ก้าวข้ามขีดจำกัด: ปลดล็อกศักยภาพธุรกิจด้วย AWS for AI and Deep Learning

ในปัจจุบันด้วยความก้าวหน้าของ AI และ Deep Learning ได้พลิกโฉมวิธีการทำงานของธุรกิจต่างๆ และสร้างโอกาสใหม่ๆ อย่างที่ไม่เคยมีมาก่อน เมื่อองค์กรต่างๆ ทั่วโลกพยายามอย่างยิ่งที่จะใช้เทคโนโลยีเหล่านี้ให้เกิดประโยชน์ ด้วยการเอา AI และ Deep Learning มาประยุกต์เข้ากับการทำงานในส่วนต่างๆ โดยในบทความนี้เราจะพาไปทำความรู้จักว่าผู้ให้บริการคลาวด์ยักษ์ใหญ่ของโลกอย่าง Amazon Web Services (AWS) มีบริการและเครื่องมืออะไรบ้างให้เราสามารถสร้างหรือเอา AI มาใช้งานช่วยให้ธุรกิจก้าวไปในเทรนด์ของโลกทั้งปัจจุบันและอนาคตได้อย่างมีประสิทธิภาพ

เหตุผลหลัก ๆ เลยที่เราเลือก AWS มาใช้ในการทำ AI และ Deep Learning มีดังนี้

1. Infrastructure ที่แข็งแกร่งพร้อมรองรับการสเกล: เรียกได้ว่าหากใครมีใช้งาน AWS อยู่แล้วก็จะรู้ว่าเค้ามีบริการในหลายๆ ด้านไม่ว่าจะเป็น Compute, Storage และ Network ซึ่งบริการเหล่านี้เนี่ยก็จะมี Service ที่ค่อนข้างยืดหยุ่นทำให้เรา สามารถเลือก Infrastructure ที่ปรับโครงสร้างได้ตามที่ต้องการได้เลย ไม่ต้องกังวลเกี่ยวกับการจัดการฮาร์ดแวร์ด้วยตัวเอง ซึ่งตัวอย่างที่ Infrastructure Service ที่ออกแบบมาสำหรับงานด้าน AI ใน AWS เช่น AWS Elastic Compute Cloud (Amazon EC2) ที่เอาไว้เทรนโมเดล ก็จะมี Instance แพลน “P3 และ P3dn”, “G4” หรือ “inf1”

ที่มาภาพ: https://dev.classmethod.jp/articles/yoshim-reinvent2019-cmp304/

จากภาพนี้จะเห็นว่ามี 2 ฝั่ง ML Training กับ ML Inference

ML Training คือกระบวนการสร้างโมเดล Machine Learning โดยใช้ข้อมูลตัวอย่าง (Training Set) ไปเทรนกับข้อมูล Input และข้อมูล Output โดยโมเดลจะปรับแต่งพารามิเตอร์ของตัวเองไปเรื่อย ๆ จนค่าความถูกต้องที่ทำนายผลลัพธ์ออกมาสูงจนเราสามารถยอมรับได้

ส่วน ML Inference คือการนำโมเดลที่ผ่านการเทรนแล้วไปใช้งานจริง โดยป้อนข้อมูลใหม่ให้กับโมเดล โมเดลจะประมวลผลข้อมูลและทำนายผลลัพธ์ออกมา

ฝั่งของ ML Training ตัว AWS EC2 P3 ตัวนี้จะเป็นบริการ VM บนคลาวด์ ที่มี GPU ในตัวซึ่งจะมี p3dn.24xlarge เป็นเครื่องที่ใหญ่ที่สุดในกลุ่ม P3 ใช้ GPU NVIDIA V100 Tensor Core 8 ตัว, หน่วยความจำ GPU 256GB, NVIDIA NVLink 300GB/s, หน่วยความจำหลัก 768GiB, พื้นที่เก็บข้อมูลในตัวเป็น NVMe SSD ขนาด 900GB สองตัว, แบนด์วิดท์สำหรับเชื่อมต่อเครือข่าย 100Gbps และแบนด์วิดท์แบบ EBS-Optimized อีก 14 Gbps เรียกได้ว่าสเปคจัดเต็ม เหมาะสำหรับงานด้าน Deep Learning หรือการประมวลผลที่ซับซ้อนแน่นอน

หากเป็นตัว AWS EC2 G4 จะเป็นตัวที่ราคาถูกลงมา สเปคสูงแต่ไม่เท่าตัว P3 เรียกได้ว่าเป็นแพลนชุดสุดคุ้มเลยก็ว่าได้

สำหรับฝั่ง ML Inference หากเลือกเป็น AWS inf1 ก็จะเป็นตัวที่ถูกที่สุด ใช้ระยะเวลาในการรับส่งข้อมูลได้ไวมากๆ ถ้าต้องการประสิทธิภาพสูงขึ้นอีกนิดก็สามารถเลือกเป็น G4 เข้าไปได้ ราคาจะสูงกว่า inf1 แต่ถูกกว่าตัว P2 ที่ใช้ GPU ในการประมวลผลเป็นหลัก โดยบริการที่กล่าวมานี้ก็จะมีหลายธุรกิจยักษ์ใหญ่ที่นำบริการประมวลผลคุณภาพสูงเหล่านี้ไปใช้สร้าง AI มีมูลค่าต่อธุรกิจได้อย่างมหาศาล

2. บริการ AI และ Deep Learning ที่ครบวงจร: AWS มีบริการ AI และ Deep Learning มากมาย เช่น Amazon SageMaker, Amazon Rekognition และ Amazon Lex บริการเหล่านี้ช่วยให้เราสามารถสร้างโมเดล AI และ Deep Learning และใช้งานได้อย่างรวดเร็ว

2.1 Amazon SageMaker

เป็นบริการที่ยอดนิยมในสาย AI ของ AWS ที่ออกแบบมาให้ทุกขั้นตอนของงาน Machine Learning ง่ายมากยิ่งขึ้น ตั้งแต่เตรียมข้อมูล สร้างโมเดล ไปจนถึงการ Deploy โมเดลไปใช้งานจริง ซึ่งพอเราใช้ SageMaker เราสามารถต่อกับ Service อื่นๆ ของ AWS ได้แบบง่ายๆ ไม่ว่าจะเป็นการเอาข้อมูล Dataset สำหรับป้อนให้โมเดลของเราไปเรียนรู้เราสามารถเอาไปเก็บไว้ใน S3 ได้ ส่วนของการประมวลผลเราสามารถใช้ Service ที่เป็น Serverless Function ด้วย AWS Lambda ได้ สุดท้ายส่วนของการควบคุมสิทธิ์ต่างๆ เรื่องของความปลอดภัยสามารถต่อกับ AWS Identity and Access Management (IAM) ได้เลย

โดยใน SageMaker ยังมีอีก 4 ฟีเจอร์หลักดังนี้

SageMaker Studio: เป็น Workspace สำหรับงานด้าน Data Science โดยเฉพาะมี Notebook ให้เราเขียนโค้ด วิเคราะห์ข้อมูล สร้าง Debug เปรียบเทียบการทดลอง ตรวจสอบประสิทธิภาพของโมเดล รวมถึงยังทำงานร่วมกับ Git ได้อีกด้วย

SageMaker Pipelines: เครื่องมือสามารถทำ CI/CD ในงาน Machine Learning เราสามารถเขียน Pipeline สำหรับ Clean Data, สร้างโมเดล, แก้ไขโมเดล รวมไปถึงอัปเดตโดยอัตโนมัติ ช่วยลดงานซ้ำๆ ทำให้กระบวนการต่างๆ ไวขึ้น

SageMaker Training: รวมสิ่งที่จำเป็นต้องใช้ในการสร้างและเทรนโมเดล ไม่ว่าจะเป็นอัลกอริทึมต่างๆ ที่มีประสิทธิภาพและเป็นที่นิยมใช้กันอย่างแพร่หลาย

SageMaker Endpoints: เครื่องมือสำหรับ Deploy โมเดล ทำให้สามารถใช้โมเดลแบบเรียลไทม์ ใช้งานโมเดลแบบ batch รวมไปถึงการทำ Auto Scale ให้กับโมเดล

2.2 Amazon Rekognition

เป็นบริการหมวดหมู่เรื่อง computer vision ที่เกี่ยวกับการวิเคราะห์ภาพและวิดีโอโดยที่เราไม่ต้องเขียนโค้ด AI เอง อย่างเช่น

การตรวจจับวัตถุ: Rekognition สามารถระบุวัตถุต่างๆ ในภาพและวิดีโอได้
การตรวจจับและวิเคราะห์ใบหน้า: Rekognition สามารถตรวจจับใบหน้าในภาพและวิดีโอ เพื่อระบุอารมณ์ เพศ อายุ และเปรียบเทียบใบหน้าเพื่อดูว่าเป็นคนเดียวกันหรือไม่ได้

การตรวจจับข้อความ: สามารถแยกข้อความที่เอียงและเบลอไม่ชัดจากภาพและวิดีโอของป้ายสัญลักษณ์บนถนน โพสต์บนโซเชียลมิเดีย และข้อความตามแพ็คเกจของผลิตภัณฑ์ เพื่อถอดออกมาเป็นข้อความ

2.3 Amazon Lex

เป็นบริการที่เอามาช่วยสร้างแชทบอทแบบข้อความหรือเสียงได้ ซึ่งหลังบ้านของตัวนี้ใช้เทคโนโลยีเดียวกับ Alexa ที่เป็น ผู้ช่วยเสมือนของ Amazon เลย สามารถใช้งานบนเว็บ แอปมือถือ Facebook Messenger ได้หมด

3. เครื่องมือและเฟรมเวิร์กที่หลากหลาย: มีเครื่องมือและเฟรมเวิร์กที่เป็น Open Source ด้าน AI และ Deep Learning ให้ใช้งานเยอะมาก เช่น Amazon SageMaker TensorFlow, Apache MXNet และ PyTorch เครื่องมือเหล่านี้จะช่วยให้เราสามารถสร้างโมเดล AI และ Deep Learning ได้อย่างมีประสิทธิภาพ

ตัวอย่างบริษัทต่างๆ เอาบริการด้าน AI และ Deep Learning ไปใช้งาน

Airbnb: ใช้ EC2 P3 ในการช่วยให้เทรนโมเดลได้ไวขึ้น ลดค่าใช้จ่ายไปได้จำนวนมาก

Autodesk: ใช้ SageMaker สร้างโมเดล Machine Learning เพื่อมาแก้ปัญหาลูกค้าอธิบายปัญหาไม่ถูกต้อง ทำให้ถูกโอนสายไปทีมงานที่ไม่ตรงกับปัญหา โดยโมเดลที่สร้างขึ้นช่วยให้ ลูกค้าได้รับการช่วยเหลือที่ดีขึ้นและสะดวกรวดเร็วกว่าเดิม

DENSO: บริษัทที่เชี่ยวชาญด้านการผลิตชิ้นส่วนรถยนต์ โดยวิศวกรของ DENSO ต้องการพัฒนา AI ที่ต้องใช้พลังในการประมวลผลมากๆ แต่มีเครื่องไม่พอต้องแชร์กัน ทำให้ทำงานช้าลงโดยเฉพาะช่วงออกสินค้าใหม่ DENSO ได้แก้ปัญหาโดยมาใช้ SageMaker ช่วยในการพัฒนา AI ให้ง่ายและเร็วขึ้น

ตัวอย่างบริษัทไทยที่ใช้ AWS สำหรับงาน AI และ Deep Learning

แวะมาในฝั่งบ้านเรากับ Use Case ที่น่าสนใจจาก SCB Abacus บริษัทลูกของธนาคารไทยพาณิชย์ ที่เน้นเรื่องเทคโนโลยีการจัดการข้อมูล (Data-tech) โดย SCB Abacus ใช้ AWS SageMaker ในงานด้านวิเคราะห์ข้อมูลเพื่อหา Insight ของลูกค้า

หากใครอยากอ่านเพิ่มเติมเกี่ยวกับการเอาบริการด้านเกี่ยวกับ AI มาใช้ใน use case ต่างๆ สามารถอ่านได้ที่ https://aws.amazon.com/th/machine-learning/ai-use-cases

จากที่อ่านมาเราก็ได้เห็นแล้วว่า AWS นั้นมีบริการและเครื่องมือที่ครบครันสำหรับการทำ AI และ Deep Learning เหมาะกับองค์กรทุกขนาด และหากคุณเป็นองค์กรในประเทศไทยที่ต้องการเริ่มต้นใช้งาน AWS for AI and Deep Learning นั้น สามารถให้ผู้เชี่ยวชาญด้านการให้บริการระบบคลาวด์อย่าง Cloud HM ของเราช่วยองค์กรออกแบบ สร้าง และใช้งาน AI และ Deep Learning บน AWS ได้อย่างมีประสิทธิภาพ สามารถติดต่อ Cloud HM เพื่อเริ่มต้นใช้งานได้ที่ Cloud HM