
![BB](/images/2021/004/01.png)

- ตนเองและเพื่อนอยู่ในแวดวงการวาดรูปอนิเมะ เนื่องจากปัญหาการกดราคาในตลาดจึงตั้งใจทำโมเดลขึ้นมาเพื่อเป็นตัวช่วยในการตั้งราคาคอมมิชชันรูปอนิเมะเบื้องต้น โมเดลเทรนด้วยข้อมูลทั้งรูปภาพ (image) และตารางเกี่ยวกับรายละเอียดของภาพ (tabular)
- เขียนสคริปท์ scrape ข้อมูลจาก Artists & Clients เว็บไซต์สำหรับซื้อ-ขายรูปวาดคอมมิชชันทั้งรูปและข้อมูล (ระยะเวลาที่ใช้วาด, จำนวนไลค์ของรูป, จำนวนรูปที่ศิลปินเจ้าของภาพเคยวาด, คะแนนรีวิว, ขนาด-สไตล์ของรูปภาพ) รวม 8,239 ชุด มีราคา 6-120 USD
- ความพยายามแรกคือทำ image classification ด้วยช่วงราคาช่วงละ 5 USD เพื่อเหมาะกับการใช้งานจริง ไม่ประสบผลสำเร็จเนื่องจากช่วงราคาแคบไปเมื่อเทียบกับการกระจายตัวของราคาที่เป็น power law distribution (รูปราคาถูกๆเยอะ ในขณะที่รูปราคาแพงมีไม่กี่รูป)
- เปลี่ยนการจัดกลุ่มเป็นการทำด้วย k-means clustering บนตัวแปรราคาตัวแปรเดียว ได้ผลดีขึ้นเล็กน้อย แต่เนื่องจากช่วงราคากว้างมากจึงใช้งานจริงไม่ได้
- ค้นพบว่าหลายรูปตั้งราคาไม่สมจริง เช่น บางรูปไม่ลงสีแต่ตั้งราคาถึง 21-25 USD (โมเดลทำนายว่า 5-10 USD) จึงตั้งสมมุติฐานว่าศิลปินบางท่านอาจจะตั้งราคาไม่ค่อยเป็น จึงทำการกรองเอาเฉพาะรูปของศิลปินที่เคยส่งงานมาแล้วอย่างน้อย 5 งานเท่านั้น
- กรองรูปที่ตั้งราคาเว่อร์ไป (outliers) ออกด้วย interquartile range ของ boxplot ทำให้เหลือรูป 2,028 ชุด ราคาระหว่าง 5-90 USD แบ่งเป็น train-validaiton-test set ที่ 80/10/10
- สร้างโมเดล image regression เพื่อทำนายราคาตรงๆด้วยชุดข้อมูลที่กรองแล้ว ได้ MAE ที่ประมาณ 11.1 ใน validation set
- สร้างโมเดล tabular regression เพื่อทำนายราคาเช่นกันจากข้อมูลระยะเวลาที่ใช้วาด, จำนวนไลค์ของรูป, จำนวนรูปที่ศิลปินเจ้าของภาพเคยวาด, คะแนนรีวิว, ขนาด-สไตล์ของรูปภาพ ได้ MAE ที่ประมาณ 11.5 ใน validation set
- นำผลการทำนายของทั้งสองโมเดลบน test set มาเฉลี่ยนกันได้ MAE 10.7 บน test set เทียบกับ 14.6 หากทำนายแค่ค่าเฉลี่ยของราคาทั้งหมด สรุปได้ว่าโมเดลสามารถทำนายราคาที่ควรตั้งได้อย่างแม่นยำ +/- 10 USD ดีกว่าเดามั่วประมาณ 4 USD
- ตั้งเป้าเก็บข้อมูลรูปภาพเพิ่มเพื่อให้ได้ประสิทธิภาพที่ +/- 5 USD
- ทดลองใช้งานได้บน webbapp ที่ทำด้วย streamlit บน Heroku (free-tier) เลือกได้ทั้งโมเดลที่ใช้เฉพาะรูปหรือใช้ทั้งรูปและตาราง
- รางวัลขวัญใจกรรมการในแง่ไหวพริบในการจัดการข้อมูล-โมเดลเมื่อผลลัพธ์ไม่เป็นไปอย่างที่คิด รู้จักประยุกต์ใช้เทคนิคและโมเดลได้อย่างเหมาะสมเพื่อให้เข้าใกล้ผลลัพธ์ที่ต้องการเช่นเดียวกับนักพัฒนาปัญญาประดิษฐ์ในชีวิตจริง พร้อมทั้งยังเป็นการใช้ปัญญาประดิษฐ์แก้ปัญหาในชีวิตประจำวันให้ตนเอง เพื่อนๆ และสังคมโดยรวมอย่างมีจิตสาธารณะ

![Data Augmentation](/images/2021/004/02.png)


![Visualization](/images/2021/004/03.png)


![Model Deployment](/images/2021/004/04.png)


### แรงจูงใจในการเข้าร่วมโครงการ (จากใบสมัครเข้าร่วมเมื่อ 9 สัปดาห์ที่แล้ว)

>"อยากศึกษาเรื่องการสร้างเอไอมานานแล้วเพราะเห็นว่าต่อยอดได้หลายทางค่ะ (อยากต่อยอดด้านการพัฒนาเกมและความปลอดภัยเครือข่ายเป็นพิเศษ) โดยส่วนตัวสนใจด้านการเขียนโปรแกรมมาตั้งแต่ ม.ต้น จึงเริ่มศึกษาจากการอ่านหนังสือในช่วงปิดเทอม จนได้มีโอกาสเขียนจริงตอน ม.4 ก่อนจะลาออกจากโรงเรียนมาเรียนโฮมสคูลตอน ม.5 เพราะรู้สึกว่าระบบการศึกษาไม่ตอบโจทย์ หลังจากนั้นก็ศึกษาจากคอร์สออนไลน์บ้างแต่ว่าเรื่องเกี่ยวกับการจัดการข้อมูลเป็นเรื่องที่ไม่ถนัดถ้าเทียบกับเรื่องอื่น เคยศึกษาเองจากหนังสือ data science แล้วแต่ไม่ค่อยเข้าใจเท่าไหร่ก็เลยอยากจะหาคอร์สเรียนเลยสนใจลงสมัครโครงการนี้ค่ะ (แบบทดสอบที่ทำก็ต้องเปิดหนังสือกับกูเกิลค่ะเพราะไม่ถนัดแต่อยากพยายามดูTT) และก็ต้องการมีเพื่อนมีสังคมคนชอบไอทีด้วยเพราะเพื่อนที่ รร. อยากทำงานด้วยการแพทย์หรือสถาปัตย์กันเกือบทุกคน"
>หลังจบการศึกษา:
>
>"อนาคตก็อยากจะพัฒนาต่อให้โมเดลมีประสิทธิภาพดีกว่านี้ค่ะ อยากเป็นกำลังใจให้ทุกคนที่วาดรูปคอมมิชชัน อยากให้ทุกคนเห็นคุณค่าในงานของตัวเองมาก ๆ ทุกคนเก่งมากนะเราเชื่อแบบนั้น แล้วก็ขอขอบคุณโครงการมากเลยค่ะจากที่ตอนแรกเราไม่มีความรู้ด้าน machine learning เลยแต่ก็ทำมาได้ขนาดนี้เป็นเพราะได้เทคนิคและคำแนะนำดี ๆ จากพี่ ๆ เมนเทอร์ทุกคน อยากเชิญชวนเพื่อน ๆ วัยมัธยมที่สนใจด้าน machine learning มาสมัครโครงการนี้ในรุ่นถัดไปกันค่ะ เราจะได้มีโมเดลใหม่ ๆ มาช่วยแก้ปัญหาส่วนตัวและปัญหาสังคมกันเนอะ😉"

แนะนำราคารูปคอมมิชชันอนิเมะด้วย machine learning โดย fastai

โดย Prad Rattanakijsoonthorn (BB) • มัธยมศึกษาปีที่ 5 / กรุงเทพมหานคร