Artificial Intelligence

ข่าวและบทความที่เกี่ยวข้อง

Related news and articles

PostType Filter En

บทความ

Responsible AI: พลิกมุมคิด รับมือสู่อนาคตที่ปลอดภัยและโปร่งใสในโลกของปัญญาประดิษฐ์
ในยุคที่ปัญญาประดิษฐ์ (AI) เข้ามามีบทบาทสำคัญต่อการดำเนินธุรกิจและการใช้ชีวิตประจำวัน เราจำเป็นต้องเข้าใจว่า AI ไม่ใช่แค่เครื่องมือธรรมดา แต่เป็นเทคโนโลยีที่สามารถใช้งานได้หลากหลาย ส่งผลให้ผู้ใช้มีอิทธิพลต่อผลลัพธ์ที่เกิดขึ้น เปรียบเสมือนกับค้อนที่สามารถใช้ตอกตะปูหรือทำกิจกรรมอื่น ๆ ได้ จึงควรเตรียมความพร้อมและสร้างความเข้าใจให้กับบุคลากรและผู้มีส่วนได้ส่วนเสีย เพื่อป้องกันความเสี่ยงไม่ว่าจะเป็น ความเสี่ยงที่เกิดจากการกระทำโดยเจตนา (Intentional) เช่น Deepfake Scam หรือ Autonomous Weapons และความเสี่ยงที่ไม่ได้เกิดจากความตั้งใจ (Unintentional) เช่น ความผิดพลาดโดยไม่เจตนา หรือภัยธรรมชาติ ซึ่งเป็นปัญหาหลักที่องค์กรควรให้ความสำคัญ โดยรวมถึงข้อมูลที่ AI ใช้ในการเรียนรู้เกิดความลำเอียง (Bias Training Data) AI สร้างข้อมูลหรือเนื้อหาที่ไม่ถูกต้อง ไม่เป็นความจริง หรือไม่สมเหตุสมผล (Hallucination) คำแนะนำหรือการตัดสินใจที่ผิดพลาด ปัญหาลิขสิทธิ์ เป็นต้น โดยเฉพาะอย่างยิ่ง หากท่านผู้อ่านเป็นผู้บริหารแล้ว ควรทำความเข้าใจและจัดการความเสี่ยงจาก AI อย่างรอบด้านผ่านคำถาม ดังนี้ หลักการกำกับดูแล AI (AI Principles) แนวทางในการพัฒนา ใช้งาน และกำกับดูแลเทคโนโลยี AI คำนึงถึงผลกระทบทางจริยธรรม สังคม และกฎหมาย โดยเน้นให้ AI สร้างประโยชน์ต่อมนุษย์และสังคม พร้อมลดความเสี่ยงและผลกระทบเชิงลบที่อาจเกิดขึ้น  ได้แก่ ภาพรวม AI Governance ในระดับสากลและไทย ในระดับสากล โดยเฉพาะสหประชาชาติ (UN) ให้ความสำคัญกับการกำกับดูแล AIโดยเน้นไปที่ สิทธิมนุษยชน จริยธรรม และความยุติธรรม เป็นหลัก ต่างจากสหรัฐอเมริกา ที่ขับเคลื่อนด้วยกลไกตลาด เน้นการแข่งขัน ประสิทธิภาพ และนวัตกรรมมากกว่า จีนเน้นการลงทุนโครงสร้างพื้นฐาน และการควบคุมโดยรัฐ และสหภาพยุโรปเน้นการกำกับดูแลเพื่อปกป้องสิทธิเสรีภาพของประชาชน สำหรับประเทศไทย คาดว่าจะไม่มีการออกกฎหมาย AI ในเร็วๆ นี้ และแนวโน้ม คือการพัฒนามาตรฐานอุตสาหกรรมโดยหลายภาคส่วนร่วมกัน ไม่ใช่แค่รัฐบาลเดียว องค์กรจึงควรแสดงให้เห็นว่าการใช้ AI สอดคล้องกับนโยบายเพื่อหลีกเลี่ยงการถูกมองว่าไม่รับผิดชอบต่อสังคมหรือที่เรียกว่า Social License to Operate และเพื่อประเมินความเสี่ยงของผลิตภัณฑ์ โดยเทียบกับ EU AI Act ที่แบ่งความเสี่ยงเป็น 4 ระดับตามแนวทาง Risk-Based Approach ได้แก่ โดยสิ่งที่สำคัญคือจะต้องใช้แนวทางในการ “อิงตามความเสี่ยง (Risk-Based)” เพื่อให้เข้าใจประเภทของความเสี่ยง (กฎหมาย จริยธรรม การดำเนินงาน) และใช้แนวทาง Integration-Based เพื่อบูรณาการและพิจารณาร่วมกันจากหลาย ๆ ฝ่ายโดยใช้เครื่องมือและกลไกที่หลากหลาย บทสรุป การกำกับดูแล AI ถูกให้ความสำคัญทั้งในระดับสากลและในประเทศไทย โดยมีเป้าหมายเพื่อคุ้มครองสิทธิส่วนบุคคลและสร้างความยุติธรรมในการใช้งาน เทรนด์ทั่วโลกสะท้อนให้เห็นหลายแนวทาง ไม่ว่าจะเป็นการเน้นจริยธรรมและสิทธิมนุษยชนของสหประชาชาติ การขับเคลื่อนด้วยนวัตกรรมในสหรัฐอเมริกา หรือการควบคุมโดยรัฐในจีน ขณะที่สหภาพยุโรปออกกฎหมายเพื่อคุ้มครองเสรีภาพประชาชน สำหรับไทย แม้ยังไม่มีการออกกฎหมาย AI โดยตรง แต่มีแนวโน้มเน้นการพัฒนามาตรฐานร่วมกันจากหลายภาคส่วน องค์กรจึงควรดำเนินงานอย่างโปร่งใสและมีความรับผิดชอบต่อสังคม ควรประเมินความเสี่ยงของ AI ด้วยแนวทางอิงตามความเสี่ยง เพื่อให้มั่นใจว่าสอดคล้องกับมาตรฐานและไม่เกิดผลกระทบเชิงลบ โดยเฉพาะกับระบบที่มีความเสี่ยงสูง ทั้งนี้ การบูรณาการความร่วมมือกับหลายฝ่ายและเลือกใช้เครื่องมือที่เหมาะสมจะช่วยสร้างความเชื่อมั่นในการนำ AI ไปใช้ในสังคมได้อย่างยั่งยืน เอกสารอ้างอิง https://arxiv.org/pdf/2407.01294 https://www.aiaaic.org/aiaaic-repository https://www.theguardian.com/society/article/2024/jun/23/dwp-algorithm-wrongly-flags-200000-people-possible-fraud-error https://doi.org/10.1007/s13347-021-00474-3 https://s41721.pcdn.co/wp-content/uploads/2021/06/Executive-Summary-2022-Report.pdf https://aiindex.stanford.edu/wp-content/uploads/2023/04/HAI_AI-Index-Report_2023.pdf
7 July 2025

บทความ

รู้จักกับ Thai AI Service Platform ปัญญาประดิษฐ์สัญชาติไทย
ในปัจจุบันเทคโนโลยีปัญญาประดิษฐ์ หรือ AI เข้ามามีบทบาทสำคัญในการพลิกโฉมธุรกิจในหลากหลายด้าน ด้วยความสามารถที่พัฒนาขึ้นอย่างต่อเนื่อง ทำให้ AI กลายเป็นเครื่องมือสำคัญในยุคดิจิทัลที่ทั่วโลกไม่อาจปฎิเสธได้ หน่วยงานภาครัฐของไทยได้ตระหนักถึงความสำคัญนี้ จึงริเริ่มพัฒนา แพลตฟอร์ม Thai AI เพื่อสร้างเครื่องมือที่ตอบโจทย์สำหรับการเปลี่ยนแปลงอย่างรวดเร็วของเทคโนโลยีด้านปัญญาประดิษฐ์ ที่จะช่วยเสริมสร้างความแกร่งให้กับภาคธุรกิจ พร้อมทั้งยกระดับความสามารถทางเทคโนโลยีของประเทศไทยให้ทัดเทียมกับนานาประเทศ ที่มาของ Thai AI  Thai AI Service Platform หรือที่รู้จักในชื่อ Thai AI และ AI for Thai เป็นแพลตฟอร์มปัญญาประดิษฐ์สัญชาติไทยที่พัฒนาขึ้นโดยกลุ่มวิจัยปัญญาประดิษฐ์ (AINRU) ศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ (NECTEC) เพื่อสนับสนุนการใช้งาน AI ในประเทศไทย โดยมีวัตถุประสงค์เพื่อให้ผู้ใช้งาน 3 กลุ่มหลักมีแพลตฟอร์ม AI ที่รองรับการใช้งานด้วยภาษาไทย ได้แก่ นักพัฒนาระบบ ผู้ประกอบการ SME และ Start Up รวมถึงบริษัทเอกชนต่าง ๆ โดย Thai AI ได้รับการพัฒนาขึ้นให้มีความสามารถด้วยกัน 3 ด้านหลัก ๆ ดังนี้ เนื่องจาก Thai AI ถูกออกแบบมาเพื่อตอบโจทย์การใช้งานของคนไทยโดยเฉพาะ จึงมีความสามารถที่โดดเด่น 3 ประการ ได้แก่ นอกจากนี้แพลตฟอร์มนี้ยังเปิดโอกาสให้นักพัฒนาและนักวิจัยสามารถนำ API ไปต่อยอดเพื่อสร้างแอปพลิเคชันที่เป็นประโยชน์ต่อธุรกิจและสังคม ซึ่งสามารถเข้าไปดูรายละเอียดเกี่ยวกับข้อมูลและวิธีการใช้งานได้ที่ AI FOR THAI – Thai AI Service Platform Thai AI คือปัญญาประดิษฐ์สัญชาติไทยที่มาพร้อมความสามารถรอบด้าน ทั้งการประมวลผลข้อความ รูปภาพ และเสียง ซึ่งการพัฒนา Thai AI นับเป็นก้าวสำคัญที่สะท้อนให้เห็นถึงความมุ่งมั่นของภาครัฐในการปรับตัวให้ทันกับการเปลี่ยนแปลงของเทคโนโลยี ทั้งยังเป็นการเปิดโอกาสให้คนไทยได้เรียนรู้และนำ AI ไปต่อยอดสร้างสรรค์นวัตกรรมใหม่ ๆ ในหลากหลายด้าน ไม่ว่าจะเป็นธุรกิจ การศึกษา หรือการพัฒนาอุตสาหกรรมดิจิทัล ซึ่งจะ เป็นการผลักดันประเทศไทยให้ก้าวไปสู่อนาคตที่ขับเคลื่อนด้วย AI อย่างยั่งยืนและเต็มศักยภาพในเวลาอันใกล้! แหล่งอ้างอิง
2 July 2025

บทความ

AI Co-worker เพื่อนร่วมงานดิจิทัล: พลิกโฉมกระบวนการทำงานขององค์กรยุคใหม่ 
ปัญญาประดิษฐ์ (Artificial Intelligence: AI) กำลังกลายเป็นกระแสสำคัญที่พลิกโฉมรูปแบบการทำงานในยุคปัจจุบัน องค์กรทั่วโลกต่างเร่งลงทุนในเทคโนโลยี AI รวมมูลค่านับพันล้านดอลลาร์ โดยในสหรัฐอเมริกา มีถึง 92% ของบริษัทที่วางแผนเพิ่มงบประมาณด้าน AI อย่างไรก็ตาม กลับมีเพียงส่วนน้อยที่เชื่อมั่นว่าบริษัทของตนมีความพร้อมอย่างเต็มที่ในการนำ AI ไปใช้ได้อย่างมีประสิทธิภาพ รายงานวิจัยหลายฉบับประเมินว่า AI จะสามารถสร้างมูลค่าเพิ่มให้เศรษฐกิจโลกได้สูงถึง 4.4 ล้านล้านดอลลาร์ภายในปี 2030 ขณะเดียวกัน World Economic Forum ได้คาดการณ์ว่า Generative AI จะเข้ามามีบทบาทในประมาณ 40% ของชั่วโมงการทำงานทั่วโลก ซึ่งจะส่งผลให้ลักษณะงานของแรงงานจำนวนมากเปลี่ยนแปลงไปอย่างมาก กล่าวได้ว่า AI ในฐานะผู้ช่วยยุคใหม่ กำลังเข้ามาทำงานที่มีลักษณะซ้ำซ้อนแทนมนุษย์ และในขณะเดียวกันยังช่วยเสริมศักยภาพ เพิ่มประสิทธิภาพ และเปิดโอกาสใหม่ในการทำงานอย่างที่ไม่เคยมีมาก่อน  AI ในบทบาทของ “เพื่อนร่วมงานดิจิทัล” กำลังเข้ามาช่วยลดเวลาในการทำงานในแต่ละภารกิจได้อย่างมีประสิทธิภาพ งานวิจัยจากสถาบัน MIT ระบุว่า เครื่องมืออย่าง ChatGPT ช่วยให้พนักงานสามารถเขียนอีเมล เอกสาร และบทวิเคราะห์ได้เร็วขึ้นถึง 40% ขณะเดียวกัน การใช้ AI ในการเขียนโค้ดช่วยลดระยะเวลาในการพัฒนาซอฟต์แวร์ได้ถึง 56% ในแวดวงการแพทย์ ระบบ Generative AI ของ Northwestern Medicine ถูกนำมาใช้ในการร่างรายงานทางรังสีวิทยาโดยอัตโนมัติ เพิ่มประสิทธิภาพได้ 15–40% โดยบางกรณีสามารถช่วยให้รังสีแพทย์ปฏิบัติงานได้เร็วขึ้นเป็นสองเท่า สำหรับภาคบริการ หลายองค์กรเริ่มนำระบบ chatbot มาใช้เพื่อตอบคำถามทั่วไปได้ตลอด 24 ชั่วโมง โดยสามารถจัดการคำถามเบื้องต้นแทนเจ้าหน้าที่ได้ถึง 80% อย่างรวดเร็วและต่อเนื่อง เครื่องมือ AI จึงมีบทบาทสำคัญในฐานะผู้ช่วยด้านการจัดตารางงาน การให้บริการลูกค้า การร่างสัญญา และการวางแผนข้อมูล ส่งผลให้พนักงานมีเวลาไปมุ่งเน้นงานที่สร้างคุณค่าและผลลัพธ์เชิงกลยุทธ์มากยิ่งขึ้น  ปัจจุบันองค์กรต่าง ๆ ได้นำเทคโนโลยีปัญญาประดิษฐ์ (AI) เข้ามาประยุกต์ใช้ในกระบวนการทำงานในหลายภาคส่วน เพื่อยกระดับประสิทธิภาพและความรวดเร็วในการดำเนินงาน ตัวอย่างที่ชัดเจน ได้แก่  เครื่องมือ AI เหล่านี้กำลังมีบทบาทสำคัญในการสนับสนุนการตัดสินใจขององค์กรอย่างมีประสิทธิภาพ การสำรวจหนึ่งระบุว่า 80% ของพนักงานที่ใช้ AI เชื่อว่าเครื่องมือดังกล่าวช่วยให้พวกเขาทำงานได้ดีขึ้นอย่างชัดเจน โดยเฉพาะในด้านการขายและการตลาด AI ยังสามารถช่วยปรับแต่งเนื้อหาให้เหมาะกับลูกค้าแต่ละกลุ่ม และสร้างกลุ่มเป้าหมายใหม่ได้รวดเร็วและแม่นยำ ส่งผลให้ความเร็วในการตัดสินใจและการดำเนินกลยุทธ์ขององค์กรเพิ่มขึ้นอย่างต่อเนื่อง  ข้อมูลจากงานวิจัยระดับโลก  ผลการวิจัยจากหลายแหล่งสะท้อนให้เห็นถึงการเติบโตอย่างรวดเร็วของการใช้เทคโนโลยีปัญญาประดิษฐ์ (AI) และความคาดหวังที่เพิ่มขึ้นอย่างต่อเนื่อง รายงานของ McKinsey ในปี 2025 ระบุว่า กว่า 75% ของบริษัททั่วโลกได้เริ่มนำ AI มาใช้ในอย่างน้อยหนึ่งฟังก์ชันขององค์กร และเกือบทุกบริษัทมีแผนจะลงทุนเพิ่มเติมในด้าน AI ขณะที่รายงานของ Thomson Reuters คาดการณ์ว่า ในอนาคตอันใกล้ มากกว่า 50% ของรูปแบบงานจะมีความเกี่ยวข้องกับ AI โดยตรง โมเดลเศรษฐศาสตร์ของ McKinsey ยังประเมินว่า เทคโนโลยี Generative AI เพียงอย่างเดียว อาจสามารถเพิ่มผลิตภัณฑ์มวลรวมภายในประเทศ (GDP) ได้ถึง 0.6% ต่อปี ภายในปี 2040  ในด้านมุมมองของแรงงาน รายงานของ OECD พบว่า พนักงาน 4 ใน 5 คนที่ได้ใช้งาน AI ระบุว่าประสิทธิภาพในการทำงานของตนดีขึ้น และ 3 ใน 5 คนรู้สึกว่างานของตนสนุกมากขึ้น การใช้ AI อย่างต่อเนื่องส่งผลให้เกิดความต้องการในการพัฒนาทักษะและฝึกอบรมเพิ่มเติมอย่างต่อเนื่องเช่นกัน ที่น่าสนใจคือ พนักงานมีแนวโน้มที่จะมองเห็นศักยภาพของ AI มากกว่าผู้บริหารถึง 3 เท่า ขณะเดียวกัน ซีอีโอจำนวนมากยังรับรู้ถึงความเสี่ยงในการสูญเสียความสามารถในการแข่งขัน หากองค์กรของตนปรับตัวด้าน AI ได้ล่าช้า โดยถึง 32% ของซีอีโอเห็นว่าเรื่องนี้เป็นความเสี่ยงสำคัญที่ต้องเร่งรับมือ  โอกาสและความท้าทายในการใช้งาน AI  แม้ว่าประสิทธิภาพของเทคโนโลยีปัญญาประดิษฐ์ (AI) จะได้รับการยอมรับอย่างกว้างขวาง แต่การนำ AI เข้ามาใช้งานในองค์กรยังคงมาพร้อมกับความท้าทายที่ไม่อาจมองข้าม ผู้บริหารบางรายรายงานว่าการเปลี่ยนผ่านสู่นวัตกรรมใหม่ในช่วงเริ่มต้นอาจทำให้กระบวนการทำงานสะดุด เช่น กำลังการผลิตของโรงงานบางแห่งลดลงในระหว่างการปรับปรุงระบบ แม้ AI จะช่วยลดภาระจากงานที่ซ้ำซากและใช้เวลามาก แต่ก็อาจกระทบต่อแรงจูงใจภายในของพนักงานในงานด้านอื่น ๆ ที่ต้องใช้ความคิดสร้างสรรค์และแรงบันดาลใจ นอกจากนี้ พนักงานจำนวนไม่น้อยยังมีความกังวลเกี่ยวกับผลกระทบในระยะยาว งานสำรวจของ OECD พบว่า 60% ของผู้ตอบแบบสอบถามกังวลว่า AI อาจเข้ามาแทนที่งานของตนภายใน 10 ปีข้างหน้า และ 40% กังวลว่า AI อาจส่งผลกระทบต่อระดับรายได้หรือความมั่นคงในสายอาชีพของตน  นอกจากผลกระทบด้านแรงงาน ยังมีประเด็นสำคัญที่ต้องพิจารณา เช่น ความเสี่ยงด้านความเป็นส่วนตัว อคติในอัลกอริทึม และความมั่นคงปลอดภัยทางไซเบอร์ ทั้งนี้ รายงานของ McKinsey ระบุว่า พนักงานเกือบครึ่งหนึ่งแสดงความกังวลเกี่ยวกับความแม่นยำและความปลอดภัยของระบบ AI ผู้เชี่ยวชาญจึงเห็นพ้องว่าการกำกับดูแล AI อย่างมีประสิทธิภาพเป็นสิ่งจำเป็น องค์กรควรแต่งตั้งผู้นำที่ชัดเจนสำหรับการขับเคลื่อนด้าน AI ออกแบบกระบวนการทำงานใหม่อย่างมีระบบ และสร้างความไว้วางใจระหว่างผู้มีส่วนได้ส่วนเสีย การฝึกอบรมพนักงานให้สามารถใช้ AI อย่างรับผิดชอบ การตรวจสอบความลำเอียงของอัลกอริทึม และการกำหนดบทบาทความรับผิดชอบอย่างชัดเจน ล้วนเป็นกลไกสำคัญที่สนับสนุนการใช้งาน AI อย่างยั่งยืน  ผู้นำหลายภาคส่วนยอมรับว่า แม้งานบางประเภทอาจได้รับผลกระทบจาก AI แต่ในขณะเดียวกันก็เป็นโอกาสในการสร้างทักษะใหม่ ๆ ขึ้นมา รายงานของ World Economic Forum (WEF) ชี้ว่า Generative AI มีศักยภาพในการยกระดับคุณภาพของงาน เพิ่มความหมายของการทำงาน และลดภาระจากงานที่น่าเบื่อและซ้ำซาก อย่างไรก็ตาม ผู้กำหนดนโยบายของสหภาพยุโรป (EU) ได้เตือนว่า 23–29% ของงานในปัจจุบันอยู่ในกลุ่มที่มี “ความเสี่ยงสูง” ที่จะถูกแทนที่โดย AI อย่างไรก็ดี งานเหล่านี้อาจไม่หายไปทั้งหมด เพราะ AI อาจเข้ามาเติมเต็มขีดความสามารถของมนุษย์ เปลี่ยนผู้เริ่มต้นให้กลายเป็นผู้เชี่ยวชาญ  นักวิจัยส่วนใหญ่เห็นตรงกันว่า องค์กรที่นำ AI มาใช้อย่างจริงจัง ควบคู่กับการลงทุนด้านบุคลากร จริยธรรม และความรับผิดชอบ จะมีความได้เปรียบในการแข่งขันอย่างยั่งยืน งานวิจัยของ McKinsey ย้ำชัดว่า องค์กรที่มอง AI เป็นเครื่องมือสนับสนุนและเสริมศักยภาพของพนักงาน จะสามารถสร้างการเปลี่ยนแปลงที่มีผลลัพธ์ชัดเจน และวัดผลตอบแทนจากการลงทุนได้อย่างเป็นรูปธรรม  ดังนั้น ผู้นำที่สามารถสร้างสมดุลระหว่างการนำนวัตกรรมใหม่เข้าสู่องค์กร การวางกรอบกำกับดูแลที่เหมาะสม และการพัฒนาทักษะของพนักงานอย่างต่อเนื่อง คือผู้ที่จะพาองค์กรก้าวไปสู่ความสำเร็จอย่างมั่นคงในยุคแห่ง AI  บทสรุป: ก้าวสู่อนาคตด้วย AI อย่างมีวิสัยทัศน์และความรับผิดชอบ  AI กำลังเปลี่ยนโฉมโลกของการทำงานอย่างรวดเร็วและลึกซึ้ง...
24 June 2025

บทความ

ChatGPT ใช้ยังไงให้ตอบโจทย์การทำงานของคนทำงานทุก Gen มากที่สุด
เชื่อว่าวันนี้ ChatGPT ได้กลายเป็นเครื่องมือทำงานที่คนทำงานจำนวนมากเลือกใช้ เนื่องจากความสามารถที่หลากหลาย ทั้งในด้านการตอบคำถาม และสร้างผลลัพธ์ต่าง ๆ ได้ตรงกับความต้องการด้วยคุณภาพในระดับเดียวกับที่มนุษย์ทำได้ จึงทำให้ ChatGPT ได้รับความนิยมอย่างสูง จนถูกนำไปใช้เป็นตัวเลือกที่คนทำงานทุกระดับในทุกสายงานใช้งานอย่างไม่จำกัด เพื่อเป็นผู้ช่วยให้เราทำงานออกมาได้ประสิทธิภาพและมีคุณภาพไปพร้อมกัน การใช้ ChatGPT มีประโยชน์อะไรบ้าง อย่างที่เห็นว่าผู้ใช้งานสามารถนำ ChatGPT ไปใช้ได้หลายรูปแบบ ไม่ว่าจะเป็นผู้ช่วยส่วนตัวในชีวิตประจำวัน และเป็นเครื่องมือช่วยเหลือในการทำงาน ซึ่งหากมองในมุมของการทำงาน การใช้ ChatGPT จะช่วยให้ธุรกิจได้ประโยชน์หลายอย่าง อย่างการลดต้นทุน เพราะ ChatGPT สามารถทำงานซ้ำแทนมนุษย์ได้ ช่วยให้องค์กรจัดสรรบุคลากรไปทำงานด้านอื่นที่มีความซับซ้อนมากกว่า ChatGPT ยังสามารถทำงานได้ตลอดเวลา ช่วยให้ธุรกิจมีเครื่องมือเข้ามาช่วยสนับสนุนการทำงานนอกชั่วโมงการทำงานปกติ โดยเฉพาะงานด้านการบริการลูกค้าซึ่งเป็นส่วนงานที่จะต้อง ดำเนินการตลอดเวลา ซึ่ง ChatGPT สามารถรองรับข้อความจำนวนมาก และสร้างข้อมูลเพื่อตอบกลับลูกค้าได้ทันที ช่วยเพิ่มประสิทธิภาพในการบริการลูกค้า และสุดท้ายคือการเป็นเครื่องมือที่ช่วยรวบรวมข้อมูลที่ลูกค้าติดต่อเข้ามา เพื่อให้องค์กรนำข้อมูลดังกล่าวมาสรุปเป็น Insights แล้วนำไปใช้ในการดำเนินงานด้านอื่น ๆ ต่อได้ นี่ก็คือประโยชน์ส่วนหนึ่งของการนำ ChatGPT มาใช้ในการทำธุรกิจโดยรวม โดยจากดูสถิติการใช้งานที่รวบรวมโดย Intelliarts บริษัทที่ปรึกษาด้านเทคโนโลยี ระบุว่า ChatGPT ถูกนำไปใช้งานในหลายด้าน โดยมีงานที่ได้รับความนิยมมากที่สุด 3 อันดับแรก ได้แก่ นอกจากนี้ หากมองลึกลงไปในรายละเอียดจะเห็นว่าในองค์กรมีพนักงานหลาย Generation ตั้งแต่ Baby Boomer ไปจนถึง Gen Z ซึ่งแต่ละช่วงอายุมีลักษณะการใช้งาน ChatGPT ที่ใกล้เคียงกันและแตกต่างกันตามตำแหน่งและลักษณะงานของตนเอง ลองไปดูกันว่าพนักงานแต่ละ Generation มีการใช้ ChatGPT ในการทำงานอย่างไร เพื่อให้เกิดประสิทธิภาพสูงสุดและตอบโจทย์การทำงานในแต่ละวัน จากผลสำรวจของ Pew Research Center ในปี 2024 Baby Boomer พนักงาน Baby Boomer คือกลุ่มคนที่เกิดระหว่างปี 1946 ถึง 1964 ซึ่งเป็นกลุ่มที่ไม่มีความถนัดในการใช้เทคโนโลยีเทียบเท่ากับคนรุ่นอื่น แต่สามารถเรียนรู้การใช้งานในเบื้องต้นได้ ทำให้ Baby Boomer เป็นกลุ่มคนที่ใช้ ChatGPT น้อยที่สุดด้วยสัดส่วน 6% โดยมีลักษณะการใช้งานหลักในการร่างเอกสารทางธุรกิจและค้นหาข้อมูลที่เกี่ยวข้องกับธุรกิจ Generation X  พนักงาน Gen X คือกลุ่มคนที่เกิดระหว่างปี 1965 ถึง 1980 แม้จะไม่ได้เติบโตมาพร้อมกับเทคโนโลยี แต่ถ้าเรียนรู้การใช้งานก็สามารถใช้เทคโนโลยีในการทำงาน ซึ่งมีสัดส่วนการใช้งาน ChatGPT อยู่ที่ 17% โดยมีลักษณะการใช้งานหลักในการจัดตารางการทำงานให้กับคนในทีมและเขียนอีเมลติดต่อกับลูกค้า Generation Y พนักงาน Gen Y หรือที่เรียกอีกชื่อว่า Millennials คือกลุ่มคนที่เกิดระหว่างปี 1981 ถึง 1996 เป็นเจนเนอเรชั่นที่ผ่านการเปลี่ยนแปลงของเทคโนโลยีมาหลายอย่าง ทำให้สามารถปรับตัวได้เร็ว และมีสัดส่วนการใช้งาน ChatGPT อยู่ที่ 27% โดยมีลักษณะการใช้งานหลักในการจัดลำดับความสำคัญของงานและหาข้อมูลเพื่อเรียนรู้เรื่องใหม่ ๆ Generation Z พนักงาน Gen Z คือกลุ่มคนที่เกิดระหว่างปี 1997 ถึง 2012 ซึ่งเติบโตมาพร้อมกับการพัฒนาเทคโนโลยี ทำให้มีความคุ้นเคยและสามารถเรียนรู้วิธีการใช้งานได้เร็ว ทำให้เป็นกลุ่มที่สัดส่วนการใช้ ChatGPT มากที่สุดอยู่ที่ 43% โดยมีลักษณะการใช้งาน ChatGPT เพื่อคิดคอนเทนต์ลง Social Media และสรุปข้อมูลที่ตัวเองต้องการ ขั้นตอนการใช้งาน ChatGPT ChatGPT เป็นเครื่องมือที่ผู้ใช้งานสามารถเข้าไปได้ฟรี โดยมีขั้นตอนการใช้งาน 3 ข้อดังนี้ เริ่มแรกเราจะต้องเข้าไปที่เว็บไซต์ chatgpt.com เพื่อสร้างบัญชีผู้ใช้ ซึ่งผู้ใช้ฟรีจะสามารถดูประวัติการใช้งาน เขียน Prompt เพื่อสร้างรูปภาพ และอัปโหลดไฟล์ฟอร์แมตต่าง ๆ เพื่อให้ ChatGPT นำไปสร้างผลลัพธ์ให้ หลังจากที่เราสร้างบัญชีและล็อกอินเข้ามาแล้ว ก็จะพบกับหน้าต่างสนทนาที่จะประกอบไปด้วยแถบเครื่องมือและตัวเลือก ซึ่งมีรายละเอียดดังนี้ ถัดจากเครื่องมือก็มาถึงการใช้งานที่ผู้ใช้จะต้องป้อนคำสั่ง (Prompt) ให้ ChatGPT นำไปประมวลผล และสร้างผลลัพธ์ตอบกลับมา ซึ่งเราสามารถเขียน Prompt ได้หลายรูปแบบ ขึ้นอยู่กับความต้องการ  โดยมีตัวอย่าง Prompt แนะนำที่สามารถนำไปใช้เพื่อเพิ่มความรวดเร็วในการทำงานสำหรับธุรกิจและองค์กรต่าง ๆ 4 ด้านด้วยกันดังนี้   Prompt สำหรับงานด้านการบริหาร Prompt สำหรับงานด้านการวางแผนเชิงกลยุทธ์ Prompt สำหรับงานด้านการบริการลูกค้า Prompt สำหรับงานด้านการตลาด นี่คือแนวทางการใช้งาน ChatGPT เบื้องต้นที่สามารถนำไปปรับใช้ในการทำงานได้อย่างมีประสิทธิภาพ จะเห็นได้ว่า ChatGPT เป็น AI ที่มีความสามารถหลากหลาย ตอบโจทย์การใช้งานของทุกช่วงวัย ไม่ว่าคุณจะอยู่ในวัยใดหากเรียนรู้วิธีใช้ให้ถูกต้อง ChatGPT จะกลายเป็นเครื่องมือทรงพลังที่ช่วยเพิ่มประสิทธิภาพในการทำงานได้อย่างรวดเร็วและเกิดประโยชน์สูงสุด แหล่งอ้างอิง
16 May 2025

บทความ

Data-Driven คืออะไร? ทำไมองค์กรยุคใหม่ถึงให้ความสำคัญ
“ข้อมูล” เปรียบเสมือนเชื้อเพลิงที่ขับเคลื่อนองค์กรให้เติบโตและก้าวหน้า องค์กรที่สามารถใช้ข้อมูลอย่างชาญฉลาด ไม่เพียงแค่เพิ่มความได้เปรียบในการแข่งขันเท่านั้น แต่ยังช่วยให้ปรับตัวต่อความเปลี่ยนแปลงของตลาดได้อย่างยั่งยืน การนำแนวคิด Data-Driven มาใช้ในองค์กรคือการเปลี่ยนแปลงก้าวสำคัญ ที่ไม่ใช่เพียงการเก็บข้อมูล แต่เป็นการวิเคราะห์และนำข้อมูลมาสนับสนุนการตัดสินใจเชิงกลยุทธ์ทุกระดับ ตั้งแต่การบริหารงานไปจนถึงการสร้างประสบการณ์ที่ตรงใจลูกค้า ในบทความนี้ เราจะพาคุณไปดูกันว่า Data-Driven คืออะไร มีความสำคัญต่อองค์กรอย่างไร พร้อมทั้งบอกเทคนิคการผลักดันองค์กรให้เป็น Data-Driven Organization รวมถึงยกตัวอย่างองค์กรที่ประสบความสำเร็จจากการใช้ Data-Driven มาขับเคลื่อนองค์กร Data-Driven คืออะไร? Data-Driven คือแนวคิดหรือกลยุทธ์ในการใช้ข้อมูล (Data) เป็นศูนย์กลางในการวางแผน ตัดสินใจ ในการดำเนินธุรกิจ หรือจัดการกับกระบวนการต่าง ๆ ขององค์กร โดยมีเป้าหมายเพื่อเพิ่มความแม่นยำในการวางแผน เพิ่มประสิทธิภาพในการทำงาน และลดความเสี่ยงในการตัดสินใจ ข้อมูลที่นำมาใช้งานสามารถเป็นได้ทั้งข้อมูลภายในองค์กร เช่น ยอดขาย สต็อกสินค้า และข้อมูลภายนอกองค์กร เช่น เทรนด์ตลาด พฤติกรรมผู้บริโภค โดย Data-Driven จะมีลักษณะสำคัญ 3 ข้อ คือ 1. มีการใช้ข้อมูลเป็นหลัก ทุกการวางแผนหรือการตัดสินใจจะต้องอิงจากข้อเท็จจริงที่ได้จากข้อมูล ไม่ใช่การคาดเดาหรือสัญชาตญาณ 2. มีการรวบรวมและวิเคราะห์ข้อมูล ให้ความสำคัญกับการรวบรวมข้อมูลที่ถูกต้อง ครบถ้วน และนำข้อมูลมาวิเคราะห์เพื่อหา Insights ที่ช่วยขับเคลื่อนธุรกิจ 3. มีการใช้เทคโนโลยีและเครื่องมือที่ทันสมัยช่วยวิเคราะห์ข้อมูล เช่น AI, Machine Learning, BI Tools เพื่อเพิ่มความรวดเร็วและแม่นยำในการประมวลผล ทำไมองค์กรยุคใหม่ให้ความสำคัญกับ Data-Driven? หลังจากโลกเกิดการเปลี่ยนแปลงครั้งใหญ่ ด้วยการเกิดโรคระบาด Covid -19 ที่ส่งผลกระทบไปทั่วโลกทั้งในระดับบุคคลและองค์กร ท่ามกลางความท้าทายนี้ ธุรกิจและหน่วยงานต่าง ๆ ได้ตระหนักถึงบทบาทสำคัญของ ข้อมูล เทคโนโลยี และนวัตกรรมใหม่ ๆ ที่ช่วยให้การดำเนินชีวิตและการทำงานเป็นไปอย่างราบรื่น แม้ในสถานการณ์ที่เต็มไปด้วยความไม่แน่นอน จากเดิมที่การทำธุรกิจเน้นการคาดการณ์และตัดสินใจบนผลกำไรเป็นหลัก แต่วันนี้ทุกอย่างเปลี่ยนไป หากขาดข้อมูลและเทคโนโลยี องค์กรอาจสูญเสียความสามารถในการเข้าใจลูกค้าและตอบสนองต่อความต้องการที่แท้จริง การตัดสินใจบนพื้นฐานของข้อมูลจึงไม่ใช่แค่เครื่องมือ แต่เป็น หัวใจสำคัญของการอยู่รอดและความสำเร็จ โดยประโยชน์ของการนำข้อมูลมาใช้กับองค์กรนั้นครอบคลุมในหลายมิติ ดังนี้ การใช้ข้อมูลช่วยให้องค์กรตัดสินใจอย่างมีประสิทธิภาพ โดยอิงจากข้อมูลเชิงลึกและข้อเท็จจริง แทนที่จะใช้สัญชาตญาณหรือการคาดเดา นอกจากนี้การวิเคราะห์ข้อมูลแบบเรียลไทม์ช่วยให้ผู้บริหารสามารถตอบสนองต่อความเปลี่ยนแปลงของตลาดได้ทันท่วงที ทำให้เกิดการวางแผนการตลาดที่ชาญฉลาดและสามารถตัดสินใจได้ว่าจะเลือกดำเนินการโดยใช้กลยุทธ์ใด องค์กรที่ขับเคลื่อนด้วยข้อมูลจะสามารถเข้าใจลูกค้าได้ดี ผ่านการวิเคราะห์ข้อมูลลูกค้าจากรูปแบบพฤติกรรม ความชอบ และข้อเสนอแนะ ซึ่งจะช่วยให้เข้าใจความต้องการของลูกค้า และสามารถออกแบบสินค้า บริการ รวมถึงการวางกลยุทธ์ทางการตลาดที่ตอบโจทย์ความคาดหวังของลูกค้า ด้วยการมอบประสบการณ์เฉพาะบุคคล (Personalization) จนสามารถเพิ่มความพึงพอใจและรักษาลูกค้าไว้ได้เช่นเดียวกัน การใช้ข้อมูลช่วยปรับปรุงกระบวนการทำงานจะช่วยลดต้นทุนและเพิ่มประสิทธิภาพในการดำเนินงานด้านต่าง ๆ  ทั้งยังช่วยให้สามารถวัดผลการดำเนินงานได้อย่างมีประสิทธิภาพ เนื่องจากองค์กรสามารถจัดการข้อมูลได้อย่างเป็นระบบ ทำให้การทำงานภายในองค์กรมีความราบรื่น สามารถใช้ประโยชน์จากข้อมูลที่มีอยู่มาดำเนินงานทางการตลาด และวัดผลได้อย่างเต็มประสิทธิภาพ การวิเคราะห์ข้อมูลช่วยให้มองเห็นโอกาสใหม่ ๆ ในตลาด เช่น แนวโน้มของอุตสาหกรรม พฤติกรรมผู้บริโภคที่กำลังเปลี่ยนแปลง หรือการใช้ข้อมูลมาสนับสนุนการทดลองเพื่อการพัฒนานวัตกรรมใหม่ ๆ ที่มีโอกาสประสบความสำเร็จสูง ข้อมูลช่วยให้องค์กรสามารถคาดการณ์ความเสี่ยง วิเคราะห์แนวโน้มตลาด และวางแผนกลยุทธ์ได้แม่นยำยิ่งขึ้น  สามารถคาดการณ์ความต้องการล่วงหน้าซึ่งการคาดการณ์ที่แม่นยำจะช่วยลดความสูญเสียและเพิ่มโอกาสในการทำกำไรได้มากยิ่งขึ้น การผลักดันองค์กรให้เป็น Data-Driven Organization   ปฏิเสธไม่ได้เลยว่าทุกวันนี้ธุรกิจและอุตสาหกรรมต่าง ๆ ล้วนขับเคลื่อนด้วยเทคโนโลยี การใช้ข้อมูลช่วยให้องค์กรสามารถก้าวนำคู่แข่งได้ สำหรับองค์กรที่ไม่ปรับตัว ไม่สามารถนำข้อมูล และเทคโนโลยีต่าง ๆ มาใช้งานได้ อาจเสียโอกาสในการแข่งขัน เพราะขาดข้อมูลเชิงลึกที่จำเป็น ดังนั้นการเปลี่ยนองค์กรให้ขับเคลื่อนด้วยข้อมูล จึงไม่ใช่เพียงแค่การนำเทคโนโลยีมาใช้ แต่เป็นการปรับเปลี่ยนวัฒนธรรมองค์กรและสร้างโครงสร้างที่รองรับการตัดสินใจบนพื้นฐานของข้อมูล และนี่คือแนวทางที่องค์กรสามารถนำไปใช้เพื่อก้าวสู่การเป็น Data-Driven Organization ได้สำเร็จ 1. สร้างวัฒนธรรม Data-Driven ในองค์กร 2. รวบรวมและจัดการข้อมูลอย่างเป็นระบบ 3. ใช้เครื่องมือและเทคโนโลยีที่เหมาะสม 4. ส่งเสริมการใช้ Data-Driven Insights ในการตัดสินใจ 5. สร้างทีมงานและโครงสร้างที่สนับสนุน Data-Driven 6. ประเมินผลและปรับปรุงอย่างต่อเนื่อง การผลักดันองค์กรให้เป็น Data-Driven Organization ต้องอาศัยทั้งการเปลี่ยนแปลงด้านเทคโนโลยี การสร้างวัฒนธรรมองค์กร และการสนับสนุนจากผู้นำในการวางโครงสร้างที่ชัดเจน รวมถึงส่งเสริมการใช้ข้อมูลในทุกกระบวนการ จะช่วยให้องค์กรสามารถตอบสนองต่อการเปลี่ยนแปลงและเติบโตได้อย่างยั่งยืนในยุคดิจิทัล ตัวอย่างองค์กรที่ประสบความสำเร็จด้วยแนวคิด Data-Driven Amazon Amazon เป็นหนึ่งในตัวอย่างที่โดดเด่นของการใช้ข้อมูลเพื่อสร้างความได้เปรียบในการแข่งขัน ด้วยการนำข้อมูลพฤติกรรมผู้บริโภคมาวิเคราะห์ เช่น Netflix Netflix ใช้ข้อมูลเชิงลึกเพื่อเข้าใจพฤติกรรมการรับชมของผู้ใช้ เช่น Google Google ใช้ข้อมูลเป็นหัวใจสำคัญในการพัฒนาผลิตภัณฑ์และบริการ เช่น Starbucks Starbucks ใช้ข้อมูลในการวางแผนธุรกิจและปรับปรุงประสบการณ์ของลูกค้า เช่น Tesla Tesla ใช้ข้อมูลจากรถยนต์ทุกคันที่เชื่อมต่อกับระบบคลาวด์ เพื่อ Spotify   อีกหนึ่งแคมเปญที่มีชื่อเสียงอย่างมากของ Spotify ที่รู้จักกันในนาม “Spotify Wrapped” ถือเป็นแคมเปญการตลาดสุดโด่งดังที่เริ่มตั้งแต่ปี 2015  จากตัวอย่างที่ยกมา เราจะเห็นได้ว่า Data-Driven คือ แนวคิดสำคัญที่องค์กรชั้นนำระดับโลกนำมาปรับใช้ให้เข้ากับบริบททางธุรกิจ เพราะเมื่อเทคโนโลยีเข้ามามีบทบาทในชีวิต ส่งผลให้เกิดการเปลี่ยนแปลงอย่างรวดเร็วของพฤติกรรมผู้บริโภค “การขับเคลื่อนธุรกิจด้วยข้อมูล” นอกจากจะช่วยให้องค์กรดึงศักยภาพของข้อมูลออกมาใช้ได้อย่างเต็มที่แล้ว ยังช่วยให้เราเข้าใจในพฤติกรรมของผู้บริโภคมากขึ้น รวมถึงช่วยให้แต่ละฝ่ายตัดสินใจได้อย่างมีประสิทธิภาพโดยมีข้อมูลอ้างอิงที่เป็นรูปธรรม และยังช่วยพัฒนาสินค้าและบริการให้ดียิ่งขึ้น ไปจนถึงช่วยให้การบริหารองค์กรมีประสิทธิภาพมากขึ้นอีกด้วย         อ้างอิง : 
10 January 2025

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

Self-RAG คืออะไร มาช่วยให้ LLMs ทำงานดีขึ้นได้อย่างไร
ทุกวันนี้ Large Language Models (LLMs) ถูกนำมาใช้กันอย่างแพร่หลายมากขึ้นในปัจจุบัน หลายคนถือว่า LLMs ถูกผนวกรวมเป็นส่วนหนึ่งของชีวิตและการทำงานของเราอย่างขาดไม่ได้ แต่อย่างไรก็ตาม การประยุกต์ใช้งาน LLMs ก็ยังพบปัญหาและอุปสรรคบางอย่างอยู่ เช่น ปัญหาของการสร้างคำตอบที่ไม่ถูกต้องขึ้นมา (Hallucination) หรือปัญหาของชุดความรู้ที่ไม่อัปเดต ทำให้มีคนที่พยายามคิดค้นและพัฒนากระบวนการที่จะมาช่วยแก้ปัญหาตรงจุดนี้ ซึ่งวิธีที่จะมาช่วยแก้ปัญหาดังกล่าว เรียกว่า Retrieval-Augmented Generation (RAG)  RAG คืออะไร  Retrieval-Augmented Generation (RAG) คือ เทคนิคที่จะมาช่วยแก้ปัญหาต่าง ๆ ที่เป็นข้อจำกัดของ LLMs ในปัจจุบัน เพื่อให้ LLMs มีความถูกต้องและความน่าเชื่อถือมากยิ่งขึ้น โดยมีกระบวนการในการผนวกชุดความรู้จากแหล่งข้อมูลภายนอก (External Source) มาใช้ประกอบในกระบวนการสร้างข้อความผลลัพธ์ ซึ่งการใช้ RAG จะช่วยเพิ่มความถูกต้องและความน่าเชื่อถือของผลลัพธ์ที่ได้จาก LLMs โดยเฉพาะงานที่ต้องใช้ความรู้ที่เฉพาะเจาะจงมาก ๆ รวมถึงยังมีข้อดีที่ทำให้ผลลัพธ์ของ LLMs สามารถตอบคำถามจากการอ้างอิงชุดความรู้ที่มีการอัปเดตให้เป็นปัจจุบันได้โดยไม่ต้องทำการฝึกฝนหรือ Fine-tuning LLMs ใหม่เรื่อย ๆ โดย RAG นั้นประกอบไปกระบวนหลัก 3 ขั้นตอน ได้แก่ 1.) การสืบค้นเนื้อหาที่เกี่ยวข้อง (Retrieve) 2.) การเพิ่มเนื้อหาเข้าไปใน Prompt (Augment) และ 3.) การสร้างข้อความผลลัพธ์ (Generate) ซึ่งมีรายละเอียดของกระบวนการดังต่อไปนี้  RAG Workflow  ข้อจำกัดของ RAG ทั่วไป  ถึงแม้การใช้ RAG ใน LLMs จะช่วยให้ผลลัพธ์ที่ได้มีความถูกต้องมากขึ้น โดยการดึงข้อมูลสนับสนุนที่เกี่ยวข้องมาเป็นบริบทเพิ่มเติมสำหรับสร้างคำตอบที่เฉพาะเจาะจงขึ้น แต่อย่างไรก็ตาม บางกรณีการดึงข้อมูลที่ไม่เกี่ยวข้องออกมาใช้ อาจจะด้วยเหตุผลที่ว่าในแหล่งข้อมูลภายนอกที่ใช้อ้างอิงไม่มีเนื้อหาที่เกี่ยวข้องอยู่เลย หรืออาจจะเป็นที่ อัลกอริทึมของการสืบค้น (Retrieve) ไม่ดีเพียงพอ สิ่งเหล่านี้ก็มีผลทำให้ผลลัพธ์ที่ได้จาก LLMs แทนที่จะดีขึ้นกลับแย่ลงกว่าเดิมก็เป็นได้ เนื่องจาก RAG อาจทำให้ไปลดความสามารถในการตอบคำถามแบบ general ที่มีอยู่เดิมของ LLMs ที่ใช้ ด้วยเหตุนี้ Self-RAG จึงถูกพัฒนาขึ้นมาเพื่อมาช่วยปรับปรุงคุณภาพและความถูกต้องของผลลัพธ์ที่ได้จาก LLMs และไม่ทำให้ความสามารถที่มีอยู่เดิมของ LLMs หายไป ผ่านแนวคิด On-demand Retrieval และ Self-reflection  Self-RAG  Self-RAG (Self-Reflective Retrieval-Augmented Generation) เป็น Framework เช่นเดียวกับ RAG ที่มีการเพิ่มส่วนของการพิจารณาไตร่ตรองผลลัพธ์ของตนเอง (Self-reflection) เพื่อตัดสินใจว่าจะทำการสืบค้นข้อมูลเพิ่มเติมหรือไม่ (On-demand Retrieval) หรือจะข้ามการสืบค้นและใช้ผลลัพธ์ที่ได้จาก LLMs เลย ด้วยวิธีการนี้จะช่วยปรับปรุงผลลัพธ์จาก LLMs ให้มีคุณภาพและตรงตามความเป็นจริงมากยิ่งขึ้น โดย LLMs ที่ประยุกต์ใช้วิธีการนี้จะถูกฝึกฝนให้มีการสร้าง special token ที่ชื่อว่า “Reflection Token” ซึ่งเป็นผลที่ได้จากการพิจารณาว่า ควรดำเนินการอย่างไรกับผลลัพธ์ที่สร้างมาจาก LLMs เพื่อให้สามารถควบคุม และปรับการทำงานให้เหมาะสมเพิ่มเติม ผ่านการพิจารณา Reflection Token ที่ได้  Reflection Token สามารถแบ่งได้เป็น 2 ประเภทหลัก ได้แก่ “Retrieval Token” และ “Critique Token” โดย Retrieval Token จะเป็น Token ที่แสดงความจำเป็นของการสืบค้น หรือการตัดสินใจว่าจะทำการสืบค้นหรือ Retrieve ข้อมูลมาใช้เป็นเนื้อหาเพิ่มเติมใน prompt หรือไม่ ส่วน Critique Token จะเป็น Token ที่แสดงผลการวิเคราะห์คุณภาพของข้อความที่ถูกสร้างขึ้นมา เช่น ดูเนื้อหาของข้อความผลลัพธ์ที่ได้จาก LLMs ว่ามีความเกี่ยวข้องกับคำถามมากน้อยขนาดไหน ซึ่ง Critique Token ประกอบไปด้วย Token ย่อย 3 กลุ่ม ได้แก่ IsREL, IsSup, IsUse Tokens ดังแสดงในตารางด้านล่าง  การทำงานของ Self-RAG แบ่งเป็น 3 ขั้นตอนหลัก ได้แก่ 1) ดึงข้อมูล (Retrieve) 2) สร้าง (Generate) และ 3) วิจารณ์ (Critique) โดยมีรายละเอียดแต่ละขั้นดังต่อไปนี้  ขั้นตอนที่ 1 Retrieve on demand  จากภาพจะเห็นว่า หลังจากที่เราให้ input prompt กับ LLM ซึ่งโดยปกติ LLM จะให้ผลลัพธ์ออกมาเป็นข้อความที่ตอบคำถามที่เราใส่เข้าไปเท่านั้น แต่ในครั้งนี้ LLM จะถูกฝึกฝนมาให้สามารถทำการสร้าง Reflection Token ต่อท้ายข้อความได้ ซึ่ง Reflection Token ในตัวอย่างด้านบนนี้จะเป็นประเภท Retrieval Token ซึ่งจะเป็น token ที่บอกว่าการ retrieve ข้อมูลเพื่อใช้เป็นเนื้อหามา support เพิ่มน่าจะมีประโยชน์หรือไม่ ซึ่งถ้า Retrieval Token มีค่าเป็น yes โมเดลสำหรับทำการสืบค้น (Retriever Model) จะถูกเรียกเพื่อไปทำการสืบค้นเนื้อหาที่เกี่ยวข้องในฐานข้อมูลเป็นลำดับถัดไป  ขั้นตอนที่ 2 Generate segment in parallel  หลังจากที่ Retriever Model ทำการสืบค้นเนื้อหาหรือข้อความที่มีความเกี่ยวข้องขึ้นมา k อันดับแรก (Top k) ข้อความเหล่านั้นจะถูกนำไปใช้ประกอบรวมเพื่อเป็นบริบท (Context) ให้กับ prompt ตั้งต้น แล้วใส่เป็น input ให้กับ LLM เพื่อสร้างข้อความผลลัพธ์ออกมา ซึ่งผลลัพธ์ที่ได้จาก LLM ในรอบนี้จะมี Critique Token กำกับมาเพิ่มด้วยดังภาพ โดยเป็นการวัดคุณภาพของเนื้อหาที่ถูกสร้างจาก input context ที่ต่างกัน เพื่อวัดความเกี่ยวข้องของคำตอบที่ได้และความครบถ้วนหรือความครอบคลุมของคำตอบที่ได้ จากตัวอย่างจะเห็นว่าการใช้ context หมายเลข 1 จะได้ผลลัพธ์ที่เกี่ยวข้องกับคำถาม และครอบคลุมคำถามมากที่สุด  ขั้นตอนที่ 3 Critique output and select best segment ...
26 March 2024

บทความ

จาก Log สู่ข้อมูลเชิงลึก: พลังของ Log Parser ขจัดปัญหา Log ยุ่งเหยิง วิเคราะห์ข้อมูลรวดเร็ว
Log เป็นข้อมูลที่ได้มาจากระบบคอมพิวเตอร์ ซึ่งทำหน้าที่ในการบันทึกรายละเอียดข้อมูลการทำงานต่าง ๆ ของระบบ ช่วยให้ผู้พัฒนาและผู้ดูแลระบบสามารถเข้าใจการทำงานของระบบ วิเคราะห์พฤติกรรมที่ผิดปกติและสามารถแก้ไขได้อย่างทันท่วงที ในระบบที่มีขนาดใหญ่ขึ้นทำให้ปริมาณของ Log นั้นเพิ่มตามไปด้วย การอ่านข้อมูล Log ทั้งหมดด้วยตนเองจึงทำได้ยาก Log parser จึงเข้ามาช่วยแก้ปัญหาตรงนี้ โดย Log parser นั้นจะทำให้ข้อมูล Log ที่ไม่มีโครงสร้างชัดเจน กลายเป็น Log template ที่มีโครงสร้างมากขึ้นกว่าเดิมได้ การสร้าง Log จากในระบบคอมพิวเตอร์นั้น จำเป็นต้องมี Template ที่มนุษย์เขียนให้ เช่น “Sending <*> quality objects” จะเห็นได้ว่า Template ดังกล่าวมีช่องว่าง (Placeholder) ที่ด้วยสัญลักษณ์ “<*>” ให้คอมพิวเตอร์สามารถเติมค่าต่าง ๆ ที่เรียกกว่า Parameter ลงไปได้ ซึ่งจาก Template ดังกล่าวสามารถสร้างเป็น Log ได้หลายรูปแบบดังนี้ จะเห็นได้ว่าจาก Template เพียงอันเดียว สามารถสร้าง Log ที่แตกต่างกันได้จำนวนนับไม่ถ้วน  การทำงานของ Log parser นั้นเสมือนกันการทำย้อนกลับจากสิ่งที่กล่าวไปข้างต้น Log parser จะทำหน้าที่แยก Parameter และ Template ออกจากกัน ทำให้การวิเคราะห์ Template ที่มีจำนวนไม่มากนักนั้นทำได้ง่ายกว่า Log parser approaches  การทำ Log parser นั้นสามารถทำได้หลายวิธี ซึ่งสามารถแบ่งได้ตามยุคสมัยดังนี้ Rule-based pattern matching เนื่องจากในบางครั้ง Parameter ของ Log มักจะมีลักษณะที่ตายตัว เช่น IP, Email, ตัวเลข, เวลา เป็นต้น ทำให้เราสามารถเขียนเป็นกฏในการแยก Paremeter ในแต่ละรูปแบบออกมาได้ โดยการใช้ Regular Expressions (Regex) เช่น ข้อดี ข้อเสีย Heuristic-based             ในกรณีที่ข้อมูล Log เริ่มมีขนาดใหญ่ขึ้น การทำ Rule-based pattern matching จึงเริ่มทำได้ยาก แต่อย่างไรก็ตามข้อมูล Log ที่มาจาก Template เดียวกันนั้น ถ้านำมาเปรียบเทียบกันในระดับคำต่อคำนั้น จะพบว่าในบางส่วนจะมีตัวอักษรที่เหมือนกัน 100% ซึ่งส่วนนั้นจะมาจาก Template ที่เรากำหนดไว้ตั้งแต่ต้น และอีกส่วนที่ไม่เหมือนกันจะเป็น Parameter ที่ถูกใส่เข้าไปใน Template เพื่อใช้สร้าง Log             ด้วยแนวคิด Heurictic นี้ถ้าเราสามารถแยกได้ว่า Log ใดอยู่ Template เดียวกันได้อย่างแม่นยำ จะได้สามารถแยกส่วนที่เป็น Template กับ Parameter ออกจากกันได้อย่างง่ายดาย ทำให้มี Algorithm จำนวนมากถูกสร้างขึ้นมาโดยมีพื้นฐานจากแนวคิดดังกล่าว เช่น Drain, Prefix-graph  Drain Drain (He et al., 2017) เป็น Algorithm ในการ Parse log โดยใช้ต้นไม้ความลึกคงที่ (Fixed depth tree) ซึ่งโครงสร้างของต้นไม้จะใช้เพื่อค่อยแยกแต่ละ Template ออกจากกัน จากที่แสดงในรูปที่ 1 จะเห็นว่า Template ของ Log จะถูกเก็บอยู่ที่ใบ (Leaf node) ของต้นไม้ แม้ว่าในแต่ละใบอาจจะมีมากกว่าหนึ่ง Template แต่การใช้โครงสร้างดังกล่าวเป็นการลดจำนวน Template ที่จำเป็นต้องคำนึงในแต่ละรอบการวิเคราะห์ Log ได้ การ Parse log โดยใช้ Drain นั้นจะเริ่มที่ราก (Root node) ของต้นไม้ จากนั้นเดินทางตามทิศทางของกิ่งต้นไม้ที่ตรงตามเงื่อนไขของ Log ที่มีไปเรื่อยๆ จนกว่าจะถึงใบ หลังจากนั้นจะเป็นการค้นหาต่อว่า Log ใหม่ที่ถูกใส่เข้ามานั้นมีความคล้ายกับ Template ใดที่อยู่ในใบนั้นมากที่สุด ซึ่งสามารถแบ่งเป็น 2 กรณี ข้อดี ข้อเสีย Machine-learning-based             ในบางกรณีการใช้กฏทั่วไปอาจจะไม่ครอบคลุมข้อมูล Log ที่เกิดขึ้น และวิธีแบบ Heuristic อาจจะยังไม่ได้รับมือกับ Log ที่มีความซับซ้อนสูงได้ การใช้โมเดลที่ผ่านการเรียนรู้จากข้อมูล Log จำนวนมากจึงเป็นอีกแนวทางหนึ่งที่ทำได้ ข้อสังเกตของการใช้ Machine learning คือ จำเป็นต้องมีชุดข้อมูลสำหรับสอนโมเดล ในกรณี Log นั้นอาจจะมีจำนวนข้อมูลมากก็จริง แต่ก็ไม่มีการกำกับข้อมูลว่า Log นั้นอยู่ใน Template ใด และด้วยจำนวนข้อมูลที่มหาศาลทำให้การสร้างชุดข้อมูลนั้นอาจทำได้ยาก ดังนั้นวิธีการใช้ Machine learning ที่จะกล่าวต่อไปนี้ทั้งหมดจะเป็นวิธีที่ไม่จำเป็นต้องใช้ชุดข้อมูลที่มีการกำกับแล้ว หรือใช้เพียงเล็กน้อยเท่านั้น LogStamp LogStamp (Tao et al. 2022) เป็นโมเดลที่สามารถเรียนรู้ได้เองโดยไม่จำเป็นต้องกำกับข้อมูล ซึ่งการทำงานของ LogStamp นั้นเป็นไปดังรูปที่ 2 เริ่มจาก Historical logs หรือคือข้อมูล Log ที่มีอยู่ โดยไม่มีการกำกับข้อมูล ข้อมูลดังกล่าวจะถูกนำไปหา Sentence embedding และ Word embedding ผ่านการใช้ Bidirectional Encoder Representations from Transformers (BERT) ซึ่งเป็นโมเดลทางภาษาที่ใช้กันอย่างแพร่หลายมากในช่วงปี 2018 ซึ่งการหา Embedding นั้นเหมือนเป็นการวิเคราะห์ความหมายของ Log โดยใช้โมเดลทางภาษา ผลลัพธ์ที่ได้จะเป็น Vector ที่สามารถนำมาคำนวนทางคณิตศาสตร์ได้ ซึ่ง Sentence embedding ที่ได้ออกมานั้นจะเป็นความหมายถึง Log ในระดับประโยค ซึ่งจะถูกนำไปใช้ในการจับกลุ่ม (Clustering) กลุ่มที่ได้นั้นจะถูกตีความว่าเป็น Template ของ Log ดังกล่าวทันที ซึ่ง Log ที่อยู่ในกลุ่มเดียวกัน ก็คือเกิดมาจาก Template...
25 March 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.