สร้าง AI ด้วย rule-based หรือ Machine Learning ดีกว่ากัน เป็นคำถามที่ทุกบริษัทเจอแน่นอน เมื่อตอนที่ทำ Digital Transformation ไปประมาณหนึ่งแล้ว วันนี้ก็เลยจะมาอธิบายคร่าวๆเพื่อให้พอเข้าใจ และสามารถเป็นข้อมูลเบื้องต้นในการนำไปตัดสินใจเพื่อเดินหน้าโครงการตัวเองต่อได้ 

ผมเชื่อได้เลยว่าทุกคนคงเคยได้ยินโครงการรับเงินเยียวยา 5,000 บาทจากรัฐบาล ซึ่งในโครงการนั้นมีการใช้ AI ในการตัดสินใจว่าจะให้เงินใคร และใครที่ไม่สมควรจะได้รับด้วยเหตุผลอะไร ในเวลาต่อมาก็เริ่มมีการเปิดเผยการทำงานของโครงการบางส่วนว่ามีการตั้งเงื่อนไขเอาไว้แบบใดอย่างไรบ้าง เช่น กลุ่มอาชีพเกษตรกรจะไม่ได้รับเงินในส่วนนี้ การเปิดเผยเพียงบางส่วนเท่านี้ก็สามารถทำให้เรารู้ได้ทันทีว่า AI ที่ใช้ในโครงการนั้นทำงานเป็นแบบ Rule-based ก็คือเป็นเงื่อนไขที่ได้ตั้งเอาไว้เป็นจำนวนมากล่วงหน้าก่อนที่จะให้ AI ดำเนินการอ่านข้อมูลของแต่ละคนขึ้นมาเพื่อใช้ในการตัดสิน ก็ไม่ได้ต่างอะไรกับการเขียนกฎกติกาและมารยาทเพื่อให้ครอบคลุมเอาไว้มากที่สุด และใช้คอมพิวเตอร์ในการอ่านข้อมูลของแต่ละคน ว่าคนนี้เข้าเงื่อนไขใดและไม่เข้าเงื่อนไขใดจนได้ออกมาเป็นการตัดสินในท้ายที่สุด หลายคนก็เอามาแซวเป็นติดตลกว่านี่คงไม่ใช่ AI หรอกเพราะว่ามันทำงานตามเงื่อนไขที่มีคนกำหนดเอาไว้มันก็เหมือนเป็นโปรแกรมคอมพิวเตอร์ธรรมดานี่แหละ 

ต้องบอกเลยว่า การสร้าง AI แบบ Rule-based นั้น มีการใช้งานกันอย่างแพร่หลายและใช้งานในหลากหลายรูปแบบอยู่ในปัจจุบัน ซึ่งเราจะเรียกว่ามันเป็น AI หรือจะเรียกว่ามันเป็น Robot ก็ได้ แต่ในกรณีนี้เราจะพิจารณาในการสร้าง AI ขึ้นมาใหม่เพื่อใช้ในบริษัทว่าจะใช้งานเป็นแบบ  rule-based หรือ Machine Learning โดยผมจะแนะนำแนวความคิดเอาไว้เบื้องต้นเพื่อใช้ในการตัดสินใจ ดังนี้ 

องค์ความรู้ที่มี

องค์ความรู้ในที่นี้ไม่ได้หมายถึงองค์ความรู้ที่ใช้ในการสร้าง AI ในเชิง programming แต่หมายถึงองค์ความรู้ที่มีต่อปัญหานั้น หมายถึงว่าเรามีองค์ความรู้ทั้งหมดที่ตอบทุกคำถามที่จะป้อนมาให้กับ AI ได้หรือไม่ ผมยกตัวอย่างง่ายๆว่า ถ้าเราจะนำเสนอโปรโมชั่นที่เหมาะสมให้กับลูกค้าจำนวน 10 คนที่เป็นฐานลูกค้าเดิมของเราอยู่แล้ว โดยจะทำให้โปรโมชั่นเป็นแบบเฉพาะบุคคล (personalize) กรณีแบบนี้ เราสามารถดูพฤติกรรมการซื้อสินค้าของแต่ละคน และสามารถคิดโปรโมชั่นที่เหมาะสมให้กับทั้ง 10 คนได้ แต่ผมเปลี่ยนใหม่ว่าเราต้องการนำเสนอโปรโมชั่นที่เหมาะสมให้กับลูกค้าจำนวน 1 ล้านคน แบบนี้เป็นไปไม่ได้เลยที่เราจะนั่งทำด้วยตัวเราเองให้ครบ 1 ล้านคน และเราก็ไม่รู้ด้วยว่าจำนวนหนึ่งล้านคนนั้นมีพฤติกรรมการซื้อสินค้าที่เหมือนหรือแตกต่างกันอย่างไร ด้วยตาเรา กรณีแบบนี้หมายความว่าเราไม่มีองค์ความรู้ที่มากเพียงพอที่จะตอบสนองต่อความต้องการของตัวเราเองได้ แต่อย่างไรก็ดีตัวอย่างที่ผมยกมานี้แม้ว่าเราไม่มีองค์ความรู้ที่เฉพาะเจาะจงกับทั้ง 1 ล้านคน แต่เราก็สามารถทำให้ตัวเรารู้ข้อมูลบางส่วนได้ เช่น การนำข้อมูลบางส่วนของลูกค้ามาจัดกลุ่มด้วยพฤติกรรมการซื้อ พฤติกรรมการใช้ promotion ย้อนหลัง แบบนี้ก็สามารถเพิ่มองค์ความรู้ให้กับตัวเราได้เช่นกัน 

ถ้าหากเรามีองค์ความรู้ที่เพียงพอ การใช้งานแบบ Rule-based ดูจะเหมาะสมกว่า เพราะว่าเงื่อนไข ค่อนข้างตรงไปตรงมา และผลลัพธ์ที่ได้ก็ค่อนข้างจะตรงกับสิ่งที่คิดไว้ตั้งแต่ต้น 

การทำงานแบบ rule-based

แนวทางนี้เป็นแนวทางที่มีมาเก่าแก่ ใช้กันมาอย่างยาวนานมาก เพราะว่ามันเป็นแนวทางเดียวกันกับการเขียนโปรแกรมโดยทั่วไป ที่ให้คอมพิวเตอร์ทำงานตามที่เราสั่ง นั่นก็หมายความว่า เราเป็นคนกำหนดขึ้นมาเองว่าถ้ามีข้อมูลแบบนี้จะให้โปรแกรมทำงานยังไงต่อ หรือถ้าได้ข้อมูลแบบนั้นมาโปรแกรมจะต้องไปทำงานยังไงต่อ 

การเลือกใช้เทคนิคแบบนี้ สิ่งที่ตามมาก็คือเราจะต้องมีองค์ความรู้มากที่พอจะครอบคลุมกรณีต่างๆที่จะเกิดขึ้นได้ และการสร้างโปรแกรมขึ้นมาก็จะต้องสร้างเพื่อให้ครอบคลุมตามกรณีทั้งหมดที่จะเกิดขึ้นด้วย เพื่อให้มั่นใจว่าจะไม่มีกรณีแบบไหนที่หลุดไปในแบบที่ไม่มีใครคิดถึง นั่นมันก็อาจจะเป็น error (bug) ของโปรแกรมนั้นเอง 

ผมยกตัวอย่างถ้าเรามี 20 กรณีที่เป็นไปได้ การจะสร้าง AI ในรูปแบบนี้ก็จะต้องครอบคลุมทั้ง 20 กรณี ที่จะเกิดขึ้นด้วย โดยในแต่ละกรณีก็จะต้องเขียนเป็น Case by Case ไปเลยและหากมีการแก้ไขก็จะต้องแก้ไขลงไปที่รายละเอียดของแต่ละกรณีด้วย

ข้อจำกัดของการใช้เทคนิคนี้ก็คือถ้ามีกรณีที่ 21 เกิดขึ้นเราก็จะต้องเปิดโปรแกรมมาเพื่อเขียนเพิ่มเข้าไปให้ระบบสามารถทำงานกับกรณีที่ 21 ได้อย่างที่เราต้องการ

การทำงานแบบ machine learning 

กรณีนี้จะแตกต่างจากการใช้ rule-based ที่จะต้องมีการตัดสินใจเอาไว้ล่วงหน้าและแปลงมาเป็น Code เพื่อเขียนลงไปในระบบคอมพิวเตอร์ แต่การใช้ Machine Learning นั้น สิ่งที่เราจะต้องทำก็คือเราจะต้องสร้างให้คอมพิวเตอร์นั้นมีกระบวนการเรียนรู้ด้วยตัวเอง เพื่อใช้ในการตัดสินใจข้อมูลใหม่ๆที่เราต้องการได้ การที่ทำแบบนี้สิ่งที่จะได้เลยก็คือแนวทางความเป็นไปได้ของการตัดสินใจนั้นมีหลากหลายรูปแบบ และรองรับกรณีต่างๆที่จะเกิดขึ้นได้ใหม่ๆอย่างไม่จำกัด เพราะ Machine Learning สามารถสร้างองค์ความรู้ให้ตัวเองเพิ่มขึ้นไปเรื่อยๆได้ตามข้อมูลที่มีเพิ่มขึ้นตลอดเวลา 

ซึ่งกระบวนการที่จะให้คอมพิวเตอร์เรียนรู้ด้วยตัวเองนั้นก็มีอยู่หลากหลายรูปแบบ แต่แบบที่นิยมทำกันก็คือ supervised coaching หรือ กระบวนการที่มีการสอนองค์ความรู้พื้นฐานเพื่อให้ใช้เป็นข้อมูลในการตัดสินใจขึ้นไปในขั้นสูง ยกตัวอย่างง่ายๆก็คือ เราป้อนรูปแมวเข้าไปให้คอมพิวเตอร์จำนวนเยอะๆ โดยรูปแมวแตกต่างกัน หลายๆสายพันธุ์ มีรูปถ่ายหลายๆมุม มีแมวหลายๆสี รูปเล็กบ้างรูปใหญ่บ้าง ถ้าข้อมูลที่มีเยอะเพียงพอ คอมพิวเตอร์จะเรียนรู้ได้ว่าสิ่งนี้คือแมว และเมื่อเราต้องการให้ AI ตัดสินใจ เราก็จะป้อนรูปที่ใช้เพื่อทดสอบเข้าไป AI ก็จะบอกได้ทันทีว่านี่คือแมวหรือไม่ใช่แมว 

ดังนั้นการจะเอาเทคนิคนี้มาใช้งานเราก็จำเป็นจะต้องมีข้อมูลที่มากเพียงพอที่ทำให้ AI สามารถแยกแยะกรณีต่างๆที่แตกต่างกันได้ ยิ่งถ้าเรามีข้อมูลมากเท่าไหร่กระบวนการตัดสินใจของ Machine Learning ก็จะแม่นยำมากขึ้นเท่านั้น แต่อย่างไรก็ดีเทคนิคนี้ก็จะมีความผิดพลาดเกิดขึ้นเป็นระยะๆ เพราะว่าการทำงานเบื้องหลังก็คืออาศัยหลักการทำงานทางสถิติซึ่งมันก็จะไม่ได้แม่น 100% 

เราจะเริ่มสร้าง AI ให้บริษัทด้วยเทคนิคไหนดี 

เมื่อเราเข้าใจกระบวนการสร้าง AI ทั้ง 2 รูปแบบแล้ว และเมื่อถึงขั้นตอนที่จะต้องตัดสินใจว่าจะใช้เทคนิคไหนในการสร้าง AI ขึ้นมา เรื่องหลักที่จำเป็นจะต้องใช้ในการพิจารณาก็คือ ปัญหาอะไรที่เราต้องการแก้ไข หรือ เราต้องการทำเรื่องอะไรให้สำเร็จ 

เพราะว่าการพิจารณาถึงโจทย์ที่เราได้รับมาก็จะมีผลในการนำไปคิดว่าการจะสร้าง AI ด้วยเทคนิคไหนจึงจะเหมาะสมกว่ากัน อีกทั้งการตัดสินใจที่จะใช้เทคนิคใดก็ตามมันเป็นผลระยะยาว ที่เกี่ยวข้องกับการ เพิ่มศักยภาพของ AI ในอนาคตด้วย ถ้าจะให้แนะนำแนวคิดในการใช้ในการตัดสินใจเบื้องต้น จะมีดังนี้

ข้อสนับสนุนการตัดสินใจ rule-based

• มีผลลัพท์ที่เฉพาะเจาะจง : หรือมีผลลัพธ์ที่จะเป็นไปได้ไม่มากนัก ผมยกตัวอย่างง่ายๆว่า ถ้าเราจะแบ่งกลุ่มของผู้ที่มาซื้อสินค้าจากร้านของเรา ว่าลูกค้าแต่ละคนชอบซื้อสินค้าที่หมวดไหน ผลลัพธ์ที่ออกมาก็จะมีตามหมวดสินค้าที่เรามีขายอยู่ในร้าน และแบบนี้เราก็สามารถกำหนดได้ทันทีว่า ให้อ้างอิงจากข้อมูลการซื้อสินค้าย้อนหลังของแต่ละคน โดยสะสมยอดการซื้อแบ่งตามหมวด แบบนี้ผลลัพธ์ชัดเจนมาก หรืออีกตัวอย่างหนึ่งที่จะคลุมเครือหน่อยก็คือ อยากให้ AI ช่วยตัดสินใจว่าเราจะส่ง SMS เพื่อแจ้งโปรโมชั่นให้มาซื้อสินค้าในเว็บเรา ช่วงเวลาไหนดี ที่จะเหมาะสมสำหรับแต่ละคน ในจำนวนสมาชิก 1 ล้านคน จริงอยู่ที่จำนวนมีเยอะมากแต่ว่าเงื่อนไขในการให้ระบบ AI ตัดสินใจนั้นค่อนข้างตรงไปตรงมาและชัดเจน เช่น เราจะส่ง SMS ในช่วงเวลา 9.00 น. ถึง 22:00 น. เท่านั้น และต้องเป็นสมาชิกที่เคยใช้โปรโมชั่นใดๆ ในช่วงเวลา 60 วันที่ผ่านมา และเป็นสมาชิกที่มียอดซื้อ มากกว่า 500 บาทในช่วง 60 วันที่ผ่านมา และแบ่งกลุ่ม ออกเป็นรายชั่วโมง ใครจะอยู่กลุ่มของชั่วโมงไหน เหล่านี้เราก็สามารถเขียนออกมาเป็นเงื่อนไขได้ทันทีและใช้กับคนหนึ่งล้านคนได้เลย 
• ยอมรับความคลาดเคลื่อนได้หรือไม่ : การใช้ AI แบบ rule-based นี้ ถ้าเราเขียนโค้ดและเงื่อนไขได้อย่างถูกต้องแล้วความคลาดเคลื่อนจะเป็น 0% หมายความว่า ระบบจะทำงานถูกต้องเสมอ ไม่ว่าเวลาจะผ่านไปนานเท่าไรก็ตาม และไม่ว่าข้อมูลจะมีเยอะแค่ไหนก็ตาม (แต่อย่างที่บอก ว่า กรณีต้องครอบคลุม มากเพียงพอ) อย่างกรณีรับเงินเยียวยา 5000 บาท ทางโครงการก็ออกมาชี้แจงชัดเจนว่าระบบทำงานได้อย่างถูกต้อง ใช่เลย เพราะว่าการทำงานแบบ rule-based จะทำงานได้ถูกต้องตามเงื่อนไขที่ได้เขียนเอาไว้ล่วงหน้าแล้วเสมอ เพียงแต่ว่าความถูกต้องกับความถูกใจมันอาจจะไม่ตรงกันเท่านั้นเอง 

ข้อสนับสนุนการตัดสินใจใช้ Machine Learning 

• ไม่สามารถอธิบายเงื่อนไขออกมาอย่างชัดเจน : เพราะว่าแนวทางในการหาคำตอบมันออกมาได้หลากหลายรูปแบบ ดังนั้นเราจึงไม่สามารถเขียนเงื่อนไขที่ชัดเจนได้เพื่อให้หาคำตอบสุดท้ายได้อย่างถูกต้อง ผมยกตัวอย่างปัญหาในชีวิตจริงก็คือ ถ้าต้องการสร้างร้านค้า ในจังหวัด X พื้นที่ของตำบลใด ที่จะเหมาะสมที่สุด ในการสร้างร้านนั้น
• มีความเปลี่ยนแปลงบ่อยมาก : ผมยกตัวอย่าง คือ ในเดือนนี้เรากำลังจะออก 5 โปรโมชั่นลูกค้าคนไหนจะเหมาะกับโปรโมชั่นในลักษณะใดบ้าง แต่ในเดือนหน้าเราเปลี่ยนใหม่เป็น 10 โปรโมชั่นลูกค้าคนไหนจะเหมาะกับโปรโมชั่นใดบ้าง แบบนี้เราจะมาเขียน rule-based ที่เปลี่ยนไปมาทุกเดือน ก็จะเสียเวลามาก แต่ Machine learning สามารถเพิ่มการเรียนรู้เพื่อแยกแยะออกมาตามข้อมูลที่เราป้อนให้ได้เสมอ เหนื่อยทีเดียว ที่เหลือคือการปรับ tune นิดหน่อย
• ทำงานที่เกี่ยวข้องกับภาษา : ภาษาในที่นี้ก็คือหมายถึงภาษาไทย ภาษาอังกฤษ หรือภาษาที่คนเราใช้สื่อสารระหว่างกัน การทำงานในเรื่องที่เกี่ยวข้องกับภาษานั้นเป็นไปไม่ได้เลยที่จะใช้ rule-based เพราะว่าความเป็นไปได้เยอะมากๆ และด้วยความที่ภาษายังไม่ตาย มันจะทำให้การทำงานของระบบจะต้องเปลี่ยนไปในทุกๆวัน อย่างเมื่อก่อนเราเคยใช้คำว่า จ๊าบ แต่ตอนนี้ก็ไม่มีใครใช้แล้ว สิ่งเหล่านี้เราจะต้องให้ Machine Learning ได้เรียนรู้เพิ่มเติมไปเรื่อยๆ 

ในโลกการทำงานอนาคตผมกล้ารับรองได้ตรงนี้ว่า AI จะเข้ามาแทนการทำงานในหลายๆส่วนของคนที่มีอยู่เดิมอย่างแน่นอน โดยเฉพาะการทำงานที่เป็นแบบทำซ้ำๆ งานในลักษณะนี้จะโดน AI เข้ามาแทนที่ได้ในเวลาอันสั้นมากไม่กี่ปีต่อจากนี้อย่างแน่นอน แต่งานที่ต้องใช้เทคนิคหรือความคิดชั้นสูงเหล่านี้ อาจจะต้องใช้เวลาอีกระยะหนึ่งเพื่อให้เกิดผลที่สามารถใช้งานได้จริงและแม่นยำเพียงพอ แต่ในท้ายที่สุดมันก็จะสามารถทำได้เหมือนอย่างคนทำนี่แหล่ะ

การดำเนินธุรกิจก็เช่นกันบริษัทไหนที่เริ่มเอา AI มาใช้งานก่อนก็จะถือว่าได้เปรียบบริษัทอื่นเพราะสามารถลดต้นทุนได้อย่างมีนัยยะสำคัญ หรือสามารถเพิ่มผลผลิตได้อย่างต่อเนื่อง เพราะระบบ AI สามารถทำงานได้ 24 ชั่วโมง 7 วันโดยที่ไม่มีวันหยุด แล้วถ้าเราใช้งานแบบ rule-based ก็จะมีความแม่นยำ 100% ด้วย หรือถ้าเราใช้งาน machine learning ก็จะเปิดอิสระให้เราสามารถปรับกระบวนการตัดสินใจไปได้อย่างต่อเนื่อง ตามปริมาณข้อมูลที่เพิ่มสูงขึ้นเรื่อยๆในทุกๆวัน จนถึงจุดหนึ่งระบบก็จะตัดสินใจไม่ผิดพลาดอีกเลย และสามารถตัดสินใจได้คล้ายกับที่คนตัดสินใจอีกด้วย 

ถึงตรงนี้แล้ว ก็น่าจะช่วยตอบคำถามได้ว่า สร้าง AI ด้วย rule-based หรือ Machine Learning แบบไหนดี หรือเหมาะกับโจทย์ของแต่ละคนมากกว่ากัน แต่เมื่อถึงวันนึง เราจะต้องไม่ลืมว่า สิ่งที่เราสร้างมา ต้องไม่ทิ้งความเป็นมนุษย์ไปด้วย เพราะนั่นจะเป็นสิ่งที่ทำให้เกิด customer engage ได้ดีกว่าที่ต้องคุยกับหุ่นยนต์

อมรเดช คีรีพัฒนานนท์

เชี่ยวชาญเรื่อง eCommerce และ Digital Transformation เพราะมีประสบการณ์กว่า 10 ปี และยังเป็น Full Stack Developer รวมถึงประสบการณ์ด้าน Big Data Ecosystem , Blockchain Ecosystem ถามได้ปรึกษาได้ เป็นกันเอง และ จริงใจ 🙂