ทำความรู้จัก AI/ML แบบสั้นๆ เข้าใจง่ายพร้อมตัวอย่าง

ยุค Digital แบบนี้แม้คนในวงการและนอกวงการ IT ต่างต้องเคยได้ยินคำว่า AI และ ML กันทั้งนั้น แต่ว่าสิ่งที่เราพูดๆ เรียกๆกันอยู่บ่อยๆ เราสามารถเข้าใจประโยชน์ของมันมากน้อยแค่ไหน วันนี้เราจะมาเล่าให้ฟังแบบง่ายๆ สั้นๆ และเข้าใจได้ไวพร้อมทั้งยกตัวอย่าง (Case study) ให้เห็นภาพ เพื่อนำเทคโนโลยีเหล่านี้ไปประยุกต์ใช้และต่อยอดกันในอนาคต

ก่อนจะไปดูตัวอย่างเคสต่างๆ มารู้จัก 3 คำนี้กันก่อน

  1. Artificial Intelligence (AI): แปลตรงๆ คือ ปัญญาประดิษฐ์ แต่ถ้าให้เข้าใจง่ายๆ ก็คือ หุ่นยนต์ที่สามารถคิดเองได้ ตัดสินใจเองได้ คล้ายมนุษย์ที่เรียนรู้ด้วยตัวเอง
  2. Machine Learning (ML): แปลตรงๆ คือ การเรียนรู้ของเครื่องจักร แต่ถ้าให้เข้าใจง่ายๆ ก็คือ เปรียบเสมือนสมองของ AI ที่ใช้จดจำจากข้อมูลที่ใส่เข้าไป จากนั้นสามารถทำนายผลในอนาคต แบบที่ตัวอย่างมีรูปหมารูปแมวให้ ML เรียนและจำเยอะๆจากนั้นก็ให้ทายนั่นเอง (หรือจะพูดว่า ML คือ สิ่งที่เกิดในอดีตแล้วเรียนรู้ให้เกิดในอนาคต เช่น เราเอามาใช้กับธุรกิจธนาคาร มีลูกค้ามาขอสินเชื่อ ดังนั้น ML ก็จะประเมินได้เลยว่า คนอายุเท่านี้ อาชีพแบบนี้ เคยมาขอสินเชื่อแล้ว มีการผิดนัดชำระหนี้บ่อยๆ เราก็สามารถเอาข้อมูลในอดีตมาเรียนรู้ แล้วประเมินว่าจะปล่อยสินเชื่อให้ลูกค้าเจ้านี้ดีไหม เป็นต้น)
  3. Deep Learning (DL): แปลตรงๆคือ การเรียนรู้เชิงลึก ถ้าให้เข้าใจง่ายๆ ก็คือ อัลกอริทึมของ ML ที่คิดในเรื่องที่ลึกยิ่งขึ้นคล้ายๆระบบประสาทของมนุษย์ (Neurons)

 

จาก 3 คำข้างต้นเป็นเทคโนโลยีที่เราสามารถนำมาใช้กับธุรกิจและอุตสาหกรรมอื่นๆ ได้หลากหลายและเป็นประโยชน์อย่างมากทั้งในปัจจุบันและอนาคต มาดูตัวอย่าง Case study ในแต่ละแผนกว่าจะสามารถนำ AI/ML มาใช้กับงานในธุรกิจได้อย่างไรบ้าง

  • Marketing ด้านการตลาด
  1. Personalized channel & content: เป็นการพยากรณ์ว่าการส่ง Marketing Campaign ไปในช่องทางไหนบ้างแล้วสำเร็จสูง เช่น ส่งทาง SMS, Email, LINE etc. จากนั้น ML จะเอาข้อมูลของคนที่สำเร็จมา Build Model ทำให้ส่งข้อมูลให้ถูกคนมากขึ้นแล้วประหยัดต้นทุนด้วย
  2. Cross sell targeting: ยกตัวอย่างสำหรับธุรกิจประกัน เช่นลูกค้ามีประกันสุขภาพอยู่แล้วและแน่นอนว่าในอนาคตอาจจะมีโอกาสในการซื้อประกันอื่นๆเพิ่ม การนำ ML มาใช้จะช่วยให้เห็นแนวโน้มว่าลูกค้ามีประกันสุขภาพ อาจจะให้แนะนำเพิ่มโอกาสในประกันชนิดอื่นแทน เช่น ประกันอุบัติเหตุ มากกว่าประกันสุขภาพ เป็นต้น
  • Financial ด้านการเงิน
  1. Credit Scoring and Debt Collection: เป็นการประเมินการให้คะแนนและการเก็บหนี้ เช่นธุรกิจสินเชื่อรถยนต์ ลูกค้าคนไหนมีโอกาสเป็นหนี้เสีย จะได้ให้วางเงินดาวน์เยอะๆ เพื่อป้องกันความเสี่ยง เชื่อไหมว่าการนำ ML มาใช้ทำให้ผลลัพธ์นี้ประหยัดเงินได้เป็นหลักล้านเลยทีเดียว
  2. Screening customer: เช่นธุรกิจธนาคาร เราเป็นธนาคารแล้วมีลูกค้าสนใจสินเชื่อเยอะมากๆ แต่เรามีคนรับมือน้อย เราสามารถ ทำ Probability ความน่าจะเป็นว่าลูกค้าคนนี้มีโอกาสเยอะนะที่จะเป็นลูกค้าเราที่จะซื้อประกัน หรือกู้เงิน เป็นต้น
  • Industrial factory
  1. Demand forecasting: เราสามารถจัดการวัตถุดิบหรือของใน Stock แล้วประเมินการสั่งซื้อได้ เช่นธุรกิจผลิตรถยนต์ สามารถจัดการอะไหล่รถยนต์ โดยการนำข้อมูลเก่ามาทำการ Predict เราจะรู้ Demand ว่าช่วงไหน เวลาไหนควร สั่งของมาเตรียมไว้
  2. Predictive maintenance: กรณีที่เครื่องจักรในโรงงานเสีย แล้วในอนาคตเราจะรู้ได้อย่างไรว่าเสีย เราสามารถนำ AI/MLมาใช้เพื่อแจ้งล่วงหน้าหรือมีส่งสัญญาณก่อนล่วงหน้า เพื่อที่เราจะได้วางแผนปิดไลน์ผลิตตและป้องกันความเสี่ยงรวมถึงลดการคอขวดด้วย
  3. Repurchase คือการซื้อซ้ำ ในกรณีเจ้าของผู้ผลิตรถยนต์นำ AI/ML มาประยุกต์โดยนำข้อมูลลูกค้ามาใช้ เช่น ลูกค้าเจ้านี้ซื้อรถมาเมื่อไหร่ เข้าศูนย์ซ่อมอย่างไงบ้าง ถ้าไมล์เยอะหรือซ่อมบ่อย แสดงว่าอาจจะมีโอกาสซื้อรถใหม่เร็วๆนี้ได้ ถ้าเรารู้ก่อนว่าลูกค้ามีโอกาสเปลี่ยนรถใหม่ จะได้ติดต่อลูกค้าเจ้านั้นไป และทำ Promotion ทางการตลาดต่อไปให้เกิดการซื้อซ้ำได้ เป็นต้น

หลักการ Visualization กับ Data น่ารู้

คำว่า Visualization นั้นถ้าแปลกันตรงๆก็จะได้ความหมายว่า การทำให้มองเห็น การแสดง และการนึกภาพ ซึ่งแน่นอนว่าภาพเป็นสิ่งที่จะช่วยให้ผู้คนเข้าใจบางอย่างได้ง่ายขึ้นและยังจดจำได้ดีกว่าตัวอักษร ดังนั้นการเรียนรู้เรื่อง Visualization จึงเป็นอีกเรื่องที่น่าสนใจ เพราะหากเราสามารถนำมาประยุกต์ใช้ได้จะช่วยให้การนำเสนองานของเราได้ดีขึ้น คนดูก็จะเข้าใจรายละเอียดได้มากขึ้นเช่นกัน โดยหยิบยกหลักการที่สำคัญมาฝากดังนี้

  • ทำไมต้องใช้ Visualization ? เพราะ จะทำให้เกิดกระบวนการ 3 ประการ
    1. Effective : ทำให้เห็นสิ่งที่มองไม่เห็นด้วยการนำเสนอปกติ และสามารถเข้าใจได้อย่างรวดเร็ว
    2. Convincing : ชักจูงดึงดูดคนดูได้ดี
    3. Insightful : ให้ข้อมูลเชิงลึกที่ข้อมูลตัวเลขทำไม่ได้
  • Visualization Variable จะมีด้วยกัน 4 แบบ คือ
    1. Length เป็นแบบความยาว อาจจะเป็นเส้นก็ได้
    2. Area เป็นพื้นที่แสดงภาพที่มีพื้นที่ปริมาณมากน้อยแตกต่างกันไป
    3. Brightness เป็นการแสดงความเข้มอ่อนของสีเดียวเท่านั้น
    4. Hue เป็นการแสดงที่หลากสีสัน
  • แนวทางการนำเสนอจะมี 2 รูปแบบ ได้แก่
    1. Author-Driven โดยเป็นการนำเสนอในรูปแบบที่ผู้เขียนเป็นคนขับเคลื่อน ซึ่งมักจะนำเสนอเป็นเส้นตรง (Linear) รวดเร็ว (Fast) และ ข้อความหรือสิ่งที่จะสื่อค่อนข้างชัดเจน (Clear Messages)
    2. Viewer-Driven เป็นรูปแบบการนำเสนอที่ผู้มองหรือผู้ดูเป็นผู้ขับเคลื่อนและค้นหาเองในภาพ โดยการนำเสนอแบบนี้จะกระจายไม่เป็นเส้นตรง (Non-Linear) ความเร็วก็อยู่ที่ผู้มอง (Own Speed) และสิ่งที่สื่อสารจะเป็นไปในลักษณะการค้นหาที่ส่วนตัว ผู้มองสามารถดูหรือค้นหาข้อมูลจากภาพได้เองจากจุดที่ตนเองสนใจเท่านั้น (Exploratory / Personal)

หากใครสนใจอยากเรียนรู้ในรายละเอียดสามารถศึกษาเพิ่มเติมได้ที่ https://space.cbs.chula.ac.th/course/129/item/1706041/ ซึ่งเป็นเรื่องราว Data Visualization สอนโดย อาจารย์ ดร. ภูริพันธุ์ รุจิขจร ( Course Overview : Data Visualization คือ การแสดงข้อมูลเป็นภาพ เพื่อให้ผู้รับสารเข้าใจง่ายขึ้น วิชานี้ จะแนะนำตั้งแต่ความสำคัญของ Data Visualization ตลอดจนการนำแสดงข้อมูลที่ดี และการใช้ Data เพื่อทำ Storytelling)