Session Note: ผนึกกำลัง Data และ AI ด้วย Amazon SageMaker รุ่นใหม่ จากงาน AWS Summit Bangkok 2025

สวัสดีครับ เพื่อน ๆ เรามาต่อกับบทความสาระดี ๆ จากงาน AWS Summit Bangkok 2025 กันครับ โดยหัวข้อนี้จะเป็นเรื่องของ "Unify data and AI with the next generation of Amazon SageMaker" ซึ่งเนื้อหานี้ได้รับการบรรยายจาก Speaker สองท่านตามนี้

• คุณ Chatcharoen Chivakanit, Senior Solutions Architect, AWS
• Dr. Taweesak Emsawas, Expert Data Scientist, Gosoft (Thailand) Company Limited

ที่สำคัญเลยคือ Session นี้มีการเล่าเนื้อหาที่เข้าใจง่ายครับ เพราะมีการเรียง Agenda ไว้ให้แล้วด้วยตามนี้ครับ

1. Why the next generation of Amazon SageMaker?
2. How the next generation of Amazon SageMaker empowers organizations and builders
3. Amazon SageMaker Unified Studio key concepts and demo
4. Improving item forecast accuracy with no-code machine learning

เอาล่ะ เราไปเริ่มกันเลยดีกว่าครับ

1. Why the next generation of Amazon SageMaker?

ช่วงแรกนี้ คุณ Chatcharoen Chivakanit, Senior Solutions Architect, AWS ได้นำเสนอถึงความเข้าใจขององค์กรต่าง ๆ เกี่ยวกับ AI และข้อมูล ซึ่งปัจจุบันองค์กรส่วนใหญ่เข้าใจดีว่า analytics และ AI ที่ปรับแต่งตามธุรกิจของพวกเขาสามารถขับเคลื่อนธุรกิจได้อย่างมีประสิทธิภาพ โดยมีข้อมูล (data) ขององค์กรเป็นเชื้อเพลิงสำคัญ

แต่ในขณะเดียวกัน องค์กรก็กำลังเผชิญกับความท้าทายหลายประการ:

ความท้าทายด้านเทคโนโลยี:

• AI และ machine learning ต้องการความเร็วและประสิทธิภาพสูง
• สภาพแวดล้อมทางเทคโนโลยีที่เปลี่ยนแปลงตลอดเวลา

ความท้าทายด้านข้อมูล:

• กระบวนการและงานที่เปลี่ยนแปลงต้องการการจัดเก็บข้อมูล APIs และเครื่องมือที่หลากหลาย
• Data silos ที่ไม่เชื่อมต่อกัน
• ความเชื่อมั่น ความไว้วางใจ และการกำกับดูแลข้อมูล

คุณ Chatcharoen ยังได้อธิบายว่าองค์กรส่วนใหญ่ชื่นชอบชุดบริการที่ครอบคลุมและสร้างมาเพื่อวัตถุประสงค์เฉพาะ พร้อมทั้งต้องการการปรับให้เหมาะสมทั้งด้านประสิทธิภาพและต้นทุน นี่คือเหตุผลว่าทำไม AWS จึงพัฒนา SageMaker รุ่นใหม่ขึ้นมา (ต้องบอกเลยว่าเป็นการตอบโจทย์ความต้องการของตลาดได้อย่างตรงจุดเลยทีเดียวครับ)

2. How the next generation of Amazon SageMaker empowers organizations and builders

ในส่วนที่สอง คุณ Chatcharoen ได้อธิบายว่า Amazon SageMaker รุ่นใหม่ช่วยเสริมพลังให้องค์กรและนักพัฒนาได้อย่างไร โดยเน้นที่ 4 องค์ประกอบหลัก:

1. AI: พัฒนาและขยาย AI use cases ด้วยเครื่องมือที่หลากหลายที่สุด
2. Unified Studio: ทำงานร่วมกันและสร้างได้เร็วขึ้นด้วยสภาพแวดล้อมการพัฒนาข้อมูลและ AI แบบครบวงจร
3. Lakehouse: ลด data silos ด้วย open lakehouse เพื่อรวมข้อมูลทั้งหมด
4. Catalog: ตอบสนองความต้องการด้านความปลอดภัยขององค์กรด้วยการกำกับดูแลข้อมูลและ AI แบบในตัว

คุณ Chatcharoen ได้เน้นย้ำเป็นพิเศษเกี่ยวกับ Amazon SageMaker Unified Studio ซึ่งเป็นสภาพแวดล้อมการพัฒนาข้อมูลและ AI แบบครบวงจรเพื่อการทำงานร่วมกันและสร้างได้เร็วขึ้น โดยรวมบริการต่าง ๆ เข้าด้วยกัน เช่น:

• SQL Analytics (Amazon Redshift)
• Data Processing (Amazon EMR, AWS Glue)
• Model Development (Amazon SageMaker)
• Gen AI App Development (Amazon Bedrock)
• Search Intelligence (Amazon CloudSearch)
• Streaming Analytics (Amazon OpenSearch)
• Business Analytics

นอกจากนี้ยังมี Amazon SageMaker Lakehouse ที่ช่วยลดความซับซ้อนของ analytics และ AI ด้วย data lakehouse ที่เป็นหนึ่งเดียว เปิดกว้าง และปลอดภัย มีการเข้าถึงข้อมูลแบบเปิด (Open Data Access) ผ่าน Iceberg REST Catalog API และรองรับการทำงานแบบ Zero-ETL (แหม่ นี่แหละที่เรียกว่าการบูรณาการที่ครบวงจรจริง ๆ)

3. Amazon SageMaker Unified Studio key concepts and demo

ในส่วนที่สาม Dr. Taweesak Emsawas, Expert Data Scientist, Gosoft (Thailand) Company Limited ได้นำเสนอกรณีศึกษาจาก Gosoft ซึ่งเป็นบริษัทด้านเทคโนโลยีสารสนเทศที่พัฒนาระบบ IT สำหรับ 7-Eleven ในประเทศไทย

Dr. Taweesak ได้แนะนำให้รู้จักกับ CPALL (บริษัท ซีพี ออลล์ จำกัด (มหาชน)) ซึ่งเป็นบริษัทแม่ที่บริหารร้าน 7-Eleven ในประเทศไทย โดยมีสถิติที่น่าทึ่ง:

• มีร้าน 7-Eleven มากกว่า 15,000 สาขาทั่วประเทศ
• มีรายการสินค้า (SKUs) มากกว่า 200,000 รายการ
• มีลูกค้าใช้บริการ 13 ล้านคนต่อวัน
• มีธุรกรรมการซื้อขาย 14 ล้านรายการต่อวัน
• 15% ของคำสั่งซื้อมาจากช่องทางออนไลน์

Dr. Taweesak ได้อธิบายถึงบริการหลักของระบบ IT ที่พัฒนาโดย Gosoft และแนะนำบริการ 7-Eleven Delivery ซึ่งมีแนวคิด "Retail convenience store in your palms, delivering to your doorstep" (นี่เป็นตัวเลขที่น่าสนใจมาก ๆ เลยครับ)

จากนั้น Dr. Taweesak ได้สาธิตการใช้งาน Amazon SageMaker Unified Studio ในการพัฒนาโซลูชันสำหรับ 7-Eleven โดยเน้นที่ความสามารถในการทำงานร่วมกันระหว่างทีมต่าง ๆ และการเชื่อมต่อข้อมูลจากหลายแหล่งเข้าด้วยกัน

4. Improving item forecast accuracy with no-code machine learning

ในส่วนสุดท้าย Dr. Taweesak ได้เล่าถึงความท้าทายในการจัดการสินค้าคงคลังของ 7-Eleven:

1. ปัญหา Stock day (สินค้าคงคลังมากเกินไป):

   • ส่งผลให้กระแสเงินสดไม่คล่องตัว
   • สูญเสียพื้นที่จัดเก็บในร้าน
   • เสี่ยงต่อการมีสินค้าหมดอายุ

2. ปัญหา Stock out (สินค้าขาดสต็อก):

   • สูญเสียโอกาสในการขาย
   • ลูกค้าไม่พึงพอใจ
   • ส่งผลเสียต่อชื่อเสียงแบรนด์

3. กระบวนการเติมสินค้าแบบเดิมใช้เวลามาก:

   • "Manual Work" ใช้เวลา 120 นาทีต่อวันต่อร้าน
   • คิดเป็น 20,000 ชั่วโมงต่อวันทั่วประเทศ
   • หรือ 6% ของเวลาปฏิบัติงานทั้งหมด

Dr. Taweesak ได้นำเสนอโซลูชัน AI Tanpin Kanri (AITK) ซึ่งเป็นระบบปัญญาประดิษฐ์สำหรับการเติมสินค้าเชิงรุก โดยใช้ข้อมูลขนาดใหญ่ 6TB จากหลายแหล่ง เช่น ข้อมูลการขาย ข้อมูลสินค้า ข้อมูลโปรโมชัน และข้อมูลร้านค้า (ไม่แปลกใจเลยทำไมเขาใช้ข้อมูลขนาดใหญ่ขนาดนี้)

ระบบ AITK ทำงานผ่าน 3 ขั้นตอนหลัก:

1. Data collection (การเก็บรวบรวมข้อมูล)
2. AI/ML pipelines (การเตรียมข้อมูล สร้างและฝึกฝนโมเดล และการพยากรณ์อุปสงค์)
3. Replenishment model (โมเดลการเติมสินค้า)

Dr. Taweesak ได้อธิบายว่า Gosoft ใช้เทคโนโลยี AWS หลายอย่างในระบบ AITK:

• AWS Step Functions: จัดการ training และ inference pipelines
• AWS Glue Jobs: ทำ data transformation
• Amazon S3: เก็บข้อมูลต่าง ๆ
• Amazon SageMaker AutoML: ทำ data pre-processing, feature engineering, และ ML model selection

ที่สำคัญ Dr. Taweesak ได้เน้นย้ำถึงการใช้ Amazon SageMaker Canvas ซึ่งเป็นเครื่องมือ no-code machine learning ที่ช่วยให้ทีมสามารถสร้างโมเดลการพยากรณ์ได้โดยไม่ต้องเขียนโค้ด

ผลลัพธ์ที่ได้จากการใช้ระบบ AITK นั้นน่าประทับใจมาก ๆ:

• ลดเวลาในกิจกรรมการเติมสินค้าลง 95%
• ลด Stock day ลง 5%
• ลด Stock out ลง 40%

รอติดตามอ่านนะครับ!

เซสชัน "Unify data and AI with the next generation of Amazon SageMaker" นี้ได้แสดงให้เห็นถึงวิสัยทัศน์ของ AWS ในการพัฒนาเครื่องมือที่ช่วยให้องค์กรสามารถใช้ประโยชน์จาก AI และข้อมูลได้อย่างเต็มที่ ผ่าน Amazon SageMaker รุ่นใหม่ที่รวมทุกอย่างเข้าด้วยกันในแพลตฟอร์มเดียว

กรณีศึกษาจาก Gosoft และ 7-Eleven ประเทศไทยเป็นตัวอย่างที่ดีของการนำ Amazon SageMaker ไปใช้งานจริงและได้ผลลัพธ์ที่จับต้องได้ โดยเฉพาะการใช้ SageMaker Canvas ซึ่งเป็นเครื่องมือ no-code ที่ช่วยให้ทีมที่ไม่มีความเชี่ยวชาญด้าน data science สามารถสร้างโมเดล ML ได้

สำหรับองค์กรที่กำลังมองหาวิธีการปรับปรุงการใช้ข้อมูลและ AI ในธุรกิจ Amazon SageMaker รุ่นใหม่นี้น่าจะเป็นคำตอบที่น่าสนใจมาก และหากคุณต้องการความช่วยเหลือในการนำ AWS services ไปใช้ในองค์กรของคุณ ทีม Classmethod Thailand พร้อมให้คำปรึกษาและสนับสนุนคุณอย่างเต็มที่ครับ!

สำหรับบทความถัดไป ผมจะมาเล่าเรื่องอะไร ฝากติดตามกันด้วยนะครับ สำหรับวันนี้พระเจ้าอวยพรครับ!