Copilot Analyst Agent: การวิเคราะห์ข้อมูลและการให้เหตุผล ที่ปลายนิ้วของคุณ

Microsoft 365 Copilot ยังคงพัฒนาอย่างต่อเนื่อง ด้วยการเปิดตัว Copilot Analyst Agent เครื่องมือ AI อัจฉริยะที่ออกแบบมาเพื่อปฏิวัติการวิเคราะห์ข้อมูลและกระบวนการตัดสินใจ ด้วยความสามารถขั้นสูงของ AI เอเจนต์ใหม่นี้ช่วยให้ผู้ใช้สามารถประมวลผลข้อมูลที่ซับซ้อน สร้างข้อมูลเชิงลึก และจัดทำรายงานโดยใช้ความพยายามเพียงเล็กน้อย 

Copilot Analyst Agent คืออะไร? 

Analyst Agent เป็นผู้ช่วยวิเคราะห์ข้อมูลที่ขับเคลื่อนด้วย AI และถูกรวมเข้ากับ Microsoft 365 โดยใช้โมเดลให้เหตุผล o3-mini ของ OpenAI เพื่อช่วยให้ผู้ใช้สามารถ: 

• วิเคราะห์ชุดข้อมูลขนาดใหญ่ได้อย่างง่ายดาย 
• ทำการคำนวณและตีความข้อมูลที่ซับซ้อนโดยอัตโนมัติ 
• รันสคริปต์ Python เพื่อการวิเคราะห์ขั้นสูง 
• สร้างรายงานที่มีโครงสร้างพร้อมข้อมูลเชิงลึกแบบละเอียด 

ด้วยการรวมเอาการวิเคราะห์ที่ขับเคลื่อนด้วย AI เข้ากับแอปพลิเคชัน Analyst Agent in Microsoft 365 Copilot ทำให้การจัดการงานที่เกี่ยวข้องกับข้อมูลเป็นเรื่องง่ายและมีประสิทธิภาพมากขึ้น 

Analyst Agent ใน Microsoft 365 Copilot 

โมเดลภาษาขนาดใหญ่ (LLMs) และระบบมัลติโมดอลกำลังปฏิวัติการทำงานด้านข้อมูลโดยสามารถนำทางผ่านภาษา โค้ด ภาพ และเสียงได้อย่างราบรื่น อย่างไรก็ตาม ข้อมูลที่มีโครงสร้าง เช่น Excel sheets, ฐานข้อมูล, ไฟล์ CSV และรายงาน Power BI ยังคงถูกใช้งานอย่างจำกัด เนื่องจากขาดความเป็นธรรมชาติแบบข้อความหรือรูปภาพ 

ลองนึกภาพ ผู้จัดการโครงการ ที่ต้องการข้อมูลเชิงลึกเกี่ยวกับประสิทธิภาพรายไตรมาส ซึ่งกระจายอยู่ในหลายแผ่นงานของ Excel และตารางที่มีรูปแบบไม่ถูกต้องภายในงานนำเสนอ บางตัวชี้วัดซ่อนอยู่กลางแผ่นงาน ขณะที่ไฟล์ TSV ใช้เครื่องหมายจุลภาคแทนแท็บ ทำให้ยากต่อการระบุข้อมูลที่สำคัญหรือทำความเข้าใจความเชื่อมโยงของข้อมูล 

สำหรับผู้ที่ไม่มีทักษะด้านการจัดการข้อมูล สถานการณ์นี้อาจนำไปสู่ความสับสนและพลาดข้อมูลเชิงลึกที่สำคัญ แต่หากสามารถจัดการข้อมูลและใช้โค้ดเป็นเครื่องมือได้ จะช่วยให้สามารถดึงข้อมูลสำคัญออกมาได้อย่างรวดเร็ว และสร้างความได้เปรียบในการแข่งขัน 

นี่คือเหตุผลที่ Analyst Agent ถูกพัฒนาขึ้น! โดยเป็นหนึ่งใน AI reasoning agent รุ่นแรกที่รวมเข้ากับ M365 Copilot ทำหน้าที่เสมือน “นักวิทยาศาสตร์ข้อมูลเสมือนจริง” ที่ช่วยให้คุณสามารถเข้าถึงความสามารถด้านการวิเคราะห์ข้อมูลขั้นสูงได้อย่างง่ายดาย 

ยุคใหม่ของการให้เหตุผลและการแก้ปัญหาแบบก้าวหน้า 

ก่อนหน้านี้ LLMs มักเร่งรีบให้คำตอบโดยไม่สามารถปรับตัวให้เข้ากับความซับซ้อนของปัญหาได้อย่างเต็มที่ หรือฟื้นตัวจากข้อผิดพลาดได้อย่างมีประสิทธิภาพ 

แต่ด้วยโมเดลให้เหตุผลขั้นสูงของ Analyst Agent ซึ่งใช้สถาปัตยกรรม Chain-of-Thought (CoT) ที่ได้รับการพัฒนาจาก OpenAI o3-mini การวิเคราะห์จึงไม่ใช่แค่การให้คำตอบแบบรวดเร็วอีกต่อไป แต่เป็นกระบวนการที่ดำเนินไปอย่างเป็นขั้นตอน โดย: 

• ตั้งสมมติฐาน 
• ทดสอบและประเมินผล 
• ปรับปรุงแนวคิด 
• แก้ไขข้อผิดพลาดโดยอัตโนมัติ 

นอกจากนี้ โมเดลยังสามารถ สร้างและรันโค้ด ในแต่ละขั้นตอนของกระบวนการวิเคราะห์ ทำให้สามารถรวบรวมข้อมูล ทดสอบสมมติฐาน และปรับแนวทางการวิเคราะห์ได้อย่างมีประสิทธิภาพ 

ข้อมูลในโลกแห่งความเป็นจริงนั้นยุ่งเหยิง: กรณีศึกษา 

ข้อมูลที่เราใช้จริงมักจะมีปัญหาด้านโครงสร้างและรูปแบบ ลองพิจารณาตัวอย่างต่อไปนี้: 

• Dataset A: ไฟล์ Excel ที่มีหลายแผ่นงานเกี่ยวกับการใช้อินเทอร์เน็ตทั่วโลก แต่ข้อมูลสำคัญกลับไม่ได้อยู่ที่มุมบนซ้าย แต่กระจัดกระจายอยู่กลางแผ่นงานที่สอง 
• Dataset B: ไฟล์ .tsv ที่ควรเป็นไฟล์ที่คั่นด้วยแท็บ แต่กลับถูกส่งออกมาด้วย เครื่องหมายจุลภาค แทนแท็บ ทำให้การนำเข้าและวิเคราะห์ข้อมูลผิดพลาด 

โจทย์: “ช่วยระบุและแสดงผลข้อมูลเชิงลึกที่น่าสนใจจากสองชุดข้อมูลนี้” 

เครื่องมือวิเคราะห์ข้อมูลทั่วไปมักไม่สามารถจัดการกับความยุ่งเหยิงนี้ได้ดีนัก บางครั้งไม่สามารถดึงข้อมูลที่ถูกต้องออกมา หรือให้ผลการวิเคราะห์ที่ไม่ครบถ้วน 

แต่ด้วย Analyst Agent ซึ่งใช้กระบวนการให้เหตุผลแบบก้าวหน้า สามารถแก้ปัญหาข้อมูลที่ไม่สมบูรณ์ ผิดรูปแบบ หรือซับซ้อนได้อย่างมีประสิทธิภาพ ทำให้ผู้ใช้สามารถเข้าถึงข้อมูลที่สำคัญและตัดสินใจได้อย่างแม่นยำมากขึ้น 

อย่างไรก็ตาม เมื่อเผชิญกับสถานการณ์นี้โดยตรง Analyst แสดงให้เห็นถึงความสามารถในการรับมืออย่างโดดเด่น: 

• สามารถระบุและเข้าถึงข้อมูลที่เกี่ยวข้องซึ่งซ่อนอยู่กลางแผ่นงาน Excel ได้อย่างรวดเร็ว 
• แสดงความสามารถในการสำรวจข้อมูลโดยอัตโนมัติ โดยค้นหาและแสดงรายการชื่อแผ่นงาน 
• ตรวจจับและแก้ไขปัญหาตัวคั่นในชุดข้อมูลที่สองได้อย่างแม่นยำ 
• วิเคราะห์ข้อมูลเชิงลึกโดยใช้กระบวนการทดสอบสมมติฐานแบบเป็นขั้นตอน แม้ไม่มีคำแนะนำโดยตรง 

จากแนวทางการแก้ปัญหาเชิงก้าวหน้า Analyst สามารถจัดการกับความซับซ้อนเหล่านี้ได้อย่างราบรื่น พร้อมนำเสนอข้อสังเกต ข้อมูลเชิงลึก และการแสดงผลข้อมูลในรูปแบบต่างๆ ได้ด้วยตัวเอง ซึ่งแสดงให้เห็นถึงศักยภาพในการปฏิวัติการวิเคราะห์ข้อมูลในโลกแห่งความเป็นจริง 

กระบวนการเรียนรู้: การเรียนรู้แบบเสริมกำลัง การให้เหตุผลเชิงโครงสร้าง และการรันโค้ดแบบไดนามิก 

ประสิทธิภาพของโมเดลให้เหตุผลขั้นสูงที่อยู่เบื้องหลัง Analyst ขึ้นอยู่กับแนวทาง การเรียนรู้แบบเสริมกำลัง (Reinforcement Learning – RL) โดยถูกฝึกเพิ่มเติมจากโมเดล o3-mini ของ OpenAI โดยใช้ RL ขั้นสูงร่วมกับระบบให้รางวัลตามกฎ เพื่อจัดการเส้นทางการให้เหตุผลที่ซับซ้อน การค้นพบข้อมูลแบบค่อยเป็นค่อยไป และการรันโค้ดแบบไดนามิก 

จากการสังเกต พบว่าประสิทธิภาพของโมเดลดีขึ้นอย่างต่อเนื่องเมื่อเพิ่มปริมาณการคำนวณ RL ระหว่างการฝึก และเมื่อใช้แนวทางการคิดอย่างเป็นระบบมากขึ้นระหว่างการใช้งานจริง 

Analyst ได้รับการออกแบบมาเพื่อให้เหมาะสมกับงานด้านวิทยาศาสตร์ข้อมูลและการวิเคราะห์ โดยได้รับการปรับแต่งให้มีความเชี่ยวชาญในการจัดการข้อมูลเชิงโครงสร้าง สามารถเขียน รัน และตรวจสอบโค้ด Python ได้แบบไดนามิกภายในสภาพแวดล้อมที่มีการควบคุม กระบวนการทำซ้ำนี้ช่วยให้โมเดลสามารถปรับกลยุทธ์ของตนเองได้อย่างต่อเนื่อง โดยใช้การแก้ไขเส้นทาง (Course Correction) และการกู้คืนข้อผิดพลาดอย่างมีประสิทธิภาพ ซึ่งเลียนแบบพฤติกรรมการแก้ปัญหาของมนุษย์ได้อย่างใกล้เคียง 

ความหลากหลายของข้อมูลและระบบให้รางวัลที่มีความเสถียร 

ความหลากหลายของข้อมูล เป็นปัจจัยสำคัญต่อประสิทธิภาพของการฝึกอบรม Analyst Agent ได้รับการพัฒนาโดยใช้ชุดข้อมูลที่ครอบคลุมสถานการณ์การใช้งานจริงในองค์กรและประเภทข้อมูลเชิงโครงสร้างที่หลากหลาย เช่น 

• ประเภทไฟล์: Excel, CSV, TSV, JSON, JSONL, XML, ฐานข้อมูล SQLite, งานนำเสนอ PowerPoint ฯลฯ 
• ประเภทงาน: ตั้งแต่การคำนวณตัวเลขและการสร้างภาพข้อมูล ไปจนถึงการสร้างสมมติฐานเชิงสำรวจและการคาดการณ์ 

จุดข้อมูล (Data Points) ที่ใช้ในการฝึกถูกสร้างขึ้นและคัดเลือกอย่างพิถีพิถันเพื่อให้สะท้อนถึงความซับซ้อนของสถานการณ์จริง ป้องกันไม่ให้โมเดลเกิดการเรียนรู้แบบจำเพาะ (Overfitting) ต่อภารกิจหรือมาตรฐานการทดสอบเฉพาะ 

นอกจากนี้ ยังมีการพัฒนา ระบบให้รางวัลที่มีความเสถียรและซับซ้อนขึ้น เพื่อลดพฤติกรรมการ “แฮ็กระบบรางวัล” ที่มักพบในระบบ Reinforcement Learning ซึ่งอาจส่งผลให้โมเดลสูญเสียความสามารถทางวิเคราะห์ การออกแบบชุดข้อมูลและภารกิจการฝึกถูกดำเนินการอย่างรอบคอบ เพื่อให้แน่ใจว่าโมเดลสามารถให้เหตุผลได้อย่างแท้จริงผ่านกระบวนการสำรวจที่เป็นธรรมชาติและให้ผลลัพธ์ที่แม่นยำ 

ผลลัพธ์ 

ผลการทดสอบเปรียบเทียบยืนยันถึงความสามารถของ Analyst Agent ในการจัดการงานวิเคราะห์ข้อมูลที่ซับซ้อน โดยเฉพาะในมาตรฐานการทดสอบที่เน้นการให้เหตุผลเชิงลึก เช่น DABStep benchmarks และการเปรียบเทียบภายในของ M365 Copilot 

DABStep (Data Agent Benchmark for Multi-step Reasoning) 

DABStep เป็นชุดการประเมินที่ออกแบบมาเพื่อตรวจสอบประสิทธิภาพของ AI agent ในการวิเคราะห์ข้อมูลในโลกแห่งความเป็นจริง ประกอบด้วยภารกิจมากกว่า 450 รายการ ครอบคลุมทั้งข้อมูลที่มีโครงสร้างและไม่มีโครงสร้าง โดยแบ่งออกเป็น 2 ระดับ: 

• Easy: การดึงข้อมูลและการรวมข้อมูลพื้นฐาน 
• Hard: การให้เหตุผลหลายขั้นตอน การรวมชุดข้อมูลที่หลากหลาย และการใช้ความรู้เฉพาะทาง 

ผลการทดสอบจาก DABStep แสดงให้เห็นว่า Analyst Agent มีความสามารถโดดเด่นในการจัดการงานที่ต้องใช้เหตุผลหลายขั้นตอน และสามารถประมวลผลข้อมูลที่ซับซ้อนในระดับที่โมเดลทั่วไปไม่สามารถทำได้ 

เมื่อทำการทดสอบเปรียบเทียบกับ DABStep โมเดลของเราแสดงประสิทธิภาพที่โดดเด่นในระดับแนวหน้าของการประเมิน โดยมีความสามารถที่ยอดเยี่ยมทั้งในงานที่ง่ายและซับซ้อน โดยเฉพาะในกลุ่มงานที่ซับซ้อน โมเดลของเรานำหน้าอย่างมีนัยสำคัญ 

หมายเหตุ: โมเดล M365 Copilot Analyst ปัจจุบันปรากฏในกระดานผู้นำแบบเรียลไทม์ในฐานะการส่งข้อมูลที่ยังไม่ได้รับการตรวจสอบ ซึ่งถูกระบุว่าเป็น “Test1” เราได้ติดต่อทีมงาน DABStep เพื่ออัปเดตการส่งข้อมูลและระบุว่าเป็นโมเดล Analyst จาก Microsoft 

การทดสอบผลิตภัณฑ์ 

แม้ว่าการทดสอบในด้านวิชาการจะให้ข้อมูลเชิงลึกที่มีคุณค่า แต่การวัดค่าที่แท้จริงของโมเดลจะอยู่ที่การนำไปใช้ในสถานการณ์จริงในโลกธุรกิจ เราทดสอบประสิทธิภาพของโมเดลในการวิเคราะห์ข้อมูลธุรกิจที่หลากหลาย โดยใช้เอกสารประเภทต่างๆ เช่น แผ่นงาน Excel, CSV, PDF, XML และไฟล์ PowerPoint ซึ่งสะท้อนถึงกระบวนการวิเคราะห์ทั่วไปในชุดเครื่องมือ M365 เราทำการเปรียบเทียบโมเดล Analyst ซึ่งมีความเชี่ยวชาญเฉพาะทาง กับ M365 Copilot Chat รุ่นหลัก (ซึ่งไม่มีการให้เหตุผลลึก) เพื่อประเมินความแม่นยำในการสร้างข้อมูลเชิงลึก การตีความข้อมูล และการดำเนินการคำถามที่มีโครงสร้างในหลายๆ รูปแบบไฟล์ธุรกิจ 

Analyst ได้รับพลังจากโมเดลการให้เหตุผลขั้นสูง ซึ่งทำงานได้ดีกว่าวิธีการที่มีอยู่เดิม โดยไม่เพียงแต่ปรับปรุงทีละน้อย แต่ยังมีการพัฒนาแบบปฏิวัติในการให้เหตุผลทางการวิเคราะห์ในโลกแห่งความเป็นจริง 

ประโยชน์ของการใช้ Copilot Analyst Agent 

วิธีที่ Analyst Agent ช่วยเสริมการทำงาน 

1. การวิเคราะห์ข้อมูลธุรกิจ & รายงาน 

• • สร้างรายงานภาพจากข้อมูลที่มีโครงสร้างและไม่มีโครงสร้าง 
  • ผสานรวมกับ Power BI เพื่อให้ข้อมูลเชิงลึกทางการวิเคราะห์ที่ลึกขึ้น 

2. การวิเคราะห์ทางการเงิน 

• • อัตโนมัติการคาดการณ์ทางการเงิน การจัดทำงบประมาณ และการติดตามค่าใช้จ่าย 
  • ค้นหาความผิดปกติและความเสี่ยงที่อาจเกิดขึ้นในงบการเงิน 

3. การวิเคราะห์ตลาด & การขาย 

• • วิเคราะห์ข้อมูลลูกค้าเพื่อให้แนวโน้มและการทำนาย 
  • ช่วยทีมการตลาดเพิ่มประสิทธิภาพการดำเนินงานของแคมเปญ 

4. การตรวจสอบ IT & ความปลอดภัย 

• • ช่วยทีม IT ในการวิเคราะห์บันทึกและการตรวจจับภัยคุกคาม 
  • อัตโนมัติการจัดทำรายงานการปฏิบัติตามกฎระเบียบและการประเมินความเสี่ยง 

เส้นทางข้างหน้า: โอกาสและการยอมรับ 

เรารู้สึกตื่นเต้นอย่างมากเกี่ยวกับสิ่งที่ Analyst สามารถปลดล็อกให้กับผู้ใช้ Microsoft 365 ในการทำให้ความสามารถในการวิเคราะห์ข้อมูลขั้นสูงเข้าถึงได้สำหรับทุกคน แต่เราก็ยังตระหนักถึงข้อจำกัดในปัจจุบัน โดยตระหนักถึงพื้นที่ที่สามารถพัฒนาเพิ่มเติมได้ เช่น การรวมเข้ากับแอปพลิเคชันต่างๆ ได้อย่างราบรื่นยิ่งขึ้น การพัฒนาแนวทางการโต้ตอบที่ดีขึ้น และขยายความสามารถของโมเดลเพื่อรองรับสถานการณ์การวิเคราะห์ที่หลากหลายมากยิ่งขึ้น 

เรามุ่งมั่นที่จะปรับปรุง Analyst และโมเดลที่อยู่เบื้องหลังอย่างต่อเนื่อง โดยรับฟังข้อเสนอแนะจากผู้ใช้ และปรับปรุงโมเดลของเราและการผสานรวมกับผลิตภัณฑ์อื่นๆ เป้าหมายสุดท้ายของเราคือการให้ผู้ใช้และองค์กรสามารถบรรลุผลลัพธ์ที่มากขึ้น โดยการเปลี่ยนผู้ทำงานข้อมูลทั่วไปให้กลายเป็นนักวิเคราะห์ที่มีอำนาจ ด้วย “นักวิทยาศาสตร์ข้อมูลเสมือน” อยู่ที่ปลายนิ้วมือของพวกเขา 

สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับ Analyst รวมถึงการเปิดตัวและการเข้าถึงสำหรับลูกค้า โปรดตรวจสอบบล็อกโพสต์ของ Microsoft ที่เน้นไปที่ reasoning agents ภายใน M365 Copilot และอื่นๆ 

สนใจผลิตภัณฑ์และบริการของ Microsoft หรือไม่ ส่งข้อความถึงเราที่นี่

สำรวจเครื่องมือดิจิทัลของเรา

หากคุณสนใจในการนำระบบจัดการความรู้มาใช้ในองค์กรของคุณ ติดต่อ SeedKM เพื่อขอข้อมูลเพิ่มเติมเกี่ยวกับระบบจัดการความรู้ภายในองค์กร หรือสำรวจผลิตภัณฑ์อื่นๆ เช่น Jarviz สำหรับการบันทึกเวลาทำงานออนไลน์, OPTIMISTIC สำหรับการจัดการบุคลากร HRM-Payroll, Veracity สำหรับการเซ็นเอกสารดิจิทัล, และ CloudAccount สำหรับการบัญชีออนไลน์

อ่านบทความเพิ่มเติมเกี่ยวกับระบบจัดการความรู้และเครื่องมือการจัดการอื่นๆ ได้ที่ Fusionsol Blog, IP Phone Blog, Chat Framework Blog, และ OpenAI Blog.

การนำ Chatbot มาใช้อย่างรวดเร็ว ใช้งาน AI Chatbots ในไม่กี่นาที

ถ้าอยากติดตามข่าวเทคโนโลยีและข่าว AI ที่กำลังเป็นกระแสทุกวัน ลองเข้าไปดูที่ เว็บไซต์นี้ มีอัปเดตใหม่ๆ ให้ตามทุกวันเลย!

Related Articles : Analyst Agent in Microsoft 365 Copilot

• Copilot คืออะไร? คู่มือฉบับสมบูรณ์ พร้อมเปรียบเทียบ AI
• What’s New in Excel (March 2025)
• Introducing Researcher and Analyst in Microsoft 365 Copilot 
• Data Lake Solutions to store and analyze big Data
• Sentinel Proactive Threat Defense: Advanced Threat Protection For Organization
• เช่า Cloud หรือซื้อ เซิร์ฟเวอร์เอง? แบบไหนคุ้มกว่ากัน?