1. บทนำสู่ปัญญาประดิษฐ์ (Introduction to Artificial Intelligence)

1.1 ความหมายและนิยามของปัญญาประดิษฐ์ (Definition of AI)

1.1.1 ปัญญาประดิษฐ์คืออะไร?

ปัญญาประดิษฐ์ (Artificial Intelligence: AI) คือ สาขาวิชาทางวิทยาการคอมพิวเตอร์ที่มุ่งเน้นการสร้างระบบหรือเครื่องจักรที่สามารถแสดงพฤติกรรมอัจฉริยะ โดยสามารถ รับรู้ (Perceive) สิ่งแวดล้อม เรียนรู้ (Learn) จากประสบการณ์ ตัดสินใจ (Decide) และ กระทำ (Act) เพื่อบรรลุเป้าหมายที่กำหนด

นิยามของ AI สามารถแบ่งออกได้เป็น 4 แนวทางหลัก:

1.1.2 การทดสอบทัวริง (Turing Test)

การทดสอบทัวริง เสนอโดย Alan Turing ในปี 1950 เป็นวิธีการทดสอบว่าเครื่องจักรมีความฉลาดหรือไม่ โดยหากมนุษย์ไม่สามารถแยกแยะได้ว่ากำลังสนทนากับมนุษย์หรือเครื่องจักร แสดงว่าเครื่องจักรนั้นผ่านการทดสอบ

flowchart LR
    subgraph Test["การทดสอบทัวริง (Turing Test)"]
        A["ผู้ถาม
(Interrogator)"] -->|"ส่งคำถาม"| B["หน้าจอ
(Screen)"]
        B -->|"รับคำตอบ"| A
        C["มนุษย์
(Human)"] -->|"ตอบ"| B
        D["เครื่องจักร
(Machine)"] -->|"ตอบ"| B
    end
    
    style A fill:#458588,stroke:#282828,color:#ebdbb2
    style B fill:#d79921,stroke:#282828,color:#282828
    style C fill:#98971a,stroke:#282828,color:#282828
    style D fill:#cc241d,stroke:#282828,color:#ebdbb2

ความสามารถที่เครื่องจักรต้องมีเพื่อผ่านการทดสอบทัวริง:

• การประมวลผลภาษาธรรมชาติ (Natural Language Processing) - สื่อสารเป็นภาษามนุษย์ได้
• การแทนความรู้ (Knowledge Representation) - จัดเก็บข้อมูลและความรู้
• การให้เหตุผลอัตโนมัติ (Automated Reasoning) - ใช้ความรู้ตอบคำถามและหาข้อสรุป
• การเรียนรู้ของเครื่อง (Machine Learning) - ปรับตัวจากประสบการณ์

1.2 ประวัติและวิวัฒนาการของ AI (History and Evolution of AI)

1.2.1 ไทม์ไลน์การพัฒนา AI

flowchart TB
    subgraph Era1["ยุคบุกเบิก (1943-1956)"]
        A1["1943: McCulloch-Pitts
Neural Network Model"] --> A2["1950: Turing Test
Alan Turing"]
        A2 --> A3["1956: Dartmouth Conference
กำเนิดคำว่า AI"]
    end
    
    subgraph Era2["ยุคทอง (1956-1974)"]
        B1["1958: LISP
John McCarthy"] --> B2["1966: ELIZA
Chatbot แรก"]
        B2 --> B3["1969: SHAKEY
หุ่นยนต์เคลื่อนที่"]
    end
    
    subgraph Era3["ยุค AI Winter (1974-1993)"]
        C1["1974: ขาดเงินทุน
ผลลัพธ์ไม่เป็นไปตามคาด"] --> C2["1980s: Expert Systems
ระบบผู้เชี่ยวชาญ"]
        C2 --> C3["1987: AI Winter ครั้งที่ 2
ตลาดล่มสลาย"]
    end
    
    subgraph Era4["ยุคฟื้นฟู (1993-2011)"]
        D1["1997: Deep Blue
ชนะแชมป์หมากรุก"] --> D2["2006: Deep Learning
Geoffrey Hinton"]
        D2 --> D3["2011: Watson
ชนะ Jeopardy!"]
    end
    
    subgraph Era5["ยุคปัจจุบัน (2012-Now)"]
        E1["2012: AlexNet
Image Recognition"] --> E2["2016: AlphaGo
ชนะแชมป์โกะ"]
        E2 --> E3["2022: ChatGPT
Large Language Models"]
        E3 --> E4["2024: AI Agents
Multimodal AI"]
    end
    
    Era1 --> Era2 --> Era3 --> Era4 --> Era5
    
    style A1 fill:#458588,stroke:#282828,color:#ebdbb2
    style A2 fill:#458588,stroke:#282828,color:#ebdbb2
    style A3 fill:#458588,stroke:#282828,color:#ebdbb2
    style B1 fill:#98971a,stroke:#282828,color:#282828
    style B2 fill:#98971a,stroke:#282828,color:#282828
    style B3 fill:#98971a,stroke:#282828,color:#282828
    style C1 fill:#cc241d,stroke:#282828,color:#ebdbb2
    style C2 fill:#cc241d,stroke:#282828,color:#ebdbb2
    style C3 fill:#cc241d,stroke:#282828,color:#ebdbb2
    style D1 fill:#d79921,stroke:#282828,color:#282828
    style D2 fill:#d79921,stroke:#282828,color:#282828
    style D3 fill:#d79921,stroke:#282828,color:#282828
    style E1 fill:#b16286,stroke:#282828,color:#ebdbb2
    style E2 fill:#b16286,stroke:#282828,color:#ebdbb2
    style E3 fill:#b16286,stroke:#282828,color:#ebdbb2
    style E4 fill:#b16286,stroke:#282828,color:#ebdbb2

1.2.2 เหตุการณ์สำคัญในประวัติศาสตร์ AI

1.3 สาขาต่าง ๆ ของ AI (Branches of AI)

mindmap
    root((ปัญญาประดิษฐ์
AI))
        Machine Learning
            Supervised Learning
            Unsupervised Learning
            Reinforcement Learning
            Deep Learning
        Computer Vision
            Image Classification
            Object Detection
            Face Recognition
            Image Segmentation
        Natural Language Processing
            Text Classification
            Machine Translation
            Chatbots
            Sentiment Analysis
        Robotics
            Motion Planning
            Manipulation
            Autonomous Navigation
            Human-Robot Interaction
        Expert Systems
            Knowledge Base
            Inference Engine
            Rule-Based Systems
        Speech Recognition
            Voice Assistants
            Speech-to-Text
            Text-to-Speech

1.3.1 การเรียนรู้ของเครื่อง (Machine Learning)

Machine Learning (ML) คือ สาขาย่อยของ AI ที่มุ่งเน้นการพัฒนาอัลกอริทึมที่สามารถ เรียนรู้รูปแบบ (Pattern) จากข้อมูล และ ทำนาย (Predict) หรือตัดสินใจโดยไม่ต้องเขียนโปรแกรมอย่างชัดเจน

ประเภทหลักของ Machine Learning:

1. การเรียนรู้แบบมีผู้สอน (Supervised Learning)

   • เรียนรู้จากข้อมูลที่มี Label
   • ตัวอย่าง: Classification, Regression

2. การเรียนรู้แบบไม่มีผู้สอน (Unsupervised Learning)

   • ค้นหารูปแบบจากข้อมูลที่ไม่มี Label
   • ตัวอย่าง: Clustering, Dimensionality Reduction

3. การเรียนรู้แบบเสริมกำลัง (Reinforcement Learning)

   • เรียนรู้จากการลองผิดลองถูกและรับ Reward
   • ตัวอย่าง: Game AI, Robotics

"""
ตัวอย่าง: การจำแนกประเภท (Classification) ด้วย scikit-learn
การเรียนรู้แบบมีผู้สอนเพื่อจำแนกดอกไอริส
"""

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

# โหลดข้อมูลตัวอย่าง (Iris Dataset)
iris = load_iris()
X = iris.data      # คุณลักษณะ (Features): ความยาว/ความกว้างของกลีบดอก
y = iris.target    # ป้ายกำกับ (Labels): สายพันธุ์ของดอกไอริส

# แบ่งข้อมูลสำหรับฝึกและทดสอบ (80% train, 20% test)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# สร้างและฝึกโมเดล Decision Tree
model = DecisionTreeClassifier(max_depth=3)
model.fit(X_train, y_train)  # ฝึกโมเดลด้วยข้อมูล train

# ทำนายผลลัพธ์
y_pred = model.predict(X_test)

# วัดความแม่นยำ
accuracy = accuracy_score(y_test, y_pred)
print(f"ความแม่นยำของโมเดล: {accuracy:.2%}")

# ตัวอย่างการใช้งาน
# Output: ความแม่นยำของโมเดล: 100.00%

1.3.2 การมองเห็นด้วยคอมพิวเตอร์ (Computer Vision)

Computer Vision คือ สาขาที่ทำให้คอมพิวเตอร์สามารถ ตีความและเข้าใจภาพ หรือวิดีโอ เหมือนกับที่มนุษย์มองเห็น

งานหลักใน Computer Vision:

• Image Classification - จำแนกประเภทภาพ
• Object Detection - ตรวจจับและระบุตำแหน่งวัตถุ
• Semantic Segmentation - แบ่งส่วนภาพตามความหมาย
• Face Recognition - จดจำใบหน้า
• Optical Character Recognition (OCR) - อ่านตัวอักษรจากภาพ

"""
ตัวอย่าง: การตรวจจับขอบภาพด้วย OpenCV
พื้นฐาน Computer Vision ในการประมวลผลภาพ
"""

import cv2
import numpy as np

def detect_edges(image_path: str, threshold1: int = 100, threshold2: int = 200):
    """
    ตรวจจับขอบภาพด้วย Canny Edge Detection
    
    Args:
        image_path: เส้นทางไปยังไฟล์ภาพ
        threshold1: ค่าขีดแบ่งต่ำสุด
        threshold2: ค่าขีดแบ่งสูงสุด
    
    Returns:
        ภาพที่แสดงขอบที่ตรวจจับได้
    """
    # อ่านภาพเป็นโทนสีเทา (Grayscale)
    image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
    
    # ลด Noise ด้วย Gaussian Blur
    blurred = cv2.GaussianBlur(image, (5, 5), 0)
    
    # ตรวจจับขอบด้วย Canny Algorithm
    edges = cv2.Canny(blurred, threshold1, threshold2)
    
    return edges

# ตัวอย่างการใช้งาน
# edges = detect_edges("sample_image.jpg")
# cv2.imwrite("edges_output.jpg", edges)

1.3.3 การประมวลผลภาษาธรรมชาติ (Natural Language Processing)

Natural Language Processing (NLP) คือ สาขาที่ทำให้คอมพิวเตอร์สามารถ เข้าใจ ตีความ และสร้างภาษามนุษย์ ได้

flowchart LR
    subgraph Input["ข้อมูลนำเข้า"]
        A["ข้อความดิบ
(Raw Text)"]
    end
    
    subgraph Process["กระบวนการ NLP"]
        B["Tokenization
แบ่งคำ"] --> C["Preprocessing
ทำความสะอาด"]
        C --> D["Feature Extraction
สกัดคุณลักษณะ"]
        D --> E["Model
โมเดล ML/DL"]
    end
    
    subgraph Output["ผลลัพธ์"]
        F["Classification
จำแนก"]
        G["Translation
แปลภาษา"]
        H["Generation
สร้างข้อความ"]
    end
    
    A --> B
    E --> F
    E --> G
    E --> H
    
    style A fill:#458588,stroke:#282828,color:#ebdbb2
    style B fill:#98971a,stroke:#282828,color:#282828
    style C fill:#98971a,stroke:#282828,color:#282828
    style D fill:#98971a,stroke:#282828,color:#282828
    style E fill:#d79921,stroke:#282828,color:#282828
    style F fill:#b16286,stroke:#282828,color:#ebdbb2
    style G fill:#b16286,stroke:#282828,color:#ebdbb2
    style H fill:#b16286,stroke:#282828,color:#ebdbb2

งานหลักใน NLP:

• Text Classification - จำแนกหมวดหมู่ข้อความ
• Sentiment Analysis - วิเคราะห์ความรู้สึก
• Named Entity Recognition (NER) - ระบุชื่อเฉพาะ
• Machine Translation - แปลภาษา
• Question Answering - ตอบคำถาม
• Text Summarization - สรุปข้อความ

1.3.4 หุ่นยนต์ (Robotics)

Robotics คือ สาขาที่ผสมผสาน AI กับวิศวกรรมเครื่องกล เพื่อสร้าง เครื่องจักรอัตโนมัติ ที่สามารถทำงานในโลกจริงได้

องค์ประกอบหลักของหุ่นยนต์อัจฉริยะ:

• Perception (การรับรู้) - เซ็นเซอร์ กล้อง LiDAR
• Planning (การวางแผน) - Path Planning, Motion Planning
• Control (การควบคุม) - Actuators, Motors
• Learning (การเรียนรู้) - ปรับตัวจากประสบการณ์

1.4 ประเภทของ AI: Weak AI vs Strong AI

1.4.1 AI แบบแคบ (Narrow AI / Weak AI)

Narrow AI หรือ Weak AI คือ ระบบ AI ที่ถูกออกแบบและฝึกมาเพื่อทำ งานเฉพาะทาง เพียงอย่างเดียว ไม่มีความเข้าใจหรือจิตสำนึกที่แท้จริง

ตัวอย่าง Narrow AI ในปัจจุบัน:

• Siri, Alexa, Google Assistant - ผู้ช่วยเสียง
• Netflix, YouTube Recommendations - ระบบแนะนำ
• Tesla Autopilot - ระบบขับขี่อัตโนมัติ
• ChatGPT, Claude - ระบบสนทนา
• DeepL, Google Translate - แปลภาษา

1.4.2 AI แบบทั่วไป (General AI / Strong AI)

General AI หรือ Strong AI หรือ Artificial General Intelligence (AGI) คือ ระบบ AI สมมติที่มีความสามารถทาง สติปัญญาเทียบเท่ามนุษย์ สามารถเรียนรู้และทำงานได้ทุกประเภท

1.4.3 Super AI

Super AI หรือ Artificial Superintelligence (ASI) คือ แนวคิดเชิงทฤษฎีของ AI ที่มีความฉลาด เหนือกว่ามนุษย์ทุกด้าน รวมถึงความคิดสร้างสรรค์ การแก้ปัญหา และปฏิสัมพันธ์ทางสังคม

flowchart TB
    subgraph Levels["ระดับของปัญญาประดิษฐ์"]
        direction TB
        A["Narrow AI
(ANI)
งานเฉพาะทาง"] --> B["General AI
(AGI)
เทียบเท่ามนุษย์"]
        B --> C["Super AI
(ASI)
เหนือมนุษย์"]
    end
    
    D["สถานะปัจจุบัน:
เราอยู่ที่นี่"] -.-> A
    
    style A fill:#98971a,stroke:#282828,color:#282828
    style B fill:#d79921,stroke:#282828,color:#282828
    style C fill:#cc241d,stroke:#282828,color:#ebdbb2
    style D fill:#458588,stroke:#282828,color:#ebdbb2

1.5 ตัวแทนอัจฉริยะและสิ่งแวดล้อม (Intelligent Agents and Environment)

1.5.1 นิยามของตัวแทนอัจฉริยะ (Intelligent Agent)

ตัวแทน (Agent) คือ สิ่งใดก็ตามที่สามารถ รับรู้ (Perceive) สิ่งแวดล้อมผ่านเซ็นเซอร์ และ กระทำ (Act) ต่อสิ่งแวดล้อมผ่านแอคชูเอเตอร์

ตัวแทนอัจฉริยะ (Intelligent Agent) คือ ตัวแทนที่กระทำอย่าง มีเหตุผล (Rational) เพื่อบรรลุเป้าหมายที่ดีที่สุด

flowchart LR
    subgraph Environment["สิ่งแวดล้อม (Environment)"]
        E["สถานะโลก
(World State)"]
    end
    
    subgraph Agent["ตัวแทน (Agent)"]
        S["เซ็นเซอร์
(Sensors)"] --> P["การรับรู้
(Percepts)"]
        P --> D["การตัดสินใจ
(Decision)"]
        D --> A["การกระทำ
(Actions)"]
        A --> Act["แอคชูเอเตอร์
(Actuators)"]
    end
    
    E -->|"รับรู้"| S
    Act -->|"กระทำ"| E
    
    style E fill:#689d6a,stroke:#282828,color:#282828
    style S fill:#458588,stroke:#282828,color:#ebdbb2
    style P fill:#458588,stroke:#282828,color:#ebdbb2
    style D fill:#d79921,stroke:#282828,color:#282828
    style A fill:#cc241d,stroke:#282828,color:#ebdbb2
    style Act fill:#cc241d,stroke:#282828,color:#ebdbb2

ฟังก์ชันของตัวแทน (Agent Function) สามารถแสดงได้ดังนี้:

โดยที่:

• f = ฟังก์ชันตัวแทน (Agent Function)
• P* = ลำดับของการรับรู้ทั้งหมด (Percept Sequence)
• A = การกระทำ (Action)

1.5.2 โครงสร้างของตัวแทน (Agent Structure)

Agent = Architecture + Program

1.5.3 ประเภทของตัวแทน (Types of Agents)

1. Simple Reflex Agent

   • ตอบสนองตามกฎ if-then อย่างง่าย
   • ไม่มีความจำ ตัดสินใจจากการรับรู้ปัจจุบันเท่านั้น

2. Model-Based Reflex Agent

   • มีโมเดลภายในของโลก (Internal Model)
   • ติดตามสถานะที่มองไม่เห็น

3. Goal-Based Agent

   • มีเป้าหมายที่ต้องบรรลุ
   • วางแผนเพื่อไปถึงเป้าหมาย

4. Utility-Based Agent

   • มีฟังก์ชัน Utility วัดความพึงพอใจ
   • เลือกการกระทำที่ให้ Utility สูงสุด

5. Learning Agent

   • เรียนรู้และปรับปรุงประสิทธิภาพ
   • มี Learning Element และ Performance Element

flowchart TB
    subgraph Types["ประเภทของตัวแทน (Types of Agents)"]
        A["Simple Reflex
ตอบสนองอย่างง่าย"] --> B["Model-Based
มีโมเดลภายใน"]
        B --> C["Goal-Based
มีเป้าหมาย"]
        C --> D["Utility-Based
มีฟังก์ชัน Utility"]
        D --> E["Learning Agent
เรียนรู้ได้"]
    end
    
    F["ความซับซ้อน
เพิ่มขึ้น"] -.-> Types
    
    style A fill:#98971a,stroke:#282828,color:#282828
    style B fill:#689d6a,stroke:#282828,color:#282828
    style C fill:#458588,stroke:#282828,color:#ebdbb2
    style D fill:#d79921,stroke:#282828,color:#282828
    style E fill:#b16286,stroke:#282828,color:#ebdbb2
    style F fill:#504945,stroke:#282828,color:#ebdbb2

"""
ตัวอย่าง: Simple Reflex Agent
ตัวแทนแบบตอบสนองอย่างง่ายสำหรับหุ่นยนต์ดูดฝุ่น
"""

class SimpleReflexVacuumAgent:
    """
    ตัวแทนหุ่นยนต์ดูดฝุ่นแบบ Simple Reflex
    ทำงานในสิ่งแวดล้อม 2 ห้อง (A และ B)
    """
    
    def __init__(self):
        """กำหนดค่าเริ่มต้น"""
        self.location = 'A'  # ตำแหน่งเริ่มต้น
    
    def perceive(self, environment: dict) -> tuple:
        """
        รับรู้สถานะปัจจุบัน
        
        Args:
            environment: สถานะความสะอาดของแต่ละห้อง
        
        Returns:
            tuple ของ (ตำแหน่ง, สถานะความสะอาด)
        """
        status = environment[self.location]
        return (self.location, status)
    
    def act(self, percept: tuple) -> str:
        """
        เลือกการกระทำตามกฎ if-then
        
        Args:
            percept: การรับรู้ปัจจุบัน (ตำแหน่ง, สถานะ)
        
        Returns:
            การกระทำที่เลือก
        """
        location, status = percept
        
        # กฎที่ 1: ถ้าสกปรก ให้ดูดฝุ่น
        if status == 'Dirty':
            return 'Suck'
        # กฎที่ 2: ถ้าอยู่ห้อง A ให้ไปห้อง B
        elif location == 'A':
            return 'Right'
        # กฎที่ 3: ถ้าอยู่ห้อง B ให้ไปห้อง A
        else:
            return 'Left'

# ตัวอย่างการใช้งาน
agent = SimpleReflexVacuumAgent()
environment = {'A': 'Dirty', 'B': 'Clean'}

percept = agent.perceive(environment)
action = agent.act(percept)

print(f"ตำแหน่ง: {percept[0]}, สถานะ: {percept[1]}")
print(f"การกระทำ: {action}")

# Output:
# ตำแหน่ง: A, สถานะ: Dirty
# การกระทำ: Suck

1.5.4 คุณสมบัติของสิ่งแวดล้อม (Properties of Environments)

1.6 จริยธรรมและผลกระทบของ AI (Ethics and Impact of AI)

1.6.1 ประเด็นจริยธรรมหลัก (Key Ethical Issues)

mindmap
    root((จริยธรรม AI
AI Ethics))
        ความเป็นธรรม
            Bias ในข้อมูล
            การเลือกปฏิบัติ
            ความเท่าเทียม
        ความโปร่งใส
            Explainable AI
            Black Box Problem
            การตรวจสอบได้
        ความเป็นส่วนตัว
            การเก็บข้อมูล
            การใช้ข้อมูล
            สิทธิ์ในข้อมูล
        ความรับผิดชอบ
            ใครรับผิดชอบ?
            การตัดสินใจ AI
            ความเสียหาย
        ความปลอดภัย
            AI Safety
            Alignment Problem
            Control Problem
        ผลกระทบสังคม
            การว่างงาน
            ความเหลื่อมล้ำ
            การพึ่งพา AI

1.6.2 ความลำเอียง (Bias) ใน AI

Algorithmic Bias เกิดขึ้นเมื่อระบบ AI สร้างผลลัพธ์ที่ ไม่เป็นธรรม หรือ เลือกปฏิบัติ ต่อกลุ่มบุคคลบางกลุ่ม

แหล่งที่มาของ Bias:

• Data Bias - ข้อมูลฝึกไม่สมดุลหรือมีอคติ
• Selection Bias - การเลือกข้อมูลไม่เป็นตัวแทน
• Confirmation Bias - การออกแบบที่สนับสนุนความเชื่อเดิม
• Measurement Bias - การวัดที่ไม่ถูกต้อง

"""
ตัวอย่าง: การตรวจสอบ Bias ในโมเดล Classification
แสดงการวิเคราะห์ความเป็นธรรมของโมเดล
"""

import numpy as np
from sklearn.metrics import confusion_matrix

def calculate_fairness_metrics(y_true: np.ndarray, 
                                y_pred: np.ndarray, 
                                sensitive_attr: np.ndarray) -> dict:
    """
    คำนวณเมทริกความเป็นธรรมของโมเดล
    
    Args:
        y_true: ค่าจริง
        y_pred: ค่าทำนาย
        sensitive_attr: คุณลักษณะที่ต้องการตรวจสอบ (เช่น เพศ, เชื้อชาติ)
    
    Returns:
        dict ที่มีเมทริกความเป็นธรรมต่างๆ
    """
    results = {}
    unique_groups = np.unique(sensitive_attr)
    
    for group in unique_groups:
        # แยกข้อมูลตามกลุ่ม
        mask = sensitive_attr == group
        y_true_group = y_true[mask]
        y_pred_group = y_pred[mask]
        
        # คำนวณ True Positive Rate (TPR)
        tn, fp, fn, tp = confusion_matrix(y_true_group, y_pred_group).ravel()
        tpr = tp / (tp + fn) if (tp + fn) > 0 else 0
        
        # คำนวณ Positive Prediction Rate
        ppr = np.mean(y_pred_group)
        
        results[group] = {
            'TPR': tpr,           # อัตราการทำนายถูกต้องสำหรับกลุ่มบวก
            'PPR': ppr,           # อัตราการทำนายเป็นบวก
            'Count': np.sum(mask) # จำนวนข้อมูลในกลุ่ม
        }
    
    # คำนวณ Demographic Parity (ความแตกต่างของ PPR)
    pprs = [v['PPR'] for v in results.values()]
    results['Demographic_Parity_Diff'] = max(pprs) - min(pprs)
    
    return results

# ตัวอย่างการใช้งาน
# metrics = calculate_fairness_metrics(y_true, y_pred, gender)
# print(f"ความแตกต่าง Demographic Parity: {metrics['Demographic_Parity_Diff']:.4f}")

1.6.3 ความโปร่งใสและอธิบายได้ (Transparency and Explainability)

Explainable AI (XAI) คือ แนวทางการพัฒนา AI ที่ทำให้ผู้ใช้สามารถ เข้าใจและตรวจสอบ การตัดสินใจของระบบได้

ปัญหา Black Box:

• Deep Learning Models มีความซับซ้อนสูง ยากต่อการอธิบาย
• ไม่รู้ว่าทำไม AI ถึงตัดสินใจแบบนั้น
• ส่งผลต่อความไว้วางใจและการยอมรับ

เทคนิค XAI ที่นิยม:

• LIME (Local Interpretable Model-agnostic Explanations)
• SHAP (SHapley Additive exPlanations)
• Attention Visualization
• Feature Importance

1.6.4 ผลกระทบต่อสังคมและเศรษฐกิจ

1.6.5 หลักการจริยธรรม AI

หลักการที่องค์กรต่างๆ เสนอสำหรับการพัฒนา AI อย่างมีจริยธรรม:

1. ความเป็นธรรม (Fairness) - ไม่เลือกปฏิบัติ
2. ความโปร่งใส (Transparency) - อธิบายได้
3. ความเป็นส่วนตัว (Privacy) - ปกป้องข้อมูล
4. ความปลอดภัย (Safety) - ไม่ก่อให้เกิดอันตราย
5. ความรับผิดชอบ (Accountability) - มีผู้รับผิดชอบ
6. ความทนทาน (Robustness) - ทำงานได้อย่างน่าเชื่อถือ
7. การควบคุมโดยมนุษย์ (Human Oversight) - มนุษย์ยังเป็นผู้ตัดสินใจ

1.7 เครื่องมือและการเตรียมความพร้อม (Tools and Environment Setup)

1.7.1 Python Environment Setup

Anaconda เป็น Distribution ที่รวมเครื่องมือสำหรับ Data Science และ AI ไว้ครบถ้วน

"""
ขั้นตอนการติดตั้งและตั้งค่าสภาพแวดล้อม Python สำหรับ AI
"""

# 1. สร้าง Conda Environment สำหรับโปรเจค AI
# conda create -n ai_course python=3.11

# 2. เปิดใช้งาน Environment
# conda activate ai_course

# 3. ติดตั้ง Libraries พื้นฐาน
# pip install numpy pandas matplotlib seaborn

# 4. ติดตั้ง Machine Learning Libraries
# pip install scikit-learn

# 5. ติดตั้ง Deep Learning Frameworks
# pip install tensorflow torch torchvision

# 6. ติดตั้ง Jupyter Notebook
# pip install jupyter notebook

# 7. ตรวจสอบการติดตั้ง
import sys
print(f"Python Version: {sys.version}")

try:
    import numpy as np
    import pandas as pd
    import sklearn
    print(f"NumPy: {np.__version__}")
    print(f"Pandas: {pd.__version__}")
    print(f"Scikit-learn: {sklearn.__version__}")
except ImportError as e:
    print(f"ไม่พบ Library: {e}")

1.7.2 Google Colab

Google Colab เป็นบริการ Jupyter Notebook บนคลาวด์ที่ให้บริการ GPU และ TPU ฟรี

ข้อดีของ Google Colab:

• ไม่ต้องติดตั้งอะไรบนเครื่อง
• เข้าถึง GPU/TPU ฟรี
• รวมกับ Google Drive ได้
• แชร์และทำงานร่วมกันได้ง่าย

"""
ตัวอย่างการใช้งาน Google Colab
"""

# ตรวจสอบ GPU ที่มีใน Colab
# !nvidia-smi

# เชื่อมต่อกับ Google Drive
from google.colab import drive
drive.mount('/content/drive')

# ติดตั้ง Library เพิ่มเติม
# !pip install transformers

# อัปโหลดไฟล์
from google.colab import files
# uploaded = files.upload()

# ดาวน์โหลดไฟล์
# files.download('model.h5')

1.7.3 Git & GitHub

Git เป็นระบบ Version Control สำหรับจัดการ Source Code และ GitHub เป็นแพลตฟอร์มสำหรับเก็บ Repository

# คำสั่ง Git พื้นฐาน

# ตั้งค่า Git
git config --global user.name "Your Name"
git config --global user.email "your.email@example.com"

# สร้าง Repository ใหม่
git init

# Clone Repository
git clone https://github.com/username/repo.git

# ตรวจสอบสถานะ
git status

# เพิ่มไฟล์
git add .

# Commit
git commit -m "เพิ่มโมเดล AI สำหรับ classification"

# Push ขึ้น Remote
git push origin main

# Pull ข้อมูลล่าสุด
git pull origin main

# สร้าง Branch ใหม่
git checkout -b feature/new-model

1.7.4 Visual Studio Code

VS Code เป็น IDE ที่นิยมสำหรับการพัฒนา AI/ML เนื่องจากมี Extensions ที่มีประโยชน์

Extensions แนะนำสำหรับ AI Development:

• Python - รองรับ Python อย่างเต็มที่
• Jupyter - รัน Notebook ใน VS Code
• Pylance - IntelliSense ที่ดีขึ้น
• GitLens - เพิ่มความสามารถ Git
• GitHub Copilot - AI ช่วยเขียนโค้ด
• Docker - จัดการ Container

1.8 สรุปโดยรวม (Summary)

1.8.1 ประเด็นสำคัญที่ได้เรียนรู้

flowchart TB
    subgraph Summary["สรุปบทเรียน: บทนำสู่ปัญญาประดิษฐ์"]
        A["นิยาม AI
ระบบที่แสดงพฤติกรรมอัจฉริยะ"]
        B["ประวัติ AI
1943 - ปัจจุบัน"]
        C["สาขาของ AI
ML, CV, NLP, Robotics"]
        D["ประเภท AI
Narrow vs General vs Super"]
        E["Intelligent Agents
Perceive → Decide → Act"]
        F["จริยธรรม AI
Fairness, Transparency, Safety"]
        G["เครื่องมือ
Python, Colab, Git, VS Code"]
    end
    
    A --> B --> C --> D --> E --> F --> G
    
    style A fill:#458588,stroke:#282828,color:#ebdbb2
    style B fill:#98971a,stroke:#282828,color:#282828
    style C fill:#d79921,stroke:#282828,color:#282828
    style D fill:#cc241d,stroke:#282828,color:#ebdbb2
    style E fill:#b16286,stroke:#282828,color:#ebdbb2
    style F fill:#689d6a,stroke:#282828,color:#282828
    style G fill:#fe8019,stroke:#282828,color:#282828

1.8.2 ทักษะพื้นฐานที่ควรมี

สำหรับการศึกษา AI อย่างมีประสิทธิภาพ นักศึกษาควรมีพื้นฐานดังนี้:

1. คณิตศาสตร์

   • พีชคณิตเชิงเส้น (Linear Algebra)
   • แคลคูลัส (Calculus)
   • ความน่าจะเป็นและสถิติ (Probability & Statistics)

2. การเขียนโปรแกรม

   • Python เป็นหลัก
   • โครงสร้างข้อมูลและอัลกอริทึม
   • การจัดการ Libraries และ Dependencies

3. ความคิดเชิงวิเคราะห์

   • การแก้ปัญหาอย่างเป็นระบบ
   • การคิดเชิงตรรกะ
   • การออกแบบอัลกอริทึม

1.9 เอกสารอ้างอิง (References)

หนังสือหลัก

1. Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.

2. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

3. Mitchell, T. M. (1997). Machine Learning. McGraw-Hill.

แหล่งเรียนรู้ออนไลน์

• Stanford CS221: Artificial Intelligence
• MIT 6.034: Artificial Intelligence
• Coursera: Machine Learning by Andrew Ng
• Fast.ai: Practical Deep Learning

เอกสารเชิงจริยธรรม

• IEEE Global Initiative on Ethics of Autonomous and Intelligent Systems
• EU Guidelines for Trustworthy AI
• Anthropic Research on AI Safety