Data Science Machine Learning

สรุปเนื้อหาคอร์สเรียน AI For Everyone – ตอนที่ 3/4

AI For Everyone สัปดาห์ที่สามมีหลายหัวข้อน่าสนใจ โดยเฉพาะเรื่องตำแหน่งงานในทีม AI และการลงลึกเรื่อง AI Transformation แอดเขียนสรุปเป็น 4 หัวข้อตามนี้

  • ตัวอย่างการสร้าง AI device ของ Google
  • ตำแหน่งในทีม AI มีอะไรบ้าง?
  • อธิบาย AI Transformation Playbook อย่างละเอียด
  • ก้าวแรกสู่โลก AI ใครๆก็ทำได้

Hey Device, Tell Me A Joke

Google Home – สปิคเกอร์อัจฉริยะและผู้ช่วยส่วนตัวในบ้านของคุณ

Andrew ยกตัวอย่างการสร้าง Google Home ว่าภายในมี AI software หลายๆตัวทำงานร่วมกันและมีขั้นตอนการทำงาน 4 ขั้นตอนดังนี้

  1. AI ตรวจจับ trigger word – wakeword recognition
  2. AI วิเคราะห์ประโยคที่ user พูดออกมา – speech recognition
  3. AI วิเคราะห์ความต้องการของ user – intent recognition
  4. AI สั่งรันโปรแกรมที่ user ต้องการ – execute commands

wakeword คือคำหรือ phrase ที่เราใช้ปลุก AI device เช่น “Okay Google” บน android smartphone พอ AI ตื่นและพร้อมรับคำสั่งของเรา ให้เราพูด command ต่างๆได้เลย เช่น เล่าเรื่องตลกให้ฟังหน่อย ตั้งนาฬิกาปลุก หรือถามคำถามง่ายๆ เช่น วันนี้อากาศดีไหม เป็นต้น AI จะทำการวิเคราะห์ประโยคที่เราพูด คำไหนเป็นคำนาม กริยา หรือกรรม รวมถึงความหมายของคำเหล่านั้น (speech recognition) เพื่อค้นหาสิ่งที่เราต้องการ (intent recognition) พอ AI รู้ว่าเราต้องการอะไร มันก็จะ execute commands ที่ตรงกับคำสั่งนั้นๆ

โดยทั่วไปเราจะแบ่งทีม AI ออกเป็น 4 ทีม แยกกันพัฒนาโมเดลในแต่ละ step ด้านบนเลย โมเดลในขั้นตอนสุดท้ายจะแตกต่างจากส่วนอื่นๆนิดหน่อยเพราะต้องใช้ความรู้ด้าน software engineer มาพัฒนาโปรแกรมด้วย

Roles in AI Team

data science = teamwork

ตัวผู้เล่นในทีม AI หลักๆจะมีอยู่ 6 ตำแหน่ง Andrew บอกว่าตำแหน่งที่มีจำนวนเยอะที่สุดในทีม AI คือ software engineer ประมาณ 50-70% ส่วนตำแหน่งที่ได้เงินเดือนสูงที่สุดคือ AI/ ML Engineer

ตำแหน่งหน้าที่ในทีม AI
Software Engineerสร้างแอป เว็บไซต์ อุปกรณ์ต่างๆ
ML Engineerสร้างและทดสอบโมเดล ML/ AI รัวๆ
ML Researcherต้องอ่านเปเปอร์ ทำวิจัยคิดค้นเทคนิคใหม่ๆให้กับทีม
Data Scientistวิเคราะห์ข้อมูลหา insight ที่เป็นประโยชน์กับโปรเจ็ค
Data Engineerดูแล รวบรวม ทำความสะอาดข้อมูลให้กับทั้งทีม
AI Product Managerดูภาพรวมของโปรเจ็ค ดูเรื่อง timeline และ budget

ถ้าบริษัทเพิ่งเริ่มทำโปรเจ็ค AI – ควรมี SE และ ML Engineer อย่างน้อยตำแหน่งละหนึ่งคน แต่ถ้าหาคนไม่ได้เลย Andrew แนะนำให้ลองศึกษาและลงมือทำเอง เรียนออนไลน์ซัก 2-3 คอร์สก็น่าจะเริ่มทำโปรเจ็คเล็กๆได้บ้างแล้วพวก regression/ classification ง่ายๆ ลองดู scope งานตำแหน่ง MLE ของ Facebook ได้ที่นี่

ทุกวันนี้หลายๆบริษัทคิดแต่จะดึงตัว ML/ DS ที่มีประสบการณ์จากภายนอก แต่ Andrew แนะนำว่าบริษัทควรลงทุนสร้างทีม AI ภายในบริษัทตัวเอง มีโปรแกรมฝึกสอนอย่างต่อเนื่องยั่งยืนกว่าไป head hunt บริษัทอื่นๆ

วิธีการสร้างองค์กรแบบ AI driven อยู่ในห้วข้อต่อไป

AI Transformation Playbook

Andrew ได้เขียนแนวทางการทำ AI Transformation ไว้ 5 ขั้นตอน ดังนี้

  1. ลองทำ pilot AI projects เพื่อสร้างโมเมนตัมให้กับบริษัท
  2. สร้างทีม in-house AI ของตัวเอง
  3. มีการเทรนนิ่งอย่างต่อเนื่องให้กับทุกคนในบริษัท
  4. มีกลยุทธ์ด้าน AI โดยเฉพาะเรื่อง data acquisition และ data warehouse
  5. มีแผนการสื่อสารทั้งภายในและภายนอกองค์กรให้คนรู้ว่าเราเอาจริงเรื่อง AI

บริษัทไม่จำเป็นต้องทำทั้ง 5 ขั้นตอนนี้ตามลำดับ แต่ Andrew แนะนำให้เริ่มจากการทำ pilot projects ก่อนเสมอ ถ้าหากบริษัทของคุณใหม่มากเรื่อง AI/ Data Science การได้ลงมือทำโปรเจ็คด้วยตัวเอง (หรืออย่างน้อยมีส่วนร่วมกับทีม AI) เราจะได้ first-hand experience ที่ฝรั่งพูดกันว่า “get your hands dirty” ซึ่งประสบการณ์นี้จะเป็นประโยชน์อย่างมากกับขั้นตอนที่เหลือใน AI Transformation Pipeline

สำหรับ pilot projects ให้เราเลือกโปรเจ็คที่มีโอกาสทำสำเร็จได้จริงภายใน 6-12 เดือน ให้เริ่มจากโปรเจ็คเล็กๆ และ phase นี้ยังไม่ต้องคิดเรื่องเงินหรือผลกำไรมากนัก จะทำกันเองภายในองค์กรหรือ outsourced ก้ได้ ถ้าโปรเจ็คแรกประสบความสำเร็จตามแผนที่วางไว้จะเริ่มมีโมเมนตัมให้ทีมอื่นๆในบริษัทเข้ามาหาทีม AI มากขึ้น รวมถึงลูกค้าและนักลงทุนที่ตื่นเต้นอยากเห็นโปรเจ็คต่อๆไปของเรา

มีทีมศูนย์กลาง AI ที่ support ทุก business unit ในบริษัท

Andrew แนะนำว่าเราควรสร้างทีม centralized AI และมีตำแหน่ง CAIO – Chief AI Officer ดูแลหน่วยงานนี้ รูปแบบการทำงานของทีม AI จะช่วยสนับสนุน business unit อื่นๆในบริษัท เช่น marketing และ sales รวมถึงจัดโปรแกรม training เพื่อกระจายความรู้ data literacy พื้นฐานให้กับทุกคนในองค์กร

The virtuous cycle of AI โดย Andrew Ng

ส่วนตัวแอดคิดว่า the virtuous cycle of AI คือสิ่งสำคัญที่สุดที่บริษัทต้องนึกถึงเสมอเวลากำหนด AI strategy เพราะเกี่ยวข้องโดยตรงกับเรื่อง Strategic Data Acquisition เราต้องมุ่งพัฒนา AI product เพื่อดึงดูด users ใหม่และนำข้อมูลที่ได้จากการใช้งานไปพัฒนาสินค้าและบริการให้ดีขึ้นเรื่อยๆเป็น cycle ที่ไม่มีวันจบ

อีกหนึ่งสิ่งที่สำคัญไม่แพ้กันคือการมี Unified Data Warehouse หรือศูนย์กลางการเก็บข้อมูลให้ทีม AI นำข้อมูลไปใช้ได้ง่ายขึ้นและเพิ่มโอกาสค้นพบ insight ที่มีประโยชน์ต่อธุรกิจอย่างที่ Andrew กล่าวไว้ว่า “(UDW helps AI team) connect the dots and spot the pattern”

First Step in AI

Andrew ให้คำแนะนำสำหรับคนที่เพิ่งเริ่มศึกษาด้านนี้ ประมาณ 5-6 ข้อ

By taking this course, you’ve already taken a great first step.

Andrew Ng
  • หาเพื่อนช่วยกันเรียนเรื่อง AI อาจเป็น facebook group หรือ study group ก็ได้
  • เริ่มหาไอเดียสำหรับ AI project – no project is too small
  • recruit พนักงานตำแหน่ง ML/ DS เข้ามาในบริษัท (ไม่ต้องเยอะมาก)
  • ML/ DS ที่จ้างเข้ามา ไม่จำเป็นต้องเป็น superstar ในวงการก็ได้
  • มีตำแหน่งด้าน AI ใหม่ๆในองค์กร เช่น CAIO หรือ VP AI
  • หาโอกาสคุยกับ CEO เรื่อง impact ที่จะได้จากการทำ AI Transformation

Key Takeaway Week 3

  • AI product หนี่งตัวเกิดจาก AI software ภายในหลายๆตัวทำงานร่วมกัน
  • ตำแหน่งในทีม AI มีมากกว่าแค่ ML และ DS ลองศึกษาเพิ่มเติมและเลือกตำแหน่งที่ใช่สำหรับเรา
  • ลงมือทำ AI ด้วยตัวเองหรืออย่างน้อยมีส่วนร่วมกับโปรเจ็ค AI ของบริษัท ก่อนที่จะกำหนดกลยุทธ์ AI
  • AI ไม่ยากอย่างที่หลายคนคิด ลองเปิดใจให้เวลากับมัน คอร์สเรียนออนไลน์มีให้เรียนฟรีเยอะมากทั้งบน coursera, edx และ udacity

ติดตามอ่านสรุปตอนสุดท้ายได้ในบทความต่อไป / แอดทอย

Leave a Reply

This site uses Akismet to reduce spam. Learn how your comment data is processed.