วิลสัน ปาง ผู้ร่วมเขียนหนังสือ Real World AI – สัมภาษณ์ซีรีส์

วิลสัน ปาง เข้าร่วม Appen ในเดือนพฤศจิกายน 2018 ในตำแหน่ง CTO และรับผิดชอบผลิตภัณฑ์และเทคโนโลยีของบริษัท วิลสันมีประสบการณ์มากกว่า 19 ปี ในด้านวิศวกรรมซอฟต์แวร์และวิทยาศาสตร์ข้อมูล ก่อนที่จะเข้าร่วม Appen วิลสันเป็นหัวหน้าฝ่ายข้อมูลของ Ctrip ในประเทศจีน ซึ่งเป็นบริษัทท่องเที่ยวออนไลน์ที่ใหญ่ที่สุดในโลก โดยที่เขานำทีมวิศวกรข้อมูล นักวิเคราะห์ ผู้จัดการผลิตภัณฑ์ข้อมูล และนักวิทยาศาสตร์ เพื่อปรับปรุงประสบการณ์ของผู้ใช้และเพิ่มประสิทธิภาพการดำเนินงาน ซึ่งช่วยให้ธุรกิจเติบโต ก่อนหน้านั้น เขาเป็นหัวหน้าฝ่ายวิศวกรรมที่ eBay ในแคลิฟอร์เนีย และให้ความเป็นผู้นำในหลายๆ ด้าน รวมถึงบริการข้อมูลและโซลูชัน วิทยาศาสตร์การค้นหา เทคโนโลยีการตลาด และระบบการเรียกเก็บเงิน เขาทำงานเป็นนักออกแบบที่ IBM ก่อนที่จะเข้าร่วม eBay โดยสร้างโซลูชันเทคโนโลยีสำหรับลูกค้าหลายราย วิลสันจบการศึกษาระดับมหาบัณฑิตและบัณฑิตศึกษาในสาขาวิศวกรรมไฟฟ้าจากมหาวิทยาลัยเจ้อเจียง ในประเทศจีน

เราพูดถึงหนังสือใหม่ของเขา: โลกแห่งความเป็นจริงของ AI: คู่มือปฏิบัติสำหรับการเรียนรู้ของเครื่องจักรที่รับผิดชอบ

คุณอธิบายว่าเมื่อคุณนำทีมวิทยาศาสตร์การค้นหาของ eBay หนึ่งในบทเรียนแรกเกี่ยวกับการเรียนรู้ของเครื่องจักรคือการเข้าใจความสำคัญของการทราบวิธีการวัดเมตริกอย่างไร ตัวอย่างที่ให้มา คือ เมตริก “จำนวนการซื้อในแต่ละเซสชัน” ไม่สามารถคำนึงถึงมูลค่าของสินค้าได้ บริษัทต่างๆ สามารถทำความเข้าใจได้ดีที่สุดว่าเมตริกใดที่ต้องวัดเพื่อหลีกเลี่ยงปัญหาเหล่านี้ได้อย่างไร?

เริ่มต้นด้วยเป้าหมายที่ทีมของคุณกำหนดให้กับโมเดล AI – ในกรณีของเรา เราต้องการเพิ่มรายได้โดยใช้การเรียนรู้ของเครื่องจักร เมื่อคุณติดเมตริกกับเป้าหมาย ให้คิดถึงกลไกที่เมตริกเหล่านั้นจะสร้างขึ้น เมื่อคุณปล่อยโมเดลและผู้คนเริ่มโต้ตอบกับมัน แต่ยังต้องทราบถึงสมมติฐานของคุณ ในกรณีของเรา เราได้สมมติว่าโมเดลจะปรับให้เหมาะสมสำหรับรายได้ แต่จำนวนการซื้อในแต่ละเซสชันไม่ได้แปลเป็นรายได้ เนื่องจากโมเดลกำลังปรับให้เหมาะสมสำหรับการขายที่มีมูลค่าต่ำจำนวนมาก และสุดท้ายเราก็ไม่ได้ทำเงินมากขึ้น เมื่อเราสังเกตเห็นสิ่งนี้ เราก็สามารถเปลี่ยนแปลงเมตริกและชี้โมเดลไปในทิศทางที่ถูกต้องได้ ดังนั้น การกำหนดเมตริกที่เฉพาะเจาะจง以及การทราบถึงสมมติฐานจึงมีความสำคัญอย่างยิ่งต่อความสำเร็จของโครงการ

คุณได้เรียนรู้อะไรส่วนตัวจากการวิจัยและเขียนหนังสือเล่มนี้?

เรามีปัญหาหลายอย่างที่สามารถแก้ไขได้ด้วย AI จากบริษัทและอุตสาหกรรมต่างๆ กรณีการใช้งานอาจแตกต่างกันอย่างมาก โซลูชัน AI อาจแตกต่างกัน ข้อมูลที่ใช้ฝึกอบรมโซลูชัน AI อาจแตกต่างกัน อย่างไรก็ตาม ไม่ว่าความแตกต่างเหล่านั้นจะเกิดขึ้น ความผิดพลาดที่ผู้คนได้ทำระหว่างการเดินทางของ AI นั้นคล้ายกันมาก ความผิดพลาดเหล่านั้นเกิดขึ้นอีกและอีกในบริษัทและอุตสาหกรรมต่างๆ

เรามีการแบ่งปันแนวทางปฏิบัติที่ดีที่สุดบางอย่างในการนำไปใช้โครงการ AI โดยหวังว่าจะช่วยให้ผู้คนและบริษัทต่างๆ หลีกเลี่ยงความผิดพลาดเหล่านั้นและได้รับความมั่นใจในการใช้ AI ที่รับผิดชอบ

คุณหวังว่าผู้คนจะนำบทเรียนสำคัญอะไรไปจากหนังสือเล่มนี้?

เรามีความเชื่อมั่นอย่างแรงกล้า rằngการใช้เทคโนโลยีการเรียนรู้ของเครื่องจักรที่มีความคิดถึงและมีความรับผิดชอบสามารถทำให้โลกเป็นสถานที่ที่ยุติธรรม ยุติธรรม และครอบคลุมมากขึ้น เทคโนโลยีการเรียนรู้ของเครื่องจักรสัญญาว่าจะเปลี่ยนแปลงทุกอย่างในโลกธุรกิจ แต่ไม่จำเป็นต้องยาก มีวิธีการและกระบวนการที่ทีมสามารถทำตามและได้รับความมั่นใจในการใช้งาน

บทเรียนสำคัญอีกอย่างหนึ่งคือผู้นำธุรกิจ (เช่น ผู้จัดการผลิตภัณฑ์) และสมาชิกในทีมด้านเทคนิค (เช่น วิศวกรและนักวิทยาศาสตร์ข้อมูล) ต้องใช้ภาษาที่เหมือนกัน เพื่อนำ AI ไปใช้ได้สำเร็จ ผู้นำต้องสร้างสะพานเชื่อมระหว่างทีม โดยให้ข้อมูลธุรกิจและผู้นำระดับสูงเพียงพอที่จะสื่อสารกับผู้นำด้านเทคนิคได้อย่างมีประสิทธิภาพ

หลายคนคิดถึงโค้ดเมื่อคิดถึง AI หนึ่งในบทเรียนสำคัญในหนังสือเล่มนี้คือข้อมูลมีความสำคัญอย่างยิ่งต่อความสำเร็จของโมเดล AI มีหลายสิ่งที่เกี่ยวข้องกับข้อมูลตั้งแต่การรวบรวม การทำฉลาก การจัดเก็บ และทุกขั้นตอนจะส่งผลต่อความสำเร็จของโมเดล AI โมเดล AI ที่ประสบความสำเร็จสูงสุดคือโมเดลที่ให้ความสำคัญกับข้อมูลและพยายามปรับปรุงด้านนี้อย่างต่อเนื่อง

AI ในโลกแห่งความเป็นจริงต้องการทีมที่มีหน้าที่หลากหลายและจิตวิญญาณที่สร้างสรรค์

พูดถึงการกำหนดเมื่อโมเดล AI มีความแม่นยำเพียงพอในการสนับสนุนการใช้ AI อย่างไร?

ขึ้นอยู่กับกรณีการใช้งานและความสามารถในการรับความเสี่ยง ทีมที่พัฒนา AI ควรจะมีระยะทดสอบที่กำหนดระดับความแม่นยำและขีดความสามารถที่ยอมรับได้สำหรับองค์กรและผู้มีส่วนได้ส่วนเสีย สำหรับกรณีการใช้งานที่มีความเสี่ยงต่อชีวิตหรือความตาย – ซึ่งมีศักยภาพในการก่อให้เกิดอันตรายหาก AI ทำผิดพลาด เช่น ซอฟต์แวร์การตัดสิน การขับรถอัตโนมัติ การใช้งานทางการแพทย์ มาตรฐานความแม่นยำจะต้องสูงมาก และทีมต้องมีมาตรการป้องกันในกรณีที่โมเดลผิดพลาด สำหรับกรณีการใช้งานที่สามารถทนต่อข้อผิดพลาดได้ – ซึ่งมีการใช้ความเห็นของผู้ใช้ในการปรับโมเดลให้เหมาะสม ทีมสามารถใช้ข้อมูลจากผู้ใช้เพื่อปรับโมเดลให้เหมาะสมได้

คุณสามารถอธิบายความสำคัญของการกำหนดความสำเร็จของโครงการในขั้นตอนแรกได้อย่างไร?

มีความสำคัญที่จะเริ่มต้นด้วยปัญหาธุรกิจและกำหนดความสำเร็จในขั้นตอนแรก เนื่องจากทั้งสองสิ่งนี้เกี่ยวข้องกัน ตัวอย่างในหนังสือเล่มนี้เกี่ยวกับตัวแทนจำหน่ายรถยนต์ที่ใช้ AI ในการทำฉลากภาพ พวกเขาไม่ได้กำหนดความสำเร็จเพราะไม่ได้กำหนดปัญหาธุรกิจที่จะแก้ไข ความสำเร็จอาจเป็นสิ่งใดก็ได้ ซึ่งทำให้การแก้ปัญหาเป็นเรื่องที่ยากสำหรับทีมและโมเดลการเรียนรู้ของเครื่องจักร หากพวกเขาได้กำหนดความสำเร็จว่าเป็นการทำฉลากรถยนต์ที่มีรอยบุ๋มให้ถูกต้อง 80% ในคลังรถยนต์ใช้แล้ว และเมื่อพวกเขาได้ทำฉลากถูกต้อง 85% พวกเขาจะเรียกว่าความสำเร็จ แต่หากความสำเร็จนั้นไม่เกี่ยวข้องกับปัญหาธุรกิจและผลกระทบทางธุรกิจที่แท้จริง จะยากที่จะประเมินโครงการนอกเหนือจากความแม่นยำในการทำฉลากในตัวอย่างนี้

คุณคิดว่าการฝึกอบรมโมเดล AI โดยครอบคลุมทุกกรณีการใช้งานที่จะเกิดขึ้นในการใช้งานจริงมีความสำคัญแค่ไหน?

มีความสำคัญอย่างยิ่งที่โมเดลจะต้องได้รับการฝึกอบรมเพื่อให้ครอบคลุมทุกกรณีการใช้งานเพื่อหลีกเลี่ยงการลำเอียง แต่ยังต้องทราบว่าไม่สามารถครอบคลุมทุกกรณีการใช้งานได้ ทีมที่สร้าง AI ต้องเข้าใจข้อมูลการผลิตและข้อมูลการฝึกอบรมของตนเอง เพื่อให้สามารถฝึกอบรม AI ได้สำหรับสิ่งที่จะพบในการผลิต การเข้าถึงข้อมูลการฝึกอบรมที่มาจากกลุ่มที่หลากหลายและครอบคลุมหลายกรณีการใช้งานจะมีความสำคัญต่อความสำเร็จของโมเดล

ในหนังสือเล่มนี้พูดถึงความจำเป็นในการพัฒนานิสัยการดูแลข้อมูลที่ดีจากบนลงล่าง คุณสามารถแนะนำขั้นตอนแรกๆ ในการดูแลนิสัยนี้ได้อย่างไร?

การดูแลข้อมูลที่ดีจะเพิ่มความสามารถในการใช้ข้อมูลภายในและเตรียมพร้อมสำหรับการใช้งาน AI บริษัททั้งหมดต้องดูแลและติดตามข้อมูลของตนเอง วิธีการหนึ่งที่สามารถทำได้คือการทำให้เป็นข้อกำหนดทางธุรกิจและติดตามการดำเนินการเพื่อให้มีรายงานที่ต้องทำเป็นกรณีๆ น้อยที่สุด และทีมต่างๆ ทำงานร่วมกับข้อมูลที่ส่งไปยังคลังข้อมูลกลางโดยมีอนโตโลยีที่ชัดเจน การดูแลข้อมูลที่ดีอีกวิธีหนึ่งคือการบันทึกว่าข้อมูลถูกเก็บเมื่อไหร่และที่ไหน และเกิดอะไรขึ้นกับข้อมูลก่อนที่จะถูกเก็บในฐานข้อมูล ตลอดจนการกำหนดกระบวนการในการลบข้อมูลที่ไม่ใช้หรือข้อมูลที่เก่าไปเป็นระยะๆ

ขอขอบคุณสำหรับการสัมภาษณ์ที่ดี สำหรับผู้อ่านที่สนใจที่จะเรียนรู้เพิ่มเติม ฉันแนะนำให้อ่านหนังสือ โลกแห่งความเป็นจริงของ AI: คู่มือปฏิบัติสำหรับการเรียนรู้ของเครื่องจักรที่รับผิดชอบ