Papoj Thamjaroenporn, Author at Big Data Institute

บทความของผู้เขียน

Articles

Data for Business

Digital Transformation สิ่งที่ทุกองค์กรต้องทำเพื่อความอยู่รอด

Digital Transformation เป็นคำที่องค์กรต่าง ๆ ทั่วโลกและในประเทศไทยเริ่มรับรู้และตระหนักอย่างจริงจังในช่วงทศวรรษที่ผ่านมา ตั้งแต่รายงานโดย McKinsey ในปี ค.ศ. 2017 ว่ามีองค์กรเพียง 40% ในภาคธุรกิจโดยรวมที่เข้าสู่ความเป็นดิจิทัลอย่างเต็มตัว มาจนถึงทุกวันนี้ในยุคหลังโควิด-19 (post-pandemic/new normal era) เราแทบจะนึกไม่ออกแล้วว่า มีองค์กรใดบ้างที่ยังไม่ได้เข้าสู่ความเป็นดิจิทัลทางใดทางหนึ่งแล้วยังอยู่รอดได้ แต่นั่นไม่ได้หมายความว่าทุกองค์กรจะสร้างความเปลี่ยนแปลงทางดิจิทัลได้อย่างประสบความสำเร็จ บางองค์กรโอบรับเทคโนโลยีดิจิทัลเข้ามาพร้อมกันหลายชิ้น แต่กลับเป็นเทคโนโลยีที่ไม่เชื่อมโยงกัน บางองค์กรพยายามบังคับให้คนในองค์กรต้องปรับวิถีการทำงานผ่านเทคโนโลยีชิ้นใหม่ แต่ทำได้ไม่นาน พนักงานก็กลับมาทำงานตามวิถีเดิม ทำให้องค์กรเสียทรัพยากรและค่าใช้จ่ายสูญเปล่ามหาศาล หลาย ๆ ท่านคงจะสงสัยกันแล้วว่า ในบทความนี้ ผมจะพาท่านผู้อ่านมาลองศึกษาและตอบคำถามเหล่านี้กันครับ วิวัตนาการ 3 ขั้นตอน สู่ Digital Transformation ก่อนอื่นเรามาทำความเข้าใจร่วมกันก่อนว่า กว่าองค์กรหนึ่งจะทำ Digital Transformation ได้นั้นจริง ๆ แล้วจะต้องผ่านวิวัฒนาการทางเทคโนโลยีสามขั้นตอน คือ Digitization, Digitalization, และตามท้ายด้วย Digital Transformation Digitization คือ การแปลงข้อมูลแบบแอนะล็อก (analog) เป็นข้อมูลแบบดิจิทัล (digital) ตัวอย่างคลาสสิกคือการสแกนเอกสารกระดาษเป็นเอกสารดิจิทัล เก็บในรูปแบบไฟล์ในระบบคอมพิวเตอร์ ลดความจำเป็นในการใช้ตู้เก็บเอกสาร ลดความเสี่ยงจากความเสียหายของข้อมูลในกรณีที่เอกสารเริ่มเก่า ขาด หรือเปียกน้ำ อีกตัวอย่างหนึ่งคือการใช้ word processor อย่าง Microsoft Word ในการสร้างเอกสารดิจิทัล แทนการสร้างเอกสารด้วยเครื่องพิมพ์ดีด Digitalization เป็นขั้นกว่าของ Digitization ซึ่งหมายถึงการใช้เทคโนโลยีดิจิทัลเพื่อทำสิ่งที่องค์กรทำได้อยู่แล้ว แต่ทำได้ดี เร็ว หรือประหยัดทรัพยากรได้มากกว่าเดิม ยกตัวอย่างเช่น การค้นหาข้อมูลจากเอกสาร ถ้าเป็นเอกสารกระดาษ องค์กรต้องใช้คนเปิดตู้เอกสารแล้วไล่ดูทีละแฟ้มจนเจอข้อมูลที่ต้องการ แต่การนำเทคโนโลยีดิจิทัลอย่างคอมพิวเตอร์มาใช้นั้น คอมพิวเตอร์จะสามารถค้นหาเอกสารที่ต้องการได้อย่างง่ายดายและรวดเร็ว ผ่านการพิมพ์คำค้นหาไม่กี่คำ โดยใช้ประโยชน์จากเทคโนโลยีการจัดเรียง (indexing and sorting) ไฟล์ดิจิทัลบนเครื่องคอมพิวเตอร์ และที่สำคัญคือ ประหยัดทรัพยากรมนุษย์อีกด้วย จะสังเกตได้ว่า Digitization และ Digitalization ไม่ได้ทำให้ธุรกิจหรือองค์กรสามารถทำอะไรใหม่ ๆ ได้มากกว่าเดิม เอกสารข้อมูลก็ยังคงมีอยู่ การค้นหาเอกสารก็ยังทำได้เหมือนเดิม แต่สามารถทำได้ดีขึ้น รวดเร็วขึ้น มีประสิทธิภาพมากขึ้น Digital Transformation คือการเปลี่ยนแปลงขั้นสูงทางดิจิทัลสำหรับองค์กร ซึ่งเป็นการนำเทคโนโลยีดิจิทัลเข้ามาสร้างนวัตกรรมใหม่ เปลี่ยนวิถีการทำธุรกิจหรือธุรกรรมไปจากเดิมโดยสิ้นเชิง และสร้างคุณค่า (value) ให้กับลูกค้าหรือผู้ใช้งานในทุกโอกาส (นิยามโดย Salesforce) โดยเริ่มจากการตั้งคำถามว่า “เราจะพลิกโฉมธุรกิจและกระบวนงานของเราได้อย่างไร ให้องค์กรก้าวไปสู่ขั้นกว่าของการตัดสินใจที่ดีขึ้น ประสิทธิภาพที่เพิ่มขึ้น และประสบการณ์ของลูกค้าและผู้ใช้งานที่ตรงใจมากขึ้น?” Digital Transformation เป็นการนำเทคโนโลยีดิจิทัลเข้ามาสร้างนวัตกรรมใหม่ เปลี่ยนวิถีการทำธุรกิจหรือธุรกรรมไปจากเดิมโดยสิ้นเชิง และสร้างคุณค่า (value) ให้กับลูกค้าหรือผู้ใช้งานในทุกโอกาส หากเรามองย้อนกลับไปที่ตัวอย่างของการจัดเก็บเอกสาร หากเราผนวก word processor ผนวกกับเทคโนโลยีคลาวด์ และ smartphones ทำให้พนักงานภายในองค์กรสามารถ (1) แก้ไขเอกสารได้ทันที, (2) เข้าถึงเอกสารจากที่ไหนก็ได้ โดยไม่จำเป็นต้องเดินทางไปออฟฟิศ, (3) สามารถใช้งาน collaboration feature เพื่อจัดทำเอกสารร่วมกับเพื่อนร่วมงานได้ ซึ่งสิ่งเหล่านี้เป็นขีดความสามารถ (capabilities) ใหม่ ๆ ที่องค์กรไม่เคยทำได้มาก่อนด้วยเทคโนโลยีเดิม ๆ ซึ่งช่วยเพิ่มประสิทธิภาพภายในองค์กรได้อย่างไม่เคยมีมาก่อน อีกตัวอย่างที่คลาสสิกมาก คือ กรณีศึกษาของ Netflix ที่ผันตนเองจากเดิมที่เคยเป็นผู้ให้บริการเช่าวิดีโอ มาเป็นผู้ให้บริการความบันเทิงผ่านช่องทาง streaming ซึ่งสอดคล้องกับเทคโนโลยีอินเตอร์เน็ตความเร็วสูงที่คนทั่วไปสามารถเข้าถึงได้ในวงการมากขึ้น ซึ่ง Digital Transformation ของ Netflix ทำให้เกิดประสบการณ์ที่ดีเยี่ยมกับผู้ใช้งานที่เทคโนโลยีเดิมไม่สามารถทำได้มาก่อน นั่นคือ ระบบการแนะนำสิ่งที่ตรงใจผู้ใช้งาน หรือ recommender system ซึ่งเกิดขึ้นได้จากการวิเคราะห์ข้อมูลด้านความชอบและพฤติกรรมการดูหนังของผู้ใช้งานที่ถูกจัดเก็บในรูปแบบดิจิทัล (อ่านเพิ่มเติมเกี่ยวกับนวัตกรรมดิจิทัลของ Netflix ได้ที่นี่) และประสบการณ์ที่ดีกว่าอย่างไม่เคยมีมาก่อนนี้ ทำให้ Netflix เข้ามาสร้างความสั่นสะเทือน (disruption) ในธุรกิจสื่อและความบันเทิงที่มีอยู่เดิม และแน่นอนว่า องค์กรที่ไม่สามารถปรับตัวได้ทันก็จะไม่สามารถดำเนินธุรกิจได้ต่ออย่างยั่งยืน Digital Transformation สามารถทำให้องค์กรหรือบริษัทหนึ่งสร้างความสั่นสะเทือน (disruption) ในวงการธุรกิจที่มีอยู่เดิม และแน่นอนว่า องค์กรที่ไม่สามารถปรับตัวได้ทันก็จะไม่สามารถดำเนินธุรกิจได้ต่ออย่างยั่งยืน มากกว่าการพัฒนาศักยภาพ Digital Transformation คือหนทางรอด จากนิยามความหมายของ Digital Transformation ข้างต้น เราพอจะเห็นภาพว่าทำไม Digital Transformation ถึงสำคัญ นั่นเป็นเพราะ Digital Transformation เป็นมากกว่าการแค่ทำให้องค์กรขึ้นพัฒนาศักยภาพตนเองให้ดีขึ้น แต่หลาย ๆ ครั้ง มันหมายถึง หนทางรอด ของธุรกิจนั้น ๆ เพราะถ้าองค์กรหรือบริษัทหนึ่ง ๆ ไม่วิวัฒนาการตนเองผ่าน disruption ในไม่ช้าก็จะต้องถูกองค์กรหรือบริษัทอื่น disrupt อยู่ดี นอกจากนี้แล้ว ผู้คนทั้งบุคลากรภายในองค์กรและบุคคลภายนอกที่ทำธุรกรรมกับองค์กรยุคใหม่ล้วนมีความคาดหวังที่สูงขึ้นจากความสะดวกสบายที่เทคโนโลยีดิจิทัลจะนำเสนอประสบการณ์ที่ดีให้ลูกค้าและผู้ใช้งานได้ ไม่ว่าจะเป็น และความคาดหวังที่สูงเหล่านี้สามารถถูกตีมูลค่าออกมาเป็นตัวเงินได้อีกด้วย ผลการวิจัยโดย Isobar ค.ศ. 2017 ได้ทำการศึกษาบริษัทที่จดทะเบียนในตลาดหลักทรัพย์ในสหรัฐอเมริกากว่า 1,000 บริษัท และค้นพบความสัมพันธ์ (correlation) ระหว่าง “ความมีศักยภาพทางดิจิทัล” ของบริษัทและราคาหุ้นของบริษัทในระยะยาวซึ่ง “ความมีศักยภาพทางดิจิทัล” นี้ถูกวัดโดยการพิจารณาจากองค์ประกอบต่าง ๆ เช่น ความเป็นที่รู้จักของแบรนด์ผ่านช่องทางดิจิทัล สัดส่วนรายได้ที่มาจากช่องทางดิจิทัล เป็นต้น ทำไม Digital Transformation ถึงทำยาก? การที่หลาย ๆ องค์กรก็ยังไม่สามารถทำ Digital Transformation ได้เป็นผลสำเร็จ อุปสรรคและข้อผิดพลาดที่มักเกิดขึ้น (Common Mistakes) สามารถแบ่งหลัก ๆ ได้เป็นกรณีดังนี้: ในงานสัมมนา Big Data Leadership Summit 2021 คุณปาจรีย์ แสงคำ Head of Digitization จากโอสถสภา ผู้เชี่ยวชาญด้าน Digital Transformation ได้กล่าวไว้ว่า อุปสรรคในการทำ Digital Transformation ที่สำคัญที่สุดไม่ใช่เรื่องทางเทคนิคหรือตัวเทคโนโลยีที่ใช้ แต่เป็นเรื่องของการบริหารจัดการทรัพยากรบุคคลในองค์กร การปรับเปลี่ยนทัศนคติ ความเชื่อ และอุปนิสัยที่บุคลากรภายในองค์กรอาจคุ้นชินกับวิธีการทำงานแบบเดิม ๆ ที่ได้ผลอยู่แล้ว ประกอบกับผลเสียที่อาจเกิดขึ้นหากมีการเปลี่ยนแปลงวิธีการทำงานแล้วเกิดข้อผิดพลาด ทำให้บุคลากรภายในองค์กรอาจมีกรอบความคิด (mindset) ที่ว่า “if it ain't broke, don't fix it.” (อย่าไปเปลี่ยนอะไรที่มันยังไม่เสีย) ซึ่งอาจรักษาเสถียรภาพขององค์กรโดยรวมไว้ได้ แต่ชุดวิธีคิดเช่นนี้กลับกลายเป็นอุปสรรคต่อวิวัฒนาการขององค์กรสู่ความเป็นดิจิทัล การปรับเปลี่ยนพฤติกรรม วิถีการปฏิบัติงาน และทัศนคติต่อการทำงานภายในองค์กรสู่ Digital Transformation คุณปาจรีย์ได้ให้ข้อแนะนำในหลักการเปลี่ยนพฤติกรรม วิถีการปฏิบัติงาน และทัศนคติต่อการทำงานภายในองค์กร สู่การขับเคลื่อนด้วย Digital Transformation ดังนี้ อุปสรรคในการทำ Digital Transformation ไม่ได้มีเพียงเรื่องทางเทคนิค แต่เป็นเรื่องของการบริหารจัดการทรัพยากรบุคคลในองค์กร แนวทางของกระบวนการ Digital Transformation ถึงแม้ว่ากระบวนการทำ Digital Transformation จะไม่ได้มีสูตรสำเร็จตายตัว แต่องค์ประกอบที่ชัดเจนที่คุณปาจรีย์ได้แนะนำไว้ โดยอ้างถึงแนวคิดจาก Gartner คือ การปลูกฝังค่านิยมและชุดความคิด (mindset) ผนวกกับกระบวนการทำงาน (process) ที่พร้อมรับความเปลี่ยนแปลงอยู่เสมอ เมื่อถูกขยายผลด้วยเทคโนโลยี (technology) ที่ตอบโจทย์และภารกิจขององค์กร จะนำไปสู่ขีดความสามารถ (capabilities) ใหม่ ๆ ที่สร้างประสิทธิผลเชิงประจักษ์ บทสรุป ท่ามกลางยุคที่ความเปลี่ยนแปลงเป็นเรื่องปกติ องค์กรที่ผ่านกระบวนการ Digital Transformation จะสร้างขีดความสามารถในการผลิตนวัตกรรมที่เป็นมากกว่าการเติบโต แต่อาจหมายถึงความอยู่รอดขององค์กร ทั้งนี้ คุณปาจรีย์ได้เน้นย้ำว่า ความท้าทายหลักของ Digital Transformation คือการบริหารจัดการทรัพยากรบุคคล และวัฒนธรรมองค์กร ซึ่งองค์กรสามารถเริ่มวางยุทธศาสตร์ตามหลักการเปลี่ยนพฤติกรรมและชุดความคิด (behavior and mindset) ภายในองค์กร ผนวกกับกระบวนการ และเทคโนโลยีที่เหมาะสม เนื้อหาโดย ปพจน์ ธรรมเจริญพร ตรวจทานและปรับปรุงโดย ปพจน์ ธรรมเจริญพร

1 June 2023

4 เหตุผลที่จะทำให้คุณตกหลุมรัก Box Plot

ในบทความนี้ ผมจะมาพาผู้อ่านทุกท่านทำความรู้จักกับ Box Plot แผนภาพอันทรงพลังที่ใช้ในการวิเคราะห์การกระจายตัวของข้อมูล บอกได้เลยว่าสามารถใช้วิเคราะห์ได้ดีไม่แพ้ Histogram เลยครับ! การวิเคราะห์การกระจายตัวของข้อมูล คำถามที่เกี่ยวข้องกับการวิเคราะห์การกระจายตัวของข้อมูล มีอยู่ในชีวิตประจำวันของเราทุกคน ยกตัวอย่างเช่น ซึ่งหลาย ๆ คน จะคุ้นเคยกับการตอบคำถามด้านบนด้วย Histogram ซึ่งก็ถือว่าเป็นตัวเลือก “คลาสสิก” เพราะทุกคนจะเคยเรียนรู้สิ่งนี้มาก่อนในวิชาคณิตศาสตร์ โดย Histogram เป็นการนำข้อมูลเชิงปริมาณ (Numerical Data) มา “นับจำนวนครั้ง” ที่พบค่าของข้อมูล ตามช่วงข้อมูลหรืออันตรภาคชั้น (Bins) และเมื่อเราสร้าง Histogram แล้ว เราสามารถตอบคำถามด้านบนได้หลากหลาย เช่น บทความนี้จะขอนำเสนอ 4 เหตุผลที่จะทำให้ผู้อ่านตกหลุมรัก Box Plot โดยจะมีการอธิบายรายละเอียดวิธีการทำงานของ Box Plot ภายในเนื้อหาด้วย เริ่มต้นที่เหตุผลข้อที่หนึ่งในส่วนถัดไปกันเลยครับ ? เหตุผลข้อ 1: Box Plot ประหยัดพื้นที่ ในยุคดิจิทัลทุกวันนี้ Business Intelligence, Visual Analytics, และ Data Visualization ได้เข้ามามีบทบาทในองค์กรต่าง ๆ ทั้งเรื่องการบริหารจัดการ การดูสถานะ การวางแผน และการตัดสินใจ ทำให้พื้นที่บนหน้าจออุปกรณ์พกพาต่าง ๆ ของเรากลายเป็น Real Estate ยุคใหม่ แน่นอนว่า การนำเสนอข้อมูลอะไรที่ใช้เนื้อที่เยอะเกินไป ดูจะไม่ค่อยคุ้มเสียแล้ว ซึ่งในการแสดงข้อมูลชุดเดียวกัน Box Plot สามารถย่อส่วนพื้นที่ที่จำเป็นต่อการแสดงข้อมูลจากแผนภาพสองมิติ (2D) เหลือเพียงมิติเดียว (1D) ทำให้เป็นแผนภาพที่เหมาะกับยุคดิจิทัลที่พื้นที่บนหน้าจอของเรามีจำกัด แต่ Box Plot ที่ถูกย่อส่วนลงมาแล้ว จะยังตอบคำถามหลาย ๆ คำถามได้เหมือน Histogram หรือไม่? เรามาดูเหตุผลข้อถัดไปกันครับ เหตุผลข้อ 2: Box Plot อัดแน่นไปด้วยข้อมูล แผนภาพ Box Plot ได้ชดเชยขนาดที่เล็ก ด้วยหลักการวาดส่วนสำคัญต่าง ๆ ของกล่องด้วยปริมาณที่สำคัญทางสถิติ ทำให้ Box Plot ยังคงให้ข้อมูลและข้อสังเกตได้หลากหลายประการ แต่ก่อนอื่นเราลองมาทำความรู้จักกับส่วนประกอบต่าง ๆ ของ Box Plot กันก่อนครับ Box Plot ประกอบไปด้วยส่วนของ “กล่อง” (Box) กับส่วนของ “หนวด” (Whiskers) และมีจุด ๆ แสดงข้อมูลจริง โดยอาจอยู่ได้ทั้งในและนอกหนวด (บางครั้งเราจะเห็นบางเวอร์ชันของแผนภาพที่โชว์จุดข้อมูลนอก Whiskers อย่างเดียว ก็ยังนับเป็น Box Plot อยู่) ซึ่งตำแหน่งของ Box และ Whiskers ถูกสร้างขึ้นมาได้ โดยตัวเลขทางสถิติทั้งหมดถึง 5 ตัวด้วยกัน เรียกรวมกันว่า The Five-Number Summary ประกอบไปด้วย: เพื่อยกตัวอย่างให้เห็นภาพ สมมติว่าเรานำข้อมูลอายุขัยของประชากรเพศชาย (Life Expectancy for Males) มาวางเรียงกัน จากน้อยไปหามาก แล้วหาค่าตามหลัก The Five-Number Summary แล้วคำนวณได้ว่า ค่าเหล่านี้ถูกนำไปใช้ทำจุดสำคัญต่าง ๆ บน Box Plot เป็นกล่องและหนวดนั่นเอง ดังภาพด้านล่าง ซึ่งมีข้อสังเกตว่า หากเราลองมาใช้ตัวเลข 5 ตัวนี้ แปลผล Box Plot เบื้องต้นกัน เราจะได้ข้อสังเกตหลาย ๆ อย่างได้ไม่ด้อยไปกว่า (หรือในบางมิติ เหนือกว่า) Histogram เช่น ท่านที่ช่างสังเกตจะพบว่ามีตำแหน่งสำคัญที่ผมยังไม่ได้อธิบายใน Box Plot คือตัวเลข 44 บนหนวด Whisker ข้างซ้าย และสิ่งที่น่าสงสัยอีกประการหนึ่งคือ เหตุใดค่า 80 ที่เป็น Maximum จึงไปอยู่บนปลายหนวดข้างขวาพอดี? เป็นความบังเอิญหรือไม่? ข้อสังเกต เหล่านี้สามารถถูกอธิบายได้ว่า จริง ๆ แล้ว จาก Five-Number Summary เราจะต้องมีการคำนวณปริมาณทางสถิติเพิ่มบางประการ กล่าวคือ: เราเอาค่า IQR มาคำนวณค่าปลายหนวดทั้งสองข้าง ดังนี้: เสมือนว่าเป็นการ “ขยาย” ตัวกล่องออกไปด้านข้างด้วยความกว้าง 1.5 เท่าของกล่อง แต่ขยายไม่เกินข้อมูลสูงสุดหรือข้อมูลต่ำสุดที่มีอยู่จริง ซึ่งกฎ 1.5 * IQR ได้รับการยอมรับอย่างแพร่หลาย โดยนิยามข้อมูลที่อยู่นอกช่วง [Q1 – 1.5 * IQR, Q3 + 1.5 * IQR] ได้ว่าเป็น ค่าสุดโต่ง หรือ Outliers (คือค่าเหล่านี้ นับว่าหายากมาก ๆ) ยกตัวอย่างเช่น ถ้าข้อมูลมีการกระจายตัวแบบปกติ (Normal Distribution) ข้อมูลที่อยู่นอกช่วง Lower Whisker และ Upper Whisker จะมีเพียง 0.7% เท่านั้น จึงถูกจัดเป็น Outliers เราจะเห็นได้ว่าแผนภาพ Box Plot ถึงแม้จะมีขนาดเล็กมากเมื่อเทียบกับ Histogram แต่ให้ข้อมูลและข้อสังเกตได้น่าสนใจหลายประการ ไม่ว่าจะเป็นลักษณะการกระจายตัว เช่น ข้อมูลเบ้ซ้ายหรือเบ้ขวา, ค่ากลางของข้อมูล, ช่วงของข้อมูลส่วนใหญ่, ช่วงของข้อมูลเกือบทั้งหมด, และค่าสุดโต่ง ซึ่งข้อสังเกตหลายข้ออาจสังเกตได้ง่ายกว่า Histogram ไม่ว่าจะเป็นค่ากลางมัธยฐาน, ค่าสุดโต่ง, ช่วงของข้อมูลส่วนใหญ่ เพราะมีตำแหน่งสำคัญต่าง ๆ ที่ถูกคำนวณและถูกกำกับอยู่ในแผนภาพอย่างชัดเจน หากท่านผู้อ่านได้อ่านมาถึงจุดนี้แล้วเริ่มรู้สึกหลงรัก Box Plot ผมขอเสนอเหตุผลอีกสองข้อที่จะทำให้ Box Plot น่าใช้งานมากขึ้นไปอีก เรามาดูข้อถัดไปกันเลยครับ เหตุผลข้อ 3: Box Plot ยืดหยุ่นในการนำเสนอ เนื่องจาก Box Plot เป็นแผนภาพ 1D ทำให้มีความยืดหยุ่นและสามารถถูกนำเสนอในรูปแบบแนวนอนหรือแนวตั้งก็ได้ ผมได้แสดงตัวอย่าง Box Plot ในแนวนอนด้านบนแล้ว เรามาดูตัวอย่างการนำเสนอ Box Plot ในแนวตั้ง ซึ่งผมจะนำเสนอพร้อมกับเหตุผลข้อสุดท้ายครับ...

7 September 2022

มารู้จักกับคลังข้อมูล (Data Warehouse) แหล่งข้อมูลในการทำ Business Intelligence

โดยปกติฐานข้อมูลจะถูกแบ่งเป็นแบบสัมพันธ์ (SQL) หรือ NoSQL และแบบธุรกรรม (OLTP) แบบเชิงวิเคราะห์ (OLAP) หรือแบบผสม (HTAP) ซึ่งถ้าเทียบกับเมื่อก่อนแล้วนั้นฐานข้อมูลของแผนกและฐานข้อมูลที่ทำขึ้นเพื่อจุดประสงค์พิเศษมีการปรับปรุงให้ดีขึ้นอย่างมากในทางธุรกิจ ความพยายามสร้างฐานข้อมูลที่รวมเป็นหนึ่งเดียวกันสำหรับข้อมูลทั้งหมดทั่วบริษัทถูกจัดให้เป็นระบบทะเลสาบข้อมูล (Data Lakes) หากข้อมูลถูกทิ้งไว้ในรูปแบบเดิม และถูกจัดให้เป็นคลังข้อมูล ( Data Warehouse ) หากข้อมูลถูกเปลี่ยนไปสู่รูปแบบและเค้าร่างที่เหมือนกัน ข้อมูลส่วนย่อยของคลังข้อมูลเรียกว่าตลาดข้อมูล (Data Mart) ความหมายของคลังข้อมูล (Data Warehouse) โดยพื้นฐานแล้ว คลังข้อมูลคือฐานข้อมูลเชิงวิเคราะห์ ที่มักจะเป็นการวิเคราะห์แบบสัมพันธ์ที่สร้างมาจากแหล่งข้อมูลสองแห่งหรือมากกว่านั้นก็ได้ ซึ่งถูกสร้างขึ้นมาเพื่อเก็บข้อมูลย้อนหลังซึ่งอาจมีระดับเป็นหน่วยเพตะไบต์ คลังข้อมูลมักจะมีระบบประมวลผลและหน่วยความจำที่สำคัญ เพื่อใช้ในการสืบค้นที่มีความซับซ้อนและการสร้างรายงาน ซึ่งคลังข้อมูลเหล่านี้มักจะเป็นแหล่งข้อมูลสำคัญในการทำ Business Intelligence และ Machine Learning ทำไมถึงใช้คลังข้อมูล? สาเหตุสำคัญที่บริษัทใช้คลังข้อมูลระดับองค์กรหรือ Enterprise Data Warehouse (EDW) คือการที่ฐานข้อมูลที่ใช้ปฏิบัติการของคุณ (OLTP) สามารถจำกัดจำนวนและประเภทของดัชนีที่คุณสามารถสร้างได้ จึงทำให้การสืบค้นเชิงวิเคราะห์ช้าลง และเมื่อคุณคัดลอกข้อมูลเข้าสู่คลังข้อมูล คุณก็สามารถตั้งค่าดัชนีที่คุณต้องการได้ เพื่อให้คุณสามารถวิเคราะห์ข้อมูลได้ดียิ่งขึ้น โดยไม่ส่งผลกระทบต่อประสิทธิภาพการเขียนของฐานข้อมูล OLTP และอีกเหตุผลหนึ่งที่บริษัทต้องมีคลังข้อมูล ก็เพื่อให้บริษัทสามารถรวบรวมข้อมูลจากหลายแหล่งมาทำการวิเคราะห์ได้ ตัวอย่างเช่น การใช้งาน OLTP ยอดขายของคุณอาจไม่จำเป็นต้องรู้เรื่องสภาพอากาศในสถานที่ค้าขายของคุณ แต่ในทางกลับกันสิ่งที่จะได้ประโยชน์จากข้อมูลเหล่านี้คือการคาดการณ์ยอดขาย เพราะถ้าคุณเพิ่มข้อมูลสภาพอากาศย้อนหลังเข้าไปในคลังข้อมูล มันก็จะเป็นเรื่องง่ายที่จะนำข้อมูลมารวมกับโมเดลข้อมูลของยอดขายในหลายปีที่ผ่านมา คลังข้อมูลเมื่อเทียบกับ Data Lake หรือระบบทะเลสาบข้อมูล Data Lake หรือระบบทะเลสาบข้อมูลที่ใช้เก็บไฟล์ข้อมูลในรูปแบบดั้งเดิมนั้น โดยพื้นฐานแล้วคือ “Schema on Read” หมายความว่าโปรแกรมใด ๆ ที่อ่านข้อมูลจาก Data Lake จะต้องกำหนดประเภทและความสัมพันธ์ของมันเองกับข้อมูล ในทางกลับกันคลังข้อมูลคือ “Schema on Write” หมายความว่าประเภท ดัชนี และความสำพันธ์ของข้อมูลถูกกำหนดไว้กับข้อมูลขณะที่ถูกจัดเก็บใน EDW “Schema on Read” เหมาะสำหรับข้อมูลที่อาจถูกนำไปใช้ในหลากหลายบริบท และมีความเสี่ยงในการสูญเสียข้อมูลน้อย แต่ทว่ามีข้ออันตรายก็คือ ข้อมูลนั้นอาจไม่ถูกใช้งานเลย (Qubole ผู้ค้าขายเครื่องมือคลังข้อมูลแบบ Cloud สำหรับ Data Lake คาดคะเนว่า 90% ของข้อมูลใน Data Lake นั้นไม่ถูกนำมาใช้งาน) ส่วน “Schema on write” เหมาะสำหรับข้อมูลที่มีจุดประสงค์เฉพาะอย่าง และเหมาะสำหรับข้อมูลที่ต้องเกี่ยวพันอย่างเหมาะสมกับข้อมูลจากแหล่งอื่น แต่ก็มีข้อควรระวังคือ ข้อมูลที่ผิดรูปแบบอาจถูกทิ้งขณะนำเข้าเพราะมันไม่ได้เปลี่ยนรูปแบบให้เหมาะสมต่อประเภทข้อมูลที่ต้องการ คลังข้อมูลเมื่อเทียบกับตลาดข้อมูล (Data Warehouse vs Data Mart) คลังข้อมูลประกอบด้วยข้อมูลระดับบริษัท ในขณะที่ตลาดข้อมูลประกอบด้วยข้อมูลที่มุ่งเน้นเฉพาะสายงานธุรกิจ ตลาดข้อมูลอาจมีหลายรูปแบบไม่ว่าจะเป็นแบบที่ขึ้นอยู่กับคลังข้อมูล แบบไม่ขึ้นอยู่กับคลังข้อมูล หรือแบบที่ผสมผสานทั้งสอบที่กล่าวไปข้างต้น ตลาดข้อมูลถูกสร้างขึ้นมาเพราะมันมีข้อดีหลายประการ ไม่ว่าจเป็น การใช้พื้นที่น้อยลง ให้ผลลัพธ์เร็วขึ้น และมีค่าใช้จ่ายในการดำเนินการน้อยกว่าคลังข้อมูลแบบเต็ม ตลาดข้อมูลจึงมักจะประกอบไปด้วยข้อมูลที่ถูกสรุปและคัดสรรไว้แล้ว แทนที่จะเป็นข้อมูลรายละเอียดอื่น ๆ ที่มีอยู่ในคลังข้อมูล สถาปัตยกรรมคลังข้อมูล โดยทั่วไป คลังข้อมูลมีสถาปัตยกรรมหลายระดับ ได้แก่ ข้อมูลเดิม ฐานข้อมูลสำหรับเป็นที่พักข้อมูล เครื่องมือ ETL (Extract (ดึง), Transform (เปลี่ยนรูปแบบ), and Load (ถ่ายเท)) หรือ ELT (Extract, Load, and Transform) ซึ่งการจัดเก็บข้อมูลอย่างเหมาะสมและเครื่องมือนำเสนอข้อมูล แต่ละระดับมีจุดประสงค์ต่างกัน ข้อมูลเดิมมักรวมไปถึงฐานข้อมูลการปฏิบัติงานจากยอดขาย การตลาด และส่วนอื่น ๆ ของธุรกิจ และยังอาจรวมถึงโซเชียลมีเดียและข้อมูลภายนอก เช่น แบบสำรวจและสถิติประชากร ระดับที่พักข้อมูลจัดเก็บข้อมูลที่ดึงมาจากแหล่งข้อมูล ถ้าแหล่งข้อมูลไม่มีโครงสร้าง เช่น ข้อความโซเชียลมีเดีย ก็จะต้องมีการกำหนดโครงสร้างขึ้นมา รวมถึงมีการตรวจคุณภาพและการนำไปใช้งานด้วย ทั้งนี้เพื่อกำจัดข้อมูลที่มีคุณภาพต่ำและแก้ไขความผิดพลาดทั่วไป โดยเครื่อง ETL จะดึงข้อมูล ดำเนินการทำแผนที่และการเปลี่ยนรูปแบบที่ต้องการ และถ่ายเทข้อมูลเข้าสู่ระดับการจัดเก็บข้อมูล เครื่องมือ ELT จัดเก็บข้อมูลก่อนแล้วเปลี่ยนรูปแบบในภายหลัง เมื่อคุณใช้เครื่องมือ ELT คุณอาจใช้ Data Lake ด้วยและข้ามขั้นตอนที่พักข้อมูลแบบเดิมไป ระดับจัดเก็บข้อมูลของคลังข้อมูลประกอบด้วยข้อมูลที่สะอาดและเปลี่ยนรูปแบบแล้วซึ่งพร้อมสำหรับการวิเคราะห์ โดยการจัดเก็บข้อมูลแบบนี้เป็นการจัดเก็บข้อมูลเชิงสัมพันธ์แบบเน้นเป็นแถว แต่ก็อาจมีการเน้นแบบคอลัมน์ด้วยหรือมีดัชนีแบบ Inverted-list สำหรับการค้นหาข้อความเต็ม โดยคลังข้อมูลมักจะมีดัชนีมากกว่าการจัดเก็บข้อมูลในการดำเนินงาน เพื่อให้สามารถวิเคราะห์ข้อมูลได้เร็วขึ้น การนำเสนอข้อมูลจากคลังข้อมูลมักทำโดยการดำเนินการคิวรี SQL ซึ่งอาจใช้เครื่องมือ GUI มาเป็นตัวช่วยในการสร้างได้ นอกจากนี้คิวรี SQL ยังสามารถใช้สร้างตารางการแสดงผล แผนภูมิ Dashboard รายงาน และการคาดการณ์ได้ โดยใช้เครื่องมือ BI เข้ามาช่วย เมื่อไม่นานมานี้ คลังข้อมูลเริ่มมีการรองรับ ML ที่จะปรับปรุงคุณภาพของโมเดลและการคาดการณ์ ตัวอย่างเช่น Google BigQuery ได้เพิ่มประโยคคำสั่ง SQL เพื่อรองรับโมเดลการวิเคราะห์การถดถอยเชิงเส้นและโมเดลการวิเคราะห์การถดถอยโลจีสติกไบนารีสำหรับการแบ่งประเภท นอกจากนี้คลังข้อมูลบางแห่งมีการผสานเข้าด้วยกันกับเครื่องมือ Deep Learning Libraries และ Automated ML อีกด้วย คลังข้อมูลแบบ Cloud เมื่อเทียบกับคลังข้อมูลแบบติดตั้งภายใน (On Premise) คลังข้อมูลสามารถถูกนำมาใช้ได้หลาย ไม่ว่าจะเป็นแบบติดตั้งภายใน แบบ Cloud หรือแบบผสม ที่ผ่านมาคลังข้อมูลส่วนใหญ่มักเป็นแบบติดตั้งภายใน (On-Prem Data Warehouse) แต่ก็มีปัญหาในเรื่องต้นทุนค่าลงทุนและการขาดความสามารถในการปรับขนาดได้ของเซิร์ฟเวอร์ที่ติดตั้งภายในศูนย์ข้อมูล การติดตั้ง EDW เริ่มเป็นที่นิยมมากขึ้นเมื่อผู้ค้าขายเริ่มให้บริการเครื่องมือคลังข้อมูล แต่อย่างไรก็ตาม ยังคงมีหลายบริษัทที่มีแนวโน้มที่จะย้ายคลังข้อมูลทั้งหมดหรือบางส่วนเข้าสู้ระบบ Cloud เพื่อต้องการใช้ประโยชน์จาก EDW แบบ Cloud ที่สามารถปรับขนาดได้ รวมถึงสามารถเชื่อมต่อกับบริการ Cloud อื่น ๆ ได้อย่างง่ายดาย ข้อเสียของการใช้ข้อมูลหลายเพตะไบต์เข้าไปในระบบ Cloud คือค่าใช้จ่ายในการใช้งาน ทั้งสำหรับการจัดเก็บข้อมูลแบบ Cloud และสำหรับการประมวลผลคลังข้อมูลแบบ Cloud และหน่วยความจำ คุณอาจจะคิดว่าปัญหาหลักของการอัปโหลดข้อมูลหลายเพตะไบต์เข้าสู่ระบบ Cloud คือระยะเวลาในการอัปโหลด แต่ในปัจจุบันผู้ค้าขายระบบ Cloud แบบไฮเปอร์สเกลมีการโอนถ่ายข้อมูลแบบดิสก์ซึ่งมีศักยภาพสูง คลังข้อมูลแบบบนลงล่างเมื่อเทียบกับแบบล่างขึ้นบน มีแนวความคิดใหญ่ ๆ สองแนวเกี่ยวกับวิธีออกแบบคลังข้อมูล ความแตกต่างระหว่างสองแนวนี้เกี่ยวข้องกับทิศทางการหลั่งไหลของข้อมูลระหว่างคลังข้อมูลกับตลาดข้อมูล โดยปกติ การใช้งาน EDW ในส่วนงานด้านการประกันและการผลิต มักจะชอบวิธีการของแบบบนลงล่าง ส่วนส่วนงานด้านการตลาดมักจะชอบวิธีของคิมบัลล์ ระบบทะเลสาบข้อมูล ตลาดข้อมูล หรือคลังข้อมูล องค์กรของคุณควรเลือกแบบใด? สุดท้ายแล้ว การตัดสินใจทุกอย่างที่เกี่ยวข้องกับคลังข้อมูลของบริษัทขึ้นอยู่กับเป้าหมาย ทรัพยากร และงบประมาณของบริษัท คำถามแรกคือคุณจำเป็นต้องมีคลังข้อมูลหรือไม่ ถ้าสมมุติว่าต้องการ งานต่อไปคือการระบุแหล่งข้อมูลของคุณ ขนาด อัตราการเติบโตปัจจุบัน และสิ่งที่คุณกำลังทำอยู่เพื่อใช้งานและวิเคราะห์ข้อมูลเหล่านั้น หลังจากนั้นคุณสามารถเริ่มทดลองกับระบบทะเลสาบข้อมูล ตลาดข้อมูล และคลังข้อมูลเพื่อดูว่าอันไหนใช้ได้ดีกับองค์กรของคุณ ผู้เขียนแนะนำให้ทำการทดสอบความเป็นไปได้ด้วยข้อมูลเซตย่อยขนาดเล็ก โฮสต์ในระบบฮาร์ดแวร์ที่มีอยู่ภายในองค์กรหรือในการติดตั้งระบบ Cloud...

5 September 2022

การแก้ปัญหาข้อมูลที่ไม่มีโครงสร้างด้วย NLP และโมเดลภาษาหนึ่งในกลยุทธ์ AI ขององค์กร

ในบทความแขกรับเชิญพิเศษนี้ ประภท สุนการะ (Prabhod Sunkara) ผู้ร่วมก่อตั้งและ COO ของบริษัท nRoad, Inc. ได้พูดถึงเรื่องของการที่องค์กรต่าง ๆ พึ่งพาข้อมูลที่ไม่มีโครงสร้างมากขึ้นเพื่อจุดประสงค์ในการวิเคราะห์ กำกับดูแล และทำการตัดสินใจในระดับองค์กร โดย nRoad เป็นแพลตฟอร์มที่สร้างมาเพื่อการประมวลผลภาษาธรรมชาติ (NLP) สำหรับข้อมูลที่ไม่มีโครงสร้างในส่วนการบริการทางด้านการเงินและเป็นบริษัทแรกที่ประกาศ “สงครามกับการทำงานแบบใช้เอกสาร” ก่อนจะมี nRoad ประภทดำรงตำแหน่งผู้นำหลากหลายตำแหน่งในด้านการพัฒนาผลิตภัณฑ์ การปฏิบัติการ และ Solution Architecture (ตำแหน่งงานที่หาทางออกของปัญหาต่าง ๆ) เขามี Passion ในการสร้าง AI Solutions ที่เน้นผลลัพธ์ ซึ่งเขาก็ได้ประสบความสำเร็จในการปรับปรุงกระบวนการต่าง ๆ ของบริษัทการเงินระดับโลกมากมายเช่น Bank of America, Merrill Lynch, Morgan Stanley และ UBS ข้อมูลที่ไม่มีโครงสร้างหรือ Unstructured Data คือ ข้อมูลเชิงลึกที่มีอยู่แพร่หลายในทั่วทุกองค์กร แต่ข้อมูลเหล่านั้นไม่โปร่งใสหรือไม่สามารถใช้งานได้เสมอไป เรื่องนี้จึงยังคงเป็นความท้าทายสำคัญด้านธุรกิจ ข้อมูลที่ไม่มีการออกแบบฐานข้อมูลไว้ล่วงหน้ามักจะถือว่าเป็นข้อมูลที่ไม่มีโครงสร้าง ซึ่งได้แก่เอกสารและเว็บไซต์ที่เต็มไปด้วยตัวหนังสือตลอดจนไฟล์ภาพ, วิดีโอ, Chatbot, Audio Streaming และโพสต์โซเชียลมีเดีย โดยข้อมูลที่ไม่มีโครงสร้างเหล่านี้มีจำนวนมากถึง 80 ถึง 90 เปอร์เซ็นต์ของข้อมูลที่อยู่ในโลกดิจิทัลทั้งหมด การเติบโตและความท้าทายของข้อมูลที่ไม่มีโครงสร้าง จากการวิจัยของบริษัท ITC พบว่า จำนวนข้อมูลที่ไม่มีโครงสร้างนั้นคาดว่าจะเติบโตจาก 33 เซตตะไบต์ในปี 2018 เป็น 175 เซตตะไบต์ หรือ 175 พันล้านเทระไบต์ภายในปี 2025 แต่ยังโชคดีที่ในองค์การเริ่มมีการตระหนักถึงการเติบโตอย่างรวดเร็วของข้อมูลที่ไม่มีโครงสร้าง ตัวอย่างเช่น ในการวิจัยไม่นานมานี้เผยว่าเกือบ 80 เปอร์เซ็นต์ขององค์กรบริการด้านการเงินกำลังประสบกับการที่ข้อมูลที่ไม่มีโครงสร้างเพิ่มขึ้นอย่างรวดเร็ว ยิ่งไปกว่านั้น ผู้วิจัยส่วนใหญ่ในการวิจัยนี้ระบุว่า ข้อมูลปัจจุบันในองค์กรเป็นข้อมูลที่ไม่มีโครงสร้างมากถึง 50 ถึง 90 เปอร์เซ็นต์ด้วยกัน เมื่อก่อนคอมพิวเตอร์ไม่สามารถเข้าใจข้อมูลประเภทนี้ได้ แต่เนื่องจากในปัจจุบันที่องค์กรต่าง ๆ ต้องพึ่งพาข้อมูลที่ไม่มีโครงสร้างมากขึ้นในการวิเคราะห์ กำกับดูแล และการตัดสินใจทางธุรกิจ ข้อมูลที่ไม่มีโครงสร้างจึงมีความสำคัญมากขึ้น ทำให้ทีม Technology & Data ต่างแข่งกันอัปเกรดและปรับปรุงโครงสร้างพื้นฐานของตน เพื่อให้สอดคล้องกับบริการแบบคลาวด์ที่เติบโตขึ้นและข้อมูลจากทั้งภายในและภายนอกองค์กรที่เพิ่มขึ้นอย่างรวดเร็ว ขณะเดียวกัน ทีมเหล่านี้ก็กำลังสนใจในเรื่องของการใช้งานข้อมูลเชิงลึก (Insights) ที่ฝังอยู่ในแหล่งข้อมูลที่ไม่มีโครงสร้าง โดยกรณีการใช้งานจะมีตั้งแต่การเพิ่มประสิทธิภาพในการปฏิบัติการไปจนถึงการเตรียมพร้อมรับมือกับการบริการลูกค้าปลายทาง ผลก็คือทั้ง CIO และ CDO ต่างก็ประเมินผลหรือนำวิธีการแก้ไขไปใช้งาน โดยมีตั้งแต่วิธีง่าย ๆ แบบ OCR Plus ไปจนถึงโมเดลภาษาขนาดใหญ่ที่ซับซ้อนควบคู่กับเครื่องจักรหรือเทคนิคการเรียนรู้เชิงลึก การร่วมใช้ NLP และโมเดลภาษาในกลยุทธ์ข้อมูลของคุณ ข้อมูลที่ไม่มีโครงสร้างจำนวนมากของบริษัทจะอยู่ในรูปแบบตัวหนังสือ ตัวอย่างเช่นสัญญาทางกฎหมาย เอกสารงานวิจัย คำติชมของลูกค้าจาก Chatbot และทุกอย่างที่อยู่ในรูปแบบของตัวหนังสือ ซึ่งโดยปกติแล้ว องค์กรจะประยุกต์ใช้การประมวลผลภาษาธรรมชาติ (NLP) มาเป็นส่วนหนึ่งของกลยุทธ์ AI และการเปลี่ยนองค์กรมาเป็นองค์กรดิจิทัล (ลองดูตัวอย่างการใช้ประยุกต์ใช้ Data Science กับการวิเคราะห์ข้อมูลเอกสารงานวิจัยที่นี่) ตลอดสิบปีที่ผ่านมา NLP มีงานวิจัยและการพัฒนาอย่างต่อเนื่อง เรื่องที่โดดเด่นที่สุดก็คือ เรื่องวิวัฒนาการของ Transformer Model ซึ่งช่วยให้องค์กรสามารถก้าวผ่านการวิเคราะห์ Keyword แบบง่าย ๆ ไปเป็นการวิเคราะห์ขั้นสูงอย่าง Sentiment Analysis (กระบวนการวิเคราะห์อารมณ์) และ Semantic Analysis (การวิเคราะห์ทางความหมาย) แม้ว่า NLP จะสามารถทำให้เครื่องจักรระบุจำนวนและเข้าใจแก่นแท้ของข้อความได้ แต่ก็ยังมีความท้าทายในเรื่องของการเข้าใจข้อความที่กำกวม วิธีการที่จะรับมือกับข้อความกำกวมเหล่านี้ได้ก็คือการรวมความรู้และบริบทของโดเมนเข้าด้วยกันเป็นโมเดลภาษา โดยการใช้งานโมเดลที่ปรับปรุงอย่างดีแล้ว เช่น LegalBERT, SciBERT, FinBERT ฯลฯ ทั้งนี้ก็จะช่วยให้เริ่มต้นวิเคราะห์ข้อมูลได้ง่ายขึ้นสำหรับกรณีหากต้องการใช้งานแบบเฉพาะเจาะจง ตอนเริ่มแรกโมเดลที่ปรับปรุงอย่างดีแล้วจะมีฐานข้อมูลที่มั่นคง เช่นเดียวกับโมเดลที่ใหญ่ เช่น BERT และ GPT3 แต่อย่างไรก็ตามโมเดลเหล่านี้ยังคงไม่ตอบโจทย์หรือความต้องการของธุรกิจส่วนใหญ่ได้ ด้วยเหตุผลนี้เองธุรกิจที่ดำเนินการในหลายตลาด หลายภูมิภาค และหลายภาษาควรพิจารณาการใช้งานโมเดลภาษาข้ามโดเมน โมเดลหลายภาษา และ/หรือเทคนิคการโอนย้ายการเรียนรู้ (Transfer Learning) เพื่อรับมือกับความท้าทายได้ดียิ่งขึ้น แม้ว่าจะมีการวิจัยและพัฒนา Language Model Architectures ที่ดีขึ้นและครอบคลุมมากขึ้น แต่ทุกวันนี้ก็ยังไม่มี Solution ที่ใช้ได้กับทุกสิ่ง ด้วยเหตุผลนี้เองทำให้องค์กรที่พยายามสร้างโมเดลภาษาของตนก็ไม่สามารถทำได้ นอกจากนี้ยังมีปัจจัยอื่น ๆ ที่ส่งผลกระทบต่อกลยุทธ์ข้อมูลที่ไม่มีโครงสร้างขององค์กรอีก เช่น การขาดข้อมูลอธิบายประกอบ (Annotated Data) ไม่มีการอบรมเกี่ยวกับเรื่อง Data การที่องค์กรขาดความเข้าใจในการประยุกต์ใช้โมเดล และความที่องค์กรอยากจะรีบพัฒนาและอยากใช้งานอุปกรณ์อย่างรวดเร็วแต่ไม่มีทุนการทำ รวมถึงอยากรีบได้ผลตอบแทนคืนจากการลงทุนอีกด้วย วิธีที่องค์กรสามารถรับมือกับปัญหาข้อมูลที่ไม่มีโครงสร้างที่เพิ่มขึ้นได้ การนำข้อมูลมาใช้ขับเคลื่อนองค์กร (Data Strategy) และเทคโนโลยีมีบทบาทสำคัญในแผนกลยุทธ์ AI ทั่วไปขององค์กร องค์กรส่วนใหญ่สามารถวางแผนและจัดการกับข้อมูลที่ไม่มีโครงสร้างได้อย่างมีประสิทธิภาพ แต่ทว่าข้อมูลเชิงลึกนั้นฝังอยู่ในข้อมูลที่ไม่มีโครงสร้าง และองค์กรต่างก็งมหาอยู่ในข้อมูลนี้ CDO ขององค์กรจึงจำเป็นต้องพิจารณาข้อมูลนี้และวางแผนอย่างชาญฉลาดเพื่อใช้ประโยชน์จากข้อมูลนี้ ความท้าทายที่ยากที่สุดที่มักพบได้คือการขาดความสอดคล้องเชิงองค์กรกับกลยุทธ์ AI ขององค์กร แม้ว่าจะไม่เกี่ยวข้องโดยตรงกับโมเดล ML (Machine Learning) และ DL (Deep Learning), ความสอดคล้องกับผู้นำ, ความเข้าใจถ่องแท้เรื่องข้อมูลและผลลัพธ์, และการรวมทีมที่หลากหลาย ทั้งหมดนี้ล้วนจำเป็นอย่างยิ่งสำหรับกลยุทธ์ AI ในองค์กร เพราะวิธีที่ระบุจำนวนได้และเน้นผลลัพธ์ช่วยให้ทีมมุ่งเน้นที่เป้าหมายปลายทางเมื่อเทียบกับโมเดล AI ที่เน้นโฆษณาชวนเชื่อ ตัวอย่างเช่น GPT3 ที่เป็นโมเดลคาดการณ์ภาษาขนาดใหญ่ที่มักจะคาดการณ์ไม่ค่อยถูกต้อง ซึ่งมีหลายกรณีที่มีการเผยแพร่ข้อมูลผิด ๆ เพราะใช้โมเดล GPT3 ซึ่งอาจทำให้องค์กรเสียชื่อเสียงได้ การอบรมและเรียนรู้เชิงลึกในการแก้ไขปัญหานั้นมักมีต้นทุนสูงและแอปพลิเคชันที่ต้องใช้เทคนิคที่เน้น NLP นั้นจำเป็นต้องมีแหล่งช่วยคำนวณที่ใช้โดเมนจำนวนมาก เพราะฉะนั้นเมื่อมีการเริ่มทีม AI ภายในองค์กร องค์กรจะต้องเน้นในเรื่องของการกำหนดปัญหาและผลลัพธ์ที่วัดได้ นอกจากการกำหนดปัญหาแล้ว ทีมผลิตภัณฑ์ต้องโฟกัสที่ความหลากหลาย ความซับซ้อน และความพร้อมใช้งานของข้อมูล ขั้นตอนเหล่านี้จะช่วยวางแผนกลวิธี ระบุโมเดลพื้นฐานที่เหมาะสม และสร้างการกำกับดูแลข้อมูลและการอบรมในเรื่องของฟังก์ชันการใช้งานที่ดี อีกวิธีหนึ่งที่ช่วยประหยัดค่าใช้จ่ายได้ คือ การเลือกพาร์ทเนอร์ที่เป็นบุคคลภายนอกหรือผู้ที่ให้บริการทางด้านนี้มาช่วยเริ่มกลยุทธ์ของคุณ เทคโนโลยีของผู้ให้บริการช่วยให้องค์กรได้ใช้ประโยชน์จากความเชี่ยวชาญในการปฏิบัติงานและการดำเนินการที่ดีที่สุดในโมเดลภาษาที่ใหญ่กว่า ตลอดจนประสบการณ์มากมายที่พวกเขาเคยรับมือกับปัญหาอื่น ๆ ที่เคยเกิดขึ้นมาแล้ว การร่วมใช้กลยุทธ์เพื่อจัดการกับปัญหาข้อมูลที่ไม่มีโครงสร้างขององค์กรและการใช้ประโยชน์จาก เทคนิค NLP กลายเป็นองค์ประกอบสำคัญของการขับเคลื่อนองค์กรด้วยข้อมูลและเทคโนโลยีที่ใช้ในองค์กร แม้ว่าโมเดล RPA, OCR Plus, หรือโมเดล ML สถิติขั้นพื้นฐาน (Basic Statistical-based ML) จะไม่สามารถแก้ปัญหาทั้งหมดได้ แต่การใช้วิธีการเรียนรู้เชิงลึกก็จะเป็นแนวทางในการจัดการกับปัญหาข้อมูลที่ไม่มีโครงสร้างขององค์กรต่อไป บทความโดย InsideData Editorial Teamเนื้อหาจากบทความของ InsideBigdataแปลและเรียบเรียงโดย ไอสวรรค์ ไชยชะนะตรวจทานและปรับปรุงโดย ปพจน์ ธรรมเจริญพร

2 July 2022

เฟ้นหาวิธีการสร้างสุดยอดทีมในองค์กรด้วย Data

มาเรียนรู้วิธีการสร้างทีมงานภายในองค์กรของคุณเอง ให้มีประสิทธิภาพสูงสุด ด้วย Data-Driven Approach จากงานวิจัยของ Google

13 May 2021

เล่นกับ Big Data ภาษาไทย ต้องเข้าใจ Unicode, Part 2

มาทำความรู้จักกับ Unicode และวิธี “เล่น” กับ Unicode text ในสถานการณ์จริงต่าง ๆ ใน Python เพื่อเป็นพื้นฐานในการวิเคราะห์ Big Data ภาษาไทย

15 June 2020

เล่นกับ Big Data ภาษาไทย ต้องเข้าใจ Unicode, Part 1

มาทำความรู้จักกับ Unicode และวิธี “เล่น” กับ Unicode text ในสถานการณ์จริงต่าง ๆ ใน Python เพื่อเป็นพื้นฐานในการวิเคราะห์ Big Data ภาษาไทย

30 May 2020

ฝ่าวิกฤติโควิด-19 จากบทเรียนในอดีต : ไข้หวัดใหญ่สเปน (1918 Spanish Flu)

ในขณะที่โลกของเรากำลังเผชิญกับวิกฤติโคโรนาไวรัส (โควิด-19) นั้น ทราบหรือไม่ว่า เมื่อประมาณ 100 ปีก่อน โลกของเราเคยเผชิญกับการระบาดของโรคไข้หวัดใหญ่สเปน (Spanish Flu) ซึ่งเป็นโรคไข้หวัดใหญ่สายพันธุ์หนึ่งที่มีความร้ายแรงมาก และก่อให้เกิดการระบาดไปทั่วโลก (pandemic) เหมือนกับการระบาดของโควิด-19 ที่กำลังเกิดขึ้นในช่วงชีวิตของเราทุกคน โรคไข้หวัดใหญ่สเปนนี้ ร้ายแรงถึงขั้นที่ทำให้มีผู้ติดเชื้อทั่วโลกมากถึง 500 ล้านรายโดยประมาณ หรือ 1 ใน 3 ของประชากรโลกในขณะนั้น มีผู้เสียชีวิตมากกว่า 50 ล้านราย แม้กระทั่งประเทศใหญ่อย่างสหรัฐอเมริกาก็ยังมีผู้เสียชีวิตกว่า 675,000 ราย เป็นไปได้ไหม ที่เราจะเรียนรู้อะไรบางอย่างจากเหตุการณ์การระบาดอันร้ายแรงของไข้หวัดใหญ่สเปน ในปี ค.ศ. 1918 เพื่อให้เราฝ่าวิกฤติโควิด-19 นี้ไปได้โดยให้ประชาชนทุกคนได้แคล้วคลาดปลอดภัย ลดอัตราการเสียชีวิตให้ได้มากที่สุด? ในบทความนี้ เราจะตอบโจทย์ดังกล่าวโดยใช้ข้อมูลที่เมืองต่าง ๆ ในประเทศสหรัฐอเมริกา ได้มีการเก็บข้อมูลการแก้ปัญหาวิกฤติโรคระบาดนี้ ควบคู่กับปริมาณผู้เสียชีวิตในยุคนั้น เพื่อนำบทเรียนดังกล่าวมาประยุกต์ใช้กับสถานการณ์ของเรากันครับ ผมเชื่อว่าบทเรียนที่เราจะได้รับจากการศึกษาไข้หวัดใหญ่สเปนนั้น สามารถประยุกต์ใช้กับสถานการณ์โควิด-19 ได้ เพราะโรคระบาดทั้งสองนี้ มีความคล้ายคลึงกันอย่างน้อยถึงสี่ประการด้วยกัน มาตรการภาครัฐกับการต่อสู้กับโรคระบาด เมื่อภาครัฐไม่มีเครื่องมือทางการแพทย์ที่สามารถระงับโรคระบาดนี้ได้ในระดับมหภาค (เช่น วัคซีน) ภาครัฐจึงต้องอาศัยเครื่องมือเชิงนโยบาย ซึ่งหัวใจหลักก็คือการสร้างระยะห่างทางสังคม (social distancing) ทั้งนี้ ยังมีตัวแปรสำคัญที่ต้องพิจารณา ที่จะส่งผลต่อความมีประสิทธิภาพในการต่อสู้กับโรคระบาดนี้ คือ ข้อมูลจากเมืองใหญ่ของสหรัฐอเมริกา 4 เมือง ที่ภาครัฐของเมืองเหล่านี้เลือกตอบโต้วิกฤติไข้หวัดใหญ่สเปนด้วยมาตรการการสร้างระยะห่างทางสังคม เราจะพบว่า เมืองที่เริ่มมาตรการการสร้างระยะห่างทางสังคมอย่างรวดเร็ว นานเพียงพอ และไม่ลดความรัดกุมของมาตรการก่อนเวลาอันเหมาะสม เป็นเมืองที่ประสบความสำเร็จในการลดอัตราการเสียชีวิตได้ดีที่สุด เมืองฟิลาเดลเฟีย เป็นเมืองที่พบผู้ติดเชื้อรายแรกในประเทศสหรัฐอเมริกา แต่กลับมองความรุนแรงของโรคนี้ว่ามีผลกระทบน้อย และยืนยันการจัดพาเหรดเฉลิมฉลองให้เหล่าทหารจากสงครามโลกครั้งที่หนึ่ง ใน 10 วันให้หลังหลังจากพบผู้ติดเชื้อ โดยมีผู้เข้าชมพาเหรดกว่า 200,000 คน จนกระทั่งมีจำนวนผู้เสียชีวิตจากไข้หวัดใหญ่สเปนเพิ่มสูงขึ้นจำนวนมาก จึงจะเริ่มมาตรการลดการแพร่เชื้อด้วยการสร้างระยะห่างทางสังคม เมืองฟิลาเดลเฟียจึงเป็นเมืองที่มีผู้เสียชีวิตมากที่สุดในช่วงเวลา 24 สัปดาห์แรกของการระบาด เมืองที่ประสบความสำเร็จในการลดจำนวนผู้เสียชีวิตรายสัปดาห์ได้สำเร็จ อย่างเมืองซานฟรานซิสโกหรือเมืองเซนต์หลุยส์ อาจพบกับกรณีของ “คลื่นลูกที่สอง” ที่มีการระบาดของโรคเพิ่มขึ้นอีกครั้ง เนื่องจากภาครัฐตัดสินใจลดความรัดกุมของมาตรการสร้างระยะห่างทางสังคมก่อนเวลาอันเหมาะสม สิ่งนี้อาจกำลังเกิดขึ้นในกรณีของโควิด-19 ในประเทศจีน ที่มีกรณีผู้ติดเชื้อโควิด-19 ใหม่เพิ่มขึ้น หลังจากที่คำสั่งปิดเมืองต่าง ๆ ได้เริ่มลดความรัดกุมลง เมืองนิวยอร์ก เป็นเมืองที่เริ่มมาตรการสร้างระยะห่างทางสังคมอย่างรวดเร็ว หลังจากที่พบผู้ติดเชื้อรายแรก ๆ ทำให้เป็นเมืองที่ประสบความสำเร็จในการลดการระบาดของโรคไข้หวัดใหญ่สเปนได้ที่ดีสุดเมืองหนึ่งในสหรัฐอเมริกา ด้วยจำนวนผู้เสียชีวิต 452 รายต่อประชากร 100,000 คน เรียกว่าช่วยชีวิตคนได้มากถึง 40% เมื่อเทียบกับเมืองฟิลาเดลเฟียที่มีจำนวนผู้เสียชีวิตถึง 748 รายต่อประชากร 100,000 คน ผู้อ่านสามารถศึกษาผลลัพธ์ของมาตรฐานภาครัฐในเมืองอื่น ๆ ของสหรัฐอเมริกาได้ที่บทความของ National Geographic ซึ่งให้ผลลัพธ์ในภาพรวมที่คล้ายคลึงกัน เมืองที่เริ่มมาตรการการสร้างระยะห่างทางสังคมอย่างรวดเร็ว นานเพียงพอ และไม่ลดความรัดกุมของมาตรการก่อนเวลาอันเหมาะสม เป็นเมืองที่ประสบความสำเร็จในการลดอัตราการเสียชีวิตได้ดีที่สุด บทสรุป จากกรณีศึกษาการระบาดของไข้หวัดใหญ่สเปน ค.ศ.1918 นั้น มาตรการภาครัฐเป็นเครื่องมือชิ้นสำคัญในการต่อสู้วิกฤติโรคระบาดในกรณีที่ยังไม่มีวัคซีนป้องกันโรค หัวใจหลักก็คือมาตรการการสร้างระยะห่างทางสังคม ซึ่งอาจได้ผลสัมฤทธิ์และประสิทธิภาพไม่เท่าเทียมกัน ขึ้นอยู่กับความรวดเร็วในการบังคับใช้เมื่อพบผู้ติดเชื้อรายแรก ๆ ระยะเวลาในการบังคับใช้ และความรัดกุมของมาตรการแม้พบจำนวนผู้ติดเชื้อที่เริ่มลดลง อย่างไรก็ดี ความร่วมมือของเราประชาชนทุกคนในมาตรการการสร้างระยะห่างทางสังคม ลดการเดินทาง ลดการไปสู่สถานที่ที่มีคนชุมนุมจำนวนมาก รักษาสุขอนามัยที่ดี เป็นปัจจัยสำคัญที่สุดที่จะช่วยชะลอการแพร่เชื้อของโควิด-19 นี้ ในระหว่างที่วัคซีนกำลังถูกค้นคว้าและวิจัยครับ

7 April 2020

งานวิจัยบ่งชี้ อาจมีผู้ติดเชื้อโควิด-19 มากกว่าที่รายงานอยู่หลายเท่าตัว

งานวิจัยล่าสุดจากสหรัฐอเมริกาได้มีข้อสรุปที่น่าเป็นห่วงว่า จำนวนผู้ติดเชื้อเราทราบกันว่ามีอยู่ทั่วโลกจากการนำเสนอข้อมูลผ่านแผนภาพตามสถานการณ์จริงหรือ dashboard นั้น อาจน้อยกว่าจำนวนผู้ติดเชื้อที่มีอยู่จริงในขณะนี้หลายเท่าตัว!

7 April 2020

Facbook