TechTalkThai ศูนย์รวมข่าว Enterprise IT ออนไลน์แห่งแรกในประเทศไทย
ในยุคภาวะวิกฤติเศรษฐกิจการวางแผนระยะยาวย่อมเป็นไปได้ยาก แต่สิ่งที่ต้องดำเนินต่อไปอย่างต่อเนื่องก็คือการใช้ประโยชน์จากข้อมูล ยิ่งภาวะโรคระบาด Covid-19 ข้อมูลที่ได้จากแพลฟอร์มดิจิทัลยิ่งมีคุณค่าอย่างมหาศาล ดังนั้นหากองค์กรไหนสามารถรีดประโยชน์จากข้อมูลได้สูงสุด องค์กรนั้นก็มีโอกาสที่จะฝ่าฟันรอดพ้นจากวิกฤตินี้และกลับมาเติบโตอย่างยั่งยืนได้อีกครั้ง
ด้วยเหตุนี้การ Transformation องค์กรให้เกิด MLOps จึงเป็นสิ่งจำเป็นและจะยิ่งมีประสิทธิภาพทวีคูณเมื่อจับคู่กับ Cloud ทั้งนี้เมื่อวันที่ 20 พฤษภาคมที่ผ่านมาทาง Microsoft Azure ผู้ให้บริการ Cloud ยักษ์ใหญ่ที่ผนึกกำลังกับ bluebik group ผู้เชี่ยวชาญและให้คำปรึกษาโปรเจ็คด้าน AI/ML ได้จัดสัมมนาออนไลน์ขึ้นทาง TechTalkThai จึงขอสรุปงานครั้งนั้นมาให้ติดตามกันอีกครั้ง
รู้จักกับ bluebik group
bluebik เป็นผู้เชี่ยวชาญและให้คำปรึกษาในด้าน Digital Transformation โดยมีทีมงานผู้เชี่ยวชาญมากมายกว่า 100 ชีวิตที่มีประสบการณ์และความเชี่ยวชาญในด้านต่างๆ เช่น Data Scientist ที่ครอบคลุมตั้งแต่การวางแผนแปลงโจทย์ทางธุรกิจและ Implement โปรเจ็ค AI/ML ให้เกิดขึ้นจริงเพื่อสนับสนุนทางธุรกิจ ครบวงจรรวมไปถึงการจัด Training อีกด้วย จึงเป็นเหตุผลที่ bluebik ได้รับความไว้วางใจให้อยู่ในเบื้องหลังของโปรเจ็คในหน่วยงานจากรัฐและเอกชนหลายแห่ง นอกจากนี้ยังมีบริการในอีกหลายแขนงอย่างการให้คำปรึกษาด้าน Cloud Technology, PDPA และ Data Governance เป็นต้น
ความท้าทายจากภาวะปกติใหม่กับโปรเจ็คทางดิจิทัล
จากสถานการณ์โรคระบาดที่ทุกประเทศกำลังเผชิญอยู่ทำให้เกิดภาวะทางวิกฤติเศรษฐกิจ รวมไปถึงการเปลี่ยนแปลงพฤติกรรมของผู้บริโภคใหม่ที่เราเรียกว่า ‘New Normal’ เช่นการทำงานจากที่บ้าน การสั่งอาหารผ่านแอปพลิเคชัน หรือเปลี่ยนแปลงช่องทางการเข้าถึงการให้บริการโดยสิ้นเชิง ทั้งนี้โปรเจ็คด้านดิจิทัลขององค์กรจึงได้รับผลกระทบใน 4 หัวข้อดังนี้
- Cashflow – งบการลงทุนด้านไอทีถูกตัด ดังนั้นการวางแผนเพื่อลงทุนก้อนใหญ่ย่อมเป็นไปไม่ได้
- Predictability – จากเดิมที่ความต้องการทางธุรกิจสามารถคาดการณ์ได้ แต่วันนี้เราไม่รู้แล้วว่าเหตุการณ์จะจบลงอย่างไร หรือเมื่อไหร่ ดังนั้นการลงทุนอย่างคาดการณ์ไม่ได้ย่อมมีความเสี่ยงต่อธุรกิจ
- Mobility/Communication – เมื่อทุกคนทำงานจากที่บ้านหรือนอกสถานที่ จะทำอย่างไรที่จะสื่อสารและทำงานเป็นทีมได้อย่างมีประสิทธิภาพเท่าเทียมกับที่เคย หรือบางองค์กรยังไม่สามารถรับมือได้กระทั่งการปรับตัวเพื่อทำงานแบบรีโมต
- Agility – เมื่อทุกอย่างถูกผลักดันขึ้นสู่โลกดิจิทัล เหตุการณ์หรือความต้องการย่อมเกิดขึ้นได้อย่างผันผวนและรวดเร็ว ดังนั้นจะทำอย่างไรจึงจะสามารถตามความเร็วของธุรกิจได้ทัน ด้วยเครื่องมือที่มีอยู่
อย่างไรก็ดีแม้ว่าจะเผชิญกับอุปสรรคใดก็ตาม แต่องค์กรย่อมทราบดีอยู่แล้วว่า การใช้ประโยชน์จากข้อมูลจะต้องดำเนินต่อไปอย่างละเว้นไม่ได้ มิเช่นนั้นแล้วอาจจะถูกคู่แข่งทิ้งห่างออกไปจนไม่สามารถกลับมาสู่ตลาดได้อีก
เหตุผลที่โปรเจ็คด้าน AI/ML ล้มเหลว
แม้ว่าในทั่วโลกหรือประเทศไทยเองจะตื่นตัวกับการริเริ่มโปรเจ็คด้าน AI/ML มาระยะหนึ่งแล้ว แต่เชื่อหรือไม่ว่ามีโปรเจ็คเพียง 22% เท่านั้น ที่ประสบความสำเร็จและสามารถนำไปใช้กับธุรกิจให้เห็นผลลัพธ์ได้จริง โดย bluebik ได้เผยถึงสาเหตุที่องค์กรล้มเหลวกับการเริ่มต้นโปรเจ็ค AI/ML ไว้ดังนี้
1.) Data Scientist เองไม่เข้าใจโจทย์ของฝั่งธุรกิจ จึงไม่รู้ว่าจะนำโมเดลไปแก้ปัญหาได้อย่างไร
2.) เกิดความไม่เข้าใจกันระหว่าง Data Engineer และ Data Scientist ซึ่งฝ่ายเตรียมข้อมูลไม่ได้เข้าใจถึงโมเดลอย่างแท้จริง จึงได้ข้อมูลที่มีคุณภาพต่ำและส่งผลต่อผลลัพธ์ต่อการสร้างโมเดล
3.) องค์กรปฏิบัติเรื่อง Data Governance ได้ไม่ดีตั้งแต่แรก จึงพบ Format ของข้อมูลหลากหลายอย่างไม่มีมาตรฐาน ทำให้เสียเวลาหรือรวมข้อมูลไปใช้ต่อได้ยาก
4.) ความถนัดที่แตกต่างกันของผู้เชี่ยวชาญแต่ละคน เช่น ภาษาโปรแกรม เครื่องมือ หรือเฟรมเวิร์กที่ใช้สร้างโมเดล
5.) ข้อมูลล้าสมัย ยกตัวอย่างเช่นเรื่อง Covid-19 พฤติกรรมผู้บริโภคเปลี่ยนแต่โมเดลสร้างมาจากข้อมูลในอดีต ทำให้โมเดลมีความแม่นยำน้อยลงและใช้ไม่ได้ในที่สุด
6.) เทรนโมเดลด้วยข้อมูลน้อยกว่าความเป็นจริงมาก ทำให้พอเจองานจริงจึงได้ผลไม่แม่นยำ
นิยามของ MLOps
MLOps เกิดจากการรวมกันของ Machine Learning (ML), Developer (DEV) และ Operation (OPs) ซึ่งหลายคนคงจะคุ้นเคยกับศัพท์คำว่า DevOps อยู่แล้ว ทั้งนี้หมายความว่าจะต้องมีความรู้และทักษะเรื่องของ Machine Learning เข้ามาด้วยนั่นเอง
มาถึงตรงนี้หลายท่านอาจมีคำถามว่าแล้วองค์กรจะเริ่มพัฒนา MLOps ให้ประสบความสำเร็จได้อย่างไร ซึ่งทาง bluebik ก็ได้แบ่งขั้นตอนไว้ 4 เฟสคือ
- Experiment – การที่องค์กรมีทีม Data Scientist มาศึกษา เรียนรู้ วิเคราะห์ข้อมูลว่าจะนำโมเดลไปใช้อย่างไรให้เกิดประโยชน์ต่อธุรกิจ
- Reproduce – ต้องเพิ่มความสามารถเช่น Version Control หรือการติดตามพารามิเตอร์ ว่าจะสร้างทำงานซ้ำๆ เพื่ออัปเดตโมเดลได้อย่างไร
- Operationalize – จะเอาต้นแบบที่ได้มาไป Deploy จริงได้อย่างไร CI/CD ได้หรือไม่
- Automate Cycle – กระบวนการทั้งหมดข้างต้นจะต้องทำได้อย่างอัตโนมัติ
ด้วยเหตุนี้เองสิ่งที่องค์กรต้องไปให้ถึงเพื่อทำให้โปรเจ็ค AI/ML เกิดขึ้นได้จริงคือต้องแก้ปัญหาเรื่องของการสื่อสารให้เข้าใจตรงกัน กำหนดกระบวนการในการพัฒนาและต้องตรวจสอบความถูกต้องได้ รวมถึงต้องติดตามคุณภาพของโมเดลและต้องรับข้อมูลใหม่มาพัฒนาโมเดลได้เสมอ สุดท้ายวงจรในการพัฒนาทั้งหมดควรเกิดขึ้นได้อย่างอัตโนมัติด้วย
อย่างไรก็ตามในภาพของกระบวนการทำงานจริง ทีมงาน MLOps จะมีขั้นตอนย่อยถึง 7 ขั้นตอนคือ Planning, Version Control, Data Validation, Pipeline, Behavior Validation, CI/CD และ Monitoring โดยจากภาพประกอบจะเห็นได้ว่าองค์กรต้องมีการใช้เครื่องมือต่างๆ มากมายอย่างหลีกเลี่ยงไม่ได้
ประโยชน์ของ MLOps
แม้ว่าการเริ่มต้น MLOps อาจดูเหมือนว่าทำได้ยาก ลงทุนสูง แต่เมื่อกล่าวถึงประโยชน์ต่อไปนี้ก็นับว่าเป็นการลงทุนระยะยาวอย่างคุ้มค่า
- Less Dependency -องค์กรจะสามารถรับมือกับการเปลี่ยนทีมงานได้ หากมีเฟรมเวิร์กต้นแบบอ้างอิง เพราะมีการเก็บโค้ดและพารามิเตอร์อย่างเป็นระบบ ทำให้ไม่ต้องมาศึกษาหรือเขียนโค้ดใหม่แต่แรก
- Better Performance – การที่ทุกส่วนประกอบมีการตรวจสอบ ทำให้สามารถอธิบายเหตุผลที่อยู่เบื้องหลังของการทำงานได้ ว่าทำไมประสิทธิภาพของโมเดลถึงดีหรือแย่ โมเดลใหม่ดีกว่าหรือแย่กว่าเดิมอย่างไร
- Lower Cost – เมื่อมีเฟรมเวิรก์อ้างอิงและทำงานได้อย่างอัตโนมัติ ทีมงานจะสามารถปรับปรุงโมเดลได้ง่ายอย่างมีระบบ เวลาที่ต้องเรียนรู้ของทีมก็น้อยลง ทำให้ธุรกิจมีต้นทุนน้อยลงและเข้าสู่การแข่งขันได้เร็วมากขึ้นด้วย จึงตอบโจทย์การตลาดได้อย่างแท้จริง
เพิ่มประสิทธิภาพ MLOps เท่าตัวบน Microsoft Azure
จากเรื่องราวที่กล่าวมาข้างต้นจะเห็นได้ว่า MLOps เป็นหน้าที่ที่ต้องเกี่ยวพันกับเครื่องมือจำนวนมาก จึงเป็นไปได้ยากที่องค์กรจะหาคนที่มีทักษะในทุกเรื่อง แม้ทำได้ก็กินเวลาไม่น้อย ซึ่งแน่นอนว่าผู้บริหารคงไม่ถูกใจสิ่งนี้ เพราะนี่คือยุคของปลาเร็วกินปลาช้า ดังนั้นจะดีกว่าไหมหากองค์กรสามารถทดลองเริ่มต้น MLOps ได้ไว มีต้นทุนต่ำ และทีมงานผู้เชี่ยวชาญไม่ต้องลำบากกับการสับเปลี่ยนหน้าเครื่องมือแต่ละตัว โดย Microsoft Azure มีเครื่องมือที่สามารถใช้งานได้จริงไว้อย่างครอบคลุมแล้ว (ภาพประกอบด้านบน)
Microsoft Azure มีเครื่องมือตั้งแต่ Infrastructure พื้นฐานทั้ง Storage, Compute เครื่องมือด้าน Collaboration, Version Control , Pipeline, Machine Learning, CI/CD ไปจนถึงการ Monitoring ไม่เพียงเท่านั้นยังสามารถเชื่อมต่อกับ Service ด้าน Security, Edge&IoT และอื่นๆ โดยหากองค์กรลองแล้วพบว่าโครงการ Machine Learning ไม่ตอบโจทย์ขององค์กร ก็เพียงแค่จ่ายตามที่ใช้จริงไปเท่านั้น นี่ยังไม่นับรวมถึงเรื่อง Availability และ Scalability จึงกล่าวได้ว่าหากองค์กรเริ่มต้น MLOps จับคู่กับ Cloud จะเป็นการเพิ่มประสิทธิภาพโปรเจ็คด้าน AI/ML ได้เท่าตัวเลยทีเดียว
ผู้สนใจสามารถติดต่อทีมงานมืออาชีพจาก bluebik group ได้ที่นี่
หากท่านสนใจริเริ่มโปรเจ็คด้าน AI/ML หรือต้องการคำปรึกษาจากมืออาชีพในด้าน Digital Transformation สามารถติดต่อทีมงานได้ที่ hello@bluebik.com หรือเบอร์โทรศัพท์ 02-636-7011 หรือเยี่ยมชมเว็บไซต์บริษัทได้ที่ https://www.bluebik.com/
