บทเรียนจากการสร้าง NLP Early Warning System ตัวแรกที่ใช้ Deep Learning ในที่ทำงาน
ระบบเตือนภัยล่วงหน้าที่อ่านข่าวและข้อความเพื่อจับสัญญาณความเสี่ยงด้านเครดิตก่อนกลายเป็นหนี้เสีย — บทเรียนจากการนำ deep learning (WangchanBERTa) มาใช้จริงเป็นครั้งแรกในที่ทำงาน
งานสาย model risk ที่ผมทำมาตลอด มีคำถามหนึ่งที่ตามหลอนอยู่เสมอ — กว่าตัวเลขจะบอกว่าลูกหนี้กำลังมีปัญหา มันมักจะ "สาย" ไปแล้ว ยอดค้างชำระ อัตราส่วนทางการเงิน หรือพฤติกรรมการจ่าย ล้วนเป็นสัญญาณที่ปรากฏ "หลัง" จากเรื่องเริ่มแย่ ผมเลยลองตั้งคำถามกลับด้านว่า ถ้าสัญญาณบางอย่างซ่อนอยู่ใน "ข้อความ" — ข่าว คำให้สัมภาษณ์ รายงาน — ก่อนที่มันจะกลายมาเป็นตัวเลข เราจะดึงมันออกมาใช้เตือนล่วงหน้าได้ไหม นั่นคือจุดเริ่มต้นของ NLP Early Warning System ที่ผมสร้างขึ้น และเป็นครั้งแรกที่ผมนำ deep learning เข้ามาใช้กับงานลักษณะนี้ในที่ทำงาน โดยเลือกใช้ WangchanBERTa ซึ่งเป็นโมเดลภาษาไทยแบบ pretrained มาเป็นแกนหลักในการอ่านและตีความข้อความ — ที่เลือกตัวนี้ด้วยสองเหตุผล: ข้อความที่ต้องอ่านเป็นภาษาไทยเป็นหลัก และ WangchanBERTa เป็นโมเดลไทย pretrained ที่ดีและพร้อมใช้ที่สุดในตอนนั้น ผมจึงนำมา fine-tune ต่อได้เลยโดยไม่ต้องเทรนใหม่จากศูนย์
ทำไมสัญญาณจากตัวเลขล้วน ๆ ถึงมาช้า
โมเดลความเสี่ยงด้านเครดิตแบบดั้งเดิมพึ่งพาข้อมูลเชิงตัวเลขเป็นหลัก ซึ่งดีตรงที่วัดได้ชัดและเข้าโมเดลง่าย แต่จุดอ่อนคือมันสะท้อนสิ่งที่ "เกิดขึ้นแล้ว" ไม่ใช่สิ่งที่ "กำลังจะเกิด"
กว่างบการเงินจะออก กว่ายอดค้างชำระจะโผล่ในระบบ เรื่องที่อยู่เบื้องหลังมักดำเนินมาหลายเดือนแล้ว ในมุมของคนทำ risk การรู้ช้าแม้แค่ไตรมาสเดียวก็หมายถึงทางเลือกที่หายไปหลายทาง
ปัญหาหลักที่ผมพยายามแก้สรุปได้สั้น ๆ ว่า:
- สัญญาณเชิงตัวเลขเป็น
lagging indicator— มาหลังเหตุการณ์เสมอ - ข้อมูลที่ "มาก่อน" มักอยู่ในรูปข้อความที่ไม่มีโครงสร้าง (
unstructured) - คนอ่านข่าวเองไม่ไหว เพราะปริมาณเยอะเกินกว่าทีมจะตามทัน
ไอเดีย: ดึงสัญญาณจากข้อความก่อนที่มันจะเป็นตัวเลข
หัวใจของระบบคือสมมติฐานง่าย ๆ ว่า เรื่องร้ายมัก "ถูกพูดถึง" ก่อนที่มันจะปรากฏในงบ ข่าวเชิงลบ การเปลี่ยนผู้บริหารกะทันหัน ข้อพิพาท หรือสัญญาณความเครียดในซัพพลายเชน — สิ่งเหล่านี้เป็นภาษา ไม่ใช่ตัวเลข
งานของ NLP คือเปลี่ยน "ภาษา" ให้กลายเป็นสัญญาณที่ทีม risk เอาไปใช้ต่อได้ ไม่ใช่แทนที่โมเดลเดิม แต่มาเสริมให้เห็นภาพเร็วขึ้นอีกชั้นหนึ่ง
ผมตั้งใจให้มันเป็น complement ไม่ใช่ replacement ตั้งแต่แรก เพราะการเสนอว่าจะมาแทนของเดิมทั้งหมด เป็นวิธีที่เร็วที่สุดในการทำให้ทีมที่ใช้งานจริง "ไม่เชื่อใจ" เครื่องมือใหม่
ขั้นตอนคร่าว ๆ: ข้อมูล → NLP → เตือน
ในเชิงโครงสร้าง ระบบแบ่งเป็นสามช่วงตรงตามที่ภาพด้านบนสื่อ และแต่ละช่วงมีโจทย์ของตัวเอง
ช่วงแรกคือ รวบรวมข้อมูล — ดึงข้อความจากแหล่งที่เกี่ยวข้องเข้ามาอย่างสม่ำเสมอ จัดให้อยู่ในรูปที่ประมวลผลต่อได้ ความท้าทายที่นี่ไม่ใช่เรื่องโมเดล แต่เป็นเรื่องความสะอาดและความต่อเนื่องของข้อมูลล้วน ๆ
ช่วงที่สองคือ ใช้ NLP สกัดสัญญาณ — ระบุว่าข้อความนั้นพูดถึงใคร พูดในเชิงบวกหรือลบ และมีน้ำหนักมากพอที่จะสนใจไหม จุดนี้คือหัวใจ แต่ก็เป็นจุดที่หลอกตัวเองได้ง่ายที่สุดเช่นกัน
ช่วงสุดท้ายคือ ส่งสัญญาณให้ทีมก่อนเกิดปัญหา — เปลี่ยนผลลัพธ์ให้อยู่ในรูปที่คนทำงานเปิดดูแล้ว "ทำอะไรต่อได้" ไม่ใช่กองคะแนนที่ไม่มีใครรู้ว่าจะเอาไปใช้ยังไง
- เก็บข้อมูลให้สม่ำเสมอ สำคัญกว่าเก็บให้เยอะแบบกระโดด ๆ
- สัญญาณต้อง "อธิบายได้" ว่าทำไมถึงเตือน ไม่ใช่กล่องดำ
- ปลายทางต้องเชื่อมเข้ากับวิธีทำงานเดิมของทีม ไม่ใช่บังคับให้เขาเปลี่ยนนิสัย
บทเรียนที่สำคัญกว่าตัวโมเดล
บทเรียนแรกคือ false positive คือศัตรูตัวจริง ไม่ใช่ความแม่นยำ ระบบที่เตือนผิดบ่อย ๆ จะถูกทีมเมินภายในไม่กี่สัปดาห์ ต่อให้ในกระดาษมันดูฉลาดแค่ไหน คนที่ต้องตามเช็คทุกครั้งจะเลิกเชื่อก่อนเสมอ ผมเรียนรู้ว่าการ "เตือนน้อยแต่ตรง" มีค่ามากกว่า "เตือนเยอะแล้วถูกบ้างผิดบ้าง"
บทเรียนที่สองคือ ความเชื่อใจสร้างยากกว่าโมเดล เครื่องมือ risk ที่ดีต้องให้ทีมที่ใช้รู้สึกว่ามันช่วยเขา ไม่ใช่มาตรวจการบ้านเขา ผมใช้เวลากับการนั่งฟังว่าทีมอยากเห็นอะไร และปรับรูปแบบการแจ้งเตือนตามนั้น มากพอ ๆ กับเวลาที่ใช้กับตัวอัลกอริทึม
บทเรียนสุดท้ายคือต้องวัดว่ามัน "มีประโยชน์จริง" ไม่ใช่แค่ "แม่น" — สองคำนี้ไม่เหมือนกัน
- โมเดลแม่นในชุดทดสอบ ไม่ได้แปลว่าช่วยงานจริง
- ตัวชี้วัดที่ดีคือ ทีมเอาสัญญาณไปใช้ตัดสินใจไหม
- ถ้าไม่มีใครเปิดดู ต่อให้ตัวเลขสวยก็คือล้มเหลว
ปิดท้าย: วันนี้ของแบบนี้สร้างได้เร็วและถูกลงมาก
ตอนผมสร้างระบบนี้ ส่วนที่กินเวลามากที่สุดไม่ใช่ไอเดีย แต่เป็นงานต่อท่อ ทดลอง และเขียนโค้ดวนซ้ำ ๆ กว่าจะได้ของที่ใช้จริง วันนี้ภาพเปลี่ยนไปเยอะ เครื่องมือ AI agent อย่าง Claude Code ทำให้ขั้นตอนพวกนี้เร็วและถูกลงมาก สิ่งที่เคยใช้เวลาเป็นสัปดาห์ ลองได้ภายในไม่กี่วัน
ผมเลยคิดว่าโจทย์ที่น่าสนใจที่สุดตอนนี้ ไม่ใช่ "ทำได้ไหม" แต่เป็น "คุณจะออกแบบให้มันมีประโยชน์จริงได้แค่ไหน" — และทักษะการกำกับ AI agent ให้สร้างของแบบนี้ ก็เป็นสิ่งที่เรียนรู้กันได้ ถ้าสนใจว่าผมใช้ Claude Code ทำงานจริงในสายข้อมูลและความเสี่ยงยังไง ผมรวบรวมวิธีที่ผมใช้เองไว้ในคอร์ส Claude Code แล้ว — ก็อป workspace ผมไปปรับกับงานของคุณได้เลย