ปฏิเสธไม่ได้ว่า AI คือ เทคโนโลยีที่เข้ามาเปลี่ยนแปลงโลกธุรกิจไปอย่างรวดเร็ว โดยเฉพาะเมื่อพูดถึง Machine Learning ซึ่งเป็นกลไกสำคัญภายในระบบ AI ที่ทำให้ AI สามารถเรียนรู้จากข้อมูลจำนวนมหาศาลและตัดสินใจได้อย่างแม่นยำ
และถึงแม้จะมีประโยชน์ แต่ Machine Learning (ML) ก็ยังคงเป็นเทคโนโลยีที่หลายคนรู้จักแต่น้อยคนนักที่จะเข้าใจและใช้งานได้อย่างลึกซึ้ง โดยที่หลายธุรกิจยังสงสัยว่า ML คืออะไร ใช้งานจริงได้อย่างไร และ Machine Learning มีกี่ประเภท แตกต่างจาก AI อย่างไรบ้าง? บทความนี้จะพาคุณเข้าใจเทคโนโลยีนี้ให้ชัดเจนขึ้นในมุมที่คนทำธุรกิจควรรู้ และเริ่มต้นที่จะพัฒนา ML มาใช้งานจริง
Machine Learning คืออะไร
หากอ้างอิงตามนิยามทางวิชาการ Machine learning หมายถึง สาขาหนึ่งของ AI (Artificial Intelligence) ที่เน้นการพัฒนาอัลกอริธึมเพื่อวิเคราะห์ข้อมูล ค้นหารูปแบบ และคาดการณ์สิ่งที่จะเกิดขึ้น โดยไม่จำเป็นต้องป้อนกฎเกณฑ์หรือคำสั่งแบบตายตัวให้ระบบทุกครั้ง
แต่ถ้าอธิบายให้เข้าใจง่ายขึ้น Machine Learning คือ กระบวนการที่ทำให้คอมพิวเตอร์สามารถเรียนรู้จากข้อมูลต่างๆ ได้ด้วยตนเอง เปรียบเสมือนการฝึกฝนให้ระบบฉลาดขึ้นตามประสบการณ์ที่เพิ่มขึ้น โดยหนึ่งในตัวอย่างที่เห็นได้ชัดอย่าง ChatGPT คือ โมเดลภาษาที่ใช้ Machine Learning วิเคราะห์ภาษาของมนุษย์ เพื่อทำให้ AI สามารถโต้ตอบกับผู้ใช้งานได้อย่างมีบริบท และเรียนรู้จากคำถามที่หลากหลายของผู้ใช้เพื่อปรับการตอบสนองให้ดีขึ้นเรื่อยๆ ได้อย่างต่อเนื่องนั่นเอง
ความแตกต่างระหว่าง Machine Learning และ Artificial Intelligence (AI)
หลายคนอาจเคยได้ยินคำว่า AI และ Machine Learning ที่มักถูกใช้แทนกันบ่อยครั้ง จนเกิดความสับสนว่าทั้งสองคำนี้หมายถึงสิ่งเดียวกันหรือไม่ แล้ว Machine Learning กับ AI ต่างกันอย่างไร ในหัวข้อนี้เราจะมาอธิบายให้ฟัง
จากภาพจะเห็นว่า Artificial Intelligence (AI) หรือ AI Learning จะอยู่วงด้านนอกสุด หรือก็คือเทคโนโลยีที่ออกแบบมาเพื่อให้ระบบคอมพิวเตอร์สามารถเลียนแบบความสามารถทางสติปัญญาของมนุษย์ เช่น การคิด วิเคราะห์ เรียนรู้ และตัดสินใจ
วงกลมถัดมาคือ Machine Learning ซึ่งอยู่ภายใต้ขอบเขตของ AI หมายความว่า Machine Learning เป็นหนึ่งในเทคนิคของ AI ที่เน้นการใช้ข้อมูลจำนวนมากในการฝึกระบบให้สามารถเรียนรู้ ปรับปรุง และตัดสินใจได้ด้วยตัวเอง โดยไม่ต้องตั้งโปรแกรมแบบตายตัวในทุกกรณี
นอกจากนี้ ยังมีวงที่เล็กที่สุดที่อยู่ด้านในอย่าง Deep Learning คือ แขนงหนึ่งของ Machine Learning ที่ใช้โครงข่ายประสาทเทียม (Neural Network: NN) เพื่อประมวลผลข้อมูลที่ซับซ้อน เช่น การรู้จำใบหน้า การแปลงเสียงเป็นข้อความ การแปลภาษาแบบอัตโนมัติ ฯลฯ โดย Deep Learning ถือเป็นเทคนิคย่อยของ Machine Learning ที่ออกแบบมาสำหรับข้อมูลที่มีความละเอียดและซับซ้อนเป็นพิเศษ
ซึ่งเทคโนโลยีล้ำสมัยอย่าง Gemini คือ ตัวอย่างที่ดีของระบบ AI ที่ใช้ทั้ง Machine Learning และ Deep Learning ร่วมกัน เพื่อให้สามารถเข้าใจข้อมูลที่หลากหลาย เช่น ข้อความ รูปภาพ เสียง ฯลฯ ได้ในระบบเดียว
ประเภทของ Machine Learning มีกี่ประเภท ?
แม้หลายคนจะรู้ว่า Machine Learning คือเทคโนโลยีที่ช่วยให้คอมพิวเตอร์เรียนรู้จากข้อมูลได้เอง แต่สิ่งที่อาจยังไม่รู้ก็คือ Machine Learning มีอะไรบ้าง?
ในความเป็นจริงแล้ว Machine Learning AI สามารถแบ่งออกเป็น 3 ประเภทใหญ่ๆ ตามรูปแบบการเรียนรู้ของระบบ ได้แก่
- Supervised Learning
- Unsupervised Learning
- Reinforcement Learning
ซึ่งแต่ละประเภทจะมีบทบาทการทำงานและการใช้งานที่ต่างกันตามลักษณะของข้อมูลและเป้าหมายของระบบ โดยเราจะขออธิบายประเภทของ Machine Learning ทั้ง 3 แบบให้เข้าใจกันมากขึ้น ดังต่อไปนี้
Supervised Learning
Supervised Learning คือ หนึ่งในประเภทของ Machine Learning ที่ทำงานโดยใช้ข้อมูลที่มีการป้อนคำตอบล่วงหน้าไว้แล้ว หรือที่เรียกว่า การ Labeled Data ซึ่งหมายความว่าในระหว่างการฝึกโมเดล ระบบจะเรียนรู้จากตัวอย่างที่รู้ผลลัพธ์อยู่แล้ว เพื่อให้สามารถคาดการณ์หรือจำแนกข้อมูลใหม่ที่ยังไม่เคยเจอได้อย่างแม่นยำ
เพื่อให้เข้าใจง่ายขึ้น ลองดูในภาพด้านบน ที่แสดงให้เห็นถึงการใช้ Supervised Learning เพื่อสอนระบบให้รู้จักจำแนกสัตว์ เช่น ช้าง วัว และอูฐ โดยในขั้นตอนการฝึก (Training) ระบบจะได้รับภาพสัตว์พร้อมกับ Label หรือชื่อของสัตว์แต่ละตัวกำกับไว้ เช่น
- ภาพนี้คือ Elephant
- ภาพนี้คือ Camel
- ภาพนี้คือ Cow
เมื่อผ่านกระบวนการเรียนรู้ ระบบก็จะสามารถจำแนกสัตว์จากภาพใหม่ได้อย่างอัตโนมัติ แม้ว่าไม่เคยเห็นภาพนั้นมาก่อน เช่น ถ้าใส่ภาพวัว ระบบก็สามารถบอกได้ว่า นี่คือ Cow ได้โดยไม่ต้องเขียนโปรแกรมเฉพาะให้ตรวจวัว เป็นต้น
Unsupervised Learning
Unsupervised Learning คือ อีกหนึ่งในประเภทของ Machine Learning ที่ทำงานกับข้อมูลที่ไม่มีป้ายกำกับ (Unlabeled Data) หรือก็คือ ระบบจะไม่รู้ล่วงหน้าว่าคำตอบคืออะไร ซึ่งจุดประสงค์หลักของเทคนิคนี้คือการ ค้นหารูปแบบ ความสัมพันธ์ หรือโครงสร้างแฝงภายในข้อมูล โดยที่ระบบต้องเรียนรู้ด้วยตัวเองโดยไม่มีการบอกคำตอบมากก่อน
ต่างจาก Supervised Learning ที่มีข้อมูลอินพุตพร้อมผลลัพธ์ (Output) ให้เรียนรู้ ส่วน Unsupervised Learning จะให้ระบบสำรวจข้อมูลที่กระจัดกระจาย แล้วจัดกลุ่ม (Cluster) หรือหาโครงสร้างร่วมกันตามความคล้ายคลึงหรือความแตกต่างของข้อมูลนั้น
ยกตัวอย่างเช่น ระบบจะได้รับภาพของสัตว์ต่างๆ เช่น ช้าง วัว และอูฐ โดยที่ไม่มีป้ายชื่อหรือหมวดหมู่ใดๆ กำกับไว้เลย ซึ่งระบบจะต้องวิเคราะห์เองว่า ภาพไหนควรจัดกลุ่มเข้าด้วยกัน เช่น
- จับภาพที่มีลักษณะคล้ายกัน เช่น จัดกลุ่มอูฐไว้ในกลุ่มหนึ่ง
- แยกภาพที่ต่างกันออกเป็นอีกกลุ่ม เช่น วัว กับ ช้าง
แม้ระบบจะไม่รู้ว่าสิ่งนั้นเรียกว่าอะไร แต่ก็สามารถจัดกลุ่มข้อมูลตามลักษณะที่ใกล้เคียงกัน ได้ เช่น ขนาด สี รูปร่าง ฯลฯ
Reinforcement Learning
Reinforcement Learning คือ ประเภทของ Machine Learning ที่เน้นให้ระบบเรียนรู้ผ่านการลองผิดลองถูก โดยระบบจะค่อยๆ เรียนรู้ว่าพฤติกรรมไหนให้ผลลัพธ์ดีที่สุดผ่านการได้รับรางวัล (Reward) หรือบทลงโทษ (Penalty) หลังจากทำแต่ละการกระทำ (Action)
ซึ่งต่างจาก Supervised Learning ที่รู้คำตอบล่วงหน้า หรือ Unsupervised Learning ที่ไม่รู้คำตอบเลย Reinforcement Learning จะอยู่ตรงกลางระหว่าง Supervised (ที่รู้คำตอบ) กับ Unsupervised (ที่ไม่รู้คำตอบเลย)
เพื่อให้เข้าใจง่ายขึ้น ให้ลองจินตนาการว่า เรามีหุ่นยนต์ที่ต้องเรียนรู้ว่าจะเดินไปหาวัว หรือไปหาช้าง แบบไหนจะได้รับแต้มรางวัลมากกว่า
สมมติว่าถ้าเดินไปหาวัว ได้ +1 แต้ม เดินไปหาช้างได้ 0 แต้ม เแต่ถ้าเลือกทางที่ผิดจะถูกลงโทษ -1 แต้ม
เมื่อระบบทำซ้ำไปเรื่อยๆ ระบบจะเรียนรู้ว่า การเดินไปหาวัวให้รางวัล จึงเลือกเดินไปหาวัวบ่อยขึ้น นี่คือการเรียนรู้แบบ Reinforcement ที่ระบบจะปรับพฤติกรรมจากการสะสมประสบการณ์ และผลลัพธ์ที่ได้รับทำให้ระบบเรียนรู้และหาทางที่ดีที่สุดมาใช้ในการทำงาน
กระบวนการทำงานของ Machine Learning มีอะไรบ้าง ?
หลังจากรู้จักประเภทของ Machine Learning กันไปแล้ว คราวนี้มารู้จักกับ Machine Learning Process หรือ กระบวนการเรียนรู้ของเครื่องจักร ว่าตั้งแต่ต้นจนจบ ระบบต้องผ่านขั้นตอนอะไรบ้างจึงจะสามารถเรียนรู้และทำงานได้จริง ซึ่งจะแบ่งออกเป็น 3 ขั้นตอนหลัก ได้แก่
การรวบรวมข้อมูล
การรวบรวมข้อมูล ถือเป็นขั้นตอนที่จะทำให้ได้มาซึ่งวัตถุดิบหลักที่ระบบจะใช้ในการเรียนรู้ ยิ่งข้อมูลมีความหลากหลายและมีคุณภาพมากเท่าไร โมเดล Machine Learning ก็จะยิ่งเรียนรู้ได้แม่นยำมากขึ้นเท่านั้น ยกตัวอย่างแห่งข้อมูลที่นิยมใช้งาน เช่น
- ข้อมูลจากฐานข้อมูลขององค์กรเอง
- ข้อมูลจากอุปกรณ์ IoT หรือเซ็นเซอร์ต่างๆ ที่มักใช้ในอุตสาหกรรมที่มักใช้อุปกรณ์เหล่านี้ในการควบคุมเครื่องจักร เช่น โรงงาน, โลจิสติกส์, เกษตรกรรม
- ข้อมูลจากระบบคลาวด์ เช่น Google Cloud คือ ผู้ให้บริการโครงสร้างพื้นฐานที่ช่วยให้สามารถจัดเก็บและจัดการข้อมูลขนาดใหญ่ได้อย่างมีประสิทธิภาพ
- ข้อมูลในรูปแบบ Big Data ซึ่งสามารถนำมาเชื่อมต่อผ่าน BigQuery คือ เครื่องมือของ Google ที่ใช้ในการจัดการ วิเคราะห์ และ Query ข้อมูลขนาดใหญ่ในระดับองค์กรได้
- ข้อมูลที่ได้จากการลงสำรวจภาคสนามหรือทำแบบสอบถาม
และเพื่อให้การรวบรวมข้อมูลมีประสิทธิภาพ ควรดำเนินการตามลำดับขั้นตอนต่อไปนี้
- กำหนดเป้าหมายของการทำ Machine Learning เช่น ต้องการทำนายยอดขาย, จำแนกประเภทลูกค้า, พยากรณ์แนวโน้มธุรกิจ ฯลฯ เป้าหมายนี้จะเป็นตัวกำหนดว่าต้องใช้ข้อมูลประเภทใดบ้าง
- เลือกและดึงข้อมูลจากแหล่งที่เกี่ยวข้อง โดยใช้เครื่องมือดึงข้อมูลจากแหล่งที่จำเป็น เช่น API, Cloud Storage, IoT Gateway ฯลฯ
- รวบรวมและจัดรูปแบบข้อมูลให้เป็นมาตรฐานเดียวกัน เช่น การแปลงวันที่ให้ตรงกัน, ล้างข้อมูลที่ซ้ำ, จัด Format ของไฟล์
- ตรวจสอบความถูกต้อง เพื่อลดความผิดพลาดในขั้นตอนการฝึกโมเดล เช่น ลบค่าผิดปกติ, จัดการค่าว่าง (Missing Value) เป็นต้น
การฝึกโมเดล
หลังจากเตรียมข้อมูลที่มีประสิทธิภาพได้แล้ว ขั้นต่อไปจะเป็นการฝึกโมเดล โดย Machine Learning จะเรียนรู้จาก Training Data หรือข้อมูลตัวอย่างที่มีคำตอบกำกับอยู่แล้ว (เรียกว่า Labeled Data) ที่เราเตรียมเอาไว้ให้ เพื่อให้ระบบเรียนรู้ความสัมพันธ์ระหว่างข้อมูลอินพุต (Input) กับผลลัพธ์ (Output)
เมื่อฝึกเสร็จระบบจะได้เป็น ML Trained Model หรือโมเดลที่สามารถคาดการณ์สิ่งใหม่ๆ ได้ จากนั้นโมเดลที่ถูกฝึกไว้จะถูกนำไปใช้กับ Input Data (ข้อมูลใหม่ที่ยังไม่รู้ผลลัพธ์) ผ่านขั้นตอน Prediction เพื่อให้ระบบทำนายผลลัพธ์ (Results) ได้
การทดสอบและปรับปรุงโมเดล
สุดท้ายจะเป็นขั้นตอนของการทดสอบและปรับปรุงระบบที่สร้างขึ้นสามารถทำนายแนวโน้มหรือคาดการณ์อะไรบางอย่างได้หรือไม่ ช่วยในการจำแนกข้อมูลใหม่ได้แม่นยำแค่ไหนในสถานการณ์จริง ซึ่งการทดสอบปกติจะไม่ใช้ข้อมูลเดิมที่ใช้ฝึกมาก่อน เพื่อหลีกเลี่ยงการท่องจำ หรือที่เรียกว่า Overfitting
หากทดสอบแล้วพบว่า ผลลัพธ์จากการทดสอบยังไม่ดีพอ จะเข้าสู่กระบวนการปรับปรุงโมเดล ซึ่งมีอยู่ด้วยกันหลายวิธี เช่น
- เพิ่มคุณภาพหรือปริมาณของข้อมูลที่ใช้ในการฝึกโมเดล เช่น ใช้ข้อมูลใหม่, จัดการข้อมูลซ้ำซ้อน, เติมข้อมูลที่ขาด เป็นต้น
- เลือกใช้โมเดลอื่น
- ใช้เทคนิค Cross-Validation เพื่อให้การวัดผลแม่นยำยิ่งขึ้น โดยการแบ่งข้อมูลเป็นหลายชุดแล้วสลับกันทดสอบ
ตัวอย่างการนำ Machine Learning ใช้งานในธุรกิจออนไลน์
ธุรกิจจำนวนมากใช้งาน Machine Learning ในชีวิตประจำวันโดยไม่รู้ตัว ไม่ว่าจะเป็นการแนะนำสินค้า ไปจนถึงการคาดการณ์พฤติกรรมของลูกค้า และนี่คือตัวอย่างที่เรานำ Machine Learning มาใช้งานในธุรกิจออนไลน์ ยกตัวอย่างเช่น ระบบแนะนำสินค้าอัจฉริยะ (Product Recommendation) ซึ่งถูกใช้อย่างแพร่หลายในธุรกิจ E-Commerce ขนาดใหญ่อย่าง Amazon ที่ใช้ Amazon Personalize ร่วมกับ AWS Glue และ Step Functions เพื่อสร้างระบบแนะนำสินค้าแบบอัตโนมัติให้กับผู้ใช้งานแต่ละคน
จาก Workflow จะเห็นว่า มีการเก็บข้อมูลพฤติกรรมจาก 3 แหล่งหลัก ได้แก่
- ฐานข้อมูลสินค้า (Product Catalog – Amazon DocumentDB)
- ประวัติการสั่งซื้อของลูกค้า (Order History – Amazon RDS)
- โปรไฟล์ของผู้ใช้ (User Profile – Amazon DynamoDB)
หลังจากนั้นทำการประมวลผลข้อมูลด้วย AWS Glue ที่ทำหน้าที่ทำความสะอาดและรวมข้อมูลทั้งหมดเป็นรูปแบบเดียวกัน และทำการส่งข้อมูลออกมาเป็นชุด Interactions ซึ่งประกอบด้วยข้อมูลสามประเภท ได้แก่ ผู้ใช้ (Users), รายการสินค้า (Items) และพฤติกรรมของผู้ใช้ (Interactions)
ต่อมาจะเป็นการฝึกโมเดล Machine Learning โดยใช้ Amazon Personalize เพื่อเรียนรู้จากพฤติกรรมผู้ใช้ และวางระบบแนะนำสินค้าแบบเฉพาะบุคคล รวมถึงมีการใช้ Amazon SNS แจ้ง Admin เมื่อโมเดลฝึกเสร็จ โดยใช้ Amazon SNS แจ้งผู้ดูแลระบบให้ทราบสถานะของโมเดลในแต่ละขั้นตอน เช่น ฝึกเสร็จ, เริ่ม deploy หรือเวลาเกิดข้อผิดพลาด และทำการตรวจสอบการเปลี่ยนแปลงของข้อมูลแบบอัตโนมัติแบบครบวงจร
Machine Learning คืออะไร สรุปความเข้าใจ พร้อมแนวทางนำไปใช้ในยุค AI-Driven
ตลอดทั้งบทความนี้ เราได้พาคุณทำความเข้าใจว่า Machine Learning คืออะไร สรุปข้อมูลมาให้แบบเข้าใจง่าย ทั้งในด้านแนวคิด กระบวนการทำงาน ไปจนถึงการประยุกต์ใช้งานจริงในธุรกิจยุคใหม่ ซึ่งจะเห็นแล้วว่า ในยุคที่ AI กลายเป็นส่วนหนึ่งของชีวิตประจำวันและการทำธุรกิจ อย่างเทคโนโลยีที่คุณใช้อยู่ เช่น SearchGPT หรือฟีเจอร์ AI Overviews บน Google ก็ล้วนขับเคลื่อนด้วย Machine Learning ที่สามารถวิเคราะห์คำถามของผู้ใช้ และสรุปคำตอบอย่างชาญฉลาดจากแหล่งข้อมูลหลากหลายแบบเรียลไทม์
หรืออย่างระบบค้นหาแบบใหม่อย่าง Perplexity คือ ตัวอย่างที่ดีของ AI ที่นำ Machine Learning มาประยุกต์ใช้กับ NLP (Natural Language Processing) เพื่อสร้างระบบถาม-ตอบที่อิงกับแหล่งข้อมูลจริง มีการอ้างอิงและปรับคำตอบตามพฤติกรรมของผู้ใช้แบบอัตโนมัติมากขึ้น
ดังนั้น องค์กรที่ต้องการพัฒนาแอปพลิเคชันหรือบริการที่มีความสามารถด้าน AI ด้วยการเชื่อมต่อโมเดล Machine Learning กับระบบปฏิบัติการแบบเรียลไทม์ผ่าน API Gateway จึงไม่ใช่เรื่องยาก หรือเป็นเรื่องไกลตัวอีกต่อไปเพียงแต่ต้องเข้าใจภาพรวมของ Machine Learning และเลือกจุดเริ่มต้นให้เหมาะกับบริบทของธุรกิจ รับรองว่าช่วยให้ธุรกิจของคุณได้เปรียบกว่าคู่แข่งที่ยังไม่เริ่มต้นนำเทคโนโลยีเหล่านี้มาใช้งานอย่างแน่นอน
