AI for Research: ใช้ AI ทำวิจัย โดยที่คนยังเป็นคนคิด

วันนี้ได้มีโอกาสไปสอน AI for Research ให้กับนิสิต Food Science and Technology ครับ ไม่ได้มีอะไรมาก…แค่ทำซอฟต์แวร์ใหม่ซิง ๆ ขึ้นมาหนึ่งตัว เพื่อให้นิสิตทำ Workshop ว่า เราจะใช้ AI ในการทำวิจัยอย่างไร โดยที่คนยังต้องเป็นคนคิด นิสิตเป็นปี 3 ผมเลยให้เริ่มจากเคส Food Science เรื่อง Shelf-life Breakdown in a Chilled Soy Milk Line โจทย์คือโรงงานนมถั่วเหลืองพาสเจอร์ไรซ์ที่สินค้าควรอยู่ได้ 10 วัน แต่ช่วงหลังเริ่มบวมและเปรี้ยวตั้งแต่วันที่ 5–7 ในเคสผมจงใจใส่ข้อมูลไว้เยอะมาก ทั้งกำลังของ chiller อัตราการผลิต อัตราการบรรจุ ขนาดห้องเย็น ตำแหน่งเซนเซอร์ จุดที่เก็บตัวอย่าง TPC การหยุดเครื่องบรรจุ ไปจนถึงคำบอกเล่าของผู้จัดการโรงงาน บางข้อมูลจริง บางข้อมูลอาจทำให้เข้าใจผิด และบางตัวเลขถ้าลองคำนวณจะพบว่า มันเข้ากันไม่ได้ นี่คือสิ่งที่นัก Food Science ควรมองเห็นจากความรู้ในสาขาของตัวเอง และเป็นสิ่งที่คนทั่วไปอย่างผมไม่ควรเก่งกว่านิสิตด้านอาหาร นิสิตเข้าระบบโดยตั้งชื่อเล่นเอง ไม่มีความจำเป็นต้องเก็บชื่อหรือข้อมูลส่วนบุคคล เพราะจุดประสงค์ไม่ใช่การให้คะแนนว่าใครเก่งกว่าใคร แต่คือดูว่า พวกเราคิดอย่างไร และเรียนรู้อะไรจากกระบวนการนี้ Workshop มีสองรอบ - รอบแรก คิดเอง - รอบสอง ใช้ AI ช่วย แต่ไม่ได้บอกว่า “เปิด AI แล้วถามเลย” ก่อนรอบสองผมอธิบายวิธีตั้งโจทย์ วิธีเขียน prompt วิธีตรวจคำตอบ วิธีดูสมมติฐาน วิธีตรวจตัวเลข และที่สำคัญคือ อย่าเชื่อ AI เพียงเพราะมันตอบได้คล่อง แล้วเราก็วัดผล มีนิสิต 93 คนที่ทำครบทั้งสองรอบ ในรอบแรก คนที่มองเห็นว่าระบบเริ่มเสียสมดุลตรงจุดที่เคสออกแบบไว้มี 43% หลังใช้ AI พร้อมกับวิธีคิดที่สอนไป เพิ่มเป็น 82% คนที่พูดถึงประเด็นสำคัญที่ซ่อนอยู่ในโจทย์อย่างน้อยหนึ่งเรื่อง เพิ่มจาก 62% เป็น 82% และจำนวนประเด็นที่แต่ละคนสามารถหยิบออกมาวิเคราะห์ได้ เฉลี่ยเพิ่มจากประมาณ 5 ประเด็นเป็น 6.5 ประเด็นต่อคน [KU Urban Decision Intelligence] สิ่งที่ผมชอบกว่านั้นคือ นิสิตไม่ได้เชื่อ AI ไปหมด - 63% บอกว่าใช้ความรู้ Food Science ของตัวเองแก้ข้อสรุปของ AI - 50% ตัดข้อเสนอของ AI ที่ขัดกับข้อจำกัดของโจทย์ - 33% กลับไปคำนวณตัวเลขเอง - และ 21% จับได้ว่า AI ตั้งสมมติฐานบางอย่างขึ้นมาโดยไม่ได้ตรวจสอบ [KU Urban Decision Intelligence] นี่แหละที่ผมอยากเห็น ไม่ใช่ AI ตอบเก่งขึ้น แต่เป็น คนใช้ AI แล้วคิดเก่งขึ้น พอจบสองรอบ เราไม่ได้มีเพียงคำตอบของนิสิตแต่ละคนอีกต่อไป เรามีข้อมูลของ “ทั้งห้อง” คำตอบข้อความทั้งหมดเกือบหนึ่งพันคำตอบสามารถนำมาวิเคราะห์ว่า ห้องนี้มองเห็นประเด็นอะไร ประเด็นไหนถูกพูดถึงพร้อมกัน เรื่องใดมีคนมองข้าม ใครพบความผิดปกติที่คนอื่นไม่เห็น หรือแนวคิดของทั้งห้องเปลี่ยนไปอย่างไรหลังใช้ AI ตัวอย่างที่เห็นจากข้อมูลคือ นิสิตเริ่มเชื่อมโยงเรื่อง chiller, cold chain, จุดเก็บตัวอย่าง, bottleneck ของกระบวนการ, การปนเปื้อนหลังพาสเจอร์ไรซ์ รวมถึงแนวคิดว่า “พาสเจอร์ไรซ์ ≠ ปลอดเชื้อ” เข้าด้วยกันมากขึ้น แทนที่จะมองปัญหาเป็นจุด ๆ แยกจากกัน [KU Urban Decision Intelligence] จากนั้นผมพาไปต่ออีกนิด ข้อมูลพวกนี้ export เป็น JSON หรือ CSV ได้ แล้วเอาไปต่อกับ Google Colab เพื่อทำ Data Visualization หรือ Machine Learning ต่อได้ ตรงนี้นิสิตบางคนเริ่มช็อกกับโค้ดนิดหน่อย 😄 แต่ผมไม่ได้ต้องการให้ทุกคนเป็นโปรแกรมเมอร์ ผมแค่ต้องการส่งสัญญาณว่า ถ้าคุณอ่านโค้ดเป็น คุณจะมีเครื่องมือวิเคราะห์ที่คนอื่นไม่มี หลังจากนั้นมี Workshop ที่สอง เรื่องการใช้ AI ช่วยค้นหา อาจารย์ที่ปรึกษาหรือนักวิจัยที่เหมาะกับความสนใจของเรา เสียดายเวลาหมดก่อน เลยได้เพียง Demo แต่ผมอยากให้นิสิตเห็นว่า การสืบค้นงานวิจัยในวันนี้ไปได้ไกลกว่าการพูดว่า “ฉันค้น Scopus เป็น” มากแล้ว ผมพูดกับนิสิตเสมอว่า Fundamental Core ยังสำคัญมาก และนี่คือจุดแข็งของมหาวิทยาลัย AI ไม่ได้ทำให้ความรู้พื้นฐานหมดความหมาย ตรงกันข้าม คนที่พื้นฐานแน่นยิ่งได้เปรียบ เพราะเขารู้ว่า AI กำลังพูดอะไร ถูกหรือผิด และควรถามอะไรต่อ แต่ถ้าอยากเหนือกว่าคนอื่นอีกขั้น เราต้องมี Technology Patch และผมใช้คำว่า เข้าใจ เทคโนโลยี ไม่ใช่แค่ ใช้ เทคโนโลยี ผลจาก Workshop วันนี้เอาไปอ้างเป็นงานวิจัยอะไรไม่ได้ เพราะมันไม่ได้ถูกออกแบบมาเป็น controlled experiment และไม่ได้มีไว้เพื่อพิสูจน์ว่า AI ทำให้คนฉลาดขึ้น แต่มันแสดงอะไรบางอย่างที่น่าสนใจมาก เมื่อให้นิสิตมีความรู้เดิม มีโจทย์ที่ดี สอนวิธีคิด และให้ AI เป็นเครื่องมือ ผลงานในรอบที่ใช้ AI ดีขึ้นอย่างเห็นได้ชัด นักเรียนสองคนเรียนกับครูคนเดียวกัน อ่านตำราเล่มเดียวกัน มี AI ตัวเดียวกัน ผลลัพธ์ก็ยังไม่เหมือนกัน เพราะสิ่งที่ต่างกันคือ ความเข้าใจ ประสบการณ์ และวิธีคิด ถ้าทุกวันนี้เราบอกว่า “ใช้ AI ทำวิจัยแล้ว” เพราะใช้มันถามตอบ แก้ภาษา สรุป paper หรือช่วยวิเคราะห์อะไรบางอย่าง ผมอยากบอกว่า มันยังมีอีกเยอะครับ และของสนุกเพิ่งเริ่มต้นเอง ปล. ขอบคุณ Waraporn Boon ที่เชิญมาครับ สนุกมาก