ปัจจุบัน Machine Learning (ML) เป็นอีกเทคโนโลยีที่หลายองค์กรนำมาใช้เพื่อเพิ่มขีดความสามารถในการแข่งขัน ไม่ว่าจะเป็นใช้เพิ่มความแม่นยำในกระบวนการวิเคราะห์ข้อมูล และประกอบการตัดสินใจทางธุรกิจให้ฉลาดยิ่งขึ้น  

บทความนี้จึงอยากพาไปทำความเข้าใจเกี่ยวกับขีดความสามารถของ Machine Learning  มากขึ้นในรูปแบบ Machine Learning 101 ครอบคลุมตั้งแต่นิยามของ Machine Learning รูปแบบ ความสำคัญ ตัวอย่างการใช้งาน และแนวทางว่าหากองค์กรอยากเริ่มใช้งาน Machine Learning ควรเริ่มอย่างไร 

Machine Learning (ML) คืออะไร

หากกล่าวแบบรวดรัด Machine Learning คือการทำให้คอมพิวเตอร์ สามารถเรียนรู้สิ่งต่างๆ และพัฒนาการทำงานให้ดีขึ้นได้ด้วยตัวเองจากข้อมูลและสภาพแวดล้อมที่ได้รับจากการเรียนรู้ของระบบ โดยไม่ต้องมีมนุษย์คอยกำกับหรือเขียนโปรแกรมเพิ่มเติม โดย ML นับเป็นรูปแบบหนึ่งของปัญญาประดิษฐ์ (Artificial Intelligence: AI) ซึ่งทำหน้าที่เหมือนสมองของ AI โดยเป็นระบบที่สามารถเรียนรู้ได้ด้วยตนเองจากข้อมูลต่างๆ  

ความแตกต่างระหว่าง AI, Machine Learning และ Deep Learning

	AI	Machine Learning	Deep Learning
ปริมาณข้อมูลที่เหมาะสม	ชุดข้อมูลจำนวนมากที่มีความแตกต่างกัน	จุดข้อมูล (Data Points) ที่มาจากหลากหลายแหล่งช่องทาง	Big Data
ผลลัพธ์	คาดการณ์ต่างๆ ที่ช่วยแนะนำการตัดสินใจ	ผลลัพธ์ในเชิงตัวเลข เช่น การจัดหมวดหมู่หรือการให้คะแนน	มีหลากหลายรูปแบบทั้งผลลัพธ์ในเชิงตัวเลข หรือรูปแบบที่ไม่เฉพาะเจาะจง เช่น ข้อความหรือเสียง
รูปแบบการทำงาน	ถูกป้อนคำสั่งให้เลียนแบบกิจกรรมของมนุษย์ และสร้างผลลัพธ์ที่คล้ายคลึงกับคน	ใช้อัลกอริทึ่มที่ทำงานแบบอัตโนมัติหลากหลายรูปแบบ เพื่อเรียนรู้และคาดการณ์สิ่งที่เป็นไปได้ว่าจะเกิดขึ้นจากข้อมูล	ใช้ Neural Network หรือโครงข่ายประสาทเทียม ในการประมวลผลและคำนวณข้อมูลต่างๆ เพื่อตีความและระบุความสัมพันธ์ระหว่างข้อมูล

รูปแบบของ Machine Learning

• Supervised Learning (การเรียนรู้แบบมีผู้สอน) 

Supervised Learning เป็นการทำให้ ML เรียนรู้ด้วยการใช้การระบุประเภทข้อมูลเพื่อเทรนอัลกอริทึ่มให้สามารถจะจัดประเภทของข้อมูลได้หรือให้คาดการณ์ผลลัพธ์ โดยข้อมูลที่ถูกป้อนใน Supervised Learning จะต้องประกอบด้วย input (ชุดข้อมูล) และ output (คำตอบของข้อมูล)  

การเรียนรู้แบบ Supervised Learning แบ่งเป็น 2 ประเภทหลัก ได้แก่ 

1. Regression เป็นการคาดการณ์แนวโน้มข้อมูลในอนาคตจาก 2 ตัวแปร  

2. Classification เป็นการประมวลเพื่อจัดหมวดหมู่ของข้อมูล   

• Unsupervised Learning (การเรียนรู้แบบไม่มีผู้สอน) 

Unsupervised Learning เป็นการใช้อัลกอริทึม Machine learning เพื่อวิเคราะห์ และจัดกลุ่มชุดข้อมูลที่ยังไม่ได้มีการระบุประเภท อัลกอริทึ่มเหล่านี้สามารถทำการค้นพบแพทเทิร์นที่ซ่อนอยู่ หรือการจัดกลุ่มของข้อมูลโดยไม่จำเป็นต้องมีคนเข้ามาแทรกแซงในการทำงาน ความสามารถของการเรียนรู้รูปแบบนี้ที่สามารถค้นพบความเหมือน และความแตกต่างของข้อมูล  

Unsupervised Learning แบ่งออกได้เป็น 2 ประเภท 

1. Clustering เป็นการจัดกลุ่มข้อมูลที่มีความสัมพันธ์กัน)  

2. Dimensionality Reduction คือการลดมิติข้อมูลหรือความซับซ้อนของข้อมูล เพื่อการวิเคราะห์ที่ง่ายยิ่งขึ้น) 

• Reinforcement Learning (การเรียนรู้แบบเสริมแรง) 

Reinforcement Learning คือการเรียนรู้จากบริบทแวดล้อม ภายใต้การเลือกกระทำสิ่งต่างๆ ให้ได้ผลลัพธ์ที่มากที่สุด ผ่านการลองผิดลองถูกภายใต้สถานการณ์หรือระบบจำลอง ที่พัฒนาระบบการตัดสินใจให้ดีขึ้นเรื่อย ๆ ซึ่งเป็นการที่เรากำหนดเงื่อนไขบางอย่างให้กับคอมพิวเตอร์ แล้วทำให้คอมพิวเตอร์บรรลุหรือทำตามเงื่อนไขนั้นให้ได้ แล้วมีมนุษย์คอยสอนหรือ Feedback กับว่าสิ่งนี้ถูกหรือผิด ดีหรือไม่ดี   

• Semi-Supervised Learning (การเรียนรู้แบบกึ่งมีผู้สอน) 

Semi-Supervised Learning เป็นการผสมผสานจุดแข็งระหว่าง Supervised และ Unsupervised Learning โดยใช้ข้อมูลที่มีการระบุประเภทและไม่ได้ระบุประเภท เพื่อพัฒนาความแม่นยำของผลลัพธ์และลดต้นทุนในการระบุประเภทของข้อมูลจำนวนมาก

ทำไม Machine Learning ถึงสำคัญต่อธุรกิจ 

• เพิ่มความสามารถในการตัดสินใจ 

ML สามารถประมวลผลและวิเคราะห์ข้อมูลปริมาณมหาศาลได้อย่างรวดเร็วและแม่นยำ โดยระบุรูปแบบข้อมูลที่ไม่ได้ปรากกมาก่อนได้แบบเรียลไทม์ ทำให้องค์กรสามารถนำข้อมูลเหล่านี้ไปใช้ในการตัดสินใจทางธุรกิจได้อย่างรวดเร็วและเหมาะกับสถานการณ์ที่เปลี่ยนไป 

• ลดการทำงานซ้ำซ้อน จัดการงานรูทีนให้เป็นไปแบบอัตโนมัติ  

อัลกอริทึ่ม ML สามารถคัดกรอง เลือกประเภท และจัดกลุ่มข้อมูลได้เองโดยไม่ต้องให้มนุษย์ช่วยเหลือ ทำให้สามารถสรุปรายงาน สแกนเอกสาร ถอดเสียงคำพูดออกมาเป็นข้อความ และจัดหมวดหมู่เนื้อหาข้อมูลต่างๆ จึงสามารถนำมาช่วยทำงานที่มีความซ้ำซ้อนหรือต้องทำเป็นประจำได้แบบอัตโนมัติ 

• ช่วยสร้างประสบการณ์ที่ดีให้ลูกค้าแบบ Personalization  

ML สามารถสร้างประสบการณ์ที่ดีให้ลูกค้าแบบเฉพาะบุคคล (Personalization) ตัวอย่างเช่น ธุรกิจค้าปลีกที่สามารถแนะนำสินค้าที่ลูกค้าต้องการแบบเรียลไทม์ โดยนำ ML ไปช่วยวิเคราะห์ประวัติการสั่งซื้อในช่วงที่มา หรือจากสิ่งที่ลูกค้าค้นหา 

• เพิ่มประสิทธิภาพการตรวจจับการฉ้อโกงและความปลอดภัย 

อัลกอริทึ่ม ML สามารถประมวลผลข้อมูลจำนวนมากได้แบบเรียลไทม์ เพื่อตรวจจับความผิดปกติ ความเสี่ยงหรือช่องโหว่ด้านความปลอดภัย และพฤติกรรมการฉ้อโกงที่เกิดขึ้นได้ ซึ่งช่วยให้องค์กรลดความเสี่ยงจากภัยคุกคามทางไซเบอร์หรือเหตุการณ์รั่วไหลของข้อมูล และเพิ่มการป้องกันข้อมูลสำคัญๆ ได้ดียิ่งขึ้น   

• บริหารจัดการทรัพยากรให้มีประสิทธิภาพยิ่งขึ้น 

ML สามารถช่วยคาดการณ์แนวโน้มและพฤติกรรมต่างๆ ได้อย่างแม่นยำ ซึ่งนำไปปรับใช้กับการบริหารจัดการทรัพยากรต่างให้มีประสิทธิภาพยิ่งขึ้น เช่น คาดการณ์ความต้องการสินค้าต่างๆ และปรับระดับสินค้าคงคลังให้เหมาะสมเพื่อลดต้นทุน รวมไปถึงใช้ในการจัดสรรทรัพยากรภายในองค์กร (Resource Allocation) 

ตัวอย่างการใช้งาน Machine Learning ในธุรกิจ

• ธุรกิจบริการสุขภาพ  

ML ช่วยวิเคราะห์แนวทางการรักษาจากประวัติการรักษาผู้ป่วย รวมถึงใช้ช่วยวิเคราะห์รูปภาพทางการแพทย์ ไม่ว่าจะเป็นภาพ X-rays, MRI และ CT สแกน  เพื่อระบุความผิดปกติต่างๆ ที่เกิดขึ้นในระยะแรกได้ เช่น ก้อนเนื้องอก ทำให้กระบวนการรักษาเป็นไปอย่างรวดเร็วยิ่งขึ้น 

• ธุรกิจการเงิน  

ML ใช้ในการตรวจจับการฉ้อโกง (Fraud detection) จากการวิเคราะห์พฤติกรรมและรูปแบบธุรกรรมที่ผิดปกติ รวมถึงใช้นำเสนอผลิตภัณฑ์ทางการเงินให้เหมาะกับลูกค้าแต่ละกลุ่ม  

• ธุรกิจโลจิสติกส์และขนส่ง  

ML สามารถช่วยแนะนำเส้นทางที่เหมาะสมที่สุดที่ใช้ระยะเวลาและเชื้อเพลิงน้อยที่สุด รวมถึงบริหารจัดการระบบจัดการยานพาหนะให้มีประสิทธิภาพยิ่งขึ้น  

• ธุรกิจค้าปลีก  

ML นำไปช่วยวิเคราะห์พฤติกรรมการซื้อสินค้าของลูกค้า เพื่อนำไปปรับระบบการแนะนำสินค้าให้ตรงความต้องการ หรือเพิ่มโอกาสในการขายสินค้าทั้งแบบ Upselling และ Cross-selling 

• ธุรกิจการผลิต  

ML นำมาปรับใช้กับการทำ Predictive maintenance เพื่อช่วยวางแผนเตรียมการซ่อมบำรุงเครื่องจักรล่วงหน้า รวมถึงใช้บริหารจัดการซัพพลายเชนในส่วนต่างๆ ให้มีประสิทธิภาพมากขึ้น  

• ธุรกิจสื่อ  

ML สามารถใช้ช่วยแนะนำคอนเทนต์ที่เหมาะกับกลุ่มเป้าหมายแต่ละกลุ่มจากการวิเคราะห์ประวัติการดูที่ผ่านมา รวมถึงวิเคราะห์อารมณ์ความรู้สึก (Sentiment Analysis) เพื่อเข้าใจปฏิกิริยาของผู้ชมเพื่อต่อยอดสู่การทำการตลาดอื่นๆ  

• ธุรกิจพลังงาน  

ML ใช้ช่วยคาดการณ์ความเสี่ยงกรณีเครื่องจักรเกิดการขัดข้อง เพื่อวางแนวทางการซ่อมบำรุง รวมถึงใช้วิเคราะห์การใช้พลังงานให้เกิดประสิทธิภาพสูงสุด

แนวทางปรับใช้ ML สำหรับองค์กร

การสร้างผลลัพธ์ทางธุรกิจจาก ML ไม่ใช่แค่การทำเทคโนโลยีมาใช้งาน แต่ต้องมาจากการวางกลยุทธ์และการจัดลำดับความสำคัญว่าจะนำ ML ไปใช้สร้างคุณค่าให้องค์กรที่จุดไหน และต้องมีความพร้อมเรื่องข้อมูลสำหรับพัฒนาโมเดล ML ให้สร้างผลลัพธ์ได้ตามความต้องการ ดังนั้น ก่อนเริ่มนำ ML มาใช้จริง จึงควรมีการวางแนวทางปรับใช้ ML สำหรับองค์กร ครอบคลุมตั้งแต่ 

• ระบุปัญหาและเป้าหมายของธุรกิจ 

• ประเมินความพร้อมด้านข้อมูลและโครงสร้างพื้นฐานขององค์กร  

• เลือกแนวทางและเทคนิคการพัฒนา ML ที่เหมาะสม 

• พัฒนาและทดสอบโมเดล ML อย่างต่อเนื่องเพื่อพัฒนาประสิทธิภาพให้ดียิ่งขึ้น 

ในอนาคต ความก้าวหน้าของเทคโนโลยี ML จะช่วยปลดล็อกศักยภาพของธุรกิจที่แตกต่างไปจากเดิม ต่อยอดเทคโนโลยีที่มีอยู่จนพัฒนากลายเป็นนวัตกรรมที่สร้างคุณค่าให้ธุรกิจยิ่งขึ้น บลูบิคมองว่าองค์กรที่นำเทคโนโลยีมาปรับใช้ได้อย่างรวดเร็ว ย่อมสามารถสร้างความได้เปรียบและโอกาสทางธุรกิจใหม่ๆ ที่จะขับเคลื่อนการเติบโตได้อย่างต่อเนื่องในอนาคต และด้วยความซับซ้อนของเทคโนโลยี ML หากองค์กรต้องการพัฒนาและต่อยอด การปรึกษาผู้เชี่ยวชาญจากภายนอก เป็นอีกปัจจัยสำคัญที่จะช่วยให้สามารถทรานส์ฟอร์มองค์กรได้อย่างต่อเนื่องและสร้างการเติบโตในระยะยาว สำหรับธุรกิจที่ต้องการวางกลยุทธ์ด้าน ML เพื่อเพิ่มศักยภาพการแข่งขันและสร้างการเติบโตให้องค์กร Bluebik มีทีมงานผู้เชี่ยวชาญด้าน Big Data & Advanced Analytics ที่สามารถให้บริการโซลูชันครบวงจรและการวิเคราะห์ข้อมูลขั้นสูงตั้งแต่ระดับกลยุทธ์ไปจนถึงการนำไปปรับใช้ให้เหมาะสมกับองค์กร ติดต่อเราสอบถามหรือปรึกษาเราได้ที่

✉ [email protected]

☎ 02-636-7011 

ขอบคุณข้อมูลอ้างอิงจาก IBM, TechTarget, Acropolium