เปิดมุมมอง PM ผู้อยู่เบื้องหลัง Data Annotation ในโลกของ AI

ถ้าคุณเองก็เป็นคนหนึ่งที่เคยสงสัยว่า ทำไมบางครั้ง AI ถึงตอบคำถามเราอย่างมั่นใจ แต่กลับเป็นคำตอบที่ผิดพลาด จนชวนคิดว่าอาจคิดว่าเป็นเพราะระบบประมวลผลหรือตัวโมเดลยังไม่ฉลาดพอ

ปัญหาเหล่านี้ไม่ได้เกิดจากเทคโนโลยีเบื้องหลังที่ซับซ้อน แต่เริ่มต้นจากจุดเล็ก ๆ อย่าง ‘Data Annotation’ หรือที่บางคนอาจรู้จักในชื่อ ‘Data Labeling’ ซึ่งเป็นขั้นตอนการติดป้ายข้อมูล ที่หากไม่ถูกต้องตั้งแต่แรกหรือข้อมูลที่ใช้สอน AI มีผิดพลาด โมเดลก็ไม่มีทางเรียนรู้สิ่งที่ถูกต้องได้ กระบวนนี้จึงเป็นเหมือนกับการวางรากฐานทางความคิดให้กับ AI นั่นเอง

บทความนี้เราเลยถือโอกาสชวน คุณดอม-ปฏิภาณ สายเชื้อ พนักงานตำแหน่ง Project Management Executive ผู้เชี่ยวชาญด้าน Data Labeling มาร่วมล้อมวงสนทนา เพื่อบอกเล่าถึงวิธีคิดและกระบวนการทำงานในฐานะฟันเฟืองสำคัญผู้ลงมือทำจริง และเป็นผู้อยู่เบื้องหลังการกำหนดทิศทางความฉลาดของ AI ที่เราใช้กันอยู่ทุกวันนี้

เจาะลึกการทำ Annotation ของ Project Management

เมื่อเราเริ่มเปิดประเด็นถึงจุดเริ่มต้นของการสร้าง AI ดอมยิ้มและอธิบายให้เราฟังอย่างเห็นภาพว่า งานของเขาไม่ได้เริ่มต้นที่การสั่งงานหรือคุมทีม แต่เปิดฉากด้วยการทำความเข้าใจโจทย์ของลูกค้าให้มากที่สุดเป็นอันดับแรก

“ในการทำงานของผม จุดเริ่มต้นไม่ได้อยู่ที่การสั่งงาน แต่คือการทำความเข้าใจโจทย์ของลูกค้าให้มากที่สุดก่อนจะเริ่มออกแบบ Annotation Pipeline เพราะขั้นตอนนี้ส่งผลโดยตรงต่อคุณภาพของ AI ที่จะเกิดขึ้นในอนาคต หากข้อมูลไม่ได้มาตรฐาน AI ก็จะเรียนรู้สิ่งที่ผิด และกลายเป็นปัญหาบานปลายที่แก้ไขยากมากในภายหลัง เพราะโมเดลได้จดจำสิ่งผิด ๆ ลงไปในกระบวนการตั้งแต่แรก”

ในทางปฏิบัติ ดอมพาเราไปดูเบื้องหลังว่างานนี้ไม่ใช่แค่การนั่งติดป้ายข้อมูลไปวัน ๆ แต่ทั้งวางแผนและบริการจัดการโปรเจกต์ตั้งแต่ต้นจนจบ ตั้งแต่การกำหนด Taxonomy, Annotation Schema ไปจนถึงการไกด์แนวทางที่ชัดเจนพอให้ทีมสามารถทำงานร่วมกันได้อย่างแม่นยำและเป็นระบบ และเขายังได้เล่าว่า

“นอกเหนือจาก Annotators สามารถทำงานกับข้อมูลได้อย่างสม่ำเสมอ ที่สำคัญคือต้องมีระบบ Quality Control (QC) ที่คอยดักจับข้อผิดพลาดตามประเภทของข้อมูลอย่างรัดกุม ก่อนที่จะส่งต่อข้อมูลชุดนี้ไปสอนโมเดลในขั้นตอนสุดท้าย”

ขับเคลื่อนเทคโนโลยีที่ไม่เคยหยุดนิ่ง ด้วยการเรียนรู้ที่ไม่หยุดอยู่กับที่

เราชวนดอมคุยต่อถึงความท้าทายในยุคที่ใคร ๆ ก็พูดถึง AI ซึ่งดอมแชร์ให้ฟังว่า โลกของ AI พัฒนาไปไวในระดับที่น่าตื่นเต้น โมเดลใหม่ ๆ และ Use Case ใหม่ ๆ เกิดขึ้นตลอดเวลา ทำให้ความต้องการในการทำ Annotation ซับซ้อนและละเอียดขึ้นตามไปด้วย ดอมชวนเรามองย้อนกลับไปว่า

“AI ในแบบที่เราใช้กันอยู่ทุกวันนี้ จริง ๆ แล้วมีอายุไม่ถึง 4 ปีด้วยซ้ำ ในช่วงแรก Chatbot มีข้อจำกัดสูงมาก ตอบได้เฉพาะในขอบเขตข้อมูลที่ถูกเทรนมา แต่เพียงไม่กี่เดือนถัดมา โมเดลรุ่นใหม่กลับสามารถค้นหาข้อมูลจากหลายแหล่งพร้อมกัน วิเคราะห์ และสรุปให้เข้าใจได้ภายในเวลาไม่ถึงหนึ่งนาที ซึ่งการพัฒนาแบบก้าวกระโดดไม่ได้เกิดจากสถาปัตยกรรมของโมเดลเพียงอย่างเดียว แต่เกิดจากคุณภาพของ Training Data ที่ดีขึ้นอย่างต่อเนื่อง ซึ่งนี่คือจุดที่งาน Annotation เข้าไปสร้าง Impact โดยตรง”

นั่นคือเหตุผลที่ดอมต้องคอยติดตามพัฒนาการของเทคโนโลยีอยู่ตลอดเวลา เพื่อให้สามารถออกแบบ Pipeline ที่รองรับโจทย์ใหม่ ๆ ของลูกค้าได้ทันท่วงที รวมถึงการปรับกระบวนการทำงานให้สอดคล้องกับมาตรฐานที่เปลี่ยนไป เพราะยิ่งโมเดลฉลาดขึ้น ข้อมูลที่ใช้สอนก็ยิ่งต้องการความละเอียดและความเชี่ยวชาญในระดับที่สูงขึ้นตามไปด้วย

เจาะลึกข้อมูล 3 รูปแบบ หัวใจหลักในการขับเคลื่อน AI

เพื่อให้เห็นภาพชัดขึ้น ดอมได้จำแนกประเภทข้อมูลหลัก ๆ ที่เขาต้องเข้าไปบริหารจัดการออกเป็น 3 รูปแบบ ซึ่งแต่ละแบบก็มีความสำคัญและวิธีรับมือที่แตกต่างกัน

1. Voice Data Labeling (ข้อมูลเสียง)

เป็นการทำงานกับเสียง เช่น การแปลงเสียงเป็นข้อความ (Transcription) การแยกผู้พูด หรือการวิเคราะห์อารมณ์จากน้ำเสียง กระบวนการทำงานต้องใส่ใจตั้งแต่การใส่ Timestamp การทำ Tagging เพื่อนำไปใช้พัฒนา Voice Assistant, Call Center AI หรือระบบวิเคราะห์คุณภาพบริการในธุรกิจยุคใหม่ที่ต้องการระบบ Automation

2. Text Data Labeling (ข้อมูลข้อความ)

สำหรับพาร์ตนี้ ดอมเน้นย้ำเป็นพิเศษเรื่อง ‘ภาษาไทย’ ที่มีหลักไวยากรณ์และบริบทเฉพาะตัว งานของทีมคือการจำแนกวัตถุประสงค์ (Intent) วิเคราะห์อารมณ์ (Sentiment) หรือดึงคำสำคัญ (Entity) ออกมา ซึ่งนอกจากความถูกต้องทางภาษาแล้ว ทีมงานยังต้องมีความเข้าใจในเชิงบริบทและวัฒนธรรมไทยจริง ๆ เพื่อให้ AI เข้าใจสังคมไทยและตอบสนองได้เสมือนเป็นคนไทยคนหนึ่ง

3. Image & Video Data Labeling (ข้อมูลภาพและวิดีโอ)

เป็นการทำให้ AI มองเห็นและเข้าใจสิ่งรอบตัว ไม่ว่าจะผ่านการตีกรอบวัตถุ (Bounding Box) หรือการทำ Segmentation ซึ่งข้อมูลเหล่านี้จะถูกนำไปใช้ในอุตสาหกรรมล้ำสมัย เช่น รถยนต์ไร้คนขับ (Self-driving Car), เทคโนโลยีทางการแพทย์ (Medical AI) หรือระบบกล้องรักษาความปลอดภัยอัจฉริยะ

ความท้าทายคือการบริหาร ‘คน’ เพื่อสร้างมาตรฐาน

นอกจากเรื่องเทคนิคและระบบหลังบ้านแล้ว ดอมยังเปิดมุมมองอีกด้านหนึ่งที่น่าสนใจให้เราฟัง นั่นคือเรื่องของ ‘การบริหารคน’ ดอมยอมรับอย่างตรงไปตรงมาว่า ต่อให้ระบบหรือเทคโนโลยีจะดีแค่ไหน แต่สุดท้ายแล้วงาน Annotation ก็ยังคงต้องพึ่งพาคนเป็นหลัก

“สิ่งที่เราต้องเจอคือปัจจัยด้านบุคคล ไม่ว่าจะเป็นความเหนื่อยล้าจากงานที่ต้องทำซ้ำ ๆ ความเข้าใจไกด์ไลน์ที่อาจคลาดเคลื่อน หรืออคติส่วนตัว (Bias) ที่อาจแฝงมาโดยไม่รู้ตัว รวมถึงความกดดันในการรักษาสมดุลระหว่างความเร็วและคุณภาพ งานของผมจึงเป็นการออกแบบกระบวนการทำงานที่ช่วยลดความเสี่ยงเหล่านี้ สร้างระบบการทำงานที่สม่ำเสมอ และส่งมอบความยุติธรรมให้กับทีมงาน เพื่อรักษามาตรฐานของข้อมูลในระยะยาว”

บทสรุปจากดอม ทุกการตัดสินใจในวันนี้ คืออนาคตของ AI

ก่อนจบการสนทนา ดอมสรุปทิ้งท้ายให้เราเห็นถึงคุณค่าของบทบาทที่เขาทำอยู่ว่า ในฐานะคนทำ Data Labeling เขาไม่ได้เป็นเพียงผู้จัดการข้อมูล แต่เป็นผู้ที่กำลังสร้างโครงสร้างความคิดให้กับอนาคต

“ผมมักจะบอกกับทีมงานทุกคนเสมอ ไม่ว่าจะทีมเล็กหรือทีมใหญ่ ว่าสิ่งที่เรากำลังทำอยู่ทุกวันนี้ไม่ใช่แค่การนั่งติดป้ายข้อมูลไปวัน ๆ แต่มันคือการสอนโมเดลให้ฉลาดขึ้น เพราะทุกการตัดสินใจ ทุกความละเอียดรอบคอบ และทุกข้อผิดพลาดที่เราช่วยกันอุดในวันนี้ จะกลายเป็นสิ่งที่ AI นำไปใช้ในการตัดสินใจและแก้ปัญหาจริง ๆ ให้กับผู้คนในอนาคต”

นี่คือเหตุผลที่งานด้าน Data Labeling เป็นหนึ่งในขั้นตอนที่มีแรงกระเพื่อมมากที่สุดในโลกของ AI และการทำงานที่ Data Wow ในบทบาทนี้ ก็ทำให้ดอมได้เห็นภาพใหญ่ของเทคโนโลยี และภูมิใจที่ได้เป็นส่วนหนึ่งในการขับเคลื่อน AI ให้เข้ามาพัฒนาชีวิตผู้คนในยุคปัจจุบัน

มาร่วมสร้าง Impact ไปกับเราที่ Data Wow!

หากคุณเป็นคนหนึ่งที่ชอบความท้าทาย อยากบริหารจัดการโปรเจกต์ล้ำ ๆ และต้องการเห็นผลงานของตัวเองขับเคลื่อนโลก AI ให้หมุนไปข้างหน้า เหมือนอย่างที่ดอมได้เล่าให้เราฟัง ตอนนี้ Data Wow กำลังเปิดรับเพื่อนร่วมทีมที่จะมาร่วมสร้างความเปลี่ยนแปลงด้วยกัน สมัครงานกับเราวันนี้ที่ Data Wow Careers แล้วมาสร้างความเปลี่ยนแปลงในโลก AI ไปด้วยกัน!