วงจรชีวิตของ Machine Learning
ขั้นตอนตั้งแต่เริ่มโปรเจกต์ Data, Train, Evaluate ไปจนถึง Deploy
ML Lifecycle (วงจรชีวิตของการทำ ML)
การสร้างโมเดล AI ขึ้นมาใช้งานจริง ไม่ใช่แค่การเขียนโค้ดแล้วเสร็จ แต่มันมีกระบวนการที่เป็นวงจร (Iterative process) ที่เรียกว่า ML Lifecycle ซึ่งข้อสอบ AWS มักจะถามถึงลำดับและความสำคัญของแต่ละขั้นตอน
- Data Collection & Preparation (การรวบรวมและเตรียมข้อมูล): นำข้อมูลดิบมาทำความสะอาด (Clean) และจัดการรูปแบบให้พร้อม ข้อมูลยิ่งคุณภาพดี AI ยิ่งฉลาด (ขั้นตอนนี้มักใช้เวลาเยอะที่สุดในโปรเจกต์)
- Model Training (การฝึกสอนโมเดล): เลือกสมการคณิตศาสตร์ (Algorithm) และป้อนข้อมูลที่เตรียมไว้เข้าไป เพื่อให้โมเดล "เรียนรู้" และสร้างรูปแบบความสัมพันธ์
- Model Evaluation (การประเมินโมเดล): นำชุดข้อมูลที่โมเดล "ไม่เคยเห็นมาก่อน" มาทดสอบ เพื่อดูว่ามันทายแม่นยำแค่ไหน หรือจำข้อสอบมาตอบเฉยๆ (Overfitting)
- Model Deployment (การนำไปใช้งานจริง): นำโมเดลที่ผ่านการประเมินแล้วไปติดตั้งบนเซิร์ฟเวอร์ (เช่น Amazon SageMaker) เพื่อเปิดให้ระบบอื่นเรียกใช้งาน (เราเรียกกระบวนการทายผลตอนใช้งานจริงว่า Inference)
- Monitoring (การเฝ้าระวัง): คอยดูว่าพอเวลาผ่านไป โมเดลยังทายแม่นอยู่ไหม เพราะพฤติกรรมข้อมูลอาจเปลี่ยนไป (Data Drift)
สรุป Key Takeaways
- Data Preparation มักจะเป็นขั้นตอนที่ใช้เวลามากที่สุด
- Model Training คือการให้ Algorithm เรียนรู้รูปแบบจาก Data
- Model Evaluation คือการทดสอบโมเดลกับข้อมูลที่ไม่เคยเห็น (Test set)
- Model Deployment คือการนำโมเดลไปรันบนระบบจริง (Inference)
คำถามที่พบบ่อย
ขั้นตอนไหนของ ML lifecycle ใช้เวลามากที่สุดในชีวิตจริง
การเตรียมข้อมูล (data collection + preparation) — มักกิน 60-80% ของเวลาโปรเจกต์ ข้อสอบชอบถามว่าบริการไหนช่วยขั้นไหน เช่น SageMaker Data Wrangler = เตรียมข้อมูล, Ground Truth = ติด label
Training กับ Inference ต่างกันยังไง สำคัญกับข้อสอบแค่ไหน
Training = สอนโมเดลจากข้อมูล (แพง ใช้เครื่องแรง ทำเป็นครั้งคราว) ส่วน Inference = เอาโมเดลที่สอนแล้วมาทำนายจริง (ทำตลอดเวลาที่ให้บริการ) — สำคัญมากเพราะโจทย์ด้านต้นทุน/infra จะถามว่า workload เป็นแบบไหน
โมเดลใช้งานจริงแล้วแม่นน้อยลงเรื่อยๆ เกิดจากอะไร
Model drift / data drift — โลกจริงเปลี่ยนไปจากข้อมูลที่ใช้เทรน (พฤติกรรมลูกค้าเปลี่ยน สินค้าใหม่) วิธีรับมือคือ monitor คุณภาพต่อเนื่อง (เช่น SageMaker Model Monitor) และ retrain ตามรอบ — จำไว้ว่า ML lifecycle เป็นวงจร ไม่ใช่เส้นตรงจบที่ deploy
ลองทำ Quiz ท้ายบท
คำถามแนวข้อสอบของโมดูลนี้ 2 ข้อ · เฉลยทันที