ในยุคที่ข้อมูลมีปริมาณมากมายมหาศาล และระบบการจัดเก็บข้อมูล ได้กลายเป็นสิ่งที่หลายองค์กรต่างมี Machine Learning (ML) จึงเป็นอีกเทคโนโลยีที่ธุรกิจจำนวนมากนำมาใช้เพื่อเพิ่มขีดความสามารถในการแข่งขัน อย่างไรก็ตาม ไม่ใช่ทุกองค์กรจะประสบความสำเร็จในการนำ ML มาใช้งานเราจึงอยากชวนไปดูสาเหตุว่าอะไรที่ทำให้โปรเจ็กต์ ML ยังไม่สามารถสร้างผลลัพธ์ได้จริง

  

ความท้าทายของการปรับใช้ Machine Learning  

• ปริมาณและคุณภาพข้อมูล (Data Quantity and Quality)  

โปรเจ็กต์ Machine Learing จำเป็นต้องใช้ข้อมูลปริมาณมหาศาลสำหรับการเทรนโมเดล เนื่องจากยิ่งมีชุดข้อมูลขนาดใหญ่เท่าไหร่ จะยิ่งส่งผลให้โมเดล ML คาดการณ์ได้แม่นยำยิ่งขึ้น  

อย่างไรก็ตาม เมื่อข้อมูลมีปริมาณมากขึ้น ความท้าทายในการจัดการข้อมูลก็เพิ่มขึ้นมา จึงจำเป็นต้องมีกระบวนการจัดการข้อมูลให้มีคุณภาพ เพื่อให้โมเดล ML สร้างผลลัพธ์ได้อย่างถูกต้อง ไม่เกิดการบิดเบือน 

>> อ่านแนวทางสร้างคุณภาพข้อมูล ได้ที่ –  https://bluebik.com/insights/8026    

• การระบุประเภทข้อมูล (Data Labeling)  

Data Labeling คือการระบุประเภทของข้อมูลให้ชัดเจนว่าเป็นข้อมูลประเภทไหน เช่น ข้อมูลรูปคน สัตว์ หรือสิ่งของต่างๆ เพื่อให้โมเดลเรียนรู้ พร้อมกำหนดการจัดประเภทของข้อมูลนั้นๆ โดยที่จำเป็นจะต้องพิจารณาหลายส่วน ทั้งเรื่องความแม่นยำ ความครบถ้วนของข้อมูล ความเป็นเหตุเป็นผล ความอัปเดทเป็นปัจจุบัน ไม่ซ้ำซ้อน ไปจนถึงการเข้าถึงข้อมูลที่ทำได้ง่าย 

หากองค์กรไม่ได้มีการทำ Data Labeling ที่ดีหรือเป็นมาตรฐาน ย่อมส่งผลต่อการนำข้อมูลไปใช้เทรนโมเดล ML โดยยิ่งข้อมูลมีการจัดประเภทดี ครอบคลุมเป็นหมวดหมู่ จะยิ่งช่วยให้ผลลัพธ์ออกมาดีตามไปด้วย  

• การเตรียมข้อมูล (Data Preparation)  

เนื่องจากข้อมูลมีที่มาจากหลากหลายแหล่งและมีหลายรูปแบบทั้งข้อมูลมีโครงสร้าง (Structured Data) และข้อมูลไม่มีโครงสร้าง ( Unstructured Data) เช่น รูปภาพ วิดีโอ หรือคลิปเสียง  

ก่อนนำข้อมูลไปใช้เทรนโมเดล ธุรกิจจึงควรมีการเตรียมข้อมูลเริ่มต้นตั้งแต่กระบวนการรวบรวมข้อมูลจากแหล่งต่างๆ ทั้งจากภายในและภายนอกองค์กร โดยหากองค์กรมี Data Governance จะสามารถวางแนวทางและกระบวนการจัดการข้อมูลได้ตั้งแต่เริ่มแรก ซึ่งจะช่วยให้การรวบรวมข้อมูลไปจนถึงการนำข้อมูลไปใช้งานมีประสิทธิภาพยิ่งขึ้น หลังรวบรวมข้อมูลแล้ว จะเข้าสู่การทำความสะอาดข้อมูล (Data cleansing) เพื่อให้ข้อมูลอยู่ในรูปแบบที่พร้อมใช้ที่สุด ไม่ว่าจะเป็นลบข้อมูลที่ไม่ถูกต้อง เติมข้อมูลส่วนที่ขาดหาย และปรับข้อมูลให้อยู่ในรูปแบบที่เป็นมาตรฐานเดียวกัน   

• กรณีการใช้งานที่เป็นไปได้ยาก (Unrealistic Use Cases) 

โปรเจ็กต์ ML มีต้นทุนสูงและใช้ระยะเวลาในการสร้างผลลัพธ์ ทำให้หลายองค์กรมักวางเป้าหมายที่ไกลมาก และเป็นไปได้ยาก ดังนั้นก่อนเริ่มโปรเจ็กต์ ML องค์กรควรพิจารณาก่อนว่าจะสามารถนำ ML ไปใช้สร้างผลลัพธ์ทางธุรกิจในส่วนไหนได้บ้าง โดยองค์กรควรเลือกกรณีการใช้งาน หรือ Use Case ที่เหมาะสมกับธุรกิจ ตามการจัดลำดับความสำคัญ (Use Case Prioritization)  

Use Case Prioritization โดยส่วนใหญ่แล้ว พิจารณาตาม 2 แกนหลัก คือ Business Impact ซึ่งเป็นผลลัพธ์และคุณค่าที่จะเกิดขึ้นต่อธุรกิจในแง่ผลตอบแทนจากการลงทุน (Return on Investment) รวมถึงความสอดคล้องกับกลยุทธ์องค์กร และ Feasibility ที่เป็นความพร้อมในการพัฒนาและใช้งานจริง โดยแนวทางการทำ Use Case Prioritization นั้น สามารถปรับเปลี่ยนได้ตามวัตถุประสงค์ขององค์กร  

สำหรับแนวทางเบื้องต้นในการเลือก Use Case ที่เหมาะสมกับธุรกิจ ประกอบด้วย 4 ขั้นตอนหลักด้วยกัน  

1. สร้าง Use Case โดยพิจารณาจากปัญหาของธุรกิจ เป้าหมายหรือวัตถุประสงค์ขององค์กร และตัวขับเคลื่อนหลักที่ส่งผลต่อการบรรลุเป้าหมายนั้นๆ (Key Driver)    

2. รวบรวม Use Case จากการทำ Value Stream Mapping แผนผังที่จะช่วยให้มองเห็นภาพรวมของกระบวนการและกิจกรรมต่างๆ ที่สร้างคุณค่าให้ธุรกิจ แล้ววิเคราะห์ผลลัพธ์ที่จะเกิดขึ้นต่อธุรกิจและความพร้อมในการดำเนินการ  

3. วางแผนการปรับใช้ Use Case ตามการจัดลำดับความสำคัญเชิงกลยุทธ์ ที่มีโอกาสประสบความสำเร็จมากที่สุด   

4. เลือก Use Case ที่เป็น Quick-win ซึ่งสามารถทำได้เร็วและสร้างผลลัพธ์ได้อย่างรวดเร็ว เพื่อเริ่มดำเนินการก่อน   

พัฒนา Maching Learning ให้สร้างผลลัพธ์ได้จริง  

การสร้างผลลัพธ์ทางธุรกิจจาก ML ไม่ใช่แค่การทำเทคโนโลยีมาใช้งาน แต่ต้องมาจากการวางกลยุทธ์และการจัดลำดับความสำคัญว่าจะนำ ML ไปใช้สร้างคุณค่าให้องค์กรที่จุดไหน และต้องมีความพร้อมเรื่องข้อมูลสำหรับพัฒนาโมเดล ML ให้สร้างผลลัพธ์ได้ตามความต้องการ สำหรับธุรกิจที่ต้องการวางกลยุทธ์ด้าน ML และ AI เพื่อเพิ่มศักยภาพการแข่งขันและสร้างการเติบโตให้องค์กร Bluebik มีทีมงานผู้เชี่ยวชาญด้าน Big Data & Advanced Analytics ที่สามารถให้บริการโซลูชันครบวงจรและการวิเคราะห์ข้อมูลขั้นสูงตั้งแต่ระดับกลยุทธ์ไปจนถึงการนำไปปรับใช้ให้เหมาะสมกับองค์กร ติดต่อเราสอบถามหรือปรึกษาเราได้ที่

✉ [email protected]

☎ 02-636-7011 

ขอบคุณข้อมูลอ้างอิงจาก Built In