ทักษะทางด้านข้อมูล (Data Literacy) คือทักษะที่สำคัญสำหรับคนทำงานในยุคปัจจุบัน ซึ่งเป็นยุคที่โลกเต็มไปด้วยข้อมูล (Data) ทักษะการอ่าน (Reading literacy) คือการที่เราสามารถอ่านแล้วเข้าใจสามารถแปลมาเป็น Information ได้ ทักษะทางด้านข้อมูลก็เช่นกันหมายถึงเราสามารถอ่านข้อมูลเช่นตัวเลข กราฟ Dashboard ต่างๆ แล้วเข้าใจสามารถแปลมาเป็น Information ได้ รวมถึงมีทักษะในการที่จะโต้แย้งกับข้อมูลได้

ทักษะทางด้านข้อมูลมีหลักสำคัญอยู่ 4 ด้านคือ

• 1) Reading: มีความสามารถในการอ่านข้อมูลและเข้าใจความหมาย
• 2) Working: มีความสามารถในการทำงานกับข้อมูล คือมีความคุ้นเคยและรู้สึกเป็นเรื่องปกติในการเห็นข้อมูล การดูกราฟ ดูตัวเลข และเข้าใจได้ว่าข้อมูลนั้นถูกต้องหรือไม่
• 3) Analysing: มีความสามารถในการวิเคราะห์ข้อมูล กล่าวคือรู้จักการตั้งคำถามเกี่ยวข้องกับข้อมูล ว่าเพราะอะไร ทำไม และสามารถเจาะลึกในข้อมูลได้ (Insight)
• 4) Arguing: มีความสามารถในการโต้แย้งกับข้อมูล ที่นำเสนอมาได้

ซึ่งส่วนหนึ่งมันก็คือการคิดโดยใช้ข้อมูล (Think in Data) และต้องมีทักษะเชิงคิดวิเคราะห์ในหลายๆด้าน อาทิเช่น 1) ต้องแยกแยะให้ได้ว่าข้อมูลที่มีมาน่าเชื่อถือไหม ดูได้ว่าตัวเลขต่างๆที่ได้มามีประโยชน์หรือไม่ บางครั้งตัวเลขก็อาจผิดได้ถ้าแหล่งข้อมูลไม่ถูกต้องหรือขาดความแม่นยำ 2) ต้องรู้วิธีการรวบรวมข้อมูล ต้องรู้หลักสถิติ บางครั้งกราฟที่แสดงออกมาสามารถที่จะทำให้เราเข้าใจผิดได้ ถ้าเราไม่เข้าใจหลักการที่ถูกต้อง 3) ต้องมีทักษะในการนำเสนอข้อมูลในเรื้องทีซับซ้อนได้ โดยต้องไม่ทำให้ผู้อ่านข้อมูลเข้าใจผิด และ 4) ต้องรู้จักการใช้ข้อมูลให้ครอบคลุมไปทุกส่วนรวมถึงข้อมูลที่อาจขาดหายไป

วันนี้เราอยู่ในสังคม Click Like Share หลายคนอ่านข้อมูล ดูข้อมูล แล้วก็ไม่ได้ใช้ทักษะทางด้านข้อมูล แชร์ต่อทันที และเชื่อโดยขาดการวิเคราะห์ ยิ่งในสังคมที่มีข้อมูลมหาศาล และเราบอกกันว่า Data is new oil ทักษะทางด้านข้อมูลจึงจำเป็นอย่างยิ่งกับการทำงานในปัจจุบัน

ธนชาติ นุ่มนนท์

IMC Institute

ทำไมทำโครงการ Big Data หรือมีข้อมูลต่างๆแล้วไม่มีใครใช้ เป็นปัญหาปกติที่หลายๆองค์กรมักจะเจอ เช่นทำ Dashboard เสร็จมีข้อมูลต่างๆมากมาย แต่ไม่มีใครใส่ใจ ผู้บริหารเองก็ไม่สนใจจะเอามาใช้ในการตัดสินใจ

ส่วนหนึ่งมาจากวัฒนธรรมองค์กรที่เรามักจะตัดสินใจจากประสบการณ์ จากความเชื่อมั่นของคนทำงาน เราไม่ได้ถูกฝึกให้มีทักษะการใช้ข้อมูลในการตัดสินใจ ผมพบว่าคนที่ตัดสินใจโดยใช้ข้อมูลส่วนใหญ่เพราะถูกฝึกมาตั้งแต่เล็ก ให้ดูตัวเลข เห็นข้อมูลต่างๆ เชื่อมั่นในสถิติเข้าใจกราฟข้อมูลต่างๆ มากกว่าที่จะแค่ใช้ความเชื่อ ความสัมพันธ์ส่วนตัว ประสบการณ์มาตัดสินใจ องค์กรที่จะก้าวไปสู่การเป็น Data-driven organisation จำเป็นต้องสร้างทักษะให้บุคลากรทุกระดับมีทักษะในด้านข้อมูลเสียก่อน

มันมีความแตกต่างระหว่าง Data Informed organisation และ Data Driven organisation องค์กรที่เป็น data inform ก็จะให้ทีมงานเตรียมตัวเลข Dashboard มาให้กับผู้บริหาร มีการกำหนด KPI ต่างๆที่เป็นตัวเลขในการชี้วัด ทุกเดือนทุกไตรมาส ก็จะมีการนำตัวเลขเหล่านั้นมารายงาน แต่องค์กรที่เป็น Data driven จะมีการใช้ข้อมูลก้าวหน้าไปอีกขั้นหนึ่ง มีการใช้วิทยาศาสตร์ข้อมูลมากำหนดทิศทางและอนาคตขององค์กรจากข้อมูล อาจตัดสินใจทำเรื่องใหม่ๆ อาจปรับเปลี่ยนนโยบายจากการพยากรณ์ที่ได้จากข้อมูล

การจะก้าวสู่ Data driven organisation ได้ เราจะต้องมีความเชื่อในเรื่องการใช้ข้อมูล ต้องเชื่อมั่นในสถิติและการพยากรณ์อนาคตโดยข้อมูล ตามหลักของวิทยาศาสตร์ข้อมูล วันก่อนผมได้ดูหนัง Moneyball ที่นำแสดงโดย Brad Pitt ที่สร้างจากเรื่องจริงและรับบทเป็นผู้จัดการทีมเบสบอล Oakland Athletics ที่กำลังประสบปัญหามีนักกีฬาเด่นๆย้ายออกไปจากทีม และต้องเตรียมสำหรับฤดูกาลใหม่ในปี 2002 ด้วยงบประมาณที่จำกัด พระเอกไปเจอกับ Peter Brand เด็กหนุ่มอายุเพียง 25 ปีที่จบสาขาเศรษฐศาสตร์จาก Yale ไม่ใช่นักเบสบอล ไม่ใช่ผู้เชี่ยวชาญด้านเบสบอลในสนาม แต่เขาใช้หลักสถิติมาวิเคราะห์ข้อมูลนักเบสบอลและเลือกที่จะแนะนำให้ พระเอกไปเลือกซื้อนักเบสบอลที่ไม่มีขื่อเสียงนัก โดยพยากรณ์ว่าการรวบรวมคนเหล่านี้มาจะสามารถสร้างทีมที่เก่งได้ จากการนำความเก่งเฉพาะด้านของแต่ละคนที่คำนวณจากสถิติมาใช้งาน

เพื่อนร่วมงานของพระเอกหลายๆคนไม่ยอมเชื่อเรื่องข้อมูลและต่อต้านความคิดนี้ เพราะเชื่อในประสบการณ์การทำทีมเบสบอลมากกว่าสถิติหรือตัวเลขต่างๆ ทำให้พระเอกต้องปลดคนหลายๆคนออกจากทีมไป รวมถึงนักเบสบอลเก่งๆบางคน ช่วงแรกๆทีมยังไม้ประสบความสำเร็จมากนัก ซึ่งทาง Peter Brand พยายามอธิบายว่ามีตัวอย่างข้อมูลน้อยไป แต่สุดท้ายเขาก็ได้แสดงให้เห็นว่าการใช้สถิติข้อมูลเขานี้เป็นเรื่องที่ถูกต้องและทำให้ Oakland Athletics สร้างสถิติใหม่ชนะ 20 นัดติดต่อกัน แม้ทีมเขาจะไม่ได้แชมป์ แต่ก็ได้พิสูจน์ให้เห็นเรื่องของการใช้ข้อมูล ซึ่งหลังจากนั้นทีมต่างๆก็ต้องมาเลียนแบบใช้วิธีการเดียวกันในปัจจุบัน โดยใช้วิทยาศาสตร์ข้อมูลเพื่อการกีฬา

ผมอยากแนะนำให้ เราดูหนังเรื่องนี้กันและให้คนในองค์กรดู การจะผลักดันให้เกิด Data driven organisation ได้ ที่สำคัญสุดคือการสร้างวัฒนธรรมในองค์กร และต้อง Believe in data

ธนชาติ นุ่มนนท์

IMC Institute

บทความในหนังสือพิมพ์กรุงเทพธุรกิจ วันที่ 29 มกราคม 2564

เมื่อหลายปีก่อนในนิตยสาร Harvard Business Review มีบทความ ระบุว่า อาชีพนักวิทยาศาสตร์ข้อมูล คือ ตำแหน่งงานที่มีเสน่ห์ที่สุดในศตวรรษที่ 21 (Data Scientist: The Sexiest Job of the 21st Century) และข้อมูลความต้องการตำแหน่งงานจากแหล่งต่างๆ ชี้ว่า งานด้านนักวิทยาศาสตร์ข้อมูลเป็นที่ต้องการอยู่ในอันดับต้นๆ ของโลกและมีอัตราเงินเดือนค่อนข้างสูง แต่กลับหาบุคลากรที่มีทักษะทางนี้ได้ยาก

ข้อมูล กลายเป็นสินทรัพย์ที่มีคุณค่ามากปัจจุบัน องค์กรต่างๆ จึงต้องการหาบุคลากรมาทำงานที่เกี่ยวกับการบริหารจัดการและวิเคราะห์ข้อมูลมากขึ้น จะเห็นได้ว่าตำแหน่งที่เกี่ยวข้องกับการจัดการข้อมูลสำคัญมากขึ้น ซึ่งนอกเหนือจากงานด้านนักวิทยาศาสตร์ข้อมูล ยังมีตำแหน่งงานนักวิเคราะห์ข้อมูล (Data Analyst) วิศวกรข้อมูล (Data Engineer) ที่ทำหน้าที่พัฒนาโปรแกรมและระบบไอทีในการจัดการข้อมูลด้วย

ล่าสุด บริษัทอเด็คโก้ ประเทศไทย ทำรายงานคู่มือฐานเงินเดือนปี 2564 รวบรวมอัตราเงินเดือนพนักงานออฟฟิศจากฐานข้อมูลการจ้างงานผ่านบริษัทปีที่ผ่านมา และพบว่ากลุ่มอาชีพที่ได้รับเงินเดือนสูงสุดสำหรับนักศึกษาจบใหม่ปีนี้ ได้แก่ นักวิทยาศาสตร์ข้อมูล และวิศวกรข้อมูล มีอัตราเงินเดือนอยู่ที่ 30,000 – 50,000 บาท จึงไม่แปลกใจที่คนรุ่นใหม่จำนวนมากสนใจอาชีพนี้ และสถาบันการศึกษาหลายแห่งเปิดสอนสาขาวิทยาศาสตร์ข้อมูลระดับปริญญาตรีกันมากขึ้น

งานด้านวิทยาศาสตร์ข้อมูลเป็นเรื่องใหม่ หลายคนหรือหลายองค์กรอาจสับสนกับบทบาทหน้าที่นักวิทยาศาสตร์ข้อมูล เพราะงานด้านจัดการข้อมูลมีหลายเรื่อง ตั้งแต่บริหารจัดการข้อมูล นำข้อมูลมาแสดงผล วิเคราะห์ข้อมูล รวมถึงพยากรณ์ข้อมูล งานบางด้านใช้ทักษะด้านไอทีตั้งแต่ จัดการระบบซอฟต์แวร์และฮาร์ดแวร์ งานบางด้านต้องมีทักษะเขียนโปรแกรม งานบางด้านต้องมีทักษะสร้าง Dashboard แสดงผลข้อมูลออกมาให้สวยงาม เข้าใจง่าย งานบางด้านต้องมีความรู้ทางด้านสถิติและคณิตศาสตร์อย่างดี และงานบางด้านต้องมีความรู้เชิงธุรกิจ ดังนั้นจึงมีการแบ่งอาชีพทางด้านการจัดการข้อมูลออกมาเป็นหลายอาชีพ และงานหลายด้านก็อาจไม่ต้องการนักวิทยาศาสตร์ข้อมูลด้วยซ้ำไป

หลายคนสนใจทำงานด้านวิทยาศาสตร์ข้อมูล แต่ไปเรียนเครื่องมือด้านไอที สนใจเรื่อง Big Data และเรียนรู้เทคโนโลยีต่างๆ เช่น Hadoop หรือให้ความสนใจกับการพัฒนาโปรแกรมภาษาต่างๆ เช่น R, Python รวมถึงใช้เครื่องมือสร้าง Dashboard สุดท้ายเมื่อทำงานด้านนี้ อาจไปทำงานเกี่ยวกับข้อมูลด้านอื่นมากกว่า เช่น เป็นวิศวกรข้อมูลทำหน้าที่พัฒนาโปรแกรมจัดการข้อมูล หรือเป็นนักวิเคราะห์ข้อมูลแสดง Dashboard เป็นต้น

ทักษะการเป็นนักวิทยาศาสตร์ข้อมูลที่ดีเป็นเรื่องยาก และต้องมีองค์ประกอบหลายด้าน โดยเฉพาะต้องเก่งคณิตศาสตร์และสถิติ นักวิทยาศาสตร์ข้อมูลต้องเข้าใจสถิติลึกซึ้ง สำคัญกว่าใช้เครื่องมือหรือการพัฒนาโปรแกรม ต้องศึกษาวิชาคณิตศาสตร์หลายวิชา เพราะทฤษฎีทำวิทยาศาสตร์ข้อมูลมีพื้นฐานจากวิชาคณิตศาสตร์

สาขาวิทยาศาสตร์ข้อมูลไม่ใช่เริ่มต้นแค่ใช้เครื่องมือหรือพัฒนาโปรแกรม ในอาชีพนี้อาจไม่จำเป็นต้องเริ่มต้นจากนักไอทีด้วย โดยอาจแฝงอยู่ในทุกสาขาวิชาชีพที่สนใจคณิตศาสตร์ และสถิติ คนที่จะเป็นนักวิทยาศาสตร์ข้อมูลที่ดี ต้องรู้จักตั้งคำถามในทุกเรื่อง ต้องสนใจเล่นกับข้อมูล ซึ่งคำถามอาจมีตั้งแต่ “เราจะพยากรณ์ได้หรือไม่ว่าจำนวนยอดคนติดโควิดในไทยรอบใหม่มีสูงสุดเท่าไร” ไปจนถึง “ทีมแมนเชสเตอร์ยูไนเต็ดฤดูกาลที่ผ่านมายิงเฉลี่ยนัดละกี่ประตู”

ผมจำได้ว่าสมัยผมเด็กๆ อยู่ชั้นประถมต้นผมชอบเล่นกับข้อมูล บางวันไปนั่งจดทะเบียนรถและนับจำนวนรถที่หน้าบ้าน ชอบดูสถิติและตารางผลกีฬาและนำมาเปรียบเทียบ และเมื่อเรียนสูงขึ้นก็ชอบวิชาสถิติ ทักษะเหล่านี้จำเป็นสำหรับนักวิทยาศาสตร์ข้อมูล เพราะหากเราไม่รู้จักการตั้งคำถามไม่รู้จักสังเกตข้อมูลต่างๆ ก็ยากที่จะทราบได้ว่าเราจะนำข้อมูลมาใช้เรื่องใด

อีกทักษะที่จำเป็นของนักวิทยาศาสตร์ข้อมูล คือ ความเข้าใจธุรกิจด้านนั้นๆ เช่น ทำทางด้านเงิน ต้องมีความรู้พื้นฐานเศรษฐศาสตร์ ด้านการแพทย์ควรมีความรู้สาธารณสุข จะเห็นว่าการมีความรู้เหล่านั้นอาจไม่ใช่เรื่องง่าย และจำเป็นต้องมีประสบการณ์ในการทำงานมาหลายปี หรือต้องจบการศึกษาด้านอื่นมาด้วย

ดังนั้นแม้อาชีพนักวิทยาศาสตร์ข้อมูลจะเป็นอาชีพน่าสนใจ แต่เส้นทางสู่อาชีพนี้ไม่ใช่เรื่องง่าย ต้องมีทักษะหลายด้าน และต้องอาศัยประสบการณ์ทำงานพอสมควร ทุกคนพัฒนาตัวเองสู่สายงานอาชีพนี้ได้ หากได้เรียนรู้พื้นฐานด้านวิทยาศาสตร์ข้อมูลเพิ่มเติม

ใช่ครับทุกคนสามารถพัฒนาทักษะตัวเองให้เป็นนักวิทยาศาสตร์ข้อมูลได้ แต่ต้องมีพื้นฐานคณิตศาสตร์ที่ดี และรู้จักที่จะตั้งคำถามจากตัวเลขที่พบเห็น

ธนชาติ นุ่มนนท์

IMC Institute

ผมเริ่มจับเรื่องของเอไอ (ปัญญาประดิษฐ์) ครั้งแรกเมื่อสามสิบกว่าก่อน จริงๆตอนนั้นก็ไม่ทราบหรอกครับว่าทำเรื่องเอไอหรือไม่ แต่ใช้อัลกอริทึมมาพยากรณ์ข้อมูลการผลิตไฟฟ้าในอนาคตโดยทำเรื่องของ Genetic Algorithm สมัยนั้นการพัฒนาเอไอเป็นเรื่องยาก ต้องเข้าใจเรื่องของคณิตศาสตร์ ต้องสามารถเขียนโปรแกรมได้ เข้าใจโจทย์ที่ต้องทำเป็นอย่างดี และสำคัญคือต้องมีทรัพยากรคอมพิวเตอร์ขนาดใหญ่

การพัฒนาด้านเอไอในช่วงแรกเป็นไปอย่างค่อยเป็นค่อยไป จนกระทั่งเมื่อ 3-4 ปีที่ผ่านมา เอไอเริ่มเข้ามาอยู่ในชีวิตประจำวันของผู้คนมากขึ้นจนกลายเป็น New Normal อาทิเช่น คนใช้ Faical Recognition ในการเปิดมือถือหรือจ่ายเงิน เจอระบบ Recommendation ในการแนะนำสินค้าหรือภาพยนตร์ ใช้ Google Map ในการคาดการณ์เส้นทางและระยะเวลาในการเดินทาง

ผู้คนสนใจในเรื่องของเอไอมากขึ้น จากศาสตร์ที่เป็นเรื่องของนักวิทยาศาสตร์หรือนักไอทีก็กลายเป็นเรื่องของคนทุกคน คนจำนวนมากอยากมีความเข้าใจเรื่องเอไอให้ความสนใจเรื่องของหุ่นยนต์ ระบบอัตโนมัติต่างๆ รวมถึงการทำวิทยาศาสตร์ข้อมูล เริ่มมีการพูดถึงทักษะการทำงานที่จะเปลี่ยนไปโดยในอนาคตจะมีระบบเอไอเข้ามาช่วยในการทำงานมากขึ้น หรืองานบางอย่างอาจถูกทดแทนด้วยระบบอัตโนมัติ ดังนั้นคนทุกคนควรจะเข้าใจเรื่องเอไอเพื่อทีจะได้เตรียมความพร้อมในการทำงานและการใช้ชีวิตประจำวันที่ต้องอยู่กับระบบเอไอที่กำลังเข้ามามากขึ้นเรื่อยๆ

ด้านการพัฒนาระบบเอไอก็มีการเรียนการสอนมากขึ้น บ้างก็สอนเขียนโปรแกรม บ้างก็สอนการพัฒนาโมเดล บ้างก็สอนการใช้ข้อมูล มีสาขาใหม่เกิดขึ้นมากมายทางด้านเอไอหาวิทยาลัย ทั้งหลักสูตรระดับปริญญาและหลักสูตรระยะสั้น

บางคนยังมองว่าการพัฒนาเอไอเป็นเรื่องยากต้องเขียนโปรแกรมเมื่อในยุคเดิม ซึ่งแท้จริงแล้วการพัฒนาโมเดลเอไอในวันนี้เป็นเรื่องง่ายนิดเดียว มีเครื่องมือแบบอัตโนมัติเช่น AutoML ที่ใช้เอไอมาพัฒนาโมเดลเอไอโดยไม่ต้องเขียนโค้ด และโจทย์ยากๆที่มีข้อมูลขนาดใหญ่ก็สามารถทำได้โดยใช้ระบบบนคลาวด์ ทำให้ในปัจจุบันใครๆก็พัฒนาเอไอได้

ดังนั้นเพื่อเตรียมเข้าสู่อุตสาหกรรม 4.0 ที่กลายเป็นโลกของเอไอ เราจำเป็นต้องเร่งพัฒนาคนทุกคนเพื่อให้เข้าใจและสามารถพัฒนาระบบเอไอได้ โดยเราอาจแบ่งการพัฒนาคนออกเป็น 4 กลุ่มดังนี้

• กลุ่มประชาชนทั่วไป ควรจะต้องสอนหลักสูตรเอไอสำหรับคนทุกคน ให้เข้าใจถึงเรื่องของเอไอ การนำระบบเอไอไปใช้ในชีวิตประจำวัน ผลกระทบของเอไอต่อการเปลี่ยนแปลงของโลก ควรมีหลักสูตรเอไอเบื้องต้นให้กับนักเรียนทุกคนตั้งแต่ชั้นประถม คนทำงานจำเป็นต้องเข้าใจการนำระบบเอไอเพื่อมาเพิ่มประสิทธิภาพในการทำงาน และผู้บริหารจำเป็นต้องเข้าใจการวางแผนกลยุทธ์ขององค์กรที่จะนำเอไอมาประยุกต์ใช้
• คนทำงานทั่วไปสำหรับพัฒนาระบบเอไอ กลุ่มผู้ประกอบอาชีพต่างๆ ที่มีความเข้าใจศาสตร์ในแต่ละด้านของตัวเองจำเป็นจะต้องศึกษาการพัฒนาระบบเอไอเอง ทั้งนี้เนื่องเครื่องมือจะง่ายขึ้นเรื่อยๆ ต่อไปคนทำงานที่มี domain expert ด้านนั่นๆสามารถทำได้เอง อาทิเช่น หมอสามารถพัฒนาระบบเอไอด้านการแพทย์ นักกฎหมายก็สามารถพัฒนาระบบ NLP เรื่องข้อกฎหมาย นักเศรษฐศาสต์สามารถพัฒนาระบบเอไอเพื่อพยากรณ์ข้อมูลเศษฐกิจเป็นต้น กลุ่มคนทำงานเหล่านี้จะเป็น Citizen Data Scientist และ Citizen AI Developer ที่เป็นกำลังพัฒนาประเทศในอนาคต
• กลุ่มนักพัฒนาไอทีและวิศวกร กลุ่มคนเหล่านี้อาจช่วยในการพัฒนาซอฟต์แวร์ และระบบไอทีเพื่อใช้ในการพัฒนาเอไอ เช่นการพัฒนาระบบหุ่นยนต์ ระบบซอฟต์แวร์อัตโนมัติต่างๆ ซึ่งอาจมีความเชี่ยวชาญในการเขียนโปรแกรมต่างๆเช่นการใช้ Library ต่างๆเช่นการเขียน TensorFlow ซึ่งจริงๆแล้วคนกลุ่มนี้หากขาดความรู้ทางคณิตศาสตร์ที่ดีพอก็อาจไม่สามารถสู้คนทำงานทั่วไปที่มี domain expert ไดเ เพราะต่อไปเครื่องมือในการพัฒนาเอไอจะง่ายขึ้นมากเหมือนที่เราใช้โปรแกรมออฟฟิศทุกวันนี้ ดังนั้นการที่เราเอาคนที่เข้าใจอุตสาหกรรมมาทำระบบเอไอย่อมจะดีกว่าเอานักไอทีที่เป็นเพียงแค่เขียนหรือใช้โปรแกรมได้มาพัฒนาระบบเดียวกันถ้าคนนั้นไม่เข้าใจทฤษฎีหรือคณิตศาสตร์ของเอไอ
• ผู้เชี่ยวชาญด้านเอไอ การทำโมเดลเอไอที่ซับซ้อน หรือการศึกษาทฤษฎีเอไอยังมีความจำเป็นอยู่ แต่ต้องมีความเข้าใจคณิตศาสตร์และทฤษฎีด้านเอไอที่ดีครับ ไม่ใช่แค่มาเขียนโปรแกรมแบบเดิม ดังนั้นการสอนวิทยาศาสตร์ข้อมูล (Data science) และ เอไอ ต้องเน้นการเรียนคณิตศาสตร์ และอาจต้องส่งเสริมให้มีการวิจัยระดับสูง เพราะในอนาคตเราต้องการคนที่มีความรู้ทฤษฎีเหล่านั้นอย่างลึกซึ้ง ประเทศไทยถึงจะแข่งขันได้

ดังนั้นเพื่อให้ประเทศเราแข่งขันได้ เราจำเป็นจะต้องเอาหลักสูตรเอไอเข้ามาใส่ในการศึกษาทุกระดับ ทุกคณะและทุกสาขาวิชาควรมีการสอนการพัฒนาเอไอ ส่วนหลักสูตรที่เป็นด้านเอไอหรือวิทยาศาสตร์ข้อมูลจะต้องเร่งพัฒนาผู้เชี่ยวชาญจริงๆ ต้องเน้นวิชาด้านคณิตศาสตร์มากๆแม้แต่ในระดับปริญญาตรีก็ควรที่จะต้องเรียนคณิตศาสตร์เป็น 10 วิชา ถ้าหลักสูตรเรียนเพียงเพื่อเขียนโปรแกรมหรือใช้เครื่องมือในการพัฒนาระบบเอไอหรือวิเคราะห์ข้อมูล ก็ควรที่จะมุ่งพัฒนา Citizen Data Scientist และ Citizen AI Developer มากกว่า

ธนชาติ นุ่มนนท์

IMC Institute

————–

---

หมายเหตุ

ทั้งนี้ทางสถาบันไอเอ็มซี จะจัดงาน Free Webinar #31: “AI in Practice: The Series (4 EPs)”
AI ในปัจจุบันเป็นเรื่องง่ายขึ้น ใครๆก็ทำได้ ร่วมรับฟังการบรรยายผ่านระบบ Zoom และรับชมการสาธิตการใช้โปรแกรมจริง

👨‍🏫บรรยายโดย: รศ.ดร.ธนชาติ นุ่มนนท์
ผู้อำนวยการสถาบันไอเอ็มซี

🎯ทุกวันพุธ เวลา 19:30-21:30 น. เริ่มวันพุธที่ 25 พ.ย. 2563
🔗สามารถลงทะเบียนเข้าร่วมแต่ละ EP ได้ตาม Link ด้านล่างนี้👇
EP #1 : https://tinyurl.com/y3peswuk
EP #2 : https://tinyurl.com/y6xuy4kr
EP #3 : https://tinyurl.com/y2pmmzjc
EP #4 : https://tinyurl.com/y6gl76ze

ดูรายละเอียดเพิ่มเติม 👉 https://bit.ly/3pnzWja
📣ฟรี! ไม่เสียค่าใช้จ่าย เข้ารับฟังผ่านระบบ Zoom

สอบถามข้อมูลเพิ่มเติม

📞 โทร : 02-233-4732, 088-192-7975
📧 อีเมล : contact@imcinstitute.com
🖥 หรือ Inbox เข้ามาได้ที่เพจ IMC Institute

หลายคนอาจสงสัยว่าเราจะต้องวางแผนแนวทางด้านเทคโนโลยีขององค์กรเราอย่างไร เพื่อให้สอดคล้องกับ Strategic Technology Trends 2021 ของ Gartner ที่ประกาศออกมาเมื่อเร็วๆนี้ โดยได้ระบุถึงเทคโนโลยีต่างๆ 9  ด้านคือ

• Internet of Behaviours 
• Total experience
• Privacy-enhancing computation
• Distributed cloud 
• Anywhere operation
• Cybersecurity mesh
• Intelligent composable business
• AI engineering
• Hyperautomation

(ดูรายละเอียดเพิ่มเติมได้จากบทความ Gartner Strategic Technology Trends 2021 พูดถึงเรื่องอะไรบ้าง)

แนวโน้มเทคโนโลยีเหล่านี้ส่วนหนึ่งเป็นผลที่มาจากการเกิดวิกฤติโควิดที่ทำให้เกิดเรื่องของการสร้างระยะห่างทางสังคม สังคมเข้าสู่เทคโนโลยีดิจิทัลมากขึ้น และการเกิด Digital disruption มาเร็วขึ้น ทำให้การใช้ชีวิตส่วนตัวและทำงานเป็นแบบรีโมทมากขึ้น ธุรกิจจะต้องมีความคล่องตัวและปรับเปลี่ยนได้อย่างรวดเร็ว และมีความจำเป็นจะต้องทำการวิเคราะห์ข้อมูลและนำเรื่องปัญญาประดิษฐ์ (เอไอ)มาใช่ในองค์กรมากขึ้น

จาก Gartner ทำให้ผู้บริหารองค์กรต้องคำนึงถึงกลยุทธ์ดิจิทัลอยู่หลายด้านอาทิเช่น

• การออกแบบสถาปัตยกรรมไอทีแบบกระจาย (Distributed architecture)
• กำหนดกลยุทธ์ในการเก็บและวิเคราะห์ข้อมูลพฤติกรรมลูกค้า
• การตั้งทีมงานด้านเอไอแภายในองค์กร
• กลยุทธ์ด้านเทคโนโลยีที่จะให้บริการลูกค้าและปรับวิธีการทำงานของพนักงานเป็นแบบที่ใดก็ได้ (location independent)

กลยุทธ์สถาปัตยกรรมไอทีแบบกระจาย

เพื่อให้เราสามารถปรับเปลี่ยนบริการไอทีและดิจิทัลให้รวดเร็วและมีความคล่องตัว ระบบไอทีในองค์กรคงต้องใช้บริการของ public cloud มากขึ้น และอาจต้องเน้นใช้บริการของผู้ให้ที่มี Distributed cloud ขณะเดียวกันการออกแบบระบบไอทีก็จะต้องเน้นเป็น Microservices ที่เป็นmodularity มากขึ้น เพื่อที่จะประกอบแอปพลิเคชั่นหรือบริการใหม่ได้อย่างรวดเร็วให้สอดคล้องกับแนวโน้มในเรื่องของ Intelligent composable business นอกจากนี้ในแง่ของการออกแบบระบบความปลอดภัยคงต้องเน้นว่า การใช้บริการไอทีอาจมาจากภายนอกองค์กรมากขึ้น ดังนั้นรัศมีการควบคุมก็อาจถูกกำหนดตามแนวโน้มของ Cybersecurity mesh

กลยุทธ์ด้าน Big Data

องค์กรจำเป็นจะต้องมีกลยุทธ์ในการเก็บข้อมูลลูกค้าให้มากที่สุดเท่าที่ทำได้ โดยเฉพาะเรื่องของพฤติกรรมลูกค้า ซึ่งอาจต้องมีการติดตั้งระบบเซ็นเซอร์ เก็บข้อมูล CRM หรือโซเชียลมีเดีย เพื่อให้ได้มาซึ่ง Internet of  Behaviours ของลูกค้า จากนั้นต้องมั่นใจว่าการนำข้อมูลต่างไปประมวลผลมีความเป็นส่วนตัวที่เข้ารหัส และกระจายไปพันธมิตรที่เกี่ยวข้องโดยเป็นไปตามแนวโน้มด้าน Privacy-enhancing computation ซึ่งการวิเคระห์ข้อมูลเหล่านี้จะนำมาซึ่งประสบการณ์โดยรวม (Total experience) ที่ดีขึ้นสำหรับทุกฝ่าย

กลยุทธ์ด้านเอไอ

องค์กรจะต้องมีการกำหนดกลยุทธ์ทางด้านเอไอ บริการและผลิตภัณฑ์ขององค์กรจะต้องมีระบบเอไอฝังอยู่ กระบวนการทำงานต่างขององค์กรจะต้องถูกปรับให้เป็นแบบอัตโนมัติในลักษณะที่สามารถทำงานเชื่อมโยงกันในแต่ละระบบได้ เพื่อให้สอดคล้องกับแนวโน้มด้าน Hyperautomation และการพัฒนาระบบไอทีจะต้องมีแนวปฎิบัติเรื่องของ AI engineering ตั้งแต่การทำ DevOp

กลยุทธ์การให้บริการลูกค้า

องค์กรต้องออกแบบแอปพลิเคชั่นทั้งทางด้านการให้บริการลูกค้า การทำงานของพนักงานให้เป็นแบบ Anywhere Anydevice และ Anytime เพื่อให้สอดคล้องกับแนวโน้มของสังคมที่เปลี่ยนไปสู่ Anywhere operation และต้องเน้นการนำเอไอและการวิเคราะห์ข้อมูลมาใช้เพื่อให้เกิด Total experience ด้วย

ทั้งหมดนี้คือสิ่งที่อยากจะแนะนำให้ผู้บริหารวางแผนในการปรับตัวสู่การทำ Digital transformation ที่สอดคล้องกับแนวโน้มของ Gartner

ธนชาติ นุ่มนนท์

IMC Institute

Gartner ได้ประกาศ Strategic Technology Trends 2021 ออกมาเมื่อเร็วๆนี้ ทั้งนี้ในปีนี้ได้เห็นการเปลี่ยนแปลงในหลายๆด้านเนื่องจากสถานการณ์โควิด-19 ที่ทำให้สังคมโลกเปลี่ยนแปลงไป ทั้งในแง่ของวิธีการทำงานและการใช้ชีวิตของผู้คนจากการที่จะต้องสร้างระยะห่างทางสังคม (Social distancing) และน่าจะมีผลต่อเนื่องในระยะยาวที่จะทำให้พฤติกรรมของผู้คนเปลี่ยนแปลง จึงทำให้ Gartnerแบ่งแนวโน้มด้านเทคโนโลยีปีนี้ไว้เป็นสามกลุ่มคือ

• ด้าน People centricity ซึ่งถึงแม้ว่าโควิด-19 จะทำให้การทำงานและการใช้ชีวิตประจำวันของผู้คนเปลี่ยนแปลงไป แต่คนก็ยังเป็นศูนย์กลางของธุรกิจที่จำเป็นจะต้องทำให้กระบวนการทำงานต่างๆถูกแปลงเข้าสู่ระบบดิจิทัลอย่างเต็มรูปแบบ
• ด้าน Location independence โควิด-19 ทำให้เกิดสังคมที่ไม่ขึ้นอยู่กับสถานที่แบบเดิม ทำงาน เรียนหรือใช้ชีวิตประจำวันที่ไหนก็ได้ จึงจำเป็นจะต้องมีเทคโนโลยีที่จะมาสนับสนุนพฤติกรรมรูปแบบใหม่ๆ
• ด้าน Resilient delivery วิกฤติโควิด-19และการถดถอยทางเศรษฐกิจ ทำให้ธุรกิจจำเป็นที่จะต้องปรับตัวและมีความคล่องตัว จึงต้องมีการเตรียมเทคโนโลยีที่สามารถมารองรับการเปลี่ยนแปลงที่จะเกิดขึ้นจากกระแส Digital disruption

ทั้งนี้ในปีนี้ Gartner ประกาศแนวโน้มเทคโนโลยีออกมาเพียง 9 อย่าง ซึ่งแตกต่างจากปีก่อนๆที่ปกติจะมี 10 อย่าง โดยมีเทคโนโลยีดังนี้

ด้าน People centricity

• Internet of Behaviours เทคโนโลยีดิจิทัลทำให้สามารถเก็บข้อมูลของผู้คนได้มากขึ้น ทั้งข้อมูลของลูกค้าในเชิงธุรกิจและข้อมูลของประชาชนสำหรับภาครัฐ ซึ่งข้อมูลเหล่านี้อาจมาจากโซเชียลมีเดีย Internet of things หรือมือถือ ทำให้สามารถเข้าใจพฤติกรรมผู้คนได้มากขึ้น และอาจนำมาใช้งานในด้านต่างๆได้ดีขึ้นทั้งเรื่องของการให้บริการลูกค้า หรือการควบคุมการเกิดโรคระบาด เช่นการตรวจสอบว่ามีการใส่หน้ากากหรือไม่จากกล้องอัจฉริยะ หรือได้ล้างมือหรือยังจากระบบเซ็นเซอร์ของก็อกน้ำ ตลอดจนการมีระบบติดตามผู้คนทำให้ทราบพฤติกรรมของผู้คนได้มากขึ้น
• Total experience คือการรวบรวมประสบการณ์ที่หลากหลายทั้งจาก ประสบการณ์ของลูกค้า (customer experience) ประสบการณ์ของพนักงาน (employee experience) และประสบการณ์ของผู้ใช้ (user experience) มาเพื่อเปลี่ยนแปลงให้ได้ผลลัพธ์ทางธุรกิจที่ดีขึ้น ตัวอย่างเช่นในช่วงโควิด-19 มีบริษัทด้านโทรคมนาคมแห่งหนึ่งได้ติดตั้งระบบนัดหมายผ่านโมบายแอป และเมื่อลูกค้ามาตามเวลานัดหมายพอใกล้ถึงสถานที่ก็จะสามารถเช็คอินได้อัตโนมัติ และสังข้อความไปแจ้งพนักงานที่อาจใช้แทปเล็ตเพื่อให้บริการและโต้ตอบกับลูกค้าแบบทันทีทันใด ซึ่งจะช่วยลดเรื่อง Social distancing และทำให้ประสบการณ์ของลูกค้าและพนักงานโดยรวมดีขึ้น
• Privacy-enhancing computation คือการใช้เทคโนโลยีเพื่อจะประมวลผลข้อมูลได้อย่างปลอดภัย โดยประกอบไปด้วยเทคโนโลยีสามด้านคือ 1) การทำระบบและสภาพแวดล้อมที่สามารถประมวลและวิเคราะห์ข้อมูลได้อย่างปลอดภัย 2) การทำให้สามารถประมวลผลและวิเคราะห์ข้อมูลแบบกระจายไปหลายที่ได้ และ 3) การเข้ารหัสข้อมูลและอัลกอริทึมก่อนที่นำไปประมวลผลและวิเคราะห์ ซึ่งด้วยเทคโนโลยีเหล่านี้จะทำให้สามารถมั่นใจได้ว่าข้อมูลส่วนบุคคลถูกนำไปประมวลผลข้ามองค์กรได้ด้วยความปลอดภัย

ด้าน Location independence

• Distributed cloud คือการที่ผู้ให้บริการ public cloud กระจายการติดตั้งระบบ cloud ไว้ในหลายๆแห่งโดยที่การบริหารจัดการบริการและการควบคุมต่างๆยังเป็นหน้าที่ของผู้ให้บริการ public cloud จึงทำให้องค์กรต่างๆได้ Cloud services ที่ทันสมัย และมีระบบที่ตั้งอยู่ตำแหน่งใกล้กับหน่วยงานเพื่อเพิ่มความรวดเร็วในการส่งข้อมูล และตอบโจทย์ขององค์กรที่ต้องการให้ข้อมูลไม่ย้ายออกไปอยู่ในดำแหน่งไกลๆโดยเฉพาะในต่างประเทศ ทั้งนี้มีการกล่าวว่า Distributed cloud คืออนาคตของ Cloud
• Anywhere operation คือรูปแบบของธุรกิจที่จะให้บริการลูกค้าจากที่ใดก็ได้และพนักงานทำงานจากที่ใดก็ได้ผ่านเทคโนโลยีดิจิทัล ซึ่งต้องมีแนวคิดที่มองดิจิทัลต้องมาก่อนโดยไม่คำนึงถึงตำแหน่งที่ตั้ง (Digital first, location independent) โดยมีโครงสร้างพื้นฐานไอทีและแอปพลิเคชั่นแบบกระจาย
• Cybersecurity mesh คือสถาปัตยกรรมแบบกระจาย (Distributed architecture) ที่จะสามารถควบคุมความปลอดภัยทางไซเปอร์ได้อย่างมั่นใจ ยืดหยุ่น และขยายตัวได้ ทั้งนี้เนื่องจากทรัพยากรด้านไอทีจำนวนมากอยู่นอกรัศมีการควบคุมความปลอดภัยที่มักจะกำหนดไว้ภายในองค์กร Cybersecurity mesh จะเป็นการอนุญาตให้ผู้ใช้กำหนดรัศมีการควบคุมความปลอดภัยโดยพิจารณาจากการระบุตัวตน หรือตำแหน่งของผู้ใช้ จึงทำให้สามารถใช้ระบบความปลอดภัยในรูปแบบโมดูลาร์และตอบสนองได้ โดยมีนโยบายจากส่วนกลาง

ด้าน Resilient delivery

• Intelligent composable business องค์กรต่างๆจำเป็นจะปรับตัวอยู่ตลอดเวลาในโลกที่กำลังเปลี่ยงแปลงไป จึงจำเป็นต้องมีสถาปัตยกรรมเทคโนโลยีที่สามารถเข้าถึงข้อมูลต่างๆได้ดีขึ้นและสามารถที่จะเสริมข้อมูลเหล่าให้เห็นในเชิงลึกได้ ตลอดจนประกอบข้อมูลในแต่ละส่วนย่อยหรือแอปพลิเคชั่นได้ เพื่อที่จะมาพัฒนาระบบต่างๆที่สามารถรองรับการเปลี่ยนแปลงได้ ตัวอย่างเช่นธนาคารอาจจะต้องสามารถที่จะพยากรณ์แนวโน้มและพฤติกรรมของลูกค้าแล้วสามารถสร้างบริการใหม่ๆได้อย่างรวดเร็ว โดยอาจเป็นการพัฒนาแอปพลิเคชั่นจากระบบเดิมที่มีอยู่จากการจัดเรียงระบบขึ้นมาใหม่แทนที่จะต้องพัฒนาระบบใหม่ทั้งหมด
• AI engineering คือการแก้ปัญหาโครงการด้านเอไอที่มักจะเจอในแง่ของการบำรุงรักษา การขยายระบบ และด้านธรรมาภิบาล โดยการให้การทำเอไอเป็นส่วนหนึ่งของกระบวนการพัฒนาและการทำงานโครงการไอทีต่างๆแทนที่จะมองเป็นโปรเจ็คด้านเอไอโดยเฉพาะ ซึ่งจะต้องมีขั้นตอนการทำงานที่ชัดเจนเป็นเป็นตามหลักธรรมภิบาล โดยต้องคำนึงในเรื่องของความน่าเชื่อถือ ความโปร่งใส จริยธรรม การสามารถอธิบายได้ และเป็นไปตามกฎปฎิบัติต่างๆ
• Hyperautomation คือ แนวคิดที่จะต้องทำให้กระบวนการทำงานต่างๆทั้งทางด้านธุรกิจและไอทีเป็นระบบอัตโนมัติให้มากที่สุดเท่าที่จะทำได้ โดยใช้เทคโนโลยี Intelligent automationที่หลากหลายแต่สามารถนำมาเชื่อมต่อและประกอบกันได้

ซึ่งแนวโน้มเหล่านี้องค์กรต่างๆควรจะคำนึงถึงเพื่อกำหนดเป็นกลยุทธ์ในการวางแผน Digital Transformation เพื่อรองรับการเปลี่ยนแปลงของโลกที่จะเกิดขึ้นซึ่งอาจทอดยาวไปถึงอีก 4-5 ปีข้างหน้า

ธนชาติ นุ่มนนท์

IMC Institute

ผมกับคุณมิค (ศุภชัย สัจไพบูลย์กิจ) ได้มีโอกาสไปบรรยายและทำ Workshop ในหัวข้อ Digital Transformation ให้กับหลายๆองค์กร สิ่งหนึ่งที่คุณมิคจะนำมาให้ผู้เรียนทำเสมอในตอนท้ายก็คือการเขียน Business Model Canvas (BMC) สำหรับการจะเปลี่ยนแปลงธุรกิจ (Business Transformation) ในยุคของดิจิทัล เพราะการทำ Digital Transformation คือการปรับกลยุทธ์และอาจต้องคิดโมเดลของธุรกิจใหม่โดยใช้เทคโนโลยีดิจิทัลเป็นตัวช่วย มากกว่าที่จะคิดเพียงนำเทคโนโลยีดิจิทัลมาใช้ในองค์กรเพียงเพื่อเพิ่มประสิทธิภาพในการทำงานที่ยังมีโมเดลธุรกิจเดิมๆซึ่งอาจกำลังเกิด Digital Disruption

Business Model Canvas เป็นเครื่องมือที่ช่วยออกแบบโมเดลธุรกิจผ่านปัจจัยทั้ง 9 ด้านที่ครอบคลุมส่วนสำคัญๆ ต่อธุรกิจ BMC ถูกพัฒนาและนำเสนอโดย Alexander Osterwalder และ Yves Pigneur ในหนังสือชื่อ Business Model Generation (ปี พ.ศ. 2552) เพื่อเป็นเทมเพลตที่ช่วยออกแบบแบบจำลองธุรกิจหรือโมเดลธุรกิจ และทำให้สามารถช่วยประเมินธุรกิจในด้านต่างๆ 9 องค์ประกอบคือ

1. Value Propositions คุณค่าของธุรกิจ
2. Customer Segment กลุ่มของลูกค้าเป้าหมายของเรา
3. Customer Relationships การสร้างสายสัมพันธ์กับลูกค้า
4. Channels ช่องทางการเข้าถึงลูกค้า
5. Key Activities กิจกรรมหลักที่ต้องทำเพื่อขับเคลื่อนธุรกิจ
6. Key Partners พาร์ทเนอร์หลักของเรา
7. Key Resource ทรัพยากรที่จำเป็นในการดำเนินธุรกิจ
8. Revenue Streams รายได้ของของธุรกิจมาจากแหล่งใด
9. Cost Structure ค่าใช้จ่ายหลักของธุรกิจ

BMC ไม่ใช่เรื่องใหม่แต่ด้วยวิวัฒนาการของเทคโนโลยีทำให้ธุรกิจต่างๆอาจต้องกลับมาทบทวน Business Model ที่ดำเนินอยู่ ทั้งนี้รูปแบบธุรกิจแบบเดิมก็อาจเริ่มเปลี่ยนไปในยุคไอทีที่เข้ามาในช่วงก่อนหน้านี้ซึ่งมีเรื่องของอินเตอร์เน็ตและ Smartphone เข้ามา และกำลังเปลี่ยนไปอีกครั้งในยุคของเทคโนโลยีดิจิทัลที่เราต้องทำ Digital Transformation

ผมเลยอยากเขียนสรุปสั้นๆให้เห็นว่า องค์ประกอบแต่ละด้านของ Business Model Canvas มีการเปลี่ยนแปลงไปอย่างไรในยุคดิจิทัล เพื่อให้ผู้อ่านสามารถนำไปวางแผนปรับโมเดลธุรกิจในการทำ Digital Transformation ดังนี้

1. Value Proposition ในรูปแบบเดิมเมื่อกล่าวถึงคุณค่าของธุรกิจหรือจุดเด่น ส่วนใหญ่ก็อาจมองที่สินค้าหรือบริการทีดีกว่า ราคาที่ดีกว่า มีนวัตกรรมใหม่ๆ หรือมีแบรนด์ เมื่อเทคโนโลยีไอทีเข้ามาคุณค่าที่จะต้องพิจารณาขึ้นก็อาจเป็นเรื่องของการเข้าถึงได้ตลอดเวลาผ่านเว็บไซต์ โมบาย หรือสามารถทำ Self-service ได้ แต่ในยุคของดิจิทัลที่เป็นอุตสาหกรรม 4.0 สิ่งที่จะเป็นคุณค่าเพิ่มขึ้นมาจะกลายเป็นเรื่องของ สินค้าและบริการที่สามารถปรับเปลี่ยนไปได้ (Customisation) หรือตรงความต้องการของลูกค่าแต่ละคน (Personalization) หรือมีเรื่องของบริการย่อยๆ (Microservices) หรืออาจมีคุณค่าในแง่ของความปลอดภัยด้านไอทีที่แตกต่างกับธุรกิจอื่นๆ เป็นต้น
2. Customer Segment ในรูปแบบเดิมกลุ่มของลูกค้าเป้าหมายอาจมองในแง่ของอายุ เพศ อาชีพ หรือพื้นที่ แต่ด้วยยุคของดิจิทัลทำให้เราสามารถทำกลุ่มเป้าหมายย่อยได้ (Micro segmentation) โดยการใช้ Data Analytics และเริ่มมีกลุ่มเป้าหมายๆใหม่ๆเช่น กลุ่ม Digital Native กลุ่ม Gamer กลุ่ม Youtuber กลุ่ม Influencer/Blogger และยังสามารถแบ่งกลุ่มเป้าหมายตามพฤติกรรม (Behavioral segmentation) หรือปรับเปลี่ยนกลุ่มเป้าหมายแบบพลวัต (Dynamic segmentaion) โดยการใช้ real-time sensor เพื่อที่จะปรับเปลี่ยนกลุ่มเป้าหมายไปตามาสถานการณ์
3. Customer Relationships ในรูปแบบเดิมการสร้างสายสัมพันธ์เน้นเป็นรายบุคคล ตามโอกาสต่างๆ เน้นการสร้างเครือข่ายและความน่าเชื่อถือ ที่อาจเป็นความสัมพันธ์ระยะยาว ในยุคของไอทีก็เริ่มมีการนำระบบ CRM (Customer Relationship Management) มาใช้งานมากขึ้น มีการพูดถึงการทราบตัวตนของลูกค้าที่อาจเป็น Digital ID เช่นติดต่อผ่านอีเมล แต่ในยุคดิจิทัลปัจจุบันการบริหารความสัมพันธ์กับลูกค้าอาจทำผ่าน Social Media หรือเป็นการสร้างกระแสทางดิจิทัล (Digital Viral) การพูดคุยกับลูกค้าอาจเป็น Dialog ที่กำหนดเงื่อนไขต่างๆตามความต้องการของลูกค้า นอกจากนี้การระบุตัวตนของลูกค้าก็อาจยากขึ้นเพราะหลายคนอาจเป็นอวตารไม่ใช้บัญชีจริง
4. Channels ในรูปแบบเดิมช่องทางการเข้าถึงลูกค้าอาจเป็นผ่านการโฆษณา การทำตลาดผ่านสื่อต่างๆ ส่งโปรชัวร์ มีระบบ Call Center พอมาถึงในยุคไอทีก็จะมีการสร้างเว็บ การส่งอีเมล การทำ E-Commerce และระบบออนไลน์ต่างๆ แต่ในปัจจุบันคือยุคของ App ยุคที่ต้องเข้าถึงผ่านโทรศัพท์มือถือเป็นลำดับแรก (Mobile First) ต้องใช้ช่องทางที่หลากหลาย (Omnichannel) ใช้เทคโนโลยีใหม่ๆเช่น Beacon, Augmented Reality และต้องเน้นประสบการณ์ลูกค้า (Customer Experience) ที่อาจวัดความพึงพอใจด้วย Net Promoter Score (NPS)
5. Key Activities ในรูปแบบเดิมก็จะเน้นเรื่องการพัฒนาผลิตภัณฑ์และบริการ การสร้างนวัตกรรม การขาย การทำตลาด การบริหารภายใน แต่ในยุคไอทีก็เริ่มมีการทำ Digitizing แปลงของขัอมูลและกระบวนการต่างๆให้อยู่ในรูปดิจิทัลมากขึ้น รวมถึงการทำตลาดออนไลน์ สำหรับยุคดิจิทัลในปัจจุบันคงต้องเพิ่มกิจกรรมในการใช้เทคโนโลยีใหม่ๆมากขึ้น เช่นการทำการตลาดแบบอัตโนมัติ การเปลี่ยนระบบขึ้นสู่ Cloud Computing การชำระเงินในรูปแบบใหม่ๆผ่าน Mobile-payment หรือการนำระบบ RPA (Robot Process Automation) เข้ามาใช้ในองค์กร
6. Key Partners ในรูปแบบเดิมก็จะเน้นหาคู่ค้าช่วยในการขาย การโฆษณา แต่ในปัจจุบันคงต้องเพิ่มความหลากหลายที่อาจมองถึงเรื่องของ คู่ค้าที่เป็นตัวกลาง/แพลตฟอร์ม กลุ่มที่เป็น Startup กลุ่ม Venture Capital กลุ่ม Freelance กลุ่มพันธมิตรในโครงการต่างๆที่ทำด้านเทคโนโลยี หรือโครงการอย่าง Smart City และบางครั้งอาจรวมถึงลูกค้าที่จะมาช่วยในการทำงาน
7. Key Resource ในรูปแบบเดิมทรัพยากรที่จำเป็นคือเงินทุน บุคลากร อุปกรณ์และสินทรัพย์ต่างๆหรือระบบไอที แต่ในปัจจุบันทรัพยากรที่จำเป็นอาจเน้นเรื่องของดิจิทัลมากขึ้น เช่นการมีข้อมูลขนาดใหญ่ (Big Data) ระบบ Mobile App อุปกรณ์อัจฉริยะต่างๆ ระบบหุ่นยนต์ ระบบ AI และ ระบบ Open-API เป็นต้น
8. Revenue Streams ในรูปแบบเดิมรายได้คงมาจากการขายสินค้าและบริการในรูปแบบเดิม ต้องบริหารกระแสเงินสด ต้องหาเงินลงทุน พอมาในยุคไอทีรูปแบบของรายได้เริ่มมีความหลากหลายมากขึ้นเข่น Prepaid, Pay-as-you-go หรือรายได้จากโฆษณา ในปัจจุบันกระแสดิจิทัลเข้ามาเต็มที่ทำให้เริ่มมีรูปแบบที่แตกต่างออกไปจากเดิมอีกมากอาทิเช่น Freemium, Fee-in-Free-Out, Pay-to-win, Ownership-to-access หรือ Dynamic pricing เป็นตัน
9. Cost Structure ค่าใช้จ่ายหลักของธุรกิจซึ่งก็คือการประมาณการค่าใช้จ่ายในแบบเดิมที่มีมา และไม่ได้เปลี่ยนแปลงตามเทคโนโลยีมากนัก

หากองค์กรใดต้องการที่จะทำ Digital Transformation ก็อาจสามารถเริ่มต้นด้วยการทำ Business Model Canvas แล้ววางแผนในบริบทที่ควรจะเปลี่ยนไปในยุคดิจิทัลตามที่กล่าวมาในที่นี้

ธนชาติ นุ่มนนท์

IMC Institute

ในยุคของอุตสาหกรรม 4.0 มีการกล่าวกันว่ามหาอำนาจโลกเปลี่ยนจากการแข่งขันไปอวกาศ (Space Race) เป็นการพัฒนา AI แข่งกัน ประเทศใดที่ทำเรื่องของ AI ได้ดีกว่าประเทศนั้นมีโอกาสสร้างความได้เปรียบในยุคของอุตสาหกรรม 4.0 โดยจะสามารถ เพิ่มศักยภาพการผลิตและสร้างให้ผลิตภัณฑ์มวลรวมในประเทศดีกว่า โดยอาจจะเห็นหุ่นยนต์ที่มีความสามารถในการทำงานได้ดีกว่ามนุษย์ในบางด้าน และประเทศใดที่ไม่สามารถแข่งขันหรือพัฒนา AI ได้ก็จะล้าหลังและไม่สามารถแข่งขันในอุตสาหกรรม 4.0 ได้

คำถามที่น่าสนใจคือว่า ในปัจจุบันชาติใดเป็นผู้ที่ได้เปรียบในการแข่งขัน เมื่อเดือนสิงหาคม ปี 2019 มีผลการศึกษาเรื่อง Who is winning the AI race: China, the EU or the United States? ของ Center for Data Innovation ซึ่งเป็นการเปรียบเทียบศักยภาพการพัฒนา AI ของประเทศจีน สหรัฐอเมริกา และกลุ่มสหภาพยุโรปใน 6 ด้านคือ ด้านทักษะบุคลากร ด้านงานวิจัย ด้านการพัฒนา ด้านการประยุกต์ใช้งาน ด้านข้อมูล และด้านฮาร์ดแวร์

ซึ่งภาพรวมจากการวิจัยพบว่า สหรัฐอเมริกายังนำจีนและสหภาพยุโรปอยู่ใน 4 ด้านคือ ด้านผู้เชี่ยวชาญ ด้านงานวิจัย ด้านการพัฒนา และด้านฮาร์ดแวร์ แต่จีนเองก็นำในด้านข้อมูล และด้านการประยุกต์ใช้งาน โดยภาพรวมจากคะแนนเต็ม 100 สหรัฐอเมริกามีคะแนนนำที่ 44.2 คะแนน จีนได้  32.3 คะแนน และสหภาพยุโรปได้ 23.5 คะแนน ซึ่งผู้นำในแต่ละด้านสรุปได้ดังตารางที่ 1 และผลการศึกษาในแต่ละด้านสามารถสรุปได้ ดังนี้

ตารางที่ 1 ผลการจัดอันดับ AI ในด้านต่างๆ

ด้าน	จีน	สหภาพยุโรป	สหรัฐอเมริกา
ผู้เชี่ยวชาญ	3	2	1
งานวิจัย	3	2	1
การพัฒนา	3	2	1
การประยุกต์ใช้งาน	1	2	3
ข้อมูล	1	3	2
ฮาร์ดแวร์	2	3	1
ผลรวม	2	3	1

 1 ด้านผู้เชี่ยวชาญ

ทีมงานศึกษาได้วัดจากจำนวนนักวิจัยทางด้าน AI โดยพบว่า สหรัฐอเมริกามีจำนวนมากถึง 28,536 คน ขณะที่สหภาพยุโรปมีกระจายอยู่ในประเทศต่างๆ รวม 43,064 คน โดยมีมากสุดในประเทศเยอรมัน 9,441 คน และสหราชอาณาจักร 7,998 คน ส่วนจีนมีอยู่ 18,232 คน อย่างไรก็ตามข้อมูลการศึกษาระบุว่า แม้สหภาพยุโรปจะมีผู้มีทักษะด้าน AI มากสุด แต่ปรากฏว่าจำนวนพนักงานทางด้านนี้ในบริษัทใหญ่ๆ กลับมีน้อยกว่าสหรัฐอเมริกาเนื่องจากมีเงินทุนสนับสนุนน้อยกว่า และบริษัทใหญ่ในสหรัฐอเมริกาก็ยังสามารถที่จะดึงดูดคนเก่งทางด้าน AI ไปทำงานได้ดีกว่าที่อื่นๆ

แต่ทั้งสามกลุ่มประเทศต่างก็มีนโยบายในการที่จะดึงดูดผู้เชี่ยวชาญทางด้าน AI เข้ามาทำงาน และศึกษาต่อระดับปริญญาโท/เอก โดยการให้ทุนการศึกษา และมีงบประมาณการตั้งหน่วยงานวิจัยทางด้าน AI จำนวนมาก เช่น ประเทศจีนมีแผนที่จะตั้งศูนย์วิจัย AI ถึง 50 แห่ง และมีการพัฒนาหลักสูตรออนไลน์ทางด้านนี้ รวมทั้งมีแผน 5 ปี ที่เน้นในการสร้างบุคลากรทางด้าน AI 

2 ด้านงานวิจัย

การวัดขีดความสามารถในการแข่งขันทางด้านงานวิจัย เป็นการเปรียบเทียบจากจำนวนบทความด้าน AI ที่ตีพิมพ์ในการประชุมวิชาการและวารสารต่างๆ รวมถึงจำนวนแหล่งเงินทุนวิจัย ซึ่งเมื่อพิจารณาจำนวนบทความด้าน AI เฉพาะปี 2017 จีนมีบทความเพิ่มขึ้นเป็นอันดับหนึ่งถึง 15,199 บทความ ตามด้วยสหภาพยุโรป 14,776 บทความ และสหรัฐอเมริกา 10,287 บทความ แต่อย่างไรก็ตามเมื่อดูจำนวนบทความย้อนหลังตั้งแต่ปี 1998 สหภาพยุโรปมีมากสุดถึง 164,000 บทความ ตามด้วยสหรัฐอเมริกาที่ 135,000 บทความ และจีน 107,000 บทความ

ในด้านทุนวิจัยจีนมีแผนงานที่จะสนับสนุนเงินปีละ 950 ล้านดอลลาร์ ถึงปี 2025 ส่วนสหภาพยุโรปตั้งเป้าที่จะสนับสนุนงานวิจัยด้าน AI ช่วงปี 2018-2020 จำนวน 1,700 ล้านดอลลาร์ และกำลังทำแผนนำเสนอขอเงินสนับสนุนอีก 8,000 ล้านดอลลาร์ ตั้งแต่ปี 2021-2027 ส่วนสหรัฐอเมริกาก็สนับสนุนงบประมาณวิจัยด้าน AI ตั้งแต่ปี 2015 จำนวน 1,100 ล้านดอลลาร์ และล่าสุดเมื่อกันยายน ปี 2018 ก็ประกาศเพิ่มงบประมาณอีก 2,000 ล้านดอลลาร์สำหรับอีก 5 ปีข้างหน้า

นอกจากนี้การสำรวจการลงทุนงบวิจัยและพัฒนาของบริษัทขนาดใหญ่ด้านไอทีในแต่ละประเทศที่ติดอันดับ 2,500 บริษัทแรกของโลกพบว่า สหรัฐมีการลงทุนงานวิจัยสูงสุดที่ 77.4 พันล้านดอลลาร์ ตามด้วยจีน 11.8 พันล้านเหรียญ และสหภาพยุโรป 10.5 พันล้านดอลลาร์ 

ซึ่งเมื่อพิจารณาภาพรวมในด้านนี้สหรัฐอเมริกามีคะแนนเป็นอันดับหนึ่ง ตามด้วยสหภาพยุโรปและจีน แต่อย่างไรก็ตามคุณภาพด้านงานวิจัยของจีนกำลังเร่งขึ้นมาและในอนาคตน่าจะสามารถที่แซงสหภาพยุโรปได้

3. ด้านการพัฒนา

การศึกษาทางด้านนี้คือ การวิเคราะห์ในมุมของจำนวนบริษัททางด้าน AI จำนวนสิทธิบัตร จำนวนบริษัท Startup ด้าน AI ตลอดจนเงินลงทุนของ Venture Capital (VC) ซึ่งพบว่า สหรัฐอเมริกายังเป็นผู้นำทางด้านนี้ โดยมีบริษัทด้าน AI ถึง 1,727 บริษัท มีจำนวน Startup 1,393 บริษัท เงินลงทุนจาก VC และหุ้นนอกตลาด (Private Equity) จำนวน 16.9 พันล้านดอลลาร์ และมีสิทธิบัตรที่มีการอ้างอิงด้าน AI จำนวน 28,031 ฉบับ ส่วนสหภาพยุโรปตามมาเป็นอันดับสอง โดยมีบริษัทด้าน AI จำนวน 762 บริษัท มีจำนวน Startup 726 บริษัท เงินลงทุนจาก VC และหุ้นนอกตลาดจำนวน 2.8 พันล้านดอลลาร์ และมีสิทธิบัตรที่มีการอ้างอิงด้าน AI จำนวน 2,985 ฉบับ  

ส่วนจีนแม้จะอยู่อันดับสุดท้ายโดยมีบริษัทด้าน AI จำนวน 224 บริษัท มีจำนวน Startup 383 บริษัท และมีสิทธิบัตรที่มีการอ้างอิงด้าน AI จำนวนเพียง 691 ฉบับ แต่เงินลงทุนจาก VC และหุ้นนอกตลาด (Private Equity) มีจำนวนถึง 13.5 พันล้านดอลลาร์ ทำให้ในอนาคตมีโอกาสที่จะแซงสหภาพยุโรปที่มีเงินสนับสนุน Startup น้อยกว่า

4. ด้านการประยุกต์ใช้งาน

มีการคาดการณ์ว่าในปี 2030 เทคโนโลยี AI จะสร้าง GDP ของโลกเพิ่มขึ้นถึง 13 ล้านล้านดอลลาร์ ซึ่งอุตสาหกรรมต่างๆ ก็เริ่มให้ความสำคัญและต่างนำ AI มาประยุกต์ใช้ในงานต่างๆ เพื่อที่จะสร้างศักยภาพการแข่งขัน ซึ่งจากการศึกษาพบว่า จีนนำหน้าสหรัฐอเมริกา และสหภาพยุโรป ในด้านการนำมาประยุกต์ใช้ โดยข้อมูลในปี 2018 พบว่า บริษัทในจีน 32% ได้ประยุกต์ใช้ AI แล้ว ขณะที่สหรัฐอเมริกามี 22% และ สหภาพยุโรปมีเพียง 18% นอกจากนี้ยังพบว่า บริษัทในจีนถึง 53% ที่กำลังมีการทดลองใช้ AI ขณะที่สหรัฐอเมริกา และสหภาพยุโรป มีเพียง 29% และ 26% ตามลำดับ

ทั้งนี้จากผลการศึกษาพบว่าประชากรจีนเห็นผลกระทบของเทคโนโลยี AI มากถึง 76% ขณะที่สหรัฐอเมริกามีประชากร 58% ที่เห็นผลกระทบของ AI ส่วนในสหภาพยุโรปเมื่อพิจารณาในเรื่องนี้บางประเทศพบว่า ประชากรเห็นความสำคัญ ดังนี้ ฝรั่งเศส 52% เยอรมัน 57% สหราชอาณาจักร 51% และสเปน 55% ทำให้จีนเป็นผู้นำทางด้านการประยุกต์ใช้งาน ตามมาด้วยสหรัฐอเมริกา และสหภาพยุโรป

5. ด้านข้อมูล

เทคโนโลยี AI จำเป็นจะต้องมีข้อมูลจำนวนมากมาสร้างโมเดลในการพยากรณ์ ยิ่งมีข้อมูลมากเท่าไรก็จะยิ่งทำให้โมเดลมีความแม่นยำมากขึ้น แต่อาจยังไม่มีวิธีการวัดปริมาณข้อมูลที่สามารถนำมาใช้ทางด้าน AI โดยตรง ดังนั้นการศึกษาของทีมงานนี้จึงใช้ข้อมูลในปี 2018 จากปริมาณการใช้ Broadband การชำระเงินผ่านมือถือ การสร้างข้อมูลจากอุปกรณ์ IoT ข้อมูลใหม่อื่นๆ ที่สร้างขึ้น ข้อมูลด้านการแพทย์ ข้อมูลพันธุกรรม และข้อมูลแผนที่ที่มีความละเอียดสูง โดยสามารถสรุปปริมาณข้อมูลของแต่ละประเทศได้ดังตารางที่ 2

ตารางที่ 2 ปริมาณข้อมูลของประเทศต่างๆ

ประเภท	จีน	สหภาพยุโรป	สหรัฐอเมริกา
จำนวนการใช้ Fixed Broadband (ล้าน)	394.2	175.7	109.8
จำนวนการชำระเงินผ่านมือถือ (ล้าน)	525.1	44.7	55.0
จำนวนข้อมูลใหม่ด้าน IoT (TB)	152	53	69
ข้อมูลใหม่อื่นๆ (TB)	684	583	966
ข้อมูลด้านการแพทย์ (อันดับ)	3	2	1
ข้อมูลพันธุกรรม (อันดับ)	2	3	1
ข้อมูลแผนที่ที่มีความละเอียดสูง (อันดับ)	3	2	1

ซึ่งเมื่อพิจารณาจากปริมาณข้อมูลโดยรวมแล้ว จีนมีมากกว่าสหรัฐอเมริกาและสหภาพยุโรป นอกจากนี้เมื่อพิจารณาถึงกฎระเบียบในการใช้ข้อมูลจะพบว่า สหภาพยุโรปมีกฎระเบียบ GDPR ที่เข้มงวดอย่างมาก การนำข้อมูลบุคคลต่างๆ มาใช้งานจึงเป็นอุปสรรค ขณะที่สหรัฐอเมริกาก็มีกฎหมายเฉพาะในบางด้าน เช่น ทางการแพทย์ หรือกฎหมายความปลอดภัยของข้อมูล ส่วนจีนไม่ได้เข้มงวดในเรื่องนี้มากนัก ทำให้บริษัทต่างๆ ในจีนสามารถเก็บและใช้ข้อมูลได้ง่ายกว่า

 6. ด้านฮาร์ดแวร์

เทคโนโลยี AI ขึ้นอยู่กับประสิทธิภาพของฮาร์ดแวร์ ซึ่งมีการพัฒนาระบบประมวลกราฟิก (GPU) ที่มีประสิทธิภาพสูงเพื่อสร้างโมเดลด้าน AI หรือมีการพัฒนา AI Chip เพื่อใช้ประมวลผลเฉพาะด้าน เช่น การทำ Face Recognition หรือการใช้ในโทรศัพท์มือถือ และก็มีการพัฒนา Supercomputer ในการประมวลผลขนาดใหญ่ ซึ่งจากการศึกษาของทีมงานนี้พบว่า สหรัฐอเมริกายังเป็นผู้นำทางด้านฮาร์ดแวร์สำหรับ AI โดยมีบริษัทชั้นนำที่ทำทางด้าน Semiconductor ที่ติดอันดับ Top 15 ของโลกจำนวนถึง 6 บริษัท และมีบริษัททำ AI Chip 55 บริษัท และมีจำนวน Supercomputer ที่ติดอันดับ Top 500 ของโลกจำนวน 92 เครื่อง ส่วนจีนตามมาเป็นอันดับสอง มีบริษัท Semiconductor เพียงบริษัทเดียว แต่มีบริษัทที่ทำ AI Chip 26 บริษัท และมีจำนวน Supercomputer มากกว่าประเทศอื่นคือ มีถึง 219 เครื่อง ส่วนสหภาพยุโรปมีบริษัท Semiconductor สองแห่ง มีบริษัทที่ทำ AI Chip 12 บริษัท และมีจำนวน Supercomputer 116 เครื่อง   

จากผลการศึกษาพบว่าสหรัฐอเมริกายังแข่งขันกับจีนอยู่ในเรื่องของการพัฒนา  Supercomputer โดยเครื่องคอมพิวเตอร์ที่ประมวลผลที่เร็วที่สุดในโลกสองอันดับแรกคือ Summit และ Sierra ก็อยู่ที่กระทรวงพลังงานของสหรัฐอเมริกาและมีจำนวน Supercomputer ที่ติด Top 10 ถึง 6 แห่งที่อยู่ในสหรัฐอเมริกา และอุปกรณ์ Semiconductor ที่อยู่ในเครื่อง Supercomputer ทั่วโลก 98% มาจากบริษัท Nvidia และ Intel แต่ชาติอื่นๆ โดยเฉพาะจีนก็เริ่มมีการพัฒนา Supercomputer ได้ดีขึ้น โดยในอดีตเมื่อปี 2010 สหรัฐอเมริกาเคยมีจำนวน Supercomputer ติด Top 500 ถึง 282 เครื่อง ก่อนจะถูกจีนแซงหน้าในปัจจุบัน  

จากผลการศึกษาโดยรวมแม้สหรัฐอเมริกายังเป็นผู้นำทางด้าน AI แต่ด้วยนโยบายของรัฐบาลจีนที่มุ่งเน้นในด้านนี้ ประกอบกับจำนวนงบประมาณมหาศาล พร้อมกับเริ่มมีการใช้งานแล้วจำนวนมาก ทำให้จีนดูน่ากลัวและอาจสามารถแซงสหรัฐอเมริกาขึ้นอันดับหนึ่งในอนาคต

ธนชาติ นุ่มนนท์

IMC Institute

ผมเองได้เขียนบทความเกี่ยวกับเรื่องของผลกระทบของ Social Media ที่ได้สร้างผลกระทบทางสังคมลงในหนังสือพิมพ์กรุงเทพธุรกิจอยู่หลายตอนอาทิเช่น

• มองมุมเปลี่ยน “ดิจิทัล-โซเชียลฯ” ตัวสร้างวิกฤติสังคม
• การโฆษณาชวนเชื่อยุคใหม่ผ่าน ‘โซเชียลมีเดีย’ (1)
• ‘โฆษณาชวนเชื่อ’ ยุคใหม่ ผ่าน‘โซเชียลมีเดีย’ (ตอนจบ)

แต่เผอิญบทความอีกเรื่องหนึ่งที่เขียนไว้คือ “ปิดสวิทช์โซเชียลมีเดีล” ทางเลือกหยุดกระบวนการปั่นความคิด ไม่ได้มีการเผยแพร่ทางเว็บไซต์ ผมเลยอยากนำบทความนี้มาเผยแพร่ในบล็อกนี้ตามนี้ครับ

——————-

เมื่อเร็วๆ นี้ หลังการบรรยาย ผมกำลังเดินทางกลับบ้านเมื่อก้าวเข้าไปในรถก็มีข้อความปรากฎขึ้นบนมือถือและส่งไปยังนาฬิกาอัจฉริยะ เพื่อแสดงพร้อมกันว่า “อีก 50 นาที จะเดินทางกลับถึงบ้าน” แม้จะไม่ใช่ครั้งแรกที่มีการส่งข้อความเช่นนี้เข้ามา เพราะอีกหลายครั้งที่จอดรถก็จะมีข้อความส่งมาที่มือถือหลังจากลงจากรถ โดยระบุว่าผมจอดรถที่ใดเช่นกัน หลังจากพิจารณาอยู่พักหนึ่งทำให้ผมคิดได้ว่าเพราะโทรศัพท์มือถือของผมต่อเชื่อมกับระบบบูลทูธของรถยนต์ ทำให้เชื่อมต่อกับโปรแกรมแผนที่ของมือถือ ซึ่งมีระบบปัญญาประดิษฐ์ (เอไอ) คอยจดจำว่าผมเดินทางไปตำแหน่งใดบ่อย และสามารถคาดการณ์พฤติกรรมผมได้ว่าที่ใดเป็นบ้านหรือที่ทำงานของผม

ผมใช้ชีวิตอยู่กับอินเทอร์เน็ตมาเกือบสามสิบปี ใช้โซเชียลมีเดียมากว่าสิบปี และใช้อุปกรณ์ที่เชื่อมต่อกับอินเทอร์เน็ตอีกมากมาย ตั้งแต่โทรศัพท์มือถือ นาฬิกาอัจฉริยะ แทปเล็ต คอมพิวเตอร์ ทีวี ลำโพงอัจฉริยะ กล้อง เซ็นเซอร์ต่างๆ หลอดไฟ หรือแม้แต่หม้อหุงข้าวก็เชื่อมต่ออินเทอร์ ถ้านับอุปกรณ์เหล่านี้มีมากถึงราว 50 ชิ้น นอกจากนี้การงานยังเกี่ยวข้องกับการใช้คอมพิวเตอร์ต้องค้นข้อมูล ใช้บริการออนไลน์ต่างๆ มากมาย และใช้โซเชียลมีเดียหลายระบบ

การใช้ชีวิตอยู่กับโลกออนไลน์มานานทำให้ข้อมูลส่วนตัวต่างๆ ผมถูกส่งเข้าไปในระบบอินเทอร์เน็ตจำนวนมาก พฤติกรรมหลายอย่างของผมถูกเก็บข้อมูลไป บริษัทอินเทอร์เน็ตมีข้อมูลว่า ผมค้นข้อมูลอะไร เดินทางไปที่ใด เลือกดูหนังฟังเพลงออนไลน์อะไร ผมคลิ๊กอะไร ใครบ้างเป็นเพื่อนออนไลน์ของผม ผมคุยกับใคร ชอบอะไร ซื้อสินค้าอะไร ประตูบ้านผมเปิดตอนไหน ใช้โทรศัพท์อะไร ผมรู้กระทั่งว่าผมทำธุรกรรมอะไร ทำให้เชื่อได้ว่าทุกวันนี้ข้อมูลผมจำนวนมหาศาลถูกเก็บไว้ที่บริษัทต่างๆ เหล่านั้น

ช่วงที่ใช้อินเทอร์เน็ตยุคแรกๆ โซเชียลมีเดียยังไม่ได้มีความสามารถมากมายเช่นนี้ ข้อมูลยังมีเพียงเล็กน้อย การประมวลผลไม่ได้รวดเร็วเท่านี้ และที่สำคัญคือ อัลกอริทึกของระบบเอไอยังไม่เก่งเท่านี้ แต่พอเราเล่นโซเชียลมีเดียมากชขึ้น ส่งข้อมูลเข้าอินเทอร์เน็ตมากขึ้น ระบบเอไอก็จะเก่งมากขึ้น คาดการณ์พฤติกรรมต่างๆ ของเราได้ดีขึ้น ประกอบกับความก้าวหน้าของเทคโนโลยีที่โตแบบก้าวกระโดด ทำให้เริ่มเห็นว่าช่วง 2-3 ปีที่ผ่านมานี้ ระบบอินเทอร์เน็ตโดยเฉพาะโซเชีนยลมีเดียมีความน่ากลัวขึ้น เราสูญเสียความเป็นส่วนตัว และเริ่มถูกครอบงำความคิดหลายอย่างจากโซเชียลมีเดียผ่านระบบเอไอ

เมื่อสองสัปดาห์ที่ผ่านมาผมได้เขียนบทความเรื่อง “การโฆษณาชวนเชื่อในยุคใหม่ผ่านโซเชียลมีเดีย” และชี้ให้เห็นว่าโซเชียลมีเดียกำลังสร้างความแตกแยกให้กับสังคมโดยใช้เทคโนโลยีอัตโนมัติมาคอยชักใย ซึ่งก็พอดีกับที่ทาง Netflix ได้เผยแพร่สารคดี “Social Dilemma” ที่ตีแผ่โซเซียลมีเดียอย่างล้ำลึก โดยชี้ให้เห็นถึงความน่ากลัวในการเก็บข้อมูลของผู้ใช้ โดยมองว่าผู้ใช้คือ สินค้าที่เจ้าของเทคโนโลยีจะต้องรู้พฤติกรรมทุกอย่าง

เราเคยดูหนังวิทยาศาสตร์ที่พูดถึงหุ่นยนต์จะมาครอบครองโลกและมาบงการชีวิตมนุษย์ ซึ่งดูแล้วเหมือนไม่น่าจะเป็นไปได้ แต่แท้จริงแล้วสิ่งต่างๆ เหล่านี้เริ่มเกิดขึ้นจริงจากการที่โซเชียลมีเดียเริ่มมาครอบงำความคิดเรา มาบงการทางอ้อมให้เรามีพฤติกรรมตามการแนะนำของระบบเอไอ มาแนะนำข้อความต่างๆ ให้เราอ่าน นำเสนอสินค้าให้ แนะนำสถานที่ให้ แนะนำเพื่อนให้เราคุยด้วย รวมทั้งแนะนำหนังหรือเพลงให้เราฟัง

ในสารคดีนี้ได้นำผู้บริหารที่เคยทำงานอยู่ในบริษัทโซเชียลมีเดียต่างๆ เหล่านี้มาให้สัมภาษณ์และพูดถึงความน่ากลัวของการทำงานของระบบที่อยากให้คนมาใช้มากๆ และเสพติดที่จะใช้ตลอดเวลา และคอยชักใยการใช้งานของผู้ใช้ผ่านระบบเอไอ หลายคนถามหาจริยธรรมของบริษัทเหล่านี้และพวกเขาเองพยายามที่จะหยุดการเสพการใช้โซเชียลมีเดีย ลดการใช้อินเทอร์เน็ตและมือถือ รวมถึงไม่อยากให้ลูกเล่นจนกว่าอายุ 16 ปี เพราะคนรุ่นใหม่จะเกิดมาในยุคที่มีระบบดิจิทัลเรียบร้อยแล้ว อาจมองสิ่งต่างๆ เหล่านี้เป็นเรื่องปกติโดยไม่รู้ตัวว่ากำลังถูกครอบงำความคิดจากระบบโซเชียลมีเดีย

โซเชียลมีเดียทำให้เกิดความแตกแยกทางสังคม โดยการปลุกปั่นความคิด ซึ่งหากผู้คนมีความคิดที่แบ่งออกเป็น 2 ข้าง โซเชียลมีเดียก็จะนำเสนอแต่เรื่องที่เรามีความเห็นตรงกันมาให้เราตลอดวลาแบบสุดโต่ง โดยที่ไม่ได้รับข้อมูลที่เห็นต่างกันบ้างเลย ข้อมูลเหล่านี้หลายอย่างเป็นข้อมูลเท็จ และมีผลประโยชน์แอบแฝง นอกจากนี้ยังพบว่า ข้อมูลเท็จจะสามารถเผยแพร่ข้อมูลได้รวดเร็วกว่าข้อมูลจริงถึง 6 เท่า ดังนั้นจึงไม่แปลกใจที่อดีตผู้บริหารของเฟซบุ๊กที่ให้สัมภาษณ์ในสารคดีนี้บอกว่า ความแตกแยกทางสังคมนี้มีโอกาสที่จะนำไปสู่การเกิดสงครามกลางเมืองได้

สถานการณ์ที่กำลังเกิดขึ้นในบ้านเราส่วนหนี่งเป็นผลพวงจากการที่เราใช้ชีวิตอยู่บนโลกอินเทอร์เน็ตมานานเกินไป ข้อมูลพฤติกรรมต่างๆ ที่ถูกป้อนเข้าไปทำให้เราเริ่มถูกครอบงำทางความคิด อาจจะต้องถึงเวลาที่ต้องเริ่มคิดใหม่ว่าบางช่วงอาจต้องหยุดใช้อินเทอร์เน็ต หยุดป้อนข้อมูลบางอย่างให้กับระบบและถ้าความแตกแยกทางสังคมหนักสุดจนมีแนวโน้มไปสู่การเกิดสงครามกลางเมือง ไม่แน่ว่าเราอาจถึงเวลาต้อง “ปิดสวิทช์โซเชียลมีเดีย” ก็เป็นไปได้

ธนชาติ นุ่มนนท์

IMC Institute

---