Machine Learning

เรื่องเกี่ยวกับ AI , ML หลายคน ก็ไม่รู้จัก แต่ก็เริ่มรู้สึกมากขึ้นว่า อะไรๆ ก็พูดถึง AI , ML วันนี้ผมรวบรวมคำศัพท์เกี่ยวกับ เรื่อง machine learning มาให้รู้จักกันมากขึ้น ตัวอย่างของการนำ มาใช้เช่น

- Regression : การถดถอย หมายถึง การคำนายค่าในอนาคต โดยดูจากปัจจัยต่าง ๆ ที่เกี่ยวข้อง ซึ่งค่าที่หาได้ไม่ได้เป็นการลดลงแบบเป็นอัตราส่วนที่ชัดเจน
- Feature หรือ Parameter หรือ Variable หมายถึง ตัวแปลที่มีผลกับสิ่งที่เราต้องการค้นหา เช่น รถที่คนไทยชอบ คำถามว่า Feature ของ รถที่คนไทยชอบ คือ อะไร จะพบว่า ไม่ง่ายที่จะหาตัวแปลที่มีความสัมพันธ์ที่ชัดเจน เพราะมันมีปัจจัย เต็มไปหมด
- Algorithms หมายถึง วิธีการที่จะได้ คำตอบที่เหมาะสม
- Machine learning สามารถแยกออกได้เป็น 4 แบบ
  - - Classic ML
    - RL
    - NN & DL
    - Ensemble Methods
- Classification หมายถึง การจัดหมวดหมู่ข้อมูล

การเรียนรู้ของเครื่อง (ML)

คือ ปัญญาประดิษฐ์ (Artificial Intelligence, AI) ที่ออกแบบมาเพื่อสร้างและพัฒนาระบบการเรียนรู้ของคอมพิวเตอร์ เพื่อให้สามารถหาลักษณะเด่น (pattern) หรือความสัมพันธ์ของข้อมูล (data) โดยอัตโนมัติ ด้วยการปรับพารามิเตอร์ทางคณิตศาสตร์ ซึ่งเป้าหมายของการเรียนรู้ของเครื่องคือให้สามารถสร้างโมเดล (model) ที่คาดการณ์ (predict) ค่าตัวแปรตาม (output) จากค่าตัวแปรต้น (input) ได้ถูกต้องที่สุด โดยที่ไม่จำเป็นต้องโปรแกรมหรือกำหนดหลักการทำงานล่วงหน้า

การทำงานของ Machine Learning สามารถแยกออกเป็นขั้นตอนหลักๆดังนี้

1. การเตรียมข้อมูล (Data preparation): ในขั้นตอนนี้เราจะทำการวิเคราะห์, แปลง, และจัดการข้อมูลให้อยู่ในรูปแบบที่เหมาะสมสำหรับความต้องการของโมเดลที่ต้องการเรียนรู้ ลักษณะงานที่ต้องทำอาจจะรวมไปถึงการกรองข้อมูลที่ไม่เกี่ยวข้อง, การเติมข้อมูลที่ขาดหายไป, การทำนายข้อมูลที่ผิดพลาด, และการเปลี่ยนค่าข้อมูลให้อยู่ในสเกลที่เหมาะสม
2. เลือกตัวดำเนินการ (Algorithm) และหลักการเรียนรู้: วิเคราะห์ข้อมูลที่ได้มาจากขั้นตอนที่ 1 และสร้างให้เป็นโมเดลที่เหมาะสมในคำตอบที่ต้องการคาดการณ์ ตัวอย่างของตัวดำเนินการมีอยู่หลายชนิด เช่น การเรียนรู้แบบกำกับ (Supervised Learning), การเรียนรู้แบบไม่มีการกำกับดูแล (Unsupervised Learning) หรือ การเรียนรู้แบบควบคุมแค่บางส่วน (Semi-supervised Learning)
3. เทรน หรือ ฝึกการเรียนรู้ของโมเดล (Training Model): ในขั้นตอนนี้ เราจะใช้ข้อมูลที่ผ่านการเตรียมขึ้นรูปเเละตัวดำเนินการจากการเลือกตัวดำเนินการที่เหมาะสมป้อนให้โมเดลเรียนรู้ เพื่อให้เกิดการปรับพารามิเตอร์ในตัวดำเนินการของตัวโมเดล เป้าหมายที่จะให้ออกมาคือลักษณะเด่นของข้อมูล หรือ ความสัมพันธ์ที่สามารถใช้คาดการณ์คำตอบที่ถูกต้อง
4. การประเมินผล (Evaluation): หลังจากที่โมเดลสามารถเรียนรู้ข้อมูลได้ที่สุด เราจะทำการตรวจสอบความแม่นยำของโมเดลโดยที่ให้โมเดลทำนายคำตอบของข้อมูลที่ไม่ได้ใช้ในการเรียนรู้เพื่อสามารถวัดประสิทธิภาพของโมเดลและปรับปรุง หรือ เลือกตัวดำเนินการที่เหมาะสมมากขึ้น(Inference)
5. การใช้งานที่ประยุกต์ให้แก่สถานการณ์ต่างๆ (Deployment): ใช้โมเดลที่ได้รับการประเมินผลและผ่านมาตรฐานที่กำหนด เพียงแค่ป้อนข้อมูลตัวแปรต้นเเละให้โมเดลคาดการณ์ค่าตัวแปรตามที่ต้องการ

การใช้ Machine Learning (ML) และปัญญาประดิษฐ์ (AI) สามารถช่วยเสริมประสิทธิผลในงานขาย

1. การวิเคราะห์สินค้าขายดี: ด้วย ML, ให้ข้อมูลที่เกี่ยวข้อง ซึ่งจะช่วยวิเคราะห์สินค้าในประเภทต่าง ๆ ที่มีการขายสูงสุดและกำไรที่คาดหวังได้ เพื่อกำหนดเป้าหมายการขายที่เหมาะสม
2. การจำแนกลูกค้า: โดยใช้ ML สามารถสร้างโมเดลที่จำแนกลูกค้าตามเกณฑ์ต่าง ๆ เช่น รายได้ ประวัติการซื้อขาย แนวโน้มการซื้อ สามารถเป้าหมายลูกค้าที่มีโอกาสสูงในการทำการซื้อจากแคมเปญโปรโมท
3. การวิเคราะห์พฤติกรรมผู้ใช้: การวิเคราะห์ข้อมูลเพื่อเข้าใจพฤติกรรมของผู้ใช้ โดยสามารถวิเคราะห์ตัวแปรต่าง ๆ เช่น ยอดเข้าชมเว็บไซต์ การตอบกลับข้อความทางอีเมล ประวัติการซื้อสินค้า เป็นต้น
4. การพยากรณ์ยอดขาย: โดยใช้ ML พยากรณ์ยอดขายในอนาคต อาจช่วยให้บริษัทสามารถวางแผนการผลิตล่วงหน้า และปรับใช้ทรัพยากรอย่างเหมาะสม
5. การกำหนดราคาพื้นฐาน: ด้วย ML สามารถวิเคราะห์ความสัมพันธ์ของการเปลี่ยนแปลงราคาต่อยอดขายและกำไรตามกลุ่มต่าง ๆ ช่วยให้บริษัทสามารถกำหนดราคาสินค้าที่เหมาะสมในการขาย
6. การบริหารความสัมพันธ์กับลูกค้า (CRM): ML สามารถวิเคราะห์ข้อมูลประวัติการสื่อสารและช่วยปรับปรุงประสบการณ์ของลูกค้า พวกของการติดตาม นัดหมาย หรือปัญหาของผู้ขาย

การนำเสนอความสามารถของ ML และ AI ในงานขาย พวกของการขายก็สามารถวางแผนปรับตัวให้มีประสิทธิภาพมากขึ้น กว่าเดิม

Reference