AI for Oceans (Machine Learning เบื้องต้น) code.org (AI)

Multiple Choice

1. เป้าหมายหลักของ AI ที่ถูกฝึกฝนในกิจกรรม AI for Oceans คืออะไร?

• การทำนายระดับน้ำทะเลที่จะเพิ่มขึ้นในอนาคต

• การสร้างหุ่นยนต์ใต้น้ำที่มีความสามารถในการว่ายน้ำเร็วขึ้น

• การทำความสะอาดมหาสมุทรด้วยการกำจัดขยะด้วยตนเอง

• การจำแนกวัตถุในมหาสมุทรออกเป็น 'ขยะ' (Trash) และ 'ปลา' (Fish)

Multiple Choice

2. ขั้นตอนใดที่สำคัญที่สุดสำหรับนักเรียนในการ 'ฝึก' AI ในกิจกรรม AI for Oceans?

• การสร้างภาพ 3 มิติของวัตถุใต้น้ำ

• การระบุและป้ายกำกับ (Labeling) ภาพวัตถุว่าเป็น 'ขยะ' หรือ 'ปลา'

• การกำหนดความเร็วที่ AI ควรจะใช้ในการจำแนก

• การเขียนโค้ด 'if/else' เพื่อบอก AI ว่าอะไรคือขยะ

Multiple Choice

3. ในบริบทของกิจกรรมนี้ ข้อมูล (Data) ที่ใช้ในการสอน AI คืออะไร?

• พิกัด GPS ของแหล่งขยะ

• ชุดสูตรทางคณิตศาสตร์

• ภาพถ่ายและวิดีโอของสิ่งมีชีวิตและวัตถุในมหาสมุทร

• เสียงใต้น้ำของวาฬ

Multiple Choice

4. หากนักเรียนป้อนข้อมูลเพื่อฝึก AI โดยมี แต่ ภาพขยะที่มี 'สีน้ำตาลและเป็นทรงสี่เหลี่ยม' เท่านั้น ความลำเอียง (Bias) ที่อาจเกิดขึ้นกับโมเดล AI คืออะไร?

• AI จะใช้เวลาในการประมวลผลนานขึ้น

• AI อาจจำแนกวัตถุที่เป็น 'ปลา' ออกเป็น 'ขยะ' ได้ง่ายเกินไป

• AI อาจจำแนกขยะที่มีรูปร่างหรือสีอื่น ๆ ว่าไม่ใช่ 'ขยะ' แต่เป็น 'ปลา'

• AI จะไม่สามารถทำงานได้เลยเพราะขาดข้อมูลที่หลากหลาย

Multiple Choice

5. ความแตกต่างที่สำคัญระหว่าง AI ในกิจกรรมนี้ กับโปรแกรมคอมพิวเตอร์แบบดั้งเดิมที่ใช้กฎ 'ถ้า...แล้ว' (If/Else) อย่างชัดเจนคืออะไร?

• AI ใช้ไฟฟ้าน้อยกว่าโปรแกรมดั้งเดิม

• AI ไม่ต้องการข้อมูลใด ๆ ในการทำงาน

• โปรแกรมดั้งเดิมทำงานบนอินเทอร์เน็ตได้เท่านั้น ส่วน AI ไม่ได้

• AI สามารถเรียนรู้ที่จะจำแนกวัตถุใหม่ ๆ จากตัวอย่างที่ให้ โดยไม่ต้องมีกฎที่มนุษย์กำหนดไว้ล่วงหน้า

Multiple Choice

6. เมื่อ AI ได้รับการฝึกฝนเรียบร้อยแล้ว และป้อนภาพวัตถุใหม่ที่ไม่เคยเห็นมาก่อนเข้าไปในระบบ สิ่งที่ AI ส่งออกมา (Output) คืออะไร?

• ชุดกฎ 'if/else' สำหรับนักเรียนคนอื่น ๆ

• ข้อเสนอแนะในการปรับปรุงชุดข้อมูลการฝึก

• การจัดประเภท (Classification) หรือป้ายกำกับ (Label) ว่าวัตถุนั้นคือ 'ขยะ' หรือ 'ปลา'

• ภาพวัตถุใหม่ที่มีความคมชัดสูงขึ้น

Multiple Choice

7. หาก AI ที่ถูกฝึกฝนแล้วจำแนก ชิ้นส่วนขยะ ชิ้นหนึ่งว่าเป็น ปลา อย่างสม่ำเสมอ นักเรียนควรทำอย่างไรเพื่อแก้ไขปัญหานี้ ตามหลักการของการเรียนรู้ของเครื่อง?

• เพิ่มกฎ 'if/else' เข้าไปในโค้ดเพื่อแก้ไขข้อผิดพลาดเฉพาะนี้

• ลบโค้ด AI ทั้งหมดแล้วเริ่มใหม่

• เพิ่ม 'ชิ้นส่วนขยะ' ชิ้นนั้นพร้อมป้ายกำกับ 'ขยะ' เข้าไปในชุดข้อมูลการฝึกฝน และฝึก AI ซ้ำ (Retrain)

• เปลี่ยนชื่อโมเดล AI เป็นชื่ออื่น

Multiple Choice

8. เมื่อ AI วิเคราะห์วัตถุเพื่อจำแนก มันจะพิจารณา 'ลักษณะเด่น' (Features) ของวัตถุนั้น ตัวอย่างของลักษณะเด่นที่ AI อาจใช้ในการตัดสินใจในกิจกรรมนี้คืออะไร?

• อารมณ์ความรู้สึกของนักเรียนที่ฝึก AI

• อุณหภูมิของน้ำทะเล

• สี รูปร่าง และพื้นผิวของวัตถุ

• น้ำหนักโมเลกุลของวัตถุ

Multiple Choice

9. แนวคิดของการจำแนกวัตถุด้วย AI ที่เรียนรู้จาก AI for Oceans สามารถนำไปประยุกต์ใช้เพื่อแก้ปัญหาในโลกแห่งความเป็นจริงใดได้อีก?

• การสร้างหุ่นยนต์ที่สามารถขับรถบนท้องถนนได้อย่างปลอดภัย

• การคำนวณปริมาณน้ำฝนในแต่ละปี

• การคัดแยกอีเมลว่าเป็น 'สแปม' (Spam) หรือ 'ไม่ใช่สแปม' (Not Spam)

• การบันทึกข้อมูลประชากรของประเทศ

Multiple Choice

10. เหตุใดการมีชุดข้อมูล (Dataset) ที่มีความหลากหลายของทั้ง 'ขยะ' และ 'ปลา' จึงมีความสำคัญต่อความสำเร็จของโมเดล AI ในกิจกรรมนี้?

• เพื่อให้ AI มีความแม่นยำและสามารถจำแนกวัตถุใหม่ ๆ ที่หลากหลายได้โดยไม่มีความลำเอียงมากเกินไป

• พื่อให้ AI สามารถทำงานได้เร็วขึ้นอย่างน้อย 50%

• เพื่อให้โปรแกรมสามารถรันได้โดยไม่ต้องใช้พลังงานมาก

• เพื่อให้โค้ดที่สร้างขึ้นมีความยาวน้อยลง

Multiple Choice

11. สิ่งใดคือข้อมูลที่สำคัญที่สุดที่นักเรียนป้อนให้ AI เพื่อเริ่มต้นกระบวนการ 'เรียนรู้' ในกิจกรรม AI for Oceans?

• จำนวนบรรทัดของโค้ดที่ใช้ในการสร้าง AI

• ภาพวัตถุที่ถูกป้ายกำกับว่าเป็น 'ขยะ' หรือ 'ปลา'

• ชื่อของนักเรียนที่ทำการฝึก AI

• อุณหภูมิเฉลี่ยของน้ำทะเล

Multiple Choice

12. หลังจากที่ AI ได้รับการฝึกฝนด้วยชุดข้อมูลเรียบร้อยแล้ว สิ่งที่ AI 'สร้าง' ขึ้นมาเพื่อใช้ในการตัดสินใจจำแนกวัตถุใหม่คืออะไร?

• โมเดลการเรียนรู้ (Learning Model)

• ระบบปฏิบัติการใหม่

• อัลกอริทึมการค้นหาที่รวดเร็ว

• ชุดกฎ If/Else ที่อ่านง่าย

Multiple Choice

13. ในกิจกรรม AI for Oceans หาก AI มี 'ความแม่นยำ' (Accuracy) อยู่ที่ 80% หมายความว่าอย่างไร?

• AI สามารถจำแนกวัตถุได้อย่างถูกต้อง 8 ในทุก ๆ 10 ครั้ง

• AI สามารถจำแนกเฉพาะปลาได้เท่านั้น แต่จำแนกขยะไม่ได้ 20%

• AI ต้องได้รับการฝึกฝนเพิ่มเติมอีก 20% ของจำนวนข้อมูลทั้งหมด

• AI ใช้เวลาในการจำแนกช้ากว่าปกติ 20%

Multiple Choice

14. หากนักเรียนฝึก AI โดยป้ายกำกับวัตถุที่มี สีขาว ทั้งหมดว่าเป็น 'ปลา' ความลำเอียงใดที่อาจเกิดขึ้นเมื่อ AI เจอกับถุงพลาสติกสีขาวที่ลอยอยู่ในทะเล?

• 
  AI จะขอให้นักเรียนกำหนดกฎ 'if/else' เพื่อแก้ไข

• AI อาจจำแนกถุงพลาสติกสีขาวว่าเป็น 'ปลา' เนื่องจากถูกฝึกให้เชื่อมโยงสีขาวกับประเภท 'ปลา'

• AI จะจำแนกวัตถุสีขาวทุกชิ้นเป็น 'ขยะ' เพื่อความปลอดภัย

• AI อาจไม่สามารถทำงานได้เลยเนื่องจากความสับสนของข้อมูล

Multiple Choice

15. คำว่า 'ลักษณะเด่น' (Features) ในบริบทของ AI ที่จำแนกภาพปลาและขยะ หมายถึงอะไร?

• คุณสมบัติที่ AI สามารถสังเกตได้จากภาพ เช่น สี รูปร่าง ขนาด และพื้นผิว

• รหัส ID ที่ใช้กำหนดวัตถุแต่ละชิ้น

• ชื่อทางวิทยาศาสตร์ของปลาแต่ละชนิด

• ความเร็วในการเคลื่อนที่ของวัตถุ

Multiple Choice

16. เหตุใด Machine Learning จึงเป็นวิธีการที่เหมาะสมกว่าการเขียนกฎ 'ถ้า...แล้ว' (If/Else) จำนวนมาก เพื่อจำแนกขยะในมหาสมุทร?

• เพราะ AI ไม่ต้องการข้อมูลใด ๆ ในการทำงาน

• เพราะวัตถุในมหาสมุทรมีความหลากหลายและรูปแบบซับซ้อนเกินกว่าจะเขียนกฎที่ครอบคลุมได้ทั้งหมด

• เพราะ Machine Learning ใช้ไฟฟ้าในการประมวลผลน้อยกว่า

• เพราะกฎ If/Else ไม่สามารถจำแนกภาพถ่ายได้เลย

Multiple Choice

17. หาก AI ทำการคาดการณ์ได้อย่างถูกต้อง แต่ 'ความเชื่อมั่น' (Confidence Score) ในผลลัพธ์นั้นยังต่ำ นักเรียนควรทำอย่างไรเพื่อเพิ่มความเชื่อมั่นของ AI?

• เพิ่มจำนวนข้อมูลที่ถูกป้ายกำกับอย่างถูกต้องและหลากหลายมากขึ้นในชุดข้อมูลการฝึกฝน

• เรียกใช้ AI โดยไม่ต้องป้อนข้อมูลใด ๆ

• ลดจำนวนข้อมูลที่ใช้ในการฝึกฝนลงเพื่อให้โมเดลทำงานได้รวดเร็วขึ้น

• กำหนดให้ค่าความเชื่อมั่นเป็น 100% เสมอในการตั้งค่าโปรแกรม

Multiple Choice

18. การจำแนกวัตถุตามหลักการที่เรียนรู้จากกิจกรรม AI for Oceans สอดคล้องกับการทำงานของระบบใดต่อไปนี้?

• การบันทึกฐานข้อมูลการบริจาคโลหิต

• การทำนายราคาหุ้นในตลาดหลักทรัพย์

• เครื่องมือที่คัดกรองเมลขยะ (Spam) โดยจัดหมวดหมู่อีเมลเป็น 'ขยะ' หรือ 'ไม่ใช่ขยะ'

• การคำนวณระยะทางจากดาวเทียม

Multiple Choice

19. เมื่อ AI ทำผิดพลาดในการจำแนกครั้งแรก สิ่งที่นักเรียนควรทำคือการแก้ไขข้อมูลที่ผิดพลาด แล้วนำ AI เข้าสู่กระบวนการที่เรียกว่าอะไร?

• การตรวจสอบข้อมูล (Data Checking)

• การทำลายโมเดล (Model Destruction)

• การฝึกฝนซ้ำ (Retraining)

• การเขียนโปรแกรมใหม่ทั้งหมด

Multiple Choice

20. ส่วนใดของกระบวนการ Machine Learning ที่รับผิดชอบในการ 'คำนวณ' และ 'สร้างตรรกะ' ในการจำแนกวัตถุโดยอัตโนมัติ?

• ฮาร์ดแวร์คอมพิวเตอร์ (Computer Hardware)

• ป้ายกำกับข้อมูล (Data Labels)

• อัลกอริทึมการเรียนรู้ (Learning Algorithm)

• อินเทอร์เฟซผู้ใช้ (User Interface)