AI

AI

ข่าวและบทความที่เกี่ยวข้อง

All AI

PostType Filter En

บทความ

BDI จัดกิจกรรม OPEN HOUSE ลุยต่อเนื่อง "The UP 2025: Unlock Potential with Data -- Scaling up Business Program" ปีที่ 2 โปรแกรมเข้มข้นขึ้น เปิดรับ SMEs มากขึ้น
23 เมษายน 2568, กรุงเทพฯ – สถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน) หรือ BDI จัดกิจกรรม OPEN HOUSE ปลดล็อกธุรกิจให้เติบโต ด้วยพลังของข้อมูล! ภายใต้โครงการ “The UP 2025: Unlock Potential with Data — Scaling up Business Program” ซึ่งจัดขึ้นเป็นปีที่ 2 ณ โรงแรมอีสติน แกรนด์ พญาไท โดยมีผู้ประกอบการให้ความสนใจเข้าร่วมรับฟังเกือบ 100 ราย โดยได้รับเกียรติจาก ดร.สุนทรีย์ ส่งเสริม รองผู้อำนวยการสถาบันฯ กล่าวเปิดงานและแนะนำวิสัยทัศน์ที่จะช่วย ผู้ประกอบการวิสาหกิจขนาดกลางและขนาดย่อม (SMEs) ไทยเติบโตอย่างก้าวกระโดด หนึ่งในพันธกิจหลักของ BDI คือ การเป็นพาร์ตเนอร์ให้กับภาคธุรกิจโดยเฉพาะ SMEs ในการผลักดันการใช้ข้อมูลให้กลายเป็นทรัพยากรสำคัญเพื่อขับเคลื่อนธุรกิจ ไม่ใช่แค่เทคโนโลยี แต่เป็นเครื่องมือในการตัดสินใจ วางกลยุทธ์ และสร้างความได้เปรียบทางการแข่งขัน เพื่อให้ผู้ประกอบการไทยสามารถใช้ข้อมูลในทุกมิติของธุรกิจ ตั้งแต่การเข้าใจลูกค้า การบริหารต้นทุน ไปจนถึงการออกแบบผลิตภัณฑ์และบริการใหม่ ๆ สู่การสร้างมูลค่าเพิ่มอย่างยั่งยืน ดร.สุนทรีย์ กล่าวอีกว่า สำหรับผู้ประกอบการที่เข้าร่วมโครงการ The UP จะได้เรียนรู้การใช้ข้อมูลเพื่อพัฒนาธุรกิจของตนอย่างจริงจัง โดยเริ่มจากการประเมินศักยภาพและความพร้อมของแต่ละกิจการ มีการกำหนดเป้าหมายที่ชัดเจน ไปจนถึงการวางแผนการเก็บข้อมูล และบริหารจัดการข้อมูลอย่างเหมาะสมกับบริบทของกิจการ ซึ่งนำไปสู่การจัดทำ Data Roadmap ได้อย่างเป็นรูปธรรม จุดเด่นของโครงการ คือ การได้รับคำปรึกษาแบบรายกิจการที่ตอบโจทย์เฉพาะของแต่ละกิจการ พร้อมการทำงานร่วมกับ Mentor ผู้เชี่ยวชาญ ซึ่งช่วยให้ผู้ประกอบการสามารถมองเห็นทางเลือกใหม่ นำไปสู่การทดลองใช้เครื่องมือหรือแนวคิดใหม่ ๆ และนำไปใช้งานในระดับปฏิบัติการได้จริง ด้าน ดร.อภิวดี ปิยธรรมรงค์ ผู้อำนวยการฝ่ายส่งเสริมอุตสาหกรรมและประสานเครือข่าย BDI กล่าวแนะนำโครงการ The UP 2025 ว่า จากความสำเร็จของปีที่ผ่านมา BDI จึงเดินหน้าจัดโครงการในปีนี้อย่างเข้มข้นขึ้น เปิดรับสมัครผู้ประกอบการมากขึ้น เพื่อเข้าร่วมโปรแกรมให้คำปรึกษาการใช้ประโยชน์จากข้อมูลสำหรับผู้ประกอบการ SMEs แบบเจาะลึก ผ่าน 4 กิจกรรมหลัก คือ บรรยากาศในงาน OPEN HOUSE ยังได้รับเกียรติจากผู้บริหารที่ขับเคลื่อนองค์กรด้วยข้อมูล มาร่วมแชร์ประสบการณ์ ไอเดียการบริหารงานกันอย่างเข้มข้น เริ่มต้นด้วยนายธนาวัฒน์ มาลาบุปผา CEO & CO-FOUNDER บริษัท ไพรซ์ซ่า จำกัด, ดร.วินน์ วรวุฒิคุณชัย CEO บริษัท ไอบอทน้อย จำกัด และผู้ประกอบการ SMEs 3 บริษัท ที่เข้าร่วมโครงการจากปีที่แล้ว ปิดท้ายด้วยนางสาวสุภาวดี ตันติยานนท์ นายกสมาคมผู้ใช้ดิจิทัลไทย ร่วมบรรยายในหัวข้อ “Driving Business Growth with Data ขับเคลื่อนการเติบโตด้วยพลังของข้อมูล” นอกจากนี้ ภายในงานผู้ประกอบการยังให้ความสนใจแพลตฟอร์มข้อมูลอัจฉริยะด้านท่องเที่ยวแห่งชาติ National Tourism Intelligent Data Platform หรือ Travel Link อีก 1 โครงการหลักของ BDI ซึ่งเป็นแพลตฟอร์มเชื่อมโยงข้อมูลด้านการท่องเที่ยว ที่ช่วยสนับสนุนข้อมูลให้กับผู้ประกอบการกำหนดกลยุทธ์ ดำเนินธุรกิจอย่างมีทิศทาง สำหรับผู้ประกอบการที่สนใจสมัครเข้าร่วมโครงการ “The UP 2025: Unlock Potential with Data — Scaling up Business Program” สามารถศึกษารายละเอียดเพิ่มเติมและสมัครฟรี! ได้ที่: www.bdi.or.th/theup2025    เปิดรับสมัครแล้วตั้งแต่วันนี้ – 14 พฤษภาคม 2568 เริ่มให้คำปรึกษาและพัฒนาแผนกลยุทธ์รายกิจการตั้งแต่วันที่ 1 กรกฎาคม – 30 กันยายน 2568
23 April 2025

บทความ

การใช้ Big Data และ AI ในมุมมองของนักการตลาด
ในยุคที่ข้อมูลกลายเป็นทรัพยากรสำคัญ การใช้ข้อมูลขนาดใหญ่ (Big Data) และปัญญาประดิษฐ์ (AI) กำลังเปลี่ยนแปลงรูปแบบการทำงานของนักการตลาดทั่วโลก โดยเทคโนโลยีทั้งสองนี้ไม่เพียงแค่ช่วยเพิ่มประสิทธิภาพในการวิเคราะห์ข้อมูล แต่ยังช่วยสร้างประสบการณ์ที่ดีและตอบสนองต่อความต้องการของผู้บริโภคได้อย่างตรงจุด ทำไม Big Data และ AI ถึงเป็นตัวเปลี่ยนเกมในงานการตลาด? Big Data คือกุญแจสำคัญที่ช่วยให้นักการตลาดเข้าใจพฤติกรรม และความต้องการของลูกค้าในแบบที่ไม่เคยมีมาก่อน ในขณะที่ AI มาช่วยงานนักวิเคราะห์ข้อมูล ในการเปลี่ยนข้อมูลจำนวนมหาศาลเหล่านี้ ให้กลายเป็นคำตอบและกลยุทธ์ที่ใช้งานได้จริง การใช้ Big Data และ AI ในงานการตลาด มีดังนี้ ความท้าทายในการใช้ Big Data และ AI แม้ว่า Big Data และ AI จะมอบข้อได้เปรียบมากมาย แต่การนำมาใช้ยังมีความท้าทายบางประการ ได้แก่ แนวทางการนำ Big Data และ AI มาใช้ให้เกิดประสิทธิภาพ บทสรุป Big Data และ AI ได้กลายเป็นเครื่องมือที่ขาดไม่ได้สำหรับนักการตลาดในยุคปัจจุบัน การนำเทคโนโลยีเหล่านี้มาใช้ไม่เพียงช่วยเพิ่มประสิทธิภาพในกระบวนการทำงาน แต่ยังช่วยสร้างความสัมพันธ์ที่แข็งแกร่งกับลูกค้าและตอบสนองความต้องการได้อย่างตรงจุด ตัวอย่างที่ประสบความสำเร็จ เช่น Netflix, Amazon, และ Coca-Cola ได้แสดงให้เห็นถึงศักยภาพในการเพิ่มผลลัพธ์ทางธุรกิจผ่านการใช้งานเทคโนโลยีอย่างชาญฉลาด อย่างไรก็ตาม การใช้งานเทคโนโลยีดังกล่าวจำเป็นต้องควบคู่ไปกับการพัฒนาความเข้าใจในด้านข้อมูลและการปฏิบัติตามหลักจริยธรรม เพื่อให้ได้ผลลัพธ์ที่ดีที่สุดในระยะยาว การปรับตัวและการเรียนรู้จากตัวอย่างเหล่านี้จะช่วยให้นักการตลาดสามารถก้าวข้ามความท้าทายและใช้ประโยชน์จาก Big Data และ AI ได้อย่างมีประสิทธิภาพสูงสุดในอนาคต แหล่งที่มา
10 March 2025

บทความ

Sustainable Organization กุญแจสำคัญสู่ความยั่งยืนขององค์กร หลักสูตรผู้บริหารที่ผู้บริหารยุคใหม่ต้องเรียนรู้  
การเป็นผู้บริหารยุคใหม่ ต้องมีการเรียนรู้และพัฒนาตัวเองอยู่เสมอ หลายองค์กรจึงให้ความสำคัญ กับ “หลักสูตรผู้บริหาร” เพื่อให้ผู้บริหารได้นำความรู้มาต่อยอดพัฒนาองค์กรในด้านต่าง ๆ จนสามารถนำทางให้องค์กรพัฒนาได้อย่างยั่งยืน ซึ่งหลังโลกได้รับผลกระทบจากโควิด-19 การเปลี่ยนแปลงสภาพอากาศ และความไม่สงบที่ส่งผลกระทบไปทั่วโลก ส่งผลให้องค์กรหลายแห่งเริ่มให้ความสนใจกับการทำตามหลักเกณฑ์ “เป้าหมายเพื่อการพัฒนาอย่างยั่งยืน” หรือ SDGs ตามที่สหประชาชาติได้กำหนดไว้ เพื่อสร้างความยั่งยืนในระยะยาว  การพัฒนาองค์กรอย่างยั่งยืน หรือ Sustainable Organization มีแนวคิดเกี่ยวกับการดำเนินธุรกิจ หรือบริหารองค์กร ที่คำนึงถึงผลกระทบในระยะยาวต่อเศรษฐกิจ สังคม และสิ่งแวดล้อม ไม่ใช่แค่มุ่งเน้นผลกำไรในระยะสั้น แต่ยังให้ความสำคัญกับการสร้างคุณค่าให้กับสังคมและโลกใบนี้ด้วย ดังนั้นองค์กรที่อยากเติบโตอย่างยั่งยืนจะสนใจแค่การดำเนินธุรกิจอย่างเดียวไม่ได้อีกต่อไป เพราะด้วยปัจจัยหลายด้านที่เข้ามาเป็นตัวแปรในการใช้ชีวิตของผู้คน ไม่ว่าจะเป็นพฤติกรรมการบริโภคที่เปลี่ยนไป หรือการพัฒนาของเทคโนโลยีอย่างก้าวกระโดด โดยเฉพาะเรื่องของ  AI และ Big Data จึงจำเป็นที่ผู้นำองค์กรต้องพัฒนาตัวเองตลอดเวลาและนำความรู้ไปพัฒนาบุคลากรเพื่อขับเคลื่อนองค์กรให้เติบโตอย่างยั่งยืนต่อไปได้ ผู้นำองค์กรจึงเป็นคนกลุ่มแรกที่จะต้องเปลี่ยนแปลงและพัฒนาตัวเองให้มี “ภาวะผู้นำที่ยั่งยืน”  ภาวะผู้นำที่ยั่งยืนคืออะไร  ภาวะผู้นำที่ยั่งยืน หรือ Sustainable Leadership คือ ผู้นำที่สามารถหาทางแก้ไขปัญหาด้านสังคม สิ่งแวดล้อม และเศรษฐกิจที่เกิดขึ้นในองค์กรได้ อีกทั้งยังเป็นแรงผลักดันให้บุคลากรลงมือทำงานที่ช่วยส่งเสริมความยั่งยืนให้กับองค์กร ชุมชน และสังคม ผ่านการวางกลยุทธ์ทางธุรกิจและการเปลี่ยนวัฒนธรรมองค์กรที่นำความยั่งยืนเข้ามาเกี่ยวข้องด้วย การมีผู้นำที่มี Sustainable Leadership ถือเป็นปัจจัยหลักที่จะช่วยยกระดับองค์กรให้เป็น Sustainable Organization ได้ ซึ่งคุณลักษณะเด่นที่เห็นได้ชัดของ ผู้นำที่มีภาวะผู้นำที่ยั่งยืน มีดังนี้  1. มีวิสัยทัศน์ และมองการณ์ไกล  ผู้นำที่มีภาวะผู้นำที่ยั่งยืน จะตั้งเป้าหมายที่เน้นความยั่งยืนในอนาคต ให้ความสำคัญกับผลกระทบในระยะยาว และสามารถสื่อสารวิสัยทัศน์ ค่านิยมให้คนในองค์กร และคนนอกองค์กรรับรู้ได้อย่างชัดเจน ไปในทิศทางเดียวกัน  2. มีมุมมองแบบองค์รวม พร้อมรับผิดชอบต่อสังคมและสิ่งแวดล้อม  ผู้นำที่มีภาวะผู้นำที่ยั่งยืน จะตระหนักถึงผลกระทบของการดำเนินงานต่อชุมชนและธรรมชาติ มีการกำหนดกลยุทธ์ที่สนับสนุนแนวทางการพัฒนาที่ลดการใช้ทรัพยากร พร้อมทั้งส่งเสริม หรือการดำเนินกิจกรรมที่สร้างคุณค่า และประโยชน์แก่สังคม  3. เป็นนักพัฒนา ที่ให้ความสำคัญกับผู้คน  ผู้นำที่มีภาวะผู้นำที่ยั่งยืน จะสนับสนุนการพัฒนาทักษะและศักยภาพของทีมงาน ส่งเสริมความหลากหลายและการมีส่วนร่วมของทุกคนในองค์กร เน้นการดูแลสุขภาวะและความเป็นอยู่ที่ดีของพนักงานและชุมชน  ทั้ง 3 ข้อ คือจุดเด่นของผู้นำองค์กรที่มีภาวะผู้นำที่ยั่งยืน ที่จะสามารถสร้างโอกาสให้เกิดการพัฒนาอย่างยั่งยืนได้ แต่ผู้นำยังมีบทบาทสำคัญอีกด้าน คือการนำเทคโนโลยีมาปรับใช้ เพื่อให้การทำงานเร็วขึ้นและสนับสนุนแนวคิดรักษ์โลกและความยั่งยืนไปพร้อม ๆ กัน หรือที่เรียกว่า Sustainable Technology  การใช้เทคโนโลยีเพื่อความยั่งยืนขององค์กร  เทคโนโลยีเพื่อความยั่งยืน หรือ Sustainable Technology หมายถึง เทคโนโลยีที่ถูกออกแบบมาเพื่อลดผลกระทบเชิงลบต่อสิ่งแวดล้อม และสนับสนุนการพัฒนาที่ยั่งยืนในทุก ๆ ด้าน ไม่ว่าจะเป็นด้านเศรษฐกิจ สังคม และสิ่งแวดล้อม ในปัจจุบันมีการนำเทคโนโลยีมาปรับใช้ในการดำเนินธุรกิจมากมาย ทั้ง Big Data, AI หรือ Machine Learning โดยเทคโนโลยีที่ยั่งยืนอาจมีตั้งแต่เทคโนโลยีทางกายภาพ เช่น แผงโซลาร์เซลล์ ไปจนถึงซอฟต์แวร์ที่มีความซับซ้อน ซึ่งสามารถนำมาประยุกต์ใช้เพื่อสร้างความยั่งยืนให้องค์กรได้ดังนี้  1. การลดการใช้พลังงานและส่งเสริมพลังงานหมุนเวียน  2. การปรับปรุงกระบวนการผลิตให้ยั่งยืน  3. การพัฒนาสินค้าและบริการที่เป็นมิตรต่อสิ่งแวดล้อม  4. การใช้เทคโนโลยีดิจิทัลเพื่อเพิ่มความยั่งยืน  5. การบริหารจัดการภายในองค์กร  การนำ Sustainable Technology มาใช้ในธุรกิจไม่เพียงช่วยลดผลกระทบต่อสิ่งแวดล้อม แต่ยังเป็นการลงทุนเพื่ออนาคตที่ยั่งยืนและสร้างคุณค่าให้แก่องค์กรในระยะยาว   จากข้อมูลที่นำเสนอมาเบื้องต้น จะเห็นได้ว่าการสร้าง Sustainable Organization เป็นกุญแจสำคัญที่ส่งผลต่อภาพรวมขององค์กร ที่ผู้นำหรือผู้บริหารต้องทำความเข้าใจและเรียนรู้ เพื่อสามารถนำมาพัฒนาองค์กรได้อย่างยั่งยืนในทุกมิติ   และสำหรับผู้ที่ต้องการความรู้ในการพัฒนาองค์กรอย่างยั่งยืนแบบเจาะลึก ขอแนะนำหลักสูตร  LEAD Big Data And AI For Sustainable Future   หลักสูตรผู้บริหาร ที่ออกแบบมาสำหรับผู้บริหารยุคใหม่ เพื่อยกระดับความรู้และศักยภาพเกี่ยวกับข้อมูลขนาดใหญ่ (Big Data) ปัญญาประดิษฐ์ (AI) ดิจิทัลเทคโนโลยี เพื่อนำไปพัฒนานโยบายการดำเนินงานขององค์กรให้มีประสิทธิภาพและยกระดับขีดความสามารถในการแข่งขันทางธุรกิจให้สูงยิ่งขึ้น ผ่านการเรียนรู้ พัฒนาแนวคิด ลงมือทำจริง พร้อมดูงานกับบริษัทระดับโลกในต่างประเทศ  โดย LEAD จัดโดยสถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน) หรือ สขญ. แหล่งรวมผู้เชี่ยวชาญด้าน Big Data และ AI ที่มีภารกิจขับเคลื่อนให้องค์กรต่าง ๆ ในประเทศใช้ข้อมูลให้เกิดประโยชน์สูงสุดและเกิดการบูรณาการข้อมูลระหว่างกัน โดยมุ่งเน้นให้ผู้นำองค์กรทั้งภาครัฐและเอกชน สามารถใช้ประโยชน์จากข้อมูลและเทคโนโลยีได้อย่างรวดเร็ว เห็นผล ผ่านการเรียนรู้จากผู้เชี่ยวชาญในวงการชั้นนำของประเทศ พร้อมมีที่ปรึกษาจาก สขญ. คอยดูแลให้คำแนะนำอย่างใกล้ชิดตลอดหลักสูตร   รีบจองที่นั่ง Early Bird ได้แล้ววันนี้   ราคา 189,900 บาท จากราคาปกติ 209,900 บาท  (รวมศึกษาดูงานทั้งในประเทศ และต่างประเทศ)   ท่านสามารถแจ้งความประสงค์เพื่อลงทะเบียนหลักสูตรได้ที่: https://forms.gle/QFW229rG7cbjx53R6   ติดต่อสอบถามข้อมูลเพิ่มเติม Email: businesspromotion@bdi.or.th หรือ โทร: 02 480 8833 ต่อ 9552 และ 9579   สนใจดูรายละเอียดและข้อมูลเพิ่มเติมคลิก LEAD2 – Big Data Institute  แหล่งอ้างอิง :  https://instituteofsustainabilitystudies.com/insights/lexicon/what-are-the-core-principles-of-sustainable-leadership https://www.bain.com/insights/ai-and-sustainability-power-of-integration-ceo-sustainability-guide-2024 https://www.ibm.com/topics/business-sustainability https://wdhb.com/blog/sustainable-leadership
26 November 2024

บทความ

10 ทิศทางสำคัญที่ผู้บริหารควรเรียนรู้ในปี 2025 เพื่อความยั่งยืนของธุรกิจ
? เตรียมพร้อมสู่ปี 2025: 10 กลยุทธ์ที่ผู้บริหารต้องเรียนรู้เพื่อความยั่งยืนในธุรกิจ  ในปี 2025 โลกธุรกิจจะเผชิญกับความท้าทายใหม่ที่ผู้บริหารจำเป็นต้องเตรียมพร้อมและปรับตัวให้เข้ากับการเปลี่ยนแปลงทางเทคโนโลยีและสังคมที่เกิดขึ้นอย่างรวดเร็ว ความยั่งยืน (Sustainability) จะยังคงเป็นหัวใจหลักที่กำหนดทิศทางการเติบโตขององค์กร และความสามารถในการปรับตัวนี้จะเป็นตัวชี้วัดความสำเร็จในระยะยาว บทความนี้จะนำเสนอ 10 เรื่องที่ผู้บริหารควรเรียนรู้เพื่อความสำเร็จและความยั่งยืนในอนาคต  1. การเปลี่ยนผ่านสู่เทคโนโลยี AI เชิงยั่งยืน ?  ในยุคที่ AI และ Big Data กำลังเป็นเครื่องมือสำคัญในการพลิกโฉมธุรกิจ ผู้บริหารต้องเข้าใจการนำเทคโนโลยีเหล่านี้มาใช้ในองค์กรอย่างมีจริยธรรมและยั่งยืน หลักสูตร LEAD รุ่นที่ 2 ช่วยให้ผู้บริหารเข้าใจถึงการประยุกต์ใช้ AI ที่ไม่เพียงแค่เพิ่มประสิทธิภาพ แต่ยังสร้างความไว้วางใจในลูกค้าและสังคม  2. การจัดการความยั่งยืนในห่วงโซ่อุปทาน (Sustainable Supply Chain) ?  ผู้บริหารควรมีความเข้าใจในกระบวนการของ ห่วงโซ่อุปทาน ที่ยั่งยืน โดยสามารถนำ Big Data มาใช้ในการตรวจสอบแหล่งวัตถุดิบที่มีความรับผิดชอบ และลดผลกระทบต่อสิ่งแวดล้อม เช่น การลดการปล่อยคาร์บอนในกระบวนการผลิต รวมถึงการเลือกใช้ซัพพลายเออร์ที่มีจรรยาบรรณและความรับผิดชอบต่อสังคม  3. การเสริมสร้างความสามารถในการปรับตัว (Adaptability Skills) ?  การเปลี่ยนแปลงในสภาพตลาดและเทคโนโลยีที่รวดเร็วจำเป็นต้องมีการปรับตัวอย่างต่อเนื่อง ผู้บริหารที่เข้าร่วมหลักสูตร LEAD จะได้รับทักษะในการใช้ Big Data และ AI เพื่อช่วยในการวิเคราะห์แนวโน้มตลาดและทำนายความเปลี่ยนแปลงในอนาคต ทำให้สามารถปรับกลยุทธ์และตอบสนองต่อการเปลี่ยนแปลงได้อย่างรวดเร็ว  4. การนำ ESG (Environment, Social, Governance) มาใช้ในกลยุทธ์องค์กร ?  หลักสูตร LEAD รุ่นที่ 2 มุ่งเน้นให้ผู้บริหารเข้าใจการบูรณาการแนวคิด ESG (สิ่งแวดล้อม สังคม และการกำกับดูแล) เข้ากับกลยุทธ์การบริหาร โดยใช้ AI และ Big Data ในการวัดผลกระทบจากกิจกรรมองค์กรที่มีต่อสังคมและสิ่งแวดล้อม ทำให้สามารถพัฒนากลยุทธ์ที่ยั่งยืนและสร้างความเชื่อมั่นให้กับนักลงทุนและลูกค้า  5. ความปลอดภัยทางไซเบอร์และการคุ้มครองข้อมูล (Cybersecurity) ?  ด้วยการใช้ AI และ Big Data ในการบริหารข้อมูลขนาดใหญ่ ความปลอดภัยทางไซเบอร์จึงเป็นสิ่งสำคัญ หลักสูตร LEAD รุ่นที่ 2 จะช่วยให้ผู้บริหารเข้าใจการปกป้องข้อมูลและความปลอดภัยทางไซเบอร์ โดยการใช้เทคโนโลยีที่ทันสมัยในการป้องกันและตอบสนองต่อการโจมตีทางไซเบอร์  6. ความเป็นผู้นำในยุคการทำงานแบบไฮบริด (Leadership in a Hybrid Workplace) ?‍?  การทำงานในรูปแบบ hybrid ที่ผสมผสานการทำงานทั้งออฟไลน์และออนไลน์เป็นแนวโน้มใหม่ในอนาคต ผู้นำต้องเข้าใจการจัดการทีมอย่างมีประสิทธิภาพ โดยใช้ Big Data ในการประเมินการทำงานและสร้างความร่วมมือระหว่างทีมงานจากหลากหลายสถานที่  7. การสร้างความโปร่งใสในการทำงานและธุรกิจ (Transparency and Accountability)  ความโปร่งใสและการมีความรับผิดชอบเป็นพื้นฐานของการทำธุรกิจที่ยั่งยืน Big Data ช่วยให้ผู้บริหารสามารถตรวจสอบและเปิดเผยข้อมูลสำคัญที่มีผลต่อการตัดสินใจในองค์กร โดยสร้างวัฒนธรรมการทำงานที่เน้นความโปร่งใสและมีความรับผิดชอบ  8. การใช้พลังงานทางเลือกและลดการปล่อยก๊าซเรือนกระจก⚡  การนำ Big Data และ AI มาใช้ในการวิเคราะห์และพัฒนาแนวทางในการลดการปล่อยก๊าซเรือนกระจก เป็นสิ่งที่ผู้บริหารต้องคำนึงถึงในการขับเคลื่อนองค์กรไปสู่ความยั่งยืน หลักสูตร LEAD จะช่วยให้ผู้บริหารสามารถใช้เทคโนโลยีเพื่อเพิ่มประสิทธิภาพในการใช้พลังงานทางเลือกและลดการปล่อยคาร์บอน  9. การพัฒนาและฝึกอบรมบุคลากรอย่างต่อเนื่อง (Continuous Learning and Development) ?  ในการขับเคลื่อนองค์กรอย่างยั่งยืน ผู้บริหารต้องให้ความสำคัญกับการพัฒนาและฝึกอบรมบุคลากร โดยการใช้ AI เพื่อวิเคราะห์และออกแบบโปรแกรมฝึกอบรมที่ตอบสนองต่อการเปลี่ยนแปลงของตลาดและเทคโนโลยี  10. การสร้างสรรค์นวัตกรรมอย่างต่อเนื่อง (Continuous Innovation) ?  การสร้างนวัตกรรมที่ต่อเนื่องเป็นกุญแจสำคัญในการเติบโตในยุคที่การแข่งขันสูง AI และ Big Data สามารถช่วยในการค้นหาความท้าทายใหม่ ๆ และนำเสนอนวัตกรรมที่สามารถตอบสนองต่อความต้องการของตลาดได้อย่างทันเวลา  ? ปี 2025 จะเป็นปีแห่งการเปลี่ยนแปลงและการปรับตัวสำหรับผู้บริหารที่ต้องการนำองค์กรให้เติบโตอย่างยั่งยืน ความเข้าใจใน 10 เรื่องสำคัญจะช่วยให้ผู้บริหารมีวิสัยทัศน์ที่ก้าวไกลและปรับกลยุทธ์ได้ทันสมัย ตั้งแต่การประยุกต์ใช้เทคโนโลยี AI การจัดการห่วงโซ่อุปทานที่ยั่งยืน ไปจนถึงการสร้างวัฒนธรรมองค์กรที่เปิดรับการทำงานแบบไฮบริด การเพิ่มทักษะการนำองค์กรในยุคแห่งการเปลี่ยนแปลงที่รวดเร็วจะเป็นสิ่งสำคัญที่ช่วยให้ผู้บริหารสามารถก้าวนำและรับมือกับความท้าทายในโลกธุรกิจที่เต็มไปด้วยการแข่งขัน  เพิ่มโอกาสในการพัฒนาทักษะเพื่อก้าวนำในยุคที่การเปลี่ยนแปลงรวดเร็วนั้นอยู่ที่นี่แล้ว อย่าพลาด! สมัครเรียนหลักสูตร LEAD: Big Data and AI for Sustainable Future (LEAD รุ่นที่ 2) เพื่อเตรียมพร้อมสู่การเป็นผู้นำยุคใหม่ที่พร้อมเผชิญความท้าทายและสร้างความสำเร็จอย่างยั่งยืน  ? รีบจองที่นั่ง Early Bird ได้แล้ววันนี้   ราคา 189,900 บาท จากราคาปกติ 209,900 บาท (รวมศึกษาดูงานทั้งในประเทศ และต่างประเทศ)  ?ศึกษารายละเอียดหลักสูตรเพิ่มเติม: https://bdi.or.th/executive-course/  ?ท่านสามารถแจ้งความประสงค์เพื่อลงทะเบียนหลักสูตรได้ที่: https://forms.gle/QFW229rG7cbjx53R6  ? ติดต่อสอบถามข้อมูลเพิ่มเติม Email: businesspromotion@bdi.or.th หรือ โทร: 02 480 8833 ต่อ 9552 และ 9579  บทความโดย เบญญาภา ราชแก้ว
15 November 2024

บทความ

Pandas vs. PySpark เลือกเครื่องมือที่ใช่ให้เหมาะกับงานข้อมูลของคุณ?
Pandas และ PySpark เป็นเครื่องมือที่ใช้สำหรับการจัดการและวิเคราะห์ข้อมูลใน Python โดย Pandas เป็นไลบรารียอดนิยมที่ใช้สำหรับการทำงานกับชุดข้อมูลขนาดเล็ก ถึงขนาดกลาง ในหน่วยความจำบนเครื่องเดียว (single-node) ซึ่งมีฟังก์ชันหลากหลายสำหรับการจัดการและวิเคราะห์ข้อมูล ในทางตรงกันข้าม PySpark ซึ่งสร้างขึ้นบน Apache Spark ได้รับการออกแบบมาเพื่อการประมวลผลแบบกระจาย (distributed computing) ทำให้สามารถประมวลผลชุดข้อมูลขนาดใหญ่ได้บนหลายเครื่องใน cluster เดียว Pandas คืออะไร Pandas เป็นหนึ่งใน library แบบ open-source ที่ถูกใช้งานมากที่สุดใน Python สำหรับข้อมูลที่มีโครงสร้างแบบตารางเพื่อการวิเคราะห์ข้อมูลได้หลากหลาย เช่น การกรองข้อมูล การรวมข้อมูล การแปลงข้อมูล รวมถึงการทำความสะอาดและเตรียมข้อมูล จนไปถึงการทำ Machine Learning และอื่น ๆ อีกมากมาย โดยสามารถอ่านไฟล์ได้ในหลายรูปแบบ เช่น CSV, JSON, SQL และรูปแบบอื่นๆ จากนั้นจะสร้างข้อมูลในรูปแบบ DataFrame ซึ่งเป็นวัตถุที่มีโครงสร้างประกอบด้วยแถวและคอลัมน์ (คล้ายกับตาราง SQL) ตัวอย่างการใช้งาน Pandas DataFrame เริ่มต้นใช้งาน Pandas library โดยการ import library และสร้าง DataFrame ด้วยฟังก์ชัน pd.DataFrame โดยได้ผลลัพธ์ออกมาเป็นตารางที่มี index เริ่มที่ index 0 ตัวอย่าง Pandas Transformations ฟังก์ชันต่าง ๆ ในกระบวนการแปลงของ Pandas DataFrame ซึ่งรวมถึงฟังก์ชันทางคณิตศาสตร์ หรือฟังก์ชันทางสถิติ ที่สามารถเลือกทำได้ในทั้ง DataFrame หรือเลือกทำในแต่ละ column เป็นตัวช่วยให้จัดการและวิเคราะห์ข้อมูลยืดหยุ่นมากขึ้น ตัวอย่างเช่น PySpark คืออะไร PySpark เป็น API ของ Python สำหรับ Apache Spark ซึ่งเป็นกรอบการประมวลผลแบบกระจาย (distributed computing) ที่ออกแบบมาสำหรับการประมวลผลชุดข้อมูลขนาดใหญ่ใน cluster ของเครื่องคอมพิวเตอร์ โดยที่ PySpark ช่วยให้การประมวลผลและวิเคราะห์ข้อมูลแบบขนานเป็นไปได้โดยการกระจายการคำนวณไปยังหลาย node ใน cluster ซึ่งทำให้มีความสามารถในการขยายขนาด (scalability) และมีประสิทธิภาพสูงสำหรับงานวิเคราะห์ข้อมูลขนาดใหญ่ ซึ่ง PySpark มี API DataFrame ที่มีลักษณะคล้ายกับ Pandas ทำให้ผู้ใช้งานสามารถทำการจัดการข้อมูลได้คล้ายกัน แต่บนชุดข้อมูลที่กระจายกันอยู่ (Distributed Datasets) ตัวอย่างการใช้งาน PySpark DataFrame PySpark DataFrame เป็นวัตถุที่ไม่สามารถเปลี่ยนแปลงค่าได้ (immutable) ซึ่งหมายความว่าไม่สามารถเปลี่ยนแปลงได้เมื่อสร้างขึ้นแล้ว มีความสามารถในการทนต่อข้อผิดพลาด (fault-tolerant) และการทำ Transformations จะเป็น Lazy evaluation ซึ่งหมายความว่าจะไม่ถูกดำเนินการจนกว่าจะมีการเรียกใช้ Actions เช่น count(), collect(), show() เป็นต้น ซึ่ง PySpark DataFrames จะถูกกระจายอยู่ใน cluster (ซึ่งหมายถึงข้อมูลใน PySpark DataFrames จะถูกจัดเก็บในเครื่องคอมพิวเตอร์ต่าง ๆ ใน cluster เดียว) และการดำเนินการใด ๆ ใน PySpark จะถูกดำเนินการแบบขนานบนเครื่องทั้งหมดใน cluster เริ่มต้นโดยการ import และสร้าง SparkSession และสร้าง DataFrame ด้วย spark.createDataFrame  โดยได้ผลลัพธ์ออกมาเป็นตารางที่ไม่มี index และเมื่อต้องการแสดงตาราง ให้ใช้ฟังก์ชัน show() และสามารถอ่านไฟล์ได้ เช่น การอ่าน csv file ด้วยฟังก์ชัน spark.read.csv ตัวอย่าง PySpark Transformations การทำ Transformations ใน PySpark มีลักษณะเป็นแบบ Lazy evaluation ซึ่งหมายความว่าจะไม่ถูกดำเนินการจนกว่าจะมีการเรียกใช้ Actions ตัวอย่างการแปลงใน PySpark มีดังนี้ ตัวอย่างการใช้งาน PySpark SQL PySpark รองรับการใช้คำสั่ง SQL เพื่อดำเนินการแปลงข้อมูล (Transformation) ซึ่งที่ต้องทำคือการสร้างตาราง (Table) หรือมุมมอง (View) จาก PySpark DataFrame ตัวอย่าง Note !! วิธีการตัดสินใจเลือกระหว่างใช้ Pandas หรือ PySpark การตัดสินใจเลือกระหว่าง Pandas หรือ PySpark มีหลายองค์ประกอบในการตัดสินใจ ไม่ว่าจะเป็น ขนาดของข้อมูล ทรัพยากรในการประมวลผลที่มีอยู่ และความต้องการเฉพาะของงานวิเคราะห์ข้อมูล References บทความโดย ดร.ภิรมย์มาส เตชิตณัฏฐ์ศรุต ตรวจทานและปรับปรุงโดย ดร.ขวัญศิริ ศิริมังคลา
2 October 2024

บทความ

รู้จัก MICROSOFT COPILOT AI ที่ช่วยลดระยะเวลาในการทำงานและเพิ่มประสิทธิภาพให้กับการทำงานของคุณ
ในช่วงหลายปีที่ผ่านมา AI หรือ Artificial Intelligence คงเป็นคำที่หลาย ๆ คนเคยได้ยินผ่านหูกันมาบ้างไม่มากก็น้อย ซึ่ง AI นั้นได้มีบทบาทและกลายเป็นส่วนหนึ่งของชีวิตมากขึ้นเรื่อย ๆ รวมถึงเปลี่ยนรูปแบบการใชชีวิต และการทำงานของคนหลายคนอีกด้วย Microsoft Copilot เป็นฟีเจอร์ใหม่ที่ทาง Microsoft พัฒนาขึ้นโดยใช้ความสามารถของ Generative AI เพื่อเพิ่มประสิทธิภาพการทำงานของ Application ต่าง ๆ เช่น Microsoft Office และ Microsoft Excel เป็นต้น  ในบทความนี้เราจะพูดถึงว่า Generative AI คืออะไร และ Microsoft Copilot สามารถใช้ทำอะไรได้บ้าง Generative AI คืออะไร Generative AI (Generative Artificial Intelligence) คือ AI ที่ใช้การเรียนรู้เชิงลึก (Deep Learning) มาใช้ในการสร้างสรรค์ สิ่งต่างๆ ได้อย่างหลากหลาย ในรูปแบบอัตโนมัติ เช่น ภาพ, เสียง, วิดีโอ, เนื้อหาข้อความ และ อื่นๆ ยกตัวอย่าง โมเดลที่เห็นได้ชัดกันทุกวันนี้คือ ChatGPT เป็นโมเดลที่ใช้ความสามารถของ Generative AI ในการประมวลผลจากเนื้อหาข้อมูลต่าง ๆ ในอินเทอร์เน็ต และ สร้างสรรค์คำตอบให้ตรงกับคำถามที่ทางผู้ใช้งาน input เข้าไป ณ ปัจจุบันมีหลายธุรกิจเริ่มมีการนำ Generative AI เข้ามาใช้งานกันอย่างต่อเนื่อง เพื่อช่วยในการสร้างสรรค์เนื้อหาที่แปลกใหม่ ช่วยในการลดระยะเวลาในการทำงานเพื่อให้งานเสร็จไวยิ่งขึ้น และเพิ่มประสิทธิภาพของการทำงานในบางสายงาน ซึ่งทั้งหมดนี้จะช่วยผลักดันธุรกิจให้สามารถก้าวหน้าไปอย่างก้าวกระโดด และทาง Microsoft ก็ได้เล็งเห็นถึงประโยชน์ ของ Generative AI จึงสร้างฟีเจอร์ Microsoft Copilot เพื่อให้ผู้ใช้งานสามารถทำงานได้อย่างมีประสิทธิภาพมากยิ่งขึ้น Microsoft Copilot สามารถใช้ทำอะไรได้บ้าง จากที่ได้กล่าวไว้ข้างต้น Microsoft Copilot ใช้ Generative AI มาประยุกต์เพื่อเพื่อเพิ่มประสิทธิภาพการทำงานของ Application ผมจะขอยกตัวอย่างทีละ Application ว่า Microsoft Copilot มีบทบาทอย่างไร Microsoft Teams เราสามารถนำ Microsoft Copilot มาใช้ในการประชุม Team เพื่อสรุปประเด็นการสนทนาที่สําคัญ รวมถึงแนะนํารายการการดําเนินการทั้งหมดแบบเรียลไทม์ในระหว่างการประชุม นอกเหนือจากด้านการประชุม Microsoft Copilot ก็สามารถที่จะรวบรวมทุกอย่างใน Teams ไว้ด้วยกัน เช่น บันทึก, อีเมล์, ปฏิทิน และ งานนำเสนอ เพื่อช่วยให้เราสามารถค้นหาสิ่งที่ต้องการได้สะดวกรวดเร็วยิ่งขึ้น รูปที่ 1 Microsoft Teams with Copilot(Source: https://copilot.cloud.microsoft/th-th/copilot-teams) Microsoft Word ในด้านของงานเอกสารหากเรา ยังคิดไม่ออกว่าจะเขียนอะไร Microsoft Copilot สามารถที่จะช่วยสร้างแบบร่าง เพื่อเป็นไอเดียเบื้องต้นให้เราเริ่มเขียนได้ง่ายยิ่งขึ้น หรือ บางทีหากเราเขียนเอกสารไปจนถึงกลางทางแล้วเกิดคิดไม่ออก Microsoft Copilot ก็สามารถที่จะช่วยต่อยอดจากเนื้อหาที่มีอยู่แล้วได้อีกด้วย นอกเหนือจากนี้ Microsoft Copilot สามารถแปลงข้อความที่เราเขียนให้กลายเป็นตารางได้ทันที เพื่อประหยัดเวลาในการสร้างตารางอีกด้วย และสุดท้ายหากเราต้องการจากเนื้อหาจำนวนมาก Microsoft Copilot ก็มีฟีเจอร์ที่สามารถช่วยสรุปใจความสำคัญได้ทันที รูปที่ 2 Microsoft Word with Copilot(Source: https://copilot.cloud.microsoft/th-th/copilot-word) Microsoft PowerPoint Microsoft Copilot สามารถสร้างงานนำเสนอด้วยเทมเพลตที่มีอยู่ ด้วยธีมที่เรามีอยู่แล้ว หรือสร้างงานนำเสนอใหม่ด้วยธีมหรือเทมเพลตจากไฟล์ใหม่แบบอัตโนมัติ ซึ่งช่วยให้เราไม่จำเป็นต้องเสียเวลาในการสร้างงานนำเสนอใหม่ตั้งแต่ต้น อย่างไรก็ตามเราอาจจะต้องมีการตรวจสอบอีกรอบนึงหลังจากใช้ฟีเจอร์นี้ เพื่อตรวจสอบความถูกต้องทั้งหมด นอกจากนี้ Microsoft Copilot ยังสามารถสร้างงานนําเสนอจากเอกสาร Word หรือ PDF ได้ทันทีอีกด้วย ซึ่งจะช่วยประหยัดเวลาการทำงานนำเสนอได้อย่างมาก ถ้าเทียบกับการที่เราต้องค่อยๆ หยิบเอาข้อมูลจาก Word หรือ PDF มาใส่ใน PowerPoint รูปที่ 3 Microsoft PowerPoint with Copilot(Source: https://copilot.cloud.microsoft/en-us/copilot-powerpoint) Microsoft Excel สำหรับ Microsoft Excel ตัว Microsoft Copilot ก็ยังสามารถช่วยให้เราสํารวจและทําความเข้าใจข้อมูลได้ดีขึ้น โดยการสร้างกราฟ Visualization ข้อมูลเบื้องต้น และถ้าเราต้องการจะดูข้อมูลเชิงลึก Microsoft Copilot ก็สามารถช่วยวิเคราะห์และแสดงภาพข้อมูลเชิงลึกได้เช่นกัน นอกจากนี้ยังสามารถช่วยไฮไลต์ กรอง และ เรียงลำดับข้อมูลได้ง่ายยิ่งขึ้น และถ้าหากเราต้องการใช้สูตรในการคำนวณที่ซับซ้อนทาง Microsoft Copilot ก็สามารถให้คำแนะนำและเสนอสูตรที่เหมาะสมกับสิ่งที่เราต้องการ รูปที่ 4 Microsoft Excel with Copilot(Source: https://copilot.cloud.microsoft/en-us/copilot-excel) OneNote นอกจากนี้ Microsoft Copilot ก็สามารถนำมาใช้กับ OneNote ได้เช่นกัน โดย Microsoft Copilot จะช่วยสรุปข้อความใน page ที่เราเคยจดมาจากการประชุม หรือ อื่น ๆ ให้อยู่ในรูปแบบที่สามารถแชร์ให้คนอื่นอ่านและเข้าใจได้ง่าย สามารถสร้าง to-do list อัตโนมัติจากสิ่งที่เราจดโน้ตเอาไว้ รวมถึงสร้าง plan สำหรับงานอีเว้นท์, การประชุม และ งานเฉลิมฉลอง จากข้อมูลที่มีได้อีกเช่นกัน รูปที่ 5 Microsoft OneNote with Copilot(Source: https://copilot.cloud.microsoft/en-us/copilot-onenote) อย่างไรก็ตาม Microsoft Copilot ก็ไม่ใช่เครื่องมือ AI เพียงเครื่องมือเดียวที่สามารถช่วยเพิ่มประสิทธิภาพการทำงานในองค์กร  ยังมี AI อื่น ๆ ที่มีความสามารถในการช่วยเหลือเหมือนกับ Microsoft Copilot เช่น บทสรุป จากสิ่งที่เล่ามาทั้งหมด จะเห็นได้ว่า Microsoft Copilot สามารถช่วยเหลือการทำงานของเราได้ ในหลาย ๆ ด้าน ไม่ว่าจะเป็นการประชุม, การทำเอกสาร, การทำงานนำเสนอ และ อื่น ๆ แต่อย่างไรก็ตาม AI อาจจะไม่ถูกต้องเสมอไป ในบางงาน Microsoft Copilot...
25 September 2024

บทความ

Responsible AI: ปัญญาประดิษฐ์ที่มีความรับผิดชอบ 
ในยุคที่เทคโนโลยีปัญญาประดิษฐ์ (AI) กำลังก้าวหน้าอย่างรวดเร็วและมีบทบาทสำคัญในหลากหลายแง่มุมของชีวิตเรา แนวคิดเรื่อง Responsible AI หรือปัญญาประดิษฐ์ที่มีความรับผิดชอบ จึงเป็นประเด็นที่ได้รับความสนใจมากขึ้นเรื่อย ๆ แต่ Responsible AI คืออะไร และทำไมจึงมีความสำคัญ ? บทความนี้จะพาคุณไปทำความรู้จักกับแนวคิดนี้อย่างละเอียด  Responsible AI คืออะไร?  Responsible AI หมายถึงแนวทางในการพัฒนา ใช้งาน และกำกับดูแลเทคโนโลยี AI ที่คำนึงถึงผลกระทบทางจริยธรรม สังคม และกฎหมาย โดยมุ่งเน้นให้ AI สร้างประโยชน์สูงสุดแก่มนุษย์และสังคม ขณะเดียวกันก็ลดความเสี่ยงและผลกระทบเชิงลบที่อาจเกิดขึ้น  หลักการสำคัญของ Responsible AI  1. ความโปร่งใส (Transparency): ระบบ AI ควรสามารถอธิบายกระบวนการตัดสินใจได้ เพื่อให้ผู้ใช้เข้าใจและตรวจสอบได้  2. ความเป็นธรรม (Fairness): ลดอคติและการเลือกปฏิบัติในการทำงานของ AI เพื่อให้มั่นใจว่าทุกคนได้รับการปฏิบัติอย่างเท่าเทียม  3. ความปลอดภัยและความน่าเชื่อถือ (Safety and Reliability): AI ต้องทำงานอย่างปลอดภัยและเชื่อถือได้ โดยมีการทดสอบและตรวจสอบอย่างรัดกุม  4. ความเป็นส่วนตัว (Privacy): ปกป้องข้อมูลส่วนบุคคลของผู้ใช้และเคารพสิทธิความเป็นส่วนตัว  5. ความรับผิดชอบ (Accountability): มีกลไกรับผิดชอบเมื่อเกิดปัญหาจากการใช้ AI และมีการกำหนดผู้รับผิดชอบอย่างชัดเจน  6. ผลกระทบต่อสังคม (Social Impact): พิจารณาผลกระทบในวงกว้างต่อสังคม เศรษฐกิจ และสิ่งแวดล้อม  Responsible AI เป็นแนวคิดสำคัญในการพัฒนาและใช้งานปัญญาประดิษฐ์อย่างมีความรับผิดชอบ โดยมุ่งเน้นการสร้างความไว้วางใจ ลดความเสี่ยง และส่งเสริมนวัตกรรมที่เป็นประโยชน์ต่อสังคม ขณะเดียวกันก็เตรียมพร้อมรับมือกับกฎระเบียบที่อาจเกิดขึ้นในอนาคต อย่างไรก็ตาม การนำ Responsible AI ไปปฏิบัติยังคงมีความท้าทายหลายประการ ทั้งในแง่ของความซับซ้อนของเทคโนโลยี การสร้างสมดุลระหว่างนวัตกรรมและความรับผิดชอบ ความแตกต่างทางวัฒนธรรม และการวัดผลความสำเร็จ การตระหนักถึงความสำคัญและความท้าทายเหล่านี้จะช่วยให้องค์กรและผู้พัฒนาสามารถก้าวไปข้างหน้าในการสร้างระบบ AI ที่มีประสิทธิภาพและรับผิดชอบต่อสังคมได้อย่างยั่งยืน  แนวทาง Responsible AI ของบริษัทเทคโนโลยีชั้นนำ  เพื่อให้เห็นภาพที่ชัดเจนขึ้นว่า Responsible AI ถูกนำไปปฏิบัติอย่างไรในโลกธุรกิจ เรามาดูการเปรียบเทียบแนวทางของบริษัทยักษ์ใหญ่ด้านเทคโนโลยี ได้แก่ Google, Microsoft, Amazon, IBM, OpenAI และ Facebook ดังตาราง  Google: ให้ความสำคัญกับความโปร่งใสและความเป็นธรรมใน AI เป็นอย่างมาก โดยมีหลักการ AI ที่ชัดเจนและเครื่องมืออย่าง AI Explainability เพื่อให้ผู้ใช้เข้าใจการทำงานของโมเดล AI ได้ดีขึ้น นอกจากนี้ Google ยังมีโครงการต่างๆ เช่น Project AI ที่มุ่งเน้นการพัฒนา AI ที่เป็นประโยชน์ต่อสังคม  Microsoft: เน้นย้ำถึงความรับผิดชอบและความปลอดภัยในการพัฒนา AI โดยมี Responsible AI Standard เป็นแนวทางในการพัฒนาผลิตภัณฑ์ AI ทั้งหมด นอกจากนี้ Microsoft ยังมีโครงการ AI for Earth และ AI for Good ที่มุ่งใช้ AI แก้ปัญหาสิ่งแวดล้อมและสังคม  Amazon: ให้ความสำคัญกับความโปร่งใสและความรับผิดชอบในการใช้ AI โดยมีเครื่องมือตรวจจับอคติและกระบวนการตรวจสอบที่เข้มงวด นอกจากนี้ Amazon ยังสนับสนุนการวิจัยด้าน AI ผ่านโครงการ Amazon Scholar และนำ AI มาใช้เพื่อพัฒนาผลิตภัณฑ์และบริการต่างๆ  IBM: เน้นย้ำถึงความน่าเชื่อถือ ความโปร่งใส และความเป็นธรรมในการพัฒนา AI โดยมีเครื่องมืออย่าง AI Fairness 360 และ AI OpenScale เพื่อช่วยให้นักพัฒนาสร้างโมเดล AI ที่เป็นธรรมและโปร่งใส นอกจากนี้ IBM ยังมีโครงการ Project Debater ที่พัฒนา AI เพื่อโต้แย้งกับมนุษย์  OpenAI: เน้นย้ำถึงความปลอดภัยและประโยชน์ต่อมนุษยชาติในการพัฒนา AI โดยใช้เทคนิค Reinforcement Learning from Human Feedback (RLHF) เพื่อฝึกสอนโมเดล AI ให้เป็นไปตามค่าที่มนุษย์ต้องการ นอกจากนี้ OpenAI ยังเปิดเผยข้อมูลทางเทคนิคเกี่ยวกับโมเดล AI เพื่อส่งเสริมความโปร่งใส  Meta (Facebook): เน้นย้ำถึงความเป็นธรรม ความโปร่งใส และความรับผิดชอบในการพัฒนา AI โดยมีเครื่องมือ Fairness Flow เพื่อช่วยให้นักพัฒนาตรวจสอบและแก้ไขปัญหาอคติในโมเดล AI นอกจากนี้ Meta ยังมี Oversight Board เพื่อตรวจสอบการตัดสินใจที่สำคัญของบริษัทเกี่ยวกับเนื้อหาบนแพลตฟอร์ม  บริษัทเทคโนโลยีชั้นนำเหล่านี้ต่างให้ความสำคัญกับการพัฒนา AI อย่างรับผิดชอบ โดยมีแนวทางและเครื่องมือที่หลากหลายเพื่อช่วยให้มั่นใจว่า AI จะถูกนำมาใช้ในทางที่ดีและเป็นประโยชน์ต่อสังคม  แนวทาง Responsible AI ของหน่วยงานภาครัฐในประเทศไทย  สำหรับประเทศไทย แม้จะยังไม่มีกรอบการทำงานหรือแนวทางปฏิบัติด้าน Responsible AI ที่เป็นทางการ แต่ก็มีความพยายามในการพัฒนาในด้านนี้ สรุปสถานการณ์ปัจจุบันของไทยได้ดังนี้:  1. ยุทธศาสตร์ปัญญาประดิษฐ์แห่งชาติ:     กระทรวงดิจิทัลเพื่อเศรษฐกิจและสังคม (MDES) ได้จัดทำ “ยุทธศาสตร์ปัญญาประดิษฐ์แห่งชาติ” ซึ่งมีการกล่าวถึงประเด็นด้านจริยธรรมและความรับผิดชอบในการพัฒนาและใช้งาน AI โดยหลักการสำคัญที่สะท้อนถึงแนวคิด Responsible AI ในยุทธศาสตร์ฯ ได้แก่   การพัฒนาอย่างยั่งยืน: เน้นการนำ AI มาใช้เพื่อแก้ไขปัญหาสังคมและเศรษฐกิจอย่างยั่งยืน โดยคำนึงถึงผลกระทบในระยะยาวต่อสิ่งแวดล้อมและสังคม  ความโปร่งใส: การพัฒนาและใช้งาน AI ต้องมีความโปร่งใส สามารถตรวจสอบได้ และสามารถอธิบายได้ว่า AI ทำงานอย่างไร  ความเป็นธรรม: การออกแบบและพัฒนา AI ต้องปราศจากอคติ และไม่ก่อให้เกิดความไม่เท่าเทียม  ความปลอดภัย: การพัฒนาและใช้งาน AI ต้องมีความปลอดภัย ไม่ก่อให้เกิดอันตรายต่อบุคคลหรือทรัพย์สิน  ความรับผิดชอบ: ผู้พัฒนาและผู้ใช้งาน AI ต้องมีความรับผิดชอบต่อผลกระทบที่เกิดจากการใช้งาน AI  2. แนวปฏิบัติจริยธรรมปัญญาประดิษฐ์ ของ ETDA:     แนวปฏิบัติจริยธรรมปัญญาประดิษฐ์ หรือ AI Ethics Guideline ที่จัดทำโดยสำนักงานพัฒนาวิทยาศาสตร์และเทคโนโลยีแห่งชาติ (สพธอ.) หรือ ETDA นั้น...
30 August 2024

บทความ

การสร้างอนาคตของการเรียนรู้: บทบาทของ AI ในยุคการศึกษา 4.0
เทคโนโลยีที่มีอยู่ในปัจจุบันมีความก้าวหน้าเป็นไปอย่างก้าวกระโดด ระบบการศึกษาทั่วโลกเผชิญกับความท้าทายอย่างที่ไม่เคยมีมาก่อน รายงานของ World Economic Forum (WEF) ประจำปี 2024 เรื่อง “การสร้างอนาคตของการเรียนรู้: บทบาทของปัญญาประดิษฐ์ในยุคการศึกษา 4.0” ได้สำรวจศักยภาพของเทคโนโลยีใหม่ ๆ โดยเฉพาะอย่างยิ่งในเรื่องการนำเอาปัญญาประดิษฐ์มาจัดการและพัฒนาในด้านการศึกษา   การศึกษา 4.0 คืออะไร  การศึกษา 4.0 เป็นกรอบการทำงานที่ครอบคลุมถึงการเปลี่ยนแปลงที่สำคัญและจำเป็นต่อการศึกษาในวัยเด็ก ส่งเสริมให้ได้ผลลัพธ์ทางการศึกษาที่ดีขึ้นอันเป็นพื้นฐานสำคัญต่อความต้องการของแรงงานในอนาคตตามรายงาน World Economic Forum’s Future of Jobs Report 2023 [1]   ในรายงานได้ระบุถึงประเด็นความท้าทายสำคัญ ๆ 3 ประเด็นใหญ่ อันได้แก่   ซึ่งประเด็นหลักทั้ง 3 นี้ถือได้ว่าเป็นปัญหาคุกคามที่ทำให้นักเรียนไม่พร้อมรับมือกับความต้องการของตลาดแรงงานในอนาคตได้  ศักยภาพของ AI ที่เข้ามาบทบาทให้เกิดประโยชน์ในการศึกษา 4.0  จากงานวิจัยของ WEF ซึ่งจัดทำขึ้นโดยร่วมมือกับ Accenture พบว่า 40% ของภาระงานอาจารย์ทั้งหมดที่ใช้ไปกับงานบริหาร โดยจากการสำรวจพบว่าภาระงาน เช่น การวางแผนการสอนหรือประเมินนักเรียนมีสัดส่วนอยู่ที่ 8%-20% ของภาระงานทั้งหมด ซึ่งงานอัตโนมัติหรืองานทำซ้ำเหล่านี้ สามารถนำโมเดลภาษาขนาดใหญ่ (LLM) เข้ามาใช้งานแทนได้ เช่น การใช้โมเดลภาษาขนาดใหญ่ในการรวบรวมรายชื่อหนังสือ วารสาร บทความ และสื่อโสตทัศน์ในหัวข้อที่เฉพาะเจาะจง และช่วยออกแบบการเรียนการสอน มุ่งเน้นไปที่งานสร้างสรรค์ หรือใช้เวลาร่วมกับนักเรียนได้มากยิ่งขึ้น  การปรับปรุงการประเมินและการวิเคราะห์ในด้านการศึกษา  จะเห็นได้ว่า เราสามารถใช้เทคโนโลยีมาปรับให้เป็นการทำงานแบบอัตโนมัติและลดภาระของอาจารย์ออกไปได้ อย่างไรก็ตาม การวิเคราะห์ดังกล่าวหากต้องการนำมาใช้งานให้เกิดประโยชน์ได้สูงสุด อาจารย์สามารถใช้ AI เพื่อมาเป็นผู้ช่วย โดยอาจารย์สามารถให้ตัวอย่างข้อเสนอแนะเพื่อให้ AI ได้เรียนรู้ และออกแบบสื่อการสอน รวมไปถึงการประเมินงาน ซึ่งการเรียนรู้ทั้งหมดจะถูกวิเคราะห์แบบเรียลไทม์ แทนที่จะต้องพึ่งพาการประเมินอย่างเป็นทางการเป็นระยะ ๆ เป็นการส่งเสริมสภาพแวดล้อมการเรียนรู้ที่ปรับเปลี่ยนได้ซึ่งตอบสนองความต้องการที่หลากหลายของนักเรียนได้อีกด้วย  การสนับสนุนปัญญาประดิษฐ์และความรู้ด้านดิจิทัล  การพัฒนาทักษะดิจิทัลถือเป็นสิ่งสำคัญในการสร้างภูมิทัศน์ทางเทคโนโลยีในปัจจุบัน และยังเป็นการวางรากฐานสำหรับทั้งปัญญาประดิษฐ์และความรู้ด้านดิจิทัล ความรู้ด้านดิจิทัลและปัญญาประดิษฐ์ไม่ได้จำกัดอยู่แค่ความสามารถในการใช้เครื่องมือและแพลตฟอร์มดิจิทัลเท่านั้น แต่ยังครอบคลุมถึงการคิดวิเคราะห์ การแก้ปัญหา ความคิดสร้างสรรค์ และการตระหนักถึงผลกระทบทางจริยธรรมของปัญญาประดิษฐ์ด้วย  การนำ AI เข้ามาบูรณาการในระบบการศึกษาไม่เพียงแต่เป็นโอกาสในการใช้เครื่องมือ AI ในการสอนเท่านั้น แต่ยังช่วยให้ผู้เรียนได้เรียนรู้เกี่ยวกับแนวคิดเกี่ยวกับ AI และผลกระทบต่อสังคมในวงกว้าง การนำ AI มาใช้ในระบบการศึกษามิได้หมายถึงผู้เรียนทุกคนจะต้องเป็นผู้เชี่ยวชาญด้าน AI แต่ควรเน้นที่การปลูกฝังความตระหนักรู้ ปลูกฝังความอยากรู้อยากเห็น และสร้างความเข้าใจพื้นฐานให้กับนักเรียน ยิ่งไปกว่านั้น การนำทักษะด้านไซเบอร์พื้นฐานมาผนวกเข้ากับหลักสูตรสามารถช่วยให้นักเรียนเรียนรู้วิธีการสร้างระบบ AI ที่แข็งแกร่งและปลอดภัยได้   การปรับแต่งเนื้อหาและประสบการณ์การเรียนรู้  จากการศึกษาวิจัยโดยเบนจามิน บลูม นักจิตวิทยาการศึกษา พบว่าการติวแบบตัวต่อตัว สัมฤทธิ์ผลมากกว่ากลุ่มนักเรียนที่ได้รับการเรียนการสอนแบบกลุ่มอย่างมีนัยสำคัญ แต่อย่างไรก็ตามข้อเสียของระบบการศึกษาแบบตัวต่อตัว ไม่สามารถนำไปประยุกต์ใช้ในวงกว้างได้ เนื่องจากสัดส่วนอาจารย์ต่อนักเรียนยังนับว่าเป็นเรื่องที่ท้าทาย ดังนั้นบทบาทของ AI และเทคโนโลยีที่สามารถนำมาปิดช่องว่างเหล่านี้ได้ เช่น AI สามารถคาดการณ์ในการเรียนรู้ ระบุช่องว่าง และออกแบบการเรียนรู้ส่วนบุคคลโดยวิเคราะห์ข้อมูลแนวโน้ม ประวัติการเรียนรู้ และประสิทธิภาพของนักเรียนได้ ทำให้ได้แบบเรียนที่สอดคล้องกับวัตถุประสงค์ในการเรียนรู้ จึงทำให้เนื้อหาทางการศึกษามีความเกี่ยวข้องมากขึ้นสำหรับผู้เรียนแต่ละคน  สรุปแล้ว AI มีศักยภาพอย่างมากที่จะปฏิวัติการศึกษา แต่การใช้งานต้องได้รับการพิจารณาอย่างรอบคอบ ด้วยการใช้ AI อย่างมีสติ เราสามารถเพิ่มผลลัพธ์การเรียนรู้ เพิ่มพลังให้กับการศึกษา และเตรียมความพร้อมให้นักเรียนมีทักษะที่จำเป็นในการประสบความสำเร็จในโลกที่เปลี่ยนแปลงอย่างรวดเร็ว รายงานของ WEF ฉบับนี้จึงเป็นการเรียกร้องให้นักการศึกษา ผู้กำหนดนโยบาย และผู้มีส่วนได้ส่วนเสียเข้าร่วมในการสนทนาและความร่วมมืออย่างมีความหมาย เพื่อสร้างระบบการศึกษาที่ตอบสนอง มีส่วนร่วม และพร้อมรับมือกับอนาคตในยุคของ AI  บทความโดย  ประภาพรรณ วิภาตวิทย์ ตรวจทานและปรับปรุงโดย นววิทย์ พงศ์อนันต์  เอกสารอ้างอิง  [1] World Economic Forum’s Future of Jobs Report 2023 
29 August 2024

บทความ

ปฏิวัติวงการ NLP: ทำไมการถ่ายทอดการเรียนรู้ (Transfer learning) จึงเป็นก้าวสำคัญของการประมวลผลภาษา
“การถ่ายทอดการเรียนรู้ (Transfer learning)” หลายคนอาจเคยได้ยินมาบ้างเกี่ยวกับการถ่ายทอดการเรียนรู้ในคอมพิวเตอร์กับงานด้านภาพหรือวิดีโอ แต่รู้หรือไม่ว่า การถ่ายทอดการเรียนรู้ก็สามารถประยุกต์ใช้กับงานด้านภาษาได้เช่นกัน ในช่วงหลายปีที่ผ่านมา มนุษย์มีความสามารถในการคาดการณ์สิ่งต่าง ๆ ได้ดียิ่งขึ้นโดยอาศัยเทคโนโลยีที่เรียกว่า การเรียนรู้ของเครื่อง (Machine learning) หลักการทำงานของเทคโนโลยีดังกล่าวคือการเรียนรู้และทำความเข้าใจข้อมูลที่ได้รับ และสร้างเป็นแบบจำลองที่มีประสิทธิภาพ การเรียนรู้ของแบบจำลองในปัจจุบันส่วนใหญ่เป็นงานเฉพาะด้าน เช่น การเรียนรู้เพื่อสร้างแบบจำลองสำหรับการจัดประเภทรูปภาพ การเรียนรู้เพื่อสร้างแบบจำลองสำหรับการคาดการณ์ล่วงหน้า ซึ่งแบบจำลองที่ถูกสร้างสำหรับงานเฉพาะด้านจะมีประสิทธิภาพที่สูงกับงานนั้น ๆ แต่ในทางกลับกัน แบบจำลองเหล่านั้น อาจเกิดข้อผิดพลาดได้ง่ายกับเงื่อนไข หรือข้อมูลที่ไม่เคยพบมาก่อน ในความเป็นจริง ข้อมูลที่ถูกนำมาให้แบบจำลองเรียนรู้อาจไม่สมบูรณ์ หรือไม่สามารถใช้งานได้ทันทีเหมือนแบบฝึกหัดที่ครูสอนในห้องเรียน ข้อมูลจริงมีโอกาสเกิดทั้ง ความผิดพลาด ความซับซ้อน และมีจำนวนที่น้อย ยกตัวอย่างเช่น ข้อมูลภาพถ่ายความร้อนในห้องน้ำสำหรับแบบจำลองการตรวจจับการล้ม[1] ซึ่งภาพถ่ายความร้อนในห้องน้ำสำหรับการตรวจจับการล้มนั้นเป็นข้อมูลที่เก็บได้ยาก เนื่องจากการล้มในห้องน้ำไม่ได้เกิดขึ้นบ่อย จึงทำให้ข้อมูลที่เก็บได้มีจำนวนน้อย อาจส่งผลให้แบบจำลองที่ถูกเรียนรู้จากข้อมูลดังกล่าวไม่สามารถคาดการณ์สิ่งต่าง ๆ ได้ดีพอ การถ่ายทอดการเรียนรู้จึงถูกนำมาใช้เพื่อแก้ไขปัญหาดังกล่าว โดยมีหลักการทำงานคือ การถ่ายทอดการเรียนรู้จากแบบจำลองหนึ่งไปยังอีกแบบจำลองหนึ่งดังภาพที่ 1 การถ่ายทอดการเรียนรู้ นิยมนำไปประยุกต์ใช้กับงานทางด้าน คอมพิวเตอร์วิทัศน์ (Computer Vision) เช่น การประมวลผลภาพ หรือวิดีโอ เพื่อให้คอมพิวเตอร์สามารถเข้าใจทัศนียภาพ หรือจำแนกวัตถุต่าง ๆ เนื่องจากแบบจำลองสำหรับงานด้านนี้มีพารามิเตอร์เป็นจำนวนมาก ซึ่งจำเป็นต้องใช้ชุดข้อมูลขนาดใหญ่ในการเรียนรู้ของแบบจำลอง โดยอาจใช้เวลาหลายวัน หรือหลายสัปดาห์ในการเรียนรู้ เพื่อให้แบบจำลองสามารถคาดการณ์สิ่งต่าง ๆ ออกมาได้ดียิ่งขึ้น ซึ่งการเรียนรู้แบบจำลองนั้นเป็นความท้าทายอย่างหนึ่งของผู้ที่สนใจในด้านนี้ จึงมีการจัดการแข่งขันที่มากมายในแต่ละปีเพื่อสร้างแบบจำลองที่ดีที่สุด ตัวอย่างเช่น การแข่งขัน ImageNet Large Scale Visual Recognition Challenge (ILSVRC) ที่จัดขึ้นเป็นประจำทุกปี เพื่อเชิญชวนให้นักวิจัยจากทุกมุมโลกมาเข้าร่วม และแข่งกันกันแสดงศักยภาพแบบจำลองของตนเอง ซึ่งทีม Visual Geometry Group (VGG)  ได้รับรางวัลรองชนะเลิศอันดับ 1 ในปี ค.ศ. 2014 และมีชื่อเสียงมากในวงการนี้ แบบจำลองที่น่าสนใจของ VGG มีชื่อว่า VGG-16 ซึ่งมีการใช้ Convolution network เป็นโครงสร้างหลัก  แบบจำลองดังกล่าวสามารถตรวจจับองค์ประกอบของรูปภาพได้ (ขอบ รูปแบบ สไตล์ และอื่นๆ) สถาปัตยกรรมของแบบจำลอง VGG-16 ค่อนข้างซับซ้อน มีเลเยอร์ที่หลากหลายและพารามิเตอร์จำนวนมาก ซึ่งผลลัพธ์ที่ได้แสดงให้เห็นว่า ชั้นประมวลผลที่ซ่อนอยู่ (Hidden layers) ของแบบจำลองสามารถตรวจจับองค์ประกอบในงานแต่ละงานได้ดี แนวคิดการถ่ายทอดการเรียนรู้ กล่าวคือ เลเยอร์ระหว่างกลางภายในแบบจำลองถือเป็นความรู้ทั่วไปที่แบบจำลองได้รับการฝึกอบรม ถ้ามองในมุมของแบบจำลอง VGG-16 ความรู้นั้นคือองค์ประกอบที่เกี่ยวกับภาพ เราสามารถใช้มันเป็นเครื่องมือสร้างแบบจำลองที่มีประสิทธิภาพ ซึ่งสามารถทำได้โดยการนำแบบจำลองที่ผ่านการเรียนรู้แล้ว มาประยุกต์ใช้กับแบบจำลองใหม่ โดยเปลี่ยนเป้าหมายหรือวัตถุประสงค์ของแบบจำลองตามที่ต้องการ ข้อมูลที่นำมาใช้สำหรับการเรียนรู้แบบจำลองใหม่จะมีลักษณะที่แตกต่างออกไปจากแบบจำลองเดิม จึงจำเป็นต้องเรียนรู้ใหม่อีกครั้ง โดยการเรียนรู้ของแบบจำลองครั้งนี้จะใช้ระยะเวลาที่สั้นขึ้น นอกเหนือจากการเรียนรู้แบบจำลองที่เร็วขึ้นแล้ว การถ่ายทอดการเรียนรู้ยังเป็นสิ่งที่น่าสนใจเป็นพิเศษเช่นกัน การถ่ายทอดการเรียนรู้ทำให้ใช้ข้อมูลที่มีการกำกับ (Label) น้อยลง เมื่อเทียบกับชุดข้อมูลขนาดใหญ่ที่ถูกใช้ในการเรียนรู้แบบจำลองตั้งต้น ซึ่งข้อมูลที่มีการกำกับเป็นข้อมูลที่หายากและมีมูลค่าสูง ดังนั้นการถ่ายทอดการเรียนรู้เพื่อสร้างแบบจำลองที่มีคุณภาพโดยไม่ต้องใช้ข้อมูลขนาดใหญ่จึงเป็นที่นิยม การถ่ายทอดการเรียนรู้ในงานด้านภาษา (Transfer Learning in Natural Language Processing, NLP) ความก้าวหน้าในการเรียนรู้เชิงลึกสำหรับ NLP นั้นเติบโตน้อยกว่างานในด้าน Computer vision เนื่องจากคอมพิวเตอร์สามารถเรียนรู้ ขอบภาพ วงกลม สี่เหลี่ยม รูปร่างที่ปรากฏ ว่ามีลักษณะเป็นอย่างไร แล้วนำความรู้นี้ไปทำสิ่งต่าง ๆ แต่ในงานด้านภาษาไม่ได้ตรงไปตรงมาเหมือนงานด้านรูปภาพ ความพยายามแรกเริ่มที่ได้รับความนิยมในการถ่ายทอดการเรียนรู้ของ NLP คือการทำแบบจำลอง word embedding ตัวอย่างเช่น Word2Vec [2] และ Glove [3]  ที่นิยมใช้กันอย่างแพร่หลาย การแปลงคำให้เป็นตัวเลขหรือเวกเตอร์นี้ อาศัยบริบทแวดล้อมของคำนั้นๆ เพื่อสร้างการแทนค่าเชิงตัวเลข โดยคำที่มีความหมายใกล้เคียงกันจะมีค่าเวกเตอร์ที่ใกล้เคียงกันด้วย จากบทความ Word2Vec [2] แสดงให้เห็นว่าแบบจำลองสามารถเรียนรู้ความสัมพันธ์ระหว่างชื่อประเทศกับชื่อเมืองหลวงของประเทศได้อย่างแม่นยำ สิ่งนี้ทำให้ Word2Vec ได้รับการยอมรับอย่างกว้างขวางในวงการ NLP นอกจากนี้ ยังเปิดทางให้มีการพัฒนาวิธีการแทนค่า (representation) ของคำ ตัวอักษร และเอกสารที่มีประสิทธิภาพมากขึ้นต่อไป การถ่ายทอดการเรียนรู้ใน NLP นั้นมีข้อจำกัด คือการจัดการกับภาษาที่ต่างกัน เช่น แบบจำลองที่ได้รับการเรียนรู้ด้วยภาษาอังกฤษ จะไม่สามารถที่จะนำไปใช้กับภาษาอื่น ๆ เนื่องจากรูปแบบไวยากรณ์ของแต่ละภาษามีความแตกต่างกัน เมื่อปี 2018 Howard และ Ruder ได้นำเสนอแบบจำลอง Universal Language Model Fine-tuning (ULMFiT) [4] เพื่อเป็นแนวทางในการถ่ายทอดการเรียนรู้สำหรับ NLP แนวคิดหลักของแบบจำลองนี้มาจากแบบจำลองภาษา ซึ่งเป็นแบบจำลองที่สามารถคาดการณ์คำถัดไปโดยพิจารณาจากคำที่มีอยู่ เปรียบเสมือนการใช้โทรศัพท์มือถือรุ่นใหม่ ๆ ที่มีการคาดการณ์คำถัดไปให้ผู้ใช้งานในขณะที่ผู้ใช้งานกำลังพิมพ์ข้อความ ถ้าผลลัพธ์ที่ได้จาการคาดการณ์คำถัดไปของแบบจำลอง NLP ถูกต้อง นั่นหมายความว่า แบบจำลองได้เรียนรู้ และทำความเข้าใจเกี่ยวกับโครงสร้างภาษาเป็นอย่างดี ดังนั้นความรู้ดังกล่าวจึงเป็นจุดเริ่มต้น ในการเรียนรู้แบบจำลองงานอื่น ๆ ที่กำหนดขึ้นเอง ULMFiT ได้ถูกพัฒนาโดยใช้โครงสร้าง ASGD Weight-Dropped LSTM (AWD-LSTM) [5]  ซึ่งเป็นหนึ่งในแบบจำลองภาษาที่ได้รับความนิยม และถูกใช้อ้างอิงในเอกสารต่าง ๆ อีกมาก อีกทั้งยังเป็น LSTM ที่ดีที่สุดสำหรับการสร้างแบบจำลองภาษาในปัจจุบัน เมื่อแบบจำลองได้เรียนรู้รูปแบบภาษา มันสามารถนำไปประยุกต์ใช้กับงานอื่น ๆ ได้ แต่การนำไปใช้จริงยังคงต้องการปรับแต่งแบบจำลองเพื่อให้เหมาะสมกับงาน โดยเริ่มจากการฝึกอบรมรูปแบบภาษาสำหรับงานที่ใช้ หลังจากนั้นจึงฝึกอบรมสำหรับการทำงานจริง เช่น การฝึกอบรมให้แบบจำลองการจำแนกประเภท จากภาพที่ 4 การทำงานของ ULMFiT แบ่งออกเป็น 3 ขั้นตอนหลัก ได้แก่ LM pre-training คือการฝึกอบรม ULMFiT สำหรับรูปแบบภาษาทั่วไป ผลลัพธ์ที่ได้ คือแบบจำลองได้รับการเรียนรู้คุณสมบัติทั่วไปของภาษานั้น นอกจากนั้น การ pre-training จะมีประสิทธิภาพยิ่งขึ้นโดยเฉพาะข้อมูลที่มีขนาดเล็ก หรือกลาง LM fine-tuning นั้น เป็น การฝึกอบรม ULMFiT สำหรับรูปแบบภาษาเฉพาะ ผลลัพธ์ที่ได้ คือแบบจำลองที่มีรูปแบบที่เหมาะสม เพื่อใช้กับงานที่มีเป้าหมายแบบเฉพาะเจาะจง Classifier Fine-Tuning จะเป็นการฝึกอบรม ULMFiT สำหรับงานนั้น จากการทดสอบประสิทธิภาพในบทความ ULMFiT [4] พบว่าการใช้รูปแบบภาษาที่ได้รับการฝึกอบรมมาก่อน ทำให้การสร้างแบบจำลองจำแนกประเภทใช้ข้อมูลน้อยลง เช่น ผลลัพธ์จากการวิเคราะห์ IMDb ด้วยข้อมูลเพียง 100 ข้อมูล (เส้นสีเขียว) สามารถลดอัตราการผิดพลาดของแบบจำลองได้เทียบเท่ากับแบบจำลองที่ได้รับการฝึกอบรมด้วยข้อมูล 20,000 ข้อมูล (เส้นสีน้ำเงิน) ดังแสดงในรูปภาพที่ 5 และทั้งหมดนี้คือภาพรวมของการถ่ายทอดการเรียนรู้ที่สามารถนำไปใช้ในด้านการประมวลผลภาษา ความก้าวหน้าที่ได้รับจาก ULMFiT ได้ส่งเสริมการวิจัยในการถ่ายทอดการเรียนรู้สำหรับ...
8 August 2024
PDPA Icon

We use cookies to optimize your browsing experience and improve our website’s performance. Learn more at our Privacy Policy and adjust your cookie settings at Settings

Privacy Preferences

You can choose your cookie settings by turning on/off each type of cookie as needed, except for necessary cookies.

Accept all
Manage Consent Preferences
  • Strictly Necessary Cookies
    Always Active

    This type of cookie is essential for providing services on the website of the Personal Data Protection Committee Office, allowing you to access various parts of the site. It also helps remember information you have previously provided through the website. Disabling this type of cookie will result in your inability to use key services of the Personal Data Protection Committee Office that require cookies to function.
    Cookies Details

  • Performance Cookies

    This type of cookie helps the Big Data Institute (Public Organization) understand user interactions with its website services, including which pages or areas of the site are most popular, as well as analyze other related data. The Big Data Institute (Public Organization) also uses this information to improve website performance and gain a better understanding of user behavior. Although the data collected by these cookies is non-identifiable and used solely for statistical analysis, disabling them will prevent the Big Data Institute (Public Organization) from knowing the number of website visitors and from evaluating the quality of its services.

  • Functional Cookies

    This type of cookie enables the Big Data Institute (Public Organization)’s website to remember the choices you have made and deliver enhanced features and content tailored to your usage. For example, it can remember your username or changes you have made to font sizes or other customizable settings on the page. Disabling these cookies may result in the website not functioning properly.

  • Targeting Cookies

    "This type of cookie helps the Big Data Institute (Public Organization) understand user interactions with its website services, including which pages or areas of the site are most popular, as well as analyze other related data. The Big Data Institute (Public Organization) also uses this information to improve website performance and gain a better understanding of user behavior. Although the data collected by these cookies is non-identifiable and used solely for statistical analysis, disabling them will prevent the Big Data Institute (Public Organization) from knowing the number of website visitors and from evaluating the quality of its services.

Save settings
This site is registered on wpml.org as a development site. Switch to a production site key to remove this banner.