เพิ่มประสิทธิภาพให้  “บิ๊กดาต้า” ด้วยฐานข้อมูลขนาดเล็กและกว้าง โดยมร.จิมฮาเร่รองประธานฝ่ายวิเคราะห์การ์ทเนอร์อิงค์

เหตุการณ์ที่ทำให้เกิดการหยุดชะงักอาทิการระบาดครั้งใหญ่ของไวรัสโควิด-19 ส่งผลให้ข้อมูลในอดีตที่สะท้อนถึงสถานะขององค์กรต่างๆล้าสมัยอย่างรวดเร็วเนื่องจากองค์กรธุรกิจต้องเผชิญกับข้อจำกัดต่างๆในการใช้บิ๊กดาต้าที่เป็นปัจจัยสำคัญในการสร้างระบบวิเคราะห์ข้อมูลและเอไอตามแนวทางใหม่ที่เรียกว่า 'ชุดข้อมูลขนาดเล็ก' และ'ชุดข้อมูลแบบกว้าง'

ในยุคของบิ๊กดาต้านั้นประสบความสำเร็จในเรื่องของการจัดเก็บและจัดการข้อมูลแต่ยังไม่สามารถช่วยให้องค์กรธุรกิจได้รับประโยชน์จากข้อมูลดังกล่าวแต่ “ชุดข้อมูลขนาดเล็กและกว้าง” นั้นสามารถตอบโจทย์ในจุดนี้ได้

แนวทางการใช้ “ชุดข้อมูลแบบกว้าง” ช่วยให้องค์กรวิเคราะห์และทำงานร่วมกับแหล่งข้อมูลหลากหลายไม่ว่าจะเป็นจากแหล่งข้อมูลขนาดเล็กและขนาดใหญ่หรือแหล่งข้อมูลแบบไม่มีโครงสร้างและมีโครงสร้างได้ในขณะที่แนวทางการใช้ชุดข้อมูลขนาดเล็กนั้นเป็นเรื่องเกี่ยวกับการประยุกต์ใช้เทคนิคในการวิเคราะห์ที่ต้องการข้อมูลน้อยลงแต่ยังให้ประโยชน์ในเชิงลึก

โดยทั้งสองแนวทางช่วยให้การวิเคราะห์และใช้ระบบเอไอมีประสิทธิภาพมากขึ้นลดการพึ่งพาข้อมูลขนาดจำนวนมหาศาลให้แก่องค์กรและยังช่วยให้รู้เท่าทันสถานการณ์แบบเบ็ดเสร็จเรียกว่ามองได้รอบด้านแบบ360องศาโดยองค์กรสามารถนำข้อมูลมาวิเคราะห์เพื่อช่วยในการตัดสินใจที่ดีขึ้นในบริบทที่ซับซ้อนอันเกี่ยวเนื่องกับเหตุการณ์การหยุดชะงักได้เพื่อขับเคลื่อนได้อย่างรวดเร็วและตอบสนองความต้องการของลูกค้า

การ์ทเนอร์คาดว่าภายในปี2568 องค์กรต่างๆประมาณ 70% จะถูกบังคับให้โฟกัสกับการใช้ชุดข้อมูลขนาดเล็กและกว้างแทนฐานข้อมูลขนาดใหญ่ซึ่งช่วยให้วิเคราะห์บริบทของข้อมูลได้หลากหลายขึ้นและทำให้ระบบเอไอใช้ข้อมูลน้อยลง

ผู้บริหารด้านข้อมูลและการวิเคราะห์ (D&A) ต้องมองหากลยุทธ์ที่ช่วยให้องค์กรใช้ชุดข้อมูลขนาดเล็กและกว้างรวมถึงข้อมูลสังเคราะห์เพื่อขับเคลื่อนองค์กรธุรกิจไปสู่การเปลี่ยนผ่านด้วยการใช้รูปแบบการวิเคราะห์ข้อมูลเพิ่มขึ้นด้วยระบบเอไอ (AI) และแมชชีนเลิร์นนิ่ง (ML) ที่จะช่วยให้สามารถจัดการกับความท้าทายต่างๆได้อย่างมีประสิทธิภาพอาทิจัดการกับข้อมูลการฝึกอบรมที่ไม่ค่อยได้ใช้งานหรือการพัฒนาโมเดลธุรกิจที่มีประสิทธิภาพมากขึ้นโดยอาศัยข้อมูลหลากหลายและกว้างกว่าเดิม

ทำไมข้อมูลขนาดเล็กและกว้างจึงสำคัญ?

แน่นอนว่าการวิเคราะห์และใช้ระบบเอไอนั้นต้องทำงานร่วมกับข้อมูลที่สดใหม่และในขนาดของข้อมูลที่น้อยกว่าเดิมนอกจากนี้การเก็บรวบรวมข้อมูลในอดีตที่เพียงพอหรือติดป้ายกำกับไว้ใช้เฉพาะเพื่อใช้วิเคราะห์และสร้างระบบเอไอยังถือเป็นความท้าทายของหลายๆองค์กรอยู่ในวันนี้

การจัดเรียงข้อมูลคุณภาพข้อมูลการปกป้องความเป็นส่วนตัวและอคติถือเป็นความท้าทายทั่วไปถึงแม้จะมีฐานข้อมูลบิ๊กดาต้าแต่ค่าใช้จ่ายเวลาที่เสียไปและพลังงานในการใช้ระบบ ML ที่มีการควบคุมดูแลแบบเดิมก็ยังคงเป็นสิ่งที่เกิดขึ้นอยู่เสมอนอกจากนี้การตัดสินใจของมนุษย์และระบบเอไอนั้นจะมีความซับซ้อนและความต้องการมากขึ้นซึ่งต้องอาศัยข้อมูลหลากหลายเพื่อให้รับรู้สถานการณ์ได้อย่างถี่ถ้วน

เมื่อนำทุกอย่างมารวมเข้าด้วยกันนั่นหมายความว่าเราต้องการเทคนิคการวิเคราะห์ที่เพิ่มขึ้นถึงจะสามารถใช้ประโยชน์จากฐานข้อมูลที่มีอยู่เดิมได้อย่างมีประสิทธิภาพไม่ว่าจะลดปริมาณหรือเพิ่มปริมาณข้อมูลที่ต้องการใช้หรือดึงประโยชน์จากแหล่งข้อมูลที่หลากหลายและข้อมูลที่ไม่มีโครงสร้างมาใช้เพิ่ม

มีผลกระทบอะไรบ้าง?

แนวทางการใช้ “ชุดข้อมูลแบบกว้าง” ใช้หลักการวิเคราะห์ในรูปแบบสมการ X โดยที่ X หมายถึงการค้นหาความเชื่อมโยงระหว่างแหล่งข้อมูลตลอดจนหมายถึงรูปแบบข้อมูลที่หลากหลายซึ่งรูปแบบข้อมูลเหล่านี้มีตั้งแต่ข้อมูลในรูปแบบของตารางข้อความรูปภาพวิดีโอเสียงที่ได้ยินเสียงพูดอุณหภูมิหรือแม้แต่กลิ่นและการสั่นสะเทือนโดยมาจากแหล่งข้อมูลทั้งภายในและภายนอกที่มีความหลากหลายอาทิข้อมูลบนมาร์เก็ตเพลสโบรกเกอร์โซเชียลมีเดียเซ็นเซอร์ไอโอทีและฝาแฝดดิจิทัล (Digital Twins)

แนวทางการใช้ “ชุดข้อมูลขนาดเล็ก”คือการสร้างโมเดลเรียนรู้โดยใช้ข้อมูลจำนวนน้อยเช่นเทคนิคการวิเคราะห์ข้อมูลอนุกรมเวลาแทนที่จะใช้เทคนิคการเรียนรู้เชิงลึกที่อาศัยข้อมูลจำนวนมากในลักษณะรูปแบบเดียวใช้เหมือนกันทั้งหมดซึ่งยังมีเทคนิคการสร้างโมเดลเรียนรู้อื่นๆได้แก่เทคนิค Few-Shot Learning เทคนิค Synthetic Data  หรือเทคนิค Self-Supervised Learning โดยเรายังสามารถใช้ข้อมูลน้อยลงได้อีกจากการใช้เทคนิคต่างๆ เช่นการทำงานร่วมกันหรือการรวมกลุ่มการปรับตัวการเสริมกำลังและการถ่ายโอนการเรียนรู้

สำหรับการพัฒนานวัตกรรมด้วยการใช้ “ชุดข้อมูลขนาดเล็กและกว้าง”ยังรวมถึงการใช้คาดการณ์ความต้องการสินค้าในร้านค้าปลีกเรียนรู้พฤติกรรมและอารมณ์แบบเรียลไทม์กับการบริการลูกค้าเพื่อให้แบรนด์ได้เรียนรู้ศึกษาและวิเคราะห์พฤติกรรมของลูกค้าโดยละเอียดมากขึ้นในแบบ Hyper-Personalisation และช่วยการปรับปรุงประสบการณ์ของลูกค้าให้ดียิ่งขึ้น

ด้านอื่นๆได้แก่การรักษาความปลอดภัยทางกายภาพหรือการตรวจจับการฉ้อโกงและระบบอัตโนมัติที่ปรับเปลี่ยนได้เช่นหุ่นยนต์ซึ่งมีการเรียนรู้การวิเคราะห์ความสัมพันธ์ของห้วงเวลาและพื้นที่เหตุการณ์ผ่านทางประสาทสัมผัสต่างๆอยู่ตลอดเวลา

เริ่มต้นอย่างไรดี?

สำรวจแนวทางการปรับใช้ชุดข้อมูลขนาดเล็กและกว้างเพื่อลดอุปสรรคในการเข้าสู่โหมดการวิเคราะห์ขั้นสูงและเอไออันเนื่องมาจากการขาดข้อมูลที่ควรรับรู้จริงๆแทนที่จะอาศัยการเรียนรู้เชิงลึกที่พึ่งพาการใช้ข้อมูลมากเกินไป เพิ่มเครื่องมือทางเทคนิคต่างๆให้กับทีม D&A เพื่อสร้างบริบทของข้อมูลที่สมบูรณ์ยิ่งขึ้นสำหรับใช้ในการตัดสินใจทางธุรกิจที่แม่นยำโดยใช้ประโยชน์จากแหล่งข้อมูลภายนอกที่มีเพิ่มมากขึ้นผ่านการแบ่งปันข้อมูลและมาร์เก็ตเพลส

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