ใครคือ Satoshi Nakamoto เค้าสร้าง Bitcoin มาเพื่ออะไร?

ยังคงเป็นปริศนามาจนถึงวันนี้สำหรับ Satoshi Nakamoto ผู้ให้เกิดเนิด Bitcoin ว่าเค้าผู้นี้คือใคร

เนื่องจากกระแสของ blockchain ที่กำลังมาแรงในปัจจุบันรวมถึงการที่เคยพุ่งทะยานไปจนถึงจุดสูงสุดของมูลค่า Bitcoin ที่เป็น Crypto Currency ที่มีมูลค่าสูงสุด พาผู้คนร่ำรวยไปเป็นจำนวนมาก และในขณะเดียวกันก็มีอีกหลายคนที่ขาดทุน จนหมดตัว กับการซื้อขายสกุลเงิน ดิจิตอลอย่าง Bitcoin ซึ่งหลาย ๆ คนก็ยังคงสงสัยว่า Satoshi Nakamoto เค้าเป็นใครมาจากไหน แล้วเค้าสร้าง Bitcoin มาเพื่อเหตุใด?

ซึ่งใน profile ของ P2P Foundation นั้น Nakamoto อ้างว่าเขาได้พำนักอยู่ที่ประเทศ ญี่ปุ่น โดยเกิดในวันที่ 5 เมษายน 1975  ซึ่งการคาดเดาเกี่ยวกับตัวเขานั้นส่วนใหญ่จะ focus ไปที่เรื่องของ Cryptography และ เรื่องที่เกี่ยวกับ computer science มากกว่าเรื่องเชื้อชาติ ที่หลาย ๆ คนคาดว่าเขาน่าจะอาศัยจริงอยู่ใน อเมริกาและยุโรป มากกว่า

Satoshi Nakamoto นั้น ได้ทำการสร้าง Bitcoin และทำการ design ส่วนของ reference สำหรับการให้คนอื่นมา implement ต่อ  ซึ่งเค้าได้ทำการสร้าง database ตัวแรกของ blockchain รวมถึงได้ทำการแก้ปัญหาสำคัญของ digital currency คือ การแก้ปัญหาในเรื่อง double-spending 

ปัญหา Double-Spending คืออะไร?

ปัญหา double spending นั้นเป็นปัญหาที่สำคัญที่ทำให้เกิดการพัฒนาเทคโนโลยี blockchain ซึ่งเงินในรูปแบบ digital นั้น เราสามารถที่จะใช้ token เดียวกันในการจ่ายเงินได้มากกว่า 1 ครั้ง ซึ่งเนื่องจาก digital token นั้นอยู่ในรูปแบบของ file digital ซึ่งสามารถที่จะทำซ้ำหรือปลอมแปลงขึ้นมาได้ง่าย เช่นเดียวกับรูปแบบของเงินปลอม ซึ่งปัญหาของ Double-Spending นั้นหากไม่ได้รับการแก้ไขอาจนำมาซึ่งอัตราเงินเฟ้อได้ในระยะยาว และอาจจะทำให้ไม่ได้รับความไว้วางใจจากผู้ใช้งานในที่สุด

การพัฒนา Bitcoin

เริ่มต้นจากในเดือนตุลาคมปี 2008 Nakamoto ได้ทำการส่ง paper ไปยัง metzdowd.com โดยเขาได้อธิบายเกี่ยวกับ bitcoin digital currency โดยมีหัวข้อของ paper คือ “Bitcoin: A Peer-to-Peer Electronic Cash System” ซึ่งหลังจากนั้นในเดือนมกราคม ปี 2009 ทาง Nakamoto ได้ทำการปล่อยตัว software version แรก โดยได้เริ่มสร้าง units แรกของ bitcoin ในรูปแบบของ bitcoin cryptocurrency และได้ปล่อยไปยัง website opensource ชื่อดังอย่าง sourceforge.net ในวันที่ 9 มกราคมปี 2009

ซึ่ง Nakamoto ได้อ้างว่าเขาได้เริ่มพัฒนา code ของ bitcoin ในปี 2007  ซึ่งการออกแบบตั้งแต่ตอนแรกนั้นเขาได้ออกแบบให้มีการรองรับประเภทของธุรกรรมได้หลากหลายรูปแบบ เขาจึงใช้ solution ที่เป็นรหัสเฉพาะตั้งแต่เริ่มต้น โดยผ่านการใช้ predicative script

หลังจากนั้น Nakamoto ได้ทำการสร้าง website bitcoin.org  และได้เริ่มหาความร่วมมือจากนักพัฒนาคนอื่น ๆ จนกระทั่งกลางปี 2010 เขาได้เริ่มส่งมอบตัว sourcecode ให้กับ Gavin Andresen และได้ทำการโอน อีกหลายส่วนที่เกี่ยวข้องกับ bitcoin ไปยังสมาชิกที่มีความสามารถโดดเด่นใน community ของ bitcoin  และเริ่มที่จะหยุดการมีส่วนร่วมกับโครงการดังกล่าว

โดย Nakamoto นั้นได้ทิ้งข้อความที่สำคัญไว้ใน block แรกของ bitcoin คือ “The Times 3 January 2009 Chancellor on binkout for bailout for the bank” จึงเป็นหลักฐานชิ้นสำคัญว่า block แรกของ bitcoin นั้นมีการถือกำเนิดขึ้นใน วันที่ 3 มกรามคม ปี 2009 เวลา 18:15:05 GMT  ซึ่ง block แรกนี้ถือเป็น block ประวัติศาสตร์ของ bitcoin เพราะจะไม่เหมือนกับ block อื่น ๆ ที่ create ตามมาภายหลังจนถึงปัจจุบัน เพราะ เป็น block เดียวที่ไม่มี References อ้างไปถึง block ก่อนหน้า ซึ่งหลังจากนั้นก็ได้เริ่มมีการทดสอบ transaction ตั้งแต่ในช่วงกลางเดือนมกราคม ปี 2009 และก็เริ่มมีคนมาสร้างเหมืองทำ bitcoin ต่อมาจวบจนถึงปัจจุบัน

ซึ่งจากข้อมูลที่เปิดเผยของ transaction log ที่เป็น address ของ Nakamoto นั้นประเมินว่าเขามีปริมาณ bitcoins อยู่ที่ 1 ล้าน bitcoins ซึ่ง ณ วันที่ 17 ธันวาคม ปี 2017 ที่ราคาขึ้นไปแตะจุดสูงสุดของ bitcoin นั้นทำให้เขามีทรัพย์สินเป็นมูลค่ากว่า 19,000 ล้านเหรียญสหรัฐ ซึ่งทำให้เขากลายเป็นบุคคลที่รวยเป็นอันดับที่ 44 ของโลกโดยทันที

เอกลักษณ์ของ Satoshi Nakamoto

Nakamoto นั้นไม่เคยที่จะเปิดเผยตัวตนของตัวเองสู่โลกภายนอกแม้กระทั่งในการถกเถียงในเรื่องทางเทคนิคของ bitcoin ก็ตาม เขาก็ไม่เคยเปิดเผยตัวตน ซึ่งใน P2P Foundation นั้น Nakamoto ได้อ้างว่าตัวเองอายุ 37 ปี เป็นเพศชาย และอาศัยอยู่ในประเทศญี่ปุ่น แต่ผู้เชี่ยวชาญหลาย ๆ คนสันนิษฐานว่าเขาไม่ใช่คนญี่ปุ่น เนื่องจากภาษาอังกฤษที่เค้าใช้สื่อสารนั้นสามารถสื่อสารได้อย่างดีเยี่ยม ซึ่ง น่าจะเป็นชาวตะวันตกมากกว่า รวมถึงตัว software ของ bitcoin เองนั้น ก็ไม่ได้มีเอกสารอ้างอิงใด ๆ ที่เป็นภาษาญี่ปุ่นเลย

ซึ่งข้อบ่งชี้ที่สำคัญในเรื่องภาษาอังกฤษของเค้านั้นมาจากการใช้คำศัพท์ที่เป็น British English เช่นการใช้วลี “blood hard” ซึ่งเป็นคำที่ใช้ในเครือจักรภพ รวมถึง comment ต่าง ๆ ในตัว sourcecode หรือ forum ต่างๆ  ที่เค้าไปตอบคำถามนั้นใช้คำที่เป็น British English ซึ่งหลายๆ  คนเชื่อว่าเค้าน่าจะมีสัญชาติใดสัญชาติหนึ่งในเครือจักรภพของอังกฤษ

และ Stefan Thomas ซึ่งเป็นหนึ่งในนักพัฒนาซอฟท์แวร์ชาวสวิส ที่อยู่ใน community ของ bitcoin นั้นได้ทำการเก็บข้อมูลในเรื่องของเวลาที่ Nakamoto มา post ความคิดเห็นใน forum มากกว่า 500 ครั้ง ซึ่งผลพบว่า Nakamoto นั้นจะไม่มา post ในช่วงเวลา 5 AM ถึง 11 AM GMT  ซึ่งเป็นที่คาดหมายว่าน่าจะเป็นช่วงเวลากลางคืนในประเทศที่ Nakamoto อาศัยอยู่ ซึ่งน่าจะเป็นช่วงเวลานอนของ Nakamoto ในช่วงเวลาดังกล่าว จึงไม่เห็นกิจกรรมใด ๆ ของ Nakamoto ในช่วงเวลานี้ ซึ่งเป็นที่คาดเดาว่าเขาน่าจะอาศัยอยู่ในช่วง TimeZone ที่เป็น Region UTC-05:00 หรือ UTC-06:00  ซึ่งมีความเป็นไปได้ที่เขาน่าจะอยู่ในเขต อเมริกาเหนือ , อเมริกากลาง , แถวทะเลแคริบเบียน หรือ ทวีปอเมริกาใต้ก็เป็นไปได้ แต่ไม่น่าจะใช่ในญี่ปุ่นอย่างแน่นอน

บุคคลที่มีความเป็นไปได้ว่าจะเป็นตัวจริงของ Satoshi Nakamoto

1.Nick Szabo 

Nick Szabo

Nick Szabo

ในปี 2013 blogger ที่ใช้นามว่า Skye Grey ได้ทำการเชื่อมโยง Nick Szabo กับ Bitcoin Whitepaper โดยใช้การวิเคราะห์แบบ stylometric ซึ่ง Szabo เป็นคนหนึ่งที่มีความกระตือรือร้นในเรื่องที่เกี่ยวกับ decentralized currency โดยได้เผยแพร่บทความเรื่อง “bit gold”  ซึ่งทำให้เค้านั้นถือได้ว่าเป็นปูชนียบุคคลของ bitcoin เลยก็ว่าได้ และเป็นที่รู้กันในวงกว้างอีกอย่างนึงว่า เขาเป็นคนที่ชอบใช้นามแฝง เพื่อปิดบังตัวตนในการให้ความเห็น หรือเขียนบทความต่าง ๆ

งานวิจัยของ Dominic Frisby นั้นก็มีหลักฐานเชื่อมโยงมากมายระหว่าง Szabo และ Satoshi Nakamoto แต่ก็ยังไม่มีหลักฐานที่ยืนยัน 100% ได้ว่า Satoshi คือ Szabo โดยเค้าได้ให้ความเห็นไว้ใน RT The Keiser Report  ว่า “มีเพียงชายคนเดียวในโลกนี้ที่ยังมีลมหายใจอยู่ และ มีความรู้เฉพาะเจาะจงในด้านนี้มากที่สุดซึ่งก็น่าจะเป็น Szabo”   ในขณะที่ Szabo นั้นก็ได้ปฏิเสธ ว่า Satoshi นั้นไม่ใช่เค้าอย่างแน่นอน และเคยชินกับการที่ถูกมองว่าเป็น Satoshi ไปแล้ว รวมถึงสื่อชื่อดังอย่าง New York Times ก็ได้ออกบทความที่กล่าวไว้ว่า “หลักฐานที่น่าเชื่อถือที่สุดในการคาดเดาตัวตนของ Satoshi นั้นชี้ไปที่หนุ่มอเมริกันเชื้อสายฮังกาเรียนที่ชื่อ Nick Szabo

2.Dorian Nakamoto 

Dorian Nakamoto 

Dorian Nakamoto

ในเดือนมีนาคมปี 2014 บทความนิตยสาร Newsweek ที่เขียนโดย Leah McGrath Goodman ได้เขียนวิเคราะห์ถึงความเป็นไปได้ของ Dorian Nakamoto หนุ่มอเมริกันเชื้อสายญี่ปุ่นที่อาศัยอยู่ใน California ผู้ซึ่งมีชื่อในตอนแรกเกิดว่า “Satoshi Nakamoto” ไม่เพียงเฉพาะแค่ชื่อเค้าเท่านั้น แต่มีอีกหลายหลักฐานที่สามารถเชื่อมโยงไปยัง Dorian Nakamoto ว่าเขาคือผู้สร้าง Bitcoin โดย Dorian Nakamoto นั้นเริ่มเรียนทางด้านฟิสิกส์ที่ Cal Poly University in Pomona หลังจากนั้นเค้าก็ก้าวไปเป็น System Engineer และได้มีโอกาสทำงานด้าน Software Engineer ในบริษัทด้านเทคโนโลยีและข้อมูลทางด้านการเงิน โดย Nakamoto นั้นได้ถูกปลดออกถึง 2 ครั้งในช่วงต้นปี 1990 ก่อนที่จะมาฝักใฝ่ด้านเสรีนิยมอย่างชัดเจน โดยเขาได้เริ่มกระตุ้นให้ลูกสาวของเค้าเริ่มทำธุรกิจของตัวเอง มีการอ้างอิงคำพูดของ Dorian Nakamoto ส่วนนึงที่เป็นหลักฐานชิ้นสำคัญในการฝักใฝ่เสรีนิยมอย่างชัดเจนของเค้า คือ เค้ามีแนวคิดที่ให้ลูกสาวทำธุรกิจเพราะ “ไม่อยากให้อยู่ภายใต้เงื้อมมือของรัฐบาล”

และคำสัมภาษณ์ของ Goodman ที่ถาม Nakamoto ถึงเรื่องของ bitcoin นั้น ในระหว่างการสัมภาษณ์ส่วนตัวแบบสั้น ๆ กับ Nakamoto เขาดูเหมือนจะยืนยันตัวตนของเขาในฐานะผู้ก่อตั้ง bitcoin ด้วยการระบุว่า “ผมไม่ได้มีส่วนร่วมในเรื่องนี้อีกต่อไป และผมไม่สามารถพูดถึงเรื่องนี้ได้ ตอนนี้มันอยู่ในการดูแลของผู้อื่นแล้ว และผมก็ไม่ได้มีการติดต่อใด ๆ กับทางฝั่ง bitcoin มานานมากแล้ว”  ซึ่งหลังจากบทความสัมภาษณ์ดังกล่าวได้ถูกเผยแพร่ออกไป ทำให้ได้รับความสนใจจากสื่อต่าง ๆ เป็นอย่างมาก แต่อย่างไรก็ตามในระหว่างการสัมภาษณ์แบบเต็มรูปแบบนั้น Nakamoto ก็ได้ปฏิเสธความเชื่อมโยงของเขากับผู้ก่อตั้ง bitcoin และเขากล่าวว่าไม่เคยได้ยินเรื่องสกุลเงินดังกล่าวมาก่อน และคำสัมภาษณ์ก่อนหน้าที่หลุดออกไปนั้นเขาอ้างว่าตีความคำถามของ Goodman ผู้สัมภาษณ์ผิดไป

3.Hal Finney 

Hal Finney 

Hal Finney

สำหรับ Hal Finney นั้น เป็นหนึ่งในผู้ที่เรียกได้ว่าเป็นผู้ริเริ่ม bitcoin คนแรก ๆ (ที่นอกเหนือจาก satoshi nakamoto) ซึ่งเขานั้นเป็นผู้ใช้งาน bitcoin และคอยช่วยในการทำ File Bug Report รวมถึงมีส่วนในการปรับปรุงพัฒนาตัว software ที่สร้าง Bitcoin มาตั้งแต่ยุคแรก ๆ  โดยมีข้อสังเกตอยู่อย่างนึงว่า เขาอาศัยอยู่ห่างจาก Dorian Nakamoto (ผู้ต้องสงสัยอีกราย) เพียงไม่กี่ block

อ้างอิงจากนักข่าว Andy Greenberg จาก Forbes ที่ได้ปรึกษาไปยังบริษัท Juola & Associates ที่เชี่ยวชาญด้านการวิเคราะห์งานเขียน เพื่อทำการเปรียบเทียบตัวอย่างงานเขียนของ Hal Finney กับ Satoshi Nakamoto ซึ่งผลพบว่ามีความใกล้เคียงกันมากอย่างเหลือเชื่อ ซึ่งทฤษฎีของ Greenberg นั้นได้วิเคราะห์ไว้ว่า Hal Finney นั้นอาจจะใช้ Satoshi Nakamoto เป็นนามแฝงในงานเขียนของเค้า และการที่เค้ามีที่อยู่ใกล้เคียงกับ Dorian Nakamoto ก็อาจจะเป็นไปได้ว่า เขาได้นำอัตลักษณ์ของ Dorian มาบดบังตัวตันที่แท้จริงของเค้าพร้อมกันไปด้วย เพื่อให้เพิ่มความยากในการตามตัวหา Satoshi Nakamoto ตัวจริง

อย่างไรก็ตามหลังจากที่ Greenberg ได้มีโอกาสพบกับตัวจริงของ Hal Finney  และได้เห็น email ที่เขียนตอบโต้ระหว่าง Hal Finney กับ Satoshi Nakamoto และ Hal Finney ยังได้แสดง Bitcoin Wallet ของเขารวมถึง transaction ของ bitcoin ยุคแรก ๆ ที่มีการส่งจาก Nakamoto มาให้เขาซึ่งเขายังไม่ได้ส่งกลับคืนให้ Nakamoto ด้วยซ้ำ รวมถึงได้ฟังคำปฏิเสธของ Hal Finney ว่าเขาไม่ใช่ผู้ก่อตัง bitcoin และไม่ใช่ Satoshi Nakamoto  ก็ทำให้ Greenberg นั้นพอจะสรุปได้ว่าสิ่งที่ Hal Finney ปฏิเสธนั้นน่าจะเป็นเรื่องจริง

4.Craig Steven Wright

Craig Steven Wright

Craig Steven Wright

มีหลายหลักฐานที่เชื่อมโยงว่า Craig Steven Wright น่าจะเป็น Satoshi Nakamoto ในวันที่ 8 ธันวาคมปี 2005 นิตยสาร Wired ได้ตีพิมพ์กล่าวถึง Craig Steven Wright อดีตนักวิชาการด้านคอมพิวเตอร์ชาวออสเตรเลียว่า “Craig Steven Wright ผู้คิดค้น Bitcoin หรือ จอมหลอกลวงที่อยากให้เชื่อว่าเป็นเขา”  และในเวลาเดียวกับ สื่อดังอย่าง Gizmodo ก็ได้ตีพิมพ์เรื่องราวที่มีหลักฐานจาก hacker ที่ทำการ hack บัญชี email ของ Craig Steven Wright โดยอ้างว่า Satoshi Nakamoto คือนามแฝงของ Craig Steven Wright

ซึ่งในวันที่ 9 ธันวาคมปี 2005 หลังจากการเผยแพร่ของ Wired เพียงไม่กี่ชั่วโมง บ้านของ Wright ในเมือง Gordon รัฐนิวเซาธ์เวลส์ ถูกเจ้าหน้าที่ตำรวจกว่า 10 นายบุกเข้าตรวจสอบ รวมถึงที่บริษัทของเขาในเมือง Ryde รัฐนิวเซาธ์เวลส์ก็ได้รับการตรวจค้นโดยตำรวจ ซึ่งทางการตำรวจออสเตรเลียได้ระบุว่าพวกเขาดำเนินการตรวจค้นบ้นของ Wright เนื่องจากเป็นการร้องขอจากสำนักงานสรรพากรของประเทศออสเตรเลีย ซึ่งเรื่องดังกล่าวไม่เกี่ยวกับรายงานข่าวของ Wired ที่เกี่ยวกับ Bitcoin ซึ่งจากรายงานของ Gizmodo นั้นพบว่ามีความเกี่ยวข้องกับข้อพิพาทด้านภาษีระหว่าง Wright และ ATO (สำนักงานสรรพากรออสเตรเลีย) ซึ่งมีมาหลายปีแล้ว

ในวันที่ 2 พฤษภาคม ปี 2016 Craig Wright ได้ทำการ post บน blog ส่วนตัวของเขา โดยอ้างว่าเขาเป็น Satoshi Nakamoto  ซึ่งบทความสัมภาษณ์กับสำนักข่าวบีบีซี ในวันเดียวกันนั้น ได้ระบุว่า ทางสำนักข่าวได้เห็น ความเกี่ยวข้องของ transaction แรกในการทำธุรกรรมของ bitcoin กับ message ที่ใช้รหัส private key เดียวกันกับที่ตัว Craig Steven Wright กล่าวอ้างถึง

การกล่าวอ้างของ Wright นั้นได้รับการสนับสนุนจาก Jon Matonis อดีตผู้อำนวยการของ Bitcoin Foundation และ นักพัฒนา Bitcoin อย่าง Gevin Andresen ซึ่งทั้งสองนั้นได้พบกับ Wright และได้เห็นหลักฐานที่ใกล้เคียงกับที่สำนักข่าว BBC นั้นได้เห็น

อย่างไรก็ตาม Peter Todd นักพัฒนา Bitcoin ก็ได้กล่าวถึง blog post ของ Wright ว่า หลักฐานในเรื่องการเข้ารหัสที่ Wright กล่าวอ้างนั้น ไม่น่าจะเป็นหลักฐานที่ proof ได้ว่าเขาคือ Satoshi Nakamoto ซึ่งทาง Bitcoin Core Project ก็ได้ออกแถลงการณ์ออกมาทาง twitter ไปในแนวทางเดียวกัน โดยกล่าวว่า “ในปัจจุบันนั้นยังไม่มีหลักฐานในเรื่องการเข้ารหัสลับที่ได้มีการเปิดเผยต่อสาธารณะและโดยเฉพาะอย่างยิ่งยังไม่มีหลักฐานใดอ้างไปได้ถึงผู้ที่สร้าง Bitcoin”  และ Jeff Garzik นักพัฒนาอีกราย ก็ได้ให้ความเห็นไปในทางเดียวกันอีกว่าหลักฐานที่ทาง Wright อ้างถึงนั้น ไม่สามารถพิสูจน์ได้จริงว่าเขาคือ Satoshi Nakamoto รวมถึง Dan Kaminsky นักวิจัยด้านความปลอดภัยทางด้านคอมพิวเตอร์ ได้สรุปการกล่าวอ้างของ Wright ว่า “เป็นการโกหกโดยเจตนา”

ในเดือนมิถุนายมปี 2016 London Review of Books ได้เผยแพร่บทความ โดย Andrew O’Hagan เกี่ยวกับเรื่องราวในหนังสือของเขาที่ชื่อ “The Secret Life:Three True Stories” ซึ่งทาง O’Hagan ได้ใช้ช่วงเวลาหลายสัปดาห์ในการพูดคุยกับ Wright  ซึ่งรวมถึงการได้อยู่กับ Wright ในช่วงเวลาที่ Wright ให้สัมภาษณ์กับสื่อต่าง ๆ อีกทั้ง O’Hagan นั้นยังได้มีโอกาสที่จะสัมภาษณ์บางส่วนของครวบครัวของ Wright เพื่อนร่วมงาน และคนอื่น ๆ อีกหลายคนที่เกี่ยวข้องกับการกล่าวอ้างของ Wright ว่าเขาคือ Satoshi Nakamoto

ซึ่งมีข้อสังเกตจาก O’Hagan ที่พบว่ามีบริษัทของแคนาดาที่ชื่อ nTrust ที่อยู่เบื้องหลังการกล่าวอ้างของ Wright ในเดือนพฤษภาคม ปี 2016  นอกจากนี้ O’Hagan ยังชี้ให้เห็นว่า รหัส Private Key ที่ Wright กล่าวอ้างเป็นหลักฐานนั้น เป็นรหัสที่ไม่ถูกต้อง อันเป็นผลมากจากข้อผูกพันทางกฏหมายที่ทำการตกลงไว้กับอีกบริษัทคือ Seychelles Trust ในการ deal กันก่อนหน้านั้น

5.ความเป็นไปได้อื่น ๆ 

ในปี 2011 บทความใน The New Yorker โดย Joshua Davis ได้อ้างถึงตัวตนของ Nakamoto ที่มีโอกาสเป็นไปได้ โดยกล่าวถึง นักเศรษฐศาสตร์ชาวฟินแลนด์ Dr. Vili Lehdonvirta และ นักศึกษาปริญญาโทด้าน Cryptography ที่ชื่อ Micheal Clear ซึ่งทั้งสองก็ได้ปฏิเสธว่าไม่ใช่ Satoshi Nakamoto

ในเดือน ตุลาคม ปี 2011 นักเขียนแนวสืบสวนสอบสวน จาก Fast Company ที่ชื่อ Adam Penenberg ได้อ้างถึงพยานและหลักฐานว่า Neal King , Vladimir Oksman และ Charles Bry อาจจะเป็นตัวจริงของ Satoshi Nakamoto ซึ่งมีหลักฐานทางด้านสิทธิบัตรของทั้งสามคนที่เกี่ยวข้องกับ Bitcoin และ domain bitcoin.org นั้นได้ทำการจดหลังจากสิทธิบัตรดังกล่าวประกาศใช้ได้เพียงสามวัน อย่างไรก็ตามทั้งสามก็ปฏิเสธการกล่าวอ้างดังกล่าว

ในเดือน พฤษภาคม ปี 2013  Ted Nelson ได้คาดการณ์ว่า Nakamoto คือนักคณิตศาสตร์ชาวญี่ปุ่นชื่อ Shinichi Mochizuki หลังจากที่บทความของ Ted ได้ตีพิมพ์ไปยังหนังสือพิมพ์ The Age ก็ได้กล่าวอ้างว่าถูกปฏิเสธโดย Mochizuki แต่ก็ไม่มีหลักฐานในการปฏิเสธดังกล่าว

ในปี 2013 บทความใน Vice Listed  ได้กล่าวอ้างถึง Gavin Andresen , Jed McCaleb และ Dustin D.Trammell นักวิจัยทางด้านความปลอดภัยทางคอมพิวเตอร์ ได้ถูกกล่าวอ้างว่าเป็น Satoshi Nakamo และทั้งหมดก็ได้ปฏิเสธการอ้างถึงดังกล่าว

ในปี 2013 นักคณิตศาสตร์ชาว อิสราเอลสองคน คือ Dorit Ron และ Adi Shamir ได้ตีพิมพ์บทความเกี่ยวกับการเชื่อมโยงระหว่าง Nakamoto และ Ross William Ulbricht ซึ่งทั้งสองได้ตั้งข้อสงสัยเกี่ยวกับ network ของ bitcoin transaction แต่ Ross ก็ปฏิเสธการกล่าวอ้างดังกล่าว

มีอีกแนวคิดหนึ่งที่ตั้งข้อสังเกตว่า Nakamoto นั้นไม่ใช่คนเพียงคนเดียว แต่อาจจะมีเป็นทีมงานมากกว่า ซึ่ง Laszlo Hanyecz อดีตนักพัฒนา Bitcoin ผู้ซึ่งเคย email ไปหา Nakamoto มีข้อสังเกตว่า code ของ bitcoin นั้นดีเกินไปกว่าที่คนเพียงคนเดียวจะเขียนออกมาได้

Elon Musk

Elon Musk

สุดท้ายคือในปี 2017 บทความ จากอดีตนักศึกษาฝึกงานใน spaceX ได้กล่าวถึงความเป็นไปได้ของ SpaceX และ CEO ของ Tesla อย่าง Elon Musk เป็น Nakamoto ตัวจริง โดยอาศัยความเชี่ยวชาญทางด้านเทคนิคของ Musk และอดีตที่มีความเกี่ยวข้องกับ Paypal ซึ่งเป็นบริการทางด้านการเงินที่ musk เป็นผู้ร่วมก่อตั้ง  แต่ก็ได้ Elon Musk ก็ได้ปฏิเสธการกล่าวอ้างดังกล่าว

References :  en.wikipedia.org , www.financemagnates.com , bitconnect.co , www.azquotes.com , reasonstobitcoin.com , www.economist.comwww.betcoin.ag

ติดตาม ด.ดล Blog เพิ่มเติมได้ที่
Fanpage :facebook.com/tharadhol.blog
Blockdit :blockdit.com/tharadhol.blog
Twitter :twitter.com/tharadhol
Instragram :instragram.com/tharadhol

AI สามารถเอาชนะหมอได้ในการจำแนกมะเร็ง

ต้องบอกว่า AI กำลังเริ่มที่จะเข้ามามีบทบาทมากขึ้นในวงการแพทย์หลังจากผลวิจัยล่าสุดที่ชี้ให้เห็นว่า AI มีความสามารถในการวิเคราะห์มะเร็งเต้านมได้ดีกว่าแพทย์ผู้เชี่ยวชาญซะอีก ซึ่งก็ต้องบอกว่าไม่ใช่เรื่องน่าแปลกใจใด ๆ กับผลการวิจัยดังกล่าวเนื่องจาก AI ที่มีพื้นฐานจาก Machine Learning นั้น เป็นการเลียนแบบการทำงานของสมองมนุษย์เรา

แต่ทำไมถึงมีประสิทธิภาพมากกว่าล่ะ?  ก็เพราะมนุษย์ยังมีขีดจำกัดหลาย ๆ อย่างที่ไม่สามารถต่อกรกับ AI ได้เช่น หน่วยความจำ  หรือ อารมณ์ ที่มีผลเกี่ยวข้องกับประสิทธิภาพการทำงานของมนุษย์เรา

ผมได้เคยเขียน blog ที่เกี่ยวข้องกับเรื่องนี้ทั้ง  Machine Learning กับการวิเคราะห์มะเร็งเต้านม ที่เป็นงานวิจัยเมื่อหลายปีมาแล้วยังให้ประสิทธิภาพที่น่าตกใจ หรือ blog AI ตัวช่วยหรือภัยคุกคามอาชีพรังสีแพทย์  ซึ่งจะเห็นภาพได้ถึงความก้าวหน้าของเทคโนโลยีด้าน AI ที่กำลังมีบทบาทมากขึ้นเรื่อย ๆ กับวงการแพทย์ โดยเฉพาะงานที่สามารถเลียนแบบการทำงานของสมองมนุษย์ได้อย่าง การวิเคราะห์มะเร็ง จากภาพ Digital Mammogram Image

ซึ่งจาก งานวิจัย ล่าสุด ของ Babak Ehteshami Bejnordi ที่ Radbound University Medical Center ในประเทศ Netherlands นั้น ได้รายงานผลการแข่งขันในหัวข้อ การแพร่กระจายของมะเร็งในมะเร็งต่อมน้ำเหลือง ( หรือที่เรียกว่า CAMELYON16) ซึ่งการแข่งขันใช้เวลา 12 เดือน จนถึงเดือนพฤศจิกายนปี 2016

ซึ่ง CAMELYON16 นั้นเป็นการวิจัยที่ต้องหาวิธีการตรวจหาเซลล์มะเร็งในการตรวจชิ้นเนื้อต่อมน้ำเหลืองจากผู้หญิงที่เป็นมะเร็งเต้านมโดยวิธีอัติโนมัติ ซึ่งในระหว่างการผ่าตัดนั้นศัลยแพทย์ จะทำการฉีดสารรังสีและทำให้เนื้อเยื่อเต้านมที่ใกล้กับเนื้องอกกลายเป็นสีน้ำเงิน ซึ่งบริเวณเหล่านี้นั้นจะได้รับการหล่อเลี้ยงโดยระบบต่อมน้ำเหลือง โดยจะอยู่บริเวณรักแร้ ของร่างกายเรา

โดยแพทย์สามารถตรวจหาต่อมน้ำเหลืองด้วยวิธีการนับ Geiger และใช้สายตาในการวิเคราะห์ เพื่อค้นหา node ที่เป็นสีน้ำเงิน ซึ่งใช้ชื่อเรียกว่า “Sentinel Node”  โดย และขั้นตอนสำคัญสุดท้ายคือการตัดชิ้นเนื้อไปตรวจสอบโดยนักพยาธิวิทยาโดยใช้กล้องจุลทรรศน์ในการตรวจหา

ซึ่งการตรวจที่ไม่พบเซลล์มะเร็งนั้นเป็นเรื่องที่ดีอย่างแน่นอน แต่หากพบเซลล์มะเร็งใน Sentinel Node นั้น ก็อาจจะบ่งบอกพฤติกรรมถึงการแพร่กระจาย ซึ่งต้องรักษาต่อด้วยการฉายรังสี หรือ ทำการผ่าตัดต่อ ซึ่งการผ่าตัดเพื่อกำจัดต่อมน้ำเหลืองใต้วงแขนนั้นอาจจะทำให้เกิด effect ให้ผู้ป่วยแขนบวม หรือ ทำให้แขนใช้การไม่ได้ ก็เป็นได้

และจากการศึกษาในปี 2012 พบว่า หลังจากการส่งตรวจสอบโดยละเอียดจากพยาธิแพทย์พบว่า  1 ใน 4 ของผลการตรวจนั้นถูกเปลี่ยนให้กลายเป็นประเภทที่ร้ายแรงมากยิ่งขึ้น เพราะผ่านการตรวจละเอียดผ่านกล้องจุลทรรศน์ และเมื่อเปรียบเทียบกับการศึกษาล่าสุดที่อ้างอิงจากงานวิจัยในวารสาร The Journal of the American Medical Association (JAMA) การใช้เทคนิคของ Machine Learning Algorithm นั้น พบว่าในการตรวจจำนวน 129 ชิ้นเนื้อนั้น พบว่า 49 ชิ้นมีเซลล์ของมะเร็ง ส่วนอีก 80 ชิ้นนั้นไม่พบความผิดปรกติ

ซึ่งจากงานศึกษาดังกล่าวเมื่อเปรียบเทียบแล้วนั้น พยาธิแพทย์ ต้องใช้เวลาและประสบการณ์ทำงานมาหลายปี แต่ ต่างจาก AI ที่ได้รับการ trained เพียง 270 ตัวอย่าง โดย 110 ตัวอย่างที่นำมา train ผ่าน Machine Learning Algorithm นั้นจะเป็น cell มะเร็งโดยจะมีป้ายกำกับอยู่

และยิ่งเมื่อเทียบกับเวลาที่ใช้ตรวจสอบนั้น พยาธิแพทย์ ใช้เวลา 2 ชม.ในการตรวจสอบชิ้นเนื้อของคนไข้แต่ละรายใน workload การทำงานปรกติ แต่หากในกรณีพยาธิแพทย์ที่ไม่มีการ limit เวลาเพื่อให้ตรวจได้มีประสิทธิภาพมากขึ้นนั้นพบว่าใช้เวลาถึง 30 ชม.ในการตรวจสอบ

นักพยาธิวิทยา ใช้เวลาเยอะกว่า AI มากในการวิเคราะห์ผล

นักพยาธิวิทยา ใช้เวลาเยอะกว่า AI มากในการวิเคราะห์ผล

ซึ่งหากเป็น workload ปรกตินั้น พยาธิแพทย์ สามารถตรวจสอบได้ความแม่นยำ 31 ชิ้น จาก 49 ชิ้นที่เป็นเซลล์มะเร็ง แต่หากปล่อยให้มีเวลามากขึ้นและให้ตรวจสอบอย่างละเอียดนั้นสามารถตรวจได้ความแม่นยำ 46 ชิ้น จาก 49 ชิ้นที่เป็นเซลล์มะเร็ง

จะเห็นได้ว่าเรื่องของเวลานั้นก็มีผลต่อความแม่นยำในการตรวจสอบเหมือนกัน ตามภาระ workload การทำงานของพยาธิแพทย์ จึงไม่ได้รีดเอาประสิทธิภาพทั้งหมดของพยาธิแพทย์จริง ๆ หากทำงานในภาวะปรกติที่มีเวลาจำกัด

ซึ่งเมื่อเทียบกับ AI นั้น อัลกอริทึม ที่มีประสิทธิภาพสูงสุด นำเสนอโดย Harvard Medical School และสถาบัน MIT ซึ่งสามารถให้ความแม่นยำเทียบเท่าพยาธิแพทย์ ที่ใช้เวลา 30 ชม.ในการตรวจสอบในแต่ละชิ้นเนื้อ ซึ่งแต่ถ้าเทียบความเร็วนั้น AI สามารถทำได้ภายในไม่กี่วินาที

ต่างจากพยาธิแพทย์ที่ต้องใช้เวลาถึง 30 ชม.ต่อชิ้นเนื้อเพื่อให้ได้ความแม่นยำเท่า AI  ซึ่งมันเป็นไปไม่ได้ในทางปฏิบัติจริงที่พยาธิแพทย์มี workload การทำงานมหาศาล

ในเดือนกุมภาพันธ์ ปี 2017 มีอีกรายงานจากนักวิจัยจากมหาวิทยาลัยสแตนฟอร์ด ที่ได้รายงานว่าอัลกอริธึมที่ได้วินิจฉัยโรคมะเร็งผิวหนังมีประสิทธิภาพใกล้เคียงกับแพทย์ผิวหนังที่ได้รับ Certified ทางด้าน Dermatologists

จากนั้นในเดือนเมษายน ปี 2017 งานวิจัยที่นำโดย Stephen Weng จาก University of Nottingham พบว่า AI นั้นมีความสามารถในการทำนายอาการหัวใจวาย และโรคหลอดเลือดสมองในผู้ป่วยทั่วไป ซึ่ง ผลจากงานวิจัยดังกล่าวทำให้นำไปสู่แนวทางการหาทางป้องกันให้กับผู้ป่วยได้ดีขึ้น

ในเดือนกรกฎาคมปี 2017 การศึกษาของทีม Andrew Ng จากมหาวิทยาลัยสแตนฟอร์ด ได้รายงานว่า Deep Learning Algorithm นั้นสามารถที่จะตรวจพบภาวะหัวใจเต้นผิดจังหวะที่ถูกบันทึกจากเครื่อง ECG มีความแม่นยำกว่าการตรวจของหมอ

และมีการศึกษาอื่น ๆ ของทีม Andrew Ng ที่เผยแพร่ในเดือน พฤศจิกายน ปี 2017 ที่ได้รายงาน Algorithm ที่สามารถตรวจสอบหาโรคปอดบวมได้ดีกว่ารังสีแพทย์ จากการตรวจ Chest X-rays

Andrew Ng ปรมาจารย์ด้าน AI ลำดับต้น ๆ ของโลก

Andrew Ng ปรมาจารย์ด้าน AI ลำดับต้น ๆ ของโลก

และในเดือนเดียวกันนี้ Tien Yin Wong จาก Singapore National Eye Center ได้ทำการศึกษาด้วยเทคนิค Deep Learning เพื่อตรวจสอบภาพจากม่านตาที่ใช้ข้อมูลในการทดสอบกว่า 500,000 ภาพนั้น พบว่าสามารถใช้ Deep Learning ในการหาผู้ป่วยที่มีโรคเบาหวานได้จากม่านตา ได้ความแม่นยำ เทียบเท่า ผู้เชี่ยวชาญในด้านนี้

Jeffrey Golden จาก Harvard Medical School ได้กล่าวไว้ว่า “AI และการใช้เทคนิคทางคอมพิวเตอร์อื่น ๆ นั้นต้องมีการรวมเข้ากับโปรแกรมการฝึกอบรมของเหล่านักศึกษาแพทย์ ซึ่งอนาคตของนักพยาธิวิทยานั้นต้องปรับตัวในการทำงานร่วมกับ AI ในการปฏิบัติงานประจำวันของพวกเขา เพื่อให้มีประสิทธิภาพการทำงานที่ดียิ่งขึ้น ซึ่งจะเป็นผลดีกับผู้ป่วย”

งานเขียนในวารสาร New England Journal of Medicine ในเดือนกันยายนของปี 2017 นั้น Dr.Ziad Obermeyer และ Thomas Lee ได้กล่าวไว้ว่า “การเตรียมความพร้อมของนักศึกษาแพทย์ในช่วงปริญญาตรีในปัจจุบันนั้นเป็นสิ่งที่ล้าสมัยไปแล้ว ในภาวะที่เทคโนโลยีทางด้านคอมพิวเตอร์กำลังก้าวรุดหน้าไปอย่างรวดเร็ว แต่การศึกษาด้านแพทย์นั้นไม่ค่อยมีการฝึกอบรมด้าน Data Science , ข้อมูลสถิติ หรือ ด้านวิทยาศาสตร์ที่สามารถนำ computer algorithm ไปประยุกต์ใช้ในการปฏิบัติทางคลินิกได้” ซึ่งเรื่องเหล่านี้นั้นเป็นสิ่งจำเป็นที่เหล่าผู้บริหารของ Medical School รวมถึง คณบดีคณะแพทย์ในทุกพื้นที่ทั่วโลก ที่รับผิดชอบในการออกแบบหลักสูตรทางการแพทย์ควรรับฟังเป็นอย่างยิ่ง

References : cosmosmagazine.com , camelyon16.grand-challenge.org

ติดตาม ด.ดล Blog เพิ่มเติมได้ที่
Fanpage :facebook.com/tharadhol.blog
Blockdit :blockdit.com/tharadhol.blog
Twitter :twitter.com/tharadhol
Instragram :instragram.com/tharadhol

บทบาทของ AI ต่อ Fintech

Fintech หรือ เทคโนโลยีทางด้านการเงินนั้น กำลังจะเข้ามาท้าทายรูปแบบการบริการเดิม ๆ ของอุตสาหกรรมทางด้านการเงิน  ซึ่งการเข้าสู่ยุคของ mobile นั้นทำให้ทุกอย่างสามารถทำได้ผ่านทาง มือถือ ไม่ว่าจะเป็น การจ่ายเงิน การโอนเงิน หรือการชำระค่าสาธารณูปโภคต่าง ๆ ก็สามารถที่จะได้ทำได้ผ่านมือถือทั้งหมดในปัจจุบัน ซึ่งส่วนนึงที่ Fintech มีการพัฒนาอย่างรวดเร็วปัจจัยนึงนั้นมาจากความก้าวหน้าทางด้านเทคโนโลยี AI

การลงทุนใน Fintech นั้นจากรายงานของ KPMG พบว่า

  • ในอเมริกานั้นมีการลงทุนใน Fintech กว่า 1,500 ล้านเหรียญสหรัฐใน Quater 1 ของปี 2017 ทั้งในส่วนของ VC , PE และ M&A นั้น หนึ่งในองค์ประกอบที่สำคัญของตลาด Fintech ทั่วโลกคือ Hub ของการลุงทุนด้าน Fintech ที่มีกระจายอยู่ทั่วโลก ทั้งใน แคนาดา , อินเดีย , จีน , สวีเดน หรือ ในสหราชอาณาจักร  และแม้แต่ใน US เอง Fintech  ก็ได้มีการเติบโตออกไปนอก silicon valley เช่นใน Delaware และ Ohio
  • เนื่องจากข้อจำกัดบางประการของกฏหมาย ทำให้มี Fintech เพียงไม่กี่รายที่จะสามารถเติบโตได้ เพราะจะไปซ้อนทับกับรูปแบบการดำเนินการของธนาคารเดิม ซึ่งเหล่านักลงทุนก็ต้องมองหา Startup ที่เป็น Fintech ที่กำลังเริ่มต้นและคิดว่าสามารถ scale ไปเติบโตในระดับโลกได้ก่อน
  • ใน Q1 ปี 2017 นั้น บรรดา Fintech ขนาดใหญ่ หรือ นักลงทุนด้าน Fintech จะเน้นไปที่การขายการเติบโต ทั้ง พื้นที่ทางภูมิศาสตร์ที่ทำการลงทุน หรือ ผ่านการขยายตัวของผลิตภัณฑ์ เช่น ใน Startup ระดับ Unicorn ชื่อ SoFi นั้นเป็นตัวอย่างที่ดีในเรื่องดังกล่าว  ในระหว่าง Q1 ของปี 2017 นั้น SoFi สามารถเข้า take over Zenbanx ซึ่งทำให้มีความสามารถในการบริการรูปแบบเดียวกับธนาคาร คือ สามารถ ฝาก ถอน ซึ่งบริษัทอื่น ๆ ที่มีแนวทางเดียวกันในต่างประเทศเช่น Ant Financial ของ Alibaba หรือ Kakao Pay จากประเทศเกาหลีใต้
  • แม้ว่าผลจาก Q4 ในปี 2016 นั้นจะมีธนาคารเพียงไม่กี่แห่งที่ได้ออกจาก R3 consortium ใน Q1 ปี 2017  ซึ่งในจำนวนนี้รวมถึง Golman Sachs และ Santander จาก สเปน ซึ่ง R3 consortium นั้นเป็นการรวมกลุ่มกันของเหล่าสถาบันการเงินเพื่อพัฒนา blockchain ร่วมกัน  ซึ่งใน Q1 ปี 2017 พบว่ามีจำนวนสมาชิกจากสถานบันการเงินที่เข้าร่วม R3 consortium น้อยลง เช่น State Bank of India’s  ที่เพิ่งเข้ามาจอยกับกลุ่มดังกล่าว

ศัพท์ใหม่ของวงการ Fintech

Insurtech – หมายถึง นวัตกรรมที่ออกแบบมาเพื่อเพิ่มประสิทธิภาพของอุตสาหกรรมทางด้านการประกันภัย  เป็นการประกอบกันของคำว่า “ประกันภัย” และ “เทคโนโลยี” เข้าด้วยกัน ซึ่งจะทำการ disrupt รูปแบบของการทำประกันแบบเดิม ๆ เช่น การซื้อประภันภัยรถยนต์ ที่ insurtech ได้เริ่มรุกเข้ามาในอุตสาหกรรมด้านนี้เป็นที่เรียบร้อยแล้วในปัจจุบัน เราจะเห็นได้จากระบบประกันภัย online จำนวนมากที่ทำการแข่งกันอย่างดุเดือด โดยอาศัยนวัตกรรมต่าง ๆ มา disrupt รูปแบบการขายแบบเดิม ๆ

Regtech – เป็นการผสมผสานของคำว่า “การกำกับดูแล” และ “เทคโนโลยี”  ซึ่งส่วนนี้ถือว่าเป็นโจทย์ที่ท้าทายในการด้านกฏระเบียบทางด้านการเงิน เป็นการปฏิวัติรูปแบบของกฏระเบียบทางด้านการเงินด้วย technology ซึ่งจะช่วยให้เหล่าบริษัทที่ใช้เทคโนโลยีดังกล่าวนี้นั้นสามารถปฏิบัติตามข้อกำหนดได้อย่างมีประสิทธิภาพและมีค่าใช้จ่ายน้อยลงนั่นเอง

การนำ AI มาประยุกต์ใช้กับ Fintech

AI นั้นถือเป็นเทคโนโลยีหลักที่มี impact โดยตรงกับ Fintech ซึ่งเราสามารถนำ AI ไป applied กับ Fintech ได้ดังนี้

1. การทำ Credit Scoring/Direct Lending

บริษัทต่าง ๆ ในอุตสาหกรรมทางด้านการเงินและการธนาคารนั้น สามารถที่จะนำเอา AI มาช่วยวิเคราะห์ เพื่อให้มีประสิทธิภาพมากยิ่งขึ้น รวมถึงสามารถลดเวลาในการทำงานได้ดีขึ้น ในการทำ credit score หรือ lending

2. ผู้ช่วยเหลือทาด้านการเงิน Assistant/Personal Finance

บริษัทต่าง ๆ ในอุตสาหกรรมนี้นั้นสามารถนำ chatbots มาประยุกต์ใช้งาน ในรูปแบบของ mobile apps ในการช่วยดูแลลูกค้าได้

3.การจัดการและบริหารสินทรัพย์

บริษัทต่าง ๆ ในอุตสาหกรรมนี้นั้น สามารถที่จะนำเอา AI มาประยุกต์ใช้ในการวางแผนการลงทุนให้กับลูกค้าได้ผ่าน AI Algorithm

4.การประกันภัย

บริษัททางด้านประกันภัยสามารถที่จะนำเอา AI มาช่วยเหลือในเรื่องการวิเคราะห์ ค่าเบี้ยประกัน หรือ รูปแบบการประกันให้เหมาะสมกับลูกค้าได้ และสามารถที่จะช่วยลดความเสี่ยงที่อาจจะเกิดขึ้นได้

5.การวิเคราะห์ตลาด

สามารถที่จะนำเอา AI ไปใช้ในการวิเคราะห์ตลาด รวมถึงประยุกต์ใช้ในงาน CSR ได้ ซึ่งสามารถนำข้อมูลที่เกี่ยวข้องมา Train ให้ AI ช่วยวิเคราะห์ได้ และสามารถตอบสนองความต้องการ หรือความรู้สึกของลูกค้าที่มีต่อ Brand ได้

6.การทวงหนี้

สามารถที่จะนำเอา AI นั้นไปใช้ในการสื่อสารกับลูกค้าเพื่อปรับปรุงการเก็บหนี้ที่ค้างชำระผ่านระบบอัติโนมัติได้

7.การปรับปรุงรายงานทางด้านการเงิน

เป็นเรื่องง่ายที่จะนำ AI มาช่วยปรับปรุงประสิทธิภาพของการจัดการด้านบัญชีหรือการเงินของบริษัท

8.การใช้งานทั่วไป

บริษัทต่าง ๆ ในอุตสาหกรรมนี้สามารถนำ AI มาช่วยเหลือในงานทั่วไปได้ รวมถึงสามารถนำข้อมูลที่มีอยู่แล้วในบริษัทมาประมวลผล และช่วยปรับปรุงประสิทธิภาพการทำงานของบริษัทได้

9.การกำกับดูแล , การปฏิบัติตามข้อกำหนด , รวมถึงการตรวจการฉ้อโกงที่จะเกิดขึ้นในบริษัท

AI สามารถนำใช้ในการตรวจสอบพฤติกรรมทางด้านการเงินที่เสียงที่จะผิดกฏหมาย หรือ มีพฤติกรรมที่ผิดปรกติที่จะนำไปสู่การฉ้อโกง  เพื่อปรับปรุงให้ปฏิบัติตามกฏระเบียบ และ workflow ที่ถูกต้อง

 

ซึ่งหลาย ๆ สื่อรวมถึงภาคเอกชนได้กล่าวถึงบทบาทของ AI ต่อ Fintech ไว้ดังนี้

  • Juergen Schmidhuber จาก The New York Times ได้กล่าวไว้ว่า มี algorithm สองรูปแบบที่่ใช้ในวงการ trading ในปัจจุบัน  หนึ่งคือ รูปแบบของโปรแกรมง่าย ๆ ที่ช่วยในการ trade โดยกำหนดรูปแบบของการ trade แบบง่าย ๆ ซึ่งขึ้นอยู่กับความเสี่ยงที่ลูกค้าสามารถรับได้ ซึ่งระบบพวกนี้ยังไม่ฉลาดเท่าที่ควร  แต่ อีกแบบหนึ่งนั้น ใช้รูปแบบของ AI จริง ๆ คือใช้ Neural Network ในการทำนายพฤติกรรมราคา รวมถึง indicators ต่าง ๆ ซึ่งระบบแบบนี้นั้นจะทำงานได้ดีกว่าคู่แข่งและสามารถตรวจจับ signal ของการ trade ได้โดยที่คนอื่นมองไม่เห็นมัน
  • Rich Wordsworth จาก Wired UK ได้กล่าวไว้ว่า เทคโนโลยีที่ใช้ Fintech นั้นกำลังขยายไปทั่วโลก ซึ่งการลงทุนที่สำคัญทั้งใน จีน ญี่ปุ่น หรือ ยุโรปนั้น ใช้ Smart Computers รวมถึง AI system ที่อัจฉริยะ ในการตัดสินใจ วิเคราะห์ ซึ่งสามารทำได้รวดเร็วกว่าวิธีการแบบเดิมที่ใช้มาในอดีต ซึ่งเป็นประโยชน์อย่างมากกับอุตสาหกรรมทางด้านการเงินและการลงทุนทั่วโลก
  • Nikolai Kuznetsov จาก The Next Web ได้กล่าวไว้ว่า การนำ AI มาใช้ใน Fintech นั้นช่วยลดความผิดพลาดที่เกิดจากมนุษย์ ซึ่งเป็นความผิดพลาดแบบเดิม ๆ ซ้ำแล้วซ้ำอีก ซึ่งในอนาคตนั้น AI นั้นจะมีบทบาทที่สำคัญต่อวงการด้านการเงินอย่างแน่นอน เนื่องมาจากข้อมูลจำนวนมหาศาลที่ได้รับการ Train เพื่อเรียนรู้ข้อผิดพลาด และ สามารถที่จะคาดการณ์อนาคตได้
  • Nick Hungerford จาก บริษัทด้านการลงทุน Numeg นั้นได้กล่าวไว้ว่า ข้อสังเกตุอย่างหนึ่งของทิศทางของ Fintech ที่กำลังมุ่งหน้าไปในทางของการผสมผสานกันระหว่าง Big Data และ Artificial Intelligence ซึ่งทั้งสองอย่างนั้น ทำให้บริษัทเหล่านี้ได้รับรู้ถึงพฤติกรรมการใช้จ่าย วิธีการดำเนินชีวิต ข้อมูลสุขภาพ หรือ ข้อมูลอื่นๆ  ซึ่งข้อมูลเหล่านี้นั้นสามารถนำมาวิเคราะห์เพื่อเสนอผลิตภัณฑ์ทางด้านการเงินที่เหมาะสมที่สุดให้กับลูกค้าได้ เช่น ทำให้รู้ว่าเมื่อไหร่ลูกค้าจะแต่งงาน เมื่อไหร่จะมีลูก ซึ่งจะนำมาซึ่งผลิตภัณฑ์ทางด้านการเงินที่เหมาะสมกับลูกค้าแต่ละรายได้
  • Ramesh Mahalingam CEO ของ Vizru ได้กล่าวว่า AI นั้นได้ปรับเปลี่ยนวิธีการดำเนินการของธนาคารในรูปแบบเดิม ๆ ที่มีมากว่า 100 ปีให้ปรับตัวให้เข้ากับยุคสมัย รวมถึงการปรับตัวให้ทันต่อนวัตกรรมทางด้านการเงินใหม่ ๆ เช่น ฺBlockchain หรือ การชำระเงินแบบ peer-to-peer ซึ่งรูปแบบของผลิตภัณฑ์ทางการเงินนั้นต้องปรับเปลี่ยนให้เข้ากับลูกค้าแต่ละรายมากยิ่งขึ้น ซึ่งการนำ AI มาใช้ปรับปรุง workflow การทำงานของธนาคารนั้น จะสร้างประสบการณ์ที่ดีกับลูกค้ามากยิ่งขึ้น

การปรับตัวที่ยากขึ้นของธนาคารรูปแบบเก่า

ปัญหาหลักขององค์กรที่มีมานานคือการปรับตัวเข้ากับยุคสมัยใหม่ ซึ่งดำเนินไปอย่างรวดเร็วมาก ยิ่งเข้าสู่ยุค digital revolution ในปัจจุบันนั้นจะเห็นได้ว่า บางทีการช้าไปเพียงนิดเดียวนั้น อาจจะส่งเสียหายต่อการแข่งขันทางธุรกิจได้ ซึ่งธนาคารขนาดใหญ่นั้นมีวัฒนธรรมการทำงานที่เป็นรูปแบบเดิมมานานกว่า 100 ปี ซึ่งตัวอย่างในไทยก็สามารถเห็นได้ชัดว่า มีไม่กี่ธนาคารที่เราเห็นบ่อย ๆ เช่น ไทยพานิช หรือ ธนาคารกสิกรไทย ที่มีการปรับตัวต่อเทคโนโลยีอย่างรวดเร็ว ซึ่งธนาคารเก่า ๆ นั้นการจะปรับตัวแบบนี้นั้นค่อนข้างยาก และเชื่องช้า ต้องอาศัยนโยบายจากผู้บริหารที่มีหัวก้าวหน้าทันต่อโลกยุคใหม่ ในการปรับรูปแบบการบริการ หรือ ปรับผลิตภัณฑ์ทางด้านการเงินใหม่ เพื่อให้เข้ากับวิถีชีวิตของผู้คนในยุคใหม่ได้

ซึ่งการนำ AI เข้ามาปรับใช้ในธุรกิจด้านการเงินหรือการลงทุนนั้น ต้องใช้เวลาในการดำเนินการ รวมถึงต้องอาศัยผู้เชี่ยวชาญเฉพาะด้านสูง และบุคคลากรด้านนี้นั้นปัจจุบันยังมีไม่พอต่อความต้องการ และต้องลงทุนในจำนวนเงินที่สูงมากเช่นกัน ซึ่งบางครั้งนั้นการปรับเปลี่ยนครั้งสำคัญโดยใช้ AI นั้นก็เสี่ยงต่อความล้มเหลวได้ จึงทำให้หลาย ๆ ธนาคารยังไม่เริ่มที่จะปรับตัว รอให้คู่แข่งพัฒนาไปก่อน แล้วคอยดูกระแสตอบรับว่า work หรือไม่ ซึ่งคนที่ทำก่อน ก็สามารถสร้างความได้เปรียบทางการแข่งขันก่อน แต่หากล้มเหลวนั้น ก็ต้องเสียเวลาและเงินจำนวนไม่ใช่น้อยเช่นกัน

อย่างไรก็ดี Fintech นั้นไม่เพียงมาสร้างแค่นวัตกรรม หรือ เทคโนโลยีทางด้านการเงินเท่านั้น แต่เป็นการบีบให้การบริการทางการเงินแบบเก่า ๆ นั้นต้องเร่งปรับเพื่อให้อยู่รอด ไม่งั้นก็อาจจะโดนเหล่า Fintech ที่ใช้นวัตกรรม รวมถึงเทคโนโลยีเป็นตัวนำมา Disrupt ธุรกิจได้ และยิ่งการเริ่มนำ AI เข้ามาใช้นั้นก็ทำให้เหล่าธุรกิจเก่าๆ  ต้องรีบเร่งปรับตัวเร็วขึ้นไปอีก เพราะอาจจะเห็นการเปลี่ยนแปลงของรูปแบบธุรกิจเก่า ๆ อย่างรวดเร็วเมื่อมีการนำ AI ประยุกต์ใช้กับนวัตกรรมทางด้านการเงินใหม่ ๆ ซึ่งหากไม่มีการปรับตัวก็อาจจะทำให้ธุรกิจอยู่ในภาวะเสี่ยงได้

AI นั้นได้ใช้ข้อมูลในอุตสาหกรรมทางการเงินต่างๆ  มาวิเคราะห์ เพื่อนำไปใช้ปรับปรุงรูปแบบการบริการ รวมถึง การมอบประสบการณ์ที่ดีต่อลูกค้า โดยเฉพาะลูกค้ารุ่นใหม่ ๆ รวมถึงช่วยลด cost ที่เกิดขึ้นในบางงานที่ไม่จำเป็นต้องใช้มนุษย์อีก หรือคอยช่วยเหลือในการคาดการณ์ตลาดในอนาคตจากข้อมูลต่างๆ  ที่ AI ได้ทำการ train ซึ่งจะเพิ่มความน่าเชื่อถือให้เกิดขึ้นกับลูกค้าได้

ซึ่งบริการทางด้านการเงินนั้นมีข้อมูลจำนวนมหาศาล ซึ่งไม่ใช่แค่เพียงสถาบันการเงินรายใหญ่ ๆ เท่านั้น บางส่วนยังมีการเปิดเผย เช่น ใน EU นั้นได้ปรับรูปแบบการชำระเงินเป็น PSD2 (Revised payment service Directive) ซึ่งเป็นเป็นข้อมูลขนาดใหญ่มาก ที่บริษัทเล็ก ๆ สามารถเข้าถึงข้อมูลเหล่านี้ได้ และสามารถ developed AI เพื่อมาประยุกต์ใช้ได้ เพราะใน sector นี้นั้น barriers to entry นั้นต่ำกว่าในอุตสาหกรรมอื่น ๆ บริษัทใหญ่ ๆ ไม่มีความได้เปรียบเสมอไป สามารถเห็นยักษ์ล้มได้หากไม่ปรับตัว อาจจะโดน startup ด้าน Fintech เล็ก ๆ มา disrupt ธุรกิจของตัวเองก็เป็นได้

ซึ่งตามความจริงแล้วนั้นการปรับเปลี่ยนรูปแบบการบริการทางด้านการเงินเป็นระบบอัติโนมัตินั้นในยุคนี้ ไม่น่าจะเป็นเรื่องยากเนื่องจากการเติบโตของเทคโนโลยีต่าง ๆ ทั้ง high speed internet รวมถึงการเติบโตของผู้ใช้ด้าน mobile นั้น เราน่าจะปรับเปลี่ยนพฤติกรรมการใช้บริการกันได้ไม่ยากนัก จากเดิมที่ต้องไปนั่งรอคิวที่ธนาคารนั้นเป็นเรื่องที่น่าเบื่อมากสำหรับลูกค้า ในสมัยนี้นั้นทุกอย่างสามารถทำได้บนมือถือหมดแล้ว ซึ่งจะถูกจริตกับผู้คนยุค millennials มากกว่า

แต่อย่างไรก็ตามการนำ AI มาประยุกต์ใช้กับอุตสาหกรรมนี้นั้น ก็มีความท้าทายบางอย่าง ที่ต้องทำให้การเปลี่ยนผ่านนั้นเป็นไปอย่างราบรื่น และรวดเร็วที่สุด ซึ่งการที่จะก้าวเข้าสู่ยุคใหม่ของธนาคารนั้น ก็ต้องอยู่ที่วิสัยทัศน์ของผู้บริหารบรรดาธนาคารต่าง ๆ ด้วยว่า มีวิสัยทัศน์ กับเทคโนโลยีใหม่เหล่านี้อย่างไร ซึ่องค์กรใหญ่ ๆ ที่มีวัฒนธรรมฝังรากลึกมานาน และประกอบไปด้วยคนรุ่นเก่าเป็นส่วนใหญ่นั้น ก็เป็นเรื่องยากที่จะปรับตัวอยู่เหมือนกัน ก็ต้องมีการ balance ระหว่างเทคโนโลยีใหม่ กับ รูปแบบเก่า ๆ และค่อยๆ  ปรับกันไป แต่หากปรับตัวช้าก็อาจจะมีโอกาสที่จะถูกคู่แข่งฉีกหนีออกไป รวมถึงเหล่า Fintech รุ่นใหม่ที่ประกอบไปด้วยคนรุ่นใหม่นั้นอาจจะที่จะมาล้มธุรกิจเก่า ๆ เหล่านี้ในเวลาไม่นานก็อาจเป็นได้

สำหรับประเภทของ AI Fintech ที่จะเข้ามามีบทบาทให้อนาคตอันใกล้นี้สามารถแบ่งเป็นกลุ่ม ๆ ได้ดังนี้

  • Financial Wellness เป็นกลุ่มที่เกี่ยวข้องกับการบริหารการเงินส่วนบุคคล ซึงจะทำให้ลูกค้าสามารถได้รับการบริการที่สะดวกสบายมากยิ่งขึ้น เป็นการวางแผนทางการเงินให้กับลูกค้าโดยอัติโนมัติ เช่น การใช้ Robo Advisor , Chatbots หรือ Virtual Assistant ซึ่งสามารถตอบสนองความต้องการของลูกค้าได้ตามรูปแบบการใช้ชีวิต ลักษณะนิสัย ที่สามารถนำมาวิเคราะห์เพื่อนำเสนอผลิตภัณฑ์ทางการเงินที่ตอบโจทย์กับลูกค้าได้อย่างเหมาะสมที่สุด สำหรับ บริการลักษณะนี้ ตัวอย่าง เช่น Kasisto; Trim; Penny; Cleo; Acorns; Fingenius; Wealthfront; SigFig; Betterment; LearnVest; Jemstep; [credit scoring] Aire; TypeScore; CreditVidya; ZestFinance; Applied Data Finance; Wecash;
  • Blockchain สำหรับ blockchaing นั้นเป็นนวัตกรรมทางการเงินรูปแบบใหม่ที่เกิดขึ้นในปัจจุบัน ซึ่งก็มีหลายผลิตภัณฑ์ ที่ให้บริการที่เกี่ยวข้องกับ blockchain ไม่ว่าจะเป็นเรื่อง payment , e-wallet หรือ trading tools ซึ่งตัวอย่างบริการที่เกี่ยวข้องกับ blockchain เช่น Euklid; Paxos; Ripple; Digital Asset;
  • Financial Security สามารถแบ่งได้เป็น 2 กลุ่ม คือ กลุ่มของการ identification เช่น บริการการชำระเงินในรูปแบบที่ปลอดภัย หรือ รูปแบบการยืนยันตัวตนผ่าน Biometrics ซึ่งจะทำให้เกิดความปลอดภัยกับการใช้บริการทางการเงิน และ อีกลุ่มคือ กลุ่มของการ Detection ซึ่งจะเป็นการช่วยเหลือในการตรวจสอบพฤติกรรมทางด้านการเงินที่น่าสงสัย หรือ การใช้ในการตรวจสอบการฉ้อโกงทางการเงิน ซึ่งบริการในกลุ่มนี้ตัวอย่าง เช่น respectively: EyeVerify; Bionym; FaceFirst; Onfido; and Feedzai; Kount, APEX Analytics;
  • Money Transfer กลุ่มนี้จะเกี่ยวข้องกับบริการทางด้านการโอนเงินแบบ online หรือ รูปแบบการ payment online หรือรปแบบของ peer-to-peer lending ซึ่งตัวอย่างของการบริการในลักษณะนี้เช่น  TrueAccord; LendUp; Kabbage; LendingClub;
  • Capital Market ในกลุ่มนี้เป็นเป็นกลุ่มใหญ่ซึ่งสามารถแบ่งแยกเป็น 5 ประเภทย่อยได้ดังนี
  1. Trading เป็นบริการที่เกี่ยวข้องกับ algorimatic trade ตัวอย่างบริการลักษณะนี้เช่น Euclidean; Quantestein; Renaissance Technologies, Walnut Algorithms; EmmaAI; Aidyia; Binatix; KimerickTechnologies; Pit.ai ;Sentient Technologies; Tickermachine; Walnut Algorithm ; Clone Algo; Algoriz; Alpaca; Portfolio123; Sigopt;
  2. Do-it-Youself Funds บริการที่เกี่ยวข้องกับ crowdsource funds หรือ บริการ home-trading ซึ่งตัวอย่างบริการในลักษณะนี้ เช่น Sentifi; Numerai; Quantopian; Quantiacs; QuantConnect; Inovance;
  3. Markets Intelligence เป็นรูปแบบบริการในลักษณะ insights data ที่ใช้รูปแบบของ AI มาวิเคราะห์ข้อมูลเพื่อให้บริการกับลูกค้า ตัวอย่างบริการลักษณะนี้เช่น Indico Data Solutions; Acuity Trading; Lucena Research; Dataminr; Alphasense; Kensho Technologies; Aylien; I Know First; Alpha Modus; ArtQuant;
  4. Alternative Data ลักษณะของบริการที่เป็น Alternative Data Application นั้นส่วนใหญ่จะอยู่ในตลาดทุน มากกว่าตลาดทางด้านการเงิน ซึ่ง ตัวอย่างของบริการลักษณะนี้คือ Cape Analytics; Metabiota; Eagle Alpha;
  5. Risk Management ตัวอย่างของบริการลักษณะนี้เช่น Ablemarkets; Financial Network Analysis

สำหรับบทบาทของ AI ต่ออุตสาหกรรมทางด้านการเงินนั้น ต้องบอกว่าจะมีบทบาทที่สำคัญอย่างยิ่ง ซึ่งจะทำให้ปรับเปลี่ยนการบริการแบบที่ไม่เคยปรากฏมาก่อน ซึ่ง รูปแบบการบริการแบบเดิม  ๆ นั้นเราอยู่กับมันมาเป็น 100 ปี แล้ว เป้าหมายที่คิดว่าสำคัญที่สุดคือ การปฏิวัติรูปแบบของการบริการทางด้านการเงินแบบเต็มรูปแบบ ในอนาคตนั้น เราอาจจะไม่ต้องมี สาขาของธนาคารอีกต่อไป หรือ เราอาจจะไม่ต้องใช้ credit card อีกต่อไปเลยก็ได้ ธนาคารจะกลายเป็นรูปแบบของ platform ที่ทันสมัยแบบเต็มรูปแบบ บริการทุกอย่างนั้นจะตอบโจทย์เรา มี AI มาช่วยวิเคราะห์ในหลาย ๆ บริการเพื่อสร้างผลิตภัณฑ์หรือบริการที่ตอบโจทย์เรามากที่สุด และทำให้ชีวิตเรานั้นสะดวกสบายมากยิ่งขึ้น ซึ่งเรื่องเหล่านี้ไม่ใช่เรื่องที่เป็นไปไม่ได้ แต่มันได้เริ่มคืบคลานเข้าสู่วิถีชีวิตของพวกเราอย่างรวดเร็ว และหากองค์กรไหน ที่ไม่ยอมปรับตัว ก็อาจจะถูกเหล่า startup ด้าน fintech ที่เกิดใหม่จำนวนมากมายมา disrupt ธุรกิจของตัวเองจนไม่มีที่ยืนในตลาด เหมือนที่เคยเกิดขึ้นกับหลาย ๆ ธุรกิจที่ประมาทกับการเปลี่ยนแปลงอย่างรวดเร็วของเทคโนโลยีมาแล้วนั่นเอง

References : aitrends.com

AI กำลังช่วยนักดาราศาสตร์ค้นพบดาวดวงใหม่

เราได้เห็นเทคโนโลยีทางด้าน AI ที่กำลังก้าวไปข้างหน้าอย่างรวดเร็ว ทั้งรถที่ขับเคลื่อนได้อัติโนมัติ หรือ AlphaGo ที่สามารถเล่นเกมโกะ ชนะมนุษย์ได้ แต่มีอีกศาสตร์แขนงหนึ่งที่กำลังน่าสนใจที่นำ AI มาช่วยคือ AI กำลังมาช่วยเหล่านักดาราศาสตร์แก้ปัญหาเรื่องความลึกลับของจักรวาลของเรา

แรกเริ่มนั้น AI ถูกใช้ในภารกิจในการค้นหาดาวเคราะห์นอกระบบสุริยะ ซึ่งหนึ่งในนั้นคือภารกิจของ Nasa Kepler Mission ในการนำเครื่องมือ Kepler-90 Solar system ไปยังดาวเคราะห์ 8 ดวง ซึ่งพบว่าในระบบสุริยะที่พบนั้นมีหนึ่งในนั้นรูปแบบคล้ายกับโลกมนุษย์เรา

ซึ่งดาวเคราะห์นอกระบบสุริยะส่วนใหญ่นั้นจะถูกค้นพบโดยใช้วิธีการที่เรียกว่า transit method โดยจะใช้กล้องโทรทรรศน์ชี้ไปที่ดวงดาวที่ศึกษาโดยจะใช้เวลาช่วงหนึ่งซึ่งยาวนานพอสมควร ซึ่งจะทำให้เหล่านักดาราศาสตร์สามารถมองเห็นส่วนมืดส่วนนึงปรากฏอยู่เมื่อดาวดังกล่าวเคลื่อนที่มาปรากฏตรงหน้า

และแทนที่จะใช้การมองภาพดังกล่าว การปรากฏตัวของดาวเคราะห์ดวงใหม่ ๆ นั้นมีแนวโน้มที่จะถูกค้นพบโดยการศึกษาจากข้อมูลจำนวนมากที่ได้จากกล้องโทรทรรศน์ ซึ่งเกี่ยวข้องกับความสว่างของภาพ ซึ่งเมื่อระบบสุริยะนั้นมีดาวเคราะห์มากกว่า 1 ดวง การเกิดรูปแบบนี้นั้นก็จะมีความซับซ้อนมากยิ่งขึ้น และทำให้สามารถที่จะคำนวณขนาดของมวล รวมถึงระยะห่างระหว่างดาวเคราะห์ ผ่านความซับซ้อนเหล่านี้ได้

ซึ่งรูปแบบ pattern เหล่านี้นั้น เดิมใช้ความเชี่ยวชาญของนักดาราศาสตร์ในการวิเคราะห์ แต่งานเหล่านี้ในปัจจุบันสามารถที่จะใช้ระบบ computer เพื่อมาช่วยในการวิเคราะห์ให้มีประสิทธิภาพที่มากขึ้น

When a planet crosses in front of its star as viewed by an observer, the event is called a transit. Transits by terrestrial planets produce a small change in a star’s brightness of about 1/10,000 lasting for 2 to 16 hours. Credit NASA

 

เช่นเดียวกันงานส่วนใหญ่ที่เกี่ยวข้องกับข้อมูลที่มีความซับซ้อน Machine Learning นั้นสามารถที่จะช่วยเหลือในงานรูปแบบดังกล่าวได้ ดังที่ได้กล่าวมาในหลาย ๆ blog ก่อนหน้านี้ ซึ่งในการค้นพบครั้งล่าสุดนั้นนักวิจัยได้ทำการนำข้อมูลที่เกี่ยวข้องกับภาพทางดาราศาสตร์ของระบบสุริยะมาทำการ Train ผ่าน Machine Learning เพื่อตรวจหาจุดเล็ก ๆ บนความสว่างเหล่านี้ที่ไม่เคยได้พบเห็นมาก่อน

ซึ่งการทำงานร่วมกันของ Christopher Shallue วิศวกรของ google และ Andrew Vanderburg นักดาราศาสตร์แห่ง University of Texas,Austin ได้ทำการใช้ Machine Learning เพื่อที่จะเรียนรู้วิธีในการระบุดาวเคราะห์นอกระบบสุริยะ ที่ได้ทำการบันทึกภาพผ่านเครื่องมืออย่าง Kepler โดยพวกเค้าได้ใช้ สัญญาณกว่า 15,000 แบบในการ train โดยใช้ Neural network ซึ่งเป็นรูปแบบการทำงานที่เลียนแบบการทำงานของสมอง ซึ่งจะเห็นได้ว่า จะใช้รูปแบบการทำงานคล้ายกับที่ผมเคยทำวิจัยในเรื่อง Machine Learning กับการวิเคราะห์มะเร็งเต้านม  ซึ่งในงานวิจัยมะเร็งนั้น จะทำการหาจุดขาวผ่านภาพ Xray Digital Mammogram โดยผ่านการ train โดยใช้ Machine Learning เหมือนกัน แต่ในส่วนของการค้นหาดาวเคราะห์นั้น จะเป็นการหาจุดมืด ที่อยู่บนความสว่างของภาพดังรูปข้างต้น

โดยหลังจากทำการทดลองนั้นพบว่าระบบ Neural Network ของ Shallue มีความแม่นยำในการระบุดาวเคราะห์สูงถึง 96% แม้ว่าอาจจะมีความผิดพลาดอยู่บ้าง แต่ก็สามารถที่จะระบุได้ถึงดาวเคราะห์จริง ๆ ได้เป็นจำนวนมากเช่นกัน เช่น กลุ่มดาว 8 ดวงของ Kepler-90i ซึ่งอยู่ห่างจากโลกเราประมาณ 2,545 ปีแสง ซึ่งการใช้เทคโนโลยีทางด้าน AI เข้ามาช่วยเหลือนั้น ก็ถือว่าเป็นนวัตกรรมใหม่ในวงการดาราศาสตร์ ที่จะช่วยเหลือเหล่านักวิจัย รวมถึงนักดาราศาตร์ในอนาคตข้างหน้า ให้ช่วยไขความลับบางอย่างของจักรวาลที่ยังไม่สามารถหาคำตอบได้ ณ จนถึงปัจจุบัน

Artist’s impression of Planet Nine. Credit Tom Ruen/ESO

จากการค้นหากลุ่มดาว planet nine  ซึ่งเป็นกลุ่มดาวลึกลับที่คาดการณ์ว่าจะอยู่นอกสุดของระบบสุริยะของเรา ซึ่งแม้ว่าการปรากฏตัวของกลุ่มดาวดังกล่าวยังไม่ไดัรับการยืนยัน แต่ Andrew Vanderburg ได้กล่าวไว้ว่า Machine Learning นั้นจะสามารถช่วยหากลุ่มดาว planet nine ได้อย่างแน่นอน แม้กลุ่มดาวดังกล่าวยังไม่ได้รับการอธิบายที่ดีพอจากทฤษฏีอื่น ๆ ก่อนหน้านี้

หนึ่งในนวัตกรรมที่สำคัญที่สุดของ Machine Learning ที่เกี่ยวข้องกับดาราศาสตร์ คือ ความสามารถในการระบุวัตถุ หรือ จุด ที่น่าสนใจผ่านข้อมูลขนาดใหญ่ที่มีการเก็บข้อมูลมาอย่างยาวนาน ซึ่งในปี 2015 ได้มี paper ทางวิชาการ ที่กลุ่มนักดาราศาสตร์ได้เริ่มใช้ AI เพื่อค้นหากลุ่มดาว planet nine หรือวัตถุอื่นๆ  ในระบบสุริยะที่ยังไม่สามารถหาคำตอบได้ ซึ่งสิ่งนึงที่เราสามารถรู้ได้อย่างแน่นอนในตอนนี้นั้นในด้านดาราศาสตร์นั้น AI กำลังเข้ามามีบทบาที่สำคัญ และอาจจะทำให้เกิดการค้นพบครั้งยิ่งใหญ่ในเร็ววันนี้ก็เป็นไปได้ คำตอบของจักรวาลที่เรายังไม่รู้ อาจจะสามารถหาคำตอบได้ผ่านเครื่องมือใหม่ ๆ เหล่านี้ในอนาคตอันใกล้นี้

References : www.wired.co.uk

 

 

ทำนายการขึ้นลงของหุ้นด้วยข้อมูลจาก Twitter

ต้องบอกว่าเหล่า influence หลาย ๆ คนใน twitter นั้นมี impact อย่างยิ่งต่อการเปลี่ยนแปลงของราคาหุ้น ค่าเงิน หรือ ราคาทองคำ การ tweet แต่ละครั้งนั้น ก็จะ effect ต่อตลาดซึ่งมากน้อยเพียงใดนั้นก็ขึ้นอยู่กับ tweet นั้น ๆ ตัวอย่างเช่นการ tweet ของ Donald Trump นั้นมีผลต่อการเคลื่อนที่ของราคาหุ้นไม่ว่าทางใดก็ทางหนึ่งอย่างแน่นอน

จนมีผู้ที่สร้าง mobile apps ขึ้นมาจริง ๆ คือ LikeFilo ซึ่งจะใช้ข้อมูลจาก twitter และ mobile notification  ที่จะทำให้เหล่า influence ขึ้นไปยัง top ของตารางหาก tweet ใด ๆ นั้นมี impact ต่อการเคลื่อนที่ของราคาหุ้นในตลาด ตัวอย่างเช่น user สามารถที่จะเลือกเหล่า influence ในส่วนของ section ที่เรียกว่า “Sharks” ซึ่งจะประกอบไปด้วยเหล่านักลงทุนที่เป็น big name ที่จะ impact กับตลาด ซึ่งทาง LikeFilo นั้นได้ทำการเลือกสรรไว้ให้แล้ว โดย user จะได้รับ notification หากเหล่านักลงทุนเหล่านี้มีการ tweet ที่เกี่ยวข้องกับ public company ซึ่งจะมีผลต่อตลาดหุ้น

Kevin O'Leary ได้ tweet เกี่ยวข้องกับบริษัท SNAPCHAT

Kevin O’Leary ได้ tweet เกี่ยวข้องกับบริษัท SNAPCHAT

ตัวอย่างจากรูปคือ Kevin O’Leary ได้ tweet เกี่ยวข้องกับบริษัท SNAP ซึ่งก็คือ social network น้องใหม่ชื่อดังอย่าง Snapchat ซึ่งใช้ชื่ออยู่ SNAP ใน New York Stock Exchange ซึ่งการ tweet ของเหล่าผู้มีอิทธิพลเหล่านี้นั้นอาจจะไม่ได้ทำให้ทำให้ราคาหุ้นเปลี่ยนไปทางใดทางหนึ่งแบบ 100% แต่ก็สามารถทำให้เกิด effect ต่อราคาหุ้นนั้น ๆ ได้

ซึ่ง Twitter เองนั้น ก็ทำการ track ข้อมูลเหล่านี้ไว้ด้วยเช่นกัน ซึ่งพวกเขาก็เชื่อว่าการ tweet ของเหล่า influences เหล่านี้นั้นมี impact ต่อตลาดอย่างแน่นอน โดยถึงกับเขียนเป็น blog series ที่ใช้ชื่อว่า “Finance Tweets of the Month”  ผ่าน official web ของ twitter เลยทีเดียว โดยจะมีการเขียนถึงในทุก ๆ เดือน

ซึ่ง blog แรกของพวกเขานั้นได้เขียนโดย Mark Dimont ซึ่งเป็น product manager ของ Bloomberg Terminal news applications โดยเริ่ม focus ไปที่ Tweet ของ Elon Musk’s ว่า “Stormy weather in Shortville” ในเดือนเมษายนของปี 2017

คนดังอย่าง Elon musk tweet อะไรไปมีผลต่อราคาหุ้นอย่างแน่นอน ไม่ทางใด ก็ทางหนึ่ง

คนดังอย่าง Elon musk tweet อะไรไปมีผลต่อราคาหุ้นอย่างแน่นอน ไม่ทางใด ก็ทางหนึ่ง

ซึ่งทาง Andy Swan ซึ่งเป็น fouder ของ LikeFolio นั้นได้ให้ความเห็นไว้ว่า การ tweet ของ Donald Trump หรือ Elon Musk นั้น มีผลกระทบกับตลาดหุ้นอย่างแน่นอน ซึ่งหนึ่งในจุดประสงค์หลักที่เค้าได้ทำ app LikeFolio ขึ้นมานั้น เพื่อดึงเอาผู้คนที่สนใจในหุ้นแต่ยังไม่ได้เริ่มเข้าสู่ตลาดนั้น เข้ามาสู่ตลาดให้มากขึ้นผ่านข้อมูลง่าย ๆ อย่างข้อมูล tweet ซึ่งเป็นข้อมูล simple ที่มีการเชื่อมโยงกับความเปลี่ยนแปลงของตลาดได้มากกว่าที่หลาย ๆ คนเคยคิด

ซึ่ง Swan นั้นได้ปล่อย app LikeFolio ออกมามากกว่า 4 ปีแล้ว ซึ่งเหตุที่เขาได้เข้ามาทำ LikeFolio นั้นเพราะเค้าเป็นคนที่มีความสามารถในด้านการนำข้อมูลจาก social data และข้อมูลจาก consumer behavior มาเชื่อมโยงกับข้อมูลของราคาหุ้นได้อย่างมีประสิทธิภาพ ซึ่งเค้าได้สร้าง API ไว้ให้เหล่าบริษัท hedge funds หรือสถานบันการเงินต่าง ๆ ไว้เชื่อมต่อเพื่อดึงข้อมูลไปทำการวิจัยต่อได้

ซึ่งทาง LikeFolio app นั้นได้รับ sponsors จาก broker ในตลาดอย่าง TDAmeritrade ซึ่งทำให้ลูกค้าสามารถที่จะเข้าถึง premium channel เช่น account ที่เป็น official account ของเหล่า influences อย่าง oprah winfrey ได้

ยิ่งระดับ Trump ที่เป็นประธานาธิบดี ของอเมริกา ยิ่ง effect รุนแรงต่อตลาดหุ้นมาก

ยิ่งระดับ Trump ที่เป็นประธานาธิบดี ของอเมริกา ยิ่ง effect รุนแรงต่อตลาดหุ้นมาก

 

ซึ่งนี่นับเป็นการสร้าง partnership รายแรกของ TD Ameritrade กับ LikeFolio ที่ให้บริการข้อมูลทางด้าน social alerts ซึ่งความร่วมมือของทั้งสองนั้นยังครอบคลุมถึงข้อมูลใน social data อื่น ๆ อีกด้วยไม่ใช่เพียงเฉพาะส่วนของ twitter เท่านั้น โดย TD Ameritrade จะเป็นส่วนสนับสนุนในส่วนขององค์ความรู้ที่เกี่ยวข้องกับตลาดหุ้น และในส่วนของ LikeFolio นั้นจะไม่ให้คำแนะนำทางการเงินใด ๆ แก่ user ใน app โดยจะเป็นแค่ข้อมูลพื้นฐานในการตัดสินใจให้กับนักลงทุนเท่านั้น ซึ่ง tools อย่าง LikeFolio นั้นเป็น tools ง่าย ๆ ที่เหมาะสำหรับนักลงทุนหน้าใหม่ และเป็นวิธีที่น่าสนใจที่จะดึงนักลงทุนหน้าใหม่เข้าสู่ตลาดนั่นเอง

อย่างไรก็ดีนั้นเพิ่งจะเป็น phase แรกของ LikeFolio เท่านั้นทาง Swan ก็ได้วางแผนที่จะพัฒนาเพิ่มเติมความสามารถของ app ให้มากขึ้นเรื่อย ๆ โดยอาจจะเป็นการเพิ่ม channel ใหม่เพิ่มมากขึ้น โดยอาจจะเฉพาะเจาะจงไปยังกลุ่มที่ย่อยลงไปที่เป็น specific topics มากขึ้น

References : mashable.com

ติดตาม ด.ดล Blog เพิ่มเติมได้ที่
Fanpage : facebook.com/tharadhol.blog
Blockdit : blockdit.com/tharadhol.blog
Twitter : twitter.com/tharadhol
Instragram : instragram.com/tharadhol