🚶♀️ก้าวแรก :
EP 1 - EP 3 : เห็นภาพมุมกว้าง เห็นภาพชัดเจน เห็นภาพความสัมพันธ์ AI, ML, & DML
😀Artificial Intelligence: ปัญญาประดิษฐ์
😀Machine Learning: ขบวนการเรียนรู้ด้วยตัวเอง ของปัญญาประดิษฐ์
😀Deep Machine Learning: ขบวนการเรียนรู้เชิงลึกด้วยตัวเอง ของปัญญาประดิษฐ์
🚶♀️🚶♀️ก้าวที่สอง :
มาทำความเข้าใจ BIG DATA & DATA SCIENCE
ได้ยิน ได้ฟัง ทุกคนในวงการพูดถึง Big Data พูดถึง Data Science แล้วมันเกี่ยวพันกับ AI, ML, & DML อย่างไร?
👌EP 4 มีคำตอบ!
เส้นทางสาย “From ZERO To HERO” เปิดต้อนรับคุณแล้ว…
📈3 ปัจจัยที่ทำให้ Machine Learning เติบโตอย่างรวดเร็วในช่วง 20 ปีที่ผ่าน:
1. Data Size (ปริมาณข้อมูลบนโลกไซเบอร์ที่สามารถเข้าถึงได้): โตขึ้น 1,000 เท่า (Big Data)
2. AI & ML Algorithm Capability (ศักยภาพขบวนการวิเคราะห์ของ AI & ML) : เพิ่ม 10 ถึง 100 เท่า
3. Computer Hardware Capability (ศักยภาพคอมพิวเตอร์) : Speed เพิ่ม 100 เท่า
🔑BIG DATA ให้กำเนิด DATA SCIENCE:
Big Data ที่เพิ่มขึ้นอย่างมากมายในช่วง 10 ปีที่ผ่านมา พร้อมการกำเนิดของ Cloud Technology ช่วยให้เราพัฒนา Infrastructure ที่จะนำข้อมูล (Input Data) มารวมกันในที่หนึ่งๆ เพื่อสามารถทำการวิเคราะห์ (Data Analysis) ให้ได้ผลัพท์ (Output Data) มาใช้งานเชิงธุรกิจ หรือผลิตภัณฑ์ นี้คือจุดเริ่มต้นของ Data Science
📚องค์ความรู้ภายใต้ DATA SCIENCE:
Data Science ประกอบด้วยองค์ความรู้ 1. ด้านAlgorithm (วิธิคิดวิเคราะห์), 2. ด้าน Neural Network (ระบบเครือข่ายประสาท), 3. ด้าน Mathematic (การคำนวณทางคณิตศาสตร์) เพื่อช่วยในการ Predict (ทำนายคาดเดาผลลัพท์) และ 4. Training Technic
• Algorithm (วิธิคิดวิเคราะห์) มีพัฒนาการหลากหลายรูปแบบให้เลือกใช้งาน เพื่อตอบโจทย์สำหรับแต่ละ Input Data Type ทำให้การวิเคระห์ทำได้รวดเร็ว แม่นยำ และสมเหตุผล
ตัวอย่าง Algorithm อาทิเช่น 1. Supervised learning algorithm (เรียนรู้แบบชี้แนะคำตอบ) 2. Reinforcement learning algorithm (เรียนรู้แบบวางกรอบความคิดเพื่อเรียนรู้ด้วยตัวเอง) 3. Self-learning algorithm (เรียนรู้ด้วยตัวเอง)
• Neural Network(ระบบเครือข่ายประสาท) ที่มีความซับซ้อนหลายLayers เหมาะใช้งานการวิเคราะห์ข้อมูลที่ซับซ้อน
• Mathematic (สูตรคำนวณทางคณิตศาสตร์) คือวิธีการทำงานภายในขบวนการคิดวิเคราะห์ (algorithm) เพื่อแยกย่อยข้อมูล และจัดเก็บข้อมูลไว้บนเครือข่ายประสาท (Neural Network)
• Training Technic ที่เหมาะสม และตัวอย่างฝึกสอนที่หลากหลาย จะทำให้คาดเดา(Predict)คำตอบได้แม่นยำยิ่งขึ้น
⚙️ความสัมพันธ์ AI, ML, Big Data, & Data Science:
✅ AI จะทำงานได้ ต้องมีขบวนการ Machine Learning เป็นพื้นฐาน
✅ MLทำงานบนพื้นฐาน Data Science และ สร้างองค์ความรู้ด้วยตัวเองจาก Big Data
✅ Big Data คือ Inputข้อมูล ในขบวนการ Data Science
✅ Data Science ทำงานโดยมี Data Analysis เป็นหัวใจ
o Data Analysis ทำงานโดยอาศัย Neural Network (เครือข่ายประสาท)ในการจัดเก็บข้อมูล และค้นหาคำตอบ
o Neural Network ต้องมีโครงสร้างแบบทับซ้อนหลาย Layers หากจะใช้งานเรียนรู้เชิงลึก deep learning algorithm
o Mathematic (สูตรคำนวณทางคณิตศาสตร์) คือวิธีการทำงานภายในขบวนการคิดวิเคราะห์ (algorithm)
o Training Technic (การฝึกสอน)ที่เหมาะสม ทำให้ทำนายคำตอบได้แม่นยำ
🤖การนำ AI / ML มาใช้งานในองค์กร ได้ใน 3 แบบ:
• ด้านวิเคราะห์ธุรกิจ (Business Data Science) ส่วนใหญ่คนใช้งานคือ CFO /COO
• ด้านปรับปรุงผลิตภัณฑ์ (Product Data Science) คนใช้งานคือ Engineer หรือ Product Development Team
• ด้านพัฒนาผลิตภัณฑ์ใหม่ / ธุรกิจใหม่ ( R&D Data Science) คนที่ใช้งานคือ ทีมงาน R&D
😈การจัดโครงสร้างองค์กรที่เหมาะสม รองรับ Data Science:
Data Science คืองานที่มีความเสี่ยงสูงมากว่าจะประสบความสำเร็จหรือไม่ เนื่องจากเป็นงานเกี่ยวข้องกับการทดลอง ที่มีโอกาสสำเร็จต่ำ จากสถิติ Success Rateไม่เกิน 50%
หากดำเนินโครงการไป 2-3 ปี แล้วล้มเหลว ทีมงานที่ดูแลโครงการนี้ก็จะได้รับผลกระทบในหน้าที่การงาน!
ด้วยเหตุผลดังกล่าวไม่ควรจัดโครงสร้างองค์กรให้หน่วยงาน Data Science อยู่ภายใต้หน่วยงาน Software Engineer เพราะโดยคุณลักษณะของ Software Engineer ที่มักจะตั้ง Success Rate ของผลงานแต่ละโครงการไว้ค่อนข้างสูง ดังนั้นทีมจะทำและมุ่งมั่นเฉพาะโครงการที่มีความชัดเจน และมีโอกาสประสบความสำเร็จสูงเท่านั้น งานไหนที่โอกาสสำเร็จต่ำ Software Engineer พยายามจะเลี่ยงไม่ทำโครงการเหล่านั้น
จะเห็นภาพว่าอะไรจะเกิดขึ้น หากผู้บริหารจัดโครงสร้างองค์กรให้ทีมงาน AI อยู่ภายใต้ Software Engineer Department!
แน่นอนสิ่งที่จะตามมาก็คือ งานด้าน AI โอกาสเกิดต่ำ เพราะทีมงานจะไม่ให้ความใส่ใจเท่าที่ควรจะเป็น …ไม่มีใครอยากเป็นผู้ล้มเหลว โดยเฉพาะช่วงสิ้นปีที่ต้องมีการประเมินผลงาน!
Data Science ควรอยู่ภายใต้หน่วยงาน R&D หรือภายใต้หน่วยงานที่จัดตั้งขึ้นมาเพื่อมองหาโอกาสใหม่ๆทางธุรกิจ ซึ่งผู้บริหารระดับสูงต้องเข้าใจ และให้การสนับสนุนอย่างสูง
มองว่านี้คือการสร้าง Business Portfolio
ถ้าสำเร็จจะ Growth rate อย่างมหาศาล!
เตรียมพบ EP 5/8 ในวันพุธหน้า 10:00 ...
ค่อยๆก้าว เรียนรู้AI ง่ายๆ …8 EP … From Zero To Hero!
#Harvard_Business_Review #THE_BIG_IDEA #Artificial_Intelligence #Machine_Learning #♾Man #alfa_man
📚สามารถค้นหาอ่านเพิ่มเติมได้ที่
• Artificial Intelligence, For Real” Published in Harvard Business Review; July 2017 Issue
• More Job Opportunity at eJobFair : https://www.ejoblive.com/ejobarticle/
• Linked In : http://linkedin.com/in/manoon-srichareonkul-0a6a00143
- 52
ดูเพิ่มเติมในซีรีส์
โฆษณา
- ดาวน์โหลดแอปพลิเคชัน
- © 2024 Blockdit
