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

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

Data, AI และ Machine Learning คือสามคำสุดฮอตที่พ่วงมาด้วยกันในช่วงเวลานี้ เมื่อหลายองค์กรมีความพยายามค้นคว้าและพัฒนาระบบข้อมูลให้ชาญฉลาดและมีประสิทธิภาพมากขึ้น ด้วยทีม Data scientist ที่จับข้อมูลมหาศาล มาวิเคราะห์เพื่อยกระดับการให้บริการและพัฒนาสังคมส่วนรวม

ในบทความนี้เราได้พูดคุยกับผู้เชี่ยวชาญของ Grab คุณ Jagannadan Varadarajan หัวหน้าทีม Data Science (Machine Learning) ประจำสำนักงานใหญ่ในสิงคโปร์ และเป็นผู้อำนวยการร่วมของ Grab-NUS Lab ที่ทาง Grab ร่วมมือกับมหาวิทยาลัยแห่งชาติสิงคโปร์ในการพัฒนาระบบคมนาคมในเมือง เพื่อร่วมให้ความเห็นและยกตัวอย่างให้เห็นกันชัดๆ ว่า ข้อมูลมหาศาลที่มีอยู่แล้ว จะถูกนำมาใช้ประโยชน์อะไรต่อภาคธุรกิจและสังคมอย่างไรได้บ้าง

ข้อมูลที่ Grab มีอยู่ในปัจจุบัน ได้ถูกนำมาวิเคราะห์เพื่อสร้างโซลูชันอะไรบ้าง และวางแผนสำหรับอนาคตอย่างไร

ปัญหาจราจรติดขัดเป็นปัญหาที่ใหญ่ที่สุดปัญหาหนึ่งในประเทศไทย ยิ่งไปกว่านั้น กรุงเทพฯ ถือเป็นเมืองที่รถติดที่สุดในเอเชียในปี 2017 ด้วยการให้บริการของ Grab เราหวังว่าจะทำให้คนมีรถในครอบครองน้อยลง ในด้านของข้อมูล ทุกวันนี้มีคนขับ Grab ไปมาทั่วทุกถนนเล็กใหญ่ ในเอเชียตะวันออกเฉียงใต้ คนขับของเราขับผ่านทุกถนนที่มีคนสัญจรหลายครั้งต่อวัน แอปพลิเคชันของคนขับได้มอบข้อมูล GPS ที่ทำให้เราสามารถรวบรวมข้อมูลจำนวนมหาศาลที่ละเอียดมากถึงขั้นว่าเมื่อนำจุด GPS มารวมกัน จะกลายเป็นเสมือนแผนที่ของเมืองเลยทีเดียว

Grab ใช้ข้อมูลดังกล่าวเพื่อพัฒนาการเรียนรู้ของระบบ (Machine Learning) และรูปแบบปัญญาประดิษฐ์ (Artificial Intelligence models) ในการประเมินการติดขัดของการจราจร เหตุต่างๆ บนท้องถนน และเวลาที่ใช้ในการเดินทาง นอกจากนี้ เรายังใช้ข้อมูลที่มีอยู่ และการเปลี่ยนแปลงของอุปสงค์และอุปทาน ณ ขณะนั้น เพื่อประเมินผลให้เราสามารถบอกคนขับให้ไปในที่ที่มีอุปสงค์สูงเพื่อให้พวกเขาให้บริการแก่ผู้โดยสารที่ต้องการใช้บริการได้อย่างมีประสิทธิภาพ

ยิ่งไปกว่านั้น เรายังได้ประสานงานกับหน่วยงานรัฐบาล และองค์กรอื่นๆ เพื่อใช้ข้อมูลการจราจรของเราในการแก้ปัญหาจราจรติดขัด และยกระดับความปลอดภัยบนท้องถนนทั่วภูมิภาค ตัวอย่างเช่น เราให้ผลรวมข้อมูลคนขับในรูปแบบที่ไม่ระบุตัวตนไว้บนแพลตฟอร์ม OpenTraffic ซึ่งเจ้าหน้าที่จัดการจราจร และนักผังเมืองสามารถนำข้อมูลดังกล่าวไปใช้เพื่อลดการติดขัดของการจราจร โดยปรับเวลาสัญญาณไฟ หรือวางแผนการจัดการเส้นทาง เป็นต้น ส่วนนักผังเมืองก็สามารถใช้ข้อมูลนี้ในการตัดสินใจว่าจะวางแผนสร้างโครงสร้างพื้นฐานอย่างถนนได้อย่างไร

ด้วยความร่วมมือกับมหาวิทยาลัยแห่งชาติสิงคโปร์ (National University of Singapore) Grabได้ตั้งห้องปฏิบัติการ Grab-NUS AI Lab เพื่อสร้างแพลตฟอร์ม AI ที่สามารถทนทานต่อ Machine Learning และการวิเคราะห์การแสดงผลภาพสำหรับข้อมูลจำนวนมหาศาล ที่ช่วยให้สามารถพัฒนาแอปพลิเคชันใหม่ๆ จากชุดข้อมูลมหาศาลที่รวบรวมโดย Grab ตัวอย่างเช่น การช่วยหน่วยงานด้านคมนาคมในการสอดส่องและเพิ่มความคล่องตัวของการจราจร

เรายังสามารถหาวิธีปรับใช้บริการรถร่วมโดยสารอย่างเหมาะสม เพื่อกระตุ้นให้เกิดการใช้รถร่วมกัน และลดจำนวนรถบนท้องถนนในประเทศไทยได้

ยกตัวอย่างเช่น ข้อมูลของเราแสดงให้เห็นว่าเวลาการเดินทางจากตลาดประตูน้ำไปสนามบินดอนเมืองนั้นสามารถทำให้เร็วขึ้นได้อีกมาก หากเส้นทางนี้มีทางเลือกรถร่วมโดยสารมากขึ้นอย่าง รถเมล์ รถไฟ หรือการใช้รถร่วมกัน ซึ่งจะช่วยให้เราสามารถลดเวลาการเดินทางในช่วงเวลาเร่งด่วนได้ถึง 25% จาก 45 นาที เหลือเพียงแค่ 34 นาที

นำ Machine Learning และ AI มาใช้จริงอย่างไรบ้าง

Grab มีข้อมูลจำนวนมหาศาลถึง 20 เทระไบต์ ต่อวัน แต่การมีข้อมูลนั้นถือเป็นแค่ครึ่งหนึ่งของสมการ สิ่งที่สำคัญไม่ยิ่งหย่อนไปกว่ากันคือการมีเครื่องมือและความสามารถที่จะเปลี่ยนข้อมูลดังกล่าวเป็นฟีเจอร์อันชาญฉลาดที่สามารถยกระดับประสบการณ์การใช้งานของลูกค้าได้อย่างต่อเนื่อง และใช้พัฒนาเมืองอัจฉริยะได้ในอนาคต

วิทยาศาสตร์ข้อมูล (data science) ได้ถูกนำมาใช้ในส่วนนี้ และเป็นเหตุผลที่ว่าทำไม Grab จึงลงทุนอย่างมหาศาลกับ AI, Machine Learning และการวิจัยการดำเนินการ

  • ในด้านการชำระเงิน Grab ได้ใช้ข้อมูลเชิงพฤติกรรมและการหารายได้ของคนขับ ในการพัฒนากลไกการคำนวณสินเชื่อซึ่งประเมินจากความน่าเชื่อถือของคนขับ ทำให้เราสามารถขยายบริการสินเชื่อให้แก่คนขับ (ที่ไม่สามารถกู้เงินจากธนาคารทั่วไป) เพื่อตอบสนองความต้องการในแต่ละวันของพวกเขา อาทิ การดูแลรถยนต์ ค่าน้ำมันเครื่อง และค่าใช้จ่ายเบ็ดเตล็ดต่างๆ
  • ในด้านบริการส่งอาหาร เราใช้ AI ในการทำความเข้าใจรสนิยมของลูกค้า เพื่อให้เราสามารถแนะนำร้านอาหาร และอาหารในท้องถิ่นที่ขึ้นชื่อและเหมาะสมกับความต้องการของลูกค้า โดยเราใช้ระบบการเลียนแบบคุณสมบัติ (simulation) และระบบการเลือกให้เหมาะสม (optimization) ในการพัฒนาประสิทธิภาพการจับคู่ความต้องการของลูกค้าในทุกวัน เพื่อให้ partner ผู้ส่งอาหารของเราสามารถลดเวลาการเดินทาง และให้ลูกค้าได้รับอาหารแบบทันใจ
  • ในด้านการเดินทาง Grab ใช้ AI เพื่อประเมินเวลาการเดินทางและพัฒนาแผนที่ที่เรามี โดยใช้เส้นทาง GPS จำนวนมากในการอนุมานและปรับแก้การคำนวณของแผนที่ ทั้งนี้ ฟีเจอร์ใหม่ที่เราเพิ่งนำมาใช้ช่วยให้คนขับสามารถให้บริการลูกค้าได้หลายเที่ยวที่สุดเท่าที่จะทำได้ระหว่างทางจากจุดที่คนขับอยู่ ณ เวลานั้น จนถึงบ้านของพวกเขา โดยระบบจะจับคู่คนขับกับจุดหมายของผู้โดยสารที่อยู่บนเส้นทางกลับบ้าน ช่วยให้คนขับไม่ต้องขับรถกลับบ้านทางไกลโดยไม่มีผู้โดยสาร ซึ่งจะทำให้พลาดโอกาสสร้างรายได้ระหว่างทาง

ตัวอย่าง A/B testing ที่ทำแล้วประสบความสำเร็จ

Grab ได้พยายามอย่างต่อเนื่องในการพัฒนาประสบการณ์ของผู้โดยสารและ Partner ผู้ขับขี่ ทั้งนี้ การที่จะทำเช่นนั้นได้ก็เพราะเราได้ทำการทดลองอยู่เรื่อยๆ และความจริงแล้ว หลายสิ่งบนแอปที่เราได้พัฒนาขึ้นนั้นถือเป็นผลลัพธ์โดยตรงจากการทดลองที่ประสบความสำเร็จ การทำการทดสอบแบบหลายทางเลือกหรือ A/B testing ถือเป็นสิ่งสำคัญในการทำการทดลอง และเราใช้การทดสอบดังกล่าวเพื่อกำหนดตัวแปรสองตัวขึ้นไป ซึ่งส่วนใหญ่จะเป็นการพัฒนาเล็กๆ น้อยๆ ซึ่งทำให้ผลออกมาดีที่สุด

Grab ใช้การทดสอบแบบ A/B testing ในหลายขั้นตอน รวมถึงการค้นหา และอัลกอริทึมแนะนำตัวเลือก ราคาและค่าบริการ การออกแบบเว็บไซต์ แคมเปญการตลาดที่ปล่อยออกไป การส่งข้อความ และการเปิดตัวผลิตภัณฑ์ต่างๆ เป็นต้น

ข้อมูลที่ Grab มีสามารถนำมาสร้างประโยชน์กับภาครัฐในทิศทางใดบ้าง

ข้อมูลจากหลากหลายบริการของ Grab ทำให้เราสามารถรับรู้ข้อมูลเชิงลึกในเรื่องดังต่อไปนี้

  • รูปแบบการคมนาคมของผู้คน: ข้อมูลของเราช่วยให้สามารถเข้าใจรูปแบบการคมนาคมของผู้คนในช่วงเวลาต่างๆ ซึ่งสามารถนำไปใช้ในการวางแผนโครงสร้างเมือง การขนส่งสาธารณะ และการวางนโยบายการจราจรที่ดีขึ้นได้
  • สถานการณ์การจราจรบนทุกถนนของเมือง: แกร็บ สามารถช่วยให้รัฐบาลประมาณเวลาการเดินทาง และทำความเข้าใจผลกระทบของการจราจร เพื่อนำไปหาวิธีแก้ไขจราจรติดขัดในเวลาเร่งด่วน
  • อุปสงค์และอุปทาน: ข้อมูลช่วยให้เราสามารถศึกษาว่าผู้คนรวมตัวกันอยู่ที่ไหนในแต่ละช่วงเวลา ในแต่ละวัน และศึกษาวิธีการเดินทางที่คนเหล่านั้นนิยมใช้ ซึ่งข้อมูลนี้จะสามารถนำมาใช้เพื่อประกอบการพิจารณาวางแผนและจัดการแต่ละชุมชนได้
  • รูปแบบการรับประทานของผู้บริโภค: การเพิ่มบริการส่งอาหาร ทำให้เราได้ข้อมูลเกี่ยวกับร้านอาหาร ประเภทอาหาร และรูปแบบการกินที่คนทั่วไปนิยม ทำให้สามารถใช้ข้อมูลเพื่อการรณรงค์ส่งเสริมสุขภาพ สุขอนามัย การควบคุมคุณภาพ และลดปริมาณขยะที่เกิดจากอาหารได้

Grab ได้ร่วมมือกับรัฐบาลในการจัดการข้อมูลที่มีอยู่อย่างไรบ้าง

เราได้ร่วมมือกับรัฐบาลและผู้มีอำนาจในการออกกฎหมายเพื่อใช้ข้อมูลจำนวนมหาศาลหลายเพตะไบท์ที่รวบรวมอยู่บนแพลตฟอร์มของเรา เพื่อพัฒนาและปรับปรุงบริการสำหรับเมืองต่างๆ ในเอเชียตะวันออกเฉียงใต้ นอกจากการให้ข้อมูลโลเคชั่นของคนขับในแพลตฟอร์ม OpenTraffic ซึ่งเกิดจากความร่วมมือกับธนาคารโลก เพื่อให้รัฐบาลของประเทศในภูมิภาคเอเชียตะวันออกเฉียงใต้ อาทิ เมียนมาร์ อินโดนีเซีย และฟิลิปปินส์ เข้าถึงข้อมูลการจราจรแบบเรียลไทม์แล้ว เรายังหาวิธีการใช้ข้อมูลในการช่วยรัฐบาลโดยตรงในการวางแผนการคมนาคม ตอบสนองความต้องการในการเดินทางให้เพียงพอ และวิเคราะห์ว่าการเพิ่มขึ้นของจำนวนรถกระทบต่อแต่ละเมืองอย่างไร

พันธกิจของ Grab ในการผลักดันประเทศไทยสู่ Smart City

Grab มุ่งหวังที่จะขับเคลื่อนให้ประเทศไทยเป็นเมืองอัจฉริยะในอนาคต และได้ร่วมมือกับพันธมิตรจากหลากหลายอุตสาหกรรม รวมไปถึงรัฐบาล เพื่อเดินหน้าสู่เป้าหมายดังกล่าว ตัวอย่างที่เห็นได้ชัดคืองาน MotoGP เมื่อเดือนตุลาคมที่ผ่านมา ซึ่งเราได้ร่วมมือกับองค์กรบริหารส่วนจังหวัดบุรีรัมย์ เพื่อนำร่องระบบขนส่งอัจฉริยะ เพื่อผลักดันให้บุรีรัมย์กลายเป็นเมืองอัจริยะในอนาคต ความเคลื่อนไหวนี้ก็เพื่อตอบสนองวิสัยทัศน์ “บุรีรัมย์โมเดล” ซึ่งพุ่งเป้าไปที่การเร่งการเติบโตทางเศรษฐกิจและการท่องเที่ยวของจังหวัด โดยพัฒนารายได้และคุณภาพชีวิตของคนท้องถิ่นอย่างยั่งยืน และในอนาคตอันใกล้นี้ เราก็หวังว่าจะได้ร่วมงานกับจังหวัดอื่นๆ โดยเฉพาะเมืองท่องเที่ยวอื่นๆ ในรูปแบบเดียวกัน

นอกจากนี้ ในปีที่แล้ว Grab ได้เปิดตัว เทคโนโลยี Safer Everyday ในประเทศไทยโดยมุ่งให้สังคมไทยเป็นเมืองอัจฉริยะที่ปลอดภัยมากขึ้น เป้าหมายหลักของเทคโนโลยีนี้คือการเพิ่มมาตรฐานความปลอดภัยบนท้องถนนเพื่อลดอุบัติเหตุที่สามารถป้องกันได้ โดยการวัดความเหนื่อยล้าของคนขับผ่านระบบรายงานผลโทรสนเทศภายใน และกระตุ้นการเปลี่ยนแปลงพฤติกรรมด้านความปลอดภัยของพวกเขา ซึ่งจะนำไปสู่การเปลี่ยนแปลงพฤติกรรมการใช้รถใช้ถนนในระยะยาว

RELATED ARTICLE

Responsive image

LearnDi และ Digital Library แพลตฟอร์มการเรียนรู้ในยุค Next Normal อัปสกิลคนในองค์กร ให้ก้าวทันกระแสโลก

AIS Academy ยังต่อยอด ส่งต่อความรู้ให้คนไทยอย่างไม่หยุดยั้ง ผ่านแพลตฟอร์มดิจิทัล “LearnDi” และ “Digital Library” เพื่ออัปสกิลคนในองค์กร ให้ก้าวทันกระแสโลก...

Responsive image

แนวโน้มอนาคตแวดวงสินเชื่อ สู่การเข้าถึงแหล่งเงินทุน จากมุมมองของผู้ให้บริการ

เปิดเคล็บลับและหัวใจของการเข้าถึงแหล่งเงินทุน ที่ SMEs ต้องรู้ โดย คุณชัยณรงค์ ฉัตรรัตนวารี ผู้อำนวยการฝ่ายพัฒนาธุรกิจดิจิทัล SME Bank...

Responsive image

บทวิเคราะห์ SCBx จากสถาบันการเงิน สู่ Tech Company

วิเคราะห์ SCBX การปรับโครงสร้างครั้งใหญ่ ที่ถูกเรียกว่า 'ยานแม่' ซึ่งจะพาธุรกิจของ SCB ปลดล็อกสู่โลกใบใหม่ และเป็นบริษัท Tech Company...