บทความนี้มีทั้งหมด 3 ตอน
- รีวิวงาน GDG DevFest Bangkok – Ai Day 2019 (ตอนที่ 1)
- รีวิวงาน GDG DevFest Bangkok – Ai Day 2019 (ตอนที่ 2)
- รีวิวงาน GDG DevFest Bangkok – Ai Day 2019 (ตอนที่ 3)
เนื้อหาในตอนบ่ายค่อนข้าง Technical พอสมควร – ผมจึงขออธิบายตามที่ผมเข้าใจ กับ ไม่ลงรายละเอียดมากนะครับ
Topic 7 – Natural Language Processing (NLP)
เมื่อก่อนเวลาสร้างโมเดล แต่ละคนก็จะรวบรวมข้อมูลของตัวเอง แล้วสร้างโมเดลของตัวเองขึ้นมาใช้งาน – แต่ก็เป็นที่รู้กันว่า โมเดลจะได้ผลลัพธ์ที่แม่นยำ เมื่อเรามีข้อมูลที่มากพอ – ซึ่งการรวบรวมข้อมูลกันเอง เราจะไม่ได้ข้อมูลจำนวนมากพอ
ดังนั้น ในปัจจุบันเจ้าของข้อมูลขนาดใหญ่ (เช่น Google) จึงมีบริการให้ใครๆ ก็สามารถใช้งานโมเดลที่กูเกิลสร้างขึ้นได้ (แต่ก็มีค่าใช้จ่ายนะครับ 555)
ตัวอย่างโจทย์ด้าน NLP ที่ผู้บรรยายยกตัวอย่าง
“ฉันคิดว่าการบรรยายนี้__________”
ก. น่าสนใจ
ข. สุดยอด
ค. น่าเบื่อ
ง. เฉยๆ
ซึ่งคำตอบของคำถามนี้ เป็นไปได้ทุกตัวเลือกครับ ขึ้นอยู่กับเหตุการณ์ก่อนหน้า และความรู้สึกของเราที่มีต่อการบรรยายนั้น
แต่ถ้าเราถามคำถามนี้กับคอมพิวเตอร์ คอมฯ อาจจะไม่ค่อยใจ และไม่รู้ว่าต้องตอบอะไรก็เป็นได้
นอกจากนี้ NLP ยังถูกใช้เพื่อ (1) ค้นหาความรู้สึกจากข้อความ (2) ค้นหาความต้องการจากข้อความ (3) ค้นหา Keyword ของข้อความ
Algorithms ที่ใช้กันในปัจจุบัน
- GPT-1
- GPT-2
- BERT
- ROBERTA
- ALBERT
- CTRL
Topic 8 – รูปภาพโรงแรมบนเว็บไซต์ Agoda
* Agoda เป็นเว็บไซต์จองโรงแรม ที่ได้รับความนิยมแห่งหนึ่ง https://www.agoda.com/
โจทย์หนึ่งของเว็บไซต์ Agoda คือ จะใช้รูปภาพโรงแรมรูปใด เพื่อดึงดูดความสนใจให้ผู้ใช้ อยากคลิกเข้าไปดูรายละเอียดที่พัก
โดยวิธีที่ผู้พัฒนาเลือกใช้ คือ Multi-Armed Bandit
ในรายละเอียด ยังมีเรื่องราวเกี่ยวกับ Exploration vs. Exploitation, Bayesian Linear Regression, Thompson Sample, Contextual Bandit
(หัวข้อนี้ GEEK มาก ขอละรายละเอียดไว้ในฐานที่ผมก็ไม่เข้าใจเหมือนกันนะครับ T^T)
รายละเอียดเพิ่มเติม: https://towardsdatascience.com/solving-the-multi-armed-bandit-problem-b72de40db97c
Topic 9 – กลุ่มลูกค้าของโครงการบ้านและคอนโด
* อาจารย์เป็นหนึ่งในทีมผู้พัฒนาเว็บไซต์ https://www.home.co.th/ เป็นเว็บไซต์ค้นหาบ้านและคอนโด
โจทย์ปัญหา คือ (1) เราจะช่วยลูกค้าให้ค้นหาบ้านและคอนโดที่ตรงใจได้อย่างไร และ (2) เราจะช่วยบริษัทสร้างบ้านและคอนโดที่ตรงกลุ่มเป้าหมายได้อย่างไร (ซึ่งทั้งสองโจทย์มีความคล้ายกัน)
เทคนิคที่อาจารย์เลือกใช้ คือ AutoRegressive Recommendation
(อีกชื่อเทคนิคหนึ่งที่ผมคุ้นๆ ก็คือ AutoRegressive Integrated Moving Average ซึ่งผมก็ไม่รู้ว่ามันเกี่ยวข้องกันหรือเปล่า?)
ในรายละเอียด ยังมีเรื่องราวเกี่ยวกับ Recurrent Neural Network, Generative Adversarial Network (GAN), REINFORCE, Gumbel-Softmax Approximation, CGAN
(หัวข้อนี้ GEEK มาก ขอละรายละเอียดไว้ในฐานที่ผมก็ไม่เข้าใจเหมือนกันนะครับ T^T)
รายละเอียดเพิ่มเติม: https://ekapolc.github.io/slides/ML_Developers_for_Real%20Estate_Developers.pdf
Topic 10 – Summary
นอกจากนี้ยังมีงานอื่นๆ ที่ Google Developer Group (GDG) Thailand จะจัดขึ้นภายในปีนี้อีกหลายงานครับ รายละเอียดสามารถอ่านเพิ่มเติมได้ที่ https://dev.wi.th/
ทั้งหมดก็เป็นรีวิวงาน GDG DevFest Bangkok – Ai Day 2019 ที่ผมได้จดบันทึกไว้ มีส่วนที่เข้าใจบ้าง ไม่เข้าใจบ้าง แต่ผมก็หวังว่าบทความนี้จะเป็นประโยคแก่ทุกคนไม่มากน้อยก็น้อยมากนะครับ
