เจาะประเด็น
AI / ML
DoorDash ทิ้งระบบเดาใจลูกค้าแบบเดิม เปลี่ยนเป็น "Agent" ที่จำได้ว่าเมื่อวานคุณสั่งอะไร
ไม่ใช่แค่แนะนำเมนูเก่งขึ้น แต่เป็นการสร้างแพลตฟอร์มที่เข้าใจบริบทชีวิตคุณทั้งชีวิต เพื่อให้ได้ยอดสั่งอาหารที่พุ่งปรี๊ด
ทีมข่าว เอไอไทย.com
⏱ อ่าน 6 นาที
เราคุยกันตามตรงเถอะ ระบบแนะนำของแอปเดลิเวอรี่ส่วนใหญ่ในไทยมันโง่ชะมัด มันเดาได้แค่ว่า "คนที่สั่งก๋วยเตี๋ยวเมื่อคืน น่าจะอยากสั่งก๋วยเตี๋ยวอีก" ซึ่งมันก็ถูกบ้าง ผิดบ้าง แต่ส่วนใหญ่คือพลาด มันไม่รู้เลยว่าคุณเพิ่งกินอะไรไปตอนเที่ยง หรือว่าวันนี้คุณรู้สึกอยากลองอะไรใหม่ๆ จนกระทั่งตอนนี้ DoorDash หนึ่งในยักษ์ใหญ่เดลิเวอรี่ของอเมริกา เขาเดินหน้าอีกขั้นอย่างจริงจัง ด้วยการทิ้งโมเดลเก่าที่ทำนายแบบ "ยิงทีเดียวจบ" แล้วหันไปสร้างระบบที่เรียกว่า Agentic Recommendation Platform ซึ่งฟังดูเท่อย่างมาก แต่แก่นแท้ของมันคือการทำให้ AI "จำบริบท" ของผู้ใช้ได้จริง ไม่ใช่แค่เดาจากประวัติการสั่งซื้อเฉยๆ
Sudeep Das หัวหน้าทีม Machine Learning ของ DoorDash ออกมาเล่าในงานประชุมวิชาการว่าพวกเขาปฏิวัติระบบภายในครั้งใหญ่แค่ไหน จากเดิมที่เคยใช้โมเดลทำนายแบบ one-shot (คือกรอกข้อมูลเข้าไปทีเดียวแล้วได้คำตอบออกมาเป็นรายการอาหาร) เปลี่ยนมาเป็นระบบที่ AI ทำงานเป็น "ตัวแทน" หรือ Agent ที่มีหน่วยความจำระยะยาว จำได้ว่าคุณเป็นใคร เคยสั่งอะไร ตอนไหน กี่ครั้ง และที่สำคัญคือมัน "คิดเป็นขั้นตอน" ไม่ใช่แค่คำนวณความน่าจะเป็นแบบผิวเผิน
ประเด็นสำคัญที่หลายคนมองข้ามคือ คำว่า "Context-Aware" (เข้าใจบริบท) มันไม่ได้หมายถึงแค่รู้ว่าคุณอยู่ย่านไหน หรือสั่งตอนกี่โมง แต่มันหมายถึงการที่ระบบสามารถโยงข้อมูลทั้งหมดเข้าหากันเป็นเรื่องราวเดียวได้ อย่างเช่น ถ้าคุณเพิ่งออกกำลังกายเสร็จ มันก็ควรแนะนำอาหารคลีน หรือถ้าคุณสั่งของหวานทุกวันศุกร์หลังเลิกงาน มันก็ควรเสนอโปรโมชันของหวานให้คุณโดยอัตโนมัติ ซึ่งเรื่องแบบนี้โมเดลแมชชีนเลิร์นนิงแบบเดิมทำไม่ได้ เพราะมันมองไม่เห็น "ภาพรวม" ของชีวิตคุณ
ปัญหาของระบบเก่ามันไม่ได้อยู่ที่ "ความแม่นยำของโมเดล" แต่อยู่ที่ "สถาปัตยกรรมโดยรวม" มันถูกออกแบบมาให้ตอบสนองต่อคำขอเดียวแบบแยกส่วน เช่น ผู้ใช้เปิดแอป -> ระบบดึงข้อมูล -> คำนวณ -> แสดงผล มันไม่มี "ความทรงจำ" ว่าเมื่อวานคุณเจอหน้าร้านนี้แล้วไม่สั่งเพราะอะไร หรือคุณกดดูเมนูนี้ไปแล้ว 3 ครั้งแต่ยังไม่ตัดสินใจ ข้อมูลพวกนี้ถูกทิ้งไปอย่างน่าเสียดาย ซึ่ง DoorDash มองเห็นช่องโหว่นี้และลงมือแก้ไขด้วยการสร้าง "Language-Native Consumer Memory" หรือหน่วยความจำผู้ใช้ที่ใช้ภาษาเป็นแกนหลัก นั่นหมายความว่าพวกเขาแปลงพฤติกรรมทุกอย่างของผู้ใช้ให้เป็น "ข้อความ" หรือ "ประโยค" ที่ AI แบบภาษาเข้าใจได้ แล้วเก็บไว้ในคลังหน่วยความจำระยะยาว
ฟังดูอาจจะ abstract หน่อย แต่ขออธิบายให้เห็นภาพง่ายๆ สมมติว่าคุณสั่งพิซซ่าหน้าฮาวาเอี้ยน (ซึ่งเป็นอาชญากรรมต่อพิซซ่าอิตาลี แต่ช่างเถอะ) ระบบเก่าจะจำแค่ว่า "ผู้ใช้คนนี้ชอบพิซซ่า" แต่ระบบใหม่ของ DoorDash จะจำได้ว่า "ผู้ใช้คนนี้สั่งพิซซ่าฮาวาเอี้ยนตอนดึกวันพฤหัส หลังเลิกงาน แล้วกินไม่หมดทิ้งไว้ในตู้เย็น" พอถึงวันศุกร์ ถ้าระบบแนะนำพิซซ่าหน้าอื่น มันก็อาจจะไม่ตรงใจ เพราะความจริงแล้วคุณอาจจะอยากกินส้มตำเพื่อตัดเลี่ยนก็ได้ ระบบใหม่มันเข้าใจ "เรื่องราว" ของคุณ ไม่ใช่แค่ "ข้อมูล" ของคุณ
อีกหนึ่งเทคนิคเด็ดที่ Sudeep พูดถึงคือการเปลี่ยนวิธีแทนค่าร้านอาหารและเมนูต่างๆ จากเดิมที่ใช้ ID เฉพาะแบบสุ่ม (random ID) ไปเป็น "Semantic IDs" ที่สร้างจากโมเดล RQ-VAE ( Residual Quantized Variational AutoEncoder) ซึ่งเจ้าตัวนี้มันจะจัดกลุ่มของที่คล้ายกันไว้ใกล้กัน เช่น ร้านข้าวมันไก่กับร้านข้าวต้มมันจะอยู่ใกล้กันในพื้นที่เวกเตอร์ ขณะที่ร้านพิซซ่าจะอยู่ไกลออกไป ทำให้ AI เข้าใจ "ความสัมพันธ์" ของเมนูได้ลึกซึ้งกว่าเดิมมาก วิธีนี้ทำให้ระบบแนะนำของใหม่ๆ ที่ไม่เคยมีในประวัติผู้ใช้ได้ด้วยการเทียบเคียงจาก "เพื่อนบ้านที่ใกล้เคียง" ซึ่งเป็นจุดที่โมเดลเก่าๆ ทำไม่ได้
ที่สำคัญไปกว่านั้นคือเรื่องของ "Grounded Search" หรือการค้นหาที่ผูกกับบริบทจริง ระบบใหม่นี้ไม่ได้แค่ค้นหาจากคำค้นตรงๆ แต่ผูกเข้ากับหน่วยความจำของผู้ใช้ด้วย ยกตัวอย่างเช่น ถ้าคุณพิมพ์ว่า "อร่อยเหมือนเมื่อวาน" ระบบจะรู้ทันทีว่าคุณหมายถึงร้านไหน เพราะมันจำได้ และถ้าคุณพิมพ์ว่า "อะไรที่ไม่เคยกิน" มันก็จะกรองรายการที่คุณเคยสั่งทิ้งไปให้เลย ฟีเจอร์แบบนี้แหละที่ทำให้อัตราการแปลง (Conversion Rate) และความเกี่ยวข้องของผลลัพธ์ (Relevance) เพิ่มขึ้นอย่างมีนัยสำคัญ ซึ่งทาง DoorDash ออกมายอมรับเองว่าตัวเลขมันดีขึ้นแบบก้าวกระโดดจริงๆ ไม่ใช่การรีทัชตัวเลขเพื่อเอาใจนักลงทุน
แต่ที่แน่ๆ การเปลี่ยนแปลงครั้งนี้ไม่ได้ง่ายอย่างที่พูด เพราะการจะย้ายจากระบบโมเดลเดียวที่ประมวลผลเร็วๆ ไปเป็นระบบ Agent ที่ต้องคิดหลายขั้นตอนและดึงข้อมูลจากหน่วยความจำระยะยาว มันแลกมาด้วยความหน่วง (latency) ที่เพิ่มขึ้น ซึ่งในธุรกิจเดลิเวอรี่ที่ผู้ใช้หิวและใจร้อน ความหน่วงแม้เพียงเสี้ยววินาทีก็อาจทำให้เสียลูกค้าได้ นี่คือความท้าทายที่ DoorDash ต้องแบกรับ แต่ถ้าทำสำเร็จ มันจะกลายเป็นมาตรฐานใหม่ของวงการอีคอมเมิร์ซทั้งหมด ไม่ใช่แค่การสั่งอาหาร
มองในมุมของคนไทย ถึงแม้ DoorDash จะไม่ได้ให้บริการในบ้านเรา แต่ทิศทางนี้คืออนาคตของแอปอย่าง Grab, Line Man หรือ Shopee Food อย่างแน่นอน ถ้าวันไหนแอปเหล่านั้นเริ่ม "จำ" ได้ว่าคุณแพ้กุ้ง หรือรู้ว่าคุณกำลังลดน้ำหนัก แล้วแนะนำเมนูที่เหมาะสมโดยที่คุณไม่ต้องพิมพ์อะไรเลย นั่นแหละคือตอนที่ระบบเหล่านี้มาถึงบ้านเราแล้ว และมันจะเปลี่ยนพฤติกรรมการสั่งอาหารของเราไปตลอดกาล
ฟังดูเป็นเทคโนโลยีที่ล้ำหน้า แต่สำหรับคนไทยอย่างเรา สิ่งที่น่าสนใจไม่ใช่แค่ "มันทำได้ยังไง" แต่คือ "เมื่อไหร่เราจะได้ใช้" ระบบแนะนำของแอปเดลิเวอรี่บ้านเรายังวนเวียนอยู่กับการเดาแบบมั่วๆ และยัดเยียดโปรโมชันที่เราไม่ต้องการ ถ้า DoorDash ทำสำเร็จ มันจะกลายเป็นมาตรฐานใหม่ที่ทุกแพลตฟอร์มต้องตามให้ทัน ไม่งั้นก็เตรียมตกยุคได้เลย
ที่มา: InfoQ AI/ML — อ่านต้นฉบับ
ความคิดเห็น 3
กำลังโหลดความคิดเห็น...