WEKA & AI reasoning

หน้าต่างของโปรแกรม WEKA

1.ส่วนบนสุดจะเป็นแท็บ (tab) ซึ่งมีด้วยกันทั้งหมด 6 แท็บวางเรียงกันอยู่ทางด้านบน ซึ่งแท็บต่างๆ เหล่านี้จะเป็นเมนูให้ผู้ใช้สามารถใช้งานเทคนิคต่างๆของ Weka ได้นั่นเอง

2.ส่วนที่อยู่ตรงกลางซึ่งจะเปลี่ยนไปตามการกดแท็บต่างๆ ส่วนนี้เป็นส่วนของการเลือก option ต่างๆใน การวิเคราะห์ข้อมูล และส่วนการแสดงผลลัพธ์หลังจากทำการวิเคราะห์ข้อมูลเสร็จแล้ว

3.ส่วนที่อยู่ด้านล่างสุด จะเป็นส่วนที่บอกสถานะ ของการทำงานในแต่ละขั้นตอน

การทำงานของแท็บเมนู ทั้ง6แท็บ

Preprocess เป็นส่วนที่ใช้ในการเลือกไฟล์ข้อมูลสำหรับเป็นอินพุท (input) เพื่อทำการ วิเคราะห์ข้อมูล

Classify เป็นส่วนที่ใช้ในการวิเคราะห์ข้อมูลด้วยวิธีการจำแนกข้อมูล (classification) หรือทำนายข้อมูล (prediction) ซึ่งจะมีวิธีการต่างๆให้เลือกมากมาย

Cluster เป็นส่วนที่ใช้ในการวิเคราะห์ข้อมูลด้วยวิธีการจัดกลุ่มข้อมูล (clustering) โดย จะจัดกลุ่มข้อมูลที่มีลักษณะคล้ายๆ กันหรือมีความสัมพันธ์กันเข้าไว้ด้วยกัน

Associate เป็นส่วนที่ใช้ในการวิเคราะห์ข้อมูลด้วยวิธีการหาความสัมพันธ์ของข้อมูล

Select attributes เป็นส่วนที่คล้ายๆ กับส่วน Preprocess แต่จะเน้นที่การหาว่าตัวแปรไหนที่ สำคัญและไม่สำคัญในชุดข้อมูลบ้าง ซึ่งตัวแปรที่ไม่สำคัญนี้จะถูกกำจัดทิ้งไป ก่อนที่จะวิเคราะห์ข้อมูลด้วยวิธีต่างๆ

Visualize เป็นส่วนของการ plot จุดข้อมูลในรูปแบบ 2 มิติ

ขั้นตอนการใช้งานเบื้องต้นของ โปรแกรม weka ตารางข้อมูลที่ใช้ในการทดสอบวิเคราะห์ ซึ่งตัวอย่างนี้เป็นการทำนายพยากรณ์อากาศ ก่อนการแข่งขันกีฬา ซึ่งการพยากรณ์อากาศเป็นสิ่งสำคัญเพราะการแข่งขันกีฬาบางประเภทต้องการอาศัย สภาพอากาศที่เหมาะสมอีกด้วย

Weka เป็นโปรแกรมที่สามารถใช้ Graphic User Interface (GUI) โดยมี ฟังก์ชันสําหรับการทํางานร่วมกับข้อมูล ได้แก่ Pre-Processing, Classification, Regression, Clustering, Association rules, Selection และ Visualization

ตัวอย่าง Preprocess Panel จาก Panel นี้ สามารถโหลดชุดข้อมูลเรียกดูคุณสมบัติของแอททริบิวต์และใช้การรวมกันของฟิลเตอร์

ขั้นตอนการใช้งานในการวิเคราะห์ข้อมูล

1. คลิก open file เพื่อทำการเลือกไฟล์ input ที่จะทำการใช้ในการทดสอบ ในการทดสอบครั้งนี้ใช้ไฟล์ที่เป็นนามสกุล .csv แล้วทำการคลิกปุ่ม open

หน้าต่างนี้จะแสดงผลข้อมูลที่ input ว่ามี attribute อะไรบ้าง

2.คลิกที่แท็บ Classify หน้าตาของ workspace จะเปลี่ยนไปเป็นส่วนของแท็บ Classify แล้วคลิกที่ ปุ่ม Choose จะมีลิสต์ (list) แสดงเทคนิคต่างๆ ของการ Classify ให้คลิกเลือกที่เมนู trees หลังจากนั้นให้ เลือกที่เทคนิคการจำแนกข้อมูลด้วย J48 โดยคลิกที่เมนูJ48 หลังจากนั้นคลิกที่ปุ่ม Start Weka จะ ทำงานและแสดงผลลัพธ์การทำงาน

หน้าต่างแสดงผลเมื่อเลือกเทคนิคการจำแนกข้อมูลด้วย J48 เสร็จแล้ว

3.หลังจากนั้นจะเห็นส่วนของ Classifier output ทางด้านขวาจะเปลี่ยนไป โดยจะแสดงผลการวิเคราะห์ในรูป แบบของ decision tree และข้อมูลทางสถิติอื่นๆ เช่น ค่าความถูกต้องในการทำนาย (Correctly Classified Instances) เป็นต้น ซึ่งข้อมูลที่เห็นนี้เป็นผลที่ได้จากการวิเคราะห์ข้อมูลด้วยเทคนิค J48

4.ในช่อง Result list ทางด้านซ้ายเมื่อเราทำการคลิกขวาและเลือกเมนู Visualize treeจะปรากฏหน้าจอ Tree View ขึ้นมา ซึ่งต้นไม้ (tree) ที่แสดงนี้จะเรียกว่า ต้นไม้ช่วยตัดสินใจ หรือ decision tree ซึ่งเป็นต้นไม้ที่ใช้ใน การสร้างกฏเพื่อนำไปทำนายข้อมูลใหม่ในอนาคต ตัวอย่างของกฎที่สร้างได้จากต้นไม้ช่วยตัดสินใจนี้เช่น ถ้ามีฝนตก (rainy) และ มีลมแรง (windy) ก็ไม่ควรจะแข่งขันกีฬา เป็นต้น

ผลลัพธ์ของการ Visualize tree

ตัวอย่าง การแสดงผล ของ Classifier Panel

ด้วยความนิยมที่เพิ่มขึ้นของระบบผู้เชี่ยวชาญการใช้เหตุผลอัตโนมัติรูปแบบใหม่หลายรูปแบบถูกนำไปใช้กับปัญหาที่หลากหลายในภาครัฐและอุตสาหกรรม บางกรณีเช่นการใช้เหตุผลเป็นกรณี ๆ นั้นไม่ได้มีการวิจัยระบบผู้เชี่ยวชาญ อื่น ๆ เช่นอัลกอริทึมความพึงพอใจข้อ จำกัด ยังได้รับอิทธิพลจากสาขาเช่นเทคโนโลยีการตัดสินใจและการเขียนโปรแกรมเชิงเส้น นอกจากนี้วิธีการที่แตกต่างอย่างสิ้นเชิงไม่ได้ขึ้นอยู่กับการใช้เหตุผลเชิงสัญลักษณ์ แต่ในโมเดลการเชื่อมต่อก็มีประสิทธิภาพมากเช่นกัน การให้เหตุผลอัตโนมัติแบบหลังนี้เหมาะอย่างยิ่งกับการจับคู่รูปแบบและประเภทการตรวจจับสัญญาณของปัญหา เช่น การค้นหาข้อความและการจับคู่ใบหน้า

สิ่งที่แยก AI ออกจากระบบอัตโนมัติอัจฉริยะเพียงอย่างเดียวคือความสามารถของเทคโนโลยีในการเรียนรู้และฉลาดขึ้นเมื่อเวลาผ่านไป AI เท่านั้นที่มีมิติที่สามนี้ หนึ่งในเหตุผลที่ AI ให้สัญญาว่าจะเป็นเช่นนั้นก็เพราะมันเปลี่ยนกระบวนทัศน์ในการที่เราเขียนโค้ดซอฟต์แวร์ แทนที่จะเขียนโปรแกรมในทุก ๆ “ ถ้าอย่างนั้น…ยกเว้น” เป็นหลักโดยบอกกลไกการประมวลผลว่าจะทำอย่างไร AI บอกให้หน่วยประมวลผลคอมพิวเตอร์นั้นเรียนรู้และคิดออกเอง ในการดำเนินการดังกล่าว AI จะแก้ไขปัญหาระยะสุดท้ายที่การเขียนโปรแกรมซอฟต์แวร์แบบดั้งเดิมไม่สามารถทำได้

ตัวอย่าง กระบวนการคิดของ Chat-Bot โดยการตรวจสอบประโยคที่ User ป้อนเข้ามาและทำการตรวจสอบการผิดพลาดของคำอีกรอบ ว่าใกล้เคียงมากกว่า 80% หรือไม่ หลังจากนั้นจะมีการตอบสนองกลับไปหา User