Machine Learning: ความหวังและความกลัว

Machine Learning: ความหวังและความกลัว

Machine Learning

ยุคนี้ใครๆก็พูดถึง Machine Learning (ML) ไปไหนมาไหนก็เห็นแต่ข่าว ML อย่างโน้น ML อย่างนี้ หลายๆบริษัทก็ออกมาพูดถึงการลงทุนใน ML กันอย่างหนาหู แต่เอาเข้าจริงๆ ถ้ามาถามว่า เฮ้ยๆ ML นี่มันคืออะไรนะ ถ้าแปลตรงตัว มันคือคอมพิวเตอร์ที่เรียนรู้ได้ด้วยตัวเองใช่รึเปล่า? แล้วทำไมมันถึงเรียนรู้ด้วยตัวเองได้ล่ะ?

ML คืออะไรกันแน่ เราลองมาดูนิยามอย่างเป็นทางการที่ Arthur Lee Samuel นักวิทยาศาสตร์คอมพิวเตอร์ ชาวอเมริกา ผู้บุกเบิก ML ได้เคยนิยามความหมายของ ML ไว้ตั้งแต่ปี 1959 กันก่อนดีกว่า โดยเขานิยามว่า เป็น

“ศาสตร์ที่จะทำให้คอมพิวเตอร์สามารถที่จะเรียนรู้ได้ โดยไม่ต้องเขียนโปรแกรมกำกับชัดเจน”
“Field of study that gives computers the ability to learn without being explicitly programmed.”
รูปภาพจาก history-computer.com

ฟังคำนิยามแล้วก็อาจจะยังงงๆ แต่เราอาจเปรียบเทียบได้ว่า เจ้า ML นี้คือ การเลียนแบบความสามารถในการเรียนรู้ของมนุษย์ ถ้าลองเปรียบเทียบการเรียนรู้ของ ML กับการเรียนรู้ของพวกเราตอนเด็กๆ โดยให้ ML เป็นเด็ก และเราเป็นผู้ใหญ่ จะช่วยให้มองเห็นภาพมากขึ้น

ตอนเด็กๆนั้น เราเริ่มเรียนรู้สิ่งรอบตัว จากข้อมูลที่ส่งมาทางตาหูจมูกปาก เช่น อันนี้กลมๆสีส้มๆ ผู้ใหญ่บอกเราว่า นี่เรียกว่าส้ม เราก็เรียนรู้ว่านี่คือส้มนะ ต่อมาเจอผลไม้รูปร่างต่างไป ผู้ใหญ่บอกเราว่านี่คือ มะม่วงนะ เราก็จะเรียนรู้ว่านี่คือมะม่วงนะ ต่อมาพอโตขึ้น เรามาเจอส้มเขียวหวาน ส้มโอ ส้มแมนดาริน แม้เราเคยเจอมันเป็นครั้งแรก และหน้าตาไม่ได้เหมือนส้มที่เราเคยเจอเป๊ะๆ แต่เราก็จะสามารถเทียบสิ่งที่เราเจอตอนนี้กับสิ่งที่เราเคยเจอมาในอดีต และเดาได้ว่า มันเป็นส้มนะ เช่นเดียวกันถ้าเราเจอ มะม่วงแก้ว มะม่วงเขียวเสวย มะม่วงอกร่อง หรือน้ำดอกไม้ แม้รูปทรงขนาดและสีจะแตกต่างกัน แต่เราก็รู้ว่านี่คือ มะม่วง เป็นต้น

ต่อมาถ้าเราเจอผลไม้ที่เราไม่เคยเจอมาก่อน เช่น เราไม่เคยรู้ว่า เจ้าผลกลมๆสีน้ำตาลมีขนๆ เนื้อข้างในมีสีเขียวๆนี่ เรียกว่าอะไร เราจะไม่สามารถจัดหมวดหมู่มันรวมกับสิ่งที่เราเคยเจอได้ (แม้เราอาจจะเดาได้ว่ามันคือผลไม้ แต่มันก็ไม่ใช่ส้มหรือมะม่วงแน่ๆ) เราก็จะจับกลุ่มมันแยกไว้ต่างหาก จนกว่าเราได้รับการบอกว่า นี่คือกีวี่ จากนั้นเราก็จะเริ่มตัดสินใจเรียกเจ้าสิ่งนี้ว่ากีวี่

รูปภาพจาก Dooder by Freepik

เดี๋ยวนะ กลับไปดูปีของคำนิยามกัน เอ๊ะ เจ้า ML นี่ ไม่ใช่ของใหม่นี่นา มันถูกให้กำเนิดมานานแล้ว แต่ทำไมเราถึงพึ่งได้ยินชื่อมันบ่อยๆเมื่อช่วงระยะสิบกว่าปีมานี่เองล่ะ? แล้วทำไมมันถึงพึ่งมาดังเอาตอนนี้ อะไรคือสิ่งที่ทำให้ ML เปลี่ยนไปจากสิ่งที่ไม่มีใครพูดถึงนัก กลายเป็นสิ่งที่ทุกคนจับตามอง สิ่งทีทำให้เจ้า ML เก่งขึ้น ก็คือการมาถึงของยุค Big Data เนี่ยแหละ

สมัยก่อน กว่าได้ข้อมูลแต่ละชิ้นมานั้น ยากเย็นกว่าสมัยนี้มาก ถ้าเราต้องการรู้เรื่องอะไรซักเรื่องหนึ่ง เราต้องทำแบบสอบถาม หรือหาข้อมูลจากห้องสมุดกันเอาเอง การจะหาข้อมูลจำนวนมาก เพื่อให้ ML เรียนรู้ก็เป็นไปได้อย่างจำกัด ต่อมาเมื่อ Internet และ Smartphone เข้าถึงบุคคล ทุกเพศ ทุกวัย ตามมาด้วยการเกิดขึ้นของ Social Media และ Application มากมาย ทั้ง Facebook, Instagram, Twitter นี่ยังไม่รวมพวก Wearable Device เช่น Garmin, Apple Watch, หรือ Fitbit อีกนะ

ลองคิดดูว่า เมื่อคนทุกคนสามารถสร้าง พิมพ์ แชร์ และ อัพเดดข้อมูลส่วนตัวได้ตลอด ทุกๆเสี้ยววินาที ข้อมูลใหม่ๆ ที่เกิดขึ้นจะมากมายมหาศาลขนาดไหน เราลองมาดูข้อมูลการใช้งานของผู้ใช้ทั่วโลกกัน

ข้อมูลจาก internetlivestats.com

นี้คือบางส่วนข้อมูลที่เกิดขึ้นในหนึ่งวันเท่านั้นนะ เยอะจนคาดไม่ถึงเลยล่ะ ทีนี้เจ้า Data ที่ลอยไปลอยมาอยู่ในอากาศ อย่างท่วมท้นถล่มทลายแบบนี้ ก็เกินกำลังที่คนปกติจะสามารถวิเคราะห์ได้ ดังนั้น เจ้า ML นี่แหล่ะ คือพระเอกขี่ม้าขาวที่เข้ามาช่วยเราจัดการข้อมูลเหล่านั้น มันช่วยในการตัดสินใจเลือก และหาคำตอบให้กับสิ่งต่างๆได้ แต่!! เจ้า ML นี่คือพระเอกขี่ม้าขาวแน่น่ะหรือ? เรามาลองจินตนาการกันเล่นๆ ถึงนิยายวิทยาศาสตร์ ที่มีตัวเอกเดินทางข้ามกาลเวลามาจากอนาคต คุณคิดว่าเขาจะพูดเกี่ยวกับ Machine Learning (ML) ว่าอย่างไร?

การมาถึงของ ML ในยุคที่ Big Data เติบโต โดยมี Social Media เป็นพี่เลี้ยง

ทุกวันนี้ ML เข้าประชิดตัวเรา มากกว่าที่เราคิด ถ้าคุณไม่เชื่อ ลองนึกภาพตามช้าช้า เริ่มต้นที่ เช้าอันสดใสวันนึง เราตื่นนอนมา แล้วก็หยิบมือถือ เปิดดู LinkedIn หรือเชค Facebook เสียหน่อย บังเอิญจังเจอเพื่อนเก่าสมัยเด็กที่ไม่เคยเจอกันมานานแล้ว จาก People You May Know จึงไม่รอช้า กด Add Friend กันไป จากนั้นก็รีบอาบน้ำ แต่งตัวออกจากบ้าน ขับรถไปทำงาน

วันนี้ต้องไปพบลูกค้าต่างจังหวัดด้วย เปิดเป็น Cruise Mode น่าจะดี ระหว่างขับรถก็บอก Siri ให้ช่วยเปิด Google Maps หาทางที่เร็วที่สุดที เราจะได้ไม่ไปประชุมสาย พอช่วงบ่ายๆก็เปิดเชคอีเมล์อีกที เดี๋ยวนี้เราก็เจอ Spam Mail น้อยลงมาก หาเมล์ง่ายขึ้นเยอะ เสียแต่พวกโฆษณาตามเว็บเนี่ยแหล่ะ ไม่รู้มันรู้ได้ยังไงว่าเราอยากได้รองเท้ากีฬารุ่นนี้อยู่ ไม่ว่าจะเข้าเว็บไหน ก็เจอโฆษณารองเท้ากีฬามาให้เลือกเพียบ สงสัยจะได้เสียเงินเร็วๆนี้ซะแล้วสิ อิอิ

ตอนเย็นเราก้มีนัดกินข้าวกับเดอะแก๊งค์ คุยกันเรื่องทริปหัวหินที่เราจอง Airbnb ไว้สุดสัปดาห์นี้ (นี่เลือกที่พักจาก Top Rank ของAirbnb เลยนะ) เสร็จก็ถ่ายรูปกลุ่ม แล้ว Upload กันตามระเบียบ ซึ่งมันก็ Face Recognition และ Auto Tag ให้เองราวกับมันรู้จักเพื่อนชั้นหมดทุกคนอย่างนั้นแหล่ะ ก่อนนอนเราก้เปิดหนังดูผ่าน Netflix แล้วเลือกหนังที่ชอบได้เลย ไม่ต้องไป Search หาว่าอยากดูอะไร เพราะหนังที่มันแนะนำบังเอิญเป็นหนังสืบสวนแบบที่เราชอบดูทั้งนั้น และหลังจากเราผ่านวันอันยาวนาน ก็เข้านอน และหลับฝันดี ราตรีสวัสดิ์….

รูปภาพจาก Freepik
รูปภาพจาก Freepik

เป็นอย่างไรบ้าง นี่เป็นเรื่องราวปกติที่เราเจอในชีวิตประจำวันทั้งนั้นเลย สิ่งเหล่านี้ล้วนขับเคลื่อนโดย ML ไม่ว่าจะเป็น Speech Recognition, Spam Detection, Self-Driving Car, Face Recognition หรือ Netflix Recommendations ยังไม่รวมถึงสิ่งที่อยู่ไกลตัวเราออกไปอีกนิด เช่น ระบบการเทรดหุ้น ที่เริ่มใช้ ML เข้ามาช่วยวิเคราะห์เทรนและความน่าจะเป็นของราคาหลักทรัพย์ต่างๆ, ระบบการตรวจหามะเร็งในโรงพยาบาลในอนาคต, หรือ การวิเคราะห์คำตัดสินของศาลในต่างประเทศ โดยอิงจากคดีในอดีต เป็นต้น

รูปภาพจาก redshift.autodesk

ทำไมนะ เจ้า ML ถึงได้เก่ง ขนาดนี้ เราต้องทำความเข้าใจก่อนว่า ความคิดและการตัดสินใจต่างๆของ ML นั้น ML ตัดสินใจโดยคำนวณอิงตามข้อมูลที่มันได้รับมา เหมือนกับที่มนุษย์เราเรียนรู้ผ่านประสบการ์ณของเรานี่แหล่ะ ดังนั้น ลำพังเจ้า ML หัวเดียวกระเทียมลีบ ก็เหมือนเด็กน้อยที่ยังไม่เคยเจอโลกกว้าง ยังไม่สามารถตัดสินใจหรือทำสิ่งต่างๆเหล่านี้ได้ สิ่งที่ทำให้ ML เก่งขึ้น ก็คือ Big Data นี่ล่ะ

ML ที่ผ่าน Big Data มาแล้ว ก็เหมือนผู้เชี่ยวชาญที่คร่ำหวอดในวงการยังไงยังงั้น ทั้งตอนนี้ยังมี Social Media เป็นพี่เลี้ยงค่อยเปิดโลกกว้างให้เจ้า ML เสียด้วย ข้อมูลในการเรียนรู้ของ ML จึงเพิ่มปริมาณมากขึ้นเรื่อยๆ อย่างไม่มีขีดจำกัด และมีความ Real Time มากขึ้น ML ไม่เหมือนมนุษย์ ตรงที่ ML สามารถเรียนรู้ได้อย่างรวดเร็วมาก และไม่ต้องการการหยุดพัก ยิ่งข้อมูลมีมากขึ้น ML ก็จะสามารถตัดสินใจในเรื่องที่ซับซ้อนมากขึ้น ได้ถูกต้องแม่นยำขึ้นเรื่อยๆ

การที่เรามี ML เก่งๆ นั้นดียังไง

ตอนนี้ ผู้นำธุรกิจต่างๆทั่วโลก ได้มีการเริ่มลงทุนใน ML มาหลายปีแล้ว ทั้งในอุตสาหกรรมเทคโนโลยี และอื่นๆ เช่น Google, Apple, Microsoft, Facebook, Amazon, Walmart, Netflix เป็นต้น เมื่อปีที่แล้วนี่เอง (2016) MIT Technology Review ได้มีการทำ Survey เกี่ยวกับ ตัว ML และ ความได้เปรียบในการแข่งขัน ซึ่งเป็นการสำรวจจากผู้ที่เริ่มลงทุนใน ML ไปแล้ว ในอุตสาหกรรมต่างๆกันทั้ง เทคโนโลยี, การเงิน, การบริการ จากหลายประเทศคือ อเมริกา แคนาดา ยุโรป อังกฤษ อินเดีย ผลการสำรวจพบว่า ML ช่วยให้บริษัทมีความสามารถในการแข่งขันมากขึ้นในหลายๆด้าน ทั้งการเพิ่มความสามารถในการวิเคราะห์ข้อมูล ยกระดับการพัฒนาผลิตภัณฑ์ใหม่ๆ ทำให้กระบวณการทำงานทั้งภายในและภายนอกดีขึ้น เข้าใจความต้องการของผู้บริโภคมากขึ้น และยังสามารถลดต้นทุนการทำงานได้อีกด้วย

ยังไงก็ตาม ML ในตอนนี้ ยังไม่สามารถ ก้าวถึงจุดพีคของมัน ที่เขาว่าจะเปลี่ยนแปลงชีวิตของทุกคนบนโลก หรือปฏิวัติเศรษฐกิจของโลกได้ Pedro Domingo อาจารย์ด้านวิศวกรรมและวิทยาศาสตร์คอมพิวเตอร์ มหาวิทยาลัย Washington กล่าวไว้ในบทความ The Business Opportunity of The Century ว่า การที่เราจะไปถึงจุดสูงสุดของการพัฒนา ML ได้นั้น เราต้องมีสามอย่าง

หนึ่งคือ เราต้องมีธนาคารข้อมูลกลางที่ปลอดภัยและใครก็สามารถเรียกใช้ได้ ธนาคารนี้จะต้องเก็บข้อมูลของทุกคนและทุกอย่างไว้แบบ Real Time ไม่ว่าจะเป็นข้อมูลเกี่ยวกับสุขภาพ การงาน รสนิยม งานอดิเรก การเงิน ที่อยู่อาศัย สัตว์เลี้ยง ฯลฯ เรียกได้ว่าทุกคนและทุกอย่างจริงๆ เมื่อเราได้ข้อมูลของทุกอย่างมาแล้ว ข้อสองที่เราต้องการก็คือ Unified ML Algorithm ที่สามารถใช้กับข้อมูลทุกอย่างได้ และสามคือ หากเราต้องการเก็บข้อมูลของทุกอย่าง เราต้องหาทางที่ทำให้ได้ข้อมูลมหาศาลนั้นมา

จากที่อาจารย์ Pedro Domingo พูดมานี้ นับว่าเรายังห่างจากจุดพีคนั้นเหลือเกิน เพราะตอนนี้ ผู้พัฒนาเทคโนโลยี ยังพัฒนา ML โดยมีเป้าหมายที่ผลกำไรของบริษัทเป็นหลัก เช่น Apple ต้องการขายมือถือ, Google ต้องการแสดงโฆษณาให้เข้าถึง เป็นต้น ดังนั้น ผู้พัฒนาต่างฝ่ายต่างพัฒนาและจะเก็บข้อมูลที่ตนได้มาไว้เอง รวมถึงกีดกันไม่ให้คนอื่นเข้าถึงได้ เพราะยิ่งใครมีข้อมูลมากกว่า ยิ่งเหมือนว่าคนนั้นถือแต้มต่อไว้มากกว่าคู่แข่ง

ส่วนการร่วมกันพัฒนา ML Algorithm ข้ามอุตสาหกรรมนั้น ก็ยังไม่สามารถเกิดขึ้นเนื่องจากความขัดแย้งทางธุรกิจเช่นกัน ดังนั้นคงเป็นการยากที่เงื่อนไขข้อหนึ่ง และสองจะเกิดขึ้นในเร็วๆนี้ ส่วนเงื่อนไขในข้อสามนั้น คิดว่าตอนนี้คนที่ทำได้คงมีเพียง Google หรือ Apple เท่านั้น แต่กระนั้นก็ยังไม่ครอบคลุมมากพอสำหรับแนวความคิดธนาคารข้อมูลนี้

รูปภาพจาก pbs.twimg.com
รูปภาพจาก pbs.twimg.com

หากวันนึง ML พัฒนาไปไกลมากๆแล้ว ในอนาคต เราอาจจะไม่ต้องมีระบบจัดหางานอีกต่อไป เพราะ ML Algorithm ของรัฐบาลจะจัดคู่งานที่เหมาะสมให้เองตั้งแต่เรียนจบ และ เราอาจจะไม่ต้องค่อยตรวจเช็คสุขภาพประจำปีอีกแล้ว เพราะมือถือเราซึ่งมีการเก็บข้อมูลในร่างกายเราตลอดเวลา สามารถบอกได้ว่า เรามีแนวโน้มจะป่วยเป็นอะไรหรือไม่ และแจ้งเตือนล่วงหน้าให้เราไปพบแพทย์หรือเข้ารับการรักษาเมื่อไหร่ หรือหากเราเกิดหัวใจวายเฉียบพลันในไม่กี่นาที มือถือเราจะสามารถจับสัญญานได้ และเรียกรถพยาบาลมารับเราได้ทันท่วงที หรือ ระบบศาลอาจจะไม่ต้องใช้ผู้พิพากษา หรือ ทนายอีกแล้ว เพราะ ML สามารถบอกได้ถึงข้อกฏหมายทั้งหมด และ ประเมินความน่าจะเป็นในการกลับใจ เจตนาก่อเหตุของผู้ต้องหา และตัดสินโทษได้ด้วยตัวเอง ยิ่งกว่านั้น เราอาจจะไม่ต้องกลุ้มใจเรื่องคนรักอีกต่อไป เพราะ ML สามารถเลือกคนที่เหมาะสมกับเราที่สุดได้ โดยดูจากนิสัย พฤติกรรม สถานที่ที่ชอบไป งานอดิเรก หรือ แม้แต่ พันธุกรรม!!

ความเปลี่ยนแปลง ย่อมมาพร้อมความกลัว

ในยุคปฏิวัติอุตสาหกรรมครั้งที่ 1 ในยุโรป (ค.ศ. 1750 – 1850) นั้น เกิดการนำเครื่องจักรมาใช้แทนแรงงานคนเป็นครั้งแรก ถ้าเปรียบเทียบกับการมาถึงของ ML ในยุคปฏิวัติอุตสาหกรรม 4.0 ของเรา จะเห็นได้ว่า มีสองสิ่งที่เหมือนกันอย่างชัดเจน

อย่างแรก

ในสมัยนั้น ได้เกิดการล่าอาณานิคมขึ้น เพื่อหาแหล่งวัตถุดิบที่จะป้อนเข้าสู่อุตสาหกรรมต่างๆ ให้เพียงพอกับกำลังการผลิตที่มีมากขึ้น ต่างกันเพียงแค่ว่า ในยุคนี้ การล่าอาณานิคม ไม่ได้ เกี่ยวข้องกับดินแดนบนแผนที่อีกต่อไป แต่คือการล่าหาข้อมูลให้ได้มากที่สุด และละเอียดที่สุด เพื่อใช้ในการวิเคราะห์และตัดสินใจของ ML ต่างหาก เราอาจจะได้เห็นการพยายามอย่างหนักในการเข้าถึง ฐานข้อมูลส่วนบุคคลแบบไม่เคยเป็นมาก่อน และการล่านี้ อาจจะทำให้เรารู้สึกถูกคุกคามถึงความเป็นส่วนตัว อิสรภาพ และความปลอดภัยของเราหรือไม่ ข้อมูลพวกนี้ถูกเก็บอย่างไร เก็บที่ไหน มีใครสามารถที่จะเข้าถึงข้อมูลนี้ได้บ้าง และเขาจะเอาข้อมูลนี้ไปทำอะไรต่อ นี่เป็นสิ่งที่น่ากังวลอันดับแรก

อย่างที่สอง

เกิดปัญหาการว่างงานขึ้นจากการแทนที่แรงงานคนในระดับการผลิต (Operation Level) ด้วยเครื่องจักร เช่นจากที่เคยทอผ้าด้วยมือ ก็เปลี่ยนมาเป็นใช้เครื่องจักรทอผ้าแทน ซึ่งก็เหมือนกับตอนนี้ ที่เริ่มมีการแทนที่คนด้วย ML แล้ว ต่างกันที่ แรงงานที่จะถูกแทนที่ในครั้งนี้ คือ ไม่ใช้แรงงานในระดับปฏิบัติงาน แต่เป็นแรงงานที่ใช้ทักษะในการตัดสินใจ เช่น งาน นักวิเคราะห์ นักการตลาด หรือแม้แต่ทนายความ เป็นต้น ต่อจากนี้ไป เราไม่อาจรู้ได้เลยว่า เมื่อไหร่ที่ ML จะพัฒนาตัวเอง จนมาแทนงานในด้านที่ใช้ความคิดสร้างสรรค์ หรือ ศิลปะต่างๆด้วย

รูปภาพจาก cristanchohr.com

นอกจากความกลัวในสองอย่างที่ว่าแล้ว ยังมีความกลัวอีกอย่างที่ไม่ได้เกิดขึ้นกับการปฏิวัติอุตสาหกรรมในครั้งนั้น นั่นคือ การที่เราปล่อยให้ ML คิดและเรียนรู้เอง ทำให้เราไม่รู้ว่า ML คิดอะไรอยู่ และยิ่งไม่รู้ว่าผลลัพธ์หรือคำตอบที่ ML ให้มานั้น ถูกหรือผิดอย่างไร ข้อมูลมหาศาลที่ ML ได้รับไปนั้น มีความ Bias หรือไม่ มีการให้น้ำหนักกับสิ่งไหนมากน้อยเเกินไปหรือเปล่า รวมถึง Algorithm ในการคิดมีความครอบคลุมครบถ้วนมั้ย และเรา จะเชื่อถือในการตัดสินใจนั้นๆของ ML ได้มากแค่ไหน

อย่างเช่นกรณีหนึ่ง ในการศึกษาของ MIT Technology Review ที่ใช้คอมพิวเตอร์ในการอ่านใจผู้ป่วยที่ป่วยด้วยโรค Locked-in syndrome (LIS) ซึ่งโรคนี้ผู้ป่วยจะเป็นอัมพาตทั้งตัว สามารถขยับได้เพียงกล้ามเนื้อตาบางส่วนเท่านั้น ซึ่งการศึกษานี้ ได้ถามผู้ป่วยว่า อยากมีชีวิตอยู่หรือไม่ โดยใช้กระแสไฟฟ้าจากสมองและการเคลื่อนที่ของเลือดในการอ่านผล โชคดีที่ว่า การศึกษานี้ ผู้ป่วยตอบว่า “Yes” แต่ จะเป็นอย่างไรถ้าคอมพิวเตอร์อ่านออกมาได้ว่า ผู้ป่วยตอบ “No” เราจะกล้าทำตามความต้องการของผู้ป่วยตามที่คอมพิวเตอร์ตีความออกมาหรือไม่ ผู้ป่วยไม่ต้องการมีชีวิตอยู่จริงๆหรือเปล่า? เราสามารถเชื่อถือคำตอบของคอมพิวเตอร์ได้มากแค่ไหน?

ถึงตรงนี้ ยังไม่มีใครบอกได้ว่า อนาคตของ ML จะเป็นอย่างไร จุดสิ้นสุดจะไปอยู่ที่ตรงไหน จะสามารถไปถึงพีคได้มั้ย หรือ ML จะเป็นสิ่งเลวร้ายอย่างที่เรากลัวหรือเปล่า สิ่งที่เราทำได้ในตอนนี้คือต้องจับตาดูกันต่อไป…..

 

Learn More


Top