Search
A
A
A
Home
Page 2

Big Data

ข่าวและบทความที่เกี่ยวข้อง

Related news and articles

PostType Filter En

บทความ
Movements
การเปลี่ยนแปลงของผู้โดยสารขาเข้าไทยในช่วงความขัดแย้งในตะวันออกกลาง 
การวิเคราะห์โดยใช้แบบจำลองการพยากรณ์เพื่อเปรียบเทียบกับแนวโน้มในภาวะปกติ  ความขัดแย้งในตะวันออกกลางเป็นหนึ่งในปัจจัยที่อาจส่งผลต่อการเดินทางระหว่างประเทศ ทั้งในด้านความเชื่อมั่นของนักเดินทางและการปรับเส้นทางการบินของสายการบิน  คำถามสำคัญจึงไม่ใช่เพียงว่า “จำนวนผู้โดยสารที่เดินทางเข้าไทยลดลงหรือไม่” แต่คือ “ลดลงมากน้อยเพียงใดเมื่อเทียบกับภาวะปกติ”  เนื่องจากตัวเลขผู้โดยสารขาเข้าโดยปกติมีความผันผวนอยู่แล้ว จากปัจจัยอย่างฤดูกาล วันหยุด และพฤติกรรมการเดินทางที่เปลี่ยนแปลงไปในแต่ละช่วงเวลา การจะพิจารณาว่าความเปลี่ยนแปลงที่เกิดขึ้นเป็นผลจากความขัดแย้งในตะวันออกกลางหรือไม่ จึงต้องเปรียบเทียบกับแนวโน้มในภาวะปกติ ไม่ใช่ดูเพียงจำนวนผู้เดินทางที่เพิ่มขึ้นหรือลดลงในแต่ละวัน  คำศัพท์สำคัญในการวิเคราะห์  Baseline คือตัวเลขอ้างอิงของภาวะปกติ ในบทความนี้หมายถึงค่าพยากรณ์ที่ใช้เปรียบเทียบกับตัวเลขจริง เพื่อประเมินว่าจำนวนผู้โดยสารแตกต่างจากภาวะปกติมากน้อยเพียงใด  Prophet เป็นโมเดลพยากรณ์ข้อมูลตามเวลา (Forecasting Model) ที่เหมาะกับข้อมูลซึ่งมีทั้งแนวโน้ม ฤดูกาล และเหตุการณ์เฉพาะ  MAPE (Mean Absolute Percentage Error) เป็นตัวชี้วัดความคลาดเคลื่อนของการพยากรณ์ในรูปเปอร์เซ็นต์ ค่ายิ่งต่ำยิ่งสะท้อนว่าโมเดลพยากรณ์ได้ใกล้เคียงกับข้อมูลจริงมากขึ้น  Shock Regressor เป็นตัวแปรที่ใช้ระบุช่วงเวลาที่มีเหตุการณ์ผิดปกติ เพื่อช่วยให้โมเดลไม่ตีความข้อมูลช่วงดังกล่าวเป็นภาวะปกติ  แนวคิด Baseline ในการประเมินผลกระทบ  การประเมินผลกระทบของเหตุการณ์ระดับโลกต่อการเดินทางเข้าไทย ไม่สามารถพิจารณาจากจำนวนผู้โดยสารเพียงอย่างเดียวได้ เนื่องจากตัวเลขดังกล่าวมีความผันผวนตามปัจจัยในภาวะปกติอยู่แล้ว  ในบทความนี้ Baseline หมายถึง ค่าพยากรณ์ของจำนวนผู้โดยสารในภาวะปกติ ซึ่งสร้างขึ้นจากโมเดลพยากรณ์ (Forecasting Model) โดยใช้ข้อมูลย้อนหลัง ก่อนนำมาเปรียบเทียบกับตัวเลขจริงที่เกิดขึ้นในช่วงเวลาศึกษา  การเปรียบเทียบดังกล่าวช่วยให้เห็นว่าตัวเลขจริงแตกต่างจากแนวโน้มในภาวะปกติมากน้อยเพียงใด และทำให้สามารถประเมินได้ชัดขึ้นว่าความเปลี่ยนแปลงที่เกิดขึ้นอาจเกี่ยวข้องกับเหตุการณ์ที่กำลังศึกษาเพียงใด  ภาพอธิบายหลักการของ Baseline  การใช้โมเดลพยากรณ์เพื่อประมาณแนวโน้มในภาวะปกติ  เพื่อสร้าง Baseline ดังกล่าว งานนี้จึงเลือกใช้โมเดลพยากรณ์ (Forecasting Model) ชื่อ Prophet เป็นเครื่องมือหลักในการประมาณจำนวนผู้โดยสารขาเข้ารายวันในภาวะปกติ โดยใช้ข้อมูลย้อนหลังตั้งแต่ปี 2023 ถึง 28 กุมภาพันธ์ 2026 ซึ่งเป็นช่วงก่อนเกิดเหตุการณ์ผิดปกติ  เหตุผลที่เลือกใช้ Prophet คือข้อมูลผู้โดยสารมีทั้งแนวโน้มระยะยาว ฤดูกาล และอิทธิพลจากวันหยุดหรือเหตุการณ์เฉพาะ ทำให้โมเดลสามารถสะท้อนรูปแบบของข้อมูลได้เหมาะสม  ในภาพรวม โมเดลจะเรียนรู้รูปแบบจากข้อมูลในอดีต และประมาณค่าที่ควรเกิดขึ้นในแต่ละวันภายใต้ภาวะปกติ  ภาพแสดงส่วนประกอบของการพยากรณ์ผลของโมเดล Prophet   การออกแบบการทดลองและชุดข้อมูล  การวิเคราะห์ครอบคลุม 4 สนามบินหลัก ได้แก่ สุวรรณภูมิ (BKK), ภูเก็ต (HKT), เชียงใหม่ (CNX) และกระบี่ (KBV) โดยใช้ช่วงวันที่ 11–17 มีนาคม 2026 เป็นช่วงทดสอบ ซึ่งเป็นช่วงที่มีข้อมูลจริงสำหรับใช้เปรียบเทียบกับผลพยากรณ์  มีการทดลองทั้งหมด 6 รูปแบบ โดยใช้ชุดข้อมูลที่แตกต่างกัน เช่น การใช้เฉพาะจำนวนผู้โดยสาร การใช้ข้อมูลผู้โดยสารเฉพาะบางสัญชาติ และการใช้ข้อมูลผู้โดยสารร่วมกับข้อมูลเที่ยวบิน เช่น จำนวนเที่ยวบินในช่วงเดียวกันของปีก่อน หรือค่าเฉลี่ยเที่ยวบินในช่วงวันที่ 1–10 มีนาคม 2026  แนวทางนี้ไม่ได้ตั้งสมมติฐานล่วงหน้าว่าการมีข้อมูลมากขึ้นจะทำให้ผลพยากรณ์ดีขึ้นเสมอไป แต่ใช้ผลลัพธ์จริงเป็นตัวพิจารณาว่าวิธีใดเหมาะสมกับแต่ละสนามบิน  ตารางสรุป 6 รูปแบบการทดสอบเพื่อทดสอบว่าแต่ละสนามบินเหมาะกับข้อมูลแบบใด  ผลการประเมินความแม่นยำของโมเดล  การประเมินความแม่นยำของโมเดลในงานนี้ใช้ค่า MAPE ซึ่งสะท้อนว่าผลพยากรณ์คลาดเคลื่อนจากข้อมูลจริงโดยเฉลี่ยกี่เปอร์เซ็นต์ โดยค่ายิ่งต่ำยิ่งแสดงว่าโมเดลให้ผลใกล้เคียงกับข้อมูลจริงมากขึ้น  ตารางเปรียบเทียบประสิทธิภาพการพยากรณ์  ผลการทดสอบแสดงให้เห็นว่าความแม่นยำของโมเดลแตกต่างกันในแต่ละสนามบิน และในบางกรณีตัวเลขจริงมีความเบี่ยงเบนจากแนวโน้มในภาวะปกติอย่างชัดเจนจากเหตุการณ์เฉพาะ  สำหรับ BKK โมเดลที่ใช้จำนวนผู้โดยสารเพียงอย่างเดียวให้ผลดีที่สุด โดยมีค่าความคลาดเคลื่อน 1.87% สะท้อนว่าข้อมูลมีรูปแบบค่อนข้างสม่ำเสมอและสามารถพยากรณ์แนวโน้มได้ดี  ขณะที่ CNX ได้ผลดีที่สุดที่ 3.62% เมื่อใช้ข้อมูลผู้โดยสารร่วมกับจำนวนเที่ยวบิน แสดงให้เห็นว่าข้อมูลเที่ยวบินมีบทบาทในการอธิบายแนวโน้มของผู้โดยสารในพื้นที่นี้  ในทางกลับกัน KBV ยังคงเป็นสนามบินที่พยากรณ์ได้ยากที่สุด โดยค่าความคลาดเคลื่อนที่ดีที่สุดยังอยู่ในช่วงประมาณ 22.46–22.51% สะท้อนถึงความผันผวนของข้อมูลที่สูงกว่าสนามบินอื่นอย่างชัดเจน  กรณีของ HKT ควรพิจารณาแยกต่างหาก เนื่องจากเมื่อวันที่ 11 มีนาคม 2026 สนามบินภูเก็ตเกิดเหตุเครื่องบินลงจอดกระแทกพื้น ส่งผลให้รันเวย์ต้องปิดชั่วคราวและกระทบต่อเที่ยวบินจำนวนมาก เหตุการณ์ดังกล่าวทำให้ค่าความคลาดเคลื่อนเพิ่มขึ้นเป็น 21.76% เมื่อรวมวันเกิดเหตุไว้ในการประเมิน  อย่างไรก็ตาม เมื่อทดลองตัดช่วงวันที่ 11–12 มีนาคมออก ค่าความคลาดเคลื่อนลดลงเหลือ 4.59% ทันที สะท้อนว่าในภาวะปกติ โมเดลยังสามารถพยากรณ์แนวโน้มของ HKT ได้ในระดับที่ใกล้เคียงกับสนามบินหลักอื่น และค่าความคลาดเคลื่อนที่สูงขึ้นก่อนหน้านั้นมีสาเหตุหลักจากเหตุการณ์เฉพาะดังกล่าว ไม่ใช่ข้อจำกัดของโมเดลเอง  กราฟเปรียบเทียบค่า MAPE ของ BKK, CNX, HKT (ไม่รวมวันที่เกิดเหตุการณ์), HKT และ KBV โดยเรียงลำดับจากค่าต่ำไปสูง  ผลของการเพิ่มตัวแปรต่อความแม่นยำของโมเดล  ผลการทดลองแสดงให้เห็นอย่างชัดเจนว่า การเพิ่มข้อมูลไม่ได้ทำให้ความแม่นยำของโมเดลดีขึ้นเสมอไป และลักษณะของข้อมูลในแต่ละสนามบินมีผลต่อประสิทธิภาพของโมเดลอย่างมีนัยสำคัญ  สำหรับ BKK โมเดลที่ใช้จำนวนผู้โดยสารเพียงอย่างเดียวให้ผลลัพธ์ดีที่สุด โดยมีค่าความคลาดเคลื่อนต่ำสุดที่ 1.87% ขณะที่การเพิ่มข้อมูลเที่ยวบินเข้ามา กลับทำให้ค่าความคลาดเคลื่อนสูงขึ้น แสดงให้เห็นว่าข้อมูลผู้โดยสารเพียงอย่างเดียวเพียงพอในการอธิบายแนวโน้มของสนามบินนี้  ในกรณีของ HKT มีลักษณะคล้ายกัน คือการใช้ข้อมูลผู้โดยสารเพียงอย่างเดียวให้ผลลัพธ์ที่แม่นยำที่สุด อย่างไรก็ตาม หากรวมช่วงวันที่เกิดเหตุการณ์ผิดปกติ ค่าความคลาดเคลื่อนจะเพิ่มขึ้นอย่างมีนัยสำคัญ เนื่องจากตัวเลขจริงได้รับผลกระทบจากการหยุดชะงักของเที่ยวบิน  สำหรับ CNX ผลลัพธ์แตกต่างออกไป โดยโมเดลที่ใช้ข้อมูลเที่ยวบินเฉลี่ยร่วมกับจำนวนผู้โดยสารให้ค่าความคลาดเคลื่อนต่ำสุดที่ 3.62% สะท้อนว่าข้อมูลเที่ยวบินมีบทบาทในการอธิบายแนวโน้มของผู้โดยสารในพื้นที่นี้มากกว่าสนามบินอื่น  ส่วน KBV ยังคงเป็นกรณีที่มีความผันผวนสูง แม้จะทดลองหลายรูปแบบแล้ว ค่าความคลาดเคลื่อนยังอยู่ในระดับสูงในทุกวิธี โดยค่าที่ดีที่สุดอยู่ที่ประมาณ 22.46% แสดงให้เห็นว่าการเพิ่มข้อมูลไม่สามารถลดความไม่แน่นอนของข้อมูลได้อย่างมีนัยสำคัญ  ผลลัพธ์ทั้งหมดสะท้อนว่า ไม่มีวิธีการหรือชุดข้อมูลใดที่เหมาะสมกับทุกสนามบิน การเลือกใช้ตัวแปรจึงควรสอดคล้องกับลักษณะของข้อมูลในแต่ละพื้นที่ และควรพิจารณาจากผลลัพธ์เชิงประจักษ์มากกว่าการตั้งสมมติฐานล่วงหน้า  บทบาทของ Shock Regressor ในการพยากรณ์  อีกองค์ประกอบสำคัญของการวิเคราะห์นี้คือการใส่ Shock Regressor ลงในโมเดล เพื่อระบุช่วงเวลาที่มีเหตุการณ์ผิดปกติและอาจทำให้รูปแบบของข้อมูลแตกต่างจากภาวะปกติ  ในบริบทของงานนี้ Baseline แสดงถึงแนวโน้มของจำนวนผู้โดยสารในภาวะปกติ ขณะที่ Shock Regressor ทำหน้าที่ระบุช่วงเวลาที่ข้อมูลไม่เป็นไปตามแนวโน้มดังกล่าว เช่น ช่วงที่ได้รับผลกระทบจากความขัดแย้งในตะวันออกกลาง  หากไม่ใส่ตัวแปรนี้ โมเดลจะตีความข้อมูลเหมือนเป็นภาวะปกติ และยังคงพยากรณ์ตามแนวโน้มเดิม ซึ่งอาจทำให้ค่าพยากรณ์สูงกว่าความเป็นจริงในช่วงที่เกิดเหตุการณ์ผิดปกติ แต่เมื่อใส่ Shock Regressor เข้าไป โมเดลจะสามารถปรับค่าพยากรณ์ให้สอดคล้องกับข้อมูลจริงได้มากขึ้น  ตัวอย่างจาก BKK และ HKT แสดงให้เห็นว่า เมื่อไม่ใส่ Shock Regressor โมเดลมีแนวโน้มพยากรณ์จำนวนผู้โดยสารสูงเกินจริงในช่วงที่ได้รับผลกระทบ แต่เมื่อใส่ตัวแปรดังกล่าว ค่าพยากรณ์จะปรับลดลงและสอดคล้องกับข้อมูลจริงมากขึ้น สะท้อนว่าโมเดลสามารถรับรู้ผลกระทบจากเหตุการณ์ได้ดีขึ้น  ประเด็นนี้ชี้ให้เห็นว่า โมเดลพยากรณ์โดยทั่วไปเรียนรู้จากข้อมูลในภาวะปกติเป็นหลัก ดังนั้นเมื่อเกิดเหตุการณ์ที่อยู่นอกแนวโน้มเดิม การระบุช่วงเวลาที่ “ไม่ปกติ” ให้กับโมเดลจึงเป็นขั้นตอนสำคัญในการทำให้ผลการพยากรณ์สะท้อนสถานการณ์ได้แม่นยำขึ้น  กราฟเปรียบเทียบจำนวนผู้โดยสารจริง (Actual) กับค่าพยากรณ์ที่ไม่ใช้ Shock Regressor  และค่าพยากรณ์ที่ใช้ Shock Regressor ของ BKK หรือ HKT  การวิเคราะห์ผลลัพธ์รายสนามบิน  เมื่อพิจารณาผลลัพธ์แยกตามสนามบิน จะเห็นว่ารูปแบบของข้อมูลและการตอบสนองต่อเหตุการณ์แตกต่างกันอย่างชัดเจน  สำหรับ BKK จำนวนผู้โดยสารมีรูปแบบค่อนข้างสม่ำเสมอเมื่อเทียบกับสนามบินอื่น ทำให้โมเดลสามารถพยากรณ์แนวโน้มได้ใกล้เคียงกับข้อมูลจริง โดยการใช้จำนวนผู้โดยสารเพียงอย่างเดียวให้ค่าความคลาดเคลื่อนต่ำที่สุด สะท้อนว่าข้อมูลมีเสถียรภาพและสามารถอธิบายได้ด้วยแนวโน้มพื้นฐาน  ในกรณีของ HKT แม้โดยรวมจะสามารถพยากรณ์แนวโน้มในภาวะปกติได้ดี แต่ข้อมูลได้รับผลกระทบจากเหตุการณ์เฉพาะในช่วงเวลาสั้น ๆ อย่างชัดเจน โดยเหตุการณ์เครื่องบินลงจอดกระแทกพื้นในวันที่ 11 มีนาคม 2026 ทำให้จำนวนผู้โดยสารและเที่ยวบินเบี่ยงเบนจากแนวโน้มปกติอย่างมีนัยสำคัญ เมื่อแยกช่วงเวลาดังกล่าวออก รูปแบบของข้อมูลจะกลับมาใกล้เคียงกับแนวโน้มเดิม  สำหรับ CNX ลักษณะของข้อมูลแตกต่างออกไป โดยจำนวนเที่ยวบินมีบทบาทในการอธิบายแนวโน้มของผู้โดยสารมากกว่าสนามบินอื่น ทำให้โมเดลที่ใช้ข้อมูลเที่ยวบินร่วมด้วยให้ผลลัพธ์ที่แม่นยำกว่า สะท้อนว่าความสัมพันธ์ระหว่างเที่ยวบินและจำนวนผู้โดยสารมีความชัดเจนในพื้นที่นี้  ส่วน KBV เป็นกรณีที่แสดงให้เห็นถึงความผันผวนของข้อมูลอย่างชัดเจน จำนวนผู้โดยสารในแต่ละวันมีการเปลี่ยนแปลงในช่วงกว้าง และมีการขึ้นลงอย่างรวดเร็วในบางช่วง แม้จะทดลองหลายรูปแบบแล้ว โมเดลยังไม่สามารถพยากรณ์แนวโน้มได้ใกล้เคียงกับข้อมูลจริงเท่าสนามบินอื่น สะท้อนว่าลักษณะของข้อมูลมีความไม่แน่นอนสูงและคาดการณ์ได้ยากกว่า  ภาพรวมของทั้ง 4 สนามบินแสดงให้เห็นว่า เหตุการณ์เดียวกันอาจปรากฏในข้อมูลแตกต่างกันไปตามลักษณะของแต่ละพื้นที่ ทั้งในแง่ของความสม่ำเสมอของข้อมูล ระดับความผันผวน และความไวต่อเหตุการณ์เฉพาะ  กราฟแสดงจำนวนผู้โดยสารจากสนามบิน BKK / HKT / CNX / KBV  ข้อสรุปและข้อสังเกตจากการวิเคราะห์  การวิเคราะห์นี้ไม่ได้มุ่งตอบเพียงว่าจำนวนผู้โดยสารลดลงหรือไม่ แต่เน้นทำความเข้าใจว่าความเปลี่ยนแปลงดังกล่าวแตกต่างจากแนวโน้มในภาวะปกติมากน้อยเพียงใด  ผลลัพธ์แสดงให้เห็นว่า การพิจารณาตัวเลขผู้โดยสารเพียงอย่างเดียวอาจไม่เพียงพอในการอธิบายผลกระทบของเหตุการณ์ภายนอก เนื่องจากตัวเลขดังกล่าวมีความผันผวนตามปัจจัยปกติอยู่แล้ว การเปรียบเทียบกับ Baseline ซึ่งเป็นค่าพยากรณ์ในภาวะปกติจึงเป็นวิธีที่ช่วยแยก “ความผันผวนตามธรรมชาติ” ออกจาก “ความเปลี่ยนแปลงที่อาจเกิดจากเหตุการณ์” ได้ชัดเจนขึ้น  ในเชิงวิธีการ ผลการทดลองชี้ให้เห็นว่า การเพิ่มข้อมูลไม่ได้ทำให้ความแม่นยำของโมเดลดีขึ้นเสมอไป และไม่มีรูปแบบข้อมูลเดียวที่เหมาะกับทุกสนามบิน บางพื้นที่สามารถอธิบายแนวโน้มได้ด้วยข้อมูลผู้โดยสารเพียงอย่างเดียว ขณะที่บางพื้นที่ต้องอาศัยข้อมูลเที่ยวบินเพิ่มเติม และบางกรณีความผันผวนของข้อมูลยังทำให้การพยากรณ์เป็นไปได้ยาก แม้จะเพิ่มข้อมูลแล้วก็ตาม  อีกประเด็นสำคัญคือ บทบาทของ Shock Regressor ซึ่งช่วยให้โมเดลสามารถสะท้อนช่วงเวลาที่ไม่อยู่ในภาวะปกติได้ดีขึ้น โดยเฉพาะในช่วงที่ได้รับผลกระทบจากเหตุการณ์เฉพาะ การระบุช่วงเวลาที่ “ไม่ปกติ” ให้กับโมเดลจึงมีความสำคัญไม่น้อยไปกว่าการเลือกตัวแปรหรือโมเดลที่ใช้  เมื่อพิจารณาในระดับพื้นที่ พบว่าเหตุการณ์เดียวกันไม่ได้ส่งผลต่อทุกสนามบินในลักษณะเดียวกัน สนามบินที่มีข้อมูลสม่ำเสมอสามารถรักษาแนวโน้มได้ค่อนข้างชัด ขณะที่สนามบินที่มีความผันผวนสูงหรือได้รับผลกระทบจากเหตุการณ์เฉพาะจะมีรูปแบบที่แตกต่างออกไปอย่างมีนัยสำคัญ  ในสถานการณ์ที่มีความไม่แน่นอนสูง ผลกระทบอาจไม่ได้ปรากฏอย่างชัดเจนในทันที แต่อาจค่อย ๆ ปรากฏผ่านการเปลี่ยนแปลงของเส้นทางการบิน การตัดสินใจเดินทางที่ชะลอลง หรือจำนวนผู้โดยสารที่เริ่มเบี่ยงเบนจากแนวโน้มในภาวะปกติทีละน้อย  ในหลายกรณี สิ่งที่ช่วยอธิบายสถานการณ์ได้ชัดเจนจึงไม่ใช่ตัวเลขที่เกิดขึ้นเพียงลำพัง แต่คือความแตกต่างระหว่าง “ตัวเลขที่เกิดขึ้นจริง” กับ “แนวโน้มในภาวะปกติ” ซึ่งเป็นกรอบสำคัญในการทำความเข้าใจผลกระทบของเหตุการณ์ได้อย่างมีความหมายมากขึ้น  ผู้เขียน: กัญจน์ชยาภรณ์ แซ่จุง, ธนกฤต คล้ายแก้ว และทีม TRAVEL LINK
31 March 2026
Read More

บทความ
Big Data 101
เมื่อเงินเคลื่อนที่เร็วกว่าข้อมูล: มองบัญชีม้าผ่านเลนส์ Data Science 
เมื่อพูดถึง “บัญชีม้า” ภาพที่หลายคนนึกถึงมักเป็นบัญชีที่เปิดมาเพื่อทำผิดกฎหมายโดยตรง แต่หากมองในเชิงระบบและเชิงข้อมูล ภาพนั้นเรียบง่ายเกินไป ความจริงคือบัญชีม้าไม่ได้มีรูปแบบเดียว และไม่ได้เกิดจากเจตนาเดียวกันทั้งหมด และความหลากหลายนี้เองที่ทำให้การออกแบบมาตรการเชิงนโยบายและระบบตรวจจับอัตโนมัติเป็นโจทย์ที่ซับซ้อนตั้งแต่ต้นทาง  เพื่อจะเข้าใจความยากนี้ให้ชัด จำเป็นต้องเริ่มจากการทำความเข้าใจว่า “บัญชีม้า” ไม่ได้เป็นกลุ่มเดียวกันทั้งหมด  ประเภทของบัญชีม้า (เชิงแนวคิด)  ในแวดวงการป้องกันและปราบปรามการฟอกเงิน (Anti-Money Laundering: AML) มักอธิบายบัญชีม้าโดยแบ่งตามระดับความตั้งใจและความรู้ของผู้ถือบัญชี ซึ่งช่วยให้เห็นว่าพฤติกรรมทางการเงินที่เกิดขึ้นนั้นไม่ได้มี pattern เดียว  ที่มา: https://www.biocatch.com/blog/deceiving-the-deceiver  การจำแนกในลักษณะนี้ไม่ได้มีเป้าหมายเพื่อ “ตีตรา” ผู้ถือบัญชี แต่เพื่อชี้ให้เห็นว่า เมื่อประเภทต่างกัน พฤติกรรมทางข้อมูลย่อมต่างกัน และในเชิง data science นี่หมายความว่า การใช้กฎหรือโมเดลเดียวกับทุกกรณี ย่อมมีต้นทุนด้านความผิดพลาดตามมา  เมื่อเข้าใจว่าบัญชีม้ามีหลายแบบ คำถามถัดมาคือ ระบบข้อมูลที่มีอยู่รองรับความซับซ้อนนี้ได้มากน้อยแค่ไหน  ปัญหาแรก: ข้อมูลไม่ไหลตามเงิน  สมมติว่านาย A เป็นผู้เสียหายจากการหลอกลวงออนไลน์ และโอนเงินไปยังบัญชีนาย B หากทั้งสองใช้คนละธนาคาร ธนาคารของนาย A จะยืนยันได้ว่าเงินถูกโอนไปจริง แต่จะไม่เห็นว่าเงินนั้นถูกโอนต่อไปอย่างไร เพราะข้อมูลธุรกรรมได้ย้ายไปอยู่อีกระบบหนึ่งแล้ว  ในเชิงข้อมูล นี่คือปัญหาของการแตกกระจายของข้อมูล (Data fragmentation) เงินสามารถเคลื่อนที่ข้ามระบบได้ทันที แต่ข้อมูลกลับถูกจำกัดด้วยขอบเขตขององค์กร ผลคือการมองเห็นธุรกรรมในลักษณะ “จุดเดียว” แทนที่จะเป็น “เส้นทาง”  เมื่อระบบมองเห็นเพียงบางส่วนของเส้นทางเงิน ความสามารถในการวิเคราะห์เชิงลึกย่อมถูกจำกัดลง และนี่เองที่นำไปสู่ปัญหาถัดไป  ที่มา: https://repositorio-aberto.up.pt/bitstream/10216/139679/2/531280.pdf  จากธุรกรรมเดียว สู่เครือข่าย  หากการแจ้งเหตุล่าช้า เงินจากบัญชี B อาจถูกโอนต่อไปยัง C จาก C ไป D และอาจจบที่ E ซึ่งถอนเป็นเงินสดหรือเปลี่ยนเป็นคริปโต ในเชิง Data science นี่ไม่ใช่แค่ธุรกรรมต่อเนื่อง แต่เป็น Transaction network ที่มีหลาย Node และหลาย Hop  ยิ่งจำนวนทอดมาก ความเชื่อมโยงระหว่างต้นทางกับปลายทางยิ่งจางลง Signal ที่ใช้ระบุต้นตอจึงอ่อนลงตามไปด้วย และในบางกรณี ความซับซ้อนนี้ไม่ได้มาจากจำนวนคน แต่เกิดจากคนคนเดียวที่เปิดหลายบัญชีและโอนเงินวนเป็นวง (Circular Transaction) ซึ่งทำให้โครงสร้างของข้อมูลยิ่งยากต่อการตีความ  ที่มา: https://repositorio-aberto.up.pt/bitstream/10216/139679/2/531280.pdf  เมื่อเส้นทางเงินเริ่มซับซ้อน ระบบจึงต้องพึ่งพา “สัญญาณ” แทนการมองเห็นความจริงทั้งหมด  เมื่อสัญญาณไม่ใช่คำตัดสิน  ระบบ AML ไม่ได้รู้ว่าใครโกง แต่ทำงานโดยตรวจจับ พฤติกรรมที่เข้าข่ายผิดปกติ เช่น การโอนเงินจำนวนมากในเวลาสั้น บัญชีที่ไม่ค่อยเคลื่อนไหวแล้วกลับมาใช้งาน หรือการโอนเงินใกล้เพดานสูงสุดบ่อยครั้ง สัญญาณเหล่านี้ช่วยให้ระบบคัดกรองความเสี่ยงได้รวดเร็วขึ้น แต่ไม่ได้หมายความว่าทุกบัญชีที่ถูกจับสัญญาณจะเป็นบัญชีม้าเสมอไป  ตรงจุดนี้เองที่ความตึงเครียดระหว่าง “ความเร็ว” และ “ความแม่นยำ” เริ่มชัดขึ้น เพราะบัญชีสุจริตบางบัญชีก็อาจมีพฤติกรรมลักษณะเดียวกัน เมื่อหลาย Signal ซ้อนกัน ระบบอาจจัดบัญชีเหล่านี้อยู่ในกลุ่มเสี่ยง และนำไปสู่การอายัดในที่สุด  ในเชิง Data science นี่คือโจทย์ของ False positive ที่หลีกเลี่ยงได้ยาก หากต้องการตรวจจับให้ไว ระบบย่อมต้องยอมรับความคลาดเคลื่อนบางส่วน และเมื่อระบบส่งต่อเคสเหล่านี้ไปยังขั้นถัดไป ภาระทั้งหมดจะตกอยู่กับ “คน”  คน คือคอขวดของระบบ  แม้จะมีข้อมูล สัญญาณ และระบบแจ้งเตือน แต่ทุกเคสสุดท้ายต้องผ่านการพิจารณาของเจ้าหน้าที่ หากมีการแจ้งเหตุวันละประมาณ 1,000 เคส เท่ากับเดือนหนึ่งมีราว 30,000 เคสที่ต้องเข้าสู่กระบวนการตรวจสอบ เมื่อทรัพยากรบุคคลมีจำกัด backlog จึงเกิดขึ้นโดยหลีกเลี่ยงไม่ได้  เมื่อการตรวจสอบไม่ทัน การระงับบัญชีที่ทำได้เพียง 7 วันก็อาจหมดอายุไปก่อน และบัญชีม้าบางส่วนอาจกลับมาใช้งานต่อได้ ส่งผลให้ปัญหานี้หมุนวนซ้ำในระบบ  บทเรียนเชิงระบบ  ภาพรวมทั้งหมดสะท้อนว่า ปัญหาบัญชีม้าไม่ใช่เรื่องของจุดใดจุดหนึ่ง แต่เป็นปัญหาที่เกิดจากการเชื่อมต่อกันของข้อมูล ระบบ และข้อจำกัดเชิงนโยบาย หลายประเทศจึงออกแบบกระบวนการ AML เป็นลำดับขั้น ตั้งแต่การตรวจจับธุรกรรมผิดปกติ การวิเคราะห์เชิงลึกเป็นรายเคส ไปจนถึงการรายงานและตัดสินใจดำเนินการตามกฎหมาย เพื่อบริหารความเสี่ยง ไม่ใช่เพื่อกำจัดปัญหาให้หมดไป  ที่มา: https://www.researchgate.net/publication/338726110_Detecting_money_laundering_transactions_with_mac…  ในท้ายที่สุด บัญชีม้าไม่ใช่โจทย์ที่แก้ได้ด้วยโมเดลเดียวหรือกฎเดียว แต่เป็นโจทย์ที่ต้องยอมรับ Trade-off ระหว่างความเร็ว ความแม่นยำ และความเป็นธรรม และนอกเหนือจากระบบและเทคโนโลยี การสร้างความตระหนักรู้ให้ประชาชนยังคงเป็นภูมิคุ้มกันที่ขาดไม่ได้  หมายเหตุ แม้ในภาษาไทยจะนิยมใช้คำศัพท์ว่า “บัญชีม้า” แต่ในสากลหรือภาษาอังกฤษทางเทคนิคจะใช้คำว่า “Mule Account” แทนคำว่า “Horse Account” เนื่องจากคำว่า “Mule” (ล่อ) สื่อถึงสัตว์ที่ถูกใช้งานอย่างหนักเพื่อแบกรับภาระโดยไม่มีอำนาจตัดสินใจ ซึ่งสอดคล้องกับพฤติการณ์ของเจ้าของบัญชีที่ถูกใช้เป็นเครื่องมือในการกระทำความผิดหรือถูกหลอกลวงให้รับผิดแทนผู้อื่น มากกว่าคำว่า “Horse” ที่สื่อถึงความสง่างาม
30 March 2026
Read More

บทความ
ยกระดับทันตสาธารณสุขด้วยข้อมูล  BDI ถ่ายทอดการวิเคราะห์และนำเสนอข้อมูลแก่ทันตแพทย์ กรมอนามัย
25 มีนาคม 2569, กรุงเทพฯ – สถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน) หรือ BDI โดย ดร.อาทิตย์ สกุลเมือง ผู้จัดการโครงการและนักวิทยาศาสตร์ข้อมูล ฝ่ายบริการวิเคราะห์ข้อมูล ร่วมเป็นวิทยากรบรรยายในหัวข้อ “การวิเคราะห์ข้อมูลและนำเสนอข้อมูลด้วยภาพ (Data Visualization)” ให้แก่ทันตแพทย์จำนวน 15 คน ที่เข้าร่วมโครงการจัดอบรมระยะสั้น 4 เดือน ด้านทันตสาธารณสุข สำหรับทันตแพทย์ ประจำปี 2569 ณ ห้องประชุมสมบูรณ์ วัชโรทัย อาคาร 1 ชั้น 2 กรมอนามัย การบรรยายครั้งนี้ มุ่งเน้นการเสริมสร้างทักษะด้านการใช้ข้อมูลเพื่อสนับสนุนการดำเนินงานด้านทันตสาธารณสุข โดยเริ่มตั้งแต่การทำความเข้าใจหลักการวิเคราะห์ข้อมูลเบื้องต้น การเลือกใช้รูปแบบการนำเสนอข้อมูลให้เหมาะสมกับกลุ่มเป้าหมาย และการใช้เครื่องมือพื้นฐานในการสร้างแดชบอร์ดเพื่อสื่อสารข้อมูลให้เข้าใจง่ายและนำไปใช้ได้จริง ควบคู่กับการเสริมความรู้ด้านการเตรียมความพร้อมของข้อมูล (Data Preparation) การตรวจสอบคุณภาพข้อมูล (Data Quality) และการจัดโครงสร้างข้อมูลให้เหมาะสมต่อการวิเคราะห์ อีกทั้งยังเน้นการออกแบบการสื่อสารข้อมูลในรูปแบบ Data Storytelling เพื่อให้สามารถถ่ายทอดข้อมูลเชิงซับซ้อนให้เข้าใจได้อย่างมีประสิทธิภาพ นอกจากนี้ ยังได้ยกตัวอย่างการพัฒนาแดชบอร์ดเพื่อใช้ติดตามสถิติการอุดฟันรายเดือนของหน่วยบริการสาธารณสุข มาประยุกต์ใช้ข้อมูลในบริบทงานทันตสาธารณสุข เพื่อให้ผู้เข้าร่วมเห็นภาพการนำข้อมูลไปใช้ในสถานการณ์จริง การถ่ายทอดองค์ความรู้ในครั้งนี้ สะท้อนบทบาทของ BDI ในการสนับสนุนหน่วยงานภาครัฐให้สามารถใช้ประโยชน์จากข้อมูลได้อย่างมีประสิทธิภาพมากยิ่งขึ้น เพื่อยกระดับการวางแผนและการให้บริการด้านสาธารณสุขให้ตอบโจทย์ประชาชนได้อย่างตรงจุด
25 March 2026
Read More

บทความ
ปิดช่องโหว่การรักษาสะดุด BDI ขับเคลื่อน "Health Link" เชื่อมโยงข้อมูลสุขภาพทั่วไทย ยกระดับการรักษาไร้รอยต่อด้วยพลังข้อมูลขนาดใหญ่
24 มีนาคม 2569, กรุงเทพฯ– สถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน) หรือ BDI โดย นพ.ธนกฤต จินตวร First Executive Vice President ร่วมเวทีเสวนาหัวข้อ One Health Data, One Health City เชื่อมโยงข้อมูลสุขภาพสู่มหานครสุขภาวะ ภายในงานสัมมนาวิชาการประจำปี สำนักการแพทย์ ครั้งที่ 22 ด้วยแนวคิด “Healthy City For All – เมืองสุขภาวะที่ดีเพื่อทุกคน” จัดโดยสำนักการแพทย์ กรุงเทพมหานคร ณ โรงแรมปรินซ์ พาเลซ มหานาค นพ.ธนกฤต เปิดเผยถึงความสำคัญของการจัดการข้อมูลขนาดใหญ่ในด้านสาธารณสุข โดยระบุว่าภารกิจหลักของ BDI คือการบูรณาการข้อมูลที่มีความซับซ้อนให้สามารถนำมาใช้ประโยชน์ได้อย่างเป็นรูปธรรม ซึ่งในมิติทางการแพทย์นั้น ข้อมูลถือเป็นหัวใจสำคัญในการขับเคลื่อนเทคโนโลยีปัญญาประดิษฐ์ (AI) เพื่อให้สามารถวิเคราะห์และแนะนำแนวทางการรักษาได้อย่างแม่นยำ ปัญหาสำคัญของการแพทย์ในปัจจุบัน คือ ขาดการเชื่อมโยงข้อมูล โดยเฉพาะในพื้นที่กรุงเทพมหานคร มีโรงพยาบาลมากกว่า 200 แห่งจากหลายสังกัด และใช้ระบบสารสนเทศโรงพยาบาล (HIS) แตกต่างกัน ความกระจัดกระจายของข้อมูลนี้ส่งผลให้เกิดความเสี่ยงในการรักษา เช่น การสั่งยาที่ผู้ป่วยแพ้ ซึ่งอาจสร้างความเสียหายมหาศาลต่อทั้งชีวิตผู้ป่วยและมูลค่าทางเศรษฐกิจ BDI เดินหน้าพัฒนาโครงการ “Health Link” เพื่อเป็นแพลตฟอร์มกลางในการเชื่อมโยงข้อมูลสุขภาพระหว่างระหว่างสถานพยาบาลทั่วประเทศ โดยปัจจุบันมีการเชื่อมโยงหน่วยงานบริการสุขภาพครอบคลุมทั้งสังกัดกระทรวงสาธารณสุข, กรุงเทพมหานคร, โรงพยาบาลมหาวิทยาลัย และโรงพยาบาลเอกชน ซึ่งระบบ Health Link ถูกออกแบบภายใต้รูปแบบการกระจายศูนย์ (Decentralized Model) ภายใต้มาตรฐานสากล HL7 FHIR เพื่อให้แต่ละโรงพยาบาลสามารถแลกเปลี่ยนข้อมูลสำคัญ เช่น ประวัติการแพ้ยา, ผลแล็บ, ประวัติการได้รับวัคซีน และการวินิจฉัยโรคได้อย่างไร้รอยต่อ ซึ่งจะช่วยให้ผู้ป่วยไม่ต้องขอประวัติการรักษาด้วยตนเอง ลดภารกิจการตรวจซ้ำซ้อน และช่วยให้การส่งต่อผู้ป่วย (Refer) ทำได้รวดเร็วมากยิ่งขึ้นผ่านระบบที่เชื่อมโยงกัน “เป้าหมายในอนาคตของ BDI คือ การใช้ข้อมูลเหล่านี้มาบริหารจัดการเมืองแบบบูรณาการ และพัฒนา AI ทางการแพทย์ที่จำเพาะสำหรับประชาชนไทย โดยเฉพาะชาวกรุงเทพฯ ที่มีลักษณะทางประชากรศาสตร์เฉพาะตัว และขณะนี้กำลังผลักดันระเบียบสำนักนายกรัฐมนตรีว่าด้วยการแบ่งปันข้อมูลดิจิทัล พ.ศ. …. เพื่อให้การแบ่งปันข้อมูลระหว่างหน่วยงานทำได้กว้างขวางและถูกต้องตามกฎหมายมากขึ้น ซึ่งจะช่วยเปลี่ยนผ่านระบบสาธารณสุขไทยสู่ยุคดิจิทัลอย่างยั่งยืน” นพ.ธนกฤต กล่าวทิ้งท้าย ทั้งนี้ ประชาชนสามารถลงทะเบียนเข้าร่วมโครงการ Health Link ฟรี และให้ความยินยอมในการเชื่อมโยงข้อมูลผ่านแอปพลิเคชันต่าง ๆ เช่น เป๋าตัง, ทางรัฐ, หมอ กทม. หรือแอปพลิเคชันของโรงพยาบาลที่เข้าร่วมโครงการ เพื่อความสะดวกและความปลอดภัยในการรักษาพยาบาลทุกที่ทั่วประเทศ ศึกษารายละเอียดโครงการเพิ่มเติมได้ที่: https://healthlink.go.th/
24 March 2026
Read More

บทความ
Health Link แชร์มุมมองอนาคตสาธารณสุขไทย ก้าวสู่ยุคข้อมูลเชื่อมโยงเต็มรูปแบบ พร้อมยกระดับการรักษาด้วยเทคโนโลยีดิจิทัล
23 มีนาคม 2569, กรุงเทพฯ – สถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน) หรือ BDI โดย นางสาวน้ำฝน ประโพธิ์ศรี ผู้อำนวยการโครงการ Health Link เข้าร่วมเวทีเสวนาพิเศษในหัวข้อ “เปลี่ยนแนวคิดให้เกิดผลลัพธ์: โอกาสใหม่ของเทคโนโลยีและข้อมูลดิจิทัล” ภายในงานเปิดโครงการส่งเสริมการใช้เทคโนโลยีดิจิทัล 5G เพื่อยกระดับบริการการแพทย์ฉุกเฉิน ปี 2569 จัดโดย สํานักงานส่งเสริมเศรษฐกิจดิจิทัล (depa) ณ อาคารศูนย์การค้าสยามพารากอน นางสาวน้ำฝน แชร์มุมมองแนวโน้มของเทคโนโลยีและข้อมูลที่จะเปลี่ยนโฉมระบบสาธารณสุขในอีก 5-10 ปีข้างหน้า ระบบสาธารณสุขจะไม่ใช่แค่การรักษาในโรงพยาบาลอีกต่อไป แต่กำลังก้าวจากการยึดโรงพยาบาลเป็นศูนย์กลาง (Hospital Centric) สู่ยึดผู้ป่วยเป็นศูนย์กลาง (Patient Centric) ดังนั้น “การเชื่อมโยงข้อมูล” เป็นหนึ่งหัวใจสำคัญในการขับเคลื่อนการให้บริการแบบไร้รอยต่อ ที่จะช่วยให้แพทย์ตัดสินใจการรักษาได้แม่นยำและเหมาะสมกับผู้ป่วยรายบุคคลเพิ่มมากขึ้น  นอกจากนี้ เทคโนโลยีปัญญาประดิษฐ์ (AI) และข้อมูลพันธุกรรม (Genomics) จะเข้ามามีบทบาทสำคัญในการพัฒนา การแพทย์เฉพาะบุคคลและแม่นยำ (Personalized & Precision Medicine) เพราะเมื่อข้อมูลมีการเชื่อมโยงมากขึ้น AI จะยิ่งฉลาดและแม่นยำขึ้น รวมถึงสามารถนำข้อมูลพันธุกรรมมาใช้วางแผนการรักษาที่เฉพาะเจาะจงสำหรับแต่ละบุคคลได้ และด้วยเทคโนโลยี 5G จะช่วยให้เกิด Anywhere Care อย่างเต็มรูปแบบ ผู้ป่วยสามารถรับคำปรึกษาหรือการรักษาได้จากทุกที่ ผ่านการส่งข้อมูลแบบ Real-time ซึ่งให้ประสบการณ์ใกล้เคียงกับการอยู่ในโรงพยาบาล สำหรับ BDI ได้พัฒนาโครงการ Health Link อย่างต่อเนื่อง เพื่อเป็นโครงสร้างพื้นฐานสำคัญของประเทศในการเชื่อมโยงข้อมูลสุขภาพ โดยใช้มาตรฐานสากล HL7 FHIR ในการเชื่อมข้อมูลจากระบบสารสนเทศโรงพยาบาล (HIS) ที่หลากหลายกว่า 100 รูปแบบ ให้สามารถใช้งานร่วมกันได้ พร้อมทั้งคำนึงถึงความปลอดภัยของข้อมูลตามกฎหมาย PDPA และการกำหนดสิทธิ์บุคลากรทางการแพทย์ ในการเข้าถึงข้อมูลสุขภาพของผู้ป่วยตามขอบเขตวิชาชีพของตัวเองเท่านั้น ปัจจุบันระบบ Health Link แพลตฟอร์มเชื่อมโยงข้อมูลสุขภาพระหว่างสถานพยาบาลทั่วประเทศ สามารถเชื่อมโยงข้อมูลหน่วยบริการด้านสุขภาพได้แล้วกว่า 8,000 แห่ง ครอบคลุมตั้งแต่ร้านยา คลินิก ไปจนถึงโรงพยาบาลทั่วประเทศ ประชาชนสามารถเข้าถึงข้อมูลสุขภาพของตัวเองผ่านแอปพลิเคชันเป๋าตัง (กระเป๋าสุขภาพ) และแอปพลิเคชันทางรัฐ ซึ่งจะช่วยสนับสนุนการรักษาฉุกเฉิน อย่างระบบ 5G Ambulance ทำให้แพทย์เข้าถึงข้อมูลสำคัญ ช่วยให้การรักษาแม่นยำและรวดเร็วทันท่วงที “ความท้าทายสำคัญ ยังคงเป็นการลดการทำงานแบบแยกส่วนของหน่วยงานต่าง ๆ เพื่อให้สามารถนำข้อมูลมาใช้ประโยชน์ได้อย่างเต็มศักยภาพ ทั้งในด้านการรักษาพยาบาลและการพัฒนานวัตกรรมในอนาคต โดยโครงการ Health Link ยังคงเดินหน้าผลักดันการใช้ข้อมูลและเทคโนโลยีดิจิทัล เพื่อยกระดับระบบสาธารณสุขไทยให้มีความทันสมัย มีประสิทธิภาพ และตอบโจทย์ประชาชนในยุคดิจิทัลอย่างแท้จริง” นางสาวน้ำฝน กล่าวทิ้งท้าย
23 March 2026
Read More

บทความ
BDI นำเสนอแดชบอร์ดวิเคราะห์ข้อมูลกลุ่มเปราะบาง หนุนการเข้าถึงสิทธิอย่างเท่าเทียม ในงาน Kick Off ประเมินความพิการจากปัจจัยทางสังคม
23 มีนาคม 2569, กรุงเทพฯ – สถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน) หรือ BDI เข้าร่วมออกบูทนิทรรศการในงาน KICK OFF การประเมินความพิการจากปัจจัยทางสังคมหรือพฤติการณ์แวดล้อม ซึ่งจัดขึ้นโดยกรมส่งเสริมและพัฒนาคุณภาพชีวิตคนพิการ โดยมีนายอัครา พรหมเผ่า รัฐมนตรีว่าการกระทรวงการพัฒนาสังคมและความมั่นคงของมนุษย์ เป็นประธานในพิธี เพื่อประชาสัมพันธ์ความพร้อมในการประเมินความพิการและส่งเสริมการเข้าถึงสิทธิสวัสดิการของประชาชนกลุ่มเปราะบาง โดยมีผู้บริหาร บุคลากรภาครัฐ ผู้มีส่วนได้ส่วนเสีย สื่อมวลชน และประชาชนทั่วไปเข้าร่วมกว่า 400 คน ณ ห้องประชุมปกรณ์ อังศุสิงห์ ชั้น 2 อาคารกรมพัฒนาสังคมและสวัสดิการ กระทรวงการพัฒนาสังคมและความมั่นคงของมนุษย์ และผ่านระบบออนไลน์ ในการนี้ BDI นำโดย ดร.พีรดล สามะศิริ ผู้จัดการโครงการและนักวิทยาศาสตร์ข้อมูลอาวุโส ฝ่ายบริการวิเคราะห์ข้อมูล พร้อมด้วยผู้แทนโครงการพัฒนาแพลตฟอร์มการเชื่อมโยงและวิเคราะห์ข้อมูลขนาดใหญ่ (ดีทู) ร่วมถ่ายทอดบทบาทของการใช้ข้อมูลขนาดใหญ่ในการสนับสนุนการพัฒนานโยบายด้านสังคม ผ่านการนำเสนอแนวทางการวิเคราะห์ข้อมูลตอบรับแนวคิด ปักหมุด รู้จุดพิกัด สวัสดิการคนพิการ จากชุดข้อมูลสำคัญที่รวบรวมได้จากการบูรณาการการจัดทำฐานข้อมูลของประชาชนในกลุ่มคนเปราะบาง คนพิการ และผู้สูงอายุ ซึ่งเป็นการร่วมมือกันระหว่างกระทรวงการพัฒนาสังคมและความมั่นคงของมนุษย์ สถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน) และหน่วยงานที่เกี่ยวข้องที่ร่วมสนับสนุนข้อมูลสำคัญ เพื่อช่วยให้การดูแลช่วยเหลือกลุ่มคนเปราะบางเกิดขึ้นได้อย่างทั่วถึงและครอบคลุม พร้อมกันนี้ ทีมงานจึงได้นำเสนอการใช้งานแดชบอร์ด “เด็กที่ถูกบันทึกว่าพิการ แต่ยังไม่ถือบัตรประจำตัวคนพิการ” ซึ่งเป็นการวิเคราะห์ข้อมูลผ่านการบูรณาการชุดข้อมูลจากทะเบียนผู้ถือบัตรคนพิการ ร่วมกับชุดข้อมูลนักเรียนในระบบการศึกษา แดชบอร์ดดังกล่าวช่วยให้สามารถระบุมุ่งเป้าพื้นที่ที่พบการบันทึกความพิการโดยคุณครูแต่เด็กเหล่านั้นยังไม่ได้ถือบัตรประจำตัวคนพิการ สอดรับแนวทางตามประกาศกระทรวง พม. เรื่อง ประเภทและหลักเกณฑ์ความพิการ พ.ศ.2568 ซึ่งให้ความสำคัญกับการประเมินความพิการจากปัจจัยทางสังคมหรือพฤติการณ์แวดล้อมเพิ่มขึ้นมานอกเหนือจากการให้ผู้ประกอบวิชาชีพเวชกรรมเป็นผู้ตรวจวินิจฉัยแต่เพียงอย่างเดียว อันจะช่วยให้คนพิการสามารถทำบัตรประจำตัวคนพิการและเข้าถึงสิทธิสวัสดิการจากภาครัฐได้อย่างทั่วถึงมากยิ่งขึ้น สร้างความเท่าเทียมและยกระดับคุณภาพชีวิตให้แก่คนพิการทุกคน การดำเนินงานดังกล่าวสะท้อนถึงบทบาทของ BDI ในการนำข้อมูลมาสร้างคุณค่าเชิงนโยบาย และความร่วมมือกับทุกภาคส่วนในการขับเคลื่อนการใช้ข้อมูลเพื่อพัฒนาประเทศ มุ่งสู่การเป็น “Data-Driven Nation” อย่างเป็นรูปธรรมในระยะยาว
23 March 2026
Read More

บทความ
Movements
เจาะลึก NotebookLM: เปลี่ยนกองเอกสารเป็นขุมทรัพย์ความรู้ที่ “ตรวจสอบได้”  
พร้อมเทคนิคเลือกแพ็กเกจให้คุ้มค่า (อัปเดต มีนาคม 2026)  ในยุคที่มีข้อมูลมหาศาล ปัญหาของนักวิจัย นักวิเคราะห์ หรือแม้แต่นักศึกษา ไม่ใช่การหาข้อมูลไม่เจอ แต่คือการนำข้อมูลมาใช้ประโยชน์ไม่ได้ เพราะปริมาณเอกสารที่มากจนจัดการไม่ไหว ทำให้ insight สำคัญมักถูกมองข้ามไปอย่างน่าเสียดาย   วันนี้เราจะพามารู้จักกับ NotebookLM เครื่องมือ AI อัจฉริยะจาก Google ที่จะมาเป็นผู้ช่วยส่วนตัวในการวิเคราะห์ข้อมูล โดยมีจุดเด่นคือการทำงานภายใต้ขอบเขตข้อมูลที่เรากำหนดเอง (Grounded AI) ซึ่งช่วยปิดจุดอ่อนเรื่อง Hallucination หรือ AI มโนข้อมูลให้หมดไป  NotebookLM คืออะไร?  หากนิยามสั้น ๆ NotebookLM คือ “Personalized Knowledge Model” หรือ โมเดลความรู้ส่วนตัวที่ออกแบบมาเพื่อช่วย “จัดระเบียบและต่อยอดความคิด” จากคลังเอกสารของตัวเอง โดยทำงานบนแนวคิด “Bring Your Own Data” โดยระบบจะสร้างดัชนีความรู้ (Knowledge Index) จากแหล่งข้อมูล (Sources) ที่เราป้อนให้เท่านั้น ไม่ว่าจะเป็น PDF, เว็บไซต์, YouTube, ไฟล์เสียง, Google Docs และ Google Slides ใน Workspace ของเรา  ทำไมต้อง NotebookLM?  สิ่งที่ทำให้ NotebookLM แตกต่างจาก AI ทั่วไปอย่างชัดเจน คือกลไกการทำงานที่ถูกจำกัดให้อยู่ภายใต้ขอบเขตของแหล่งข้อมูลที่ถูกเลือกไว้เท่านั้น (Bounded by Sources) โดยทุกคำตอบที่ระบบสร้างขึ้นจะมีตัวเลขการอ้างอิงกำกับไว้เสมอ ซึ่งผู้ใช้สามารถคลิกเพื่อตรวจสอบย้อนกลับไปยังเอกสารต้นฉบับได้ทันที ระบบจะไฮไลท์ข้อความในบรรทัดที่นำมาอ้างอิงเพื่อให้เห็นที่มาที่ไปอย่างแม่นยำ ช่วยลดความเสี่ยงจากการที่ AI จะสรุปเนื้อหาผิดพลาดหรือ “มโน” ข้อมูลขึ้นมาเอง และหากคำถามที่ถามนั้นไม่มีคำตอบอยู่ในชุดข้อมูลที่เราป้อนให้ NotebookLM จะแจ้งให้ทราบอย่างตรงไปตรงมาว่าไม่พบข้อมูลดังกล่าว แทนการพยายามสุ่มคำตอบที่ไม่มีแหล่งที่มา กระบวนการนี้จึงช่วยสร้างความมั่นใจให้แก่ผู้ใช้งานว่าทุก Insight ที่ได้รับนั้นมีความโปร่งใสและสามารถตรวจสอบความถูกต้องได้จริง 100%  โครงสร้างหลักของ NotebookLM (อัปเดตข้อมูล ณ วันที่ 10 มีนาคม 2569)  Figure1: โครงสร้างของ NotebookLM   NotebookLM ถูกออกแบบมาให้ใช้งานง่ายด้วย 3 ส่วนหลัก ดังนี้   อัปเดตฟีเจอร์ล่าสุด (มีนาคม 2026): มีอะไรใหม่บ้าง?  ล่าสุด NotebookLM ได้ยกระดับการสรุปเนื้อหาไปสู่ Cinematic Video Overviews ซึ่งพัฒนาต่อจาก Video Overviews เดิมที่เป็นเพียงการนำภาพสไลด์มาประกอบเสียงสรุป ไปสู่วิดีโอสรุปเนื้อหาที่เน้นความสมจริงและมีภาพเคลื่อนไหวที่ลื่นไหลระดับภาพยนต์ โดยใช้การผสานพลังของ 3 โมเดล AI ได้แก่ โมเดล Gemini 3 ทำหน้าที่วิเคราะห์เนื้อหาและวางโครงเรื่องโมเดล Nano Banana Pro ทำหน้าที่สร้างภาพประกอบและกราฟิกที่สอดคล้องกับเนื้อหา และ โมเดล Veo 3 ทำหน้าที่เปลี่ยนภาพนิ่งให้กลายเป็นวิดีโอที่มีการเคลื่อนไหวสมจริง (ปัจจุบันฟีเจอร์นี้เปิดให้ใช้งานสำหรับสมาชิกแพ็กเกจ Google AI Ultra ที่มีอายุ 18 ปีขึ้นไป โดยเน้นการประมวลผลแหล่งข้อมูลภาษาอังกฤษเป็นหลัก)    การเลือกแพ็กเกจให้เหมาะกับการใช้งาน   เมื่อประสิทธิภาพของ NotebookLM แปรผันตรงกับโควตาประมวลผล การเลือกแพ็กเกจที่ “พอดี” กับปริมาณงานจึงเป็นเรื่องสำคัญ โดย Google ได้แบ่งระดับการใช้งานผ่าน Google AI Plans ซึ่งครอบคลุมตั้งแต่การใช้งานส่วนบุคคลไปจนถึงระดับองค์กร ดังนี้  1. ราคาและสิทธิประโยชน์ (Google AI Plans) (ข้อมูล ณ 10 มีนาคม 2569)  สำหรับการสมัครสมาชิกรายบุคคล ราคาจะเริ่มต้นตั้งแต่ระดับพื้นฐานไปจนถึงระดับสูง ซึ่งราคาหรือสิทธิประโยชน์อาจต่างตามประเทศและโปรโมชัน   Figure 2: ตัวอย่างราคา Google AI Plans  2. ตารางสรุปโควตาการใช้งานใน NotebookLM  เพื่อให้เห็นภาพความแตกต่างในการใช้งาน NotebookLM ของแต่ละระดับ ได้มีการสรุปขีดจำกัดและฟีเจอร์สำคัญที่ได้รับผ่านแพ็กเกจ Google AI Plans ไว้ในตารางดังนี้  ขีดจำกัดการใช้งาน  Standard (ฟรี)  Plus  Pro  Ultra   จำนวน Notebooks  (โน้ตบุ๊ก/ผู้ใช้งาน)  100   200   500   500   Sources (ไฟล์/โน้ตบุ๊ก)  50   100   300   600   จำนวนแชต (ครั้ง/วัน)   50   200   500   5000   Audio Overviews (ครั้ง/วัน)  3   6   20   200   Video Overviews (ครั้ง/วัน)  3   6   20   200  Cinematic video overviews: 20   Reports  (ครั้ง/วัน)  10   20   100   1000   Flashcards (ครั้ง/วัน)  10   20   100   1000   Quizzes (ครั้ง/วัน)  10   20   100   1000   Mind Maps   ไม่จำกัด  ไม่จำกัด  ไม่จำกัด  ไม่จำกัด  Deep Research   10 ครั้ง/เดือน  3 ครั้ง/วัน  20 ครั้ง/วัน  200 ครั้ง/วัน  Data Tables  ใช้งานได้จำกัด  ใช้งานได้มากขึ้น  ใช้งานได้สูง  ใช้งานได้สูงสุด  Infographics   ใช้งานได้จำกัด  ใช้งานได้มากขึ้น  ใช้งานได้สูง  ใช้งานได้สูงสุด  Slide Decks and Revisions  ใช้งานได้จำกัด  ใช้งานได้มากขึ้น  ใช้งานได้สูง  ใช้งานได้สูงสุด  แนวทางการเลือกใช้งานเพื่อความคุ้มค่า  ความปลอดภัยและความเป็นส่วนตัว  NotebookLM มีกลไกการคุ้มครองความเป็นส่วนตัวที่ชัดเจน โดยข้อมูลที่อัปโหลด คำถาม และคำตอบที่ได้รับ จะไม่ถูกนำไปใช้ฝึกโมเดล AI (ยกเว้นกรณีที่ผู้ใช้เลือกส่ง Feedback เพื่อปรับปรุงระบบด้วยตนเอง) โดยเฉพาะการใช้งานผ่านบัญชีองค์กรหรือการศึกษาที่จะได้รับความคุ้มครองระดับ Enterprise-grade ซึ่งจะไม่มีการรีวิวโดยมนุษย์และข้อมูลจะถูกจำกัดอยู่ภายใต้ขอบเขตความปลอดภัยขององค์กรเท่านั้น อย่างไรก็ตาม เพื่อความปลอดภัยสูงสุดตามหลักการใช้งาน AI อย่างมีความรับผิดชอบ ผู้ใช้งานควรหลีกเลี่ยงการนำเข้าข้อมูลส่วนบุคคลที่อ่อนไหว เพื่อรักษามาตรฐานความปลอดภัยขั้นสูงสุดในการทำงาน  ต่อยอดทักษะการใช้ AI ให้ก้าวล่วงขีดจำกัดไปกับ BDI  โลกไม่ได้เปลี่ยนเพราะ AI เก่งขึ้นอย่างเดียว แต่เปลี่ยนเพราะ “คนที่ใช้ AI เป็น” สามารถทำงานได้เร็วขึ้น คิดได้ลึกขึ้น และสร้างสรรค์ผลงานได้มากกว่าเดิม แม้ฟีเจอร์ของ NotebookLM จะมีการอัปเดตใหม่อยู่เสมอ แต่เทคนิคการวางโครงสร้างแหล่งข้อมูล (Sources) และการตั้งคำถามเพื่อให้ได้ Insight ที่แม่นยำยังคงเป็นทักษะพื้นฐานที่ทิ้งไม่ได้ สถาบันข้อมูลขนาดใหญ่ (BDI) จึงร่วมกับ สำนักงานคณะกรรมการดิจิทัลเพื่อเศรษฐกิจและสังคมแห่งชาติ (สดช.) จัดทำหลักสูตรออนไลน์ฟรี เพื่อให้ผู้ที่สนใจสามารถเริ่มต้นใช้งานได้อย่างเป็นระบบ เรียนได้ทุกที่ ทุกเวลา เริ่มต้นได้ทันทีโดยไม่มีค่าใช้จ่าย  ปูพื้นฐานสำหรับผู้เริ่มต้นที่ต้องการใช้ AI ช่วยจัดการและวิเคราะห์ข้อมูลจากกองเอกสารให้เป็นระบบ  https://dcc.bde.go.th/user/digitalskill/coursedetail/1391 เจาะลึกการใช้ AI สกัดความรู้จากสื่อมัลติมีเดีย เปลี่ยนวิดีโอยาวๆ ให้เป็นบทสรุปที่ใช้งานได้จริงในไม่กี่นาที  https://dcc.bde.go.th/user/digitalskill/coursedetail/1394 บทสรุป  NotebookLM ไม่ได้เป็นเพียงเครื่องมือสรุปข้อมูล แต่คือ “ผู้ช่วยวิเคราะห์” ที่เน้นความโปร่งใสผ่านระบบ Citations ที่อ้างอิงแหล่งที่มาได้จริง ช่วยเปลี่ยนกองเอกสารมหาศาลให้กลายเป็น Output หลากหลายรูปแบบ ทั้ง Chat, Audio/Video หรือ Data Tables ที่พร้อมใช้งานทันที การเลือกแพ็กเกจให้เหมาะสมกับโควตางาน คือก้าวสำคัญที่จะช่วยให้คุณจัดการข้อมูลได้อย่างมีประสิทธิภาพ แต่สิ่งสำคัญที่สุดคือการ “ยึดหลักตรวจสอบกับต้นฉบับเสมอ” เพื่อให้ทุก Insight ที่ได้รับมีความแม่นยำและน่าเชื่อถือสูงสุด เพราะในยุค AI ข้อมูลที่เร็วอาจไม่สำคัญเท่าข้อมูลที่ “ถูกต้องและตรวจสอบได้”  อ้างอิง (References)  
17 March 2026
Read More

บทความ
BDI แชร์ประสบการณ์การพัฒนา Data และ AI สู่เวทีนักวิจัย ในหลักสูตร “Creating AI Researchers”
13 มีนาคม 2569, กรุงเทพฯ – สถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน) หรือ BDI โดย นายชยสิน แซ่เตีย วิศวกรข้อมูลอาวุโส ฝ่ายเทคโนโลยีข้อมูลและสารสนเทศ ร่วมเป็นวิทยากรในหลักสูตรอบรมเชิงปฏิบัติการ “การสร้างนักวิจัย AI (Creating AI Researchers)” ภายใต้โครงการพัฒนาโครงสร้างพื้นฐานปัญญาประดิษฐ์สำหรับภาษาไทย (ThaiLLM) ซึ่งจัดโดยเนคเทค สวทช. และหน่วยงานพันธมิตร โดยถ่ายทอดองค์ความรู้ในหัวข้อ “Foundation of Data and AI: Data, AI and Everything Between” เพื่อแบ่งปันประสบการณ์การทำงานด้าน Data Engineering และ Data Science จากการใช้งานจริงให้แก่ผู้แทนจากหน่วยงานภาครัฐ ภาคเอกชน และสถาบันการศึกษา กว่า 40 คน การอบรมครั้งนี้ ผู้เข้าร่วมได้แลกเปลี่ยนประสบการณ์ ทดลองลงมือพัฒนา และเรียนรู้ผ่านการสาธิต Live Coding พร้อมนำเสนอผลงานและพูดคุยแลกเปลี่ยนมุมมองด้าน Data และ AI ครอบคลุมตั้งแต่แนวคิดพื้นฐานของข้อมูลและบทบาทของข้อมูลต่อการพัฒนา AI, Machine Learning และ Data Analytics โดยเริ่มจากการทำความเข้าใจแหล่งที่มาของข้อมูล (Data Sources) และกระบวนการจัดการข้อมูล ไปจนถึงการเตรียมข้อมูลสำหรับการพัฒนาโมเดล เช่น กระบวนการ ETL การสร้าง Feature Engineering และการวิเคราะห์ข้อมูลเชิงพรรณนา (Descriptive Analysis) ผ่านกิจกรรมเวิร์กช็อปย่อยให้ผู้เข้าร่วมได้ทดลองปฏิบัติจริง นอกจากนี้ ยังมีการสาธิตการพัฒนาโมเดล Machine Learning ผ่านการ Live Coding อาทิ Linear Regression, K-means, Decision Tree และ Random Forest รวมถึงการอธิบายพัฒนาการของโมเดล AI ตั้งแต่ RNN และ LSTM ไปจนถึงสถาปัตยกรรม Transformer และโมเดล GPT เพื่อให้ผู้เข้าร่วมเห็นภาพรวมของเทคโนโลยี AI ในปัจจุบัน พร้อมทั้งแนะนำเครื่องมือที่ใช้จริงในการพัฒนางานด้าน Data และ AI เช่น Python, Jupyter Notebook, Pandas, Scikit-learn, Streamlit และ Docker ตลอดจนเปิดพื้นที่ให้ผู้เข้าร่วมได้ทดลองพัฒนาโปรเจกต์และนำเสนอผลงาน พร้อมแลกเปลี่ยนมุมมองด้านเทคนิคและการประยุกต์ใช้ Data และ AI ในการทำงานจริง หลักสูตร “Creating AI Researchers” เป็นกิจกรรมภายใต้โครงการ ThaiLLM ที่มุ่งพัฒนากำลังคนด้าน AI ของประเทศ โดยเปิดโอกาสให้บุคลากรจากหน่วยงานต่าง ๆ ได้เรียนรู้ตั้งแต่พื้นฐาน Data และ AI ไปจนถึงหัวข้อขั้นสูงที่เกี่ยวข้องกับการพัฒนาโมเดลภาษา (LLM) และโครงสร้างพื้นฐานด้าน AI เพื่อสนับสนุนการพัฒนาเทคโนโลยี AI ของประเทศไทยในระยะยาว หลักสูตรนี้ถือเป็นหลักสูตรลำดับที่ 4 และเป็นระดับสูงสุดในชุดการพัฒนาบุคลากร AI ภายใต้โครงการ ThaiLLM ต่อเนื่องจากหลักสูตร AI Beginner, AI Engineer และ Continued Pretraining & Fine-tuning โดยตลอดระยะเวลา 5 วัน ผู้เข้าอบรมได้เรียนรู้หัวข้อสำคัญ เช่น LLM Architectures, Data Engineering for LLMs, Pretraining & Infrastructure, Advanced Finetuning Strategy เช่น RLHF และ DPO รวมถึง Optimization & Evaluation เพื่อการปรับแต่งและประเมินประสิทธิภาพโมเดล การจัดกิจกรรมดังกล่าวได้รับการสนับสนุนจากหน่วยงานพันธมิตรหลายภาคส่วน ได้แก่ กองทุนพัฒนาดิจิทัลเพื่อเศรษฐกิจและสังคม (DEF), สถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน), สถาบันวิทยสิริเมธี (VISTEC), สมาคมผู้ประกอบการปัญญาประดิษฐ์ประเทศไทย (AIEAT), สมาคมปัญญาประดิษฐ์ประเทศไทย (AIAT), มหาวิทยาลัยมหิดล และจุฬาลงกรณ์มหาวิทยาลัย โดยการอบรมครั้งนี้นับเป็นอีกหนึ่งก้าวสำคัญในการพัฒนานักวิจัยและนักพัฒนา Data และ AI ของไทย เพื่อเสริมสร้างศักยภาพในการพัฒนาเทคโนโลยี AI ภายในประเทศ และวางรากฐานสู่อธิปไตยด้าน AI ของประเทศไทย ขอบคุณภาพจาก: https://www.facebook.com/aithailandcommu #BDI#BigData#AI#BigDataThailand#ThaiLLM#NECTEC#NSTDA#AIThailand#ดิจิทัลเพื่อเศรษฐกิจและสังคม#DE
13 March 2026
Read More

บทความ
BDI เปิดมุมมองเทคโนโลยี AI กับบทบาทในการยกระดับการทำงานขององค์กรยุคใหม่
13 มีนาคม 2569, กรุงเทพฯ – สถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน) หรือ BDI โดย ศ. ดร.ธีรณี อจลากุล ผู้อำนวยการสถาบันข้อมูลขนาดใหญ่ ร่วมบรรยายพิเศษในหัวข้อ Artificial Intelligence: Transformative Technology ภายใต้โครงการ Leadership Program on Trade and Development Strategy รุ่นที่ 2 จัดโดยสถาบันระหว่างประเทศเพื่อการค้าและการพัฒนา (ITD) ณ โรงแรมชาเทรียม แกรนด์ กรุงเทพฯ เพื่อถ่ายทอดแนวโน้มสำคัญของเทคโนโลยีปัญญาประดิษฐ์และผลกระทบต่อการทำงานขององค์กรและภาครัฐในยุคดิจิทัล ศ. ดร.ธีรณี อธิบายว่า ปัจจุบันเทคโนโลยี AI มีพัฒนาการอย่างรวดเร็ว โดยสามารถแบ่งบทบาทสำคัญของ AI ออกเป็น 3 กลุ่ม ได้แก่ Analytic AI ที่ใช้วิเคราะห์ข้อมูลเพื่อสนับสนุนการตัดสินใจ Generative AI ที่สามารถสร้างเนื้อหาใหม่ เช่น ข้อความ ภาพ หรือโค้ด และ Agentic AI ซึ่งเป็นระบบ AI ที่สามารถทำงานร่วมกันเป็น workflow เพื่อดำเนินภารกิจที่ซับซ้อนโดยอัตโนมัติและตัดสินใจได้ภายใต้เป้าหมายที่กำหนดไว้ ในการบรรยายครั้งนี้ ศ. ดร.ธีรณี ยังได้ยกตัวอย่างการนำเทคโนโลยี AI มาปรับใช้ภายในองค์กรของ BDI เพื่อเพิ่มประสิทธิภาพการทำงานในด้านต่าง ๆ เช่น การใช้ AI วิเคราะห์ข้อมูลบุคลากร เพื่อคาดการณ์ความเสี่ยงการลาออกของพนักงาน การใช้ระบบ AI ช่วยสนับสนุนกระบวนการสรรหาและคัดเลือกบุคลากร ตลอดจนการนำ AI มาช่วยจัดการงานด้านการเงินและพัสดุ เช่น การตรวจสอบใบเสร็จอิเล็กทรอนิกส์ การเตรียมข้อมูลเข้าสู่ระบบ ERP หรือการให้คำแนะนำเกี่ยวกับระเบียบจัดซื้อจัดจ้าง ซึ่งช่วยลดภาระงานด้านเอกสารและเพิ่มความถูกต้องในการดำเนินงานขององค์กร นอกจากนี้ ยังได้กล่าวถึงแนวโน้มใหม่ของการพัฒนาซอฟต์แวร์อย่าง Vibe Coding ซึ่งเป็นแนวทางการใช้ AI ช่วยเขียนและทดสอบโค้ดจากคำสั่งหรือ prompt ของผู้ใช้งาน ทำให้การพัฒนาต้นแบบระบบหรือ Proof of Concept (POC) สามารถทำได้รวดเร็วขึ้นอย่างมาก รวมถึงแนวคิด Auto Research ที่ AI สามารถช่วยทำงานในขั้นตอนของการทดลองและปรับปรุงโมเดลด้าน Data Science ได้แบบอัตโนมัติ ช่วยให้กระบวนการพัฒนาโมเดลมีประสิทธิภาพมากขึ้น อีกประเด็นสำคัญคือการกำกับดูแล AI หรือ AI Governance ซึ่งต้องให้ความสำคัญกับความโปร่งใส ความเป็นธรรม ความปลอดภัยของข้อมูล  เพื่อให้การพัฒนาและใช้งาน AI เป็นไปอย่างรับผิดชอบและสร้างประโยชน์ต่อสังคมในระยะยาว ศ. ดร.ธีรณี ยังชี้ให้เห็นว่า การขับเคลื่อนองค์กรด้วย AI จำเป็นต้องดำเนินควบคู่กับการพัฒนาโครงสร้างพื้นฐานด้านข้อมูลและการสร้างวัฒนธรรมองค์กรที่เปิดรับนวัตกรรม ทั้งการพัฒนาทักษะบุคลากร การทำงานแบบข้ามสายงาน และการใช้ข้อมูลเป็นฐานในการตัดสินใจ เพื่อให้องค์กรสามารถปรับตัวและใช้ประโยชน์จากเทคโนโลยี AI ได้อย่างเต็มศักยภาพ โครงการ Leadership Program on Trade and Development Strategy รุ่นที่ 2 จัดขึ้นระหว่างวันที่ 8 มกราคม – 3 เมษายน 2569 โดยมีวัตถุประสงค์เพื่อพัฒนาศักยภาพผู้บริหารระดับสูงด้านการค้าและการพัฒนาประเทศ ผ่านการเรียนรู้เชิงปฏิบัติการและการแลกเปลี่ยนมุมมองจากผู้เชี่ยวชาญหลากหลายสาขา
13 March 2026
Read More
PDPA Icon

We use cookies to optimize your browsing experience and improve our website’s performance. Learn more at our Privacy Policy and adjust your cookie settings at Settings

Settings Reject Accept
Privacy Preferences

You can choose your cookie settings by turning on/off each type of cookie as needed, except for necessary cookies.

Accept all
Manage Consent Preferences
  • Strictly Necessary Cookies
    Always Active

    This type of cookie is essential for providing services on the website of the Personal Data Protection Committee Office, allowing you to access various parts of the site. It also helps remember information you have previously provided through the website. Disabling this type of cookie will result in your inability to use key services of the Personal Data Protection Committee Office that require cookies to function.
    Cookies Details

  • Performance Cookies

    This type of cookie helps the Big Data Institute (Public Organization) understand user interactions with its website services, including which pages or areas of the site are most popular, as well as analyze other related data. The Big Data Institute (Public Organization) also uses this information to improve website performance and gain a better understanding of user behavior. Although the data collected by these cookies is non-identifiable and used solely for statistical analysis, disabling them will prevent the Big Data Institute (Public Organization) from knowing the number of website visitors and from evaluating the quality of its services.

  • Functional Cookies

    This type of cookie enables the Big Data Institute (Public Organization)’s website to remember the choices you have made and deliver enhanced features and content tailored to your usage. For example, it can remember your username or changes you have made to font sizes or other customizable settings on the page. Disabling these cookies may result in the website not functioning properly.

  • Targeting Cookies

    "This type of cookie helps the Big Data Institute (Public Organization) understand user interactions with its website services, including which pages or areas of the site are most popular, as well as analyze other related data. The Big Data Institute (Public Organization) also uses this information to improve website performance and gain a better understanding of user behavior. Although the data collected by these cookies is non-identifiable and used solely for statistical analysis, disabling them will prevent the Big Data Institute (Public Organization) from knowing the number of website visitors and from evaluating the quality of its services.

Save settings
Privacy Preferences
Name
Strictly Necessary Cookies
Category
Strictly Necessary Cookies
Host
https://bdi.or.th
Duration
1 ปี
Description
Strictly Necessary Cookies