AI – RPA

การนำ Specialized LLMs มาใช้เพื่อลดเวลาการ train โมเดลของ UiPath Document Understanding

UiPath LLM with Document Intelligence Platform

งาน AI-Powered Automation Summit in Bangkok ประจำปี 2024 ที่ได้จัดโดย UiPath เมื่อวันที่ 23 เมษายน ณ โรงแรม Siam Kempinski Hotel Bangkok ได้มีการแนะนำเทคโนโลยีใหม่ๆ ของสาย automation ที่น่าสนใจหลายอย่าง ซึ่งหนึ่งในนั้นคือการพัฒนา large language model ของ UiPath เอง (Specialized LLMs) ขึ้นมาเพื่อนำมาใช้งานกับเครื่องมือ UiPath Document Understanding (DU) ทำให้ประสิทธิ์ภาพการทำงานของ DU เพิ่มขึ้นไปอีกมาก

แต่ก่อนที่จะลงลึกไปที่ Specialized LLMs ที่ว่านี้ ทางออโต้แมทขอเล่าถึงโซลูชั่นการจัดการกับข้อมูลที่ไม่ได้เป็น digital (หมายถึงพวกรูปภาพหรือเอกสารที่ถูกสแกน เป็นต้น) ก่อนว่าเราสามารถนำข้อมูลเกลุ่มนี้เข้ามาใช้งานใน automation process อย่างไร

ในการทำงานกับลูกค้าของเรา เมื่อข้อมูลตั้งต้นที่ต้องนำไปใช้ในขั้นตอนการทำงานต่างๆอยู่ในรูปของเอกสารหรือไฟล์ที่ถูกสแกนมา เช่นการดึงข้อมูล part number จากเอกสาร design specification เพื่อไปจัดทำ BOM ในระบบ ERP หรือการนำรายการยาและอุปกรณ์ทางการแพทย์จากเอกสาร invoice ไปใช้กับกระบวนการเคลมของบริษัทประกัน เป็นต้น ซึ่งเอกสารเหล่านี้ก็มักจะมีลักษณะที่ไม่ตายตัว มีรูปลักษณะที่แตกต่างกันไปแม้เป็นเอกสารชนิดเดียวกัน เราจะนำ UiPath Document Understanding (DU) เข้ามาทำการคัดแยกชนิดเอกสารและดึงข้อมูลที่ต้องใช้ออกจากเอกสารเหล่านี้ ซึ่งผลลัพท์จากการดึงหรืออ่านข้อมูลนี้ก็จะถูกโรบอทในกระบวนการ RPA นำไปทำงานในระบบเคลมหรือระบบ MRP ต่อไป

อย่างไรก็ตาม ถึงแม้ UiPath Document Understanding จะช่วยทำงานดังกล่าวได้เป็นอย่างดีและสามารถก้าวข้ามความท้าทายของการจัดการข้อมูลเอกสารต่างๆเช่น การอ่านภาษาไทย, การอ่าน field พิเศษอย่าง checkbox, การสแกนเอกสารเอียง เป็นต้นได้ก็ตาม เราสังเกตได้ว่าในกรณีที่เอกสารมีความซับซ้อนสูงและมีเอกสารใหม่เข้ามาอยู่เรื่อยๆ การ train AI model ของ UiPath Document Understanding จำเป็นต้องอาศัยข้อมูลเป็นจำนวนมากและใช้เวลาค่อนข้างมากด้วยในการ train ให้ model ดังกล่าวให้เข้าใจเอกสารในระดับที่เกิดความผิดพลาดต่ำ

UiPath เองก็ได้มีการพัฒนาเทคโนโลยีใหม่ๆขึ้นมาเพื่อเพิ่มประสิทธิภาพการทำงานของผลิตภัณฑ์ต่างๆของตนเองรวมทั้ง Document Understanding เพื่อให้ model มีความแม่นยำยิ่งขึ้น โดยเมื่อไม่นานมานี้ UiPath ได้เริ่มรวมเอาความสามารถของ Generative AI หลายอย่างเข้ามาใน Document Understanding เช่นการออก Generative Extractor model เพื่อเพิ่มขีดความสามารถให้ผู้ใช้งานระบุข้อมูลหรือข้อความที่ต้องการดึงจากเอกสารผ่านการทำงานร่วมกับ prompt เช่นการดึงข้อมูล job candidate จากอีเมล เอกสาร resume หรือเอกสารการสมัครงานอื่นๆตามตัวอย่างที่แสดงด้านล่าง

ข้อมูล prompt ดังกล่าวจะถูกส่งไปที่ LLM พร้อมกับข้อมูลของเอกสาร ทำโรบอทสามารถเข้าใจเอกสารได้รวดเร็วกว่าการที่ต้องนำตัวอย่างเอกสารการสมัครงานจำนวนมากเข้ามา train ด้วยตัวผู้ใช้งานเองอย่างเดียว

ทีนี้เรากลับมาที่หัวข้อ Specialized LLMs ที่ได้เกริ่นไว้แล้วข้างบน

การนำความสามารถในการทำงานร่วมกับ GenAI ของ Document Understanding อย่างในกรณีของ Generative Extractor นั้นถือเป็นการทำงานกับ LLM ที่ train เอาไว้แล้วกับชุดข้อมูลที่หลากหลาย (diverse datasets) เพื่อให้สามารถหาคำตอบให้กับผู้ใช้งานที่เป็น generic ซึ่งหมายความว่าพวกเขาอาจถามในเรื่องอะไรก็ได้

กลุ่มของ LLMs ที่เป็น generic หรืออาจเรียกอีกอย่างว่า foundational LLMs เหล่านี้ (GPT-4 คือตัวอย่างหนึ่ง) มีความรอบรู้ในด้านกว้างแต่ก็อาจขาดความรู้ในเชิงลึก เช่นการทำความเข้าใจและดึงข้อมูลที่ถูกต้องออกจากเอกสารที่เราต้องการ พูดอีกอย่างนึงก็คือ ถ้าเราตัดความจำเป็นที่ large language model ต้องเข้าใจในแทบทุกเรื่อง (อย่าง foundational LLMs) เพื่อคลอบคลุมความรู้ที่หลากหลาย และเลือกพัฒนา LLMs ขึ้นมาเพื่อโฟกัสการ train เฉพาะ domain หรือ subject ที่เราสนใจจะใช้งาน เราก็จะได้ model ที่แม่นยำและไม่ต้องใช้เวลา train มากอย่างที่ผ่านมา

ที่คือ Specialized LLMs ที่ UiPath ทำและได้แถลงเปิดตัวเมื่อช่วงปลายไตรมาสที่ 1 ของปีนี้รวมทั้งในงาน AI-Powered Automation Summit ที่กรุงเทพฯ โดย UiPath ได้พัฒนาขึ้นมา 2 model คือ DocPath ซึ่งเป็น LLM ที่พัฒนาขึ้นมาใช้กับ UiPath Document Understanding และ CommPath ซึ่งเป็น LLM ที่พัฒนาขึ้นมาใช้กับ UiPath Communication Mining ซึ่งทั้ง 2 model นี้ถูกสร้างโดยมี core ของฟังชั่นการทำงานเป็น GenAI แต่มีการ train กับเอกสารและ communication messages ที่มีความซับซ้อนเพื่อตอบโจทย์การทำงานที่ต้องอาศัยความรู้ความเข้าใจในเชิงลึก

ฉะนั้น ด้วยการโฟกัสเฉพาะเรื่องที่สนใจแต่สร้าง model ด้วย GenAI ที่มีความสามารถอันมากมาย ผลลัพธ์ซึ่งวัดด้วยความแม่นยำของการทำงานไม่ว่าจะเป็นการคัดแยกชนิดเอกสารหรือการอ่านข้อมูลที่ต้องการจากเอกสารจะสูงกว่า LLMs แบบ generic อื่นๆรวมทั้งตัวของ UiPath Document Understanding เองก่อนหน้าที่จะมี Specialized LLMs อย่างแน่นอน ซึ่ง UiPath ก็ได้เปิดเผยผลการทดสอบภายในที่แสดงให้เห็นว่า UiPath DocPath มีความผิดพลาดโดยเฉลี่ยต่ำกว่า GenAI Model ชั้นนำอยู่ระหว่าง 45% – 76% ด้วยกันเมื่อพิจารณากันเฉพาะความสามารถในการอ่านเอกสารได้อย่างถูกต้อง

ผลการทดสอบด้านบนแสดงเปอร์เซ็นต์ความผิดพลาดจากการอ่านเอกสาร (Extraction Errors) ของเทคโนโลยีด้านการจัดการเอกสารต่างๆที่นำ AI เข้ามาใช้เพิ่มขีดความสามารถ ซึ่ง UiPath DocPath มีเปอร์เซ็นต์ความผิดพลาดต่ำที่สุดเมื่อเทียบกับกลุ่มเทคโนโลยีที่ยังใช้ Generic LLMs

ฉะนั้นจากความสามารถของเทคโนโลยีการจัดการเอกสารล่าสุด (Intelligent Document Processing) ที่มีการนำ Specialized LLMs เข้ามาร่วมทำงานด้วย ดูเหมือนว่าเราจะก้าวข้ามคำถามที่ว่าจะแยกเอกสารที่ต้องการออกจากเอกสารที่เข้ามาทั้งหมดได้อย่างไรหรือจะอ่านเอกสารที่เป็นแบบ unstructured ได้อย่างไรไปแล้ว แต่เป็นคำถามที่ว่าจะทำอย่างไรให้มี process การทำงานที่ถูกต้องแม่นยำโดยใช้เวลาไม่นานในการ train หรือ retrain AI model ให้สามารถทำงานได้จริง

Credit:

UiPath Blog
Internal R&D Lab

UiPath AI Summit 2024

Turn AI hype into business results: Top takeaways from UiPath AI Summit 2024 – automat notes

สรุปใจความสำคัญ part 1 – รู้จัก เข้าใจ และใช้งานเพื่อเปลี่ยนจากความสนใจเป็นการยกระดับธุรกิจ

Turn AI hype into business results: Top takeaways from UiPath AI Summit 2024

ในทุกๆ ปีทาง UiPath RPA platform อันดับต้นๆในตลาดจะมีการจัดงาน ai summit โดยปีนี้มีการแบ่งเนื้อหาน่าสนใจออกเป็นทั้งหมด 4 ส่วนด้วยกันคือ

1.เนื้อหาในส่วนของการกล่าวเปิด การแชร์ความเห็นจากผู้เชี่ยวชาญจาก Forrester และการเล่า overview การเปิดตัวสิ่งใหม่ๆจาก UiPath

2.การประยุกต์ใช้จริง และประสบการณ์จริง อุปสรรคและการต่อยอดในอนาคต แยกตาม automation & ai ตามประเภทอุตสาหกรรม ธนาคาร ประกันภัย การผลิต สุขภาพ เป็นต้น

3.รายละเอียด แยกตาม module ใหม่ๆของ UiPath ในยุคต่อไป ที่เป็นการดึงเอาศักยภาพของ ปัญญาประดิษฐ์เข้ามามีส่วนและแบ่งแยก AI ออกเป็นสองส่วนคือ Specialized AI และ GenAI

4.แผนการออกบริการและผลิตภัณฑ์ใหม่ๆ การสนับสนุน (Platform Road Map) และการมองอนาคตของการเอา automation & ai มาใช้อย่างเห็นผล

ในเนื้อหาตอนแรกนี้ แอดมินของเล่าจากการฟังอย่างรวดเร็ว (เขียน blog นี้โดยฟังและจับเอาจากการนั่งฟัง live และจดสรุปใจความสำคัญออกมาได้ดังนี้ (key note session)

ในช่วงแรก ผบห UiPath คุยสัมภาษณ์ mr.Curran (Senior Analyst at Forrester) ถึงการนำเอา GenAI ต้องคำนึงถึงสามเรื่องคือ การเตรียมบริบท การเปิดและการให้เข้าถึงโมเดล และการนำไปใช้ ถ้าทำสามอย่างได้อย่างง่ายๆ จะทำให้การใช้งานจริงในธุรกิจ ประสบผลดี
ทั้งนี้ platform การใช้งานต้องอยู่ภายใต้ความมั่นคง ปลอดภัย และน่าเชื่อถือ
การทำให้บริบท พร้อมถึงขีดสูงสุดเพื่อให้ GenAI มี prompt ที่สมบูรณ์จริงๆ ก่อนนำไปสร้างผลลัพธ์ที่ถูกต้อง ไม่มีการตามมาหลอกหลอนของ AI ด้วยการทำการต่อสายดิน (อันนี้แปลตรงตัว แต่ก็ทำให้เข้าใจดี) ว่ามีการประยุกต์
ประสานแนวคิด RAG (Retrieval Augmented Generation) หรือที่เราเรียกย่อๆ ว่า RAG คือเทคนิคในการสร้างระบบการสนทนาปัญญาประดิษฐ์ (Conversational AI) ที่ใช้การผสมผสานระหว่างการถอดความ (Retrieval) จากฐานความรู้ขนาดใหญ่ และการสร้างข้อความ (Generation) โดยใช้โมเดลการสร้างภาษา (Language Model)โดยจะมีกระบวนการทำงานของ RAG มีดังนี้:
- ระบบจะวิเคราะห์คำถามหรือข้อความของผู้ใช้
- ระบบจะค้นหาข้อมูลที่เกี่ยวข้องจากฐานความรู้ขนาดใหญ่ โดยอาจเอามาจาก Enterprise Data warehouse หรือ Data mart ในเรื่องต่างๆ ที่องค์กรทำขึ้น
- โมเดลการสร้างภาษาจะนำข้อมูลที่ค้นพบมาสังเคราะห์และสร้างคำตอบด้วย GenAI
- จุดเด่นของ RAG คือช่วยให้ระบบ AI มีความรู้ที่ครอบคลุมและทันสมัยมากขึ้น เนื่องจากดึงข้อมูลจากแหล่งความรู้ภายนอก และประสานกันกับภายใน แต่คำตอบก็ยังคงความเป็นธรรมชาติจากการสร้างข้อความของโมเดลภาษา ทำให้การสนทนามีประสิทธิภาพมากขึ้นถูกต้องและหลอนน้อยลงไปมาก
เปิดตัว UiPath LLM อย่าง DocPath และ ComPath โดยตัว UiPath DocPath จะช่วยให้องค์กรประมวลผลเอกสารใด ๆ ทางธุรกิจที่ซับซ้อน และไม่มีโครงสร้างได้ดี ส่วนตัว UiPath CommPath มีความสามารถประมวลผลการสื่อสารที่หลากหลาย ตั้งแต่ข้อความ อีเมล chat ด้านธุรกรรมไปจนถึงคําขอที่ซับซ้อนซึ่ งมีคําขอหลายรายการและภาษาเฉพาะบริบทในแต่ละธุรกิจ แต่ละองค์กร ทั้งนี้จุดขายคือความแม่นยำ การเทรนโมเดลที่เร็ว และน่าเชื่อถือ
เปิดตัว UiPath AutoPilot ที่มีความเก่งในแต่ละด้านอาทิ สร้าง process flow program ได้ด้วย prompt หรือแม้กระทั่งสร้าง UiPath App (low-code) ด้วยการส่ง PDF ภาพตัวอย่างที่เราออกแบบมาคร่าวๆได้เลย ยังมีรายละเอียดที่จะเขียนต่อไปในบทความตอน div deep ต่อไปครับ

แนวโน้มของ AI & Automation ในปี 2024

เป็นเรื่องปกติไปในแล้วในทุกๆปี ใกล้วาระเปลี่ยนปี จะมี blog หรือเอกสารงานวิจัยมาแชร์เรื่องราวน่ารู้อย่าง แนวโน้มสำคัญที่คนไอทีในวงการต้องรู้ วันนี้มาฟังเรื่อง Trend ของ business automation กันครับ

เป็นเอกสารแชร์จากทาง UiPath Global ที่อ้างอิงถึงสำนักวิจัยดังๆหลายๆที่เช่น Gartner (Magic Quadrant 2023-RPA), Forrester Wave – RPA Q12023 หรือ Mckinsey&Company ในบทความต่างๆ มากมายที่แอดมินตามศึกษา จะบอกออกมานัยยะแนวเดียวกันหมดเลยถึงเรื่องผลกระทบการมาของ “GenAI” ชื่อเต็มๆคือ Generative AI พวก Open.AI (ChatGPT), Google (Bard) และอื่นๆที่จะตามมาในอนาคตอย่างมากมาย

เอกสารช่วยสรุปความออกมาเป็น 7 แนวโน้ม ซึ่งแน่นอนเข้าทาง UiPath ที่เป็นผู้นำในตลาด RPA อยู่แล้ว เหมือนอ่านจบเราแค่ได้รับการยืนยันเพิ่มจากสำนักวิจัยอื่นๆ ว่า “ใช่แล้ว” ถูกทางแน่ๆ ประมาณนี้ มาลองดูที่แอดมินสรุปกันครับ

การรับรู้และซึมซับถึงประโยชน์ของ automation & ai สู่ผู้บริหารระดับสูง อย่างไม่เคยเป็นกันมาก่อน เทรนนี้จะส่งผลถึงการให้ความสำคัญกับทรัพยากร การวางแผนเอา GenAI มาใช้พัฒนากระบวนการทำงาน งบประมาณที่ลงไปกับเรื่องราวเหล่านี้จะถูกตอบแทนด้วยผลลัพธ์ที่หวังเอาไว้เช่นเพิ่มประสิทธิภาพงาน (85%) เพิ่มช่องทางการทำรายได้ใหม่ (52%) ยกระดับงานเดิม (58%) เป็นต้น
แนวโน้มนี้พูดถึง การเลือก use case ที่ดี จะทำให้ “มีชัย” ไปกว่าครึ่ง … ในกรณีนี้คือเหล่า CIO, CEO คงต้องประเมินว่าเมื่อเราให้ความสำคัญและอยากเริ่มต้น และสำเร็จได้อย่างรวดเร็ว ควรเลือก automation + GenAI ที่มีแนวโน้มทำได้เลย และมี ROI สูงๆ โดยในที่นี้มีตัวอย่างที่ #automat เราทำสำเร็จมาแล้วอย่าง IDP (Intelligent Document Processing) โครงการนี้มีส่วนประกอบหลักสามเรื่องคือ RPA + OCR และ AI โดยเราช่วยลูกค้าประหยัดเวลาในการทำงานกับเอกสารด้านการประกันภัยที่มีหลากหลายรูปแบบ ทำให้ลดเวลาและเพิ่มความแม่นยำ นอกจากนี้ยังมี use case อย่างการประยุกต์ใช้ Communication Mining กับกระบวนการอ่านเอกสาร email, text และสัญญาต่างๆ (ใช้ GenAI มาช่วยแยกเยอะ ตีความ และตอบกลับ) เป็นต้น
แนวโน้มที่มาแรงมากๆ อีกและถูกผู้บริหาร ผู้นำในองค์กรโหวตถึง 86% คือการใช้ ai มาช่วยยกระดับการสแกนกระบวนการปัจจุบัน และหา “ช่องโหว่” เพื่อปรับปรุงกระบวนการ ซึ่งในทุกวันนี้มีการใช้งาน process mining tools และ communication mining มาเพื่อจับสัญญาณต่างๆ เปรียบเหมือนเราไปสแกน MRI เพื่อให้ได้ผลวิเคราะห์ที่ถูกต้องแม่นยำมากขึ้น มาใช้ในการพัฒนา ปรับกระบวนการ
จากผลลัพธ์จากแบบสอบถาม 65% มองเรื่องการความจำเป็นในการที่องค์กรจะเริ่มมองหา และใช้งานเทคโนโลยีปัญญาประดิษฐ์อย่าง LLM (Large Language Model) และ Generative AI เสียที หลายๆ องค์กรจะริเริ่ม pilot ในปีนี้เสียด้วยซ้ำ แนวโน้มการใช้ “Co-Pilot” หรือผู้ช่วยการทำงานของพนักงานในทุกระดับ ไม่ว่า business user ที่ไม่มีทักษะไอทีใด ๆ หรือ นักพัฒนาโปรแกรม นักวิเคราห์ปรับปรุงกระบวนการ ซึ่งจากนี้ไปจะมีเครื่องมือจาก UiPath Autopilot มาเป็นเพื่อน ไมว่าคุณอยากจะเทรนโมเดล สอนการ copy-paste ข้อมูลข้ามจากเอกสาร (กระดาษ) ไปลงปลายทางที่หน้าจอระบบ ERP (GUI) ก็ทำได้อย่างง่ายๆ และทำด้วยด้วยภาษามนุษย์เราสื่อสารกับ GenAI เป็นต้น ไว้อันนี้แอดมินจะมาเล่าละเอียดอีกครั้ง
ความสามารถของปัญญาประดิษฐ์ทำให้เกิดแนวโน้มอันนี้ที่ว่าในตัวกระบวนการสร้าง robot เองก็จะ “เก่ง” ขึ้นเรื่อยๆ ตั้งแต่การสร้างโปรแกรมด้วยการสั่งงาน (ไม่ต้องเริ่มด้วยการโค้ด) การรู้ตนด้วยการรู้สถานะตนเองของโรบอทว่าทำงานได้ปกติดี หรือต้องการปรับปรุงส่วนใด ๆ ระบบจะนำแนะออกมาให้นักพัฒนา และสุดท้ายคือการเทรนโมเดลที่ทำได้ด้วยความรวดเร็วกว่ายุคก่อนด้วยเทคนิคใหม่ๆอย่าง GenAI เป็นต้น ซึ่งอันนี้จะเป็นแค่การเริ่มต้นในปีหน้า แต่จะต่อยอดอย่างเข้มแข็งเป็นเทรนหลักในปีต่อๆไป
จริยธรรม ธรรมมาภิบาล รวมไปถึงกฎเกณฑ์การใช้เอไอได้ หรือไม่ได้จะถูกกำหนดขึ้นมาจากองค์กร แรงกระเพื้อมอันนี้จำเป็นอย่างยิ่งในยุคเอไอถูกใช้จากคนในทุกระดับ เพราะเราต้องมี platform ที่แข็งแรง มีการเก็บข้อมูลการใช้งาน เอามาวิเคราะห์และตั้งกฎตั้งค่าการใช้ให้ปลอดภัย และไม่ไปละเมิดกฎเกณฑ์ใดๆ ที่มนุษย์เราตั้งขึ้นมาด้วย การทำงานร่วมระหว่างมนษย์และหุ่นยนต์ในลักษณะ “ผู้ตรวจงานโรบอท” จะเป็นแนวโน้มหลักจากนี้ไป ทำให้เทรนอันนี้จำเป็นต้องมีผู้รู้ที่เคยทำมาก่อน มี best practice ที่ดีมาช่วยแนะนำด้วย
แนวโน้มการต้องยอมรับการเปลี่ยนแปลงด้วยการ force จากปัญญาประดิษฐ์ ความสามารถของมันในการทำงานแทนมนุษย์เรา ด้วยทักษะของ LLM ที่ปัจจุบันก็แทบจะทำได้ 70-80%ในงานนั้นๆอยู่ จะเกิดอะไรในปี 2030 เมื่อ กระบวนการทั้งหมดจะถูกปรับเป็นระบบอัตโนมัติด้วยโรบอต เกิดการทำงานร่วมกันของมนุษย์และหุ่นยนต์ แนวคิดของการ “นิยาม” การทำงานใหม่ๆ จึงเกิดขึ้นเช่น การเรียนรู้จากผู้เชี่ยวชาญในรูปแบบใหม่ๆ การนำเข้าประสบการณ์ใหม่ใหม่ควบรวมกับประสิทธิภาพของปัญญาประดิษฐ์ การออกกฎเกณฑ์มาควบคุมและดูแลในระดับสังคมโดยรวม และสุดท้ายคือการพัฒนาทักษะใหม่ใหม่อาทิเช่น prompt engineers ที่อาจจะมาแทนที่ทักษะการเขียน code เป็นต้น ในปีหน้าน่าจะมีอะไรใหมๆ มาเพิ่มเข้าไปอีก หวังว่าทุกคนจะเรียนรู้ และสนุกไปกับมันกันครับ

ในปีหน้าน่าจะมีอะไรใหมๆ มาเพิ่มเข้าไปอีก หวังว่าทุกคนจะเรียนรู้ และสนุกไปกับมันกันครับ

Source:

https://www.uipath.com/resources/automation-whitepapers/automation-trends-report

สู่ Cognitive Automation กับการใช้งานในอุตสาหกรรมการผลิต

ก้าวล้ำไปกับยุค ai สู่ Cognitive Automation ผสานพลัง ai ไปใน RPA

ในช่วงไม่กี่ปีที่ผ่านมาการใช้เทคโนโลยีรวมถึง Robotic Process Automation (RPA) และ Artificial Intelligence (AI) ในการผลิตได้กลายเป็นที่เป็นที่นิยมมากขึ้น การผสานระหว่าง RPA และ AI ในการผลิตได้มีบทบาทสำคัญในการปรับปรุงกระบวนการผลิต เพิ่มประสิทธิภาพ และลดค่าใช้จ่าย และคาดว่าจะมีผลกระทบอย่างมากต่ออุตสาหกรรมในอนาคตต่อจากนี้ไป

RPA เป็นเทคโนโลยีที่ช่วยให้ธุรกิจสามารถอัตโนมัติงานที่ซ้ำซากและใช้เวลานาน มันเกี่ยวข้องกับการใช้หุ่นยนต์ซอฟต์แวร์เพื่อทำงานเช่นกรอกข้อมูล การประมวลผลใบแจ้งหนี้ และการประมวลผลการสั่งซื้อ RPA สามารถใช้ได้ในกระบวนการผลิตต่างๆ เช่นการจัดการสินค้าคงคลัง การควบคุมคุณภาพ การออกใบเสนอราคา การบริการลูกค้าผ่านช่องทางต่างๆ และการจัดการโซ่อุปทาน การผสมผสาน RPA ในกระบวนการผลิตทำให้เกิดความแม่นยำ ความเร็ว และประหยัดค่าใช้จ่าย

AI เป็นเทคโนโลยีที่ช่วยให้เครื่องจักรเรียนรู้จากข้อมูล ตรวจสอบรูปแบบ และตัดสินใจโดยใช้ข้อมูลนั้น สามารถนำไปใช้ในการผลิต เช่นการตรวจจับข้อบกพร่อง “ทำนาย” การเสื่อมสภาพของเครื่องจักร และการปรับปรุงกระบวนการผลิตโดยการปรับการผลิตให้มีประสิทธิภาพมากขึ้นผ่านการทำ process mining และการใช้ AI ในการประมวลผลข้อมูลที่เกี่ยวข้องกับกระบวนการผลิต คิดและแนะนำผ่าน data analytic ที่สร้างอย่างรวดเร็วได้จาก Generative AI ช่วยให้กิจกรรมที่เกี่ยวข้องกับการควบคุมคุณภาพ การจัดการสินค้าคงคลัง และการวางแผนการผลิตเป็นไปอย่างมีประสิทธิภาพมากขึ้น เร็วและผิดพลาดน้อยได้อีกด้วย

Process	Task	Automation
Production tracking	Measure, analyze and improve visibility throughout the manufacturing process	Use intelligent automation to develop a near real-time overview of progress on orders and the ongoing need for components or raw materials²
Invoice processing	Extract data from invoices, compare with purchase orders, check for duplicates, update records in ERP system	Use RPA bots with OCR to automate the entire invoice processing cycle
Supply chain optimization	Prepare purchasing proposals, collect auction bids, create contracts, track shipments, manage orders	Use RPA bots to enable real-time data gathering, reporting, and communication across the supply chain

ตัวอย่างการประยุกต์ใช้

การผสมผสาน RPA และ AI ต้องคำนึงถึงการใช้เทคโนโลยีอย่างเหมาะสม การที่ผู้ประกอบการจะสองเทคโนโลยีนี้ให้เกิดประโยชน์สูงสุดต้องมีการวางแผนการใช้งานให้ถูกต้อง นอกจากนี้ยังมีความจำเป็นที่จะต้องมีการฝึกอบรมและพัฒนาทักษะของพนักงานเพื่อให้เข้าใจการใช้งาน RPA และ AI ในการผลิต อาจพิจารณาเรื่องการสร้างทีมงาน COE (Community of Excellence) ให้เกิดในองค์กร สร้าง Citizen Developer ให้ช่วยกันออกแบบ ดูแล ใช้งานอย่างถูกต้อง ให้ทีม COE ติดตามและประเมินผลการใช้งานเพื่อปรับปรุงและปรับเปลี่ยนการใช้งานอย่างต่อเนื่อง

ทั้งนี้เราอาจมองพัฒนาการของการควบรวมสองเทคนี้ออกเป็นสี่ขั้นตอน แบ่งเป็นความสามารถในการรองราบกระบวนการที่ซับซ้อนจากมองไปน้อย และการใช้ความสามารถของทั้ง rpa, ai อย่างเต็มที่ (ถ้าเราดึงความสามารถของทั้งสองเทคนี้มา ก็ย่อมรองรับกระบวนการที่ซับซ้อนสูงได้) จึงอาจเริ่มจาก

1.Robotic Process Automation ใช้งานทั่วไป มีมนุษย์สั่งงานเป็นขั้นตอนแล้วโปรแกรมมาทำแทนมนุษย์ (ได้ในบางส่วน) และยังคงต้องตรวจสอบผลงานก่อนนำไปใช้

2.Cognitive Automation รองรับงานได้มากขึ้น รับงานที่ไม่เป็นโครงสร้างจากการใช้ Machine Learning มาช่วย

3.Digital Assistants ระหว่างมนุษย์ และโปรแกรมโรบอท คุยกันผ่านภาษาที่ใช้ง่ายๆ และโปรแกรมนำงานไปปฎิบัติ

4.Automonous Agents ยังคงพัฒนาต่อเนื่องเพื่อให้ระบบทำงานทดแทนได้อย่างสมบูรณ์ ซึ่งขั้นนี้มองไปถึงการใช้โปรแกรมตัดสินใจทดมนุษย์เลย (กำลังพัฒนา และแนวโน้มเป็นไปในทิศทางนี้แต่ต้องใช้เวลาอีกพอสมควร)

สรุปว่า การผสมผสาน RPA และ AI ในการผลิตเป็นเทคโนโลยีที่สามารถช่วยเพิ่มประสิทธิภาพและความแม่นยำในการผลิต ช่วยลดค่าใช้จ่ายและเพิ่มกำไรให้กับธุรกิจให้แข่งขันได้ในยุคข้าวยากหมากแพง อย่างไรก็ตามการเลือกใช้งาน และผสานเทคโนโลยีนี้ ยังต้องมีการวางแผนและการฝึกอบรมพนักงานอย่างถูกต้อง และการติดตามผลการใช้งานเพื่อปรับปรุงและปรับเปลี่ยนเทคโนโลยีให้เหมาะสมกับธุรกิจ

ทาง automat consulting และสถาบัน IMC ได้ร่วมกันจัดงาน meet up สำหรับ นักวิเคราะห์ทางธุรกิจ นักพัฒนากระบวนการ นักพัฒนาระบบ มาร่วมรับฟัง แลกเปลี่ยนการใช้งาน RPA และ AI ในอุตสาหกรรมการผลิต โรงงาน การขนส่ง รวมไปถึงระบบ back office ต่างๆ ในวันที่ 26 พค. นี้ รายละเอียดดังนี้

ลงทะเบียนที่นี่ครับ https://docs.google.com/forms/d/e/1FAIpQLSdC1uf5l1wtxoQKNJThESYd1m2T1Rt2F69hMe2OrqXvy0_dSg/viewform

Source:

Learn more:

planettogether.com 2. blueprism.com 3. research.aimultiple.com 4. uipath.com 5. nanonets.com 6. contus.com 7. techtarget.com
UiPath AI Summit 2023, 2023

Digital Assistant กับประโยชน์ของการเชื่อมต่อ ChatGPT + RPA

ปฐมบทของ Digital Assistant เครื่องมือที่จะมาเป็นผู้ช่วยในการทำงานของมนุษย์เราในยุค 2023

กับข่าวคราวการเปิดตัว GPT-4 ไปนับว่ายิ่งเพิ่มพูนกับการถูกพูดถึงของ ai Generative AI มากยิ่งขึ้นไปอีก ความสามารถ ความรวดเร็วถูกต้องยิ่งเพิ่มขึ้นไปอีก คงไม่ได้เป็นเพียงกระแสที่มาแล้วผ่านไปอีกแล้ว บทความวันนี้จึงขอมาแบ่งปันถึง “การควบรวม” ของสองเทค (ai+RPA) ที่อีกไม่นานจะรวมร่างและกลายเป็น Digital Assistant ประโยชน์ของมันที่จะมาช่วยแบ่งเบาภาระงานของworker อย่างพวกเรา มาอ่านกันครับ

ในช่วงปลายเดือนพฤศจิกายน 2565 บริษัทวิจัย OpenAI ได้เปิดตัว AI Chatbot ที่ชื่อ ChatGPT ต่อสาธารณะเป็นครั้งแรกและก็สร้างปรากฎการณ์เกิดเป็นกระแสขึ้นมาทันทีให้คนพูดถึงกันอย่างกว้างขวาง

ถามว่าทำไมถึงเป็นอย่างนี้ทั้งๆที่เทคโนโลยี AI หรือ Artificial Intelligence อยู่ในการรับรู้ของสังคมมาแล้วเป็นเวลานับสิบๆปี ซึ่งคำตอบน่าจะเป็นว่านี่เป็นครั้งแรกที่เทคโนโลยี AI ได้เข้าสู่การใช้งานในชีวิตประจำวันของคนทั่วไปอย่างกว้างขวาง (mass adoption) มีการใช้งานที่ง่าย เกิดประโยชน์ต่อคนทั่วไปทั้งเรื่องงานและเรื่องส่วนตัว จึงไม่แปลกที่เราจะเห็นยอดคนลงทะเบียนเข้าใช้งานพุ่งถึง 100 ล้านคนภายในแค่ 2-3 เดือนหลังจากการเปิดตัว

ในขณะที่ส่วนของซอฟต์แวร์ RPA เองก็มีการใช้เพิ่มขึ้นอย่างต่อเนื่องทั้งขององค์กรที่เพิ่งเริ่มใช้และองค์กรที่ใช้มานานแล้ว จนเรียกได้ว่าสำหรับหลายองคกรนั้น มีการใช้งาน RPA robot ในลักษณะ digital assistant คือเป็นพนักงานดิจิตัลที่ทำงานกลมกลืนกับพนักงานทั่วไปในแต่ละแผนก

ดังนั้นความสนใจของเราในบทความนี้ จึงอยู่ที่ว่าเทคโนโลยีที่ช่วยเหลือการทำงานขององค์กรทั้งสองตัวนี้ ถ้ามาเชื่อมต่อทำงานร่วมกัน จะเกิดเป็นภาพอย่างไร และจะเกิดประโยชน์ในด้านใดได้บ้าง

ทีม Automat เราจึงรวบรวม Use Cases ของการทำงานร่วมกันของ ChatGPT กับ RPA มาเล่าให้ท่านผู้อ่านฟัง รวมทั้งการที่เราได้ทดลองสร้างกระบวนการที่เชื่อมต่อสองเทคโนโลยีนี้ ซึ่งจะไปกล่าวถึงในช่วงท้ายของบทความ

ทั้งนี้ส่วนหนึ่งของ Use Cases ที่สามารถเกิดประโยชน์ต่อการทำงานของเราในแต่ละฟังชั่นงานมีดังต่อไปนี้

การนำ ChatGPT เข้ามาช่วยนักพัฒนาในโครงการพัฒนาโปรแกรม

นักพัฒนาสามารถใช้ประโยชน์จาก ChatGPT ได้โดยตรงเช่น การใส่ code ที่เขียนโดยนักพัฒนาคนอื่นแล้วให้ ChatGPT อธิบายการทำงานของ code นั้นๆซึ่งอาจเขียนขึ้นเพื่อสร้างฟังชั่นการทำงานต่างๆของ RPA ทำให้ประหยัดเวลาของนักพัฒนาลงได้มากหากต้องไปแกะเอาเอง หรือนักพัฒนาอาจสามารถใช้ ChatGPT ในการจัดทำ เอกสารโครงการ เช่น process design document, technical design document, operation guide เป็นต้น โดยการใส่ข้อมูลของระบบที่พัฒนาเข้าไปแล้วให้ ChatGPT เขียนข้อความและแนะนำประเด็นที่ผู้ใช้งานควรรับทราบ ถึงแม้นักพัฒนายังต้องเข้าไปตรวจทานงานของ ChatGPT ก่อนการใช้งานจริงอยู่ดีเนื่องจาก ChatGPT เองยังต้องการเวลาที่จะเรียนรู้พัฒนาตัวเองอีกมาก แต่ก็ปฎิเสธไม่ได้ว่าการนำเทคโนโลยีนี้เข้ามาใช้ น่าจะช่วยลดเวลาลงได้พอสมควร

การวิเคราะห์ความคิดเห็นหรือข้อติชมของลูกค้าด้วย ChatGPT

ความสามารถด้านการวิเคราะห์ภาษาหรือรูปประโยคที่เป็นการสื่อสารแบบธรรมชาติถือเป็นจุดเด่นของ ChatGPT เราสามารถใช้ความสามารถนี้กับการวิเคราะห์ความรู้สึกของลูกค้าที่มีต่อผลิตภัณฑ์หรือบริการของเราได้ เราสามารถวิเคราะห์ความคิดเห็นที่เป็น comment หรือ review ของลูกค้าโดยส่งผ่านข้อความเหล่านั้นให้ ChatGPT ก่อนจากนั้นเราก็ป้อนคำสั่งให้ระบบทำการคัดแยกจัดกลุ่มความคิดเห็นในเชิง sentiment ว่าความเห็นไหนเป็น positive หรือเป็นความเห็นที่ลูกค้ามีความชอบหรือความรู้สึกที่ดีกับผลิตภัณฑ์บริการของเรา ความเห็นไหนเป็น negative หรือความเห็นไหนไม่สามารถระบุความชอบได้

เราสามารถนำ RPA เข้ามาสร้างเป็นกระบวนการที่ทำงานต่อเนื่องจากผลลัพท์ของ ChatGPT ได้ เช่นความเห็นไหนที่เป็นระบบวิเคราะห์ว่าเป็น negative จะถูกส่งให้ทีมดูแลลูกค้าเพื่อแก้ปัญหาหรือส่งเป็นข้อมูลให้ทีมผลิตภัณฑ์ใช้เป็นแนวทางในการพัฒนาปรับปรุงต่อไป

การใช้ ChatGPT and RPA สำหรับงานบริหารทรัพยากรบุคคล

ฝ่ายบริหารทรัพยากรบุคคลสามารถใช้ประโยชน์จากการทำงานร่วมระหว่าง ChatGPT และ RPA ได้เหมือนกัน ซึ่งหนึ่งในนั้นคือการให้ ChatGPT เขียนประโยคหรือข้อความในเอกสารองค์กรเพื่อสื่อสารกับพนักงาน ผู้บริหาร หรือผู้มาสมัครงานที่กำลังสนใจร่วมงานกับเรา โดยเจ้าหน้าที่ HR จะเป็นผู้กำหนดข้อมูลที่จะใช้เป็น input ของ ChatGPT สำหรับการสร้างเนื้อหาที่ใช้สื่อสารกับแต่ละกลุ่มบุคคล

อีกตัวอย่างหนึ่งคือ การทำ pre-screening ข้อมูลของผู้สมัครงาน เช่น resume, job description, etc. แล้วให้ ChatGPT สร้าง matching score เพื่อดูความเหมาะสมของตำแหน่งงานกับคุณสมบัติและประสบการณ์ของผู้สมัครแต่ละราย เป็นต้น

การใช้ ChatGPT สร้างเนื้อหาของฝ่ายการตลาด

องค์กรหรือหน่วยงานด้านการตลาดสามารถให้ ChatGPT ช่วยเขียน content ต่างๆด้านการตลาดได้ ทั้งนี้โดยทั่วไปแล้ว งานผลิต content มักเป็นงานที่ใช้เวลาและความคิดสร้างสรรค์มากเพื่อที่จะให้ได้ content ที่มีคุณภาพดีและสามารถสื่อสารได้ตามวัตถุประสงค์ นักการตลาดสามารถให้ ChatGPT สร้าง content บางส่วนหรือทั้งหมดของการทำ brochure การเขียนข้อความโฆษณา การจัดทำ VDO script รวมทั้งงานที่ต้องทำผ่านโซเชียลมีเดียอย่าง blog, online article เป็นต้นซึ่งถ้ามีปริมาณมากหรือมีเวลาจำกัดในการผลิต ก็สามารถนำ RPA เข้ามาช่วยได้เช่นกัน

ChatGPT กับงานด้านการขาย

งานขายเป็นงานที่มีการปฎิสัมพันธ์กับลูกค้าซึ่งเราสามารถนำจุดเด่นด้านภาษาของ ChatGPT เข้ามาช่วยงานเราได้ เช่น เมื่อได้ข้อมูล input ที่เป็นข้อมูลของลูกค้า เช่นข้อมูล demographic ข้อมูลความสนใจ ประวัติการซื้อหรือประวัติการใช้งาน เป็นต้นแล้ว เราสามารถให้ ChatGPT ทำการ

สร้าง call script ให้ทีม customer service หรือ telemarketing ใช้ในการติดต่อกับลูกค้าแต่ละราย
เขียน proposal ที่ดึงดูดและมีอิทธิพลต่อการตัดสินใจซื้อของลูกค้า
เขียน sales report เพื่ออธิบายสรุปเรื่องต่างๆของการขายและการติดต่อกับลูกค้าไว้

นอกจากนี้ การทำงานร่วมกันของ ChatGPT กับ RPA ยังทำให้งานที่ต้องมีความ personalized ใน scale ใหญ่ เช่น การตอบอีเมลลูกค้าหรือคู๋ค้าจำนวนมาก การสร้าง call script แล้วบันทึกในระบบ CRM ของลูกค้าแต่ละราย เป็นไปได้อย่างมีประสิทธิภาพและไม่ตกหล่น

จากตัวอย่างที่เราได้กล่าวถึงข้างต้น เราค่อนข้างมั่นใจว่าจะมี Use Cases เหล่านี้เกิดขึ้นอีกมากเมื่อ ChatGPT มีการเรียนรู้และพัฒนาตัวเองเพิ่มขึ้น และสามารถเชื่อมต่อกับ RPA เพื่อให้ได้เป็นระบบงาน automation ที่สร้างคุณค่าต่อองค์กรได้มากกว่าการจัดการกับงานซ้ำๆและมีจำนวนมาก

ก่อนจบบทความนี้ ขอเล่าถึงการต่อเชื่อมกันของ ChatGPT กับ RPA ซึ่ง Automat เราได้ทดลองทำขึ้นมา โดยเป็นการเชื่อมต่อ ChatGPT กับ UiPath RPA ผ่าน Postman development platform ตาม link ด้านล่างนี้

ในตัวอย่างจะเป็นการจำลองการสร้าง personalized sales proposal จาก keywords ที่พนักงานขายเตรียมไว้ใน MS Excel แล้วให้ RPA robot หยิบไปใส่ใน ChatGPT จากนั้นก็นำผลลัพท์ที่เราสั่งให้ ChatGPT เขียนเป็นข้อความมาสร้างเป็น sales proposalใน MS Word และแนบในอีเมลส่งถึงลูกค้าเป้าหมาย

ในฐานะที่ Automat เราได้ศึกษาและให้บริการโครงการพัฒนาระบบงาน RPA มาตั้งแต่ช่วงแรกของการเริ่มใช้งานRPA อย่างแพร่หลายในประเทศไทย เรามองว่าเรื่องนี้เป็นพัฒนาการที่น่าตื่นเต้นที่ได้เห็นการการเชื่อมต่อของ RPA กับ AI model แล้วสร้างประโยชน์หรือ Use Cases ของการใช้งานได้ทันที ซึ่งในอนาคตก็น่าจะมี AI model อย่างอื่นนอกจากเรื่องภาษาที่สามารถนำมาเชื่อมกับ RPA แล้วก่อให้เกิดเป็นระบบงานที่สร้างประโยชน์อีกมากมายต่อการทำงานของเรา

Credit:

UiPath Inc.
Evolvous.com
Forbes.com

ปลดล็อคกระบวนการด้านพัฒนาระบบ RPA ด้วย ChatGPT

เล่าเรื่องการเชื่อมต่อ UiPath vs ChatGPT และลองเขียน blog แบบรวดเร็วด้วยเอไอ

บอกไว้ก่อนว่าบทความนี้เขียนขึ้นมาเอง 30% และจากนั้นนำเอา ChatGPT มาช่วยเขียนและปรับเพิ่มเติม (บทแปล ยกตัวอย่าง 70%) ตอนอ่านลองมาเดากันเล่นๆ ได้ครับว่าอันไหนคนเขียน อันไหนโปรแกรมปัญญาประดิษฐ์มาช่วย

ต้นสัปดาห์ที่ผ่านมาได้ทดสอบเอา UiPath ไปดึงเอาข้อมูลลูกค้าใน SalesForce แล้วเราดูว่าถึงกระบวนการต้องให้ทีมขายเตรียม technical proposal ไปนำเสนอลูกค้าหรือยัง ลองนึกว่าถ้าต่อหนึ่งพนักงานขายมีลูกค้าที่ต้องเตรียม proposal สัก 30 คนนี่งานหนักแน่ คลิปด้านล่างเป็นสิ่งที่ผ่านมาทดสอบมาแล้ว (แต่ก็ยังมีต้องมาปรับเพิ่มบ้าง) ตามคลิปการใช้งานสั้นๆครับ (ด้านล่าง)

SalesForce > ChatGPT > UiPath > Sales Proposal

ในช่วงที่ผ่านมา AI ได้เข้ามาเปลี่ยนภาพจากเทคขั้นสูงสู่คนปกติธรรมดา ที่จะใช้มันภาพสรรค์งานได้อย่างรวดเร็ว ง่าย และฟรีๆ พูดได้เลยว่ามันได้เคลื่อนย้ายจากการเป็นเทคโนโลยีระดับสูงไปสู่การเป็นเทคโนโลยีปกติธรรมดาที่ทุกคนเข้าถึง

ในขณะนี้ ทุกคนสามารถใช้ AI เพื่อสร้างศิลปะที่น่าตื่นเต้น เสียงพูดในหนังสือ เขียนบล็อก หรือแม้กระทั่งสร้างภาษาโปรแกรมใหม่จากต้นฉบับ สมมติว่ากลับไปเพียงไม่กี่ปีก่อนแล้วก็บอกเพื่อนร่วมงานของคุณว่าคุณจะสามารถทำทั้งหมดนี้ได้แค่ใช้สมาร์ทโฟนได้เลย ง่ายๆ แบบนี้แหละ

การเปิดตัว ChatGPT จาก OpenAI – โมเดลภาษาขนาดใหญ่ที่สามารถสร้างข้อความที่เหมือนมนุษย์ได้ – ได้เป็นตัวช่วยขับเคลื่อน ทำให้ผู้คนหลายล้านคนทั่วโลกได้เห็นการเปลี่ยนแปลงของ AI ล่าสุดและมุ่งมั่นไปที่สิ่งที่เป็นไปได้กับโมเดลเหล่านี้ นี่เป็นการก้าวไปข้างหน้าในการทำให้ AI เข้าถึงได้ง่ายขึ้น โดยมีโมเดลพื้นฐานที่มีประสิทธิภาพสามารถใช้สร้างเครื่องมือที่มีค่ามากขึ้นได้อีกด้วย

เลยขอมาเล่าเรื่องที่จะนำเอา RPA + AI อย่าง ChatGPT มาใช้กันได้อย่างไรในหลากหลายตัวอย่าง

1.ใช้ ChatGPT เพื่อเข้าใจโค้ดของนักพัฒนาอื่น

การใช้ ChatGPT ที่ดีคือการช่วยนักพัฒนาอาชีพในการตอบคำถามเกี่ยวกับโค้ดของนักพัฒนาอื่น มันง่ายเพียงแค่วางโค้ดลงใน ChatGPT แล้วถามให้มันอธิบายว่าโค้ดทำอะไร นี่จะช่วยให้นักพัฒนาแอพพลิเคชั่นเข้าใจภาษาโปรแกรมต่างๆ เช่น VB.Net, SOQL, JQL, LINQ และภาษาโค้ดอื่นๆ

ประโยชน์: ช่วยให้นักพัฒนาสามารถขยายความรู้ของภาษาโปรแกรมที่น้อยใช้มากขึ้น

2.สร้างเอกสารคู่มือโค้ดได้อย่างรวดเร็วด้วย ChatGPT

ChatGPT ยังช่วยบรรเทาความเจ็บปวดจากการสร้างเอกสารผู้ใช้สำหรับโค้ดได้อีกด้วย หลังจากวางข้อมูลทั้งหมดที่เกี่ยวข้องกับระบบของคุณลงใน ChatGPT คุณสามารถถามคำถามที่ผู้ใช้งานส่วนใหญ่อาจมีและนำผลลัพธ์มาใช้เป็นเอกสารของคุณ

ในอนาคตอันใกล้นี้ เวอร์ชั่นขั้นสูงขึ้นของ ChatGPT หรือโมเดลที่เหมือนกันอาจช่วยอัปเดตเอกสารผู้ใช้ได้ด้วย สมมุติว่าคุณสื่อสารข้อมูลเวอร์ชั่นใหม่ล่าสุดของระบบของคุณและมีโมเดลอัปเดตเอกสารที่เกี่ยวข้องกับเวอร์ชั่นใหม่

3.สร้างโค้ดจากคำขอภาษาธรรมชาติ

หนึ่งในศักยภาพที่น่าตื่นเต้นของ ChatGPT คือช่วยให้ผู้ใช้ที่ไม่มีพื้นฐานด้านเทคโนโลยีสามารถกลายเป็นนักพัฒนาได้ด้วย โมเดล AI แบบเจเนอราทีฟช่วยให้ผู้ใช้ทางธุรกิจและผู้พัฒนาที่ไม่มีพื้นฐานด้านเทคโนโลยีสามารถสร้างการทำงานอัตโนมัติจากคำอธิบายที่เข้าใจง่ายของตัวเองได้ เช่น พวกเขาสามารถอธิบายว่าต้องการบันทึกไฟล์ Excel ในโฟลเดอร์ที่กำหนดไว้ แล้วขอให้ ChatGPTเขียนโค้ดเพื่อสร้างการทำงานนี้ให้โดยอัตโนมัติ

นี่คือศักยภาพที่ยิ่งใหญ่ของ AI แบบเจเนอราทีฟที่ช่วยให้ผู้ใช้ทุกระดับสามารถสร้างการทำงานอัตโนมัติเพิ่มเติมและเข้าใจได้ง่ายขึ้นในการทำงานประจำวัน

ประโยชน์: ช่วยให้ผู้ใช้ที่ไม่มีพื้นฐานด้านเทคโนโลยีสามารถสร้างการทำงานอัตโนมัติจากคำอธิบายที่เข้าใจง่ายของตัวเองได้ นำไปสู่โอกาสการพัฒนาที่ต่อเนื่องในองค์กรและอุตสาหกรรม

4.สร้างข้อมูลทดสอบ (Generate test data)

เมื่อนักพัฒนาต้องการเซตข้อมูลทดสอบ เช่นรายชื่อผู้ติดต่อในการตลาด พร้อมกับชุดข้อมูลที่กำหนด (เช่น ชื่อ, เบอร์โทรศัพท์ และที่อยู่) สำหรับรัฐหรือภูมิภาคที่กำหนดไว้ ChatGPT สามารถสร้างชุดข้อมูลปลอมๆ ให้ได้อย่างรวดเร็ว

ตัวอย่างคำสั่ง: “ฉันสร้างแอปพลิเคชันที่จะใช้กับเบอร์โทรศัพท์และที่อยู่ ฉันต้องการข้อมูลต่อไปนี้ไว้ในเรคคอร์ด: ชื่อ, เบอร์โทรศัพท์ และที่อยู่ สร้างตัวอย่างระบุไว้ 30 เรคคอร์ด ในรัฐเวชิงตัน สหรัฐอเมริกา”

สามารถปรับเปลี่ยนคำสั่งตามพื้นที่ที่คุณอยู่หรือเพื่อเฉพาะชื่อที่ขึ้นต้นด้วยตัวอักษร A เพื่อดูว่าแอปพลิเคชันจะสร้างชุดข้อมูลในรูปแบบไหนได้

ประโยชน์: ช่วยเร่งการสร้างชุดข้อมูลทดสอบโดยการสร้างชุดข้อมูลปลอมๆ ที่เป็นไปตามกฎความสอดคล้องตามตรรกะ ทำให้นักพัฒนาประหยัดเวลาและแรงใจ

5.Generate test code for a code sequence

ถ้าเรามี sequence ของโค้ดแล้วต้องการสร้างสคริปต์การทดสอบสำหรับ sequence นั้น ๆ ChatGPT สามารถช่วยและสร้างโค้ดการทดสอบได้ ในภาษาเช่น Python, JSON, C หรือ XAML (หรือแม้แต่แปลงระหว่างภาษาต่าง ๆ)

นอกจากนี้ ChatGPT ยังสร้างข้อมูลการทดสอบที่จำเป็นเพื่อครอบคลุมทุกกรณีทดสอบ

ประโยชน์: ช่วยเร่งความเร็วในการสร้างสคริปต์การทดสอบสำหรับเวิร์กโฟลว์ได้อย่างรวดเร็ว

ในอีกแนวคิดการเชื่อมต่อ UiPaht RPA กับ ChatGPT ในแง่กระบวนการด้านธุรกิจ

1.วิเคราะห์ความคิดเห็นของลูกค้า

การใช้ ChatGPT ในการวิเคราะห์ข้อความและประเมินอารมณ์ของความคิดเห็นจากลูกค้าเกี่ยวกับสินค้าที่เฉพาะเจาะจง เป็นการใช้งานที่สร้างความประทับใจอย่างมาก

เพื่อแสดงวิธีการใช้งาน เราสามารถให้ ChatGPT รับข้อมูลความคิดเห็นจากลูกค้าและใส่รหัสดังต่อไปนี้ “กรุณาระบุอารมณ์ของความคิดเห็นนี้ ให้แบ่งเป็นบวก, ลบหรือผสม” ChatGPT จะตอบกลับมาโดยระบุสีสันของข้อความอย่างต่อเนื่องและแม่นยำ

เรายังสามารถเพิ่มการออโตเมชันเข้าไปได้อีกด้วย โดยที่หุ่นยนต์สามารถส่งรายการความคิดเห็นไปยัง ChatGPT และแบ่งปันรหัสดังกล่าวเพื่อรับคำตอบสำหรับข้อความแต่ละข้อ และนับผลตอบกลับที่เป็นบวก, ลบ หรือผสม โดยการตรวจสอบสีสันของข้อความ การใช้งานด้านนี้จะช่วยให้สามารถประมวลผลข้อมูลจากความคิดเห็นได้อย่างมีประสิทธิภาพ โดยเฉพาะอย่างยิ่งความคิดเห็นที่ไม่ดี ที่สามารถส่งต่อไปยังทีมพัฒนาสินค้าอัตโนมัติได้

2.สร้างอีเมลตอบกลับลูกค้า

การให้บริการลูกค้าที่ดีในเวลาที่เหมาะสมอาจเป็นการท้าทายที่แท้จริงสำหรับธุรกิจ แต่ดีที่แล้ว ChatGPT และหุ่นยนต์ UiPath ช่วยให้ง่ายขึ้น

เราสามารถใช้ ChatGPT เพื่อเขียนอีเมลตอบกลับที่เหมาะสมเมื่อลูกค้ามีความคิดเห็นที่ไม่ดีเกี่ยวกับผลิตภัณฑ์ เราสามารถสร้างกระบวนการอัตโนมัติทั้งหมดได้จากขั้นตอนต่างๆ

เมื่อได้รับข้อเสียหรือความคิดเห็นที่ไม่ดี เราสามารถใช้หุ่นยนต์ส่งข้อความร้องขอและข้อความอีเมลไปยัง ChatGPT เพื่อขอข้อความตอบกลับที่เหมาะสม หุ่นยนต์จะตรวจสอบคำตอบกับทีมสนับสนุนลูกค้าก่อนที่จะแบ่งปันคำตอบกับลูกค้า

ประโยชน์: ปรับปรุงประสบการณ์ลูกค้าและเวลาในการแก้ไขปัญหา

3.การคัดกรองประวัติผู้สมัครงาน

ChatGPT สามารถใช้ในการคัดกรองประวัติผู้สมัครงานและประเมินความเหมาะสมกับตำแหน่งงานได้ ตัวอย่างเช่น หุ่นยนต์ UiPath สามารถส่งประวัติผู้สมัครงาน, รายละเอียดงาน, และคำถามให้กับ ChatGPT และขอคะแนนตัวเลขสำหรับผู้สมัครงาน คะแนนที่ได้จาก ChatGPT สามารถนำมาใช้เป็นการประเมินความเหมาะสมกับงานได้ ช่วยให้เราประหยัดเวลาในการตรวจสอบประวัติผู้สมัครงาน นอกจากนี้ ChatGPT ยังช่วยลดจำนวนผู้สมัครงานที่ไม่เหมาะสมหรือไม่เกี่ยวข้องออกจากกลุ่มตัวเลือกแรก ซึ่งจะช่วยให้การคัดเลือกผู้สมัครงานเป็นไปอย่างรวดเร็วขึ้น

ประโยชน์: ลดเวลาในการกรองประวัติผู้สมัครงานจำนวนมาก

4.สร้างคำถามสัมภาษณ์งาน

ในการขยายธีมการจ้างงาน ChatGPT ยังสามารถสร้างคำถามสัมภาษณ์ที่มีประสิทธิภาพได้อย่างรวดเร็วโดยพิจารณาตามความต้องการของงานและประวัติส่วนตัวของผู้สมัครงาน นอกจากนี้ยังสามารถให้ ChatGPT ประเมินและให้เกรดการตอบกลับของผู้สมัครงานได้หากต้องการ

การสัมภาษณ์และการเลือกคนทำงานเป็นกิจกรรมที่จำเป็นแต่กินเวลาในธุรกิจ แต่ด้วย ChatGPT และหุ่นยนต์ UiPath เราสามารถสร้างกระบวนการอัตโนมัติที่เชื่อมต่อเข้ากับแพลตฟอร์มการรับสมัครงาน ซึ่งจะสร้างชุดคำถามส่วนบุคคลที่กำหนดไว้สำหรับผู้สมัครงานแต่ละคน สัมภาษณ์ที่ดีกว่า คนทำงานที่เหมาะสมมากขึ้น และใช้เวลาน้อยลง

ประโยชน์: ช่วยให้ผู้สัมภาษณ์เตรียมคำถามที่สอดคล้องกับบริบทการทำงาน

5.วิเคราะห์การสนทนาในฝ่ายบริการลูกค้า

หากบริษัทของคุณใช้การสนทนาออนไลน์เพื่อการสนับสนุนลูกค้า ChatGPT สามารถประเมินคุณภาพการสนับสนุนของแต่ละเคสได้ ตัวอย่างเช่น สามารถขอให้ ChatGPT ส่งคะแนนความพึงพอใจกลับมา หากคะแนนต่ำกว่าเกณฑ์ที่กำหนดไว้ หุ่นยนต์จะสามารถส่งเคสนั้นต่อไปยังผู้จัดการเพื่อตรวจสอบได้โดยอัตโนมัติ ซึ่งจะช่วยให้ผู้จัดการสามารถเสริมสร้างการฝึกอบรมทีมสนับสนุนของพวกเขาได้ เรียกใช้การประเมินคำตอบไม่จำเป็นต้องยอมรับว่าถูกต้องอย่างแน่นอน แต่เป็นการช่วยในการประหยัดเวลาที่มีค่าสำหรับการประเมินผลการให้บริการ

ประโยชน์: การประเมินคุณภาพการให้บริการอย่างรวดเร็วและการระบุเคสที่ต้องส่งเคลื่อนไหวได้

What’s Next แล้วไงต่อ ???

หัดใช้ พรอมท์ และเปิดใจเรียนรู้ทำงานไปพร้อมๆกับ General AI ในยุคต่อไป (ในอีกหลากหลายไม่ว่าจะเป็น Meta, Google และอีกหลายค่าย 555)

Generative AI เช่น ChatGPT จะเป็นเครื่องมือที่มีค่าสำหรับนักพัฒนาทุกระดับ การใช้งานหลักในปัจจุบันจะเป็นเมื่อคุณต้องการสร้างสิ่งใหม่ (และไม่สำคัญ!) ตามข้อกำหนดบางอย่าง – หรือ ‘prompts’ เหมือนกับภาษาใหม่ ๆ นี้ การผสมผสานผลลัพธ์เหล่านี้กับการดำเนินการที่เปิดใช้งานด้วยอัตโนมัติจะช่วยให้คุณสามารถแก้ไขกลุ่มของ Use cases ที่น่าสนใจได้อย่างกว้างขวาง สิ่งที่หลาย ๆ องค์กรยังต้องการทำงานกับ Generative AI Tools เหล่านี้ในสภาพแวดล้อมธุรกิจที่สอดคล้องกันและมีการบริหารจัดการที่มั่นคง

Credit:

https://www.uipath.com/blog/ai/leveraging-chatgpt-with-automation-development?utm_source=marketo&utm_medium=blog_weekly_email&utm_content=17february2023&mkt_tok=OTk1LVhMVC04ODYAAAGJ_EnpEZnpRT3bkWeqQrTs1j6YB8hjc7DTvlAJJAYAa4C0v9tmYY2gZkPYdKKjLvS420tTvFZ1qSI-t67md6QTkyrP41rFRGdXUGY7qBdToLXz7Q

เพิ่มพลังโรบอทด้วยเอไอ #1 AI in Manufacturing

ผู้เขียนเพิ่งได้มีโอกาสเข้ารับฟัง webinar session ที่จัดโดย UiPath ในงาน AI Summit 2022 ซึ่งจัดขึ้นทุกปีโดยปีนี้เป็นแบบ online มี session น่าสนใจมากมายซึ่งหนึ่งในนั้นเป็น break out session by industry แยกเฉพาะธุรกิจกันไปเลยว่าแต่ละภาคนั้นใช้ AI มาผลักดันให้ RPA ทำงานได้ดีมากขึ้นแค่ไหน use case ดี ๆ และแน่นอนบทเรียน ประสบการณ์ก่อน หลังการใช้ AI ได้ถูกแบ่งปันผ่านมาด้วย วันนี้เลยขอเอามาสรุปสั้น ๆ เพื่อเป็นประโยชน์กับผู้อ่านในภาคอุตสาหกรรมนั้น ๆ ครับ

โดยมีการแบ่งเนื้อหาเป็นสองเรื่องหลัก ๆ คือ แนวโน้มการใช้งาน ai + rpa ในภาคอุตสาหกรรม และการแบ่งปัน use case บทเรียนจากองค์กรที่ทำจริง ๆ และเนื้อหาที่ผ่านไปให้คิด ทำพัฒนากันต่อ … ในตอนแรกจะบอกไปถึงสาเหตุเริ่มต้นว่าทำไมโรงงานอุตสาหกรรมถึงต้องมาทำ automation โดยหลาย ๆ ที่เริ่มจากอยากช่วยพนักงานให้ทำงานเท่าเดิม แต่ได้งานเพิ่มขึ้น การเชื่อมต่อไปยังการเข้าถึงลูกค้าในช่องทางต่าง ๆ รวมไปถึงกระบวนการภายในและภายนอกในกระบวนการ SCM และสุดท้ายคือต่อยอดไปเรื่อง R&D ของทั้งสินค้าและบริการทั้ง ecosystems โดยตัวแนวโน้มจะเอ่ยไปถึงการใช้งานข้อมูลจำนวนมหาศาลถึง 1.812 petabytes (จะบอกว่าภาคโรงงานนี้ใช้ดิจิตอลเยอะมาก ๆ) มีมากกว่า 27% ที่ประยุกต์ใช้ ai จนสร้างมูลค่าเพิ่มได้แล้ว การนำเอา ai ไปใช่การพยากรณ์ที่จะแม่นยำมากขึ้น และสุดท้ายจะส่งผลให้ประสิทธิภาพของการผลิตโดยรวมดีขึ้นถึง 45%-60% นั่นเอง

มีเคสที่มาแชร์จำนวน 3 เคสจากยุโรป (REHAU, BSH และ Drager) ทั้งสามเป็นบริษัทในอุตสาหกรรมเฟอร์นิเจอร์ โพลิเมอร์ และสุดท้ายคือบริษัทผลิตอุปกรณ์ช่วยหายใจ ป้องกัน ตรวจจับ และวิเคราะห์ก๊าซจากเยอรมัน โดยทั้งสามองค์กรมีพนักงาน 15,000-60,000 คนขึ้นไป ทำการผลิต OEM การตลาดไปทั่วยุโรป และเอเชีย

REHAU (https://www.rehau.com/group-en/about-us)

นำเอา ai มาช่วยในการ automate ระบบ sales order จากข้อมูลที่ไหลผ่านมาทาง email, fax และแน่นอนไม่มีรูปแบบที่แน่ชัด
เหตุผลที่นำมาพัฒนาใช้งานเนื่องด้วยปริมาณการสั่งซื้อเข้ามามาก รับงานไม่ทัน และในขณะที่ไม่ต้องการว่าจ้างทีม sales admin มาเพิ่มเป็นต้นทุนที่สูง
โดย 25% เป็นคำสั่งซื้อที่มีความซับซ้อนจากแผนกโครงการ และ 6% เป็นจากการขายเฟอร์นิเจอร์
ความท้าทายในโครงการนี้คือการขาดความรู้ ทักษะสำหรับคนภายในทีม จึงไปติดต่อที่ปรึกษาที่เชี๋ยวชาญมาไกด์ การใช้งาน UiPath Document Understanding ในรูปแบบที่ไม่ใช่ Pre-Built ต้อง Train Model ใหม่ รวมไปถึงจำนวนเอกสารที่ให้ ML training ก็ต้องมีปริมาณในระดับหนึ่ง
ในอนาคตมองเรื่องการขยายการใช้งาน ai ในการอ่านเอกสารเพิ่มเติมนอกจาก order เป็น Shipment Tracking Status, Freight Invoice audit, HR process รวมไปถึงการประยุกต์ใช้ ai chatbot อีกด้วย

B/S/H (https://www.bsh-group.com)

บริษัทร่วมทุนยักษ์ใหญ่ในยุโรป ที่ผลิตเครื่องใช้ในบ้าน Bosch, GmbH และ Siemens AG
เริ่มศึกษา พัฒนาทีมพัฒนาคนในด้าน data science ปี 2017 จนในปี 2021 มี data science use case มากกว่า 20 เคส มีCitizen Data Scientists มากกว่า 400 คน
เมื่อทีมพร้อม และได้มาพบกับ RPA technology จาก UiPath ทำให้เกิด POC ที่ประสบผลสำเร็จเหมือนเจอกันถูกตัว
ปัจจุบันใช้งาน RPA มาช่วยในกระบวนการมากกว่า 100 process เลยทีเดียว
เริ่มเอา ai มาใช้ควบคู่เพื่อยกระดับการใช้ RPA มีการนำเอา ai ในรูปแบบText Classification for Quality Management Production (text mining) ai ช่วยอ่านเอกสารข้อมูลแนะนำ ปรับปรุงผลิตภัณฑ์ แยกหมวดหมู่และส่งต่อให้คนที่เกี่ยวข้อง, ai ด้าน internal chatbot ในองค์กร
เริ่มใช้ UiPath Document Understanding มาใช้แยกแยะ อ่าน และนำเข้าข้อมูลอีกด้วย

Dräger (https://www.draeger.com/th_th/Home)

ตั้งทีมในรูปแบบเล็ก ๆ แต่มี core team (HQ and Int) กำหนดนโยบาย และคอยช่วยตรวจสอบ (monitoring )กระบวนการที่ทำโดย RPA Dev จากบริษัทในประเทศนั้น ๆ มี (RPA Developer and Process Owner) คอยพัฒนาทดสอบ และใช้งาน
เริ่มจาก 14 RPA process ในปี 2018 จนมาถึง 82 RPA process ในปัจจุบัน
มองเป็น step จาก 4 step model for intelligent process automation
- Robotic process automation (ทำได้แล้ว)
- Cognitive automation (กำลังพัฒนา)
- Digital Assistants (วางแผน)
- Autonomous Agents (วางแผน)
ริเริ่มการใช้ DU (Document Understanding) โดยเป็น intercompany invoice ก่อน
ใช้ DU ดึงเอา contract no. แล้วสร้าง RegEx Extractor ดึงข้อมูลมาใช้งาน
ใช้ DU ดึงข้อมูลเอกสารมาทำ Order Entry ในระบบ Microsoft NAV

ทั้งนี้ผู้เขียนมีความเห็นว่ายิ่งมีการพัฒนาองค์ความรู้ทางด้าน ai มาผนวกเข้ากับความรู้ด้านการพัฒนากระบวนการ RPA ได้มากขึ้น จะทำให้เราใช้เทคโนโลยีเพื่อออกแบบกระบวนการ (ใหม่) ที่จะสั้น กระชับรวดเร็ว ตรวจสอบได้และไม่ต้องใช้แรงงานมนุษย์มากขึ้น สรุปคือ ai + rpa จะเป็นเทคโนโลยีที่จะก้าวหน้าขึ้นไปอีกดังนั้นผู้อ่านก็ควรติดตาม และพัฒนาทักษะตามไปด้วยกันครับ

แหล่งที่มา

https://gateway.on24.com/wcc/eh/3423204/lp/3644042/breakout-session-ai-in-manufacturing

https://www.uipath.com/events/ai-summit

สอนโรบอทให้เข้าใจเอกสาร ตอนที่ 2 – Combining Intelligent Document Processing with RPA

สวัสดีทุกท่านอีกครั้งครับ

เรายังอยู่ในซีรี่การสอนโรบอทให้เข้าใจเอกสารซึ่งในตอนที่แล้ว เราได้พูดถึงเทคโนโลยี Intelligent Document Processing (IDP) ที่มีการนำ AI เข้ามาเสริมการใช้งานของฟังชั่น OCR และทำให้โรบอทสามารถอ่านข้อมูลจากเอกสารได้หลากหลายชนิดมากขึ้นทั้งเอกสารที่เป็นแบบ semi-structured และแบบ unstructured ผ่านการนำ machine learning models เข้ามาวิเคราะห์รูปแบบของเอกสาร นอกเหนือไปจากการอ่านข้อมูลของเอกสารแบบ structured ที่ OCR ทำได้อยู่แล้ว

ในตอนที่ 2 นี้ เราจะมาลงในรายละเอียดเพิ่มเติมสำหรับบางขั้นตอนที่สำคัญของงาน IDP อย่าง

การ classify ชนิดของเอกสาร
การ extract ข้อมูลจากตัวของเอกสาร
และการทำ validation ข้อมูลที่อ่านออกมาโดยผู้ใช้งาน เพื่อแก้ข้อมูลที่อ่านผิดและช่วยเหลือโรบอทให้พัฒนาการอ่านให้แม่นยำขึ้น

ส่วนขั้นตอนทั้งหมดของงาน IDP ผมได้อธิบายไว้ในตัวอย่างการอ่านข้อมูลจากใบแจ้งหนี้ของบทความที่แล้ว ท่านที่สนใจสามารถย้อนกลับไปอ่านในบทความตอนที่ 1 ได้ครับ

การ classify ชนิดของเอกสาร

เพื่อให้การนำ IDP มาใช้กับระบบอัตโนมัติที่เกี่ยวข้องกับเอกสารในองค์กร้เกิดความคุ้มค่า ระบบ IDP ควรจะต้องถูกใช้กับเอกสารหลายชนิดเพื่อลดงาน manual ในการ key ข้อมูลจากเอกสารเข้าระบบให้มากที่สุด การ classify ชนิดของเอกสารจะเกิดขึ้นเมื่อเรามีเอกสารที่ต้องการอ่านมากกว่า 1 ชนิด เช่นในกระบวนการสรุปยอดค่าใช้จ่ายที่ต้องรวบรวมทั้ง ใบเสร็จ ใบกำกับภาษี ใบรับรองแพทย์ บิลน้ำมัน ฯลฯ ซึ่งโรบอทต้องเข้าใจว่าเอกสารที่ตัวเองกำลังอ่านอยู่นั้น เป็นเอกสารชนิดใด

หรือในกรณีที่เราต้องการอ่านข้อมูลจากเอกสารเพียงบางหน้าเท่านั้นจากชุดเอกสารหลายหน้าที่ถูกส่งเข้ามา ซึ่งในกรณีนี้ เอกสารทั้งชุดต้องถูก classify เพื่อแยกเฉพาะหน้าที่โรบอทต้องอ่านข้อมูลออกจากหน้าอื่นในชุดเอกสารที่เหลือ

รูปภาพด้านล่างแสดงลักษณะการ classify เอกสารออกเป็นชนิดต่างๆของ UiPath Document Understanding ด้วยตัวคัดแยกหรือ classifier ที่ชื่อ Intelligence keyword Classifier ซึ่งจะให้ค่าระดับความเชื่อมั่นหรือ Confidential Level ในการ classify ชนิดหรือประเภทเอกสารมาด้วย เราสามารถใช้ค่าความเชื่อมั่นนี้มากำหนดเป็น threshold สำหรับเปิดหน้าจอValidation Station ให้ผู้ใช้งานที่เป็นมนุษย์เข้ามาแก้ไขหรือยืนยันความถูกต้องของการ classify โดยโรบอทได้ ซึ่งจากรูปภาพ ถ้าผู้ใช้งานพบว่าโรบอท classify เอกสารไหนผิด ก็สามารถทำการ drag and drop เอกสารไปอยู่ในกลุ่มที่ถูกต้องได้

ตัวคัดแยกหรือ classifier นี้มีให้เลือกใช้ได้หลายชนิดทั้งแบบที่ใช้ keyword กำหนดค่าตรงๆจากตัวอักษรบนเอกสารและแบบที่ต้องมองกลุ่มคำหรือรูปแบบข้อความในเอกสารเพื่อใช้เป็นเกณฑ์การจำแนกประเภท

UiPath Document Understanding – classifier

การ extract ข้อมูลจากตัวของเอกสาร

โรบอทใช้ extractor ในขั้นตอนการอ่านข้อมูลจากเอกสาร จากบทความตอนที่แล้ว ข้อมูลที่ยังไม่เป็น digital เช่นเอกสารกระดาษที่ถูกสแกนเป็นไฟล์รูปภาพ จะถูกทำให้เป็น digital ด้วย OCR เพื่อให้โรบอทอ่านได้ จากนั้นจึงเป็นการ classify เอกสารให้ตรงประเภทเพื่อที่ข้อมูลจะถูก extract ด้วย extractor ตามตำแหน่งและตาม field ที่กำหนดไว้อย่างถูกต้อง

ใกล้เคียงกับการเลือก classifier เรามี extractor หลายตัวให้เลือกใช้ขึ้นอยู่กับรูปแบบเอกสารและ field ที่โรบอทต้องการอ่าน ยกตัวอย่างเช่น ถ้าเป็นฟอร์มที่มีลักษณะตายตัว มีข้อมูลที่อยู่ในตำแหน่งเดียวกันทั้งเอกสารไม่ว่าจะมีกี่แผ่นก็ตามอย่างเช่น แบบฟอร์มเคลมประกัน เราสามารถใช้ Form Extractor ได้ แต่ถ้าเรามีเอกสารที่เป็นลักษณะ semi-structured อย่างใบแจ้งหนี้ (Invoice) ที่มีทั้งส่วนที่ค่อนข้างคงที่อย่างส่วนต้นเอกสารซึ่งประกอบด้วยเลขที่ใบแจ้งหนี้ วันที่ ชื่อบริษัท และส่วนที่ไม่ค่อยคงที่อย่างส่วนตารางที่ระบุชนิดและจำนวนของผลิตภัณฑ์หรือบริการที่เราซื้อมา อีกทั้งมีความต่างกันในแต่ละเจ้าหนี้ เราสามารถใช้ ML Extractor มาช่วยวิเคราะห์รูปแบบและตำแหน่งบนเอกสาร

รูปภาพด้านล่างแสดงการกำหนด extractor ให้อ่านเอกสารแบบต่างๆที่เราต้องการข้อมูล เราสามารถใช้ extractor มากกว่าหนึ่งตัวต่อหนึ่งเอกสารได้ เช่น ใช้ Intelligence Form Extractor สำหรับอ่าน field ที่เป็นลายมือเขียนหรือช่องลายเซ็นต์ และใช้ extractor แบบอื่นเพื่ออ่านส่วนที่เหลือของเอกสาร เป็นต้น

UiPath Document Understanding labelling and extractor

ระบบจะเลือก extractor ตามลำดับจากซ้ายไปขวาถ้าค่า confident ไม่ได้ตามที่ตั้งไว้หรือเลือกโดยค่าที่กำหนดผ่าน checkbox ตามภาพ ถ้าโรบอทอ่านข้อมูลได้เกินระดับความเชื่อมั่นหรือ threshold ที่กำหนด ข้อมูลจะถูกส่งต่อไปยังส่วนอื่นๆของกระบวนการทำงานตามที่ออกแบบไว้ แต่ถ้าค่าที่อ่านได้ต่ำกว่าค่า threshold เราสามารถออกแบบให้มีการใช้คนเข้ามา validate ข้อมูลก่อนนำไปใช้

การทำ validation ข้อมูลที่อ่านออกมาโดยผู้ใช้งาน

โรบอทจะ extract ข้อมูลจากเอกสารพร้อมกับให้ค่าระดับความเชื่อมั่นหรือ Confidential Level ว่าโรบอทมั่นใจกับค่าที่อ่านได้แค่ไหน เราสามารถกำหนดเป็น threshold ให้ระบบเปิด Validation Station ขึ้นมาให้ผู้ใช้งานที่เป็นมนุษย์เข้ามาแก้ไขหรือยืนยันการอ่านค่าของ extractor ตามรูปภาพด้านล่าง

UiPath Document Understanding – **validation**

ผู้ใช้งานที่เป็นมนุษย์จะแก้ไขข้อมูลที่โรบอท extract ออกมาทางด้านซ้ายหรือยืนยันความถูกต้องผ่าน checkbox (ถ้าข้อมูลที่อ่านมาถูกต้องตามเอกสารด้านขวามือ) ในกรณีที่เลือกใช้ ML model extractor เราสามารถกำหนดให้ข้อมูลที่ได้รับการแก้ไขหรือยืนยันแล้วกลับไป train model เพิ่มเติมได้

ทั้งนี้การที่เราสามารถเลือกใช้เครื่องมือที่เหมาะสมสำหรับงาน IDP ในแต่ละขั้นตอนตั้งแต่

การเลือก OCR Engine ที่แปลงข้อมูลรูปภาพเป็น digital ได้อย่างถูกต้องตามรูปแบบและคุณภาพเอกสาร
การใช้ classifier ที่เหมาะสมในการจำแนกชนิดเอกสาร
การเลือกใช้ extractor ตามชนิดเอกสารและ field ที่ต้องอ่านข้อมูล

จะทำให้คุณภาพของข้อมูลที่อ่านได้มีความถูกต้องแม่นยำขึ้น ไม่เป็นภาระให้ผู้ใช้งานต้องมา verify ความถูกต้องของข้อมูลที่โรบอทอ่านมากจนเกินไป

ผมหวังว่าบทความทั้ง 2 ตอนนี้สามารถให้ภาพแก่ท่านผู้อ่านว่าเราสามารถก้าวข้ามอุปสรรคหลายอย่างที่เกิดขึ้นอดีต ในการนำข้อมูลจากเอกสารขององค์กรมาใช้ในงาน RPA ได้หลากหลายชนิดขึ้น แม่นยำขึ้น ด้วยการใช้ AI เข้ามาเสริมการทำงานแบบ rule-based ที่ยังต้องมีอยู่

ในตอนถัดไปซึ่งจะเป็นตอนที่ 3 ของซีรี่การสอนโรบอทให้เข้าใจเอกสาร เราจะไปดูเรื่องการสอนหรือ train โรบอทจริงๆเพื่อให้ได้ ML model extractor ว่ามีขั้นตอนอย่างไรและมี model ไหนที่ได้รับการสอนหรือ pre-trained ไว้แล้ว สามารถหยิบมาใช้ได้เลยครับ

แล้วพบกันครับ

Source: UiPath Document Understanding

สอนโรบอทให้เข้าใจเอกสาร #1 – Combining Intelligent Document Processing (IDP) with Robotic Process Automation (RPA)

ถ้าผมถามท่านผู้อ่านบทความที่มีการนำระบบ RPA มาใช้ในองค์กรของท่านแล้วว่า มีใครบ้างที่ไม่เคยคิดถึงหรือไม่ได้นำคุณสมบัติการอ่าน หรือสกัดข้อความจากเอกสารมาเป็นข้อมูลรูปแบบดิจิตอล (Text) ส่วนหนึ่งของโครงการ RPA ผมขอเดาว่าคำตอบคงมีไม่มากนักที่ไม่ได้คิดถึงเลย อันนี้นับรวมทั้งผู้ที่ได้ทำไปแล้วหรือกำลังวางแผนที่จะทำในเฟสถัดไปนะครับ

ที่คิดอย่างนี้ก็เพราะว่าปัญหาอย่างหนึ่งที่แทบทุกธุรกิจต้องประสบก็คือการจัดการกับเอกสาร (paper work) ในแต่ละวัน ข้อมูลปริมาณมหาศาลตั้งแต่งานทรัพยากรบุคคล เอกสารสัญญา ใบสั่งซื้อ ใบแจ้งหนี้ ไหลผ่านทุกองค์กรทั่วโลก ถ้าเราพัฒนาระบบ automation ให้โรบอทเข้ามาทำงานแทนตัวเราได้สารพัดอย่าง ไม่ว่าจะเป็นการนำข้อมูลเข้าออกระบบ ERP การทำรายงาน การรับสส่งอีเมล แต่เรายังต้องมา key ข้อมูลจากกระดาษหรือ scanned document ด้วยมืออยู่ดีก็เป็นเรื่องที่ไม่ค่อยมีประสิทธิภาพเท่าไหร่

ที่ผ่านมาตัวช่วยของเราในเรื่องนี้คือการนำเทคโนโลยี OCR เข้ามาอ่านเอกสารที่สแกนแล้ว แต่ความแม่นยำที่ได้จากการอ่านก็ยังเป็นปัญหาอยู่ดีเมื่อต้องเผชิญกับเอกสารที่

มีหลายแบบหลายประเภท
คุณภาพของเอกสารที่สแกนไม่คมขัดนัก มีตำหนิรอยเปื้อน หรือวางเอียงมา
ต้องมีการอ่านลายมือเขียน
ต้องมีการอ่านเครื่องหมายถูกผิดจากฟอร์มที่มี checkbox
เป็นภาษาไทย
เป็นไฟล์ข้อความหรือรูปภาพสกุลต่างๆเช่น PDF, PNG, GIF, JPEG, TIFF

จากประเด็นปัญหาดังกล่าวทำให้บางครั้งต้องมีการลด scope ของโครงการให้รองรับการอ่านข้อมูลเฉพาะจากเอกสารบางกลุ่มหรือบางลักษณะ เกิดเป็นความท้าทายต่อการประเมินความคุ้มค่าหรือ ROI ของโครงการเนื่องจากเทคโนโลยี OCRเองก็มีค่าใช้จ่ายที่จะคุ้มค่าก็ต่อเมื่อถูกนำมาใช้กับเอกสารปริมาณมาก

นอกจากนี้การพัฒนาโครงการ OCR และ RPA ยังเป็นแบบแยกกันอยู่ กล่าวคือ ระบบ OCR ทำหน้าที่ดึงหรืออ่านข้อมูลตัวอักษรจาก scanned document หรือ image แล้วโรบอทของระบบ RPA เป็นผู้นำข้อมูลที่อ่านได้ไปใช้งานต่อ ทำให้การพัฒนาและการใช้งานไม่เป็นเนื้อเดียวกัน

แต่ถ้าเราสามารถรวบรวมความสามารถด้านการอ่านเอกสารเข้าไปอยู่ในโรบอทเลย ผ่านการเรียนรู้ด้วย Artificial Intelligence (AI) เกิดเป็นซอฟต์แวร์ที่เรียกว่า Intelligent Document Processing (IDP) ซึ่งแก้ปัญหาที่เล่ามาข้างต้นได้ องค์กรย่อมได้รับผลลัพท์ที่ดี (positive impact) จากการที่มี AI เข้ามาช่วยพัฒนาความสามารถของการทำงาน

ทางหน่วยงานของบริษัทวิจัยระดับโลกอย่าง Gartner Financial Practice ได้เคยประเมินไว้ว่า แผนกบัญชีและการเงินขององค์กรสามารถประหยัดชั่วโมงทำงานได้ถึง 25,000 ชั่วโมงจากการลดความผิดพลาดที่เกิดจากพนักงาน (human error) โดยนำเครื่องมือ RPA เข้ามาใช้ในระบบรายงานทางการเงิน ซึ่งตัวเลขของการประหยัดชั่วโมงทำงานนี้ยังสามารถเพิ่มขึ้นได้อีกเนื่องจากในปัจจุบันมีเพียง 1 ใน 3 ของแผนกบัญชีและการเงินในภาพรวมที่ใช้งานระบบ RPA

บทความชุดนี้จะเป็นการให้ข้อมูลแก่ผู้อ่านเกี่ยวกับแง่มุมต่างๆของเทคโนโลยี Intelligent Document Processing และการใช้งานในองค์กร โดยบทความนี้เป็นตอนแรกครับ

รูปภาพที่ 1 ผลลัพท์ที่ดีทางธุรกิจจะเพิ่มขึ้นเมื่อมีการนำ AI เข้ามาใช้ร่วม

Intelligent Document Processing คืออะไร

โดยคำอธิบายแล้ว Intelligent Document Processing หมายถึงความสามารถของซอฟท์แวร์โรบอทในการอ่าน การแปลความ และการจัดการกับข้อมูลในเอกสารได้อย่างอัตโนมัติ โดยการนำ machine learning เข้ามาสอนให้โรบอทเรียนรู้และเข้าใจเอกสารที่เราต้องการใช้งาน เราสามารถมอง Intelligent Document Processing เป็นจุดตัดหรือจุดบรรจบกันเทคโนโลยี 3 ส่วนคือ document processing, AI, และ RPA ดังรูปกราฟฟิกด้านล่าง

ในบทความนี้ ผมขอยก Intelligent Document Processing จากค่าย UiPath ที่ชื่อ Document Understanding มาใช้ในการอธิบายประกอบนะครับ

การที่เรานำความสามารถของ document processing และ AI เข้ามารวมกับ RPA ได้หมายถึงเรามีโอกาสที่จะสอนให้โรบอทคิดหรือเข้าใจลักษณะของเอกสารได้เอง แทนที่เราต้องเป็นฝ่ายคิดและสร้าง rule ในการทำงานให้กับโรบอท เพื่อที่โรบอทจะได้ทำงาน step by step ตามคำสั่งเรา

ส่วนวิธีการสอนโรบอทนั้น ขึ้นอยู่กับความซับซ้อนของเอกสารแต่ละประเภทที่ต้องเผชิญ ถ้าเอกสารที่ไม่ซับซ้อนอย่างหนังสือเดินทาง ซึ่งถ้าเราต้องการทราบชื่อหรือสัญชาตของเจ้าของหนังสือเดินทางไม่ว่าเล่มไหน เราหรือโรบอทจะรู้ทันทีว่าต้องดูที่ตำแหน่งไหน แต่ถ้าเป็นเอกสารสัญญา bank statement หรืออีเมลติชมที่ส่งจากลูกค้าของเรา ปัญหาจะเริ่มเกิด เพราะไม่ว่าเราเองหรือโรบอทก็ต้องอ่านเอกสารนั้นทั้งหมดเพื่อจะได้เข้าใจทุกๆส่วนของเอกสาร

Intelligent Document Processing (หรือ Document Understanding ในกรณีของ UiPath) แก้ปัญหานี้โดยการสอนโรบอทให้สามารถแยกแยะประเภทของเอกสาร อ่านข้อมูลได้ถูกตำแหน่ง และนำข้อมูลไปใช้ต่อได้เลยอย่างถูกต้องด้วยความรวดเร็วอย่างที่เราหรือองค์กรของเราต้องการ

เทคนิคและกรรมวิธีในการอ่านข้อมูลจากเอกสาร

โดยทั่วไปเราสามารถจำแนกเอกสารเป็น 3 ประเภท คือ Structured, Semi-structured, และ Unstructured ซึ่งสามารถจัดการได้ด้วยวิธีการอ่านเอกสาร 2 รูปแบบคือแบบ rule-based data extraction (สำหรับเอกสารที่เป็น Structured) และแบบ model-based data extraction (สำหรับ เอกสาร ที่เป็น Semi-structured และ Unstructured)

เทคนิคหรือวิธีการอ่านเอกสารแบบ rule-based หรือบางทีก็เรียก template-based จะเป็นการกำหนด rule แบบตรงไปตรงมา เหมือนการที่เราสร้าง rule ในการบล็อคอีเมลที่เราไม่ต้องการรับหรือการกำหนด key word search สำหรับการค้นหาเฉพาะคำๆนั้นในเอกสาร ถ้าเราต้องการเพิ่มอีเมลที่ต้องการบล็อคหรือ key word search ในการสืบค้น เราต้องเพิ่มชื่ออีเมลหรือ key word เข้าไปเอง

เทคนิคหรือวิธีการอ่านเอกสารแบบ model-based data extraction จะใช้ machine learning (ML) เป็นกลไกในการทำงานด้วยการเรียนรู้จากกลุ่มตัวอย่างจำนวนมาก โดยเราเป็นผู้สอน (train) ให้โรบอทเข้าใจว่าต้องทำอย่างไรในแต่ละสถานการณ์ที่ไม่เหมือนกัน อย่างในตัวอย่างของการบล็อคอีเมลข้างต้น ถ้าเราสามารถสอนให้โรบอทเข้าใจลักษณะของ spam email อันเป็นจุดเริ่มต้นของการที่เราต้องการบล็อคอีเมลไม่ให้เข้ามาได้ คราวนี้ถ้ามีอีเมลจำนวนมากนับร้อยนับพันเข้ามาในองค์กร เราก็ไม่ต้องสร้าง rule หรือกำหนดชื่ออีเมลแต่ละฉบับที่ต้องการบล็อค แต่ให้โรบอทแยกแยะอีเมลที่น่าสงสัยว่าจะเป็น spam email จากการเรียนรู้ของโรบอทเอง

ทั้งสองเทคนิคดังกล่าวหรืออาจรวมอีกหนึ่งเทคนิคคือ hybrid approach ที่เป็นการรวมทั้ง rule-based และ model-based เข้าไว้ด้วยกัน (เช่นกรณีที่บางครั้งการอ่านข้อมูลบางตำแหน่งจากเอกสารประเภท Structured ต้องอาศัย ML model เข้ามาช่วนเพื่อความม่นยำมากขึ้น) สามารถเรียกใช้งานได้จากแพลตฟอร์มของ Document Understanding ที่รวมความสามารถเหล่านี้ไว้ด้วยกัน

การข้ามข้อจำกัดเดิมของการใช้เฉพาะ OCR

คุณสมบัติของ Document Understanding ที่กล่าวมาทำให้เราสามารถก้าวข้ามขีดจำกัดของการใช้เฉพาะโซลูชั่น OCR ร่วมกับ rule-based approach ในการจัดการกับเอกสารที่ไม่ใช่ Structured ซึ่งบางท่านอาจเคยเจอมาบ้างแล้ว ยกตัวอย่างเช่น การจัดการกับกระบวนการใบแจ้งหนี้ (Invoice) ที่ทีม Account Payable (AP) พยายามสร้าง template และใช้ OCR อ่านเอกสารใบแจ้งหนี้ที่สแกนจากกระดาษ จากนั้นก็ส่งต่อให้ RPAนำเข้าระบบเพื่อไปทำการจ่ายหนี้ แต่เนื่องจากฟอร์มใบแจ้งหนี้มีความต่างกันในแต่ละเจ้าหนี้ ทำให้ต้องพัฒนา template จำนวนมากเพื่อให้รองรับความต่างนี้ หรือไม่ก็พยายามทำ template ที่ซับซ้อนให้รองรับฟอร์มใบแจ้งหนี้หลายๆแบบ ซึ่งต้องแลกกับความถูกต้องของการอ่านตัวอักษร ทำให้ผู้ใช้งานมีภาระเพิ่มขึ้นในขั้นตอน validation

แต่พอมาเป็นการใช้งานด้วย Document Understanding ทำให้เรามีทางเลือกเพิ่มขึ้นในการใช้ model-based approach ในการจัดการกับเอกสาร Semi-Structured อย่างใบแจ้งหนี้ โดยอาศัย ML skill model ที่โรบอทได้รับการสอนและเรียนรู้ได้ตลอดเวลาเพื่อเพิ่มความถูกต้องแม่นยำของการอ่านขัอมูล

รูปภาพที่ 2 ความสัมพันธ์ของ document processing, RPA, และ AI

จากข้อมูลการใช้งานจริงของบริษัทค้าปลีกขนาดใหญ่ของสหรัฐแห่งหนึ่ง ที่ว่าจ้างให้บริษัทที่ปรึกษาด้านระบบอัตโนมัติ ที่ชื่อ Accelirate Inc. พัฒนาระบบ RPA สำหรับกระบวนการใบแจ้งหนี้ (Invoice Processing) พบว่าใบแจ้งหนี้กว่า 93% ของทั้งหมดสามารถจัดการได้โดยไม่ต้องใช้คน (อ่านได้แม่นยำเกินค่าระดับความเชื่อมั่น) ซึ่งบริษัทค้าปลีกนี้มีปริมาณใบแจ้งหนี้โดยเฉลี่ย 200 – 500 ใบต่อวัน หรือกว่า 700 ใบสำหรับวันที่มากที่สุด

ขั้นตอนการทำงานของโรบอทจากเครื่องมือ Document Understanding ที่บริษัทค้าปลีกใช้งานอยู่ มี 6 ขั้นตอนดังต่อไปนี้

โรบอทอ่านอีเมล คัดแยกอีเมลที่ไม่เกี่ยวกับใบแจ้งหนี้ออกมาแล้วส่งไปให้เจ้าหน้าที่ในทีม AP จัดการแบบ manual ส่วนอีเมลที่เป็นงานใบแจ้งหนี้นั้น โรบอทก็จะบันทึกเอกสารแนบของอีเมลลงบนไฟล์แขร์เพื่อไปเข้าคิวงานของระบบ Document Understanding
โรบอท digitize ใบแจ้งหนี้ ด้วยเครื่องมือ OCR และหาตำแหน่งบนเอกสารของข้อมูลที่ต้องการอ่าน รวมทั้งแยกชุดเอกสารออกเป็นแต่ละหน้าโดยเรียงลำดับของหน้าอย่างถูกต้อง
โรบอท extract ข้อมูลที่กำหนดไว้แล้วอย่าง วันที่ใบแจ้งหนี้ หมายเลขใบแจ้งหนี้ จำนวนเงิน วันที่ต้องชำระ เป็นต้น ด้วย machine learning ซึ่งในโซลูชั่นนี้ Accelirate นำ out-of-the-box pre-trained model สำหรับ Invoice ของ UiPathเข้ามาใช้งานร่วมกับการสอนโรบอทให้อ่านข้อมูลได้แม่นยำเพิ่มขึ้นบนแพลทฟอร์ม AI Center ซึ่งเป็นเครื่องมือที่อยู่ในกลุ่มเดียวกันกับ Document Understanding นอกจากใบแจ้งหนี้แล้ว โรบอทยังได้รับการสอนในให้เข้าใจเอกสารและสามารถค้นหาเอกสารแนบอื่นๆอยาง ใบตราขนส่งสินค้า (bill of lading) หรือ BOL ซึ่งเป็นเอกสารที่ต้องใช้ประกอบกระบวนการจ่ายหนี้การค้า ซึ่งโรบอทสามารถตรวจสอบได้ว่าอีเมลที่ส่งเข้ามามี BOL หรือไม่ ถ้าไม่ก็แจ้งทีม AP เพื่อแก้ปัญหาต่อไป
โรบอทประเมินความถูกต้องของระดับความเชื่อมั่นในการอ่านเอกสาร
1. ถ้าโรบอทอ่านข้อมูลจากใบแจ้งหนี้ได้ระดับความเชื่อมั่น 95% ขึ้นไป ข้อมูลจากใบแจ้งหนี้จะถูกส่งต่อแบบอัตโนมัตืไปยังคิวงาน reconcile เพื่อทำจ่ายต่อไป
1. ในกรณีที่ระดับความเชื่อมั่นจากการอ่านต่ำกว่า 95% ข้อมูลจากใบแจ้งหนี้จะถูกส่งไปให้เจ้าหน้าที่ทีม AP ทำการ validation เพื่อยืนยันหรือแก้ไขความถูกต้อง
การทำงานจะย้อนกลับไปที่ขั้นตอนที่ 1 สำหรับการทำงานของใบแจ้งหนี้ลำดับถัดไป จนกระทั่งใบแจ้งหนี้ที่ถูกส่งมาทั้งหมด จะไปอยู่ในคิวงาน reconcile เพื่อเตรียมการอนุมัติจ่าย
โรบอทจัดทำรายงานสรุปการทำงานของใบแจ้งหนี้ batch นี้ ประกอบไปด้วย จำนวนใบแจ้งหนี้ทั้งหมด จำนวนใบแจ้งหนี้ที่อ่านได้สำเร็จด้วยโรบอทเอง จำนวนใบแจ้งหนี้ที่ต้องส่งให้ทีม AP ทำ validation เวลาที่โรบอททำงานในกระบวนการนี้

จากการประเมินความคุ้มค่าของโครงการ ทีม AP ของบริษัทค้าปลีกแห่งนี้สามารถลดเวลาโดยรวมลงได้ถึง 20% เพื่อที่สมาชิกทีม AP สามารถไปใช้เวลากับเรื่องอื่นที่สำคัญกว่า เนื่องจากเวลาในการจัดการกับใบแจ้งหนี้ลดลงเหลือ 30 วินาทีต่อใบเมื่อเทียบกับ 3-5 นาทีต่อใบก่อนที่จะนำ Document Understanding เข้ามาใช้

ผู้อ่านที่สนใจสามารถติดตามข้อมูลเพิ่มเติมจากบทสัมภาษณ์ของผู้รับผิดชอบโครงการจาก Accelirate Inc. ซึ่งเป็นบริษัทที่ปรึกษาที่พัฒนาโครงการดังกล่าวได้ตามลิงค์วิดิโอด้านล่าง

ในบทความตอนต่อไปของชุด สอนโรบอทให้เข้าใจเอกสาร จะให้ข้อมูลเชิงลึกที่มากขึ้นของ Document Understanding ขอให้รอติดตามทาง blog ของบ.ออโต้แมทนะครับ

แล้วพบกันใหม่ สวัสดีครับ