MachineLearning Tag - Big Data Institute

ข่าวและบทความที่เกี่ยวข้อง

All MachineLearning

บทความ

Transformer – โครงสร้างพื้นฐานของ Generative AI

ในปัจจุบันไม่สามารถปฏิเสธได้เลยว่ากระแสของ Generative AI กำลังมาแรงมาก ๆ ไม่ว่าจะเป็นโมเดลสำหรับสร้างรูปภาพเช่น Stable Diffusion หรือ Dall-E หรือว่าโมเดลทางภาษาที่สามารถรับคำสั่งหรือคำถามของผู้ใช้ (prompt) แล้วสามารถสร้างคำตอบขึ้นมาตอบโต้กับผู้ใช้ได้ราวกับเป็นคนจริง ๆ ตัวอย่างเช่น ChatGPT ของ OpenAI หรือว่า Gemini ของ Google โมเดลต่าง ๆ เหล่านี้มีโครงสร้างและหลักการที่ซับซ้อน แต่ส่วนใหญ่เป็นการพัฒนาต่อจากโมเดล Transformer ทั้งนั้น แม้แต่โมเดล ChatGPT ซึ่งย่อมาจาก Generative Pretrained Transformer ก็เป็นการพัฒนาต่อจากโมเดล Transformer ดังนั้นในบทความนี้เราจะมาดูกันว่า Transformer นั้นมีหลักการทำงานอย่างไร Transformer เป็นโมเดลที่พัฒนาโดยบริษัท Google ถูกนำเสนอครั้งแรกในปี 2017 ในบทความงานวิจัยชื่อ Attention is All You Need โมเดล Transformer ทำงานโดยการรับ input sequence ที่มีลักษณะเป็นลำดับที่มีความยาว เช่นข้อความต่าง ๆ จากนั้น โมเดลจะหาความสัมพันธ์ระหว่างตัวแปรต่าง ๆ ที่ได้รับเข้ามาและใช้ความสัมพันธ์นั้นในการสร้าง output sequence ออกมาเป็นคำตอบ โดยคำตอบจะมีลักษณะเป็นลำดับที่มีความยาวเช่นกัน ตัวอย่างเช่น input อาจเป็นคำถามว่าท้องฟ้ามีสีอะไร โมเดลที่ผ่านการฝึกมาแล้วจะสามารถหาความสัมพันธ์ระหว่างคำว่าท้องฟ้า สี และสีฟ้า จากนั้นจึงตอบกลับมาว่าท้องฟ้ามีสีฟ้า ความจริงแล้วโมเดลที่ทำงานโดยการรับ input sequence เข้ามาและสร้าง output sequence โดยใช้บริบทความสัมพันธ์จาก input sequence นั้นมีมาก่อนหน้านี้แล้ว เช่นโมเดล seq2seq โครงสร้างของโมเดล seq2seq ประกอบไปด้วยส่วนประกอบหลัก 2 ส่วนคือ Encoder และ Decoder โดย Encoder มีหน้าที่รับ input sequence เข้ามา จากนั้นแปลง input sequence ให้กลายเป็นตัวแปรทางคณิตศาสตร์ที่โมเดลสามารถเข้าใจและทำการคำนวณต่อไปได้ จากนั้น Decoder จึงนำตัวแปรต่าง ๆ เหล่านี้มาทำการคำนวณหาความสัมพันธ์และสร้าง output sequence ออกมาเป็นคำตอบ โดยโครงสร้าง Encoder-Decoder นี้จะเห็นได้ในรูปที่ 2 ในรูปที่ 2 จะเห็นได้ว่าส่วน Encoder ทำการแปลงประโยค “She is eating a green apple” ให้กลายเป็น Context Vector จากนั้นจึงส่ง Context Vector ให้กับ Decoder เพื่อใช้ในการสร้าง Output sequence ออกมาเป็นภาษาจีน การทำงานแบบนี้มีข้อจำกัดคือ Encoder จะต้องแปลงข้อมูลทั้งหมดที่อยู่ใน input sequence ให้กลายเป็นเวกเตอร์เพียงแค่เวกเตอร์เดียวเท่านั้น และนอกจากนี้ คำท้าย ๆ ของ input sequence ยังมีผลต่อเวกเตอร์มากกว่าคำต้น ๆ อีกด้วย เมื่อคำต้น ๆ ไม่ค่อยมีผลกับเวกเตอร์ ส่วน Decoder จึงไม่ค่อยให้ความสำคัญ ทำให้ประสิทธิภาพของโมเดลด้อยลงเมื่อ input sequence มีความยาวมาก โมเดล Transformer จึงมีการคิดค้นการคำนวณแบบใหม่ขึ้นมาแก้ปัญหานี้ โดยเรียกการคำนวณใหม่นี้ว่า Attention Mechanism จากรูปโครงสร้างโมเดล Transformer จะเห็นได้ว่า Transformer ประกอบไปด้วย 2 ส่วนคือ Encoder ทางซ้าย และ Decoder ทางขวา เช่นเดียวกับโมเดล seq2seq แต่มีสิ่งที่เพิ่มมาคือกลไก Attention หรือในรูปคือ Multi-Head Attention กลไกนี้จะคำนวณค่าความสัมพันธ์ระหว่างคำใน output sequence ทุกคำ กับคำใน input sequence ทุกคำ จึงทำให้โมเดลสามารถรับข้อมูลจาก input sequence ทั้งหมดได้พร้อมกัน โมเดล Transformer จึงสามารถใช้ข้อมูลทั้งหมดพร้อมกันในการคำนวณได้ โมเดลจึงมีประสิทธิภาพในการประมวลผลข้อความที่มีความยาว เช่นหน้าเว็บไซต์ทั้งหน้า หรือในกรณีของโมเดลที่มีการสนทนาตอบโต้กับผู้ใช้ โมเดลจะสามารถใช้ข้อความก่อนหน้าเป็นบริบทในการสร้างคำตอบต่อ ๆ ไปได้ ตัวอย่างในรูปที่ 4 เป็นตัวอย่างการแปลภาษาอังกฤษเป็นฝรั่งเศส แถบสีที่อยู่ใต้คำภาษาฝรั่งเศสคือค่า Attention ที่บ่งบอกว่าคำนั้นมีความสัมพันธ์กับคำภาษาอังกฤษใน input sequence มากแค่ไหน ยิ่งสีเข้มก็ยิ่งมีความสัมพันธ์มาก โดยจะเห็นได้ว่า “Comment” มีความสัมพันธ์กับ “How”, “se” มีความสัมพันธ์กับ “How” และ “was”, “passe” มีความสัมพันธ์กับ “was”, “ta” มีความสัมพันธ์กับ “your”, และ “journée” มีความสัมพันธ์กับ “day” กลไก Attention ประกอบไปด้วยส่วนประกอบ 3 ส่วนได้แก่ Query (Q) เป็นตัวแทนของบริบท หรือสิ่งที่โมเดลกำลังโฟกัสอยู่ในปัจจุบัน Key (K) เป็นตัวแทนส่วนประกอบของข้อมูลที่โมเดลรับเข้ามา และ Value (V) เป็นตัวแทนน้ำหนักที่โมเดลให้กับส่วนประกอบต่าง ๆ ของข้อมูลที่ได้รับเข้ามา โดยโมเดลจะนำทั้งสามส่วนประกอบ Q, K, V มาทำการคำนวณทางคณิตศาสตร์ตามรูปที่ 5 และได้ผลลัพธ์ออกมาเป็นค่าความสัมพันธ์ระหว่าง Q สิ่งที่โมเดลกำลังโฟกัสอยู่ และ K ส่วนประกอบต่าง ๆ ของข้อมูลที่รับเข้ามา สำหรับผู้ที่สนใจรายละเอียดการคำนวณสามารถอ่านต่อได้ในบทความงานวิจัยต้นฉบับชื่อ Attention Is All You Need หรือบทความ Wikipedia ชื่อ Attention (machine learning) นอกจากการคำนวณ Attention แล้ว ในโมเดล Transformer ได้พัฒนาต่อเป็นกลไก Multi-Head Attention เป็นการคำนวณ Attention หลายครั้งโดยใช้ค่าน้ำหนักของโมเดลที่ต่างกัน ทำให้โมเดลสามารถค้นพบความสัมพันธ์ระหว่างแต่ละคำใน input sequence ได้ในหลายมุมมอง...

17 June 2024

บทความ

Big Data 101

LangChain: ตัวช่วยในการพัฒนาแอปพลิเคชันที่ขับเคลื่อนด้วย AI ทางภาษา

การพัฒนาแอปพลิเคชันจาก LLM นั้น ต้องพึ่งนักพัฒนาในหลากหลายแขนง ทำให้เกิดข้อจำกัดการทำงาน LangChain จะเข้ามาช่วยในส่วนนี้

7 February 2024

บทความ

Movements

ความท้าทาย และโอกาสในการใช้ Machine Learning ในโลกของการลงทุน (Challenges and Opportunities for Using Machine Learning in Trading)

ในบทความก่อนหน้า เราได้พูดถึงหลักการ และกลยุทธ์การลงทุน ที่ Quant Fund ต่าง ๆ ประยุกต์ใช้อย่างประสบความสำเร็จ โดยมีรากฐาน และกระบวนการ ที่สอดคล้องกันกับวิธีการในโลกของวิทยาศาสตร์ข้อมูล เพียงแต่นำมาประยุกต์ใช้กับข้อมูลในโลกของการเงิน เพื่อค้นหาโอกาสในการทำกำไร บนความเสี่ยงที่ต่ำพอจนอยู่ในระดับที่พึงพอใจ โดยตัวอย่างของความสำเร็จที่โดดเด่นที่สุดในแนวการลงทุนแบบนี้ คงจะหนีไม่พ้น The Medallion Fund ซึ่งก่อตั้งโดย นักคณิตศาสตร์ชื่อ Jim Simons ที่สามารถสร้างผลตอบแทนเฉลี่ยต่อปี สูงถึง 66.1% (ก่อนหักค่าบริหารกองทุน) บนระยะเวลา กว่า 30 ปี ระหว่างปี 1988 ถึงปี 2018 ความสำเร็จของ Machine Learning ตั้งแต่ต้นปี 2023 ที่ผ่านมา คงจะปฏิเสธไม่ได้เลยว่า กระแสความนิยมของ Generative AI นั้นมาแรงมาก ตั้งแต่การเปิดตัวของ ChatGPT ช่วงสิ้นปี 2022 ผู้คนทั่วโลกล้วนตื่นเต้น และประหลาดใจกับความสามารถ และความเข้าใจอันลึกซึ้งในภาษา ของเจ้าแชทบอทตัวนี้ สะท้อนให้เห็นถึงความสำเร็จของการประยุกต์ใช้ Machine Learning ในโลกของภาษา ยังไม่นับความสำเร็จในโลกของ Computer Vision เช่นการทำ Image Classification ในวงการแพทย์เพื่อคัดแยกก้อนเนื้อที่เป็นมะเร็งจากภาพ X-ray รวมถึงการทำ Object Detection ในเทคโนโลยียานยนต์ไร้คนขับ และ อื่น ๆ อีกมากมาย ความท้าทายของข้อมูลในโลกการเงิน แม้ว่าการประยุกต์ใช้เทคนิคใน Machine Learning จะประสบความสำเร็จในหลากหลายสาขาวิชา มากมายเพียงใด แต่ปฏิเสธไม่ได้เลยว่า เทคนิคใน Machine Learning เหล่านั้น เมื่อนำมาประยุกต์ใช้กับโลกของการเงิน และการลงทุน เพื่อค้นหาโอกาสในการลงทุนนั้น กลับพบกับอุปสรรค และความท้าทายมากมาย โดยปัจจัยที่ทำให้การประยุกต์ใช้เทคนิคใน Machine Learning เหล่านั้น ในโลกของการลงทุนเป็นไปได้ยาก ประกอบไปด้วย ขนาดของข้อมูล ถึงแม้ว่าปัจจุบันจะมีข้อมูลมากมาย ไม่ว่าจะเป็นข้อมูลราคาซื้อขาย ปริมาณการซื้อขาย ข้อมูลปัจจัยพื้นฐาน ซึ่งสามารถเก็บได้โดยละเอียด เป็นระยะเวลาหลายปี ที่สามารถนำมาใช้วิเคราะห์ และตีความ เพื่อหาโอกาสในการลงทุนได้ รวมไปถึงข้อมูลทางเลือกต่าง ๆ เช่น ข้อมูลจากแหล่งข่าวต่าง ๆ หรือข้อความจาก สื่อสังคม (ออนไลน์) เช่น Twitter และ Facebook ซึ่งสามารถนำมาใช้ประกอบการประเมินค่าอารมณ์ของตลาดได้นั้น หรือแม้แต่ภาพถ่ายจากดาวเทียม ที่สามารถใช้ติดตามกิจกรรมทางเศรษฐกิจ เช่น ยอดขายอสังหาริมทรัพย์ หรือ อุปทานของสินค้าโภคภัณฑ์ ต่าง ๆ แต่ด้วยข้อจำกัดของระยะเวลาที่มีข้อมูลเหล่านี้ ซึ่งอาจจะเป็นระยะเวลาไม่กี่ทศวรรษ สำหรับข้อมูลทางการเงินส่วนใหญ่ ส่งผลให้กลยุทธ์ที่มีระยะเวลาการซื้อขายเฉลี่ยไม่ถี่พอ เช่น หลักเดือน เป็นต้นไป จะถูกจำกัดด้วยจำนวนจุดข้อมูลที่ไม่เยอะพอเมื่อนำไปใช้สอนโมเดล ทำให้การประยุกต์ใช้เทคนิคทาง Machine Learning นั้นเป็นไปได้ยาก และอาจไม่ได้ประสิทธิภาพ รวมไปถึงการมีอยู่ของ Correlation ระหว่างข้อมูลต่าง ๆ ที่ใช้สอนโมเดล ซึ่งยิ่งจำกัดปริมาณข้อมูลที่เป็นประโยชน์ต่อการเรียนรู้ของโมเดล ทำให้เป็นอุปสรรคต่อการดึงศักยภาพ และความสามารถอันโดดเด่นของ Machine Learning ออกมาใช้ Signal-to-noise ratio หนึ่งในอุปสรรคสำคัญต่อการประยุกต์ใช้ Machine Learning เพื่อหาโอกาส ในโลกของการเงิน การลงทุน คือ การที่ค่าสัดส่วนของ ปริมาณ signal (กลยุทธ์ที่สามารถยืนยันด้วยวิธีการทางสถิติได้ว่าสามารถสร้างผลตอบแทน) ต่อ noise (การเปลี่ยนแปลงของราคาที่ไม่สามารถคาดการณ์ล่วงหน้าได้) นั้นมีค่าที่ต่ำ สิ่งนี้แตกต่างอย่างชัดเจนจากโลกของ Natural Language Processing ซึ่งในแต่ละภาษา ค่อนข้างมีกฎเกณฑ์ที่ชัดเจน หรือโลกของ Computer Vision ที่ค่อนข้างมี signal ที่ชัดเจนเมื่อเทียบกับ noise เช่น ในการทำ Image Classification เพื่อคัดแยกประเภทภาชนะของเบียร์ว่าเป็น กระป๋อง หรือ ขวด ซึ่งเป็นโจทย์ที่ค่อนข้างมี signal (รูปร่าง รูปทรงของภาชนะ) ที่ชัดเจน เมื่อเทียบกับ noise (ภาพพื้นหลัง ความเบลอ หรือ อื่น ๆ) ทำให้มี สัดส่วน signal ต่อ noise ที่สูง ทำให้มีโอกาสที่จะพัฒนาโมเดลที่มีประสิทธิภาพสูงได้ การเปลี่ยนแปลงของภาวะเศรษฐกิจ ซึ่งนำไปสู่การเปลี่ยนแปลงของพฤติกรรมของตลาดการเงิน เป็นหนึ่งในสิ่งที่ทำให้การคาดการณ์ตลาดเป็นเรื่องยาก รวมไปถึงความจริงที่ว่า การพยายามทำกำไรจากตลาดด้วยข้อมูลต่าง ๆ และการแข่งขันจากทุก ๆ ผู้เล่นในตลาด เป็นปัจจัยหลักที่ทำให้ signal ในตลาดมีปริมาณน้อยลง และตลาดมีประสิทธิภาพมากขึ้น เนื่องจากเมื่อผู้เล่นในตลาด มีข้อมูลซึ่งเชื่อถือได้ว่าการเปลี่ยนแปลงของราคาในอนาคตจะเป็นอย่างไร การซื้อขายของผู้เล่นเหล่านี้ จะทำให้ราคามีการเปลี่ยนแปลงเข้าหามูลค่าที่ควรจะเป็น และนั่นทำให้สิ่งที่คาดการณ์ได้เหลืออยู่ในตลาดน้อยลง และสิ่งที่เหลือที่จะทำให้เกิดการเปลี่ยนของราคา จะเป็นข่าวใหม่ ๆ หรือ อารมณ์ตลาดระยะสั้นนั่นเอง ความสามารถในการตีความโมเดล สำหรับโมเดลประสิทธิภาพสูงหลาย ๆ โมเดลใน Machine Learning นั้น มีคุณสมบัติความเป็น black box model กล่าวคือ การตีความการทำงานของโมเดลนั้นทำได้ยาก และมีความคลุมเครือ แต่ในทางกลับกัน ในโลกของการเงิน การลงทุนนั้น การที่โมเดลที่ใช้มีความสามารถในการตีความ และทำความเข้าใจได้ยากนั้น ทำให้มีโอกาสที่จะนำมาสู่ความเสี่ยงที่ไม่คาดคิด ทำให้ผู้จัดการกองทุน หลาย ๆ คน เลือกที่จะยอมรับ และหันเข้าหาโมเดลที่สามารถตีความได้ง่าย และสามารถสื่อสารถึงความเสี่ยงต่าง ๆ กับทางลูกค้าได้ดีกว่า โอกาสในการประยุกต์ใช้ Machine Learning ในการลงทุน ถึงแม้ว่าการประยุกต์ใช้ Machine Learning ในโลกของการเงิน การลงทุน จะเต็มไปด้วยอุปสรรคมากมายเหล่านี้ แต่แน่นอนว่า โอกาสก็มีอยู่มากเช่นเดียวกัน โดยหนึ่งในสิ่งที่ Machine Learning สามารถเข้ามาช่วยได้ดี คือ การคาดการณ์ และลดความเสี่ยงของ Portfolio โดยรวม โดยการนำมาใช้เรียนรู้ และคาดการณ์ correlation ระหว่างแต่ละกลยุทธ์ที่ใช้ ซึ่งเมื่อหลาย ๆ กลยุทธ์ที่ดี และไม่มี correlation ระหว่างกัน ได้ถูกนำมาใช้พร้อมกัน ก็จะทำให้ระดับความเสี่ยงของ portfolio โดยรวมจะต่ำพอ และทำให้สามารถมีการใช้ leverage ร่วมด้วย ซึ่งจะช่วยให้ผลตอบแทนโดยรวมออกมาสูง...

24 January 2024

บทความ

Big Data 101

ตีความโมเดล Machine Learning: ตัวอย่างและการตีความ Shapley value

การคำนวณ Shapley Value เป็นเทคนิคที่สามารถใช้เพื่อตีความโมเดล Machine Learning ได้ทุกประเภท โดยอาศัยการคำนวณผลกระทบของฟีเจอร์ที่สนใจต่อค่าทำนายเฉลี่ยของเดล เพื่อดูระดับและทิศทางที่ปัจจัยต่าง ๆ ส่งผลต่อการทำงานของโมเดล ในบทความนี้เราจะมาดูตัวอย่างการใช้และตีความ Shapley Value พร้อมข้อดี ข้อจำกัด และข้อเสนอแนะในการใช้งานเทคนิคดังกล่าว

22 November 2023

บทความ

Big Data 101

ตีความโมเดล Machine Learning: หลักการของ Shapley value

การวิเคราะห์ผลกระทบและความสำคัญ (Importance) ของ feature ที่ใช้ในโมเดล Machine Learning นั้นเป็นเครื่องมือสำคัญที่ทำให้นักวิเคราะห์สามารถนำโมเดลไปใช้ได้อย่างมีประสิทธิภาพ การคำนวณ Shapley value เป็นเทคนิคในการตีความโมเดลโดยพิจาณาจากผลกระทบของฟีเจอร์ที่สนใจต่อการผลการทำนายเฉลี่ย โดยสามารถใช้ตามโมเดลได้ทุกประเภทแม้จะเป็นโมเดลที่อธิบายได้ยาก

15 November 2023

บทความ

Big Data 101

ตีความโมเดล Machine Learning: การใช้งาน LIME กับข้อมูลตาราง

LIME เป็น Model-Agnostic Interpretation Methods สำหรับตีความโมเดล Machine Learning ณ จุดข้อมูลที่สนใจ โดยอาศัยหลักการสร้างโมเดลตัวแทน (Local Surrogate) เพื่ออธิบายว่า ปัจจัยอะไรส่งผลให้โมเดลมีพฤติกรรมการทำนายอย่างที่เห็น ในบทความนี้เราจะมาพูดถึงการใช้งาน LIME กันว่า เทคนิคนี้สามารถนำมาประยุกต์ใช้กับข้อมูลประเภทตาราง (Tabular Data) ได้อย่างไร

5 September 2022

บทความ

Big Data 101

ตีความโมเดล Machine Learning: หลักการของ LIME

จุดประสงต์หลักของการพัฒนา Machine Learning model นอกเหนือจากการตอบโจทย์การทำนายที่ต้องการแล้วนั้น คือการวิเคราะห์ผลกระทบและความสำคัญ (Importance) ของ feature ของข้อมูลที่มีต่อผลการทำนาย อย่างไรก็ดีโมเดลที่เป็นที่นิยมหลายชนิดนั้นยากที่จะอธิบายได้โดยตรง Model-Agnostic Interpretation Methods เช่น LIME จึงถูกพัฒนาขึ้นเพื่อช่วยผู้ใช้ในการตีความโมเดลทุกประเภท

2 September 2022

บทความ

Movements

เทคโนโลยี AI ที่จะปฏิวัติการซื้อขายคริปโทเคอร์เรนซี (Cryptocurrency)

นวัตกรรมทางเทคโนโลยีใหม่ ๆ ที่เกิดขึ้นในแต่ละครั้ง ได้นำมาซึ่งการเปลี่ยนแปลงครั้งใหญ่ในทุกด้านของโลก ซึ่ง ณ ตอนนี้คงปฏิเสธไม่ได้ว่าองค์กร หรือ อุตสาหกรรมใด ๆ นั้น อยากที่จะมีปัญญาประดิษฐ์ หรือที่ เรียกว่า AI ที่มีความก้าวหน้า และมีความสามารถในการเรียนรู้ได้อย่างแม่นยำ เข้ามาเป็นหนึ่งในกระบวนการทำงานขององค์กร แต่ยังมีอีกหัวข้อที่ฮอตฮิตและถูกกล่าวถึงเป็นอย่างมากตั้งแต่ต้นปี 2021 คู่ขนานกับ AI นั้นก็คือ คริปโทเคอร์เรนซี (Cryptocurrency) ถึงขนาดที่ว่าเมื่อช่วงกลางเดือนมีนาคมที่ผ่านมา Elon Musk ได้ออกมาประกาศว่าสามารถใช้ Bitcoin (หนึ่งในสกุลเงินดิจิทัลที่ได้รับความนิยมมากที่สุดในโลกของคริปโทเคอร์เรนซี) ซื้อรถ Tesla ได้ จากข้อความที่กล่าวมานั้นแสดงให้เห็นได้ว่าคริปโทเคอร์เรนซีกำลังเข้ามามีบทบาทอย่างมาก ณ ขณะนี้ไม่แพ้กันกับปัญญาประดิษฐ์ โดยบทความนี้จะพูดถึงว่าปัญญาประดิษฐ์จะเข้ามามีบทบาทในยุคของคริปโทเคอร์เรนซีอย่างไร ลองติดตามอ่านจากบทความนี้ได้เลยค่ะ ปัญญาประดิษฐ์ทำให้เกิดเทคโนโลยี ดั่งที่บล็อกเชนทำให้เกิดอุตสาหกรรมคริปโทเคอร์เรนซี หลายบริษัทสตาร์ทอัพมีความกระหายที่จะได้เงินหรือได้ประโยชน์ จากกระบวนการวิเคราะห์เชิงลึกของปัญญาประดิษฐ์นี้ ที่มีความฉลาดคล้ายคลึงมนุษย์ และสามารถก่อให้เกิดผลลัพธ์ที่เป็นการกระทำได้ ดังนั้นบริษัทที่มีการนำปัญญาประดิษฐ์มาประยุกต์ใช้ในกระบวนการทำงานจึงสามารถดึงดูดเงินทุนได้มากกว่าบริษัทเทคโนโลยีอื่นๆถึง 15-50% ในภาคการเงินแบบดั้งเดิม อย่างเช่นตลาดหุ้นนั้น ระบบปัญญาประดิษฐ์ได้เข้ามามีบทบาทอย่างมาก ในด้านการใช้ดูแลพอร์ตการลงทุน หรือในการวิเคราะห์เพื่อคัดเลือกหุ้นมาลงทุนในแต่ละช่วงเวลาโดยมีหลักฐานที่น่าสนใจที่แสดงให้เห็นว่าปัญญาประดิษฐ์นั้นสามารถตัดสินใจซื้อขายหุ้นได้ดีกว่ามนุษย์ อีกทั้งยังมีการศึกษาล่าสุดพบว่าคอมพิวเตอร์สามารถให้ผลลัพธ์ที่ดีในแง่ของการตัดสินใจในการลงทุนได้ดีกว่าการจัดการโดยคนอย่างมีนัยสำคัญ แล้วในโลกการลงทุนคริปโทเคอร์เรนซีล่ะ เป็นอย่างไรบ้าง? ปัญญาประดิษฐ์จะส่งผลกระทบอะไรต่ออุตสาหกรรมคริปโทเคอร์เรนซี? ท้ายที่สุดการเพิ่มขึ้นของปัญญาประดิษฐ์จะทำให้การเทรดโดยมนุษย์ล้าสมัยลงไปหรือไม่? ด้วยการพัฒนาปัญญาประดิษฐ์ ซึ่งสามารถสร้างวันซื้อขายได้หลายล้านล้านวันและทำให้เกิดการซื้อขายแบบอัลกอริทึมที่มีประสิทธิภาพเหนือกว่ามนุษย์ การตัดสินใจโดยใช้ข้อมูลเป็นหลักนั้นจะช่วยขจัดสิ่งที่ครอบงำนักลงทุน ไม่ว่าจะเป็นความคิดที่มีอคติเข้ามาเกี่ยวข้อง ซึ่งจะสามารถป้องกันไม่ให้พวกเขาดำเนินการซื้อขายอย่างไร้เหตุผล คอมพิวเตอร์ที่ได้รับการฝึกฝนด้วยการเรียนรู้ของเครื่อง (Machine Learning) อย่างต่อเนื่องจะทำให้เกิดข้อมูลเชิงลึกที่แม่นยำกว่ามนุษย์ สิ่งนี้ได้รับการพิสูจน์แล้วและตอนนี้ได้ถูกนำไปใช้กับภาคส่วนคริปโทเคอร์เรนซี ด้วยผลลัพธ์ที่น่าเชื่อที่พอกันกับความสามารถของมนุษย์ แล้วปัญญาประดิษฐ์คืออะไร? ปัญญาประดิษฐ์เป็นองค์ประกอบรวม เกี่ยวกับการสร้างเครื่องจักรที่มีความชาญฉลาดและมีความสามารถเพียงพอที่จะทำงานที่โดยปกติแล้วจะต้องใช้ข้อมูลและสติปัญญาของมนุษย์ ในวันนี้ปัญญาประดิษฐ์และ Machine Learning ได้นำการเปลี่ยนแปลงครั้งใหญ่มาสู่ทุกภาคส่วนของโลกเศรษฐกิจสังคมและตลาดคริปโทเคอร์เรนซีก็อยู่ในกลุ่มนี้เช่นกัน แล้วคริปโทเคอร์เรนซีล่ะ คืออะไร หากจะพูดให้เข้าใจง่าย ๆ Cryptocurrency ก็คือ เงินตราเข้ารหัสลับโดยใช้เทคโนโลยีที่เรียกว่า Blockchain ที่เก็บข้อมูลแบบกระจายออกไปหลาย ๆ ส่วน หลาย ๆ ก้อนที่เชื่อมโยงกันเหมือนโซ่ ไม่มีศูนย์กลาง ไม่มีการควบคุมจากกลุ่มใดกลุ่มหนึ่ง ซึ่งคริปโทเคอร์เรนซีก็ถือเป็นเด็กใหม่ในภาคกลุ่มการเงิน โดยนับตั้งแต่ปี 2017 ได้มีการพูดถึงอย่างกว้างขว้างถึงการเติบโตของสกุลเงินนี้ ผู้คนนับล้านได้เข้าสู่วงการคริปโทเคอร์เรนซี อีกทั้งปัญญาประดิษฐ์ก็มีศักยภาพอย่างมากที่จะส่งผลกระทบต่อการลงทุนในคริปโทเคอร์เรนซีในหลากหลายด้านอย่างมีนัยสำคัญ ตลาดคริปโทเคอร์เรนซีมีความผันผวนและเพื่อที่จะต่อสู้กับความผันผวนของมูลค่าคริปโทเคอร์เรนซี นักพัฒนาจึงได้สร้างแบบจำลองจากเครือข่ายประสาทประดิษฐ์ (Neural Network) ไว้รองรับ โดยที่มีความแม่นยำมากขึ้นในการคาดการณ์ พวกมันสามารถวิเคราะห์อัตราแลกเปลี่ยนคริปโทเคอร์เรนซีที่มีอยู่ เพื่อคาดการณ์สถานการณ์ของตลาดได้เป็นรายนาที โดยความสำคัญของการคาดการณ์ขึ้นอยู่กับพลังการคำนวณของคอมพิวเตอร์ ความซับซ้อนของแบบจำลองทางคณิตศาสตร์ที่ใช้ และสิ่งสุดท้ายที่ขาดไม่ได้ คือ คุณภาพกับปริมาณของข้อมูลที่วิเคราะห์ การเทรดด้วยความถี่สูง (High Frequency Trading) ได้รับความนิยมมากขึ้นเรื่อย ๆ ในวงการคริปโทเคอร์เรนซี ทำให้ปัญญาประดิษฐ์สามารถที่จะเป็นตัวเปลี่ยนเกมได้ การเทรดด้วยความถี่สูง เกี่ยวข้องกับการวิเคราะห์ตัวบ่งชี้ทางเทคนิคเฉพาะบนแพลตฟอร์มการซื้อขายแลกเปลี่ยนที่หลากหลาย โดยเป้าหมายหลักคือการตอบสนองต่อการซื้อขายที่เร็วขึ้นและใช้ประโยชน์จากการพุ่งขึ้นของราคาได้อย่างมีนัยสำคัญ การเทรดด้วยความถี่สูงนี้ใช้พลังของปัญญาประดิษฐ์ในการวิเคราะห์สัญญาณทางเทคนิคในหลาย ๆ ตลาดพร้อมกัน และดำเนินการส่งคำสั่งซื้อขายในตลาดหุ้น และตลาดแลกเปลี่ยนต่าง ๆ เพื่อตอบสนองต่อการซื้อขายที่เคลื่อนไหวได้อย่างสอดคล้องและราบรื่นโดยอัตโนมัติ ทำให้มีคำสั่งซื้อขายจำนวนมากภายในไม่กี่วินาที ตัวอย่างเช่น ปัญญาประดิษฐ์ ได้ทำการซื้อแล้วขายหุ้นตัวเดียวกันในราคาเดียวกันซ้ำ ๆ หลาย ๆ รอบ เพื่อเป็นการหยั่งเชิงล่อให้นักลงทุนรายอื่นมาเล่นตาม หากมีแรงซื้อเข้ามาก็จะดันขึ้นไปสัก 2-3 ช่องแล้วขายทำกำไร และจะมีพฤติกรรมลักษณะดังกล่าวนี้อีกหลายรอบซึ่งไม่มีมนุษย์คนไหนสามารถทำได้ การใช้ปัญญาประดิษฐ์ในการเทรดนั้นนักลงทุนสามารถเลือกได้ว่าต้องการให้ซอฟต์แวร์ใช้พารามิเตอร์แบบไหนในการตัดสินใจดำเนินการ การวิเคราะห์ความรู้สึก (Sentiment Analysis) หรือที่ เรียกกันว่า การขุดคุ้ยค้นหาความคิดเห็น (Opinion Mining) นั้นเป็นศาสตร์ย่อยศาสตร์หนึ่งของการประมวลผลภาษาธรรมชาติ (Natural Language Processing) ซึ่งกระบวนการนี้จะพยายามระบุและสกัดเอาความคิดเห็นออกมาจากข้อความที่กำหนด รวมไปถึง การวิเคราะห์ข้อมูลจากบล็อก บทความ โซเชียลมีเดีย กระดานข้อความที่เกี่ยวกับหุ้น กระแสข่าวในสังคม การถอดเสียงวิดีโอ และแหล่งข้อมูลอื่น ๆ อีกมากมายเพื่อทำความเข้าใจกับความรู้สึกของตลาดในหัวข้อใดหัวข้อหนึ่ง ณ ขณะนั้น เพราะอารมณ์ความรู้สึกอาจเป็นแต้มต่อที่มีผลมากที่สุดสำหรับนักลงทุน อิทธิพลของมันที่มีต่อการตัดสินใจลงทุนนั้นเป็นเรื่องที่ไม่สามารถปฏิเสธได้ Machine Learning และปัญญาประดิษฐ์นั้นสามารถช่วยวิเคราะห์ข้อความตัวอักษรจากหลายแหล่งเพื่อสกัดหาและตรวจจับอารมณ์ความรู้สึกของตลาดได้อย่างละเอียดแม่นยำ สิ่งนี้จะช่วยให้การลงทุนของเรามีกำไรได้ หุ้นและคริปโทเคอร์เรนซีมีความคล้ายคลึงกันในหลาย ๆ ด้าน หนึ่งในความคล้ายคลึงกันนั้นก็คือ การวิเคราะห์ปัจจัยพื้นฐานเพื่อตัดสินใจซื้อขาย รวมถึงการประเมินมูลค่าเหรียญก็ต้องใช้การวัดปัจจัยเชิงคุณภาพและเชิงปริมาณเช่นกัน โดยปัญญาประดิษฐ์นั้นสามารถวิเคราะห์ปัจจัยพื้นฐานได้รวดเร็วแม่นยำกว่ามนุษย์ อีกทั้งปัญญาประดิษฐ์ยังสามารถค้นหารูปแบบ (pattern) ที่เป็นตัวชี้นำราคาหุ้นในอนาคตได้อีกด้วย วิธีนี้ช่วยลดอคติที่มนุษย์อาจมีเมื่อทำการวิเคราะห์หลักทรัพย์ต่าง ๆ ความคิดเห็นในช่วงท้าย เพื่อให้ได้เปรียบในการแข่งขัน นักลงทุนได้นำเทคโนโลยีล่าสุดมาประยุกต์ใช้ และปัญญาประดิษฐ์ก็เป็นหนึ่งในนั้น ในขณะที่มีวิธีอื่น ๆ ที่สามารถช่วยให้นักลงทุนทั่วไปวิเคราะห์ตลาดคริปโทเคอร์เรนซีได้ อย่างไรก็ตามยังต้องมีการใช้พลังของปัญญาประดิษฐ์ที่เปรียบเสมือนไฟส่องสว่างในทางที่มืดมนในตลาดเหล่านี้จนทำให้มีกำไรขึ้นได้ แม้จะมีประโยชน์ของการใช้ปัญญาประดิษฐ์ในการวิเคราะห์ปัจจัยต่าง ๆ ในตลาด แต่ก็เป็นสิ่งสำคัญ ที่จะต้องเข้าใจว่าปัญญาประดิษฐ์ไม่ใช่สิ่งมหัศจรรย์และมันก็ไม่ได้คาดการณ์ถูกต้องเสมอไปทุกครั้ง ปัญญาประดิษฐ์อาจเป็นเครื่องมือที่ล้ำค่าสำหรับการวิเคราะห์และการลงทุน แต่ท้ายสุดปัญญาประดิษฐ์ก็เป็นเพียงแค่เครื่องมือชิ้นหนึ่งในกล่องที่มีเครื่องมือที่หลากหลายสำหรับการลงทุนและการซื้อขายโดยทั่วไปก็เท่านั้นเอง ที่มา https://medium.com/the-capital/ai-technology-revolutionizes-cryptocurrency-trading-e52a12dffd47 https://hackernoon.com/ai-and-cryptocurrency-interactions-you-may-not-know-about-r51431o1

5 May 2021

รู้จัก BDI

Organization

Policy and Plan

Personnel

Operations