สร้างโมเดล Machine Learning ที่พร้อมใช้งานจริง จากการทดลองเป็นผลลัพธ์ทางธุรกิจ

ในการทำงาน ข้อมูลจริงมักไม่สมบูรณ์ มีความผันผวน และเต็มไปด้วยข้อยกเว้น ทำให้ความแม่นยำของโมเดลเพียงอย่างเดียวไม่เพียงพอต่อการสร้างคุณค่าทางธุรกิจ ปัจจัยสำคัญที่กำหนดประสิทธิภาพของ AI คือ Loss Function ซึ่งช่วยให้โมเดลเรียนรู้จากความผิดพลาด ช่วยลดต้นทุน เพิ่มประสิทธิภาพของโมเดล และสร้างผลตอบแทนจากการลงทุน (ROI) ได้อย่างยั่งยืน

ทำไมการเลือก Loss Function จึงสำคัญในการใช้งาน AI จริง

ข้อมูลในโลกธุรกิจไม่สมบูรณ์เหมือนข้อมูลในห้องทดลอง

โมเดล AI ที่ทำงานได้ดีในขั้นตอนทดลอง อาจไม่สามารถรักษาประสิทธิภาพเมื่อใช้งานจริง เนื่องจากข้อมูลในระบบธุรกิจมักมี Outliers หรือข้อมูลผิดปกติ รวมถึง Imbalanced Data ซึ่งเป็นข้อมูลที่มีจำนวนตัวอย่างของแต่ละกลุ่มไม่เท่ากัน

ตัวอย่างเช่น ธุรกรรมทุจริตอาจมีสัดส่วนไม่ถึง 1 เปอร์เซ็นต์ของข้อมูลทั้งหมด หรือยอดขายอาจเพิ่มขึ้นผิดปกติในช่วงแคมเปญส่งเสริมการขาย หากเลือกใช้ Loss Function ที่ไม่เหมาะสม โมเดลอาจเรียนรู้จากข้อมูลผิดทิศทาง ส่งผลให้การตัดสินใจคลาดเคลื่อนและสร้างต้นทุนที่ไม่จำเป็นให้กับองค์กร

การเลือก Loss Function จึงควรสะท้อนลักษณะของข้อมูลและผลกระทบทางธุรกิจ มากกว่าการมุ่งเพิ่มค่าความแม่นยำของโมเดลเพียงอย่างเดียว

แนวทางเลือก Loss Function ให้เหมาะกับแต่ละประเภทของธุรกิจ

เลือกเครื่องมือให้สอดคล้องกับความเสี่ยงขององค์กร

การเลือก Loss Function ควรพิจารณาจากเป้าหมายของโครงการ AI และลักษณะของข้อมูลที่องค์กรใช้งาน

• สำหรับงานคาดการณ์ตัวเลข : เช่น การพยากรณ์ยอดขาย การวางแผนอุปสงค์ หรือการบริหารสินค้าคงคลัง การเลือกใช้ Huber Loss หรือ Mean Absolute Error (MAE) มักเหมาะสมกว่า Mean Squared Error (MSE) เนื่องจากสามารถลดผลกระทบจากข้อมูลผิดปกติที่เกิดจากความผันผวนของตลาดได้ดีกว่า

ในระบบตรวจจับการทุจริต การวิเคราะห์ความเสี่ยง หรือการตรวจจับความผิดปกติ ซึ่งข้อมูลที่ต้องการค้นหามีจำนวนน้อยมาก การใช้ Focal Loss จะช่วยให้โมเดลให้ความสำคัญกับตัวอย่างที่ตรวจจับได้ยาก แทนที่จะเรียนรู้จากข้อมูลปกติซึ่งมีจำนวนมากกว่าอย่างมีนัยสำคัญ

• สำหรับงานด้าน Reinforcement Learning : เช่น ระบบควบคุมหุ่นยนต์ ระบบแนะนำการตัดสินใจ หรือระบบซื้อขายอัตโนมัติ การใช้ PPO Loss จะช่วยให้โมเดลปรับปรุงนโยบายการตัดสินใจได้อย่างค่อยเป็นค่อยไป ลดความเสี่ยงจากการเปลี่ยนแปลงที่รุนแรง และเพิ่มเสถียรภาพของระบบในระยะยาว

ตัวอย่างการประยุกต์ใช้

การเลือก Loss Function ที่เหมาะสมสามารถสร้างผลลัพธ์ที่แตกต่างอย่างชัดเจนในหลายอุตสาหกรรม

• ธุรกิจอีคอมเมิร์ซที่ใช้ AI คาดการณ์ยอดขาย มักเผชิญยอดสั่งซื้อที่เพิ่มขึ้นผิดปกติในช่วงเทศกาลหรือแคมเปญส่งเสริมการขาย หากใช้ MSE โมเดลอาจให้ความสำคัญกับข้อมูลผิดปกติมากเกินไป ส่งผลให้คาดการณ์ยอดขายสูงกว่าความเป็นจริง การเลือกใช้ Huber Loss หรือ MAE จะช่วยลดอิทธิพลของข้อมูลผิดปกติ ทำให้การวางแผนสินค้าคงคลังและห่วงโซ่อุปทานมีความแม่นยำมากขึ้น

• ภาคการเงินและธนาคารต้องตรวจจับธุรกรรมทุจริตที่มีสัดส่วนเพียงเล็กน้อยของข้อมูลทั้งหมด หากใช้ Binary Cross Entropy แบบมาตรฐาน โมเดลอาจมีค่าความแม่นยำสูง แต่ตรวจจับธุรกรรมผิดปกติได้น้อย การใช้ Focal Loss ช่วยให้ระบบมุ่งเน้นการเรียนรู้จากธุรกรรมที่มีความเสี่ยงสูง ลดความเสียหายทางการเงิน และเพิ่มประสิทธิภาพในการบริหารความเสี่ยง

ตัวอย่างทั้งสองสะท้อนให้เห็นว่า การเลือก Loss Function ไม่ใช่เพียงประเด็นทางเทคนิค แต่เป็นการตัดสินใจที่ส่งผลโดยตรงต่อผลลัพธ์ทางธุรกิจ

คำถามที่พบบ่อย 

• Outliers ส่งผลต่อการทำงานของ AI อย่างไร

Outliers คือข้อมูลที่มีค่าผิดปกติจากข้อมูลส่วนใหญ่ หากโมเดลไม่สามารถจัดการได้อย่างเหมาะสม อาจทำให้การคาดการณ์คลาดเคลื่อนและลดประสิทธิภาพของ AI ในการใช้งานจริง

• Huber Loss เหมาะกับงานประเภทใด

Huber Loss เหมาะกับงานคาดการณ์ตัวเลข เช่น ยอดขาย ราคา หรืออุปสงค์สินค้า เนื่องจากสามารถลดผลกระทบจากข้อมูลผิดปกติได้ดีกว่า MSE

• Focal Loss ช่วยเพิ่มประสิทธิภาพของโมเดลอย่างไร

Focal Loss ช่วยให้โมเดลให้ความสำคัญกับข้อมูลที่เรียนรู้ได้ยากหรือมีจำนวนไม่มาก เช่น การตรวจจับการทุจริตหรือการวิเคราะห์โรค ทำให้สามารถตรวจจับเหตุการณ์สำคัญได้แม่นยำขึ้น

สรุป

การเลือก Loss Function เป็นมากกว่าการตั้งค่าทางคณิตศาสตร์ แต่เป็นการกำหนดแนวทางการเรียนรู้ของ AI ให้สอดคล้องกับเป้าหมายขององค์กร หากเลือกใช้ได้เหมาะสม โมเดลจะสามารถรับมือกับข้อมูลในโลกจริง ลดผลกระทบจากข้อมูลผิดปกติ และตัดสินใจได้อย่างมีประสิทธิภาพมากขึ้น

สำหรับผู้บริหาร การเข้าใจบทบาทของ Loss Function จะช่วยให้สามารถกำหนดกรอบการพัฒนา AI ที่เชื่อมโยงกับความเสี่ยง ต้นทุน และผลตอบแทนทางธุรกิจได้อย่างชัดเจน นำไปสู่การลงทุนด้าน AI ที่สร้างคุณค่าได้จริง และเปลี่ยนเทคโนโลยีให้เป็นความได้เปรียบในการแข่งขันอย่างยั่งยืน