Contact

Follow

  • medium-logo-black-transparent
  • Black Twitter Icon

66 95-460-8830

©2017 by Coraline

Please reload

Recent Posts

Machine Learning ไม่ได้มีแค่ Deep Learning

September 9, 2018

 

 

Machine Learning เป็นคำใหม่ที่เหล่า Data Scientist คุ้นหูกันดี เพราะมันเปรียบดั่งเป็นเครื่องมือหนึ่ง ที่ทำให้เราสามารถหา Insight หรือ ผลการวิเคราะห์เชิงลึกจากข้อมูลได้

 

วิธีการทำงานของ Machine Learning คือ การนำข้อมูลขนาดใหญ่จำนวนหนึ่ง ที่ต้องการศึกษาตัวแปรหรือความสัมพันธ์ของข้อมูลชุดนั้น นำมาเลือก Algorithm ที่เหมาะสม และปล่อยให้ Computer ประมวลผล หรือ Run ไปเรื่อยๆ จนกว่าจะเจอจุดที่เหมาะสม

 

ทำไมต้องให้ Machine Learn? ก็เพราะข้อมูลนั้นใหญ่ และมีความซับซ้อนในแบบที่การคำนวณทั่วๆ ไป และวิเคราะห์ด้วยตาเปล่าไม่ได้ จึงต้องเข้าสู่กระบวนการคำนวณแบบลำดับขั้นตอนหรือ Algorithm

 

พื้นฐานแรกในการใช้ Machine Learning คือ การเลือก ตัวแปรที่เหมาะสม เพราะ Machine จะ Learn จากข้อมูลที่ใส่เข้าไป ดังนั้นหากใส่ข้อมูลที่ไม่ดีเข้าไป ก็ทำให้ Machine นั้น Learn ไม่ได้ก็เป็นได้

 

จากนั้นการเลือก Algorithm เองก็สำคัญ ซึ่งก่อนจะเลือก ก็ต้องเข้าใจให้ได้ก่อนว่า โจทย์ที่ได้รับมานั้น เป็นโจทย์ประเภทไหน เพราะแต่ละ Algorithm มีข้อดี-ข้อเสีย และมีความเหมาะสมของแต่ละโจทย์ที่ไม่เหมือนกัน

 

ต่อมาคือการตั้งค่าตัวแปรควบคุมในตัว Algorithm เพราะต้องเข้าใจก่อนว่า Machine จะ Learn จาก Data ตามที่เรากำหนดขอบเขตให้ Learn และเจ้าตัวขอบเขตนี้ เราต้องกำหนดเข้าไปด้วย หรือที่เรียกว่า Parameter Setup

 

สุดท้ายคือการประเมินผลที่ได้จากการ Learn หรือ Model Evaluation ซึ่งจะเป็นตัวบ่งบอกว่า ผลลัพธ์ที่ได้นั้น เหมาะสมหรือไม่ และสามารถนำไปประยุกต์ใช้งานได้จริงแค่ไหน

 

Deep Learning เป็น Algorithm หนึ่ง ของ Machine Learning ที่มีลักษณะเฉพาะตัว คือ การหาความสัมพันธ์ที่ลึกด้วยการเพิ่ม Layer หรือ จำนวนของ Node เข้าไปเยอะๆ แตกต่างจาก Neural Networks ที่มี Layer และ Node น้อยกว่า (แต่ยังไม่มีใครให้จำกัดความได้ชัดเจนว่า ต้อง Deep ขนาดไหนถึงจะเรียกว่าเป็น Deep Learning ยิ่งไปกว่านั้น Deep Learning ยังสามารถเข้าใจความสัมพันธ์ที่ซับซ้อนได้มากกว่า Neural Networks อีกด้วย

 

ด้วยความ Deep ทำให้สามารถมองเห็นความสัมพันธ์ได้มาก Deep Learning จึงเหมาะกับงานที่ต้องหาความสัมพันธ์หนักๆ เช่น การทำ Image Processing ที่ต้องมองลึกเข้าไปถึงระดับ Pixel หรือ Voice Recognition ที่ต้องศึกษาความสัมพันธ์ของโทนเสียงขึ้นลง เป็นต้น

 

ในมุมของการใช้งานเชิงธุรกิจ สามารถใช้ Deep Learning เพื่อหาศึกษากลไกการโกงได้ หรือนำมาทำ Forecasting ได้ แต่นั่นหมายถึงข้อมูลที่มีขนาดใหญ่มาก ซับซ้อนมาก และต้องการความสัมพันธ์เชิงลึกมากๆ

 

ข้อเสียของ Deep Learning คือ อาจจะต้องใช้เวลาในการ Run มากกว่าปกติ และต้องใช้พลังระดับหนึ่ง

 

ในโลกของธุรกิจ และ Business ที่ต้องการ “ความเร็ว” มากกว่า “ความแม่นยำ” (ในที่นี้ ไม่ได้หมายความว่าไม่แม่นยำก็ได้ แต่หมายถึง แม่นยำระดับหนึ่ง แต่ไม่ต้องแม่นขนาดที่ต้องรอนานแสนนาน) Deep Learning จึงไม่ใช่ Algorithm ที่เหล่าองค์กรต่างๆ โปรดปรานมากนัก (ณ ปัจจุบัน) ตัวอย่างเช่น Grab Taxi ที่ใช่ Algorithm ในการเลือกคนขับรถที่มีความเป็นไปได้ในการรับงานมากกว่า เพื่อให้ผู้รับบริการได้รับความพึงพอใจมากที่สุด ซึ่ง Algorithm ที่ว่านี้ ต้องสามารถให้ผลลัพธ์ได้อย่างรวดเร็ว และเป็นการประมวลผลที่ไม่ได้ต้องการความสัมพันธ์ที่ Deep ขนาดต้องใช้ Deep Learning

 

ตัวอย่าง Machine Learning Algorithm อื่นๆ ได้แก่ Random Forests, Logistics Regression, Gradient Boosting, K-Mean และอีกมากมาย

 

กลับมาที่หัวข้อของเราในวันนี้ Machine Learning ไม่ได้มีแค่ Deep Learning ต้องบอกว่า Deep Learning เป็น Algorithm ที่มาแรงมากในปัจจุบัน เหตุผลเพราะเป็น Algorithm ที่ต้องใช้พลังในการ Run ค่อนข้างมาก ทำให้ท้าทายเหล่า Computer Scientist ที่ต้องออกแบบ Algorithm ให้มีการประมวลผลได้ลึกที่สุด และสามารถนำมาประยุกต์ใช้ได้หลากหลายที่สุด

 

จะเห็นได้ว่า หัวข้องานวิจัยของนักศึกษาในช่วง 2-3 ปีที่ผ่านมา จะเน้นศึกษาเรื่อง Deep Learning เป็นส่วนใหญ่

 

อย่างไรก็ตาม ในความเป็นผู้เชี่ยวชาญด้านข้อมูล หรือเป็น Data Scientist แล้วนั้น ต้องสามารถใช้ Algorithm ที่หลากหลาย และมีความเข้าใจในกลไกต่างๆ ของ Algorithm นั้นๆ ซึ่งในการทำงานจริง มีโจทย์ที่หลากหลาย และมีเวลาให้ศึกษาจำกัด ความสามารถเลือกใช้ Algorithm ที่ตอบโจทย์ธุรกิจได้อย่างเหมาะสม เป็นหนึ่งใน Skill หลักของ Data Scientist

 

สุดท้ายนี้ จะมองว่า Machine Learning เป็นเรื่องยาก ก็ไม่ผิด จะมองเป็นเรื่องง่าย ก็ไม่ผิด การใช้ Machine Learning เป็นเหมือนการใช้เครื่องมืออย่างหนึ่ง แต่เครื่องมือนี้ จะใช้งานอย่างไร จะนำเข้ามาเป็นกระบวนการส่วนไหน หรือต้องการนำผลลัพธ์ที่ได้มาออกแล้วไปใช้เพื่ออะไร เป็นงานของผู้เชี่ยวชาญ แต่การจะเป็น “ผู้เชี่ยวชาญ” ได้ คือ ผู้ที่มีความรู้ และผ่านการลองผิดลองถูก ทำซ้ำๆ จนสามารถมองเห็นปัญหา และโอกาสในเวลาเดียวกัน ดังนั้น หากต้องการเข้าใจเรื่อง Machine Learning แล้ว ก็ควรเริ่มตั้งแต่ตอนนี้ ตอนที่หลายๆ คน ก็เริ่มพร้อมๆ กัน แต่หากปล่อยให้เวลาผ่านไป อาจกลายเป็นว่า สิ่งที่เราไม่รู้ ได้กลายเป็นเรื่องธรรมดา ที่คนอื่นๆ เขารู้กันไปหมดแล้วก็เป็นได้

 

 

#BigData

#DataScience

#Optimization

#ProductivityImprovement

 

#Coraline Big Data Project Digital Transformation

Website Customer Status & Create User

 

 

Share on Facebook
Share on Twitter
Please reload

Please reload