Sirakorn's Blog

เขียนเท่าที่สมอง สองมือ และความคิดถึงคุณจะเอื้ออำนวย

How not to create an alumni association

These are how one should* not create an alumni association:

  • Create a chat group.
  • Establish themselves as “seniors”.
  • Mandate, Suggest that the calls emphasising seniority be used, therefore creating an environment that does not reflect the dynamics and the relationships between alumnus in an inclusive and up-to-date manner.
  • Make the aforementioned chat group becomes forward from grandmas group.

* Despite the fact that ones should not, ones might actually do them.

2020: Year in Review

2020 เป็นปีที่ยากลำบากและเหนื่อยในบางแง่มุม เป็นความโชคดีที่ในปีนี้น่าจะได้ประสบพบพานกับความรู้สึกดีหลายอย่าง ทั้งที่คาดหวังและไม่คาดหวังให้เข้ามา

เทียบกับปี 2019 แล้ว ดูปีนี้ช่างเขียนง่ายกว่ามาก ชีวิตที่ดีอาจจะเป็นชีวิตที่สามารถหยิบมาเล่าได้ไม่ยาก และเมื่อต้องหยิบมาเล่าก็ไม่ได้มีน้ำตาให้นึกถึงเท่าไหร่

ชีวิต

เมื่อปีที่แล้วรู้สึกว่าเป็นเวลาที่ยากลำบากและผ่านไปได้ยากเหลือเกิน

ปีนี้เมื่อรู้จักปล่อยวางและช่างมัน ก็พบว่าชีวิตดีขึ้นอย่างน่าใจหาย ไม่รู้สึกว่า “ความยากลำบาก” (struggling) เป็นเรื่องที่น่ากลัวและไม่ชวนพบเจอ

จริงอยู่ว่าการเลือกเรื่องที่อยากเจอและไม่อยากเจอได้น่าจะเป็นอภิสิทธิ์หนึ่งที่ต้องมีอะไรบางอย่างถึงจะทำได้ แต่ก็ขออนุญาตเป็นคนไม่ดีและอภิรมย์ตัวเองกับอภิสิทธิ์นั้นที่ได้รับ

รู้สึกดีที่หนึ่งปีนี้ในโลกเป็นปีที่ทำให้รู้สึกว่าตัวเองมีความหมายมากขึ้น

เรียนจบ

ไม่มีบายเนียร์ ไม่มีกินเลี้ยงมื้อมหาศาล

อาจจะดูกร่อยไปบ้าง แต่จริงๆ ก็ไม่อยากได้บรรยากาศของการ farewell สักเท่าไหร่

ยังอยากส่งโน่นนี่ให้เพื่อนที่เรียนด้วยกันเหมือนว่าเออ พรุ่งนี้จะยังเจอหน้ากันอยู่นะ ก็คงพยายามทำแบบนี้ และอีกสักพักก็น่าจะกลายเป็นมนุษย์ลุงในกลุ่มไลน์เป็นแน่แท้

โรคระบาด

เรานึกไม่ออกว่าเราได้รับผลกระทบอะไรจากโรคระบาดบ้าง นอกจากต้องประหยัดลง

รายได้ที่บ้านยังคงเดิม รายได้เราเพิ่มขึ้นเข้ามาและไม่ต้องรบกวนเงินอะไรที่บ้านมากแบบแต่ก่อนแล้ว เราโชคดีมากๆ ที่อยู่บนสายงานที่คงเส้นคงวาและยังสามารถหางานที่จ่ายเงินเดือนสูงกว่าค่าเฉลี่ยได้ในช่วงนี้

ความห่วยบรมอย่างเดียวของโรคระบาดคือเอาตัวเองเข้าไปอยู่ในกลุ่มตัวย่อสี่ตัวอักษรแล้วเจอ moderator ที่มาพร้อมความ toxic จำนวนมาก น่าจะขยาด volunteer works ไปอีกนาน

งาน

อาจจะตั้ง expectations ให้ตัวเองสูงไป หรือต่ำไปไม่รู้ แต่มีความสุขดีนะ

สุดท้ายโมเดลที่ toxic แต่เวิร์กก็คือตั้งความคาดหวังบน 95% CI ว่าจะตอบทุกความคาดหวังของทุกคนได้

หัวใจ

ช่วงคบกันใหม่ๆ เคยบอกฟางว่า “เธอไม่ได้ไม่ชอบสกินชิปหรอก เธอแค่กลัวติดมัน”

ความสัมพันธ์เปลี่ยนไปเรื่อยๆ จนได้เข้าใกล้กันและแชร์เรื่องราวมากขึ้น เมื่อวานบอกฟางว่า “เธอไม่ได้ไม่ชอบสกินชิปหรอก แค่มันต้องเป็นฉัน” ฟางพยักหน้า

ฉันดีใจที่มีเธอ เธอคือเรื่องที่ดีที่สุดของฉันในหลายปี


มองไปข้างหน้า

  • ไปต่างประเทศ ถ้าโควิดดีขึ้น
  • ขึ้นเงินเดือน (preferrably 15-40%)
  • 0.5M liquid assets

การเรียงพิมพ์ในภาษาไทยด้วย XeLaTeX

สามารถดูบทความนี้ในฉบับที่เรียงพิมพ์ด้วย XeLaTeX ซึ่งมีตัวอย่างฟอนต์ภาษาไทยแบบสมบูรณ์ได้ที่นี่

สรุป: การเรียงพิมพ์เอกสารภาษาไทยสามารถทำได้ด้วยการใช้ XeLaTeX ร่วมกับแพคเกจภาษา polyglossia ด้วยฟอนต์ภาษาไทยจากโครงการ TLWG เพื่อให้ได้เอกสารรูปแบบที่สวยงาม และมีมาตรฐานเช่นเดียวกับเอกสารที่เรียงพิมพ์เป็นภาษาอังกฤษด้วย LaTeX

บทเกริ่นนำ

เป็นที่ทราบกันดีว่าการเรียงพิมพ์ (typeset) ในภาษาไทยด้วย LaTeX ในภาษาไทยเมื่อก่อนนั้นเป็นไปด้วยความยากลำบาก กล่าวคือกระบวนการการตั้งค่าแบบอักษรนั้นไม่ง่าย (เนื่องด้วยระบบการจัดการแบบอักษรของตัว LaTeX เอง) และการตัดคำภาษาไทย (word wrap) นั้นจำเป็นต้องทำด้วยมือ (ผ่าน swath)

อย่างไรก็ตาม การเกิดขึ้นของ TeX distribution ที่นอกเหนือจาก LaTeX เอง ได้สร้างความเปลี่ยนแปลงมหาศาลกับวงการผู้ใช้ไทย ในปัจจุบันมีการแจกจ่าย TeX สองรูปแบบที่ได้รับการพูดถึงว่าจะเป็น “อนาคต” ของ LaTeX ได้แก่ LuaLaTeX และ XeLaTeX

ความสามารถอันเป็นที่น่าประทับใจของ XeLaTeX ที่ทำให้การรองรับภาษาไทยเป็นไปได้อย่างยอดเยี่ยมนั้นได้แก่

  • การรองรับคำสั่งสำหรับการจัดการการตัดคำอัตโนมัติ
  • การรองรับแบบอักษร (font) ในรูปแบบของไฟล์ TrueType Font (ttf)
  • การรองรับแพคเกจ polyglossia สำหรับการจัดองค์ประกอบเป็นภาษาไทย

เอกสารนี้จะพูดถึงการเรียงพิมพ์ด้วย XeLaTeX โดยไม่ได้พิจารณาการตั้งค่า IDE หรือโปรแกรมแก้ไขเอกสาร (text editor) ให้มีความสามารถในการรองรับ XeLaTeX แต่อย่างใด

ติดตั้ง XeLaTeX

วิธีการติดตั้ง XeLaTeX ที่น่าจะง่ายที่สุด คือการติดตั้งผ่าน MiKTeX ผ่านหน้าดาวน์โหลดที่ https://miktex.org/download

เมื่อติดตั้งสำเร็จ ควรจะสามารถสั่ง xelatex เหมือนที่สั่ง pdftex เพื่อสร้างเอกสารออกมาเป็นไฟล์ .pdf ได้

ติดตั้งฟอนต์ภาษาไทย

ฟอนต์ภาษาไทยของโครงการ TLWG (Thai Linux Working Group) เป็นฟอนต์ภาษาไทยที่สามารถใช้แทนฟอนต์ราชการในแทบทุกส่วนได้ โดยมีฟอนต์ดังรายชื่อนี้ที่เทียบเท่าฟอนต์ใน Microsoft Windows

  • Garuda เทียบเท่า Browalia New (ฟอนต์ลักษณะ Humanist)
  • Kinnari เทียบเท่า Angsana New (ฟอนต์ลักษณะ French Influence)
  • Laksaman เทียบเท่า TH Sarabun New (ฟอนต์ลักษณะ Geometric Humanist)
  • Umpush เทียบเท่า Cordia New (ฟอนต์ลักษณะ Geometric)

ฟอนต์ของโครงการ TLWG มีนอกเหนือจากรายการดังแสดงสี่ตัวนี้ ฟอนต์ทั้งหมดสามารถดาวน์โหลดได้จาก GitHub ของ fonts-tlwg ที่ https://github.com/tlwg/fonts-tlwg/releases/

แก้ไขเอกสารให้รองรับ XeLaTeX และภาษาไทย

เพียงเพิ่มบรรทัดดังกล่าวในส่วนหัวของเอกสาร (เปลี่ยนชื่อฟอนต์ Laksaman เป็นตัวอื่นที่คุณต้องการใช้) เพื่อให้ XeLaTeX ทำงานกับภาษาไทย

% ใช้ fontspec เพื่อตั้งค่าฟอนต์
\usepackage{fontspec}
% ใช้ polyglossia เพื่อภาษาไทย
\usepackage{polyglossia}

% ตั้งค่าฟอนต์
\setdefaultlanguage{thai}
% ตั้งค่าฟอนต์หลักของเอกสาร
\setmainfont{Laksaman:script=thai}
\newfontfamily\thaifont{Laksaman:script=thai}
% ตั้งค่าฟอนต์แบบความกว้างคงที่ (monospace) ของเอกสาร
% แนะนำให้ใช้ Tlwg Typist
\newfontfamily\thaifonttt{Tlwg Typist:script=thai}
% ตั้งค่าให้ตัดคำภาษาไทย
\XeTeXlinebreaklocale "th"

เพียงเท่านี้ คุณควรจะสามารถใช้ XeLaTeX ในการเรียงพิมพ์เอกสารภาษาไทยได้โดยไม่มีปัญหาแต่อย่างใด

Resume + CV with LaTeX

ต้อง compile resume + CV ไว้อย่างละสองก็อปปี้ ฉบับนึงมีข้อมูลส่วนตัวและช่องทางติดต่อ อีกฉบับไม่มี

มาโน้ตไว้หน่อยแล้วกันว่าทำไงถึงเวิร์กสุดด้วย LaTeX

แยกองค์ประกอบ

พี่ @neizod แนะนำสั้นๆ เลยว่าถ้าอยากแยกง่ายๆ ก็ให้แยกไฟล์แต่ละไฟล์เอาแล้วใช้ input{} ใน LaTeX ตรงนี้ง่ายและสะดวก ช่วยให้ไม่ต้องหาเอกสารยาวๆ ด้วย

สมมติอยากเขียนส่วนติดต่อก็เขียนแค่

Copy to Clipboard

เสร็จแล้วก็ค่อยไป input{} เอา

Copy to Clipboard

ทำแบบนี้ช่วยให้สามารถจัด element ได้เองแบบไม่ต้องพิมพ์ซ้ำเยอะๆ ถ้าอยากได้ resume ที่มีข้อมูลน้อยหน่อยก็ไม่ต้องใส่เยอะ

Copy to Clipboard

ซ่อนและแสดงส่วนที่อยากและไม่อยากด้วย comment

ถ้า \include{comment} เราสามารถสร้าง environment ที่จะแสดงบนเอกสารด้วย

Copy to Clipboard

และ environment ที่ไม่แสดงบนเอกสาร (เหมือนโดนคอมเมนต์ไว้) ด้วย

Copy to Clipboard

สมมติโปะงานไปเยอะใน CV แล้วไม่อยากโปะใน resume ที่ที่จำกัดกว่า ก็แค่ใส่ชื่อ environment ครอบ

Copy to Clipboard

แล้วก็ไป input ตามเดิม

Copy to Clipboard

Makefile

ใช้ Makefile ให้เป็นประโยชน์!

Copy to Clipboard

แก้ทีนึงก็สั่ง make ใหม่ ได้สี่ไฟล์แยกแบบน้ำเยอะ-น้ำน้อย และมี-ไม่มีข้อมูลส่วนตัว :D

My last thoughts on contact tracing

ขอเขียนถึงเรื่อง contact tracing ครั้งสุดท้าย ก่อนประสาทจะรับประทานไปมากกว่านี้

ว่าด้วยมุมมองของคนสายไอที

  • เวลาตัวเองมีค้อนในมือ เราก็คิดว่าเราจะเอาค้อนไปแก้ปัญหาทุกอย่างได้ แต่โลกไม่ได้มีแต่ปัญหาที่เกิดจากตะปู โลกมีปัญหาที่เกิดจากรูสว่าน เดือยไม้ และอีกสารพัด
  • คนทำงานสาย tech อาจจะพยายามเข็น tech solutions ออกมาเพื่อแก้ปัญหาอะไรบางอย่าง–ขอบคุณในความปรารถนาดี แต่ปัญหาบางอย่างไม่ใช่ “ตะปู” ที่ต้องเอา “ค้อน” ไปตอก

ว่าด้วยความจำเป็นของการทำ contact tracing

  • contact tracing ไม่ใช่พ่อ ถ้าเรา trace contact ได้แต่เราไม่สามารถตอบได้ว่า contact กลุ่มไหนบ้างที่ต้องเอาตัวมาตรวจ ก็ไม่มีประโยชน์ ดังนั้น contact tracing เป็นแค่เฟืองตัวเล็กๆ ที่ต้องใช้ร่วมกับเครื่องมืออื่น
  • contact tracing มีประโยชน์กับ authority ในแง่ของการตามตัวคนมาตรวจ และ contact tracing มีประโยชน์กับคนในการทำให้ตัวเองรู้ความเสี่ยง
  • ในเมื่อสถานการณ์มัน win-win แบบนี้ authority ไม่มีความจำเป็นต้อง “บังคับ” คนลงแอป contact tracing เลยแม้แต่น้อย แค่ (1) บอกคนว่าคุณจะรู้ตัวได้แม่นขึ้นเมื่อคุณ expose ความเสี่ยง และ (2) บอกว่าไม่ต้องกลัวเรา เพราะเราเคารพคุณและข้อมูลของคุณ

ว่าด้วยความเป็นส่วนตัว

  • contact tracing ถือครองข้อมูลที่มีความอ่อนไหวได้หลายแบบ ไม่ว่าจะเป็นคำถามว่าอยู่ที่ไหน อยู่กับใคร
  • ความเป็นส่วนตัวเกิดขึ้นได้จากความเชื่อใจแบบมีเงื่อนไข ถ้าเรามีหลักฐานหรือความเชื่อว่าข้อมูลส่วนตัวที่เก็บไปจะไม่ถูกเอาไปใช้อะไรนอกเหนือจากที่เรายินยอม ก็โอเคระดับหนึ่ง
  • แต่ความเชื่อใจระดับนี้ไม่ได้เกิดกันง่าย และจะบอกให้ทุกคน “เชื่อใจ” ก็คงไม่ได้ ดังนั้นสิ่งที่ทำได้คือกระบวนการรับประกันว่าข้อมูลที่ได้จะ “เอาไปใช้อย่างอื่นไม่ได้” นอกจากการตามคนมาตรวจ
  • การเอาปืนมาจี้ หรือการออกเงื่อนไขเพื่อทำให้คนลงแอป contact tracing ไม่ใช่ความเชื่อใจ
  • ความเป็นส่วนตัวไม่ได้เกิดได้จากการปะผุ ไม่สามารถสร้างแอปที่ไร้ความเป็นส่วนตัวมา แล้วใส่โค้ดมหัศจรรย์ พลันเกิดความเป็นส่วนตัวได้
  • ความเป็นส่วนตัวเกิดจากการออกแบบทุกอย่างให้มีความเป็นส่วนตัวแต่ตั้งต้น ใส่ใจความเป็นส่วนตัวมากกว่าอรรถประโยชน์
  • ข้อมูลจากแอป contact tracing ต้องใช้เพื่อ contact tracing เท่านั้น

ว่าด้วยการบังคับ

  • การบังคับทำ contact tracing เป็นเรื่องเลวร้ายที่สุด
  • การสร้างมาตรการเชิงบังคับ เช่นการกีดกันบริการ (ไม่ว่าจะเป็นบริการสาธารณสุข หรือแม้แต่ร้านข้าว) หากไม่ยอมติดตั้งระบบ contact tracing เป็นเรื่องเลวร้ายไม่แพ้กัน
  • การแบ่งแยกจากการทำหรือไม่ทำ contact tracing จะไม่ช่วยให้คนทำ contact tracing อย่างดีมากขึ้น มิหนำซ้ำจะเพิ่มข้อมูลผิดๆ ในระบบ หากตัวบุคคลต้องการเข้าถึงบริการแต่ไม่ยอมโดนละเมิดความเป็นส่วนตัว
  • การบังคับทำ contact tracing ไม่ว่าทางตรงหรือทางอ้อมจะเอื้อให้เกิดการแบ่งแยกคนจากทรัพยากรในการเข้าถึง contact tracing เสียเอง
  • contact tracing ต้องอยู่บนความเต็มใจ ผู้ใช้ยอมติดตามแลกกับการลดความเสี่ยงที่จะติดเชื้อแบบไม่ระบุไม่ได้
  • อย่าอ้างว่ามาตรการ de facto ไม่ใช่มาตรการเพียงเพราะไม่ได้เขียนเป็นลายลักษณ์อักษร

new normal

  • อย่าอ้างว่าความเป็นส่วนตัวที่หายไปคือ new normal เราสามารถ mitigate ความเสี่ยงบน normal เดิมของความเป็นส่วนตัวได้อยู่

จบแค่นี้ละ

ถลาต่ำสู่จุดสุดยอด

ผิวหนังของผมยังคงรอคอยคุณมาสัมผัส ร่างกายของผมพร้อมรับการโอบรัด ปลายนิ้วเย็น ไอน้ำและเสียงครางที่หลุดจากปากผม ลิ้นเปียกชุ่ม ริมฝีปากสั่นเทา

มองร่างกายผมเป็นผืนผ้าใบบนกระดานกว้าง สัมผัสผืนผ้าขาว ฝากร่องรอยด้วยการขบกัด ทิ้งปื้นแดงเป็นหย่อม เห็นชัดยามส่องกระจก โปรดฝากมันไว้กับผม ความละมุนยามมือไล้ร่างกาย ความเข้มแข็งจากอ้อมกอดอุ่น ความอ่อนนุ่มจากคำหวานชดช้อย ความดุดันยามกลืนกินผม โปรดโอบรัดผมมิให้แม้แต่อนุภาคแสงเดินทางออกไปได้ โปรดปลดปล่อยผมประหนึ่งจักรวาลระเบิดยามแรกสร้าง

ผมจะฝากมันไว้กับคุณเช่นกัน รอยกอดรัดแน่นยามเกร็งตัว แผลเล็กจากเล็บจิกยามร่างกายตอบสนองต่อความรู้สึก ฝากมันไว้ หลักฐานแห่งการยอม การถูกครอบครอง ถวายตัว ศิโรราบ แล้วแต่คุณจะเรียก

หลักฐานทนโท่ รอยแดงอาจเลือนลาง แต่เม็ดสีบนฟิล์มโพลารอยด์อยู่ทนกว่าผิวหนัง กระนั้นความทรงจำตราแน่น เก็บสัมผัส กลิ่น อารมณ์ ความกระหายไว้ สื่อชนิดใดมิอาจเทียบ

ยามผมสัมผัสร่างกายตัวเอง ความรู้สึกจะพลันพุ่ง ไม่มีวันที่นิ้วของผมจะเรียวเล็กและนุ่มเหมือนนิ้วของคุณ ไม่มีริมฝีปากที่เม้มและขบกัดจนเป็นรอย ไม่มีสัมผัสอุ่นแบบนั้นบนร่างกาย ผมจะเวิ้งว้าง รู้สึกเหมือนตัวเองลอยเคว้ง น้ำตาจะเป็นเพียงสิ่งเดียวที่สนามโน้มถ่วงออกแรงฉุดรั้ง รสชาติชมปร่า ปราศจากมือปาดลงมิให้ใบหน้าเปียกปอน

สิ้นเสียงคราง ข้างในร่างกายบีบรัด พิชิตจุดสูง หยาดฝนพรำเหนอะบนผิวหนัง ชีพจรเต้นเร่ง พลันกายปะทะความหนาว ลืมตาเห็นความเปล่าเปลี่ยว ร่วงหล่นลงมา ไม่รับรู้สิ่งใด ความอ้างว้างอ้าแขนรอรับ สัมผัสพื้นเหว แรงกระแทกเต็มความรู้สึก กระเด็นขึ้นไปก่อนร่วงหล่นซ้ำแล้วซ้ำเล่า เจ็บปวดรวดร้าว ข้างในแหลกสลาย ก่อนหยุดนิ่งในที่สุด

เสียงร้องไห้จากเหวฤๅจะลอยขึ้นสู่ขอบสูงได้ หากมีใครได้ยินคงนึกว่าเป็นเสียงแห่งวิญญาณดุร้าย ปีศาจ ไม่มีใครมองเป็นเสียงร้องความเหงา เหน็บหนาวและเยือกเย็น

ผู้ชายที่ร้องไห้ระหว่างมีเซ็กส์

เธอไม่ชอบผู้ชายที่ร้องไห้ระหว่างมีเซ็กส์เหรอ

เวลาที่ฉันร้องไห้ระหว่างมีเซ็กส์ ฉันดูดดื่มกับความรู้สึกที่ชวนให้เป็นบ้าตรงหน้า กลับกันฉันกลัวว่าจะมีบางสิ่งพรากมันไปจากฉัน–พรากเธอไป ไม่พรุ่งนี้ก็มะรืน สัปดาห์หน้า เดือนหน้า ปีหน้า จะตอนไหนก็ไม่ต่างกันหากฉันพรากจากเธอ

เป็นเวลาที่ความกลัวและความสุขมาปะทะกัน เธอสัมผัสมันได้ใช่ไหม ไม่ว่าจะเสียงครางที่เจือเสียงสะอื้น หรือน้ำตาที่ไหลรวมกับเหงื่อ มันแปลว่าเธอคือความสุข ความกลัว คือคนที่เขาอยากเอ่ยนามด้วยเสียงคราง คือทุกห้วงอารมณ์ของเขา คือคนที่เขายอมศิโรราบตรงหน้า คือคนที่เขาอยากฝากทุกอย่างไว้

ได้ยินแบบนี้ เธอจะชอบผู้ชายที่ร้องไห้ระหว่างมีเซ็กส์มากขึ้นไหม


วลี “ผู้ชายที่ร้องไห้ระหว่างมีเซ็กส์” มาจาก “วันหนึ่งความทรงจำจะทำให้คุณแตกสลาย” โดยจิดานันท์ เหลืองเพียรสมุท

ความทรงจำจากร้านหนังสือเชน

ตลอดเวลาที่อ่านหนังสือมา สัมผัสได้ถึงความรู้สึกของการที่มันถูกส่งต่อจากคนที่รักหนังสือจริงๆ ไปยังคนแบบเราที่เป็นผู้เสพ (จริงๆ ละอายใจที่จะเรียกตัวเองแบบนี้—เป็นเพียงคนอ่านโง่ๆ)

ทุกครั้งที่ซื้อหนังสือจากแหล่งท่องถิ่นที่ไม่ได้ถูก operate ด้วยเชนขนาดใหญ่ เราเห็นความตั้งใจ เราส่งต่อคำขอบคุณไปถึงคนที่ทำ คนที่สรรหา เรารู้สึกเหมือนพนักงานร้านหนังสือเป็นภัณฑารักษ์ (curator) คัดสรรหนังสือประหนึ่งเลือกงานศิลปะ

การมองแบบนี้ทำให้กลิ่นหนังสือยามเลือกซื้อในร้านเชนไม่มีวันหอมเท่าสั่งออนไลน์ผ่านสำนักพิมพ์

แต่บางครั้งก็อาจจะลืมไปว่าในร้านเชน—เช่นเวลาคุณเดินคิโนะคุนิยะ—ร้านเหล่านั้นก็อาจขับเคลื่อนด้วยคนแบบในสำนักพิมพ์ เต็มไปด้วยความตั้งใจที่เปี่ยมล้นไม่ต่างจากในร้านหนังสือกิจการครอบครัว หรือคนในสำนักพิมพ์

จริงๆ ก็ต้องขอบคุณร้านเชนที่ทำให้หลายคนเข้าถึงร้านหนังสือได้ผ่านพลังแห่งการโหมโฆษณาและประชาสัมพันธ์ ครั้งหน้าที่เข้าร้านเชน กลิ่นของร้านก็คงหอมขึ้น ปลายนาสิกถูกกระตุ้นด้วยกลิ่นกระดาษ กลิ่นความทรงจำลอยขึ้นมา เป็นกลิ่นน้ำหอมอ่อนๆ ของคนที่ครั้งหนึ่งพาเรากลับมาอ่านหนังสืออีกรอบ

และจุดเริ่มต้นของมันเกิดจากร้านเชน

AI ที่อธิบายได้: หลักการ เหตุผล และความจำเป็น

รวมบทความในชุดดังกล่าวที่เผยแพร่ครั้งแรกบนเฟซบุ๊กของศิระกร ลำใย, บทความขณะนี้ยังเขียนไม่ครบทุกตอน

ทำไมเราต้องมี AI ที่อธิบายได้

(1)


จำนวนร้อยละของผู้ต้องหาที่ได้รับการปล่อยตัวระหว่างสู้คดี โดยที่ไม่ต้องวางเงินประกันตัว ในช่วงเวลาต่างๆ ของปี สังเกตว่าช่องว่างระหว่างจำนวนผู้ต้องหาผิวสีและผู้ต้องหาผิวขาวเพิ่มขึ้นอย่างมากหลังการประกาศใช้กฎหมาย HB463
ภาพประกอบทำซ้ำจาก https://www.minnesotalawreview.org/wp-content/uploads/2019/01/13Stevenson_MLR.pdf

ในปี 2017 รัฐเคนตักกี้ผ่านร่างกฎหมาย HB417 ที่บังคับให้ผู้พิพากษาต้องปรึกษากับระบบอัตโนมัติเพื่อพิจารณาว่าผู้ต้องหาที่จะได้รับการประกันตัวหรือปล่อยตัวระหว่างสู้คดี จะสร้างความอันตรายให้กับสาธารณะหรือไม่

หลังจากร่างกฎหมายดังกล่าวผ่าน ช่องว่างระหว่างจำนวนคนขาวและคนผิวสีที่ได้รับการประกันตัวพุ่งสูงขึ้นมาก [ภาพที่ 1] คนผิวขาวได้รับการปล่อยตัวโดยไม่ต้องวางเงินประกันเพิ่มขึ้น ขณะที่คนผิวสีไม่ได้รับการปล่อยตัวในลักษณะเดียวกันมากขึ้นเท่าไหร่นัก

(2)

No photo description available.
อัตราการจ้างงานในสายเทคโนโลยีของบริษัทชั้นนำในสหรัฐ
ภาพประกอบทำซ้ำจาก https://www.reuters.com/article/us-amazon-com-jobs-automation-insight/amazon-scraps-secret-ai-recruiting-tool-that-showed-bias-against-women-idUSKCN1MK08G

ในปี 2018 แอมะซอน “โละ” ระบบคัดกรองใบสมัครงานทิ้ง ระบบนี้เกิดขึ้นมาเพื่อคาดหวังว่าจะช่วยกรองใบสมัครงานที่ได้รับเข้ามาเป็นพันๆ ใบเพื่อช่วยลดงานของมนุษย์ เหตุผลของการโละระบบคัดกรองดังกล่าวคือ ข้อมูลการรับสมัครงานที่ใช้ในการ “สอน” ระบบมีจำนวนเพศชายมากกว่าเพศหญิง [ภาพที่ 2] เมื่อระบบดังกล่าวถูกสอนด้วยข้อมูลลักษณะเช่นนี้ ก็จะหยิบเอาพฤติกรรมการเลือกผู้สมัครชายมากกว่าผู้สมัครหญิงมามากขึ้นเช่นกัน

(3)

หนึ่งในเครื่องมือประมวลผลภาษาธรรมชาติ (NLP) ที่ได้รับความนิยม คือการเปลี่ยนคำเป็นเลขที่มีความหมาย เรียกว่าการทำ word embedding การเปลี่ยนคำเป็นเลขทำให้เราใช้วิธีการทางคณิตศาสตร์ในการสอนคอมพิวเตอร์แก้โจทย์เชาว์ในลักษณะ “กรุงเทพคู่กับประเทศไทย เหมือนที่ลอนดอนคู่กัน ___” ได้

ถ้าเราถามคำถามลักษณะเดียวกันเช่น “ชายคู่กับพ่อ เหมือนหญิงคู่กับ ___”, “ชายคู่กับราชา เหมือนหญิงคู่กับ ___”, “ชายคู่กับหมอ เหมือนหญิงคู่กับ ___”, “ชายคู่กับฟุตบอล เหมือนหญิงคู่กับ ___” เราจะพบว่าบางครั้งคู่คำไม่สามารถเติมได้ (เช่นหมอ เพราะผู้หญิงก็เป็นหมอได้ และเราก็มีบุรุษพยาบาล) แต่อคติและความโน้มเอียงทางเพศที่ถูกสื่อผ่านงานเขียนและข้อมูลที่ใช้ “สอน” ตัวเปลี่ยนคำให้เป็นเลข ก็ทำให้คอมพิวเตอร์ตอบคำถามเหล่านี้แบบโน้มเอียงทางเพศไม่ใช่น้อย [ภาพที่ 3]

ด้วยตัวอย่างที่เกิดขึ้นจริงบนโลก และสร้างผลกระทบไว้แล้วไม่ใช่น้อย เราควรจะเห็นว่า AI ไม่ใช่ของวิเศษที่จะอ้างว่าเอามาใช้แล้วจบ กระบวนการสอน AI ให้มีความฉลาดในการทำงาน โดยเฉพาะในงานที่มีความสำคัญ จำเป็นต้องผ่านการตรวจสอบอคติใน AI เป็นอย่างละเอียด ขั้นตอนวิธีดังกล่าวไม่ใช่เรื่องง่าย แต่หากไม่สามารถการันตีได้ว่า AI ผ่านการตรวจสอบแล้ว การใช้ AI ก็ย่อมไม่ก่อให้เกิดประโยชน์นอกจากการทุ่นเวลาที่มาพร้อมกับข้อเสียมหาศาลและความกังขาในการอธิบายไม่ได้ที่จะเกิดขึ้นจำนวนมาก


AI ไม่ใช่พ่อ และความผิดพลาดของ AI ก็ต้องอธิบายได้

ก่อนพูดถึงความจำเป็นในการอธิบาย AI เราอาจจะต้องย้อนไปถึงการอธิบายการบอกว่า AI ทำงานได้ดีแค่ไหนในกรณีทั่วไปก่อน สำหรับโครงการเราไม่ทิ้งกัน แน่นอนว่าสิ่งที่เราอยากทำคือการตอบว่า “ใช่ (+)” หรือ “ไม่ (-)” สำหรับคำถามว่าเราควรแจกเงินคนคนนี้หรือเปล่า

กรณีที่เกิดขึ้นกับคำตอบเป็นไปได้สี่แบบ

  • บวกจริง (ดูจากสภาพแล้วควรได้เงินจริงๆ และ AI ก็ตอบว่าใช่ ควรได้เงิน)
  • บวกลวง (ดูจากสภาพแล้วไม่ควรได้เงิน แต่ AI กลับตอบว่าใช่ ควรได้เงิน)
  • ลบลวง (ดูจากสภาพแล้วควรได้เงินจริงๆ แต่ AI กลับตอบว่าไม่ต้องให้เงินคนนี้)
  • ลบจริง (ดูจากสภาพแล้วไม่ควรได้เงิน และ AI ก็ตอบว่าไม่ต้องให้เงินคนนี้)

ถ้าเราเป็นรัฐบาลที่กำลังถังแตก เราอาจจะบอกว่าแจกเงินตกหล่นไปบ้างไม่เป็นไร แต่เงินทุกบาทต้องไปถึงมือคนที่ต้องการ “จริง” แต่ถ้าเราเงินเหลือ เราอาจจะบอกว่าเผลอแจกเงินคนไม่เดือดร้อนก็ได้ เซฟไว้หน่อย เงินจะได้ถึงมือคนครบๆ แน่นอนว่าปัญหาในลักษณะนี้ไม่ได้เป็นปัญหาแค่ในเชิง AI–ยกตัวอย่างง่ายๆ ตอนนี้กระทรวงสาธารณสุขกำหนดว่าจะส่งตรวจ COVID-19 ได้ ผู้ป่วยต้องมีเกณฑ์อะไรบ้าง–ลองคิดสภาพว่ากฎประมาณนี้เกิดมาจากการเนรมิตของ AI แล้วเราเห็นอะไรบ้าง

เราน่าจะเคยเห็นหลายๆ เคสของผู้ป่วยที่ไม่มีไข้ แต่ส่งตรวจเองแล้วผลเป็นบวก พอมามองเกณฑ์นี้ก็จะเห็นว่ามีผู้ป่วยที่น่าจะถูกปัดตกโดยเกณฑ์ไปจากการที่วัดไข้แล้วไม่เจอ ในกรณีนี้ เราสามารถไปไล่ตั้งคำถามได้ทันทีว่าทำไมผู้ป่วยคนนีัถึงไม่ถูกตรวจทั้งๆ ที่ควรจะตรวจ แล้วค่อยๆ ปรับเกณฑ์กันไป

แต่สิ่งเหล่านี้จะไม่เกิดขึ้นกับ AI ที่อธิบายไม่ได้–AI หลายครั้งทำหน้าที่เป็นเหมือนกล่องดำ ยัดข้อมูลเข้าไปแล้วได้คำตอบ แต่ไม่มีคำอธิบายว่าทำไมถึงออกมาเป็นแบบนี้ ซ้ำร้ายในหลายๆ แบบจำลอง การ “แงะ” กล่องดำมาดูว่าทำไมถึงเป็นแบบนี้ ยิ่งไม่สามารถทำได้ด้วยซ้ำ

แต่สิ่งเหล่านี้จะไม่เกิดขึ้นกับ AI ที่อธิบายไม่ได้–AI หลายครั้งทำหน้าที่เป็นเหมือนกล่องดำ ยัดข้อมูลเข้าไปแล้วได้คำตอบ แต่ไม่มีคำอธิบายว่าทำไมถึงออกมาเป็นแบบนี้ ซ้ำร้ายในหลายๆ แบบจำลอง การ “แงะ” กล่องดำมาดูว่าทำไมถึงเป็นแบบนี้ ยิ่งไม่สามารถทำได้ด้วยซ้ำ

แถมต่อให้บอกว่า AI แม่นจริงๆ สมมติว่าเรามี AI หนึ่งตัวสำหรับใช้คัดกรองโรคที่มีโอกาสพบเจอได้ใน 1% ของประชากร ถ้าสมมติว่าเราให้ AI ตัวนั้นตอบว่า “ไม่เป็น” ไม่ว่าจะกรณีใดๆ ก็ตาม เราจะได้ AI ที่มีความแม่นยำ 99% (เพราะโอกาสที่จะเจอคนไม่เป็นมี 99%)

คำถามคือเราอยากได้ AI แบบนี้ไหม? แน่นอน คำตอบก็คงเป็นไม่ และถ้าเอา AI แบบนี้มาใช้แจกเงิน รัฐก็คงไม่อยากได้ AI ที่เลือกจะแจกเงินให้ทุกคน หรือเลือกที่จะไม่แจกเงินให้ใครเลย

ดังนั้น AI ที่ทำงานบนข้อมูลที่มีความละเอียดอ่อน และต้องการความละเอียดอ่อนในการจำแนกปัญหา จึงจำเป็นจะต้องถูกวัดผลอย่างเคร่งครัด และการวัดผลไม่ใช่พึงกระทำแค่การวัดว่าตอบถูกมากน้อย หยิบขาดหยิบเกิน แต่การ “แงะกล่องดำ” มาอธิบายพฤติกรรมนิสัยของ AI ได้ ก็เป็นเรื่องที่จำเป็นไม่แพ้กัน


สิทธิ์แห่งคำอธิบาย

การชี้แจงสาเหตุการไม่อนุมัติสินเชื่อ ทำซ้ำจาก https://www.bot.or.th/Thai/fipcs/Documents/FPG/2553/ThaiPDF/25530010.pdf

ทุกครั้งเวลาเดินเข้าไปในธนาคารและขอสินเชื่อไม่ผ่าน ธนาคารแห่งประเทศไทยกำหนดให้ธนาคารต้องชี้แจงเหตุผลในการปฏิเสธสินเชื่อ เราจะเข้าใจตัวเองมากขึ้นว่าเพราะอะไรสินเชื่อเราถึงไม่ผ่านการขอ

หรือหากเราได้รับคำอธิบายว่า “เพราะติดเครดิตบูโร” ในทางเดียวกันเราสามารถส่งคำต้องไปยังบริษัทข้อมูลเครดิตแห่งชาติ เพื่อดูชุดของข้อมูลที่ถูกใช้ปฏิเสธสินเชื่อเราได้ว่ามีความถูกต้องมากน้อยเพียงใด

นี่คือคำอธิบาย ไม่ใช่เพียงคำอธิบายว่าทำไมสินเชื่อถึงกู้ไม่ผ่าน แต่เป็นคำอธิบายว่าเพราะอะไรเราถึงน่าเชื่อถือหรือไม่น่าเชื่อถือในสายตาสถาบันการเงิน


ทำซ้ำจาก https://www.privacy-regulation.eu/en/r71.htm

ใน Recital 71 ของกฎหมาย GDPR (General Data Protection Regulation) ว่าด้วยการคุ้มครองข้อมูลส่วนบุคคล มีการกล่าวถึง “สิทธิ์ในคำอธิบาย” ไว้ว่าผู้ถือครองข้อมูลมีสิทธิ์ที่จะร้องขอให้มนุษย์เข้าแทรกแซงระบบอัตโนมัติใดๆ เพื่อแสดงจุดยืนของตัวเอง และเพื่อร้องขอคำอธิบายเหตุผลของการตัดสินใจ

จะเห็นได้ว่าปัญหาของอคติจากระบบตัดสินใจอัตโนมัติไม่ใช่ปัญหาที่เพิ่งมีแต่อย่างใด (GDPR ออกเมื่อปี 2016 มีผลบังคับใช้ 2018) แม้จะมีข้อวิพากษ์ว่ากฎหมายลักษณะนี้อาจเอื้อให้เกิดการใช้มนุษย์มากกว่าระบบอัตโนมัติ แต่มุมมองส่วนตัวของผู้เขียนคือตราบใดที่ระบบอัตโนมัติไม่สามารถออกมาอธิบายตัวเองได้ว่าเพราะอะไรจึงตอบแบบนี้ มนุษย์ (ซึ่งอย่างน้อยก็ยังออกมาบอกได้ว่าตัวเองคิดอะไรอยู่–ซึ่งเอื้อให้เกิดการโต้แย้งทั้งความผิดพลาดในการตัดสินใจไม่ว่าโดยสุจริตหรือโดยทุจริต) ก็คงเหมาะกับงานในลักษณะแบบนี้มากกว่าอยู่ดี

อคติ อคติ อคติ

ว่าด้วยอคติจากมนุษย์

หนึ่งในวิธีการฝึกสอน AI ที่ทำได้ และทำง่าย คือการฝึกสอนแบบมีการควบคุม (supervised learning) ถ้าเราต้องการฝึกสอน AI ให้ตอบว่าจะแจกเงินหรือไม่แจกเงิน เรานำรายการของคนมาตอบเองก่อนว่าจะแจกเงินหรือไม่แจก แล้วให้ AI เรียนรู้รูปแบบการตอบของเราเอง

ดังนั้นขั้นตอนแรกของการฝึกสอน คือเราจำเป็นต้องแปะป้ายก่อนว่าเราจะแจกเงินใคร และไม่แจกเงินใคร

เราต้องการแจกเงินคนแบบไหนนะ? คนจนคนเดือดร้อน!คนแบบไหนที่เดือดร้อนนะ? ลูกจ้างรายวัน พนักงานโรงแรม ช่างเสริมสวย แม่ค้า คนขับรถแท็กซี่ พนักงานบริษัท!
คนแบบไหนที่ไม่เดือดร้อน* นะ? เด็กอายุต่ำกว่า 18 เกษตรกร นิสิต ขายของออนไลน์ โปรแกรมเมอร์ แรงงานก่อสร้าง!

แล้วทำไมเราถึงคิดว่าคนแบบนี้เดือดร้อน หรือคนแบบนี้ไม่เดือดร้อน? เพราะเรากำลังใส่สิ่งที่เรียกว่า “อคติ” ลงไป


อคติในที่นี้ไม่ใช่ศัพท์แง่ลบ แต่เป็นการแปลตรงตัวของคำว่า “bias” ในภาษาอังกฤษ
มนุษย์เป็นสิ่งมีชีวิตที่เต็มไปด้วยอคติ บ้างจากสัญชาติญาณ บ้างจากประสบการณ์เรียนรู้ หนึ่งในกรณีที่โด่งดังคือภาพหลุมบนดาวอังคารที่ถูกถ่ายจากยานไวกิ้งที่เหมือนหน้าคน แต่ความจริงแล้วเกิดจากการที่เราถูก “อคติ” ของการมองเห็นอะไรเป็นหน้าคนได้เรื่อยๆ เหนี่ยวนำให้เห็นแสงและเงาเป็นหน้าคนไปเองต่างหาก

Icons made by smalllikeart from www.flaticon.com

สำหรับคนที่มีหน้าที่ “แปะป้าย” ข้อมูลสำหรับสอน AI อคติตรงนี้อาจเหนี่ยวนำให้เราคิดว่าโปรแกรมเมอร์เป็นอาชีพที่มีความยืดหยุ่นในการทำงาน (?) ทำจากที่ไหนก็ได้ (?!) หรืออคติว่าเพราะงานก่อสร้างยังไม่ได้รับผลกระทบ กรรมกรก่อสร้างก็เลยไม่ได้รับผลกระทบจาก COVID-19 (?!?!)

นี่คืออคติรูปแบบที่หนึ่ง เป็นอคติที่เรามองเห็น และเข้าใจได้

ความน่ากลัวคือแบบจำลองอาจ–จริงๆ ก็ไม่อาจ มีแนวโน้มสูงมากที่–จะ “หยิบ” อคติของมนุษย์ติดตัวเข้ามาด้วย ถ้าอคตินั้นมองเห็นได้ง่ายแบบที่เรามองเห็นวาเกณฑ์อาชีพที่ไม่เข้าข่ายนั้นไม่มีเหตุผล ก็อาจจะรอดตัวไป แต่คนแปะป้ายอาจจะมีอคติอีกจำนวนมากที่เกิดขึ้นโดยไม่รู้ตัว


ขออนุญาตเล่านิทานเรื่องลูกเป็ดขี้เหร่ มีลูกเป็ดตัวนึงขี้เหร่ โตมากลายเป็นหงส์ จบ

เดี๋ยว ทำไมลูกเป็ดถึงขี้เหร่นะ–เพราะมันมีสีดำ, แล้วลูกเป็ดตัวอื่นขี้เหร่ไม่ได้เหรอ

สมมติว่าผมมีลูกเป็ดสามตัว ว่ายน้ำเรียงกันต้อยๆ ถ้าผมพิจารณาการถามเพียงว่า “ลูกเป็ดตัวนี้ใช่ตัวหน้าสุดไหม” กับ “ลูกเป็ดตัวนี้ใช่สีดำไหม” ผมสามารถเขียนกฎออกมาเพื่อ “เลือก” แปะป้ายลูกเป็ดตัวไหนก็ได้ว่าเป็นลูกเป็ดขี้เหร่ เช่นถ้าผมบอกว่า “ลูกเป็ดที่ไม่ได้เป็นตัวหน้าและไม่ได้เป็นสีดำ เป็นลูกเป็ดขี้เหร่” ตัวตรงกลางก็จะกลายเป็นลูกเป็ดขี้เหร่ทันที

ทฤษฎีดังกล่าวชื่อว่าทฤษฎีลูกเป็ดขี้เหร่ เสนอโดย Satosi Watanabe ให้สรุปคร่าวๆ คือเราไม่สามารถ “แปะป้าย” อะไรก็ตามได้เลยหากเราไม่ได้ใส่ “อคติ” ลงไปขณะแปะป้าย เหมือนที่เราไม่สามารถแปะป้ายว่าใครจะเดือดร้อน ถ้าเราไม่ได้ใส่ชุดความคิดของเราว่าคนแบบไหนถึงจะเดือดร้อนเข้าไป–ซึ่งนี่แหละคืออคติ

และเป็นอคติอันนี้เอง ที่ AI ดูดซับและเรียนรู้เข้าไปอย่างเต็มเปี่ยม เป็นอคติจากมนุษย์ที่สถิตย์เข้าไปใน AI จนดูเหมือนว่าไม่มีมนุษย์คนใดต้องรับผิดชอบจากอคติดังกล่าว
แต่ไม่ใช่เลย ไม่เป็นความจริงเลย, ไม่ว่าจะเป็นมนุษย์ที่สร้างอคติ หรือมนุษย์ที่จับอคติลงไปใส่ใน AI ก็ล้วนต้องรับผิดชอบทั้งสิ้น

อย่าปล่อยให้คำว่า “AI คัดกรอง” เป็นตัวตัดจบบทสนทนา

ว่าด้วยอคติจากขั้นตอนวิธี

สมมติว่าสุดท้ายเรามีสุดยอดมนุษย์ที่ปราศจากอคติใดๆ ทั้งปวง แปะป้ายข้อมูลประหนึ่งเทพลงมาจุติ ประชากรไทยทั้ง 70 ล้านคนเห็นด้วยว่าคนแบบนี้คือคนที่ควรและไม่ควรได้รับเงินเยียวยาจริงๆ

ในข้อมูลที่แปะป้าย มีประชากร 3 ใน 10 คนที่ได้รับการเยียวยา ส่วนอีก 7 ใน 10 ไม่ได้รับการเยียวยา ประชากรนั้นประกอบอาชีพแตกต่างกันออกไป ข้อมูลชุดนี้ถูกนำมาฝึกสอน AI คัดแยกว่าใครควรหรือไม่ควรได้รับเงิน ทันใดนั้นเอง…

พบประชากร 1 คนมีอาชีพอะไรสักอย่าง ดูแล้วควรจะได้เงินกระมัง แต่ว่าอาชีพนี้ไม่ปรากฎอยู่ในข้อมูลที่ถูกแปะป้ายแล้วนำไปสอน กล่าวคือเป็นอาชีพที่ AI ก็เพิ่งมารู้จักตะกี้นี่แหละ

คำถามคือ หากตัดสินจากอาชีพ ประชากรคนนี้จะได้เงินหรือไม่ได้เงิน

Icons made by smalllikeart from www.flaticon.com

คำตอบอาจจะเป็นเรื่องที่น่าเศร้า–แต่ภายใต้วิธีการเรียนรู้หลายๆ วิธี ชายคนนี้จะถูกจัดกลุ่มให้อยู่ในรูปของ “คนส่วนใหญ่” ซึ่งในที่นี้ก็คือคนที่ไม่ได้เงิน ด้วยเหตุผลว่า AI ที่เห็นข้อมูลว่าคนดูไม่ได้รับเงินเยียวยามากกว่าคนได้รับเงินเยียวยา ก็จะมีความโน้มเอียงไปหาการตอบว่า “ไม่ได้รับเงิน” มากกว่าที่จะเลือกตอบว่าได้รับเงินนั่นเอง

ตัวอย่างของอคตินี้เห็นได้ชัดเป็นอย่างยิ่งในการเรียนรู้ของเบยส์ (Bayesian Learning) ซึ่งเราอาจจะคุ้นเคยกันในวิชาสถิติว่าด้วยความน่าจะเป็นแบบมีเงื่อนไข (conditional probability)

การเรียนรู้ของเบยส์อยู่บนหลักการของการถามคำถามว่า “ถ้า B แล้วจะ A ไหม” ในที่นี้คือการถามว่า “ถ้าประกอบอาชีพ XYZ แล้วจะได้เงินไหม” ซึ่งการตอบคำถามนี้มีปัจจัยเข้ามาเกี่ยวข้องสามตัวด้วยกัน

  • มีคนกี่คนที่ได้เงิน แล้วประกอบอาชีพ XYZ (เอาเฉพาะคนได้เงินมาดู)
  • มีคนกี่คนที่ได้เงิน (อัตราส่วนคนได้เงินต่อคนทั้งหมด)
  • มีคนกี่คนที่ทำอาชีพ XYZ ต่อคนทั้งหมด

จะเห็นได้ว่าปัจจัยที่มีปัญหาคือปัจจัยที่สอง เพราะว่าในเมื่อแบบจำลองไม่เคยเห็นอาชีพ XYZ จึงไม่สามารถคิดปัจจัยที่หนึ่งและสามได้ ทำให้ต้องตัดสินใจจากปัจจัยที่สอง–นั่นคือดูว่ามีคนได้เงินเยอะหรือน้อย โดยไม่ได้แม้แต่จะใส่ใจว่าเขาทำอาชีพใด

ที่จริงแล้วปัญหาดังกล่าวเป็นหนึ่งในปัญหาสำคัญของการทำจักรกลเรียนรู้ (Machine Learning) ที่เรียกว่าปัญหาความไม่สมดุลของชุดข้อมูล (class imbalance) การที่มีข้อมูลที่โน้มเอียงไปยังทางใดทางหนึ่ง (เช่นในตัวอย่างที่โน้มเอียงไปทางไม่แจกเงิน) ย่อมทำให้เกิดการเลือกตอบที่เอียงไปตามข้อมูล แม้ว่ามนุษย์ผู้แปะป้ายจะไม่มีอคติเลยก็ตาม

Attitude Q&A 2

Image

ตลาดล่าง

ตอบแบบไม่กวนเหมือนรอบที่แล้วละ

ส่วนหนึ่งมองว่าหากอยากจะเข้าใจตลาดล่าง ต้องเริ่มจากการพยายามทำความเข้าใจพฤติกรรมและขั้นตอนวิธีในการ “เหยียด” ของ elite หรือ upper-middle class ที่มองลงมายัง middle class ทั่วไปก่อน

ถ้า middle class ไม่ได้ naive ขนาดนั้นสักเท่าไหร่ก็คงพอรู้ว่าการเหยียดแบบนี้มีจริง และเราคิดว่า middle class บางกลุ่มแสดงออกผ่านการรีเฟลกซ์กลับไปที่ชนชั้นที่ต่ำกว่าตามลำดับ

ยกตัวอย่างเคสนึงที่น่าจะเห็นได้ชัดคือจัดฟันเถื่อน–กรณีนี้น่าสนใจ บริบทของการรักษาสุขภาพช่องปากที่ผิดปกติกลับไม่สามารถเข้าถึงได้อย่างเท่าเทียมเทียบกับการแพทย์ชนิดอื่นๆ ทำให้เส้นแบ่งของคนที่จัดฟัน–ในฐานะคนที่จ่ายไหว และคนที่จ่ายไม่ไหวนั้นชัดเจนมาก

ชนชั้นกลางกระเสือกกระสนถีบตัวเองผ่านการศึกษา ของแบรนด์เนม การช็อปปิ้ง (ซึ่งนี่ก็คือ norm ที่ชนชั้นกลางสร้างจากภาพมองของชนชั้นสูงที่ตัวเองจะตะกายไปถึง) เช่นไร ชนชั้นล่างก็กระเสือกกระสนกับการถีบตัวเองแบบนี้เหมือนกัน (ผ่าน norm ที่ชนชั้นล่างสร้างจากภาพของชนชั้นกลาง)

ลองวันนึงคุณไปทำอะไรที่กระทบกับโรงพยาบาลเอกชน คลับกีฬา หรืออะไรสักอย่างที่เป็นพูลของชนชั้นสูง วันนึงคุณก็โดนเหยียดเหมือนกับที่คุณเหยียดเด็กแว๊นที่รบกวนระบบเดินทางของคุณ จัดฟันเถื่อนที่รบกวนระบบประกันสุขภาพของคุณ หรืออะไรทำนองนั้นแหละ (แต่ไม่ได้บอกว่าสิ่งที่ทำอยู่มันถูกนะ)

Toxic femininity

เป็นเรื่องที่สนใจแต่ไม่ถนัดที่สุด

ไม่มีความเห็นแล้วกัน แต่ทิ้งคำถามไว้ให้คิด–ถ้าผู้หญิงหันมาเบลมกันเองว่าเธออ้วนแล้วนะ ใครเป็นฝ่าย toxic? ถ้ามองว่าผู้หญิง แล้วปฏิเสธได้ไหมว่าการที่ผู้ชาย stereotype ผู้หญิงว่าต้องสวยและหุ่นบางทำให้เกิดความ toxic แบบนั้น? แล้วถ้ามันเป็น norms ที่เกิดจากการที่ผู้หญิงมองว่าผู้ชายมองว่าผู้หญิงต้องเป็นแบบนี้ ความ toxic นั้นก็เกิดจากผู้หญิงเองใช่หรือไม่?

ผีน้อย

ขอไม่เรียกว่าผีน้อย ขอเรียกว่าแรงงานผิดกฎหมายในต่างประเทศ

แรงงานผิดกฎหมายในต่างประเทศคือคนที่ไม่เล่นตามกติกา–การโกงเกมของเขาทำให้เกิดผลกระทบกับคนที่เล่นตามกติกา ทั้งไกด์ทัวร์ นักท่องเที่ยว แรงงานถูกกฎหมายคนอื่น

แต่ต้องไม่ลืมมองความจริงว่าครั้งหนึ่งเขาคงเคยพยายามเล่นตามกติกาแล้วเหมือนกัน–น่าสนใจว่าเพราะเหตุใดการเล่นตามกติกาของเขาถึงไม่เวิร์ก มันอาจจะเป็นความโลภหรือปากท้องของครอบครัวที่ไม่มีข้าวตกถึงกระเพาะก็ได้ ไม่มีใครรู้นอกจากพวกเขา

ในการบ่นว่า (condemn) พวกเขา เราใส่ความเห็นใจ (empathy) เข้าไปได้

โทษประหาร

ไม่มีความเห็นในเรื่องนี้ เพราะไม่มีความรู้มากพอให้มีความเห็น

สาววาย

สเปกตรัมสาววายกว้างมากตั้งแต่ LGBTQI+ supporter จนถึงระรานให้คนสองคนที่มีชีวิตจริงได้กันจริงๆ สักที

เส้นแบ่งที่โอเคจากมุมมองของตัวเอง คือเคารพและไม่ก้าวก่ายบุคคลที่มีตัวตนจริง อย่างไรก็ตามคำว่าก้าวก่ายนี่ก็พูดยาก คือการพูดชื่อลอยๆ สองชื่อแล้วอ้างว่าเป็นชื่อทั่วไปที่เพียงไปบังเอิญซ้ำก็ย่อมทำได้

แต่เอาเป็นว่าหลักการเบื้องต้นคือการ “จิ้น” กันของสาววายไม่ควรไป offend คนโดนจิ้น

วัฒนธรรมติ่งเกาหลี

เปลี่ยนคำว่าติ่งเกาหลีเป็นแฟนคลับศิลปินเกาหลี แล้วลองเปลี่ยนชื่อประเทศดูเรื่อยๆ ถ้าความเห็นมันเปลี่ยนก็แปลว่ามี negative attitude ต่อกลุ่มนึงแค่นั้นละ

ราคาผ้าอนามัย

ควรถูก subsidise อย่างหนักโดยรัฐ หรือแจกฟรี (รวมถึงผ้าอนามัยแบบอื่น เช่นแบบสอด หรือถ้วย)

Gay marriage

มันน่าตลกที่ถ้า non-straight จะแต่งงานกันแล้วต้องมาขอ straight ให้ผ่านกฎหมายก่อน

โอตะ

เปลี่ยนคำว่าโอตะเป็นแฟนคลับศิลปินญี่ปุ่น แล้วลองเปลี่ยนชื่อประเทศดูเรื่อยๆ ถ้าความเห็นมันเปลี่ยนก็แปลว่ามี negative attitude ต่อกลุ่มนึงแค่นั้นละ

ไม่ใช่หรอก–คือเวลา condemn ติ่งเกาหลีมันดูไม่มีอะไร กลวงๆ แต่พอมา condemn โอตะแล้วมันมีประเด็นพวกความเป็นไอดอลด้วย

ส่วนตัวรู้สึกว่าไอดอลแบบญี่ปุ่นนี่ dehumanise ตัวไอดอลเองเยอะมากๆ ก็ต้องดูด้วยแหละว่าตัวโอตะมีทัศนะคติยังไงต่อระบบแบบนี้ คำตอบของเราคือเลิกตาม BNK48 แบบเสียเงินไปนานแล้ว

อยู่ก่อนแต่ง

เราอยู่ก่อนแต่งแน่นอน คือมันมีรายละเอียดชีวิตเล็กๆ น้อยๆ (ตื่นมาพับผ้าไหม เก็บของเป็นไง) ที่อยากดูด้วยกันก่อนอยู่กันจริงๆ

จริงๆ มันไม่ควรเป็นปัญหานะ เซ็กส์ที่ทุกฝ่ายสมยอม (รวมถึงคนที่ผูกพันในสถานะที่ commit ให้เซ็กส์ถูกผูกขาดโดยฝ่ายถือความสัมพันธ์คนเดียว) คือเซ็กส์ที่โอเค

การรับราชการ

เหมือนการทำงานในบริษัทขนาดใหญ่ที่เทอะทะและไม่มีความท้าทาย

รักไม่มีเพศ

เสียงที่กระซิบใกล้หูในวันนั้นเคยบอกว่าไม่เชื่อในการแปะป้ายคนทั้งโลกเป็น 16 แบบ–เธอกำลังหมายถึง MBTI

เราก็ไม่เชื่อในการแปะป้ายคนว่าเป็นชาย หญิง เกย์ เลสเบี้ยน หรืออะไรประมาณนี้เหมือนกัน

เราเป็นเพศศิระกร

รัฐสวัสดิการ

รัฐที่อยากเห็นคนทำอะไรก็ควรจะมีตาข่ายมารับเวลาใครสักคนล้ม มีข้าวให้กิน มีที่ให้ซุกหัวนอน เพื่อจะได้เก็บออมพลังไว้เติมตัวเองและทำอะไรต่อไปแบบที่รัฐอยากเห็นคนทำอะแหละ

แอคเห็บ

ไม่มีความคิดเห็น ไม่เคยเจอ

นักฉอด

ถ้าฉอดด้วยเหตุผล หลักฐาน และตรรกะ เราแฮปปี้และอยากเจอนะ

Toxic Masculinity

Toxic masculinity นี่พูดง่ายกว่า femininity นะ

เราไม่ชอบคำว่าเป็นลูกผู้ชายไม่ร้องเลย เรามีโครโมโซม XY แล้วเราร้องไห้ไม่ได้เหรอ

คบคนที่หน้าตา

มันก็คือนิยามของคำว่าสวยอะ และแน่นอนว่า beauty is in the eye of the holder

นี่เลือกคบคนจากชั้นหนังสือ คนที่เคยคุยด้วยแล้วชอบแบบจริงจังนี่คือเห็นชั้นหนังสือก่อนเห็นหน้า–แค่คุณก็จะรู้สึกว่ามันรับได้กว่าไง เพราะมันดูเหมือนไม่ฉาบฉวย แต่จริงๆ ใครก็สามารถสร้างชั้นหนังสือที่ตัวเองไม่สนใจจะอ่านได้

สิ่งที่ตัวเองทำตอนนี้นี่ฉาบฉวยกว่าคบคนที่หน้าตาอีก

ละครและนิยายตบจูบ

เราไม่ควรต้องมานั่งคุยเรื่องพวกนี้ในปี 2020 นะ

ละครสะท้อนสังคม สังคมสะท้อนละคร แล้วก็เป็นการอ้างเหตุผลไปมากันเรื่อยๆ คือต้องมีคน break ลูปนี้แหละ

ทุนนิยม

เวลาเดินไปตลาดแล้วเจอแผงขายผักสามสี่แผงแล้วก็จะขอบคุณตัวเองที่มีทางเลือก ทุนนิยมในแง่ของการแข่งขันที่ไม่ผูกขาดกับตลาดนี่จริงๆ สำคัญไม่ใช่น้อย

เราเป็น economically left เราเชื่อใน free trade ระดับนึง (ก็จนถึงจุดที่เชื่อว่าทุนนิยมที่ดีต้องมีกลไกข้างหลัง ทั้ง anti-trust, การแข่งขันที่เป็นธรรม, safety net ให้คนล้มเหลวจากระบบ) และเชื่อในมันมากกว่าแนวคิดทาง communism นะ

คู่จิ้น

จิ้นใครจิ้นไป อย่าไปทำให้เขาไม่สบายใจหรือเดือดร้อนก็พอ

นิยายวาย

เขียนอยู่ จริงๆ คือตั้งใจเขียนให้เป็นนิยายที่ไม่ได้มีแต่ straight ด้วยเหตุผลที่อยากเห็นวัฒนธรรม non-straight กลุ่มอื่นดังขึ้นมาบ้าง

แฟนมาก่อนเพื่อน

ไม่มีปัญหา ที่จริงก็คือความสามารถการแบ่งบริบทและเวลา รวมถึงการจัดลำดับความสำคัญ แต่ถ้าผิดมารยาท (เบี้ยวนัด ไม่ตรงเวลา กระทบการงาน ฯลฯ) อันนี้เชิญพิจารณาตัวเอง

ของแบรนด์เนม

ใช้แล้วมีความสุขกับไม่เดือดร้อนเรื่องเงินก็ใช้ไปเถอะ *ทำหน้าคนไม่เคยซื้อแบรนด์เนมราคาเต็ม*

หัวหน้าครอบครัว

ไม่เชื่อในความจำเป็น อยากเลี้ยงลูกแบบพ่อไม่ใช่หัวหน้าครอบครัว แม่ไม่ใช่หัวหน้าครอบครัว เราคือสมาชิกและเราทุกคนได้รับการทรีตเท่ากัน

เสื้อซับในของนักเรียนหญิง

เราเป็นผู้ชายที่เคยใส่เสื้อกล้ามตลอดเพราะไม่อยากให้ใครเห็นในเสื้อขาว

ความตั้งใจในการใส่มาจากความรู้สึกของเราเองที่ไม่ได้ถูกกดดันจากสังคมข้างนอก และการไม่อยากให้ใครเห็นข้างในของเราก็ไม่ได้ขึ้นอยู่กับกรอบสังคมว่าแบบนี้มันโป๊นะหรืออะไรแบบนั้น

การใส่เสื้อของผู้หญิงก็ควรเป็นแบบนี้–ไม่มีคนกดดัน ไม่เป็นไปตามกรอบสังคม

สังคมเฟซบุ๊ก

เฟซบุ๊กกลายเป็นที่ตามข่าวกับเขียนอะไรมีสาระไปแล้ว ไม่ได้ปฏิสัมพันธ์อะไรกับใครเป็นพิเศษ จะเรียกว่ามีสังคมในนั้นก็คงเรียกได้ไม่เต็มปาก

มหาวิทยาลัยเอกชนและรัฐบาล

สมัยปัดทินเดอร์เราปัดเฉพาะคนที่เรียนมหาวิทยาลัยรัฐบาล

เหตุผลไม่ใช่เรื่องคุณภาพการศึกษา แต่เหตุผลคือภาพจำ (perception) ของเราก็ยังคงมองว่ามหาวิทยาลัยเอกชนมีค่าใช้จ่ายสูงกว่าในการเข้าเรียน และเราไม่อยากเป็นฝ่ายที่ socio-economics status ต่ำกว่ามากในเรื่องความสัมพันธ์

เรื่องการศึกษาแน่นอนว่าไม่มีความคิดเห็น ไปดูอันดับมหาวิทยาลัยโลกว่าบ้านเราที่อันดับต้นๆ อยู่ที่เท่าไหร่ของโลก แล้วจะเข้าใจเอง

การทำแท้ง

ควรเสรีทุกกรณี–ทำแท้งนะไม่ใช่กินขนม มันไม่มีใครอยากเจ็บตัวหรอก

ล้อสำเนียง

ไม่มีความคิดเห็น

สลิ่ม

ไม่รู้จะอธิบายความคิดเห็นยังไง–อาจจะปลงไปแล้ว ซึ่งจริงๆ ไม่ควร

แต่เราเชื่อใน intention ที่ดีของทุกคน คนที่เป็นสลิ่ม (ซึ่งตามนิยามของเราคือเป็น ignorant) อาจจะแค่ยังไม่เห็นอะไรบางอย่าง ก็ค่อยๆ ชี้กันไป