สนับสนุน settakid.com

สมัครเป็น member ฟรี

ขอเชิญเพื่อน ๆ มาสมัครเป็น member เพื่อรับบทความใหม่ผ่านทางอีเมล์ พร้อมกับ weekly email รวมลิงก์น่าอ่านสุดสัปดาห์ที่คัดมาแล้ว ผมทราบดีว่าสมัยนี้ทุกคนยุ่ง อาจไม่มีเวลามานั่งเช็คเว็บนี้ได้ตลอด จึงได้สร้าง member email list ขึ้นมาครับ

Home/บทความ/Smarter Policy

เทพียุติธรรมแท้จริงแล้วควรเป็นคนหรือหุ่นยนต์: เมื่อ Machine Learning พบกับ Human Jailing

ผมมีคำถามหนักใจ (แต่สำคัญต่อสังคม) ที่อยากให้ทุกคนเก็บไปคิดกันครับ “คุณคิดยังไงกับการที่อีกหน่อยจะมีการใช้สมองกลเพื่อช่วยผู้พิพากษาในการตัดสินว่าคนที่เพิ่งถูกตำรวจจับมาหมาดๆ ควรจะถูกปล่อยตัวหรือถูกฝากขังไว้โดยไม่ให้กลับไปดำเนินชีวิตตามปกติจนกว่าคดีจะเสร็จสิ้น?” สัญชาตญาณของคนส่วนใหญ่มักบอกว่ามนุษย์เป็นมากกว่าแค่ตัวเลข หลายคนไม่เห็นด้วยที่เทคนิคเหล่านี้ไม่มี “พื้นที่” ให้กับความเป็นธรรมหรือความเที่ยงธรรม มีแต่สิ่งที่ป้อนให้กับคอมพิวเตอร์และสิ่งที่มันคายออกมา  โดยเฉพาะอย่างยิ่งในกรณีที่เราเคยได้เห็นถึงจุดบอดและความลำเอียงของโมเดลสถิติในการใช้มันเพื่อรักษาความปลอดภัยมาแล้ว แต่วันนี้ผมจะขอเสนอมุมต่างที่อาจทำให้เรามองว่าการใช้ “สมองคน” ตัดสินใจเรื่องคอขาดบาดตายแบบนี้อย่างเดียวก็อาจทำให้เรารู้สึกทะแม่งๆ ได้ไม่แพ้กัน  งานวิจัยล่าสุดของกลุ่มนักวิศวกรคอมพิวเตอร์และนักเศรษฐศาสตร์ในสหรัฐฯ ได้วิเคราะห์ข้อมูลประวัติอาชญกรรม (rap sheet) และคุณลักษณะของจำเลยทุกคนในนครนิวยอร์กตั้งแต่ปี 2008 ถึง 2013 (รวมแล้วประมาณ 7 แสนกว่ากรณี) จนพบว่าหากเรา “เพิ่มความสามารถในการตัดสินใจ” ให้กับผู้พิพากษาว่าจะ “ขังหรือไม่ขัง” จำเลยด้วยการใช้สมองกลช่วยพยากรณ์ว่าในหมู่จำเลยที่มีเข้ามาทุกวี่วัน คนไหนมีโอกาสก่ออาชญากรรมซ้ำอีกหรือทำการหลบหนีระหว่างรอศาลเรียก  เราจะสามารถลดอาชญากรรมในเมืองลงได้มากขึ้น 25% (โดยคงจำนวนจำเลยที่ถูกปล่อยไว้เท่าเดิม) หรือลดจำนวนจำเลยที่จะถูกขังลงได้ถึง 42% (โดยคงอัตราอาชญกรรมไว้เท่าเดิม) ในนครนิวยอร์ก  อีกทั้งยังช่วยลดความเหลื่อมล้ำทางสีผิวในการถูกฝากขังได้ไปพร้อมๆ กันด้วย โดยการนำโมเดลนี้ไปประยุกต์ต่อจากระดับเมืองสู่ระดับประเทศก็ได้ผลที่ไม่ต่างกันนัก ความสำคัญของงานชิ้นนี้คือเขาผสานจุดแข็งของ Machine Learning (จุดแข็งคือการพยากรณ์ให้แม่น) กับ เศรษฐมิติ (จุดแข็งคือการหาความเป็นเหตุเป็นผลและการขจัด bias) เข้าด้วยกันโดยมีเป้าหมายคือการเพิ่ม “คุณภาพ” ของการตัดสินใจให้กับผู้พิพากษา ไม่ใช่หยุดที่แค่การพยากรณ์ว่าจำเลยคนไหนมีความเสี่ยงที่จะหนีศาล  ที่ต้องผสานทั้งสองศาสตร์เข้าด้วยกันเป็นเพราะโลกใบนี้เคยเห็นแต่การกระทำของจำเลยที่ถูกปล่อยออกไปเท่านั้น

ถี่ ถูก แม่น หรือแค่ฝัน?: รวม 14 วิธีวัดตัวเลขเศรษฐกิจใหม่ในยุค Big Data

แม้ว่ามนุษย์เราได้เริ่มศึกษาและทำการวัดข้อมูลเศรษฐกิจอย่างเป็นทางการมาตั้งแต่เมื่อ 73 ปีแล้ว  การที่น้อยคนนักที่สามารถทำนายวิกฤตแฮมเบอร์เกอร์ครั้งเมื่อปี 2008 ทั้ง ๆ ที่มองย้อนกลับไปจากวันนี้แล้วมันมีสาเหตุชัดเจน สะท้อนว่าเรายังรู้อะไรน้อยมากเกี่ยวกับสิ่งที่เกิดขึ้นในระบบเศรษฐกิจ ตัวเลขเศรษฐกิจสำคัญมักถูกประกาศหลังจากที่สิ่งที่มันตั้งใจจะวัด ได้เกิดขึ้นไปแล้วหลายอาทิตย์หรือเป็นเดือนๆ   (ดีไม่ดีเป็นปี...และอาจมี revision เพราะประกาศแรกผิด)  ซ้ำร้ายยังอาจเป็นตัวเลขเท็จที่ถูกการเมืองแทรกแซงอย่างที่ตลาดโลกตราหน้าตัวเลขเศรษฐกิจทางการของประเทศจีน แต่ด้วยความก้าวหน้าและความแพร่หลายของเทคโนโลยีสารสนเทศ ผมคิดว่าทั้งหมดนี้กำลังจะเปลี่ยนไปในไม่ช้า ในโลกอนาคต ข้อมูลจำนวนมหาศาลจะถือกำเนิดขึ้นทุกครั้งที่ “ผู้เล่น” ในระบบเศรษฐกิจกำลังกระทำอะไรบางอย่าง  ไม่ว่าจะเป็นการทำการค้นหาใน Google  โทรศัพท์หาเพื่อน  จ่ายเงินค่าทางด่วน หรืออัพโหลดรูปที่ตนไปเที่ยวมาขึ้น Flickr   ข้อมูลเหล่านี้เราสามารถมองว่ามันเป็นเหมือน “ลายทางเศรษฐกิจ” ขนาดเล็กจำนวนนับไม่ถ้วนที่สามารถถูกนำไปวิเคราะห์ต่อเพื่อนำไปผูกเป็น “ตัวเลขเศรษฐกิจทางเลือก” ที่จะมีความถี่สูงกว่าแต่มีต้นทุนต่ำกว่าได้   อีกทั้งในบางกรณียังสามารถเอาไปทำนายตัวเลขเศรษฐกิจทางการก่อนการประกาศจริงได้อีกด้วย ด้วยเหตุนี้ ในบทความนี้ผมจะเสนอตัวอย่างการประยุกต์ใช้ข้อมูลชนิดใหม่ๆ เพื่อการวัดและคาดการณ์ข้อมูลเศรษฐกิจทางการที่สำคัญ เช่น อัตราการขยายตัวของเศรษฐกิจ  อัตราว่างงาน ไปจนถึงแพทเธิร์นในการท่องเที่ยว  เพื่อให้ผู้อ่านเห็นถึงความเป็นไปได้ที่ข้อมูลเศรษฐกิจสายพันธุ์ใหม่เหล่านี้จะเข้ามามีบทบาทมากขึ้นในอนาคตอันใกล้ครับ วัดการขยายตัวของเศรษฐกิจใหม่ คงไม่มีใครเถียงว่าตัวเลขเศรษฐกิจที่สำคัญที่สุดก็คือ GDP  แต่จุดที่จะชี้ว่าใครเป็นผู้แพ้ผู้ชนะในตลาดการเงินโลกคือความแม่นยำในการทำนายตัวเลขนี้ก่อนที่ตัวเลขทางการจะถูกเปิดเผยออกมา ตัวอย่างที่ 1: ใช้ข้อมูลการสื่อสารด้านการเงินระหว่างธนาคารเพื่อคาดการณ์ GDP SWIFT ซึ่งปกติทำระบบสื่อสารด้านการเงินระหว่างธนาคารทั่วโลกนั้นมีวิธีนำข้อมูลปริมาณการสื่อสารด้านการเงินเหล่านี้มารวมกับข้อมูลอัตราขยายตัวของเศรษฐกิจที่ผ่านมาเพื่อทำเป็น SWIFT Index  ซึ่งค่อนข้างแม่นยำในการช่วยคาดการณ์ GDP

อนาคตของข้อมูลGIS:เก็บตกงานสัมมนา Esri UC 2016

ผมเชื่อว่าในอีกไม่ช้าการบริหารจัดการบ้านเมืองในมหานครทั่วโลกจะ sci-fi หลุดโลกไม่ผิดไปจากที่เราเคยเห็นในวิดีโอเกมส์สร้างเมืองชื่อ Sim City หรือในภาพยนต์ประเภท Thriller ที่ภาครัฐเก่งและไฮเทคเหลือเชื่อ จริงๆ แล้วผมเชื่อในเรื่องนี้มานานแล้ว เพียงแต่ความเชื่อนี้เกิดทวีคูณขึ้นหลายเท่าตัวหลังจากที่ผมได้มีโอกาสไปเปิดหูเปิดตาในงานสัมมนาแห่งโลกอนาคตที่ชื่อว่า ESRI User Conference 2016 ณ เมืองซานดิเอโก ประเทศสหรัฐอเมริกา  งานสัมมนานี้เป็นการรวมตัวของผู้ใช้งานซอฟต์แวร์ของบริษัท ESRI ผู้ผลิตซอฟต์แวร์อันดับหนึ่งในการวิเคราะห์และแสดงผลข้อมูลGIS (ข้อมูลระบบสารสนเทศภูมิศาสตร์) เกือบ 2 หมื่นคนจากทั่วโลกเพื่อแลกเปลี่ยนความคิดเห็นและประชันผลงานในการประยุกต์ใช้ข้อมูลแผนที่เหล่านี้เข้ากับองค์กรและสังคมของตน บอกได้คำเดียวว่าผมทึ่งมากในสิ่งที่ “Microsoft Office สำหรับข้อมูลแผนที่” พวกนี้สามารถเข้ามาพัฒนาคุณภาพชีวิตมนุษย์ได้จากหลายมิติมาก ผมเคยเขียนเกี่ยวกับข้อมูลGIS ไปแล้วในบทความนี้ แต่สองสิ่งจากงานสัมมนาครั้งนี้ที่ผมคิดว่าสำคัญและสมควรแก่การนำมาเล่าสู่กันฟังที่สุดคือ 1.ประโยชน์หลากมิติ – การประยุกต์ใช้ข้อมูลGIS จะง่ายและมี scope กว้างขึ้นกว่าเดิมมาก 2.ใครก็ใช้ประโยชน์จากGIS ได้ – คุณไม่ต้องเป็นโปรแกรมเมอร์ก็ยังใช้ประโยชน์จากGIS ได้มหาศาล บทความนี้จะนำเสนอตัวอย่างที่น่าสนใจจากงานสัมมนาครั้งนี้และขยายความของสองข้อสังเกตทั้งสองนี้ครับ

Load More Posts