ใน Lab นี้ คุณจะรับบทเป็นผู้ออกแบบระบบแนะนำการรดน้ำต้นไม้ ระบบไม่ได้เรียนจากข้อมูลและไม่ได้ทำนายความแม่นยำ แต่ตรวจข้อมูลตามกฎ IF–THEN ที่มนุษย์กำหนดไว้ล่วงหน้า ทุกครั้งที่เปลี่ยนตัวแปร คุณจะเห็นว่ากฎใดทำงานและเหตุใดคำตอบจึงเปลี่ยน
ข้อควรระวัง: นี่คือแบบจำลองเชิงกำหนดเพื่อการเรียนรู้ ไม่ใช่คำแนะนำเกษตรจริง และไม่มีข้อมูลจากหน้านี้ถูกส่งหรือจัดเก็บบนเซิร์ฟเวอร์
เมื่อจบ Lab นี้ คุณจะสามารถ…
อ่านลำดับกฎ
ระบุกฎแรกที่ตรงเงื่อนไขและอธิบายได้ว่าทำไมระบบจึงหยุดที่กฎนั้น
ควบคุมตัวแปร
เปลี่ยนตัวแปรเดียวแล้วเปรียบเทียบผลก่อน–หลังจากร่องรอยการตัดสินใจ
บอกขอบเขต
แยกได้ว่าสิ่งใดมาจากกฎมนุษย์ สิ่งใดระบบไม่รู้ และเหตุใดผลนี้ไม่ใช่คำแนะนำเกษตร
ภาพรวม: ระบบทำงานเหมือนรายการตรวจจากบนลงล่าง
ลองนึกถึงเจ้าหน้าที่ที่ถือรายการกฎไว้หนึ่งแผ่น เขาอ่านจากข้อ 1 ลงมา เมื่อพบข้อแรกที่ตรงก็เลือกคำตอบแล้วหยุด ระบบนี้ทำแบบเดียวกัน จึงให้ผลซ้ำเมื่ออินพุตเหมือนเดิม แต่ไม่ได้เรียนรู้จากผลที่เกิดขึ้นภายหลัง
คาดการณ์ก่อนทดลอง
ตั้งค่าดิน 15% พืชชอบความชื้น และไม่มีฝน คุณคิดว่าระบบจะทำอะไร จากนั้นลองเปลี่ยนเฉพาะสถานะฝนเป็น “กำลังตก” กฎใดน่าจะชนะ แม้ดินยังแห้งเท่าเดิม?
ทดลองเปลี่ยนตัวแปร แล้วอ่านร่องรอยการตัดสินใจ
ชุดตัวอย่างพร้อมทดลอง — ใช้ค่าทั้งสามชุดนี้เป็น Baseline สำหรับเปรียบเทียบ แล้วเลือกค่าจากแผงด้านล่าง
กฎที่ระบบใช้จริง
| ลำดับ | เงื่อนไข IF | ผลลัพธ์ THEN |
|---|---|---|
| 1 | กำลังมีฝน | ไม่รดน้ำ |
| 2 | ดินชื้นตั้งแต่ 70% ขึ้นไป | ไม่รดน้ำ |
| 3 | พืชทนแล้งและดินชื้นตั้งแต่ 35% | ไม่รดน้ำ |
| 4 | ดินต่ำกว่าเกณฑ์ของพืช และไม่มีฝนหรือแนวโน้มฝน | รดน้ำตามระดับความแห้ง |
| 5 | ดินต่ำกว่าเกณฑ์ แต่มีแนวโน้มฝนตก | รอตรวจอีกครั้ง |
| 6 | ไม่เข้าเงื่อนไขข้างต้น | ยังไม่รดน้ำ |
ระบบตรวจจากบนลงล่างและหยุดที่กฎแรกที่ตรง ชนิดพืชกำหนดเกณฑ์ความชื้นจำลองที่ 35%, 45% หรือ 55% ส่วนอุณหภูมิใช้ปรับปริมาณน้ำเฉพาะหลังระบบตัดสินใจรดน้ำแล้ว ไม่ได้เป็นหลักฐานว่าพืชต้องการน้ำเสมอ
ภารกิจทดลองแบบควบคุมตัวแปร
ภารกิจ 1 · Baseline
- ตั้งค่า: กด “ดินแห้ง ไม่มีฝน”
- คาดการณ์: กฎใดจะทำงาน?
- สังเกต: อ่านคำตอบ หมายเลขกฎ และร่องรอยทีละข้อ
- สัญญาณว่าทำถูก: เห็นว่าดินต่ำกว่าเกณฑ์และไม่มีฝนขวางการรดน้ำ
ภารกิจ 2 · เปลี่ยนตัวแปรเดียว
- คงความชื้น 15% พืชชอบความชื้น และอุณหภูมิ 30°C
- เปลี่ยนเฉพาะฝนจาก “ไม่มีฝน” เป็น “กำลังตก”
- เปรียบเทียบกฎก่อน–หลัง แล้วอธิบายว่าทำไมกฎ 1 ชนะกฎอื่น
- หากผลไม่เปลี่ยน: ตรวจว่าคุณเปลี่ยนช่อง “สภาพฝน” ไม่ใช่ “ชนิดพืช”
ภารกิจ 3 · หาค่าขอบ
- เลือกพืชทนแล้ง ไม่มีฝน แล้วเลื่อนดินจาก 34% เป็น 35%
- สังเกตว่าคำตอบเปลี่ยนตรงจุดใดและกฎใดรับช่วงต่อ
- อธิบายว่าค่าขอบทำให้ Rule-based AI เปราะได้อย่างไรเมื่อเซนเซอร์คลาดเคลื่อน
- สัญญาณว่าทำถูก: การเปลี่ยนเพียง 1% ทำให้กฎที่ทำงานเปลี่ยน
Mini challenge · อุณหภูมิมีสิทธิ์ตัดสินใจหรือไม่?
ตั้งให้ระบบ “ไม่รดน้ำ” แล้วเลื่อนอุณหภูมิจาก 15°C ไป 45°C จากนั้นสร้างกรณี “รดน้ำ” และลองซ้ำ อธิบายว่าอุณหภูมิเปลี่ยนคำตอบหลักหรือเปลี่ยนเพียงปริมาณน้ำ
สามเรื่องที่มักเข้าใจผิด
เปอร์เซ็นต์ไม่ใช่ความแม่นยำ
ตัวเลขความชื้นคืออินพุตจำลอง ไม่ได้วัดว่าระบบทำนายถูกกี่เปอร์เซ็นต์
โปร่งใสไม่ได้แปลว่าถูก
เราเห็นเหตุผลของระบบได้ แต่กฎที่มนุษย์เขียนอาจผิด ไม่ครบ หรือไม่เหมาะกับโลกจริง
ทำซ้ำได้ไม่ใช่เรียนรู้ได้
อินพุตเดิมให้ผลเดิมเพราะกฎคงที่ ระบบไม่ปรับกฎจากประสบการณ์เอง
สิ่งที่แบบจำลองนี้ไม่รู้
ชนิดกลไก: deterministic simulation ทำงานทั้งหมดในเบราว์เซอร์ ไม่เรียกโมเดล AI ภายนอก ไม่เก็บข้อมูล และไม่ใช้ข้อมูลพยากรณ์จริง
ระบบไม่รู้คุณภาพเซนเซอร์ ชนิดดิน อายุพืช ปริมาณแสง ลม การระบายน้ำ สุขภาพพืช หรือภูมิอากาศจริง เกณฑ์ทั้งหมดถูกกำหนดเพื่อให้มองเห็นตรรกะ IF–THEN เท่านั้น
ความโปร่งใสของกฎช่วยให้ตรวจได้ว่าเหตุใดระบบตัดสินใจ แต่ไม่ได้รับประกันว่ากฎนั้นถูกต้องหรือครบถ้วน
ตรวจความเข้าใจด้วยภาษาของคุณเอง
- เหตุใดดินแห้งจึงยังทำให้ระบบตอบ “ไม่รดน้ำ” ได้?
- ถ้าเซนเซอร์รายงาน 34% ทั้งที่ค่าจริงคือ 36% ผลต่อพืชทนแล้งอาจเปลี่ยนอย่างไร?
- ต้องเพิ่มข้อมูลหรือกระบวนการใดบ้างก่อนนำแนวคิดนี้ไปใช้กับการเกษตรจริง?
เปิดเกณฑ์ประเมินตนเอง
คำตอบที่ผ่านควรระบุกฎที่ทำงาน ลำดับกฎ ตัวแปรที่เปลี่ยน ข้อจำกัดของเซนเซอร์หรือบริบท และไม่อ้างว่าแบบจำลองนี้เป็นคำแนะนำเกษตรจริง
สรุป: Rule-based AI เก่งเมื่อกฎชัด แต่ไม่เรียนเอง
Rule-based AI รับข้อมูล ตรวจเงื่อนไขจากบนลงล่าง หยุดที่กฎแรกที่ตรง แล้วทำผลลัพธ์ที่กำหนดไว้ วิธีนี้ทำซ้ำและตรวจร่องรอยได้ แต่คุณภาพของคำตอบขึ้นกับความครบถ้วน ลำดับ และความถูกต้องของกฎที่มนุษย์เขียน ระบบไม่ได้เรียนจากการรดน้ำครั้งก่อนและไม่รู้สิ่งที่อยู่นอกอินพุตของมัน
Insight Gate: หากคุณคาดการณ์ผล เปลี่ยนตัวแปรเดียว ระบุกฎที่ทำงาน อธิบายค่าขอบ และบอกสิ่งที่ระบบไม่รู้ได้ คุณผ่านเป้าหมายของ Lab นี้แล้ว
แหล่งอ้างอิงและวิธีสร้างแบบจำลอง
- Encyclopaedia Britannica — Expert system
- NIST CSRC — Artificial Intelligence Glossary
- LeCun, Bengio & Hinton — Deep Learning, Nature (2015)
- Stanford AI100 — Narrow and general AI
วิธีสร้าง: เขียนกฎ 6 ข้อแบบกำหนดผลแน่นอน ตรวจจากบนลงล่าง และทดสอบค่าเริ่มต้น ค่าขอบ 34/35% ฝนตก และอุณหภูมิสูง · ตรวจภาษาไทย การเข้าถึง และมือถือ: 2 สิงหาคม 2026
