<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Mikelopster Blog - Medium]]></title>
        <description><![CDATA[Mike is a developer, like a monster. - Medium]]></description>
        <link>https://medium.com/mikelopster?source=rss----f5fcaa29d569---4</link>
        <image>
            <url>https://cdn-images-1.medium.com/proxy/1*TGH72Nnw24QL3iV9IOm4VA.png</url>
            <title>Mikelopster Blog - Medium</title>
            <link>https://medium.com/mikelopster?source=rss----f5fcaa29d569---4</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Mon, 16 Nov 2026 02:50:37 GMT</lastBuildDate>
        <atom:link href="https://medium.com/feed/mikelopster" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[มาแก้ปัญหา Firestore กับปัญหาราคา Read pricing สุดจี๊ด (แพง) กัน]]></title>
            <link>https://medium.com/mikelopster/%E0%B8%A1%E0%B8%B2%E0%B9%81%E0%B8%81%E0%B9%89%E0%B8%9B%E0%B8%B1%E0%B8%8D%E0%B8%AB%E0%B8%B2-firestore-%E0%B8%81%E0%B8%B1%E0%B8%9A%E0%B8%9B%E0%B8%B1%E0%B8%8D%E0%B8%AB%E0%B8%B2%E0%B8%A3%E0%B8%B2%E0%B8%84%E0%B8%B2-read-pricing-%E0%B8%AA%E0%B8%B8%E0%B8%94%E0%B8%88%E0%B8%B5%E0%B9%8A%E0%B8%94-%E0%B9%81%E0%B8%9E%E0%B8%87-%E0%B8%81%E0%B8%B1%E0%B8%99-3426619fc2ab?source=rss----f5fcaa29d569---4</link>
            <guid isPermaLink="false">https://medium.com/p/3426619fc2ab</guid>
            <category><![CDATA[firestore]]></category>
            <category><![CDATA[firebase]]></category>
            <category><![CDATA[pricing-strategy]]></category>
            <category><![CDATA[cloud-storage]]></category>
            <dc:creator><![CDATA[Tanitphon Paniwan]]></dc:creator>
            <pubDate>Thu, 10 Aug 2023 10:53:21 GMT</pubDate>
            <atom:updated>2023-08-10T10:53:21.561Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*C-vmyX5MpRx_Tsj0wGeyOA.png" /><figcaption>ดูฉบับ video ได้ที่ <a href="https://youtu.be/OU4l8RmEaPI">https://youtu.be/OU4l8RmEaPI</a></figcaption></figure><p>วันนี้พามาชวนคุยเรื่องเทคโนโลยีสุดฮิตอย่าง Firebase กัน สำหรับใครก็ตามที่กำลังเริ่มเขียนเว็บ หรือ เขียนเว็บมาระดับนึงแล้วคงจะเคยผ่าน Firebase กันมาบ้าง Firebase เป็นเทคโนโลยีที่เรียกได้ว่าเป็น Backend as a Service หากใครก็ตามต้องการระบบหลังบ้านสักตัว และไม่ต้องการที่จะมา setup เองจากจุดเริ่มต้น Firebase ก็ถือเป็นสิ่งที่ตอบโจทย์ในเรื่องนี้ มีหมดตั้งแต่ Database, Realtime Database, Authenticaion รวมถึง Backend function อย่าง Cloud function อยู่ด้วย</p><p>ทีนี้ พอตอนที่จะเอาไปใช้จริง คนส่วนนึงมาจมอยู่กับปัญหา Firestore Pricing มันแพง (Firestore คือ เทคโนโลยี NoSQL ของ Firebase) เนื่องจาก การคิด Firestore นั้น จะคิดทั้งหมดตั้งแต่ read, write ยั้น delete แน่นอนว่าเมื่อ user เพิ่มขึ้น มันก็เลี่ยงไม่ได้ที่จำนวน read มันจำเพิ่มขึ้นตามจำนวนคนที่เพิ่มขึ้น</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*gQKkOS7WIQiLwqIE5WVS7A.png" /><figcaption>ภาพตัวอย่างการอ่าน Read</figcaption></figure><p>เพื่อให้เห็นภาพมากขึ้น สมมุติว่าเรามี user 4 คน และตอนนี้ข้อมูลระบบเรามี 100 documents ที่จะต้อง read มาให้ user เห็น เมื่อ user เปิดเว็บขึ้นมา แต่ละ user ก็จะเกิดการ read ครั้งละ 100 documents (ตามภาพด้านบน) = ถ้า user ยิ่งเปิดเยอะ หรือ ถ้าจำนวน user ยิ่งเยอะขึ้น (โดยที่เราไม่ได้ทำอะไรเลย) Pricing ก็จะโดนคิดเพิ่มไปเรื่อยๆตามจำนวน Read ที่เพิ่มขึ้น ทีนี้เราจะทำยังไงกับเรื่องนี้ดี</p><h3>เราจะลองมาหาไอเดียในการลด Pricing กัน</h3><p>ในฐานะที่เป็นผู้ใช้ Firebase เหมือนกัน เรามาลองชวนคุยกันดีกว่า ว่าเราจะสามารถหาวิธีลด Pricing หรือจำนวนการ read ของ Firestore ได้ยังไงกันบ้าง โดยข้อจำกัดของผมคือ ผมจะใช้แค่เทคโนโลยีภายใน Firebase เท่านั้น ผมเลยเกิดเป็น 2 ไอเดียนี้ขึ้นมาคือ</p><ul><li>ไอเดียที่ 1 ใช้ Firebase firestore แพ็คเป็น bundle ไว้ แล้วค่อยนำ bundle นั้นโหลดมาใช้ทีเดียว (อารมณ์ zip file แล้วโหลดมาเป็น file ใหญ่ทีเดียวเพื่อใช้)</li><li>ไอเดียที่ 2 ใช้ Firestore PersistentLocalCache จะได้ไม่ต้อง read ซ้ำบ่อยๆ</li></ul><p>โดยตัวอย่างที่ผมจะหยิบมาใช้นั้น ผมจะลองเลียนแบบ Social network อย่างง่ายโดย เราจะใช้ Firebase Firestore เก็บ content ซึ่งจะเก็บแค่ description, category และ tag (เป็น Array) ไว้</p><h3>ไอเดียที่ 1 ใช้ Firebase firestore bundle ร่วมกับ Cloud storage</h3><p>ไอเดียนี้ เราจะเปลี่ยนจากส่งเป็น document เปลี่ยนมาเป็นส่งมาเป็น file แทน วิธีการคือ</p><p>ฝั่ง Backend</p><ul><li>เราจะทำการ read ข้อมูลออกมาครั้งหนึ่งเอาไว้ (อาจจะเป็นจังหวะหลังแก้ไฟล์ก็ได้ แต่ในตัวอย่างนี้ผมจะ seed file เข้าไปแล้ว save bundle เลย)</li><li>หลังจากนั้น เอาข้อมูลที่ read ได้มา save เป็น bundle file (Firestore มี feature ที่ทำแบบนี้ได้นะ) เก็บใส่ Cloud storage ไว้</li></ul><p>ฝั่ง Frontend</p><ul><li>ทำการโหลด bundle จาก path file</li><li>แล้วใช้คำสั่งของ Firestore (loadBundle) ทำการโหลดข้อมูลจาก bundle file เข้ามาไว้ในตัวแปรของ Firestore ไว้</li></ul><p>ไอเดียจะเป็นประมาณภาพด้านล่างนี้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rHl-v3hhiyPa5hFztnvEEg.png" /><figcaption>Firebase bundle</figcaption></figure><p>เราจะลองมา code กัน จะมีทั้งหมด 2 ฝั่งคือ</p><ul><li>ฝั่งที่ทำการ save bundle (ขาที่มีการ update ข้อมูล) = ฝั่ง Backend ผมจะใช้เป็น Nodejs ต่อกับ firebase-admin เพื่อทำการ read / write ทั้ง Cloud storage และ Firestore</li><li>ฝั่งที่ทำการใช้ bundle (ดึงมาใช้) = ฝั่ง Frontend</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8GuKmd12qGt6-GHzeivpZg.png" /><figcaption>project structure</figcaption></figure><p>เริ่มจากฝั่ง Backend ก่อน ผมสร้าง functions/firebaseConfig.js ขึ้นมาเพื่อใช้เป็นตัวแปรกลางสำหรับการเรียกใช้ Firestore (db) และ Cloud storage (storage) ขึ้นมา</p><pre>// file: functions/firebaseConfig.js<br><br>const admin = require(&#39;firebase-admin&#39;)<br>admin.initializeApp({<br>  projectId: &#39;bundle-firebase-test&#39;<br>})<br><br>const db = admin.firestore()<br>const storage = admin.storage()<br><br>module.exports = { db, storage }</pre><p>มาที่ไฟล์หลัก functions/server.js ผมจะแบบออกเป็น 2 path ก่อนคือ</p><p>1. ผมจะทำการเพิ่ม code ส่วนการ seed data ก่อน (เพราะตอนนี้เรายังไม่มี data อะไรเลย) ผมก็ใช้ไอเดียง่ายๆเลยว่า เราจะสร้าง list ของ category, tag ขึ้นมาและทำการวนลูปสร้างสัก 100 ตัวขึ้นมา</p><pre>// import ตัวแปร db (firestore) และ storage (cloud storage) เข้ามา<br>const { db, storage } = require(&#39;./firebaseConfig&#39;)<br><br>// ผมใช้ library lorem-ipsum สำหรับ gen ข้อมูลทั่วไป<br>const LoremIpsum = require(&quot;lorem-ipsum&quot;).LoremIpsum<br>const lorem = new LoremIpsum({<br>  sentencesPerParagraph: {<br>    max: 8,<br>    min: 4<br>  }<br>})<br><br>// ลองทำลองใส่ category, tag มาให้มันมีข้อมูล<br>const categoriesList = [&#39;programming&#39;, &#39;firebase&#39;, &#39;flutter&#39;, &#39;golang&#39;]<br>const tagsList = [&#39;a&#39;, &#39;b&#39;, &#39;c&#39;, &#39;d&#39;, &#39;e&#39;, &#39;f&#39;, &#39;g&#39;, &#39;h&#39;]<br><br>// เพิ่มตัวแปร post collection reference มา<br>const postsRef = db.collection(&#39;posts&#39;)<br><br>const generatePosts = async () =&gt; {<br>  const uid = &#39;test&#39;<br>  const description = lorem.generateSentences(5)<br><br>  for (let i = 0; i &lt; 100; i++) {<br>    const category = categoriesList[Math.floor(Math.random() * categoriesList.length)]<br>    const tags = [<br>      tagsList[Math.floor(Math.random() * tagsList.length)],<br>      tagsList[Math.floor(Math.random() * tagsList.length)]<br>    ]<br><br>    await postsRef.add({<br>      uid,<br>      category,<br>      description,<br>      tags<br>    })<br>  }<br>}<br><br>const main = async () =&gt; {<br>  await generatePosts()<br>}<br><br>main()</pre><p>ผมใช้ Firebase Emulator ในการรัน project นี้ ทีนี้ผมลองรันดูก็จะได้ผลลัพธ์ประมาณนี้ออกมา ตามด้านล่างนี้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*DIjOjXn2XOOdEqOlMMF46A.gif" /></figure><p>2. ok ข้อมูลพร้อมและ เรามาสร้าง code สำหรับสร้าง bundle กัน ไอเดียคือ เราจะดึงข้อมูล posts ออกมาทั้งหมดและนำไป save bundle file ไว้ที่ cloud storage</p><pre>// file: functions/server.js<br><br>// import ตัวแปร db (firestore) และ storage (cloud storage) เข้ามา<br>const { db, storage } = require(&#39;./firebaseConfig&#39;)<br><br>// กำหนดค่าเริ่มต้นชื่อ Bucket และ postsRef สำหรับ Reference ไปยัง collection ของ posts<br>const BUCKET_NAME = &#39;test&#39;<br>const postsRef = db.collection(&#39;posts&#39;)<br>const bundle = db.bundle()<br><br>const generatePosts = async () =&gt; { ... (code ด้านบน) }<br><br>// สร้าง function generate bundle ขึ้นมา<br>const generateBundle = async () =&gt; {<br>  // ดึงข้อมูลทั้งหมดจาก collection post ออกมาและนำไป save ใหม่เป็นรูปแบบของ bundle (pack file)<br>  let querySnapshot = await postsRef.get()<br>  const bundleBuffer = bundle.add(&#39;posts-bundle&#39;, querySnapshot)<br>  const timestamp = Date.now()<br>  const buffer = await bundleBuffer.build()<br><br>  // นำตัวแปร buffer (ที่ได้จากการเขียน pack) มาเขียนใส่ไฟล์<br>  const bundledFilePath = `./test/${timestamp}.txt`<br>  fs.writeFileSync(bundledFilePath, buffer)<br><br>  // นำไฟล์ upload ไปยัง cloud storage<br>  const destination = `firestore-data-bundles/bundles.txt`<br>  await storage.bucket(BUCKET_NAME).upload(bundledFilePath,<br>    {<br>      destination,<br>      public: true,<br>      metadata: { cacheControl: `public, max-age=60` }<br>    })<br><br>  // แล้วก็เป็นอันเสร็จสิ้น path ก็จะไปโผล่ตำแหน่งตามนี้ออกมาได้<br>  console.log(`uploaded to https://storage.googleapis.com/${BUCKET_NAME}/${destination}`)<br>}<br><br>const main = async () =&gt; {<br>  await generatePosts()<br>  await generateBundle()<br>}<br><br>main()</pre><p>เมื่อลองรัน code ดูเราจะได้ file bundle ออกมา และมันก็ได้ถูก upload ขึ้น cloud storage เป็นที่เรียบร้อย</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_PReQCatreExEiR5rdjSbA.png" /></figure><p>ok Backend เรียบร้อย move มาฝั่ง Frontend เราจะ set src/config.js ไว้แบบนี้ เพื่อทำการใช้งาน Firestore (ฝั่ง Frontend จะใช้แค่ตัวนี้)</p><pre>// file: src/config.js<br><br>// Import the functions you need from the SDKs you need<br>import { initializeApp } from &quot;https://www.gstatic.com/firebasejs/10.1.0/firebase-app.js&quot;<br>import {<br>  getFirestore<br>} from &#39;https://www.gstatic.com/firebasejs/10.1.0/firebase-firestore.js&#39;<br><br><br>// Your web app&#39;s Firebase configuration<br>const firebaseConfig = {<br>  apiKey: &quot;APIKEY...&quot;,<br>  databaseURL: &quot;...&quot;,<br>  projectId: &quot;...&quot;,<br>  appId: &quot;...&quot;<br>}<br><br>// Initialize Firebase<br>const app = initializeApp(firebaseConfig)<br>const db = getFirestore(app)<br><br>export {<br>  db<br>}</pre><p>ที่ไฟล์หลัก src/script.js เราจะลองทดสอบเรียกใช้ bundle ดูได้การระบุ path bundle เข้าไปตรงๆ</p><pre>// file: src/script.js<br><br>// สมมุติว่า เราเก็บ config ใส่ และ export เฉพาะ db (firestore) ออกมา<br>// และ มีการ import axios จากที่อื่นมาแล้ว<br>import { db } from &#39;./config.js&#39;<br><br>let posts = []<br><br>const loadPostsBundle = async () =&gt; {<br>  // จิ้มไปยัง url ของตำแหน่ง bundle (ที่ upload file bundle ในฝั่ง Backend)<br>  let urlBundle = &#39;http://127.0.0.1:9199/test/firestore-data-bundles/bundles.txt&#39;<br><br>  // ดึงข้อมูล bundle ออกมา และทำการ loadBundle เข้า Browser (เพื่อ save เป็น cache ใน Browser ไว้)<br>  const response = await axios.get(urlBundle)<br>  await loadBundle(db, response.data)<br><br>  // ดึงข้อมูลจาก bundle ออกมาทั้งหมดด้วย query ที่ save ผ่าน bundle ไว้<br>  const query = await namedQuery(db, &#39;posts-bundle&#39;)<br>  const snaps = await getDocsFromCache(query)<br><br>  // และข้อมูลก็ครบเรียบร้อย ได้ posts collection มาโดยไม่ต้องแตะ Firestore เลย!<br>  posts = snaps.docs.map(snap =&gt; snap.data())<br>  console.log(&#39;=== load posts&#39;, posts)<br>}<br><br>loadPostsBundle()</pre><p>และนี่ก็คือผลลัพธ์ของการ load ผ่าน bundle และข้อมูลที่ได้ออกมา</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*FIHBvF_woxnbLwq0XhSptQ.gif" /></figure><p>จะเห็นว่าเราสามารถหยิบผลลัพธ์ที่เรา save ใน bundle ออกมาได้เรียบร้อย เราจะต๊ะจุดนี้กันไว้ก่อน เราจะไปต่อที่วิธีที่ 2 กันก่อน</p><h3>ไอเดียที่ 2 ใช้ PersistentLocalCache ของ Firebase firestore</h3><p>ผมลองนั่งดู และก็ไปเจอว่า Firebase Firestore มี feature อย่าง persistentLocalCache ที่ช่วยทำให้ข้อมูล Firestore สามารถมา save เป็น cache ใน local browser ได้ ซึ่งมันจะมีวิธี สามารถโหลดมาแค่รอบแรกครั้งเดียว และจะนับ cost แค่ตอน snapshot sync (ตอนที่มีข้อมูลใหม่เพิ่มมา) ได้</p><p>ก็จะอารมณ์ประมาณภาพล่างนี้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*TItTnvYzQ2gvcqGbjq4vrw.png" /><figcaption>PersistenLocalCache</figcaption></figure><p>มาลองปรับ src/config.js ให้เป็นตามนี้กัน รอบนี้ส่วนที่แก้จะมีแค่</p><pre>// file: src/config.js<br><br>...<br>// เปลี่ยนจาก<br>// const db = getFirestore(app)<br><br>// ให้เพิ่ม persistentCache แทน<br>const db = initializeFirestore(app, {localCache:<br>  persistentLocalCache({<br>    tabManager: persistentMultipleTabManager()<br>  }),<br>})<br><br>export { db }</pre><p>กลับมาที่ src/script.js เราจะเพิ่ม function loadPost() เข้ามาสำหรับดึงข้อมูล Posts ออกมาทั้งจาก cache / server ด้วยคำสั่ง onSnapshot (ใส่ includeMetadataChanges เพื่อให้จังหวะแรกสุดดึงข้อมูลออกมาทั้งหมดได้ และถ้ามี cache มันก็จะเลือกดึงมาจาก cache มาแทน)</p><pre>// file: src/script.js<br><br>import { db } from &#39;./config.js&#39;<br><br>// import snapshot มาเพิ่ม<br>import {<br>  ...,<br>  onSnapshot <br>} from &#39;https://www.gstatic.com/firebasejs/10.1.0/firebase-firestore.js&#39;<br><br>let posts = []<br><br>// สร้าง function สำหรับ load มา (เราจะใช้ collection history)<br>const loadPosts = async () =&gt; {<br>  const q = collection(db, &#39;posts&#39;)<br>  onSnapshot(q, { includeMetadataChanges: true }, (snapshot) =&gt; {<br>    // สามารถบอกได้ว่ามาจาก source ไหน ถ้า fromCache เป็น true = มาจาก cache<br>    const source = snapshot.metadata.fromCache ? &#39;local cache&#39; : &#39;server&#39;<br>    console.log(&#39;source: &#39;, source)<br>    let currentPost = []<br>    snapshot.docChanges().forEach((change) =&gt; {<br>      currentPost.push(change.doc.data())<br>      // ทุกครั้งที่มีข้อมูลเปลี่ยน จะนำข้อมูลต่อกลับ array<br>      posts.push(change.doc.data())<br>    })<br><br>    console.log(&#39;== current post&#39;, currentPost)<br>    console.log(&#39;== posts&#39;, posts)  <br>  })<br>}<br><br>loadPosts()</pre><p>นี่คือผลลัพธ์ของเรื่องราวดีๆนี้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*eg-Al2fuXfQzY8_-lcyumQ.gif" /><figcaption>ทดลองโหลด 2 รอบ</figcaption></figure><p>จากด้านบนนี้ ผมลอง clear cache ทิ้งก่อนเริ่ม และทำการเริ่มใช้ function loadPosts()</p><ul><li>ครั้งแรก ข้อมูลจะโหลดจาก server มาก่อน ทั้ง 100 ตัว</li><li>แต่พอ refresh อีกรอบ ข้อมูลจะโหลดจาก cache มาแทนทั้ง 100 ตัวแล้ว = browser ได้ save สิ่งนี้เก็บไว้แล้วเรียบร้อย</li></ul><p>ความดีงามของวิธีนี้คือ มันจะทำการ handle เรื่อง cache ให้เองได้เลย โดยเพิ่มเพียงแค่ config Firestore เองนี่แหละ</p><h3>คำถามคือ เราควรเลือกใช้ bundle หรือ PersistententLocalCache ดี ?</h3><p>ก่อนที่เราจะตอบคำถามนี้ เราจะพาทุกคนมาลองวิเคราะห์ pricing ของแต่ละวิธีกันก่อน</p><p>นี่คือไอเดียที่เรามี ทีนี้ผมจะลองแตกการคำนวนบางอย่างออกมาเพื่อให้เห็นว่า ถ้าใช้ Firestore ตามปกติ และ ถ้าใช้ Cloud storage เทียบกัน ราคาจะต่างกันประมาณไหน</p><p>ภาพการคำนวณด้านล่างนี้คือ</p><ul><li>สมมุติ Firestore: user 1 คนที่ปริมาณการ read ที่ 10k ต่อเดือน</li><li>สมมุติ Cloud storage: user 1 คนจะโหลด bundle มาใหม่ เดือนละ 1 ครั้ง</li><li>ตรงที่ระบายสีเหลือง = ราคา ของ Firestore กับ Cloud storage เทียบในโจทย์เดียวกัน ซึ่งจะสังเกตุเห็นว่าด้วยสมมุติฐานนี้ Cloud storage จะที่ pricing ที่ถูกกว่า</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*MQQRFtVz7R722FpwraUAxw.png" /><figcaption>ราคา Cloud firestore เทียบกับ Cloud storage</figcaption></figure><p>ดูเผิน way ของ Cloud storage เหมือนจะราคาดีกว่า แต่ว่า ราคาจะแพงขึ้นมากเมื่อเราต้องมีการโหลด bundle แบบถี่ๆ เช่น ถ้าเกิด 1 เดือนเรามี update 10 ครั้ง แปลว่า user ต้องโหลด bundle มาใหม่ 10 รอบ จะกลายเป็นว่าวิธี bundle จะแพงกว่าแทน</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YYYzuv0hXjRbueG2aDWrlw.png" /></figure><p>ทีนี้ ผมก็เลยทดลองเพิ่มอีก 1 อย่าง ผมสงสัยว่า “แล้วตอนโหลด bundle มา มันได้ทำการเก็บ cache ไว้ไหม ?” คำตอบของเรื่องนี้คือ “มันจะเก็บไว้เมื่อเราเปิด mode cache ด้วย PersistententLocalCache” ผมจะลองยกตัวอย่างจาก code ตัวนี้ ผมลองปรับ code src/script.js เพื่อลองทดสอบ assumption นี้</p><pre>import {<br>  ...,<br>  getDocsFromCache<br>} from &#39;https://www.gstatic.com/firebasejs/10.1.0/firebase-firestore.js&#39;<br><br>const loadPostsBundle = async () =&gt; { ... (function แบบเดียวกับด้านบนเลย) }<br><br>const loadPostsFromCache = async () =&gt; {<br>  // getDocsFromCache คือคำสั่งที่ get document มาจาก cache เท่านั้น<br>  const snaps = await getDocsFromCache(collection(db, &#39;posts&#39;))<br>    posts = snaps.docs.map(snap =&gt; snap.data())<br>    console.log(&#39;== load posts from cache&#39;, posts)<br>  }<br>}<br><br>const main = async () =&gt; {<br>  await loadPostsBundle()<br>  await loadPosts()<br>}<br><br>main()</pre><p>และนี่คือผลลัพธ์ของเรื่องนี้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0hOBFHJsiiZTDyr_PZROdA.gif" /></figure><p>ผลลัพธ์นี้คือ</p><ul><li>ผมได้ทำการทดสอบรัน loadPostsFromCache() ก่อนหนึ่งรอบ เพื่อ recheck ก่อนว่า ข้อมูลไม่ได้มีอยู่ใน cache จริงๆ (ผมทำการ clear cache ทิ้งก่อน)</li><li>จากนั้น ผมได้ทำการ loadPostsFromBundle() → loadPostsFromCache() ก็จะเจอว่าทั้ง 2 คำสั่งได้ข้อมูลชุดเดียวกันออกมาได้ = จังหวะโหลด bundles มันได้ save ลง cache ไว้แล้วเรียบร้อย</li></ul><p>แน่นอนครับว่า ผลลัพธ์นี้เป็นจริงกับคำสั่ง onSnapshot ที่เราใช้ในไอเดียที่ 2 เช่นกัน มันจะเปลี่ยนมาโหลดจาก cache ทั้งหมดแทน</p><p>ผมก็เลยได้ข้อสรุปจากการทดลองทั้งหมดนี้ว่า</p><ul><li>[กรณี Firebase ล้วน] โหลดจาก bundle มาไว้ก่อน (ไอเดียที่ 1) แต่ถ้าไม่ได้มี update ใหญ่แล้ว ให้เปลี่ยนมาทำการ subscribe (onSnapshot) เพื่อเปลี่ยนมาดึงจาก cache ให้ตอนจังหวะดึงข้อมูลมา update เป็นปริมาณที่ไม่มากแทน (ไอเดียที่ 2) มันจะทำให้เรา weight ราคาระหว่าง Cloud storage และ Firestore ให้เหมาะสมซึ่งกันและกันได้</li><li>[กรณีที่ไม่ใช้ Firebase] ถ้ารู้สึก pricing ของ Cloud storage มันแพง ก็เปลี่ยนไปใช้ตัวอื่นแทนได้ (อาจจะใช้เป็น CDN ที่ทำ caching ในตัวเอง) ก็จะยังคงสามารถใช้วิธี bundle แบบไม่แพงมากได้</li><li>bundle จะมีข้อพิจารณาตอนเวลาเขียน bundle ด้วย ยิ่งข้อมูลเยอะมันใช้เวลาพอสมควรตอนเขียน bundle ขึ้นมา = ไม่แนะนำให้ใช้กับเคส realtime มากเกินไป</li></ul><p>และนี่คือภาพที่สมบูรณ์ของเรื่องราวนี้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2CkEVzs7YwSzWp4rCRfOyA.png" /></figure><p>แชร์ไว้เผื่อใครสนใจอยากลองเข้าไปดูวิธีคำนวนของเรา</p><p><a href="https://docs.google.com/spreadsheets/d/12b4t_lRpEFW4WxkT5xPuWvkjkVQ5TU-yMjrI4xolWOs/edit?usp=sharing">https://docs.google.com/spreadsheets/d/12b4t_lRpEFW4WxkT5xPuWvkjkVQ5TU-yMjrI4xolWOs/edit?usp=sharing</a></p><p>ใครสนใจเพิ่มเติมดู code ผ่าน github กันได้</p><p><a href="https://github.com/mikelopster/firebase-bundle-cache-expirement">https://github.com/mikelopster/firebase-bundle-cache-expirement</a></p><h3>ข้อสรุปของเรื่องนี้</h3><p>สำหรับผม ผมสนุกกับการทดลองนี้มาก 555 ผมก็ยังไม่แน่ใจนะว่าตัวเองค้นพบ solution แบบสุดทางแล้วหรือยัง ถ้าใครที่แวบมาอ่านก็มาแชร์กันเพิ่มเติมได้เพราะปัญหา Firebase Firestore เป็นปัญหาที่ผมเคยชนกับมันอยู่จริง และมันเคยทำเอาผม pain จนอยากจะเลิกใช้ Firebase ไปเลยก็ว่าได้ (แต่ยังไม่เลิกหรอก คนมันรักกันแล้ว จะให้เลิกกันมันคงยาก)</p><p>ถึงยังไงเทคโนโลยีอย่าง Firebase นั้นก็ยังถือว่าอำนวยความสะดวกสบายและยังเหมาะสมสำหรับการใช้งานเคสทั่วๆไปอยู่ดี แต่ถ้าจะต้องใช้ production ก็บริหาร cache ให้ดี หรือไม่งั้นก็ใช้ technology อื่นร่วมกันก็ได้ อาจจะทำให้เราสามารถทำระบบ production ที่สามารถใช้ pricing ที่เหมาะสมออกมาได้ดีกว่านี้ก็ได้นะ</p><p>Reference</p><ul><li><a href="https://firebase.blog/posts/2021/04/firestore-supports-data-bundles/">https://firebase.blog/posts/2021/04/firestore-supports-data-bundles/</a></li><li><a href="https://dev.to/moga/decrease-read-costs-of-firestore-using-firestore-data-bundles-30e9">https://dev.to/moga/decrease-read-costs-of-firestore-using-firestore-data-bundles-30e9</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3426619fc2ab" width="1" height="1" alt=""><hr><p><a href="https://medium.com/mikelopster/%E0%B8%A1%E0%B8%B2%E0%B9%81%E0%B8%81%E0%B9%89%E0%B8%9B%E0%B8%B1%E0%B8%8D%E0%B8%AB%E0%B8%B2-firestore-%E0%B8%81%E0%B8%B1%E0%B8%9A%E0%B8%9B%E0%B8%B1%E0%B8%8D%E0%B8%AB%E0%B8%B2%E0%B8%A3%E0%B8%B2%E0%B8%84%E0%B8%B2-read-pricing-%E0%B8%AA%E0%B8%B8%E0%B8%94%E0%B8%88%E0%B8%B5%E0%B9%8A%E0%B8%94-%E0%B9%81%E0%B8%9E%E0%B8%87-%E0%B8%81%E0%B8%B1%E0%B8%99-3426619fc2ab">มาแก้ปัญหา Firestore กับปัญหาราคา Read pricing สุดจี๊ด (แพง) กัน</a> was originally published in <a href="https://medium.com/mikelopster">Mikelopster Blog</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[หาจุดซื้อขายในโลกของ Bot Trade เขาทำกันยังไง ? มาชวนคิดผ่านบทความนี้กัน]]></title>
            <link>https://medium.com/mikelopster/%E0%B8%AB%E0%B8%B2%E0%B8%88%E0%B8%B8%E0%B8%94%E0%B8%8B%E0%B8%B7%E0%B9%89%E0%B8%AD%E0%B8%82%E0%B8%B2%E0%B8%A2%E0%B9%83%E0%B8%99%E0%B9%82%E0%B8%A5%E0%B8%81%E0%B8%82%E0%B8%AD%E0%B8%87-bot-trade-%E0%B9%80%E0%B8%82%E0%B8%B2%E0%B8%97%E0%B8%B3%E0%B8%81%E0%B8%B1%E0%B8%99%E0%B8%A2%E0%B8%B1%E0%B8%87%E0%B9%84%E0%B8%87-%E0%B8%A1%E0%B8%B2%E0%B8%8A%E0%B8%A7%E0%B8%99%E0%B8%84%E0%B8%B4%E0%B8%94%E0%B8%9C%E0%B9%88%E0%B8%B2%E0%B8%99%E0%B8%9A%E0%B8%97%E0%B8%84%E0%B8%A7%E0%B8%B2%E0%B8%A1%E0%B8%99%E0%B8%B5%E0%B9%89%E0%B8%81%E0%B8%B1%E0%B8%99-c22fb267c2b?source=rss----f5fcaa29d569---4</link>
            <guid isPermaLink="false">https://medium.com/p/c22fb267c2b</guid>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[programming]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[trading]]></category>
            <category><![CDATA[reinforcement-learning]]></category>
            <dc:creator><![CDATA[Tanitphon Paniwan]]></dc:creator>
            <pubDate>Wed, 02 Aug 2023 11:52:32 GMT</pubDate>
            <atom:updated>2023-08-03T20:52:51.473Z</atom:updated>
            <content:encoded><![CDATA[<h3><strong>หาจุดซื้อขายในโลกของ Bot Trade เขาทำกันยังไง ? มาชวนทำผ่านบทความนี้กัน</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*7OrGe-SZMD7-inDEYLCDqQ.png" /></figure><p>เรื่องนี้สืบเรื่องจากที่ผมไปนั่งฟังเรื่องการทำ AI มา แล้วก็มีคนมาสอบถามผมประมาณว่า ทำ bot trade เนี้ยจริงๆเขาทำกันยังไง ผมก็คิดว่าก็ไม่น่ายากนะ เราก็ Train AI เรียนรู้สภาวะตลาด แล้วจากนั้นเราก็ให้มันช่วยหาจุดซื้อขายให้เราได้… จากนั้นผมก็อึ้งไปแปบนึง แล้วก็นึกขึ้นได้ว่า</p><blockquote>เออว่ะ แล้วไอ Bot ที่ว่าเนี่ย มันรู้ได้ยังไงว่าควรเลือกจุดซื้อ จุดขายตอนไหน</blockquote><p>เพราะเวลาอย่างเรา Trade เนี่ย เราก็มักจะตอบกันอย่างง่ายๆว่าเราควรซื้อเมื่อราคาถูก แล้วควรขายเมื่อแพง ประเด็นคือ ถูกแพงเนี้ยมันวัดกันยังไงบ้าง ?</p><p>หลายๆคนผมเชื่อว่าน่าจะรู้จักเทคนิคอย่าง Technical Analysis ของวงการเทรดหุ้นกัน ไอเดียนี้เขาก็จะมีสัญญาณซื้อ / ขาย เช่นเดียวกัน โดยอ้างอิงตามข้อมูลสถิติและนำข้อมูลนั้นมา “ตีความใหม่” เพื่อให้สามารถใช้ทำเป็นสัญญาณซื้อขายได้ บ้างก็จะมี ตัดเส้น EMA แบบนั้น, ถ้า RSA เริ่มสูง แปลว่าตลาดเริ่ม oversold = ต้องขายเพราะมันเริ่มมีคนเทขายกันเยอะ อะไรแบบนี้</p><p>ผมก็เลยคิดว่า เราต้องใช้ไอเดียเดียวกันคือ เราต้อง “ตีความ” ออกมาว่า</p><ol><li>สัญญาณซื้อ Bot เราควรซื้อเมื่อใด ?</li><li>สัญญาณขาย Bot เราควรขายเมื่อใด ?</li></ol><p>ผมลองไปไตร่ตรองและทำการค้นคว้ามา ก็ได้เทคนิคออกมาทั้งหมด 4 อย่างที่คิดว่ามีความเป็นเอกลักษณ์แบบชัดเจนที่น่าสนใจและน่าลองเอามาทำดู นั่นคือ</p><ol><li>Technical Analysis = ใช้เทคนิคคอลเนี่ยแหละทำ bot ซะเลย (ใช้ข้อมูลทางสถิติมาเป็นตัวชี้วัดแล้วคิดสัญญาณขึ้นมาเอง)</li><li>Find “Fair price” for put / call action (Black-Scholes model) = ใช้ทฤษฎีในการหา “ราคาทางทฤษฎี” ออกมาแล้วใช้วิเคราะห์ทางราคาเพื่อหาสัญญาณซื้อขาย</li><li>Deep learning with LSTM = ใช้ RNN ช่วย “ทำนายรราคา” ในการหาสัญญาณซื้อขายร่วมกัน</li><li>Deep Q Reinforcement learning = สร้าง AI ขึ้นมาที่เรียนรู้กฎการ trade ของตัวเองได้ ให้มันต่อสู้กับตลาดอันโหดร้าย แล้วให้มันคิดเอาเองว่ามันควรเทรดยังไง</li></ol><p>จริงๆมันอาจจะมีเทคนิคมากกว่าใน 4 ข้อนี้ก็ได้ แต่ที่ผมแยกออกมาเป็น 4 อันนี้เพราะผมอยากเล่นไอเดียกับ Bot ที่เป็นข้อมูลใส “Time series” เท่านั้น (เอาแค่ข้อมูลราคาซื้อขายบนกราฟ โดยจะไม่เอาข้อมูลภายนอกมาเกี่ยวข้องเลย) เลยรู้สึกว่ามีประมาณ 4 วิธีนี้แหละ ที่ไอเดียในการคิดแตกต่างกันชัดเจน จริงๆมันก็มีแนว Machine learning อย่าง Linear Regression หรือ การใช้ Technical Analysis ที่มันว้าวซ่ากว่านี้ แต่ผมรู้สึกว่า ท้ายที่สุดแก่นก็ยังคงมาตกภายใน 4 ข้อนี้อยู่ดี ก็เลยตัดสินใจหยิบมาแค่ 4 วิธีนี้พอ รวมถึงผมเองก็พยายามหยิบไอเดียที่ simple ที่สุดไว้ เผื่อเป็นไอเดียสำหรับคนที่สนใจอยากจะลองทำ bot trade ของตัวเองขึ้นมาด้วยเช่นกัน</p><p>ย้ำหนึ่งอย่างก่อนไปต่อ</p><blockquote>บทความนี้ไม่ใช่บทความแนะนำการลงทุนใดๆ เป็นเพียงบทความที่ทำการทดลองและวิเคราะห์ผลตาม Strategy แต่ละแบบเพื่อการศึกษาเท่านั้น โปรดใช้วิจารณญาณของท่านเองก่อนที่จะหยิบเทคนิคไหนไปใช้นะครับ</blockquote><h4>สำนักที่ 1 — Technical Analysis</h4><p>Technical Analysis คือวิธีการเทรดโดยใช้ข้อมูลทางสถิติมาเป็นตัวช่วยในการหาจุดเข้าซื้อและจุดขาย ซึ่งในเว็บไซต์เทรดอย่าง Tradingview จะเรียกสิ่งนี้กันว่า Indicator หรือเป็นดัชนีเพิ่มเติมที่ช่วยให้ข้อมูลในการ Trade มีมากขึ้น</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*aRQV8Ph4PgCKxhOSXhBqwA.png" /><figcaption>Indicator ในภาพจาก Tradingview</figcaption></figure><p>จริงๆ Indicator มันก็มีหลายประเภทและหลายศาสตร์มาก แต่เนื่องจากผมจะเล่นกับเพียงราคาใน Time series เท่านั้น ผมเลยจะหยิบ Indicator แค่ 2 ประเภทนี้ (และเป็น indicator ที่ผมคุ้นเคย) มาเล่นเท่านั้นคือ</p><ol><li>Indicator แบบ Trend Following เช่น EMA / SMA / MACD</li><li>Indicator แบบ Momentum เช่น RSA / Stochastic Oscillator</li></ol><p>โดยผมจะใช้สัญญาณของ 2 Indicator นี้มาใช้ร่วมกันเพื่อหาสัญญาณซื้อขายนั่นเอง (เดี๋ยวผมจะลง detail เพิ่มเติมตอนทำจริงด้านล่างอีกที)</p><blockquote>เรื่อง Indicator ใน Technical Analysis มีบทความที่เขียนถึงเยอะมาก ถ้าใครสนใจ เอา keyword search อ่านเพิ่มเติมกันเองนะครับ</blockquote><h4>สำนักที่ 2 — Find “Fair price” for put / call action (Black-Scholes model)</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/423/1*ycCQAuw14ugaKCAEWYQJfg.gif" /><figcaption>Black Scholes model ภาพจาก <a href="http://www.espenhaug.com/black_scholes.html">http://www.espenhaug.com/black_scholes.html</a></figcaption></figure><p>ในปี 1973 นักเศรษฐศาสตร์ 2 คน Fischer Black และ Myron Scholes (ร่วมกับ Robert) ได้พยายามสร้าง Model การคำนวนราคาของ option ออกมา ใน Model ชื่อว่า <strong>Black Scholes model</strong> ซึ่งจริงๆสมการนี้ถูกสร้างขึ้นมาเพื่อหาราคาเหมาะสมสำหรับการ call (สัญญาณซื้อ) และ put (สัญญาณขาย) ตามทฤษฎีทางเศรษฐศาสตร์ (โดยใช้เหล่าตัวแปรที่เราต้องใส่ในสมการด้านบนนั่นแหละ) อย่างภาพด้านบนคือสมการของ <strong>Black Scholes model </strong>ซึ่งจะประกอบไปด้วย 2 ฝั่งคือ ฝั่ง Call และ ฝั่ง Put เพื่อหาราคาสำหรับสัญญาณ โดยเราจะแทนตัวแปรแต่ละตัวเข้าไปตามนี้</p><ul><li>S (stock price) = ราคาปัจจุบัน ณ ขณะนั้น</li><li>X (strike price) = ราคาที่สนใจจะทดลอง (ผมเข้าใจว่างี้นะ จากที่อ่านมาหลายๆที่ ถ้าผมเข้าใจผิดบอกผมได้เลย เพราะผมอ่านแล้วก็งงเหมือนกัน 😭)</li><li>r (Risk-free interest rate) = อัตราดอกเบี้ย โดยปราศจากความเสี่ยงต่อปี</li><li>σ (Volatility) = ค่าความผันผวน เพื่อบอกว่าราคาผันผวนมากน้อยแค่ไหน (ตอนทำจริง เดี๋ยวเราจะบอกว่าเราจะคำนวนยังไง)</li><li>N(x) = ค่าการกระจายความน่าจะเป็นแบบปกติมาตรฐาน</li></ul><p>โดยการคำนวนนี้จะไม่คำนึงถึงการปันผลและค่าธรรมเนียมทางธุรกรรม รวมถึงไม่คำนึงถึงกฎการเทรดด้วยว่าตลาดสามารถ short ได้หรือไม่ด้วย</p><p>ผมเรียกไอเดียในสำนักนี้ว่า การหา “Fair price” หรือราคาที่สามารถ take action ได้เมื่อถึงราคาที่กำหนด (บางที่จะเรียกว่า ราคาตามทฤษฎีหรือ Theorical price) คือ ราคานี้เกิดขึ้นจากสมการการคำนวนเท่านั้น ไม่ได้เกิดจากการใช้ข้อมูลในอดีต หรือ ข้อมูลอื่นๆประกอบเลย แค่เอาตัวแปรบางอย่างใส่เข้าไปในสมการและวิเคราะห์เป็นราคาออกมา ซึ่งปกติ ทฤษฎีพวกนี้จะถูกใช้สำหรับการ “ประเมินความเสี่ยง” ว่าราคาตอนนี้มันเกินกว่าราคาที่เราประเมินไว้แล้วหรือไม่</p><p>แน่นอนครับ ไอเดียนี้ไม่ได้โดยสร้างมาสำหรับการทำ day trade เลย เป็นไอเดียที่โดยสร้างมาเพื่อใช้สำหรับการประเมินแค่นั้น แต่สำหรับการทดลองนี้ เราจะลองหยิบมาดู โดยพยายาม tune ตัวแปรบางอย่างเพื่อหาราคาที่สามารถ take action ออกมาได้ ซึ่งอาจจะผิดตามหลักการการใช้ของทฤษฎีนี้ก็ได้ แต่รู้สึกว่า คู่ควรแต่การลองอยู่ เพราะมันอาจจะเจอ Pattern อะไรบางอย่างจากการใช้สมการนี้ก็ได้</p><p>จริงๆไอเดียแนวนี้ ไม่ได้มีแค่ Black Scholes model นะ เพราะอย่าง model นี้มันก็เป็น style ของ European-style options ซึ่งไอเดียมันก็พูดไว้ว่า มันเหมาะสมกับการทดลองในช่วงก่อนเวลา expiration จะหมดลง (สมการมันจะมีใส่อยู่ว่าการคำนวนนี้หมดอายุเมื่อไหร่) ซึ่งมันก็มี American-style อีกที่มีการใช้ expiration ที่แตกต่างกัน รวมถึงมันก็มี model ที่ไอเดียคล้ายๆกันอย่าง Binomial options pricing model, Monte Carlo อยู่ แต่เลือกใช้ตัวนี้เพราะเข้าใจง่ายสุดและสมการตรงไปตรงมาที่สุดและ</p><h4>สำนักที่ 3 — Deep learning with LSTM</h4><p>อะไรๆก็ต้อง AI และแน่นอนว่า AI เองก็สามารถที่จะ “ทำนายตัวเลข” จาก Time series ออกมาได้เช่นกัน ปัจจุบันศาสตร์ AI อย่าง Deep learning ที่สามารถแกะ information บางอย่างที่แม้เราจะอธิบายไม่ได้ว่า information ที่อยู่ตรงกลางมันคืออะไร (ไม่รู้ว่าควรใช้อะไรในการให้ข้อมูลเพิ่มเติมสำหรับการ Train) ก็สามารถที่จะได้ผลลัพธ์ที่ต้องการออกมาได้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/733/1*8KqAVaIhtRG1q3-dJutfSw.png" /><figcaption>ความแตกต่างระหว่าง ML และ Deep learning ภาพจาก <a href="https://rdbi.co.th/2020/01/data-scientist-7/">https://rdbi.co.th/2020/01/data-scientist-7/</a></figcaption></figure><p>Deep learning คือ ไอเดียที่เป็น subset ของ Machine Learning ที่จะใช้สิ่งที่เรียกว่า “Neural network” มาเป็นตัวหลักในการทำ Feature extraction (หา feature ที่อยู่ภายในข้อมูล) และ Classification (บอกว่าสิ่งที่ได้มานี้คืออะไร) ซึ่งตัว NN (ตัวย่อของ Neural network) เองก็มีหลายประเภทที่จะใช้แตกต่างกันสำหรับข้อมูลในแต่ละประเภท เช่น ถ้าเป็นข้อมูลภาพก็จะใช้ <a href="https://en.wikipedia.org/wiki/Convolutional_neural_network">Convolutional neural network</a> (ย่อว่า CNN) เพื่อบอกว่า ของในภาพนั้นคืออะไร</p><p>สำหรับเคสของ Time series เราจะเรียกข้อมูลประเภทนี้ว่า “ข้อมูลที่ต่อเนื่อง” กัน โดยข้อมูลที่ผ่านไปก่อนหน้ามีผลต่อการ Train ข้อมูลตัวปัจจุบันอยู่ (เช่น ข้อมูลการ Trade เมื่อ 3 วันก่อน อาจจะมีผลกับการ Predict ราคาในวันปัจจุบัน) ไม่ว่าจะเป็นเสียง / วิดีโอ หรือแม้แต่การแปลภาษา เองก็ถือเป็นข้อมูลประเภทนี้เหมือนกัน ซึ่งปกติเราจะใช้สิ่งที่เรียกว่า Recurrent neural network (ย่อว่า RNN)ในการ Train data</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*CgEohyAD2_ikDV1Yuze0Mg.png" /><figcaption>LSTM 1 รูปแบบของ RNN— ภาพจาก wiki LSTM</figcaption></figure><p>ทีนี้ ปัญหาของ RNN คือ มันดันเอาข้อมูลเป็น Train โดยที่ไม่ filter อะไรออกเลย เช่น ถ้าสมมุติข้อมูลก่อนหน้า 1 step มีข้อมูลที่เป็น noise (ข้อมูลที่เราไม่อยากให้ร่วมวิเคราะห์ด้วย) อยู่ มันจะกลายเป็นข้อมูลทั้งเส้นทางจะโดน train ให้เป็นข้อมูลอีกแบบไปได้ รวมถึงเมื่อข้อมูลเริ่มมีขนาดยาวมาก RNN เองอาจจะเผลอทำ information หายไประหว่างทางได้</p><p>LSTM เลยเกิดมาเพื่อแก้ปัญหานี้ของ RNN แบบปกติ คือการเพิ่ม hidden layer เพื่อเป็น memory ให้กับ RNN เพิ่มเข้ามารวมถึงเพิ่ม function สำหรับการ filter ข้อมูลเพื่อให้สามารถ “ลืม” สิ่งที่ไม่จำเป็นสำหรับข้อมูลออกไปได้ เพื่อให้ยังสามารถเก็บข้อมูลมาได้ครบทั้งเส้นทางได้</p><p>เราจะใช้ ไอเดีย นี้ในการ Train ข้อมูลเพื่อทำการ “ทำนายราคา” ของราคา option เพื่อไปสร้างสัญญาณซื้อขายต่อไปกัน</p><h4>สำนักที่ 4 — Deep Q Reinforcement learning</h4><p>อีกประเภทหนึ่งของ Machine learning ที่ถือว่าฮิตไม่ต่างกัน (โดยเฉพาะยุคสมัยนี้ที่ chatgpt กำลังโด่งดัง หรืออย่างยุคของ AlphaGo เองก็ถูกพูดถึงเช่นกัน) คือ Reinforcement learning</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/908/1*ilBusMEGKmVW3y2S-AKFyg.jpeg" /><figcaption>Reinforcement learning ภาพจาก <a href="https://towardsdatascience.com/reinforcement-learning-101-e24b50e1d292">https://towardsdatascience.com/reinforcement-learning-101-e24b50e1d292</a></figcaption></figure><p>Reinforcement learning (ขอย่อว่า RL) คือ การสร้างกฎบางอย่างให้กับ Bot (ในที่นี้คือ Agent) แล้วให้ Agent เล่นตาม policy (กฎที่กำหนดเอาไว้ให้ Agent ตัวนั้นเล่น) โดยอิงจากของ 2 อย่างคือ state ปัจจุบันคืออะไร และ Action ที่จะทำคืออะไร เพื่อหา reward (มูลค่าปัจจุบัน) ไปคำนวนร่วมกับทุก action แล้วเอามูลค่าสูงสุดของ action นั้นออกมาเพื่อทำให้เกิดเป็น state ต่อไปได้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/271/1*sgBU7pHSoSq_UMayOOMhxw.png" /><figcaption>RL Equation</figcaption></figure><p>ถ้าอ่านแล้วยังงง ขอยกตัวอย่างให้เห็นภาพมากขึ้นเช่นเกมด้านล่าง เกมตารางง่ายๆที่พยายามพาหุ่นยนต์ลงไปยังตำแหน่ง End โดย</p><ul><li>action ที่สามารถทำได้คือ up, down, left, right</li><li>ทุกก่อนการเดิน หุ่นยนต์จะสำรวจก่อนว่า action ต่อไป และ state ต่อไป อันไหนมีมูลค่าสูงสุด ถ้าแบ่งออกจากเคสนี้คือ เดินขึ้นไป+ช่องด้านบน, เดินลงไป+ช่องด้านล่าง, เดินไปทางขวา+ช่องด้านขวา, เดินไปทางซ้าย+ช่องด้านซ้าย</li><li>ใน 4 เคสนั้น อันไหนมีมูลค่าสูงสุด = จะเป็น action ที่หุ่นยนต์เลือกเดินไป reward วัดจากอัตราการทำให้เป้าหมายนั้นสำเร็จ ทุก action เราจะเอา reward มา update ว่า หลังจากการใช้ action นี้ที่ state นี้ มีมูลค่าเป็นเท่าไหร่ ถ้าใกล้เคียงกับเป้าหมายก็ให้ reward เป็นบวก ถ้าไม่ใกล้เลยหรือทำให้หุ่นยนต์ตาย (เช่น เดินไปด้านขวาแล้วเจอระเบิด) ก็ให้ reward เป็นลบ เพื่อให้การนำ หุ่นยนต์ตัวนี้มาทดสอบรอบหน้า จะทำให้หุ่นยนต์สามารถเดินได้ดีขึ้นได้</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/345/1*bGpLf0VPHh5dZxKOLEI96w.png" /><figcaption>ภาพหุ่นยนต์ ตัวอย่างจาก <a href="https://www.freecodecamp.org/news/an-introduction-to-q-learning-reinforcement-learning-14ac0b4493cc/">https://www.freecodecamp.org/news/an-introduction-to-q-learning-reinforcement-learning-14ac0b4493cc/</a></figcaption></figure><p>ซึ่งวิธีการง่ายๆที่ชาว RL ส่วนนึงนิยมใช้กันสำหรับการเก็บข้อมูล action-state คือวิธีของ <strong>Q-Learning มันคือ RL แบบ model free นั่น</strong>คือการไม่ต้องมีการ fix policy เอาไว้ว่าต้องมีอะไรบ้าง แค่เก็บ state-action คู่กันไว้ในตารางที่ชื่อ Q Table ไว้ก็พอ ตามสมการและตัวอย่างตารางตามด้านล่างนี้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*WkP0PTSA2QnnitkkfIkWeg.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*d58yogg6mMPP049OMkKyPA.jpeg" /><figcaption>ตัวอย่างตารางจาก <a href="https://www.analyticsvidhya.com/blog/2019/04/introduction-deep-q-learning-python/">https://www.analyticsvidhya.com/blog/2019/04/introduction-deep-q-learning-python/</a></figcaption></figure><p>ไอเดียของ Q Table คือ เราจะสร้างตาราง Q table ขึ้นมาเก็บเอาไว้ให้หมดว่า ถ้า state เป็น แบบนี้, action เป็นแบบนี้ เราจะให้มูลค่ากับมัน (value หรือก็คือ reward) อยู่เท่าไหร่ เพื่อตามหา value สูงสุดในการออก action ออกมา เช่น ถ้าเป็นหุ่นยนต์ด้านบน state คือทุกช่องบนกระดาน และ action คือ up, down, right, left เราก็เอา state มาคูณกับจำนวน action และกลายเป็นจำนวนแถวของตารางนี้ขึ้นมาได้</p><p>ทีนี้ จุดอ่อนของ RL แนวนี้คือ Q Table จำเป็นต้องเก็บ state และ action ทั้งหมดเอาไว้ ซึ่งถ้า Bot ที่ไม่ได้มีความ complex มาก Q Learning ก็อาจจะเพียงพอ แต่พอ senario ที่มีความ complex มาก เช่น เคสที่เราจะทำกับกราฟราคาหุ้น ลองนึกถึงว่า ราคาก่อนหน้าวันปัจจุบัน มีผลต่อการออก action ในตอนปัจจุบันทั้งหมด นึกถึง action กับ state ที่เป็นไปได้ แค่คิดก็ปวดหัวและครับว่าควรกำหนดมันยังไงบ้าง</p><p>มันก็เลยมีสิ่งหนึ่งที่ช่วยมาเติมเต็มความสามารถของ Q Learning นั่นก็คือ Deep Q Learning คือการเปลี่ยน Q Table จากเดิมที่เก็บเป็นตาราง ไปเก็บใหม่ในรูปแบบของ Neuron network แทน</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*sjM-_LhpBNIg5Kb8fOAmhw.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/650/1*7YaeVSDiv9kg7B69GxbTWA.png" /><figcaption>Deep Q Reinforcement Learning ภาพจาก <a href="https://www.novatec-gmbh.de/en/blog/deep-q-networks/">https://www.novatec-gmbh.de/en/blog/deep-q-networks/</a></figcaption></figure><p>เราจะใช้ไอเดียของ Neural network มาแทน Policy function และ table ที่อยู่ด้านบน ออกมาเป็น Neural network ที่เราจะทำการเก็บเพียงค่า weight ใน Neural network เอาไว้แทน</p><p>เดี๋ยวเราจะมาลองใช้ Deep Q RL ในการทำเรื่องนี้กันในการสร้าง DNN policy ที่สามารถ Trade ออกมาได้</p><h4>เราจะมาลอง Train กันและ</h4><p>อย่างแรกสุด ผมต้องทำให้ bot ทั้ง 4 ตัวพร้อมลงสนามก่อน สำนักที่ 1 (Technical Analysis), 2 (Fair price) จะไม่มีการ Train เกี่ยวข้องเนื่องจากใช้เพียงสมการคณิตศาสตร์ในการคำนวนเท่านั้น ส่วนสำนักที่ 3 (LSTM) กับ 4 (Deep Q RL) ผมจะ setting ไว้แบบนี้</p><ul><li>ผมจะเตรียม datatest ของ bitcoin (ซึ่งผมหยิบมาจาก kaggle) ในนั้นจะมีข้อมูลของปี 2020 และ 2021 อยู่ https://www.kaggle.com/datasets/prasoonkottarathil/btcinusd</li><li>ผมจะใช้ข้อมูลของปี 2020 เป็นตัวตั้งในการ Train ทั้ง 2 AI ในสำนักที่ 3 (LSTM) และ 4 (Deep Q RL) และให้ทั้งคู่ไปทำการทดสอบ model ตัวเองผ่านการ Trade ข้อมูลปี 2021 แทน (เพื่อกันการ overfitting ของการใช้ข้อมูล)</li><li>ข้อมูลที่เราจะใช้คำนวนทั้งหมดจะเป็น “ราคาปิด (close)” ของ ตลาด ณ วันนั้นๆ แบบ daily เนื่องจากสมเหตุสมผลที่จะนำไปใช้จริงกว่า เพราะถ้าเราลองเอาสิ่งนี้ไปใช้จริงแบบ realtime เราจะพยายามยึดตามราคาปัจจุบัน (ซึ่งก็คือราคาปิดขณะใช้งาน) เพื่อสร้าง Strategy อยู่แล้ว</li></ul><p>ก่อนจะเริ่ม train ผมจะทำการ import dataset เข้ามาใส่ dataframe โดยใช้ pandas ไว้ และทำการแยก dataframe ของปี 2020 (สำหรับ Train) และปี 2021 (สำหรับการทดสอบ) ออกมา</p><pre># ดึง dataset เข้ามา<br>import pandas as pd<br>file_path = &#39;/path_to_file/datasets/BTC-Daily.csv&#39;<br>df = pd.read_csv(file_path)<br><br># แปลง dataset เป็น format date และ filter date 2020 และ 2021 ออกจากกัน<br>df[&#39;c_date&#39;] = pd.to_datetime(df[&#39;date&#39;])<br>df_2020 = df[df[&#39;c_date&#39;].dt.year == 2020]<br>df_2021 = df[df[&#39;c_date&#39;].dt.year == 2021]</pre><p>และนี่คือหน้าตา dataset โดยประมาณซึ่งเราจะสนใจเพียงแค่ 2 field เท่านั้นคือ</p><ul><li>date = วัน/เวลา ของข้อมูล (เนื่องจากข้อมูลเป็น daily วันเวลาก็จะเป็นเที่ยงคืนของแต่ละวัน)</li><li>close = ราคาปิดของแต่ละวัน</li></ul><p>field ที่เหลือเราจะไม่สนใจเลย เพราะเราจะเล่นกับราคาปิดแค่นั้น</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*MAQrR8vZyfl9izaOOaTgwg.png" /></figure><p>ให้ดูกราฟ data close ของปี 2020 (ทางซ้าย) และ 2021 (ทางขวา) เทียบกันครับ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/989/1*2c89ODE1-rbc3oe9ERZfJg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/990/1*AlRF4NZyR6-aYrBUI2PGeg.png" /></figure><p>อย่างที่เห็นครับ data ปี 2020 กับ 2021 นี่ ทิศทางบางจุดจะเหมือนกันคือขึ้นเป็น Bull Market เหมือนกัน แต่จะมีลักษณะ trend ระหว่างกลางที่ไม่เหมือนกัน ซึ่งเดี๋ยวเราจะมาลองดูกันว่ามันทำได้ดีกันแค่ไหน</p><p>มาเริ่ม Train สำนักที่ 3 LSTM กันก่อน</p><p>นี่คือภาพอย่างง่ายของ LSTM ที่เราจะทำ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*kIpCYtbUu4dLPoLy_u8YVQ.png" /><figcaption>ภาพอย่างง่ายของสิ่งที่เราจะทำ</figcaption></figure><p>หลักการคือ เราจะทำการ normalized ข้อมูลก่อนเข้า Train หลังจากนั้น เราจะไล่ loop ข้อมูลราคาบนกราฟ ทุกๆ 5 วัน (วันที่ 1–5, 2–6, ไปเรื่อยๆ) แล้วเอาราคา 5 วันนั้นเข้า LSTM เพื่อทำการ train ข้อมูลและ tune parameter ออกมา และสุดท้าย ก็นำ model ที่ผ่านการ train แล้ว (ข้อมูลปี 2020) มา predict ราคาใหม่ (ในปี 2021) ใส่ dataframe กลับไป</p><p>code ที่ใช้</p><pre>from sklearn.preprocessing import MinMaxScaler<br>from tensorflow.keras.models import Sequential<br>from tensorflow.keras.layers import LSTM, Dense<br>from tensorflow.keras.optimizers import Adam<br><br># Preprocess the data<br>scaler = MinMaxScaler()<br><br># กำหนดให้ df_2020 คือข้อมูล Bitcoin รายวันปี 2020<br># df_2021 คือข้อมูล Bitcoin รายวันปี 2021<br><br>df_2020[&#39;close_normalized&#39;] = scaler.fit_transform(df_2020[[&#39;close&#39;]])<br><br>df_2021_test = pd.concat([df_2021, df_2020[0:5]])<br>df_2021_test[&#39;close_normalized&#39;] = scaler.fit_transform(df_2021_test[[&#39;close&#39;]])<br><br># Function to create sequences and labels for LSTM<br>def create_sequences(data, sequence_length):<br>    sequences = []<br>    labels = []<br><br>    for i in range(len(data) - sequence_length):<br>      if i + sequence_length &gt;= len(data):<br>        break<br><br>      sequences.append(data[i:i+sequence_length])<br>      labels.append(data[i+sequence_length])<br><br>    return np.array(sequences), np.array(labels)<br><br># LSTM parameters<br>sequence_length = 5  # Adjust this parameter to define the length of the input sequences<br>num_features = 1  # We are using only the &#39;price&#39; column, so the number of features is 1<br>batch_size = 1<br>epochs = 10<br><br># Create sequences and labels<br>train_sequences, train_labels = create_sequences(df_2020[&#39;close_normalized&#39;].values, sequence_length)<br><br># Build LSTM model<br>model = Sequential()<br>model.add(LSTM(50, input_shape=(sequence_length, num_features)))<br>model.add(Dense(1))<br>model.compile(optimizer=Adam(learning_rate=0.001), loss=&#39;mean_squared_error&#39;)<br><br># Train the model<br>model.fit(train_sequences, train_labels, batch_size=batch_size, epochs=epochs, verbose=1, callbacks=[tensorboard_callback])<br><br># Predict ปี 2021<br>test_sequences, test_labels = create_sequences(df_2021_test[&#39;close_normalized&#39;].values, sequence_length)<br><br># Use the model to predict Bitcoin prices<br>predicted_prices_normalized = model.predict(test_sequences)<br>predicted_prices = scaler.inverse_transform(predicted_prices_normalized)<br><br>df_2021[&#39;predicted_prices_lstm&#39;] = predicted_prices</pre><p>ผลลัพธ์ที่เกิดขึ้น ลองนำมา plot กราฟ เทียบราคาดู</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/990/1*vO4BMh1EQkZluk9lMutdqw.png" /></figure><p>ขอต๊ะไว้ประมาณนี้ก่อน เดี๋ยวเราจะกลับมาคุยกันต่อ ไป Train ต่อที่สำนักที่ 4 Deep Q RL กัน</p><p>ภาพอย่างง่ายของส่ิงที่เราจะทำ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*nTXl0J3uC5kfEdCH8WvfVg.png" /></figure><p>เราจะทำการสร้าง Agent มาหนึ่งตัว (เดี๋ยวเราจะประกาศเป็น Class ใน python ไว้) และเราจะเพิ่ม Neuron network ตัวหนึ่ง (ใน code คือ model) ใส่ไว้เป็นเหมือนสมองของ Agent ที่จะพิจารณาว่า action 3 อย่างคือ ซื้อ, ขาย และ ถือ (a1, a2, a3 ตามภาพบน) อันไหนมีมูลค่าสูงสุดสำหรับ state นี้ ก็จะสามารถทำการเลือกใช้ action นั้นได้ และใส่ function สำหรับการ Train / Trade ไว้เพื่อให้ Agent ที่กำลังทดลอง Trade สามารถ tune parameter ระหว่างการ Trade ได้</p><p>โดยเริ่มต้นเราจะกำหนดค่า epsilon เอาไว้ เพื่อเป็นตัวบอกว่า ถ้าเกิด Agent นี้เพิ่งเริ่มเรียนรู้แรกๆ ก็มั่วไปเลย จนกว่าค่า epsilon จะเล็กลงเรื่อยๆจน Agent เราดีพอที่จะเอา Model มาลองใช้ Trade เองและงและ Tune ต่อได้ (อารมณ์ สุ่มลองผิดลองถูกก่อน ว่าแบบไหนกำไรมาก กำไรน้อย ถ้าเจอทางที่ใช่แล้ว ค่อยไปต่อกัน)</p><p>ผมจะแยกเป็น 2 section คือ สร้าง class AI Trader ที่เป็นตัวแทนของ Agent</p><pre>import math<br>import random<br><br>import matplotlib.pyplot as plt<br>import pandas_datareader as data_reader<br>import tensorflow as tf<br><br>from tqdm import tqdm_notebook, tqdm<br>from collections import deque<br><br>from tensorflow.keras.models import Sequential<br>from tensorflow.keras.layers import LSTM, Dense<br>from tensorflow.keras.optimizers import Adam<br><br>class AI_Trader():<br><br>  def __init__(self, state_size, action_space=3, model_name=&quot;AITrader&quot;):<br>    self.state_size = state_size<br>    self.action_space = action_space<br>    self.memory = deque(maxlen=2000)<br>    self.inventory = []<br>    self.model_name = model_name<br>    self.model = self.model_builder()<br><br>    self.gamma = 0.95<br>    self.epsilon = 1.0<br>    self.epsilon_final = 0.01<br>    self.epsilon_decay = 0.995<br><br>  def model_builder(self):<br>    model = Sequential()<br>    model.add(Dense(units=32, activation=&#39;relu&#39;, input_dim=self.state_size))<br>    model.add(Dense(units=64, activation=&#39;relu&#39;))<br>    model.add(Dense(units=128, activation=&#39;relu&#39;))<br>    model.add(Dense(units=self.action_space, activation=&#39;linear&#39;))<br>    model.compile(loss=&#39;mse&#39;, optimizer=Adam(learning_rate=0.001))<br>    return model<br><br>  def trade(self, state):<br>    if random.random() &lt;= self.epsilon:<br>      return random.randrange(self.action_space)<br><br>    return np.argmax(self.model.predict(state)[0])<br><br>  def batch_train(self, batch_size):<br>    batch = []<br>    for i in range(len(self.memory) - batch_size + 1, len(self.memory)):<br>      batch.append(self.memory[i])<br><br>    for state, action, reward, next_state, done in batch:<br>      reward = reward<br>      if not done:<br>        reward = reward + self.gamma * np.amax(self.model.predict(next_state)[0])<br><br>      target = self.model.predict(state)<br>      target[0][action] = reward<br><br>      self.model.fit(state, target, epochs=1, verbose=0)<br><br>    if self.epsilon &gt; self.epsilon_final:<br>      self.epsilon *= self.epsilon_decay</pre><p>และ code สำหรับการ Train (โดยใช้จากข้อมูลปี 2020) มาทำการทดสอบการ Trade ซ้ำและ Tune parameter ไปเรื่อยๆ</p><pre>data = list(df_2020[&#39;close&#39;])[::-1]<br>data_samples = len(data) - 1<br><br>window_size = 10<br>episodes = 1<br><br>batch_size = 32<br><br>trader = AI_Trader(window_size)<br>trader.model.summary()<br><br>def sigmoid(x):<br>    return 1 / (1 + math.exp(-x))<br><br>def state_creator(data, timestep, window_size):<br>  starting_id = timestep - window_size + 1<br><br>  if starting_id &gt;= 0:<br>    windowed_data = data[starting_id:timestep+1]<br>  else:<br>    windowed_data = (-1*starting_id) * [data[0]] + list(data[0:timestep+1])<br><br>  state = []<br><br>  for i in range(window_size -1):<br>    state.append(sigmoid(windowed_data[i+1] - windowed_data[i]))<br><br>  return np.array([state])<br><br># Train จากปี 2020<br>for episode in range(1, episodes + 1):<br><br>  print(&quot;Episode: {}/{}&quot;.format(episode, episodes))<br><br>  state = state_creator(data, 0, window_size + 1)<br><br>  total_profit = 0<br>  trader.inventory = []<br><br>  for t in tqdm(range(data_samples)):<br><br>    action = trader.trade(state)<br><br>    next_state = state_creator(data, t+1, window_size + 1)<br>    reward = 0<br><br>    if action == 1: #Buying<br>      trader.inventory.append(data[t])<br>      print(&quot;AI Trader bought: &quot;, data[t])<br><br>    elif action == 2 and len(trader.inventory) &gt; 0: #Selling<br>      buy_price = trader.inventory.pop(0)<br><br>      reward = max(data[t] - buy_price, 0)<br>      total_profit += data[t] - buy_price<br>      print(&quot;AI Trader sold: &quot;, data[t], &quot; Profit: &quot; + str(data[t] - buy_price))<br><br>    if t == data_samples - 1:<br>      done = True<br>    else:<br>      done = False<br><br>    trader.memory.append((state, action, reward, next_state, done))<br><br>    state = next_state<br><br>    if done:<br>      print(&#39;=== Total profit = &#39;, total_profit)<br><br>    if len(trader.memory) &gt; batch_size:<br>      trader.batch_train(batch_size)</pre><p>เมื่อ Train สำนักที่ 3 และ 4 เรียบร้อยตอนนี้เหล่า bot ของเราก็พร้อมสำหรับการแข่งขันครั้งนี้แล้ว</p><h4>Backtesting — Setting การแข่งขันกันหน่อย</h4><p>ผมจะสมมุติว่า ทั้ง 4 หน่อ (จาก 4 สำนัก) เป็นนัก day trade มือฉมัง โจทย์ของพวกเขาคือ</p><ul><li>มีเงินไม่จำกัด (เราจะปลดล็อคสกิลเงินอมตะให้กับทุกคน)</li><li>จะเทรดให้มากที่สุดเท่าที่ทำได้ มีโอกาสซื้อต้องซื้อ มีโอกาสขายต้องขาย</li><li>การซื้อขายทุกครั้งจะซื้อเต็มจำนวน 1 ชิ้นเสมอ เช่น ถ้าเกิดสัญญาณซื้อ เราจะถือว่าซื้อทั้งสิ้น 1 Bitcoin ที่ราคานั้น และการขายก็ขายเต็ม 1 Bitcoin เช่นเดียวกัน (เพื่อให้ง่ายตอนการคำนวน)</li><li>หากครบปี ไม่สามารถเกิดสัญญาณขายได้จน Bitcoin หมด stock = ต้องเทขายทั้งหมดตอนวันสุดท้ายของปี</li><li>กำไร / ขาดทุน วัดจาก จังหวะที่ขาย โดยเอา ราคา Bitcoin ตอนขาย — ราคา Bitcoin ตอนซื้อ และนำกำไร / ขาดทุน ทุกจุดรวมกัน เป็น กำไรสุทธิ (Profit) ของการแข่งขันครั้งนี้</li><li>ผลลัพธ์จะบอกจำนวนการ Trade (จำนวนของการซื้อขายที่เกิดขึ้น) เอาไว้ด้วย แต่ในการทดลองนี้ ผมจะมองว่า การ Trade ทุกครั้ง “ไม่มีค่าธรรมเนียม” มาเกี่ยวข้อง</li></ul><h4>Strategry ของแต่ละวิธี</h4><p>สำนักที่ 1 Technical Analysis ผมจะใช้ EMA 10 (เนื่องจากข้อมูลเกลี่ยนแปลงไว เลยเอาเฉลี่ยแค่ 10 วันพอ) และ RSA มาผสมกัน โดย</p><ul><li>ซื้อ เมื่อ ราคาปิดของวันปัจจุบัน มากกว่า ราคา EMA 50 และ RSA &gt; 60</li><li>ขาย เมื่อ ราคาปิดของวันปัจจุบัน น้อยกว่า ราคา EMA 50 และ RSA &lt; 20</li></ul><p>code ที่ใช้</p><pre># Calculate Exponential Moving Average (EMA)<br>def calculate_ema(data, period):<br>    return data[&#39;close&#39;].ewm(span=period, adjust=False).mean()<br><br># Calculate Relative Strength Index (RSI)<br>def calculate_rsi(data, period=14):<br>    delta = data[&#39;close&#39;].diff()<br>    gain = delta.where(delta &gt; 0, 0)<br>    loss = -delta.where(delta &lt; 0, 0)<br>    avg_gain = gain.rolling(window=period).mean()<br>    avg_loss = loss.rolling(window=period).mean()<br>    rs = avg_gain / avg_loss<br>    rsi = 100 - (100 / (1 + rs))<br>    return rsi<br><br><br># ได้ราคา EMA ทั้งสายมา<br>df_ema = calculate_ema(df_2021, 10)<br><br># ได้ราคา RSI ทั้งสายมา<br>df_rsa = calculate_rsi(df_2021)</pre><p>ข้อมูลออกมาหน้าตาประมาณนี้ สีแดงคือกราฟ RSI (scale อยู่ทางด้านขวา) และ เส้นสีส้มคือ EMA 10</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/989/1*JW2IbZ6Vyktb7h_FdHbIBQ.png" /></figure><p>สำนักที่ 2 Fair price เราจะกำหนดแต่ละ Parameter ในสมการตามนี้</p><ul><li>S (Strike price) = ราคาสุดท้ายของข้อมูลที่มี คูณ 3 (ซึ่งคูณ 3 นี้เป็นเลขที่เกิดจากการทดลองของผมเลยนะครับ)</li><li>r (Risk free rate) = 0.05 (fix ตามหลายๆแหล่งแนะนำ)</li><li>T (Time to expiration in year) = 1 / 365 (ตัวเลขที่ใส่ตรงนี้เป็นเลขปี ผมเลยเอาหาร 365 ให้กลายเป็น 1 วันที่สามารถเทรดได้)</li><li>σ (Volatility) = sd ของ percent ของ close price ทั้งหมดของข้อมูล</li></ul><p>code ที่ใช้</p><pre>from mibian import BS<br><br># Function to calculate the fair price of a call option using Black-Scholes model<br>def calculate_option_price(current_price, strike_price, time_to_expiry, risk_free_rate, volatility):<br>    option = BS([current_price, strike_price, risk_free_rate, time_to_expiry], volatility=volatility)<br>    return option.callPrice, option.putPrice<br><br># Function to calculate annualized volatility<br>def calculate_volatility(prices):<br>    returns = prices.pct_change()<br>    volatility = returns.std()<br>    return volatility<br><br># Calculate annualized volatility<br>volatility = calculate_volatility(df_2021[&#39;close&#39;])<br>print(&quot;volatility&quot;, volatility)<br><br># Black-Scholes parameters<br>spot_price = df_2021[&#39;close&#39;].iloc[-1]  # Use the last price as the spot price<br>strike_price = spot_price * 3<br>risk_free_rate = 0.05  # Set the risk-free rate based on market conditions<br>time_to_expiry = 1 / 365  # Assuming a one-year option<br><br># Add new columns to the DataFrame to store call and put option prices<br>df_2021[&#39;Call_Option_Price&#39;] = 0<br>df_2021[&#39;Put_Option_Price&#39;] = 0<br><br>i = 0<br># Loop through the DataFrame and calculate option prices for each date<br>for index, row in df_2021.iterrows():<br>    current_price = row[&#39;close&#39;]<br>    call_option_price, put_option_price = calculate_option_price(current_price, strike_price, time_to_expiry, risk_free_rate, volatility)<br><br>    df_2021.at[index, &#39;call_option_price&#39;] = call_option_price<br>    df_2021.at[index, &#39;put_option_price&#39;] = put_option_price<br>    i += 1</pre><p>ทีนี้ก่อนจะ set strategy trade ผมลองเอามา plot graph ดู</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/990/1*4AXCKYnQyQeIgeloFq31ng.png" /></figure><p>ปรากฎว่า call action (ที่ควรจะเป็นสัญญาณซื้อ) ผมทำยังไงก็ไม่สามารถ plot ออกมาได้ และ กว่าผมจะเจอ put acion (ที่ควรจะเป็นสัญญาณบอกว่าขาย) ก็ต้องใส่ strike price ถึงคูณ 3 อย่างที่บอกไปตอนแรก ผมเลยตัดสินใจสร้างสัญญาณซื้อขายแบบ “มั่วๆ” ตามสไตล์ของผมเลยคือ</p><ul><li>ซื้อ เมื่อ ราคาน้อยกว่าราคา Put price</li><li>ขาย เมื่อ ราคามากกว่าราคา Put price</li></ul><p>สำนักที่ 3 LSTM ตอนแรกผมพยายาม set ให้ไอเดียใกล้เคียงกันกับข้อที่ 2 คือ ซื้อเมื่อราคาถูกกว่าราคาทำนาย (แปลว่ามีแนวโน้มจะราคาขึ้น) และ ขายเมื่อราคาต่ำกว่าราคาทำนาย (แปลว่ามีแนวโน้มจะราคาลง) ปรากฎว่า “ขาดทุนเละเทะ” ซึ่งผมคิดว่ามันน่าจะไม่ได้สร้างมาเพื่อจุดประสงค์ในการทำแบบนี้ ผมเลยก็ตัดสินใจเปลี่ยนเป็น</p><ul><li>ซื้อ เมื่อ ราคา “ทำนาย” ของวันปัจจุบัน มากกว่า ราคา EMA 10 และ RSA &gt; 60</li><li>ขาย เมื่อ ราคา “ทำนาย” ของวันปัจจุบัน น้อยกว่า ราคา EMA 10 และ RSA &lt; 20</li></ul><p>โดยใช้ราคาทำนายมาทำกราฟ EMA 10 และ RSA แทน ก็คือเอาสำนักที่ 1 มาใช้แต่เปลี่ยนจากราคาปิดจริง เป็น ราคาทำนายแทนนั่นเอง</p><p>ส่วนสำนักที่ 4 Deep Q RL นั่นมันคิดจุดซื้อขายของมันเองอยู่แล้ว ผมคงปล่อยให้ Agent มันตัดสินใจเลยว่า</p><ul><li>ซื้อ เมื่อมันว่าอยากซื้อ</li><li>ขาย เมื่อมันว่าอยากขาย</li></ul><p>ตามนั้นเลย 555</p><p>และนี่คือตารางสรุปทั้ง 4 วิธี</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*q5VabJ5XWic1MdlVGlSXrQ.png" /><figcaption>ตารางทั้ง 4 วิธี</figcaption></figure><h4>ทดสอบกันแต่ละวิธี</h4><p>ได้เวลาที่เราจะลอง run backtracking test ของแต่ละสำนักกันและ</p><p>สำนักที่ 1 — Technical Analysis<br>Code ที่ใช้</p><pre># Bot action for 1.<br># ถ้า RSA น้อยกว่า 20 และ กราฟต่ำกว่า EMA = ซื้อ (จะซื้อเรื่อยๆจนหมด)<br># ถ้า RSA มากกว่า 60 และ กราฟอยู่สูงกว่า EMA = ขาย (จะขายเรื่อยๆจนหมด)<br><br>inventories = []<br>profit = 0<br>trade_count = 0<br>last_price = -1<br><br>for i in range(len(df_2021) - 1, 0, -1):<br>  close_price = df_2021.iloc[i][&#39;close&#39;]<br>  ema_price = df_ema.iloc[i]<br>  last_price = close_price<br>  if df_rsa.iloc[i] &lt;= 20 and close_price &lt;= ema_price:<br>    inventories.append(close_price)<br>  elif len(inventories) &gt; 0 and df_rsa.iloc[i] &gt;= 60 and close_price &gt;= ema_price:<br>    selected_price = inventories.pop(0)<br>    profit += (close_price - selected_price)<br>    # print(&#39;sell date = &#39;, df_2020.iloc[i][&#39;date&#39;], &#39;close at&#39;, selected_price, close_price)<br>    trade_count += 1<br><br>print(&#39;จำนวน Bitcoin ที่เหลือวันสุดท้าย&#39;, len(inventories))<br>print(&#39;ราคาซื้อที่เหลืออยู่:&#39;, inventories)<br><br>while len(inventories) &gt; 0:<br>  selected_price = inventories.pop(0)<br>  profit += (last_price - selected_price)<br>  trade_count += 1<br><br>print(&#39;กำไร = &#39;, profit, &#39;, จำนวนการ Trade = &#39;, trade_count)</pre><p>ผลลัพธ์ที่เกิดขึ้น</p><pre>จำนวน Bitcoin ที่เหลือตอนสุดท้าย 0<br>กำไร =  548793.18 , จำนวนการ Trade =  25</pre><p>สำนักที่ 2 — Black Schole model</p><p>Code ที่ใช้</p><pre># Bot for action 2<br># ตามหลักเราควรใช้ Call action ในการหาราคาเข้าซื้อ<br># แต่เนื่องจากเราตีกราฟ Call action ออกมาไม่ได้ (ซึ่งไม่แน่ใจว่าทำไมเหมือนกัน)<br># ใช้ Put action แล้วกลับสัญญาณแทน โดย ถ้า<br># - ราคาน้อยกว่า Put action = ซื้อ<br># - ราคามากกว่า Put action = ขาย<br><br>inventories = []<br><br>profit = 0<br>trade_count = 0<br>last_price = -1<br><br>for i in range(len(df_2021) - 1, 0, -1):<br>  close_price = df_2021.iloc[i][&#39;close&#39;]<br>  last_price = close_price<br>  theorical_price = df_2021.iloc[i][&#39;put_option_price&#39;]<br>  if close_price &lt; theorical_price:<br>    inventories.append(close_price)<br>  elif len(inventories) &gt; 0 and close_price &gt; theorical_price:<br>    select_price = inventories.pop(0)<br>    profit += close_price - select_price<br>    trade_count += 1<br><br>print(&#39;จำนวน Bitcoin ที่เหลือตอนสุดท้าย&#39;, len(inventories))<br>print(&#39;ราคาซื้อที่เหลืออยู่:&#39;, inventories)<br><br>while len(inventories) &gt; 0:<br>  select_price = inventories.pop(0)<br>  profit += last_price - select_price<br>  trade_count += 1<br><br>print(&#39;กำไร =&#39;, profit, &#39;จำนวนการ Trade =&#39;, trade_count)</pre><p>ผลลัพธ์ที่เกิดขึ้น</p><pre>จำนวน Bitcoin ที่เหลือตอนสุดท้าย 0<br>กำไร = 2205825.16 จำนวนการ Trade = 131</pre><p>สำนักที่ 3 — Deep Learning</p><p>Code ที่ใช้</p><pre># bot for action 3<br># ซื้อเมื่อ ราคา prediect &gt; EMA 10 และ RSI &gt; 60<br># ขายเมื่อ ราคา prediect &lt; EMA 10 และ RSI &lt; 20<br><br># Calculate Exponential Moving Average (EMA)<br>def calculate_ema(data, period):<br>    return data[&#39;predicted_prices_lstm&#39;].ewm(span=period, adjust=False).mean()<br><br># Calculate Relative Strength Index (RSI)<br>def calculate_rsi(data, period=14):<br>    delta = data[&#39;predicted_prices_lstm&#39;].diff()<br>    gain = delta.where(delta &gt; 0, 0)<br>    loss = -delta.where(delta &lt; 0, 0)<br>    avg_gain = gain.rolling(window=period).mean()<br>    avg_loss = loss.rolling(window=period).mean()<br>    rs = avg_gain / avg_loss<br>    rsi = 100 - (100 / (1 + rs))<br>    return rsi<br><br>profit = 0<br>inventories = []<br>trade_count = 0<br><br>df_ema_lstm = calculate_ema(df_2021, 10)<br>df_rsi_lstm = calculate_rsi(df_2021)<br><br>inventories = []<br>profit = 0<br>trade_count = 0<br>last_price = -1<br><br>for i in range(len(df_2021) - 1, 0, -1):<br>  close_price = df_2021.iloc[i][&#39;close&#39;]<br>  predict_price = df_2021.iloc[i][&#39;predicted_prices_lstm&#39;]<br>  ema_price = df_ema_lstm.iloc[i]<br>  last_price = close_price<br><br>  if df_rsi_lstm.iloc[i] &lt;= 20 and predict_price &lt;= ema_price:<br>    inventories.append(close_price)<br>  elif len(inventories) &gt; 0 and df_rsi_lstm.iloc[i] &gt;= 60 and predict_price &gt;= ema_price:<br>    selected_price = inventories.pop(0)<br>    profit += (close_price - selected_price)<br>    # print(&#39;sell date = &#39;, df_2020.iloc[i][&#39;date&#39;], &#39;close at&#39;, selected_price, close_price)<br>    trade_count += 1<br><br>print(&#39;จำนวน Bitcoin ที่เหลือตอนสุดท้าย&#39;, len(inventories))<br>print(&#39;ราคาซื้อที่เหลืออยู่:&#39;, inventories)<br>print(&#39;ราคา ณ วันสุดท้าย:&#39;, close_price)<br><br>while len(inventories) &gt; 0:<br>  selected_price = inventories.pop(0)<br>  profit += (last_price - selected_price)<br>  trade_count += 1<br><br>print(&#39;กำไร =&#39;, profit, &#39;,จำนวนการ Trade = &#39;, trade_count)</pre><p>ผลลัพธ์ที่เกิดขึ้น</p><pre>จำนวน Bitcoin ที่เหลือตอนสุดท้าย 2<br>ราคาซื้อที่เหลืออยู่: [62301.59, 61932.3]<br>ราคา ณ วันสุดท้าย: 47150.71<br>กำไร = 746805.7599999998 ,จำนวนการ Trade =  88</pre><p>** แน่นอนครับ มันเป็น AI ทุกรอบที่ run model มีแนวโน้มว่าเราจะได้คำตอบของราคาทำนายมาไม่เหมือนกัน ไม่ต้องแปลกใจหากลองนำ code ไปรันเองแล้วได้ผลลัพธ์ไม่ตรงกันนะ</p><p>สำนักที่ 4— Deep Q Reinforcement learning</p><p>Code ที่ใช้</p><pre># สนามต่อสู้จริง 2021<br>data_2021 = list(df_2021[&#39;close&#39;])[::-1]<br>data_samples_2021 = len(data) - 1<br><br>state = state_creator(data_2021, 0, window_size + 1)<br><br>profit = 0<br>trade_count = 0<br><br>trader.inventory = []<br><br>for t in tqdm(range(data_samples_2021)):<br>  action = trader.trade(state)<br><br>  if action == 1: #Buying<br>    trader.inventory.append(data_2021[t])<br>    print(&quot;AI Trader bought: &quot;, data_2021[t])<br><br>  elif action == 2 and len(trader.inventory) &gt; 0: #Selling<br>    buy_price = trader.inventory.pop(0)<br><br>    reward = max(data[t] - buy_price, 0)<br>    profit += data_2021[t] - buy_price<br>    trade_count += 1<br>    print(&quot;AI Trader sold: &quot;, data_2021[t], &quot; Profit: &quot; + str(data_2021[t] - buy_price) )<br><br>  # go to next state<br>  state = state_creator(data, t+1, window_size + 1)<br><br>  if t == data_samples - 1:<br>    done = True<br>  else:<br>    done = False<br><br>  if done:<br>    print(&#39;จำนวน Bitcoin ที่ยังเหลือตอนสุดท้าย&#39;, len(trader.inventory))<br>    print(&#39;ราคาซื้อที่เหลืออยู่:&#39;, trader.inventory)<br><br>    while len(trader.inventory) &gt; 0:<br>      last_price = data_2021[-1]<br>      buy_price = trader.inventory.pop(0)<br>      profit += last_price - buy_price<br><br>    print(&#39;กำไร = &#39;, profit, &#39;จำนวนการ Trade = &#39;, trade_count)</pre><p>ผมจะเทรนเพียงแค่ 3 episode พอ เนื่องจากการเทรนแต่ละรอบใช้เวลานานพอสมควร</p><p>ผลลัพธ์ที่เกิดขึ้น</p><pre>จำนวน Bitcoin ที่เหลือตอนสุดท้าย 8<br>กำไร =  30494.169999999955 จำนวนการ Trade = 38</pre><p>เอาจริงๆนะครับ ผลลัพธ์ของสำนักที่ 4 นี่แกว่งมาก ซึ่งผมคิดว่าน่าจะเกิดจาก Model ที่ผมใช้ด้ว ผมลองเทรนสลับกันไปมา ได้กำไร ขาดทุน สลับกันตลอด</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KDXuRYT2uspqN5iiiqT1Qw.png" /></figure><p>ดังนั้นผู้ชนะในการแข่งขันครั้งนี้คือ <strong>สำนักที่ 2 — Black Schole model !</strong></p><p>ทุกคนสามารถเข้าไปสำรวจ code เราได้ที่นี่ (เผื่อว่าใครอาจจะเจอว่าเราคำนวนสิ่งใดไม่ถูกต้องได้)</p><p><a href="https://colab.research.google.com/drive/1f2vIf3qUwBHspx8Q1ESG2bhL8oLQxqty?usp=sharing">https://colab.research.google.com/drive/1f2vIf3qUwBHspx8Q1ESG2bhL8oLQxqty?usp=sharing</a></p><p>อย่าลืมนะครับทุกคน ผลการทดลองนี้ ผมใช้ข้อมูลจาก Bitcoin ปี 2021 ซึ่งถือได้ว่าเป็นยุคทองของ Bitcoin ที่มีการราคาพุ่งขึ้นไปสูงมาก เอาจริงๆผมลอง sample หลายวิธีก็เจอว่าได้กำไรเกือบทุกวิธีเลย</p><h4>เรียนรู้อะไรจากเรื่องราวนี้บ้าง</h4><p>ท้ายที่สุด ผมจะไม่สรุปนะครับ ว่าวิธีไหนเป็นวิธีที่ดีที่สุดสำหรับการ Trade เพราะวิธีที่ผมใช้นั้นค่อนข้างง่ายมาก เป้าหมายผมเพียงแค่อยากชวนทุกคนให้มาลองคิดกันดูว่า ถ้าเป็นพวกเรา เราจะสร้าง Bot ที่สามารถ Trade ออกมากันได้ยังไงกันบ้างนะครับ</p><p>สิ่งที่เกิน Expected ผมไปมาก (และทำเอาผมต้องมาเช็ค code หลายรอบมาก) คือการที่ Model คำนวน อย่าง Black Schole model สามารถเอาชนะการแข่งขันครั้งนี้ได้ เพียงแค่ผมลองปรับ factor ไปมาแค่นั้น ผมเลยคิดว่า สิ่งที่จะทำให้เราสามารถสร้าง Bot trade ที่แข่งแกร่งออกมาได้จริง มันจะอยู่ที่ผลจากการทดลองออกมาล้วนๆเลย เพราะท้ายที่สุด ถ้าผมลองปรับ Model ของ Deep learning หรือ Deep Q RL Train ให้แข็งแกร่งมากพอ มันอาจจะเอาชนะในตลาดที่สุดก็ได้นะ</p><p>ดูเป็นฉบับ video เพิ่มเติมได้ที่ https://youtu.be/5mCnhS_P99E</p><p>Reference เพิ่มเติม</p><ul><li><a href="https://www.investopedia.com/terms/b/blackscholes.asp">https://www.investopedia.com/terms/b/blackscholes.asp</a></li><li><a href="https://www.mlq.ai/deep-reinforcement-learning-for-trading-with-tensorflow-2-0/">https://www.mlq.ai/deep-reinforcement-learning-for-trading-with-tensorflow-2-0/</a></li><li><a href="https://www.freecodecamp.org/news/an-introduction-to-q-learning-reinforcement-learning-14ac0b4493cc/">https://www.freecodecamp.org/news/an-introduction-to-q-learning-reinforcement-learning-14ac0b4493cc/</a></li><li><a href="https://medium.com/@nutorbitx/reinforcement-learning-%E0%B8%AA%E0%B8%AD%E0%B8%99-ai-%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2-q-learning-%E0%B8%81%E0%B8%B1%E0%B8%99%E0%B8%94%E0%B8%B5%E0%B8%81%E0%B8%A7%E0%B9%88%E0%B8%B2-cb5e0f4a2cac">https://medium.com/@nutorbitx/reinforcement-learning-%E0%B8%AA%E0%B8%AD%E0%B8%99-ai-%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2-q-learning-%E0%B8%81%E0%B8%B1%E0%B8%99%E0%B8%94%E0%B8%B5%E0%B8%81%E0%B8%A7%E0%B9%88%E0%B8%B2-cb5e0f4a2cac</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c22fb267c2b" width="1" height="1" alt=""><hr><p><a href="https://medium.com/mikelopster/%E0%B8%AB%E0%B8%B2%E0%B8%88%E0%B8%B8%E0%B8%94%E0%B8%8B%E0%B8%B7%E0%B9%89%E0%B8%AD%E0%B8%82%E0%B8%B2%E0%B8%A2%E0%B9%83%E0%B8%99%E0%B9%82%E0%B8%A5%E0%B8%81%E0%B8%82%E0%B8%AD%E0%B8%87-bot-trade-%E0%B9%80%E0%B8%82%E0%B8%B2%E0%B8%97%E0%B8%B3%E0%B8%81%E0%B8%B1%E0%B8%99%E0%B8%A2%E0%B8%B1%E0%B8%87%E0%B9%84%E0%B8%87-%E0%B8%A1%E0%B8%B2%E0%B8%8A%E0%B8%A7%E0%B8%99%E0%B8%84%E0%B8%B4%E0%B8%94%E0%B8%9C%E0%B9%88%E0%B8%B2%E0%B8%99%E0%B8%9A%E0%B8%97%E0%B8%84%E0%B8%A7%E0%B8%B2%E0%B8%A1%E0%B8%99%E0%B8%B5%E0%B9%89%E0%B8%81%E0%B8%B1%E0%B8%99-c22fb267c2b">หาจุดซื้อขายในโลกของ Bot Trade เขาทำกันยังไง ? มาชวนคิดผ่านบทความนี้กัน</a> was originally published in <a href="https://medium.com/mikelopster">Mikelopster Blog</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Random บน Computer สุ่มแบบไหนเราถึงเรียกว่าสุ่ม ?]]></title>
            <link>https://medium.com/mikelopster/random-%E0%B8%9A%E0%B8%99-computer-%E0%B8%AA%E0%B8%B8%E0%B9%88%E0%B8%A1%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%84%E0%B8%AB%E0%B8%99%E0%B9%80%E0%B8%A3%E0%B8%B2%E0%B8%96%E0%B8%B6%E0%B8%87%E0%B9%80%E0%B8%A3%E0%B8%B5%E0%B8%A2%E0%B8%81%E0%B8%A7%E0%B9%88%E0%B8%B2%E0%B8%AA%E0%B8%B8%E0%B9%88%E0%B8%A1-eb206d30fa93?source=rss----f5fcaa29d569---4</link>
            <guid isPermaLink="false">https://medium.com/p/eb206d30fa93</guid>
            <category><![CDATA[algorithms]]></category>
            <category><![CDATA[random]]></category>
            <dc:creator><![CDATA[Tanitphon Paniwan]]></dc:creator>
            <pubDate>Sat, 08 Jul 2023 01:02:17 GMT</pubDate>
            <atom:updated>2023-07-10T02:37:19.338Z</atom:updated>
            <content:encoded><![CDATA[<h2>Random บน Computer สุ่มแบบไหนเราถึงเรียกว่าสุ่ม ?</h2><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KIyRBG7jVtQJxzCzLJrr_Q.jpeg" /></figure><h4>Table of contents</h4><ul><li><a href="#1a15">เรื่องมันเริ่มจากสุ่มของ</a></li><li><a href="#792a">มนุษย์เราสุ่มกันยังไง และ คนเมื่อก่อนสุ่มตัวเลขกันได้ยังไง</a></li><li><a href="#7a10">นิยามการสุ่ม</a></li><li><a href="#f70e">การสุ่มแบบ Pseudorandom number generator (สุ่มแบบมี Pattern)</a></li><li><a href="#1908">การสุ่มแบบ True random number generator (สุ่มแบบสุ่มจริงๆที่คอมพิวเตอร์ทำ)</a></li><li><a href="#3697">ท้ายที่สุดแล้ว วิธีไหนดีที่สุดสำหรับการสุ่มใน Computer</a></li><li><a href="#277e">ปัจจุบัน Programming language ใช้วิธีการสุ่มแบบไหนกัน</a></li><li><a href="#b7c4">เราได้เรียนรู้อะไรจากเรื่องนี้บ้าง</a></li></ul><h4>เรื่องมันเริ่มจากสุ่มของ</h4><p>เคยสงสัยกันไหมครับ เวลาที่เราทอยลูกเต๋า สุ่มหยิบการ์ดออกจากกอง หรือแม้แต่สุ่มโดยการทอยเหรียญ สิ่งนี้เมื่อย้ายเข้าไปทำงานอยู่บนคอมพิวเตอร์มันทำงานยังไง เรื่องนี้มันเกิดขึ้นตอนที่ผมพยายามจำลองการสร้าง software ของเกมๆหนึ่ง แล้วก็มาติดใจกับคำสั่ง <strong>Math.random()</strong> (ในภาษา javascript) ที่ตัวเองกำลังจะใช้ว่า เอ๊ะ แล้วการสุ่มในคอมพิวเตอร์มันทำงานยังไง ทั้งๆที่แม้แต่ตัวเราเองยังไม่สามารถอธิบายการสุ่มได้เลยว่ามันทำงานยังไง แล้วไอ <strong>Math.random()</strong> นี่มันจำลองการสุ่มแบบไหนออกมากัน มันมั่นใจได้ยังไงว่ามันสุ่มอยู่จริงๆ ก็เลยเป็นที่มาของบทความนี้แหละครับ</p><h4>มนุษย์เราสุ่มของยังไง</h4><p>สมมุติ ว่า เราลองให้ผู้อ่านนึกถึงตัวเลขใดก็ได้ 1–10 ไว้ในใจ (พูดเลขออกมาด้วยได้นะ) ทุกคนจะเจอว่า เราจะไม่สามารถอธิบายเป็นเหตุผลได้ว่า ทำไมเราถึงเลือกเลขนั้น นอกจากความรู้สึกที่มีต่อเลขนั้นแค่นั้น เช่น ช่วงนี้โชคดีกับเลขนี้, ไม่รู้สิ แค่หยิบมาเฉยๆ, ชอบ 7 เยอะๆ ก็เลยเลือก 7</p><p>ตั้งแต่ในอดีต ไม่ว่าจะเป็นการสุ่มของรับรางวัล, การสุ่มเพื่อตัดสินใจ, การสุ่มเพื่อทำนายอนาคต หรือแม้แต่การเล่นเกม เราก็ล้วนใช้ของที่จับต้องได้เป็นสื่อกลางในการสุ่มค่าออกมาหมด เพื่อให้เกิดการตัวเลขสุ่มที่ได้ออกมาเป็นไปอย่างยุติธรรมที่สุด เช่น ลูกเต๋า (ทอย 1–6), เหรียญ (คว่ำ / หงาย), หยิบเลขบอลจากกล่อง , ล้อหมุน (เอาจริง ทุกวิธีที่เล่ามาก็ยังใช้งานกันมาจนถึงปัจจุบันนี้นะ)</p><p>แต่ทีนี้เมื่อโลกเข้าสู่ยุคของการรุ่งเรืองทางวิทยาศาสตร์ ช่วงราวๆ ศตวรรษที่ 19 ซึ่งในสมัยนั้น เหล่านักวิจัยเริ่มสนใจในเรื่องการใช้ตัวเลขสุ่มมากขึ้นในงานที่เกี่ยวข้องกับวิทยาศาสตร์ และ คณิตศาสตร์มากขึ้น เนื่องจากเป็นยุคสมัยที่ผู้คนเริ่มทำการทดลอง ตัวเลขสุ่มมันก็เลยมีประโยชน์ในฐานะ <strong>“เพิ่มเงื่อนไขพิเศษที่เราควบคุมไม่ได้”</strong> เข้าไป เช่น</p><ul><li>ใช้ตัวเลขสุ่มในการกระจายการหยิบกลุ่มคนมาทดลองแบบสุ่ม จะหยิบจากเมืองไหน จะหยิบมากี่คน คนนั้นควรจะเจอแบบทดสอบแบบไหน (คล้ายๆ A/B Testing ในปัจจุบัน)</li><li>การใช้ตัวเลขสุ่มสามารถใช้ในการจำลองสถานการณ์ทางธรรมชาติต่างๆที่เราควบคุมไม่ได้ เช่น การจำลองการแพร่ระบาดของโรค การจำลองภาวะอากาศ หรือการจำลองพฤติกรรมของระบบทางธรรมชาติ ซึ่งช่วยให้นักวิทยาศาสตร์และนักคณิตศาสตร์สามารถทดสอบและพัฒนาทฤษฎีและโมเดลต่างๆ ได้</li><li>ในการวิเคราะห์ข้อมูลสถิติหรือข้อมูลที่เป็นผลลัพธ์จากการสำรวจหรือการทดลองต่างๆ การใช้ตัวเลขสุ่มช่วยให้สามารถสร้างความหลากหลายในข้อมูลและทดสอบสมมติฐานได้</li></ul><p>ซึ่งแน่นอนเมื่อเราพูดถึงช่วงเวลานั้น เรายังไม่ได้มีเครื่องสุ่มอะไรอย่างเป็นรูปธรรมออกมา วิธีการสุ่มมันก็เลยจะหลากหลายมาก เช่น ทอยลูกเต๋า, ใช้เลขทะเบียนตามร้านค้า (หรือเลขอะไรก็ตามที่เห็นก็หยิบเลขนั้นมาใช้เลย), ใช้ตัวเลขทางธรรมชาติ (เช่น ใช้เวลาการตกของฝนของวันนั้น) หรือการสร้างคำถามเพื่อให้อีกคนตอบเป็นตัวเลขสุ่มออกมา เป็นต้น ซึ่งมันก็ดูจะไม่ใช่หนทางที่ดีสำหรับนักวิจัยเท่าไหร่ (นึกภาพตัวเองที่วันๆจะต้องมาพยายามสุ่มเลข เอาจริงก็เปลืองสมองใช่เล่นเหมือนกันนะ)</p><p>ในช่วงปี 1940 จึงได้มีคนกลุ่มหนึ่งชื่อ <strong>RAND Corporation</strong> ได้สร้างหนังสือชื่อ <strong>A Million Random Digits with 100,000 Normal Deviates</strong> หนังสือเล่มนี้ไอเดียเขาคือ เราจะทำการสุ่มตัวเลขจำนวนมากมาไว้ในหนังสือเล่มนี้ ทั้งตัวเลขที่ใช้งานได้เป็นแบบตัวเลขทั่วไปเรียงกันเป็น sequence (sequence คือเรียงตัวเลขต่อกันไปเรื่อยๆ ตามภาพตัวอย่างด้านล่าง) และตัวเลข standard normal deviate (ตัวเลขค่าเบี่ยงเบนมาตรฐานที่ออกจากค่าเฉลี่ย — ที่ใช้ในสถิติ)<strong> </strong>ซึ่งตัวเลขในหนังสือก็มีจำนวนมากจริงๆนะ เพราะหนังสือมันไม่มีอะไรเลยนอกจากตัวเลขสุ่มในหนังสือประมาณ 600 หน้านี้ เบื้องหลังของตัวเลขเหล่านี้ คือการใช้ ล้อหมุน (roulette wheel) ต่อเข้ากับคอมพิวเตอร์ (ในสมัยช่วงศตวรรษที่ นั้นคอมพิวเตอร์ ผู้คนยังรู้จักในฐานะวงจรช่วยคำนวนทางคณิตศาสตร์อยู่ จะไม่เหมือนคอมพิวเตอร์ที่เรารู้จักกันในทุกวันนี้นะ) และให้สัญญาณไฟฟ้าเป็นคนหมุนแบบสุ่มที่ล้อหมุนนั้นแทน โดยตัวสัญญาณที่ส่งออกมานั้นจะเป็นการส่งสัญญาณแบบไม่มีลำดับเวลาแน่นอน<strong>และไม่สามารถทำนายล่วงหน้าได้</strong> เรียกอีกชื่อหนึ่งว่า Random pulse generator (เรียกง่ายๆว่าสัญญาณที่เกิดขึ้นแบบสุ่ม ซึ่งอาจจะเกิดจากการผสมสัญญาณหลายๆแบบที่เราเรียกกันว่า noise ผสมเข้าไปจนไม่สามารถคาดเดาได้) อันนี้เป็นวิธีการโดยประมาณนี้ที่หนังสือเล่มนี้ใช้นะ เนื่องจากหนังสือเองก็ไม่ได้เผยแพร่โดยละเอียดเช่นกันว่าตัวเองสุ่มตัวเลขออกมายังไงได้เยอะแยะขนาดนี้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*GmNuHIddfTODJTUoftrrCg.png" /><figcaption>ตัวอย่างหนังสือ “A Million Random Digits with 100,000 Normal Deviates” ดูตัวอย่างเต็มหรือใครสนใจจะสั่งซื้อไปตามได้ที่ <a href="https://www.amazon.com/Million-Random-Digits-Normal-Deviates/dp/0833030477">https://www.amazon.com/Million-Random-Digits-Normal-Deviates/dp/0833030477</a></figcaption></figure><p>ถ้ามองภาพให้ง่ายขึ้น ไอเดียของสิ่งนี้ มันคือ</p><blockquote>การสุ่ม จาก ค่าของสัญญาณไฟฟ้าแบบไม่สามารถทำนายล่วงหน้าได้ออกมาเป็นตัวเลข</blockquote><p>และนี่ก็นำมาสู่ไอเดียยุคแรกๆของการสุ่มที่คอมพิวเตอร์ที่ยังไม่ได้สลับซับซ้อนมากนัก ไอเดียนี้ก็ถูกนำมาประยุกต์ใช้กับหลายๆเคสในยุคนั้น</p><p>อย่าง E.R.N.I.E. ระบบสร้างตัวเลขสุ่มที่ใช้ในการจับรางวัลในการลุ้นหวย Premium Bond ใน UK ไอเดียโดยประมาณจะคล้ายๆกันคือ ใช้อุปกรณ์วัดค่าเสียงและประมวลผลเสียงรบกวนที่เกิดขึ้นเพื่อสร้างตัวเลขสุ่มที่ไม่สามารถทำนายล่วงหน้าได้ (อันนี้เล่าแบบง่ายๆนะ แต่วิธีการที่ทำให้ได้สัญญาณแบบสุ่มมามันหลายขั้นตอนกว่านั้นเยอะ ใครสนใจ ตามอ่านใน link ใต้ภาพได้)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*uqaAy7jO3GJOhH7CNQyd1Q.jpeg" /><figcaption>E.R.N.I.E. ภาพจาก <a href="https://ernie.virtualcolossus.co.uk/ernie.html">https://ernie.virtualcolossus.co.uk/ernie.html</a></figcaption></figure><p>หรืออย่างปี 1951 คอมพิวเตอร์อย่าง the Ferranti Mark 1 (ที่ Alan Turing มีส่วนเกี่ยวข้อง) เองก็มีเครื่องที่ทำการสร้างคำสั่งสุ่มส่งมาพร้อมกับเครื่องคอมพิวเตอร์เลย คำสั่งสุ่มนั้นสามารถสุ่มตัวเลขได้ 20 bit ในครั้งเดียวโดยใช้สัญญาณรบกวนของไฟฟ้า (noise)</p><p>ซึ่งทั้งหมดนี้ ยังคงอยู่บนพื้นฐานเดียวกันคือ</p><blockquote>การสุ่ม จาก ค่าของสัญญาณไฟฟ้าแบบไม่สามารถทำนายล่วงหน้าได้ออกมาเป็นตัวเลข</blockquote><h4>ก่อนจะไปต่อเรื่องทำให้คอมพิวเตอร์ที่เรารู้จักในปัจจุบันสุ่มได้ ตั้งคำถามกันก่อนว่า ทำยังไงเราถึงจะมั่นใจได้ว่านี่คือการสุ่ม ?</h4><p>คำถามที่สำคัญที่เราควรจะต้องตั้งคำถามก่อนที่เราจะไปยังหัวข้อต่อไปคือ</p><blockquote>การสุ่ม คือ อะไร ?</blockquote><p>จากเนื้อหาข้างบนที่เราพูดถึงตั้งแต่การสุ่มในอดีต → A Million Random Digits → E.R.N.I.E → Ferrant Mark 1 สิ่งที่เราพอจะสรุปจากเหตุการณ์เหล่านี้ได้คือ</p><blockquote>การสุ่ม คือ การเกิดขึ้นของบางสิ่งแบบไม่มี Pattern</blockquote><p>เช่น การทอยเต๋า, การโยนเหรียญ, การหยิบตัวเลขออกจากกล่อง (ดังเช่น วิธีการมาของตัวเลขหวยของประเทศเรา) หรือการหยิบ noise ของสัญญาณไฟฟ้ามา เราไม่สามารถบอก Pattern มันได้เลยว่า ทำไมต้องเป็นเลขนี้ ออกมา เราจึงสามารถเรียกสิ่งนี้ได้ว่าเป็น <strong>“การสุ่มโดยแท้จริง”</strong></p><p>ดูเผินๆก็เหมือนโลกเราจะค้นพบการสุ่มเรียบร้อยแล้วตั้งแต่ช่วงกลางศตวรรษที่ 19 เรามีเครื่องที่สามารถสุ่มได้จากสัญญาณไฟฟ้า และเราก็ได้ตัวเลขสุ่มออกมาแล้วและสามารถตอบโจทย์การสุ่มได้แล้ว เราจะเขยิบตัวเองกันอีกนิดไปในยุคที่เริ่มมีการพูดถึง Program (หรือ Software) กัน</p><h4>จุดเริ่มต้นของการสุ่มแบบ Pseudorandom number generator</h4><p>ทีนี้ถ้าเราลองย้อนกลับไปดูเครื่องสุ่มอย่างตอน A Million Random จนถึง Ferttani Mark 1 เราจะค้นพบอีกหนึ่งอย่างเช่นกันว่า <strong>“ทำไมการสุ่มมันสร้างขึ้นมายากเช่นนี้”</strong> มันไม่ใช่เพียงแค่การสร้างของชิ้นหนึ่งแล้วสุ่มได้เลย แต่มันคือการสร้างวงจรบางอย่างขึ้นมาเพื่อให้สุ่มได้ มันเลยจะส่งผลทำให้เราเจอกับความไม่แน่นอนสูง เนื่องจากมันคาดเดาไม่ได้เลยว่าจะเกิดอะไรขึ้นในวงจรระหว่างการสุ่มบ้าง เมื่อเข้าสู่ยุคสมัยที่คอมพิวเตอร์เริ่มสามารถเขียน <strong>“Program”</strong> ใส่ลงไปได้ (แถวๆยุคของ ENIAC, The Manchester Mark 1) มันเลยนำไปสู่ปัญหาของ การสุ่มบน program บนระบบคอมพิวเตอร์ในเวลาต่อมา</p><p>เพื่อให้เรื่องนี้นึกภาพออกได้ง่ายขึ้น เราลองนึกภาพเราทำ <strong>“Program”</strong> สักตัวหนึ่ง และใน program นั้นมีจุดที่ต้องสุ่มเลขออกมาใช้ (ต้องย้อนกลับไปสมัยนั้นด้วยนะ) แล้วใช้การสุ่มเลขแบบวิธีด้านบนที่เราเล่ามา การสุ่มเลขจะกลายเป็นต้องมาขึ้นอยู่กับแผงวงจรการสุ่ม สิ่งที่จะเกิดขึ้นคือ เราอาจจะต้องมาเสี่ยงด้วยว่า วงจรการสุ่มนั้นมันจะทำงานได้ปกติดีหรือไม่ ? วงจรมันไม่ได้พังใช่ไหม ? มันจะสุ่มออกมาแล้วเป็นเลขสุ่มจริงๆใช่ไหม ? เพราะคนทำ program ก็อาจจะไม่ได้รู้เหมือนกันว่ามันสุ่มออกมาแบบไหนจากวงจร มันทำให้การสุ่มนั้นเกิดความ “ไม่แน่นอนในการดึงเลขสุ่ม” (uncertainty) ออกมา ซึ่งจริงๆ program มันควรจะอยู่บนพื้นฐานของความ <strong>“แน่นอน” </strong>และ <strong>“สามารถทำซ้ำได้”</strong> (consistently) เพื่อให้ตัว program เองสามารถทดสอบผลลัพธ์ที่แท้จริงของตัว program ได้เช่นเดียวกัน</p><p>เพราะฉะนั้นการสุ่มของ Computer ในยุคต่อมาบน Program (Software computer) คือ</p><blockquote>การสุ่มคือ สิ่งที่ต้องสามารถทำซ้ำได้ และให้ผลลัพธ์ที่แน่นอนออกมา</blockquote><p>หรือ ถ้าตีความเป็นภาษาคอมพิวเตอร์ขึ้นคือ</p><blockquote>การสุ่มคือ deterministic function (function ที่ต้องให้ผลลัพธ์ออกมาเหมือนเดิมเสมอ เมื่อ input ยังเหมือนเดิม) ที่สุ่มได้</blockquote><p>มันเลยนำมาสู่ไอเดียที่ว่าด้วยเรื่องของการสุ่ม แบบ Pseudorandom number generator (เรียกย่อๆว่า PRNG แต่ในบทความนี้จะขอเรียกว่า Pseudorandom แทนเพื่อให้จำได้ง่ายขึ้น) หลักการสร้าง random number sequence ด้วย deterministic function คือใช้ function เดียวกันวนซ้ำในการสร้าง random number sequence ออกมา</p><p>ช่วงปี 1946 John von Neumann ได้คิดค้นไอเดียในการทำ Psuedorandom ขึ้นมาชื่อ middle-square method concept ถ้าเล่าเป็น code ก็จะตามด้านล่างนี้ (เดี๋ยวผมมีอธิบายตัวอย่างเพิ่มไปนะ ถ้าใครไม่สันทัดเป็น code ก็ข้ามไปได้)</p><pre># Code นี้หยิบมาจาก wiki ของ middle-square method concept<br><br># เลือก seed number เริ่มต้นมา 1 ตัว (ตัวเริ่มต้นการสุ่ม) สำหรับ code นี้จะเป็นการสร้าง random sequece สุ่มเลข 4 digit<br>seed_number = int(input(&quot;Please enter a four-digit number:\n[####] &quot;))<br>number = seed_number<br><br># สร้าง set ชื่อ already_seen สำหรับเก็บ random number sequence<br>already_seen = set()<br>counter = 0<br><br># วน loop ไปจนกว่าจะกลับมาเจอเลขซ้ำ<br>while number not in already_seen:<br>    counter += 1<br>    already_seen.add(number) # นำเลขที่สุ่มได้มาใส่ set already_seen <br>    number = int(str(number * number).zfill(8)[2:6])  <br>    # จาก code ด้านบนคือ นำตัวเลขนั้นมา ยกกำลัง 2 (เช่น 1112^2 = 1236544) <br>    # และ เพิ่มเลข 0 นำหน้าเลขนั้นให้ครบ 8 digit (1236544 &gt; 01236544)<br>    # และ ดึงแค่เฉพาะ 4 digit ที่อยู่ตรงกลาง 01236544 &gt; 01&quot;2365&quot;44 ออกมา ใช้เป็นเลข number ต่อไป<br>    print(f&quot;#{counter}: {number}&quot;)<br><br># ผลลัพธ์ตรงนี้เราก็จะได้ว่า <br># already_seen ก็คือ set เลขสุ่มที่เจอทั้งหมดในรอบนี้<br># counter คือ กี่ตัวเลขกว่าจะวนกลับมาเจอเลขเดิมอีกรอบ (เพราะเลขเดิมจะส่งผลทำให้ค่าหลังจากนี้มันเหมือนเดิม)<br>print(f&quot;We began with {seed_number} and&quot;<br>      f&quot; have repeated ourselves after {counter} steps&quot;<br>      f&quot; with {number}.&quot;)</pre><p>อธิบายเป็นตัวอย่าง ให้เห็นภาพมากขึ้น</p><ul><li>ตามภาพที่อยู่ด้านล่าง ภาพแรกคือตัวอย่างของการ run algorithm นี้โดยเป็นการสุ่มเลข 6 digit สมมุติเรากำหนด seed เป็น 675248 (จำนวนหลักที่เราจะสุ่มจะเป็นไปตาม digit ของเลข seed ที่เรากำหนด) เราจะนำเลขนั้นมายกกำลังสอง เป็น 455959861504 หลังจากนั้น เราก็จะหยิบตรงกลาง 6 digit ของเลขนั้น 455&quot;959861&quot;504 = 959861 ออกมา เลขนี้ก็จะกลายเป็นเลขที่เราจะใช้ทำในรอบต่อไป</li><li>เราจะทำแบบนี้ซ้ำไปเรื่อยๆจนกว่า sequence จนวนกลับมาเจอเลขซ้ำ (แปลว่า การสุ่มนั้นได้วนกลับมาที่เดิมแล้ว) เราก็จะได้ sequence ของตัวเลขสุ่มออกมาชุดหนึ่งที่เราสามารถหยิบไปใช้ได้ (เช่นตัวอย่างนี้ก็จะเป็น 959681, 987621, 395239, …)</li><li>ภาพที่สอง เป็นตัวอย่างของการสุ่มของตัวเลข 2 digit ไปเรื่อยๆจนท้ายที่สุดก็จะเจอจุดกลับมาซ้ำกัน</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*vzUEiBeJ5Xae5IP-0bkNow.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*1WAG0DM-0LJB8bBPeK0I6g.png" /></figure><p>เชื่อว่าหลายคนที่อ่านมาถึงจุดนี้ ต้องกำลังคิดเหมือนกันว่า “<strong>นี่มันไม่ใช่การสุ่มแล้วนี่นา” </strong>ถูกต้องครับ computer เรา ถ้าลำพังอาศัยสิ่งที่เรียกว่า <strong>Program หรือพลังของ Software </strong>เพียงอย่างเดียว เอาจริงแล้วไม่ได้ถือว่าเป็น <strong>“การสุ่มที่แท้จริง”</strong> ตามที่เราเคยพูดถึงเรื่องการสุ่มที่เคยกำหนดไว้ เพราะวิธีการนี้มันมีสิ่งที่เรียกว่า <strong>“Pattern”</strong> ซ่อนอยู่ แต่เพื่อยังคงหลักการว่า อยากให้ Program เป็นสิ่งที่มีความ “แน่นอน” และ <strong>“สามารถทำซ้ำได้”</strong> Program จึงควรเป็นสิ่งที่ deterministic อยู่ นี่จึงเป็นไอเดียที่ถือว่า <strong>“ดีเพียงพอ”</strong> สำหรับการสุ่มของคอมพิวเตอร์ ขอเพียงแค่มี pattern ที่ <strong>“ยาวมากพอ”</strong> ก็จะสามารถทำให้สิ่งนี้ใกล้เคียงกับการสุ่มที่แท้จริงได้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/271/1*SLcAW1vLdxifeIItX3Njtg.png" /><figcaption>Deterministic function คือ function ที่ใส่ input อะไรเข้าไป output ต้องออกมาเหมือนเดิม</figcaption></figure><p>ในช่วงนั้น เมื่อการสุ่ม Pseudorandom เริ่มเป็นที่ถูกพูดถึงกัน นักคณิตศาสาตร์จำนวนหนึ่ง จึงพยายาม improve Pseudorandom จาก 2 อย่างเพื่อให้ใกล้เคียงกับความสุ่มทางธรรมชาติมากขึ้นคือ</p><ol><li>ทำยังไงให้ Seed (ค่าเริ่มต้น) เป็นสิ่งที่คาดเดาได้ยากที่สุด</li><li>ทำยังไงให้ Random number sequence มี Pattern ยาวที่สุดเท่าที่จะเป็นไปได้</li></ol><p>ทั้ง 2 อย่างนี้ถือเป็นหัวใจสำคัญของ Pseudorandom เลยนะ อย่างน้อยที่สุดแม้ว่านี่จะเป็นการสุ่มที่มี Pattern แต่เป็น Pattern ที่เดาได้ยากจัดๆ (เกินกว่าปัญญาของมนุษย์และคอมพิวเตอร์จะหา Pattern เจอได้) ซึ่งแน่นอนอย่างไอเดียของ middle square method ก็มีจุดอ่อนคือ Pattern ที่ค่อนข้างสั้น เพราะฉะนั้น ถ้าเราเอาวิธีนี้ไปใช้งานจริง ด้วยความสามารถของคอมพิวเตอร์ใช้เวลาไม่นานมากก็จะสามารถหา Pattern วนกลับมาได้แล้ว (โดยเฉพาะกับตัวเลขน้อยๆ)</p><p>ในปี 1949 มีไอเดียใหม่ชื่อ L<a href="https://en.wikipedia.org/wiki/Linear_congruential_generator">inear congruential generator</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*FYgrYBeZBrx5Dn771zw79Q.png" /><figcaption>หลักการของ Linear contruential generator algorithm</figcaption></figure><p>หลักการคือ เราจะกำหนดค่าเริ่มต้นคือ seed (X₀) ใส่ deterministic function ที่มี a เป็นตัวคูณ, c เป็นตัวเพิ่ม และ m เป็นตัว modulus (อธิบายเพิ่ม modulus แทนด้วยสัญลักษณ์ % ในคอมพิวเตอร์ คือเอาเศษหลังการหารด้วยตัวเลขนั้นออกมา เช่น 7 % 3 จะได้ค่า 1 ออกมาเนื่องจาก 7 หารด้วย 3 จะเหลือเศษ 1 ออกมา เท่ากับว่าตัวเลขสูงสุดของการ modulus ที่เกิดขึ้นได้คือเท่ากับตัวหารนั่นเอง ทั้งนี้ใน function นี้ทำเพื่อกันไม่ให้มีตัวเลขมากเกินขอบเขตเลขสูงสุดที่ใช้เก็บของ random sequence นี้) แล้วเราก็จะ run สิ่งนี้ไปเรื่อยจนได้ random number sequence มา</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*7LsjVtcOrmsqNOMA4xT8IQ.png" /><figcaption>ตัวอย่าง Linear contruential generator เป็นฉบับภาพ</figcaption></figure><p>คำถามคือ เมื่อไหร่เลขจะวนกลับมา เป็น pattern เดิมซ้ำ คำตอบก็คือ ขึ้นอยู่กับตัวแปรที่ใช้ โดยเฉพาะตัว m ยิ่งถ้าเป็น m เป็น prime number ที่เยอะมาก period ของ pattern ก็จะอยู่ที่ m-1, ถ้า m เป็น เลขสองยกกำลัง (ex. 2⁴) period ก็จะอยู่ที่ 2³² หรือ 2⁶⁴ เท่ากับว่า แม้จะเป็น pattern ที่วนกลับมาได้เหมือนเดิม แต่กว่าจะกลับมาเจอได้ โดย practical จริงๆ คือมันจะนานมากกว่าจะสามารถหาเจอได้ (แต่ในปัจจุบัน เรามี algorithm ที่มีประสิทธิภาพมากกว่านี้และนะ แต่ไอเดียนี้ถือเป็นรากฐานของไอเดียการสุ่ม Pseudorandom ที่ใช้มาจนถึงปัจจุบันนี้ด้วย)</p><p>ทีนี้ เราลองกลับมาพิจารณา deterministic function ของ Random แบบ Pseudoramdom อีกที สมมุติว่า</p><ul><li>เรารู้ว่า function ของ Random นั้นคืออะไร</li><li>เราพยายามเดา seed สักค่าหนึ่งออกมา ปรากฎว่า ถูกต้องตามระบบที่ใช้ function นั้น</li></ul><p>จะเท่ากับ เราจะสามารถรู้ Pattern ที่แท้จริงของ Random นั้นได้ (ซึ่งเอาจริงๆ มันก็ไม่ได้ง่ายขนาดนั้นนะ) แต่ตามทฤษฎีคือ ถ้าเรามีความพยายามเดา seed ที่มากพอ กับ พยายาม run sequence number ให้จบ sequence (กลับมายังค่าเดิม) ได้จนครบ ตาม seed ที่เลือกได้ = เราสามารถรู้ Pattern ของการสุ่มได้</p><p>มันเท่ากับว่ามันอาจจะไม่มี <strong>“ความปลอดภัย”</strong> พอที่จะใช้กับเรื่องที่สำคัญมากๆได้นั่นเอง ลองนึกภาพว่า ถ้าเกิดเราใช้สุ่มเรื่องสำคัญเช่นหวย แล้วตัวเลขสุ่มดันมี Pattern เราก็คงไม่วางใจการสุ่มนั้นเช่นเดียวกัน</p><h4>เมื่อการสุ่มไม่ใช่สุ่มจริงๆ แบบนี้ แล้วถ้าเราจะสุ่มจริงๆละ = True random number generator ช่วยคุยได้</h4><p>ดังนั้นในช่วงต่อมา (ซึ่งก็ยังวนเวียนใกล้ๆเคียงกับช่วงเวลาเดิมของกลางศตวรรษที่ 19) จึงมีความพยายามกันใหม่ในการทำให้ <strong>“การสุ่มที่แท้จริง”</strong> เกิดขึ้นบนคอมพิวเตอร์ให้ได้ และเมื่อใดก็ตามที่เราพูดถึงการสุ่ม นิยามก็ยังคงเดิม คือ <strong>“การเกิดขึ้นของบางสิ่งแบบไม่มี Pattern”</strong> เมื่อเราลองพิจารณาตามหลักการนี้ แปลว่าเราต้องทำให้ Random function ที่จะเดิมใน Pseudorandom เรานิยามมันเป็น deterministic function กลายเป็น <strong>Non-deterministic function</strong> แทน</p><p>นิยามของ <strong>Non-deterministic function</strong> คือ เราใส่ input ค่าเดิม แต่เราได้ผลลัพธ์ที่ไม่เหมือนเดิมออกมา ซึ่งเหตุการณ์นี้จะเกิดขึ้นได้ก็ต่อเมื่อ program มีตัวแปรบางอย่างอยู่ในสภาวะที่ <strong>“คาดเดาไม่ได้”</strong> อยู่ใน function นั้น (ดังนั้นสิ่งที่จะทำให้เกิดภาวะนี้ขึ้นมาได้จะต้องเป็นสิ่งที่อยู่นอก software ไป ซึ่งก็คือการดึงค่าบางอย่างจาก “โลกของ hardware” มาใช้ร่วมด้วย เพื่อให้ function กลายเป็น Non-deterministic function ขึ้นมาได้ นั่นก็คือที่มาของสิ่งที่เรียกว่า True random number genetor (ย่อๆว่า TRNG แต่ในบทความนี้จะขอเรียกว่า True random แทนเพื่อให้จำได้ง่ายขึ้น) นั่นเอง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/850/1*6xrnoiCQsFIj0A-F_7flYg.png" /><figcaption>ภาพ diagram ของ True random number generator diagram</figcaption></figure><p>ในปี 1997 กลุ่มนักวิทยาศาสตร์คอมพิวเตอร์กลุ่มหนึ่งพยายามหาหนทางในการทำ True random นี้ ในไอเดียชื่อว่า LavaRand โดยใช้หลักการที่ว่า ให้เอากล้อง webcam ส่องไปที่กลุ่มของ Lava lamp (โคมไฟที่มีลักษณะคล้ายๆตะเกียง ตามภาพด้านล่างนี้) แล้วนำภาพถ่ายที่ได้จาก webcam (ที่คล้ายๆภาพด้านล่างนี้) ที่เป็น visual data (ข้อมูล pixel บนภาพ) มาแปลงเป็นตัวเลข sequence random number ออกมา (อารมณ์เหมือนแปลง pixel ภาพเป็นตัวเลข แล้วเอาตัวเลขนั้นเข้ากระบวนการแปลงบางอย่างจนเกิดเป็น sequence ของตัวเลขออกมา) เหตุผลที่ผู้คิดค้นเลือกใช้ Lava lamp เพราะเป็นโคมไฟที่มีสภาวะความไม่แน่นอนสูง เนื่องจากอุณหภูมิ, ความเร็วลม หรือแม้แต่ความหนืดของเหลว ก็มีผลต่อแสงไฟที่แสดงออกมาใน Lava lamp ทั้งหมด มันส่งผลทำให้เกิดความแตกต่างของรูปภาพที่ไม่สามารถคำนวนได้ ดังนั้นตัว Lava lamp (และ webcam ที่เป็น hardware สำหรับอ่านค่า) จึงเป็นแหล่งของความไม่แน่นอน (non-deterministic) ในการสุ่มครั้งนี้นั่นเอง</p><p>ถ้าใครสนใจรายละเอียดสามารถเข้าไปอ่านสิทธิบัตรเพิ่มเติมได้<br><a href="https://patents.google.com/patent/US5732138">https://patents.google.com/patent/US5732138</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*5mPeUj5pX5XW6PmsIUoniQ.jpeg" /><figcaption>ภาพตัวอย่าง Lava Lamp</figcaption></figure><p>ถ้าเราลองสรุปหลักการดู นี่คือการทำให้ <strong>“Seed (ค่าเริ่มต้น) เป็นสิ่งที่คาดเดาไม่ได้”</strong> สิ่งนี้จะเรียกว่า Entrophy source หรือแหล่งข้อมูลของความไม่แน่นอน ของ True random หลักการของ True random คือ “การใช้ Entrophy source มาคำนวนร่วมกันด้วย” ซึ่งถ้าเราลองคิดตาม นี่คือวิธีการที่เหมือนกับการ Random ในยุคของ Turing (เครื่อง the Ferranti Mark 1) หรือ the million random เลยนะ คือการใช้แหล่งที่ <strong>“ไม่สามารถคาดเดา”</strong> และ <strong>“มีความไม่แน่นอน”</strong> ได้มาเป็นตัวในการคำนวนค่าสุ่ม แต่เปลี่ยนการสุ่มนั้นให้สามารถนำมาร่วมคำนวนการสุ่มเข้ากับ program ออกมาได้ แค่นั้นเอง</p><p>วิธีการหลังจากช่วงนี้เป็นของ True random ก็จะคง concept คล้ายๆกัน เช่น</p><ul><li><strong>RdRand</strong> ที่อยู่ในชิพ intel ที่ฝังคำสั่ง Random อยู่ติดกับชิพไปเลย หลักการของมันคือการใช้ ค่า Entropy source จากสิ่งที่ชิพสามารถอ่านค่าได้ เช่น สัญญาณ clock ของชิพ, noise ของ signal (เช่น thermal noise, photoelectrict effect) มาสร้างเป็น Random number ออกมา</li><li>Random.org ที่ดึงค่าสุ่มมาจาก atmospheric noise และใช้ทฤษฎีการกระจายตัวทางสถิติ (P<a href="https://en.wikipedia.org/wiki/Probability_distribution">robability distribution</a>) มาแปลงเป็นเลขสุ่มออกมา (เว็บยังเข้าได้จนถึงปัจจุบัน)</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/850/1*kGweT-3QkGYL7kpubXYszw.png" /><figcaption>หลักการในการ design True random number generator ภาพจาก <a href="https://link.springer.com/article/10.1007/s10773-019-04189-2">https://link.springer.com/article/10.1007/s10773-019-04189-2</a></figcaption></figure><p>ฟังดูก็เหมือนจะดูดีนะ True random แต่มันก็มีจุดพิจารณาของ True random (ที่ยังคงคล้ายๆเดิม กับตอนที่คิด Pseudorandom) อยู่เหมือนกันคือ</p><ol><li><strong>Speed (ความเร็ว):</strong> เนื่องจากทุกอย่างไม่ได้เกิดใน software เพียงอย่างเดียว มันเลยจะมีเรื่องของเวลาในการอ่านค่าด้วยก่อนที่จะเกิดการคำนวน รวมถึงการ process ค่าจาก Entropy source ที่จะทำให้ใช้เวลามากกว่า Pseudorandom</li><li><strong>Resource dependency (การยึดติดกับแหล่งข้อมูลที่อ้างอิงภายนอก)</strong>: อาจจะเกิดเหตุการณ์ที่ Resource ที่เราใช้ทำ Entrophy source ไม่สามารถอ่านค่าได้ (เช่น sensor ที่ใช้อ่านค่าเสีย) ก็จะเท่ากับ เราไม่สามารถดำเนินการ Random นั้นได้</li><li><strong>Statistical Testing (การทดสอบให้การสุ่มเป็นไปอย่างสุ่มจริงๆ):</strong> สิ่งที่สำคัญอีกอันนึงคือ ตัวเลขที่โผล่ออกมาหลังจาก Entropy source จะต้องมีการทดสอบด้วยว่า เป็น “การสุ่มอย่างที่ควรจะเป็นไหม” ลองนึกง่ายๆว่า ถ้าอยู่ๆ Entropy source เกิดอะไรขึ้นไม่รู้ สุ่มได้แต่เลข 1 ออกมาอย่างเดียว เราควรจะต้องทำอย่างไรกับเหตุการณ์นี้ดี เพื่อให้การสุ่มเป็นไปอย่างเหมาะสมมันเลยจำเป็นต้องมีกระบวนการ Post processing เพื่อจัดการทดสอบการสุ่มให้ถูกต้องด้วย เช่น การ check ด้วยวิธี Probability distribution เพื่อวิเคราะห์การกระจายตัวของเลขสุ่ม และกระจายให้ทุกเลขสุ่มเท่าๆกัน เป็นต้น</li></ol><p>จาก 3 ข้อที่กล่าวมา อีกสิ่งที่ถือว่าท้าทายที่สุดของการทำ True randomในการ Random number คือ <strong>“เราจะมั่นใจได้ยังไงว่า สิ่งที่ส่งออกมาจาก Hardware ที่เป็น Entropy source นั้น Random จริงๆ”</strong> ยกตัวอย่างเคสนึงของ RDRand ที่อยู่บนชิพ Intel ที่มีคนตั้ง assumption ไว้ว่า ถ้ามีคนพยายามทำ backdoor ที่จะควบคุมค่าบางอย่างให้ได้ seed ตามที่กำหนดออกมา ก็เท่ากับว่า คนทำ backdoor สามารถควบคุมการ Random ในชิพนั้นได้เลยเช่นกัน</p><p>สำหรับผม ความยากของ True random มันคือการ “ทำให้ที่มาของ Seed (Entropy source) ปลอดภัยที่สุด” และ “ต้องทำให้แน่ใจว่าตัวเลขสุ่มนั้นไม่มี Pattern อยู่จริง” จึงจะเรียกได้ว่า การสุ่มนั้น เป็น <strong>“การสุ่มที่แท้จริง”</strong> ได้</p><h4>ท้ายที่สุดแล้ว วิธีไหนดีที่สุดในการ Random กันแน่</h4><p>ถ้าจะตอบคำถามนี้ให้ดีที่สุด เราต้องตั้งคำถามกันก่อนว่า</p><blockquote>เราใช้เลขสุ่มทำอะไรบ้างใน computer ?</blockquote><p>สำหรับผม ผมจะจำแนกเป็นทั้งหมด 3 อย่างที่เราใช้กันบ่อยๆในโลกของ computer</p><ol><li><strong>Cryptography:</strong> ตัวเลขสุ่มเป็นสิ่งที่สำคัญต่อการเข้ารหัสอย่างมาก (และอาจจะมากที่สุดในโลกของ computer เลยก็ได้ว่าได้) เพื่อสร้าง key ที่มีความปลอดภัยขึ้นมา ยิ่งตัวเลขสุ่มยิ่งยากเท่าไหร่ ประสิทธิภาพของอัลกอริทึมการเข้ารหัส (encryption) ก็จะยิ่งมีความปลอดภัยขึ้นได้ จริงๆอันนี้ถือเป็นสิ่งสำคัญมากในทาง computer เพราะความปลอดภัยที่ดีที่สุด คือการที่เราต้องไม่รู้ว่าต้นทางเข้ารหัสมาแบบไหน ซึ่งการใส่ Random number เข้าไปจะช่วยทำให้การเข้ารหัสถูกแก้ไขได้ยากขึ้น ส่งผลต่อความปลอดภัยที่เพิ่มขึ้น</li><li><strong>Statistic:</strong> การสุ่มทางสถิติ มีประโยชน์ในการสร้างกลุ่มตัวอย่างแบบสุ่ม, จำลองเหตุการณ์ / ปรากฎการแบบสุ่ม, สร้างตัวแปรแบบสุ่ม หรือการทดสอบแบบสุ่ม ที่ช่วยให้เหล่านักวิจัยสามารถ ทดสอบสมมุติฐานของตัวเองผ่าน computer ได้คล่องตัวขึ้น (เหมือนสมัยอดีตที่มีคนต้องการเลขสุ่มนั่นแหละ)</li><li><strong>Random event:</strong> ทอยลูกเต๋า, สับไพ่, การเลือก action ตีของ bot, การ drop item ในเกม หรือ แม้แต่การแสดงผลภาพ banner ต่อเนื่องแบบสุ่ม ทุกอย่างล้วนมาจากการใช้ประโยชน์จากการสุ่มหมดเลย การสุ่มจึงมีประโยชน์ในการสร้างเหตุการณ์แบบสุ่มให้เกิดขึ้นบนคอมพิวเตอร์ได้เช่นกัน</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/850/1*KKTCdngxDYwWN14bAZK4-A.png" /><figcaption>ภาพใหญ่ความแตกต่างระหว่าง Psuedorandom และ True random ภาพจาก <a href="https://www.researchgate.net/figure/The-classification-of-RNG-PRNG-and-TRNG-One-major-form-of-PRNG-is-linear-feedback-shift_fig8_342771704">https://www.researchgate.net/figure/The-classification-of-RNG-PRNG-and-TRNG-One-major-form-of-PRNG-is-linear-feedback-shift_fig8_342771704</a></figcaption></figure><p>ทีนี้ เรามาลองพิจารณาเรื่องนี้กันแบบถี่ถ้วนอีกทีระหว่าง Pseudorandom และ True random ในสายตาของคนยุคปัจจุบันกันดีกว่า เพื่อทำการ map กับ case ด้านบน</p><p>ฝั่ง Pseudo random number generator</p><ul><li>ปัจจุบัน เรามี algorithm ที่ดีกว่าในอดีตมากมายแล้ว เช่น Mersenne Twister (ที่ใช้ Linear Feedback shift register มาเป็น based concept ต่อยอดอีกที) ซึ่งก็ยังคง concept ความเป็น pattern เหมือนเดิม แต่ต่อให้เป็น pattern ก็ตาม แต่กว่าจะกลับมาซ้ำกันได้อีกคือ 2¹⁹⁹³⁷ — 1 (คือต่อให้รู้ seed ก็ตาม แต่กว่าจะ run หา pattern เจอได้นี่เรียกว่าอาจจะทำให้คอมพิวเตอร์แตกก่อนเลยก็ได้)</li><li>สิ่งสำคัญที่ฝั่งนี้จะ focus กันนอกเหนือจากเรื่องของความยาว Pattern แล้ว อีกสิ่งนึงคือเรื่องของ <strong>“ความเร็ว”</strong> เนื่องจาก การสุ่มตัวเลขแบบนี้ ถูกสร้างขึ้นมาเพื่อใช้ในการ “สุ่มเลขแบบทั่วไป” ดังนั้น ความเร็วของการสุ่มควรมาจากตัวของวิธีการที่ run software เองมากกว่า</li><li>ด้วยความที่สุ่มเป็น Pattern และมีความเร็วมากกว่า จะเหมาะกับเคสที่เป็น <strong>“การสุ่มที่ไม่ซีเรียสเรื่องความปลอดภัย”</strong> และ <strong>“impact ต่อมนุษย์ไม่สูงมาก”</strong> เช่น การสุ่มเพื่อการ จำลองสภาพอากาศ, สุ่มการ drop ของในเกม, สุ่ม content ที่แสดงผลใน banner carousal</li></ul><p>ฝั่ง True random number generator</p><ul><li>ปัจจุบัน ยังพัฒนาต่อไปเรื่อยๆ ตั้งแต่การใช้เหตุการณ์ทางธรรมชาติ (Physical Phenomena) มาคำนวนร่วมด้วยเช่น radioactive decay, Hardware-Based Methods (ใช้ค่าจาก CPU) หรือแม้แต่การใช้ Quantum Random Number Generators หรือการใช้ quantum mechanics มาร่วมคำนวนเลขสุ่มด้วย</li><li>ไอเดียของฝั่ง TRNG จุดประสงค์คือการหาเลขสุ่มที่เป็น <strong>“สุ่มจริงๆ”</strong> มากกว่า การพัฒนาเรื่องความเร็ว เพื่อให้แน่ใจว่า การสุ่มนี้เป็นไป <strong>“โดยธรรมชาติอย่างแท้จริง”</strong></li><li>ด้วยความที่สุ่มแบบนี้ที่ยังคงความสามารถ <strong>“ไม่สามารถจับ Pattern”</strong> ได้ จึงเหมาะสำหรับงานที่เกี่ยวกับ <strong>“ความปลอดภัยโดยเฉพาะ”</strong> เช่น การ encrypt sensitive data (ข้อมูลส่วนตัว, การเก็บ key ความปลอดภัยในระบบ), งานด้าน Cryptocurrency อย่างการ mining เองก็ใช้การเข้ารหัสแบบนี้เช่นกัน รวมถึงงานประเภทที่<strong> “เหตุการณ์มีผลต่อมูลค่าหรือความเสียหายต่อโลกความเป็นจริง”</strong> เช่น การสุ่มเพื่อชิงเงินรางวัลจริงอย่าง Lottery เป็นต้น</li></ul><p>ดังนั้น ถ้าจะให้คำตอบกับคำถามนี้ คำตอบก็คือ <strong>แล้วแต่เคส แต่ต้องเลือกใช้ให้ถูกต้องตามจุดประสงค์เช่นกัน</strong></p><h4>ปัจจุบัน Programming language ใช้วิธีการสุ่มแบบไหนกัน</h4><p>ด้วยความที่การสุ่มทั้ง 2 วิธี มีความสำคัญด้วยกันทั้งคู่ ใน programming เองจึงต้องมีการสุ่มทั้ง 2 แบบ แยก function สำหรับการ random ไว้ด้วยเช่นกัน แต่ไอเดียจะแบ่งออกเป็น Pseudorandom กับ Secure Pseudorandom (Secure PRNG)</p><p>จริงๆ Secure Pseudorandom มันควรจะนับเป็น True random นั่นแหละ แต่เนื่องจาก Entropy source ที่ใช้ในการดึง Seed ของ function ส่วนใหญ่ จะขึ้นอยู่กับค่าที่เก็บไว้ใน os (เป็นค่าบางอย่างของ hardware ที่ computer เตรียมไว้ให้ เพื่อใช้สำหรับการสุ่มโดยเฉพาะ) ซึ่งอาจจะไม่สามารถการันตีได้เสียทีเดียวว่าเป็น True random จริงจาก Source หรือไม่ รวมถึงการจัดการหลัง Seed เองก็ใช้เทคนิคของ Pseudorandom ผสมด้วย จึงขอเรียกว่า Secure Pseudorandom ดีกว่า (แต่ในเชิง Technical ก็ถือว่า Secure มากพอที่จะเอามาทำเรื่องของ Cryptography ได้แล้วนะ)</p><p>ขอยกตัวอย่างจาก 3 programming language ที่ผมคุ้นเคย</p><p>ภาษา Python</p><ul><li><strong>Pseudorandom:</strong> ใช้ Mersenne Twister เป็น algorithm ที่ใช้อยู่ใน random module</li><li><strong>Secure Pseudorandom: </strong>อยู่ในsecrets module สำหรับการทำ Cryptography (ใช้ os.urandom() เป็น Entropy source)</li></ul><p>ภาษา JavaScript</p><ul><li><strong>Pseudorandom: ใ</strong>ช้ XORShift / L<a href="https://en.wikipedia.org/wiki/Linear_congruential_generator">inear congruential generator</a> (หรือ ตามมาตรฐาน Browser) เป็น algorithm ของคำสั่ง Math.random()</li><li><strong>Secure</strong> <strong>Pseudorandom (on browser): </strong>Web Cryptography API (คำสั่งwindow.crypto.getRandomValues() ) (Entropy source ขึ้นอยู่กับ javascript engine ของ browser เลย แต่พื้นฐาน algorithm คือ cryptographically secure random number generator — CSPRNG)</li><li><strong>Secure</strong> <strong>Pseudorandom (on Backend nodejs): </strong>อยู่ในcrypto module สำหรับการทำ Cryptography (Entropy source ขึ้นอยู่กับสิ่งที่ build-in ใน OS เช่น จาก /dev/urandom, /dev/random ใน Unix / Macos หรือจาก CryptoAPI ใน Windows)</li></ul><p>Go:</p><ul><li><strong>Pseudorandom: ใ</strong>ช้ Mersenne Twister เป็น algorithm ของmath/rand package</li><li><strong>Secure</strong> <strong>Pseudorandom: </strong>อยู่ในcrypto/rand package สำหรับทำ Cryptography (Entropy source ขึ้นอยู่กับสิ่งที่ build-in ใน OS เช่น จาก /dev/urandom, /dev/random ใน Unix / MacOS หรือจาก CryptoAPI ใน Windows)</li></ul><p>ดังนั้น use case ไหนควรใช้ random แบบไหนเองก็ต้องเลือกใช้ให้เหมาะสมกับโจทย์ด้วยเช่นกัน</p><h4>เราได้อะไรจากการรู้เรื่องนี้บ้าง</h4><p>สิ่งที่ผมได้เรียนรู้คือ <strong>“การสุ่มเป็นโจทย์ที่อาร์ตมาก”</strong> แต่ก็เป็นโจทย์ที่สามารถทำได้ หากเราสามารถ scope โจทย์ลงมาให้ดีพอสำหรับทำเรื่องนี้ ในท้ายที่สุดเราก็อาจจะตอบไม่ได้หรอกว่าคอมพิวเตอร์มันสุ่มเหมือนมนุษย์แล้วจริงๆหรือป่าว เพราะเอาเข้าจริงๆ พวกเราเองก็อธิบาย <strong>“การสุ่มที่แท้จริง”</strong> ของตัวเราไม่ได้เหมือนกัน</p><p>ดังนั้นสิ่งที่เราต้องตั้งโจทย์เสมอคือ <strong>“เราจะเอาการสุ่มนี้ไปทำอะไรกัน”</strong> เพราะในท้ายที่สุด การสุ่มนั้นจะดีหรือไม่ ขึ้นอยู่กับว่าเรา <strong>“สุ่มไปเพื่ออะไร”</strong> เหมือนกันนะ</p><h4>Reference</h4><ul><li><a href="https://review.thaiware.com/1863.html">https://review.thaiware.com/1863.html</a></li><li><a href="https://tashian.com/articles/a-brief-history-of-random-numbers/">https://tashian.com/articles/a-brief-history-of-random-numbers/</a></li><li><a href="https://en.wikipedia.org/wiki/Middle-square_method">https://en.wikipedia.org/wiki/Middle-square_method</a></li><li><a href="https://en.wikipedia.org/wiki/Linear_congruential_generator">https://en.wikipedia.org/wiki/Linear_congruential_generator</a></li><li><a href="https://en.wikipedia.org/wiki/Hardware_random_number_generator">https://en.wikipedia.org/wiki/Hardware_random_number_generator</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=eb206d30fa93" width="1" height="1" alt=""><hr><p><a href="https://medium.com/mikelopster/random-%E0%B8%9A%E0%B8%99-computer-%E0%B8%AA%E0%B8%B8%E0%B9%88%E0%B8%A1%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%84%E0%B8%AB%E0%B8%99%E0%B9%80%E0%B8%A3%E0%B8%B2%E0%B8%96%E0%B8%B6%E0%B8%87%E0%B9%80%E0%B8%A3%E0%B8%B5%E0%B8%A2%E0%B8%81%E0%B8%A7%E0%B9%88%E0%B8%B2%E0%B8%AA%E0%B8%B8%E0%B9%88%E0%B8%A1-eb206d30fa93">Random บน Computer สุ่มแบบไหนเราถึงเรียกว่าสุ่ม ?</a> was originally published in <a href="https://medium.com/mikelopster">Mikelopster Blog</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Design Thinking โดย อ.จิตร์ทัศน์ ฝักเจริญผล]]></title>
            <link>https://medium.com/mikelopster/design-thinking-%E0%B9%82%E0%B8%94%E0%B8%A2-%E0%B8%AD-%E0%B8%88%E0%B8%B4%E0%B8%95%E0%B8%A3%E0%B9%8C%E0%B8%97%E0%B8%B1%E0%B8%A8%E0%B8%99%E0%B9%8C-%E0%B8%9D%E0%B8%B1%E0%B8%81%E0%B9%80%E0%B8%88%E0%B8%A3%E0%B8%B4%E0%B8%8D%E0%B8%9C%E0%B8%A5-de5f8e59798e?source=rss----f5fcaa29d569---4</link>
            <guid isPermaLink="false">https://medium.com/p/de5f8e59798e</guid>
            <category><![CDATA[innovation]]></category>
            <category><![CDATA[startup]]></category>
            <category><![CDATA[design-thinking]]></category>
            <category><![CDATA[ideas]]></category>
            <dc:creator><![CDATA[Tanitphon Paniwan]]></dc:creator>
            <pubDate>Mon, 28 Nov 2016 17:39:19 GMT</pubDate>
            <atom:updated>2016-12-19T10:36:45.308Z</atom:updated>
            <content:encoded><![CDATA[<p>สรุปจากกิจกรรม Design Thinking ที่จัดขึ้นโดย อ.จิตร์ทัศน์ ฝักเจริญผล (หรือที่ทุกคนรู้จักในนามว่า อ.มะนาว) ที่จัดไปเมื่อวันอังคารที่ผ่านมาครับ เห็นว่ามีหลายคนสนใจ แต่ติดว่าเป็นช่วงสอบบ้างละ ไม่สะดวกบ้างละ ผมเลยนำภาพบรรยากาศพร้อมความรู้จากกิจกรรมมาเขียนดูครับ เผื่อว่าใครที่กำลังคิดไอเดียทำ Startup หรือกำลังหาไอเดียสำหรับแก้ปัญหาบางอย่าง ลองใช้แนวคิดนี้ช่วยพัฒนาไอเดียที่มีอยู่ให้ดีขึ้นดูนะครับ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*DfZAP0KoF2JokdBP.jpg" /></figure><p>อาจารย์เริ่มต้นกิจกรรมด้วยการให้ทุกคนวาดภาพลงในวงกลม 30 อันเป็นภาพอะไรก็ได้ตามใจชอบแต่ต้องไม่ซ้ำกันและใช้เวลาสั้นๆประมาณ 2 นาที เสร็จแล้วก็ให้ทุกคนลองดูของคนอื่น ดูว่าสิ่งที่เราเขียนมีซ้ำกับใครไหม ดูว่าของเพื่อนมันประหลาดไหม เนื่องจากโจทย์นี้เป็นโจทย์ที่กว้างมาก ดังนั้นทุกคนมีอิสระในการวาดแบบสุดๆ มีหลายคนที่ใช้วงกลมมาเป็นส่วนหนึ่งของรูป แต่บางคนก็ไม่ใช้ บางคนวาดรูปเดิมแต่แค่หมุนภาพนั้นไปเรื่อยๆ สิ่งที่สำคัญของกิจกรรมนี้คือ ทุกคนมีวิธีการทำหรือวิธีแก้ปัญหาที่แตกต่างกันโดยเกิดขึ้นจากความคิดที่แตกต่างกันของแต่ละคน ผู้คนส่วนหนึ่งชอบที่จะแบ่งแยกคนออกเป็น 2 ประเภทคือ คนที่มีความคิดสร้างสรรค์กับคนที่ไม่มีความคิดสร้างสรรค์เลย แต่มีคนเชื่อว่าทุกคนมีความคิดสร้างสรรค์โดยธรรมชาติอยู่แล้ว และควรปล่อยให้ความคิดของพวกเขาได้โลดแล่นโดยการสร้างความเชื่อมั่นให้กับความคิดของพวกเขาในการสร้างสรรค์มันออกมา ดังเช่น การให้วาดวงกลมออกมาครั้งนี้ ไม่มีใครบอกว่า ภาพนายมันแย่กว่า พิลึกกว่า แต่ภาพวงกลมที่ทุกคนวาดออกมานั้นมีมุมมองและจินตนาการที่ต่างกัน เช่น คนที่วาดรูปแบบหมุนภาพกับคนที่วาดรูปอะไรไม่รู้โดยไม่ใช้วงกลมมาเกี่ยวข้องเลย เราก็ไม่สามารถบอกได้ว่าอันไหนมีความคิดสร้างสรรค์ที่ดีกว่ากันอยู่ดี เป็นเพียงแค่มุมมองที่ไม่เหมือนกัน</p><p>ใช่ครับ ทุกอย่างล้วนเป็นความคิดสร้างสรรค์ และหนึ่งในคนที่สนับสนุนความคิดนี้คือ David Kelley หัวข้อที่เขาพูดคือ How to build Your Creative Confidence ซึ่งมีการพูดในประเด็นของการที่มีคนถูกจำกัดความคิดสร้างสรรค์และตัวอย่างของการปลดปล่อยความคิดสร้างสรรค์ออกมาแบบเป็นขั้นตอน แนะนำให้ลองฟังก่อนอ่านต่อไปครับ (มีซับไทยด้วยนะครับ)</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2F16p9YRF0l-g%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3D16p9YRF0l-g&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2F16p9YRF0l-g%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/b3e0c528747255e01cc24842e6511bfd/href">https://medium.com/media/b3e0c528747255e01cc24842e6511bfd/href</a></iframe><p>เป้าหมายของกิจกรรมนี้คือการให้แนวทางสำหรับกระบวนการในการแก้ปัญหา เรียกว่า เป็นวิธีคิดอีกแบบหนึ่งที่สามารถนำมาเป็น Guildline ในการ Design ไอเดียขึ้นมาได้ โดยจะเน้นให้ทุกคนมีโอกาสได้ปฏิบัติทดลองทำกันจริงๆ จากปัญหาจริงๆรอบตัวเรา</p><p>ปกติ เวลาเราทำโจทย์ปัญหาทั่วๆไป เป้าหมายของพวกเราคือการหาคำตอบเพื่อมาตอบปัญหานั้น แต่เราไม่ได้โฟกัสว่า ตอนที่เราคิดนั้น เราคิดอย่างไร ทำไมเราถึงมีกระบวนการคิดแบบนั้นออกมา โดย Design Thinking นั้นจะเป็นวิธีการขัดเกลาในเชิงกระบวนการคิดที่จะช่วยนำเราไปสู่ Solution ที่มันอาจจะดีกว่าหรือแหวกแนวกว่าเดิมยิ่งขึ้นก็ได้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*mMBXJ9daWzStSCt5.jpg" /></figure><p>Design คือการคิดอะไรสักอย่างออกมาและกำลังนำอะไรสักอย่างนี้ไปแก้ปัญหาจริง (เหมือนการคิด Solution ขึ้นมา) โดยอาจารย์ได้กล่าวว่าความสมบูรณ์แบบของการ Design ที่จะนำไปสู่สิ่งที่เรียกว่า นวัตกรรม ได้นั้นจะต้องมีองค์ประกอบหลักทั้งหมด 3 อย่างคือ</p><h4>1. Viability (มองในเชิงของธุรกิจ) = เราควรทำสิ่งนี้หรือไม่ ?</h4><p>เป็นมุมมองที่นักธุรกิจชอบมองกัน เช่น คิดว่าสิ่งที่เรากำลังคิดขึ้นมามันสามารถประสบความสำเร็จในเชิงธุรกิจได้หรือไม่ มีมูลค่าทางตลาดมากน้อยแค่ไหน รวมถึงสิ่งนี้สามารถสร้างค่าตอบแทนกลับมาให้ตัวเราได้มากแค่ไหน เป็นต้น</p><h4>2. Feasibility (มองในเชิงของเทคนิค) = เราสามารถทำสิ่งนี้ได้หรือไม่ ?</h4><p>เป็นมุมมองที่สายงานวิศวะอย่างพวกเราๆนี่แหละเลือกที่จะมองกันเป็นพิเศษ เช่น เทคโนโลยีในปัจจุบันเหมาะสมกับสิ่งที่เรากำลังคิดขึ้นมาหรือไม่ มันต้องใช้เวลาทำนานแค่ไหน แล้วจะคุ้มค่ากับเวลาที่เราเสียไปหรือไม่ เป็นต้น</p><h4>3. Desirability (มองในเชิงของผู้ใช้) = แล้วพวกเขาต้องการมันจริงหรือไม่ ?</h4><p>ส่วนนี้แหละครับที่เป็นส่วนสำคัญของ Design Thinking ที่ผู้คนมักจะมองข้ามกัน นั่นคือการมองในมุมมองของผู้ใช้ด้วย ว่าผู้ใช้จะอยากใช้เมื่อไหร่ ทำไมเขาจะต้องมาใช้ หรือสิ่งนี้จะช่วยให้ชีวิตประจำวันของเขาดีขึ้นจริงๆนะเหรอ มุมมองนี้เราจำเป็นจะต้องเข้าถึงความเป็นตัวของผู้ใช้เองซึ่งจะแตกต่างจาก 2 มุมมองที่ผ่านมา โดยแนวคิด Design Thinking เองก็มีวิธีการที่ช่วยทำให้พวกเราสามารถมองผ่านมุมมองของผู้ใช้ได้จากตัวของพวกเราเอง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*_w6MEHqzo_4sgDwM.jpg" /></figure><p>จริงๆเรื่อง Design Thinking มีหลายสำนักเขียนไว้หลากหลายแบบมาก แต่ใจความหลักๆของ Design Thinking นั้นมี Concept ที่เหมือนกันอยู่โดยสามารถแบ่งได้เป็น 5 ขั้นตอนคือ</p><h4>1. Empathize (ความเข้าอกเข้าใจ)</h4><p>คือการที่เราพยายามทำความเข้าใจผู้ใช้ โดยพยายามยืนไปอยู่ในเท้าของคนที่เป็นปัญหาด้วยเลยว่า พวกเขาเป็นอย่างไร คิดอย่างไร อะไรทำให้พวกเขาเป็นแบบนี้ จะทำให้เราสามารถโฟกัสการ Design ให้ชัดเจนออกมามากขึ้นด้วย</p><h4>2. Define (กำหนดปัญหา)</h4><p>กำหนดว่า จากปัญหาที่มีนี้พวกเราจะทำอะไรเพื่อแก้ปัญหานั้น โดยพยายามตั้งคำถามหรือตั้งสมมุติฐานที่เกี่ยวข้องกับการแก้ปัญหาออกมาเรื่อยๆ แล้วลองมองปัญหานี้ในภาพรวมใหญ่ขึ้นเรื่อยๆ เช่น สมมุติเรามีปัญหากรณีที่มีคนมาสูบบุหรี่ใต้ตึกภาควิชาคอมพิวเตอร์ ปัญหาที่พวกเราเจอคือควันบุหรี่ที่ลอยมาในห้อง แทนที่จะคิดแค่ว่า เราจะป้องกันควันบุหรี่เข้ามาในห้องได้อย่างไร แต่ลองพยายามมองให้เป็นภาพรวมขึ้นไป อาจจะมองว่า พวกเขามาสูบบุหรี่กันบริเวณนี้ทำไม, ที่สูบบุหรี่มีแต่ทำไมเขาถึงไม่ไปสูบ, ทำไมเขาถึงมาสูบบุหรี่กัน, ทำไมถึงเจอคนสูบบุหรี่เป็นกลุ่มมากกว่าคนเดียว ที่จะทำให้กำหนดปัญหาในระดับที่ใหญ่ขึ้นและอาจนำไปสู่การแก้ปัญหาในระดับที่กว้างขึ้นกว่าแค่ปัญหาเล็กๆที่มีแค่คนกลุ่มหนึ่งมีปัญหาก็ได้ การกำหนดขอบเขตนี้ทำเพื่อกรอบการ Design ไม่ให้กว้างเกินกว่าปัญหาออกไป</p><h4>3. Ideate (สร้างไอเดีย)</h4><p>ขั้นตอนที่พยายามสร้างไอเดียขึ้นมาจากสิ่งที่เรากำหนดไว้ พยายามเสกไอเดียออกมาเยอะๆ ให้หลากหลายที่สุดเท่าที่จะทำได้ แล้วลองนำมาผสมกัน รวมกัน จะทำให้เราได้ไอเดียที่หลากหลายมากขึ้น (ผมว่ากระบวนการนี้จะใช้ได้ผลมากๆ ตอนที่มีกันหลายๆหัวมาช่วยกันคิดไอเดียออกมา)</p><h4>4. Prototype (ทำต้นแบบ)</h4><p>คือการทำให้ไอเดียอยู่ในสภาพที่จับต้องได้จริง เช่น ถ้าสุดท้ายอยากได้เป็นแอพพลิเคชันออกมา เราอาจจะทำเป็นกระดาษหน้าตาเหมือนรูปร่างจริงออกมา จำลองว่ามันทำอะไรได้บ้าง กดปุ่มนี้แล้วเกิดอะไรขึ้น จำลองให้เหมือนกับการใช้งานจริงออกมา หรือถ้าเป็นสิ่งที่จับต้องได้ก็ต้องทำให้เห็นภาพเป็นรูปร่างออกมา เช่น ถ้าบอกว่ามีไอเดียแก้ปัญหาทางจักรยานในมหาวิทยาลัยเป็นแบบนี้ เราก็ต้องทำแบบจำลองแสดงขั้นตอนของการแก้ไขแบบนี้ที่ว่าให้ชัดเจน มีขั้นตอนการจัดการอย่างไร คิดว่ารูปร่างหน้าตาเลนจักรยานแบบใหม่ออกมาเป็นแบบไหนก็ทำเป็นแบบจำลองจากสิ่งของออกมา มีทางลอดลงไปใต้ดินเพื่อให้มอเตอร์ไซต์โดยเฉพาะ ถ้ารถมอเตอร์ไซต์มาวิ่งเลนจักรยานแล้วจะมีไฟฟ้าช็อตออกมา เป็นต้น</p><h4>5. Test (ทดสอบ)</h4><p>เป้าหมายสุดท้ายคือการนำต้นแบบไปทดลองกับผู้ใช้จริงๆ จะทำให้เรารู้ได้ว่าไอเดียที่คิดอยู่นั้นกำลังมาถูกทางตามที่ผู้ใช้ต้องการหรือไม่ ก่อนที่จะนำไปพัฒนาจริง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*yS81N-glVGmkohNQ.jpg" /><figcaption>ทุกคนเสนอปัญหาของตัวเองออกมา</figcaption></figure><p>ก่อนเริ่มการทดลอง อาจารย์ให้ทุกคนคิดปัญหามาคนละอย่างว่า มีปัญหาไหนที่เราอยากจะแก้กันบ้าง จากนั้นให้ทุกคนโหวตปัญหาที่น่าสนใจ โดยจะเลือกหัวข้อที่มีคนโหวตมากที่สุด 3 หัวข้อเพื่อมาทำการแบ่งกลุ่มออกเป็น 3 กลุ่ม และปัญหาที่ได้นั่นคือ เรียนไม่รู้เรื่อง, การนอน, การฝึกงาน ก่อนเริ่มกิจกรรมอาจารย์มีกฎว่า ห้ามพูดคำว่า ไม่ ในขณะทำกิจกรรม เราจะเชื่อว่าทุกอย่างในห้องนี้มันเป็นไปได้เพื่อที่ไม่ให้เป็นการจำกัดความคิดสร้างสรรค์ที่เกิดขึ้นมาของทุกคน โดยขั้นตอนจะยึดตาม Concept หลักของ Design Thinkink ตามที่เราได้ทราบกันไปข้างต้นไปแล้วนั่นเอง (จริงๆ อาจารย์จะให้อมจุ๊บปาจุ๊บเป็นบทลงโทษกรณีที่มีใครพูดว่า ไม่ ขึ้นมา แต่เนื่องจากบทลงโทษนั้นอร่อยเกินไป ทุกคนเล่นกินซะเกลี้ยงก่อนเริ่มกิจกรรมด้วยซ้ำ)</p><p>แรกสุดให้ทุกกลุ่มเริ่มต้นจากการคิดว่าปัญหามันเกิดขึ้นจากอะไรบ้าง คิดและเขียนมาทั้งหมดเท่าที่จะคิดออก เริ่มต้นให้ทุกคนในกลุ่มแยกกันเขียนออกมาก่อน เยอะที่สุดเท่าที่จะทำได้ จากนั้นทำการรวมกันและจับกลุ่มปัญหาที่มีลักษณะใกล้เคียงกันออกมาเป็นกลุ่มๆ ซึ่งปัญหานั้นจะต้องมาจากผู้ใช้เพียงอย่างเดียวเท่านั้น ยกตัวอย่าง เช่น กลุ่มผมเลือกปัญหา เรียนไม่รู้เรื่อง ปัญหาที่เขียนออกมาคือปัญหาที่ว่าทำไมผู้คนถึงเกิดความรู้สึกเรียนไม่รู้เรื่อง เพราะอะไร ทำไมถึงเป็นแบบนั้น โดยพยายามนึกถึงเพื่อนหรือคนรอบตัวที่เกิดความรู้สึกนั้นนำมาเขียนรวมในปัญหานี้ด้วย</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*DA_VGYRkgmiwAo7j.jpg" /><figcaption>เริ่มต้นทุกคนแยกกันเขียนปัญหาขึ้นมา (แบ่งกันตามสี Post-it)</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*o3R821Zzglo6sH1k.jpg" /><figcaption>มองปัญหาของทุกๆคนแล้วจับกลุ่มของปัญหาออกมาว่ามีสาเหตุมาจากอะไรบ้าง</figcaption></figure><p>เมื่อกลุ่มปัญหาเรียบร้อย ต่อไปคือการสร้างตัวแทนบุคคลสมมุติจากการกลุ่มปัญหานี้ขึ้นมา นั่นคือการทำ Persona ขึ้นมา ตัวแทนบุคคลสมมุติเหล่านี้จะต้องประกอบไปด้วย ชื่อตัวแทนกลุ่ม (เช่น เด็กเนิร์ด, เด็กช่างฝัน, ช่างแอร์ในนิทาน), รูปร่างหน้าตาโดยประมาณ, ลักษณะนิสัย, คุณสมบัติ ว่าเป็นอย่างไรบ้าง ระบุออกมาให้ชัดเจน โดยเราอาจจะลองนึกจากคนที่มีอยู่จริงจากรอบตัวเราก็ได้ เช่น นายแมวบิน เป็นเด็กติดเกมมากๆ ใช้ชีวิตแบบเรียนไปวันๆ พกคอมเล่นเกมตลอดเวลาไม่เว้นแม้กระทั่งเวลาเรียน หรือ นายเนยดิบ เป็นคนเก่งมากๆ ชอบศึกษาด้วยตัวเอง เลยไม่ชอบเข้าห้องเรียนแบบสุดๆ แต่ดันบอกว่าตัวเองเรียนจากอาจารย์ไม่รู้เรื่องเฉยเลย เป็นต้น</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*JMOcguHEC8I5w2ic.jpg" /><figcaption>เขียน Persona ขึ้นมาโดยอ้างอิงจากปัญหาที่พวกเราได้คิดกันไว้</figcaption></figure><p>ตอนนี้เราได้กลุ่มของผู้ใช้มาเรียบร้อยแล้ว ขั้นตอนต่อมาคือการกำหนดขอบเขตว่า พวกเราจะทำ…เพื่อ… โดยคิดว่าเป้าหมายที่เราจะแก้คือปัญหาอะไร แก้ให้ใคร (โดยอ้างอิงจาก Persona ที่เราคิดขึ้นมา) และใครที่ว่านั่นจะได้อะไรกลับไป จากนั้นให้ลองมองกลับขึ้นไปทบทวนว่าอะไรเป็นประเด็นสำคัญที่เราต้องแก้ไข มองให้กว้างขึ้นว่าสิ่งที่เรากำลังแก้ไขเป็นปัญหาที่ใหญ่พอสำหรับคนกลุ่มนั้นแล้วจริงหรือไม่ คนกลุ่มอื่นสามารถใช้วิธีเดียวกันเพื่อแก้ปัญหานี้เหมือนกันได้ไหมถ้าเขามีปัญหาแบบเดียวกัน จากนั้นกำหนดออกมาเป็นประโยคเดียวเท่านั้นว่าพวกเราจะทำอะไร เช่น เราจะทำให้คนหัวช้าเรียนรู้เรื่องมากขึ้น, จะทำกระบวนการฝึกงานให้เป็นที่พอใจทั้งฝ่ายบริษัทและนิสิตมากขึ้น, จะทำให้ผู้คนนอนได้ในเวลาที่ควรนอน เป็นต้น</p><p>** การกำหนดขอบเขตนั้นยิ่งกว้าง จะยิ่งทำให้เราสามารถหาไอเดียได้มากก็จริง แต่จะมีข้อเสียทำให้ไอเดียที่ได้นั้นมันกว้างมากเกินไปถ้าขอบเขตของเรานั้นไม่ชัดเจนพอ และจะทำให้วิธีการที่เราค้นพบอาจจะไม่ตอบโจทย์ต่อปัญหาที่เราตั้งต้นไว้ตั้งแต่แรกเลยก็ได้ ดังนั้น ขั้นตอนนี้สำคัญต่อการคิดไอเดียในขั้นตอนต่อไปมากๆ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*7jwoJHKDj0AajKpa.jpg" /></figure><p>เมื่อกำหนดได้แล้วก็สร้างไอเดียออกมาให้มากที่สุด คิดออกมาว่ามี Solution ไหนบ้างที่ตอบโจทย์ตามที่เรากำหนดขอบเขตกันเอาไว้ ช่วยกันคิดออกมาเรื่อยๆให้หลากหลายที่สุดเท่าที่จะทำได้ (อาจารย์แบ่งให้ทุกคนแยกกันคิดไอเดียก่อน จากนั้นค่อยนำไอเดียที่แต่ละคนคิดมารวมกลุ่มกันเหมือนกับตอนทำ Empathize) เมื่อเขียนเสร็จแล้ว อาจารย์ให้ทุกกลุ่มเสนอ Solution ของตัวเอง และให้ทุกคนเป็นเหมือนตัวแทนผู้ใช้ โหวตว่าอันไหนที่รู้สึกว่าใช่ออกมา ท้ายที่สุด ให้ทุกกลุ่มเลือก Solution ที่เราสนใจมากที่สุดโดยอ้างอิงจากผลโหวตเพื่อที่จะนำมาทำเป็น Prototype ในขั้นตอนต่อไป</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*hlBqyZJBh6TxfTZS.jpg" /><figcaption>เริ่มต้นต่างคนต่างคิดไอเดียออกมา</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*5tCXd-sbtGhgqEzu.jpg" /><figcaption>สรุปไอเดียออกมาเป็นกลุ่มๆ</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*6Z6OyepN8jszaPNp.jpg" /><figcaption>จากนั้นก็โหวตออกมา</figcaption></figure><p>หลังจากที่เราได้ไอเดียมาเรียบร้อย ต่อไปคือกระบวนการทำให้ไอเดียเห็นภาพออกมาจริงๆ ดูตัวอย่าง Prototype ตามภาพเลยครับ (เนื่องจากเวลามีค่อนข้างจำกัด Prototype ที่ได้ออกมานั้นอาจจะมีความดิบหรือไม่เสร็จอยู่บ้างนะครับ)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*vhNVShLRZTS5bsoG.jpg" /><figcaption>อันนี้จากกลุ่มปัญหา เรียนไม่รู้เรื่อง ทำออกมาเป็นเครื่องกระตุ้นสมองระหว่างอาจารย์และนักเรียน</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*InYuhaPe_9eFeYiC.jpg" /><figcaption>อันนี้จากกลุ่ม ปัญหาเรื่องการนอน ทำออกมาเป็นที่นอนกาลเวลา โดยมีฟังก์ชันที่ช่วยให้ผู้คนที่มีปัญหาเรื่องการนอนนั้นนอนได้ง่ายขึ้นอยู่ในตัว</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*EeqZvqApdAXKah8T.jpg" /><figcaption>อันนี้จากกลุ่มฝึกงานครับ นำเสนอ Process เป็นแนวทางการแก้ไขปัญหาของเด็กหาที่ฝึกงานและบริษัท</figcaption></figure><p>เนื่องจากเวลาในกิจกรรมไม่พอ เลยไม่สามารถทดสอบในกิจกรรมนี้ได้ รวมถึงการทดสอบนั้นจำเป็นจะต้องให้ผู้ใช้จริงเป็นคนบอก จึงไม่สามารถทดลองภายในกิจกรรมนี้ได้ แต่สามารถนำไปทดลองเองที่บ้านได้ โดยให้คนที่คาดว่าจะเป็นผู้ใช้ไปลองใช้จริงดู สัมผัส ทดสอบ สิ่งที่ได้กลับมาก็จะเป็นคำตอบของคุณเองว่า สิ่งนั้นพวกเขาต้องการมันจริงหรือไม่</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*jtT1KS5x3yheYvjn.jpg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*0JGtgUQpPRWqx8kT.jpg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*0tYhnlAuzcqcNVln.jpg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*QZwcRi37lRqFzrRh.jpg" /></figure><p>จริงๆปัญหาในโลกเรามีเยอะแยะมากมายครับ และสิ่งหนึ่งที่คนเรามักจะเป็นกันคือ มีแต่คนทราบปัญหา แต่ไม่มีใครคิดจะมาช่วยกันหาทางออกของปัญหาอย่างจริงจัง ผมว่าหลักการ Design Thinking จะช่วยทำให้คนหรือทีมมีกระบวนการคิดในการแก้ปัญหาที่ชัดเจนมากขึ้น รวมถึงสามารถทำให้คนกล้าที่จะนำเสนอแนวคิดของตัวเองมากขึ้นด้วยเช่นกัน เพราะแนวคิดนี้ใช้วิธีที่ไม่จำกัดความคิดของคนตั้งแต่ต้น แต่เลือกให้คนพยายามคิดออกมาและนำความคิดเหล่านั้นมารวมกันเพื่อแก้ปัญหาแทน และผมเองก็เป็นหนึ่งในคนที่เชื่อว่าทุกคนมีความสามารถและความคิดสร้างสรรค์อยู่ในตัว ไม่แน่นะครับ วิธีการนี้อาจนำไปสู่คำตอบที่แท้จริงในแบบที่คุณเหลือเชื่อเลยก็ได้</p><p>ทั้งนี้ขอบคุณ อ.จิตร์ทัศน์ ฝักเจริญผล ที่ให้ความรู้ ความสนุกและความอร่อยแก่พวกเราด้วยนะครับ :D</p><p><em>Originally published at </em><a href="http://www.mikelopster.com/blog/design-thinking-event-ku"><em>www.mikelopster.com</em></a><em>.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=de5f8e59798e" width="1" height="1" alt=""><hr><p><a href="https://medium.com/mikelopster/design-thinking-%E0%B9%82%E0%B8%94%E0%B8%A2-%E0%B8%AD-%E0%B8%88%E0%B8%B4%E0%B8%95%E0%B8%A3%E0%B9%8C%E0%B8%97%E0%B8%B1%E0%B8%A8%E0%B8%99%E0%B9%8C-%E0%B8%9D%E0%B8%B1%E0%B8%81%E0%B9%80%E0%B8%88%E0%B8%A3%E0%B8%B4%E0%B8%8D%E0%B8%9C%E0%B8%A5-de5f8e59798e">Design Thinking โดย อ.จิตร์ทัศน์ ฝักเจริญผล</a> was originally published in <a href="https://medium.com/mikelopster">Mikelopster Blog</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[เมื่อทีมของฉันได้ร่วมงาน Google Hackfair ในฐานะ “Exhibitor”]]></title>
            <link>https://medium.com/mikelopster/%E0%B9%80%E0%B8%A1%E0%B8%B7%E0%B9%88%E0%B8%AD%E0%B8%97%E0%B8%B5%E0%B8%A1%E0%B8%82%E0%B8%AD%E0%B8%87%E0%B8%89%E0%B8%B1%E0%B8%99%E0%B9%84%E0%B8%94%E0%B9%89%E0%B8%A3%E0%B9%88%E0%B8%A7%E0%B8%A1%E0%B8%87%E0%B8%B2%E0%B8%99-google-hackfair-%E0%B9%83%E0%B8%99%E0%B8%90%E0%B8%B2%E0%B8%99%E0%B8%B0-exhibitor-1e85c975c2cc?source=rss----f5fcaa29d569---4</link>
            <guid isPermaLink="false">https://medium.com/p/1e85c975c2cc</guid>
            <dc:creator><![CDATA[Tanitphon Paniwan]]></dc:creator>
            <pubDate>Tue, 15 Nov 2016 02:24:15 GMT</pubDate>
            <atom:updated>2015-12-20T15:18:51.175Z</atom:updated>
            <content:encoded><![CDATA[<p>ขอเล่าถึงงานนี้ก่อนว่า Google Hackfair เป็นงานแนวๆจัดแสดงเกี่ยวกับเทคโนโลยี ซึ่งทั้งตัวงานก็จะมีตั้งแต่บรรยายเกี่ยวกับเทคโนโลยี Workshop รวมถึงการจัดแสดงเทคโนโลยีที่เปิดโอกาสให้คนนอกเข้ามามีส่วนร่วมจัดแสดงในงานด้วย โดยจะต้องสมัครและผ่านการคัดเลือกจากทางผู้จัดงานมาแล้ว ซึ่งแน่นอนว่าทีมของพวกผม(ที่มีผมและเพื่อนอีก 2 หน่อ) ก็ได้รับคัดเลือกให้ไปจัดแสดงในงานครั้งนี้ด้วย (ไม่งั้นผมก็คงไม่มานั่งเขียนบล็อกอันนี้หร้อก)</p><p>ผมขอแบ่งเล่าเป็น 4 ส่วนคือ ผลงานของพวกผม, อุปสรรคช่วงทำงาน, ความประทับใจในวันแสดงงาน และความรู้สึกต่องานครั้งนี้นะครับ</p><h4>Military Board — AR Multiplayer TD Game with cardboard</h4><p>ผลงานที่เราใช้เข้าร่วมครั้งนี้ชื่อ Military Board เป็นเกมแนว Tower Defense ที่จะเปลี่ยนมิติการเล่นเกมจากปกติที่เล่นกันบนจอคอมหรือมือถือ ไปสู่การเล่นบนโลกเสมือนด้วยเทคโนโลยี AR(Auctmented Reality) กล่าวคือ เราจะมีกระดานที่เป็นกระดาษจริงๆอยู่ 1 อัน​ (ดูตามภาพคือกระดาษลายขาวดำ) ตัวเกมจะแสดงผลเมื่อเรามองไปที่ตัวกระดาน ออกมาเป็นวัตถุเสมือนจริงขึ้นมาตรงหน้าเรานั่นเอง (วัตถุเสมือนจริง คือ วัตถุที่ไม่มีอยู่จริงบนโลกที่ถูกสร้างขึ้นมาด้วยเทคโนโลยี)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*wkKUhBU7UYuVg_jCf9URBg.jpeg" /><figcaption>กระดานลายขาวดำและ google cardboard</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zuNOfZX9NR4dvj31RmDCow.png" /><figcaption>เกมที่เราจะเห็นหน้าจอปกติ</figcaption></figure><p>แล้ว Cardboard มาเกี่ยวอะไรกัน ?</p><p>โดยปกติ Application ที่เกี่ยวกับ AR ที่แสดงผลบนมือถือจะเล่นกันบนจอมือถือตรงๆ มันจะเหมือนกับเราต้องเล็งมือถือให้ตรงกับกระดานเพื่อให้เกมโลกเสมือนแสดงผลออกมา พร้อมกับต้องมาเล็งตรงจอจิ้มให้ดีอีก ไหนจะต้องระวังไม่ให้จอหลุดออกจากกระดานอีก ซึ่งส่วนตัวผมว่าเป็นประสบการณ์ที่ค่อนข้างขัดกันพอสมควร ผมอยากให้การเล่นเกมบนวัตถุเสมือนคือ เราเห็นและเล่นไปพร้อมกันได้ และ Cardboard ก็ตรงกับคอนเซปต์ที่ว่านั้น เราสามารถใช้มือถือร่วมกับ Cardboard มองไปที่กระดานให้วัตถุเสมือนจริงเกิดขึ้น และสามารถกดเล่นจากบน Cardboard ขณะมองได้ทันที</p><p>ข้อดีอีกอย่างของ Cardboard คือ Cardboard เป็นอุปกรณ์แสดงภาพเสมือนจริงแบบสวมหัว โดยที่เลนส์ใช้กับอุปกรณ์(เลนส์แบบ <a href="https://en.wikipedia.org/wiki/Stereoscopy">stereoscopic</a>) จะสามารถแสดงภาพที่สมจริงมากกว่าการดูบนโทรศัพท์ ทำให้วัตถุที่ออกมาดูสมจริงมากขึ้น ทั้งการมองเห็น และความลึกของภาพ (เหมือนว่าวัตถุเสมือนที่อยู่ตรงหน้าของเรานั้นมีอยู่จริงๆ และเราสามารถเข้าไปดูได้เลย)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cMGssuyCQBRfLqKCD-_wEg.png" /><figcaption>หน้าจอที่เห็นผ่าน Cardboard โดยตัวเกมจะลอยเป็นวัตถุเสมือนอยู่บนแผ่นกระดานที่เป็นกระดาษจริง</figcaption></figure><p>แล้วทำไมต้องเป็น AR ไม่ทำโลกเสมือนทั้งหมดแบบ VR(Virtual Reality) ไปเลย ?</p><p>โจทย์ที่พวกเราสร้างขึ้นคือ เราต้องการสร้างเกมบนโลกเสมือนที่สามารถเล่นร่วมพร้อมกันหลายคนได้ ในเวลาเดียวกัน ที่เดียวกัน และมีความรู้สึกบนโลกจริงร่วมกันได้ นั่นคือมันจะเหมือนกับเรากำลังนั่งล้อมเล่นเกมกระดานสักเกมร่วมกัน ไม่ใช่ เราที่กำลังเล่นเกม online ที่มีประสบการณ์ร่วมกันแค่ในเกมเพียงอย่างเดียว และ AR ก็ตอบโจทย์ข้อนี้ ฉะนั้นอารมณ์เกมนี้ จะเหมือนเรากำลังเล่นเกมกระดานร่วมกันสักเกม แต่แทนที่จะเล่นกันบนกระดานจริง จะเล่นกันบนกระดานโลกเสมือนจริงแทน และเล่นร่วมกันได้ (เกมของเราควรถูกเรียกว่า เกมบนโลกจริงส่วนขยายน่าจะถูกกว่าเพราะเกมนี้ถูกสร้างขึ้นมาเสริมโลกจริงๆของเรา ไม่ใช่ย้ายเราไปอยู่ในโลกเสมือนแทน)</p><p>สรุปคือ ผลงานของเรารวมของ 4 อย่างไว้คือ Tower Defense Game+ Aumented Reality + Cardboard + Multiplayer = Military Board</p><p>สารภาพตามตรงเรื่องคอนเซปต์เกมว่า เกิดจากการสุ่มเกม 1 เกมที่พวกเราสนใจขึ้นมาแค่นั้นเอง 555 (แต่เราก็อิงนะว่ามันต้องเหมาะสมที่จะเล่นร่วมกันได้) รวมถึงเรื่องชื่อด้วย จริงๆ พวกเราอยากทำให้อารมณ์เป็น Military จริงๆ (หมายถึง อารมณ์สงครามนะครับ แปลเป็นอีกอย่างนี่ผมอาจจะโดนเรียกตัวได้เลยนะ) แต่เนื่องด้วยเวลาที่จำกัด ตัวเกมเลยทำออกมาได้แค่ระดับ Prototype ให้ลองเล่นคร่าวๆได้แค่นั้น</p><p>ใช้เวลาทำกันนานเท่าไหร่ ?</p><p>ถ้าช่วงเวลาทำกันจริงๆก็คือ 1 สัปดาห์หลังจากประกาศผลว่าได้เข้าไปจัดแสดงคือวันที่ 9 แต่เนื่องจากผลงานชิ้นนี้เป็นผลงานที่ถูกหยิบมาจากส่วนหนึ่งของโปรเจคจบของผมกับเพื่อนอีกคน(ที่อยู่ในทีมด้วยนี่แหละ) อย่าง AR หรือ Cardboard ที่ได้เคยศึกษาและพัฒนากันมาบ้างแล้ว ผมเลยบอกคนในงานไปว่า 2 สัปดาห์ น่าจะเป็นเวลาที่ถือว่าใกล้เคียงกับความจริงกว่า</p><p>ใครใคร่สงสัยเกี่ยวกับ Cardboard ก็ไปอ่านเพิ่มเติมได้ที่ <a href="https://www.google.com/get/cardboard/">https://www.google.com/get/cardboard/</a></p><p>หรือใคร่ซื้อ Cardboard ปัจจุบันในไทยเองก็เริ่มมีขายแล้วนะ <a href="http://wi.th/cardboard360/">http://wi.th/cardboard360/</a> (ไม่ใช่ของผมนะ มีคนฝากผมขายอีกที 555)</p><h4><strong>ก่อนวันงาน — อุปสรรคช่วงพัฒนา</strong></h4><p>ถ้าให้เขียนถึงการทำงานเต็มๆ คาดว่าเขียนทั้งวันก็คงไม่จบแน่ๆ เลยขอเล่าถึงอุปสรรคและปัญหาที่ผมเจอมาละกัน</p><ol><li><strong>ช่วงเวลาการทำงาน</strong> วันสำหรับจัดแสดงคือ 19 ซึ่งเป็นช่วงเวลาที่ม.เกษตรศาสตร์แห่งนี้กำลังจัดสอบพอดี โดยที่แค่ลำพังตัวผมก็มีสอบ 3 วันติดก่อนวันจัดงานแล้ว รวมถึงงานหลายๆอย่างที่ถาโถมมาช่วงนั้น กลายเป็นว่าวันที่ได้เริ่มพัฒนาจริงจังคือวันที่ทางผู้จัดงานประกาศผู้เข้ารอบก็คือวันที่ 9 นั่นแหละ แปลเป็นไทยได้ว่า ผมมีเวลาทำงานเพียง 1 สัปดาห์เศษๆ (ที่มีสอบไปด้วย) ถือเป็นเวลาที่เสี่ยงกับการไม่เสร็จเอามากๆ ยิ่งเป็นงานจัดแสดงออกบูธ หมายถึง เราต้องมีผลงานไปให้ผู้คนทดสอบด้วย เท่ากับว่าต้องเสร็จอย่างน้อยในระดับ prototype ให้ได้ เล่นเอาวันสุดท้ายก่อนวันงานทั้งทีมไม่ได้นอนกันทั้งคืนเลย 555</li><li><strong>เทคโนโลยีที่ใหม่ก็มาพร้อมกับข้อมูลที่น้อย</strong> ถึงเราจะไม่ใช่คนกลุ่มแรกของโลกที่ทำ AR Game ร่วมกับ Cardboard แต่ก็ไม่ใช่สิ่งที่มีผู้พัฒนาส่วนใหญ่ทำกันไว้เหมือนกันถึงแม้ว่าเทคโนโลยีเหล่านี้จะมีมานานพอสมควรแล้วก็ตาม ดังนั้นการมีปัญหาระหว่างพัฒนาอย่างการใช้ เทคโนโลยี Vuforia ทำ AR , Cardboard SDK ร่วมกับ Unity จึงต้องใช้เวลาหาข้อมูลกันพอสมควร ปัญหาส่วนนี้ที่ผมถือว่าพีคที่สุดในการทำงานของทีมครั้งนี้คือ ในทีม 3 คนมีคนใช้ Mac 2 คน(ผมกับเพื่อนผม) และ Windows อีก 1 คน ตัวเทคโนโลยี Vuforia นั้นผมกับเพื่อนผมที่ใช้ Mac นำไปใช้งานร่วมกับ Unity ได้อย่างไม่มีปัญหา แต่กลับมีปัญหาเมื่อไปใช้บน Windows พวกผมไม่รอช้าที่จะหาคำตอบบน Google โดยใช้ทั้งข้อมูลที่ Unity แสดง Error ออกมาและสัญชาตญาณดูแล้ว กลับมีคำตอบน้อยมาก ได้คำตอบลางๆว่าใช้ร่วมกันได้แค่กับ unity แบบ 32-bit บน Windows เท่านั้น แต่เพื่อนผมลองทำแล้วยัง error อีกแถมยังไปเกิดกับอีก library ต่างหาก กลายเป็นว่าแก้ไปแก้มา หมดเวลาไปวันหนึ่งเต็มๆ กว่าเพื่อนคนนั้นจะหาวิธีใช้งานบน Windows ได้ ด้วยวิธีแก้แค่ “ลง unity 32-bit แบบติ๊กทุกอย่างตอนลงให้หมดแค่นั้นก็ใช้ได้แล้ว” นับเป็นปัญหาที่เล็กน้อยและเสียเวลามากที่สุดของการทำงานนี้เลย (ถ้าอ่านแล้วงง ก็ช่างมันเถอะนะ ถือว่าผมอินอยู่คนเดียวละกัน 555)</li><li><strong>การประเมินเวลาผิดพลาดเนื่องจากเป็นมีสิ่งที่ไม่เคยทำกันมาก่อนหลายอย่าง </strong>ปกติทีมผมเน้นพัฒนาที่เว็บ หรือไม่ก็แอพพลิเคชันบ้าง แต่กับเกมนั้นถือว่าทีมมีประสบการณ์น้อยมากๆ ส่งผลให้การประเมินเวลางานในการทำเกมนั้นผิดพลาดไปด้วย ทั้งเรื่องการพัฒนาเกม, การตกแต่งตัวเกม, การนำไปใช้งานบน AR รวมถึงเรื่องของ Multiplayer กับแนวเกมอย่าง Tower Defense ทำให้ต้องลดขนาดงานในช่วงเวลาใกล้เสร็จกันพอสมควร และพวกเราก็มีกันแค่ 3 คน ผมจึงแบ่งงาน 3 คนตามส่วนของเกมไปเลยเป็น คนทำเกม(ผม), คนทำส่วนควบคุม Cardbard บน AR และตกแต่งเกม(เอิท) และคนทำ AR และ Server สำหรับ Multiplayer(เป้) แล้วค่อยนำมารวมกันตอนที่ทุกคนทำเสร็จ รวมถึงครั้งนี้ไม่ใช้เทคโนโลยีอย่าง git กลายเป็นว่าตอนรวม code กันก็ถือว่าเละไม่ใช่น้อย ชนิดที่พัฒนาต่อคงทำยากแน่ๆ และเอาเข้าจริงเวลาที่รวมกันแล้วเสร็จจริงๆ คือราวๆ ตี 5 ของวันจัดงานนั่นเอง (แล้วไป publish project กันในงานเลย) ปัญหาที่ถือว่าพีคสุดของส่วนนี้คือ การที่เอิทนั่งตกแต่งแผนที่กว่า 5 ชั่วโมง แต่ตอนนำมาใช้จริงกลับแสดงผลไม่ได้เข้า ส่งผลให้ต้องมานั่งทำกันใหม่กันหมดเลย แถมทำมาอีกรอบก็ดั้นใช้กับ AR ไม่ได้อีก แผนที่นี่เลยเสร็จเอาจริงๆก็ตอนตี 5 นี่แหละ</li></ol><p>ที่เหลือก็เป็นปัญหาเล็กๆน้อยๆที่เราเจอกันปกติเวลาทำงานเช่น การสื่อสารในทีม, การเห็นภาพเดียวกันของทีม ซึ่งจริงๆอีกวิธีแก้ปัญหาหนึ่งที่พวกเราใช้(และขอแนะนำ) คือพวกเรามักจะหยุดนิ่งกันสักครู่ ยกมือไหว้ ลองปิดแล้วเปิดใหม่ดู บางครั้งก็สามารถใช้แก้ปัญหามาได้ไม่น้อยเหมือนกันนะะ</p><h4>วันงาน — ช่วงจัดแสดง</h4><p>เมื่องานเสร็จทันเท่ากับว่าเราก็สามารถจัดแสดงได้แล้วนั่นเอง พวกผมเดินทางไปถึงสถานที่จัดงานเวลา 7 โมงกว่าๆ (หลังจากงานเสร็จประมาณ 2 ชม. เรียกว่า งานในเครื่องกำลังร้อนเลย) หลังจากที่ผมเข้าไปสอบถามกับทางเจ้าหน้าที่ บอกชื่อทีมกับเขา คำแรกที่พวกเราได้รับจากทางเจ้าหน้าที่คือ</p><p>“ไม่มีรายชื่อทีมนี้อยู่ในระบบนะคะ”</p><p>โอ้ว ก๊อตต ตอนนั้นเขาถามผมว่า “เป็น Exhibitor หรือผู้เข้าร่วมงานเฉยๆ” บอกตามตรงนะ ตอนนั้นไม่รู้เลยว่า Exhibitor เนี่ยมันแปลว่าอะไร เห็นพูดกันแนวๆบริษัท เลยเข้าใจไปเองว่าคงเป็นผู้จัดบูธมั้ง ผมก็เลยตอบไปว่า “ใช่ ชื่อทีม Military Board มาจากม.เกษตรครับ” แต่เขาก็บอกว่า ผู้จัดงานให้รายชื่อมาแค่นี้ไม่มีจริงๆ เขาบอก “หรือเราเป็นผู้ร่วมงาน” ผมก็เดินไปดูรายชื่อผู้เข้าร่วมงาน ก็ยังไม่มีอีกต่างหาก</p><p>สภาพพวกเราตอนนั้นคือ แต่งตัวมาพร้อม อุปกรณ์ทุกอย่างพร้อม แถมยังแบกหน้าจอแยกขนาด 22 นิ้วสำหรับจัดแสดงมาแล้ว แล้วยังไง… เรามากันผิดงานเหรอ… คนที่ผมโทรคุยนัดหมายผมเมื่อวานเขาคือใครกัน… แล้วไอที่พยายามมาถึงเช้านี่คืออัลไล… ผมนี่ยืนอึ้งอยู่สักครู่ ทางเจ้าหน้าที่เขาเลยบอกว่า “เอางี้ ไปถามจากคนในงานที่เป็นผู้จัดงานจริงๆเลยดีกว่า จะได้ชัวร์” ผมก็โอเค เพื่อคลายข้อสงสัย ผมจึงเดินเข้างานเข้าไปโดยไม่ได้ลงชื่ออะไรเอาไว้ พอเข้าไปในงานเท่านั้นแหละ… มีโต๊ะชื่อทีมพวกเราอยู่! โอเค เรามาไม่ผิดงาน และเราไม่ได้ฝันไป!! สอบถามจากคนในงานที่จัดบูธเหมือนกันกับผู้จัดงานก็บรรลุว่า จริงๆเขามีลงทะเบียนยืนยันกันอีกรอบซึ่งส่งมาทางอีเมล์ ผมคงลืมอ่านจากในนั้นเลยกลายเป็นว่าผมไม่ได้ลงทะเบียนไป(ถือว่าเป็นความผิดพลาดของผมเอง) สุดท้ายผู้จัดงานก็เลยพาผมไปยืนยันกับเจ้าหน้าที่ด้านหน้างาน และได้รับการเลื่อนยศเป็น “Exhibitor” ในที่สุด</p><p>เข้าสู่ตัวงานเวลา 8 โมงกว่าติดตั้งอุปกรณ์ นำแอพพลิเคชันเข้ามือถือ ตอนนี้ทุกอย่างก็พร้อมและ และงานก็เริ่มขึ้นเวลา 9 โมง คนเริ่มทยอยเข้ามาเรื่อยๆ ช่วงเริ่มงานคนน้อยพอสมควร มีคนเข้ามาถามบ้างนิดๆหน่อยๆ ตอนนั้นผมคิดว่า ในงานมันมีเวิร์คชอพกับบรรยายด้วยคนเดินบูธคงไม่เยอะหรอกมั้ง เท่านั้นแหละฮะประมาณ 10 โมงมาจากไหนกันไม่รู้เต็มไปหมด และก็เป็นอย่างงี้ยาวจนถึงประมาณ 4 โมงเย็นเลย</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*VerHUfN_g0gwsR-TYcLP8w.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/1*ssB-RcJbST0Lq8sOpXid3A.jpeg" /><figcaption>ขอบคุณภาพจาก techsauce.co</figcaption></figure><p>นี่ไม่ใช่ครั้งแรกที่ผมออกบูธ ผมเลยคิดว่าวันนี้ก็คงไม่มีอะไรมากหรอกมั้ง กลัวตัวเองจะเบื่อๆด้วยซ้ำ เพราะปกติเวลาออกบูธจะต้องพูดประโยคแนวๆเดิมซ้ำๆ ทำแบบเดิมซ้ำๆกับทุกๆคนที่เข้ามา แต่กลายเป็นว่าสนุกกว่าที่คิด ลืมอาการง่วงที่มีอยู่ของตัวเองไปเลย เลยอยากเขียนแชร์ประสบการณ์ที่รู้สึกประทับใจเป็นข้อๆไปนะครับ</p><ol><li><strong>คนสนใจเรื่อง AR มากกว่าที่คิด</strong> เนื่องด้วยเทคโนโลยี AR มีมาเป็นเวลาพอสมควรแล้ว ผมตอนที่เริ่มคิดไอเดียสำหรับงานนี้ยังคิดว่า “พวกเขาอาจจะไม่สนใจก็ได้” “เขาอาจจะเคยเห็นมาแล้ว” ผมจึงโฟกัสที่การทำเกมให้สนุกที่สุดเท่าที่จะทำได้แทน แต่กลับกลายว่าคนในงานสนใจ AR มากกว่าตัวเกมเสียอีก หลายคนตื่นเต้นกับเพียงแค่เห็นเกมลอยออกมาจากกระดาษ ซูมเข้าซูมออก เห็นตัวละครตัวเองเดินเล่นได้ โดยไม่สนใจเสียด้วยซ้ำว่าผลงานจริงๆแล้วมันคืออะไร ตอนหลัง ผมเลยเรียงลำดับการพูดใหม่ให้เรื่อง AR กับ Cardboard ขึ้นต้นแล้วให้เขาทดลองใส่เล่นทันที จึงค่อยตามด้วยอธิบายตัวเกมแทน ซึ่งผลลัพธ์ถือว่าโอเคกว่าตอนที่ผมพยายามอธิบายตัวเกมก่อนมาก</li><li><strong>ชาวต่างชาติที่พยายามเข้าใจพวกเรา</strong> ปกติเวลาผมไปออกงานที่รู้แน่ๆว่าต้องใช้ภาษาอังกฤษ ผมจะพกเพื่อนในทีมที่พอสื่อสารกับชาวต่างชาติได้ไปด้วย แต่เนื่องด้วยงานครั้งนี้มีแค่พวกเรา 3 คน และภาษาอังกฤษเพื่อการสื่อสารของพวกเรานี่ก็จัดได้ว่า เอิ่ม… (บรรยายไม่ถูกเลยทีเดียว) การที่ชาวต่างชาติมาที่บูธจึงถือเป็นความท้าทายอย่างหนึ่งของพวกเราเลย เราจะอธิบายผลงานพวกเราอย่างไรดี ? เขาจะเข้าใจกับสิ่งที่เราทำมานี่ไหม ? หนึ่งในตัวอย่างบทสนทนาที่ผมถือว่าผมประทับใจชาวต่างชาติมากๆ<br>ชาวต่างชาติ : “Umm.. What…. (เขาถามประมาณว่าโปรเจคคุณคืออะไรมั้ง)”<br>พวกเรา : … (เงียบ หันมาถามกันเองว่าเขาถามอะไร)<br>ชาวต่างชาติ : “What… (เหมือนเขาจะถามคำถามเดิมซ้ำ)”<br>พวกเรา : … (เงียบ)<br>ชาวต่างชาติ : “มันคืออะไรครับ ผลงานของพวกคุณ”<br>พวกเรา : อ่อ มันคือเทคโนโลยี บลาๆๆ (คิดในใจ: โอ้ว สวรรค์เขาพูดไทยได้ 555)<br>แน่นอน จะมีฝรั่งสักกี่คนที่พูดไทยได้กันเชียว ทางออกที่ดีที่สุดที่พวกเราใช้คือ ในเมื่อพวกเราอธิบายว่ามันคืออะไรไม่ได้ในอังกฤษ เราก็ให้เขาลองเล่นซะเลย (ใช้ภาษากายนั่นเอง) ถ้าฝรั่งมา เราจะส่ง Cardboard ให้เขาใส่ดูทันทีโดยอธิบายจากสิ่งที่เขาเห็น “You see a game in cardboard, right? ” “You see a yellow point ?” “click it to move player in the game” “It’s a tower defense game!” ที่เหลือสงสัยไรก็ให้เขาถามเอาเอง ตอบเท่าที่เราจะพูดได้เป็นคำๆไป ซึ่งก็ถือว่าได้ผล ชาวต่างชาติสนใจที่จะดูและเล่นผลงานพวกเรา ถึงแม้หลายคนจะจากบูธไปด้วยสีหน้างงๆก็ตาม ผมจำได้ว่ามีชาวต่างชาติคนหนึ่งเขาบอกว่า “Hi, I’m speaker from google. Your project is so great!” แล้วก็เข้ามาจับมือผมกับเพื่อน ยืนดูคนอื่นเล่นอยู่สักครู่ แล้วก็ยกนิ้วให้พวกเรา ถึงผมจะงงกับสิ่งที่เกิดขึ้นก็ตาม แต่ทำให้ผมรู้สึกดีอย่างไม่น่าเชื่อ ผลงานชิ้นนี้จึงถือว่าเป็นชิ้นแรกที่ผมได้รับคำชมจากภาษาต่างประเทศครั้งแรกว่า “Great” เลยก็ว่าได้</li><li><strong>พวกเรากลายเป็นส่วนหนึ่งของการทำให้คนรู้จัก Cardboard มากขึ้น</strong> มีคนถามพวกเราเรื่อง Cardboard กันพอสมควร สารพัดคำถามมาตั้งแต่ว่า อุปกรณ์นี้พวกคุณสร้างกันเองใช่ไหม ? อ้าว มันต้องใช้กับมือถือด้วยเหรอ ? ทำไมตัวนี้ไม่เห็นเหมือนกับที่แจกอยู่ในงานเลยอะ ? พวกคุณได้มันมาจากที่ไหน ? (จำได้ว่าตอนที่ตอบคำถามนี้ มีคนกำลังแจกอยู่พอดีด้วย) Your game play with google glass right ? ทำไมต้องใช้อะ มันแตกต่างกับเล่นในมือถือนี้ยังไง ? (คำตอบนี้อยู่ด้านบน บทความนี้แล้ว) พวกผมยินดีอยู่แล้วที่จะให้ข้อมูลเท่าที่พวกผมรู้กันจากการพัฒนาเกมนี้มา ผมก็ยังมีความเชื่อว่า ในอนาคตมันอาจจะกลายเป็นส่วนหนึ่งของสิ่งที่ผู้คนอาจจะมีติดตัวกันทุกคก็เป็นได้</li><li><strong>มีคนกำลังมองหานักพัฒนาด้านนี้อยู่ด้วย</strong> งานนี้จริงๆแล้ว พวกผมส่งด้วยเหตุผลแค่ เราก็มีโปรเจคจบที่เป็นลักษณะประมาณนี้อยู่เลยอยากลองส่งดูเผื่อว่าจะช่วยกระตุ้นกับตัวโปรเจ็คจบไปด้วย แต่เท่าที่คุยกับคนในงานหลายคน หลายคนก็อยากให้มีแอพพลิเคชันเกิดขึ้นเป็นของจริง ใช้งานได้จริง สอบถามเราว่ามันทำอะไรอย่างอื่นนอกจากเกมได้ไหม ? ซึ่งแน่นอนว่ามันทำได้ แต่ด้วยข้อจำกัดที่ยังมีอยู่มากโดยเฉพาะตัวมือถือเอง เรื่องการพัฒนาขึ้นมาใช้จริงนั้น อาจจะต้องมีอะไรที่ดีกว่ามือถือที่พวกเราใช้กันอยู่ก็เป็นได้ บางคนก็ขอวิธีติดต่อของพวกเราไป เผื่อมีโอกาสได้พัฒนาด้านนี้จะให้พวกเราลองไปทำดู มันทำให้ผมได้รู้ว่า จริงๆก็มีคนที่อยากมีสิ่งที่สามารถทำสิ่งแบบนี้ได้เหมือนกันที่ไม่ใช่แค่กับเกม แต่เป็นสื่อที่จะทำให้เกิดประโยชน์จริงบนโลกใบนี้ของเราได้</li><li><strong>มีคนหนึ่งจะขอ “ซื้อ” เกมนี้</strong> เป็นอะไรที่ผมตกใจที่สุดในงานแล้ว เพราะตัวเกมนั้นผมยังทำไม่เสร็จเลยด้วยซ้ำ แสดงผลออกมาชนิดที่ป้อมยังสามารถลอยฟ้าได้อยู่เลย แต่คนนั้นเขาเล่นแล้ว เขาบอกว่าเขาชอบมาก ราคาเท่าไหร่ว่ามา เขาจะซื้อ ซึ่งผมก็บอกกับทางเขาไปว่ายังพัฒนาไม่เสร็จ เขาก็บอกว่า “เห้ย ผมว่ามันเล่นได้แล้วนะ โอเคเลยนะ เอางี้ผมชอบเล่นเกม Moba ถ้าคุณทายเกมที่ผมเล่นถูก ให้ผมซื้อเท่าไหร่ว่ามาได้เลย” ไม่รู้ว่าควรจะโล่งใจหรือเสียใจดี ที่ผมทายเกมของเขาผิดกันนะ 555 (แต่ดีใจมากๆนะครับที่ชอบ ถ้ามีโอกาสได้พัฒนาจนเสร็จ ถึงวันนั้นก็ซื้อด้วยนะครับ)</li></ol><p>โดยรวมถึงจะมีปัญหาแค่ไหนก็ตาม แต่ความประทับใจเหล่านี้เพียงพอให้ผมหายเหนื่อยกับความทุ่มเทที่ทำไปแล้วละครับ :D</p><h4>ความรู้สึกงาน Google Hackfair</h4><p>ผมชอบแนวงานจัดแสดงอยู่แล้ว ยิ่งเกี่ยวกับเทคโนโลยีก็ยิ่งเป็นเนื้อหาที่ผมสนใจด้วย งานถือว่าคึกคักดีครับ คนมาเดินงานตั้งแต่เด็กมัธยมจนถึงผู้ใหญ่วัยกลายคน สถานที่จัดงานก็โอเคครับ ดูดีทีเดียว แต่อันนี้ความรู้สึกส่วนตัวจริงๆคือ รู้สึกว่าของกินที่แจกในงานน้อย ที่ผมได้มีแค่น้ำกับข้าวเอง (หรือผมพลาดอะไรไปหรือป่าว/เห็นแก่กินนะเนี่ย) ส่วนเรื่องบรรยายกับ Workshop ผมไม่มีโอกาสได้เข้าร่วมเลยเพราะติดจัดบูธ รู้สึกเสียดายเหมือนกัน โดยรวมงานถือว่าโอเคครับ สนุกดี ถ้ามีครั้งหน้าและผมยังหาทีมได้ก็อาจจะไปร่วมในฐานะ Exhibitor อีกนะครับ :D</p><p>ขอบคุณ 2 หน่อนี่ด้วยที่ช่วยกันทำงานจนสำเร็จนะครับ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jjLexSLv3z7gXJ36Pbk_fA.jpeg" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1e85c975c2cc" width="1" height="1" alt=""><hr><p><a href="https://medium.com/mikelopster/%E0%B9%80%E0%B8%A1%E0%B8%B7%E0%B9%88%E0%B8%AD%E0%B8%97%E0%B8%B5%E0%B8%A1%E0%B8%82%E0%B8%AD%E0%B8%87%E0%B8%89%E0%B8%B1%E0%B8%99%E0%B9%84%E0%B8%94%E0%B9%89%E0%B8%A3%E0%B9%88%E0%B8%A7%E0%B8%A1%E0%B8%87%E0%B8%B2%E0%B8%99-google-hackfair-%E0%B9%83%E0%B8%99%E0%B8%90%E0%B8%B2%E0%B8%99%E0%B8%B0-exhibitor-1e85c975c2cc">เมื่อทีมของฉันได้ร่วมงาน Google Hackfair ในฐานะ “Exhibitor”</a> was originally published in <a href="https://medium.com/mikelopster">Mikelopster Blog</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[รีวิวหนังสือ “อ่านทะลุความคิด ด้วยจิตวิทยาแห่งการโกง”]]></title>
            <link>https://medium.com/mikelopster/%E0%B8%A3%E0%B8%B5%E0%B8%A7%E0%B8%B4%E0%B8%A7%E0%B8%AB%E0%B8%99%E0%B8%B1%E0%B8%87%E0%B8%AA%E0%B8%B7%E0%B8%AD-%E0%B8%AD%E0%B9%88%E0%B8%B2%E0%B8%99%E0%B8%97%E0%B8%B0%E0%B8%A5%E0%B8%B8%E0%B8%84%E0%B8%A7%E0%B8%B2%E0%B8%A1%E0%B8%84%E0%B8%B4%E0%B8%94-%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2%E0%B8%88%E0%B8%B4%E0%B8%95%E0%B8%A7%E0%B8%B4%E0%B8%97%E0%B8%A2%E0%B8%B2%E0%B9%81%E0%B8%AB%E0%B9%88%E0%B8%87%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B9%82%E0%B8%81%E0%B8%87-feb508107c72?source=rss----f5fcaa29d569---4</link>
            <guid isPermaLink="false">https://medium.com/p/feb508107c72</guid>
            <dc:creator><![CDATA[Tanitphon Paniwan]]></dc:creator>
            <pubDate>Tue, 15 Nov 2016 02:24:00 GMT</pubDate>
            <atom:updated>2015-07-28T16:42:31.331Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Y5KHZJcCkOCJtevzvgSpDw.jpeg" /></figure><p>หนังสือ <em>“อ่านทะลุความคิด ด้วยจิตวิทยาแห่งการโกง”</em> เป็นหนังสือที่แปลมาจากหนังสือต่างประเทศชื่อ <em>“The (Honest) truth about dishonesty”</em> จากคุณ Dan Ariely ที่ได้ทางสำนักพิมพ์ Welearn นำมาแปลเป็นฉบับภาษาไทย โดยตัวคุณแดนเนี่ย เขาเคยเขียนหนังสือมาหลายเล่มแล้ว โดยที่ทาง Welearn นำมาแปลแล้วคือ “พฤติกรรมพยากรณ์” และ “เหตุผลที่ไม่ควรมีเหตุผล” (เชื่อว่าหลายคนคงเคยอ่าน ไม่ก็เคยเห็นผ่านๆตามร้านหนังสือแล้ว แต่บังเอิญว่าผมไม่เคยอ่านนี่สิ เลยชวนให้ไม่อินเวลาคุณแดนพูดถึงหนังสือเล่มเก่าของเขาเลย)</p><p>หนังสือนี้เป็นหนังสืออีกหนึ่งเล่มที่ชวนให้คิดตามไปตลอดทั้งเล่มเลย โดยตัวเนื้อหานั้นเขียนเกี่ยวกับเรื่องของการโกงที่เกิดขึ้นได้ทุกรูปแบบไม่ว่าจะเป็น การโกงเพียงเล็กๆน้อยๆ การมีผลประโยชน์ทับซ้อนมาเกี่ยวข้อง การมีวัฒนธรรมที่ส่งเสริมต่อการโกง หรือแม้แต่การมีความคิดสร้างสรรค์ก็ยังส่งผลต่อการโกงได้เลย! โดยคุณแดนเขาเป็นอาจารย์สาขาเศรษฐศาสตร์เชิงพฤติกรรมและเป็นนักจิตวิทยาอยู่ที่มหาวิทยาลัยดุ๊ก เขาก็ได้ตั้งสมมุติฐานหลากหลายรูปแบบจากการพบเห็นในชีวิตประจำวันของเขาแล้วนำมาสร้างเป็นการทดลองเพื่อเปรียบเทียบว่า ในสถานการต่างๆมนุษย์เรามีวิธีการตัดสินใจโกงอย่างไรบ้าง เพื่อความเข้าใจที่ยิ่งขึ้นผมขอยกตัวอย่างสักช่วงของหนังสือเล่มนี้มาให้อ่านนะครับ</p><p>การทดลองสุดคลาสสิคของหนังสือนี้(เรียกได้ว่า กว่าครึ่งเล่มเลยก็ว่าได้) คือการแบ่งคนออกเป็น 2 กลุ่ม เข้าร่วมการทำข้อสอบคณิตศาสตร์ปรนัย โดยกลุ่มแรกที่เป็นกลุ่มควบคุมคือสอบเหมือนปกติ สอบเสร็จแล้วนำกระดาษคำตอบของตัวเองมาตรวจคำตอบจากกระดาษตรวจคำตอบที่ทางผู้คุมสอบเตรียมไว้พร้อมนับคะแนน แล้วส่งกระดาษคำตอบให้ผู้คุมสอบพร้อมบอกคะแนน กับอีกกลุ่มหนึ่ง สอบเสร็จ ตรวจคำตอบพร้อมนับคะแนน เสร็จแล้วให้ทำลายกระดาษคำตอบใบนั้นทิ้งลงถังขยะพร้อมกับเดินไปบอกคะแนนผู้คุมสอบ ซึ่งแน่นอนว่ากลุ่มที่ 2 สามารถโกหกว่าคะแนนตัวเองสูงกว่าความเป็นจริงได้เนื่องจากทำลายกระดาษสอบไปแล้ว แต่ประเด็นที่สำคัญคือ คะแนนสามารถแลกเปลี่ยนเป็นเงินได้ด้วย! โดยผู้คุมจะให้ค่าตอบแทน 10 เซนต์ต่อจำนวนข้อตามที่ผู้เข้าสอบบอกนั่นแหละ เรียกว่า จูงใจให้โกงกันแบบสุดๆไปเลย โดยคะแนนนั้นมาจากการเฉลี่ยของทุกคนในแต่ละกลุ่ม แล้วเทียบกันระหว่าง 2 กลุ่มว่า กลุ่มที่มีโอกาสโกงได้นั้น เลือกที่จะโกงหรือบอกมากกว่าตามความเป็นจริงอยู่ที่ประมาณเท่าไหร่ โดยเทียบกับคะแนนเฉลี่ยของกลุ่มควบคุมนั่นเอง</p><p>ทีนี้คุณแดนเนี่ย เขาก็สร้างตัวแปรต่างๆมาเพื่อวัดผลการโกงจากการทดลองแนวๆนี้ เช่น ถ้าเปลี่ยนจากเงินเป็นสิ่งอื่นที่นำไปแลกเป็นเงินทีหลังได้(เช่น แสตมป์ อย่างงี้) จะทำให้คนโกงคะแนนเพิ่มขึ้นไหมนะ ? หรือถ้าให้ของคน 2 กลุ่มเป็นผู้หญิงทั้งหมด โดยกลุ่มหนึ่งได้กระเป๋าแบรนด์ของปลอม อีกคนได้กระเป๋าแบรนด์ของแท้ แล้วคน 2 กลุ่มนี้ใครจะโกงมากกว่ากันนะ ? หรือถ้าอยู่ๆมีผู้เข้าสอบ(ที่เตี๊ยมกับทางนักวิจัย)ใช้เวลา 5 นาทีทำข้อสอบเสร็จ (ทั้งๆที่มันควรจะใช้เวลานานเป็นชั่วโมง) คนเราจะโกงตอนบอกคะแนนมากขึ้นไหมนะ ?</p><p>อารมณ์หนังสือก็จะประมาณนี้ครับ จริงๆการทดลองมีอีกหลายรูปแบบและทุกรูปแบบถูกสร้างมาเพื่อดึงดูดให้ผู้เข้าร่วมโกงโดยเฉพาะ ที่สำคัญคือทุกการทดลองมีเงินมาล่อแทบจะทุกการทดลองเลยก็ว่าได้ (เรียกว่า นักวิจัยกลุ่มนี้ต้องมีทุนหนาเลยล่ะ)</p><p>หนังสือเล่มนี้เหมาะกับคนทั่วๆไปที่สนใจแนวจิตวิทยา อยากเข้าใจถึงแก่นของการคดโกงที่มีอยู่บนโลกมนุษย์ใบนี้ สามารถหาซื้อได้ตามร้านหนังสือทั่วๆไป (หนังสือเก่าแล้วแหละ แต่ผมเชื่อว่ายังมีอยู่นะครับ) พอดีเห็นว่าหนังสือสนุกดีเลยขอนำมารีวิวกับเล่าเก็บไว้เผื่อคนที่กำลังหาอะไรอ่านอยู่แล้วยังไม่เคยอ่าน จะได้มาลองชิมหนังสือเล่มนี้ดูนะครับ</p><p>สุดท้ายนี้ ขอทิ้งท้ายด้วย <strong>ข้อเท็จจริงส่วนหนึ่ง</strong>จากหนังสือเล่มนี้ และถ้าเหล่าผู้อ่านคิดว่ามันน่าสนใจและน่าตามไปพิสูจน์ละก็ จงไปติดตามเสพต่อในหนังสือโดยพลัน!</p><blockquote>หลักการ SMORC ที่ว่าด้วยเรื่อง “มนุษย์เราจะโกงมากขึ้นเมื่อสิ่งนั้นทำให้เราได้รับเงินมากขึ้น โดยปราศจากความเสี่ยงที่จะจับได้หรือถูกลงโทษ” เชื่อไหมครับ <strong>หลักการนี้ใช้ไม่ได้จริงเลยกับการตัดสินใจในเรื่องการโกงของมนุษย์ของเรา!</strong></blockquote><blockquote>เราเลือกที่จะโกงเพียงเล็กน้อยมากกว่า การโกงแบบเห็นได้ชัด แม้ว่า จะเพิ่มสิ่งล่อใจอย่างเงินมากแค่ไหนก็ตาม</blockquote><blockquote><strong>แล้วยิ่งสิ่งนั้นห่างไกลจากเงินมากเท่าไหร่ เรายิ่งมีโอกาสโกงมากขึ้น</strong> แม้ว่าสิ่งนั้นจะเกี่ยวข้องกับเงินมากแค่ไหนก็ตาม</blockquote><blockquote>คนใช้สินค้าเลียนแบบ(ของปลอม) มีโอกาสโกงมากกว่า คนใช้สินค้าของแท้</blockquote><blockquote>ต่อให้องค์กรนั้นพยายามเปิดเผยข้อมูลกันอย่างโปร่งใส ทุกคนในองค์กรก็คิดหาวิธีโกงกันได้อยู่ดี!</blockquote><blockquote>แค่ท่องคำปฏิญาณ ระลึกถึงบาบบุญคุณโทษก็สามารถลดอัตราการโกงได้แล้วนะ</blockquote><blockquote>ยิ่งพลังใจเรากำลังจะหมดเมื่อไหร่ เรายิ่งมีโอกาสที่จะโกงมากขึ้นเท่านั้น</blockquote><blockquote><strong>มนุษย์เราจะยอมโกงเพื่อผลประโยชน์ของคนอื่น</strong>แม้จะไม่รู้จักกันเลย</blockquote><blockquote><strong>การทำงานกันเป็นทีมมีโอกาสโกงสูงกว่า </strong>การทำงานคนเดียว</blockquote><blockquote><strong>หมอขาประจำของเรายื่นข้อเสนอที่เป็นประโยชน์ต่อตัวหมอเองมากกว่า </strong>หมอที่เราพึ่งไปหาเป็นวันแรก</blockquote><blockquote>มนุษย์ยิ่งมีความคิดสร้างสรรค์ในตัวมากเท่าไหร่ ยิ่งมีโอกาสโกงมากเท่านั้น</blockquote><p>ขอฝากไว้เพียงเท่านี้ครับ จ๊บบ</p><p>เครดิตภาพจาก<br><a href="http://www.welearnbook.com/images/catalog_images/1398412562.jpg">http://www.welearnbook.com/images/catalog_images/1398412562.jpg</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=feb508107c72" width="1" height="1" alt=""><hr><p><a href="https://medium.com/mikelopster/%E0%B8%A3%E0%B8%B5%E0%B8%A7%E0%B8%B4%E0%B8%A7%E0%B8%AB%E0%B8%99%E0%B8%B1%E0%B8%87%E0%B8%AA%E0%B8%B7%E0%B8%AD-%E0%B8%AD%E0%B9%88%E0%B8%B2%E0%B8%99%E0%B8%97%E0%B8%B0%E0%B8%A5%E0%B8%B8%E0%B8%84%E0%B8%A7%E0%B8%B2%E0%B8%A1%E0%B8%84%E0%B8%B4%E0%B8%94-%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2%E0%B8%88%E0%B8%B4%E0%B8%95%E0%B8%A7%E0%B8%B4%E0%B8%97%E0%B8%A2%E0%B8%B2%E0%B9%81%E0%B8%AB%E0%B9%88%E0%B8%87%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B9%82%E0%B8%81%E0%B8%87-feb508107c72">รีวิวหนังสือ “อ่านทะลุความคิด ด้วยจิตวิทยาแห่งการโกง”</a> was originally published in <a href="https://medium.com/mikelopster">Mikelopster Blog</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Uber First Time]]></title>
            <link>https://medium.com/mikelopster/uber-first-time-4fc96cc014ca?source=rss----f5fcaa29d569---4</link>
            <guid isPermaLink="false">https://medium.com/p/4fc96cc014ca</guid>
            <dc:creator><![CDATA[Tanitphon Paniwan]]></dc:creator>
            <pubDate>Tue, 15 Nov 2016 02:23:39 GMT</pubDate>
            <atom:updated>2015-07-28T13:23:09.520Z</atom:updated>
            <content:encoded><![CDATA[<p>Uber จะว่าไปผมเองก็เคยได้ยินชื่อบริการรับส่งนี้มานานพอสมควรและ ทั้งจากเพื่อน รุ่นพี่ รุ่นน้องที่เคยใช้บริการ เห็นเขาว่า “ดีมากๆเลย บริการประทับใจ” “มันไม่เหมือนแท็กซี่ทั่วไปที่นายเคยรู้จัก” “นี่อาจจะเป็นวาระสุดท้ายของแท็กซี่ไทยเลยก็ได้นะ”</p><p>วันนี้มีโอกาสได้ใช้บริการ Uber จริงๆเป็นครั้งแรก สาเหตุที่ไม่เคยใช้บริการคือ ง่ายๆสาเหตุเดียวเลย “ขี้เกียจสมัครสมาชิก” ต้องลงทั้งบัตรเครดงบัตรเครดิต แล้วต้องใส่นุ่นนี่นั่นอีกเยอะแยก โอ้ย เสียเวลา เอาเวลาไปนั่งตีดอท เล่นโปเกม่อน แล้วใช้บริการแท็กซี่อินดี้ของไทยเราเหมือนเดิมดีกว่า</p><p>แต่วันนี้ต้องเดินทางไปยังต่างแดนแล้วรุ่นพี่ที่ทำงานบอกว่า ใช้ Uber ดิเขามีโปรโมชั่นไปกลับลาดพร้าวฟรี 150 บาทอยู่ แน่นอนไอเรามันก็สนับสนุนธุรกิจแนวใหม่แบบนี้อยู่แล้วก็เลยสมัครสมาชิกไปทันทีที่ได้ยิน ก็เลยได้รู้ว่าจริงๆที่มันวุ่นวายมีแค่ใส่เลขบัตรเครดิตเท่านั้นแหละ ที่เหลือก็กด Login with facebook กด next กด submit ไปก็จ๊บ (จริงๆสมัครปกติมันก็มีนะ แต่ท่านี้มันง่ายดี)</p><p>ผมเรียก Uber จากที่ทำงานซึ่งอยู่ลาดพร้าวซอย 18 โดยแอปพลิเคชัน Uber เนี่ยมันมีบริการเรียกรถอยู่ 2 ประเภทคือ UberX(รถเก๋งทั่วๆไป) กับ UberBlack(รถรีมูซีน แคมรี่ ใหญ่ๆหรูๆ) แล้วแอปเนี่ยมันตั้ง UberBlack เป็นค่าเริ่มต้นซึ่งราคาเริ่มต้นแพงกว่า UberX ประมาณเท่าตัว รวมถึง UberBlack ไม่สามารถใช้กับโปรโมชั่นที่นั่งฟรีลาดพร้าวได้ด้วย!(อันนี้แหละประเด็นใหญ่เลย) ตอนแรกที่ใช้ผมเกือบจะกดไปโดยที่ยังไม่รู้ว่ามันเลือก UberBlack เป็นค่าเริ่มต้นไว้ โชคดีที่มีรุ่นพี่ตาดีเห็นทัน เลยเปลี่ยนมาใช้ UberX ได้ทันเวลา พอเรากดเลือกเป้าหมายให้มารับแล้ว สักครู่มันจะขึ้นหน้าคนขับที่จะมารับเรา ว่าใช้รถอะไร หน้าตาใช้ได้หรือป่าว มีชื่อเสียงกี่ดาว(มันคือเรตติ้งของคนขับซึ่งได้จาก Feedback ของผู้ที่เคยใช้บริการ) แล้วเราต้องรออีกประมาณกี่นาทีรถถึงจะมา พอได้รับข้อมูลปุ๊บ สักพักจะมีเบอร์โทรศัพท์นิรนามโทรมาหาเราว่า “เรามาจาก Uber ให้ไปรับตรงที่ปักหมุดใช่ไหม” “มันอยู่ใกล้อะไรไหม ชั้นมาถูกหรือป่าว” เมื่อคุยตกลงปลงใจกันเรียบร้อย หน้าที่ต่อไปของเราก็คือรอ</p><p>4 นาทีแห่งการรอคอย หลังจากที่ระบุเป้าหมายที่ให้มารับพวกเรา 4 คน (มีผมกับเพื่อนอีก 3 คน) พวกเราได้ขึ้นรถสีเก๋งขาวยี่ห้ออะไรสักอย่าง(นี่ขนาดมันขึ้นข้อมูลมาให้ดูนะเนี่ย ยังจำไม่ได้เลย) มาพร้อมกับคนขับหญิงสาววัยกลายคน ผมก็ได้บอกเป้าหมายว่า พวกเราจะไปแถว อารีย์ซอย 1 เธอตอบรับและขับเคลื่อนรถสีขาวของเธอออกสู่ท้องถนนอันกว้างใหญ่</p><p>ผมเคยอ่านรีวิวแบบผ่านๆเกี่ยวกับ UberX มาบ้าง เห็นว่ามาตอนแรกๆ หลายคนก็ไม่ค่อยประทับใจเท่าไหร่ บ้างก็ว่าเจอคนบริการไม่ดีมั่งล่ะ เจอคนหน้าไม่รับแขกมั่งล่ะ ไม่รู้ทางมั่งล่ะ เขาก็บอกไปใช้ UberBlack ดีกว่า แพงกว่าแต่บริการเยี่ยมกว่าเยอะะ</p><p>ส่วนสำหรับการนั่งครั้งแรกของผม ผมกลับรู้สึกโอเคกับบรรยากาศที่ได้รับมากๆ รถก็ดูสะอาด น่านั่ง เพราะยังไงมันก็คือรถส่วนตัวของเขาอยู่ดี คนขับก็ดูเป็นกันเอง ชวนคุยอะไรก็คุย คันที่ผมนั่งเขาให้กินน้ำฟรีด้วย พอบอกว่าพวกเราพึ่งขึ้นครั้งแรก เขาก็ช่วยอธิบายถึงการใช้บริการ Uber ให้ฟัง เขาบอกว่า UberX เนี่ยมีค่าบริการเริ่มต้นอยู่ที่ 25 บาท และคิดเพิ่มกิโลละ 4.5 บาท (มาทราบทีหลังว่ามีคิดนาทีละ 1 บาทด้วย) ซึ่งก็ถือว่าไม่แพงนะ เมื่อเทียบๆก็คงแพงกว่าแท็กซี่อินดี้ไม่มากหรอก แล้วก็สามารถระบุเป้าหมายที่จะไปโดยปักหมุดแผนที่จากแอปได้แล้วเดี๋ยวเขาใช้แอป Uber จากฝั่งคนขับค้นหาเส้นทางเอง (ส่วนตัวผมชอบอันนี้นะ เป็นคนขี้เกียจอธิบายเส้นทางเพราะไม่ค่อยรู้ชื่อถนนหนทางเท่าไหร่ด้วย) เขาบอกว่าอีเวลาที่เห็นขึ้นตอนกดรอรถตอนแรกอะ อย่าไปเชื่อมันมาก มันคิดตามเวลาเมืองนอกไม่ได้วิเคราะห์ตามสภาพถนนบ้านเรา ส่วนใหญ่ไปไม่ค่อยทันตามเวลานั้นหรอก แน่นอนว่าถ้าเกิดเหตุการณ์แบบนั้น ตอนโทรคุยกับคนขับเราสามารถยกเลิกได้นะ แต่ต้องก่อน 10 นาทีหลังจากที่เรียกแล้ว ไม่อย่างนั้นก็ตัดเงินค่าธรรมเนียมการยกเลิก 45 บาทไปตามระเบียบ (ไม่มั่นใจตัวเลขนะครับว่าถูกหรือไม่ จำบ่ได้) ส่วนตัวของคนขับเองก็ทำมาได้ประมาณเกือบๆเดือนละ คือที่มาทำเนี่ยเพราะชอบขับรถอยู่แล้วก็เลยมาใช้บริการนี้ซะเลย ได้ตังด้วย ได้ขับด้วย คุ้มจะตาย</p><p>เมื่อถึงที่หมายก็ถึงขั้นตอนสุดท้ายคือจ่ายเงินและลงจากรถไปซะ เนื่องจากว่ามันคิดเงินผ่านบัตรเครดิต ตัว Uber มันเลยคิดวิธีง่ายๆว่าให้คนขับกดเสร็จสิ้นเมื่อถึงที่หมาย เสร็จแล้วก็จะมาแจ้งเตือนที่แอปเราว่า ค่าใช้จ่ายเท่าไหร่โดยจะคำนวนให้เสร็จเรียบร้อย(ส่งเป็นใบเสร็จให้ทางเมล์ด้วย มีรายละเอียดทั้งระยะทาง เวลา ว่าเสียไปเท่าไหร่) พร้อมกับสามารถให้ Rate &amp; Review คนขับไปได้ด้วย ดีเลยครับมีอะไรข้องใจจะได้เขียนกันไปได้ รวมถึงทำให้คนที่เรียกใช้บริการคนถัดไปได้รับทราบ Feedback ของคนขับคนนี้ล่วงหน้าด้วย มีข้อมูลที่ได้เพิ่มเติมจากตอนขากลับที่ใช้บริการ Uber อีกรอบคือ คนขับจะไม่ปฏิเสธผู้โดยสาร ไม่ว่าจะไปที่ไหนก็ตามที่อยู่ในขอบเขตที่ให้บริการทั้งหมด (ที่ผมสงสัยเพราะ ทั้งขาไป-กลับ คนขับจะถามที่หมายตอนพวกเราขึ้นรถเรียบร้อยแล้ว ไม่ถามเราก่อนตอนโทรเลยว่าจะไปไหน) ถ้าคนขับปฏิเสธ เราสามารถไปแจ้งทาง Uber ได้ แล้วทางบริษัทจะจัดการลงโทษขั้นสูงสุด ทั้งเสียค่าปรับ และลดคะแนนชื่อเสียงลงด้วย ซึ่งนับว่าส่งผลต่อความน่าอับอายครั้งยิ่งใหญ่ให้ชาว Uberian ยิ่งนัก</p><p>สรุปสั้นๆปิดท้าย ส่วนตัวชอบครับ บริการดี พร้อมให้คำแนะนำกับผู้โดยสารที่ไม่เคยใช้แบบผม ผมใช้บริการทั้งไป-กลับ ก็โอเคครับให้ความรู้สึกที่ดีเหมือนได้นั่งรถส่วนตัวย่อมๆ โดยรวมผมว่าอารมณ์โอเคกว่าแท็กซี่อินดี้ของไทยเรานะครับ คนขับก็คุยง่าย รถก็ไม่ต้องส่ง แก็สก็เต็มถังตลอด อยากไปที่ไหนก็พร้อมไปเสมอ ถือว่าดีครับที่มีโอกาสได้ลอง ใครที่ยังไม่เคยลองใช้บริการ ลองดูสักครั้งก็ไม่เสียหายนะครับ</p><p>ปล. อาจจะผิดพลาดบ้างในเรื่องข้อมูลนะครับ เพิ่มเติมได้ที่อากู๋ครับ บริการ Uber มีคน Review ไว้เยอะพอสมควรแล้วครับ ทั้งเชิงทฤษฎี(เทียบค่ารถแต่ละเจ้า)และปฏิบัติ(ไปนั่งแต่ละเจ้าแล้วมาเล่า) เลยขอเป็นเขียนเชิงความรู้สึกมากกว่าเผื่อใครที่คิดจะลองสักครั้งหนึ่งแล้วผ่านมาเห็นนะครับ</p><p>จ๊บบ</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4fc96cc014ca" width="1" height="1" alt=""><hr><p><a href="https://medium.com/mikelopster/uber-first-time-4fc96cc014ca">Uber First Time</a> was originally published in <a href="https://medium.com/mikelopster">Mikelopster Blog</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>