AI ທີ່ສາມາດອະທິບາຍໄດ້ແມ່ນຫຍັງ?

ຍ້ອນວ່າປັນຍາປະດິດ (AI) ກາຍເປັນຄວາມສັບສົນຫຼາຍແລະຖືກຮັບຮອງເອົາຢ່າງກວ້າງຂວາງໃນທົ່ວສັງຄົມ, ຫນຶ່ງໃນຊຸດຂະບວນການແລະວິທີການທີ່ສໍາຄັນແມ່ນສາມາດອະທິບາຍໄດ້ (AI), ບາງຄັ້ງເອີ້ນວ່າ XAI. 

AI ທີ່ສາມາດອະທິບາຍໄດ້ສາມາດຖືກກໍານົດເປັນ:

• ຊຸດຂອງຂະບວນການ ແລະວິທີການທີ່ຊ່ວຍໃຫ້ຜູ້ໃຊ້ມະນຸດເຂົ້າໃຈ ແລະເຊື່ອຖືໄດ້ຜົນຂອງລະບົບການຮຽນຮູ້ເຄື່ອງຈັກ. 

ຕາມທີ່ເຈົ້າສາມາດເດົາໄດ້, ການອະທິບາຍນີ້ແມ່ນມີຄວາມສຳຄັນຢ່າງບໍ່ໜ້າເຊື່ອ ເນື່ອງຈາກ AI algorithms ຄວບຄຸມຫຼາຍຂະແໜງການ, ເຊິ່ງມາພ້ອມກັບຄວາມສ່ຽງຕໍ່ຄວາມລຳອຽງ, ສູດການຄິດໄລ່ທີ່ຜິດພາດ ແລະບັນຫາອື່ນໆ. ໂດຍການບັນລຸຄວາມໂປ່ງໃສດ້ວຍການອະທິບາຍ, ໂລກສາມາດໃຊ້ພະລັງງານຂອງ AI ຢ່າງແທ້ຈິງ. 

AI ທີ່ສາມາດອະທິບາຍໄດ້, ດັ່ງທີ່ຊື່ແນະນໍາ, ຊ່ວຍອະທິບາຍຮູບແບບ AI, ຜົນກະທົບຂອງມັນ, ແລະຄວາມລໍາອຽງທີ່ເປັນໄປໄດ້. ມັນຍັງມີບົດບາດໃນລັກສະນະຄວາມຖືກຕ້ອງຂອງຕົວແບບ, ຄວາມຍຸຕິທໍາ, ຄວາມໂປ່ງໃສ, ແລະຜົນໄດ້ຮັບໃນຂະບວນການຕັດສິນໃຈທີ່ຂັບເຄື່ອນດ້ວຍ AI. 

ອົງການຈັດຕັ້ງທີ່ຂັບເຄື່ອນດ້ວຍ AI ໃນມື້ນີ້ຄວນຮັບຮອງເອົາຂະບວນການ AI ທີ່ສາມາດອະທິບາຍໄດ້ສະເຫມີເພື່ອຊ່ວຍສ້າງຄວາມໄວ້ວາງໃຈແລະຄວາມຫມັ້ນໃຈໃນຕົວແບບ AI ໃນການຜະລິດ. AI ທີ່ສາມາດອະທິບາຍໄດ້ຍັງເປັນກຸນແຈທີ່ຈະກາຍເປັນບໍລິສັດທີ່ມີຄວາມຮັບຜິດຊອບໃນສະພາບແວດລ້ອມ AI ໃນປະຈຸບັນ.

ເນື່ອງຈາກວ່າລະບົບ AI ໃນທຸກມື້ນີ້ມີຄວາມກ້າວຫນ້າຫຼາຍ, ມະນຸດມັກຈະດໍາເນີນຂະບວນການຄໍານວນເພື່ອຕິດຕາມວິທີການທີ່ສູດການຄິດໄລ່ມາຮອດຜົນໄດ້ຮັບຂອງມັນ. ຂະບວນການນີ້ກາຍເປັນ "ກ່ອງດໍາ", ຊຶ່ງຫມາຍຄວາມວ່າມັນເປັນໄປບໍ່ໄດ້ທີ່ຈະເຂົ້າໃຈ. ເມື່ອຕົວແບບທີ່ບໍ່ສາມາດອະທິບາຍໄດ້ເຫຼົ່ານີ້ຖືກພັດທະນາໂດຍກົງຈາກຂໍ້ມູນ, ບໍ່ມີໃຜສາມາດເຂົ້າໃຈສິ່ງທີ່ເກີດຂື້ນພາຍໃນພວກມັນ. 

ໂດຍການເຂົ້າໃຈວິທີການເຮັດວຽກຂອງລະບົບ AI ຜ່ານ AI ທີ່ສາມາດອະທິບາຍໄດ້, ນັກພັດທະນາສາມາດຮັບປະກັນວ່າລະບົບເຮັດວຽກຕາມທີ່ມັນຄວນຈະເປັນ. ມັນຍັງສາມາດຊ່ວຍໃຫ້ແນ່ໃຈວ່າຕົວແບບປະຕິບັດຕາມມາດຕະຖານກົດລະບຽບ, ແລະມັນສະຫນອງໂອກາດສໍາລັບຕົວແບບທີ່ຈະຖືກທ້າທາຍຫຼືປ່ຽນແປງ. 

ຮູບພາບ: ດຣ. Matt Turek/DARPA

ຄວາມແຕກຕ່າງລະຫວ່າງ AI ແລະ XAI

ຄວາມແຕກຕ່າງທີ່ ສຳ ຄັນບາງຢ່າງຊ່ວຍແຍກ AI "ປົກກະຕິ" ຈາກ AI ທີ່ສາມາດອະທິບາຍໄດ້, ແຕ່ສິ່ງທີ່ ສຳ ຄັນທີ່ສຸດ, XAI ປະຕິບັດເຕັກນິກແລະວິທີການສະເພາະທີ່ຊ່ວຍໃຫ້ແນ່ໃຈວ່າການຕັດສິນໃຈແຕ່ລະອັນໃນຂະບວນການ ML ແມ່ນສາມາດຕິດຕາມໄດ້ແລະສາມາດອະທິບາຍໄດ້. ໃນການປຽບທຽບ, AI ປົກກະຕິມັກຈະມາຮອດຜົນໄດ້ຮັບຂອງມັນໂດຍໃຊ້ ML algorithm, ແຕ່ມັນເປັນໄປບໍ່ໄດ້ທີ່ຈະເຂົ້າໃຈຢ່າງສົມບູນວ່າວິທີການມາຮອດຜົນໄດ້ຮັບ. ໃນກໍລະນີຂອງ AI ປົກກະຕິ, ມັນເປັນການຍາກທີ່ສຸດທີ່ຈະກວດສອບຄວາມຖືກຕ້ອງ, ເຮັດໃຫ້ເກີດການສູນເສຍການຄວບຄຸມ, ຄວາມຮັບຜິດຊອບແລະການກວດສອບ. 

ຜົນປະໂຫຍດຂອງ AI ທີ່ສາມາດອະທິບາຍໄດ້ 

ມີຜົນປະໂຫຍດຫຼາຍຢ່າງສໍາລັບອົງການຈັດຕັ້ງທີ່ຊອກຫາທີ່ຈະຮັບຮອງເອົາ AI ທີ່ສາມາດອະທິບາຍໄດ້, ເຊັ່ນ: 

• ຜົນໄດ້ຮັບໄວ: AI ທີ່ສາມາດອະທິບາຍໄດ້ຊ່ວຍໃຫ້ອົງການຈັດຕັ້ງສາມາດຕິດຕາມແລະຈັດການແບບຈໍາລອງຢ່າງເປັນລະບົບເພື່ອເພີ່ມປະສິດທິພາບຜົນໄດ້ຮັບທາງທຸລະກິດ. ມັນເປັນໄປໄດ້ທີ່ຈະສືບຕໍ່ການປະເມີນຜົນແລະປັບປຸງການປະຕິບັດຕົວແບບແລະການປັບປຸງແບບຈໍາລອງແບບລະອຽດ.
  
• ຫຼຸດຜ່ອນຄວາມສ່ຽງ: ໂດຍການຮັບຮອງເອົາຂະບວນການ AI ທີ່ສາມາດອະທິບາຍໄດ້, ທ່ານຮັບປະກັນວ່າຕົວແບບ AI ຂອງທ່ານແມ່ນສາມາດອະທິບາຍໄດ້ ແລະໂປ່ງໃສ. ທ່ານ​ສາ​ມາດ​ຄຸ້ມ​ຄອງ​ລະ​ບຽບ​ການ​, ການ​ປະ​ຕິ​ບັດ​ຕາມ​, ຄວາມ​ສ່ຽງ​ແລະ​ຄວາມ​ຕ້ອງ​ການ​ອື່ນໆ​ໃນ​ຂະ​ນະ​ທີ່​ຫຼຸດ​ຜ່ອນ​ການ overhead ຂອງ​ການ​ກວດ​ກາ​ຄູ່​ມື​. ທັງ​ຫມົດ​ນີ້​ຍັງ​ຊ່ວຍ​ຫຼຸດ​ຜ່ອນ​ຄວາມ​ສ່ຽງ​ຂອງ​ອະ​ຄະ​ຕິ​ທີ່​ບໍ່​ໄດ້​ຕັ້ງ​ໃຈ. 
• ສ້າງຄວາມໄວ້ວາງໃຈ: AI ທີ່ອະທິບາຍໄດ້ຊ່ວຍສ້າງຄວາມໄວ້ວາງໃຈໃນການຜະລິດ AI. ຮູບແບບ AI ສາມາດຖືກນໍາມາສູ່ການຜະລິດຢ່າງໄວວາ, ທ່ານສາມາດຮັບປະກັນການຕີຄວາມຫມາຍແລະການອະທິບາຍ, ແລະຂະບວນການປະເມີນຜົນຂອງຕົວແບບສາມາດງ່າຍດາຍແລະມີຄວາມໂປ່ງໃສຫຼາຍຂຶ້ນ. 

ເຕັກນິກການອະທິບາຍ AI

ມີບາງເຕັກນິກ XAI ທີ່ອົງການຈັດຕັ້ງທັງຫມົດຄວນພິຈາລະນາ, ແລະພວກເຂົາປະກອບດ້ວຍສາມວິທີການຕົ້ນຕໍ: ຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນ, ຄວາມສາມາດຕິດຕາມໄດ້, ແລະ ຄວາມເຂົ້າໃຈການຕັດສິນໃຈ. 

ທໍາອິດຂອງສາມວິທີການ, ຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນ, ເປັນສິ່ງຈໍາເປັນເພື່ອປະສົບຜົນສໍາເລັດໃນການນໍາໃຊ້ AI ໃນການດໍາເນີນງານປະຈໍາວັນ. ການຈໍາລອງສາມາດປະຕິບັດໄດ້, ແລະຜົນຜະລິດ XAI ສາມາດປຽບທຽບກັບຜົນໄດ້ຮັບໃນຊຸດຂໍ້ມູນການຝຶກອົບຮົມ, ເຊິ່ງຊ່ວຍກໍານົດຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນ. ຫນຶ່ງໃນເຕັກນິກທີ່ນິຍົມຫຼາຍເພື່ອບັນລຸເປົ້າຫມາຍນີ້ແມ່ນເອີ້ນວ່າ Local Interpretable Model-Agnostic Explanations (LIME), ເຕັກນິກທີ່ອະທິບາຍການຄາດຄະເນຂອງການຈັດປະເພດໂດຍເຄື່ອງຈັກການຮຽນຮູ້ເຄື່ອງຈັກ. 

ວິທີທີສອງແມ່ນ ຄວາມສາມາດຕິດຕາມໄດ້, ເຊິ່ງບັນລຸໄດ້ໂດຍການຈໍາກັດວິທີການຕັດສິນໃຈ, ເຊັ່ນດຽວກັນກັບການສ້າງຕັ້ງຂອບເຂດແຄບສໍາລັບກົດລະບຽບການຮຽນຮູ້ເຄື່ອງຈັກແລະຄຸນສົມບັດ. ຫນຶ່ງໃນເຕັກນິກການຕິດຕາມທົ່ວໄປທີ່ສຸດແມ່ນ DeepLIFT, ຫຼື Deep Learning FeaTures ທີ່ສໍາຄັນ. DeepLIFT ປຽບທຽບການກະຕຸ້ນຂອງແຕ່ລະ neuron ກັບ neuron ອ້າງອີງຂອງຕົນໃນຂະນະທີ່ສະແດງໃຫ້ເຫັນການເຊື່ອມຕໍ່ traceable ລະຫວ່າງແຕ່ລະ neuron activated. ມັນຍັງສະແດງໃຫ້ເຫັນເຖິງຄວາມເພິ່ງພາອາໄສລະຫວ່າງພວກມັນ. 

ວິທີການທີສາມແລະສຸດທ້າຍແມ່ນ ຄວາມເຂົ້າໃຈການຕັດສິນໃຈ, ເຊິ່ງແມ່ນສຸມໃສ່ມະນຸດ, ບໍ່ເຫມືອນກັບສອງວິທີການອື່ນໆ. ຄວາມເຂົ້າໃຈໃນການຕັດສິນໃຈກ່ຽວຂ້ອງກັບການໃຫ້ຄວາມຮູ້ແກ່ອົງກອນ, ໂດຍສະເພາະທີມງານທີ່ເຮັດວຽກກັບ AI, ເພື່ອເຮັດໃຫ້ເຂົາເຈົ້າເຂົ້າໃຈວິທີການ ແລະເຫດຜົນທີ່ AI ຕັດສິນໃຈ. ວິທີການນີ້ແມ່ນສໍາຄັນຕໍ່ການສ້າງຄວາມໄວ້ວາງໃຈໃນລະບົບ. 

ຫຼັກການ AI ທີ່ສາມາດອະທິບາຍໄດ້

ເພື່ອໃຫ້ຄວາມເຂົ້າໃຈດີຂຶ້ນກ່ຽວກັບ XAI ແລະຫຼັກການຂອງມັນ, ສະຖາບັນມາດຕະຖານແຫ່ງຊາດ (NIST), ເຊິ່ງເປັນສ່ວນຫນຶ່ງຂອງກະຊວງການຄ້າສະຫະລັດ, ໃຫ້ຄໍານິຍາມສໍາລັບສີ່ຫຼັກການຂອງ AI ທີ່ສາມາດອະທິບາຍໄດ້: 

1. ລະບົບ AI ຄວນໃຫ້ຫຼັກຖານ, ການສະຫນັບສະຫນູນ, ຫຼືເຫດຜົນສໍາລັບແຕ່ລະຜົນໄດ້ຮັບ. 
2. ລະບົບ AI ຄວນໃຫ້ຄໍາອະທິບາຍທີ່ສາມາດເຂົ້າໃຈໄດ້ໂດຍຜູ້ໃຊ້ຂອງມັນ. 
3. ຄໍາອະທິບາຍຄວນສະທ້ອນໃຫ້ເຫັນຢ່າງຖືກຕ້ອງກ່ຽວກັບຂະບວນການທີ່ໃຊ້ໂດຍລະບົບເພື່ອມາຮອດຜົນຜະລິດຂອງມັນ. 
4. ລະບົບ AI ຄວນປະຕິບັດພຽງແຕ່ພາຍໃຕ້ເງື່ອນໄຂທີ່ມັນຖືກອອກແບບມາສໍາລັບ, ແລະມັນບໍ່ຄວນສະຫນອງຜົນໄດ້ຮັບໃນເວລາທີ່ມັນຂາດຄວາມຫມັ້ນໃຈພຽງພໍໃນຜົນໄດ້ຮັບ. 

ຫຼັກການເຫຼົ່ານີ້ສາມາດຖືກຈັດລຽງຕື່ມອີກເປັນ: 

• ມີຄວາມໝາຍ: ເພື່ອບັນລຸຫຼັກການຄວາມຫມາຍ, ຜູ້ໃຊ້ຄວນເຂົ້າໃຈຄໍາອະທິບາຍທີ່ສະຫນອງໃຫ້. ນີ້ຍັງສາມາດຫມາຍຄວາມວ່າໃນກໍລະນີຂອງ AI algorithm ຖືກນໍາໃຊ້ໂດຍຜູ້ໃຊ້ປະເພດຕ່າງໆ, ອາດຈະມີຄໍາອະທິບາຍຫຼາຍ. ຕົວຢ່າງ, ໃນກໍລະນີຂອງລົດທີ່ຂັບລົດດ້ວຍຕົນເອງ, ຄໍາອະທິບາຍຫນຶ່ງອາດຈະຢູ່ຕາມເສັ້ນຂອງ ... "AI ໄດ້ຈັດປະເພດຖົງຢາງໃນຖະຫນົນເປັນຫີນ, ແລະດັ່ງນັ້ນຈິ່ງໄດ້ດໍາເນີນການເພື່ອຫຼີກເວັ້ນການຕີມັນ." ໃນຂະນະທີ່ຕົວຢ່າງນີ້ຈະເຮັດວຽກສໍາລັບຄົນຂັບ, ມັນຈະບໍ່ເປັນປະໂຫຍດຫຼາຍກັບຜູ້ພັດທະນາ AI ທີ່ຊອກຫາເພື່ອແກ້ໄຂບັນຫາ. ໃນກໍລະນີດັ່ງກ່າວ, ນັກພັດທະນາຕ້ອງເຂົ້າໃຈວ່າເປັນຫຍັງມີການຈັດປະເພດທີ່ບໍ່ຖືກຕ້ອງ. 
• ຄວາມຖືກຕ້ອງຂອງຄໍາອະທິບາຍ: ບໍ່ຄືກັບຄວາມຖືກຕ້ອງຂອງຜົນຜະລິດ, ຄວາມຖືກຕ້ອງຂອງຄໍາອະທິບາຍກ່ຽວຂ້ອງກັບ AI algorithm ທີ່ອະທິບາຍຢ່າງຖືກຕ້ອງວ່າມັນບັນລຸຜົນຜະລິດຂອງມັນໄດ້ແນວໃດ. ຕົວຢ່າງ, ຖ້າຂັ້ນຕອນການອະນຸມັດເງິນກູ້ອະທິບາຍການຕັດສິນໃຈໂດຍອີງໃສ່ລາຍຮັບຂອງຄໍາຮ້ອງສະຫມັກ, ໃນຄວາມເປັນຈິງ, ມັນແມ່ນອີງໃສ່ສະຖານທີ່ທີ່ຢູ່ອາໄສຂອງຜູ້ສະຫມັກ, ຄໍາອະທິບາຍຈະບໍ່ຖືກຕ້ອງ. 
• ຂໍ້ຈຳກັດຄວາມຮູ້: ຂໍ້ຈໍາກັດຄວາມຮູ້ຂອງ AI ສາມາດບັນລຸໄດ້ໃນສອງທາງ, ແລະມັນກ່ຽວຂ້ອງກັບການປ້ອນຂໍ້ມູນຢູ່ນອກຄວາມຊໍານານຂອງລະບົບ. ຕົວຢ່າງ, ຖ້າລະບົບຖືກສ້າງຂຶ້ນເພື່ອຈໍາແນກຊະນິດນົກແລະໃຫ້ຮູບພາບຂອງຫມາກໂປມ, ມັນຄວນຈະສາມາດອະທິບາຍວ່າການປ້ອນຂໍ້ມູນບໍ່ແມ່ນນົກ. ຖ້າລະບົບໄດ້ຮັບຮູບພາບທີ່ມົວ, ມັນຄວນຈະສາມາດລາຍງານວ່າມັນບໍ່ສາມາດລະບຸນົກໃນຮູບພາບໄດ້, ຫຼືອີກທາງເລືອກຫນຶ່ງ, ການກໍານົດຂອງມັນມີຄວາມຫມັ້ນໃຈຕໍ່າຫຼາຍ. 

ບົດບາດຂອງຂໍ້ມູນໃນ AI ທີ່ສາມາດອະທິບາຍໄດ້

ຫນຶ່ງໃນອົງປະກອບທີ່ສໍາຄັນທີ່ສຸດຂອງ AI ທີ່ສາມາດອະທິບາຍໄດ້ແມ່ນຂໍ້ມູນ. 

ອີງ​ຕາມ ກູໂກ, ກ່ຽວກັບຂໍ້ມູນແລະ AI ທີ່ສາມາດອະທິບາຍໄດ້, "ລະບົບ AI ແມ່ນເຂົ້າໃຈດີທີ່ສຸດໂດຍຂໍ້ມູນການຝຶກອົບຮົມພື້ນຖານແລະຂະບວນການຝຶກອົບຮົມ, ເຊັ່ນດຽວກັນກັບຮູບແບບ AI ຜົນໄດ້ຮັບ." ຄວາມເຂົ້າໃຈນີ້ແມ່ນອີງໃສ່ຄວາມສາມາດໃນການສ້າງແຜນທີ່ແບບຈໍາລອງ AI ທີ່ໄດ້ຮັບການຝຶກອົບຮົມໃຫ້ກັບຊຸດຂໍ້ມູນທີ່ແນ່ນອນທີ່ໃຊ້ໃນການຝຶກອົບຮົມມັນ, ເຊັ່ນດຽວກັນກັບຄວາມສາມາດໃນການກວດສອບຂໍ້ມູນຢ່າງໃກ້ຊິດ. 

ເພື່ອເພີ່ມຄວາມເຂົ້າໃຈຂອງຕົວແບບ, ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະເອົາໃຈໃສ່ກັບຂໍ້ມູນການຝຶກອົບຮົມ. ທີມງານຄວນກໍານົດແຫຼ່ງທີ່ມາຂອງຂໍ້ມູນທີ່ໃຊ້ໃນການຝຶກອົບຮົມຂັ້ນຕອນວິທີ, ຄວາມຖືກຕ້ອງທາງກົດໝາຍ ແລະຈັນຍາບັນທີ່ຢູ່ອ້ອມຮອບການໄດ້ຮັບຂອງມັນ, ຄວາມລໍາອຽງທີ່ອາດເກີດຂຶ້ນໃນຂໍ້ມູນ ແລະສິ່ງທີ່ສາມາດເຮັດໄດ້ເພື່ອຫຼຸດຜ່ອນຄວາມລໍາອຽງໃດໆ. 

ລັກສະນະທີ່ສໍາຄັນອີກອັນຫນຶ່ງຂອງຂໍ້ມູນແລະ XAI ແມ່ນວ່າຂໍ້ມູນທີ່ບໍ່ກ່ຽວຂ້ອງກັບລະບົບຄວນຖືກຍົກເວັ້ນ. ເພື່ອບັນລຸໄດ້, ຂໍ້ມູນທີ່ບໍ່ກ່ຽວຂ້ອງຈະຕ້ອງບໍ່ລວມຢູ່ໃນຊຸດການຝຶກອົບຮົມຫຼືຂໍ້ມູນການປ້ອນຂໍ້ມູນ. 

Google ໄດ້ແນະນຳຊຸດປະຕິບັດເພື່ອບັນລຸການຕີຄວາມໝາຍ ແລະຄວາມຮັບຜິດຊອບ: 

• ວາງແຜນທາງເລືອກຂອງເຈົ້າເພື່ອດໍາເນີນການຕີຄວາມໝາຍ
• ປະຕິບັດການຕີຄວາມໝາຍເປັນສ່ວນຫຼັກຂອງປະສົບການຂອງຜູ້ໃຊ້
• ອອກແບບຕົວແບບເພື່ອໃຫ້ສາມາດຕີຄວາມໝາຍໄດ້
• ເລືອກຕົວວັດແທກເພື່ອສະທ້ອນເຖິງເປົ້າໝາຍປາຍທາງ ແລະໜ້າວຽກສຸດທ້າຍ
• ເຂົ້າໃຈຮູບແບບທີ່ໄດ້ຮັບການຝຶກອົບຮົມ
• ສື່ສານຄໍາອະທິບາຍກັບຜູ້ໃຊ້ແບບຈໍາລອງ
• ດໍາເນີນການທົດສອບຫຼາຍເພື່ອຮັບປະກັນລະບົບ AI ເຮັດວຽກຕາມຈຸດປະສົງ 

ໂດຍການປະຕິບັດຕາມການປະຕິບັດທີ່ແນະນໍາເຫຼົ່ານີ້, ອົງການຈັດຕັ້ງຂອງທ່ານສາມາດຮັບປະກັນວ່າມັນບັນລຸ AI ທີ່ສາມາດອະທິບາຍໄດ້, ເຊິ່ງເປັນກຸນແຈສໍາຄັນຕໍ່ອົງການຈັດຕັ້ງທີ່ຂັບເຄື່ອນດ້ວຍ AI ໃນສະພາບແວດລ້ອມຂອງທຸກມື້ນີ້.