ปฏิเสธไม่ได้เลยว่าเทคโนโลยีที่กำลังมาแรงและ เชื่อว่าจะมาแทนเทคโนโลยีปัจจุบัน นั่นก็คือ Machine Learning และ AI ที่ตอนนี้แบรนด์ชั้นนำระดับโลกนำมาใช้เรียบร้อยแล้ว ซึ่งสำหรับใครหรือแบรนด์ใดยังไม่เริ่มนำระบบนี้เข้ามาใช้ วันนี้ยังคงไม่สายที่จะเริ่มนำมาปรับใช้กับธุรกิจของเราแล้ว อย่างไรก็ตามหลาย ๆ คนอาจจะสับสนหรือยังเป็นมือใหม่กับเทคโนโลยีล้ำ ๆ แบบนี้วันนี้เราจะพามาทำความเข้าใจความหมาย ความแตกต่าง วิธีใช้งาน รวมถึงนวัตกรรมที่ได้จากการใช้เครื่องมือเหล่านี้กับแบรนด์ ถ้าพร้อมแล้ว มาดูไปพร้อม ๆ กันเลย
Machine Learning คืออะไร
Machine Learning คือ กระบวนการ การเรียนรู้ของโปรแกรมคอมพิวเตอร์ ที่จะทำการเรียนรู้และพัฒนาผลลัพธ์ที่ผู้ใช้งานต้องการได้อย่างถูกต้อง แม่นยำ จากข้อมูลที่มนุษย์ตั้งค่าเริ่มต้นไว้ให้ ซึ่งระบบจะเรียนรู้ พัฒนา ปรับปรุงด้วยตัวเอง โดยที่มนุษย์ไม่ต้องเขียนโปรแกรมเพิ่มหรือกำกับการใช้งาน
การทำงานของระบบนี้คือการประมวลผลด้วยตัวเลข สถิติ ความน่าจะเป็น นำมาวิเคราะห์ค่าต่าง ๆ เพื่อให้ผลออกมาใกล้เคียงกับผลลัพธ์ที่ควรจะเป็นพร้อมกับปรับปรุงความแม่นยำของข้อมูลเพื่อให้ผลลัพธ์ออกมาแม่นยำมากที่สุดนั่นเอง
ทำไม Machine learning ถึงสำคัญ
เมื่อรู้ความหมายของ Machine Learning แล้ว เชื่อว่าหลาย ๆ คนคงมีไอเดียในการต่อยอด หรือรู้ได้ถึงความสำคัญของเครื่องมือชนิดนี้ไม่มากก็น้อย ซึ่งความสำคัญของเครื่องมือนี้ที่โดดเด่นและเป็นวัตถุประสงค์ของการใช้งานเลยก็คือ การเรียนรู้โมเดลตามการใช้งานต่าง ๆ ซึ่งมีความสำคัญในสายงาน Data Science เป็นอย่างมาก ไม่ว่าจะเป็นการใช้ตัวเลข สถิติ อัลกอริทึม หรือโมเดล มาคำนวณ จำแนกประเภท คาดการณ์ผล หรือค้นหาอินไซด์สำคัญเพื่อนำมาประกอบการตัดสินใจบางอย่าง
ทำให้การใช้เครื่องมือ ML จึงกลับมามีความสำคัญเป็นอย่างมากในยุคออนไลน์ที่ต้องใช้ตัวเลข และการวัดผลเป็นส่วนสำคัญในการกำหนดการกระทำต่าง ๆ ของแบรนด์ ซึ่งกระบวนการเรียนรู้ด้วยเครื่องมือนี้จะค่อย ๆ เพิ่มความแม่นยำขึ้น ตามจำนวนข้อมูลที่ใส่เข้าไปในระบบ อีกทั้งยังสามารถวางโมเดลการเรียนรู้ตามลักษณะการทำงานได้ 4 ประเภทหลัก ๆ คือ
Supervised Learning – โมเดลที่เรียนรู้จากข้อมูลตัวอย่างที่ป้อนเข้าไป
Unsupervised Learning – โมเดลที่รับข้อมูลเข้าไปเพื่อค้นหาแพตเทิร์นและความสัมพันธ์ภายในชุดข้อมูลนั้นๆ
Semi-supervised Learning – โมเดลที่สามารถเรียนรู้จากข้อมูลที่มีผลลัพธ์ระบุ (Labeled Data) ในจำนวนน้อย และสามารถขยายผลไปทำงานกับข้อมูลอื่นๆได้
Reinforcement Learning – โมเดลที่สามารถเรียนรู้ที่จะทำงานผ่านการลองผิดลองถูก โดยตั้งเป้าหมาย ให้โมเดลต้องพยายามเรียนรู้และพัฒนาตัวเองเพื่อให้ได้รับรางวัลมากที่สุด
Machine learning ต่างกับ AI อย่างไร
ความแตกต่างของ Machine Learning และ AI หรือ Artificial Intelligence คือ ลักษณะการใช้งาน นั่นก็เพราะเครื่องมือ ML เป็นเครื่องมือที่ใช้สำหรับเรียนรู้ข้อมูลตามจุดประสงค์หรือโมเดลการเรียนรู้ที่ผู้ใช้งานกำหนดขึ้นมาว่าต้องการผลลัพธ์เรื่องอะไร แม่นยำแค่ไหน วิเคราะห์ปัจจัยได้ครอบคลุมเพียงใด ซึ่งต่างจาก AI หรือปัญญาประดิษฐ์ ที่เป็นเครื่องมือที่สร้างขึ้นเพื่อตอบโจทย์การใช้งานบางอย่างเฉพาะด้านหรือเพื่ออำนวยความสะดวก ลดขั้นตอนหรือช่วยทำงานบางอย่างแทนมนุษย์ได้นั่นเอง
อย่างไรก็ตามความแตกต่างระหว่าง 2 เครื่องมือที่พอจะช่วยให้เข้าใจได้มากขึ้น ก็คือ AI เป็นปัญญาประดิษฐ์ที่จำเป็นต้องมีการใช้เครื่องมือ Machine Learning มาช่วยในการเรียนรู้งานบางอย่างเพื่อให้การใช้ AI แม่นยำ อำนวยความสะดวก และตอบโจทย์การใช้งานของมนุษย์ได้มากขึ้น ซึ่งทั้งสองเครื่องมือจะขาดสิ่งใดสิ่งหนึ่งไปไม่ได้นั่นเอง
หากจะเพิ่มความชัดเจนเรื่องความแตกต่างระหว่าง 2 เครื่องมือนี้ สามารถแบ่งได้ชัดเจนมากขึ้นได้ดังนี้
Machine learning
เป็นเครื่องมือในการเรียนรู้ ข้อมูลต่าง ๆ ที่มนุษย์เพิ่มเข้าไป และจะวิเคราะห์พร้อมกับทำนายผลลัพธ์ออกมา โดยจะเปรียบเทียบกับข้อมูลตั้งต้นที่ควรจะเป็นหรือ Error Function และนำผลลัพธ์ที่ได้จากการเปรียบเทียบกลับมาปรับปรุงการเรียนรู้ให้มีความผิดพลาดน้อยลงเรื่อย ๆ จนถึงค่าที่กำหนดนั่นเอง กระบวนการเรียนรู้-ปรับปรุงข้อมูลจะทำวนลูปจนค่าที่ได้ออกมาผิดพลาดน้อยที่สุดหรือผู้ใช้งานพึงพอใจกับการปรับปรุงผลลัพธ์นั่นเอง
ซึ่งหากเพิ่มการเรียนรู้หรือมีการเพิ่มความซับซ้อนเข้าไปมากขึ้นจนสามารถเลียนแบบการทำงานคล้ายระบบวิธีคิดของสมองมนุษย์ โดยแบ่งเลเยอร์การเรียนรู้ สร้างระบบโครงข่ายหรือ Neural Network ซ้อนกันหลาย ๆ ชั้น จะเรียกการเรียนรู้แบบนี้ว่า Deep Learning นั่นเอง
AI
Artificial Intelligence คือ ปัญญาประดิษฐ์ที่ออกแบบมาเพื่อช่วยให้การใช้ชีวิตของมนุษย์ให้ง่ายขึ้น ด้วยวัตถุประสงค์ที่เฉพาะเจาะจง ไล่ไปตั้งแต่การใช้ระบบ AI เพื่อควบคุมเครื่องใช้ไฟฟ้าในบ้าน การคำนวณสินค้าในคลัง การแปลภาษา เป็นต้น ซึ่งการใช้ปัญญาประดิษฐ์ก็ขึ้นอยู่กับวัตถุประสงค์การใช้งานนั่นเอง
อย่างไรก็ตามการใช้ AI โดยทั่วไปจะมีระบบการทำงานดังนี้
- การเรียนรู้ (Learning) คือ การทำให้ AI รู้จักข้อมูลที่ป้อนเข้าไปให้มากที่สุด ละเอียดที่สุด ซึ่งกฎการใช้งานข้อมูลเหล่านี้จะถูกกำหนดด้วยอัลกอริทึมเพื่อแก้ปัญหาขั้นตอนต่าง ๆ ได้อย่างชัดเจน
- การใช้เหตุผล (Reasoning) สร้างการตัดสินใจด้วยอัลกอริทึมที่เหมาะสมเพื่อให้ได้ผลลัพธ์ที่ต้องการ
- การแก้ไขข้อผิดพลาด (Self-correction) การออกแบบให้อัลกอริทึมสามารถตรวจเช็กความผิดพลาด ด้วยการวิเคราะห์อย่างละเอียดเพื่อปรับปรุงพัฒนาความผิดพลาดที่จะเกิดขึ้น
- การมีความคิดสร้างสรรค์ (Creativity) เป็นการนำข้อมูล ตัวเลข กฏเกณฑ์ต่าง ๆ ที่อิงจากสถิติ รวมถึงเทคนิคอื่น ๆ มาประยุกต์ใช้เพื่อสร้างสรรค์สิ่งใหม่ ๆ ออกมา
นวัตกรรม machine learning มีไรบ้าง
การออกแบบนวัตกรรมหรือการประยุกต์ใช้ Machine Learning ในธุรกิจ อุตสาหกรรม หรือชีวิตมนุษย์มีมากมาย แต่สิ่งสำคัญคือ การวิเคราะห์ที่แม่นยำ ปรับปรุงกระบวนการทำงาน เพิ่มความแม่นยำในการวิเคราะห์ ซึ่งสิ่งเหล่านี้ทำให้การใช้เครื่องมือนี้พัฒนามากขึ้น แม่นยำมากขึ้น และนำไปใช้จริงได้ดีขึ้น ซึ่งการเพิ่มประสิทธิภาพของเครื่องมือนี้สามารถทำได้ดังนี้
1.การเรียนรู้เชิงลึก (Deep Learning) การออกแบบโครงข่ายประสาทเทียม เพื่อทดลองและปรับใช้การเรียนรู้ให้เหมาะสมกับโมเดลต่าง ๆ
2.การเรียนรู้เสริม (Reinforcement Learning) เป็นโมเดลการเรียนรู้ที่ใช้การลองผิดลองถูกเพื่อเรียงลำดับความสำเร็จ และปรับปรุงความถูกต้องด้วยคำแนะนำที่เพิ่มเข้าไปในระบบ
3.การวิเคราะห์การถดถอยเชิงเส้น (Linear Regression) เป็นการให้ระบบวิเคราะห์ตัวเลขหรือค่าต่าง ๆ ที่มีความสัมพันธ์กัน เช่น การคาดการณ์ราคาบ้านด้วยตัวเลขในอดีต
4.การวิเคราะห์การถดถอยความสัมพันธ์ของข้อมูล (Logistic regression) เป็นโมเดลที่วิเคราะห์เพื่อหาความสัมพันธ์ของสองข้อมูลด้วยคณิตศาสตร์เพื่อคาดการณ์ค่าของปัจจัยเหล่านั้น เช่น ทำนายนักเรียนสอบผ่าน/ไม่ผ่านด้วยจำนวนชั่วโมงเข้าเรียน เป็นต้น
5.โมเดลการจัดกลุ่ม (Clustering) เป็นโมเดลการจัดกลุ่มที่ไม่มีข้อมูลต้นแบบของผลลัพธ์ ที่เอาไว้จัดข้อมูลเป็นกลุ่มที่ไม่เคยจัดกลุ่มมาก่อน
6.โมเดลจำลองการตัดสินใจแบบต้นไม้ (Decision trees) เป็นโมเดลจำลองการตัดสินใจของมนุษย์ที่แตกออกเป็นโจทย์ย่อย ๆ จากโจทย์หลักก่อน เพื่อให้ง่ายต่อการตัดสินใจ หรือใช้ปัจจัยต่าง ๆ ที่เกี่ยวข้องนำมาตั้งเป็นคำถามและกลับมาถามตัวเองใหม่อีกครั้ง เช่น การเลือกซื้อเสื้อเป็นโจทย์ใหญ่ โจทย์ย่อยคือ เลือกเสื้อแบบไหน สีอะไร ราคาเท่าไหร่ แล้วค่อยตัดสินใจซื้อหรือไม่ซื้อ เป็นต้น
สรุป
การใช้ Machine Learning มีความจำเป็นและควบคู่ไปกับการพัฒนา AI ซึ่งหากใช้โมเดลสร้างการเรียนรู้ที่หลากหลาย ซับซ้อน เป็นระบบจะช่วยให้การใช้ AI มีความแม่นยำ ช่วยซัพพอร์ตการทำงานของมนุษย์หรือผู้ใช้งานได้ดีมากขึ้น ซึ่งทำให้การพัฒนาหรือโฟกัสกับการใช้เครื่องมือ ML นี้ มีความสำคัญ ไม่แพ้การพัฒนาระบบ AI ให้รองรับ ประมวลผลและดึงผลลัพธ์จากการเรียนรู้ของเครื่องมือนี้มาช่วยแบ่งเบาภาระของผู้ใช้งานได้เลยทีเดียว
แน่นอนว่าเครื่องมือเหล่านี้สามารถประยุกต์ใช้กับแบรนด์หรือธุรกิจได้หลากหลายและนำไปใช้เป็นวงกว้างและเป็นประโยชน์ต่อทั้งแบรนด์และลูกค้าอีกด้วย
