บทสัมภาษณ์คุณซาน Data Scientist จากอเมริกา โดย ดร.วินน์ วรวุฒิชัย จากคอร์สเรียน BOTNOI ในหัวข้อเรื่อง Machine Learning
คอร์สเรียนบอทน้อย Data Science Essential#3
EP. 2 Machine Learning
วันนี้มีโอกาสได้ฟัง ดร.วินน์ วรวุฒิชัย Data Scientist ผู้ก่อตั้ง BOTNOI สัมภาษณ์คุณ ซาน อภิชาติ หอเที่ยงธรรม ผู้เป็น Data Scientist ทำงานอยู่ที่ Software company, USA เมือง Atlanta โดยในบทสัมภาษณ์ จะเป็นคำถามเกี่ยวกับเรื่อง Machine Learning
ก่อนที่จะเริ่มบทสัมภาษณ์ มาทำความเข้าใจกันก่อน คำว่า Machine Learning คืออะไร หมายถึงอะไรกันแน่?
What is Machine Learning?
คือ ส่วนการเรียนรู้ของเครื่อง ถูกใช้งานเสมือนเป็นสมองของ AI (Artificial Intelligence) Machine Learning เรียนรู้จากสิ่งที่เราส่งเข้าไปกระตุ้น แล้วจดจำเอาไว้เป็นมันสมอง ส่งผลลัพธ์ออกมาเป็นตัวเลข หรือ code ที่ส่งต่อไปแสดงผล หรือให้เจ้าตัว AI นำไปแสดงการกระทำ Machine Learning เอง สามารถเอาไปใช้งานได้หลายรูปแบบ ต้องอาศัยกลไกที่เป็นโปรแกรม หรือเรียกว่า Algorithm ที่มีหลากหลายแบบ โดยมี Data Scientist เป็นผู้ออกแบบ หนึ่งใน Algorithm
Machine Learning เรียนรู้ด้วยตัวเองได้อย่างไร?
Machine Learning มีหลักการเรียนรู้ข้อมูลอยู่ 3 หลัก ด้วยกันดังต่อไปนี้
- Supervised learning
คือ การเรียนรู้แบบได้รับคำแนะนำ ยกตัวอย่างเช่น เราป้อนข้อมูลให้คอมพิวเตอร์ (input) เช่น รูปแมว คอมพิวเตอร์จะยังไม่สามารถระบุได้ว่ารูปนี้คือแมว เราต้องป้อนข้อมูลลงไปก่อน ว่ารูปนี้คือแมว แล้วคอมพิวเตอร์จะทำการวิเคราะห์ (Feature Extraction) ว่า แมวเป็นสัตว์เลี้ยงลูกด้วยนม มีขา 4 ขา มีหู 2 หู มีหาง 1 หาง เป็นต้น จากนั้นคอมพิวเตอร์จะนำข้อมูลดังกล่าวไปประมวล/จัดกลุ่ม (Classification) หลังจากนี้คอมพิวเตอร์จะสามารถแยกแยะได้ว่าอะไรคือแมว อะไรไม่ใช่แมว - Unsupervised learning
คือ การเรียนรู้แบบไม่ได้รับคำแนะนำ การเรียนรู้นี้จะมีวิธีการที่แตกต่างจากการเรียนรู้ในแบบแรก ยกตัวอย่างเช่น เราป้อนข้อมูล (input) รูปแมวให้คอมพิวเตอร์ แต่ไม่ได้ป้อนข้อมูลลงไปว่ารูปภาพนี้ คือรูปภาพของแมว คอมพิวเตอร์จะนำข้อมูลไปวิเคราะห์ (Feature Extraction) ได้ลักษณะออกมา แต่จะไม่สามารถประมวล/แบบจัดประเภทได้ (Classification) คอมพิวเตอร์จะใช้วิธีที่เรียกว่าแบ่งกลุ่มแทน (Clustering) ซึ่งจะนำรูปภาพของแมวไปอยู่กลุ่มเดียวกับภาพที่มีลักษณะใกล้เคียงกัน เช่น สุนัข เสือ เป็นต้น - Reinforcement learning
การเรียนรู้แบบเสริมกำลัง คือการกำหนดเงื่อนไขบางอย่าง แล้วทำให้คอมพิวเตอร์เอาชนะหรือทำตามเงื่อนไขนั้นให้ได้ ยกตัวอย่างเช่น Alpha Go เงื่อนไขของการเล่นหมากล้อมคือ ใช้หมากของตนล้อมพื้นที่บนกระดาน เพื่อให้ได้ดินแดนมากกว่าคู่ต่อสู้ Alpha Go ก็จะเรียนรู้ด้วยตัวเอง ผ่านการจำลองการแข่งขันเป็นหลายล้านรอบ เพื่อให้ทราบว่า ถ้าหากคู่ต่อสู้เดินหมากนี้ ตนเองจะเดินหมากไหนเพื่อให้บรรลุเงื่อนไขที่กำหนดไว้ให้ นั่นคือการยึดพื้นที่บนกระดานให้ได้มากที่สุด
— — — — — — — — — — — — — — — — — — — — — — — — —
หลังจากที่เราทำความเข้าใจและเรียนรู้หลักการทำงานด้วยตัวเองของ Machine Learning กันไปแล้ว ตอนนี้เราก็จะมาเจาะลึกบทสัมภาษณ์ของคุณซานกัน!
**เริ่มด้วยคำถามแรก ของ ดร.วินน์ วรวุฒิชัย**
ดร.วินนท์ : เริ่มด้วยการให้คุณซานแนะนำตัวเองก่อน
คุณซาน : ซาน อภิชาติ หอเที่ยงธรรม เป็น Data Scientist ทำงานอยู่ที่ Software company, USA เมือง Atlanta ทำSoftware ให้โรงพยาบาล ช่วยในเรื่องการจัดการ การเงิน การจัดการในโรงพยาบาล
ดร.วินนท์ : คุณซานใช้ Machine Learning กับงาน Data Scientist เยอะมั้ยครับ และใช้ในส่วนไหนบ้าง?
คุณซาน : ไม่ได้ใช้เยอะมากครับ เพราะทางบริษัทพึ่งเริ่มนำมาใช้ แต่ในส่วน industry ของโรงพยาบาล ใช้ในการดู data ของโรงพยาบาล ในเรื่องของ operation ดูว่าเรามี data อะไรบ้าง เป้าหมายคืออะไร ถ้าอยากให้โรงพยาบาลมีกำไรต้องทำยังไง เช่น สร้างรายได้เพิ่ม ลดต้นทุน ลดเวลา ดูว่าโรงพยาบาลได้รับเงินจากช่องทางไหน ซึ่งโรงพยาบาลจะได้รับจาก insurance company มี 2 แบบ คือ ของรัฐบาลกับเอกชน
ในด้าน process จะมีการเก็บข้อมูลว่า โรงพยาบาลตรวจอะไรให้คนไข้ไปบ้าง รักษาอะไรไปบ้าง เราจะรวบรวม data ตรงนี้เป็นแบบฟอร์ม เรียกว่า (claim form) ส่งให้ทาง insurance company เขาตรวจสอบ ว่าผ่านหรือไม่ผ่าน ถ้าผ่านโรงพยาบาลก็จะได้รับเงินจากประกัน ตรงนี้เราสามารถนำ Machine Learning มาช่วยได้ โดยการนำ Machine Learning มาทำนายว่า claim ที่เราส่งไปจะผ่านหรือไม่ผ่าน ถ้าไม่ผ่าน มันมี factor อะไรที่ทำให้ไม่ผ่าน
ดร.วินนท์ : Machine Learning ตัวนี้ คนที่นำไปใช้คือ คนไข้ หรือโรงพยาบาล?
คุณซาน : คนที่ใช้คือโรงพยาบาล คนไข้ซื้อประกันแล้วมารับการรักษากับโรงพยาบาล คนไข้ไม่ต้องจ่ายเงิน แล้วโรงพยาบาลบันทึกข้อมูลไว้ว่า โรงพยาบาลทำอะไรให้คนไข้ มีค่าใช้จ่ายเท่าไหร่ โรงพยาบาลรวบรวมเดต้าแล้วส่ง claim form ให้กับ insurance company ตรวจสอบ ถ้าผ่านตามเงื่อนไข insurance companyจะจ่ายเงินค่าประกันให้กับทางโรงพยาบาล
กฎและเงื่อนไขของทางinsurance company จะมีการปรับเปลี่ยนใหม่ตลอดเวลา เลยมีการปรับระบบทำ claim form เมื่อไหร่ที่มีเดต้าใหม่เพิ่มเข้ามา สามารถเรียนรู้จากเดต้าใหม่ได้เลย ระบบนี้เรียกว่า AI system
AI system คืออะไร?
AI ย่อมาจาก Artificial Intelligence คือ ระบบประมวลผลที่มีต้นแบบมาจากโครงข่ายประสาทของมนุษย์สามารถเรียนรู้และเพิ่มประสิทธิภาพการประมวลผลได้ตามจํานวนข้อมูลที่เพิ่มขึ้นผ่าน “กระบวนการเรียนรู้ด้วยตนเอง” ซึ่งสามารถจดจํา คิด วิเคราะห์เรียนรู้และเชื่อมโยงข้อมูลต่างๆที่ซับซ้อนได้อย่างรวดเร็ว
Artificial Intelligence นั้น เราสามารถแยกออกได้เป็น 2 คำ ได้แก่
“Artificial” มีความหมายว่า สิ่งที่ไม่มีชีวิต ถูกสร้างหรือสังเคราะห์ขึ้นโดยมนุษย์
“Intelligence” มีความหมายว่า ความฉลาด ความคิดคำนวณที่จะนำไปสู่ผลสำเร็จ
กลับมาต่อที่บทสัมภาษณ์กันนะคะ
ดร.วินนท์ : ที่บริษัทกำลังทำโปรเจค เรื่องการที่โรงพยาบาลของรัฐจะสามารถเบิกค่ารักษาจากรัฐบาลได้ ทางโรงพยาบาลจะต้องมีการบันทึกข้อมูลว่า คนไข้ป่วยเป็นโรคอะไร แต่แพทย์ส่วนใหญ่ไม่ค่อยมีเวลาว่าง ทำให้ไม่ได้บันทึกข้อมูล เมื่อไม่ได้บันทึกข้อมูล ทางโรงพยาบาลไม่สามารถดำเนินเรื่องการขอเบิกค่ารักษาจากทางรัฐบาลได้ ทางดร.วินน์ ได้มีการทำโปรเจค ช่วยแพทย์ในการบักทึกข้อมูล ICD — 10 เป็นตัว support decision จะมีการ pre-filled form ขึ้นมา คือมีรายชื่อของโรคที่คนไข้มีแนวโน้มจะเป็น ขึ้นมาเป็น choice แล้วให้แพทย์เลือกเลือกยืนยันโรคของคนไข้อีกครั้ง เป็นการช่วยแพทย์ facilitate มากยิ่งขึ้น
Machine Learning สามารถเข้าไปช่วยในส่วนของ health industry ได้หลากหลายรูปแบบ เช่น predict disease (การทำนายโรคก่อนเกิดโรค), scan film x-ray, ส่องม่านตา, วัดชีพจร, การคิดค้นยา Machine Learning เข้าไปอยู่ใน industry นี้เยอะมากๆ โดยเฉพาะ data science และ ศาสตร์ของ AI
กลับมาที่คำถาม คุณซานคิดว่าที่อเมริกา Machine Learning advance มากแค่ไหนกันครับ?
คุณซาน : คิดว่ามัน advance เป็นระดับ advance เป็นส่วนๆ เนื่องจากมีหลากหลายเดต้า หลากหลายรูปแบบใน industry นี้ เช่น ถ้ามองในแง่ของการวินิจฉัยฟิล์มเอ็กซเรย์
ก็จะเป็น domain expert แบบนึง แต่ถ้ามองในส่วนของ domain operation หรือ building system ในโรงพยาบาลก็จะเป็น domain expert ในอีกแบบนึง ซึ่งถ้า advance ก็จะ advance เป็นส่วนๆ อย่างเช่น film x-ray, การวินิจฉัยจากการถ่ายภาพ ผมฟัง conference เมื่อปีที่แล้ว เขามี FDA approved model ไป 80 ตัว (โมเดลวินิจฉัย)
ดร.วินนท์ : อยากทราบว่าที่อเมริกา มี health system หรือ technology อะไรบ้างที่ในไทยไม่มี?
คุณซาน : ผมไม่ค่อยเข้าโรงพยาบาล เลยไม่ทราบว่ามี technology อะไรที่โรงพยาบาลของไทยกับอเมริกาต่างกัน
ดร.วินนท์ : ที่อเมริกา มี Telemedicine เป็น norm แล้วหรือยัง
คุณซาน : ยังครับ แต่มีเยอะขึ้นเรื่อยๆ แต่ยังไม่ถึงขั้นเรียกว่าเป็น norm
ก่อนจะไปที่คำถามต่อไป เรามาทำความรู้จัก คำว่า Telemedicine มันคืออะไรกัน?
What is Telemedicine?
TELEMEDICINE (เทเลเมดิซีน) เรียกเป็นภาษาไทยว่า โทรเวชกรรม
คือ การนําเทคโนโลยีที่ช่วยให้ผู้ป่วยและบุคลากรทางการแพทย์สามารถพูดคุยกันได้แบบ Real-time เช่นเดียวกับการสื่อสารผ่านระบบ VDO conference ที่คู่สนทนาสามารถมองเห็นหน้าและสนทนากันได้ทั้ง 2 ฝ่าย ไร้ข้อจำกัดในเรื่องเวลาและสถานที่ ง่าย สะดวกสบาย ประหยัดเวลา ทั้งยังได้รับบริการเหมือนกับการมารับบริการที่โรงพยาบาล
ดร.วินนท์ : มีการใช้ chatbot ในการถามประวัติของคนไข้มั้ยครับ?
คุณซาน : มีใช้ แต่ไม่เยอะมากครับ
ดร.วินนท์ : เทคโนโลยีที่ advance มากๆ ที่ผมเห็นหลายๆประเทศเขาใช้กันคือ การใช้ AI ในการคิดค้นยา คุณซานรู้จักมั้ยครับ?
คุณซาน : เคยได้ยินครับ เทคโนโลยีจะอยู่ในเรื่องของ drug discover ในช่วง 4–5 ปีที่ผ่าน มีการรับ Data Scientist เข้าไปในบริษัทด้านการแพทย์จำนวนมาก เขาใช้การทำ simulation ในการจำลองโครงสร้างของ protein ดูว่าจะไปจับเซลล์ยังไง ช่วยในการรักษาอย่างไหร่ คนไข้แต่ละคนมียีนที่แตกต่างกัน การรักษาก็จะแตกต่างกัน เขาจะศึกษากันในระดับยีน
ดร.วินนท์ : คุณซานเคยไปยุโรปมา ตอนนั้นไปประเทศอะไรครับ?
คุณซาน : ตอนนั้นไปสวิสเซอร์แลนด์มาครับ ไปทำวิจัย ผมเรียนจบด้านฟิสิกส์ จาก Northeastern University, Boston USA
ดร.วินนท์ : คนที่เรียนจบด้านฟิสิกส์ แล้วมาเรียนต่อเป็น Data Scientist คุณซานเห็นด้วยมั้ยครับ?
คุณซาน : ก็เห็นด้วยครับ เพราะว่าฟิสิกส์ก็เรียน Math มาค่อนข้างเยอะ เช่น calculus, linear algebra, vector atencion ฉะนั้นมันก็เป็นพื้นฐานที่ค่อนข้างดีสำหรับคนที่สนใจด้าน Data Scientist ตอนนั้นผมทำเป็น experimental particles physics ครับ คือการทดลองการเร่งอนุภาคให้มาชนกัน แล้วดูว่ามีอะไรเกิดขึ้นบ้าง
ดร.วินนท์ : โปรเจคนี้ทำที่ CERN ใช่มั้ยครับ ที่ไปสวิสเซอร์แลนด์ เพราะ CERN ใช่มั้ยครับ?
คุณซาน : ใช่ครับ ไปทำที่ CERN เครื่องเร่งอนุภาคอยู่ที่นั้น แต่ว่า CERN อยู่คาบระหว่างสวิสเซอร์แลนด์กับฝรั่งเศส ตอนนั้นผมพักอยู่ที่ฝรั่งเศส เพราะค่าใช้จ่ายราคาต่ำกว่า
ดร.วินนท์ : ช่วยเล่าบรรยากาศที่ CERN หน่อยครับ ว่ามันเป็นยังไง?
คุณซาน : ส่วนใหญ่ในแคมปัส จะเป็นตึกออฟฟิศทั่วไป แต่ว่าข้องนอกจะมีเป็น center ต่างๆ รอบเครื่องเร่งอนุภาค เส้นรอบวง 27 กิโลเมตร จะมี detector อยู่ 4 เครื่อง เครื่องเร่งอยู่ใต้ดิน แต่ข้างบนจะมีเป็น control center อยู่ จะมีคนคอยควบคุม ตรวจเช็คระบบ detector
ดร.วินนท์ : แล้วคุณซานกลัวมั้ย ในส่วนของความปลอดภัย?
คุณซาน : ไม่กลัวครับ เขามีระบบความปลอดภัยที่รัดกุมครับ ที่ผมมาได้ทำ Data Scientist เพราะตอนที่ทำ thesis มีการใช้ Machine Learning ในการ predict ว่า event การชนกันที่เราทำ ทำให้เกิดอนุภาคใหม่ขึ้นมาหรือเปล่า อนุภาคที่เรายังไม่เคยเจอหรือเปล่า classification problem ใช่หรือไม่ใช่
ดร.วินนท์ : คุณซานพอจะแนะนำได้มั้ย ถ้าอยากจะไปทำงาน Data Scientist ที่อเมริกา มีวิธีการอย่างไหร่บ้าง?
คุณซาน : วิธีที่ง่ายก็คือแบบผม เรียนจบปริญญาตรี แล้วมาต่อปริญญาโทที่อเมริกา สาขาอะไรก็ได้ หลังเรียนจบ เขาจะให้เราสามารถทำงานได้ 1 ปี แต่ถ้าเป็นสาขา science หรือ engineer เขาจะให้เราสามารถทำงานได้ เพิ่มได้เป็น 3 ปี ถ้าสนใจด้าน Data Science เรียนจบปริญญาตรี ก็มาต่อปริญญาโท สาขาData Science ที่อเมริกา
จบกันไปแล้วสำหรับบทสัมภาษณ์คุณซาน เรื่อง Machine Learning จากคอร์สเรียน Data Science Essential ของ BOTNOI ได้ทั้งความรู้ในเรื่อง Machine Learning และประสบการณ์ในการทำงานของคุณซาน หวังว่าทุกท่านจะได้รับความรู้ไม่มากก็น้อยเกี่ยวกับ สายงานด้าน Data Science และ Machine Learning สำหรับใครที่สนใจเรียน Data Science Essential รุ่นที่ 4 !! ของ BOTNOI join group ได้ที่ -> FB Page Botnoi AI & Data science classroom หรือจิ้มที่ลิงค์เลย → https://www.facebook.com/groups/2421985951170978/
