หลายองค์กรในปัจจุบันต่างตื่นตัวและเป็นกังวลกับ Digital Disruption ที่กำลังเข้ามามีผลกระทบต่อทุกอุตสาหกรรมมากขึ้นเรื่อย ๆ ในบางองค์กรมีการสนับสนุนให้บุคคลากรได้ศึกษาและเรียนรู้นวัตกรรม AI หรือ platform ต่าง ๆ ที่มีความสามารถล้ำสมัยขององค์กรที่มีประสิทธิภาพในต่างประเทศ ก็ทำให้เกิดแนวคิดที่อยากจะนำมาใช้กับองค์กรของตนเอง อยากพัฒนาองค์กรด้วยการ Digital Transformation ซึ่งความคิดเหล่านี้เป็นสิ่งที่ดี แต่จากประสบการณ์ของผมที่ได้พูดคุยมาพบว่า บุคคลากรส่วนใหญ่ยังมีความเข้าใจผิด โดยมักคิดเพียงแค่ว่าจะนำ AI มาใช้ควบคู่กับการสร้าง “Innovation” อีกทั้งยังคิดว่าการสร้าง AI เป็นสิ่งที่ทำได้ง่ายและเป็นเพียงแค่ IT project โครงการหนึ่งเท่านั้น เพียงซื้อโปรแกรมสำเร็จรูปหรือ software มาใช้ ตัวโปรแกรมทั้งหมดก็จะสามารถแก้ปัญหาและตอบโจทย์ขององค์กรได้ทันที สิ่งที่ผมอยากบอกก็คือ AI อาจไม่ใช่คำตอบของทุกปัญหา และการทำ Digital Transformation นั้น ก็ไม่ได้หมายความว่าจะต้องมี AI เข้ามาเกี่ยวข้องกับทุกนวัตกรรม เราควรทำความเข้าใจให้ถ่องแท้เสียก่อนว่า AI คืออะไร มีหลักการทำงานอย่างไร และสามารถทำประโยชน์อะไรให้เราได้บ้าง

AI เกิดจากข้อมูล (data)

สิ่งที่ขับเคลื่อนให้ AI โดยเฉพาะ Machine Learning (ML) ทำงานได้อย่างมีประสิทธิภาพ คือ ข้อมูล (data) ถ้ามีข้อมูลดีก็มีโอกาสที่จะสร้างโมเดลที่ทำงานได้ดีเช่นกัน (อิงจากหลักการ Garbage In Garbage Out) รวมทั้งองค์ประกอบที่สำคัญด้านโครงสร้างระบบ (Infrastructure) ที่ทำให้ผู้ใช้สามารถนำโมเดลไปใช้งานได้จริง ซึ่งทุกวันนี้อะไรก็เป็นข้อมูลได้เมื่อเราแปลงข้อมูลให้อยู่ในรูปแบบดิจิทัล (Digitization) เช่น 

  • ข้อมูลจากเซ็นเซอร์ในอุปกรณ์ IoT
  • ข้อมูลจากภาพและเสียง 
  • ข้อมูลจากการใช้งานซอฟต์แวร์ต่าง ๆ
  • ข้อมูลการใช้โซเชียลมีเดียร์

เราสามารถนำข้อมูลเหล่านี้ไปให้ AI/ML เรียนรู้เพื่อสร้างประโยชน์ได้อย่างหลากหลาย

ร่วมกันพัฒนา AI/ML ด้วยนวัตกรรมแบบเปิด (Open Innovation)

นวัตกรรมแบบเปิด (Open Innovation) คือ แนวคิดในการแลกเปลี่ยนองค์ความรู้ระหว่างบริษัทและองค์กรต่าง ๆ อย่างอิสระ ก่อให้เกิดความร่วมมือในการสร้างงานที่ดีขึ้นและสร้างองค์ความรู้ที่มีประโยชน์ในภาพรวม ส่งเสริมให้เกิดการพัฒนาต่อยอดนวัตกรรมได้อย่างมีประสิทธิภาพและรวดเร็วยิ่งขึ้น ซึ่งในปัจจุบันมีการสนับสนุนแนวคิดนี้อย่างแพร่หลาย ได้รับการส่งเสริมจากสถาบันวิจัยขององค์กรระดับโลกอย่าง Google, Microsoft และ Facebook เช่น การแชร์ข้อมูล งานวิจัย รวมทั้งโมเดลและโค้ด (code) เพื่อให้นักวิจัยและนักพัฒนาทั่วโลกสามารถนำข้อมูลไปปรับปรุงและพัฒนาต่อ รวมทั้งแชร์กลับให้กับกลุ่มนักวิจัยนั้น ๆ ทำให้เกิดวัฏจักรการเรียนรู้ และแน่นอนว่าสิ่งสำคัญที่ทำให้ชุมชนนั้นพัฒนาอย่างยั่งยืนคือ การมีทัศนคติที่เปิดกว้างที่จะช่วยกัน ร่วมมือกันทำให้งานวิจัยดีและมีประโยชน์ต่อสังคม สิ่งเหล่านี้เองที่ทำให้วิวัฒนาการด้าน AI/ML ในช่วงหลายปีที่ผ่านมามีการพัฒนาอย่างรวดเร็ว

ความสามารถของ AI/ML เกิดจากการเรียนรู้รูปแบบของข้อมูล (pattern)

ปัจจุบันสิ่งที่ AI/ML ทำได้ดีอยู่ทุกวันนี้เป็นความเก่งเฉพาะงาน กล่าวคือการใช้ AI/ML เป็นการเอาอัลกอริทึมมาเรียนรู้หา pattern จากข้อมูลเพื่อตอบโจทย์ที่ตั้งไว้ ซึ่งสามารถนำมาใช้กับการทำงานซ้ำ ๆ เช่น

การทำงานอัตโนมัติ (Automation)

  • การคัดแยกขยะ (Classification)
  • การคัดเลือกภาพหรือวีดิโอวัตถุสิ่งของต่าง ๆ (Object Detection)
  • การตรวจคัดใบหน้าคน (Face Recognition)

การทำนายคาดการณ์ (Prediction/Forecasting)

  • การคาดการณ์ปริมาณสิ่งของในคลังสินค้า
  • การทำนายจากรูป x-ray ว่ามนุษย์มีความเสี่ยงจะเป็นโรคมะเร็งหรือไม่

การนำ AI ที่ใช้กับภาษา Natural Language Procession - NPL มาใช้เพื่อหาคำตอบจากบทความ ซึ่งความสามารถของ AI ในปัจจุบัน ทำได้ดีเฉพาะกับข้อมูลที่เป็นภาษาอังกฤษเท่านั้น ในส่วนของภาษาไทยเราอาจจะต้องช่วยกันพัฒนาต่อไป

และอีกตัวอย่างที่น่าสนใจคือ การนำ Reinforcement Learning มาใช้เรียนรู้โดยการเก็บข้อมูลจากการโต้ตอบกับสิ่งแวดล้อม เช่น Self Driving Car ใช้เซ็นเซอร์ในการเรียนรู้ว่าสิ่งรอบข้างคืออะไรเพื่อใช้ในการควบคุมรถในอนาคต

ยิ่งมีข้อมูลเยอะ AI ยิ่งเก่ง

อย่างไรก็ตาม AI/ML ที่เราใช้อยู่ทุกวันนี้ก็ยังมีข้อจำกัดอยู่บ้าง เพราะ ML โมเดลส่วนใหญ่ โดยเฉพาะโมเดลที่เรียกว่า Deep Learning ต้องใช้ปริมาณข้อมูลและทรัพยากรในการคำนวณมหาศาล ยกตัวอย่าง การที่เราจะสอนให้โมเดลรู้จักภาพสิ่งของอย่างหนึ่ง อาจต้องใช้ภาพหลายร้อยถึงหลักพันรูป ขึ้นอยู่กับความแม่นยำที่เราต้องการ ยิ่งสอนด้วยรูปภาพจำนวนมากก็ยิ่งแม่นยำขึ้น แต่ถ้าเทียบกับความสามารถมนุษย์ เราอาจใช้รูปเพียงไม่กี่รูปก็สามารถแยกแยะสิ่งของได้ ซึ่งปัจจุบันก็เริ่มมีงานวิจัยที่เกี่ยวข้องกับการใช้โมเดลที่ใช้ข้อมูลไม่มากจนเกินไป เช่น Transfer Learning ซึ่งเป็นโมเดลที่เรียนรู้จากข้อมูลในงานประเภทหนึ่ง แล้วเอาไปใช้กับงานประเภทที่ใกล้เคียง อีกโมเดลคือ Self-Supervised Learning คือโมเดลภาษาที่เรียนรู้โดยการตัดลบคำบางคำ แล้วให้โมเดลทำนายว่า คำที่ให้ไปคืออะไร ซึ่งเราใช้ข้อมูลที่มีอยู่และคำที่ถูกลบไปเป็นคำตอบ เพื่อที่จะสอนให้โมเดลใช้ข้อมูลอย่างมีประสิทธิภาพ

เช็คความพร้อมขององค์กรก่อนสร้าง AI 

นอกจากนี้ยังมีองค์ประกอบอื่น ๆ ที่ควรคำนึงถึงในการนำ AI/ML มาใช้ นั่นคือ 

  1. ทัศนคติของผู้บริหารที่ควรเปิดกว้างและมีวิสัยทัศน์ที่จะทดลองและขับเคลื่อนองค์กรโดยการใช้ข้อมูลเป็นส่วนสำคัญในการตัดสินใจ
  2. ความคุ้มค่าของสิ่งที่จะทำ
  3. วัฒนธรรม และทัศนคติของคนในองค์กร
  4. ความพร้อมทางด้านข้อมูล 
  5. ความพร้อมของบุคคลากร เพื่อพิจารณาว่าจะดำเนินการเองด้วยบุคคลภายใน (build) หรือจะจ้างผู้เชี่ยวชาญจากภายนอก (outsource)

ตำแหน่งอื่น ๆ ที่ควรมี หากตัดสินใจดำเนินการเองด้วยคนในองค์กร

ผมมองว่า AI/ML ไม่ได้จบแค่การทำโมเดลโดยทีม (1) Data Scientist หรือ (2) AI Researcher แต่ต้องมีโครงสร้างพื้นฐาน (Infrastructure) ที่จะนำโมเดลที่ถูกพัฒนาจากการทดลองมาใช้ให้เกิดประโยชน์จริงในการดำเนินธุรกิจ ซึ่งจำเป็นต้องมีตำแหน่ง (3) Infrastructure Engineer และ (4) Data Engineer ที่จะร่วมมือกันเชื่อมให้ข้อมูลจากต้นทางอยู่ในรูปแบบที่เหมาะสมและนำไปใช้ได้จริง 

และอาจจะมี (5) Machine Learning Engineer หรือ (6) MLOps ที่จะช่วยแปลงโมเดลที่ทาง Data Scientist สร้างมาให้อยู่ในรูปแบบที่เหมาะสมกับสิ่งที่ผู้ใช้จะนำไปใช้ ซึ่งทีม MLOps มีหน้าที่สำคัญในการดูแลความเสถียรของสิ่งที่จะนำไปใช้ หากมีการปรับแก้โมเดล ก็สามารถทำได้โดยไม่ทำให้การทำงานสะดุด 

และอีกด้านที่ควรคำนึงถึงและสำคัญไม่แพ้กันคือ การดูแลข้อมูล ไม่ว่าจะเป็นเรื่องความปลอดภัย (Data Security) และความเป็นส่วนตัว (Data Privacy) ของข้อมูลลูกค้า และการดูแลเรื่องจริยธรรมในการใช้ข้อมูลและ AI/ML โมเดล ที่กล่าวมาทั้งหมดนี้ คือสิ่งที่ผมต้องการเน้นย้ำว่า มีหลายปัจจัยที่ผู้ประกอบการต้องคิดให้รอบคอบ ก่อนการนำ AI มาใช้กับธุรกิจให้ประสบความสำเร็จครับ

บทความโดย จรัล งามวิโรจน์เจริญ, 

Chief Data Scientist & VP of Data Innovation Lab บริษัท เซอร์ทิส จำกัด บริษัทให้คำปรึกษาด้านเทคโนโลยีและดิจิทัลโซลูชั่นให้กับองค์กรทั้งภาครัฐและเอกชน ปัจจุบันใช้ประสบการณ์การทำงานต่างประเทศทางด้านซอฟท์แวร์ ข้อมูล และปัญญาประดิษฐ์ ดูแลทีม Data Scientist, ML Engineer และ AI Research นอกจากนี้ยังเป็นนักเขียนคอลัมน์ Data Driven Society ของไทยพับลิก้า (เพราะเบื่อความเป็น Drama Driven Society ของประเทศเรา)

RELATED ARTICLE

Responsive image

กรณีศึกษา AirAsia กับการนำ AI มาใช้เพื่อเพิ่มความปลอดภัย

Artificial Intelligence (AI) และ Machine Learning (ML) กลายเป็นเรื่องฮอตและเทคโนโลยีสำคัญที่ตอนนี้ทุกองค์กรให้ความสนใจ หนึ่งในนั้นประโยชน์คือการลดค่าใช้จ่ายและเพิ่มประสิทธิภาพในกระ...

Responsive image

บทบาททีม Data Science ของ 'Grab' กับการยกระดับบริการและผลักดัน smart city ด้วย 'ข้อมูล'

Data, AI และ Machine Learning คือสามคำสุดฮอตที่พ่วงมาด้วยกันในช่วงเวลานี้ เมื่อหลายองค์กรมีความพยายามค้นคว้าและพัฒนาระบบข้อมูลให้ชาญฉลาดและมีประสิทธิภาพมากขึ้น ด้วยทีม Data scienti...

Responsive image

18 สิ่งที่น่าสนใจจาก Google I/O 2018 จัดเต็มโชว์ AI และ Machine Learning

เมื่อคืนที่ผ่านมา Google จัดงาน I/O 2018 ถือเป็นงานใหญ่ที่ Google จะใช้ปล่อยของใหม่ ๆ ให้กับผู้ใช้ทั่วไปและนักพัฒนาได้ตื่นเต้นกัน โดยปีนี้ Product เน้นไปที่การใช้เทคโนโลยีด้าน AI แ...