Episode 3 Deep AI Insights – From Imagination to Implementation
กลับมาอีกครั้งกับ Wisesight Research Discovery ใน Episode 3 กับหัวข้อ Deep AI Insights – From Imagination to Implementation หลังจากการหยิบ Insight Tools สำหรับชาวการตลาด และ Social Hot Issue มาอัปเดตในรอบก่อนกันไปแล้ว ใน EP นี้ เราขอชวนทีม Research และ Product จาก Wisesight ร่วมกับ ดร.ซี – กอบกฤตย์ วิริยะยุทธกร มาแนะนำ AI Use Case ว่าในโลกธุรกิจปัจจุบันเราใช้ AI ในการหา Consumer Insight ได้อย่างไร และหากองค์กรสนใจอยากใช้หรืออยากพัฒนา AI Product ปัจจัยแบบไหนที่เราต้องคำนึงถึง รวมถึงเรื่องเทรนด์ AI ที่เราจะได้เห็นในเร็ว ๆ นี้
Session 1: AI ช่วยหา Consumer Insight ได้อย่างไรบ้าง
สำหรับ Session แรก คุณต่อ พุทธศักดิ์ และคุณภา ณิชาภา (Research Specialist Team Leader) จากทีม Research ขอหยิบ Use Case การใช้ AI ในการทำ Market Research มาแนะนำ
เริ่มต้นที่การทำความรู้จักกับ Data และ AI เพราะในปัจจุบัน เราสามารถแบ่งประเภทของ AI แบบพื้นฐาน ได้เป็น 2 รูปแบบ
1. Predictive AI หรือ AI ที่ใช้ในการ ‘ทำนาย’ เป็นหลัก
2. Generative AI หรือ AI ที่ใช้ ‘สร้าง’ เป็นหลัก ทั้ง Text, Image หรือ Video ซึ่งเราอาจจะคุ้นเคยกับ AI ประเภทนี้มากกว่า
ดังนั้นเมื่อการใช้งาน AI คือการทำงานกับ Data และแน่นอนว่า Data คนละประเภทก็ใช้ AI คนละรูปแบบกัน เราจึงแบ่ง Data ได้เป็น 2 กลุ่ม
1. Structured Data หรือข้อมูลตัวเลขแบบ Numeric/Categorical: นิยมใช้ Predictive AI เพื่อทำนาย เช่น ยอดขาย, โอกาสในการกลับมาซื้อซ้ำ
2. Unstructured Data หรือข้อมูลที่ไม่ใช่ตัวเลข ทั้ง Text, Image, Video, Audio: นิยมใช้ Generative AI เพื่อหา Insight ต่าง ๆ เพราะได้ผลลัพธ์ Performance ที่ดีกว่า Predictive AI
สรุปคือ การเลือกใช้งาน AI นั้น ไม่ว่าจะเป็นรูปแบบใด ล้วนขึ้นอยู่กับโจทย์ที่เราอยากแก้ไข, Expected Result ที่อยากได้ และประเภทของ Data ที่เรามีนั่นเอง
เทคนิคการใช้ AI กับ Data ประเภทต่าง ๆ
1. Text (ข้อความ)
- Text Clustering: เป็นการจัดกลุ่มข้อความ นิยมใช้ในการทำความเข้าใจข้อมูลปริมาณมาก เพื่อลดเวลา เช่น การจัดกลุ่มข้อความจากเคส #กราดยิงโคราช กว่า 1 ล้านข้อความ ทำให้เห็นการแสดงความอาลัยมากที่สุด
- Topic Clustering: เป็นการจัดกลุ่มประเด็น ช่วยหาความเชื่อมโยงหรือเปรียบเทียบ เช่น การหาความเชื่อมโยงจากประเด็นแม่และเด็กบน Webboard จนพบว่าสินค้าอย่างนมวัวเชื่อมโยงกับอาการป่วยใดบ้าง
- Word Similarity: เป็นการดูว่า Object ที่เราสนใจนั้นมีคำใดที่เกี่ยวข้องล้อมรอบบ้าง ช่วยให้เข้าใจบริบทได้ เช่น รถยนต์แบรนด์ A ถูกพูดถึงร่วมกับคำว่า ช่วงล่าง มากที่่สุด
- Sentiment Analysis: เป็นการทำนายว่าข้อความเป็นคำชมเชิงบวกหรือเชิงลบ และมีประเด็นใดที่เกี่ยวข้อง
- Named Entity Recognition (NER): เป็นโมเดลที่ระบุองค์ประกอบของข้อความ ทั้ง Location, Product, Person และอื่น ๆ ที่ถูกกล่าวถึง เช่น ข้อความตำหนิทางแชตพูดถึงผลิตภัณฑ์ใดบ้าง
ทั้งนี้ ไม่ว่าจะใช้เทคนิคใด คุณภาเสริมว่าสิ่งสำคัญที่ต้องระวังเสมอคือ การเช็กความถูกต้องของผลลัพธ์ โดยเฉพาะข้อมูล Text ภาษาไทยที่มีบริบทแฝง อาจตีความได้หลากหลาย และเปลี่ยนไปตลอดเวลา
2. Image (รูปภาพ)
- Face Recognition: เป็นการจับอารมณ์ความรู้สึกจากใบหน้า หรือระบุ Gender และ Age Range ช่วยให้เข้าใจสิ่งที่เกิดขึ้นบนภาพ เช่น ภาพผู้เข้าร่วมงานอีเวนต์
- Object Detection: เป็นการระบุ Object ต่างๆ ในภาพ เช่น รถยนต์, ป้าย, ถนน
- Label: เป็นการระบุองค์ประกอบและบริบทในภาพ เช่น ภาพเป็นงานอีเวนต์ มี Logo ของแบรนด์ และมีเก้าอี้
- Scene Detection: เป็นการระบุลักษณะของสถานที่ เช่น โรงแรม ป่า ห้าง ออฟฟิศ
3. Audio (เสียง)
- Speech-to-Text: เป็นการเปลี่ยนเสียงในวิดีโอให้เป็นข้อความ เพื่อนำมาวิเคราะห์ต่อ เช่น เสียงจากวิดีโอ TikTok, บทสนทนาระหว่าง Call Center กับผู้ใช้งาน เป็นต้น
4. Video (วิดีโอ)
เทคนิคที่ใช้วิเคราะห์วิดีโอ มักมาจากเทคนิคของ Image คู่กับ Audio
- Heat Map: เป็นการจับเสียงและภาพเหตุการณ์ในพื้นที่ เช่น การจับพื้นที่ในร้านค้าที่คนใช้เวลานาน
- Emotion AI: เป็นการจับความรู้สึกจากวิดีโอ เช่น จับความรู้สึกชอบฉากต่างๆ ในหนังโฆษณาเพื่อทดสอบ
จากเทคนิคมากมายที่เลือกหยิบมาใช้ให้เหมาะสมกับข้อมูลในการทำ Market Research เราขอสรุป 3 มิติหลักที่ AI เข้ามาช่วยงาน Research ได้แก่
📌 Process Efficiency: เพิ่มประสิทธิภาพในการทำงาน เช่น ลดระยะเวลาจากการใช้แรงคน
📌 Data Coverage: เพิ่มความครอบคลุมของข้อมูล เช่น ข้อมูลจาก Logo, ภาพ
📌 Analytics Capabilities: เพิ่มความสามารถในการวิเคราะห์ให้กว้างและลึกยิ่งขึ้น
ตัวอย่าง Case Study จากชาว Wisesight Research
Case 1: Logo Detection & Brand Mention (OCR): เพิ่ม Data Coverage ที่พูดถึงแบรนด์จากภาพที่ติด
Case 2: Scene Recognition: จับความสนใจ ลักษณะสถานที่ใดถูกพูดถึงคู่กับเยาวราชมากที่สุด
Case 3: Speech to Text: สรุปเทรนด์ TikTok จากวิดีโอทั้งหมดที่เกิดขึ้นตลอดทั้งปี โดยไม่ต้องเสียเวลาดูทุกคลิปเอง
จากเคสต่างๆ ในการช่วยหา Consumer Insight และเพิ่ม Process Efficiency คุณภาสรุปว่าแท้จริงแล้ว เราอาจใช้งาน AI ได้ในลักษณะ 3 + 2 แบบ ได้แก่
1. Do as I Say
2. Help Me Think
3. Give Insight
4. Customize Experience
5. 24/7 Availability & Support
อย่างไรก็ตาม แม้การใช้ AI ในงาน Research จะมีข้อดีมากมาย แต่คุณภาขอทิ้งท้ายด้วยคีย์สำคัญที่เราควรนึกถึงเสมอ
- การใช้งาน AI ควรทำให้ชีวิตดีขึ้น หากใช้แล้วฝืนหรือไม่ได้คุณภาพ ก็ควรหา Solution อื่น
- บางครั้งการใช้งาน AI อย่างเดียวอาจยังไม่ดีพอ เราจึงควรมีทั้ง Data + AI + Knowledge เพื่อช่วยให้ AI มีประสิทธิภาพมากขึ้น
- AI Can’t Solve Everything… ไม่ใช่ทุกเคสที่ AI ช่วยแก้ปัญหาได้ เพราะบางครั้งเทคโนโลยีอาจยังไปไม่ถึง, Data ของเรายังไม่ดีพอ หรือเราเองยังไม่เข้าใจข้อจำกัดของการใช้งาน
- การสร้าง Result ที่ดีขึ้นไม่ใช่แค่การทำตามสั่ง แต่ควรใส่บริบท และเน้นทำ automating Repetitive Tasks
- ในการทำ Research จริง เราอาจต้องใช้หลายเทคนิคร่วมกันเพื่อหา Insight และไปให้ถึง Result
- และที่สำคัญ หากใครใช้ Generative AI ก็อย่าลืมเช็กความถูกต้องของผลลัพธ์กันด้วยล่ะ !
Session 2: สำรวจวิธีการ Implement AI ใน Product และองค์กร
Session ถัดมา คุณตั้ง วรัทธน์ (Chief Product Officer) จับมือกับดร.ตี๋ ณรงค์ (AI Product Manager) จากทีม Product ร่วมกับดร.ซี กอบกฤตย์ (Founder & CEO จาก iApp Technology และนายกสมาคมผู้ประกอบการปัญญาประดิษฐ์ประเทศไทย) พาทุกคนมาสำรวจวิธีการใช้ AI ในองค์กร ทั้งการสร้าง AI Product ขึ้นเอง และการใช้ Product ที่มีอยู่แล้ว ผ่าน 6 คำถามหลักที่อยากให้ทุกคนลองคิด และพิจารณาก่อนเริ่มลงแรงและลงทุน
❓หากองค์กรใด ๆ อยากเริ่มทำ AI เป็นของตัวเอง เรามีวิธีเริ่มต้นอย่างไรบ้าง
[ดร.ซี] สำหรับดร.ซี แล้ว การพัฒนา AI Product ก็นับเป็นการทำ Product ประเภทหนึ่ง ดังนั้นจุดเริ่มต้นคือ การสำรวจ Use Case และ Demand จาก User รวมถึงตั้งโจทย์ให้ถูกว่าเราต้องการอะไรกันแน่
เพื่อให้ภาพ Product ที่มีชัดเจนขึ้น ดร.ซีแนะนำเทคนิคง่ายๆ เพื่อเปลี่ยนภาพในหัวเป็นไอเดียที่จับต้องได้ด้วยการเขียน PR FAQ ออกมา
💡 เทคนิค PR FAQ คือการตอบคำถามด้วยการเขียน PR FAQ จำลองโมเมนต์ที่เราต้องประชาสัมพันธ์ Product นี้ให้ชัดเจนว่า
- Product นี้ทำอะไรได้บ้าง
- ใครเป็น User ของ Product
- Product นี้แก้ปัญหาอะไรให้ User หรือสร้างโอกาสให้คนอย่างไร
- User Experience ในการใช้งานเป็นอย่างไร
เมื่อเห็นภาพของ Product ชัดเจนขึ้นแล้ว จึงเข้าสู่ขั้นตอนการสื่อสารและประเมินในองค์กร ทั้งตกลงกับทีมงานและผู้บริหารด้วยคำถามสำคัญกับ…
💡7 ประเด็นสำคัญก่อนตัดสินใจพัฒนา
1. เรามีทีมที่พร้อมพัฒนาไหม
2. ไทม์ไลน์ในการสร้าง Product เป็นอย่างไร สามารถสร้างได้ทันทีเลยไหม หรือหากรออีกสักปี เทคโนโลยีนี้จะหายไปหรือเปล่า
3. อะไรคือความเสี่ยงของการพัฒนา Product ทั้งความเสี่ยงทางกฎหมาย ความเสี่ยงจากลูกค้า
4. เรามี Data พร้อมไหม หากองค์กรไม่มีข้อมูล หรือองค์กรอื่นมีข้อมูลและความพร้อมมากกว่า เรายังควรสร้าง AI Product อยู่หรือเปล่า
5. ต้องคิดราคาเท่าไรให้องค์กรอยู่รอด เราต้องทดสอบตลาดว่าสามารถขายและทำเงินได้จริงหรือเปล่า
6. เรามี Budget เท่าไร
7. Technology Feasibility เป็นอย่างไร เรากำลังฝันเกินเทคโนโลยีที่มีอยู่หรือเปล่า
ท้ายที่สุด คือการพัฒนา Product ให้ตอบโจทย์สิ่งที่ลูกค้าคาดหวัง ทั้งคุณภาพการใช้งาน ราคาที่จับต้องได้ Experience ที่ดี และโอกาสในการเปลี่ยนไปใช้ Product อื่นๆ หากวันหนึ่ง Product นี้ไม่ตอบโจทย์ความต้องการแล้ว
[ดร.ตี๋] ถัดมายังดร. ตี๋ เสริมว่านอกจากปัจจัยที่ดร.ซีแชร์แล้ว อีก 2 มุมมองที่ใช้เพื่อพิจารณาได้แก่
💡การหา Alternative Solution หรือ Simple Solution โดยการปฏิเสธเมื่อมีคนบอกให้สร้าง AI ก่อน เพื่อพิจารณาว่าจริงๆ แล้ว เราสามารถหา Solution หรือ Tools อื่นที่ง่ายและไวกว่าในการแก้ปัญหาแทนได้หรือไม่ เพราะการใช้ AI หลายครั้งมีต้นทุนที่สูงอีกทั้งยังมีความไม่แน่นอนที่หลีกเลี่ยงไม่ได้จากการเทรนโมเดล
💡การประเมิน 2 ปัจจัยเพิ่มเติม
1. Feasibility ของ AI และ Infrastructure ที่ต้องใช้เป็นอย่างไร เช่น
- การดูว่ามีข้อมูลที่มีคุณภาพหรือเปล่า อีกทั้งทีมงานที่ต้องเข้ามาจัดการข้อมูลเหล่านี้พร้อมไหม
- การประเมิณว่า AI ของเรามีลักษณะแบบไหน เช่นเป็นแบบ Supervised หรือ Unsupervised Learning รวมไปถึงการเปรียบเทียบ AI Model ให้หลากหลายมากพอ เพื่อหา Model ที่คุ้มค่ากับการใช้งานมากที่สุด
- การประเมินถึง User ว่ามีคนใช้งานเท่าไร หรือ Load ว่าระบบของเรารับไหวหรือเปล่า
2. Cost และ Resource ที่ต้องใช้งานเป็นอย่างไร ทั้ง Development Cost ที่เป็น Upfront Cost รวมไปถึง Infrastructure Cost ซึ่งเป็น Recurring Cost
❓ถ้าไม่รู้ว่าควรสร้าง AI เองหรือจะซื้อ AI Product มาใช้ แล้วการนำ AI มาใช้ในองค์กรจำเป็นต้องคิดถึงอะไรบ้าง
[คุณตั้ง] จากมุมมอง Chief Product Officer ที่พัฒนา Product มามากมาย คุณตั้งย้ำว่า การใช้งาน AI ต้องเริ่มต้นที่การ Set Objective ให้ชัดเจน ไม่ใช่แค่ ‘เราอยากมี AI ใช้งาน’ ซึ่งส่วนใหญ่มักเป็นโจทย์ทางธุรกิจ เพราะหลายๆ ครั้ง การใช้ AI ที่ซับซ้อนก็ราคาแพงเกินจำเป็น เช่น การใช้ Chatbot ในการตอบคำถาม บางครั้งอาจมีราคาสูงกว่าการจ้างแอดมินด้วยซ้ำ
หากได้ Objective ที่ใช่แล้ว ! ถึงค่อยเริ่มมองหา Product แบบซื้อใช้งานก่อน แล้วค่อยขยับไปถึง Solution สุดท้ายคือ การสร้างเอง เพราะการใช้ AI ไม่จำเป็นต้อง Build from Scratch เสมอไป และหากใช้งานปริมาณไม่มาก ซื้อใช้เลยมักจะคุ้มกว่าเสมอ
❓ยกตัวอย่าง Case ของการใช้ AI และ Challenge หรือข้อระวังที่เรา (ต้อง) พบเจอ
[ดร.ซี] E-KYC จากกลุ่ม Bank หลายคนอาจเข้าใจผิดว่า Gen AI นั้นช่วยได้ทุกอย่างแต่ในบางครั้ง Gen AI แพงกว่า และช้ากว่า Traditional AI
💡การใช้ Gen AI กับ Business Use มีหลายสิ่งที่ต้องพิจารณา
- Customize Organization Data
- Security
- Accuracy
สำหรับกรณีการ Build AI จำเป็นต้องทำสามสิ่งซึ่งได้แก่ Build, Measure และ Learn ยกตัวอย่างเช่น กลุ่มธุรกิจธนาคารที่ใช้ Gen AI ในส่วนของ Customer Support ซึ่งวิธีการได้โดยเราสามารถสร้างข้อสอบหลายพันคำถาม และลิสต์คำตอบที่ถูกต้องกำกับเพื่อใช้ตรวจสอบความถูกต้อง โดยช่วงแรกอาจจะต้องใช้คนตรวจเพื่อเช็คความถูกต้อง แต่หลังจากนั้นสามารถใช้ LLM (AI) ตรวจแทน ทำให้ประหยัดเวลามากขึ้น
[คุณตั้ง] กล่าวเสริมว่าการใช้ AI หรือที่เราเรียกว่า ‘Machine Learning’ หลายๆอย่างอธิบายได้ค่อนข้างยาก หรือเราเรียกว่า ‘Black Box’
ยกตัวอย่าง เช่น Sentiment Analysis จากการใช้ Rule Based ซึ่งเราสามารถอธิบายได้ว่าทำไมข้อความนี้ถึงเป็น Negative แต่เมื่อเปลี่ยนมาใช้ AI ในการตอบอาจจะยากขึ้น เพราะ AI นั้นมีทั้งจุดที่เก่งและไม่เก่ง
บางครั้งเราอาจต้องใช้ AI หลายตัว เช่น AI ไม่เก่งในการบวกเลข เมื่อนำมาใช้ในงาน Data Analytics ต้องนำไป Process ก่อนเพื่อให้เปลี่ยนเป็นภาษาก่อนใช้ AI อีกตัว ซึ่ง AI แต่ละตัวมี Limitation ที่แตกต่างกัน ดังนั้นเราต้องใช้ Multi Agent เพื่อเพิ่มประสิทธิภาพแต่ทั้งนี้ต้นทุนก็มากขึ้นเช่นกัน
❓เราประเมินความคุ้มค่าของการใช้ AI ยังไง ทั้งการซื้อมาใช้และสร้าง AI ของตัวเอง
[ดร.ตี๋] สำหรับการใช้แบบ Internal Process เพื่อเพิ่ม productivity อาจเริ่มจากการคำนวณต้นทุน Manpower ก่อนว่าเมื่อใช้ AI แทนคนแล้ว เราลดแรงคนคิดเป็นต้นทุนเท่าไหร่ และต้องคำนวณว่าต้นทุนของการ Develop AI ขึ้นมาว่ามีราคาที่ต้องจ่ายเท่าไหร่ เมื่อเปรียบเทียบกับต้นทุนที่จะลดลงนั้นคุ้มค่าหรือไม่
[คุณตั้ง] จากมุมมองของคนทำ Product นั้นต้องมีจุด ‘Stop Loss’ ของต้นทุนที่จะไม่ไปต่อ และเรื่องต้นทุนของเวลาที่แนะนำว่าต้องคำนึงถึง
❓เราจะได้เห็นอะไรของ AI ในปีนี้/ปีหน้า ท้ัง Use Case
[ดร.ตี๋] ขอแนะนำถึง Research Paper: ‘Scaling Law’ ซึ่งสรุปได้ประมาณว่า การที่เราใส่ข้อมูลให้มากขึ้น เพิ่ม compute และอัดโมเดลให้ใหญ่ขึ้น ประสิทธิภาพของโมเดลจะเก่งขึ้นเรื่อยๆ ซึ่งจากกราฟยังมีทิศทางที่เพิ่มขึ้นแบบที่ยังไม่มีทิศทางว่าจะหยุด ถ้าจะใช้โมเดลที่เก่งมากๆและตัวใหญ่มากๆ โมเดลเหล่านี้น่าจะยังมาจากบริษัทใหญ่ ๆที่มีทรัพยากรเยอะๆ เช่น OpenAI, Google และ Anthropic ส่วนอีกทิศทางคือโมเดลที่เล็กลงและเก่งเหมือนกัน เทรนด์ที่เราเห็นคือ Data Density คือโมเดลตัวเท่าเดิม แต่อัด Data ให้เยอะขึ้นจะมีทิศทางที่เก่งขึ้นเรื่อยๆเช่นกัน
[คุณตั้ง] เสริมว่า การที่โมเดลเล็กลงแต่เก่งเท่าเดิมอาจจะทำให้ถูกลง และเราจะเริ่มเห็น Product ที่ Integrate AI เหล่านี้เยอะขึ้น
[ดร.ซี] สำหรับเทรนด์จะมี Large Language Model (LLM) และ Small Language Models (SLMs)
💡อธิบายเพิ่มในประเภทของ Small Language Models (SLMs)
1. On device เป็นโมเดลเล็กมากๆที่อยู่ในอุปกรณ์อิเล็คทรอนิกส์ต่างๆ เด่นเรื่อง privacy สูง
2.Domain Specific Model: Model เล็กแต่เน้นอัดให้เก่งขึ้น
3.Multi Agent หรือ Multi Model ที่ใช้ AI หลายตัวร่วมกัน เช่น การใช้ AI ในการสร้าง Video
4.Multiple Model ที่ต้นทุนน่าจะลดลง Feasible มากขึ้น
สรุป: จากเทรนด์เหล่านี้ เราน่าจะได้เห็น AI Use Case มากขึ้นในอนาคต และสำหรับองค์กรหรือนักการตลาดที่สนใจใช้ AI อย่าลืมว่า AI ควรทำให้ชีวิตง่ายขึ้น หากใช้แล้วฝืนก็ควรหา Solution อื่น รวมถึงตั้ง Objective ให้ชัดก่อนลงทุนและลงแรงล่ะ !
————————————————————————————
ติดตาม “Wisesight Research Discovery” ใน Episode ถัดไป ซึ่งจะจัดขึ้นตลอดปี 2567 ที่ SCBX NEXT TECH ชั้น 4 สยามพารากอน หรือติดตามทุกความเคลื่อนไหว และกิจกรรมดีๆ ได้ที่ https://www.facebook.com/WisesightGlobal และ https://www.facebook.com/SCBXNextTech
