ตะกอนความคิดจาก 3 days AI Workshop
การตกตะกอนความคิด แง่มุมต่างๆ จากที่ได้ฟัง คุย ถาม กับคนที่ทำงานด้าน AI, Data Science ซึ่งจะไม่ลงเทคนิค แต่จะเป็นการกลั่นกรอง วิเคราะห์ และตกผลึกซะมากกว่า
ซึ่งผมคิดว่าจะมีประโยชน์ทั้ง Business & Tech และสายอื่นๆ
เข้าเรื่อง
เมื่อ 3 วันที่ผ่านมามีโอกาสได้รับการสนับสนุนจาก #Bangkok_AI และบริษัท SYNAPES Thailand (AI Tech)ให้ไปเข้า AI Workshop ที่ Software Parkซึ่งตามภาษาเด็กชอบถามอย่างเรา ก็ยิงคำถามตั้งแต่วันแรกยันวันสุดท้าย เรียกได้ว่า
ถามมากกว่าที่ ในห้องเรียนมหาลัยอีกเราได้อะไรหลายอย่าง และตกผลึกออกมาได้จริงๆ 3 ข้อ
1. ความท้าทายของ Data Science ไม่ใช่การ coding แต่เป็นการ “เข้าใจ” Algorithms (Model) ที่อยู่เบื้องหลังการ “Code” ของเรามากกว่า
คำพูดจาก Machine Learning Engineer ที่พูดไว้เป็นนัยย่ะมากๆ เพราะการ Code
คือการกลั่น “กระบวนการ” ที่เราต้องการให้โปรแกรมทำตาม ซึ่งเอาจริงๆ จะใช้ function อะไรซักอย่างสมัยนี้มีสำเร็จรูปเต็มไปหมด แต่การที่จะ “เข้าใจและตีความ” ความหมายที่ Machine Learning Model แสดงออกมาให้เรามันสำคัญมากกว่านั้นอีก
ยกตัวอย่าง ถ้าเราต้องการ “ผลลัพท์” = 5อย่างง่ายเราก็นำเลข 3 + 2 = 5 แต่มันก็ยังมีอีกกรณีอื่นๆ ที่เราจะได้ “ผลลัพท์” เท่ากับ 5 อยู่เหมือนกัน เช่น 10–5, root( 25 ), log ( 32 ) ฐาน 2 ก็มีค่า = 5 เหมือนกัน เพราะฉะนั้นถึงแม้ว่า ตัวเลขที่ได้ออกมาจะเป็นอย่างไร ความ “ท้าทาย” ของ Data Sci คือการ “ตีความ” ปัจจัยต่างๆ “ที่ส่งผล” ต่อตัวเลขนั้นๆ ด้วย
2. วงการนี้ (AI, Data Science, ML) คนเก่งๆ จบนอก จบด็อกเตอร์ เยอะเต็มไปหมด แต่คนที่ “สร้างเงิน” จากการใช้ความเก่งเหล่านั้น ยังมีน้อยนะ
คำพูดเรียบง่าย แต่ตีความได้หลายมิติมากๆ ในมิติของเรา เราตีความว่า การเข้าใจ “ทฤษฎี” และ “ปฏิบัติตามทฤษฎี” มันเป็นเรื่องที่ Developer หลายๆ คนทำอยู่เป็นประจำอยู่แล้ว
(การ Code ก็คือการเขียน syntax ซึ่งก็เป็น pattern ที่คนคิด
ซึ่ง pattern ที่ว่า มันก็คือส่วนหนึ่งของทฤษฎีทาง Computer Sci)
แต่การที่จะเอา “ทฤษฎี” ตรงนั้นมาสร้าง “ประโยชน์ (เงิน)” มันคนละเรื่องกันเลย
ในมุม Dev ถ้าต้องการสร้าง Calculator เราอาจจะต้องมีการ Coding function บวก ลบ คูณ หาร ซึ่งแน่นอนว่ามี “ลายละเอียด” ที่เยอะมาก
แต่ในเชิง “ธุรกิจ” มันมีภาพกว้างๆ 2 อย่าง “ขายได้ กับ ขายไม่ได้” ซึ่งการจะทำให้มัน “ขายได้” จำเป็นต้องใช้ 2 สิ่ง “เข้าใจปัญหา” และ “เข้าใจวิธีการแก้ไขปัญหา” ซึ่งคนทางสาย Tech จ๋าๆ จะเข้าใจ “วิธีแก้ปัญหา” มากกว่า ที่จะมองว่า “ปัญหามันอยู่ในระดับไหน” บางครั้ง เครื่องคิดเลขที่ลูกค้าต้องการ “ณ เวลาที่เขาเจอปัญหา”
อาจจะแค่การ บวก กับ ลบ ก็เพียงพอแล้ว สำหรับเขา
3. Data Decision เกิดได้จากการเข้าใจของคน “ทั้งองค์กร”โดยมีแกนนำคือ “ผู้บริหาร” ไล่ลงมา “Data Team” ไล่ลงไป
ซึ่งไอ่การจะทำให้คนทุกคนเข้าใจความ useful ของ data มันก็คือส่วนหนึ่งของ Digital Transformation ชื่อก็บอกอยู่แล้วว่ามันคือการ Transform หรือการ “เปลี่ยนแปลง” และจะเปลี่ยนแปลงได้ก็ต้อง “เข้าใจเป้าหมาย” ที่เราต้องการเปลี่ยน
เพื่อ “ประโยชน์” ที่จะเปลี่ยนแปลง (ในทางที่ดี) ตามไป ซึ่งมันไม่ได้หมายความว่า Data คือพระเจ้า Data Science คือทุกสิ่ง และไม่ใช่ว่า เราจะอยู่ไม่ได้โดยขาด Information เอาจริงๆ ใน “บางครั้ง” ประสบการณ์ก็อาจจะดีพอๆ หรือ ดีกว่าการใช้ Data make decision แต่ความหมายจริงๆ คือ ในยุคที่ Digital อยู่ทุกที่ Data สร้างขึ้นตลอด องค์กรใหญ่ๆ ปรับตัว และสามารถ Leverage ประโยชน์จาก Data ได้ มันจะเสียหายตรงไหน ถ้าจะลองปรับตัวไปใช้วิธีการที่ “อาจจะ” ทำให้ผลประโยชน์เชิงธุรกิจ มันดีขึ้นละ ?
#Bangkok_AI #AI #Workshop
