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: Model 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 

Interested in Microsoft products and services? Send us a message here.

Explore our digital tools

If you are interested in implementing a knowledge management system in your organization, contact SeedKM  for more information on enterprise knowledge management systems, or explore other products such as Jarviz  for online timekeeping, OPTIMISTIC  for workforce management. HRM-Payroll, Veracity  for digital document signing, and CloudAccount  for online accounting.

Read more articles about knowledge management systems and other management tools at Fusionsol Blog, IP Phone Blog, Chat Framework Blog, and OpenAI Blog.

การนำ Chatbot มาใช้อย่างรวดเร็ว ใช้งาน AI Chatbots ในไม่กี่นาที

If you want to keep up with the latest trending technology and AI news every day, check out this website . . There are new updates every day to keep up with!

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?