บริการ Machine Learning และ Deep Learning ในประเทศไทย
โมเดลทำนายและ Neural Network ที่ยิ่งใช้ยิ่งแม่น เราพัฒนาโซลูชัน ML และ Deep Learning เฉพาะทาง ทั้งการพยากรณ์ การแนะนำ และการตรวจจับความผิดปกติ สำหรับองค์กรในเชียงใหม่และทั่วประเทศไทย
ระบบพยากรณ์ จำแนก และตรวจจับความผิดปกติ ที่สร้างบนข้อมูลการดำเนินงานของท่านเอง พร้อมวาง MLOps ไว้ตั้งแต่ต้นเพื่อให้โมเดลยังทำงานได้หลังเปิดใช้ เรากำหนดตัวชี้วัดความสำเร็จก่อนเริ่มฝึกโมเดล และจะบอกตรง ๆ เมื่อวิธีทางสถิติที่ง่ายกว่าก็เพียงพอแล้ว
คุณสมบัติหลัก
โมเดลทำนาย
โมเดลพยากรณ์และทำนายที่ปรับให้เข้ากับข้อมูลและเป้าหมายธุรกิจของคุณ
Deep Learning
Neural Network สำหรับจดจำรูปแบบซับซ้อนทั้งข้อความ ภาพ และสัญญาณ
ระบบแนะนำ
ระบบ Personalization ที่เพิ่มการมีส่วนร่วมและยอดขาย
MLOps
Pipeline สำหรับฝึก Deploy Monitor และฝึกซ้ำในระดับ Production
ขั้นตอนการทำงาน
ประเมินข้อมูล
ดูความพร้อม ปริมาณ และคุณภาพข้อมูลตามเป้าหมายของโมเดล
พัฒนาโมเดล
ทดลอง ฝึก และตรวจสอบโมเดลตามตัวชี้วัดความสำเร็จที่ชัดเจน
Deploy
นำโมเดลขึ้น Production ด้วยโครงสร้างที่เชื่อถือได้และขยายได้
Monitor
ติดตาม Drift และประสิทธิภาพ และฝึกซ้ำเมื่อข้อมูลเปลี่ยนไป
เทคโนโลยีที่ใช้
ประโยชน์ที่ได้รับ
Machine Learning คุ้มที่จะใช้กับอะไร
การพยากรณ์ความต้องการ การจำแนกคุณภาพ ความเสี่ยงการเลิกใช้บริการและการผิดนัดชำระ และการตรวจจับความผิดปกติ ล้วนเป็นโจทย์ที่การตัดสินใจเกิดซ้ำบ่อย ข้อมูลมีอยู่แล้ว และการทายถูกบ่อยขึ้นมีมูลค่าที่วัดได้ ส่วนงานที่เกิดไตรมาสละครั้งมักไม่คุ้มกับการทำโมเดล
ตัวกรองที่ใช้ได้ดีคือ นักวิเคราะห์ที่เก่งพร้อมไฟล์ Excel จะได้ประโยชน์ส่วนใหญ่ไหม สำหรับโจทย์ธุรกิจจำนวนไม่น้อยคำตอบคือใช่ และเราจะบอกท่านเมื่อเป็นเช่นนั้น Machine Learning คุ้มค่าเมื่อปริมาณการตัดสินใจมากพอที่ความแม่นยำเพิ่มขึ้นไม่กี่เปอร์เซ็นต์จะทบต้นเป็นผลลัพธ์จริง
ตัวกรองที่สองคือจะมีคนเอาผลลัพธ์ไปทำอะไรต่อไหม การพยากรณ์ที่ไม่มีใครใช้เปลี่ยนใบสั่งซื้อคือตัวเลขราคาแพง เราตกลงกันก่อนสร้างว่าใครจะใช้ผลของโมเดล และใช้อย่างไร
วาง MLOps ตั้งแต่วันแรก ไม่ใช่มาแปะทีหลัง
การฝึกโมเดลเป็นส่วนที่ง่าย ส่วนที่ตัดสินว่าอีกหนึ่งปีมันยังใช้ได้หรือไม่ คือการรักษาความแม่นยำเมื่อข้อมูลเปลี่ยน การฝึกซ้ำตามรอบ การเฝ้าระวังการเสื่อมของโมเดล และการย้อนกลับเวอร์ชันที่ไม่ดี
โมเดลเสื่อมสภาพ พฤติกรรมลูกค้าเปลี่ยน สัดส่วนสินค้าเปลี่ยน ซัพพลายเออร์เปลี่ยน แล้วโมเดลที่ฝึกจากปีที่แล้วก็ค่อย ๆ แย่ลงเงียบ ๆ โดยไม่มีใครสังเกต เราติดตั้งการตรวจจับ Drift และตั้งเงื่อนไขการฝึกซ้ำไว้เป็นส่วนหนึ่งของงาน ไม่ใช่คำสัญญาในเฟสสอง
เรายังทำ Version ของข้อมูลและโมเดลคู่กัน เพื่อให้ผลลัพธ์ทำซ้ำได้ หากไม่มีสิ่งนี้ คำถามว่า "ทำไมโมเดลถึงทำนายแบบนี้" จะตอบไม่ได้ ซึ่งสำคัญทั้งในเชิงธุรกิจ และในกรณีที่การตัดสินใจกระทบตัวบุคคล ก็สำคัญตาม PDPA ด้วย
ข้อมูลของท่าน และสิ่งที่ PDPA กำหนด
การฝึกโมเดลด้วยข้อมูลลูกค้าถือเป็นการประมวลผลตาม PDPA และต้องมีฐานทางกฎหมาย ในกรณีที่โมเดลใช้ประกอบการตัดสินใจเกี่ยวกับตัวบุคคล ท่านต้องอธิบายที่มาของการตัดสินใจได้ด้วย ซึ่งเป็นข้อจำกัดว่าควรเลือกโมเดลที่ทึบแค่ไหน
ในกรณีที่ไม่จำเป็นต้องระบุตัวบุคคล ซึ่งเป็นกรณีส่วนใหญ่ของงานพยากรณ์ เราสรุปรวมหรือทำให้ข้อมูลไม่ระบุตัวตนตั้งแต่รับเข้า ข้อมูลที่ไม่เคยถูกเก็บในรูปที่ระบุตัวตนได้ ย่อมถูกร้องขอ รั่วไหล หรือจัดการผิดพลาดไม่ได้
เรามีบริการฝึกและให้บริการโมเดลแบบ On-premise สำหรับกรณีที่ข้อมูลออกจากระบบของท่านไม่ได้ ซึ่งสำหรับงานภาครัฐและภาคที่มีกฎกำกับของไทย มักเป็นข้อกำหนดการจัดซื้อจัดจ้าง ไม่ใช่ความชอบส่วนตัว
บริการที่เกี่ยวข้อง
คำถามที่พบบ่อย
เราต้องมีข้อมูลมากแค่ไหน?+
ขึ้นกับโจทย์ครับ เราประเมินความพร้อมและปริมาณข้อมูลของคุณก่อนตัดสินใจแนวทางทำโมเดล
นำโมเดลขึ้น Production ให้ด้วยไหม?+
ได้ครับ พร้อม MLOps Pipeline สำหรับให้บริการ Monitor และฝึกซ้ำเมื่อข้อมูลเปลี่ยนไป
ใช้เฟรมเวิร์กอะไร?+
ใช้ PyTorch, TensorFlow, scikit-learn และ Hugging Face เป็นต้น โดยเลือกให้เหมาะกับงาน