วิธีการสร้างโมเดล AI ที่มีความสามารถในการให้เหตุผล ไม่ใช่แค่ทำตาม

เป็นเวลาหลายทศวรรษที่ปัญญาประดิษฐ์มีความโดดเด่นในการค้นหารูปแบบในข้อมูล โมเดลแมชชีนเลิร์นนิงสามารถคาดการณ์พฤติกรรมลูกค้า แนวโน้มของตลาด หรือความเสี่ยงทางการแพทย์ได้อย่างแม่นยำสูง แต่ระบบเหล่านี้มักอธิบายไม่ได้ว่าเหตุใดเหตุการณ์จึงเกิดขึ้น เพราะพึ่งพาความสัมพันธ์เชิงสหสัมพันธ์ซึ่งไม่อาจแยกสาเหตุที่แท้จริงออกจากความบังเอิญได้ ข้อจำกัดนี้ทำให้ AI เป็นเพียงระบบที่ตอบสนองต่อสิ่งที่เกิดขึ้น ไม่สามารถปรับตัวเมื่อเงื่อนไขเปลี่ยนไปหรือใช้เหตุผลเกี่ยวกับการแทรกแซงได้ Causal AI เข้ามาเติมเต็มช่องว่างนี้ โดยช่วยให้เครื่องจักรเข้าใจเหตุและผล ซึ่งเป็นพื้นฐานสำคัญของความสามารถในการใช้เหตุผลอย่างแท้จริง ความสามารถดังกล่าวทำให้ระบบจำลองสถานการณ์ “ถ้าเกิดว่า” ประเมินเหตุการณ์สมมติที่ตรงข้ามกับสิ่งที่เกิดขึ้นจริง และให้คำตัดสินที่อธิบายได้ เมื่อองค์กรต้องการ AI ที่เชื่อถือได้มากขึ้น วิธีการเชิงเหตุปัจจัยจึงได้รับความสนใจในหลายอุตสาหกรรม

กับดักของสหสัมพันธ์

แมชชีนเลิร์นนิงแบบดั้งเดิมทำงานด้วยการค้นหาความเชื่อมโยงทางสถิติในข้อมูล หากผู้ป่วยที่ใช้ยาชนิดหนึ่งฟื้นตัวเร็วกว่า อัลกอริทึมก็จะเรียนรู้ความสัมพันธ์นั้น แม้แนวทางนี้จะสร้างความก้าวหน้าอย่างมากในการรู้จำภาพ การแปลภาษา และระบบแนะนำ แต่ก็มีข้อบกพร่องร้ายแรง คือไม่สามารถแยกสาเหตุออกจากความบังเอิญได้ การขาดความสามารถนี้ทำให้เกิดจุดบอดอันตรายเกี่ยวกับกลไกเบื้องหลังที่แท้จริง ตัวอย่างเช่น อัลกอริทึม ที่ใช้อย่างแพร่หลายเพื่อระบุผู้ป่วยที่ต้องได้รับการดูแลเพิ่มเติม เรียนรู้ว่าค่าใช้จ่ายด้านสุขภาพใช้ทำนายความต้องการทางการแพทย์ได้ แต่เมื่อวิเคราะห์ข้อมูลของชาวอเมริกัน 200 ล้านคน พบว่าสหสัมพันธ์นี้มองข้ามอคติเชิงระบบ ค่าใช้จ่ายด้านสุขภาพของชาวอเมริกันผิวดำต่ำกว่าของชาวอเมริกันผิวขาวที่มีอาการคล้ายกันเนื่องจากปัจจัยเชิงระบบ อัลกอริทึมซึ่งไม่เห็นปัจจัยนี้จึงประเมินความต้องการการดูแลของผู้ป่วยผิวดำต่ำเกินไป ความล้มเหลวแบบเดียวกันเกิดขึ้นในสาขาอื่นด้วย ในกระบวนการยุติธรรมทางอาญา อัลกอริทึม COMPAS เชื่อมโยงเชื้อชาติกับ ความเสี่ยงในการกระทำผิดซ้ำ จนนำไปสู่การพิพากษาที่มีอคติ ในภาคเกษตร AI อาจเชื่อมโยงความชื้นในดินกับวันที่อากาศร้อน และแนะนำไม่ให้รดน้ำในช่วงคลื่นความร้อน ซึ่งอาจก่อให้เกิดความเสียหายร้ายแรงได้ ในด้านสาธารณสุข ระบบ AI อาจเรียนรู้ว่าผู้ป่วยโรคหอบหืดฟื้นตัวเร็วขึ้นหากเป็นโรคปอดบวมร่วมด้วย แต่รูปแบบนี้มองข้ามสาเหตุที่แท้จริง นั่นคือผู้ป่วยกลุ่มนี้ได้รับการรักษาอย่างเข้มข้นกว่าเพราะถูกจัดว่าเป็นผู้ป่วยความเสี่ยงสูง ไม่ใช่เพราะโรคหอบหืดช่วยให้ฟื้นตัว

บันไดแห่งเหตุปัจจัยของเพิร์ล

จูเดีย เพิร์ล ผู้บุกเบิกการอนุมานเชิงเหตุปัจจัยและผู้ได้รับรางวัลทัวริง อธิบาย Causal AI ผ่าน บันไดแห่งเหตุปัจจัย ซึ่งแบ่งการใช้เหตุผลออกเป็นสามระดับ ขั้นแรกคือความสัมพันธ์ เป็นระดับที่ AI แบบดั้งเดิมทำงานด้วยการสังเกตรูปแบบหรือสหสัมพันธ์จากข้อมูล และตอบคำถามอย่าง “อาการใดเชื่อมโยงกับโรคนี้” ขั้นที่สองคือการแทรกแซง ซึ่งถามว่า “จะเกิดอะไรขึ้นหากฉันทำ X” ระดับนี้ต้องเข้าใจว่าการเปลี่ยนแปลงตัวแปรหนึ่งโดยตั้งใจส่งผลต่อตัวแปรอื่นอย่างไร เช่น ความแตกต่างระหว่างการสังเกตว่าลูกค้าที่ได้รับอีเมลซื้อสินค้ามากกว่า กับการรู้ว่าอีเมลเป็นสาเหตุให้เกิดการซื้อนั้นจริงหรือไม่ ขั้นสูงสุดคือ การใช้เหตุผลเชิงสมมติที่ตรงข้ามกับข้อเท็จจริง ซึ่งถามว่า “จะเกิดอะไรขึ้นหากฉันทำสิ่งอื่น” การใช้เหตุผลระดับนี้ต้องจินตนาการถึงสถานการณ์ทางเลือก และจำเป็นต่อความรับผิดชอบและการเรียนรู้ เช่น การพิจารณาว่าวิธีรักษาอื่นจะช่วยชีวิตผู้ป่วยได้หรือไม่ Causal AI ทำงานครอบคลุมทั้งสามขั้น โดยสร้างโมเดลที่แสดงไม่เพียงรูปแบบในข้อมูล แต่รวมถึงกลไกเชิงเหตุปัจจัยเบื้องหลังที่สร้างรูปแบบเหล่านั้น

Causal AI สร้างโมเดลที่ใช้เหตุผลได้อย่างไร

การนำ Causal AI มาใช้จริงประกอบด้วยองค์ประกอบสำคัญสามประการ:

โมเดลเชิงสาเหตุแบบโครงสร้าง (Structural Causal Models หรือ SCMs): โมเดลเหล่านี้ใช้สมการอธิบายกลไกเชิงเหตุปัจจัยที่สร้างข้อมูล ทำให้ AI จำลองกระบวนการเบื้องหลังการเกิดข้อมูลได้ แทนที่จะเรียนรู้เพียงรูปแบบผิวเผิน

กราฟระบุทิศทางแบบไม่มีวงจร (Directed Acyclic Graphs หรือ DAGs): การแสดงผลด้วยภาพประเภทนี้ใช้โหนดและลูกศรเพื่อกำหนดสมมติฐานเชิงเหตุปัจจัยอย่างชัดเจน ช่วยให้ผู้เชี่ยวชาญระบุตัวแปรกวนและตรวจสอบตรรกะของโมเดลได้

แคลคูลัส “do”: ตัวดำเนินการทางคณิตศาสตร์ที่เพิร์ลเป็นผู้บุกเบิกนี้ แยกความแตกต่างอย่างเป็นทางการระหว่างการสังเกต P(Y|X) กับการแทรกแซง P(Y|do(X)) และเป็นกลไกที่ทำให้เราตอบคำถามแบบ “ถ้าเกิดว่า” จากข้อมูลได้

กรอบงานนี้ทำให้ระบบ AI สามารถจำลองการแทรกแซงก่อนที่จะเกิดขึ้นจริง และใช้เหตุผลกับสถานการณ์สมมติได้ จึงเปลี่ยน AI จากเครื่องมือที่เพียงสังเกตโลกให้เป็นเครื่องมือที่ช่วยให้เราเข้าใจโลก

เครื่องมือกำลังพัฒนาเต็มที่มากขึ้น

การพัฒนาเครื่องมือซอฟต์แวร์ที่เข้าถึงได้มีส่วนสำคัญต่อการเติบโตอย่างรวดเร็วของ Causal AI เช่นกัน เฟรมเวิร์ก DoWhy ของ Microsoft เป็นไลบรารี Python แบบโอเพนซอร์สที่ใช้ขั้นตอนทำงานอย่างเป็นระบบสี่ขั้น ได้แก่ การสร้างแบบจำลองความสัมพันธ์เชิงเหตุปัจจัย การระบุผลเชิงเหตุปัจจัย การประมาณผล และการหักล้างสมมติฐานเพื่อทดสอบความทนทาน แนวทางที่มีโครงสร้างนี้ช่วยแก้ปัญหาสำคัญ คือผู้วิจัยแต่ละคนอาจตั้งสมมติฐานเชิงเหตุปัจจัยต่างกัน DoWhy ช่วยกำหนดสมมติฐานเหล่านี้ด้วยกราฟเชิงเหตุปัจจัย และมีเครื่องมือทดสอบว่าข้อสรุปไวต่อสมมติฐานเพียงใด

ความก้าวหน้าของ Causal AI เห็นได้จากการเติบโตอย่างรวดเร็วของตลาด นักวิเคราะห์ คาดการณ์ ว่าตลาด Causal AI ทั่วโลกจะเติบโตจากประมาณ 63 ล้านดอลลาร์ในปี 2025 เป็นมากกว่า 1.6 พันล้านดอลลาร์ภายในปี 2035 คิดเป็นอัตราการเติบโตเฉลี่ยต่อปีแบบทบต้นมากกว่า 38% การเติบโตนี้เกิดจากการตระหนักว่าความเข้าใจเหตุและผลช่วยสร้างความได้เปรียบในการแข่งขัน ความต้องการ AI ที่อธิบายได้ (XAI) ซึ่งเพิ่มขึ้นก็เป็นแรงขับเคลื่อนสำคัญ กฎระเบียบอย่าง กฎหมาย AI ของสหภาพยุโรป กำหนดให้ต้องมีคำอธิบายที่โปร่งใสสำหรับการตัดสินใจ โมเดลเชิงเหตุปัจจัยรองรับข้อกำหนดนี้โดยธรรมชาติ เพราะอธิบายได้ทั้งว่าตัดสินใจอะไรและเหตุใดจึงตัดสินใจเช่นนั้น ผ่านเส้นทางของเหตุและผลที่ชัดเจน

ข้อได้เปรียบสำคัญ: ความทนทานและความไว้วางใจ

ประโยชน์สำคัญของ Causal AI คือความทนทานเมื่อเงื่อนไขเปลี่ยนไป เมื่อสภาพแวดล้อมขณะนำโมเดลไปใช้งานต่างจากช่วงฝึก โมเดลแบบดั้งเดิมมักล้มเหลวอย่างรุนแรงเพราะสหสัมพันธ์ที่เรียนรู้ไว้ใช้ไม่ได้อีกต่อไป โมเดลที่อาศัยสหสัมพันธ์เพื่อคาดการณ์ผลผลิตทางการเกษตรอาจเรียนรู้ว่าความชื้นในดินสูงบ่งชี้ว่าผลผลิตจะสูง แต่หากความสัมพันธ์นี้ถูกรบกวนด้วยแนวทางการชลประทานในข้อมูลฝึก โมเดลก็จะล้มเหลวเมื่อนำไปใช้ในภูมิภาคใหม่

โมเดลเชิงเหตุปัจจัยแตกต่างออกไป เพราะเรียนรู้กลไกเบื้องหลังและระบุความสัมพันธ์ที่เสถียรซึ่งยังคงอยู่ในสภาพแวดล้อมต่าง ๆ โมเดลเข้าใจว่าเหตุใดความชื้นจึงสำคัญ ไม่ใช่เพียงรู้ว่าความชื้นสัมพันธ์กับผลผลิต งานวิจัยแสดงให้เห็นว่า เมื่อชุดข้อมูลมีการเปลี่ยนแปลงของการแจกแจง โมเดลเชิงเหตุปัจจัยยังคงรักษาประสิทธิภาพไว้ได้ ขณะที่ความแม่นยำของโมเดลแบบดั้งเดิมอาจลดลงมากกว่า 20 จุดเปอร์เซ็นต์

นอกจากนี้ Causal AI ยังช่วยแก้ปัญหากล่องดำ ต่างจากโครงข่ายประสาทเทียมที่ไม่โปร่งใส กราฟและเส้นทางเชิงเหตุปัจจัยให้คำอธิบายที่ชัดเจนว่า “การเปลี่ยน X ทำให้เกิด Y ผ่าน Z” ความสามารถนี้จำเป็นอย่างยิ่งต่อการใช้ AI ในสาขาที่มีความเสี่ยงสูง และปัจจุบันถูกกำหนดไว้ในกฎระเบียบอย่างกฎหมาย AI ของสหภาพยุโรปแล้ว Causal AI ยังช่วยลดอคติด้วยการแยกสหสัมพันธ์ลวง เช่น ความเชื่อมโยงระหว่างเชื้อชาติกับผลลัพธ์ ออกจากสาเหตุที่เกิดจากการเลือกปฏิบัติ

ผลกระทบในโลกจริงในหลากหลายอุตสาหกรรม

การเปลี่ยนมาใช้เหตุผลเชิงเหตุปัจจัยกำลังสร้างคุณค่าในหลายอุตสาหกรรมแล้ว ในด้านสาธารณสุข Kaiser Permanente ใช้ Causal AI เพื่อระบุสาเหตุรากของการกลับเข้ารักษาตัวในโรงพยาบาล ทำให้สามารถแทรกแซงได้ตรงจุด เช่น การส่งข้อความเตือนการใช้ยาเฉพาะบุคคล ซึ่งช่วยเพิ่มอัตราการปฏิบัติตามแผนการรักษาอย่างมีนัยสำคัญ ใน อุตสาหกรรมยา บริษัทต่าง ๆ ใช้ Causal AI เพื่อค้นหาว่าเป้าหมายระดับโมเลกุลใดเป็นสาเหตุของการดำเนินโรคจริง ไม่ใช่เพียงมีความสัมพันธ์กับโรค วิธีนี้เร่งการค้นพบยาด้วยการจำลองการแทรกแซงก่อนเข้าสู่การทดลองทางคลินิกที่มีค่าใช้จ่ายสูง ใน ภาคการผลิต โมเดลเชิงเหตุปัจจัยวิเคราะห์สาเหตุรากในสายการผลิต เมื่อคุณภาพลดลง ระบบจะตรวจสอบว่าสาเหตุอยู่ที่การตั้งค่าเครื่องจักร ข้อบกพร่องของวัสดุ หรือกระบวนการต้นน้ำ ทำให้วิศวกรได้รับข้อมูลเชิงลึกที่นำไปดำเนินการได้ ใน ภาคการเงิน ธนาคารใช้การอนุมานเชิงเหตุปัจจัยเพื่อทำความเข้าใจปัจจัยที่ทำให้เกิดการผิดนัดชำระสินเชื่อจริง ๆ ไม่ใช่เพียงสหสัมพันธ์ จึงสามารถออกแบบมาตรการ เช่น การปรับกำหนดเวลาชำระเงิน เพื่อแก้สาเหตุรากของปัญหาทางการเงินได้

ยานยนต์ไร้คนขับ เป็นหนึ่งในการประยุกต์ใช้ Causal AI ที่ท้าทายที่สุด ระบบที่อาศัยสหสัมพันธ์สามารถตรวจจับคนเดินถนนได้ แต่โมเดลเชิงเหตุปัจจัยสามารถอนุมานได้ว่าเหตุใดคนคนนั้นอาจข้ามถนน วิ่งตามลูกบอล หรือหลบสิ่งกีดขวาง ความเข้าใจเจตนาและความเป็นเหตุเป็นผลนี้จำเป็นต่อการนำทางอย่างปลอดภัยในสภาพแวดล้อมที่เปลี่ยนแปลงตลอดเวลา

บทสรุป

ยุคของ AI ที่พึ่งพาสหสัมพันธ์กำลังสิ้นสุดลง การสร้างโมเดลที่เข้าใจว่าเหตุใดสิ่งต่าง ๆ จึงเกิดขึ้น ทำให้ Causal AI มีพลังในการใช้เหตุผลที่จำเป็นต่อการวิเคราะห์แบบ “ถ้าเกิดว่า” ที่เชื่อถือได้ ความทนทานต่อเงื่อนไขที่เปลี่ยนแปลง และความสามารถในการอธิบายตามที่ธุรกิจและกฎระเบียบสมัยใหม่ต้องการ