การเตรียมตัวเข้าสู่อาชีพ ขณะ ที่ กำลังศึกษา ข้อ ใด มีความสำคัญ มาก ที่สุด

1. SAS Insights
2. Analytics Insights

การเรียนรู้ของเครื่อง (machine learning)

นิยามและความสำคัญ

การเรียนรู้ของเครื่องหรือ machine learning นั้น เป็นรูปแบบหนึ่งของการวิเคราะห์ข้อมูล ที่ดำเนินการวิเคราะห์ด้วยแบบจำลองอย่างเป็นอัตโนมัติ ซึ่งเป็นสาขาหนึ่งของเทคโนโลยีด้าน AI (artificial intelligence) ซึ่งตั้งอยู่บนรากฐานแนวคิดที่ว่า ระบบต่าง ๆ นั้น สามารถที่จะเรียนรู้และมีปฏิสัมพันธ์กับชุดข้อมูลต่าง ๆ รวมถึงสามารถระบุ และทราบรูปแบบต่าง ๆ ที่เกิดขึ้น และนำไปสู่การตัดสินใจได้เองโดยไม่จำเป็นต้องพึ่งพามนุษย์อีกต่อไป

วิวัฒนาการของ machine learning

วิทยาการด้านการคำนวณและคอมพิวเตอร์นั้นมีพัฒนาการอย่างต่อเนื่องอยู่เสมอ ซึ่งส่งผลให้ความก้าวหน้าของเทคโนโลยี machine learning ในปัจจุบันนี้รุดหน้ากว่าในอดีตอย่างมาก วิทยาการด้านการเรียนรู้ของเครื่องนี้เริ่มต้นขึ้นจากการวิเคราะห์รูปแบบหรือ pattern recognition และทฤษฎีที่ว่า คอมพิวเตอร์อาจสามารถเรียนรู้และค่อย ๆ พัฒนาการทำงานต่าง ๆ ด้วยตนเองได้ โดยมิต้องอาศัยการตั้งโปรแกรมอยู่ตลอดเวลา ซึ่งนี่เป็นต้นกำเนิดที่ทำให้นักวิจัยด้าน AI เกิดความสนใจว่า คอมพิวเตอร์และระบบนั้น สามารถที่จะเรียนรู้จากการมีปฏิสัมพันธ์กับข้อมูลได้หรือไม่ ทั้งนี้ คุณลักษณะสำคัญของวิทยาการนี้คือการทำงานแบบซ้ำ (iterative process) ซึ่งเป็นหัวใจของการพัฒนาขีดความสามารถ เนื่องจากระบบและแบบจำลองการวิเคราะห์จะมีโอกาสปรับตัวตามชุดข้อมูลที่ได้พบ และนำไปสู่การพัฒนาการทำงานด้วยตนเอง ระบบจะเรียนรู้และปรับแก้ไขความคลาดเคลื่อนจากการทำงานที่ผ่าน ๆ มา จนกระทั่งสามารถสร้างผลลัพธ์ที่เชื่อถือได้และทำซ้ำได้อย่างสม่ำเสมอ เป็นที่น่าสนใจว่า นี่ไม่ใช่วิทยาการที่เพิ่งเกิดขึ้นมาใหม่ หากแต่เป็นวิทยาการที่กำลังเกิดการพัฒนาอย่างก้าวกระโดด และมีพลวัตอย่างต่อเนื่อง

แม้ว่าอัลกอริทึมสำหรับการเรียนรู้ของเครื่องจำนวนมากจะมีอยู่มานานแล้ว แต่พัฒนาการที่สำคัญยิ่งในปัจจุบันคือการเกิดขึ้นของขีดความสามารถในการนำการคำนวณทางคณิตศาสตร์ที่มีความซับซ้อนสูงยิ่งมาใช้งานสำหรับ big data ในการทำงานแบบซ้ำที่ต่อเนื่อง ซึ่งตัวอย่างของการนำเทคโนโลยี machine learning มาใช้งานที่โดดเด่นและแพร่หลายซึ่งคุณอาจรู้จักหรือคุ้นเคยดีนั้น มีดังต่อไปนี้:

• คุณอาจได้ทราบถึงกระแสความตื่นตัวเกี่ยวกับรถยนต์ขับเคลื่อนอัตโนมัติที่พัฒนาขึ้นโดย Google ซึ่งนั่นคือหนึ่งในนวัตกรรมสำคัญที่มีรากฐานบนเทคโนโลยี machine learning นี้
• หากคุณเห็นการแนะนำวิดีโอหรือภาพยนตร์ที่เหมาะสำหรับคุณบน Amazon หรือ Netflix นั่นก็คืออีกหนึ่งตัวอย่างของการใช้งาน machine learning ที่พบเห็นได้ในชีวิตประจำวัน
• แม้แต่การที่คุณได้ทราบถึงกระแสความรู้สึกของลูกค้าที่กล่าวถึงคุณใน Twitter ก็คือผลจากการผสมผสาน machine learning เข้ากับการวิเคราะห์ทางภาษาหรือ linguistic rule creation
• การตรวจจับการทุจริต ซึ่งเป็นรูปแบบการใช้ประโยชน์จากการเรียนรู้ของเครื่องที่เป็นที่นิยมในทุกวันนี้
  

ความเชื่อมโยงระหว่าง Machine Learning และ Artificial Intelligence

ข้อแตกต่างสำคัญประการหนึ่งของเทคโนโลยีทั้งสอง คือ AI นั้น เป็นวิทยาการในเชิงกว้างที่มุ่งเน้นการให้คอมพิวเตอร์พัฒนาขีดความสามารถในการทำงานเลียนแบบมนุษย์ ในขณะที่ machine learning คือการใช้ขีดความสามารถเฉพาะบางด้านของเทคโนโลยี AI เพื่อฝึกทักษะการเรียนรู้แก่ระบบและอุปกรณ์ เราขอเชิญคุณรับชมวิดีโอนี้เพื่อช่วยให้คุณเข้าใจถึงความสัมพันธ์ของเทคโนโลยีทั้งสองนี้ได้ดียิ่งขึ้น วิดีโอของเราจะทำการอธิบายรายละเอียดในภาพรวมของทั้งสองสาขาผ่านตัวอย่างและเกร็ดความรู้ที่สนุกสนาน

วิธีการด้าน Machine Learning ที่เป็นที่นิยมในปัจจุบัน

ในทุกวันนี้ วิธีการเกี่ยวกับการเรียนรู้ของเครื่องที่เป็นที่แพร่หลายที่สุดสองกระบวนการได้แก่วิธี supervised learning และ unsupervised learning แต่แน่นอนว่า มีวิธีการและเทคนิคอื่น ๆ อีกมากมาย และนี่คือภาพรวมของเทคนิคที่ได้รับความนิยมมากที่สุดในปัจจุบัน

Supervised learning นั้น คือเมื่ออัลกอริทึมได้รับการ "ฝึกฝน" ด้วยการใช้ตัวอย่างแบบมีเป้าหมายหรือ labeled example เช่น การให้ข้อมูลขาเข้า (inputs) โดยระบุถึงผลลัพธ์ขาออก (outputs) ที่ต้องการให้ทราบ ตัวอย่างเช่น อุปกรณ์ชิ้นหนึ่งอาจเรียนรู้โดยกำหนดผลลัพธ์เป็นสองทางคือ "F = failed" และ "R = runs" โดยอัลกอริทึมการฝึกฝนดังกล่าวจะได้รับข้อมูลขาเข้าจำนวนหนึ่ง พร้อมกับผลลัพธ์ขาออกที่ถูกต้อง และให้ระบบเรียนรู้ด้วยการเปรียบเทียบผลลัพธ์ที่ตนประเมินออกมาได้ เปรียบเทียบกับ "เฉลย" เพื่อหาความแตกต่างและจุดที่ผิดพลาด จากนั้น ระบบจึงปรับแก้แบบจำลองการวิเคราะห์ของตนเองตามข้อมูลนั้น โอยอาศัยเทคนิคหลากหลายประเภท ไม่ว่าจะเป็นการจำแนกแยกแยะข้อมูล การทำสมการถดถอย การคาดการณ์ หรือเทคนิค gradient boosting ซึ่งเป็นการที่กระบวนการ supervised learning นี้ ใช้รูปแบบต่าง ๆ ที่ตนพบเพื่อคาดการณ์ "ค่า" ของตัวแปรหรือ labels ต่าง ๆ เมื่อใดก็ตามที่พบกับข้อมูลที่ยังไม่มีการเฉลยชุดต่อ ๆ ไปในอนาคต โดยกระบวนการ supervised learning นี้ เป็นที่นิยมใช้กันในสถานการณ์ที่ข้อมูลในอดีตสามารถเป็นเครื่องทำนายเหตุการณ์ในอนาคตได้อย่างมีประสิทธิภาพ เช่น ระบบที่ฝึกฝนอย่างดีแล้วจะสามารถคาดการณ์ล่วงหน้าได้ว่าธุรกรรมทางบัตรเครดิตใดบ้างที่มีแนวโน้มจะเป็นการทุจริต หรือคาดการณ์ได้ว่า ผู้เอาประกันภัยรายใดมีโอกาสที่จะเบิกค่าประกันภัยมากกว่ารายอื่น ๆ เป็นต้น

การเรียนรู้แบบ Unsupervised learning นั้น ใช้กับข้อมูลที่ไม่มี label สำหรับข้อมูลในอดีตมาก่อน ระบบจะไม่ได้รับการบอก "เฉลย" และต้องทำการเรียนรู้ หาคำตอบด้วยตัวของมันเอง เป้าหมายของการทำเช่นนี้ คือการสำรวจชุดข้อมูล และค้นหารูปแบบหรือโครงสร้างบางอย่างที่ซ่อนอยู่ภายใน การเรียนรู้แบบ unsupervised learning นั้น ทำงานได้ดีสำหรับการจัดการข้อมูลการทำธุรกรรม ตัวอย่างเช่น ระบบสามารถทำการระบุกลุ่มลูกค้าที่มีพฤติกรรมหรือคุณลักษณะคล้าย ๆ กัน ซึ่งจะนำไปสู่การตอบสนองที่คล้ายคลึงกันสำหรับลูกค้าที่มีลักษณะใกล้เคียงกัน เมื่อมีการทำโครงการด้านการตลาด เป็นต้น หรือระบบสามารถทำการค้นหาลักษณะสำคัญที่เป็นตัวแบ่งแยกลูกค้าแต่ละกลุ่มออกจากกันก็ได้เช่นกัน เทคนิคที่เป็นที่นิยมใช้ในการเรียนรู้ประเภทนี้ เช่น การทำ self-organizing maps, nearest-neighbor mapping, k-means clustering และเทคนิค singular value decomposition เป็นต้น โดยอัลกอริทึมเหล่านี้นั้นยังถูกนำมาใช้เพื่อแบ่งแยกหัวเรื่องของข้อความต่าง ๆ ทำการแนะนำรายการหรือสิ่งต่าง ๆ และตรวจหาข้อมูลที่ผิดปกติได้อีกด้วย

การเรียนรู้แบบ Semisupervised learning นั้น ใช้ในสถานการณ์เดียวกันกับ supervised learning แต่ความแตกต่างคือ มีการใช้ข้อมูลทั้งแบบ labeled data และ unlabeled data เพื่อการฝึกฝนระบบ โดยทั่วไปแล้วจะใช้ข้อมูลแบบ labeled จำนวนน้อย ผสมกับข้อมูลแบบ unlabeled จำนวนมาก (ทั้งนี้เนื่องจากข้อมูลแบบ unlabeled มักมีต้นทุนถูกกว่าและได้มาด้วยความง่ายดายมากกว่า) การเรียนรู้ของเครื่องในรูปแบบดังกล่าวนี้ สามารถใช้ร่วมกับเทคนิคอื่น ๆ เช่น การจำแนกประเภทข้อมูล การใช้งานสมการถดถอย หรือการคาดการณ์และพยากรณ์ โดย semisupervised learning นั้น มีประโยชน์เมื่อต้นทุนของการทำ labeling ให้แก่ข้อมูลนั้นสูงเกินกว่าที่จะทำการฝึกฝนระบบด้วยกระบวนการแบบ labeled เต็มรูปแบบ ตัวอย่างแรก ๆ ของการใช้วิธีนี้ เช่น การระบุและจดจำใบหน้าของบุคคลด้วยกล้อง webcam

ส่วนวิธี Reinforcement learning นั้น มักนำมาใช้กับด้านหุ่นยนต์ การเล่นเกมต่าง ๆ และการนำทางและการเคลื่อนที่ ด้วยการเรียนรู้ชนิดนี้ อัลกอริทึมจะลองผิดลองถูกและเรียนรู้ว่าเส้นทางการทำงานแบบใดที่ให้ผลตอบแทนดีที่สุด การเรียนรู้ประเภทนี้จะแบ่งองค์ประกอบออกเป็นสามส่วน คือ agent (ผู้เรียนรู้หรือตัดสินใจ นั่นคือระบบ), environment (ทุกสิ่งที่ agent มีปฏิสัมพันธ์ด้วย) และ actions (สิ่งที่ agent สามารถเลือกปฏิบัติได้) เป้าหมายของกระบวนการนี้ คือการให้ agent เลือกหนทางการปฏิบัติที่ให้รางวัลหรือผลตอบแทนสูงที่สุดในช่วงเวลาที่กำหนด โดย agent หรือตัวระบบนั้นจะสามารถบรรลุเป้าหมายได้รวดเร็วขึ้นมากหากมันมีแนวทางการทำงานที่มีประสิทธิภาพ ดังนั้น เป้าหมายของเทคนิค reinforcement learning คือการสอนให้ระบบเรียนรู้วิถีทางไปสู่เป้าหมายที่ดีที่สุด

ผู้เชี่ยวชาญที่เป็นมนุษย์ สามารถผลิตแบบจำลองเพื่อการวิเคราะห์ที่มีคุณภาพได้โดยเฉลี่ยประมาณ 1-2 ชุด ต่อสัปดาห์ แต่ระบบที่ผ่านการเรียนรู้ของเครื่องอย่างดีแล้ว อาจสร้างแบบจำลองได้เป็นหลักพันในแต่ละสัปดาห์ทีเดียว

Thomas H. Davenport, ผู้นำทางความคิดด้านการวิเคราะห์
คัดข้อความจาก The Wall Street Journal

อ่านรายละเอียดเพิ่มเติมเกี่ยวกับหัวข้อนี้

• Analytics tackles the scourge of human traffickingVictims of human trafficking are all around us. From forced labor to sex work, modern-day slavery thrives in the shadows. Learn why organizations are turning to AI and big data analytics to unveil these crimes and change future trajectories.
• Viking transforms its analytics strategy using SAS® Viya® on AzureViking is going all-in on cloud-based analytics to stay competitive and meet customer needs. The retailer's digital transformation are designed to optimize processes and boost customer loyalty and revenue across channels.
• Public health infrastructure desperately needs modernizationPublic health agencies must flex to longitudinal health crises and acute emergencies – from natural disasters like hurricanes to events like a pandemic. To be prepared, public health infrastructure must be modernized to support connectivity, real-time data exchanges, analytics and visualization.
• SAS CIO: Why leaders must cultivate curiosity in 2021With the change we’re all facing this year, CIOs should be counting on curiosity to play a crucial role in how we’re going to meet the challenges that lie ahead. From the moment COVID-19 hit, our IT organization has relied on curiosity – that strong desire to explore, learn, know - to fuel the urgent changes required. And it’s curiosity that will enable us to meet the needs of the future of work post-pandemic.

สิ่งใดสำคัญที่สุดในการเตรียมตัวก่อนการสมัครงาน

คุณสมบัติข้อใดสำคัญที่สุดในการประกอบอาชีพ

การงานอาชีพมีความสำคัญอย่างไร

อาชีพในข้อใดเป็นแรงงานไร้ฝีมือ