัตโนมัติ
วิศวกรรมสาร l ปีที่ 78 ฉบับที่ 1 มกราคม - มีนาคม 2568 25
