สรุปคอร์ส : Machine Learning for Business Professionals จาก Coursera EP.3
Course contents
EP.1 Week1 : What is Machine Learning ?
EP.2 Week2: Employing Machine Learning
EP.3 Week 3 : Discovering ML Uses Cases
EP.4 Week 4 : How to be successful at ML
ใน EP.3 นี้ Lak จะพูดถึง Use cases ของธุรกิจมากมาย ที่นำ Machine Learning ไปใช้ในด้านต่างๆ (มีตัวอย่างของไทยด้วยนะจะบอกให้)
- ใช้เพื่อแทนที่หรือลดการเขียนโค้ด Rule-based
- ใช้เพื่อลดระยะเวลาและเพิ่มประสิทธิภาพของ Operation
- ใช้เพื่อตรวจจับ Pattern แปลกๆ
- ใช้เพื่อทำงานกับข้อมูลแบบ Unstructured
- ใช้เพื่อการทำ Personalize ให้กับลูกค้า
- ใช้เพื่อการทำ Recommendation system
มาเริ่มเรียน Week 3 ไปพร้อมกันคร้าบบบ
Week 3 : Discovering ML Use Cases
ก่อนอื่นเราควรมารู้จักคำนี้กันก่อน นั่นก็คือ “Rule-based”
Rule-Based
มองง่ายๆ เหมือนกับการเขียนกฎหรือเงื่อนไขบางอย่างขึ้นมา เพื่อแยกแยะผลลัพธ์ของสิ่งต่างๆ ลองดูตัวอย่างสูตรในตาราง Excel ข้างล่าง น่าจะเห็นภาพมากขึ้น
จากรูปจะเห็นว่ามี 3 คอลัมน์
Color = สี , Amount = จำนวนสินค้า, Box Size = ขนาดกล่อง
โดยสูตร IF จะมีโลจิกแบบนี้
=IF(เงื่อนไขที่กำหนด, ถ้าเงื่อนไขเป็นจริง, ถ้าเงื่อนไขเป็นเท็จ)
ซึ่งขนาดกล่องจะถูกแยกโดย Rule-based ด้วยเงื่อนไขที่ว่า
=IF(B2 < 15, “Small”, “Big”) ถ้าคอลัมน์ B มีค่าน้อยกว่า 15 จะบรรจุสินค้าในกล่องขนาดเล็ก ถ้าไม่ใช่จะบรรจุสินค้าในกล่องขนาดใหญ่
การใช้ Rule-based ทำง่ายในกรณีทีมีกฎน้อย ลองคิดว่าถ้ามีสัก 100 กฎ สูตรจะยาวขนาดไหน แล้วถ้า 1,000 กฎ สูตรคงยาวเป็นกิโล
Simplifying Rule-based System
ภาพด้านบน คือตัวอย่างของ Rule-based ของ Google Search เมื่อก่อน ถ้าผู้ใช้งาน Search คำว่า “Giant” จะแสดงผลเป็น 3 แบบ
- ถ้าตำแหน่งผู้ใช้อยู่ใกล้ ‘Bay Area’ จะแสดงผลเกี่ยวกับ ทีม SF Giant
- ถ้าตำแหน่งผู้ใช้อยู่ใกล้ ‘New York’ จะแสดงผลเกี่ยวกับ ทีม NY Giant
- ถ้าตำแหน่งผู้ใช้เป็นอย่างอื่น จะแสดงผลเกี่ยวกับ Giant ที่แปลว่ายักษ์
ลองคิดจำนวนคำที่ users ใช้ในการ Search บน Google สิ !!!
เพื่อหลีกเลี่ยงการดูและ Hi-end Code และป้องกันการผิดพลาด Google จึงลองใช้ Machine Learning มาช่วยในการทำ Search ชื่อ RankBrain
RankBrain เป็น ML ที่ใช้ Deep Neural Network ในการทำ Search Ranking (จัดอันดับการค้นหา) โดยระบบสามารถพัฒนาตัวเองได้เรื่อยๆ จากการแนะนำของผู้ใช้งาน (เท่จัง) ซึ่งทำให้การค้นหาข้อมูลของ Google มีประสิทธิภาพเพิ่มขึ้นอย่างมาก จากเดิม ที่เคยใช้ Rule-based
Machine Learning, this is the next transformation.. the programming paradigm is changing. Instead of programming rules, Eric told us, we should think in terms of teaching computers based on data
Eric Schmidt
netmarble เป็นบริษัทเกมส์สัญชาติเกาหลีใต้ ที่ผลิตเกมส์สนุกๆ มามากมายนับไม่ถ้วน และมีรายได้มากว่า 100,000 ล้าน US ทั่วโลก ทุกคนคงเคยได้เล่นกันมาบ้างแล้ว
ในวงการเกมเมอร์ และแน่นอน !! มีเกมส์ ก็ต้องมีโกงเป็นเงาตามตัว หากปล่อยให้มีการโกงเกิดขึ้น นั่นหมายถึงการทำลายความเชื่อถือของผู้เล่นคนอื่น นั่นส่งผลต่อรายได้หลักของบริษัท (โถ่ แก้ปัญหาด่วนๆๆ เลยเพ่)
netmarble ใช้การเขียน Rule-based เพื่อตรวจจับการโกงของผู้เล่น ซึ่งผลออกมาไม่เป็นอย่างที่คาด เพราะการโกงของผู้เล่น มีหลากหลายวิธีมาก เช่น
- บอทที่เล่นแทนผู้เล่นจริง ที่เล่นเกมอย่างต่อเนื่องเป็นเวลานานเกินจริง และมีรูปแบบการเล่นแบบเดิมซ้ำๆ
- การโกงเวลา จบเกมส์เร็วกว่าที่ควร โดยที่ไม่ฆ่ามอนสเตอร์ และบอสเลย
- การโกงพลัง ทำให้ Hero มีพลังโจมตีหรือความเร็วในการโจมตีเกินจริง
(ใครเล่นเคยเล่น Ragnarok คงผ่านอะไรพวกนี้มาหมด) การที่จะสร้าง Rule-based ดักจับวิธีการโกงมากมายเหล่านี้ เป็นเรื่องยาก
Google และ netmarble จึงช่วยกันสร้าง ML โมเดลตรวจจับรูปแบบการเล่นของผู้เล่น ซึ่งโมเดลจะทำการเรียนรู้ทุกความเป็นไปได้ในทุกสถานการณ์ทั้งหมดในเกมส์ที่ผู้เล่นทุกคนเคยเล่น เช่น การเล่นของผู้เล่นเป็นการเรียงลำดับ action ตัวโมเดลก็จะทำนาย action ต่อไป โดยดูจาก action ก่อนหน้า
จากในรูปภาพจะเห็นว่ามีการเรียง action ตั้งแต่ 1 ถึง 4 ความหนาของลูกศร หมายถึง ความเป็นไปได้ที่จะเกิด step ถัดไป นั่นหมายถึงว่า ผู้เล่นส่วนใหญ่จะเล่นโดยเรียง Step เป็น 1 — 2 — 3 — 4 รองลงมาจะเป็น 1 — 3 — 4 ถ้าผู้เล่นมีขั้นตอน action ต่างจาก 2 รูปแบบนี้ จะถูกมองว่าอาจเป็นการโกง และโมเดลจะส่งข้อมูลผู้เล่นนั้นไปยังเจ้าหน้าที่เพื่อทำการสืบต่อไป
นอกจากนั้น netmarble ยังใช้ ML โมเดล ในการทำนายว่าใครมีแววจะเลิกเล่นเกมส์ภายใน 1 สัปดาห์นี้ ใครที่ยังคงเล่นเกมต่อไป หรือใครที่ทางบริษัทต้องเข้าไปดูแลเป็นพิเศษ ซึ่งโมเดลนี้ช่วยทำให้ netmarble ลดจำนวนผู้เล่นที่จะเลิกเล่นเกมส์ได้
Streamlining Business Processes
ลองมาดูธุรกิจในเมืองไทยกันบ้าง หลายคนน่าจะรู้จัก บริษัทอนันดา ดีเวลลอปเม้นท์ เจ้าพ่ออสังหาริมทรัพย์เจ้าใหญ่ของไทย มีทั้งคอนโด บ้านเดี่ยว และทาวน์เฮ้าส์ อยู่หลายโครงการ
อนันดาประสบปัญหาในการใช้เจ้าหน้าที่ตรวจคุณภาพห้องก่อนขายให้ลูกค้า เพราะกระบวนการนี้ทำโดยใช้กระดาษและต้องถ่ายรูปเป็นหลักฐาน โดยเฉลี่ยแล้วเจ้าหน้าที่ตรวจห้องต้องตรวจหลายร้อยรายการต่อวัน ยิ่งขยายโครงการมากขึ้น ก็ต้องจ้างเจ้าหน้าที่ตรวจห้องเพิ่มขึ้น แถมยังมีข้อผิดพลาดอยู่ตลอด
อนันดาจึงตัดสินใจพัฒนา Mobile Apllication เพื่อเก็บภาพและบันทึกเสียงมาช่วยในเรื่องนี้ โดยใช้ Vision API และ Speech-to-Text API ของ Google ซึ่งต้องรองรับเสียงพูดภาษาไทย และเสียงพูดภาษาอังกฤษสำเนียงไทยด้วย (ยากตรงเนี้ยยย)
ผลลัพธ์คือ ML โมเดลตัวนี้ ทำนายเสียงภาษาไทยได้แม่นยำมากกว่า 90% และภาษาอังกฤษสำเนียงไทยในอัตราที่สูง (ไม่บอกว่าเท่าไหร่แฮะ) โมเดลนี้ช่วยลดระยะเวลาและเพิ่มประสิทธิภาพให้กระบวนการตรวจห้องของเจ้าหน้าที่ และลูกค้ายังได้ผลการตรวจห้องเป็นแบบอีเล็กทรอนิกส์ ที่มีสถานะบอกว่าของที่เสียในครั้งก่อนอะ ถูกซ่อมไปหรือยัง (โคตรคูลลลลล)
นอกจากนี้เจ้าหน้าที่ก็สามารถเคลียร์งานเสร็จภายในเวลา ไม่ต้องหอบเอกสารไปทำต่อที่บ้านให้ปวดเฮด และอนันดายังได้รับประโยชน์อีกตั้งหลายข้อ (คุ้มอยู่น้าาา)
- รวบรวม insights ของการทำงานไว้ในที่เดียว เพื่อนำข้อมูลไปใช้ต่อได้ง่าย
- รวบรวมข้อมูลเพื่อทำ content management เพื่อส่งให้เฉพาะลูกค้าแต่ละกลุ่มได้
- ได้ผลการตรวจสอบแบบ Real-time ทำให้ฝ่ายบริหารตัดสินใจได้ง่าย
การทำ Streamline business process ไม่ใช่เพื่อลดรายจ่าย แต่มีจุดประสงค์เพื่อเพิ่มประสิทธิภาพและความแม่นยำในกระบวนการที่สำคัญต่อธุรกิจ
Understanding Unstructured Data
ภาษา ถือเป็นอีกตัวอย่างของ Unstructured Data รวมไปถึงรูปภาพ วีดีโอ เสียง และข้อมูลพวกนี้ยากที่จะนำไปเก็บไว้ใน Relational Database (ตารางข้อมูล)
Bloomberg จึงต้องทำการสรุปข่าวสารด้านการเงิน โดยวิเคราะห์ข้อมูลจากทั่วโลก แต่การทำงานบนข้อมูลหลายภาษานั้นเป็นสิ่งที่ค่อนข้างท้าทาย ซึ่งตัวช่วยอย่าง Google Translate ทำให้ Bloomberg นำข้อมูลส่งถึงมือลูกค้าโดยปราศจากกำแพงทางภาษา
จากในภาพ Translation API สามารถจับคู่แปลได้ถึง 97 ภาษา ซึ่งสามารถปรับใช้ได้ในหลายธุรกิจ เช่น การรีวิวสินค้าของลูกค้าทั่วโลก หรือพวก Market place การใช้เครื่องมือแปลภาษาอัตโนมัติ จะช่วยเป็นตัวกลางเชื่อมลูกค้าเข้าด้วยกัน(นี่ง่ะ!!! ขยายฐานลูกค้าออกไป โดยไม่มีกำแพงของเรื่องภาษา)
Personalizing Experiences
Weight Watchers เป็นบริษัทที่ทำธุรกิจเกี่ยวกับ การลดหรือควบคุมน้ำหนัก โดยจะเน้นให้ลูกค้ามีร่ายกายที่ Fit&Firm บวกกับ mindset ที่ถูกต้อง ซึ่งปัจจุบันมีสมาชิกอยู่มากกว่า 4 ล้านราย โดยบริษัทต้องการที่จะให้คำแนะนำกับลูกค้าเป็นรายคน เพราะลูกค้าหวังว่าจะได้รับคำแนะนำส่วนตัวในหลายๆ ปัจจัย เช่น
- ตัวเลือกอาหารที่เข้ากับความชอบของตัวเอง
- ตารางการออกกำลังกาย
- วันพักผ่อนที่เหมาะสม
Machine Learning สามารถตอบโจทย์ของ Weight Watchers ได้ทุกข้อ โดยมอบ Personalizing experiences ให้กับสมาชิกผ่าน Moblie Application ทำให้สมาชิกทราบถึงแคลอรี่ และรายละเอียดของอาหารในแต่ละวันได้ ทำให้สมาชิกได้รับประสบการณ์ใหม่ๆ ที่เข้ากับตัวเองมากกว่าเดิม
Personalize นั้น สามารถทำให้เกิดบริการอื่นๆ เช่น การต่อยอด และขยายขนาดของธุรกิจเดิม ตัวอย่างที่เห็นกันชัดๆ คือ Recommendation System ที่ทุกคนคุ้นเคยกันดี โดยเฉพาะบน Google Search และ E-commerce
Recommender Systems
ลองมาดู Recommendation system อื่น นอกจากการแนะนำสินค้ากันบ้าง Google มี Contact Center AI ที่ช่วยนำลูกค้าที่โทรเข้ามา Call center ไปยัง operator ให้ตรงกับความต้องการของลูกค้าได้ในครั้งเดียว
ซึ่งการทำแบบนี้ไม่ใช่แค่ช่วยประหยัดเวลาของ operator เท่านั้น แต่ยังช่วยลูกค้าให้ไม่เสียเวลาต้องโอนสายไปมาให้เสียรมณ์ในคราวเดียวกัน Lak บอกว่า จากตัวอย่างนี้เอง Recommendation systems นั้นดีทั้งในมุมมองของ users และ business
Recommendation are good for users
- ช่วยให้ users เจอเนื้อหาที่เกี่ยวข้องกับสิ่งที่ค้นหา เช่น หากลองพิมพ์ใน Google Search ว่า “Things to do in Bangkok” จะมีแหล่งท่องเที่ยวดังๆ ของกรุงเทพขึ้นมาเพียบบบบ
- ช่วยให้ users เจอสิ่งใหม่ๆ ที่ไม่เคยเห็นมาก่อน
- ช่วยให้ users ตัดสินใจได้ง่ายขึ้น โดยการแสดงให้เห็นเฉพาะสินค้าประเภทเดียวกันกับที่ users สนใจ
Recommendation are good for businesses
- เพิ่ม user engagement และเป็นจุดเริ่มของการมี deep loyalty users (ผู้ใช้ที่ภักดี แปลเป็นไทยได้แปลกมาก หรือที่เรียกกันอีกอย่างว่า Top fan) หรือ ได้รับการเชื่อถือจากผู้ใช้มากขึ้น
- รู้พฤติกรรมและข้อมูลของผู้ใช้มากขึ้น สังเกตจากการคลิกเข้าไปดูสินค้าที่เราแนะนำ และรู้ว่า users แต่ละคนมีความสนใจด้านไหนเป็นพิเศษ
Inspiring ML Use Cases
Super resolution เป็นวิธีการสร้างภาพที่มีความละเอียดสูง หรือเติมส่วนที่หายไปของภาพด้วยการใช้ Machine Learning จาก Standard algorithms
สิ่งที่ขาดไม่ได้นั่นคือ ข้อมูล Training set เราต้องมีชุดข้อมูลที่เป็นภาพความละเอียดสูง และโปรแกรมเพื่อลดความละเอียดของภาพชุดนี้ หลังจากนั้นเราจะมีภาพสองชุด ตัวอย่างเช่น ภาพ A ความละเอียดต่ำ และภาพ A ความละเอียดสูง
จากนั้นให้ ภาพที่มีความละเอียดต่ำ เป็น Feature และให้ภาพที่มีความละเอียดสูง เป็น Label เมื่อเรา Train โมเดลจนมีความแม่นยำแล้ว ก็สามารถนำไปใช้กับรูปอื่นๆ ของเราที่มีความละเอียดต่ำได้
ลองดูตัวอย่างสิ่งที่ Super resolution ทำได้
- อาจมี service ใหม่ๆ เกิดขึ้น เช่น รับทำให้รูปแต่งงานเมื่อ 20 ปีก่อน ชัดขึ้น
- เพิ่มความละเอียดของข้อมูลเก่าๆ
- ซ่อมแซมรูปภาพที่เสียหายด้วยการเติมส่วนที่ขาด
When to Use ML
ปัญหาทางธุรกิจส่วนใหญ่มักจะแก้ได้ด้วย ML เช่น การทำ Sale forecast, ประมาณการ์ณของ Stock และอื่นๆ ซึ่งต้องใช้ข้อมูลปัจจัยหลายอย่างมาเกี่ยวข้อง
ลองมาดูว่าเมื่อไหร่ที่ควรใช้ Machine Learning
ถ้าเราเป็น Data Analyst ในบริษัทที่มีบริการให้เช่าจักรยาน โดยนำจักรยานไปวางไว้ตามจุดต่างๆ ทั่วเมือง เพื่อให้บริการลูกค้าได้อย่างทั่วถึง แต่เนื่องจากจำนวนการใช้จักรยานในแต่ละจุดค่อนข้างไม่แน่นอน เราจึงพยายามหาวิธีในการขนย้ายจักรยานไปเติมตามจุดต่างๆ ให้เหมาะสม
สมมุติว่าเราวิเคราหะ์เบื้องต้นมาแล้ว หากการเช่าจักรยานน้อยกว่า 10 นาที จะไม่ได้กำไร สิ่งที่น่าสนใจก็คือ การเติมจักรยานตามจุดต่างๆ จะใช้อะไรมาช่วยในการตัดสินใจ
ลองเริ่มต้นจากการหาสัดส่วนการเช่าจักรยานน้อยกว่า 10 นาที โดยการใช้ SQL ดึงข้อมูลออกมา ใน diagram จุดสีน้ำเงินเป็นการเช่าที่นานกว่า 10 นาที จุดสีแดงเป็นการเช่าที่น้อยกว่า 10 นาที ผลลัพธ์ที่ได้ 85% เป็นการเช่าที่ได้กำไร แต่ยังไม่น่าสนใจเท่าไหร่ เพราะโจทย์ของเราไม่ใช่แค่จะให้พนักงานเอาจักรยานไปเติมหรือเปล่า
ลองเพิ่ม dayofweek ลงไปใน query (ตามรูปด้านล่าง) เพื่อดูเป็นรายวัน ว่าวันไหนที่พนักงานเอาจักรยานไปเติมแล้วจะคุ้มค่า เมื่อดูจาก diagram แล้วจะเห็นว่า พฤติกรรมการเช่าจักรยานในวันธรรมดาจะได้กำไรน้อยกว่าวันหยุด ดูจุดสีแดงในวันธรรมดาดิ เพียบเลย
เช้ดดดด เจอแล้ววว แบบนี้ต้องบอกบอส !! เรารีบเอาข้อมูลนี้ให้หัวหน้าดู เพื่อขอให้ผู้บริหารจ่ายค่าล่วงเวลา (OT) ให้กับพนักงาน เพื่อเอาจักรยานไปเติมในช่วงวันหยุด
หัวหน้าตอกกลับมาทันทีว่า “จะบ้าหรอ ผมไม่จ่ายเงินค่าล่วงเวลาเพื่อสต็อกจักรยานทุกจุดหรอก กลับไปหามาว่าจุดไหนที่ต้องเอาจักรยานไปเติม” ได้ยินแบบนั้นถึงกับแห้งกันเลยทีเดียว มาหากันต่อออออ เพื่อ OT ของทุกคน
ใส่ station เพิ่มเข้าไปใน query อีกตัวนึง ทีนี้เราก็รู้ละว่าสถานีไหนควรจะสต๊อกจักรยานเอาไว้ในวันหยุด ผลก็คือ สถานีสีเขียวรูปบนขวานั่นเอง
แต่พอเราบอกหัวหน้าอีกรอบ กลับถูกบอกว่ายังละเอียดไม่พออีกกกกก ทีนี้เริ่มเห็นปัญหาแล้ว เราต้องไปวิเคราะห์ใหม่อีกกี่รอบเพื่อให้ได้ปัจจัยครบทุกข้อตามที่หัวหน้าต้องการ มีปัจจัยอีกมากที่มีผลต่อการเช่าจักรยาน เช่น วันที่ฝนตก ตำแหน่งของจุดนั้นอยู่ใกล้สถานีรถไฟหรือไม่
ML ช่วยแก้ปัญหาเรื่องนี้ได้ เพราะมีข้อมูลพฤติกรรมการเช่าจักรยานจำนวนมาก แยกตามวันเวลาและสถานี ML สามารถทำนายสิ่งที่ยังไม่เกิดขึ้นได้ การเช่าในวันใดวันหนึ่งของสัปดาห์ที่สถานีใดสถานีหนึ่งโดยยึดตามสถานีที่คล้ายกัน
ถ้าปัจจัยของข้อมูลมีไม่เยอะก็ใช้ Analysis ปกติ แต่ถ้าปัจจัยมีเยอะก็ลองเปลี่ยนมาใช้ Machine Learning ดูวววววว จะได้ไม่ต้องแก้ query กันมือหงิก
ML in series
การใช้ ML โมเดล หลายตัวมารวมกันก็มีประโยชน์ต่อ user ได้มากเลยทีเดียว อย่างเจ้า Google Translate ที่ทุกคนคุ้นเคยกันดี ก็เป็นการผสมผสานหลายโมเดลเข้าด้วยกัน
หมายเลข 1
เริ่มจากการพิมพ์ค้นหา ในช่อง Search ว่า “google translate” โมเดลแรกจะเริ่มทำงานโดยตัดสินใจว่า ควรจะให้ UI ของ Google Translate ขึ้นมาเลยรึเปล่า ? (กรอบสีส้ม) หรือจะโชว์แค่ผลการ Search ของคำว่า “google translate” ที่เป็นหน้าจอแสดงผลการ Search ทั่วไป เพราะ UI Google Translate ที่โผล่ขึ้นมาเลย จะช่วยให้ user พิมพ์สิ่งที่ต้องการจะแปลได้เลย โดยไม่จำเป็นต้องเข้าไปที่ https://translate.google.co.th/
หมายเลข 2
หลังจาก user เริ่มใส่ข้อความที่ต้องการจะแปล ในหน้าจอด้านซ้าย โมเดลที่ 2 จะเริ่มทำงาน เพื่อค้นหาว่าสิ่งที่ต้องการจะแปลนั้นเป็นภาษาอะไร ในรูปตัวอย่างโมเดลวิเคราะห์ได้ว่าเป็นภาษาไทย จากการใช้ Classification model โดยการใส่ข้อความแล้วโมเดลจะแยกภาษาให้ (วุ้นแปลภาษาของโดเรมอนคงใช้ Classification model เหมือนกันอ่ะ)
หมายเลข 3
เมื่อเลือกภาษาที่จะแปลแล้ว ในตัวอย่างเลือกภาษาญี่ปุ่น จากนั้นโมเดลที่ 3 ก็เริ่มทำงาน ด้วยการแปลข้อความภาษาไทยเป็นญี่ปุ่น
เอาจริงๆ แล้วโมเดลแค่สามตัวนี้ ก็เพียงพอสำหรับใช้ในการแปลภาษา แต่เพื่อให้ user journey เป็นที่น่าพอใจ และใช้ประโยชน์ได้มากกว่า จึงใส่โมเดลอื่นๆ เพิ่มเข้าไปอีก
หมายเลข 4
เมื่อคลิกไปที่รูปลำโพง โมเดลที่ 4 จะถูกใช้งาน ลองคิดว่าเรารู้แค่ภาษาไทย แต่อยู่ในญี่ปุ่น และต้องการถามทางไปสถานีรถไฟ แน่นอนว่า Google Translate แปลภาษาญี่ปุ่นให้เราได้ แต่ดีจะกว่ามั้ยถ้ากดปุ่มนี้แล้วมีเสียงเป็นภาษาญี่ปุ่นออกมาเลย ไม่จำเป็นต้องให้คนที่เราถามมาอ่านข้อความในโทรศัพท์ เป็นการใช้โมเดล Text-to-speech
หมายเลข 5
ถ้าเราไม่รู้จักภาษาญี่ปุ่นเลย แล้วต้องอ่านยังไงอ่ะ โมเดลที่ 5 นี่ล่ะ คือตัวช่วย โดยโมเดลจะใช้ text -to-phonetic ช่วยให้เราพออ่านภาษาญี่ปุ่นได้ ถ้าเราต้องการ (Eki wa dokodesu ka? > อีคิ วะ โดโคเดซึ ก๊ะ? ถูกป่ะเนี้ยยยยย)
หมายเลข 6
โมเดลที่ 6 จะย้อนกลับมาในเรื่องของการ Search หลายๆ คนคงไม่อยากมายืนพิมพ์เวลาที่ยืนอยู่กลางถนน ก็แค่กดปุ่มไมโครโฟนแล้วพูดใส่โทรศัพท์ จากนั้นปล่อยให้มันแปลงคำพูดเป็นข้อความเอง โมเดลตัวนี้คือการ Search ด้วยเสียง
การใช้ ML โมเดล ไม่จำเป็นต้องยึดติดแค่ CoreML โมเดล ลองคิดถึง user journey เป็นหลัก จากนั้นค่อยวางแผนว่าจะใช้โมเดลอะไรบ้าง
Course Summary
สิ่งที่เรียนรู้จาก Week 3
- Rule-based และ Simplifying Rule-based System
- การใช้ ML เพื่อ Streamlining Business Processes
- การใช้ ML เพื่อ Understanding Unstructured Data
- การใช้ ML เพื่อ Personalizing Experiences
- การใช้ ML เพื่อ Recommender Systems
- Analysis vs Machine Learning
- การใช้ ML หลายตัวเพื่อพัฒนา user journey
เป็นยังไงบ้างงง จบลงไปแล้วกับ EP.3 ของคอร์ส Machine Learning for Business Professionals จากทาง Google Cloud หวังว่าเพื่อนๆ น่าจะมีไอเดียในการประยุกต์ใช้ ML กับงานที่ทำอยู่ ไม่มากก็น้อยครัชชช อย่าลืมติดตาม EP สุดท้ายในบทความต่อไป
พุดคุยติชมได้ที่ https://www.facebook.com/Malonglearn
776 total views, 4 views today