พวกเราเคยคิดหรือสงสัยไหมว่า Netflix รู้ได้อย่างไร ว่าเราอยากจะดูภาพยนตร์เรื่องนี้
.
ทำไม Spotify ถึงสร้าง playlist นี้มาให้เรา
.
บริษัทเหล่านี้…รู้ได้อย่างไร หรือว่า…มีเวทมนตร์บางอย่างที่อ่านใจเราได้
.
บทความนี้จะพูดถึงการใช้เทคโนโลยีปัญญาประดิษฐ์ หรือ AI (Artificial Intelligence) ในภาคธุรกิจกันครับ
ในยุคที่เต็มไปด้วยเทคโนโลยี พวกเราหลายๆ คนคงเคยได้ยินคำว่า AI และ Big Data (ข้อมูลขนาดใหญ่) ในสื่อต่างๆ
สิ่งเหล่านี้…คืออะไรกันแน่ ทำงานอย่างไร และนำไปใช้ประโยชน์ได้อย่างไร โดยเฉพาะในภาคธุรกิจ
ความจริงแล้วปัญญาประดิษฐ์ไม่ใช่เรื่องใหม่ มนุษย์เราพยายามสร้างปัญญาประดิษฐ์มาตั้งแต่สมัยกรีกยังรุ่งเรือง แต่เริ่มเป็นรูปเป็นร่างหลังจากที่เราสร้างคอมพิวเตอร์ขึ้นมา หลักการทำงานของคอมพิวเตอร์ก็คือ การทำสิ่งที่ซ้ำ ๆ เดิม ๆ ได้เก่งกว่ามนุษย์โดยไม่มีข้อผิดพลาด เพราะไม่มีปัจจัยของอารมณ์และความเหนื่อยล้ามาเกี่ยวข้อง แต่ในสมัยก่อนคอมพิวเตอร์มีขนาดใหญ่มาก อาจเท่ากับห้อง ๆ หนึ่ง จึงทำให้ผู้คนทั่วไปยังไม่นิยมนัก คนที่ใช้ก็มีแต่พวกนักวิจัยกับหน่วยงานที่มีเงินซื้ออุปกรณ์เหล่านี้ แต่ด้วยการวิจัยและการพัฒนาเทคโนโลยีต่าง ๆ ทำให้อุปกรณ์ชิ้นส่วนของคอมพิวเตอร์เล็กลง ราคาจับต้องได้และทำงานได้เร็วขึ้นอย่างก้าวกระโดด
ต่อมาในช่วงประมาณทศวรรษ 1950 นักวิทยาศาสตร์หลายสาขาเริ่มใช้คอมพิวเตอร์ในการทำงานและพยายามออกแบบโปรแกรมให้ฉลาดขึ้น หนึ่งในนั้นคือ สาขาจิตวิทยา พวกเขาพยายามเลียนแบบกระบวนการธรรมชาติ รวมถึงสมองของมนุษย์ ซึ่งวิธีการทำงานของสมอง คือ การมีเซลล์เล็ก ๆ ที่เรียกว่า [su_tooltip style=”dark” position=”north” shadow=”yes” rounded=”yes” size=”4″ content=”
เป็นส่วนที่เล็กที่สุดของ Neural Network ก็คือ Neuron ซึ่งทำหน้าที่คำนวณ input ที่เข้ามา เพื่อให้ได้ผลลัพธ์ออกไป โดยมีหน้าที่ 2 ส่วนดังนี้
1. Linear combination ของ input กับ parameter แสดงด้วยสัญลักษณ์ ∑
2. Activation function ที่นิยมใช้ ได้แก่ Sigmoid function, Tanh function, Relu function
Ref: https://www.glurgeek.com/education/neuralnfp/
” ]เพอร์เซปตรอน[/su_tooltip] (perceptron) ทำหน้าที่เพียง 2 อย่าง คือ รับข้อมูลเข้ามาและส่งสัญญาณ (อิเล็กตรอน) ออกไปยังเซลล์ที่อยู่ข้างเคียง เมื่อหลาย ๆ เซลล์ช่วยกันทำงานจนสามารถระบุได้ว่า สิ่งที่ตาเราเห็นคืออะไร สุนัข แมว หรือ ช้าง เป็นต้น
ถ้าเทียบกับหลักการของคอมพิวเตอร์ก็คือ การส่งสัญญาณด้วยเลข 0 หรือ 1 ออกไป และนำอิเล็กตรอนเพอร์เซปตรอนเหล่านี้มารวมกันจนสามารถตอบคำถามที่เราต้องการได้ เช่น อยากทราบว่า ไฟล์รูปนี้เป็นสัตว์ประเภทใด น่าเสียดายที่ในยุคนั้นเทคโนโลยีด้านการคำนวณยังไม่เร็วพอ จึงไม่สามารถสร้างโปรแกรมที่ตอบโจทย์ของพวกเขาได้ในเวลาที่เหมาะสม แต่พอถึงช่วงปี ค.ศ 2000 เป็นต้นมา เทคโนโลยีก้าวหน้าขึ้นมากจนสามารถสร้างโปรแกรมเหล่านี้ ให้ส่งผลลัพธ์ออกมาได้ในเวลาที่เร็วขึ้นและแม่นยำขึ้น
ปัจจุบัน หลักการเรียนรู้ของ AI สามารถแบ่งได้เป็น 3 ประเภทใหญ่ ๆ คือ
Supervised learning คือ การทำให้คอมพิวเตอร์เรียนรู้จากสิ่งที่มนุษย์จำแนกมาให้ก่อนว่าสิ่งเหล่านั้นคืออะไร เช่น ต้องการบอกว่าภาพเป็นสัตว์ประเภทใด ภาพยนตร์เรื่องนี้ได้อันดับเท่าไร
Unsupervised learning คือ การทำให้คอมพิวเตอร์แบ่งกลุ่มของข้อมูลที่มนุษย์ไม่ได้จำแนกมาให้ ซึ่งอาจต้องใช้การตีความจากมนุษย์ในภายหลัง โดยส่วนมากจะต้องการหารูปแบบหรือลักษณะเฉพาะที่ร่วมกันของข้อมูล เช่น การแปลงข้อมูลเสียงเป็นอักษร (speech-to-text) อีกตัวอย่างหนึ่งคือ การตัดคำในภาษาไทย เช่น “ตากลม” สามารถอ่านได้ 2 แบบ คือ ตาก-ลม กับ ตา-กลม ขึ้นอยู่กับบริบทของประโยค
Reinforcement learning คือ การทำให้คอมพิวเตอร์เรียนรู้จากการทำงานจริง โดยที่มนุษย์บอกเพียงกฎของการทำงานนั้น ๆ รางวัลสำหรับทำสิ่งที่ถูก และบทลงโทษถ้าทำผิดให้กับคอมพิวเตอร์ เช่น บริษัท Tesla ที่ผลิตรถยนต์ไร้คนขับ โดยบริษัทจะสอนคอมพิวเตอร์เรื่องกฎจราจร ถ้าทำผิดจะถูกลงโทษโดยการตัดคะแนนตามความร้ายแรง ระบบคอมพิวเตอร์ก็จะค่อย ๆ เรียนรู้จากกฎต่าง ๆ เหล่านี้ และทดลองสถานการณ์ต่าง ๆ จนออกมาเป็นผลิตภัณฑ์ที่สามารถใช้ได้จริง เป็นต้น
การทำให้คอมพิวเตอร์สามารถเรียนรู้ เราต้องมีข้อมูลจำนวนมหาศาล เพื่อเป็นแบบอย่างในการสอนให้คอมพิวเตอร์ทำงานนั้น ๆ ให้กับเราได้ นี่เป็นที่มาว่าทำไม Big Data จึงเป็นสิ่งจำเป็นของการทำงานประเภทนี้ อย่างไรก็ดี เราจะเห็นว่าในปัจจุบันเรามีโปรแกรมที่เก่งกาจหลายตัว ซึ่งบางครั้งเก่งกว่ามนุษย์เสียอีก แต่ก็เก่งในเรื่องใดเรื่องหนึ่งเท่านั้น
คราวนี้เรากลับมามองในภาคธุรกิจกันว่า เราสามารถนำ AI มาเพิ่มความก้าวหน้าทางธุรกิจได้อย่างไร บทความนี้ขอยกตัวอย่างของการใช้ AI ที่ใช้ [su_tooltip style=”dark” position=”north” shadow=”yes” rounded=”yes” size=”4″ content=”Recommendation System (RS) คือ ระบบที่ช่วยแนะนำในสิ่งที่เราชอบมาให้ โดยอ้างอิงจากผู้ใช้งานที่คล้ายคลึงกับเรา และประวัติการใช้งานของเราเป็นพื้นฐาน
Ref: https://shorturl.asia/72E4X
” ]ระบบแนะนำ[/su_tooltip] (Recommender Engine) ที่สามารถแนะนำสินค้าให้กับลูกค้าได้อย่างแม่นยำ เพื่อเพิ่มยอดขายให้กับบริษัท (ในตัวอย่างของ Netflix คือ ภาพยนตร์ ส่วน Spotify คือ เพลง) ด้วยการนำข้อมูลของลูกค้ารายอื่นมาใช้แนะนำ ตัวอย่างเช่น การใช้ข้อมูลการดูภาพยนตร์และเรทติ้งของนาย ข. เพื่อแนะนำภาพยนตร์ที่จะขึ้นในหน้าจอของนาย ก. โดยที่นาย ก. กับ นาย ข. อาจมีบางอย่างที่คล้ายกัน เช่น อายุ เพศ จำนวนที่เคยดู ประเภทของหนังที่ชอบดู ประเภทบัตรเครดิตที่จ่าย ซึ่งนอกจากข้อมูลลูกค้าแล้ว ทางบริษัทก็ต้องมีข้อมูลของสินค้าด้วย เช่น ความยาว ประเภทของภาพยนตร์ ดาราแสดงนำ ผู้กำกับ เป็นต้น การใช้ AI แบบนี้ดีกว่าการให้พนักงานทำลิสต์ความชอบของลูกค้าแต่ละรายไว้ เพราะจะทำให้สินค้าและบริการของบริษัทดูน่าสนใจมากขึ้น ลูกค้าอาจกลับมาใช้งานในโอกาสต่อ ๆ ไปอีก ซึ่งในบางครั้งบริษัทที่เน้นการเป็นสมาชิก (Subscription-based) ก็ไม่ได้มองถึงพฤติกรรมการเลือกใช้สินค้า แต่ต้องการแค่ให้ลูกค้ากลับมาใช้บริการมากกว่า (Stickiness)
อีกตัวอย่างหนึ่งของการนำ AI มาใช้ในภาคธุรกิจเพื่อเพิ่มมูลค่า คือ การใช้ข้อมูลเสียงเพื่อเสริมสร้างประสบการณ์ใหม่ให้กับธุรกิจ ใครที่ติดตามข่าวของ www.amazon.com จะเห็นว่าช่วง 5 ปีที่ผ่านมา เขาได้พยายามเพิ่มยอดขายลำโพงอัจฉริยะ หรือ Alexa ซึ่งเป็นระบบผู้ช่วยที่สั่งงานด้วยเสียง แผนธุรกิจของบริษัทไม่ได้หวังผลกำไรจากการขายตัวอุปกรณ์นี้ แต่ความจริงแล้วทางบริษัทพยายามเน้นให้ลูกค้าซื้ออุปกรณ์ด้วยราคาที่ถูกเพียง 50 เหรียญสหรัฐ หรือประมาณ 1600 บาท (ในขณะที่ Apple ขายอุปกรณ์ประเภทเดียวกันที่ขับเคลื่อนด้วย Siri ในราคาถึง 300 เหรียญสหรัฐฯ) และมองภาพของธุรกิจในระยะยาวว่าลูกค้าจะติดใจและคุ้นเคยกับการอยู่ในระบบนิเวศของ Amazon ซึ่งทำให้ในอนาคตลูกค้าเหล่านี้จะเข้ามาใช้บริการของ Amazon มากขึ้น อีกทั้งยังสามารถเก็บข้อมูลต่าง ๆ ในชีวิตประจำวันของลูกค้าด้วย ตัวอย่างเช่น เวลาที่เราใช้ Alexa เชื่อมต่อกับอุปกรณ์ smart devices ในบ้าน ข้อมูลเหล่านี้จะถูกนำไปประมวลผล สร้างเป็นโปรไฟล์ของลูกค้าไว้กับฐานข้อมูลของ Amazon เพื่อนำไปขายของต่อยอดในอนาคต
กลับมาดูประเทศไทย เราจะเห็นว่า ทั้งภาครัฐและเอกชนพยายามผลักดันเทคโนโลยีต่าง ๆ โดยสร้างแพลตฟอร์มของตัวเอง เพื่อเก็บข้อมูลจำนวนมากและพัฒนาแอปพลิเคชัน สำหรับอำนวยความสะดวกและให้ลูกค้าอยู่ในระบบของตนเองให้มากที่สุด ข้อมูลที่เก็บได้เหล่านี้จะถูกนำไปวิเคราะห์และตอบสนองความต้องการ เพื่อให้ลูกค้าได้รับการบริการเรื่องนั้น ๆ ดีขึ้น ตัวอย่างที่เห็นได้ชัดคือ อุตสาหกรรมการเงิน เราจะเห็นว่า ในช่วง 3 ปีที่ผ่านมา [su_tooltip style=”dark” position=”north” shadow=”yes” rounded=”yes” size=”4″ content=”Mobile banking คือ การใช้บริการผ่านแอปพลิเคชันของธนาคาร ทำให้สามารถโอนเงิน สอบถามยอดในบัญชี ซื้อสินค้าและบริการ จ่ายบิลต่างๆ ผ่านแอปพลิเคชันบนโทรศัพท์มือถือหรือสมาร์ทโฟนได้
Ref : https://www.finance-rumour.com/money/internet-mobile-banking/
” ]Mobile Banking[/su_tooltip] เข้ามามีบทบาทในชีวิต ประจำวันของเรามากขึ้น หลาย ๆ ธนาคารลงทุนมหาศาล เพื่อออกแบบแอปพลิเคชันให้น่าใช้และใช้งานง่ายขึ้น ตอบโจทย์ลูกค้าหลากหลายที่สุด ถามว่า ทำไมธนาคารถึงยอมทุ่มทุนสร้างแอปพลิเคชันเหล่านี้
การที่เราใช้จ่ายผ่านแอปพลิเคชัน จะทำให้ธนาคารทราบถึงการใช้จ่ายในชีวิตประจำวันมากขึ้น หลาย ๆ ท่านพออ่านแล้ว อาจรู้สึกกลัว และไม่อยากให้ข้อมูลกับธนาคารหรือบริษัทเหล่านี้ แต่ท่านทราบหรือไม่ว่า การที่เราให้ข้อมูลนั้นเราก็ได้ผลประโยชน์เช่นกัน ตัวอย่างเช่น ถ้าเราเป็นพ่อค้าขายของที่ตลาดนัด การกู้เงินเพื่อลงทุนทำธุรกิจใหม่หรือขยายธุรกิจไม่ใช่เรื่องง่าย เพราะธนาคารต้องขอ Bank Statement หรือทรัพย์สินเพื่อค้ำประกัน แต่ถ้าเรามีประวัติการขายที่ใช้ Mobile Banking อยู่แล้ว ทางธนาคารจะสามารถประเมินมูลค่าของธุรกิจปัจจุบันและรายได้ต่อเดือนของเราได้ ถ้ารายรับของเราคงที่มากพอจนทำให้ธนาคารมั่นใจว่าความเสี่ยงต่ำ กระบวนการอนุมัติเงินกู้ต่าง ๆ ก็ง่ายขึ้น
ประเทศไทยในตอนนี้ถือว่ากำลังเดินหน้าอย่างรวดเร็วทางด้าน AI แต่การไปถึงจุดหมายนั้น หลาย ๆ ภาคส่วนต้องร่วมมือกัน ทั้งสร้างรากฐานของตัวระบบในองค์กร รวมถึงบุคลากร ซึ่งจุดนี้ ถือเป็นความท้าทายที่ยากที่สุดเลยก็ว่าได้ เพราะทุกคนต้องพร้อมใจปรับเปลี่ยนตัวเอง และออกจาก comfort zone เพื่อพัฒนาองค์กรและประเทศไปด้วยกัน แต่ใช่ว่าทุกบริษัทจะสามารถตัดสินใจนำ AI มาใช้ได้เลยในวันพรุ่งนี้ เพราะการเตรียมความพร้อมไม่ง่ายอย่างที่คิด ก่อนที่จะมี AI ในการช่วยงานนั้น เราต้องมี 5 สิ่งดังต่อไปนี้ เพื่อที่จะสามารถแข่งกับคู่แข่งเราได้อย่างมีประสิทธิภาพ
จำนวนข้อมูล – อย่างที่เราทราบกันดีว่า ยุคนี้เป็นยุคของ Big Data ใครที่เข้าถึงข้อมูลที่มีจำนวนมหาศาลได้ ถือว่าได้เปรียบคู่แข่ง
คุณภาพข้อมูล – แน่นอนว่า การมีข้อมูลจำนวนมากจะไม่เกิดประโยชน์ใดเลย ถ้าไม่สามารถนำมาใช้งานได้ อย่างที่กูรูหลาย ๆ ท่านชอบกล่าว [su_tooltip style=”dark” position=”north” shadow=”yes” rounded=”yes” size=”4″ content=”การนำขยะเข้าจะได้ผลลัพท์ขยะออก (Garbage In Garbage Out, GIGO) เป็นคำที่มักกล่าวกันในงานสารสนเทศที่ใช้เตือนสติผู้ใช้คอมพิวเตอร์ว่าถ้าใส่ข้อมูลที่ไร้คุณค่าลงไปในระบบงานคอมพิวเตอร์ก็จะได้ข้อมูลที่ไม่มีค่ากลับมา
Ref: shorturl.at/kwJ26
” ]Garbage in, Garbage out[/su_tooltip] ซึ่งหลาย ๆ งานที่ทำนั้นใช้เวลามากกว่า 80% เพื่อทำความสะอาดข้อมูลจนสามารถนำไปใช้ได้จริง
โครงสร้างพื้นฐานของระบบ (Infrastructure) – ต้องแข็งแรง รองรับความต้องการของลูกค้าเป็นจำนวนมากได้ เพราะถ้ามีช่วงเวลาใดเวลาหนึ่งที่มีผู้ใช้งานเยอะและระบบไม่สามารถรองรับได้ อาจทำให้ระบบหลังบ้านเราล่มได้
บุคลากร – ผู้ที่พัฒนาระบบ AI ต้องเข้าใจหลักการทำงานจนสามารถปรับแต่งสิ่งต่าง ๆ ในตัวโค้ดของโปรแกรมได้อย่างอิสระ ไม่ใช่แค่ใช้แพ็กเกจสำเร็จรูปสร้างโมเดลก็จบ เพราะการทำแบบนี้คู่แข่งก็ทำได้เช่นกัน
การวัดผล – การสร้าง AI ขึ้นมานั้น เราต้องมีวิธีวัดผลที่ถูกต้องและแม่นยำ การสร้างตัวชี้วัดก็มาจากการตั้งโจทย์ของเราว่าเราเห็นปัญหาที่ตรงจุดและสามารถตั้งคำถามได้ดีขนาดไหน เพื่อที่จะนำมาพัฒนา AI ของเราได้ถูกจุด
ผู้อ่านท่านใดที่สนใจเกี่ยวกับ AI และอยากปรับเปลี่ยนระบบการทำงานโดยนำ AI มาช่วย ต้องวางแผนอย่างถี่ถ้วน ศึกษาเพิ่มเติมในแต่ละส่วนว่าองค์กรของคุณพร้อมหรือยังที่จะขับเคลื่อนด้วยระบบแบบนี้
สุดท้ายนี้ผู้เขียนขอฝากไว้ว่า AI ไม่ใช่เวทมนตร์แต่อย่างใด เป็นเพียงเครื่องมือที่ใช้ประโยชน์จากสิ่งที่มีอยู่แล้วทั้งสิ้น นั่นก็คือ ข้อมูล และเครื่องมือนี้จะไม่มีประโยชน์เลย หรืออาจสร้างผลเสีย ถ้าคุณใช้ไม่ถูกวิธี แล้วพบกันใหม่คราวหน้าครับ
Our Writer
ดร. ภควัต ผลิตนนท์เกียรติ
สำเร็จการศึกษาในสาขา Mathematics and Economics และดุษฏีบัณฑิต สาขา Applied Mathematics จากมหาวิทยาลัยคอร์แนล สหรัฐอเมริกา เคยทำงานเป็นนักวิเคราะห์สถิติ (Senior Statistical Analyst) ที่บริษัท ComScore Inc. สหรัฐอเมริกา
เคยดำรงตำแหน่ง Advanced Data Scientist ที่บริษัท Kasikorn Business-Technology Group (KBTG) ปัจจุบันดำรงตำแหน่ง Vice President ฝ่าย Data Innovation ธนาคารกรุงไทย
ชอบเล่นบอร์ดเกมและการ์ดเกมเป็นชีวิตจิตใจ
Header designed by Freepik
