โสภณ ศุภมั่งมี เรื่อง
ภาพิมล หล่อตระกูล ภาพประกอบ
จากร้านหนังสือออนไลน์ ถึงตอนนี้ Amazon มีทุกอย่างให้เลือกซื้อ จนขึ้นชื่อว่าเป็น ‘everything store’
เบื้องหลังความสำเร็จของรายได้ที่เติบโตต่อเนื่องนั้นไม่ได้มาจากความสามารถของผู้นำอย่าง Jeff Bezos เพียงอย่างเดียว แต่มาจากสมองกลที่ใช้ machine learning ทำงานอย่างขยันขันแข็งอยู่เงียบๆ ด้วย ตั้งแต่ในคลังสินค้า (fulfilment center) ไปจนถึงบริการบน cloud เลยทีเดียว
มีคำถามหนึ่งที่เหล่าผู้บริหารของ Amazon ต้องตอบในรายงานประจำปี (ที่หลายๆ คนเรียกว่า six-page memo เพื่อเล่าแผนการทำธุรกิจในส่วนของตัวเอง) คือ “How are you planning to use machine learning?” และถ้าคำตอบว่า “ยังไม่แน่ใจ” หรือ “ไม่ใช้” ถือว่าเป็นสิ่งที่ไม่ค่อยดีนัก
Machine learning (learners) ถือเป็นรูปแบบหนึ่งของ Artificial Intelligence (AI) คล้ายกับยาโด๊ปที่ทำให้ AI พัฒนาขึ้นอย่างรวดเร็วในช่วงทศวรรษที่ผ่านมา เพราะก่อนที่ Learners จะถูกคิดค้นขึ้นมานั้น AI แต่ละชิ้นต้องถูกโปรแกรมอย่างเป็นขั้นเป็นตอน (เรียกว่า อัลกอริธึม) โดยโปรแกรมเมอร์ให้ AI ทำงานชิ้นใดชิ้นหนึ่งซ้ำๆ ตั้งแต่วินาทีแรกจนวินาทีสุดท้ายในอายุขัยของมัน
เช่น หุ่นยนต์ตัวหนึ่งถูกโปรแกรมให้หยิบแก้วจากจุด A ไปยังจุด B ก็จะทำซ้ำๆ แบบนั้นเรื่อยๆ โดยไม่มีการเรียนรู้อะไรใหม่ๆ ระหว่างนั้นเลย เพราะฉะนั้นงานทั้งหมดจึงตกอยู่กับโปรแกรมเมอร์ที่ต้องคิดค้นอัลกอริธึม เพื่อโปรแกรมให้ AI ทำงานได้อย่างถูกต้อง ปัญหาอยู่ตรงนี้แหละ เพราะโปรแกรมเมอร์นั้นมีพลังงานจำกัด (ถึงจะเป็นสิ่งมีชีวิตที่ทำงานหนักมากขนาดไหนก็ตาม) ต้องนอนหลับพักผ่อน ต้องกินข้าว และบางครั้งสมองก็หยุดทำงานเอาดื้อๆ และคิดหาทางออกไม่ได้ สรุปคำเดียวว่า โปรแกรมเมอร์ก็คือมนุษย์คนหนึ่ง และความเป็นมนุษย์นี่แหละที่เป็นสมอถ่วงทำให้การพัฒนาเทคโนโลยี AI ก้าวหน้าไปอย่างเชื่องช้า
ทำให้เห็นภาพชัดเจนยิ่งขึ้นแบบนี้ครับ
“AI + คำสั่ง (อัลกอริธึม) = คำตอบ/สิ่งที่เราต้องการ”
แต่จะเกิดอะไรขึ้น ถ้าเราบอก AI (ที่เป็น learners) ว่าเราต้องการให้มันทำอะไร แล้วมันก็ไปคิดคำสั่งอัลกอริธึมของตัวเอง และสามารถแชร์ความรู้นั้นๆ ไว้บน cloud เพื่อให้ learners ตัวอื่นๆ สามารถโหลดไปพัฒนาตัวเองได้แบบไม่จำกัด
Learners ทำงานแบบนี้ครับ
“AI + คำตอบ/สิ่งที่เราต้องการ (พร้อมแหล่งข้อมูล) = คำสั่ง (อัลกอริธึม)”
โดยในส่วนของ Amazon นั้น เริ่มต้นพัฒนารูปแบบ machine learning ในปี 1999 เมื่อ Jeff Wilke เริ่มเข้ามาทำงานกับบริษัท (จนตอนนี้เขาเหมือนเป็นมือขวาของ Jeff Bezos เลยทีเดียว) เขารวบรวมเหล่านักวิทยาศาสตร์ทั้งหลายเพื่อศึกษาระบบขั้นตอนการทำงานภายใน Amazon โดยมีจุดประสงค์ที่จะเพิ่มประสิทธิภาพการทำงานโดยรวม หลังจากนั้นก็นำสิ่งที่เขาเรียนรู้ไปรวมเข้ากับด้านธุรกิจ วนลูปอยู่แบบนั้นจนกลายเป็นแพทเทิร์น แล้วก็เริ่มนำ machine learning เข้ามาเพิ่มเติมจนกลายเป็นฟีเจอร์แนะนำหนังสือ (recommended books) ให้กับลูกค้า และความสำคัญของมันก็เพิ่มขึ้นเรื่อยๆ ตามเป้าหมายที่เติบโตขึ้นของ Bezos และ Amazon
ข้อแตกต่างอย่างหนึ่งระหว่าง AI ของ Amazon และบริษัทเทคโนโลยีเจ้าใหญ่อื่นๆ (Facebook, Apple, Google, Spotify, Netflix, Microsoft ฯลฯ) คือการใช้งานมันอย่างเงียบๆ เบื้องหลัง (ยกตัวอย่าง Facebook ที่ใช้ AI เพื่อแท็คใบหน้าของผู้ใช้งาน, Alpha Go หรือแม้แต่ Siri ของ Apple ทุกอย่างล้วนชัดเจนและเห็นได้ชัด) จริงอยู่ที่เราจะเห็น Alexa ทำหน้าที่เป็นผู้ช่วยดิจิทัลคล้ายกับ Siri แต่ที่จริงแล้วรากฐานความสำเร็จของพวกเขามาจากการใช้ AI ในระบบการทำงานเบื้องหลังซะมากกว่า
เริ่มที่โกดังเก็บของของ Amazon ที่มีมากกว่า 100 แห่งในอเมริกาเหนือ และอีก 60 แห่งทั่วโลก ซึ่งเปรียบเป็นส่วนสำคัญที่สุดของบริษัท ของทุกอย่างถูกเก็บและจัดส่งจากสถานที่เหล่านี้ แพ็คเกจมากมายถูกวางบนสายพานที่เคลื่อนตัวด้วยความรวดเร็ว เสียงดังกระหึ่มตลอดเวลา และแทบไร้วี่แววของมนุษย์ในกระบวนการ มีส่วนที่กั้นเอาไว้ขนาดเท่าสนามฟุตบอล มีชั้นหลายพันชั้นสูงประมาณ 1.8 เมตร (เรียกว่า pods) และหุ่นยนต์หลายร้อยตัวคอยเคลื่อนย้ายชั้นเหล่านี้ไปมาอย่างเป็นระเบียบ ไม่ว่าจะเป็นหนังสือ ยาสีฟัน รองเท้า ถุงเท้า ปากกา ฯลฯ ล้วนถูกจัดเรียงด้วยคอมพิวเตอร์ สิ่งนี้อาจดูไร้แบบแผนสำหรับมนุษย์ แต่ไม่ใช่สำหรับหุ่นยนต์เหล่านี้
มนุษย์แค่ยืนอยู่ในช่องสเตชั่นของตัวเอง หยิบของบนชั้นที่หุ่นยนต์ยกมาให้ หรือเติมของในชั้นที่ว่าง หลังจากนั้นหุ่นยนต์จะยกกลับไปเข้าที่ เมื่อต้องการหยิบหรือใส่ของ แค่ยิงบาร์โค้ดของสินค้าแล้วก็วางบนชั้น เป็นอันเสร็จเรียบร้อย
Brad Porter, Chief Roboticist ของ Amazon เป็นคนควบคุมและพัฒนาระบบนี้ขึ้นมา ทีมของเขามีหน้าที่ดูแลและเพิ่มประสิทธิภาพการทำงานของโกดังเหล่านี้ อย่างแรกที่เขาต้องคำนึงถึงก็คือ ‘pods gaps’ หรือช่วงเวลาที่คนงานที่เป็นมนุษย์ต้องยืนรอหุ่นยนต์วิ่งนำชั้นของสินค้ามาให้ ยิ่งทำให้ระยะเวลานี้สั้นลงเท่าไหร่ ยิ่งหมายถึงการที่มนุษย์ต้องรอน้อยลงเท่านั้น สินค้าออกจากโกดังได้มากขึ้น ไหลลื่นมากขึ้น และไปถึงบ้านของลูกค้าได้เร็วยิ่งขึ้น แม้ว่าจะต้องคอยทดลองและทดสอบอยู่เรื่อยๆ แต่ก็ต้องทำอย่างระมัดระวังเพราะถ้าเกิดมีปัญหาหรือทำงานติดขัดขึ้นมาก็จะทำให้ระบบรวนไปทั้งหมด
ด้าน Amazon Web Services (AWS) ที่ให้บริการลูกค้าผู้ต้องการพื้นที่เก็บข้อมูลของเว็บไซต์หรือแอพพลิเคชั่นโดยไม่ต้องมีเซิร์ฟเวอร์เป็นของตัวเอง กลายเป็นส่วนสำคัญที่สร้างรายได้มหาศาลให้บริษัท AI ถูกนำมาใช้เพื่อคาดการณ์ความต้องการของระบบประมวลผล ป้องกันการใช้งานที่มากจนเกินไปในช่วงระยะเวลาใดเวลาหนึ่ง พูดอีกอย่างหนึ่งคือพวกเขาใช้ AI เพื่อจัดเตรียมทรัพยากรสำหรับประมวลผลในแต่ละช่วงเวลาให้เหมาะสม ไม่ให้เกิดข้อผิดพลาดต่อผู้ใช้งาน
ถึงแม้ว่าทาง Amazon จะไม่สามารถดูได้ว่าอะไรอยู่บนเซิร์ฟเวอร์ของตัวเอง แต่สามารถเก็บข้อมูลได้ว่าช่วงไหนทราฟฟิคเป็นยังไง เชื่อมต่อยาวนานขนาดไหน เสถียรแค่ไหน ฯลฯ ก็เหมือนในโกดังนั่นแหละ ข้อมูลเหล่านี้จะเก็บเอาไว้และฝึก machine learning ให้ทำงานดีขึ้นเรื่อยๆ ตามความต้องการของลูกค้า
ลูกค้าหลักคนสำคัญของ AWS คือตัว Amazon เอง และสิ่งที่ ‘everything store’ แห่งนี้ต้องการก็คือการคาดการณ์ที่แม่นยำ (เหมือนธุรกิจออนไลน์เจ้าใหญ่ๆ ทั่วโลก)
Amazon Go ร้านสะดวกซื้อที่ไร้แคชเชียร์ สถานที่ที่เต็มไปด้วยกล้องวงจรปิดหลายร้อยตัวบนเพดานเพื่อติดตามลูกค้าที่เข้ามาในร้าน เก็บข้อมูลสร้างเป็นรูปภาพ 3 มิติเพื่อตามว่ามืออยู่ไหน แขนอยู่ไหน เมื่อหยิบจับสินค้าบนชั้น ระบบจะเก็บรายละเอียดว่าชิ้นไหนถูกหยิบไป เมื่อลูกค้าเดินออกจากร้านก็คิดเงินหักบัญชีที่ผูกเอาไว้ทันที
Dilip Kumar ผู้ดูแล Amazon Go เน้นย้ำว่าพวกเขาใช้กล้องเพื่อติดตามการเคลื่อนไหวของลูกค้าที่เข้ามาในร้านเท่านั้น ไม่ได้ใช้เพื่อบ่งบอกว่าใครเป็นใคร เพราะก่อนจะเข้าร้านเราต้องสแกนบาร์โค้ดเพื่อยืนยันตัวตนก่อนอยู่แล้ว ข้อมูลมากมายที่ลูกค้าทุกคนใช้ ถูกป้อนสู่ machine learning ที่อยู่เบื้องหลัง ไม่ว่าเราจะหยิบจับท่าไหนก็ไม่รอดพ้นสายตาของสมองกลเหล่านี้ได้
โดยวิธีการเดียวกันก็นำกลับมาใช้ที่คลังสินค้าได้อีกเช่นกัน Amazon เริ่มใช้กล้องเพื่อตรวจจับการเคลื่อนไหวร่างกายของคนงานที่เป็นมนุษย์ ไอเดียก็คือพยายามกำจัดเครื่องยิงบาร์โค้ด เพราะมันเสียเวลา หยิบ หา ยิง วาง กว่าจะเสร็จ เมื่อใช้กล้องจับความเคลื่อนไหวเหมือน Amazon Go คนทำงานยืนอยู่ตรงสเตชั่นสามารถหยิบใส่ชั้นไหนก็ได้และเจ้าสมองกลจะเป็นคนจัดการเก็บรายละเอียดเองทั้งหมด เป้าหมายของ Porter ก็คือประสิทธิภาพและการลดขั้นตอนลงให้เหลือน้อยที่สุด และนี่ก็ดูจะเป็นคำตอบที่ดี
เพิ่งผ่านไปสดๆ ร้อนๆ กับงาน re:MARS 2019 ของ Amazon พวกเขาได้ประกาศว่าจะมีเครื่องมือใหม่ออกมาให้ลูกค้าใช้ชื่อ ‘StyleSnap’ ที่ใช้ machine learning จับคู่สินค้าบน Amazon กับภาพที่ลูกค้าอัพโหลด ไม่ว่าจะเป็นเสื้อผ้า ของใช้ ของตกแต่ง ฯลฯ โดยคนที่เป็น influencers สามารถแจ้งกับผู้ติดตามของตัวเองว่าให้ใช้เครื่องมือนี้บน Amazon เพื่อหาชุดหรือสินค้าต่างๆ ที่ตนเองใส่ แล้วเมื่อเกิดการซื้อขายก็จะได้ส่วนแบ่งจาก Amazon ไปด้วย ซึ่งก็ทำงานคล้ายๆ กับ Affiliate Links สมัยก่อน เพียงแต่มาในรูปแบบของภาพถ่ายและค้นหาได้ง่ายขึ้นเพราะมี machine learning อยู่เบื้องหลัง
ถ้าเรามองให้ดี Amazon พยายามมากเหลือเกินที่จะระมัดระวังในการเก็บข้อมูลลูกค้า จึงรอดพ้นจากการเป็นเป้าโจมตีทางกฎหมาย ไม่เหมือน Facebook หรือ Google ที่มักตกเป็นข่าวอยู่เสมอ
Amazon เก็บข้อมูลโดยมุ่งหวังจะสร้างประสบการณ์ที่ดีขึ้นให้ลูกค้า (และแน่นอนว่าสร้างผลกำไรเข้าบริษัท) พวกเขาไม่ต้องทำงานในพื้นที่ตรงกลางระหว่างผู้ใช้งานและลูกค้า เหมือนอย่างที่บริษัทอื่นให้ผู้ใช้งานฟรีแต่ต้องเป็นลูกค้าไปด้วยโดยไม่รู้ตัว สำหรับ Amazon แล้ว ผู้ใช้บริการก็คือลูกค้า ซึ่งลูกค้าเหล่านี้แหละที่ทำให้รากฐานของ Amazon ที่เป็นสมองกล AI แข็งแกร่งขึ้นเรื่อยๆ จนตอนนี้คงยากที่จะมีใครมาแข่งขันในสนามกับพวกเขาได้อีกต่อไป
อ้างอิง
https://www.technologyreview.com/f/613643/amazon-ai-machine-learning-stylesnap-fashion-retail/
https://finance.yahoo.com/news/why-ai-is-amazons-competitive-edge-220903310.html
https://www.economist.com/podcasts/2019/04/17/how-ai-powers-amazon
https://www.economist.com/business/2019/04/13/amazons-empire-rests-on-its-low-key-approach-to-ai
