tas-go.com
Machine Learning คืออะไร? แท้จริงแล้ว Machine Learning เป็นการประยุกต์ใช้สถิติขั้นสูงเพื่อเรียนรู้ให้สามารถระบุรูปแบบข้อมูลและคาดการณ์จากรูปแบบเหล่านั้นได้ Machine learning เริ่มต้นมาตั้งแต่ปี ค. ศ.
แล้วเราจะสร้างโมเดลทำนายผู้รอดชีวิตบนเรื่อง titanic ได้ยังไง? หาคำตอบทั้งหมดได้ในบทความนี้ Hi ML Machine Learning คือการที่คอมพิวเตอร์สามารถเรียนรู้ pattern ต่างๆด้วยตัวเองโดยที่มนุษย์ไม่ต้องเขียนโปรแกรมสั่งมันเลยว่าต้องทำอะไรยังไงบ้าง? (learn without being explicitly programmed) วิธีการสอนคอมพิวเตอร์ก็แค่ให้มันเห็นตัวอย่างเยอะๆ (giving it a lot of examples/ data) แล้วคอมพิวเตอร์จะเริ่มเรียนรู้จาก data ที่เราป้อนให้กับมัน ถ้าเทียบกับการเรียนรู้ของมนุษย์ data = human experience ถ้าอยากสอนให้มันรู้จักสตรอเบอร์รี่ → ให้มันเห็นสตรอเบอร์รี่เยอะๆ ถ้าอยากสอนให้มันรู้จักส้ม → ให้มันเห็นส้มเยอะๆ คอมพิวเตอร์จะเริ่มเรียนรู้ pattern (หรือที่เราเรียกว่า feature) ของวัตถุต่างๆ แล้วจะเริ่มทำนายได้ถูกต้องมากขึ้นตามประสบการณ์หรือปริมาณ data ที่มันได้รับ การสอนคอมพิวเตอร์แบบให้มันเห็นตัวอย่างเยอะๆ (a lot of examples) เรียกว่า… Read More
สิ่งที่ Machine Learning ทำได้ในอนาคตอันใกล้?
Machine Learning ในปัจจุบันถูกใช้อย่างไรบ้าง?
Machine Learning กับการทำโฆษณาบน Google 1. Responsive Search Ads โดย Machine Learning จะให้นักการตลาดใส่หัวข้อที่ต้องการ (Headline) พร้อมกับคำอธิบายในแต่ละหัวข้อ (Description) ประมาณ 4 บรรทัด จากนั้น Machine Learning จะนำเอาคำโฆษณาไปวิเคราะห์ ประมวลผลเพื่อคัดเลือก Headline และ Description ที่ดีที่สุด มาแสดงผลโฆษณาให้ตรงกับกลุ่มเป้าหมาย ไปในอุปกรณ์ต่างๆ ให้เหมาะสมตามรูปแบบของอุปกรณ์ เพื่อให้การทำโฆษณาได้ผลดียิ่งขึ้น "ข้อมูลภายในของ Google ระบุว่า การใช้ Responsive Search Ads ช่วยเพิ่มยอดการคลิกได้มากกว่า 15%" 2. Smart bidding: Machine Learning จะทำการวิเคราะห์พฤติกรรมจากฐานข้อมูลของกลุ่มลูกค้า และเสนอเป้าหมายใหม่ๆ ช่วยให้การประมูลโฆษณา แม่นยำ ตรงตามวัตถุประสงค์มากยิ่งขึ้น นอกจากนั้น Smart Bidding ยังสามารถ Optimize ตัว Conversion ได้ในระดับ Campaign ซึ่งแล้วแต่ว่า เราอยากเน้นเรื่องอะไร เช่น Online Sale หรือเลือก store visit (ใช้ location เข้ามาช่วย) และยังเลือกตั้งค่าอื่นๆ ได้ เช่น เพิ่มโปรโมชั่นตามช่วงเวลาได้ หรือตั้งเงื่อนไขของ Conversion ต่างๆ เพื่อ Smart Bidding ทำงานได้ตอบโจทย์มากขึ้น 3.
ผู้สูงอายุ? เด็ก? ผิวขาว? ผิวสองสี? ผมตรง? ผมหยักศก? เป็นต้น 2- จะเก็บข้อมูลเหล่านี้มาจากที่ไหน ส่วนไหนของโลก? เอากี่ทวีป? กี่จังหวัด? เป็นต้น และ ข้อมูลของคนที่เก็บมาจากพื้นที่ที่แตกต่างกัน มีลักษณะเหมือนหรือแตกต่างกันอย่างไร เราจะต้องทำความเข้าใจในส่วนนี้ด้วย 3- เมื่อเก็บข้อมูลมาได้แล้ว จำนวนล่ะ? จะต้องมีข้อมูลซักกี่คนถึงจะเรียกว่า "พอ" 10? 100? หรือ ต้องการเป็นล้านคน? ถ้าข้อมูลที่เราเก็บมา ไม่เพียงพอ หรือ ไม่ได้เป็นข้อมูลที่เป็นตัวแทนของประชากรในกลุ่มที่ครอบคลุมเพียงพอ ก็จะมีโอกาสสูงมากๆ ที่ระบบที่พัฒนาออกมาจะกลายเป็นระบบที่ทำงานได้แย่มากสำหรับบางตัวอย่าง! หลังจากผ่านคำถามชุดแรกมาแล้ว ตัดสินใจได้แล้วว่าจะเก็บข้อมูลจากไหนบ้าง จากคนกลุ่มไหนที่เหมาะสมจะเป็นตัวแทนประชากรเพื่อให้ระบบ ML ของเราได้เรียนรู้ ใครคิดว่าจะจบแล้ว … ก็ต้องขอแสดงความเสียใจด้วยนะคะ มันยังไม่จบค่ะ เมื่อได้ข้อมูลมาแล้ว เราก็ยังจะต้องพิจารณาเรื่องคุณภาพของข้อมูลอีก ดังตัวอย่างเช่น 1 – ข้อมูลที่ได้มีความชัดเจนเพียงพอหรือไม่ ถ้าภาพเบลอเกินไป ดีไม่ดีระบบอาจจะอ่านเจอ 1 ตา 2 ปากก็เป็นได้!
อะไรทำให้ Machine learning น่าตื่นเต้น?
Train the model หรือ การสอนโมเดล ML เมื่อเลือกโมเดลได้แล้ว ขั้นตอนนี้เราจะเริ่ม "Train" หรือ ทำการสอนโมเดลโดยใช้ข้อมูลสอน (Training set) ที่เราแบ่งไว้ในขั้นตอนที่ 3 ในขั้นตอนการสอนนี้จะมีการทำ Optimisation เข้ามาเกี่ยวข้องด้วย เพื่อหาพารามิเตอร์ที่เหมาะสมที่สุดสำหรับโมเดล ML ของเรา ดังนั้น ในขั้นตอนนี้เราอาจจะนำข้อมูลชุด Validation set ที่เรามามาช่วยในการเลือกพารามิเตอร์ที่ดีที่สุดได้ค่ะ 6.