ต้องบอกว่าเป็นความพยายามที่น่ายกย่อง กับทายาทฟาร์มแตงกวาญี่ปุ่น “มาโกโตะ โคอิเคะ” (Makoto Koike) ที่นำเอาเทคโนโลยี Machine Learning ของ Google อย่าง TensorFlow มาใช้ในการคัดแยกผลผลิตแตงกวาญี่ปุ่นของทางฟาร์มได้เป็นผลสำเร็จ ทั้งๆ ที่ตัวเขานั้นไม่เคยสัมผัสมันมาก่อนเลย
โดยเขาเล่าว่า ฟาร์มของเขานั้น ผู้เป็นพ่อจะเพาะปลูกแตงกวาด้วยความตั้งใจ ส่วนงานของแม่เขาก็คือการคัดแยกแตงกวาเหล่านั้นออกเป็น 9 กลุ่ม ตั้งแต่กลุ่มดีเลิศ ไปจนถึงแตงกวาธรรมดา ซึ่งในช่วงที่มีผลผลิตออกมามากนั้น แม่ของเขาต้องใช้เวลาไม่ต่ำกว่า 8 ชั่วโมงในการคัดแยกผลผลิต ตัวเขาเองก็ต้องมาเรียนรู้การคัดแยกแตงกวากับแม่ด้วย ซึ่งความละเอียดในการคัดแยกระดับนี้ ไม่สามารถจ้างแรงงานชั่วคราวมาช่วยทำได้แต่อย่างใด เขาจึงมองว่า เทคโนโลยีอย่าง Machine Learning น่าจะเป็นตัวช่วยที่ดีกว่า
แรงบันดาลใจอีกประการหนึ่งคือการได้เห็น AlphaGo ของ Google ที่เอาชนะผู้เล่นโกะได้ นั่นจึงจุดประกายให้เขาคิดพัฒนาเครื่องแยกผลผลิตแตงกวาโดยใช้เทคโนโลยี Deep Learning ของ Google
“ผมเริ่มให้ TensorFlow เรียนรู้จากการดูภาพถ่ายแตงกวาในฟาร์มของผม ซึ่งเป็นครั้งแรกด้วยที่ผมได้ใช้ระบบ Machine Learning” โดยการนำ TensorFlow มาใช้นั้น Google เผยว่าไม่จำเป็นต้องมีความรู้คณิตศาสตร์ระดับสูง หรือต้องสามารถเข้าใจอัลกอริธึมเลยก็สามารถทำได้ เพียงแค่ดาวน์โหลดโค้ดตัวอย่างและทำตามคู่มือ ซึ่งที่ผ่านมา ได้มีผู้ที่ไม่มีพื้นฐานความรู้ทางเทคโนโลยีได้โหลดไปทดลองใช้งานแล้วพอสมควร
สำหรับมาโกโตะ เขาได้ใช้ภาพแตงกวาประมาณ 7,000 ภาพที่ถ่ายด้วยตัวเองเป็นแหล่งในการเรียนรู้ของระบบ Machine Learning ซึ่งในช่วงแรกของการเรียนรู้ ก็คือการให้ระบบแยกแยะได้ว่า ภาพที่เห็นนั้นเป็นแตงกวาหรือไม่ ต่อมาจึงค่อยๆ สอนให้มันรู้ว่า แตงกวาแต่ละชนิดแตกต่างกันอย่างไร
ซึ่งหลังจากทดสอบกับตัวอย่าง 7,000 ภาพนี้แล้ว พบว่าระบบสามารถคัดแยกแตงกวาได้อย่างแม่นยำถึง 95 เปอร์เซ็นต์ (แต่ใช้เวลานานถึง 3 เดือน) จากนั้น เขาจึงนำระบบที่พัฒนาแล้วมาใช้กับการคัดแยกแตงกวาจริงๆ ซึ่งพบว่า อัตราการคัดแยกได้อย่างถูกต้องนั้นลดลงเหลือราวๆ 70 เปอร์เซ็นต์ ซึ่งเกษตรกรหนุ่มรายนี้คาดการณ์ว่า มาจากภาพตัวอย่างที่เขาให้เครื่องได้เรียนรู้นั้นมีน้อยเกินไป เมื่อมาเรียนรู้จากสถานการณ์จริงจึงทำให้ระบบ Machine Learning เกิดความผิดพลาดด้านการคัดแยกผลผลิต
ความท้าทายประการที่สองคือ คอมพิวเตอร์ที่ใช้ในการรันระบบ Machine Learning ต้องเป็นคอมพิวเตอร์ที่มีสเป็คค่อนข้างสูง มาโคโตะเผยว่า ขนาดเขาใช้ภาพความละเอียดต่ำ ขนาด 80 x 80 พิกเซลยังต้องใช้เวลาถึง 3 วัน ระบบจึงสามารถเรียนรู้ได้จบทั้ง 7,000 ภาพ (เขาใช้ระบบปฏิบัติการ Windows)
ด้วยเหตุนี้ ทาง Google จึงมีการเสนอให้ใช้ Cloud Machine Learning (Cloud ML) แพลตฟอร์มคลาวด์ต้นทุนต่ำให้กับทางฟาร์ม เพื่อให้ฟาร์มสามารถดำเนินการฝึกสอนระบบ Machine Learning ได้ต่อไปโดยไม่ต้องลงทุนด้านเซิร์ฟเวอร์มากไปกว่านี้ด้วย
ที่มา: Google Cloud Platform
