MOOC Coursera มีวิชาที่ชื่อว่า AI for Everyone มีผู้เรียนมากกว่า 3.5 แสนคนจากทั่วโลก สอนโดย Andrew Ng – Adjunct Professor ของ Stanford University หลายคนคงจำได้ว่าท่านเป็นหนึ่งในผู้ร่วมก่อตั้ง Coursera โดยนำวิชา Machine Learning ที่สอน มาใช้เป็นต้นแบบในการสร้าง MOOC บนระบบ Coursera และเคยทำงานเป็นหัวหน้าทีม Google Brain และกลุ่ม AI ของบริษัทไป่ตู้ (Baidu) ในประเทศจีนด้วย
วิชา AI for Everyone นี้ เหมาะสำหรับผู้ที่ไม่ได้มีความรู้ในเรื่องวิศกรรมศาสตร์ แต่ต้องการทำความเข้าใจว่าเทคโนโลยี AI คืออะไร คำศัพท์คำว่า AI, Neural Network, Machine Learning, Deep Learning, Data Science มีความหมายต่างกันอย่างไร AI สามารถนำมาประยุกต์ใช้กับองค์กรและธุรกิจของเราได้อย่างไร AI มีผลกระทบอย่างไรต่อจริยธรรมและสังคม และแน่นอนว่า ไม่มีอุตสาหกรรมใดที่จะไม่ถูก AI สร้างผลกระทบอย่างมากในหลายปีข้างหน้า อาจารย์สอนสนุกและง่ายต่อการเรียนมาก เนื้อหาในบทเรียนพอสรุปได้ดังนี้ค่ะ
What is AI?
AI ประกอบด้วยความคิดสองอย่างที่แยกกัน ความก้าวหน้าทาง AI เกือบทั้งหมดที่เราเห็น ในวันนี้คือ Artificial Narrow Intelligence (ANI) ซึ่งเป็น AI ที่ทำงานอย่างใดอย่างหนึ่ง เช่น ลำโพงอัจฉริยะ รถยนต์ที่ขับได้ด้วยตัวเอง AI ในการค้นเว็บ หรือ AI ในโรงงาน เป็นต้น แต่ AI ยังอาจหมายถึง Artificial General Intelligence (AGI) ซึ่งเป็นเป้าหมายในการสร้าง AI ที่สามารถทำอะไรก็ได้เท่าที่มนุษย์ทำได้หรืออาจจะเป็น Superintelligences ที่ทำได้มากยิ่งกว่ามนุษย์
การเติบโตของ AI ที่ผ่านมา ส่วนใหญ่แล้วขับเคลื่อนโดยเครื่องมือตัวหนึ่งที่เรียกว่า Machine Learning ประเภทของการใช้งาน Machine Learning ที่พบเห็นได้ทั่วไป คือ การเรียนรู้การโยงจาก A ไป B หรือจาก input ไปยัง output เราเรียกการทำแบบนี้ว่า Supervised Learning ตัวอย่างเช่น ถ้า Input (A) เป็นภาษาอังกฤษ และต้องการให้มันสร้าง output (B) เป็นภาษาจีน ดังนั้น Application ที่เราจะสร้างคือ เครื่องแปลภาษา (Machine Translation) หรือ ถ้าต้องการสร้างรถที่ขับได้ด้วยตัวเอง ซึ่งเป็นการประยุกต์ใช้ AI ที่สำคัญเรื่องหนึ่ง เป็น AI ที่รับ Input (A) เป็นภาพและข้อมูลบางส่วนจากเรดาร์หรือเซ็นเซอร์ แล้วสร้าง Output (B) เป็นตำแหน่งของรถคันอื่น ๆ Application คือ รถ Self-driving Car ที่สามารถขับได้ด้วยตัวเอง และหลบหลีกรถคันอื่นได้ เป็นต้น
DATA
ข้อมูล หรือชุดข้อมูล เป็นเรื่องสำคัญ แต่เราจะหาข้อมูลมาได้อย่างไร? จะรวบรวมมาได้อย่างไร? วิธีหนึ่งที่ทำได้คือ เก็บรวบรวมด้วยมือ นั่งดูภาพทีละภาพแล้วติดป้ายให้แต่ละภาพ เช่น สมมติว่า เราต้องการสร้างระบบ AI ในการรู้จำภาพแมว เราต้องรวบรวมชุดข้อมูลที่ Input เป็นภาพจำนวนมาก และ Output คือป้ายที่บอกว่า ภาพแรกเป็นภาพแมว ภาพนี้ไม่ใช่แมว โดยการติดป้ายให้แต่ละภาพ เราก็จะได้ชุดข้อมูลสำหรับตรวจหาภาพแมวได้ เพื่อจะได้แท็กภาพทุกภาพของแมวจาก Mobile Application
อีกวิธีหนึ่งในการได้มาซึ่งชุดข้อมูล ก็คือ การสังเกตพฤติกรรมผู้ใช้ หรือประเภทของพฤติกรรม สังเกตว่าลูกค้าซื้อสินค้าออนไลน์หรือเปล่า จากพฤติกรรมในการซื้อหรือไม่ซื้อสินค้า โดยที่เราเก็บ ID ของผู้ใช้ เวลาที่ผู้ใช้เข้ามาในเว็บไซต์ ราคาที่เสนอขาย และผลลัพธ์ว่าเขาซื้อหรือไม่ซื้อสินค้า ดังนั้น ในการเข้ามาใช้งานเว็บไซต์ ผู้ใช้จะสร้างข้อมูลพวกนี้ให้เรา
วิธีที่สามที่จะได้มาซึ่งข้อมูลคือ หาดาวน์โหลดจากเว็บไซต์หรือจากผู้ให้บริการ ต้องขอบคุณอินเทอร์เน็ตที่เปิดกว้างที่ช่วยให้เราสามารถดาวน์โหลดชุดข้อมูลหลายอย่างได้ฟรี ดังนั้น ถ้าเราต้องการใช้ชุดข้อมูล ก็เพียงแค่ดาวน์โหลดจากเว็บ แต่ต้องคำนึงถึงสัญญาอนุญาตและลิขสิทธิ์เสมอ
หากทำ AI ให้โรงงาน เขาอาจจะมีการเก็บชุดข้อมูลขนาดใหญ่อยู่แล้ว ข้อมูลเกี่ยวกับเครื่องจักร อุณหภูมิ ความดัน ฯลฯ ซึ่งเขาอาจสามารถให้นำมาใช้ได้ ข้อมูลนั้นสำคัญ แต่บางครั้ง ก็ถูกขยายความสำคัญจนเกินจริง หรืออาจนำไปใช้อย่างไม่ถูกต้อง
ตัวอย่างที่ไม่ดี เช่น CEO ของบริษัทใหญ่ๆ มักบอกว่า “ให้เวลาผมสร้างทีม IT สักสามปี เรากำลังเก็บข้อมูลเยอะมาก หลังจากสามปีเราจะมีชุดข้อมูลที่สมบูรณ์แบบ แล้วเราจะได้เริ่มทำ AI กัน” วิธีนี้เป็นกลยุทธ์ที่แย่มาก แท้จริงสิ่งที่ควรทำคือ เมื่อไหร่ก็ตามที่เราเริ่มเก็บข้อมูล ควรเอาข้อมูลพวกนั้นมาแสดงหรือส่งต่อให้กับทีม AI เลย เพราะบ่อยครั้งที่ทีม AI สามารถให้ข้อเสนอแนะในการทำงานให้แก่ทีม IT ว่า ข้อมูลแบบไหนที่ต้องรวบรวม โครงสร้างพื้นฐานของ IT แบบไหนที่ต้องสร้างขึ้น พยายามเก็บข้อเสนอแนะจากทีม AI ตั้งแต่เนิ่น ๆ เพราะมันสามารถช่วยคุณ พัฒนาโครงสร้างพื้นฐาน IT ได้ดีขึ้น
การใช้ข้อมูลในทางที่ผิดอย่างที่สอง คือ CEO บางคน อ่านจากข่าวต่างๆ ว่าข้อมูลนั้นมีความสำคัญ แล้วก็พูดว่า “เฮ้! ผมมีข้อมูลเพียบเลย ผมมั่นใจว่าทีม AI จะทำประโยชน์จากมันได้” น่าเศร้าที่มันไม่ได้เป็นแบบนั้นเสมอไป ปกติแล้ว มีข้อมูลเยอะ ย่อมดีกว่ามีข้อมูลน้อย แต่ไม่ใช่เพียงเพราะมีข้อมูล หลาย terabytes แล้วทีม AI จะสามารถทำประโยชน์จากมันได้ อย่าเพียงแต่โยนข้อมูลให้กับทีม AI และสันนิษฐานเองว่ามันมีประโยชน์
สุดท้าย คงเคยได้ยินประโยคที่ว่า เอาขยะเข้าไป ได้ขยะออกมา (Gabage in, Gabage out) ถ้ามีข้อมูลที่ไม่ดี AI ก็จะเรียนรู้ในสิ่งที่ไม่ถูกต้อง ทีม AI จะต้องหาวิธีในการทำให้ข้อมูลสะอาด หรือจัดการกับข้อมูลที่ผิด และข้อมูลที่ขาดหายไป
ข้อมูลมีหลายประเภท ข้อมูลภาพ เสียง และตัวอักษร มนุษย์สามารถจะทำความเข้าใจได้ง่ายมาก เรียกว่า ข้อมูลที่ไม่มีโครงสร้าง (Unstructured Data) และมีเทคนิคทาง AI เฉพาะด้านที่สามารถทำงานกับข้อมูล ภาพ เพื่อให้รู้ว่าเป็นภาพแมว หรือ เสียง เพื่อให้เข้าใจคำพูด หรือ ตัวอักษร เพื่อให้รู้ว่า อีเมลเป็นสแปมหรือเปล่า
ข้อมูลที่มีโครงสร้าง (Structured Data) หมายถึงข้อมูลที่อยู่ในตาราง spreadsheet ขนาดใหญ่ นั่นเอง เทคนิคที่ใช้จัดการกับ Unstructured Data นั้นต่างจากเทคนิคที่ใช้กับ Structured Data แต่เรามีเทคนิคทาง AI หลายอย่าง สำหรับการจัดการกับข้อมูลทั้งสองประเภทนี้
Machine Learning & Data Science
Neural Network & Deep Learning
Machine learning เป็นสาขาวิชาที่ทำให้คอมพิวเตอร์ สามารถเรียนรู้ได้ โดยไม่ต้องเขียนโปรแกรมสั่งงานกันตรงๆ โครงการ Machine Learning จึงมักจะได้ผลลัพธ์เป็นซอฟต์แวร์ที่ทำงานในการสร้าง output B จาก input A ในทางตรงข้าม Data Science เป็นกระบวนการในการถอดเอาองค์ความรู้ และ insight จากข้อมูล ดังนั้นผลลัพธ์ของโครงการ Data Science จึงมักจะเป็น Powerpoint Presentation ที่รวมบทสรุป สำหรับผู้บริหารให้นำไปใช้ทำธุรกิจ หรือบทสรุปสำหรับทีมผลิตภัณฑ์ เพื่อตัดสินใจ ว่าจะทำให้เว็บไซต์ดีขึ้นได้อย่างไร
ตัวอย่างเปรียบเทียบระหว่าง Machine Learning กับ Data Dcience ในอุตสาหกรรมโฆษณาออนไลน์
ทุกวันนี้ แพลตฟอร์มออนไลน์ มีส่วนของ AI ที่สามารถบอกได้ว่าโฆษณาตัวไหน ที่น่าจะมีโอกาสคลิกอ่านมากที่สุด นั่นเป็นระบบ Machine Learning และนี่เป็นระบบ AI ที่มีมูลค่าสูงมาก ซึ่งทำงานด้วยการใช้ input ซึ่งเป็นสิ่งที่มันรู้เกี่ยวกับตัวเรา และเกี่ยวกับแต่ละโฆษณา และให้ output ว่าเราจะคลิกอ่านหรือไม่ ระบบนี้ทำงานตลอดเวลา สร้างรายได้จากโฆษณาให้กับบริษัทพวกนี้
ในทางตรงข้าม โครงการ Data Science ในอุตสาหกรรมโฆษณาออนไลน์ เป็นการวิเคราะห์ข้อมูล ที่จะสามารถบอกเราได้ว่า อุตสาหกรรมท่องเที่ยว ไม่ค่อยจะซื้อโฆษณาเท่าไหร่ แต่หากเราส่งนักขายไปขายโฆษณาให้บริษัทท่องเที่ยว อาจโน้มน้าวให้บริษัทเหล่านั้น ใช้โฆษณามากขึ้นได้ ข้อสรุปจาก Data Science เป็นผลลัพธ์สำหรับผู้บริหารตัดสินใจ ว่าให้ทีมขายใช้เวลากับการเข้าถึงอุตสาหกรรมท่องเที่ยวให้มากขึ้น ดังนั้นแม้ในบริษัทเดียวกัน เราอาจมีทั้งโครงการ Machine Learning และโครงการ Data Science ทั้งสองอย่างสามารถสร้างมูลค่าได้มากมาย
Deep Learning คืออะไร? สมมติว่าเราต้องการกำหนดราคาบ้าน โดยมี input ที่บอกขนาดพื้นที่บ้าน จำนวนห้องนอน จำนวนห้องน้ำ และเป็นบ้านที่เพิ่งจะตกแต่งใหม่หรือเปล่า ด้วย input เหล่านี้ ก็คือการนำข้อมูลใส่เข้าไป เพื่อที่จะได้ output เป็นราคาออกมา บริเวณตรงกลางนี้เรียกว่า Neural Network หรือบางทีเรียกว่า Artificial Neural Network เพื่อให้แตกต่างจากโครงข่ายเส้นประสาทที่อยู่ในสมองของคุณ
สิ่งที่ Artificial Neural Network ทำ ก็คือการนำ input ทั้ง 4 อย่างนี้ และให้ output ซึ่งเป็นราคาประเมินของบ้านออกมา เวลาเราวาดภาพของ Artificial Neural Network จึงได้ภาพที่เทียบกับในสมอง วงกลมเล็ก ๆ เรียกว่า Artificial Neurons หรือเรียกสั้น ๆ ว่า Neurons ที่ส่งผ่านข้อมูลไปยังตัวอื่น ๆ Artificial Neuron Network นี้ จริง ๆ แล้วเป็นเพียงสมการทางคณิตศาสตร์ ที่บอกได้ว่า ถ้าใส่ input เข้าไป แล้วจะคำนวณ output ที่เป็นราคา ออกมาอย่างไร (ไม่เกี่ยวอะไรกับสมองของมนุษย์)
Neural Network เป็นเทคนิคที่ใช้ได้ดีมากในการเรียนรู้การโยงจาก A ไปยัง B หรือ จาก input ไปยัง output ปัจจุบัน ศัพท์คำว่า Neural Networks กับ Deep Learning นั้นใช้แทบจะทดแทนกัน โดยหลักแล้วทั้งสองคำ หมายถึงสิ่งเดียวกัน หลายสิบปีก่อน ซอฟต์แวร์ประเภทนี้ เรียกว่า Neural Network แต่ไม่กี่ปีที่ผ่านมานี้ เราเห็นว่า คำว่า Deep Learning เป็นคำที่สร้างแบรนด์ได้ดีกว่าและใช้กันทั่วไป
Building AI Projects
Building AI In Your Company
บริษัทใหญ่ ๆ แทบทุกบริษัท สามารถเก่งเรื่อง AI ได้ โดยใช้ AI Transformation Playbook ห้าขั้นตอน ขั้นตอนที่ 1 คือการตั้งโครงการนำร่องที่จะทำให้ได้แรงขับเคลื่อน เอาแค่โครงการเล็ก ๆ ไม่กี่โครงการ ให้พอที่จะสัมผัสได้ว่า AI ทำอะไรได้ หรือทำอะไรไม่ได้ อาจจะทำเองในองค์กร หรืออาจจะใช้ทีม outsource ก็ได้ แต่สุดท้าย เราจะต้องทำเอง และก่อนที่จะตกลงทำโครงการ AI สักโครงการ วิศวกรจะใช้เวลาสัก 2-3 สัปดาห์ในการทำ Technical Diligence เชิงลึกก่อน เพื่อให้มั่นใจว่าโครงการมีความเป็นไปได้ และควรทำ Business Diligence เพื่อให้มั่นใจว่าโครงการมีคุณค่า ก่อนตัดสินใจ โครงการที่ทำได้ยากมากคือการสร้างระบบ AI ที่สามารถเข้าใจเจตนาของมนุษย์ เพราะมีความซับซ้อนและคาดเดาได้ยาก
ขั้นตอนที่ 2 คือการสร้างทีม AI ภายในองค์กร ขั้นตอนที่ 3 จัดการฝึกอบรมเรื่อง AI ในวงกว้าง ไม่เพียงสำหรับวิศวกร แต่รวมไปถึงระดับผู้จัดการ หัวหน้าแผนก และผู้บริหาร เพื่อให้เข้าใจวิธีคิดเรื่อง AI เข้าใจมากขึ้นว่า AI คืออะไร ขั้นตอนที่ 4 เป็นสิ่งสำคัญที่จะต้องทำคือ การกำหนดกลยุทธ์ด้าน AI ขององค์กร และขั้นตอนที่ 5 ทำการสื่อสารทั้งภายในและภายนอกองค์กร เพื่อให้ผู้มีส่วนใด้ส่วนเสียทุกด้าน ตั้งแต่พนักงาน ลูกค้า และนักลงทุน จะได้รับข้อความตรงกันว่า องค์กรของคุณจะเอา AI มาทำอะไร
อย่างไรก็ตาม ควรหลีกเลี่ยงกับดักหลายอย่างที่ทีม AI ต้องประสบ สิ่งที่ควรทำ และไม่ควรทำ 5 ข้อ ในการสร้าง AI ในองค์กร
- ข้อแรก อย่าคาดหวังให้ AI แก้ปัญหาทุกอย่าง AI สามารถทำอะไรได้หลายอย่าง แต่ก็มีอีกหลายอย่างที่ AI ทำไม่ได้ ด้วยข้อจำกัดของเทคโนโลยี ข้อมูล และทรัพยากรด้านวิศวกรที่มี ควรดูความเป็นไปได้จริง ว่าอะไรที่ AI ทำได้หรือไม่ได้ การทำ Technical Diligence มีความสำคัญไม่แพ้ Business Diligence
- ข้อที่สอง จงอย่าจ้าง Machine Learning Engineer 2-3 คนแล้ว คาดหวังให้พวกเขาทำงานตามลำพัง และคิดวิธีใช้ AI ในองค์กร ควรจะจัดให้พวกเขาทำงานร่วมกับผู้เชี่ยวชาญทางธุรกิจใน Cross-Functional Team เพื่อหาโครงการที่เป็นไปได้และมีมูลค่า มันมักจะต้องอาศัย ความร่วมมือระหว่างผู้เชี่ยวชาญ Machine Learning และผู้เชี่ยวชาญทางธุรกิจ จึงจะเลือกโครงการที่มีความเป็นไปได้และมีมูลค่าได้
- ข้อที่สาม จงอย่าคาดหวังว่าโครงการ AI จะสำเร็จได้ในครั้งเดียว การพัฒนา AI เป็นกระบวนการที่ต้องพัฒนาซ้ำๆ ดังนั้นควรวางแผนการทำงานให้สอดคล้องกับการพัฒนาในรูปแบบนี้ เพื่อให้ประสบความสำเร็จในที่สุด
- ข้อที่สี่ อย่าคาดหวังว่าจะใช้กระบวนการวางแผนดั้งเดิมกับโครงการ AI ได้เลยโดยไม่เปลี่ยนแปลง การวางแผนร่วมกับผู้เชี่ยวชาญที่มีความรู้ด้าน AI ในการประเมินกำหนดการทำงาน หลักไมล์สำคัญ และตัวชี้วัดความสำเร็จ ที่สมเหตุสมผล จะช่วยให้เราสามารถวางแผนโครงการ AI ได้ดีขึ้น
- ข้อสุดท้าย อย่าคิดว่าจำเป็นต้องมีวิศวกร AI ระดับเทพ ก่อนที่จะเริ่มทำอะไรได้ ควรจะค่อยๆ สร้างทีม และเริ่มต้นงานด้วยทีมที่มี ควรรู้ว่า มีวิศวกร AI จำนวนมากให้โลกนี้ รวมทั้งคนที่เรียนรู้เองด้วยคอร์สออนไลน์ที่สามารถทำงานที่ดีออกมา และสร้างโครงการที่เป็นไปได้และมีคุณค่าได้
ถ้าเราสามารถหลีกเลี่ยงกับดักเหล่านี้ ก็จะทำได้ดีกว่าคนกลุ่มใหญ่แล้ว เมื่อเทียบกับหลายองค์กร สิ่งที่สำคัญคือ ต้องเริ่มโครงการ AI ที่สอง ที่ดีกว่าโครงการที่หนึ่ง และโครงการที่สาม ที่ดีกว่าโครงการที่สอง ดังนั้นสิ่งสำคัญคือการเริ่มต้น และเริ่มทำโครงการ AI แรกของเรา
AI and Society
AI นั้นทรงพลังมาก และการใช้งาน AI ส่วนใหญ่ก็ช่วยให้บริษัท ประเทศ และสังคม ดึขึ้น แต่ก็มีการใช้ AI ในทางตรงข้ามเช่นกัน เทคโนโลยี AI ถูกนำมาใช้ในการสร้าง DeepFakes หรือการสังเคราะห์ภาพวีดิโอปลอม ของคนที่กำลังทำสิ่งต่างๆ ทั้งที่คนเหล่านั้นไม่เคยทำจริงๆ เว็บไซต์ BuzzFeed สร้างวีดิโอของอดีตประธานาธิบดีสหรัฐฯ บารัค โอบามา พูดในสิ่งที่ไม่เคยพูด
สถาบัน McKinsey Global Institute ได้ทำการศึกษาและประเมินไว้ว่า จะมีตำแหน่งงาน 400 ถึง 800 ล้านตำแหน่ง ที่จะถูกแทนที่ด้วย AI ภายในปี 2030 ซึ่งเป็นตัวเลขที่ใหญ่มาก แต่ในอีกด้านหนึ่ง รายงานเดียวกันนี้ก็ประเมินว่า ตำแหน่งงานที่จะเกิดขึ้นใหม่เนื่องจาก AI นั้นมากกว่านั้นเสียอีก งานของมนุษย์ในอนาคตหลายอย่างยังไม่มีชื่อเรียกตำแหน่งงานนั้นในตอนนี้ด้วยซ้ำ เช่น เราอาจมี งานควบคุมการจราจรของโดรน งานออกแบบเสื้อผ้าที่พิมพ์ 3 มิติ มีนักออกแบบยาที่ปรับแต่งตาม DNA เป็นต้น งานประเภทที่ต้องทำ อะไรซ้ำๆ มักจะเป็นงานที่สามารถทดแทนได้ง่ายด้วยเครื่องจักร ในขณะที่งานประเภทที่ไม่ค่อยซ้ำซาก แบบเดิมบ่อยๆ หรือที่เกี่ยวข้องกับการปฏิสัมพันธ์กับผู้คน มันจะไม่สามารถทดแทนได้ด้วยเครื่องจักรได้ง่าย รูปแบบการศึกษาแบบเก่า ที่คุณเรียนมหาวิทยาลัย 4 ปี จากนั้นก็ทำงานสบายๆ ไปอีก 40 ปี รูปแบบนั้นใช้ไม่ได้แล้ว ในโลกที่กำลังเปลี่ยนแปลงเร็วแบบนี้ การทำให้รัฐบาล บริษัท และคนทั่วไป เข้าใจว่าทุกคนจะต้องเรียนรู้อย่างสม่ำเสมอ จะช่วยเพิ่มโอกาส ให้ทุกคนมีชีวิตที่ดีขึ้นได้ แม้ว่าตำแหน่งงานบางอย่างจะหายไป แต่จะมีตำแหน่งงานใหม่ๆ ถูกสร้างขึ้นมาในอนาคต
คุณไม่ควรลาออกจากงานที่ทำ เพื่อมาเรียน AI ถ้าคุณอยากทำงานที่เกี่ยวกับ AI ในวันนี้ คุณก็สามารถไปเรียนรู้เพิ่มเติมด้าน AI เริ่มตั้งแต่ศูนย์ ด้วยคอร์สออนไลน์ และแหล่งเรียนรู้อื่นๆ มาส่งเสริมกับความรู้ที่คุณมีอยู่แล้ว คุณก็จะมีความสามารถที่ไม่ค่อยเหมือนใคร และสามารถจะทำงานที่มีคุณค่าได้ ด้วยการนำ AI มาประยุกต์ใช้ ในงานที่คุณทำ
สนใจเรียน AI for Everyone ลงทะเบียนเรียนได้ที่ https://www.coursera.org/learn/ai-for-everyone ผู้เขียนเริ่มจบแล้ว สอบผ่านด้วยคะแนน 94% และได้ประกาศนียบัตรมาเรียบร้อยแล้วค่ะ