เป็นบทความที่เขียนเพื่อที่จะช่วยให้สามารถเข้าใจวิธีการของ Data Analytic เบื้องต้น, ความแตกต่างระหว่าง AGI vs ANI ที่เป็นปัญญาประดิษฐ์ที่มีความสามารถที่แตกต่างกัน รวมทั้งรู้จักความแตกต่างของ Data Engineer vs Data Analyst vs Data Scientist ว่าทำงานแตกต่างกันอย่างไรบ้าง และ Artificial Intelligence vs Machine Learning vs Deep Learning มีการทำงานจากข้อมูลแบบไหน โดยที่สิ่งเหล่านี้จะมีประโยชน์กับการเข้าใจโลกของข้อมูลมากขึ้น
Intro to Data Analytics
- What is Data Analytics
- AGI vs. ANI
- Data Engineer vs Data Analyst vs Data Scientist
- Artificial Intelligence vs Machine Learning vs Deep Learning
- Another How to find Case Studies in Chatbot
What is Data Analytics
Data Analytics คือ รูปแบบของการตรวจสอบ ทำความสะอาด แปลง และสร้างแบบจำลองข้อมูล โดยมีเป้าหมายเพื่อค้นพบข้อมูลเชิงลึกที่เป็นประโยชน์
Framework
- ขั้นตอนในการจัดการข้อมูลจาก Raw data > Insight เรียกว่า 4 เฟส ของการทำดาต้า
- Added – Value แกนตั้งแสดงขึ้นผลตอบแทนที่เราได้กลับมา
- Complexity แกนอนแสดงถึงความยากง่ายในการทำสิ่งนั้น
| Type | Definition | Sample |
| Descriptive Analytics | What happened? | ตั้งคำถามว่าก่อนหน้านี้เกิดอะไรขึ้น เช่นในเดือนที่แล้วมีลูกค้าประจำมาสมัครสมาชิก |
| Diagnostic Analytics | Why it happened? | ตั้งคำถามว่าทำไมถึงเป็นแบบนั้น เช่นทำไมลูกค้าที่ทานประจำจึงมาสมัครสมาชิกในช่วงเดือนที่แล้ว |
| Predictive Analytics | What will happen? | ทำนายอนาคตว่าหลังจากนี้จะเป็นยังไง เช่นถ้าออกโปรโมชั่นเมนูพิเศษสำหรับบัตรสมาชิก ลูกค้าจะซื้อเมนูในโปรโมชั่นไหม |
| Prescriptive Analytics | What should we do about it? | ถ้าลูกค้าไม่ต่อโปรโมชั่นบัตรสมาชิกเราควรจะทำยังไงถึงจะดึงดูดให้ต่ออายุบัตรสมาชิก |
- ต้องทำให้ลูกค้ากลับมาดู Netflix , Disney โดยนำเข้า ซีรี่ย์ ใหม่เรื่อยๆ เพื่อรักษาลูกค้าไว้
ในทุกๆโปรเจคเราต้องตั้งคำถามใน 4 framework
- AI ณ ปัจจุบันมีโอกาสผิดพลาดได้ จึงจะต้องมี framework ที่ 5 เพิ่มเข้ามาเพื่อให้ดีและละเอียดยิ่งขึ้น
Cognitive Analytics
- การวิเคราะห์ความรู้ความเข้าใจที่ใช้ในการจำลองความสามารถในการคิดของมนุษย์
- การวิเคราะห์เชิงทำนาย เป็นการวิเคราะห์ข้อมูลในอดีตเพื่อหารูปแบบความสัมพันธ์ในชุดข้อมูลที่สามารถนำมาเป็นต้นแบบในการทำนาย การคาดการณ์ ผลหรือสิ่งที่น่าจะเกิดขึ้นในอนาคต
AGI vs. ANI
Artificial generative Intelligence vs Artificial Narrow Intelligence / Future vs Present
| Quality | AGI | ANI |
| Description | ปัญญาประดิษฐ์ที่มีความสามารถทั่วไปใกล้เคียงกับมนุษย์ ทำงานได้หลายด้าน | ปัญญาประดิษฐ์ที่ออกแบบมาเฉพาะด้าน ทำงานได้เฉพาะงานหรือปัญหาหนึ่งๆ |
| Flow work | สามารถปรับตัวและเรียนรู้การทำงานใหม่ๆ ได้โดยไม่จำเป็นต้องตั้งโปรแกรมเพิ่ม | ถูกตั้งโปรแกรมมาเพื่อทำงานเฉพาะอย่าง และไม่สามารถทำงานนอกเหนือจากนั้นได้ |
| Example | การเข้าใจภาษาธรรมชาติในหลายภาษา, การแก้ปัญหาที่ซับซ้อนแบบมนุษย์ | ระบบแนะนำสินค้า, การรู้จำใบหน้า, การประมวลผลภาพ |
Multimodal AI ที่เข้าใจ content หลายประเภทมากกว่าเดิม
Case : Open AI
Open AI แต่ละชนิดก็จะมีความเชี่ยวชาญในแต่ละด้านดังตารางด้านล่างนี้ครับ
| Program | Expert |
| ChatGPT | Language |
| Dalle | Picture |
| Solar | Video |
| Whisper | Audio |
- ChatGPT can make mistakes. Check important info.
AI สามารถดูวิดีโอได้เยอะกว่ามนุษย์ สามารถ process ข้อมูลได้ดีกว่า มนุษย์ หา pattern ดีกว่า
Data Engineer vs Data Analyst vs Data Scientist
| คุณสมบัติ | Data Engineer | Data Analyst | Data Scientist |
| บทบาทหลัก | ออกแบบ สร้าง และดูแลโครงสร้างพื้นฐานการจัดเก็บข้อมูล | วิเคราะห์และตีความข้อมูลเพื่อสร้างรายงานและแนะนำการตัดสินใจ | สร้างแบบจำลองเชิงคาดการณ์และวิเคราะห์ข้อมูลเชิงลึก |
| เป้าหมาย | สร้างระบบที่มีประสิทธิภาพ | ทำความเข้าใจแนวโน้มและให้ข้อมูลเชิงลึกสำหรับธุรกิจ | สร้างโมเดลเพื่อคาดการณ์และแก้ปัญหาทางธุรกิจที่ซับซ้อน |
| การใช้เครื่องมือ | SQL, Apache Spark, Hadoop, Airflow, NoSQL | Excel, SQL, Power BI, Tableau, Google Analytics | Python, R, TensorFlow, PyTorch, Jupyter Notebook |
| ทักษะที่จำเป็น | การเขียนโปรแกรม, การจัดการฐานข้อมูล, การพัฒนา ETL, ความรู้ด้าน Cloud | การวิเคราะห์ข้อมูล, การสร้างรายงาน, การใช้เครื่องมือ BI | การเขียนโปรแกรม, การสร้างแบบจำลอง, การใช้ Machine Learning |
- ส่วนใหญ่ บริษัทคาดหวังว่าอะไรพนักงานจะมี Skill เยอะๆ แล้วทำได้หลายอย่าง
| Type | Example |
| Unstructured Data | อีเมล, PDF, โพสต์บนโซเชียลมีเดีย |
| Structured Data | ตาราง Excel, ข้อมูลที่ใช้ในฐานข้อมูล SQL |
Artificial Intelligence vs Machine Learning vs Deep Learning
| Type | Artificial Intelligence (AI) | Machine Learning (ML) | Deep Learning (DL) |
| Description | ระบบที่สามารถทำงานหรือคิดอย่างฉลาดเหมือนมนุษย์ | สาขาหนึ่งของ AI ที่เน้นการเรียนรู้จากข้อมูล | สาขาหนึ่งของ ML ที่ใช้โครงข่ายประสาทเทียมในการเรียนรู้ |
| Objective | สร้างระบบที่มีความสามารถในการประมวลผลข้อมูลและตัดสินใจ | สร้างแบบจำลองที่สามารถคาดการณ์หรือจำแนกประเภทข้อมูลได้ | การเรียนรู้คุณลักษณะอัตโนมัติและการจัดการกับข้อมูลที่ไม่มีโครงสร้าง |
| Technique | การประมวลผลภาษาธรรมชาติ (NLP), การรับรู้เสียง, ระบบอัจฉริยะ | อัลกอริธึมเช่น Linear Regression, Decision Trees, SVM | โครงข่ายประสาทเทียม เช่น CNN, RNN, LSTM |
| Data | สามารถทำงานกับข้อมูลที่มีโครงสร้างและไม่มีโครงสร้าง | ต้องการข้อมูลจำนวนมากเพื่อการเรียนรู้ที่มีประสิทธิภาพ | ต้องการข้อมูลจำนวนมากและข้อมูลที่มีความหลากหลายเพื่อผลลัพธ์ที่ดีที่สุด |
AI คือโลกใหญ่ Machine Learning คือเทคนิคที่ทำให้เราไปถึง AI ได้ Deep learning คือ Algorithm ที่เก่งมาก
Another How to find Case Studies in Chatbot
โดยเราสามารถเรียนรู้เกี่ยวกับเคสเพิ่มเติมของ data science เพิ่มได้จากการพิมพ์ถามจาก ChatGPT หรือ Gemini เพื่อช่วยที่จะเรียนรู้ได้
Prompt : I want to learn more about data science case studies.
can you help me find popular case studies in data science and data analytics. at least 2 case study
โดยสรุปแล้ว ความสำคัญของบทความนี้ได้ว่า การเข้าใจกระบวนการ Data Analytic จะช่วยให้เข้าใจเกี่ยวกับ Role อาชีพของ Data และการทำงานของ Machine Learning หรือ AI ด้วยครับ หวังว่าจะได้ผู้อ่านทุกท่านจะได้ประโยชน์จากการอ่านบทความนี้ไม่มากก็น้อยครับ ขอบคุณครับ
ขอบคุณเนื้อหาดีๆจาก Data Science Bootcamp 11 : https://data-science-bootcamp1.teachable.com/courses/data-science-bootcamp-11/lectures/60407535
Chayanonboo 
Leave a comment