เครื่องมองอย่างไร
ทีละขั้นHow it looks,
step by step

ภาพสีเก็บตัวเลขสามตัวต่อหนึ่งพิกเซล คือ แดง เขียว และน้ำเงิน (R G B) แต่ละตัวมีค่า 0 ถึง 255 จอของคุณผสมแสงสามสีนี้เข้าด้วยกัน ตาเราจึงเห็นเป็นสีเดียว

A colour picture stores three numbers per pixel: red, green and blue (R G B), each from 0 to 255. Your screen mixes those three lights, and your eye sees one colour.

ดูทีละช่องสีแล้วจะเห็นว่าท้องฟ้าสว่างในช่องน้ำเงิน ต้นไม้สว่างในช่องเขียว ไฟท้ายรถสว่างในช่องแดง เครื่องใช้ความต่างแบบนี้แยกสิ่งต่าง ๆ ออกจากกันได้ ก่อนจะรู้ด้วยซ้ำว่าสิ่งนั้นคืออะไร

Look at one channel at a time: sky is bright in blue, trees in green, tail-lights in red. A machine can use differences like these to tell things apart before it knows what anything is.

ลองดูTry ถือของสีแดงไว้หน้ากล้องของคุณ แล้วดูว่ามันสว่างในช่องไหนHold something red up to your camera. Which channel lights up?

วางหน้าต่างขนาด 3×3 ช่องลงบนภาพ เอาตัวเลขเก้าตัวใต้หน้าต่างคูณกับตัวเลขเก้าตัวของ “เคอร์เนล” แล้วบวกกันทั้งหมด ได้พิกเซลใหม่หนึ่งจุด จากนั้นเลื่อนไปหนึ่งช่องแล้วทำซ้ำจนทั่วภาพ ขั้นตอนนี้เรียกว่าคอนโวลูชัน (convolution)

Lay a 3×3 window on the picture. Multiply the nine numbers under it by the nine numbers of a “kernel”, and add them all up: that is one new pixel. Slide one step and repeat, across the whole picture. This is called convolution.

เปลี่ยนตัวเลขเก้าตัว ผลก็เปลี่ยน ภาพอาจเบลอ คมขึ้น หรือเหลือแต่ขอบ แตะที่ภาพเพื่อย้ายหน้าต่าง แล้วดูการคำนวณจริงด้านล่าง

Change the nine numbers and the result changes: blur, sharpen, or nothing but edges. Tap the picture to move the window and watch the real arithmetic below it.

นี่คือเมล็ดพันธุ์ของโครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN) ต่างกันเพียงว่าไม่มีใครเลือกตัวเลขให้ CNN มันเรียนรู้ตัวเลขเองจากภาพตัวอย่าง และซ้อนหน้าต่างแบบนี้หลายพันอันเป็นชั้น ๆ (LeCun และคณะ, 1998; Krizhevsky และคณะ, 2012)

This is the seed of convolutional neural networks (CNNs). The only difference: nobody chooses a CNN's numbers. It learns them from example pictures, and stacks thousands of such windows in layers (LeCun et al., 1998; Krizhevsky et al., 2012).

เอาภาพตอนนี้ลบด้วยภาพเมื่อครู่ ช่องที่ตัวเลขเปลี่ยนมากกว่าค่าที่ตั้งไว้คือสิ่งที่ขยับ สีส้มคือสิ่งที่เครื่องสังเกตเห็น กรอบคือกลุ่มพิกเซลที่อยู่ติดกัน

Subtract the picture from a moment ago from the picture now. Squares whose number changed by more than the setting are things that moved. Orange marks what the machine noticed; boxes group pixels that touch.

ตั้งค่าต่ำเกินไป เครื่องจะจับได้แม้แต่ใบไม้ไหวหรือสัญญาณรบกวนของกล้อง ตั้งสูงเกินไป มันจะพลาดรถที่สีคล้ายถนน ไม่มีค่าไหนถูกต้องเสมอ

Set it too low and it catches swaying leaves and camera noise. Too high and it misses a car the same colour as the road. No setting is always right.

กล้องบางตัวส่งภาพนิ่งทุกราว 20 วินาที ไม่ใช่วิดีโอ เครื่องจึงเห็นความเปลี่ยนแปลงได้เฉพาะตอนที่ภาพใหม่มาถึง และในยี่สิบวินาที รถทั้งคันอาจผ่านมาแล้วก็ผ่านไป

Some cameras send a still picture about every 20 seconds, not video. The machine can only see change when the next picture arrives — and in twenty seconds a whole car can come and go.

ลองดูTry เปิดกล้องของคุณ อยู่นิ่ง ๆ แล้วโบกมือOpen your camera, keep still, then wave.

เลื่อนแถบเพื่อลดจำนวนพิกเซล นี่คือสิ่งที่เครื่องได้รับเมื่อรถอยู่ไกล กล้องราคาถูก หรือภาพถูกบีบอัดมาก เมื่อพิกเซลน้อยลง สิ่งที่มันเห็นก็หายไปทีละอย่าง ทั้งที่รถยังจอดอยู่ตรงนั้น

Slide to take pixels away. This is what the machine gets when a car is far off, the camera is cheap, or the picture is squeezed hard. As pixels go, its findings vanish one by one — while the car is still standing right there.

• มันรู้เฉพาะสิ่งที่เคยถูกสอน COCO มี 80 ประเภท ภาพส่วนใหญ่มาจากเว็บ Flickr ไม่มีตุ๊กตุ๊ก ไม่มีสองแถว ไม่มีรถเข็นขายของ มันจะเรียกตุ๊กตุ๊กว่า “รถยนต์” หรือ “รถจักรยานยนต์” หรือไม่เห็นเลย ข้อมูลฝึกที่เอียง ทำให้เครื่องเอียงตาม
• กลางคืน ฝน หมอก แสงสะท้อน เลนส์สกปรก ทุกอย่างนี้เปลี่ยนตัวเลขทุกตัวในภาพ เมื่อสภาพต่างจากภาพที่มันเคยเห็นตอนฝึก มันจะพลาดมากขึ้น
• “ไม่เห็น” ไม่ได้แปลว่า “ไม่มี” อย่าถือว่าผลว่างเปล่าเป็นหลักฐานว่าถนนว่าง
• มั่นใจไม่ได้แปลว่าถูก 90% คือคะแนนที่มันให้ตัวเอง ไม่ใช่โอกาสถูก 90 ใน 100
• มันบอกได้ว่า “คน” แต่ไม่บอกว่าเป็นใคร เราไม่จดจำใบหน้าและไม่อ่านป้ายทะเบียน ไม่ว่ากล้องไหน งานวิจัยพบว่าระบบวิเคราะห์ใบหน้าเชิงพาณิชย์ผิดพลาดกับคนบางกลุ่มมากกว่ากลุ่มอื่นอย่างชัดเจน (Buolamwini และ Gebru, 2018) และภายใต้ พ.ร.บ.คุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562 ใบหน้าที่ระบุตัวคนได้คือข้อมูลส่วนบุคคล

• It only knows what it was taught. COCO has 80 kinds of thing, mostly from photos on Flickr. No tuk-tuk, no songthaew, no street-food cart. It will call a tuk-tuk a “car” or a “motorcycle”, or see nothing. Lopsided training data makes a lopsided machine.
• Night, rain, fog, glare, a dirty lens. Each changes every number in the picture. When conditions differ from the pictures it trained on, it misses more.
• “Not detected” does not mean “not there”. Never treat an empty result as proof that the road is empty.
• Confident is not correct. 90% is the score it gives itself, not a 90-in-100 chance of being right.
• It can say “person”, never who. We do not recognise faces or read number plates, on any camera. Research has shown commercial face-analysis systems making far more mistakes for some groups of people than others (Buolamwini & Gebru, 2018), and under Thailand's Personal Data Protection Act (2019) a face that identifies someone is personal data.