ทำความรู้จัก Machine Learning แบบ 101: เบื้องหลังความอัจฉริยะของระบบอัตโนมัติ
Riki Kimura
Digital Marketing Executive at Wisible
ทุกวันนี้หลายคนคงจะได้ยินคำว่า “Machine Learning” หรือในภาษาไทยที่เราเรียกกันว่า “การเรียนรู้ของเครื่อง” และอีกหลายคนอาจยังไม่รู้แน่ชัดว่ามันคืออะไร และมันส่งผลอย่างไรกับชีวิตประจำวันของเราบ้าง จริง ๆ แล้ว Machine Learning ก็คือวิธีการที่เราสอนคอมพิวเตอร์ให้ “เรียนรู้” จากข้อมูลที่ป้อนให้ เพื่อให้มันปรับตัวและพัฒนาตัวเองได้โดยอัตโนมัติ โดยไม่ต้องมานั่งเขียนโปรแกรมบอกทุกขั้นตอน
ตัวอย่างที่เห็นได้ชัดคือระบบแนะนำเนื้อหาที่เราน่าจะชอบใน YouTube หรือ Netflix ลองคิดดูสิครับ ระบบมันรู้ได้ยังไงว่าเราน่าจะสนใจอะไร คำตอบก็คือ Machine Learning ที่เรียนรู้จากพฤติกรรมการรับชมของเรา ไม่ว่าจะเป็นการคลิก การหยุดดูคลิป หรือการเปิดคลิปซ้ำ ๆ เมื่อเรามีข้อมูลมากขึ้น ระบบก็ยิ่งแนะนำเนื้อหาที่ตรงใจเราได้มากขึ้น และนี่คือสิ่งที่ทำให้ Machine Learning น่าทึ่งมาก มันเรียนรู้และปรับตัวตามข้อมูลจริงที่เราให้เข้าไป
Machine Learning คืออะไร?
Machine Learning คือการสอนให้คอมพิวเตอร์ “เรียนรู้” จากข้อมูลที่เราป้อนเข้าไป มันจะค่อย ๆ เข้าใจและเก่งขึ้นเรื่อย ๆ จากข้อมูลที่มันมีอยู่ ตัวอย่างเช่น เวลาเราใช้ Google เพื่อค้นหาข้อมูล ระบบจะพยายามเรียนรู้จากพฤติกรรมการค้นหาของเรา จากคำที่เราพิมพ์บ่อย ๆ หรือจากสิ่งที่คนอื่นค้นหาใกล้เคียงกัน เพื่อให้การค้นหาครั้งถัดไปแม่นยำยิ่งขึ้น
อีกตัวอย่างหนึ่งที่เห็นได้ชัดเจนมากก็คือ ระบบแนะนำสินค้าในแอปช็อปปิ้งที่เราใช้อยู่ทุกวัน มันรู้ได้ยังไงว่าเรากำลังสนใจอะไร? คำตอบก็คือ Machine Learning ครับ เพราะมันเรียนรู้จากข้อมูลการค้นหาและสิ่งที่เรากดดู ทำให้มันพอเดาได้ว่าเราน่าจะสนใจสินค้าประเภทไหน และแนะนำสิ่งที่ตรงใจเรามากขึ้นเรื่อย ๆ นี่คือความสามารถของ Machine Learning ที่ทำให้ระบบพวกนี้ฉลาดขึ้น
Machine Learning ทำงานยังไง?
หลักการทำงานของ Machine Learning จริง ๆ แล้วซับซ้อนกว่าที่คิด แต่ผมจะพยายามอธิบายให้เห็นภาพง่าย ๆ ครับ
การเก็บข้อมูล (Input Data)
ก่อนอื่นต้องมีข้อมูล ซึ่งเปรียบเสมือน “อาหาร” ของระบบ ยิ่งเรามีข้อมูลมากเท่าไหร่ ระบบก็จะยิ่งมีโอกาสเรียนรู้ได้ดีขึ้น ไม่ว่าจะเป็นรูปภาพ, ข้อความ, เสียง, หรือตัวเลข ข้อมูลที่มากและมีความหลากหลายจะช่วยให้ระบบเรียนรู้ได้ครอบคลุมมากขึ้น เช่น ข้อมูลการซื้อสินค้า ข้อมูลคลิกในเว็บไซต์ หรือแม้แต่ข้อมูลเซ็นเซอร์ในโรงงาน
การเตรียมข้อมูล (Data Preparation)
ขั้นตอนนี้เป็นการ “ทำความสะอาด” ข้อมูล เพราะข้อมูลที่เรามีอยู่มักจะมีทั้งส่วนที่ผิดพลาด ขาดหาย หรือไม่สมบูรณ์ การเตรียมข้อมูลจึงสำคัญมาก เช่น หากข้อมูลเป็นตัวเลขที่วัดได้ในช่วงหนึ่ง เราอาจต้องทำการปรับสเกล หรือถ้าเป็นข้อความ เราอาจต้องแปลงให้เป็นตัวเลขที่คอมพิวเตอร์เข้าใจได้
การวิเคราะห์ข้อมูล (Data Analysis)
ขั้นตอนนี้เปรียบเหมือนการที่ระบบพยายามทำความเข้าใจข้อมูลเหมือนกับคนสำรวจพื้นที่ใหม่ ๆ ระบบจะสำรวจ โครงสร้างของข้อมูลว่าแต่ละส่วนมีความสัมพันธ์กันอย่างไร เช่น ถ้าเป็นข้อมูลเกี่ยวกับลูกค้า ก็อาจจะดูว่าลูกค้าในกลุ่มอายุไหน ที่ซื้อสินค้าประเภทไหนมากที่สุด หรือพฤติกรรมการซื้อของลูกค้าในแต่ละกลุ่มแตกต่างกันอย่างไร การวิเคราะห์นี้ช่วยให้ระบบมองเห็นแนวโน้มและจุดเด่นของข้อมูล ทำให้เข้าใจภาพรวม ก่อนจะลงลึกเพื่อค้นหารูปแบบที่ซับซ้อนขึ้น
การค้นหารูปแบบ (Pattern Search)
เมื่อระบบเห็นแนวโน้มคร่าว ๆ แล้ว ขั้นตอนนี้ระบบจะเริ่มมองหา “แพทเทิร์น” หรือลักษณะเฉพาะในข้อมูล ซึ่งเป็นเหมือนการเชื่อมโยงข้อมูลที่มีความสัมพันธ์กัน เช่น การใช้เทคนิคจัดกลุ่มข้อมูลที่มีความคล้ายคลึงกันเข้าด้วยกัน หรือคาดการณ์แนวโน้มในอนาคตจากข้อมูลที่มี การค้นหารูปแบบนี้ช่วยให้ระบบสามารถ ดึงข้อมูลสำคัญ ที่ซ่อนอยู่ขึ้นมา เพื่อใช้ในการวิเคราะห์และการทำนายได้
การทำนาย (Prediction)
เมื่อระบบเข้าใจรูปแบบแล้ว มันก็จะพร้อมทำนายข้อมูลใหม่ที่ยังไม่เคยเห็นมาก่อน ลองนึกภาพการที่ระบบคาดการณ์ราคาหุ้นในอนาคต หรือคาดเดาว่าผู้ใช้งานจะสนใจสินค้าชิ้นใดจากการคลิกดูครั้งล่าสุด การทำนายนี้มาจากรูปแบบที่ระบบเรียนรู้จากข้อมูลเก่า จึงสามารถคาดการณ์แนวโน้มใหม่ ๆ ได้จากข้อมูลที่ยังไม่เคยเจอมาก่อน
การตัดสินใจ (Decision-making)
ผลการทำนายก่อนหน้านี้นำไปสู่การตัดสินใจในขั้นสุดท้าย ระบบจะใช้ข้อมูลการทำนายเพื่อกำหนดการตอบสนองที่เหมาะสม เช่น ถ้าระบบทำนายว่าอีเมลเป็นสแปม มันก็จะจัดการย้ายไปที่โฟลเดอร์สแปมโดยอัตโนมัติ การตัดสินใจนี้เป็นการตอบสนองที่มาจาก ความรู้ ที่ระบบได้เรียนรู้มาจากข้อมูลเดิม
ถ้ายังไม่เห็นภาพชัดพอ ผมขอยกตัวอย่าง App Streaming เพลง (Spotify, Joox) ที่เราฟังกันอยู่ทุกวันละกันครับ
แอปเก็บข้อมูลเกี่ยวกับเพลงที่ผู้ใช้งานฟัง เช่น แนวเพลง ศิลปินที่ชอบ และจำนวนครั้งที่ฟัง สิ่งนี้คือ (Input Data)
ตัวแอปเองก็อาจจะยังไม่แน่ใจว่าใช่แนวเพลงที่คุณชอบฟังรึเปล่า จึงต้องทำการกรองข้อมูลจากเพลงที่มีความนิยมสูง ๆ ยิ่งคนฟังเยอะก็แปลว่าเพลงอาจจะดี หรือลบข้อมูลที่ไม่เกี่ยวข้องออก (Data Preparation)
หลังจากนั้น ระบบจะทำการวิเคราะห์พฤติกรรมการฟังเพลง เช่น ถ้าคุณชอบฟังเพลงม่วนๆจอยๆ เช่นเพลงแนวหมอลำ ระบบก็จะไปวิเคราะห์ดูว่า ผู้ใช้งานที่ฟังเพลงแนวหมอลำบ่อย ๆ มักจะฟังศิลปินในแนวเดียวกันคนไหน หรือ เวลาไหนที่ฟังมากที่สุด เช่น ตอนเช้าอาจจะฟังหมอลำแบบโจ๊ะๆหน่อย เพื่อให้ร่างกายตื่นไปทำงานได้ในตอนเช้า (Data Analysis)
เมื่อระบบเข้าใจโครงสร้างแล้ว มันจะเริ่มเชื่อมโยงความสัมพันธ์ เช่น ผู้ใช้งาน ที่ชอบ ลำไย ไหทองคำ ก็มักจะชอบ แอน อรดี (Pattern Search)
จากแพทเทิร์นที่ได้ ระบบจะเริ่มทำนายเพลงที่ผู้ใช้งานน่าจะชอบ เช่น ถ้าผู้ใช้งานชอบฟัง “ผู้สาวขาเลาะ – ลำไย ไหทองคำ” ระบบก็อาจจะแนะนำเพลง “ลืมฮูดซิบ – แอน อรดี” หรือเพลงในแนวเดียวกัน หรือ ศิลปินที่คล้ายกัน คงไม่แนะนำ “FE!N – Travis Scott” มาให้คุณช็อตฟิลขณะฟังเพลง (Prediction)
นั่นเป็นเหตุผลที่คุณมักจะเจอ “เพลงที่แนะนำสำหรับคุณ” เป็นเพลงที่คุณอยากฟังอยู่เสมอ (Decision-making)
ความแตกต่างและความเชื่อมโยงระหว่าง Machine Learning กับ AI
มีหลายคนเข้าใจผิดว่า Machine Learning กับ AI คือสิ่งเดียวกัน แต่จริง ๆ แล้ว AI หรือ ปัญญาประดิษฐ์ เป็นคำที่ครอบคลุมเทคโนโลยีหลายประเภท ส่วน Machine Learning เป็นเพียงหนึ่งในเทคนิคที่ช่วยให้ AI ทำงานได้ดีขึ้น
อธิบายง่าย ๆ AI คือการสร้างระบบที่สามารถทำงานได้อย่าง “ฉลาด” เหมือนมนุษย์ เช่น การประมวลผลข้อมูล การวิเคราะห์ข้อมูล หรือการตอบสนองต่อคำสั่งของมนุษย์ ขณะที่ Machine Learning คือการทำให้ AI เรียนรู้จากข้อมูลด้วยตัวเอง
ลองนึกภาพ AI เป็นเหมือน “คุณหมอ” ที่สามารถวินิจฉัยโรคได้ ส่วน Machine Learning คือ “การฝึกอบรม” ที่ช่วยให้คุณหมอคนนี้เรียนรู้จากกรณีศึกษาและข้อมูลคนไข้จริง เมื่อข้อมูลมากขึ้น การวินิจฉัยก็จะละเอียดและแม่นยำขึ้น Machine Learning เป็นเทคนิคสำคัญที่ช่วยให้ AI เข้าใจข้อมูลขนาดใหญ่ คาดการณ์ผลลัพธ์ และทำงานร่วมกับข้อมูลในโลกจริงได้ดียิ่งขึ้น
ประเภทของ Machine Learning
Machine Learning มีหลายรูปแบบ ขึ้นอยู่กับว่ามันจะถูกใช้เพื่อจุดประสงค์อะไร เรามาดูประเภทหลัก ๆ ของมันกันครับ
การเรียนรู้แบบมีผู้สอน (Supervised Learning)
การเรียนรู้แบบนี้คล้ายกับการสอนเด็กเล็ก ๆ เราให้ข้อมูลพร้อมคำตอบ เช่น สอนให้รู้จักว่าอันไหนคือหมา อันไหนคือแมว พอระบบเห็นข้อมูลใหม่ก็สามารถทายได้ว่านี่คืออะไร เป็นเทคนิคที่ใช้ในงานทำนาย เช่น การทำนายยอดขายหรือการคาดการณ์แนวโน้มของตลาด
การเรียนรู้แบบไม่มีผู้สอน (Unsupervised Learning)
ในกรณีนี้ เราให้คอมพิวเตอร์ลอง จัดกลุ่ม ข้อมูลเอง โดยไม่มีคำตอบให้ล่วงหน้า เหมือนให้เด็กไปหาว่ามีอะไรเหมือนหรือแตกต่างในกลุ่มของเล่นต่าง ๆ เทคนิคนี้ใช้ในงานวิเคราะห์ข้อมูล เช่น การแบ่งกลุ่มลูกค้าตามพฤติกรรมการซื้อ
การเรียนรู้กึ่งกำกับดูแล (Semi-supervised Learning)
เป็นการเรียนรู้ที่อยู่กึ่งกลางระหว่าง Supervised และ Unsupervised ใช้ข้อมูลที่มีคำตอบบางส่วนเท่านั้น เหมาะกับกรณีที่ข้อมูลส่วนใหญ่ไม่มีคำตอบ แต่เรายังพอมีข้อมูลที่เชื่อถือได้บ้าง เช่น การทำนายโรคจากข้อมูลคนไข้ที่มีประวัติสุขภาพบางส่วน
การเรียนรู้แบบเสริมกำลัง (Reinforcement Learning)
การเรียนรู้แบบนี้เป็นการสอนให้ระบบเรียนรู้จากการลองผิดลองถูก โดยระบบจะได้รับ “รางวัล” หรือ “การลงโทษ” ขึ้นอยู่กับการกระทำที่เลือก ยกตัวอย่างเช่น ในเกมหมากรุก ระบบจะทดลองเดินหมากในแบบต่าง ๆ แล้วประเมินผล ถ้าเดินหมากแล้วชนะก็จะได้รางวัล แต่ถ้าแพ้ก็จะถูกลงโทษ ระบบจะใช้ข้อมูลจากการชนะหรือแพ้นั้นเพื่อปรับกลยุทธ์ให้ดีขึ้นไปเรื่อย ๆ
การประยุกต์ใช้ Machine Learning ในอุตสาหกรรม
ปัจจุบัน Machine Learning ถูกนำไปใช้ในหลากหลายอุตสาหกรรม โดยเฉพาะอย่างยิ่งในด้านที่ต้องการการวิเคราะห์ข้อมูลปริมาณมาก เรามาดูตัวอย่างหลัก ๆ กันครับ
ห้างสรรพสินค้า
ธุรกิจร้านค้าปลีกหรือห้างสรรพสินค้าส่วนใหญ่มักใช้การทำเหมืองข้อมูล (Data Mining) ที่เปรียบเสมือนการค้นหาขุมทรัพย์ที่ซ่อนอยู่ในข้อมูลขนาดใหญ่ มันคือกระบวนการที่เรานำข้อมูลจำนวนมหาศาลมาวิเคราะห์เพื่อหาความสัมพันธ์หรือรูปแบบที่ซ่อนอยู่ ซึ่งบางครั้งเป็นข้อมูลที่เราอาจมองข้ามไปถ้าไม่ได้ใช้เทคนิคนี้
เช่น ห้างเก็บข้อมูลการซื้อสินค้าของลูกค้าทุกคน และนำข้อมูลเหล่านี้มาวิเคราะห์เพื่อหาว่าลูกค้ามักจะซื้อสินค้าอะไรพร้อมกัน เช่น ผู้ที่ซื้อขนมปังก็มักจะซื้อเนยด้วย ซึ่งเป็นความรู้ที่เราสามารถนำไปใช้เพื่อจัดโปรโมชั่นหรือวางแผนการตลาดได้อย่างมีประสิทธิภาพมากขึ้น
ธุรกิจ B2B
ใช้ข้อมูลในอดีตเพื่อคาดการณ์เหตุการณ์ในอนาคต เช่น การทำนายแนวโน้มตลาด หรือการทำนายว่าลูกค้าคนไหนจะหยุดใช้บริการ เพราะลูกค้าที่หลุดไปหมายถึงเงินมหาศาล ยิ่งเป็นธุรกิจ B2B แล้วลูกค้าเก่าถือเป็นรายได้หลักของบริษัท (ปัจจุบัน Wisible ก็ได้นำเทคนิคนี้มาใช้ เพื่อให้ลูกค้าของเรามั่นใจได้ว่า จะป้องกันไม่ให้ ลูกค้าปลาย หรือ End-User หยุดซื้อขายหรือเลิกใช้บริการ)
ทางการแพทย์
ตัวอย่างที่ชัดเจน ในทางการแพทย์ Machine Learning ช่วยวิเคราะห์ข้อมูลผู้ป่วยหลายแสนคนเพื่อทำนายโรคได้แม่นยำขึ้น
ทางการเงิน
ในด้านการเงิน ธนาคารใช้ Machine Learning ในการตรวจจับพฤติกรรมการทุจริต ในอุตสาหกรรมการตลาด
Machine Learning กับโอกาสในประเทศไทย
สำหรับในประเทศไทยเอง Machine Learning กำลังเข้ามามีบทบาทสำคัญในหลายภาคส่วน เราเริ่มเห็นการนำ Machine Learning ไปใช้ในหลายบริษัท เช่น ในธนาคาร เพื่อประมวลผลพฤติกรรมของลูกค้าและวิเคราะห์ความเสี่ยงการปล่อยสินเชื่อ หรือในองค์กรภาครัฐที่ใช้ข้อมูลจากหลายแหล่งมาช่วยทำนายแนวโน้มเศรษฐกิจ
ประเทศไทยมีโอกาสเติบโตในสายนี้มาก เนื่องจากธุรกิจขนาดเล็กและขนาดใหญ่เริ่มตระหนักถึงความสำคัญของข้อมูลและการวิเคราะห์ที่แม่นยำ โดยเฉพาะในภาคธุรกิจที่ต้องแข่งขันกันอย่างสูง Machine Learning จึงเข้ามาเป็นเครื่องมือที่ช่วยให้การตัดสินใจและการดำเนินงานมีประสิทธิภาพมากยิ่งขึ้น และผมเชื่อว่าในอนาคต ประเทศไทยจะมีการพัฒนาและลงทุนใน Machine Learning มากขึ้นเรื่อย ๆ เพื่อตอบโจทย์การแข่งขันในยุคดิจิทัล
สรุป
Machine Learning ไม่ใช่เรื่องไกลตัวอีกต่อไปแล้วครับ มันเป็นเครื่องมือที่ถูกใช้ในการทำงานและช่วยให้ธุรกิจต่าง ๆ ทำงานได้ดีขึ้นโดยเฉพาะในยุคที่ข้อมูลเป็นสิ่งสำคัญ (Data Driven) ไม่ว่าจะเป็นการคาดการณ์ยอดขาย วิเคราะห์พฤติกรรมลูกค้า หรือแม้กระทั่งการคัดกรองผู้สมัครงาน Machine Learning กำลังทำให้ทุกสิ่งเป็นไปได้ และจะเข้ามาเปลี่ยนแปลงชีวิตเราอย่างมากในอนาคต
