AI.Neuro.Pal

Book Summary: หนังสือ Designing Machine Learning Systems ตอนที่ 2/2   …เพราะโปรเจกต์ AI เริ่มจากเดต้าไปหาลอจิก กลับทิศสลับทางกับวิธีการเขียนโค้ดแอปพลิเคชันแบบดั้งเดิม     ดังนั้น การบริหารโปรเจกต์ ML/AI จึงต้อง คิดใหม่ บริหารใหม่ ทั้งในแง่กระบวนการเตรียมข้อมูล, วิธีเลือกใช้อัลกอริทึมและคัดเลือกโมเดล, การบริหารทรัพยากรและเงินทุน, ไปปไลน์, DevOps และการเตรียมทีมงาน สิ่งเหล่านี้จะอยู่ในเนื้อหา 11 บทของหนังสือ Designing Machine Learning Systems ของ Chip Huyen อาจารย์มหาวิทยาลัยสแตนฟอร์ด ผู้มีประสบการณ์บริหารโปรเจกต์ ML ให้กับบริษัทน้อยใหญ่กว่า 4 พันโปรเจกต์ ซึ่งหนึ่งในนั้น รวมถึงบริษัท Netflix และ NVIDIA บริษัทผู้ใส่ NPU หน่วยประมวลผลนิวรอลไว้ในชิปกราฟิกเป็นรายแรกของโลก   โปรเจกต์ ML เริ่มจากเดต้า ไม่ใช่ลอจิก วิธีการบริหารโปรเจกต์ของ CIO/MIS Manager จึงไม่เหมือนเดิม   ก่อนจะสรุปย่อแต่ละบทของหนังสือเล่มนี้ ขอเท้าความกลับไปเมื่อ 3–4 ปีก่อน เมื่อคราวได้ดื่มด่ำเรียนเขียนโค้ดไปหลายชุดในคอร์สออนไลน์ของศาสตรจารย์แอนดรู อึ๊ง หนึ่งในผู้ก่อตั้งโปรเจกต์ Google Brain ตอนนั้น เกิดแรงบันดา

  Book Summary: Designing Machine Learning Systems ตอนที่ 1/2 หนังสือที่ CIO, MIS, ML Engineer และ Data Scientist ควรมี เพื่อ “คิดใหม่ บริหารใหม่” เพราะ AI ไม่ได้เริ่มจากลอจิก แต่เริ่มจากเดต้า   นี่คือ หนังสือที่มหาวิทยาลัยสแตนฟอร์ดใช้ประกอบการสอนวิชา CS 329S: Machine Learning Systems Design ..เป็นจุดเริ่มต้นที่ดึงดูดให้ผมสนใจหนังสือเล่มนี้ สิ่งที่เคยเรียนรู้จากอาจารย์ Andrew Ng เมื่อ 3 ปีก่อน ไม่ได้เกี่ยวข้องกับการ “บริหารโปรเจกต์” เป็นเนื้อหาเชิงทฤษฎีคณิตศาสตร์ เมตริกซ์ สถิติ และเทคนิคการปรับจูนอัลกอริทึม (ขออนุญาต แนะนำให้ทดลองเรียนฟรีคอร์สออนไลน์ AI ของอาจารย์แอนดรู อึ๊ง https://www.coursera.org/specializations/deep-learning ) แต่..การทำงานจริง โลกธุรกิจ วิธีบริหารจัดการโปรเจกต์ AI ไม่ได้เน้นแค่อัลกอริทึม แต่ยังเน้นประสบการณ์การใช้ของยูสเซอร์ ความเร็วในการตอบสนอง ความปลอดภัยของข้อมูลส่วนตัว เป้าหมายทางธุรกิจ ค่าใช้จ่าย การบริหารทีมงาน การปฏิบัติตามกฎหมายและเงื่อนไขสังคม   ..รู้แค่โค้ดและเดต้า ไม่เพียงพอสำหรับการบริหารโปรเจกต์   การบริหารโปรเจกต์ AI ไม่ง่าย ไม่ใช่ทำเสร็