ວິທີທີ່ທຸລະກິດຮ້ານອາຫານໃນໄທເລີ່ມນຳໃຊ້ AI ເພື່ອຄາດການຄວາມຕ້ອງການ, ປັບແຕ່ງຕາຕະລາງວຽກ ແລະ ຫຼຸດຜ່ອນການເສຍຫາຍຂອງວັດຖຸດິບ

AI ສຳລັບຮ້ານອາຫານໃນປະເທດໄທ ຄືກົນໄກທີ່ວິເຄາະຂໍ້ມູນ POS, ການຈອງ ແລະ ສິນຄ້າຄົງຄັງດ້ວຍການຮຽນຮູ້ຂອງເຄື່ອງ (Machine Learning) ເພື່ອຄາດການຄວາມຕ້ອງການຂອງລູກຄ້າທີ່ເຂົ້າມາໃຊ້ບໍລິການ ແລະ ເຮັດໃຫ້ການຈັດຕາຕະລາງພະນັກງານ (Shift) ລວມເຖິງການສັ່ງຊື້ວັດຖຸດິບມີຄວາມເໝາະສົມໂດຍອັດຕະໂນມັດ.

ບົດຄວາມນີ້ມີຈຸດປະສົງເພື່ອຜູ້ບໍລິຫານ ແລະ ຜູ້ຈັດການຮ້ານອາຫານ ຫຼື ເຄືອຂ່າຍຮ້ານອາຫານໃນປະເທດໄທທີ່ກຳລັງພິຈາລະນາການນຳໃຊ້ AI. ພວກເຮົາຈະອະທິບາຍເປັນຂັ້ນຕອນກ່ຽວກັບວິທີການເລືອກ AI ຄາດການຄວາມຕ້ອງການ (Demand Forecasting AI) ແລະ ເຄື່ອງມືປັບແຕ່ງຕາຕະລາງພະນັກງານໃຫ້ເໝາະສົມ, ລວມເຖິງລຳດັບການນຳໃຊ້ເພື່ອໃຫ້ເກີດຜົນລັັບທີ່ດີທີ່ສຸດ ຕໍ່ກັບບັນຫາໜ້າວຽກຕ່າງໆ ເຊັ່ນ: ການຂາດແຄນແຮງງານ, ການສູນເສຍວັດຖຸດິບ ແລະ ການແຂ່ງຂັນໃນທຸລະກິດສົ່ງອາຫານ (Delivery) ທີ່ຮຸນແຮງຂຶ້ນ.

ເມື່ອອ່ານຈົບ, ທ່ານຈະສາມາດເຂົ້າໃຈຂັ້ນຕອນການປະຕິບັດງານຕົວຈິງ ຕັ້ງແຕ່ການກຽມຄວາມພ້ອມໃນການເກັບກຳຂໍ້ມູນ, ວິທີການດຳເນີນການ PoC (ການພິສູດແນວຄວາມຄິດ) ຈົນເຖິງວິທີການນຳໄປໃຊ້ງານຈິງກັບພະນັກງານໜ້າວຽກ.

ສະຫຼຸບ: ທຸລະກິດອາຫານ ແລະ ຮ້ານອາຫານໃນໄທ ກຳລັງປະເຊີນກັບສາມສິ່ງທ້າທາຍຫຼັກ ຄື: ການຂາດແຄນແຮງງານ, ການສູນເສຍວັດຖຸດິບ ແລະ ການແຂ່ງຂັນດ້ານການຈັດສົ່ງອາຫານ ເຊິ່ງການນຳໃຊ້ AI ເຂົ້າມາຊ່ວຍຖືເປັນວິທີການທີ່ມີປະສິດທິພາບໃນການປັບປຸງການບໍລິຫານຈັດການ.

ໃນຫົວຂໍ້ H3 ຕໍ່ໄປນີ້ ຈະອະທິບາຍເຖິງສະພາບຄວາມເປັນຈິງຂອງແຕ່ລະບັນຫາ ແລະ ເຫດຜົນທີ່ AI ສາມາດແກ້ໄຂບັນຫາເຫຼົ່ານັ້ນໄດ້ຢ່າງລະອຽດ.

ໃນອຸດສາຫະກຳອາຫານ ແລະ ເຄື່ອງດື່ມຂອງໄທ, ທ່າມກາງການປັບຂຶ້ນຄ່າແຮງງານຂັ້ນຕ່ຳຢ່າງຕໍ່ເນື່ອງ, ການຈັດວາງບຸກຄະລາກອນໃຫ້ເໝາະສົມກັບຄວາມຜັນຜວນຂອງຊ່ວງເວລາທີ່ມີລູກຄ້າໜ້ອຍ ແລະ ຫຼາຍນັ້ນ ກາຍເປັນເລື່ອງທີ່ຍາກຂຶ້ນໃນທຸກໆປີ. ໂດຍສະເພາະໃນບາງກອກ ແລະ ແຫຼ່ງທ່ອງທ່ຽວຕ່າງໆ ໃນຊ່ວງລະດູການທ່ອງທ່ຽວ ຫຼື ກ່ອນ ແລະ ຫຼັງວັນພັກຜ່ອນ, ມີລາຍງານກໍລະນີທີ່ບໍ່ສາມາດຮອງຮັບຈຳນວນລູກຄ້າທີ່ເພີ່ມຂຶ້ນຢ່າງກະທັນຫັນ ຈົນເຮັດໃຫ້ເກີດການສູນເສຍໂອກາດທາງທຸລະກິດ.

ມາດຕະການທຳອິດທີ່ຫຼາຍຮ້ານເລືອກໃຊ້ຄື "ການເພີ່ມຈຳນວນພະນັກງານ". ແຕ່ໃນຄວາມເປັນຈິງແລ້ວ, ການ ເພີ່ມຄວາມແມ່ນຍຳໃນການຈັດຕາຕະລາງການເຮັດວຽກ (Shift) ມັກຈະມີປະສິດທິຜົນໃນການຫຼຸດຕົ້ນທຶນ ແລະ ສ້າງຄວາມພຶງພໍໃຈໃຫ້ແກ່ລູກຄ້າໄດ້ດີກວ່າການເພີ່ມຈຳນວນພະນັກງານແບບທົ່ວໄປ.

ບັນຫາຫຼັກທີ່ເກີດຈາກການຂາດແຄນແຮງງານ ແລະ ຄ່າແຮງງານທີ່ສູງຂຶ້ນ ມີດັ່ງນີ້:

• ການຈັດຕາຕະລາງການເຮັດວຽກຂຶ້ນຢູ່ກັບບຸກຄົນ: ເນື່ອງຈາກຕ້ອງອາໄສປະສົບການຂອງຜູ້ຈັດການທີ່ມີຄວາມຊຳນານ, ເຮັດໃຫ້ຄວາມແມ່ນຍຳຫຼຸດລົງທັນທີເມື່ອມີການປ່ຽນຜູ້ຮັບຜິດຊອບ.
• ການຈັດວາງພະນັກງານເກີນ ຫຼື ໜ້ອຍເກີນໄປຊ້ຳໆ: ເຮັດໃຫ້ເສຍຄ່າແຮງງານໂດຍບໍ່ຈຳເປັນໃນຊ່ວງເວລາທີ່ລູກຄ້າໜ້ອຍ ແລະ ຄຸນນະພາບການບໍລິການຫຼຸດລົງໃນຊ່ວງເວລາທີ່ມີລູກຄ້າໜາແໜ້ນ.
• ຕົ້ນທຶນໃນການຮັບສະໝັກ ແລະ ພັດທະນາບຸກຄະລາກອນເພີ່ມຂຶ້ນ: ໃນອຸດສາຫະກຳອາຫານ ແລະ ເຄື່ອງດື່ມຂອງໄທທີ່ມີອັດຕາການລາອອກສູງ, ຕົ້ນທຶນໃນການຮັບສະໝັກ ແລະ ຝຶກອົບຮົມຈະກົດດັນອັດຕາກຳໄລຢ່າງຕໍ່ເນື່ອງ.

ການນຳ AI ມາໃຊ້ໃນການປັບແຕ່ງຕາຕະລາງການເຮັດວຽກໃຫ້ເໝາະສົມທີ່ສຸດ (Shift Optimization) ສາມາດຄາດຄະເນຈຳນວນພະນັກງານທີ່ຈຳເປັນໃນແຕ່ລະຊ່ວງເວລາໂດຍອີງໃສ່ຂໍ້ມູນ POS ແລະ ຂໍ້ມູນການຈອງ, ພ້ອມທັງສະເໜີການຈັດວາງພະນັກງານທີ່ເໝາະສົມໂດຍອັດຕະໂນມັດ. ສິ່ງນີ້ຈະຊ່ວຍຫຼຸດພາລະຂອງຜູ້ຈັດການ ໃນຂະນະທີ່ສາມາດຮັກສາຄວາມສົມດຸນລະຫວ່າງຕົ້ນທຶນແຮງງານ ແລະ ຄຸນນະພາບການບໍລິການລູກຄ້າໄດ້ງ່າຍຂຶ້ນ.

ລັດຖະບານໄທກໍໄດ້ສົ່ງເສີມການພັດທະນາບຸກຄະລາກອນດ້ານ AI ພາຍໃຕ້ແຜນຍຸດທະສາດ ແລະ ແຜນປະຕິບັດການດ້ານ AI ແຫ່ງຊາດ (Thailand National AI Strategy and Action Plan) (2022-2027) ເຊິ່ງໃນປີ 2023 ມີຈຳນວນຜູ້ເຂົ້າຝຶກອົບຮົມດ້ານ AI ສູງເຖິງ 83,721 ຄົນ.

ມີຂໍ້ມູນລະບຸວ່າ ໃນບັນດາສິ່ງເສດເຫຼືອທົ່ວໄປທີ່ເກີດຂຶ້ນໃນທົ່ວປະເທດໄທ, ສິ່ງເສດເຫຼືອປະເພດອິນຊີ (ອາຫານ) ກວມເອົາປະມານ 49%. ສຳລັບຮ້ານອາຫານແລ້ວ, ການສູນເສຍວັດຖຸດິບບໍ່ພຽງແຕ່ເປັນຕົ້ນທຶນໃນການກຳຈັດສິ່ງເສດເຫຼືອເທົ່ານັ້ນ, ແຕ່ຍັງເປັນ "ການສູນເສຍທີ່ເບິ່ງບໍ່ເຫັນ" ເຊິ່ງສົ່ງຜົນກະທົບຕໍ່ເນື່ອງໄປເຖິງຕົ້ນທຶນການຈັດຊື້, ຄ່າໄຟຟ້າ, ຄ່ານ້ຳ ແລະ ຄ່າແຮງງານທັງໝົດ.

ສະຖານະການຫຼັກທີ່ຄວາມຜັນຜວນຂອງຄວາມຕ້ອງການສົ່ງຜົນກະທົບໂດຍກົງຕໍ່ອັດຕາກຳໄລມີດັ່ງນີ້:

• ການຄາດຄະເນຜິດໃນຊ່ວງທ້າຍອາທິດ ແລະ ວັນພັກ: ຈຳນວນລູກຄ້າເພີ່ມຂຶ້ນ ຫຼື ຫຼຸດລົງຢ່າງກະທັນຫັນກ່ອນ ແລະ ຫຼັງວັນພັກຍາວ ເຮັດໃຫ້ການກຽມວັດຖຸດິບບໍ່ສອດຄ່ອງ ແລະ ເກີດການຖິ້ມເສຍຫາຍເປັນຈຳນວນຫຼາຍ.
• ຄວາມຜັນຜວນຕາມລະດູການ (ລະດູຝົນ/ລະດູແລ້ງ): ສະພາບອາກາດທີ່ເປັນເອກະລັກຂອງໄທເຮັດໃຫ້ຈຳນວນລູກຄ້າປ່ຽນແປງຢ່າງບໍ່ຄົງທີ່, ສົ່ງຜົນໃຫ້ການໝູນວຽນຂອງສິນຄ້າຄົງຄັງຜິດປົກກະຕິ.
• ຜົນກະທົບຈາກງານອີເວັ້ນ ແລະ ງານເທດສະການ: ໃນຊ່ວງເທດສະການເຊັ່ນ: ສົງການ ຫຼື ວັນກຸດຈີນ, ຄວາມຕ້ອງການຈະພຸ່ງສູງຂຶ້ນ ໃນຂະນະທີ່ອາທິດຕໍ່ມາອາດກາຍເປັນຊ່ວງທີ່ງຽບເຫງົາ.

ຜົນກະທົບຈາກການສູນເສຍວັດຖຸດິບຈະແຕກຕ່າງກັນໄປຕາມຂະໜາດຂອງຮ້ານ. ສຳລັບຮ້ານດ່ຽວ, ການສູນເສຍຈາກການຖິ້ມວັດຖຸດິບຈະສົ່ງຜົນກະທົບໂດຍກົງຕໍ່ລາຍໄດ້ຂອງເຈົ້າຂອງຮ້ານ, ສ່ວນ ຮ້ານທີ່ມີຫຼາຍສາຂາ (Chain Store) ຄວາມຜິດພາດໃນການສັ່ງຊື້ຂອງແຕ່ລະສາຂາຈະສະສົມກັນ ແລະ ມີແນວໂນ້ມທີ່ຈະເຮັດໃຫ້ກະແສເງິນສົດຂອງກຸ່ມບໍລິສັດທັງໝົດຊຸດໂຊມລົງ. ບໍ່ວ່າຈະເປັນກໍລະນີໃດກໍຕາມ, ມັນເປັນເລື່ອງຍາກທີ່ຈະປັບປຸງສະຖານະການຫາກຄວາມຖືກຕ້ອງໃນການຄາດຄະເນຄວາມຕ້ອງການຍັງຢູ່ໃນລະດັບຕ່ຳ.

ການນຳໃຊ້ Demand Forecasting AI (AI ຄາດຄະເນຄວາມຕ້ອງການ) ຈະຊ່ວຍໃຫ້ສາມາດນຳຂໍ້ມູນ POS ໃນອະດີດ, ສະພາບອາກາດ ແລະ ຂໍ້ມູນປະຕິທິນມາປະສົມປະສານກັນ ເພື່ອຄາດຄະເນຈຳນວນລູກຄ້າໃນມື້ຕໍ່ໄປ ຫຼື ອາທິດຕໍ່ໄປໄດ້, ເຊິ່ງຈະຊ່ວຍປັບປະລິມານການສັ່ງຊື້ ແລະ ການກຽມວັດຖຸດິບໂດຍອັດຕະໂນມັດ. ສິ່ງນີ້ຄາດວ່າຈະຊ່ວຍຫຼຸດຜ່ອນທັງການສັ່ງຊື້ເກີນຄວາມຈຳເປັນ ແລະ ການຂາດແຄນສິນຄ້າໄດ້.

ຈາກການສຳຫຼວດຂອງ FAO ລະບຸວ່າ ການເສຍຫາຍຂອງອາຫານໃນຂັ້ນຕອນການຂາຍຍ່ອຍ, ຄົວເຮືອນ ແລະ ຮ້ານອາຫານ ກວມເອົາປະມານ 17% ຂອງປະລິມານການສະໜອງຕໍ່ປີ.

ດ້ວຍການທີ່ແພລດຟອມການຈັດສົ່ງອາຫານຢ່າງ GrabFood ແລະ Foodpanda ໄດ້ເຂົ້າເຖິງຕະຫຼາດ, ໃນເມືອງຫຼວງບາງກອກ ແລະ ເມືອງສຳຄັນຕ່າງໆຂອງໄທ, ຮ້ານອາຫານທີ່ມີໜ້າຮ້ານຈິງກໍກຳລັງກ້າວເຂົ້າສູ່ຄວາມຈຳເປັນທີ່ຕ້ອງຮອງຮັບການສັ່ງອາຫານອອນລາຍ. ເຈົ້າຂອງຮ້ານຫຼາຍຄົນອາດຮູ້ສຶກວ່າ "ການທີ່ຕ້ອງມາຫຍຸ້ງກັບການຈັດສົ່ງອາຫານ ເຮັດໃຫ້ການບໍລິການລູກຄ້າພາຍໃນຮ້ານຫຼຸດໜ້ອຍຖອຍລົງ".

ແຮງກົດດັນດ້ານດິຈິຕອນບໍ່ໄດ້ຢຸດຢູ່ພຽງແຕ່ຄວາມຫຼາກຫຼາຍຂອງຊ່ອງທາງການສັ່ງຊື້ເທົ່ານັ້ນ. ໃນຂະນະທີ່ນັກທ່ອງທ່ຽວຕ່າງຊາດ ແລະ ຊາວຕ່າງຊາດທີ່ອາໄສຢູ່ໃນໄທມີຈຳນວນ ເພີ່ມທະວີຂຶ້ນເລື້ອຍໆ, ຄວາມຕ້ອງການໃນການອະທິບາຍເມນູ ແລະ ການຕອບຄຳຖາມດ້ວຍຫຼາຍພາສາ ເຊັ່ນ: ພາສາອັງກິດ, ພາສາຈີນ, ແລະ ພາສາຍີ່ປຸ່ນ ກໍມີຫຼາຍຂຶ້ນ. ການໃຊ້ແຮງງານຄົນເພື່ອຈັດການສິ່ງເຫຼົ່ານີ້ພ້ອມກັນນັ້ນມີຂີດຈຳກັດ.

ບັນຫາຫຼັກທີ່ພົບເຫັນຢູ່ໃນໜ້າວຽກມີດັ່ງນີ້:

• ຊ່ອງທາງການສັ່ງຊື້ກະຈັດກະຈາຍ: ບໍ່ສາມາດຈັດການການສັ່ງຊື້ຈາກແອັບຈັດສົ່ງອາຫານ, ເວັບໄຊຂອງຮ້ານ, ແລະ ໜ້າຮ້ານໄດ້ໃນບ່ອນດຽວ, ເຮັດໃຫ້ເກີດການຕົກຫຼົ່ນຂອງອໍເດີ ຫຼື ການປ້ອນຂໍ້ມູນຊ້ຳຊ້ອນໄດ້ງ່າຍ
• ຕົ້ນທຶນການຮອງຮັບຫຼາຍພາສາ: ການຮັບສະໝັກ ແລະ ຝຶກອົບຮົມພະນັກງານທີ່ສາມາດສື່ສານພາສາຕ່າງປະເທດໄດ້ ຕ້ອງໃຊ້ເວລາ ແລະ ຄ່າໃຊ້ຈ່າຍສູງ
• ພາລະໃນການຈັດການຣີວິວ: ການຕອບກັບຄຳຕິຊົມທີ່ກະຈັດກະຈາຍຢູ່ໃນຫຼາຍແພລດຟອມມັກຈະຂຶ້ນຢູ່ກັບບຸກຄົນໃດໜຶ່ງ (ບໍ່ມີລະບົບກາງ)

ເພື່ອແກ້ໄຂບັນຫາເຫຼົ່ານີ້, AI Chatbot ແລະ ການນຳໃຊ້ NLP (Natural Language Processing) ຫຼາຍພາສາ ເພື່ອຮັບອໍເດີ ແລະ ຕອບຄຳຖາມທີ່ພົບເລື້ອຍ (FAQ) ແບບອັດຕະໂນມັດ ຈຶ່ງກາຍເປັນວິທີແກ້ໄຂທີ່ມີປະສິດທິພາບທີ່ໄດ້ຮັບຄວາມສົນໃຈ. ດ້ວຍການ ເຊື່ອມຕໍ່ ຫຼື ຊິງຄ໌ຂໍ້ມູນ ຊ່ອງທາງການສັ່ງຊື້ຜ່ານ API ແລະ ໃຫ້ AI ຊ່ວຍແຍກປະເພດອໍເດີໂດຍອັດຕະໂນມັດ, ຈະຊ່ວຍໃຫ້ພະນັກງານສາມາດສ້າງສະພາບແວດລ້ອມທີ່ຕົນເອງມີສະມາທິກັບການປຸງອາຫານ ແລະ ການບໍລິການລູກຄ້າພາຍໃນຮ້ານໄດ້ຢ່າງເຕັມທີ່.

ຖ້າທ່ານຍັງຄົງກັງວົນໃຈທຸກຄັ້ງໃນເວລາຕັດສິນໃຈເລືອກປະລິມານການກຽມວັດຖຸດິບ ໂດຍຄິດວ່າ "ທ້າຍອາທິດນີ້ຈະມີລູກຄ້າຈັກຄົນກັນແນ່", ກົນໄກທີ່ຊ່ວຍຕັດສິນໃຈແທນທ່ານໂດຍໃຊ້ຂໍ້ມູນ POS ແລະ ປະຫວັດການຈອງນັ້ນ ກໍຄືແນວຄິດພື້ນຖານຂອງການຄາດຄະເນຄວາມຕ້ອງການດ້ວຍ AI.

ການນຳຂໍ້ມູນຈາກຫຼາຍແຫຼ່ງມາປ້ອນເຂົ້າໃນໂມເດວການຮຽນຮູ້ຂອງເຄື່ອງ (Machine Learning) ເຊັ່ນ: ຂໍ້ມູນຍອດຂາຍໃນອະດີດ, ຮູບແບບຂອງວັນໃນອາທິດ ແລະ ວັນພັກ, ພະຍາກອນອາກາດ, ລວມໄປເຖິງຂໍ້ມູນເຫດການຕ່າງໆໃນ SNS ຈະຊ່ວຍເພີ່ມຄວາມແມ່ນຍຳໃນການຄາດຄະເນຈຳນວນລູກຄ້າທີ່ຈະມາໃຊ້ບໍລິການ. ຈາກນັ້ນ, ກົນໄກທີ່ເຊື່ອມຕໍ່ກັນຈະເຮັດວຽກໂດຍການຄຳນວນປະລິມານການກຽມວັດຖຸດິບທີ່ຈຳເປັນ ແລະ ຈຳນວນພະນັກງານໃນແຕ່ລະກະໃຫ້ໂດຍອັດຕະໂນມັດ.

ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ຄືຫາກ "ການຄາດຄະເນ → ການກຽມວັດຖຸດິບ → ການຈັດກະ" ຖືກຈັດການໂດຍເຄື່ອງມືທີ່ແຍກອອກຈາກກັນ, ຜົນປະໂຫຍດທີ່ຈະໄດ້ຮັບກໍຈະຫຼຸດລົງເຄິ່ງໜຶ່ງ. ເຖິງແມ່ນວ່າການຄາດຄະເນຈຳນວນລູກຄ້າຈະມີຄວາມແມ່ນຍຳສູງ, ແຕ່ຖ້າການຈັດກະຍັງເປັນການເຮັດວຽກດ້ວຍມື ກໍຈະກັບໄປເພິ່ງພາອາໄສພຽງແຕ່ຄວາມຊຳນານຂອງພະນັກງານທີ່ມີປະສົບການສູງຄືເກົ່າ. ການເຊື່ອມຕໍ່ຂະບວນການ ຫຼື Pipeline ຂອງຂໍ້ມູນໃຫ້ເປັນເສັ້ນດຽວ ຈະເຮັດໃຫ້ສາມາດດຳເນີນງານໂດຍສະທ້ອນເຖິງຄວາມຜັນຜວນເລັກໆນ້ອຍໆທີ່ກົດເກນປະສົບການຂອງຄົນອາດຈະເບິ່ງຂ້າມໄປໄດ້ ເຊັ່ນ: ຊ່ວງເວລາທີ່ຫຍຸ້ງວຽກຂອງຫ້ອງການໃກ້ຄຽງ ຫຼື ການປ່ຽນແປງຂອງຍອດໃຊ້ຈ່າຍຕໍ່ຫົວໃນຊ່ວງວັນທີ່ຝົນຕົກ.

ເມື່ອເລີ່ມນຳໃຊ້ AI ຄາດການຄວາມຕ້ອງການ, ໃນຕອນຕົ້ນເຮົາມັກຈະຄິດວ່າ "ມີພຽງຂໍ້ມູນຍອດຂາຍໃນອະດີດກໍພຽງພໍແລ້ວ". ແຕ່ໃນຄວາມເປັນຈິງ, ການນຳຂໍ້ມູນພາຍນອກມາລວມເຂົ້າກັນ ເຊັ່ນ: ສະພາບອາກາດ, ວັນພັກ, ແລະ ກິດຈະກຳຕ່າງໆໃນບໍລິເວນໃກ້ຄຽງ ມັກຈະສົ່ງຜົນໃຫ້ຄວາມແມ່ນຍຳໃນການຄາດການເພີ່ມຂຶ້ນຢ່າງຫຼວງຫຼາຍ.

ແບບຈຳລອງການຄາດການຈຳນວນລູກຄ້າທີ່ມາໃຊ້ບໍລິການ ສ່ວນໃຫຍ່ຈະຖືກສ້າງຂຶ້ນໂດຍການລວມແຫຼ່ງຂໍ້ມູນຕໍ່ໄປນີ້:

• ຂໍ້ມູນ POS: ປະຫວັດຍອດຂາຍແບ່ງຕາມຊ່ວງເວລາ ແລະ ແບ່ງຕາມເມນູ. ຄວນກຽມຂໍ້ມູນຢ່າງໜ້ອຍ 1 ປີ (ເພື່ອໃຫ້ກວມເອົາການປ່ຽນແປງຕາມລະດູການ)
• ຂໍ້ມູນການຈອງ: ຈຳນວນການຈອງ ແລະ ຂໍ້ມູນຊ່ວງເວລາຜ່ານລະບົບຈອງໂຕະ ຫຼື ບັນຊີ LINE ທາງການ
• ຂໍ້ມູນສະພາບອາກາດ: ອຸນຫະພູມ, ປະລິມານນ້ຳຝົນ, ຄວາມຊຸ່ມຊື່ນ. ໃນເມືອງຢ່າງບາງກອກ, ຈຳນວນລູກຄ້າໃນມື້ທີ່ມີຝົນຕົກມັກຈະມີທ່າອ່ຽງແຕກຕ່າງຈາກມື້ທີ່ອາກາດແຈ່ມໃສ
• ຂໍ້ມູນກິດຈະກຳ ແລະ ວັນພັກ: ວັນພັກຜ່ອນຂອງໄທ (ສົງການ, ລອຍກະທົງ ແລະ ອື່ນໆ) ຫຼື ຂໍ້ມູນງານວາງສະແດງ ແລະ ຄອນເສີດໃນບໍລິເວນໃກ້ຄຽງ

ໂດຍການນຳຂໍ້ມູນເຫຼົ່ານີ້ມາຈັດລຽງຕາມລຳດັບເວລາ ແລະ ນຳໄປຝຶກສອນໃຫ້ກັບແບບຈຳລອງການຮຽນຮູ້ຂອງເຄື່ອງ (ເຊັ່ນ: Gradient Boosting ຫຼື LSTM), ຈະສາມາດສະແດງຜົນ "ຈຳນວນລູກຄ້າແບ່ງຕາມຊ່ວງເວລາຂອງມື້ຖັດໄປ ຫຼື ອາທິດຖັດໄປ" ອອກມາເປັນຕົວເລກໄດ້.

ສິ່ງທີ່ສຳຄັນໃນການເພີ່ມຄວາມແມ່ນຍຳຂອງການຄາດການຄື ຄວາມລະອຽດ ແລະ ຄວາມສົດໃໝ່ຂອງຂໍ້ມູນ. ຫາກເກັບຂໍ້ມູນ POS ໄວ້ໃນລະດັບຄວາມລະອຽດ 15 ນາທີ ຫາ 1 ຊົ່ວໂມງ ແທນທີ່ຈະເປັນການສະຫຼຸບລວມຍອດລາຍອາທິດ, ຈະເຮັດໃຫ້ການແຍກຊ່ວງເວລາທີ່ມີລູກຄ້າຫຼາຍສຸດໃນຕອນທ່ຽງ ແລະ ຕອນແລງມີຄວາມຊັດເຈນຍິ່ງຂຶ້ນ ແລະ ເພີ່ມປະສິດທິພາບໃນການຮຽນຮູ້ຂອງແບບຈຳລອງ.

ໃນເບື້ອງຕົ້ນ, ແນະນຳໃຫ້ເຮັດ PoC (ການພິສູດແນວຄວາມຄິດ) ໂດຍການສ້າງແບບຈຳລອງແບບງ່າຍໆຈາກຂໍ້ມູນໃນຊ່ວງສອງສາມເດືອນຫາ 1 ປີຫຼ້າສຸດ ແລະ ເຮັດການກວດສອບປຽບທຽບກັບຈຳນວນລູກຄ້າຕົວຈິງ.

ເມື່ອໄດ້ຜົນການຄາດຄະເນຄວາມຕ້ອງການແລ້ວ, ຄຳຖາມຕໍ່ໄປແມ່ນງ່າຍດາຍ: "ຈະນຳເອົາຕົວເລກເຫຼົ່ານັ້ນໄປປັບໃຊ້ກັບການປະຕິບັດງານໜ້າວຽກຕົວຈິງໄດ້ແນວໃດ". ການບໍ່ປ່ອຍໃຫ້ຄ່າການຄາດຄະເນເປັນພຽງຂໍ້ມູນອ້າງອີງ, ແຕ່ຫາກເຊື່ອມໂຍງໄປເຖິງການປັບປ່ຽນກະທົບວຽກ (Shift) ແລະ ປະລິມານການກຽມວັດຖຸດິບໂດຍອັດຕະໂນມັດ, ຈຶ່ງຈະນຳໄປສູ່ການຫຼຸດຕົ້ນທຶນໄດ້ຢ່າງແທ້ຈິງ.

ຂັ້ນຕອນພື້ນຖານຂອງການປັບປ່ຽນກະທົບວຽກໃຫ້ເໝາະສົມມີດັ່ງນີ້:

• ແຍກຈຳນວນລູກຄ້າທີ່ຄາດຄະເນໄວ້ໃນແຕ່ລະຊ່ວງເວລາ ເພື່ອຄຳນວນຈຳນວນພະນັກງານທີ່ຈຳເປັນ
• ສ້າງຮ່າງກະທົບວຽກໂດຍອັດຕະໂນມັດ ໂດຍພິຈາລະນາຈາກຮູບແບບສັນຍາ, ທັກສະ ແລະ ວັນພັກທີ່ຕ້ອງການຂອງພະນັກງານແຕ່ລະຄົນ
• ປັບປ່ຽນກະທົບວຽກແບບເຄື່ອນໄຫວຕາມການອັບເດດການຄາດຄະເນຂອງມື້ກ່ອນໜ້າ ຫຼື ມື້ປັດຈຸບັນ

ການປັບປ່ຽນປະລິມານການກຽມວັດຖຸດິບກໍໃຊ້ເຫດຜົນດຽວກັນ. ໂດຍການນຳເອົາຈຳນວນລູກຄ້າທີ່ຄາດຄະເນໄວ້ ມາຄູນກັບອັດຕາສ່ວນການສັ່ງອາຫານແຕ່ລະເມນູໃນອະດີດ, ລະບົບສາມາດຄຳນວນປະລິມານການກຽມວັດຖຸດິບແຕ່ລະຢ່າງໄດ້ໂດຍອັດຕະໂນມັດ. ລະບົບຈະຕັດສິນໃຈໂດຍອັດຕະໂນມັດ ເຊັ່ນ: ຖ້າເປັນທ້າຍອາທິດທີ່ມີຊ່ວງເວລາສູງສຸດ (Peak time) ຍາວນານ ກໍຈະຕັ້ງຄ່າການກຽມວັດຖຸດິບໃຫ້ຫຼາຍຂຶ້ນ, ແຕ່ຖ້າເປັນການເປີດຮ້ານສະເພາະຊ່ວງອາຫານທ່ຽງໃນວັນທຳມະດາ ກໍຈະປັບໃຫ້ເຫຼືອພຽງປະລິມານທີ່ຈຳເປັນເທົ່ານັ້ນ.

ສິ່ງທີ່ເປັນ ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ໃນການຕັດສິນໃຈຄື ການປັບປ່ຽນຂອບເຂດຂອງການເຮັດວຽກແບບອັດຕະໂນມັດ ຕາມລະດັບຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນ. ໃນວັນ ຫຼື ຊ່ວງເວລາທີ່ໝັ້ນຄົງ ເຊິ່ງມີຄວາມຜິດພາດໃນການຄາດຄະເນໜ້ອຍ, ສາມາດມອບໝາຍໃຫ້ລະບົບສັ່ງຊື້ໂດຍອັດຕະໂນມັດໄດ້, ແຕ່ໃນວັນພັກ ຫຼື ວັນທີ່ມີເຫດການພິເສດ, ແນະນຳໃຫ້ອອກແບບຂະບວນການແບບ HITL (Human-in-the-Loop) ເພື່ອໃຫ້ຜູ້ຈັດການເປັນຜູ້ກວດສອບຂັ້ນສຸດທ້າຍ.

ຈຸດສຳຄັນ 3 ປະການໃນການເຮັດໃຫ້ການປັບປ່ຽນໃຫ້ເໝາະສົມແບບອັດຕະໂນມັດນັ້ນເກີດຜົນຢ່າງຍືນຍົງ ມີດັ່ງນີ້:

"ຕົວເລກກໍຄົບຖ້ວນ ແຕ່ເປັນຫຍັງການຕັດສິນໃຈຈຶ່ງແຕກຕ່າງກັນຢູ່ສະເໝີ?" — ໃນໜ້າວຽກທີ່ມີການຈັດການແຫຼ່ງຂໍ້ມູນຫຼາຍແຫຼ່ງດ້ວຍເຄື່ອງມືທີ່ແຍກອອກຈາກກັນ, ຄຳຖາມເຫຼົ່ານີ້ມັກຈະເກີດຂຶ້ນເປັນປະຈຳ. Multimodal AI ສາມາດຕອບໂຈດນີ້ໄດ້ໂດຍກົງ ເນື່ອງຈາກມັນສາມາດປະມວນຜົນຂໍ້ມູນທີ່ມີຮູບແບບແຕກຕ່າງກັນ ເຊັ່ນ: ຂໍ້ຄວາມ, ຕົວເລກ, ຮູບພາບ ແລະ ສຽງ ດ້ວຍໂມເດວດຽວ ແລະ ສາມາດສະແດງຜົນການຕັດສິນໃຈແບບປະສົມປະສານໄດ້.

ສຳລັບການນຳໄປໃຊ້ໃນຮ້ານອາຫານ, ໂດຍຫຼັກໆແລ້ວຈະມີການລວມສາມແຫຼ່ງຂໍ້ມູນດັ່ງນີ້:

• ຂໍ້ມູນຍອດຂາຍ: ຜົນການຂາຍຕາມຊ່ວງເວລາ ແລະ ຕາມເມນູທີ່ໄດ້ມາຈາກ POS
• ຂໍ້ມູນສິນຄ້າຄົງຄັງ: ປະລິມານວັດຖຸດິບທີ່ເຫຼືອ ແລະ ອັດຕາການບໍລິໂພກທີ່ໄດ້ມາຈາກເຊັນເຊີ IoT ຫຼື ບັນທຶກການຮັບສິນຄ້າ
• ຂໍ້ມູນການຣີວິວ: ຂໍ້ຄວາມຄຳເຫັນ ແລະ ຄະແນນປະເມີນຈາກ Google Maps ຫຼື Wongnai ແລະ ອື່ນໆ

ການເບິ່ງຂໍ້ມູນເຫຼົ່ານີ້ແຍກກັນພຽງຢ່າງດຽວ ບໍ່ສາມາດແກ້ໄຂຄວາມຂັດແຍ່ງທີ່ວ່າ "ຍອດຂາຍດີແຕ່ມີຂອງເສຍຫຼາຍ" ໄດ້. Multimodal AI ຈະນຳການວິເຄາະຄວາມຮູ້ສຶກຈາກການຣີວິວ ມາປະສົມປະສານກັບຮູບແບບການບໍລິໂພກສິນຄ້າຄົງຄັງ ເພື່ອສ້າງຂໍ້ສະເໜີແນະທີ່ຊັບຊ້ອນ ເຊັ່ນ: "ຄວາມຕ້ອງການເມນູສະເພາະມີສູງ ແຕ່ປະລິມານການໃຫ້ບໍລິການຫຼາຍເກີນໄປ".

ຂະບວນການປະມວນຜົນຕົວຈິງມີດັ່ງນີ້:

1. ລວມຂໍ້ມູນ POS, ສິນຄ້າຄົງຄັງ ແລະ ການຣີວິວ ເຂົ້າສູ່ຊັ້ນການລວມຂໍ້ມູນແບບ Real-time
2. AI ກວດຈັບຊ່ອງຫວ່າງລະຫວ່າງທ່າອ່ຽງຍອດຂາຍກັບປະລິມານສິນຄ້າຄົງຄັງທີ່ເຫຼືອຢູ່, ພ້ອມທັງຄຳນວນຄວາມພຽງພໍຂອງການສັ່ງຊື້
3. ປັບຄວາມສຳຄັນໃນການກຽມວັດຖຸດິບສຳລັບເມນູຍອດນິຍົມ ໂດຍອີງໃສ່ຄຳສັບທີ່ພົບເລື້ອຍໃນການຣີວິວ

ສະຫຼຸບ: ຄວາມສຳເລັດ ຫຼື ຄວາມລົ້ມເຫຼວຂອງການນຳ AI ມາໃຊ້ ແມ່ນຂຶ້ນຢູ່ກັບການກຽມພ້ອມຂອງຂໍ້ມູນໃນໜ້າວຽກ ແລະ ການຍອມຮັບຂອງພະນັກງານ.

ການກຽມຄວາມພ້ອມໃນ 3 ຂົງເຂດ ຄື: ອຸປະກອນ, ໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure, ຄຸນນະພາບຂໍ້ມູນ ແລະ ການປະຕິບັດງານໜ້າວຽກ ລ່ວງໜ້າ ແມ່ນກຸນແຈສຳຄັນໃນການເລີ່ມຕົ້ນຢ່າງຮາບລື່ນ. ໃນແຕ່ລະຫົວຂໍ້ H3 ຈະອະທິບາຍລາຍລະອຽດຂອງລາຍການທີ່ຕ້ອງກຽມພ້ອມຕາມລຳດັບ.

ສິ່ງທີ່ມັກຖືກມອງຂ້າມໃນຂັ້ນຕອນການກຽມພ້ອມນຳໃຊ້ AI ຄື ການຈັດຕັ້ງອຸປະກອນ ແລະ ໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ດ້ານການສື່ສານ. ຫຼາຍຄົນມັກເລີ່ມຈາກການເລືອກຊອບແວກ່ອນ ແຕ່ໃນຄວາມເປັນຈິງ ຖ້າຫາກໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ດ້ານຮາດແວຍັງບໍ່ພ້ອມ AI ທຳນາຍຄວາມຕ້ອງການກໍ່ຈະບໍ່ສາມາດເຮັດວຽກໄດ້ຢ່າງຖືກຕ້ອງ.

ໂຄງສ້າງພື້ນຖານຂອງອຸປະກອນທີ່ຈຳເປັນ

• ເຄື່ອງ POS: POS ແບບແທັບເລັດທີ່ຮອງຮັບການເຊື່ອມຕໍ່ ຫຼື ຊິງຄ໌ຂໍ້ມູນກັບ Cloud (ຕົວຢ່າງ: Loyverse, Square ແລະ ອື່ນໆ) ຢ່າງໜ້ອຍ 1 ເຄື່ອງ. ເລືອກຮຸ່ນທີ່ສາມາດສົ່ງຂໍ້ມູນການສັ່ງຊື້ ແລະ ຍອດຂາຍແບບ Real-time ໄດ້
• ເຊັນເຊີ IoT: ເຊັນເຊີຕຮວດຈັບຄວາມເຄື່ອນໄຫວ ຫຼື ກ້ອງນັບຈຳນວນຜູ້ເຂົ້າຮ້ານ. ເຊັນເຊີຕິດຕາມອຸນຫະພູມຕູ້ເຢັນ ແລະ ຕູ້ແຊ່ແຂງກໍ່ມີປະສິດທິພາບໃນການຫຼຸດຜ່ອນການສູນເສຍວັດຖຸດິບ
• ແທັບເລັດ / ອຸປະກອນແບບຖືໄດ້: ໃຊ້ສຳລັບການເຊື່ອມຕໍ່ ຫຼື ຊິງຄ໌ຂໍ້ມູນການສັ່ງອາຫານລະຫວ່າງຫ້ອງໂຖງ ແລະ ຄົວ. ໃນບາງກໍລະນີສາມາດໃຊ້ສະມາດໂຟນທີ່ມີຢູ່ແລ້ວໄດ້

ຂໍ້ກຳນົດດ້ານໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ການສື່ສານ

ຄວນໃຊ້ Wi-Fi ທີ່ໝັ້ນຄົງ (ແນະນຳ: Wi-Fi 5 ຂຶ້ນໄປ) ຄຽງຄູ່ກັບສາຍ Mobile (4G/LTE SIM) ສຳຮອງ. ເນື່ອງຈາກບໍລິການ AI ແບບ Cloud ມີການສົ່ງຂໍ້ມູນຢ່າງຕໍ່ເນື່ອງ ຫາກສາຍສື່ສານບໍ່ໝັ້ນຄົງ ຄວາມແມ່ນຍຳໃນການທຳນາຍກໍ່ຈະຫຼຸດລົງ.

ຄ່າໃຊ້ຈ່າຍໂດຍປະມານ (ຄ່າອ້າງອີງ)

ໃນຕອນເລີ່ມຕົ້ນ ຫຼາຍຄົນມັກພະຍາຍາມຊື້ອຸປະກອນສະເພາະທາງທີ່ມີຄຸນສົມບັດສູງຄົບຊຸດ ແຕ່ໃນຄວາມເປັນຈິງ ການລວມ ຫຼື Merge ການໃຊ້ງານແທັບເລັດ Android ທີ່ມີຢູ່ແລ້ວກັບແອັບ POS ລາຄາຕໍ່າ ມີແນວໂນ້ມທີ່ຈະຊ່ວຍຫຼຸດຄ່າໃຊ້ຈ່າຍເລີ່ມຕົ້ນ ແລະ ດຳເນີນການທົດສອບໄດ້ງ່າຍກວ່າ.

ຄວາມແມ່ນຍຳຂອງ AI ຄາດຄະເນຄວາມຕ້ອງການນັ້ນ ຂຶ້ນຢູ່ກັບຄຸນນະພາບ ແລະ ປະລິມານຂອງຂໍ້ມູນທີ່ປ້ອນເຂົ້າໄປເປັນຫຼັກ. ກ່ອນອື່ນໝົດ, ໃຫ້ຈັດລະບຽບປະເພດຂໍ້ມູນທີ່ຄວນເກັບກຳ, ຈາກນັ້ນໃຫ້ກວດສອບມາດຕະຖານຄຸນນະພາບທີ່ຕ້ອງຕອບສະໜອງໃຫ້ໄດ້ເປັນຢ່າງໜ້ອຍ.

ປະເພດຂໍ້ມູນທີ່ຄວນເກັບກຳ

• ຂໍ້ມູນການຂາຍ POS: ວັນເວລາ, ລາຍການເມນູ, ຈຳນວນລູກຄ້າ, ລາຄາສະເລ່ຍຕໍ່ຫົວ. ຄວນມີຄວາມລະອຽດແຍກຕາມຊ່ວງເວລາ (ໜ່ວຍລະ 15-30 ນາທີ)
• ຂໍ້ມູນການຈອງ ແລະ ການຍົກເລີກ: ຈຳນວນການຈອງແຍກຕາມຊ່ອງທາງ (ໂທລະສັບ, ແອັບພລິເຄຊັນ, LINE) ແລະ ອັດຕາການຍົກເລີກໃນນາທີສຸດທ້າຍ
• ບັນທຶກສິນຄ້າຄົງຄັງ ແລະ ຂອງເສຍ: ບັນທຶກປະລິມານການຊື້, ການນຳໃຊ້ ແລະ ການຖິ້ມຂອງວັດຖຸດິບແຕ່ລະຢ່າງເປັນລາຍວັນ
• ຂໍ້ມູນພາຍນອກ: ສະພາບອາກາດ (ປະລິມານນ້ຳຝົນ, ອຸນຫະພູມ), ປະຕິທິນວັນພັກ ແລະ ວັນຢຸດຍາວ, ຂໍ້ມູນເຫດການຕ່າງໆໃນບໍລິເວນໃກ້ຄຽງ
• ຂໍ້ມູນການຈັດສົ່ງ: ຈຳນວນການສັ່ງຊື້, ເວລາການຈັດສົ່ງ ແລະ ອັດຕາການຍົກເລີກແຍກຕາມແພລດຟອມ

ມາດຕະຖານຄຸນນະພາບຂໍ້ມູນຂັ້ນຕໍ່າ

ໃນການສ້າງແບບຈຳລອງການຄາດຄະເນຄວາມຕ້ອງການ, ໂດຍທົ່ວໄປແລ້ວຈຳເປັນຕ້ອງມີ ຂໍ້ມູນຜົນງານທີ່ຕໍ່ເນື່ອງກັນຢ່າງໜ້ອຍ 12-24 ເດືອນ. ຢ່າງໃດກໍຕາມ, ຖ້າໄລຍະເວລາຂອງຂໍ້ມູນໜ້ອຍກວ່າ 12 ເດືອນ, ຄວນພິຈາລະນາໃຊ້ຂໍ້ມູນຈາກຮ້ານທີ່ຄ້າຍຄືກັນພາຍນອກ ຫຼື ຂໍ້ມູນສັງເຄາະມາເສີມ, ແລະ ຖ້າສາມາດຮັກສາຂໍ້ມູນໄດ້ເຖິງ 24 ເດືອນຂຶ້ນໄປ ກໍຈະເຮັດໃຫ້ການສ້າງແບບຈຳລອງທີ່ພິຈາລະນາເຖິງການປ່ຽນແປງຕາມລະດູການນັ້ນມີຄວາມເປັນໄປໄດ້ຫຼາຍຂຶ້ນ.

ໃນດ້ານຄຸນນະພາບ, ການຕອບສະໜອງຕາມມາດຕະຖານຕໍ່ໄປນີ້ແມ່ນມີຄວາມສຳຄັນ:

「ລະບົບນີ້, ຖ້າພະນັກງານບໍ່ສາມາດນຳໃຊ້ໄດ້ຢ່າງຄ່ອງແຄ້ວ ກໍບໍ່ມີຄວາມໝາຍຫຍັງເລີຍ」—— ນີ້ຄືກຳແພງທຳອິດທີ່ຜູ້ຈັດການໜ້າວຽກຕ້ອງປະເຊີນ.

ເຖິງຈະມີການນຳໃຊ້ເຄື່ອງມື AI ເຂົ້າມາ, ແຕ່ກໍມີຫຼາຍກໍລະນີທີ່ພະນັກງານຍັງບໍ່ຄຸ້ນເຄີຍກັບການໃຊ້ງານ ຈົນກັບໄປເຮັດວຽກດ້ວຍມືແບບເກົ່າ. ດັ່ງນັ້ນ, ການກະກຽມດ້ານເຕັກນິກຄວນເຮັດໄປພ້ອມກັບການອອກແບບຄົນ ແລະ ການປະຕິບັດງານຢ່າງເໝາະສົມ.

ຂັ້ນຕອນພື້ນຖານເພື່ອຍົກລະດັບຄວາມຮູ້ດ້ານ AI (AI Literacy)

• ການຝຶກອົບຮົມຕາມບົດບາດ: ຄວາມຮູ້ທີ່ຈຳເປັນສຳລັບຜູ້ຈັດການຮ້ານ, ຫົວໜ້າກະທັດງານ (Shift Leader), ແລະ ພະນັກງານປຸງແຕ່ງອາຫານແມ່ນແຕກຕ່າງກັນ. ຄວນສອນວິທີອ່ານຜົນການຄາດຄະເນໃຫ້ຜູ້ຈັດການຮ້ານ ແລະ ສອນວິທີກວດສອບການແຈ້ງເຕືອນການສັ່ງຊື້ວັດຖຸດິບໃຫ້ພະນັກງານປຸງແຕ່ງອາຫານເປັນລາຍບຸກຄົນ.
• ເລີ່ມຕົ້ນຈາກຜົນສຳເລັດນ້ອຍໆ: ໃນໄລຍະທຳອິດ ໃຫ້ຈຳກັດຂອບເຂດພຽງແຕ່ "ກວດສອບການຄາດຄະເນຈຳນວນລູກຄ້າໃນມື້ຖັດໄປທຸກເຊົ້າ" ແລະ ສ້າງນິໄສໃນການທົບທວນຄວາມແຕກຕ່າງລະຫວ່າງການຄາດຄະເນຂອງ AI ກັບຜົນຕົວຈິງຮ່ວມກັນ.
• ການກວດສອບອິນເຕີເຟດພາສາໄທ: ກ່ອນການນຳໃຊ້ ຕ້ອງກວດສອບໃຫ້ແນ່ໃຈວ່າພະນັກງານສາມາດໃຊ້ງານລະບົບດ້ວຍພາສາແມ່ຂອງເຂົາເຈົ້າໄດ້.

ຈຸດສຳຄັນຂອງການອອກແບບການປະຕິບັດງານ

• ການອອກແບບ HITL (Human-in-the-Loop): ຄວນສ້າງກົນໄກໃຫ້ພະນັກງານເປັນຜູ້ອະນຸມັດຂັ້ນສຸດທ້າຍຕໍ່ຂໍ້ສະເໜີການສັ່ງຊື້ຂອງ AI. ຖ້າຟ້າວຟັ່ງເຮັດໃຫ້ເປັນອັດຕະໂນມັດຫຼາຍເກີນໄປ ຈະເກີດຄວາມສ່ຽງທີ່ບໍ່ມີໃຜສັງເກດເຫັນຄ່າທີ່ຜິດປົກກະຕິ.
• ກຳນົດຜູ້ຮັບຜິດຊອບໃຫ້ຊັດເຈນ: ຕ້ອງລະບຸໃຫ້ຊັດເຈນໃນແຜນຜັງຂະບວນການວ່າ "ໃຜເປັນຜູ້ກວດສອບຂໍ້ມູນການຄາດຄະເນ ແລະ ໃຜເປັນຜູ້ກົດປຸ່ມສັ່ງຊື້".
• ການຕັ້ງຄ່າການທົບທວນປະຈຳອາທິດ: ແບ່ງປັນການປ່ຽນແປງຂອງຄວາມແມ່ນຍຳໃນການຄາດຄະເນ ຫຼື ປະລິມານຂອງເສຍ (Waste) ໃຫ້ທີມງານຊາບອາທິດລະ 1 ຄັ້ງ ເພື່ອໝູນວຽນວົງຈອນການປັບປຸງໃຫ້ດີຂຶ້ນ.

ຂໍ້ມູນ POS ຫຼາຍຮ້ານໄດ້ມີການສະສົມໄວ້ແລ້ວ ແຕ່ກໍຍັງມີຫຼາຍກໍລະນີທີ່ຖືກນຳໃຊ້ພຽງແຕ່ເພື່ອຕິດຕາມຍອດຂາຍປະຈຳເດືອນເທົ່ານັ້ນ. ການສ້າງ AI ຄາດຄະເນຄວາມຕ້ອງການ ແມ່ນເລີ່ມຕົ້ນຈາກການຂຸດຄົ້ນຂໍ້ມູນທີ່ຖືກປ່ອຍປະລະເລີຍເຫຼົ່ານັ້ນ.

ໂດຍສະເພາະແລ້ວ, ມັນແມ່ນຂະບວນການພັດທະນາແບບຈຳລອງໂດຍການລວມເອົາຂໍ້ມູນ POS, ຂໍ້ມູນການຈອງ ແລະ ຂໍ້ມູນຈາກພາຍນອກເຂົ້າດ້ວຍກັນເປັນຂັ້ນຕອນ. ເລີ່ມຈາກການຈັດກຽມຂໍ້ມູນ, ຈາກນັ້ນສ້າງແບບຈຳລອງການຄາດຄະເນ, ແລະ ສຸດທ້າຍແມ່ນການເຊື່ອມຕໍ່ຂໍ້ມູນຕໍ່ໃຫ້ກັບລະບົບການສັ່ງຊື້ສິນຄ້າ ຫຼື ການຈັດຕາຕະລາງພະນັກງານໂດຍອັດຕະໂນມັດ — ເຊິ່ງພວກເຮົາຈະມາອະທິບາຍ 3 ຂັ້ນຕອນນີ້ໂດຍແບ່ງອອກເປັນຮູບແບບທີ່ສາມາດນຳໄປປະຕິບັດຕົວຈິງໄດ້ງ່າຍ.

ໃນເບື້ອງຕົ້ນ ເຮົາມັກຈະຄິດວ່າ "ພຽງແຕ່ເກັບຂໍ້ມູນໃຫ້ໄດ້ຫຼາຍທີ່ສຸດ ກໍຈະເຮັດໃຫ້ຄວາມແມ່ນຍຳເພີ່ມຂຶ້ນ" ແຕ່ໃນຄວາມເປັນຈິງແລ້ວ ການຈຳກັດປະເພດຂອງຂໍ້ມູນທີ່ຈະເກັບ ແລະ ການເຮັດໃຫ້ຂໍ້ມູນມີຄຸນນະພາບເທົ່າທຽມກັນ ແມ່ນສົ່ງຜົນໂດຍກົງຕໍ່ການປັບປຸງຄວາມແມ່ນຍຳໃນການຄາດການຫຼາຍກວ່າ. ໃນ Step 1, ພວກເຮົາຈະຈັດກຽມຊຸດຂໍ້ມູນຂັ້ນຕໍ່າທີ່ຈຳເປັນສຳລັບ Demand Forecasting AI.

ແຫຼ່ງຂໍ້ມູນຫຼັກທີ່ຄວນເກັບກຳ

• POS Data: ຈຳນວນຍອດຂາຍ ແລະ ມູນຄ່າແຍກຕາມຊ່ວງເວລາ ແລະ ເມນູ. ຄວນມີຂໍ້ມູນຍ້ອນຫຼັງຢ່າງໜ້ອຍ 12 ເດືອນ
• Reservation Data: ຈຳນວນຄົນ, ຊ່ວງເວລາ ແລະ ອັດຕາການຍົກເລີກຈາກລະບົບການຈອງອອນລາຍ ຫຼື ການຈອງຜ່ານໂທລະສັບ
• Weather Data: ຂໍ້ມູນປະລິມານນໍ້າຝົນ ແລະ ອຸນຫະພູມແບບລາຍວັນ ຈາກ API ຂອງກົມອຸຕຸນິຍົມວິທະຍາໄທ (Thai Meteorological Department) ຫຼື API ພະຍາກອນອາກາດທາງການຄ້າ
• Holiday/Event Data: ປະຕິທິນວັນຢຸດລັດຖະການຂອງໄທ (ເຊັ່ນ: ສົງການ, ລອຍກະທົງ) ແລະ ຂໍ້ມູນກິດຈະກຳຕ່າງໆໃນພື້ນທີ່ໃກ້ຄຽງຮ້ານ

ຈຸດສຳຄັນໃນການປະຕິບັດງານດ້ານການເກັບຂໍ້ມູນ

1. ກວດສອບວ່າລະບົບ POS ຮອງຮັບການສົ່ງອອກໄຟລ໌ CSV ຫຼືບໍ່ ແລະ ຕັ້ງຄ່າຕາຕະລາງການສົ່ງອອກຂໍ້ມູນແບບອັດຕະໂນມັດເປັນລາຍວັນ
2. ຂໍ້ມູນການຈອງ ແລະ ຂໍ້ມູນ POS ຕ້ອງຖືກປັບໃຫ້ເປັນ ຮູບແບບວັນທີ ແລະ ເວລາອັນດຽວກັນ (ຕົວຢ່າງ: YYYY-MM-DD HH:MM) ກ່ອນທີ່ຈະນຳມາລວມເຂົ້າກັນ
3. ຂໍ້ມູນສະພາບອາກາດ ແລະ ວັນຢຸດ ຄວນດຶງຂໍ້ມູນອັດຕະໂນມັດຈາກ API ພາຍນອກ ແລະ ເຊື່ອມໂຍງກັບຂໍ້ມູນຮ້ານຄ້າໂດຍໃຊ້ຄີວັນທີ (Date Key)

ການແກ້ໄຂຂໍ້ມູນທີ່ຂາດຫາຍໄປ ຫຼື ຄວາມບໍ່ສອດຄ່ອງຂອງຮູບແບບຂໍ້ມູນໃນຂັ້ນຕອນນີ້ແມ່ນມີຄວາມສຳຄັນຫຼາຍ. ຖ້າມີຄ່າທີ່ຂາດຫາຍໄປປົນຢູ່ໃນຂັ້ນຕອນການ Fine-tuning ທີ່ເປັນຂະບວນການຕໍ່ໄປ ຈະເຮັດໃຫ້ຕົວແບບ (Model) ບໍ່ສາມາດຮຽນຮູ້ການເພີ່ມຂຶ້ນຂອງຄວາມຕ້ອງການໃນຊ່ວງກ່ອນ ແລະ ຫຼັງວັນຢຸດໄດ້ຢ່າງຖືກຕ້ອງ.

ເມື່ອໄດ້ຂໍ້ມູນທີ່ເກັບກຳມາຄົບຖ້ວນແລ້ວ, ຂັ້ນຕອນຕໍ່ໄປແມ່ນການເຂົ້າສູ່ການ Fine-tuning ເພື່ອເພີ່ມຄວາມແມ່ນຍຳໃຫ້ກັບແບບຈຳລອງຈຳນວນລູກຄ້າທີ່ມາຮ້ານ. ຢ່າງໃດກໍຕາມ, ຄວນປ່ຽນວິທີການລະຫວ່າງກໍລະນີທີ່ມີປະລິມານຂໍ້ມູນຫຼາຍ ແລະ ຂໍ້ມູນໜ້ອຍ. ຖ້າມີຂໍ້ມູນ POS ຕັ້ງແຕ່ 12 ເດືອນຂຶ້ນໄປ, ການເຮັດ Fine-tuning ແບບເຕັມຮູບແບບໂດຍການຮຽນຮູ້ເພີ່ມເຕີມດ້ວຍຂໍ້ມູນອະນຸກົມເວລາ (Time-series data) ສະເພາະຂອງຮ້ານຕໍ່ກັບແບບຈຳລອງພື້ນຖານທີ່ມີຢູ່ນັ້ນຈະມີປະສິດທິຜົນ. ໃນທາງກົງກັນຂ້າມ, ຖ້າຫາກຫາກໍເປີດຮ້ານໄດ້ບໍ່ດົນ ແລະ ມີຂໍ້ມູນບໍ່ຮອດເຄິ່ງປີ, ການສ້າງແບບຈຳລອງໃນລະດັບ PoC (Proof of Concept) ໂດຍການໃຊ້ຊຸດຂໍ້ມູນສາທາລະນະຂອງທຸລະກິດທີ່ຄ້າຍຄືກັນ ຫຼື ຂໍ້ມູນສັງເຄາະມາເສີມນັ້ນຈະມີຄວາມເປັນໄປໄດ້ຫຼາຍກວ່າ.

ຂັ້ນຕອນລະອຽດມີດັ່ງນີ້:

• ການອອກແບບ Feature: ຈັດກຽມວັນໃນອາທິດ, ຊ່ວງເວລາ, ທຸງວັນພັກ, ສະພາບອາກາດ ແລະ ເຫດການໃກ້ຄຽງໃຫ້ເປັນຕົວແປປະເພດ (Categorical variables)
• ການແບ່ງຂໍ້ມູນເພື່ອທົດສອບ (Split Validation): ແບ່ງຂໍ້ມູນຊ່ວງສອງສາມເດືອນຫຼ້າສຸດໄວ້ເປັນຊຸດທົດສອບ ແລະ ໃຫ້ຮຽນຮູ້ສະເພາະຂໍ້ມູນໃນອະດີດເທົ່ານັ້ນ (ເພື່ອປ້ອງກັນການຮົ່ວໄຫຼຂອງຂໍ້ມູນ ຫຼື Data Leakage)
• ການກວດສອບຄວາມຜິດພາດ: ຊອກຫາວັນທີ່ມີຄວາມແຕກຕ່າງລະຫວ່າງຄ່າທີ່ຄາດການໄວ້ກັບຄ່າຈິງສູງ (ເຊັ່ນ: ວັນພັກຍາວສົງການ ຫຼື ມື້ທີ່ມີຝົນຕົກໜັກໃນລະດູຝົນ) ແລ້ວນຳມາເພີ່ມເຂົ້າໃນ Feature
• ການປັບປຸງແບບຊ້ຳໆ: ເຮັດການຮຽນຮູ້ແບບຈຳລອງໃໝ່ (Re-train) ເປັນລາຍອາທິດ ຫຼື ລາຍເດືອນ ເພື່ອໃຫ້ຕິດຕາມການປ່ຽນແປງຕາມລະດູການໄດ້

ຫຼັງຈາກການ Fine-tuning, ການກຽມກົນໄກໃຫ້ຜູ້ຈັດການໜ້າວຽກສາມາດກວດສອບຜົນການຄາດການຜ່ານໜ້າຈໍ ແລະ ສາມາດປັບແກ້ຂໍ້ມູນດ້ານຄຸນນະພາບດ້ວຍຕົນເອງໄດ້ ເຊັ່ນ: "ມື້ນີ້ຄາດວ່າຈະມີລູກຄ້າເພີ່ມຂຶ້ນຍ້ອນມີງານເທດສະການ" ຈະຊ່ວຍໃຫ້ຄວາມແມ່ນຍຳມີຄວາມສະຖຽນຫຼາຍຂຶ້ນ. ການອອກແບບຂະບວນການທີ່ມະນຸດເປັນຜູ້ກວດສອບຂັ້ນສຸດທ້າຍໂດຍອີງໃສ່ມຸມມອງແບບ HITL (Human-in-the-Loop) ໂດຍບໍ່ເພິ່ງພາພຽງແຕ່ການຄາດການຂອງ AI ຈະນຳໄປສູ່ການເພີ່ມຄວາມໜ້າເຊື່ອຖືໃນການນຳໃຊ້ງານຈິງ.

"ການຄາດຄະເນໄດ້ອອກມາແລ້ວ ແຕ່ຈະນຳຂໍ້ມູນນັ້ນໄປໃຊ້ໃນການສັ່ງຊື້ຕົວຈິງ ຫຼື ຈັດຕາຕະລາງເວນຍາມໄດ້ແນວໃດ" —— ຜູ້ຮັບຜິດຊອບໜ້າວຽກຫຼາຍຄົນມັກຈະຕິດຂັດຢູ່ບ່ອນນີ້.

ເມື່ອໂມເດວການຄາດຄະເນຄວາມຕ້ອງການເລີ່ມເຮັດວຽກແລ້ວ, ຂັ້ນຕອນຕໍ່ໄປຄືການເຊື່ອມຕໍ່ຄ່າທີ່ຄາດຄະເນໄດ້ເຂົ້າສູ່ຂະບວນການເຮັດວຽກໂດຍອັດຕະໂນມັດ. ຈຸດເຊື່ອມຕໍ່ຫຼັກມີ 3 ຢ່າງດັ່ງນີ້:

• ການສັ່ງຊື້ວັດຖຸດິບ: ໂດຍອີງໃສ່ຈຳນວນລູກຄ້າທີ່ຄາດຄະເນໄວ້ໃນມື້ຖັດໄປ ຫຼື ອາທິດຖັດໄປ, ລະບົບຈະຄຳນວນຂີດຈຳກັດສູງສຸດ ແລະ ຕ່ຳສຸດຂອງປະລິມານການສັ່ງຊື້ໂດຍອັດຕະໂນມັດ ແລະ ສົ່ງໃບສັ່ງຊື້ໄປຍັງຜູ້ສະໜອງຜ່ານທາງອີເມວ ຫຼື API.
• ຄຳສັ່ງປະລິມານການກຽມອາຫານ: ສົ່ງການແຈ້ງເຕືອນ (Push Notification) ໄປຍັງແທັບເລັດ ຫຼື ຈໍສະແດງຜົນໃນຫ້ອງຄົວ ເພື່ອແຈ້ງ "ປະລິມານການກຽມອາຫານທີ່ແນະນຳສຳລັບມື້ນີ້" ໃຫ້ແກ່ພະນັກງານໃນຫ້ອງຄົວ.
• ການສ້າງຕາຕະລາງເວນຍາມອັດຕະໂນມັດ: ສ້າງຮ່າງຕາຕະລາງເວນຍາມໃຫ້ສອດຄ່ອງກັບຊ່ວງເວລາທີ່ມີລູກຄ້າໜາແໜ້ນທີ່ຄາດຄະເນໄວ້, ໂດຍສ້າງຂະບວນການ ຫຼື Pipeline ແບບ HITL (Human-in-the-Loop) ທີ່ຜູ້ຈັດການຮ້ານພຽງແຕ່ກົດອະນຸມັດກໍສາມາດຢືນຢັນຕາຕະລາງໄດ້ເລີຍ.

ສຳລັບວິທີການຈັດຕັ້ງປະຕິບັດການເຊື່ອມຕໍ່, ຖ້າລະບົບ POS ຫຼື ເຄື່ອງມືຈັດການສິນຄ້າຄົງຄັງມີການເປີດ API ໄວ້ ກໍສາມາດເຊື່ອມຕໍ່ໂດຍກົງໄດ້. ໃນກໍລະນີທີ່ບໍ່ມີ API, ການໃຊ້ເຄື່ອງມືພັດທະນາແບບ No-code/Low-code ເຊັ່ນ n8n ເພື່ອສ້າງຂະບວນການ ຫຼື Pipeline ຂໍ້ມູນຖືເປັນວິທີທີ່ເປັນໄປໄດ້ຫຼາຍທີ່ສຸດ.

ເພື່ອເພີ່ມຄວາມແມ່ນຍຳໃນການເຮັດວຽກແບບອັດຕະໂນມັດ, ສິ່ງທີ່ສຳຄັນຄືການອອກແບບວົງຈອນ MLOps ຕັ້ງແຕ່ຕົ້ນ ເພື່ອບັນທຶກຄວາມແຕກຕ່າງລະຫວ່າງຄ່າທີ່ຄາດຄະເນກັບຄ່າຕົວຈິງໃນທຸກໆມື້ ແລະ ນຳຂໍ້ມູນນັ້ນກັບໄປປັບປຸງໂມເດວ. ຫາກວັນໃດທີ່ການຄາດຄະເນຜິດພາດ (ເຊັ່ນ: ວັນຢຸດນັກຂັດຕະເລີກ, ມື້ຝົນຕົກ, ຫຼື ມີງານກິດຈະກຳໃກ້ຄຽງ) ການໃສ່ແທັກ (Tag) ລະບຸສາເຫດ ແລະ ເກັບຮັກສາໄວ້ ຈະຊ່ວຍໃຫ້ຄວາມແມ່ນຍຳໃນຄັ້ງຕໍ່ໄປເພີ່ມທະວີຂຶ້ນເລື້ອຍໆ.

ບໍ່ຈຳເປັນຕ້ອງຕັ້ງເປົ້າໝາຍໃຫ້ເປັນລະບົບອັດຕະໂນມັດສົມບູນແບບຕັ້ງແຕ່ເລີ່ມຕົ້ນ.

ສະຫຼຸບ: ເລີ່ມຕົ້ນຈາກການເບິ່ງເຫັນຂໍ້ມູນສິນຄ້າຄົງຄັງ ແລະ ຂໍ້ມູນການເສຍຫາຍ, ຈາກນັ້ນປະຕິບັດຕາມຂັ້ນຕອນການອັດຕະໂນມັດການສັ່ງຊື້ດ້ວຍ AI ຮັບຮູ້ຮູບພາບ ແລະ ສຽງ, ຕາມດ້ວຍການປັບປຸງຢ່າງຕໍ່ເນື່ອງດ້ວຍ MLOps, ເຊິ່ງຈະສາມາດຊ່ວຍຫຼຸດຜ່ອນການສູນເສຍວັດຖຸດິບ ແລະ ເພີ່ມປະສິດທິພາບໃນການເຮັດວຽກໄປພ້ອມກັນໄດ້.

ລາຍລະອຽດຂອງແຕ່ລະຂັ້ນຕອນຈະໄດ້ອະທິບາຍໄວ້ໃນຫົວຂໍ້ H3 ຕໍ່ໄປນີ້.

ໃນໜ້າວຽກທີ່ພະຍາຍາມເລີ່ມຕົ້ນຫຼຸດຜ່ອນການສູນເສຍວັດຖຸດິບ (Food Loss), ຫຼາຍຄົນມັກຈະຄິດໃນເບື້ອງຕົ້ນວ່າ "ພຽງແຕ່ການນັບປະລິມານຂີ້ເຫຍື້ອດ້ວຍຕາເປົ່າກໍພຽງພໍແລ້ວ". ແຕ່ໃນຄວາມເປັນຈິງແລ້ວ, ຖ້າບໍ່ມີການບັນທຶກເວລາ ແລະ ສາເຫດການຖິ້ມໃນແຕ່ລະລາຍການສິນຄ້າ, ກໍຈະບໍ່ສາມາດລະບຸໄດ້ວ່າການສູນເສຍນັ້ນກະຈຸກຕົວຢູ່ໃນຂະບວນການໃດ. ພຽງແຕ່ເມື່ອຂໍ້ມູນຖືກເຮັດໃຫ້ເຫັນພາບໄດ້ຊັດເຈນ (Visualize) ເທົ່ານັ້ນ, ລຳດັບຄວາມສຳຄັນຂອງການປັບປຸງຈຶ່ງຈະປາກົດຂຶ້ນ.

ປະເພດຂອງຂໍ້ມູນທີ່ຄວນບັນທຶກ

• ບັນທຶກປະລິມານການຮັບສິນຄ້າ, ປະລິມານການໃຊ້ງານ ແລະ ປະລິມານການຖິ້ມເປັນລາຍວັນຕາມລາຍການສິນຄ້າ
• ແບ່ງໝວດໝູ່ສາເຫດການຖິ້ມ (ຄວາມຜິດພາດໃນການປຸງແຕ່ງ, ໝົດອາຍຸ, ການກະກຽມຫຼາຍເກີນໄປ, ແລະ ອື່ນໆ)
• ຊ່ວງເວລາ, ມື້ໃນອາທິດ ແລະ ການມີຢູ່ຂອງເຫດການພິເສດທີ່ເກີດການຖິ້ມ

ການນຳຂໍ້ມູນເຫຼົ່ານີ້ມາປຽບທຽບກັບຂໍ້ມູນ POS ແລະ ປະຫວັດການສັ່ງຊື້ ຈະເຮັດໃຫ້ຮູບແບບຕ່າງໆປາກົດຂຶ້ນ ເຊັ່ນ: "ການຖິ້ມອາຫານທະເລກະຈຸກຕົວຢູ່ໃນຊ່ວງຄໍ່າຂອງທ້າຍອາທິດ".

ເຄື່ອງມື ແລະ ມາດຕະຖານຂັ້ນຕໍ່າໃນການດຳເນີນງານ

ສຳລັບຮ້ານຂະໜາດນ້ອຍ, ການເລີ່ມຕົ້ນດ້ວຍສະເປຣດຊີດ (Spreadsheet) ຫຼື ແອັບພລິເຄຊັນຈັດການສິນຄ້າຄົງຄັງທີ່ມີຕົ້ນທຶນຕໍ່າຖືເປັນເລື່ອງທີ່ເປັນໄປໄດ້. ເມື່ອການບັນທຶກຂໍ້ມູນກາຍເປັນເລື່ອງປົກກະຕິແລ້ວ, ໃຫ້ຍ້າຍໄປໃຊ້ເຄື່ອງມືຈັດການສິນຄ້າຄົງຄັງ ແລະ ການຖິ້ມໃນຮູບແບບ Cloud ເພື່ອເຮັດໃຫ້ເຫັນພາບຜ່ານ Dashboard. ໃນປະເທດໄທ, ຈຳເປັນຕ້ອງຄຳນຶງເຖິງ PDPA (ກົດໝາຍຄຸ້ມຄອງຂໍ້ມູນສ່ວນບຸກຄົນຂອງໄທ), ແຕ່ເນື່ອງຈາກຂໍ້ມູນການຖິ້ມເອງນັ້ນບໍ່ໄດ້ລວມເຖິງຂໍ້ມູນສ່ວນບຸກຄົນ, ການນຳມາໃຊ້ຈຶ່ງມີອຸປະສັກທີ່ຂ້ອນຂ້າງຕໍ່າ.

ຜົນປະໂຫຍດທີ່ໄດ້ຮັບຈາກການເຮັດໃຫ້ເຫັນພາບ (Visualization)

• ສາມາດເຂົ້າໃຈລາຍການສິນຄ້າ ແລະ ຊ່ວງເວລາທີ່ມີການສູນເສຍຫຼາຍໄດ້ໃນທັນທີ
• ເຊື່ອມໂຍງໂດຍກົງກັບການທົບທວນປະລິມານການສັ່ງຊື້ ແລະ ການປັບຕາຕະລາງການກະກຽມວັດຖຸດິບ
• ສາມາດນຳໄປໃຊ້ເປັນຂໍ້ມູນ Input ສຳລັບ AI ຄາດຄະເນຄວາມຕ້ອງການໄດ້

ໃນແຜນທີ່ນຳທາງການຈັດການຂີ້ເຫຍື້ອອາຫານຂອງໄທ (ປີ 2023-2030), ການຫຼຸດຜ່ອນການຖິ້ມໂດຍອີງໃສ່ຂໍ້ມູນກໍຖືກຈັດໃຫ້ເປັນມາດຕະການສຳຄັນ. ການບັນທຶກ ແລະ ການເຮັດໃຫ້ເຫັນພາບ ເປັນບາດກ້າວທຳອິດທີ່ເປັນພື້ນຖານຂອງການນຳ AI ມາໃຊ້ງານ.

ຄວາມຜິດພາດ ຫຼື ຄວາມລ່າຊ້າໃນການປ້ອນຂໍ້ມູນຄຳສັ່ງຊື້ ແມ່ນບັນຫາທີ່ສົ່ງຜົນກະທົບໂດຍກົງຕໍ່ປະສົບການຂອງລູກຄ້າໃນຊ່ວງເວລາທີ່ມີຄວາມຕ້ອງການສູງ. ການນຳໃຊ້ Image Recognition (ການຮັບຮູ້ຮູບພາບ) ແລະ Voice AI (AI ສຽງ) ມາປະສົມປະສານກັນ ສາມາດຊ່ວຍຫຼຸດຜ່ອນບັນຫາດັ່ງກ່າວໄດ້ຢ່າງຫຼວງຫຼາຍ.

ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ໃນການນຳໃຊ້ Image Recognition AI

• ໃຊ້ກ້ອງໃນຫ້ອງຄົວຖ່າຍຮູບອາຫານທີ່ປຸງແຕ່ງສຳເລັດແລ້ວ ເພື່ອກວດຈັບການໃຫ້ບໍລິການທີ່ຕົກຫຼົ່ນ ຫຼື ການຈັດວາງອາຫານທີ່ຜິດພາດແບບ Real-time
• ຕິດຕັ້ງກ້ອງໄວ້ທີ່ເຄື່ອງຮັບຄຳສັ່ງດ້ວຍຕົນເອງ (Self-order) ເພື່ອຮັບຮູ້ຈານເປົ່າເທິງໂຕະ ແລະ ກະຕຸ້ນໃຫ້ມີການສັ່ງເພີ່ມ
• ກວດສອບຈຳນວນ ແລະ ປະເພດສິນຄ້າໂດຍອັດຕະໂນມັດໃນຂະນະຫຸ້ມຫໍ່ສິນຄ້າສຳລັບການຈັດສົ່ງ ເພື່ອປ້ອງກັນການສົ່ງສິນຄ້າຜິດພາດ

ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ໃນການນຳໃຊ້ Voice AI

• ຮັບຄຳສັ່ງຜ່ານສຽງດ້ວຍລະບົບ Multi-lingual NLP (ການປະມວນຜົນພາສາທຳມະຊາດຫຼາຍພາສາ) ທີ່ຮອງຮັບພາສາໄທ, ພາສາອັງກິດ ແລະ ພາສາຈີນ ແລ້ວປ້ອນຂໍ້ມູນເຂົ້າສູ່ລະບົບ POS ໂດຍອັດຕະໂນມັດ
• ຖອດຂໍ້ຄວາມຈາກສຽງໃນການສັ່ງອາຫານຜ່ານ Drive-thru ຫຼື ທາງໂທລະສັບ ເພື່ອຫຼຸດຜ່ອນຂັ້ນຕອນໃນການກວດສອບຄຳສັ່ງຊື້

ຫຼັກການຕັດສິນໃຈຕາມແຕ່ລະກໍລະນີ

ສຳລັບຮ້ານຂະໜາດນ້ອຍທີ່ມີຈຳນວນໂຕະໜ້ອຍ ແລະ ລາຍການອາຫານບໍ່ຊັບຊ້ອນ, ການເລີ່ມຕົ້ນດ້ວຍການນຳໃຊ້ Voice AI ພຽງຢ່າງດຽວຈະຊ່ວຍຄວບຄຸມຕົ້ນທຶນໄດ້ງ່າຍກວ່າ. ໃນທາງກັບກັນ, ສຳລັບຮ້ານທີ່ມີອັດຕາສ່ວນການຈັດສົ່ງສູງ ແລະ ມີການນຳໃຊ້ຫຼາຍແພລດຟອມໄປພ້ອມໆກັນ, ການນຳໃຊ້ Image Recognition ເພື່ອກວດສອບການຫຸ້ມຫໍ່ ປະສົມປະສານກັບ Voice AI ຈະເປັນໂຄງສ້າງທີ່ມີປະສິດທິພາບໃນການຫຼຸດຜ່ອນຄວາມສ່ຽງຕໍ່ການສົ່ງສິນຄ້າຜິດພາດ.

ການນຳໄປປະຍຸກໃຊ້ກັບຂະບວນການຈັດສົ່ງ (Delivery)

ສາມາດຕິດຕັ້ງລະບົບທີ່ AI ຮັບຄຳສັ່ງ ແລະ ຈັດລຳດັບຄວາມສຳຄັນຂອງຄຳສັ່ງທີ່ເຂົ້າມາຈາກແພລດຟອມຈັດສົ່ງອາຫານ ເຊັ່ນ: Grab Food ຫຼື LINE MAN ໂດຍອັດຕະໂນມັດ ແລ້ວສົ່ງຂໍ້ມູນຕໍ່ໃຫ້ ຄິວການປຸງແຕ່ງອາຫານໃນຫ້ອງຄົວ. ສິ່ງນີ້ຈະຊ່ວຍໃຫ້ພະນັກງານປະຢັດເວລາໃນການກວດສອບຫຼາຍອຸປະກອນດ້ວຍຕົນເອງ ແລະ ຫຼຸດຜ່ອນການຕົກຫຼົ່ນໃນການບໍລິການຊ່ວງເວລາທີ່ມີຄວາມຕ້ອງການສູງ.

"ຮູ້ສຶກຕົວເມື່ອສິນຄ້າໝົດ" ຫຼື "ທົບທວນປະລິມານການສັ່ງຊື້ຫຼັງຈາກມີສິນຄ້າເສຍຫາຍ" — ການຕັດວົງຈອນການດຳເນີນງານທີ່ຊັກຊ້ານີ້ ແມ່ນກົນໄກການປັບປຸງຢ່າງຕໍ່ເນື່ອງທີ່ປະສົມປະສານລະຫວ່າງການແຈ້ງເຕືອນ (Alert) ແລະ MLOps.

ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ຂອງກົນໄກນີ້ແມ່ນການດຳເນີນງານສອງດ້ານ ຄື: ການແຈ້ງເຕືອນຕາມເກນກຳນົດ (Threshold Alert) ແລະ ການຝຶກຝົນແບບຈຳລອງຄືນໃໝ່ຕາມກຳນົດເວລາ (Periodic Model Retraining).

ຕົວຢ່າງການອອກແບບການແຈ້ງເຕືອນ

• ແຈ້ງເຕືອນອັດຕະໂນມັດຜ່ານ LINE ຫຼື SMS ເມື່ອປະລິມານສິນຄ້າຄົງເຫຼືອຫຼຸດລົງຕໍ່າກວ່າເກນທີ່ກຳນົດໄວ້ (ຕົວຢ່າງ: ພຽງພໍສຳລັບ 2 ມື້)
• ສົ່ງຂໍ້ມູນຕໍ່ໃຫ້ຜູ້ຮັບຜິດຊອບ ເມື່ອອັດຕາຄວາມຜິດພາດໃນການຄາດຄະເນເກີນລະດັບທີ່ກຳນົດ
• ສ້າງລາຍງານອັດຕະໂນມັດ ເມື່ອການສູນເສຍຈາກສິນຄ້າເສຍຫາຍມີທ່າອ່ຽງ ເພີ່ມທະວີຂຶ້ນເລື້ອຍໆ ເມື່ອທຽບກັບອາທິດກ່ອນ

ການແຈ້ງເຕືອນບໍ່ຄວນເປັນພຽງແຕ່ "ການແຈ້ງໃຫ້ຊາບແລ້ວຈົບໄປ" ແຕ່ຄວນອອກແບບໃຫ້ສົ່ງຄຳແນະນຳໃນການປະຕິບັດງານ (ປະລິມານການສັ່ງຊື້ທີ່ແນະນຳ, ທາງເລືອກເມນູທົດແທນ) ໄປພ້ອມກັນ ເພື່ອໃຫ້ຜູ້ຮັບຜິດຊອບສາມາດຕັດສິນໃຈແກ້ໄຂການສັ່ງຊື້ ຫຼື ປ່ຽນແປງເມນູໄດ້ທັນທີ.

ການປັບປຸງຄວາມແມ່ນຍຳຢ່າງຕໍ່ເນື່ອງດ້ວຍ MLOps

AI ຄາດຄະເນຄວາມຕ້ອງການ (Demand Forecasting AI) ບໍ່ໄດ້ສິ້ນສຸດພຽງແຕ່ການສ້າງຂຶ້ນມາເທື່ອດຽວ. ຈຳເປັນຕ້ອງມີລະບົບການດຳເນີນງານທີ່ອັບເດດແບບຈຳລອງຢ່າງຕໍ່ເນື່ອງ ເພື່ອໃຫ້ສອດຄ່ອງກັບການປ່ຽນແປງຂອງລະດູການ, ວັນພັກ ແລະ ແນວໂນ້ມຕ່າງໆ.

ສະຫຼຸບ: ການເຂົ້າໃຈຮູບແບບຄວາມຜິດພາດທີ່ມັກເກີດຂຶ້ນເລື້ອຍໆໃນໜ້າວຽກຫຼັງຈາກການນຳ AI ມາໃຊ້ ແລະ ການວາງມາດຕະການປ້ອງກັນໄວ້ລ່ວງໜ້າ ແມ່ນປັດໄຈທີ່ຕັດສິນຄວາມສຳເລັດ.

ການຂາດແຄນຂໍ້ມູນ, ຄວາມແມ່ນຍຳໃນການຄາດຄະເນຫຼຸດລົງເນື່ອງຈາກການປ່ຽນແປງຕາມລະດູການ, ແລະ ຊ່ອງວ່າງລະຫວ່າງລະບົບກັບໜ້າວຽກຕົວຈິງທີ່ເຮັດໃຫ້ພະນັກງານບໍ່ຍອມນຳໃຊ້ລະບົບນັ້ນ ແມ່ນສອງຄວາມຜິດພາດໃຫຍ່ທີ່ມັກພົບເຫັນເລື້ອຍໆໃນການນຳ AI ມາໃຊ້ກັບຮ້ານອາຫານໃນປະເທດໄທ. ບົດຄວາມນີ້ຈະອະທິບາຍເຖິງສາເຫດ ແລະ ວິທີການຫຼີກລ່ຽງຂອງແຕ່ລະບັນຫາ.

ມັນບໍ່ແມ່ນເລື່ອງແປກທີ່ຮ້ານຄ້າທີ່ຫາກໍ່ນຳໃຊ້ AI ຄາດຄະເນຄວາມຕ້ອງການ (Demand Forecasting AI) ເຂົ້າມາໃຊ້ ຈະມີສຽງສະທ້ອນກັບມາວ່າ "ມັນບໍ່ໄດ້ຜົນດີເທົ່າທີ່ຄິດ". ກ່ອນການນຳໃຊ້, ຫຼາຍຄົນມັກຄາດຫວັງວ່າ "ພຽງແຕ່ປ້ອນຂໍ້ມູນເຂົ້າໄປ AI ກໍຈະສ້າງຄວາມແມ່ນຍຳໃຫ້ເອງ", ແຕ່ໃນຄວາມເປັນຈິງແລ້ວ ສິ່ງທີ່ສົ່ງຜົນຕໍ່ຄວາມແມ່ນຍຳຫຼາຍກວ່າປະລິມານຂອງຂໍ້ມູນ ກໍຄື ຄຸນນະພາບ ແລະ ໄລຍະເວລາຂອງຂໍ້ມູນ.

ຄວາມຜິດພາດທີ່ພົບເລື້ອຍຢ່າງໜຶ່ງຄື ການໃຊ້ຂໍ້ມູນສຳລັບການຮຽນຮູ້ (Training Data) ໃນໄລຍະເວລາທີ່ສັ້ນເກີນໄປ. ຖ້າມີຂໍ້ມູນພຽງແຕ່ 3 ເດືອນ, ແບບຈຳລອງກໍຈະບໍ່ເຄີຍ "ເຫັນ" ຊ່ວງເວລາທີ່ມີການໃຊ້ຈ່າຍສູງ (Peak Season) ທີ່ເກີດຂຶ້ນປີລະຄັ້ງ ເຊັ່ນ: ສົງການ, ລອຍກະທົງ, ຫຼື ຊ່ວງທ້າຍປີ-ຕົ້ນປີ ເລີຍ. ນອກຈາກນີ້, ຍັງມັກຈະເບິ່ງຂ້າມຈຸດທີ່ວ່າ ແນວໂນ້ມການເຂົ້າຮ້ານຂອງລູກຄ້າໃນໄທມີຄວາມແຕກຕ່າງກັນຢ່າງຫຼວງຫຼາຍລະຫວ່າງລະດູຝົນ (ເດືອນ 5-10) ແລະ ລະດູແລ້ງ, ເຊິ່ງຖ້າບໍ່ໄດ້ເພີ່ມປັດໄຈດ້ານລະດູການ (Seasonal Flag) ເຂົ້າໄປໃນຄຸນລັກສະນະຂອງຂໍ້ມູນ (Feature) ກໍອາດຈະເຮັດໃຫ້ການຄາດຄະເນຜິດພາດຢ່າງຕໍ່ເນື່ອງ. ຍິ່ງໄປກວ່ານັ້ນ, ຖ້າປ້ອນຂໍ້ມູນວັນທີ່ຮ້ານປິດຊົ່ວຄາວ ຫຼື ວັນທີ່ມີງານໃຫຍ່ເຂົ້າໄປໂດຍກົງ, ແບບຈຳລອງກໍຈະຈົດຈຳ "ຄ່າທີ່ຜິດປົກກະຕິ" ເຫຼົ່ານັ້ນໄວ້ເປັນຮູບແບບປົກກະຕິ.

ພື້ນຖານຂອງການແກ້ໄຂບັນຫາຄື ການສ້າງແບບຈຳລອງຫຼັງຈາກທີ່ມີຂໍ້ມູນ POS ຄົບ 1 ປີຂຶ້ນໄປ (ຖ້າເປັນໄປໄດ້ຄວນຈະ 2 ປີຂຶ້ນໄປ). ນອກຈາກນັ້ນ, ການນຳເອົາຂໍ້ມູນພາຍນອກ ເຊັ່ນ: ວັນພັກ, ສະພາບອາກາດ, ວັນໃນອາທິດ, ແລະ ກິດຈະກຳຕ່າງໆໃນລະແວກໃກ້ຄຽງ ມາປະສົມປະສານເປັນຄຸນລັກສະນະຂອງຂໍ້ມູນ (Feature) ຈະຊ່ວຍເພີ່ມຄວາມສາມາດໃນການປັບຕົວເຂົ້າກັບການປ່ຽນແປງຕາມລະດູການໄດ້ດີຂຶ້ນ. ຄວນມີການກຽມລະບົບເພື່ອເຮັດຄວາມສະອາດຂໍ້ມູນ (Data Cleansing) ໂດຍການຕັດຄ່າທີ່ຜິດປົກກະຕິ (Outliers) ເຊັ່ນ: ວັນທີ່ຮ້ານປິດຊົ່ວຄາວອອກ ຫຼື ຈັດການດ້ວຍ Flag ແຍກຕ່າງຫາກ, ລວມທັງການສ້າງກົນໄກເພື່ອຮຽນຮູ້ໃໝ່ຢ່າງຕໍ່ເນື່ອງ (Continuous Re-learning) ໂດຍການກວດສອບຄວາມຜິດພາດໃນການຄາດຄະເນເປັນລາຍອາທິດ ຫຼື ລາຍເດືອນ.

ໃນຂັ້ນຕອນທີ່ຂໍ້ມູນຍັງບໍ່ທັນສະສົມພຽງພໍ, ການປະຕິບັດງານທີ່ເປັນຈິງທີ່ສຸດຄືການຖືວ່າຜົນລັພທີ່ໄດ້ຈາກ AI ເປັນພຽງ "ຄ່າອ້າງອີງ" ເທົ່ານັ້ນ ແລະ ຄວນນຳໄປປະສົມປະສານກັບປະສົບການຂອງພະນັກງານທີ່ມີຄວາມຊຳນານ. ການຄ່ອຍໆຂະຫຍາຍຂອບເຂດຂອງການເຮັດວຽກແບບອັດຕະໂນມັດເມື່ອຄວາມແມ່ນຍຳເລີ່ມຄົງທີ່ ຈະຊ່ວຍໃຫ້ການນຳໃຊ້ AI ເປັນທີ່ຍອມຮັບ ແລະ ສາມາດນຳໄປໃຊ້ງານໄດ້ຢ່າງຍືນຍົງ ໂດຍທີ່ຍັງຮັກສາຄວາມເຊື່ອໝັ້ນຂອງພະນັກງານໃນໜ້າວຽກໄວ້ໄດ້.

「ລະບົບສຳເລັດແລ້ວ ແຕ່ໜ້າງານຕົວຈິງກັບບໍ່ມີໃຜໃຊ້ເລີຍ」—— ນີ້ແມ່ນຮູບແບບຄວາມລົ້ມເຫຼວທີ່ຖືກລາຍງານຫຼາຍທີ່ສຸດໃນການນຳໃຊ້ AI ເຂົ້າໃນຮ້ານອາຫານ.

ສາເຫດທີ່ພະນັກງານບໍ່ນຳໃຊ້ສາມາດແບ່ງອອກເປັນສອງປະການໃຫຍ່ໆ ຄື: ຄວາມຊັບຊ້ອນໃນການໃຊ້ງານ ແລະ ຄວາມຮູ້ສຶກຕໍ່ຕ້ານທາງຈິດໃຈທີ່ວ່າ "ອາດຈະມາແຍ່ງວຽກຂອງພວກເຂົາໄປ". ທັງສອງຢ່າງນີ້ ຖ້າບໍ່ໄດ້ຮັບການແກ້ໄຂໃນຂັ້ນຕອນການອອກແບບລະບົບ ກໍຈະເປັນການຍາກທີ່ຈະແກ້ໄຂໄດ້ຫຼັງຈາກທີ່ນຳໃຊ້ໄປແລ້ວ.

ຂໍໃຫ້ລອງຈິນຕະນາການເຖິງສະຖານະການທີ່ມີຄວາມແຕກຕ່າງກັນຢ່າງຈະແຈ້ງ. ໃນຊ່ວງເວລາທີ່ມີລູກຄ້າຫຼາຍ (Peak time), ເມື່ອເປີດແທັບເລັດຂຶ້ນມາແລ້ວຕົວໜັງສືນ້ອຍເກີນໄປຈົນບໍ່ສາມາດໃຊ້ງານໄດ້, ພະນັກງານກໍຈະກັບໄປໃຊ້ການຈົດໃສ່ເຈ້ຍຄືເກົ່າ. ຖ້າເຫດຜົນຂອງການສະເໜີຕາຕະລາງວຽກບໍ່ສະແດງໃຫ້ເຫັນເທິງໜ້າຈໍ, ຜູ້ຈັດການກໍຈະບໍ່ເຊື່ອໝັ້ນໃນຕົວເລກເຫຼົ່ານັ້ນ ແລະ ສຸດທ້າຍກໍຈະຂຽນທັບດ້ວຍຄວາມຮູ້ສຶກຂອງຕົນເອງ. UI ທີ່ມີທັງພາສາໄທ ແລະ ພາສາອັງກິດປົນກັນເຮັດໃຫ້ພະນັກງານພາກສ່ວນ (Part-time) ສັບສົນ, ແລະ ທັນທີທີ່ພວກເຂົາຮູ້ສຶກວ່າຂັ້ນຕອນການອະນຸມັດເພີ່ມຂຶ້ນຈົນເຮັດໃຫ້ວຽກຫຍຸ້ງຍາກກວ່າເກົ່າ, ລະບົບນັ້ນກໍຈະຖືກເບິ່ງວ່າເປັນ "ວຽກທີ່ເພີ່ມຂຶ້ນໂດຍບໍ່ຈຳເປັນ".

ບັນຫາເຫຼົ່ານີ້ ຖ້າຮູ້ສຶກຕົວຫຼັງຈາກທີ່ເລີ່ມໃຊ້ງານໄປແລ້ວ ກໍມັກຈະສາຍເກີນໄປ. ຖ້າຢ່າງນັ້ນ, ຈະປ້ອງກັນໄດ້ແນວໃດ?

ສຳລັບຮ້ານທີ່ມີພະນັກງານໜ້າງານຫຼາຍກວ່າ 10 ຄົນ, ການເລືອກ Pilot user 2-3 ຄົນກ່ອນການນຳໃຊ້ຈິງ ເພື່ອນຳມາທົດລອງໃຊ້ໃນຂະບວນການ ຫຼື Pipeline ການເຮັດວຽກຕົວຈິງເປັນເວລາ 2 ອາທິດ ເພື່ອເກັບກຳຄຳຕິຊົມ (Feedback) ແມ່ນມີປະສິດທິຜົນ. ໃນທາງກົງກັນຂ້າມ, ສຳລັບຮ້ານຂະໜາດນ້ອຍທີ່ດຳເນີນກິດຈະການສ່ວນຕົວ, ການໃຫ້ເຈົ້າຂອງຮ້ານມີຄວາມຊຳນານໃນການໃຊ້ງານດ້ວຍຕົນເອງກ່ອນ ແລ້ວຈຶ່ງຂະຫຍາຍຜົນໄປສູ່ການໃຊ້ງານທັງໝົດຈະຊ່ວຍຫຼຸດຜ່ອນຄວາມວຸ້ນວາຍໄດ້ດີກວ່າ. ເຖິງວ່າວິທີການຈະປ່ຽນແປງໄປຕາມຂະໜາດຂອງຮ້ານ, ແຕ່ສິ່ງທີ່ຄືກັນກໍຄືການບໍ່ລະເລີຍຂັ້ນຕອນທີ່ວ່າ "ການນຳສຽງຂອງໜ້າງານກັບຄືນໄປປັບປຸງການອອກແບບ".