สำหรับการกลับมาในครั้งนี้เป็นบทความที่ 2 ที่จะเขียนข้อมูลในเชิงลึกมากขึ้น เนื่องด้วยส่วนตัวผมเองช่วงนี้ไม่มีเวลาเตรียมตัวมากนัก ครั้งนี้จึงอยากนำเสนอหัวข้อเรื่องที่เคยได้ทดลองทำมาก่อนหน้านี้จากประสบการณ์ในการหาความรู้กับ Training Course ของทาง Botnoi

ในงานนี้ได้รับโจทย์มาว่า

ให้ทุกคนใช้ความรู้ทางด้าน ML แล้ว ทำโจทย์สักชิ้นหนึ่งออกมาเป็น API ที่ Deploy อยู่บน Heroku server แล้ว host บน https://openapi.botnoi.ai/

Start!!!

1. หาโจทย์

เคยไหมครับ??? ทุกครั้งที่ตื่นเช้ามา ในวันที่มีนัดเจอเพื่อน, นำเสนองาน หรือเหตุการณ์สำคัญ สิ่งที่น่าหงุดหงิดใจที่สุดอย่างหนึ่งก็คือ สิวเจ้าปัญหามักจะมาในวันสำคัญเสมอ เมื่อพบปัญหายามเช้าแบบนี้ หลายคนก็คงมีวิธีจัดการที่แตกต่างกันไป บ้างก็อาจจะปล่อยผ่านไป แต่อีกหลายคนไม่สามารถมองข้ามมันได้ ลงมือบีบสิวด้วยตัวเอง ก่อให้เกิดเป็นรอยช้ำซึ่งอาจนำไปสู่การเป็นแผลเป็น/ Keloid ได้ในที่สุด

นอกจากนี้ในแง่มุมของธุรกิจนั้น อย่างที่ทราบกันว่า พิษโควิด-19 ได้ทำให้หลาย ๆ ธุรกิจต้องตกอยู่ในภาวะชะงักงัน ไปจนถึงติดลบ แล้ว ‘ตลาดความงาม’ ที่ก่อนหน้านี้แม้ภาวะเศรษฐกิจจะชะลอตัวหรือตกต่ำก็ยังมีการเติบโต ภาพรวมจะเป็นอย่างไร ทาง ลอรีอัล(ประเทศไทย) จึงได้มาอัพเดททั้งมูลค่าตลาด , เทรนด์และความท้าทายของตลาดนี้ในยุคที่คนต้องสวยภายใต้หน้ากากให้ฟังดังรูปด้านล่าง

จะเห็นได้ว่า ผลิตภัณฑ์ดูแลผิวหน้ามาเป็นอับดับหนึ่งเลยทีเดียว แต่ปัญหาคือเมื่อเกิดสถานการณ์โควิด-19 ขึ้น ธุรกิจความงามทั้งหลายไม่สามารถเปิดกิจการตามปกติ ได้ ดังนั้นจะต้องเกิดการปรับตัวให้ทันสถานการณ์ เนื่องจากการดูแลตัวเองด้วยผลิตภัณฑ์เพื่อความงามและการดำเนินชีวิตประจำวันยังคงเป็นสิ่งจำเป็นที่มาคู่กันเสมอ ทางออกหนึ่งนั่นคือการดำเนินการด้วยกลยุทธ์ Beauty Tech เช่น

เปลี่ยนจากการแนะนำผลิตภัณฑ์ทางหน้าร้านให้เป็นการแนะนำสินค้าผ่านทางออนไลน์ต่าง ๆ เป็นต้น

จากที่กล่าวมาทั้งในแง่ประสบการณ์ของทางกลุ่มเราและในแง่ของสถานการณ์ปัจจุบันที่เกิดขึ้น มันจะดีแค่ไหน? หากเราสามารถวิเคราะห์เบื้องต้นได้ว่า สิวที่เกิดขึ้นนั้นเป็นสิวชนิดใด ต้องใช้ผลิตภัณฑ์ใดและมีวิธีรักษาที่ถูกต้องเป็นอย่างไรเพื่อลดการเกิดแผลเป็น/Keloid บนใบหน้าของเรา

เราจะเลือกสถานการณ์ในการวิเคราะห์สิวขึ้นมาเป็นตัวอย่าง เพื่อให้ผู้ใช้สามารถวิเคราะห์เบื้องต้นได้ว่าสิวที่เกิดขึ้นนั้นมีโอกาสเป็นแผลเป็นหรือที่เรียกว่า Keloid หรือไม่

2. การ collect Data

เราใช้วิธี Scrape data จาก website มาใช้ ในที่นี้ แบ่งเป็นสองส่วน

2.1 Scrape data จาก http://www.dermnet.com/dermatology-pictures-skin-disease-pictures/

โดยเลือกเฉพาะหัวข้อที่มีคำว่า Acne เข้ามา

หลักการที่นำมาก็คือ เข้าไปที่แต่ละหัวข้อที่มีคำว่า Acne แล้วดึงภาพทั้งหมดออกมา ดังภาพด้านล่างคือ Acne Cystic มีทั้งหมด 13 หน้า เราก็จะนำภาพทั้งหมดตั้งแต่หน้าที่ 1 ถึง 13 มาเป็น data set ของเรา

2.2 Scrape data จาก google โดยใช้ module scrape จาก package ของ botnoi

เป็น Package ที่ทางทีม Botnoi สร้างเอาไว้แล้ว เราสามารถนำมาใช้ได้เลย (เห็นไหมครับ บอกแล้วว่าถ้าคุณมาลงเรียน DataScienceEssential กับทาง Botnoi แล้วละก็ ง่ายสุดๆไปเลย !!!)

สำหรับวิธีใช้ เราแค่กำหนดคำที่เราต้องการ search ลงไป ในที่นี้ผมนำคำที่ใช้ Search มาจากข้อ 2.1

Output : หลังจากที่ Scrape data มาจากทั้งสองส่วนแล้ว นำมารวมกัน output ที่ได้ของเราจะเป็น ลิ้ง url ของรูป ทั้งหมดที่นำมาใช้

3. Model

3.1 Feature extraction

แน่นอนว่าหลังจากที่เรามี Data set ในส่วนที่เป็น Image แล้ว เราจะดึง Feature เด่นๆ ของมันมาใช้ได้อย่างไร เช่น รูปหมา, แมว โดยปกติทั่วไปแล้ว ในการทำ classification ภาพจะมีกระบวนการที่เรียกว่า convolution เข้ามาใช้งานเพื่อช่วยสกัดเอา feature เด่นๆ ออกมา

ภาพข้างบนแสดงโครงสร้างของการใช้ convolution ร่วมกับ neural network จะประกอบไปด้วย Input layer นั่นก็คือ ภาพที่เรานำมาใช้เพื่อ train หรือ predict ในส่วนตรงกลางเรียกว่าเป็นส่วน Convolution and Pooling layers เป็นส่วนที่มีการสกัดเอา Features สำคัญๆ ของภาพออกมา ก่อนที่จะนำ Features สำคัญที่ได้ไปเข้าสู่ Output layer หรือ Multi-layer perceptrons ดังภาพ เพื่อ classify ภาพ

คำว่า Features ของภาพหมายความว่าอย่างไร

ก่อนอื่น ถ้าผมจะบอกว่าให้ ผู้อ่านทุกคนลองนึกภาพสุนัขขึ้นมาในหัวนะครับ จะมีอะไรเกิดขึ้นในหัวของเราบ้าง???

แน่นอนครับว่า แต่ละคนจะคิดลักษณะภายนอกของสุนัขแตกต่างกันไปขึ้นกับประสบการณ์การพบเจอสุนัขของแต่ละคน

แต่ลักษณะเด่นๆ ที่ผู้เขียนคิดว่า เกือบจะทุกคนต้องคิดไปในทิศทางเดียวกันแน่ๆ คือ สุนัขต้องประกอบด้วย ตา จมูก หู

เริ่มเห็นภาพกันรึยังครับ???

ถูกต้องแล้ว ตา จมูก หู เหล่านี้ คือลักษณะเด่นๆ หรือ Features ที่บ่งบอกถึงความเป็นสุนัขครับ

คราวนี้กลับมาที่โจทย์ของเราว่า เรามีี Data set ที่เป็นภาพสิว แน่นอนครับว่าเราก็จำเป็นต้องนำภาพเหล่านี้ไปผ่านกระบวนการ train ด้วย convolution neural network มากมาย เพื่อดึง feature ออกมา

ภาพด้านบนจะเป็นตัวอย่างการดึง feature มาจาก Resnet50 นะครับ แต่เนื่องจาก Project นี้เราจะทำเป็น API และ Deploy บน Heroku ซึ่งมีข้อจำกัดบางอย่าง ทำให้ตอนทำจริงเราจะเปลี่ยนไปใช้ mobilenet แทนครับ แต่วิธีใช้เหมือนกัน เพียงแค่เปลี่ยนจาก getresnet50() เป็น getmobilenet()

3.2 Pre-processing

หลังจากที่สกัด Feature ออกมาได้แล้ว เราจะนำไปเข้าสู่โมเดลเพื่อทำนายต่อไป แต่ก่อนอื่นเรามาลองใช้ความรู้จากวีคที่แล้วกันสักหน่อย ทำ Data Visualize สักเล็กน้อยเพื่อดูว่า Data set ที่เรานำมานั่นมีประเภทสิวแบบใดบ้าง

ว้าวววว !!! แต่ละประเภท มีจำนวนค่อนข้างแตกต่างกันอยู่นะ แบบนี้จะมีผลต่อการทำ model ของเราไหมน้าาา????

Imbalanced data คือปัญหาที่แต่ละ category มีจำนวน data ไม่เท่ากันมากเกินไป ซึ่งอาจส่งผลได้ ทางกลุ่มเราจึงปรึกษากันและมองว่า เราอาจจะทำโจทย์ให้ง่ายขึ้นมากว่านี้หน่อยด้วยการ list ว่า สิวแต่ละประเภทเหล่านี้ มีชนิดใดบ้างที่สามารถเกิดเป็นรอยแผลเป็น/Keloid ได้ ทำให้โจทย์ของเราจะเปลี่ยนไปเป็น binary classification เท่านั้น โดยแบ่งเป็นกลุ่มที่สามารถเป็นรอยแผลเป็นได้/Keloid กับ กลุ่มที่ไม่มีโอกาสเกิดเป็นแผลเป็น/Non-Keloid

เมื่อเสร็จขั้นตอน pre-processing กันแล้ว เราก็ไปสู่ขั้นตอน Build Model กันเถอะ

3.3 Build Model

ใน Project ครั้งนี้ ทีมของเราเลือกที่จะใช้ SVM มาใช้ในการแก้ปัญหา

โดยให้แบ่ง train set, test set เป็น 70%, 30% ตามลำดับ ก่อนที่จะเข้า Model ให้มีการทำ scaling data ด้วย StandardScaler()

ผลที่ได้

แน่นอนว่า ความแม่นยำอาจจะยังไม่สูงมากในระดับที่น่าพึงพอใจ แต่ถือเป็นอีกก้าวความสำเร็จหนึ่งอย่างยิ่งของเรา

3.4 Predict

ขั้นตอนการทำนาย เราจะรับ link url ของรูปภาพ เข้ามาเพื่อทำนายว่า ภาพสิวนั้นเป็น Keloid หรือ Non-Keloid

4. API, Deploy on Heroku, host บน openapi.botnoi

หลังจากที่ทำเสร็จเรียบร้อยขั้นตอนต่อไปคือ เขียนเป็น API, Deploy on Heroku แล้วก็ Host บน openapi.botnoi

สำหรับขั้นตอนการเขียน API, และ Deploy นั้น สามารถอ่านเพิ่มเติมได้จาก medium ของ Dr. Winn Voravuthikunchai

ตามลิ้งด้านล่างเลยครับ

ตัวอย่างการสร้าง Host AI API บน Heroku และ BOTNOI OpenAPI

ผลลัพธ์ที่ได้ของเราตอนนี้

เพียงแค่เราคัดลอก url ของภาพที่ต้องการจะทำนายใส่ลงไปในช่อง พารามิเตอร์ ผลลัพธ์ก็จะแสดงออกมาดังภาพด้านล่าง

5. สรุปผล การต่อยอดและพัฒนาในอนาคต

• ในอนาคต ตัวแอพพลิเคชั่นสามารถทำการพัฒนาต่อยอดให้ครอบคลุมกับปัญหาสุขภาพผิวหน้าได้มากกว่าสิวและรอยแผลเป็น โดยปัจจุบัน แอพพลิเคชั่นยังสามารถวิเคราะห์ปัญหาได้เฉพาะส่วนเท่านั้น แต่ในอนาคตอาจพัฒนาไปเป็นการวิเคราะห์สภาพผิวทั้งใบหน้า โดยใช้การตรวจจับความผิดปกติบนใบหน้า (Object detection) และวิเคราะห์ปัญหาทั้งหมดบนใบหน้าได้พร้อมกัน เพื่อให้แอพพลิเคชั่นนี้สามารถทำการวิเคราะห์สภาพของผิวอื่นๆ ได้หลากหลายมากขึ้น เช่น เฉดสีผิว ฝ้า กระ ริ้วรอย รูขุมขน(ตัวแทนความชุ่มชื้นของผิวบนใบหน้า) ความมันวาวของผิว ความหย่อนคล้อยของผิว ผื่นแพ้ต่างๆ เป็นต้น ซึ่งจะสามารถทำให้วิเคราะห์สภาพผิวได้อย่างมีมิติมากขึ้น หากสามารถทำให้แอพพลิเคชั่นแม่นยำมากยิ่งขึ้น ก็จะเป็นประโยชน์ต่อการคัดกรองสภาพผิวที่มีปัญหาได้ดียิ่งขึ้น
• เมื่อพัฒนาความแม่นยำของแอพพลิเคชั่นได้ดีแล้ว ก็จะสามารถนำไปใช้กับ profession healthcare staff ได้ เช่น เภสัชกร หรือ Beauty Assistance ซึ่งจะช่วยทำให้สามารถวิเคราะห์ จำแนกปัญหาสภาพผิว พยากรณ์ปัญหาที่จะเกิดขึ้นในอนาคตได้ เช่น จะเกิดแผลเป็นจากสิวประเภทที่มีปัญหาหา ถ้าไม่ทำการรักษาหรือใช้ผลิตภัณฑ์ให้เหมาะสม ดังนั้นจึงจะสามารถนำไปใช้ในร้านขายยา หรือ ร้านขายผลิตภัณฑ์บำรุงผิวต่างๆ เพื่อใช้วิเคราะห์และช่วยแนะนำผลิตภัณฑ์ที่เหมาะสม อย่างมีความเป็นมืออาชีพมากยิ่งขึ้น
• เมื่อมีปริมาณ Data ที่มากเพียงพอ เช่น คนในประเทศใช้กันทุกคน ก็จะสามารถนำปัญหาสภาพผิวต่างๆ ที่ได้รับ ทำการรวบรวมข้อมูล และ นำข้อมูลไปเสนอขายให้กับบริษัทต่างๆ ในรูปแบบงานวิจัยได้ ซึ่งบริษัทเครื่องสำอาง /โรงงานรับผลิต ก็จะสามารถนำข้อมูลต่างๆ เหล่านี้ไปกำหนดทิศทางพัฒนาผลิตภัณฑ์เครื่องสำอาง ครีมบำรุงผิวต่างๆ ออกมาเป็นสินค้าใหม่ๆ ให้สอดคล้องกับปัญหาสภาพผิวที่ผู้ใช้เป็นอยู่ เรียกได้ว่าทำการผลิตสินค้าออกมาได้อย่างตรงใจผู้บริโภค โดยมีข้อมูลการวิจัยผู้บริโภคอยู่ในมือ โดยไม่ต้องเริ่มทำ Reserach ใหม่เพื่อหาความต้องการเบื้องต้นของผู้บริโภคตั้งแต่แรก
• เมื่อมีปริมาณ user ผู้ใช้แอพพลิเคชั่นมากเพียงพอ จะเกิด economy of scale ได้ media ads ใหม่ โดยจะทำให้แอพพลิเคชั่นสามารถทำการรับโฆษณาผลิตภัณฑ์ในระบบแนะนำสินค้า เพื่อให้ผู้บริโภคมีทางเลือกในการตัดสินใจ โดยอาจจะรับโฆษณาในลักษณะของแบนเนอร์ภายในแอพลิเคชั่น หรือ product reccomended ซึ่งจะมีค่าโฆษณา แตกต่างกันออกไป ตามตำแหน่งที่แสดงผลการโฆษณาในแต่ละแอพพลิเคชั่นได้
• ใช้ในทางการแพทย์ โดยใช้ในการช่วยตรวจวินิจฉัยและประเมินอาการ ซึ่งจะช่วยลดระยะเวลาในการเตรียมการรักษาได้

และนี่คือตัวอย่างการทำ Acne Detection อย่างง่ายให้เพื่อนๆ สามารถไปลองเล่นกันได้นะครับ

Special Thanks : ขอบคุณทางทีมงาน Botnoi ทุกคน ที่ร่วมกันสร้าง Classroom นี้ขึ้นมา ถือเป็นการมอบโอกาสและประสบการณ์ที่ดีมากๆให้กับพวกเรา ขอบคุณครับ

สำหรับ source_code:

https://colab.research.google.com/drive/1_vYovQ1s0MU_aueGckNGF-WQ5vBR7Rhv?usp=sharing

Funny Acne Detection was originally published in Super AI Engineer on Medium, where people are continuing the conversation by highlighting and responding to this story.

ในเมื่อผู้เขียนมีสิทธิที่จะเลือกหัวข้อได้ หัวข้อแรกที่ผมอยากเขียนจึงเป็นส่วนของ AI สำหรับบุคคลทั่วไป เชื่อว่า หลายคนที่อยากทำงานสายนี้แต่ไม่ได้จบตรงสาย น่าจะมีความคิดแรกเหมือนกันว่า เราจะเริ่มตรงไหนดี ต้องรู้อะไรบ้าง แล้วไม่เคยเรียนสายนี้มาจะทำได้ไหม วันนี้ผมจะมาเล่าให้ฟังกันครับว่า จุดเริ่มต้นของตัวผมเองเป็นอย่างไร เพื่อที่อยากให้มันเป็นแรงบันดาลใจให้กับอีกหลายๆคนที่คิดอยากทำงานสายนี้ หรืออาจจะสายอื่นก็ตามแต่ยังไม่รู้ว่าจะเริ่มมันอย่างไร

จุดเริ่มต้น …

ขออนุญาตย้อนกลับไปเมื่อสมัยผู้เขียนยังเป็นเด็ก ผู้เขียนเองเคยเป็นเด็กคนหนึ่งที่สดใส สนุกสนานไปกับการเล่นกับเพื่อน เรียนบ้าง เล่นบ้าง ตามประสาเด็กธรรมดาๆ คนหนึ่ง แต่มีสิ่งหนึ่งที่ผู้เขียนเองชอบเป็นอย่างมาก นั่นคือ การเรียนวิชาคณิตศาสตร์

อ๊ะ อ๊ะ อ๊ะ !!! อย่างเพิ่งคิดว่าผมเก่งขนาดนั้นครับ ผมแค่ชอบคณิตศาสตร์ แต่นั่นไม่ได้แปลว่า ผมจะเก่งมันนะครับ

สิ่งที่ผมอยากจะบอกก็คือ พอผมชอบคณิตศาสตร์แล้วเนี่ย มันทำให้ผมมีความเชื่อครับว่า ทุกอย่างบนโลกนี้เนี่ย มีหลายอย่างที่สามารถอธิบายได้ด้วยตัวเลข (แต่อีกหลายอย่างก็ยังทำไม่ได้นะครับ :D)

อ่านมาจนถึงตอนนี้ ทุกคนอาจจะเริ่มสงสัยว่า หรือว่าจะทำสาย AI ได้ต้องชอบคณิตศาสตร์หรือเปล่า คำตอบคือ No No No!!! มีอีกหลายคนที่ไม่ได้ชอบคณิตศาสตร์ก็มาทำงานสายนี้ได้ครับ เพราะถึงแม้ว่าผมจะชอบคณิตศาสตร์ แต่ผมไม่ชอบการ Coding ครับ 555

อ้าว!!! นี่ผมจะสื่ออะไรกันแน่เนี่ย???

สิ่งที่ผมอยากจะบอกทุกคนก็คือ “Passion” ครับ ทุกวันนี้ผมก็ยังเป็นคนๆหนึ่งที่ไม่ได้เก่งอะไรครับ แต่ความเชื่อผมยังคงเหมือนเดิม

เขียนมาตั้งนาน ได้อะไรเนี่ย???

สิ่งที่ผมอยากจะบอกอย่างแรกก็คือ ขอให้ทุกคนมั่นคงในสิ่งที่ตัวเองกำลังทำอยู่ครับ

หากคุณอยากจะมาทำงานสายนี้จริงๆ เข้ามาเลยครับ อย่ามัวแต่กังวล หนักแน่นแล้วเดินหน้าอย่างมั่นคง

หลังจากมี Passion แล้วยังไงต่อ…

แน่นอนครับ มีแต่ความตั้งใจมันไม่เพียงพอสำหรับทุกๆงาน งานสาย AI ก็เช่นกัน

ต่อจากนี้จะเป็นการเล่าประวัติส่วนตัวของผู้เขียนสักหน่อยนะครับ เพื่อเป็นการแลกเปลี่ยนประสบการณ์กับผู้อ่านทั้งหลาย

ผมเองเรียนจบวิศวะไฟฟ้า สาขาควบคุม จุฬาลงกรณ์มหาวิทยาลัย มาครับ

เนื้อหาที่เรียนมา มีบางส่วนครับ (จริงๆ เรียกว่าน้อยดีกว่าครับ) ที่ตรงกับสาย AI

พอจบมา ตอนแรกก็ไม่รู้จะทำงานอะไรครับ จึงไปสมัครงานเป็น Data Engineer ให้กับบริษัทเอกชนแห่งหนึ่ง จริงๆแล้วอยากไปสมัครเป็น Data Scientist แหละครับ แต่ที่นั่นเขาไม่มีให้ เขาเลยเสนอให้เป็น Data Engineer ไปก่อน แล้วเดี๋ยวจะหาโอกาสย้ายตำแหน่งให้

ต้องบอกว่า ไม่ได้มีความรู้อะไรเลยนะครับ ทั้งด้าน Data Engineer หรือแม้แต่ Data Scientist ก็ตาม เรียกว่าความรู้แทบจะเป็น 0 เลย แต่สุดท้ายโชคดีมากครับ ที่เขารับเข้าไปทำงานและมอบโอกาสดีๆให้

ระหว่างที่ทำงาน ก็นั่งถามตัวเองตลอดครับ ว่า Data Scientist คืออะไร ต้องรู้อะไร

ไม่เคยตอบคำถามนี้กับตัวเองได้เลยครับ สุดท้ายจึงลองถามเพื่อนในบริษัทที่เป็น Data Scientist ถึงได้เข้ามารู้จักกับคำว่า Machine Learning และเมื่อศึกษาเพิ่มเติมอีกจึงได้เจอกับคำว่า Deep Learning ครับ

แน่นอนครับ ตอนนี้รู้ Keyword แล้ว ผมก็ลุยเลยครับ หาคอร์ส Online ทั้งหลาย ไม่ว่าจะเป็น Coursera, DataCamp, Kaggle, Tensorflow, Pytorch เข้าร่วมอบรมคอร์ส AI ทั้งหลาย ที่มีการจัดทั้งในและนอกบริษัท

ถามว่าเอาเวลาที่ไหนไปหาความรู้พวกนี้ ???

คำถาม

ผมทำงาน 8.00–17.00 ครับ จะเอาเวลาที่ไหนไปศึกษา???

คำตอบ

ผมอ่านเพิ่มเติมตอน 22.00–24.00 ทุกวัน จันทร์-ศุกร์ และมีเวลาเสาร์ อาทิตย ์อีกอย่างน้อยวันละ 2–3 ชม.

ถูกแล้วครับ ผมทำอยู่อย่างนั้นเป็นระยะเวลา 1 ปีครึ่ง มีหลายคนมองว่าผมขยัน ขยันมาก ทำได้ยังไง จริงๆแล้วผมคงทำไม่ได้หรอกครับ ถ้าไม่มั่นคงกับสิ่งที่เชื่อจริงๆ ผมยังคงเชื่อครับว่า ตัวเลขสามารถอธิบายอะไรหลายๆอย่างได้ ซึ่งผมเองอยากนำความรู้ และความเชื่อส่วนนี้ไปพัฒนางานทางด้าน AI เพื่อพัฒนาสังคมให้มันดีขึ้น

มีพื้นฐานบ้างแล้ว…

ตอนนี้ผมพอมีพื้นฐานมาบ้างแล้ว แต่งานที่ทำอยู่ไม่มีส่วนไหนเกี่ยวกับ AI เลย จะทำอย่างไรดี???

หางานที่ได้ทำสิครับ!!! คำตอบง่ายๆ แค่นี้เลย

ถ้าคุณไม่เริ่ม คุณจะไม่ได้ทำครับ

ในกรณีของผม (จริงๆ ไม่แนะนำนะครับ แต่ส่วนตัวแล้วผมปรึกษากับทางบ้านเป็นที่เรียบร้อยแล้ว)

ก่อนหน้านี้ผมทำงานไปด้วย แล้วก็พยายามเข้าคอร์สอบรมเกี่ยวกับ AI ข้างนอกไปด้วย แต่ผมกลับรู้สึกไม่เพียงพอครับ อยากได้ประสบการณ์ที่มากกว่านี้ ผมจึงตัดสินใจลาออกครับ เพราะต้องการออกไปหาบริษัทที่ทำงานด้าน AI จริงๆ (ผมลาออก โดยที่ยังไม่ได้สมัครงานที่ใหม่นะครับ)

ตอนแรกอยากเรียนต่อ ป.โท หรือไม่ก็ ป.เอก ด้านนี้ไปเลย แต่อีกใจก็ยังไม่มั่นใจพอว่า เอ๊ะ!!! เราจะไปรอดจริงๆหรอ 555

ช่างโชคดีอะไรเช่นนี้

โครงการ Super AI Engineer เปิดรับสมัครรอบแรกพอดี ที่นี่แหละครับ เหมาะมากๆ ที่จะเป็นโครงการที่จะทำให้ผมได้พัฒนาตัวเองจริงๆ

ปัจจุบันตอนนี้ผมอยู่ในรอบ 2 ของโครงการ Super AI Engineer แล้ว แต่ก็ยังหรอกครับ ผมยังไม่ได้เก่งขนาดนั้น ที่นี่เต็มไปด้วยคนเก่งๆอีกมากมาย เปิดโลกใหม่ของผมมากครับ หลายๆครั้งความรู้ทางทฤษฎีก็แตกต่างกับความรู้จากการทำงานจริง ทักษะทางด้าน Coding ของผมก็ดีขึ้นบ้าง เนื่องจากได้พี่ๆน้องๆ คนอื่นๆ ในค่ายช่วยกันเยอะมาก ขณะเดียวกันตัวผมเองก็ได้แชร์ความรู้ที่ศึกษามาให้กับคนอื่นๆเช่นกัน อยากบอกว่าเป็น Community ที่ดีมากๆจริงๆครับ

สุดท้ายนี้ บทความที่เขียนมาซะยืดยาวนี้ ผมอยากให้มันเป็นกำลังใจให้กับทุกคนนะครับ ที่อยากจะทำงานสาย AI หรือ ทำงานข้ามสายก็ตาม

“อย่ามัวแต่กังวลครับ ลงมือทำมันเดี๋ยวนี้ ทำมันด้วยใจรักและความเชื่อที่คุณมีต่อมัน”

อย่าหยุดพัฒนาตัวเอง…

ข้างล่างนี่จะเป็นผลงานlส่วนหนึ่งทางด้าน AI บางส่วนที่ผมได้ทำทั้งตอนที่ทำงานอยู่และหลังจากที่ออกจากงานมาแล้ว (ไม่ได้มีเจตนาเพื่ออวดอ้างใดๆครับ แต่เพื่ออยากให้ทุกคนเห็นถึง Passion ที่ผมมีต่อมัน ถ้าคุณเองก็มี Passionและมั่นคง คุณก็สามารถทำได้ครับ)

จบไม่ตรงสาย แต่อยากทำสาย AI ได้ไหมนะ was originally published in Super AI Engineer on Medium, where people are continuing the conversation by highlighting and responding to this story.

จากสัปดาห์ที่แล้ว เราได้สอนให้บอทของเราสามารถเข้าใช้ Text ที่ผู้ใช้สื่อสารมาได้แล้ว มาในสัปดาห์นี้เราจะมาดูอะไรกันอีกละ แน่นอนว่า แชทบอท ถูกสร้างขึ้นมาเพื่อตอบโจทย์งานอย่างใด อย่างหนึ่ง เช่น ตอบลูกค้า, พูดคุย, นัดหมาย เป็นต้น

ฉะนั้น ในแต่ละโจทย์งานแชทบอทก็จะมีหน้าที่หรือลักษณะที่แตกต่างกัน วันนี้เราจึงจะมาคุยกันในเรื่องของการสร้าง Conversation Flow เพื่อทำให้บอทของเราทำงานได้ดียิ่งขึ้น ตอบโจทย์ผู้ใช้ได้ดียิ่งขึ้น

องค์ประกอบหลัก

ในการจะ Design Flow การทำงานของบอท เราจะต้องคำนึงถึงองค์ประกอบหลัก 3 อย่าง

1. Business Flow

• โจทย์ของธุรกิจที่ต้องการให้บอทตอบคำถาม
• คำถามที่ลูกค้าถามบ่อยๆ (FAQ)
• โอกาสที่จะเกิดขึ้นจากการใช้แชทบอท

โดยให้ตั้งโจทย์จากการใช้งานจริงของลูกค้า

2. User Flow

• คำพูดที่ user จะใช้

ในแต่ละโจทย์ก็จะมีความแตกต่างกัน

3. Conversation Flow

• คำพูดที่บอทจะใช้
• User Journey
• การเรียงลำดับคำถาม
• การใช้ object เข้ามาช่วย
• ** ควรจะคำนึงถึงเหตุการ์ที่เป็นไปได้ให้ครอบคลุมที่สุด เพื่อที่เราจะได้พัฒนาบอทของเราให้ตอบโจทย์ลูกค้าและสร้างความพึงพอใจสให้กับลูกค้าได้ ***

Conversation Flow

การวางโครงสร้างที่กำหนดเส้นทางในการสนทนาของ Chatbot กับผู้ใช้งาน

ดังนั้นการออกแบบ Conversational Flow จึงเป็นสิ่งที่สำคัญมากในอันดับแรกๆของการจะสร้าง Chatbot ขึ้นมา เพราะนั่นหมายถึงประสิทธิภาพ และความสามารถในการตอบบทสนทนากับผู้ใช้งานได้อย่างตรงประเด็น

1. จุดประสงค์หลักๆของแชทบอทคืออะไร ?

2. ให้ List Intent ที่มีออกมาทั้งหมด

3. ออกแบบ Business Flow โดยยังไม่ต้องเจาะลึกถึงบทสนทนา

4. ออกแบบคำตอบว่าควรใช้ Object อะไร

5. ออกแบบ Conversation โดยนำ Business Flow มาปรับเป็น Coversation flow โดยการออกแบบรูปแบบประโยคสนทนา

*** คำแนะนำ ***

1. บอทควรมี Character ที่ชัดเจน เพื่อกำหนด

2. เริ่มต้นบทสนทนาด้วยการทักทาย หรือ Greeting Message

3. มีเมนูหลักแนะนำ เพื่อเสนอทางเลือกให้ผู้ใช้

4. บทสนทนาส่งผลต่อประสบการณ์ที่ดีของผู้ใช้

5. เลือกรูปแบบของคำตอบให้เหมาะสม

6. เมื่อมีบทสนทนาต่อเนื่องในการเก็บข้อมูลของผู้ใช้ ควรมี Consent ให้ผู้ใช้ยินยอมด้วย

7. เมื่อมีการเก็บข้อมูล ควรมีสรุปข้อมูลเพื่อให้ผู้ใช้ยืนยันหรือแก้ไข

8. เมื่อแชทบอทตอบไม่ได้ ต้องยอมรับและมีวิธีการแก้ไขปัญหาเบื้องต้นก่อน

9. มีบทสทนาที่คุยเล่นบ้างร่วมไปถึง FAQ ต่างๆ

ตัวอย่าง Conversation Flow

สิ่งที่สำคัญสำหรับสัปดาห์นี้ก็คือ เราจะต้องไปคิด Conversation Flow ในธุรกิจของเราออกมาโดยคำนึงถึงคำแนะนำที่ทางบอทน้อยได้นำเสนอ

แล้วสัปดาห์หน้าเราจะกลับมาพร้อมกับการสร้าง รายละเอียดเล็กๆน้อยๆ เพื่อให้บอทของเราทำได้อย่างมีประสิทธิภาพมากขึ้น

กลับมาแล้วกับคอร์ส Botnoi Chatbot School สัปดาห์นี้เราจะมาสอนบอทของเราให้ฉลาดขึ้นกันต่อจากสัปดาห์ที่แล้วที่เราสามารถสร้างบอทได้แล้วนะครับ

หากใครยังสร้างบอทไม่ได้ หรือยังไม่มีบอท สามารถย้อนกลับไปอ่านวิธีส้รางได้ที่

Botnoi Chatbot School : สร้างและเชื่อมต่อบอท

สัปดาห์นี้เราจะเริ่มเข้าสู่หัวข้อเรื่อง NLP & Mpping

NLP คืออะไร???

NLP หรือ Natural Language Processing คือ การประมวลผลภาษาธรรมชาติหรือภาษามนุษย์ รวมถึงการวิเคราะห์ทางด้านภาษาศาสตร์ การตีความจากข้อความ

แน่นอนว่าถ้าหากไปดูเบื้องหลังของ NLP จริงๆ ไม่ว่าจะตาม google, paper ต่างๆ

เราจะต้องพบเจอกับสิ่งเหล่านี้

มันคืออะไร???

เบื้องหลังมันคือ การใช้ Deep Learning, Machine Learning

แต่เราต้องทำเองทั้งหมดเลยหรือเปล่า???

ไม่จำเป็นครับ เนื่องจากบอทน้อยทำทุกอย่างเบื้องหลังให้หมดแล้ว เราสามารถใช้แพลทฟอร์มของบอทน้อยได้เลย แล้วชีวิตจะง่ายขึ้น

ก่อนที่จะไปรู้ว่า NLP ใช้งานอย่างไร ขอพาทุกคนไปรู้จัก Keyword & Intent & Message กันเสียก่อน

Keyword & Intent & Message

ตัวอย่าง

Intent เปรียบเสมือนการแยกหมวดหมู่ของข้อความที่ได้รับจากผู้ใช้ เพื่อดูว่าผู้ใช้มีความต้องการอะไร

หลังจากที่บอทเข้าใจแล้วว่าผู้ใช้ต้องการอะไรทำอะไรต่อละ???

บอทก็ต้องสามารถตอบกลับได้สิ

ตัวอย่าง

เมื่อเราแยกได้แล้วว่า Intent คืออะไร >>> ก็เรียบเสมือนเรารู้แล้วว่าผู้ใช้ต้องการอะไร >>> เราก็สามารถตอบกลับข้อความให้ตรงกับสิ่งที่ผู้ใช้ต้องการได้

แต่บอทของเราอาจจะไม่จำเป็นต้องตอบกลับเป็นข้อความอย่างเดียวก็ได้นะ จำบทความแรกกันได้ไหมที่ว่า บอทสามารถตอบได้ในหลายรูปแบบ สงสัยจะจำไม่ได้แน่ๆ (สามารถย้อนกลับไปดูได้ที่ ) >>> https://medium.com/@petchakritskopinyopawasutthi/botnoi-chatbot-school-%E0%B8%AA%E0%B8%A3%E0%B9%89%E0%B8%B2%E0%B8%87%E0%B9%81%E0%B8%A5%E0%B8%B0%E0%B9%80%E0%B8%8A%E0%B8%B7%E0%B9%88%E0%B8%AD%E0%B8%A1%E0%B8%95%E0%B9%88%E0%B8%AD%E0%B8%9A%E0%B8%AD%E0%B8%97-7b18a13681b1?source=friends_link&sk=d42c90b489ef142a0a5df5c795e45275

ทีนี้เราจะมาสรุปกัน

ถามว่า การใช้ หลักการของ NLP & Mapping มันดีกว่าวิธีการแบบเดิมๆ ที่ใช้แต่ Keyword อย่างไร

ลองคิดดูนะครับว่าถ้าสมมติ บอทของเราปกติได้รับข้อความเข้ามาว่า

“วันนี้มีโปรโมชั่นอะไร” >>> เราก็จะตอบกลับไปว่า “มี xxx ครับ”

ต่อมามีคนทักเข้ามาอีกว่า

“วันนี้มีโปรโมชันอะไร” >>> เราก็จะตอบกลับไปว่า “มี xxx ครับ”

ต่อมามีคนทักเข้ามาอีกว่า

“มีโปรอะไร” เราก็จะตอบกลับไปว่า “มี xxx ครับ”

ถ้าเป็นวิธีการแบบเดิมๆ แค่คนทักเขามาสามแบบ เราก็จำเป็นต้องจับคู่ทั้งสามแบบแล้ว เนื่องจากลักษณะการพิมพ์ของแต่ละคนอาจจะมีสไตล์ที่แตกต่างกัน

แต่ถ้าเป็นการใช้ NLP & Mapping

มันจะพยายามแยกคำถามว่า “วันนี้มีโปรโมชั่นอะไร”, “วันนี้มีโปรโมชันอะไร”, “มีโปรอะไร” อยู่ใน Intent เดียวกัน หลังจากนั้นค่อย Mapping Intent ไปสู่ คำตอบของเรา

ข้อดีของมันก็คือ สามารถรอบรับลักษณะการพิมพ์ได้หลากหลายมากขึ้น ลดภาระงานของเราที่จะต้องมานั่ง Mapping ทุกครั้งที่มีคนพิมพ์ผิดหรือสไตล์ใหม่ๆเข้ามา

ซึ่งในแพลทฟอร์มของบอทน้อย NLP เนี่ย แบ่งได้ออกเป็นสองส่วน ก็คือ Train, View

หน้า Train เนี่ย เอาไว้สำหรับ Train ข้อมูลให้กับ Model ของเรา พูดง่ายๆ ก็คือ หน้าที่จะสอนให้บอทของเรามีสมองสามารถตอบกลับข้อความผู้ใช้ได้นั่นเอง

หน้า View ก็เอาไว้สำหรับดูข้อมูลที่เราเคย Train ไว้

ทุกคนจะต้องเจอกับคำว่า “Confident” ในหน้านี้ด้วย

Confident คือค่าความมั่นใจในการตอบของบอท

Confident

จากรูปตัวอย่าง จะเห็นว่าบอทของเรามีความมั่นใจเกินกว่า 80% ว่าคำว่า สวัสดีครับ, สวัสดีค่ะ, หวัดดีครับ, หวัดดีค่ะ ว่าเป็น Intent ของการทักทาย ในขณะที่คำว่า ดีฮ่ะ บอทไม่สามารถตีความได้ว่ามันคืออะไร ถามว่ามีประโยชน์อย่างไร???

ในกรณีที่ผู้ใช้พิมพ์ข้อความที่บอทเราตีความไม่ได้ออกมา หรืออาจจะเข้าใจแต่มีค่า Confident ต่ำมากๆ นั่นหมายความว่า บอทเราไม่มั่นใจเลยว่าสิ่งที่ผู้ใช้ต้องการคืออะไร >>> เราก็จะสามารถ set ค่าได้ว่า กรณีที่บอทไม่เข้าใจเนี่ย จะให้ตอบอะไรออกไปด้วย Default Message

เนื้อหาฉบับย่อจบแล้วครับ ต่อไปผมจะพาทุกคนไปดูบอทที่ผมสร้างจากบทเรียนนี้ดีกว่า

ผมลอง Train ด้วยข้อมูลดังภาพด้านล่าง

และกำหนด Mapping และ Default Message ตามภาพด้านล่าง

ลองใช้งานจริงกันครับ

ภาพหลังการ Train

เห็นไหมครับ???

ผมไม่เคยสอนบอทว่า “สวัสดี Benz” ให้ตอบยังไง แต่บอทสามารถตอบได้อย่างถูกต้อง ขณะเดียวกันถ้าเจอคำถามที่บอทไม่เข้าใจก็จะตอบด้วย default message

ไม่ยากเลยใช่ไหมครับ อยากให้เพื่อนๆลองเล่นกันดูนะครับ

บทความต่อไปจะเริ่มพูดถึงเรื่องการสร้าง Flow Conversation กันบ้าง เพื่อทำให้บอทของเราทำงานได้อย่างไหลลื่นและคลอบคลุมการทำงานที่เราต้องการ

ต่อจากบทความที่แล้วที่เราได้แนะนำแชทบอทเบื้องต้นไปบ้างแล้ว หากใครอยากจะอ่านสามารถติดตามได้ที่

Course : Botnoi Chatbot School

วันนี้เราจะมาสู่จุดเริ่มต้นกันก็คือ มาสร้างแชทบอทเบื้องต้นกัน โดยใช้แพลทฟอร์มของบอทน้อยกันไปเลยจ้า

ก่อนที่จะเริ่มสร้างแชทบอท เราขอพาทุกคนไปรู้จักกับรูปแบบ Object ต่างๆ ในการตอบของแชทบอทกันก่อน

Carousel

เป็นปุ่มกดที่อยู่ด้านล่าง (มีมากสุดได้ 3 ปุ่มกด) โดยที่มีรูปภาพอยู่ด้านบน

Quick Reply

Quick Reply จะเป็นปุ่มกดเช่นเดียวกัน แต่จะหายไปเมื่อเราได้กดเลือกปุ่มกดไปแล้ว สร้างขึ้นมาเพื่อกำหนดให้เป็น Rule-based เพื่อต้องการให้ผู้ใช้ตอบคำถามของเราเฉพาะในส่วนที่เรากำหนดไว้

Button

เป็นปุ่มให้กดเช่นเดียวกัน แต่จะสามารถเลื่อนกลับมากดอีกเมื่อไหร่ก็ได้ ไม่สามารถใส่รูปภาพได้

Image

เราสามารถตอบลูกค้าในรูปแบบของรูปภาพได้เช่นกัน

Dialogue + API

เราสามารถกำหนด Journey ของลูกค้าได้ เช่น สมมติว่าลูกค้าสอบถามมาว่า มีโปรโมชั่นไหม???

เราสามารถกำหนดบอทให้ถามกลับได้ว่า สนใจโปรโมชั่นมือถือ หรือ โปรโมชั่นอาหาร

แล้ว flow ของเราก็จะแยกออกเป็นสองทางเช่น หากสนใจโปรโมชั่นมือถือ เราอาจจะให้ตอบกลับเป็นรูปภาพ ขณะที่หากสนใจโปรโมชั่นอาหารอาจจะกำหนดให้ตอบเป็น ข้อความปกติ

Flex Message

ยังมีแค่ใน Line เท่านั้น เป็นลูกเล่นออกแบบข้อความด้วยตัวเองได้ เพื่อเพิ่มความหลากหลายและความสวยงาม

Rich Menu

ยังมีแค่ใน Line เท่านั้น เป็นศูนย์รวมเมนูที่เราสามารถออกแบบเองได้เลย

หมดแล้วครับ เราจะมาสร้าง Chatbot กันจริงๆสักที

สร้าง Chatbot

เข้าไปที่ https://nlp-tool.botnoinoi.com/ แล้วเข้าด้วย email และรหัส ที่สมัครไว้กับทางบอทน้อยได้เลยจ้า

ก่อนที่เราจะสร้าง แชทบอทจริงๆเนี่ย อยากให้เราลองนึกเสียก่อนว่าเราต้องการให้ บอทของเรามี personal แบบไหน วัยรุ่น, คนมีอายุ หรือ แม้กระทั่งเป็นผู้หญิง ผู้ชาย การกำหนด personal ของบอทสำคัญมากแค่ไหน แน่นอนว่าคงไม่มีใครอยากคุยเล่นกับบอทที่เป็นคนจริงจัง ใช่ไหมหละ??? เช่นเดียวกัน บุคลิกของบอทที่ดีก็ทำให้ดึงดููดผู้ใช้ได้เช่นกัน

วิธีเชื่อมต่อบอทเข้ากับ Line

• จากนั้นให้เลือก Create Provider
• เลือก Messaging API Channel

• สแกน QRcode >>> Add Friend
• สร้าง Channel Access Token

สิ่งที่จำเป็นต้องใช้ในการเชื่อมต่อบอท

เมื่อทำเสร็จแล้วมาทดลองกันดูดีกว่าครับ

ในที่นี้ผมกำหนดให้บอทของผมเป็นผู้หญิงอายุประมาณ 25 ปี ใช้ชื่อว่า Dr. Benz ครับ

ว้าว ว้าว ว้าว !!! ง่ายขนาดนี้เลย

แต่สังเกตไหมครับว่า บอทของเรายังตอบอะไรไม่รู้เรื่อง เนื่องจากเรายังไม่ได้สอนให้บอทของเราสามารถตอบคำถามได้ สำหรับบทความหน้า เราจะมาอธิบายเบื้องต้นเกี่ยวกับหลักการทำงานของสมองบอทหรือที่บางคนอาจเคยได้ยินมาบ้างในชื่อว่า Natural Language Processing (NLP) นั่นเอง

ติดตามกันได้ในบทความต่อไปครับ

สวัสดีครับทุกคน หลายคนอาจจะตามมาอ่านบทความนี้เนื่องจากบทความของ Contextual Marketing ในคอร์ส Data Science Essential หรืออาจจะหลงเข้ามาเนื่องจากอยากลองมาทำความรู้จักกับแชทบอทน้อยของ Botnoi วันนี้ผมจะพาทุกคนมารู้จักกับคอร์ส Botnoi Chatbot School กันครับ

What is Chatbot ?

“A type of conversational agent, a computer program designed to simulate an intelligent conversation with one on more human users in natural language via auditory or textual methods. Chat bots are virtual assistant programmed to automatically”

แชทบอทสามารถเอาไปใช้กับอะไรได้บ้าง???

หลักๆส่วนใหญ่ก็คือ ใช้กับ Call center, ตอบลูกค้า

แล้วแชทบอทเนี่ย มันมีประโยชน์อย่างไร???

ลองคิดภาพตามนะครับ ถ้าเรามีลูกค้าอยู่หลักล้านคนครับ ในการที่จะมี Call center เนี่ย ก็ต้องมีจำนวนคนต่ำๆ หลักพันคนเลยทีเดียว เพื่อที่ลูกค้าจะได้โทรเข้ามาปรึกษา กับ Call center ของเรา ลองคิดภาพว่า ถ้าเกิดวันหนึ่งลูกค้าโทรเขามาพร้อมกันหลายๆคน Call center ของเราจะต้องทำงานหนักกันขนาดไหน???

ทีนี้ลองคิดกันในมุมกลับนะครับ ถ้าเราเป็นคนโทรไปปรึกษา Call center ปรากฎว่า วันนั้นเนี่ยมีคนโทรมาหา Call center เยอะมาก เราเองก็จำเป็นต้องรอ Call center ว่าง

เราจะสามารถรอได้นานขนาดไหนกัน??? ถ้าเราเกิดไม่พอใจ เราก็อาจจะไม่ใช้บริการเขาอีก เห็นไหมครับว่า มันเป็นปัญหาใหญ่ได้เลยนะครับ เพราะมันหมายถึงการที่เราอาจจะสูญเสียความเชื่อมั่นของลูกค้าไป

เหตุการณ์สมมติ

คนๆนึงสามารถตอบข้อความได้ 200 ข้อความ/ชั่วโมง

ถ้าใน 1 ชั่วโมงมีข้อความเข้ามาทั้งหมด 2000 ข้อความ เราจะต้องทำอย่างไร

เราก็จะต้องสร้างคนที่สามารถทำงานแบบเดิมได้เพิ่มขึ้นมาอีกให้เป็น 10 คน

ถ้าใน 1 ชั่วโมงมีข้อความเข้ามาทั้งหมด 20000 ข้อความ เราจะต้องทำอย่างไร

เราก็จะต้องสร้างคนที่สามารถทำงานแบบเดิมได้เพิ่มขึ้นมาอีกให้เป็น 100 คน

นั่นเท่ากับว่าถ้าธุรกิจเราโตขึ้น เราต้องเสีย budget ทั้งหมดในการจ้างพนักงาน Call center เพิ่มขึ้นเป็นจำนวนหลายเท่าตัวเลย

แต่ถ้าเราหันมาใช้แชทบอทหละ???

ทางบอทน้อยแสดงให้เราเห็นเลยว่า ทุกวันนี้มีคนคุยกับบอทน้อยประมาณ 3 ล้านข้อความต่อวัน >>> ถ้าเราไม่ใช่แชทบอทเนี่ย ต้องจ้างพนักงานกี่คนเนี่ย *0*

เห็นข้อดีของแชทบอทกันแล้วใช่ไหมครับ

ต่อไปผมจะพาทุกคนไปสร้างแชทบอทกัน ติดตามกันได้ในบทความต่อไปเลยครับ

อย่างเพิ่งเบื่อกันนะครับ

Recommendation System (RS) คือ ระบบที่ช่วยแนะนำในสิ่งที่เราชอบมาให้ โดยอ้างอิงจากผู้ใช้งานที่คล้ายคลึงกับเราและประวัติการใช้งานของเราเป็นพื้นฐาน

ปัจจุบันที่เราคุ้นเคยก็จะเป็นภาพยนตร์แนะนำจากแพลทฟอร์ม Netflix เพลย์ลิสต์, แนะนำสำหรับคุณจาก Spotify

ถามว่า Recommendation System ปัจจุบันบริษัทใหญ่ๆ หลายที่ใช้ทำอะไรกันบ้าง

ตัวอย่างในอุตสาหกรรมใหญ่

Facebook — “People You May Know” เคยใช่ไหมที่เข้า Facebook แล้วเอ๊ะ??? ทำไมมีปุ่มนี้ขึ้นมา เพราะว่า Facebook เองอยากจะเพิ่ม connection ของเรากับคนที่อาจจะรู้จักเพิ่มขึ้นเพื่อจะได้สามารถแนะนำสินค้าและบริการของเขาให้กับเราได้อยู่ เพื่อ keep contact กับเราเอาไว้

Google — “Search Results Adjusted”

เวลา search ก็จะสามาถ Ranking Page ให้เรา

Youtube — “Recommended Videos”

อันนี้เห็นได้ชัดเจนมากๆ Youtube มักจะแนะนำ วิดีโอในกลุ่มที่เราชอบดูบ่อยๆ ขึ้นมาบนหน้าแรกให้กับผู้ใช้

Pinterest — “Recommended Images”

Pinterest จะแนะนำรูปภาพที่ตรงกับสไตล์ของเรา

Netflix — “Other Movies You May Enjoy”

แนะนำภาพยนตร์ที่คุณควรจะดูภายใต้ประสบการณ์การดูหนังที่ผ่านมาของคุณ

LinkedIn — “Job You May Be Interested In”

มีการเสนองานที่คิดว่าเหมาะกับโปรไฟล์ของคุณ

Amazon — “Customer Who Bought This Item Also Bought …”

เป็นการแนะนำสินค้าเพิ่มเติม เพื่อเพิ่มยอดขายให้กับตัว Amazon เอง

ตัวอย่าง Recommendation System ฉบับพื้นฐาน

ทั้งหมดขอยกตัวอย่างเป็นเรื่องของภาพยนตร์นะครับ

Content-Based Filtering

คือการนำ features ของ content นั้นๆ มาใช้เป็นปัจจัยในการดูว่า เราจะชอบ item นั้นไหม ยกตัวอย่างเช่น หนังซุปเปอร์ฮีโร่ >>> features กลุ่มนี้ ก็อาจจะเป็น หนัง sci-fi, action , นักแสดง เป็นต้น จากนั้นก็จะนำ features เหล่านี้เพื่อไปเช็คว่าลูกค้าคนนี้ชอบ features เหล่านี้ไหม หากคุณเป็นคนที่ชอบ หนัง sci-fi, actionหนังเรื่องนี้ก็จะเหมาะกับคุณ

ข้อดี

• ไม่ต้องการข้อมูลของ user ที่จะแนะนำสินค้าให้
• เมื่อมีสินค้าใหม่ ๆ ระบบสามารถแนะนำให้กับ user ได้ทันที
• สามารถอธิบายว่าทำไมถึงแนะนำสินค้าให้กับ user
• ไม่ต้องการข้อมูลจาก user อื่น

ข้อจำกัด

• ต้องมีจำนวนของข้อมูลความชอบของลูกค้าที่มากพอ เพื่อนำไปสร้างโมเดลที่ดี
• สินค้าที่แนะนำ จะไม่มีความหลากหลาย เพราะระบบจะแนะนำแต่สินค้าที่มีลักษณะคล้ายคลึงกับสินค้าที่ user เคยเลือกไว้ในอดีต

ภาพตัวอย่าง

จะเห็นว่าดังรูปด้านบนเนี่ย ก็จะเป็นการบ่งบอกว่า หากคุณชอบดู Black Panter แล้วละก็ เราก็แนะนำให้คุณดู Iron Man นะ

Collaborative Filtering

จะมีการเก็บข้อมูลของ user แต่ละคน ว่าแต่ละคนชอบหนังอะไร

เช่น

ถ้าสมมติว่าเรา ต้องการจะแนะนำหนังให้กับนาย C สักเรื่องนึง โดยไม่ใช่ Recommendation System นะ คุณคิดว่า เราควรแนะนำหนังเรื่องไหนมากกว่ากัน ระหว่าง พี่มากพระโขนง กับ Ant-Man สมมติว่าเรามีข้อมูลดังนี้

นาย A ชอบ Ant-Man, Captain America, Batman, etc.

นาย B ชอบ พี่มากพระโขนง, หลวงพี่แจ๊ส, แฟนฉัน

นาย C ชอบ หลวงพี่แจ๊ส, แฟนฉัน, ปิดเทอมใหญ่ หัวใจว้าวุ่น

ถ้าคุณคิดว่า Ant-Man ทำไมละ??? ถ้าคุณคิดว่า พี่มากพระโขนง เพราะอะไรหรอ???

สำหรับเรา เราคิดว่าก็คงจะเป็นพี่มากพระโขนงแหละ เพราะเราคิดว่านาย B กับ C ชอบดูหนังเหมือนกักนตั้งสองเรื่องแล้ว น่าจะมีรสนิยมคล้ายๆกันแหละมั้ง

แต่ถามว่า เราจะแนะนำคนทั้งหมดเป็นล้านคนได้ไหม เราคงมานั่งดูข้อมูลของแต่ละคนไม่ไหวแน่ๆ

นี่แหละเป็นที่มาของ Recommendation System ระบบจะดูความคล้ายคลึงกันระหว่างคนสองคน เพราะมีความเชื่อว่าคนที่ชอบดูหนังแบบเดียวกันมักจะชอบหนังในแบบๆ

เดียวกัน

ข้อดี

• ไม่ต้องการข้อมูลของ product
• สามารถแนะนำสินค้าที่ user ไม่เคยทราบมาก่อน

ข้อจำกัด

• ไม่สามารถนำมาใช้ได้หากยังไม่มีฐานข้อมูล จำเป็นต้องใช้ content-based filtering ในการสร้างฐานข้อมูลก่อน
• ต้องมีข้อมูลความสัมพันธ์ของ user กับสินค้าที่มากเพียงพอ
• ฐานข้อมูลเป็น sparse matrix ทำให้เกิดข้อจำกัดด้านการประมวลผล และ scalability
• ไม่มี คุณลักษณะ ของสินค้า ทำให้ไม่สามารถอธิบายความสัมพัมธ์ของ user กับสินค้าได้

ภาพตัวอย่าง

เรามีประวัติการดูหนังของคุณ Arm Botnoi, Tao Kitti, Dr. Winn, Ricky แล้วอยากจะแนะนำหนังสักเรื่องให้คุณ HoNg

เราควรแนะนำหนังอะไรให้คุณ HoNg ดีหละ???

ก็ควรจะเป็น Iron Man นะ เพราะคุณ HoNg ชอบดู Black Panter เหมือนกับคุณ Arm Botnoi, Tao Kitti

ตัวอย่างเพิ่มเติมด้วยการทำ Matrix Factorization

กำหนดให้เรามีฐานข้อมูลของการดูหนังทั้งหมด 5 เรื่องของคน 4 คน โดยแต่ละคนจะให้ rating ของหนังจากคะแนน 1–5 คะแนน

ทีนี้ถ้าเรามาดูกันให้ละเอียด

จะเห็นว่าคนที่ 1 กับคนที่ 3 เนี่ย เหมือนกันเป๊ะเลย ถ้ามองในแง่ของ Matrix เนี่ย มันคือ Matrix เราเป็น sigular หรือง่ายๆ ก็คือ rank ของ Matrix ไม่เท่ากับ n หมายความว่า มีบางแถวที่สามารถตัดทิ้งออกได้เพื่อลด Dimension ให้กับ Matrix

ขณะเดียวกัน

ในแนวคอลัมน์ก็อาจเกิด dependency ได้นะ

พูดง่ายๆก็คือ เราต้องการให้ Matrix ของเราเนี่ย เป็น non-singular matrix นั่นเอง

กรณีนี้เราก็คาดว่าผู้ชายคนนี้น่าจะให้คะแนน rating หนังเรื่องที่ 5 1 คะแนน เนื่องจากมีลักษณะการดูหนังคล้ายกับคนแรกเลย

หลักการทำงาน ของ Matrix Factorization

จะเห็นว่าเดิมเรามี Matrix ขนาด 4*5 เราสามารถทำ singular value decomposition (SVD) ก็ได้ แต่ค่าที่ได้อาจจะออกมาติดลบได้ ในที่นี้หากใช้เป็น Non-negtaive Matrix Factorization ก็จะช่วยแก้ปัญานี้ได้

เราจะเริ่มต้นด้วยการ Initail Value ออกมา หลังจากนั้น ก็คำนวนหา Error Function เพื่อเป็น Feedback ให้กับระบบ ผ่านการทำ Optimization >>> gradient descent เพื่อปรับค่า value ใน Matrix ให้ใกล้เคียง Matrix จริงมากขึ้น

จากภาพด้านบนจะเห็นว่าเราสามารถทำได้เพราะเรารู้ค่าที่แท้จริงของ Matrix ไง แต่ถามว่าในความเป็นจริง 4 คนนี้อาจจะดูหนังไม่ครบทั้ง 5 เรื่องก็ได้ อาจจะดูแค่คนละ 3–4 เรื่อง ทำยังไงละทีนี้???

ดูรูปล่างต่อไปครับ

สมมติให้ช่องว่างสีขาวเนี่ยเป็นช่องที่เราไม่รู้คะแนน เพราะไม่เคยดูหนังเรื่องนั้น

คำถามก็คือเราอยากรู้ว่า นาย D เนี่ย จะให้คะแนนหนังเรื่องที่ 3 เท่าไร??? คำตอบก็คือทำเหมือนเดิม แต่เราแค่มี reference value ที่เป็นคะแนนดูหนังน้อยลงเนื่องจากมีช่องว่างเกิดขึ้น 7 ช่อง เราก็แค่มองว่าทำอย่างไรก้ได้ให้ ทำ Matrix Factorization แล้ว

ได้ค่าที่ใกล้เคียงกับ คะแนนจริงที่เรามีอยู่

ผลลัพธได้ตามรูปด้านล่าง

เราก็จะสรุปได้ว่า นาย D น่าจะให้คะแนน หนังเรื่องที่ 3 5 คะแนน

Hybrid Filtering

การนำข้อดีของ Content-Based Filtering มารวมกับ Collaborative Filtering มารวมกันด้วย neural network แล้วให้ Machine Learning เป็นตัวเลือกว่า ควรใช้ตัวไหนมากกว่ากัน

ข้อดี

• แนะนำสินค้าได้แม่นยำกว่า content-based และ collaborative filtering

ข้อจำกัด

• การเลือกใช้ filtering ที่เหมาะสมเพื่อสร้าง hybrid system

จบไปแล้วสำหรับภาคทฤษฎีของสัปดาห์นี้นะครับ รอพบกันใหม่สัปดาห์หน้าสัปดาห์สุดท้ายแล้วครับ

ก่อนอื่นขอเริ่มที่คำว่า Marketing กันก่อน

Marketing

the action or business of promoting and selling products or services, including market research and advertising

พูดอย่างง่ายๆ ก็คือ การทำให้คนรู้จักเรา รู้จักสินค้าเรา เพื่อให้คนเชื่อถือและซื้อสินค้าและบริการของเรา

Marketing เป็นอะไรที่สามารถกำหนดทิศทางให้กับองค์กรได้เลย ลองคิดดูว่าเรามีสินค้าและบริการที่ดีมากๆ แต่หากไม่มีใครรู้ัจกหรือเชื่อถือเราเลยก็ไม่มีประโยชน์อะไรเลยใช่ไหมหละ???

ไม่ว่าจะเป็นธุรกิจที่ดำเนินการมานานแล้วหรือธุรกิจที่เพิ่งก่อตั้ง ก็ต้องมีการทำ marketing ด้วยกันทั้งนั้น แต่อาจจะต่างกันที่สัดส่วน % โดยที่ถ้าเป็นธุรกิจที่ก่อตั้งมาไม่นานอาจจะต้องมีการลงทุนทางด้าน Marketing ถึง 12–20% ในขณะที่ ธุรกิจที่ก่อตั้งมาสักระยะหนึ่งแล้วจะใช้สัดส่วนทั้งหมด 6–12% ในการทำ Marketing

The maturity stages of marketing

เรามาดูพัฒนาการของ marketing ตั้งแต่ยุคบุกเบิกมาจนถึงปัจจุบันและแนวทางในอนาคตกันดีกว่า

ในยุคเริ่มต้นเลย

Mass Marketing

การทำ marketing ที่พุ่งเป้าไปยังทุกคน ไม่มีการกำหนดเป้าหมายที่ชัดเจน ก็เป็นการทำ marketing ในยุคเก่าๆ

Segmented Marketing

จะเกี่ยวเนื่องกับ class Customer segmentation เนื่องจากเราสามารถแบ่งกลุ่มลูกค้าได้มากขึ้น ทำให้สามารถเลือกจะทำ marketing ได้ถูกกลุ่ม เฉพาะเจาะจงได้มากขึ้น ทำให้เราไม่เสีย resource บางส่วนในการนำเสนอไปในกลุ่มคนที่เขาอาจจะไม่ใช่กลุ่มที่เหมาะกับสินค้าและบริการของเรา

Event-based Marketing

จะเป็นการนำ Event หรือ เหตุการณ์มาเป็น Trigger เช่น เราจะส่งโฆษณาไปเมื่อถึงเวลา 12.00 เมื่อถึงเวลาปุ๊บ เราส่งโฆษณาปั๊บ

Contextual marketing

เป็นการรวมกันทั้ง Event-based, Segmented หรือแม้กระทั่ง Individual เพื่อที่จะระบุได้เลยว่า เสนอ offer ให้ลูกค้าแต่ละคนแตกต่างกันไป ซึ่งผลที่ได้ก็ยิ่งจะตอบสนองความต้องการของลูกค้าได้ตรงใจมากยิ่งขึ้นอีก และเป็น stage ที่มี performance สูงที่สุด

แต่ปัจจุบันเข้าใจว่าทุกคนน่าจะคุ้นชินกับคำว่า Digital Marketing เสียมากกว่า

Digital Marketing

ปัจจุบันหลายธุรกิจลงทุนกับการทำ Digital Marketing มากขึ้นกว่าการทำ Offline Marketing, Mass Marketing เพราะง่ายกว่าและประสิทธิภาพที่ดีกว่า

เช่น การส่งโฆษณาบน Facebook, สื่อออนไลน์ทั้งหลาย

แต่เคยลองสังเกตอะไรกันบ้างไหมครับ???

ปัจจุบันนี้ที่เวลาเราเล่น Facebook หรือ สื่อออนไลน์ต่างๆ เราจะพบเห็นโฆษณามากมาย หลักพันใน 1 วันเลยทีเดียว แต่มีใครจำโฆษณาอะไรได้บ้าง อยากให้ผู้อ่านลองนึกดูนะครับว่าเราจำโฆษณาอะไรได้บ้าง

หึหึ!!! เหมือนจะนึกอะไรไม่ค่อยออกเลยใช่ไหมหละ???

นั่นนะสิ เป็นเพราะในหลายๆครั้ง โฆษณาที่ขึ้นมาอาจจะไม่ได้ตรงใจกับเราด้วย เราจึงเลื่อนผ่านไปโดยไม่ใยดี นั่นเอง

แต่เรามักจะจำโฆษณาที่เราสนใจได้ใช่ไหมละ เช่น ถ้าเรากำลังอยากจะซื้อจักรยาน วันหนึ่งมีโฆษณาจักรยานเขามา เราก็มักจะจำมันได้

เช่นเดียวกันกับข้อดี ของ Contextual Marketing หลายธุรกิจเอง ถ้าหากสามารถทำ Contextual Marketing ได้ จะทำให้เราสามารถส่ง offer ให้กับกลุ่มลูกค้าของเราได้ตรงจุดมากขึ้น

Contextual marketing

ความหมายโดยสรุปของ contexual marketing

A system that knows the context i.e, where I am, what am I trying to do, what’s my interest level, state of mind, state of emotion etc., and sends a relevant message, that is going to resonate with me at that point in time.

ถ้าเรามองกันในสายงาน Data Science จะเห็นได้ชัดเลยว่ามีความเกี่ยวข้องกันอย่างมาก เนื่องจากหลายๆบริษัทก็ต้องการจะคิดให้ออกว่า ลูกค้าของเราต้องการอะไร เพื่อที่จะได้นำเสนอให้แก่ลูกค้าของเราได้อย่างตรงจุด

อีกหนึ่งคำสั้นๆ ของการทำ Contextual Marketing

“Market less, and more effectively”

การทำ contexual marketing ที่ดี จะทำให้เราสามารถลด budget ได้ ในขณะเดียวกันก็สามาถเพิ่มยอดขายสินค้าได้มากขึ้นด้วย

องค์ประกอบของ Context

ประกอบไปด้วย 3 ส่วน

1. Real-time events เหตุการณ์ที่เกิดขึ้น ที่จะเป็นตัว trigger เช่น เราเดินผ่านร้านอาหาร, เราเปิดมือถือ, เรากำลังเติมเงินในมือถือ เป็นต้น
2. States เป็นเหตุการสั้นๆ เช่น เรากำลังดูโทรทัศน์, เรากำลังหิวข้าว เป็นต้น
3. Identity เหตุการณ์ระยะยาว เช่น อายุ, life style, เพศ ,ที่อยู่อาศัย หรืออาจพูดง่ายๆว่า เป็นการบอกตัวตนของลูกค้า

องค์ประกอบสามสิ่งนี้เมื่อรวมกัน เราจะต้องพยายามจับคู่ Context กับ Inventory ของเราให้ได้

พูดง่ายๆ ก็คือ ถ้าเรามี Context แล้ว เราจะสามารถรู้ได้ว่า ลูกค้าของเราคนนี้เนี่ยมีลักษณะเฉพาะตัวเป็นอย่างไร แล้วตอนนี้มีเหตุการณ์อะไร เขากำลังอยู่ใน states อะไร ซึ่งเมื่อนำไปผ่านกระบวนการทาง Machine Learning เราก็จะมองสิ่งเหล่านี้เป็น features เพื่อนำไปทำนายหาว่า ลูกค้าคนนี้เนี่ย ควรจะได้รับ Product ใดของเรา ซึ่งข้อดีของมันก็คือ เนื่องจากมันทำจาก Model ทางคณิตศาสตร์ มันจะสามารถคำนวนหา % ในการที่จะตอบรับได้ด้วย ดังนั้นเราก็จะสามารถเลือกได้แล้วว่า offer ชนิดใดเหมาะกับลูกค้าคนใดของเรา

คำถามต่อไปคือ แล้วเราวัดผลอย่างไร รู้ได้อย่างไรว่า การทำ contextual marketing มันดีจริงๆ???

ลองมาดูตัวอย่างง่ายๆกัน

สมมติว่าเราต้องการขายมือถือราคา 1000 บาท ให้กับลูกค้าของเราที่มีทั้งหมด 10000 คน

ถ้าเป็นกรณีแรกที่เราส่งให้ลูกค้าทั้งหมดที่เรามี

สมมติว่ามีคน click ทั้งหมด 5000 คน >>> click rate = 50%

ขณะเดียวกันสมมติว่ามีคนซื้อจริงๆ 500 คน >>> conversion rate = 5%

ขณะเดียวกันได้กำไร 10 บาท/conversion

ซึ่งเราจะต้องเสียข้อความที่ส่งทั้งหมด ข้อความละ 1 บาท

สรุป

ต้นทุนทั้งหมด 10000 บาท

รายได้ทั้งหมด 500 * 10 = 5000 บาท

สุดท้ายบริษัทขาดทุนทั้งหมด 5000 บาท (แต่ขายได้ 500 เครื่องนะ)

กรณีที่สองทำ Segmented marketing

เหลือกลุ่มลูกค้าที่อยากซื้อมือถือ 5000 คน

สมมติว่ามีคน click ทั้งหมด 3000 คน >>> click rate = 60%

มีคนซื้อจริงๆ 400 คน >>> conversion rate = 8%

สรุป

ต้นทุนทั้งหมด 5000 บาท

รายได้ทั้งหมด 400 * 10 = 4000 บาท

สุดท้ายบริษัทขาดทุน 1000 บาท

กรณีสุดท้ายทำในระดับ contextual marketing เลย

เหลือกลุ่มลูกค้าที่เราคิดว่าจะซื้อแน่ๆ 1000 คน

สมมติว่ามีคน click ทั้งหมด 800 คน >>> click rate = 80%

มีคนซื้อจริง 400 คน >>> conversion rate = 40%

สรุป

ต้นทุนทั้งหมด 1000 บาท

รายได้ทั้งหมด 400 * 10 = 4000 บาท

สุดท้ายบริษัทขาดทุน 3000 บาท

เห็นไหมครับว่า ในกรณีแรกขายได้มากกว่า แต่กลับไม่ได้ทำมูลค่าให้กับบริษัทเลย ขณะที่การทำ Contextual Marketing นั้น สามารถลดทั้ง cost ของค่าใช้จ่ายได้

ไม่เพียงแต่สามารถวิเคราะห์หาลูกค้าที่เหมาะสมได้ แต่การทำ Contexual Marketing ยังทำให้เราสามารถ optimize ภาระค่าใช้จ่ายได้เหมาะสมอีกด้วย

พูดถึงเรื่อง Contextual Marketing มาอย่างยืดยาวววววว

แล้ว Contextual Marketing ทำอย่างไรละ???

สำหรับหัวข้อนี้ ทาง บอทน้อย มองว่า Chatbot เป็น contextual marketing อย่างหนึ่งได้

Chatbot

Chatbot มีหลักการทำงานที่ตอบโจทย์ contextual marketing เป็นอย่างมาก เนื่องจากเราสามารถเก็บข้อมูลของลูกค้าแต่ละคน เช่น คำถาม-คำตอบที่ลูกค้าแต่ละคนส่งมา ประกอบกับข้อมูลพื้นฐานของลูกค้า ก็สามารถนำข้อมูลเหล่านี้มาเป็น features ในการทำนายหา Inventory ที่เหมาะสมให้กับลูกค้าได้

ส่วน Chatbot ของ Botnoi ทำยังไงนั้น

.

.

.

เราขอพอแค่นี้ก่อนดีกว่า ทำไมนะหรอ???

ก็เพราะเรามี Class Botnoi Chatbot School อยู่นะสิ ไว้ไปอ่านบทความวิธีการทำ Chatbot ในแบบ Botnoi กันที่บทความต่อไปกันต่อเลยครับ (ขายของให้บอทน้อยยาวๆ 555 )

ไว้พบกันใหม่สัปดาห์หน้าครับ

มารอบนี้เราจะมากันในหัวเรื่อง Customer Segmentation

ก่อนจะไปศึกษาเรื่อง Customer Segmentation ขอทบทวนความรู้ในสมัยที่เราเรียนเรื่อง Machine Learning กันสักหน่อย

ในสัปดาห์ที่ 2 เราเคยศึกษาเรื่อง Machine Learning ไปแล้วได้แนะนำในหัวข้อ

Supervised Learning

กระบวนการเรียนรู้แบบมีผู้สอน

Reinforcement Learning

กระบวนการเรียนรู้แบบเสริม

มาในสัปดาห์นี้เราจะขอแนะนำอีกหนึ่งหัวข้อภายใต้ Machine Learning นั่นก็คือ

Unsupervised Learning

กระบวนการเรียนรู้แบบไม่มีผู้สอน เช่น การแบ่งกลุ่มลูกค้า การแบ่งกลุ่มสินค้า แบ่งกลุ่มนักเรียนตอนที่สมัคร DSE

ถามว่า แตกต่างกับ กระบวนการเรียนรู้แบบมีผู้สอนอย่างไร

สรุปสั้นๆอย่างง่าย

มี Feature แต่ ไม่มี Label

Machine จะทำการหา Label ให้เรา โดยอาศัยความคล้ายกันของ Feature
โดยใช้วิธีหาค่าความห่างที่น้อยที่สุดจากจุด Centroid หรือใกล้กันมากที่สุดนั้นเอง
ความห่างจะวัดจาก Euclidean distance

วิธีที่ได้รับความนิยมเป็นอย่างมากในกระบวนการเรียนรู้แบบไม่มีผู้สอนได้แก่ Clustering

Clustering ถือได้ว่าเป็นศาสตร์แขนงหนึ่งที่มีสำคัญ ในสายงานของ Data science เพราะสามารถนำไปประยุกต์ใช้ได้หลากหลาย เช่น การจัดกลุ่มลูกค้า การลดขนาดของข้อมูล การลดจำนวนสีในรูปภาพ เป็นต้น

Clustering จัดเป็น Machine learning ประเภท Unsupervised ก็คือสามารถทำนายผลลัพธ์ได้ ตัวอย่างเช่น ถ้าเราต้องการทราบว่า ลูกค้าที่มาซื้อสินค้าในซุปเปอร์ ฯ มีลูกค้าประเภทไหนบ้าง โมเดลไม่จำเป็นต้องรู้ว่า การแบ่งกลุ่มลูกค้า ต้องแบ่งอย่างไร แต่โมเดล จะทำการแบ่งกลุ่มเอง โดยอาศัยข้อมูลที่ได้บันทึกไว้ และ Data Scientist หรือฝ่ายการตลาด อาจจะเป็นผู้กำหนดจำนวนกลุ่ม ซึ่งได้มาจาก การศึกษาและวิเคราะห์ข้อมูลในอดีต

Customer Segmentation

คือ การแบ่งกลุ่มลูกค้าเป็นกลุ่มย่อย ที่สมาชิกมีคุณลักษณะคล้าย ๆ กัน Customer Segmentation เป็นเครื่องมีอสำคัญ ที่นักการตลาดใช้ในการระบุความต้องการของกลุ่มลูกค้า ที่ถูกมองข้ามไป ยังไม่ได้รับการตอบสนอง การใช้ข้อมูลเหล่านี้ทำให้องค์กรธุรกิจสามารถเอาชนะคู่แข่ง ด้วยการพัฒนาสินค้า และบริการพิเศษ ที่ตอบสนองลูกค้าเฉพาะกลุ่ม

สำหรับหัวข้อในวันนี้ขอยกตัวอย่างเป็น K-mean Clustering

K-means Clustering

ประกอบด้วย 3 ขั้นตอนง่ายๆ

1. Random Centroid

2. Assign Membership

3. Update Centroid

หลายคนอาจจะยังไม่เข้าใจ เราจะนำภาพประกอบมาให้ดูกันตามด้านล่าง

ขั้นตอนที่ 1 เราทำการสุ่มตำแหน่งใดก็ได้ มาเป็น centroid ของกลุ่ม จำนวน K จุด (ขึ้นอยู่กับว่า เราจะเป็นกี่กลุ่ม จึงเป็นที่มาของชื่อ K-means) จากตัวอย่างขอให้ K=2

ขั้นตอนที่ 2 ทำการ Assign กลุ่มให้แต่ละ point

หลายคนอาจจะเริ่มมีคำถามว่า แล้วเรา Assign อย่างไรว่า จุดไหนคือกลุ่มไหน

แน่นอนว่าต้องมีอีกหนึ่งสิ่งที่เราต้องพิจารณา นั่นคือระยะห่างระหว่างจุดกับ Centroid

ซึ่งเราจะ Assign ให้จุดๆ นั้น อยู่ในกลุ่มที่ใกล้กับ Centroid นั้นๆ มากที่สุด

โดยเราพิจารณาจาก Euclidean Distance ตามสูตรเลขสมัยมัธยมเลยจ้าาาา ไปขุดกันมาหน่อยนะ อิอิ

ขั้นตอนที่ 3 เราก็ทำการ Update Centroid ในชุดข้อมูลใหม่ ให้ Centroid ใหม่เป็นศูนย์กลางของกลุ่ม

ทำซ้ำข้อ 1–3 ไปเรื่อยๆ จนลู่เข้า ก็จะได้ภาพสุดท้ายเป็น

ง่ายมากเลยใช่ไหมหละ???

สำหรับสัปดาห์นี้ไม่มี Mini Project นะจ้ะ อิอิ มีอีกทีเป็น Final Project เลย รอติดตามรับชมกันนะครับ

BotnoiWeeklyProject II

มาถึงสัปดาห์ที่ 4 กันแล้ว คราวนี้มากันในหัวข้อเรื่อง

Trend Forecasting

ก่อนที่เราจะไปรู้จักกับ Trend Forecasting ขอแนะนำให้รู้จักกับคำว่า Time Series กันก่อน

Time Series คือ ข้อมูลที่มีการเปลี่ยนแปลงตามเวลา เช่น ราคาทองคำ ราคาหุ้น ราคาสินค้าเกษตร อัตราการแลกเปลี่ยนเงิน เป็นต้น

ภาพตัวอย่างข้างบนแสดงให้เห็นกราฟราคาหุ้นย้อนหลัง 10 ปี จะเป็นว่าราคามีการเพิ่ม ลด ตามเวลาซึ่งก็เหมือนเป็นกราฟที่เปลี่ยนแปลงด้วยความสัมพันธ์บางอย่าง

มันจะดีแค่ไหนกัน ถ้าเราสามารถวิเคราะห์ความสัมพันธ์ของกราฟนี้ออกมาได้

เราก็จะประมาณราคาหุ้นในอนาคตได้นะสิ อิอิ :)

รูปแบบ Time Series

จะเห็นว่ากราฟซ้ายบนแสดงให้เห็นว่า ทุกๆ 6–10 ปี กราฟจะมี cycle ของมัน

กราฟทางด้านขวาบนแสดงให้เห็นว่า มันไม่มี cycle แต่มีแนวโน้มที่เป็นขาลง

กราฟซ้ายล่างแสดงให้เห็นว่ามีแนวโน้มขาขึ้นและมี seasonal

ในขณะที่กราฟขวาล่างไม่มีทั้ง Seasonal, trend, cycle

ถามว่า รู้สิ่งเหล่านี้แล้วดีอย่างไร???

แน่นอนว่าต้องมีประโยชน์เพราะเขาเชื่อกันว่า

กราฟที่เป็น Time Series หนึ่งๆ เนี่ย มันประกอบไปด้วย สามองค์ประกอบนั่นก็คือ Seasonal, Trend และ Residual

ซึ่งมีสองประเภท

1. Additive decomposition

2. Multiplicative decomposition

เมื่อแตกองค์ประกอบออกมาจะเห็นเป็นภาพด้านล่าง

ภาพข้างบนเป็นการแตกองค์ประกอบแบบ Additive decomposition จะเห็นว่า กราฟรูปบนสุดเกิดจาก กราฟสามรูปด้านล่างบวกกันทั้งหมด

ไปต่อกันที่ Traditional Trend Forecasting

ในกระบวนการ Trend Forecasting เนี่ย ไม่ใช่ศาสตร์ใหม่แต่อย่างใด มันมีมานานแล้วแต่ทุกวันนี้ก็ยังมีการใช้กันอยู่

method แต่ละ method ก็จะมีสมมิฐานที่แตกต่างกันไป ขึ้นกับว่าเรามองว่าโมเดลของเรามีสมมติฐานที่เข้ากับแบบใด

สำหรับเวลาที่เหลือของคลาสจะเป็นการสอน coding และแสดงผลให้เห็น

ขออนุญาตนำผลสุดท้ายที่ได้มาให้ดูเลย

นี่คือกราฟหุ้น AOT ย้อนหลังตั้งแต่ปี 2016

จากนั้นนำไปสู่กระบวนการ Prediction ที่เราได้เรียนกันไปใน class ที่แล้ว

โดยให้เลือกใช้วันที่ของราคาหุ้นเป็น feature เท่านั้น จะเห็นว่า

กราฟเส้นสีส้มคือกราฟที่เราทำนายนะครับ พังกันเห็นๆ!!! 555

ถามว่าทำไม ก็เปนเพราะว่า วันที่ที่ใช้เป็น features อาจจะไม่ได้สำคัญมากพอที่จะบ่งบอกลักษณะของกราฟนี้

ดังนั้นจึงตอนเพิ่มขั้นตอนบางส่วนเข้ามานั่นก็คือ การทำ Feature Engineering

โดยเราจะเก็บราคาหุ้นของวันก่อนหน้ามาเป็นอีกหนึ่ง features ทีนี้มาดูผลกัน

โอ้วโห!!! ดีกว่าเดิมเยอะเลยใช่ไหมละ สังเกตว่าช่วงหลังปี 2019 คือ ช่วงที่เราทำนาย แน่นอนว่าอาจจะไม่ได้แม่นมาก นั่นเป็นเพราะ features ที่สกัดมาอาจจะยังไม่ได้ดีงามมากนัก ยังมีอีกหลายวิธีที่ทำให้ได้ features สำคัญๆ หรือแม้กระทั่งเหตุการณ์สำคัญทั้งหลายก็อาจทำให้ราคาหุ้นเปลี่ยนไปอย่างกระทันหันก็ได้นะ อย่างว่า

การลงทุนคือความเสี่ยงนะครับ !!!

แต่อย่างน้อยเราก็ทราบได้ถึงแนวโน้มเบื้องต้นว่ากราฟของเราจะมีทิศทางไปในทางไหน ก็ทำให้สามารถวิเคราะห์เบื้องต้นได้บ้างว่า เมื่อไหร่ เราควรจะลงทุนกับมัน

จบไปแล้วครับกับทฤษฎีในสัปดาห์ที่ 4 กำลังสนุกเลย ยังครับ ความมันส์รอทุกท่านอยู่เสมอ ไปอ่านตามกันได้ที่

Trend forecast stock price for SET100

พบกันใหม่สัปดาห์หน้าครับ