เพิ่มประสิทธิภาพ“บิ๊กดาต้า” ด้วยฐานข้อมูลขนาดเล็กและกว้าง

Close up of young business people analyzing data using computer while working in the office

เพิ่มประสิทธิภาพ“บิ๊กดาต้า” ด้วยฐานข้อมูลขนาดเล็กและกว้าง

โดย มร.จิม ฮาเร่ รองประธานฝ่ายวิเคราะห์การ์ทเนอร์ อิงค์

                เหตุการณ์ที่ทำให้เกิดการหยุดชะงัก อาทิ การระบาดครั้งใหญ่ของไวรัสโควิด-19 ส่งผลให้ข้อมูลในอดีตที่สะท้อนถึงสถานะขององค์กรต่าง ๆ ล้าสมัยอย่างรวดเร็ว เนื่องจากองค์กรธุรกิจต้องเผชิญกับข้อจำกัดต่าง ๆ ในการใช้บิ๊กดาต้าที่เป็นปัจจัยสำคัญในการสร้างระบบวิเคราะห์ข้อมูลและเอไอ ตามแนวทางใหม่ที่เรียกว่า 'ชุดข้อมูลขนาดเล็ก' และ 'ชุดข้อมูลแบบกว้าง'

                ในยุคของบิ๊กดาต้านั้นประสบความสำเร็จในเรื่องของการจัดเก็บและจัดการข้อมูล แต่ยังไม่สามารถช่วยให้องค์กรธุรกิจได้รับประโยชน์จากข้อมูลดังกล่าว แต่ “ชุดข้อมูลขนาดเล็กและกว้าง” นั้นสามารถตอบโจทย์ในจุดนี้ได้

มร.จิม ฮาเร่ รองประธานฝ่ายวิเคราะห์การ์ทเนอร์ อิงค์

                แนวทางการใช้ “ชุดข้อมูลแบบกว้าง” ช่วยให้องค์กรวิเคราะห์และทำงานร่วมกับแหล่งข้อมูลหลากหลาย ไม่ว่าจะเป็นจากแหล่งข้อมูลขนาดเล็กและขนาดใหญ่ หรือแหล่งข้อมูลแบบไม่มีโครงสร้างและมีโครงสร้างได้ ในขณะที่แนวทางการใช้ชุดข้อมูลขนาดเล็กนั้นเป็นเรื่องเกี่ยวกับการประยุกต์ใช้เทคนิคในการวิเคราะห์ที่ต้องการข้อมูลน้อยลงแต่ยังให้ประโยชน์ในเชิงลึก

                โดยทั้งสองแนวทางช่วยให้การวิเคราะห์และใช้ระบบเอไอมีประสิทธิภาพมากขึ้น ลดการพึ่งพาข้อมูลขนาดจำนวนมหาศาลให้แก่องค์กรและยังช่วยให้รู้เท่าทันสถานการณ์แบบเบ็ดเสร็จ เรียกว่ามองได้รอบด้านแบบ 360 องศา โดยองค์กรสามารถนำข้อมูลมาวิเคราะห์เพื่อช่วยในการตัดสินใจที่ดีขึ้นในบริบทที่ซับซ้อนอันเกี่ยวเนื่องกับเหตุการณ์การหยุดชะงักได้ เพื่อขับเคลื่อนได้อย่างรวดเร็วและตอบสนองความต้องการของลูกค้า

                การ์ทเนอร์คาดว่าภายในปี 2568 องค์กรต่าง ๆ ประมาณ 70% จะถูกบังคับให้โฟกัสกับการใช้ชุดข้อมูลขนาดเล็กและกว้างแทนฐานข้อมูลขนาดใหญ่ ซึ่งช่วยให้วิเคราะห์บริบทของข้อมูลได้หลากหลายขึ้นและทำให้ระบบเอไอใช้ข้อมูลน้อยลง

                ผู้บริหารด้านข้อมูลและการวิเคราะห์ (D&A) ต้องมองหากลยุทธ์ที่ช่วยให้องค์กรใช้ชุดข้อมูลขนาดเล็กและกว้าง รวมถึงข้อมูลสังเคราะห์เพื่อขับเคลื่อนองค์กรธุรกิจไปสู่การเปลี่ยนผ่านด้วยการใช้รูปแบบการวิเคราะห์ข้อมูลเพิ่มขึ้นด้วยระบบเอไอ (AI) และแมชชีนเลิร์นนิ่ง (ML) ที่จะช่วยให้สามารถจัดการกับความท้าทายต่าง ๆ ได้อย่างมีประสิทธิภาพ อาทิ จัดการกับข้อมูลการฝึกอบรมที่ไม่ค่อยได้ใช้งาน หรือการพัฒนาโมเดลธุรกิจที่มีประสิทธิภาพมากขึ้นโดยอาศัยข้อมูลหลากหลายและกว้างกว่าเดิม

ทำไมข้อมูลขนาดเล็กและกว้างจึงสำคัญ?

                แน่นอนว่าการวิเคราะห์และใช้ระบบเอไอนั้นต้องทำงานร่วมกับข้อมูลที่สดใหม่และในขนาดของข้อมูลที่น้อยกว่าเดิม นอกจากนี้การเก็บรวบรวมข้อมูลในอดีตที่เพียงพอหรือติดป้ายกำกับไว้ใช้เฉพาะเพื่อใช้วิเคราะห์และสร้างระบบเอไอยังถือเป็นความท้าทายของหลาย ๆ องค์กรอยู่ในวันนี้

                การจัดเรียงข้อมูล คุณภาพข้อมูล การปกป้องความเป็นส่วนตัวและอคติถือเป็นความท้าทายทั่วไป ถึงแม้จะมีฐานข้อมูลบิ๊กดาต้า แต่ค่าใช้จ่าย เวลาที่เสียไปและพลังงานในการใช้ระบบ ML ที่มีการควบคุมดูแลแบบเดิมก็ยังคงเป็นสิ่งที่เกิดขึ้นอยู่เสมอ นอกจากนี้การตัดสินใจของมนุษย์และระบบเอไอนั้นจะมีความซับซ้อนและความต้องการมากขึ้น ซึ่งต้องอาศัยข้อมูลหลากหลายเพื่อให้รับรู้สถานการณ์ได้อย่างถี่ถ้วน

                เมื่อนำทุกอย่างมารวมเข้าด้วยกันนั่นหมายความว่าเราต้องการเทคนิคการวิเคราะห์ที่เพิ่มขึ้นถึงจะสามารถใช้ประโยชน์จากฐานข้อมูลที่มีอยู่เดิมได้อย่างมีประสิทธิภาพ ไม่ว่าจะลดปริมาณหรือเพิ่มปริมาณข้อมูลที่ต้องการใช้หรือดึงประโยชน์จากแหล่งข้อมูลที่หลากหลายและข้อมูลที่ไม่มีโครงสร้างมาใช้เพิ่ม[caption id="attachment_9459" align="alignnone"  

มีผลกระทบอะไรบ้าง?

                แนวทางการใช้ “ชุดข้อมูลแบบกว้าง” ใช้หลักการวิเคราะห์ในรูปแบบสมการ X โดยที่ X หมายถึงการค้นหาความเชื่อมโยงระหว่างแหล่งข้อมูล ตลอดจนหมายถึงรูปแบบข้อมูลที่หลากหลาย ซึ่งรูปแบบข้อมูลเหล่านี้มีตั้งแต่ ข้อมูลในรูปแบบของตาราง ข้อความ รูปภาพ วิดีโอ เสียงที่ได้ยิน เสียงพูด อุณหภูมิหรือแม้แต่กลิ่นและการสั่นสะเทือน โดยมาจากแหล่งข้อมูลทั้งภายในและภายนอกที่มีความหลากหลาย อาทิ ข้อมูลบนมาร์เก็ตเพลส โบรกเกอร์ โซเชียลมีเดีย เซ็นเซอร์ไอโอที และฝาแฝดดิจิทัล (Digital Twins)

                แนวทางการใช้ “ชุดข้อมูลขนาดเล็ก” คือการสร้างโมเดลเรียนรู้โดยใช้ข้อมูลจำนวนน้อย เช่น เทคนิคการวิเคราะห์ข้อมูลอนุกรมเวลา แทนที่จะใช้เทคนิคการเรียนรู้เชิงลึกที่อาศัยข้อมูลจำนวนมากในลักษณะรูปแบบเดียวใช้เหมือนกันทั้งหมด ซึ่งยังมีเทคนิคการสร้างโมเดลเรียนรู้อื่น ๆ ได้แก่ เทคนิค Few-Shot Learning เทคนิค Synthetic Data  หรือ เทคนิค Self-Supervised Learning โดยเรายังสามารถใช้ข้อมูลน้อยลงได้อีกจากการใช้เทคนิคต่าง ๆ เช่น การทำงานร่วมกันหรือการรวมกลุ่ม การปรับตัว การเสริมกำลัง และการถ่ายโอนการเรียนรู้

                สำหรับการพัฒนานวัตกรรมด้วยการใช้ “ชุดข้อมูลขนาดเล็กและกว้าง” ยังรวมถึงการใช้คาดการณ์ความต้องการสินค้าในร้านค้าปลีก เรียนรู้พฤติกรรมและอารมณ์แบบเรียลไทม์กับการบริการลูกค้าเพื่อให้แบรนด์ได้เรียนรู้ ศึกษาและวิเคราะห์พฤติกรรมของลูกค้าโดยละเอียดมากขึ้นในแบบ Hyper-Personalisation และช่วยการปรับปรุงประสบการณ์ของลูกค้าให้ดียิ่งขึ้น

                ด้านอื่น ๆ ได้แก่การรักษาความปลอดภัยทางกายภาพหรือการตรวจจับการฉ้อโกงและระบบอัตโนมัติที่ปรับเปลี่ยนได้ เช่น หุ่นยนต์ ซึ่งมีการเรียนรู้การวิเคราะห์ความสัมพันธ์ของห้วงเวลาและพื้นที่เหตุการณ์ผ่านทางประสาทสัมผัสต่าง ๆ อยู่ตลอดเวลา

เริ่มต้นอย่างไรดี?

                สำรวจแนวทางการปรับใช้ชุดข้อมูลขนาดเล็กและกว้างเพื่อลดอุปสรรคในการเข้าสู่โหมดการวิเคราะห์ขั้นสูงและเอไออันเนื่องมาจากการขาดข้อมูลที่ควรรับรู้จริง ๆ แทนที่จะอาศัยการเรียนรู้เชิงลึกที่พึ่งพาการใช้ข้อมูลมากเกินไป

                เพิ่มเครื่องมือทางเทคนิคต่าง ๆ ให้กับทีม D&A เพื่อสร้างบริบทของข้อมูลที่สมบูรณ์ยิ่งขึ้นสำหรับใช้ในการตัดสินใจทางธุรกิจที่แม่นยำ โดยใช้ประโยชน์จากแหล่งข้อมูลภายนอกที่มีเพิ่มมากขึ้นผ่านการแบ่งปันข้อมูลและมาร์เก็ตเพลส

สุดท้าย

                เพิ่มคุณค่าและปรับปรุงพลังการทำนายของข้อมูลด้วยการผสมผสานแหล่งข้อมูลทั้งที่มีโครงสร้างและไม่มีโครงสร้างให้มีมิติมากขึ้น

                                                 ……………………………………………………………………………..

มร. จิม ฮาเร่ รองประธานฝ่ายวิเคราะห์ของการ์ทเนอร์ อิงค์ มีความเชี่ยวชาญในสาขาเทคโนโลยีปัญญาประดิษฐ์ (AI) วิทยาศาสตร์ข้อมูล หลักการวิเคราะห์และการใช้เทคโนโลยีต่าง ๆ เพื่อวิเคราะห์และประมวลผลข้อมูลในการทำธุรกิจ (BI) โดยจิมได้นำเสนอข้อมูลเกี่ยวกับ Small & Wide Data ในงาน Gartner Data & Analytics Summit 2021 in APAC ซึ่งจัดขึ้นเมื่อวันที่ 8-9 มิถุนายน ที่ผ่านมา