Showroom

บทความ

Swarm Intelligence: พลังแห่งการรวมตัวที่น่าทึ่ง

คุณเคยสังเกตพฤติกรรมของฝูงนกที่บินเป็นรูปตัว V บนท้องฟ้า หรือการเคลื่อนที่อย่างเป็นระเบียบของฝูงปลาในทะเลไหมคะ? สิ่งมีชีวิตเล็กๆเหล่านี้สามารถรวมตัวกันเป็นกลุ่มใหญ่และทำงานร่วมกันได้อย่างน่าทึ่ง โดยไม่มีผู้นำคอยสั่งการ นี่แหละค่ะคือตัวอย่างของ “Swarm Intelligence” ที่มีชื่อภาษาไทยว่า “ปัญญาแบบฝูง” หรือ “ความฉลาดแบบกลุ่ม” ซึ่งเราจะกล่าวถึงในบทความนี้ Swarm Intelligence เป็นแนวคิดที่ได้รับแรงบันดาลใจมาจากธรรมชาติ โดยนำเอาพฤติกรรมการทำงานร่วมกันของสิ่งมีชีวิตขนาดเล็กมาประยุกต์ใช้ในการแก้ปัญหาที่ซับซ้อน ไม่ว่าจะเป็นการหาเส้นทางที่สั้นที่สุด การจัดสรรทรัพยากร หรือแม้แต่การทำนายพฤติกรรมของผู้คนในสังคม! Swarm Intelligence คืออะไร? Swarm Intelligence หรือปัญญาแบบฝูง เป็นระบบที่ประกอบด้วยสมาชิกจำนวนมากที่มีความสามารถจำกัด แต่เมื่อรวมตัวกันแล้วสามารถแก้ปัญหาที่ซับซ้อนได้ โดยอาศัยการสื่อสารและปฏิสัมพันธ์ระหว่างกัน ลองนึกภาพฝูงมดที่กำลังหาอาหารดูนะคะ มดแต่ละตัวมีความสามารถจำกัด แต่เมื่อรวมกันเป็นฝูงใหญ่ พวกมันสามารถหาแหล่งอาหารและสามารถขนย้ายอาหารกลับรังได้อย่างมีประสิทธิภาพ โดยใช้การสื่อสารผ่านสารเคมีที่เรียกว่า “ฟีโรโมน” หลักการทำงานของ Swarm Intelligence หลักการทำงานของ Swarm Intelligence มีความเรียบง่ายแต่ทรงพลัง โดยมีองค์ประกอบสำคัญดังนี้: 1. การกระจายตัว สมาชิกในระบบจะถูกกระจายตัวออกไปทำงานโดยอิสระ และจะไม่มีตัวกลางที่คอยควบคุมทุกอย่าง ซึ่งหมายความว่าทุกสมาชิกสามารถทำงานของตัวเองได้โดยไม่ต้องรอคำสั่งจากผู้นำ การทำงานแบบนี้ทำให้ระบบมีความยืดหยุ่นสูงและสามารถตอบสนองต่อสถานการณ์ที่เปลี่ยนแปลงได้อย่างรวดเร็ว ซึ่งหากมีปัญหาหรือความขัดข้องเกิดขึ้นที่จุดใดจุดหนึ่ง ก็จะไม่ส่งผลกระทบต่อระบบทั้งหมด 2. การสื่อสารแบบท้องถิ่น สมาชิกในฝูงจะสื่อสารกับเพื่อนบ้านใกล้เคียงเท่านั้น แทนที่จะสื่อสารกับสมาชิกทั้งหมดในระบบ การสื่อสารแบบท้องถิ่นนี้ช่วยลดความซับซ้อนของการสื่อสารและทำให้การทำงานเร็วขึ้น เช่น ในฝูงนกที่บินไปด้วยกัน นกแต่ละตัวจะคอยสังเกตนกข้างๆ และปรับการบินของตัวเองตาม ทำให้ฝูงนกสามารถเคลื่อนที่ได้อย่างพร้อมเพรียง 3. การตัดสินใจแบบง่าย สมาชิกแต่ละตัวจะใช้กฎง่าย ๆ ในการตัดสินใจ เช่น การหลีกเลี่ยงการชนกับเพื่อนบ้าน การเดินตามทิศทางของกลุ่ม หรือการเคลื่อนไปยังพื้นที่ที่มีข้อมูลหรือทรัพยากรมากกว่า แม้ว่ากฎการตัดสินใจของแต่ละตัวจะง่าย แต่เมื่อรวมกันในกลุ่มจำนวนมาก ก็ทำให้เกิดพฤติกรรมที่ดูซับซ้อนและชาญฉลาด 4. การปรับตัว สิ่งสำคัญอีกอย่างหนึ่งคือระบบ Swarm Intelligence สามารถปรับเปลี่ยนพฤติกรรมได้ตามสถานการณ์ เช่น หากมีอุปสรรคเกิดขึ้นในเส้นทาง สมาชิกในระบบก็สามารถปรับเส้นทางใหม่ได้ทันที นอกจากนี้ ระบบยังสามารถเรียนรู้และปรับปรุงตัวเองเพื่อให้ทำงานได้ดีขึ้นเมื่อเวลาผ่านไป ทำให้ระบบมีประสิทธิภาพมากยิ่งขึ้น 5. การเกิดพฤติกรรมซับซ้อน สิ่งที่ทำให้ Swarm Intelligence ทรงพลังคือ เมื่อสมาชิกแต่ละตัวทำงานตามกฎง่าย ๆ และสื่อสารกันในระดับท้องถิ่น การรวมกันนี้สามารถนำไปสู่การเกิดพฤติกรรมที่ซับซ้อนและดูเหมือนมีความชาญฉลาด เช่น การหาเส้นทางที่สั้นที่สุด การวางแผนการเดินทางที่ไม่ชนกัน หรือการสร้างสถาปัตยกรรมเชิงธรรมชาติอย่างรวดเร็ว ยกตัวอย่างเช่น ในฝูงนกที่บินเป็นรูปตัว V นกแต่ละตัวจะปฏิบัติตามกฎง่ายๆ เพียงไม่กี่ข้อ เช่น รักษาระยะห่างจากนกข้างเคียง บินไปในทิศทางเดียวกับฝูง และพยายามบินในตำแหน่งที่ใช้พลังงานน้อยที่สุด ผลลัพธ์ที่ได้คือการบินที่มีประสิทธิภาพสูงของทั้งฝูง ตัวอย่าง Algorithms ชอง Swarm Intelligence Swarm Intelligence มีอัลกอริธึมที่ได้รับแรงบันดาลใจจากพฤติกรรมธรรมชาติของสิ่งมีชีวิตหลายชนิด เช่น มด, นก, และปลา ต่อไปนี้คือตัวอย่างอัลกอริธึมที่เป็นที่รู้จักและรายละเอียดเกี่ยวกับการทำงานของแต่ละอัลกอริธึมแบบคร่าวๆ ถ้าผู้อ่านสนใจอัลกอริธึมไหน สามารถไปศึกษาเพิ่มเติมตาม link ที่แนบไว้ให้ในแต่ละอัลกอริธึมได้ค่ะ 1. Ant Colony Optimization (ACO) Ant Colony Optimization ได้แรงบันดาลใจจากพฤติกรรมการหาอาหารของมด เมื่อมดหาอาหาร มดจะปล่อยสารฟีโรโมนไว้บนเส้นทางที่เดินไป หากเส้นทางใดมีสารฟีโรโมนมาก มดตัวอื่นก็จะเลือกเดินตามเส้นทางนั้น เมื่อเวลาผ่านไป เส้นทางที่สั้นที่สุดจะมีฟีโรโมนหนาแน่นที่สุด ทำให้มดเลือกเส้นทางนั้นมากขึ้นเรื่อย ๆ อัลกอริธึมนี้ใช้หลักการเดียวกันในการแก้ปัญหาการหาทางที่ดีที่สุดในเครือข่าย เช่น การหาทางสั้นที่สุด ขั้นตอนพื้นฐาน: อ่านเพิ่มเติม: Ant Colony Optimization: https://en.wikipedia.org/wiki/Ant_colony_optimization_algorithms 2. Particle Swarm Optimization (PSO) Particle Swarm Optimization ได้รับแรงบันดาลใจจากการเคลื่อนไหวเป็นฝูงของนกและปลา โดยฝูงนี้จะเคลื่อนที่ในลักษณะที่ประสานกันเพื่อหาอาหาร อัลกอริธึม PSO จะใช้กลุ่มอนุภาค (particles) ในการสำรวจพื้นที่ค้นหา และปรับตำแหน่งโดยใช้ข้อมูลจากตำแหน่งที่ดีที่สุดที่ตนเองเคยเจอและจากเพื่อนร่วมฝูง ทำให้ทุกคนสามารถหาตำแหน่งที่ดีที่สุดได้ ขั้นตอนพื้นฐาน: อ่านเพิ่มเติม: Particle Swarm Optimization: https://en.wikipedia.org/wiki/Particle_swarm_optimization 3. Artificial Bee Colony (ABC) Artificial Bee Colony อ้างอิงจากพฤติกรรมการหาอาหารของผึ้งในรัง ผึ้งแบ่งเป็น 3 ประเภท คือ ผึ้งงาน, ผึ้งสังเกตการณ์, และผึ้งลูกเสือ ผึ้งงานจะหาแหล่งอาหารและแบ่งปันข้อมูลให้ผึ้งสังเกตการณ์เลือกแหล่งอาหารตามคุณภาพ ส่วนผึ้งลูกเสือจะออกค้นหาแหล่งอาหารใหม่ อัลกอริธึมนี้ใช้หลักการนี้ในการหาทางแก้ปัญหาที่ดีที่สุด ขั้นตอนพื้นฐาน: อ่านเพิ่มเติม: Artificial Bee Colony: https://en.wikipedia.org/wiki/Artificial_bee_colony_algorithm 4. Firefly Algorithm Firefly Algorithm ได้แรงบันดาลใจจากพฤติกรรมการกระพริบแสงของหิ่งห้อย ซึ่งหิ่งห้อยจะถูกดึงดูดเข้าหากันตามความสว่างของแสงที่กระพริบ โดยแสงที่สว่างมากกว่าจะดึงดูดหิ่งห้อยตัวอื่นให้เข้าใกล้ อัลกอริธึมนี้นำหลักการดังกล่าวมาใช้ในการแก้ปัญหาโดยให้หิ่งห้อยที่มีความสว่างสูงแสดงถึงทางแก้ปัญหาที่ดีกว่า ขั้นตอนพื้นฐาน: อ่านเพิ่มเติม: Firefly Algorithm: https://en.wikipedia.org/wiki/Firefly_algorithm ตัวอย่างการใช้งาน Swarm Intelligence Swarm Intelligence ไม่ได้จำกัดอยู่แค่ในโลกของสิ่งมีชีวิตเท่านั้น แต่ยังถูกนำมาประยุกต์ใช้ในหลากหลายด้าน ดังนี้: 1. การจราจรและขนส่ง Swarm Intelligence ถูกนำมาใช้ในระบบการจราจรและขนส่งเพื่อเพิ่มประสิทธิภาพในการเคลื่อนย้ายและการจัดการทรัพยากร โดยมีตัวอย่างดังนี้: 2. การแพทย์และสาธารณสุข Swarm Intelligence สามารถนำมาประยุกต์ใช้ในด้านการแพทย์เพื่อพัฒนาความแม่นยำและประสิทธิภาพในการรักษาและป้องกันโรค: 3. การเงินและการลงทุน การเงินและการลงทุนเป็นอีกหนึ่งพื้นที่ที่ Swarm Intelligence มีบทบาทสำคัญในการวิเคราะห์ข้อมูลและตัดสินใจอย่างชาญฉลาด: 4. การผลิตและอุตสาหกรรม ในภาคการผลิตและอุตสาหกรรม Swarm Intelligence สามารถปรับปรุงกระบวนการผลิตให้มีประสิทธิภาพและยืดหยุ่นมากขึ้น: 5. การสื่อสารและเครือข่าย Swarm Intelligence มีบทบาทสำคัญในการพัฒนาและบริหารจัดการเครือข่ายการสื่อสาร: กรณีศึกษาจริงของ Swarm Intelligence ลองมาดูตัวอย่างการนำ Swarm Intelligence ไปใช้งานจริงกัน: ข้อดีและข้อเสียของ Swarm Intelligence เหมือนเทคโนโลยีอื่นๆ Swarm Intelligence ก็มีทั้งข้อดีและข้อเสียที่ควรพิจารณา: ข้อดี ข้อเสีย มีความยืดหยุ่นสูง สามารถปรับตัวเข้ากับสถานการณ์ที่เปลี่ยนแปลงได้อย่างรวดเร็ว ทนทานต่อความผิดพลาด เพราะไม่ได้พึ่งพาตัวควบคุมหลักเพียงตัวเดียว สามารถแก้ปัญหาที่ซับซ้อนได้โดยใช้กฎง่ายๆ เพียงไม่กี่ข้อ มีประสิทธิภาพสูงในการค้นหาคำตอบที่ดีที่สุด โดยเฉพาะในปัญหาที่มีขนาดใหญ่ สามารถขยายขนาดได้ง่าย เพียงแค่เพิ่มจำนวนสมาชิกในระบบ ยากที่จะคาดเดาพฤติกรรมของระบบได้อย่างแม่นยำ เนื่องจากมีความซับซ้อนสูง อาจใช้เวลานานในการหาคำตอบที่ดีที่สุด โดยเฉพาะในปัญหาที่มีขนาดเล็ก ต้องการการปรับแต่งพารามิเตอร์ที่เหมาะสม ซึ่งอาจต้องใช้เวลาและความเชี่ยวชาญ อาจเกิดปัญหา “การติดกับดักท้องถิ่น” (local optima) ทำให้ไม่สามารถหาคำตอบที่ดีที่สุดได้ยากที่จะอธิบายกระบวนการตัดสินใจของระบบให้มนุษย์เข้าใจได้ (black box problem) ข้อควรระวังในการใช้งาน Swarm Intelligence แม้ว่า Swarm Intelligence จะมีประโยชน์มากมาย แต่ก็มีข้อควรระวังที่ต้องคำนึงถึงเมื่อนำมาใช้งาน: เนื่องจาก Swarm Intelligence มักต้องใช้ข้อมูลจำนวนมาก จึงต้องระมัดระวังในการจัดการและปกป้องข้อมูลส่วนบุคคล โดยเฉพาะในแอปพลิเคชันที่เกี่ยวข้องกับข้อมูลที่ละเอียดอ่อน เช่น ข้อมูลทางการแพทย์หรือการเงิน ...

31 March 2025

Data for Business Movements Showroom

การใช้ Big Data และ AI ในมุมมองของนักการตลาด

ในยุคที่ข้อมูลกลายเป็นทรัพยากรสำคัญ การใช้ข้อมูลขนาดใหญ่ (Big Data) และปัญญาประดิษฐ์ (AI) กำลังเปลี่ยนแปลงรูปแบบการทำงานของนักการตลาดทั่วโลก โดยเทคโนโลยีทั้งสองนี้ไม่เพียงแค่ช่วยเพิ่มประสิทธิภาพในการวิเคราะห์ข้อมูล แต่ยังช่วยสร้างประสบการณ์ที่ดีและตอบสนองต่อความต้องการของผู้บริโภคได้อย่างตรงจุด ทำไม Big Data และ AI ถึงเป็นตัวเปลี่ยนเกมในงานการตลาด? Big Data คือกุญแจสำคัญที่ช่วยให้นักการตลาดเข้าใจพฤติกรรม และความต้องการของลูกค้าในแบบที่ไม่เคยมีมาก่อน ในขณะที่ AI มาช่วยงานนักวิเคราะห์ข้อมูล ในการเปลี่ยนข้อมูลจำนวนมหาศาลเหล่านี้ ให้กลายเป็นคำตอบและกลยุทธ์ที่ใช้งานได้จริง การใช้ Big Data และ AI ในงานการตลาด มีดังนี้ ความท้าทายในการใช้ Big Data และ AI แม้ว่า Big Data และ AI จะมอบข้อได้เปรียบมากมาย แต่การนำมาใช้ยังมีความท้าทายบางประการ ได้แก่ แนวทางการนำ Big Data และ AI มาใช้ให้เกิดประสิทธิภาพ บทสรุป Big Data และ AI ได้กลายเป็นเครื่องมือที่ขาดไม่ได้สำหรับนักการตลาดในยุคปัจจุบัน การนำเทคโนโลยีเหล่านี้มาใช้ไม่เพียงช่วยเพิ่มประสิทธิภาพในกระบวนการทำงาน แต่ยังช่วยสร้างความสัมพันธ์ที่แข็งแกร่งกับลูกค้าและตอบสนองความต้องการได้อย่างตรงจุด ตัวอย่างที่ประสบความสำเร็จ เช่น Netflix, Amazon, และ Coca-Cola ได้แสดงให้เห็นถึงศักยภาพในการเพิ่มผลลัพธ์ทางธุรกิจผ่านการใช้งานเทคโนโลยีอย่างชาญฉลาด อย่างไรก็ตาม การใช้งานเทคโนโลยีดังกล่าวจำเป็นต้องควบคู่ไปกับการพัฒนาความเข้าใจในด้านข้อมูลและการปฏิบัติตามหลักจริยธรรม เพื่อให้ได้ผลลัพธ์ที่ดีที่สุดในระยะยาว การปรับตัวและการเรียนรู้จากตัวอย่างเหล่านี้จะช่วยให้นักการตลาดสามารถก้าวข้ามความท้าทายและใช้ประโยชน์จาก Big Data และ AI ได้อย่างมีประสิทธิภาพสูงสุดในอนาคต แหล่งที่มา

10 March 2025

ตัวอย่างการใช้ Big Data เพื่อส่งเสริมการลงทุน

มาดูกันว่า Big data สามารถเอาไปใช้ในด้านการเงิน การลงทุนได้อย่างไร บทความนี้จะยกตัวอย่างถึงการนำ Big data ไปใช้กับข้อมูลจริงของทางกองทุนบำเหน็จบำนาญข้าราชการ(กบข.) ซึ่ง GBDi ทำโมเดล (XGBoost) เพื่อวิเคราะห์ว่าสมาชิกกบข.คนไหนที่มีโอกาสจะมาออมเงินเพิ่ม และส่งเสริมให้มีสมาชิกมาลงทุนในกองทุน (pension fund) ที่มากยิ่งขึ้น

13 October 2023

Movements Showroom

การประยุกต์ใช้ข้อมูลทางอุตุฯเพื่อการเกษตร ท่องเที่ยว และการเดินเรือ

ข้อมูลทางอุตุนิยมวิทยามีผลต่อการวางแผนในการดำเนินกิจกรรมต่าง ๆ มากมาย บทความนี้จะยกตัวอย่างการประยุกต์ใช้ข้อมูลทางอุตุนิยมวิทยาสำหรับการวางแผนการเพาะปลูกข้าวนาน้ำฝน การวางแผนสำหรับการท่องเที่ยว รวมทั้งการเฝ้าระวังในการเดินเรืออีกด้วย กรมอุตุนิยมวิทยา ร่วมกับ GBDi ในการนำข้อมูล Big Data ทางอุตุนิยมวิทยาของกรมอุตุฯ มาประยุกต์ใช้ เพื่อนำเสนอข้อมูลการพยากรณ์อากาศให้เกิดประโยชน์ต่อภาคส่วนต่าง ๆ โดยในระยะเริ่มต้น GBDi ให้การสนับสนุนกรมอุตุฯในด้านการทำ Data Visualization และ Data Analytics ซึ่งเป็นการขับเคลื่อนโครงการในระยะสั้นเพื่อแสดงให้เห็นถึงประโยชน์ของการเชื่อมโยงและการวิเคราะห์ข้อมูลอุตุนิยมวิทยา ผ่าน 3 โครงการหลัก ดังนี้ 1. อุตุนิยมวิทยาเพื่อการเกษตร อุตุนิยมวิทยาเพื่อการเกษตรกรรม เช่น การปลูกข้าว ซึ่งมีการสำรวจ ศึกษาสภาพแวดล้อมและสภาพอากาศ และสร้างแบบจำลอง เพื่อมุ่งเน้นการปลูกข้าวอย่างมีประสิทธิภาพ เพิ่มผลผลิตให้แก่เกษตรกรและลดผลกระทบจากความเสียหายที่เกิดจากสภาพอากาศแปรปรวนที่ไม่อาจคาดเดาได้ สร้างเป็น Dashboard การตัดสินใจปลูกข้าวในพื้นที่นาน้ำฝนของภาคอีสานโดยใช้ปริมาณน้ำฝนสะสมล่วงหน้าดังรูปที่ 1 และ 2 2. อุตุนิยมวิทยาเพื่อการท่องเที่ยว การเปลี่ยนแปลงสภาพอากาศส่งผลต่อการใช้ชีวิตประจำวันของคนเราโดยเฉพาะในเรื่องของการเดินทาง การติดตามสภาพอากาศเพื่อการท่องเที่ยวถือเป็นประเด็นสำคัญที่เราสนใจในการนำข้อมูลทางอุตุนิยมวิทยามาประยุกต์เพื่อแนะนำการท่องเที่ยว โดยแบ่งตามช่วงเวลาที่สนใจ แดชบอร์ดแสดงข้อมูลการคาดการณ์วันที่เหมาะสมสำหรับการเดินป่า การไปเที่ยวชายหาด การไปเที่ยวทะเล และกิจกรรมอื่น ๆ โดยมีตัวกรองให้สามารถเลือกแสดงผลเดือนที่สนใจได้ โดยใช้ความสามารถของกรมอุตุนิยมวิทยาที่สามารถพยากรณ์อากาศ เพื่อประกอบการตัดสินใจเลือกท่องเที่ยวในรูปแบบต่าง ๆ ตามลักษณะอากาศที่เหมาะสมในการท่องเที่ยว ซึ่งแบ่งเป็น 4 ประเภท ดังนี้ นอกจากนี้ยังมีการแสดงปฏิทินที่แสดงความเหมาะสมสำหรับการท่องเที่ยวตลอดทั้งปี โดยแยกเป็น สามารถดูตัวอย่างประกอบได้ที่ Dashboard 3. การพยากรณ์อากาศเพื่อการเดินเรือ การพยากรณ์อากาศเพื่อการเดินเรือ อาศัยข้อมูลจาก 2 แบบจำลอง คือ ข้อมูลจำแนกตามท่าเรือต่าง ๆ โดยข้อมูลที่แสดงใน Dashboard ได้แก่ พิกัดท่าเรือ ปริมาณน้ำฝน ความสูงคลื่น คาบคลื่นเฉลี่ย ทิศทางคลื่น ทิศทางลม และความเร็วลม โดยข้อมูลต่าง ๆ เหล่านี้ ถูกนำมาใช้เพื่อประกอบการตัดสินใจในการเดินเรือ เหล่านี้เป็นเพียงตัวอย่างการประยุกต์ใช้ข้อมูลทางอุตุนิยมวิทยาในส่วนของคำแนะนำของการปลูกข้าวในพื้นที่นาน้ำฝน คำแนะนำในการวางแผนการท่องเที่ยว และการตัดสินใจเดินเรือในเบื้องต้นเท่านั้น ในระยะถัดไปอาจมีการนำข้อมูลจากแบบจำลองอื่น ๆ หรือข้อมูลเพิ่มเติมมาประยุกต์ใช้เพื่อเป็นประโยชน์ต่อการดำเนินชีวิตของเราทุกคนต่อไป Reference Dashboard การเกษตร Dashboard การท่องเที่ยว Dashboard การเดินเรือ เนื้อหาโดย ขวัญศิริ ศิริมังคลาตรวจทานและปรับปรุงโดย

14 December 2022

บริหารหนี้สาธารณะด้วยแบบจำลองวิเคราะห์ต้นทุนและความเสี่ยง

หนี้สาธารณะ (Public Debt) คืออะไร? การบริหารหนี้สาธารณะมีโครงสร้าง ขั้นตอน และสิ่งที่ต้องพิจารณาอย่างไร? ในบทความนี้ เรามาดูตัวอย่างการประยุกต์ใช้ Data Science กับการบริหารหนี้สาธารณะเพื่อให้ภาครัฐรักษาเสถียรภาพทางการคลังกันครับ ? “หนี้สาธารณะ” คืออะไร? รัฐบาลของทุก ๆ ประเทศมีหน้าที่ในการบริหารจัดการงบประมาณภายในประเทศเพื่อพัฒนาประเทศ ตั้งแต่การสร้างถนนและระบบคมนาคม การเยียวยาผู้ประสบปัญหาภัยพิบัติ การส่งเสริมการศึกษา การสาธารณสุข เป็นต้น รัฐบาลหนึ่ง ๆ มี “รายได้” เพื่อใช้ในการพัฒนาประเทศได้อย่างไร? คำตอบคือ การเก็บภาษีนั่นเอง ในกรณีของประเทศไทย รัฐบาลมีการจัดเก็บภาษีเงินได้, ภาษีหัก ณ ที่จ่าย, ภาษีมูลค่าเพิ่ม ไปจนถึงภาษีสรรพสามิตและภาษีศุลกากร ซึ่งไม่ได้แตกต่างจากนานาประเทศทั่วโลกนัก ซึ่งรัฐบาลจะนำรายได้เหล่านี้มาจัดสรรเป็นงบประมาณเพื่อใช้ในด้านต่าง ๆ หากรัฐบาลหนึ่ง ๆ มีรายได้ไม่เพียงพอสำหรับรายจ่ายเพื่อการพัฒนาประเทศในแต่ละปี รัฐบาลก็จำเป็นที่จะต้องกู้ยืมเงินให้เพียงพอต่อความต้องการ ไม่ต่างจากการที่บุคคลธรรมดาอาจจำเป็นต้องกู้ยืมเงินเพื่อตอบสนองความต้องการในการซื้อบ้านหรือลงทุนในธุรกิจ ซึ่งในบริบทของรัฐบาล ปริมาณวงเงินกู้ที่รัฐบาลมีความต้องการในแต่ละปีงบประมาณ มีชื่อเรียกว่า ความต้องการเงินทุน (Funding Need) และการกู้ยืมเงินตาม Funding Need นี้เองที่ก่อให้เกิดหนี้สาธารณะ ทำความรู้จักกับสำนักงานบริหารหนี้สาธารณะ (Public Debt Management Office) สำนักงานบริหารหนี้สาธารณะ (สบน.) กระทรวงการคลัง มีภาระหน้าที่ในการบริหารโครงสร้างหนี้ภายในประเทศ รักษาเสถียรภาพทางการคลังแก่ภาครัฐโดยการระดมทุนผ่านการออกตราสารหนี้ตามวงเงินกู้ที่ต้องการ เพื่อบริหารค่าใช้จ่ายของภาครัฐ ทั้งนี้ สบน. ทำการบริหารหนี้ด้วยกลยุทธ์การบริหารหนี้สาธารณะระยะปานกลาง (Medium-Term Debt Management Strategy: MTDS) ซึ่งเป็นแนวปฏิบัติสากลตามข้อแนะนำของธนาคารโลก (World Bank) ในการบริหารต้นทุนและความเสี่ยงของหนี้ โดยมีการจัดการความเสี่ยงของหนี้ใน 3 ด้าน คือ ความเสี่ยงด้านอัตราแลกเปลี่ยน ความเสี่ยงด้านอัตราดอกเบี้ย และความเสี่ยงด้านการปรับโครงสร้างหนี้ เพื่อความชัดเจนในบทความนี้ “หนี้สาธารณะ” ที่อยู่ภายใต้การดูแลของ สบน. หมายถึง หนี้ที่กระทรวงการคลัง หน่วยงานของรัฐ หรือรัฐวิสาหกิจกู้ หรือหนี้ที่กระทรวงการคลังค้ำประกัน แต่ไม่รวมถึงหนี้ของรัฐวิสาหกิจที่ทำธุรกิจให้กู้ยืมเงินโดยกระทรวงการคลัง มิได้ค้ำประกัน (คำนิยามจากเว็บไซต์ของสบน.) ความท้าทายของการบริหารหนี้สาธารณะ เนื่องจากผู้บริหารหนี้จำเป็นต้องตัดสินใจวางแผนกลยุทธ์การออกตราสารหนี้ใหม่ ณ ปัจจุบัน โดยไม่สามารถล่วงรู้ถึงข้อมูลของอัตราแลกเปลี่ยนและอัตราดอกเบี้ยในท้องตลาด รวมถึงข้อมูลเศรษฐกิจมหภาคในอนาคตได้ ทำให้การวางกลยุทธ์การบริหารหนี้มีความไม่แน่นอน ทำให้ สบน. จำเป็นต้องมีการใช้แบบจำลองทางคณิตศาสตร์ (models) เพื่อช่วยจำลองสถานการณ์ในอนาคตจากสมมติฐานในกรณีต่าง ๆ ผนวกกับหลักการทางสถิติเพื่อให้ผู้บริหารหนี้สามารถวางแผนตัดสินใจถึงชนิด (instrument type), ช่วงเวลา (timing), ช่วงอายุหนี้ (maturity), อัตราดอกเบี้ยและชนิดดอกเบี้ย (coupon), และปริมาณการกู้เงิน (issuance amount) ที่เหมาะสมบนความไม่แน่นอนที่อาจเกิดขึ้นได้ ผู้บริหารหนี้จำเป็นต้องวางแผนกลยุทธ์การออกตราสารหนี้ใหม่โดยไม่สามารถล่วงรู้ถึงข้อมูลของอัตราแลกเปลี่ยน อัตราดอกเบี้ย รวมถึงข้อมูลเศรษฐกิจมหภาคในอนาคตได้ การวางกลยุทธ์การบริหารหนี้บนความไม่แน่นอนนี้ จึงจำเป็นจะต้องมีการใช้แบบจำลองทางคณิตศาสตร์ (models) เพื่อช่วยจำลองสถานการณ์ในอนาคตจากสมมติฐานในกรณีต่าง ๆ ผนวกกับหลักการทางสถิติเพื่อให้ผู้บริหารหนี้สามารถวางแผนตัดสินใจบนความไม่แน่นอนที่อาจเกิดขึ้นได้ ในช่วงเวลาที่ผ่านมา สบน. มีการใช้แบบจำลองการวิเคราะห์ต้นทุนและความเสี่ยง (cost-risk analysis) และวางแผนกลยุทธ์การบริหารหนี้ (debt management strategy) ที่มีลักษณะเป็น “กล่องดำ” (“black box”) เนื่องจากเป็นแบบจำลองที่ถูกพัฒนาโดยหน่วยงานภายนอก ทำให้เจ้าหน้าที่ สบน. ไม่สามารถปรับแต่งรูปแบบการจำลองหรือตรวจสอบความถูกต้องของผลลัพธ์ได้ ซึ่งข้อจำกัดดังกล่าวเป็นความท้าทายต่อ สบน. ในการบริหารหนี้ให้มีต้นทุนที่ต่ำบนระดับความเสี่ยงที่ยอมรับได้อย่างยั่งยืน เปลี่ยนความท้าทายให้เป็นโอกาส ด้วยการพัฒนา In-House Risk Model ความต้องการแบบจำลองใหม่ที่สามารถปรับแต่งได้ตามความต้องการของ สบน. และพัฒนาโดยเจ้าหน้าที่ของ สบน. เองเพื่อความยั่งยืนในการใช้งานและปรับปรุงแบบจำลอง จึงนำมาสู่ความร่วมมือระหว่าง สบน. และธนาคารโลก ภายใต้โครงการจ้างที่ปรึกษาสำหรับการพัฒนาแบบจำลองการบริหารความเสี่ยงหนี้สาธารณะเพื่อใช้ในสำนักงาน (in-house risk model) โดยมีที่ปรึกษาจากสถาบันส่งเสริมการวิเคราะห์และบริหารข้อมูลขนาดใหญ่ภาครัฐ (สวข.) เข้าร่วมเป็นที่ปรึกษาด้านเทคนิค (technical consultant) ร่วมกับธนาคารโลก เพื่อให้คำปรึกษาและร่วมพัฒนาแบบจำลองของ สบน. ตามขอบเขตการดำเนินการและข้อตกลงระหว่าง สบน. ธนาคารโลก และ สวข. องค์ประกอบของแบบจำลองการบริหารความเสี่ยง ภายใต้ความร่วมมือข้างต้น สวข. ได้ให้คำปรึกษาและร่วมพัฒนาแบบจำลองการบริหารความเสี่ยงกับเจ้าหน้าที่ สบน. ภายใต้แนวทางและคำปรึกษาจากธนาคารโลก โดยมีผลลัพธ์ตามองค์ประกอบ คือ ในบทความนี้ เราจะเน้นรายละเอียดส่วนที่สำคัญในการบริหารความเสี่ยงสำหรับการบริหารหนี้สาธารณะในสามองค์ประกอบแรก โดยมีรายละเอียดดังนี้ แบบจำลองเพื่อวิเคราะห์ต้นทุนและความเสี่ยง (Cost-Risk Model) แบบจำลองเพื่อวิเคราะห์ต้นทุนและความเสี่ยง (cost-risk model) เป็นแบบจำลองตามหลักการ MTDS ซึ่งใช้ในการวางกลยุทธ์การบริหารหนี้สาธารณะในระยะปานกลาง โดยประกอบด้วยองค์ประกอบสำคัญภายในแบบจำลองดังนี้ องค์ประกอบที่หนึ่ง คือ แบบจำลองกลยุทธ์การออกตราสารหนี้ (issuance strategy) ซึ่งมีข้อมูลนำเข้าเป็นกลยุทธ์การออกตราสารหนี้ที่ผู้บริหารหนี้ (debt manager) ต้องการเปรียบเทียบ ยกตัวอย่าง เช่น กลยุทธ์ A เน้นการออกตราสารหนี้ระยะสั้น เนื่องจากมีต้นทุนที่ต่ำกว่า และกลยุทธ์ B เน้นการออกตราสารหนี้ระยะยาวด้วยสกุลเงินในประเทศ เนื่องจากมีความเสี่ยงที่ต่ำกว่า เป็นต้น โดยแบบจำลองนี้สามารถทำงานร่วมกับแบบจำลองสถานการณ์อัตราตลาด (market rate models) เพื่อทดสอบกลยุทธ์การออกตราสารหนี้ใหม่ภายใต้สถานการณ์หลาย ๆ สถานการณ์ (scenarios) และผนวกกลยุทธ์กับสถานการณ์ที่กำหนด สู่การคำนวณต้นทุนและความเสี่ยง ในแบบจำลองถัดไป องค์ประกอบที่สอง คือ แบบจำลองการคำนวณแนวโน้มกระแสเงินสดเพื่อชำระดอกเบี้ยเงินกู้ (cashflows) และกำหนดการไถ่ถอนของตราสารหนี้ (redemption profiles) (ต้นเงินกู้) ในอนาคต เป็นแบบจำลองที่นำเข้าข้อมูลกลยุทธ์การออกตราสารหนี้ใหม่ (issuance strategy), ดุลการคลังขั้นต้น (primary deficit), และหนี้ที่อยู่ในการบริหารดูแล (debt portfolio) ในปัจจุบันที่รัฐบาลมีภาระการชำระดอกเบี้ยและเงินต้น เพื่อให้ผู้บริหารหนี้สามารถคาดการณ์แนวโน้มของ portfolio หนี้สาธารณะ เช่น วิเคราะห์ว่าภายใน 10 – 20 ปีข้างหน้า รัฐบาลจะต้องแบกรับภาระการชำระหนี้เท่าใด, ต้นทุนที่จำเป็นต้องชำระ (coupon payments) มีปริมาณสูงเท่าใดและกระจายตัวอยู่ในปีงบประมาณใด, และมีความเสี่ยงที่ต้นทุนของการกู้เงินจะมีปริมาณสูงกว่าที่คาดเนื่องจากสถานการณ์วิกฤติ (shock scenarios) หรือไม่ อย่างไร ผลลัพธ์ของ cashflows และ redemption profiles สำหรับกลยุทธ์ที่แตกต่างกัน จะทำให้ผู้บริหารหนี้สามารถใช้พิจารณาตัดสินใจเลือกกลยุทธ์ที่มีต้นทุนของการกู้เงินและระดับความเสี่ยงที่ยอมรับได้ภายใต้สถานการณ์และปัจจัยภายนอกทั้งในกรณีฐานและกรณีวิกฤติ ทั้งนี้ แบบจำลองส่วนนี้จำเป็นจะต้องมีการพัฒนาลักษณะการทำงานของตราสารหนี้แต่ละชนิดออกมาในรูปแบบของคลาส (classes) ในภาษา Python ที่แตกต่างกัน ดังนี้: แบบจำลองสถานการณ์อัตราตลาด (Market Rate Models) แบบจำลองสถานการณ์อัตราตลาด (market rate models) เป็นแบบจำลองที่อธิบายแนวโน้มของอัตราตลาดต่าง ๆ อันได้แก่ อัตราผลตอบแทนสำหรับเส้นอัตราผลตอบแทนแบบไร้ความเสี่ยงของตราสารหนี้แบบไม่จ่ายคูปอง (zero coupon yield curve), อัตราดอกเบี้ยลอยตัว (variable interest rates), และอัตราแลกเปลี่ยน (exchange rates) เพื่อใช้สำหรับการจำลองอนาคตของสถานการณ์อัตราตลาด เพื่อนำไปใช้วิเคราะห์สถานการณ์การบริหารหนี้ทั้งแบบกำหนดได้และแบบสุ่ม (deterministic and stochastic analyses) เนื่องจากแบบจำลองกลยุทธ์การออกตราสารหนี้ (issuance strategy) ดังที่ได้กล่าวข้างต้น จำเป็นต้องมีการใช้ข้อมูลอัตราตลาดในอนาคต แต่การทำนายอนาคตมีความไม่แน่นอน (uncertainty) ทำให้แบบจำลองสถานการณ์อัตราตลาด (market rate models) ถูกออกแบบมาโดยไม่ได้เน้นความแม่นยำของการทำนายค่า หากแต่เน้นให้ความสำคัญมากกว่ากับการคาดการณ์ทิศทางที่เป็นไปได้ของตลาดเพื่อช่วยในการตัดสินใจของผู้บริหารหนี้ โดยอัตราตลาดที่ถูกจำลองขึ้นจะส่งผลต่อการคำนวณภาระดอกเบี้ยที่รัฐบาลต้องชำระคืน (coupon payments) โดยอัตราแต่ละตัวจะส่งผลต่อพันธบัตรต่างชนิดกันไป และส่งผลต่ออัตราผลตอบแทน (coupon) สำหรับตราสารหนี้ที่ออกใหม่เพื่อนำเงินที่ได้จากการระดมทุนไปชำระหนี้เดิม (rollover) ที่ปรึกษา สวข. ให้การสนับสนุนเจ้าหน้าที่ สบน. ในการพัฒนาและใช้งานแบบจำลองการวิเคราะห์อนุกรมเวลา (time series analysis) ด้วยโมเดลที่เฉพาะเจาะจงกับบริบทของ สบน. เครื่องมือการคำนวณตัวชี้วัดความเสี่ยง (Risk Indicators) เครื่องมือการคำนวณตัวชี้วัดความเสี่ยง (risk indicators) ของหนี้ที่อยู่ในการบริหารดูแล (debt portfolio) ซึ่งเป็นเครื่องมือในการประเมินสถานะความเสี่ยงของ portfolio ทั้งในปัจจุบัน และในอนาคตภายในสถานการณ์จำลองและกลยุทธ์การออกตราสารหนี้ที่ผู้บริหารหนี้กำลังทำการเปรียบเทียบระหว่างกลยุทธ์ปัจจุบันกับกลยุทธ์ทางเลือก ที่ปรึกษา สวข. ให้การสนับสนุนเจ้าหน้าที่ สบน. ในการพัฒนาตัวชี้วัดความเสี่ยง เช่น สัดส่วนหนี้ที่ครบกำหนดไถ่ถอนภายในเวลาที่กำหนด (debt share maturing), สัดส่วนหนี้ประเภทอัตราดอกเบี้ยคงที่ (fixed rate debt ratio), อายุเฉลี่ยของหนี้ (Average Time to Maturity: ATM) แบบถ่วงน้ำหนัก เป็นต้น (ผู้อ่านที่สนใจสามารถศึกษาตัวชี้วัดความเสี่ยงเพิ่มเติมได้ในตัวอย่างรายงานประจำปีของ สบน.) จากแบบจำลองสู่ผลสัมฤทธิ์ ความต้องการแบบจำลองใหม่ที่สามารถปรับแต่งได้ตามความต้องการของ สบน. และพัฒนาโดยเจ้าหน้าที่ของ สบน. เองเพื่อความยั่งยืนในการใช้งานและปรับปรุงแบบจำลอง ได้นำมาสู่ความร่วมมือในโครงการนี้ และถึงแม้ในระหว่างการดำเนินงานจะมีความท้าทายอยู่หลายประการ ทั้งสถานการณ์โควิด-19 ที่ทำให้การพบปะเพื่อให้คำปรึกษาและร่วมพัฒนาจำเป็นต้องดำเนินการผ่านช่องทางออนไลน์ทั้งหมด และเส้นทางการเรียนรู้ศาสตร์ใหม่ที่ค่อนข้างชัน (steep learning curve) ของเจ้าหน้าที่ สบน. ที่มีความเชี่ยวชาญด้านการบริหารหนี้สาธารณะ แต่จำเป็นต้องเริ่มเรียนรู้ทักษะด้านวิทยาการคอมพิวเตอร์ (computer science) และวิทยาการข้อมูล (data science) ในการพัฒนาแบบจำลองโดยเจ้าหนี้ สบน. เอง แต่เมื่อผนวกความเชี่ยวชาญเฉพาะด้านจาก สวข. และธนาคารโลก ทำให้แบบจำลองดังกล่าวได้รับการพัฒนาจนใกล้เคียงความสมบูรณ์ โดยสำนักงานบริหารหนี้สาธารณะ ได้เริ่มนำแบบจำลองดังกล่าวไปใช้จริงตั้งแต่ปีงบประมาณ 2565 โดยในช่วง 6 เดือนแรกเป็นการใช้งานแบบจำลองในลักษณะคู่ขนานกับแบบจำลองเดิมเพื่อให้มั่นใจในผลลัพธ์ ที่ปรึกษา สวข. ดำเนินการให้คำปรึกษาและให้การสนับสนุนในการพัฒนาแบบจำลองการบริหารความเสี่ยงหนี้สาธารณะได้เสร็จสิ้นครบทุกเป้าประสงค์ และมีความยินดีที่ได้ให้การสนับสนุนและพัฒนาแบบจำลองการบริหารความเสี่ยงหนี้สาธารณะไปสู่การใช้งานจริงภายในสำนักงาน สบน. (ซ้าย) ปพจน์ ธรรมเจริญพร Project Manager...

24 October 2022

ข้อมูลเปิดเพื่อการต่อต้านคอร์รัปชัน

สวัสดีครับท่านผู้อ่าน ก่อนอื่นต้องขอแนะนำตัวก่อนนะครับ ผมณัฐ ณัฐภัทร เนียวกุล ปัจจุบันเป็นผู้จัดการโครงการข้อมูลเปิดเผยเพื่อความโปร่งใสของบริษัท แฮนด์ วิสาหกิจเพื่อสังคม จำกัด เราทำงานโดยมีความตั้งใจเพื่อส่งเสริมความโปร่งใสให้เกิดขึ้นในสังคม สร้างระบบนิเวศน์ของการ ต่อต้านคอร์รัปชัน และเชื่อมโยงทุกภาคส่วนในสังคมที่ทำงานในเรื่องนี้เข้ามาทำงานร่วมกัน ทุกท่านคงทราบดีว่า ปัญหาคอร์รัปชัน เป็นปัญหาที่เราพูดซ้ำวนเวียนมานานว่า แก้ไม่ได้สักที แม้ว่าเราจะพยายามทำยุทธศาสตร์ชาติ ออกกฎหมาย เขียนกฎหมายใหม่ก็หลายต่อหลายครั้ง มีองค์กรต่าง ๆ ที่เข้ามามีบทบาทในเรื่องนี้ แต่ก็ยังทำได้ไม่ดีเท่าที่ควร โดยเฉพาะเมื่อมีการจัดอันดับ ดัชนีภาพลักษณ์คอร์รัปชัน (Corruption Perceptions Index; CPI) ย้อนหลังไปเป็น 10 ปี คะแนนประเทศไทยก็ไม่ค่อยขยับไปไหน แต่อันดับที่เราได้ เมื่อเทียบกับประเทศอื่น ๆ กลับลดลงเรื่อย ๆ การจะรับมือ และจัดการกับปัญหาคอร์รัปชัน จึงมีความจำเป็นที่จะต้องเปลี่ยนมุมมองใหม่เพื่อหาวิธีการ และเครื่องมือใหม่ ๆ เข้ามาช่วย “ข้อมูล” จึงเป็นตัวเลือกที่เหมาะสมที่สุด เพราะข้อมูลจะมีส่วนช่วยทั้งภาครัฐและภาคประชาชน ให้เกิดความเข้าใจร่วมกันว่า ต่างฝ่ายต่างมองเห็นสิ่งที่อีกฝ่ายกำลังทำอยู่ ปิดบังซ้อนเร้นไม่ได้ (ในเงื่อนไขที่ว่าข้อมูลภาครัฐถูกเปิดเผยทั้งหมด) จากการศึกษาของคณะทำงาน G20 Anti-Corruption ได้มีการกำหนดชุดข้อมูลที่สำคัญที่ภาครัฐควรเปิดเผยเพื่อส่งเสริมความโปร่งใส และต่อต้านการคอร์รัปชันไว้ ประกอบด้วย ข้อมูลนิติบุคคล (Company Registers) ข้อมูลผู้ได้รับประโยชน์ (Beneficial Ownership) ข้อมูลคู่สัญญาของรัฐ (Government Contractors) ข้อมูลงบประมาณภาครัฐ (Government Budgeting) ข้อมูลการใช้จ่ายภาครัฐ (Government Spending) ข้อมูลโครงการจัดซื้อจัดจ้างภาครัฐ (Public Procurement) ข้อมูลทางการเงินของพรรคการเมือง (Political Financing) ข้อมูลการลงคะแนนของสมาชิกรัฐสภา (Voting Records) ข้อมูลการประชุมของฝ่ายนิติบัญญัติ (Meeting Records) ข้อมูลบัญชีทรัพย์สิน (Assets Declarations) ข้อมูลการครอบครองที่ดิน (Land Registers) เป็นต้น จากการทำงานที่ผ่านมาเราพบว่าชุดข้อมูลเหล่านี้ถูกเปิดเผยกระจัดกระจายอยู่ตามหน่วยงานต่าง ๆ ผ่านเว็บไซต์ของหน่วยงาน ถ้าโชคดีหน่อยก็อยู่ในรูปแบบ Machine Readable Format (ซึ่งเป็นส่วนน้อย) เช่น เว็บไซต์ data.go.th ที่มีการอัปเดตเวอร์ชัน และเพิ่มชุดข้อมูลใหม่ๆ อยู่ตลอดเวลา หรือระบบภาษีไปไหน ที่ทำให้เห็นข้อมูลโครงการภาครัฐรายโครงการ ที่แม้จะมีรายละเอียดไม่เท่ากับข้อมูลที่อยู่บนหน้าเว็บไซต์ของกรมบัญชีกลาง แต่ก็ถือว่าเป็นจุดเริ่มต้นของการค้นหาข้อมูลที่ดี แต่โดยส่วนใหญ่แล้วข้อมูลมักจะอยู่ในรูปแบบ PDF ที่มีการสแกนเข้าไป โชคร้ายสุด ๆ คือบางชุดข้อมูลไม่ถูกเปิดเผยเลย (ไม่ว่าจะด้วยเหตุผลใด ๆ ก็ตาม) ขอออกตัวก่อนนะครับว่า ผมอาจจะไม่ได้มีความเชี่ยวชาญเรื่อง Data ในเชิงลึก แต่จากงานที่กำลังทำอยู่ คือโครงการข้อมูลเปิดเผยเพื่อความโปร่งใส ทำให้มีความจำเป็นต้องทำงานที่เกี่ยวกับชุดข้อมูลต่าง ๆ ค่อนข้างมาก และได้มีโอกาสไปร่วมงานในการพัฒนาเครื่องมือที่ชื่อ ACT Ai (https://actai.co) ขององค์กรต่อต้านคอร์รัปชัน (ประเทศไทย) และภาคีเครือข่ายต่าง ๆ เพื่อให้เป็นฐานข้อมูลกลางสำหรับการต่อต้านคอร์รัปชัน โดยการรวบรวมชุดข้อมูลต่าง ๆ ที่เกี่ยวข้อง เช่น ข้อมูลโครงการจัดซื้อจัดจ้างภาครัฐ ข้อมูลนิติบุคคล ข้อมูลบัญชีทรัพย์สินนักการเมือง ข้อมูลคำชี้มูลความผิดของ ป.ป.ช. เป็นต้น มาไว้ในที่เดียวกัน นำมา Digitize (การแปลงข้อมูลไปสู่รูปแบบดิจิทัล) ข้อมูลทั้งหมดร่วมกับภาคประชาชน และจัดการข้อมูลให้อยู่ในมาตรฐาน Open Data Standard สร้างการเชื่อมโยงระหว่างชุดข้อมูล และวิเคราะห์ “ความเสี่ยง” ต่อการทุจริตที่อาจจะเกิดขึ้นในกระบวนการเสนอราคาของโครงการจัดซื้อจัดจ้างภาครัฐ เพื่อเป็นเครื่องมือสาธารณะให้ภาคประชาชนเข้าถึงข้อมูล ติดตาม และตรวจสอบการใช้จ่ายของภาครัฐได้ ซึ่งอยู่ระหว่างพัฒนาเป็น Open Data Website for Anti – Corruption ให้ประชาชนสามารถนำข้อมูลไปใช้ต่อได้ ตัวอย่างการตรวจสอบโครงการสร้างถนน นอกจากนี้เรายังเพิ่มเครื่องมือ Data visualization ในประเด็นต่าง ๆ ทางสังคม ร่วมกับทีม Punch UP เช่น ข้อมูลงบประมาณ และเงินกู้โควิด ในชื่อ “จับโกงงบโควิดด้วย ACT Ai” (https://covid19.actai.co) ที่ต้องขอชื่นชมการเปิดเผยข้อมูลของสภาพัฒน์ฯ ที่ทำข้อมูลออกมาได้ค่อนข้างดี ทำให้สามารถนำข้อมูลมาจัดการต่อได้ง่าย นำเสนอข้อมูลในรูปแบบแผนที่ และมีการวิเคราะห์ความเสี่ยงการทุจริตในขั้นตอนการดำเนินการต่าง ๆ ข้อมูล โครงการก่อสร้างภาครัฐภายใต้โครงการ CoST Thailand ในชื่อ “BUILD BETTER LIVES by CoST (https://costthailand.org)” ที่มุ่งเน้นเรื่องการเปิดเผยข้อมูลโครงการก่อสร้างภาครัฐ เพื่อสร้างความโปร่งใส และการมีส่วนร่วมของประชาชนที่ประสบความสำเร็จมาแล้วในหลายประเทศ เช่น เอธิโอเปีย ฮอนดูรัส กัวเตมาลา และประเทศไทยเอง หลังจากที่มีโครงการก่อสร้างภาครัฐเข้าร่วม CoST แล้วกว่า 1,400 โครงการ ทำให้สามารถประหยัดงบประมาณไปได้ถึง 123,626.31 ล้านบาท (*คิดจากส่วนต่างระหว่างงบประมาณรวมและมูลค่าสัญญา) จากการที่ตัวแทนภาคประชาชนสามารถสะท้อนความเห็นและทำงานร่วมกับภาครัฐหลังจากที่ได้เห็นข้อมูลงบประมาณที่ภาครัฐวางแผนดำเนินการ ในอนาคตเรากำลังรวบรวมข้อมูลแผนงบประมาณของท้องถิ่นเพื่อมาเชื่อมโยงให้เห็นทั้งกระบวนการงบประมาณ ตั้งแต่การวางแผนใช้จ่ายงบฯ จนไปสู่การจัดซื้อจัดจ้าง การดำเนินการขั้นตอนต่าง ๆ เหล่านี้ มีความโปร่งใสหรือไม่ ข้อมูลบัญชีทรัพย์สินของนักการเมืองที่มักจะเปิดเผยในระยะเวลาจำกัด แต่เป็นข้อมูลที่ค่อนข้างมีความสำคัญ และรวมไปถึงข้อมูลที่เกี่ยวข้องกับโรงเรียน ที่จะพัฒนาเป็นเครื่องมือให้นักเรียนได้เรียนรู้เรื่องความโปร่งใส และสามารถมีส่วนร่วมในการพัฒนาโรงเรียนของเราให้ดีขึ้น ไว้เครื่องมือและชุดข้อมูลเรียบร้อยแล้วจะขออนุญาตมาเล่าให้ทุกท่านได้ฟังในโอกาสต่อไป สุดท้ายนี้อยากจะขอเชิญชวนให้ทุกท่านทดลองใช้เว็บไซต์และเครื่องมือต่าง ๆ ที่ได้เล่ามาในช่วงต้นครับ หากมีข้อแนะนำที่จะช่วยพัฒนาเครื่องมือ และข้อมูลให้ดีขึ้น หรือหากท่านสนใจมาร่วมกันพัฒนาชุดข้อมูลต่าง ๆ เพื่อส่งเสริมความโปร่งใสไปด้วยกัน ก็ยินดีเสมอนะครับ…. เนื้อหาโดย ณัฐภัทร เนียวกุลตรวจทานและปรับปรุงโดย เมธิยาภาวิ์ ศรีมนตรินนท์

1 July 2022

การตรวจสอบคำขอสิทธิบัตรที่ใกล้เคียงกันโดยใช้เทคนิคการประมวลผลภาษา (Investigation of similar patent using NLP)

ปัจจุบันมีนักวิจัยและนักประดิษฐ์มากมายทำงานกันอย่างหนักเพื่อสร้างผลงานวิจัยและสิ่งประดิษฐ์ใหม่ๆ หลายครั้งผลงานเหล่านี้หากเป็นผลงานใหม่ที่ไม่เคยมีมาก่อน สามารถนำไปสู่การขอสิทธิบัตร (Patent) ได้ โดยสิทธิบัตรนั้นถือเป็นเครื่องแสดงทรัพย์สินทางปัญญารูปแบบหนึ่งที่ให้ความคุ้มครองการประดิษฐ์ ไม่ให้ผู้อื่นใดทำการลอกเลียนหรือจำหน่ายสิ่งประดิษฐ์นั้นๆ หากยังอยู่ในระยะเวลาการคุ้มครอง กรมทรัพย์สินทางปัญญา นำโดย กองสิทธิบัตร เป็นหน่วยงานหลักที่มีภารกิจในการกำกับและให้บริการจดทะเบียนสิทธิบัตร โดยมีการตรวจสอบคำขอรับสิทธิบัตรที่ยื่นเข้ามาใหม่ว่ามีความซ้ำซ้อนหรือใกล้เคียงกับผลงานหรือสิ่งประดิษฐ์ที่มีมาก่อนหน้านี้หรือไม่ ซึ่งกระบวนการตรวจสอบนี้อาจต้องใช้เจ้าหน้าที่ที่มีประสบการณ์ในการแยกความแตกต่างของรายละเอียดการประดิษฐ์ รวมถึงอาจต้องใช้เวลาในการอ่านค่อนข้างมาก กระบวนการตรวจสอบคำขอรับสิทธิบัตรแบบเดิม เดิมทีนั้นการตรวจสอบคำขอรับสิทธิบัตรสามารถทำได้โดยผ่านการสืบค้นด้วยคำค้นหาผ่านระบบสืบค้นข้อมูลสิทธิบัตรออนไลน์ (Search Patent System) หรือเว็บไซต์สืบค้นข้อมูลสิทธิบัตรสากลอื่นๆ ซึ่งวิธีการเหล่านี้มีข้อจำกัดในการค้นหา เนื่องจากรายการคำขอรับสิทธิบัตรที่ถูกเลือกมานำเสนอจะเป็นรายการที่จำเป็นต้องมีข้อความที่ตรงกับข้อความค้นหาอยู่ภายในรายละเอียดของคำขอนั้นในลักษณะที่ต้องตรงตามทุกตัวอักษร นอกจากนี้การค้นหาด้วยวิธีนี้จะไม่สามารถค้นหาข้อความหรือคำขอที่มีความใกล้เคียงเชิงบริบทได้ เช่น ในการค้นหาด้วยคำว่า “โควิด” นั้น คำขอรับสิทธิบัตรที่มีคำว่า “ไวรัสโคโรนา” หรือคำอื่นๆที่เกี่ยวข้อง ก็จะไม่ถูกนำเสนอขึ้นมาในผลลัพธ์ เนื่องจากในรายละเอียดไม่มีคำที่ตรงกับคำค้นหา ด้วยเหตุนี้จึงได้มีแนวคิดในการพัฒนาเครื่องมือที่จะมาช่วยคัดกรองคำขอรับสิทธิบัตรที่มีความคล้ายกันเพื่อแก้ไขข้อจำกัดที่กล่าวมาข้างต้น โดยเครื่องมือนี้มีจุดประสงค์เพื่อช่วยสนับสนุนให้ขั้นตอนการพิจารณาคำขอรับสิทธิบัตรสามารถทำได้สะดวก รวดเร็ว และมีประสิทธิภาพมากขึ้น ผลที่ได้จากเครื่องมือนี้จะเป็นรายการคำขอสิทธิบัตรที่มีเนื้อหาคล้ายคลึงกับคำขอสิทธิบัตรที่สนใจมากที่สุดเรียงลำดับจากมากไปน้อยเพื่อนำเสนอประกอบการตัดสินใจของผู้ตรวจสอบ กระบวนการใหม่ที่มีการประยุกต์ใช้เทคนิคการประมวลผลภาษา (Natural Language Processing) ในปี 2564 ที่ผ่านมา สถาบันส่งเสริมการวิเคราะห์และบริหารข้อมูลขนาดใหญ่ภาครัฐ (GBDi) ได้มีความร่วมมือกับ กองสิทธิบัตร ภายใต้กรมทรัพย์สินทางปัญญา ในการนำข้อมูลคำขอรับสิทธิบัตรที่มีการรวบรวมไว้มาทำการศึกษาและพัฒนาแบบจำลองสำหรับช่วยค้นหาคำขอรับสิทธิบัตรที่ใกล้เคียงกัน โดยการศึกษาในครั้งนี้ได้มีการประยุกต์ใช้เทคนิคการประมวลผลภาษา (Natural Language Processing: NLP) ในการวิเคราะห์ความใกล้เคียง (Similarity Matching) ของเนื้อหาและบริบทของคำที่เกิดขึ้นในรายละเอียดเอกสารคำขอรับสิทธิบัตรกับฐานข้อมูลสิทธิบัตรที่มีอยู่ โดยข้อมูลรายละเอียดที่นำมาใช้ในการพิจารณาประกอบไปด้วย ชื่อการประดิษฐ์ (Title) บทคัดย่อ (Abstract) และ ข้อถือสิทธิ (Claims) ซึ่งข้อมูลเหล่านี้เป็นข้อมูลประเภทข้อความ (text) ในข้อมูลจะมีข้อความบางส่วนไม่ได้เป็นเนื้อหาหลักของเอกสาร เราจึงต้องมีการทำความสะอาดข้อมูลเหล่านี้ก่อน เช่น การจัดการอักขระพิเศษ การจัดการคำที่ไม่มีนัยสำคัญกับความหมาย (stop words) และอื่นๆ ก่อนนำไปเข้าสู่กระบวนการตัดคำ (word tokenization) หลังจากนั้นจะเป็นขั้นตอนของการสร้างเวกเตอร์ตัวแทนของเอกสาร ด้วยเหตุผลที่ว่าข้อมูลที่ใช้มีรูปแบบเป็นข้อความ (text) ทำให้เราไม่สามารถนำมาเปรียบกันได้โดยตรงว่ามีความคล้ายคลึงกันมากน้อยเท่าใด จึงจำเป็นต้องแปลงข้อมูลเอกสารที่มีรูปแบบเป็นข้อความให้เป็นตัวเลขที่สามารถนำมาเปรียบเทียบได้ก่อน ผลลัพธ์จากขั้นตอนนี้จะได้ออกมาเป็นลำดับของตัวเลขที่แสดงถึงคุณลักษณะของเอกสารนั้นๆ ว่ามีเนื้อหาที่เกี่ยวข้องในเรื่องต่างๆ มากน้อยเพียงใด โดยวิธีการที่ใช้ในการสร้างเวกเตอร์ตัวแทนเอกสารจะประยุกต์ใช้การสร้างเวกเตอร์ด้วยการพิจารณาคุณลักษณะเชิงบริบทของคำ ซึ่งได้มาจากการเฉลี่ยของเวกเตอร์ตัวแทนของคำทุกคำที่เกิดขึ้นในเอกสารนั้นๆ เทคนิคในการสร้างเวกเตอร์ตัวแทนของคำนี้ จะเรียกว่าการทำ Word Embedding เป็นการแปลงคำที่เป็นตัวอักษรให้กลายเป็นเวกเตอร์ตัวแทนของคำในรูปแบบของค่าตัวเลขที่สามารถนำมาเปรียบเทียบความใกล้เคียงเชิงบริบทได้ ดังเช่นตัวอย่างด้านล่าง จะเห็นว่าคำว่า “apple” และ คำว่า “banana” จะมีค่าตัวเลขในเวกเตอร์ที่ใกล้เคียงกันมากกว่า การเปรียบเทียบ คำว่า “apple” กับ “dog” เนื่องจาก “apple” กับ “banana” มีความใกล้เคียงเชิงบริบทในแง่ของการเป็นคำที่แสดงถึงผลไม้เหมือนกัน ถ้าอยากทราบรายละเอียดเพิ่มเติมเกี่ยวการทำ Word Embedding สามารถเพิ่มเติมได้ที่บทความ การค้นหาตัวแทนเชิงความหมายของข้อความ: Word2Vec Word Embedding, Part I ลำดับถัดไปคือการคำนวณค่าความเหมือนของเอกสาร โดยการนำเวกเตอร์ตัวแทนเอกสารของคำขอใหม่มาเปรียบเทียบกับเวกเตอร์ตัวแทนเอกสารของคำขอทั้งหมดที่มีในฐานข้อมูล และทำการเรียงลำดับคำขอที่มีความใกล้เคียงกับคำขอใหม่ที่ต้องการตรวจสอบมากที่สุด เพื่อแสดงให้ผู้ตรวจสอบทำการพิจารณาในรายละเอียดอีกครั้ง โดยผลสุดท้ายทาง GBDi ได้ทำการพัฒนาเครื่องมือต้นแบบ (Prototype) ให้กับทางกองสิทธิบัตรได้ทดลองใช้งานเพื่อดูผลลัพธ์การแสดงรายการคำขอที่ใกล้เคียงที่ได้จากการค้นหา โดยเรียงลำดับตามค่าคะแนนความเหมือน เครื่องมือนี้จะมีประโยชน์ต่อเจ้าหน้าที่ตรวจสอบคำขอรับสิทธิบัตรซึ่งช่วยลดภาระงานในการสืบค้นและอ่านคำขอรับสิทธิบัตรจำนวนมาก ทำให้เจ้าหน้าที่สามารถทำงานได้อย่างมีประสิทธิภาพมากยิ่งขึ้น สำหรับความร่วมมือในการพัฒนาเครื่องมือต้นแบบในการค้นหาเอกสารคำขอรับสิทธิบัตรที่ใกล้เคียงกันของทางกองสิทธิบัตร กรมทรัพย์สินทางปัญญา และ GBDi ในครั้งนี้ นับว่าเป็นตัวอย่างที่แสดงให้เห็นถึงการนำข้อมูลที่มีอยู่มาใช้ประโยชน์เพื่อพัฒนาประสิทธิภาพการดำเนินงานของหน่วยงานให้สามารถทำงานได้อย่างสะดวก รวดเร็ว และตอบโจทย์การให้บริการประชาชนมากยิ่งขึ้น และหวังว่าตัวอย่างนี้จะเป็นประโยชน์แนวทางให้กับหน่วยงานอื่นๆ ในการส่งเสริมการใช้ประโยชน์ข้อมูลที่มีอยู่ภายในหน่วยงานต่อไปในอนาคต เนื้อหาโดย กัญญาวีร์ พรสว่างดีตรวจทานและปรับปรุงโดย นววิทย์ พงศ์อนันต์

28 March 2022

Movements Showroom

กรมพัฒนาที่ดินกับการใช้ Data science ในการดูแลเกษตรกรอย่างใกล้ชิด

ด้วยเป้าหมายในการพัฒนาชีวิตและความเป็นอยู่ของเกษตรกร เพื่อให้เกษตรกรได้รู้จักและเข้าใจดินในพื้นที่ของตนเอง ผ่านคำแนะนำในการจัดการดินที่เหมาะสมและรวดเร็วโดยอาศัยความเชี่ยวชาญของบุคคลากรจากกรมพัฒนาที่ดิน เพื่อให้บรรลุผลดังกล่าวทางกรมฯ จึงเปิดรับเกษตรกรที่สนใจหรือต้องการรับความช่วยเหลือผ่านโครงการที่ชื่อว่า “บัตรดินดี” บัตรดินดี: บัตรประจำตัวแปลงเกษตร บัตรดินดี หรือชื่อเต็มๆ ว่า “โครงการบริหารจัดการดินเชิงรุกแก่เกษตรกรรายแปลงผ่านบัตรดินดี” เป็นโครงการที่มีวัตถุประสงค์เพื่อดูแลเกษตรกรผู้ถือบัตรดินดี ให้ได้รับการบริการด้านดินอย่างใกล้ชิด ประมวลผลปัญหาการเกษตรในเบื้องต้น พร้อมทั้งให้คำแนะนำการจัดการดิน โดยกรมพัฒนาที่ดินได้มีการรวบรวมคลังข้อมูลดินของเกษตรกรผู้เข้าร่วมโครงการอย่างต่อเนื่อง เพื่อให้เกิดการจัดการข้อมูลให้อยู่ในรูปแบบดิจิทัลที่มีประสิทธิภาพ ในการนี้ทางกรมพัฒนาที่ดินได้ร่วมมือกับ GBDi เพื่อเสริมสร้างการใช้ประโยชน์และวิเคราะห์ข้อมูลที่เกี่ยวข้องในรูปแบบของ Dashboard เพื่อให้เข้าใจลักษณะข้อมูลของโครงการดังกล่าว และสามารถนำข้อมูลเชิงลึกที่ได้จากการวิเคราะห์ไปประยุกต์ใช้สำหรับการวางแผน ต่อยอดให้เกิดประโยชน์สูงสุดแก่เกษตรกรและหน่วยงานที่เกี่ยวข้อง ข้อมูลเพิ่มเติมหรือสนใจสมัครสมาชิกบัตรดินดี ในเบื้องต้นทางกรมพัฒนาที่ดินได้ส่งชุดข้อมูลจำนวน 143,034 ราย เพื่อนำมาวิเคราะห์ในด้านต่าง ๆ ไม่ว่าจะเป็นเรื่องของภาพรวมของผู้ถือบัตรดินดี รูปที่ 1 แสดง Dashboard ที่ทำให้เราสามารถสรุปได้ว่าพื้นที่ที่สนใจมีจำนวนสมาชิกผู้ถือบัตรดินดี และจำนวนสมาชิกที่ได้รับคำแนะนำด้านการจัดการดินเป็นจำนวนเท่าใด กระจายในพื้นที่ใดบ้าง พืชที่นิยมปลูก 10 อันดับแรกคือพืชชนิดใดบ้าง รวมถึงมีการแสดงขนาดแปลง และกลุ่มชุดดิน รวมทั้งมีการแสดงจำนวนการเป็นสมาชิกโครงการอื่น ๆ ของสมาชิกผู้ถือบัตรดินดี นอกจากนี้ยังสามารถดูรายละเอียดแต่ละพื้นที่โดยเลือกพื้นที่จังหวัดที่ต้องการในแผนที่ได้ดังรูปที่ 2 ซึ่งเป็นข้อมูลบัตรดินดีในพื้นที่จังหวัดเชียงใหม่ หน้าจอการแสดงผลอื่น ๆ ก็จะแสดงผลที่สอดคล้องกับพื้นที่ที่เลือก ในส่วนของการจัดการที่มีการดำเนินการสามารถสรุปในแต่ละพื้นที่จังหวัดดังรูปที่ 3 จากข้อมูลที่ได้มีการรวบรวมมานั้น การปลูกพืชปุ๋ยสดเป็นวิธีการจัดการที่มีการใช้มากที่สุด รองลงมาคือการไถพรวนตามแนวระดับ และการสร้างบ่อน้ำในไร่นา/สระน้ำ/บ่อเก็บน้ำ ตามลำดับ จังหวัดที่มีการใช้วิธีการจัดการมากที่สุด 3 อันดับแรก ได้แก่ สุรินทร์ เชียงราย และ น่าน ตามลำดับ นอกจากนี้ยังสามารถเลือกดูข้อมูลจากวิธีการจัดการได้ โดยเลือกวิธีการจากตารางด้านขวา เพื่อดูว่า การจัดการดังกล่าวพบในจังหวัดต่าง ๆ เท่าไร ตัวอย่างเช่น จังหวัดที่มีการปลูกพืชปุ๋ยสด 3 อันดับแรก ได้แก่ สุรินทร์ เชียงราย และนครราชสีมา ตามลำดับ รูปที่ 4 แสดงปัญหาที่พบในแต่ละจังหวัด โดยแบ่งเป็น 2 ส่วนหลัก ได้แก่ ปัญหาดิน และปัญหาน้ำ พบว่า ปัญหาดินที่เกิดมากที่สุดคือดินกรดที่มีการพบสูงถึงกว่า 46% ส่วนปัญหาน้ำที่พบมากที่สุดคือปัญหาขาดแคลนน้ำ นอกจากนี้ยังสามารถดูปัญหาดินและปัญหาน้ำที่พบในแต่ละจังหวัดโดยเลือกจังหวัดในแผนที่ แผนภูมิรูปวงกลมจะถูกปรับให้สอดคล้องกับจังหวัดที่เลือก ผลการวิเคราะห์ดินจากชุดตรวจสอบดินสามารถแบ่งได้เป็น 2 ส่วน คือ ผลการวิเคราะห์ดินจากชุดตรวจสอบดินภาคสนามแสดงดังรูปที่ 5 และผลการวิเคราะห์ดินจากห้องปฏิบัติการดังรูปที่ 6 พืช 10 อันดับแรกที่ได้รับความนิยมในการปลูก รวมถึงพืช 10 อันดับแรกที่ให้ผลผลิตสูงสุด แสดงดังรูปที่ 7 นอกจากนี้ยังมีการวิเคราะห์ B/C Ratio (Benefit Cost Ratio) ซึ่งเป็นอัตราส่วนผลตอบแทนต่อต้นทุน หากค่า B/C Ratio มากกว่า 1 แสดงว่าผลตอบแทนที่ได้คุ้มค่ากับการทุน การวัดค่า B/C Ratio ของพืช 10 อันดับแรกที่นิยมปลูก พบว่ามีค่ามากกว่า 1 ทั้งก่อนและหลังจากการได้รับคำแนะนำ เมื่อเทียบอัตราส่วนผลตอบแทนต่อต้นทุนก่อนและหลัง จะเห็นทิศทางการเพิ่มขึ้นหรือลดลงของค่า B/C Ratio ถึงแม้ว่าผลผลิตของพืชทุกชนิดจะเพิ่มขึ้น แต่เมื่อวิเคราะห์เปรียบเทียบค่า B/C Ratio ก่อนและหลัง พบว่าบางพืชมีผลกำไรที่ลดลง ซึ่งทางกรมพัฒนาที่ดินสามารถนำผลการวิเคราะห์นี้ไปทำการปรับปรุงแนวทางการจัดการเพื่อส่งเสริมการเพิ่มกำไรให้แก่เกษตรกรต่อไป Dashboard นี้จะช่วยให้เราเห็นมุมมองเชิงลึกของชุดข้อมูล และนำไปสู่การใช้ข้อมูลเป็นส่วนช่วยในการตัดสินใจเพื่อให้เกิดประโยชน์สูงสุดตามเป้าหมายในการพัฒนาชีวิตและความเป็นอยู่ของเกษตรกรโดยใช้ Big Data เข้ามามีส่วนช่วยในการจัดการ ในอนาคตคาดว่าจะเพิ่มส่วนของการวิเคราะห์แนวโน้มและปัจจัยเพื่อให้สามารถทำนายผลผลิตในอนาคตจากฐานข้อมูลที่มีอยู่ได้ Reference บัตรดินดี ID Din Dee (ldd.go.th) เนื้อหาโดย ขวัญศิริ ศิริมังคลาตรวจทานและปรับปรุงโดย ดวงใจ จิตคงชื่น

5 March 2022

Movements Showroom

Health Link รวมพลังคนรุ่นใหม่ ขับเคลื่อนสาธารณสุขไทยสู่ยุคดิจิทัล

เบื้องหลัง Health Link กับทีมผู้พัฒนารุ่นใหม่ พลิกโฉมวงการสาธารณสุขประเทศสู่ระดับสากล การส่งต่อข้อมูลการรักษาระหว่างรพ.จะไม่ยุ่งยากอีกต่อไป

29 November 2021

Showroom

บทความ

Showroom

สถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน)

Big Data Institute (Public Organization)

234/432 Soi Lat Phrao 12, Chomphon, Chatuchak, Bangkok 10900, Thailand

Contact Us

Quick Link

About Us

© Big Data Institute | Privacy Policy