สรุปจากงาน WiseSight Research Discovery Episode 3 : Deep AI Insights
ก่อนจะอ่านบทความนี้ ทางผู้เขียนอยากให้ทุกคนอ่านเพื่อให้เกิดเป็นแนวคิดหรือไอเดียเท่านั้นก่อน เพราะเรายังจะต้องศึกษาและลงมือทำสิ่งนั้น ๆ (pilot / testing project) เพื่อให้เห็นว่าเหมาะสมกับแบรนด์มากน้อยแค่ไหน
ประเภทของ AI ตามการใช้งาน
- Predictive AI การทำนายหรือคาดการณ์อนาคต นิยมใช้กับ Personalize Marketing (จัดกลุ่มลูกค้า) ซึ่งในสายงาน marketing คือพวกเครื่องมือจัดการอย่าง CRM หรือ CDP ที่จะมีตัว AI ที่คอยทำหน้านี้ที่
- Generative AI สร้างผลงานใหม่ จากข้อมูลที่มีอยู่ โดยสามารถสร้างผลงานได้หลากหลายรูปแบบ อย่างที่เราคุ้นกันคือ ChatGPT หรือ Gemini
ประเภทของข้อมูลที่ AI ใช้งาน
- Structure (Numeric, Categorical)
ส่วนมากจะพบว่ามีการใช้ Predictive AI ตัวอย่างเช่น การคาดการณ์ยอดขาย (Sales) การจัดกลุ่มลูกค้า (Customer Segment) - Unstructure (Text, Image, Audio, Video)
ในส่วนนี้มีทั้งการนำไปใช้กับ Predictive AI และ Generative AI (ทบทวนอีกครั้ง Predictive AI ใช้ในการคาดการณ์ รวมถึงการจำแนกข้อมูล ส่วน Generative AI ใช้ในการสร้างข้อมูลขึ้นใหม่) โดยข้อมูล Unstructure Data เช่น Social Voice Data (ข้อมูลที่ถูกโพสต์บนโซเชียลมีเดีย), Review on Website or E-Commerce (การเขียนรีวิวบนเว็บไซต์ หรือ แพลตฟอร์ม E-commerce ต่าง ๆ) Conversation chat with admin (การแชทกับแอดมินเพจผ่านช่องทางเเชท), เสียง เช่น บทสนทนากับ Call center (อาจเป็นการ Complain) และ วิดีโอ
สำหรับงานของ WiseSight ครั้งนี้ จะเน้นไปที่ Unstructure Data
- Text Clustering
AI จะทำความเข้าใจข้อความต่าง ๆ ว่ากำลังพูดถึงอะไร แล้วจัดเป็นหมวดหมู่ ซึ่งจากตัวอย่างเมื่อมีการจัดหมวดหมู่เรียบร้อยเเล้ว เราสามารถดูปริมาณการพูดถึงแต่ละหัวข้อ (Topic clustering) หรือ Cluster ได้จากสี หรือ Sizing ได้
นอกจากการดูแต่ละหัวข้อแล้วนั้น ยังสามารถดูแบบกลุ่มคำ หรือ Word Similarity เป็นการจัดกลุ่มของคำที่มีลักษณะคล้ายกัน เช่น กลุ่มอิเล็กทรอนิกส์ ในกลุ่มประกอบด้วย คอมพิวเตอร์, โน๊ตบุ๊ค และ แท็บเล็ต เป็นต้น หรือ กลุ่มเครื่องดนตรี เช่น เปียโน และ ไวโอลิน เป็นต้น
การใช้ Word Similarity จึงสามารถช่วยให้ข้อมูลที่คล้ายกัน หรือ อยู่ในกลุ่มเดียวกันได้ ด้วยลักษณะ Label ให้อยู่ในกลุ่มเดียวกัน
ส่วนตัวนี่คิดว่า แบรนด์ที่ใส่ใจเรื่อง Consumer voice นั้น ส่วนนี้น่าจะมีประโยชน์มากเลยทีเดียว แต่ทั้งนี้ทั้งนั้นการลงมือทำในส่วนนี้ได้จะต้องมีเครื่องมือและคนที่ชำนาญในการทำข้อมูลด้วยนะ ถึงจะได้ข้อมูลที่ถูกต้องและเอาไปใช้ได้จริง แต่ว่าก็ขึ้นอยู่กับข้อความที่เจอด้วย - Image Analytics
ส่วนนี้จะพูดถึงเรื่อง Face Recognition วิเคราะห์หน้าคน โดยเมื่อวิเคราะห์เเล้วส่วนมากผลลัพธ์ที่นำมาใช้เป็น Use Case คือ การบอก Emotion ของคน ๆ นั้น ส่วนใหญ่ใช้ในการระบุ Demographic เพศ (ชายหรือหญิง) อายุเท่าไร
ตัวอย่างจากงาน Thailand Fest Coffee ที่เมืองทอง มีการลงทะเบียนเข้างาน โดยป้ายบอกชัดเจนว่าเกี่ยวกับเรื่อง PDPA เพราะในงานจะมีการเก็บภาพบรรยากาศด้วย วิดีโอ และ รูปภาพ ในงาน ด้วย ถ้าเราไม่ยินยอมส่วนนี้ก็จะเข้าไปในงานไม่ได้ ถ้าในงานทำส่วนนี้วิเคราะห์ออกมาได้ด้วย
นอกจากนี้ตัว Image analytics ยังให้ AI ช่วยวิเคราะห์ภาพได้เบื้องต้นด้วยนะ ว่าใครทำอะไร แบบไหน รวมถึงระบุถึงตัว Objective ที่ภาพนั้นมีอยู่ เช่น ผู้หญิง ผู้ชาย มีรูปแบบการถ่ายรูปที่ต่างกัน Object ในภาพเป็นแบบไหน เช่น แก้วน้ำ หรือ ขวด รวมไปถึง Logo detection อีกด้วย ว่าขวดที่ถืออยู่เป็นแบรนด์อะไร แต่ส่วนนี้ต้องป้อนข้อมูลเข้าระบบหลังบ้านอีกเยอะพอสมควรเพื่อให้ AI เรียนรู้ข้อมูลแล้วทำหน้าที่ได้ดียิ่งขึ้น - Audio analytics
ที่เกี่ยวกับ Call center , Clip Video และ Environment อันนี้จะบอกว่าใหม่เลยทีเดียวก็ไม่น่าได้ เพราะจริง ๆ เราอาจจะได้ยินการบันทึกบทสนทนาต่าง ๆ เวลาเที่เราคุยกับ Call center กันมาตลอด ยิ่งในยุคนี้เครื่องมือการบันทึกน่าจะมี feature ที่ใหม่มากขึ้นไปอีกขั้นแล้วก็เป็นได้ อาจจะวิเคราะห์จากเสียงพูดสนทนา เสียงในคลิป หรือในสถานที่ ต่าง ๆ แล้วบอกได้เลยว่าเป็น Mood & Tone แบบไหน เสียงหัวเราะร่าเริงหรือเหงาหงอย แล้วเอาข้อมูลไปสรุปวิเคราะห์แล้วต่อยอดได้
คุ้น ๆ ว่า SCB ที่ประกาศว่าจะเป็น AI first bank ในการทำธุรกรรมให้กับ consumer เมื่อต้นปีที่ผ่านมา ยังไงก็ต้องคอยดูว่าจะทำให้เกิด Impact ในการใช้งานจริงได้มากน้อยแค่ไหน
Social Platform วิเคราะห์ Consumer Perception อย่างไร
- Instagram และ TikTok ผลวิเคราะส่วนใหญ่ในเชิง Positive
- X, Forum ต่างๆ, Facebook และ TikTok ผลวิเคราะห์ไปในทางเชิง Negative
ส่วนตัวมองว่าจริงบางส่วน ยิ่งถ้าเป็นเรื่องไวรัลที่ไปในทาง Negative กลุ่มสองนี้เหมือนพร้อมใจกันสร้าง Consumer voice แบบ Negative มากกว่าเลยทีเดียว
ภาพรวมเกี่ยวกับการสร้าง AI
การสร้าง AI เหมือนการสร้าง Product 1 ตัว ต้องมีการศึกษาความเป็นไปได้ ความคุ้มค่า ในการผลิต Framework ที่น่าสนใจ นำมาใช้ได้คือ AWS : Working Backword เป็นเเนวคิดที่ให้จำลองว่า ผลิต AI ขึ้นมาเเล้ว หลังจากนั้นต้องมีการประกาศออกสื่อว่าเรามีผลิตภัณฑ์ตัวนี้ (PR: Press releases) แล้วให้ลูกค้า Feedback กลับมาว่าต้องการไหม หากยังไม่เป็นที่ต้องการ ต้องวนลูปกลับมาคิดใหม่
7 ปัจจัย ก่อนสร้าง AI ที่ควรคำนึงถึง
- ความพร้อมของทีม
- ความเป็นไปได้ของ Timeline
- ความเสี่ยงต่าง ๆ เช่น ในเชิงกฏหมาย ในเชิงเศรษฐศาสตร์
- ข้อมูลที่เรามีเพียงพอหรือไม่
- ROI เป็นเท่าไร (ถ้าขาดทุน ไม่ควรทำ)
- Budget
- Technical feasibility ความเป็นไปได้ของเทคโนโลยีในปัจจุบัน (ให้คำนึงถึงในด้าน AI และ Infrastructure)
ซึ่งในมุมมองของนักการตลาดที่ไม่ใช่คนสร้าง AI แต่เป็นคนใช้เครื่องมือบางตัว หรือคนที่เป็นเจ้าของเครื่องมือ CRM / CDP ในไทยที่มีการใช้ AI ร่วมด้วยอยู่แล้วนั้น ปัจจัยต่าง ๆ เหล่านี้เป็นสิ่งที่นักการตลาดและเจ้าของเครื่องมือควรทำความเข้าใจปัจจัยทั้งหมดนี้ก่อนใช้งานร่วมด้วยเสมอ
3. Check List เป้าหมายของ AI
- Wide (AI ต้องเก็บได้กว้าง)
- Deep (AI จะต้องลงลึก-เชี่ยวชาญ)
- Fast (การประมวลผลต้องรวดเร็ว)
ซึ่งเป้าหมายทั้งสามข้อนี้ไม่ใช่แค่เฉพาะ AI ที่เป็นระบบนะ แต่รวมไปถึงคนใช้งานด้วย
Trend AI ในปีหน้า
- Scaling’s Law ทฤษฎีการเพิ่มขนาด (ทั้งทรัพยากรและข้อมูลในการเทรน AI) ทำให้ประสิทธิภาพของ AI ดีขึ้น ซึ่งบริษัทที่สามารถเพิ่มทรัพยากรเเละข้อมูลได้ อาจจะเป็นเจ้าใหญ่ ๆในตลาด ดังนั้นเลยคาดการณ์ว่า Model ใหญ่ที่เก่งรอบด้าน แต่อาจจะผูกติดกับเจ้าใหญ่ ๆ เช่น AWS, Google, Open AI
- Model ที่เล็ก แต่มีเชี่ยวชาญเฉพาะด้าน โดยการเรียนรู้ดาต้าเยอะขึ้น เหมือนอ่านหนังสือเยอะขึ้น Specific Model ที่เก่งเฉพาะทาง ในการสร้างจะมี Cost ที่ต่ำ ดังนั้น ราคาของ AI เหล่านี้จะไม่สูงมาก
- แนวโน้มราคาของ AI จะเริ่มถูกลง (ปีนี้ถูกลงกว่าปีก่อน ปีหน้าอาจมีแนวโน้มที่น่าจะถูกลงอีก) ดังนั้นบริษัทจะมีกำลังในการนำ AI เข้าไป Integrate กับ Product ของตัวเองมากขึ้น เราอาจจะเห็น Product ที่มี AI มากขึ้นเช่นกัน
- การนำ AI หลายตัวมาใช้งานร่วมกัน โดยเเยกใช้ในแต่ละขั้นตอน หรือที่เรียกว่า Multi-Agent / Multi Model จะเริ่มถูกใช้มากขึ้น เนื่องจากความเเม่นยำในการทำ 2 ขั้นตอนพร้อมกัน ต่ำกว่าทำแยกทีละขั้นตอนเเล้วเอามาต่อกัน
