ในงาน Blognone Tomorrow ประเด็น AI และ Machine Learning (ML) เป็นเรื่องที่ได้รับความสนใจมาก และฮาวทูสำหรับบริษัทที่อยากจะมี AI และ ML เป็นของตัวเองต้องทำอย่างไรนั้น ดร.ณัฐ เพชระบูรณิน Data Scientist ที่ SCB Abacus ให้คำแนะนำไว้อย่างครอบคลุมและน่าสนใจ

ดร.ณัฐ เล่าให้ฟังว่าก่อนจะมาเป็น Data scientist ที่ SCB Abacus เคยทำงานที่ซิลิคอนวัลเล่ย์มาก่อน มีประสบการณ์การทำงานในผลิตภัณฑ์ที่ใช้ AI และ ML ดังนั้น ดร.ณัฐ จึงมาแชร์ประสบการณ์ที่คาดว่าจะใช้ได้จริงสำหรับธุรกิจที่จะใช้ AI และ ML ในผลิตภัณฑ์หรือแพลตฟอร์มดิจิทัลของตน แบ่งเป็น 4 ขั้นตอน

ดร.ณัฐ เพชระบูรณิน Data scientist ที่ SCB Abacus

เริ่มต้นจากลูกค้าก่อน ไม่ใช่ AI

ดร.ณัฐ บอกว่าการที่บริษัทจะใช้ AI และ ML ควรเริ่มต้นจากลูกค้าก่อน อย่าตั้งธงว่าจะใช้ AI, ML เพราะมันเท่ หรือแค่เพราะอยากใช้ ควรเริ่มจากฟังเสียงลูกค้าว่าปัญหาของลูกค้าคืออะไร เราจะแก้ปัญหาอย่างไร และสุดท้ายแล้วผลที่คาดหวังคืออะไร

หลังจากนั้นก็ต้องมาคุยกันให้ชัดเจน เพราะว่าปัญหาลูกค้า อาจแก้ได้โดยไม่ต้องใช้ AI กับ ML เลยก็เป็นได้ แต่ถ้าคุยกันแล้ว AI กับ ML คือคำตอบที่ดีสุด ก็เข้าสู่ขั้นตอนต่อไปคือ "ข้อมูล"

รวบรวมข้อมูล

ข้อมูลคือสิ่งที่ขาดไม่ได้ต่อการเรียนรู้ของ AI และ ML ส่วนใหญ่ในธุรกิจจะใช้ประโยชน์จากเทคโนโลยี Supervised learning คือเป็น ML แขนงหนึ่ง ที่ต้องการโดนสอนด้วย Labeled data

กรณีตัวอย่าง Labeled data เช่น ถ้าจะทำปล่อยสินเชื่อ อยากรู้ว่าลูกค้าที่มาขอสินเชื่อมีเครดิตดีหรือไม่ "ดี" หรือ "ไม่ดี" คือ Labeled ที่เราต้องการ โมเดลจะเรียนรู้ว่าข้อมูลอะไรที่ระบุได้ว่าคนๆ หนึ่งเครดิตดีหรือไม่ดี

ข้อมูลที่สำคัญอีกอย่างคือ เสียงตอบกลับหรือฟีดแบ็คของลูกค้าบนแพลตฟอร์มดิจิทัล เช่นฟีเจอร์ My Deals ใน แอพ SCB Easy การที่ลูกค้ากดเข้าไปอ่านรายละเอียดดีล กดเซฟ หรือลบดีลนี้ทิ้ง สิ่งเหล่านี้เป็นข้อมูล action บนแพลตฟอร์มที่จะช่วยสอนโมเดลให้เรียนรู้และพัฒนาฟีเจอร์ให้ดีขึ้นได้

สร้างระบบ

มาถึงขั้นตอนสร้างระบบ หลักการ คือ พยายามสร้างระบบที่เรียบง่าย เพราะในกระบวนการต่างๆ มีบั๊กได้หมด โมเดลเวอร์ชั่นแรกควรเป็นอะไรที่เรียบง่ายที่สุดเพื่อที่จะสามารถแก้บั๊กได้ และการพัฒนาโมเดลในครั้งถัดไป จะได้สามารถทำได้ง่ายขึ้น

ทำใจ และเริ่มใหม่ เมื่อฟีเจอร์ที่ทำออกไปไม่สำเร็จ

ไม่ใช่ทุกฟีเจอร์ที่ทำออกไปจะประสบความสำเร็จ เพราะการสร้างอะไรใหม่ๆ ออกไปมันคือการทดลองตลาด ปัญหาลูกค้าที่ตั้งใจจะแก้ไขในตอนแรกอาจไม่ถูกต้องเสมอไป สิ่งที่ทำได้คือต้องรู้ล่วงหน้าให้ไวว่าฟีเจอร์นี้ไม่ได้ผล การมีแพลตฟอร์มดิจิทัลทำให้บริษัทได้ฟีดแบ็คและแอคชั่นจากลูกค้าที่รวดเร็วอยู่แล้ว ทีมงานสามารถรู้ได้ล่วงหน้าว่าฟีเจอร์นี้ไม่รอด ควรไปทำอย่างอื่น

สิ่งสำคัญคือ ทีมงานต้องไม่หลอกตัวเอง

ในการชี้ว่าฟีเจอร์ที่ทำไปไม่สำเร็จ ทีมงานต้องมีมาตรวัดที่ตรงกับความเป็นจริง ไม่หลอกตัวเอง กำหนดให้ชัดไปเลยว่า 3 เดือน ต้องได้เป้าหมายเท่าไรถึงจะสำเร็จ

4 ขั้นตอนที่ผ่านมาคือ วงจรการเรียนรู้ ทีมที่ดีคือทีมที่สามารถทำให้วงจรการเรียนรู้นี้เกิดขึ้นซ้ำๆ ได้ ในระยะเวลาอันรวดเร็ว องค์ประกอบของทีมจึงสำคัญมาก ไม่ว่าอาชีพ data scientist จะเป็นที่ต้องการมากขนาดไหน แต่องค์ประกอบอื่นอย่าง software engineer, นักพัฒนา ก็มีส่วนสำคัญมากๆ เช่นกัน

Q&A

• เทคโนโลยีที่น่าจับตาที่สุดตอนนี้
  ในระยะเวลา 2-3 ปี นี้ เทคโนโลยีที่จะเป็นประโยชน์ต่อธุรกิจจริงๆ คือ การจัดเก็บข้อมูล, data structure เทคนิคที่ใช้อาจไม่ต้องใหม่มาก แค่พัฒนาการบริการลูกค้าให้ดึขึ้นจากข้อมูลที่บริษัทมี น่าจะช่วยเพิ่มคุณค่าของบริษัทได้มากในระยะเวลาอันใกล้นี้
• ถ้าองค์กรอยากมี Data scientist เตรียมพร้อมอย่างไร
  ฝ่ายบริหารขององค์กรต้องรู้ก่อนว่าอยากจะทำอะไรกับ AI ถ้าพิจารณาแล้ว AI สำคัญต่อบริษัทมากจริงๆ ก็จำเป็นต้องจากคนมาทำ data warehouse แต่ถ้า AI จะมาช่วยแค่เป็นกองหนุน ก็ใช้คลาวด์ได้ สร้างระบบแล้วยิง API บนคลาวด์ ก็ทำได้ แต่ก็ต้องใช้คนที่เป็น software engineer ที่มีความเชี่ยวชาญอยู่ดี เพื่อจะจับตาดูกิจกรรมต่างๆ

สรุป

การจะมี AI, ML เป็นของตัวเอง ต้องมีหลายองค์ประกอบ และขาดอย่างใดอย่างหนึ่งไม่ได้ ต้องลงทุนเรื่องบุคลากร ลงทุนเทคโนโลยี สร้างมาตรวัดความสำเร็จที่ไม่หลอกตัวเอง ยอมรับความล้มเหลวและเริ่มทำระบบทดลองฟีเจอร์ใหม่ให้เร็วที่สุด