AI เข้าใจเราได้อย่างไร เจาะลึกแนวคิด Knowledge Representation

เคยสงสัยไหมว่า…ทำไมบางครั้ง AI อย่าง JAR-ViS หรือ Google Assistant ถึงเข้าใจสิ่งที่เราพูดได้บ้าง ไม่ได้บ้าง? คำตอบหนึ่งอยู่ที่แนวคิดสำคัญในโลกของปัญญาประดิษฐ์ (AI) ที่เรียกว่า “การแทนความรู้” (Knowledge Representation) ถ้าเปรียบ AI เป็นสมองกล การแทนความรู้ก็เหมือนวิธีที่ สมองกลนั้นจัดเก็บและเข้าใจข้อมูล เพื่อคิด วิเคราะห์ หรือให้คำตอบเราได้

🧠 วิธีที่มนุษย์อธิบายความรู้
คนเราสื่อสารกันด้วย “ภาษาธรรมชาติ” เช่น ภาษาไทย ภาษาอังกฤษ ซึ่งเข้าใจง่ายสำหรับเรา แต่ถ้าเราเขียนว่า:
“แมวส้ม เป็นแมวตลก ชอบทำตัวเหมือน “เจ้าถิ่น” หรือ “หัวหน้าแก๊ง””
AI จะงง เพราะประโยคแบบนี้มีหลายความหมาย ซับซ้อน และตีความได้หลากหลาย

🤖 วิธีที่ AI ต้องการ
เพื่อให้คอมพิวเตอร์เข้าใจ เราจึงต้องใช้รูปแบบที่มีโครงสร้าง เช่น สูตรตรรกะ กราฟ หรือข้อมูลแบบเป็นระบบ ที่คอมพิวเตอร์สามารถ “อ่าน” และ “ตีความ” ได้โดยไม่สับสน
แล้วเราจะเก็บความรู้ไว้ยังไง?
ลองนึกถึงเวลาเรียน เราอาจจะ:

• จดโน้ตเป็น Bullet Point
• วาด Mind Map
• ทำแผนภาพความสัมพันธ์

AI ก็ต้องการอะไรแบบนั้นเหมือนกัน! และหนึ่งในวิธีที่เจ๋งและใช้บ่อยคือ…Semantic Network: แผนภาพที่ AI ใช้ “เข้าใจโลก”

Semantic Network คือเทคนิคที่ใช้แทนความรู้ซึ่งเน้นไปที่ความสัมพันธ์ระหว่าง object โดยใช้ graph ใช้เก็บข้อมูลที่เกี่ยวข้องกันด้วยโครงสร้างเครือข่ายเพื่อการหาเหตุผล หรือความจริง โดยโหนด (node) ของกราฟแทน object และลูกศรระหว่างโหนดแทนความสัมพันธ์
ตัวอย่างง่าย ๆ:
ลองนึกถึงแมวชื่อ “ส้มฉุน” แล้วใช้กราฟเชื่อมโยงความรู้เกี่ยวกับมัน:

• ส้มฉุน → คือ → แมว
• ส้มฉุน → สีขน → ส้ม
• ส้มฉุน → มี → ปลอกคอ
• แมวมีปลอกคอ → เป็นชนิดของ → สัตว์เลี้ยง
• แมว → กิน → ปลาทู
• แมว → สีขน → ส้ม, ดำ, ขาว

🤖 ทำไมถึงสำคัญ?
Semantic Network ไม่ได้แค่ “เก็บข้อมูล” — มันช่วยให้ AI เหตุผล (Reasoning) ได้ด้วย เช่น:
ถ้า

• “สัตว์เลี้ยงต้องมีเจ้าของ”
• และ “ส้มฉุน” เป็น สัตว์เลี้ยง

👉 สรุปได้ว่า “ส้มฉุน” ต้องมี เจ้าของ
เราสามารถแทนด้วย Semantic Network ได้เป็นกราฟ ดังรูป

ตัวอย่างของ Semantic Network จากในหนังสือ Computer Science Illuminated

• โหนด (Nodes) แทนวัตถุหรือแนวคิด เช่น คน สัตว์ สิ่งของ แนวคิดนามธรรม ฯลฯ
• เส้นเชื่อม (Edges) หรือ ลูกศร (Arcs) แสดงความสัมพันธ์ระหว่างโหนด เช่น
  • is-a , has-a, Gender
• จากรูปเราสามารถตอบคำถามได้โดยคำถามที่ง่ายๆ ได้แก่
  Mary คือนักเรียนใช่หรือไม่, เพศของ john คืออะไร , รหัสนักศึกษาของ mary คืออะไรการตัวอย่างใช้งานจริงของ Semantic Network :
  • Netflix/Youtube เพื่อแนะนำสิ่งที่ใกล้เคียงกับความชอบของเรา , Siri เพื่อตีความคำสั่งภาษาธรรมชาติ , ระบบการแพทย์ เช่นการเชื่อมคำว่า “ไข้สูง” → “ติดเชื้อไวรัส” → “ควรพักผ่อน/กินยาลดไข้”