กรุงเทพฯ--8 มี.ค.--คอร์ แอนด์ พีค
ศาสตราจารย์ ดร.อุสามา เอ็ม. เฟยยาร์ด ผู้เชี่ยวชาญระดับโลกด้าน Data Scientist และ Co-Founder Of KDD กล่าวในงานสัมมนา " Practical Big Data Conference 2017" ซึ่งจัดขึ้นในประเทศไทยว่า ภาพรวม Big Data ยังอยู่ในความสนใจถ้าเรามองไปที่อุตสาหกรรมการเงิน การธนาคาร ทำไมธนาคารถึงสนใจเรื่อง Big Data และหากย้อนไปเมื่อ 50 ปีที่แล้ว จะเห็นว่าธนาคารมีบุคลากรเพียงแค่ผู้จัดการ และพนักงาน ทุกคนรู้จักลูกค้าที่เดินเข้ามา รู้ว่าลูกค้าคนไหนเครดิตดี คนไหนต้องการเงินเท่าไร ใครจะซื้อบ้าน ใครจะเรียนต่อ ใครจะแต่งงาน พนักงานธนาคารรู้ข้อมูลพวกนี้หมด แต่สมัยนี้เป็นไปได้ยากแล้ว เพราะโลกเปลี่ยนไปด้วยเทคโนโลยีใหม่ๆ ที่เข้ามา มีแอปพลิเคชั่นดีๆ เข้ามาตอบโจทย์การใช้ชีวิตหลายอย่าง อาทิ โปรแกรมแชท โปรแกรมจองคนขับรถ ที่สามารถจ่ายเงินผ่านแอปได้ ทำให้ข้อมูลที่มีอยู่ในมืออาจจะเชื่อถือไม่ได้อีกต่อไป เพราะอาจจะไม่ถูกต้อง หรือไม่สมบูรณ์พอที่จะนำมาใช้ประโยชน์ใดๆ ได้ และเราก็ไม่รู้ว่าควรจะทำอะไรกับข้อมูลที่ไม่ได้รับการจัดระเบียบพวกนี้ ขณะที่ Big Data เกิดขึ้น และมีธนาคารหลายแห่งเสียเงินไปมากมายกับการทำ KYT&KYC regulationหรือการเรียนรู้เกี่ยวกับลูกค้าเพิ่มเติมเพื่อให้ ได้ช่องทางบางอย่างในการปฏิสัมพันธ์กับลูกค้า
ยกตัวอย่าง กรณีธนาคารในยุโรป ต้องการที่จะเก็บข้อมูลจากทุกช่องทางทั้งออนไลน์ ออฟไลน์ รวมทั้งข้อมูลที่ผ่านเข้ามาทางแอปพลิเคชั่น เพื่อให้ได้ข้อมูลรอบด้าน แต่สิ่งที่ธนาคารต้องการมากกว่านั้นคือ การตรวจจับการทุจริต และอาชญากรรมทางการเงิน (Freud detection & Financial Crime) การฟอกเงิน ซึ่งต้องการซอฟต์แวร์ใหม่ ๆ มาช่วยตรวจสอบในขั้นตอนนี้ด้วย และทำไมต้องเป็น Big Dataเพราะ Big Data มีองค์ประกอบ 3 สิ่ง ได้แก่ 1.Volume หมายถึงข้อมูลที่มีปริมาณมหาศาลมากกว่าข้อมูลทั่วไป ทำให้กว่าจะเรียกดูได้ก็ใช้เวลานาน 2. Velocity หมายถึงข้อมูลที่เข้ามาแบบเรียลไทม์ทำให้บางครั้งตามไม่ทัน หรือมีการตกหล่น 3. Variety หมายถึงเป็นข้อมูลที่มีความหลากหลาย และยังไม่ได้รับการจัดระเบียบ และถ้าถามว่าข้อมูลที่มีปริมาณมากที่สุดที่ถูกเก็บอยู่บนโลกออนไลน์ในปัจจุบันคืออะไร คำตอบอันดับหนึ่งคือวีดีโอ และรองลงมาคือไฟล์เสียง
ทั้งนี้มีข้อมูลสถิติของ ICC ได้เปรียบเทียบปริมาณข้อมูลที่ถูกจัดระเบียบ และยังไม่ถูกจัดระเบียบในองค์กรต่างๆ ซึ่งประมาณเกือบ 90% เป็นข้อมูลที่ยังไม่ได้รับการจัดระเบียบ ขณะที่การจัดระเบียบข้อมูลมีความสำคัญกว่า เพราะในทาง E-Commerce มีความจำเป็น ซึ่งจะต้องรู้สภาพแวดล้อมของลูกค้าว่าทำอะไรอยู่ อาทิ เดินทางอยู่หรือเปล่า อุณหภูมิรอบตัวเป็นอย่างไร ฟังเพลงอยู่หรือเปล่า เป็นต้น
รวมทั้งเทคโนโลยี IoT (Internet of Things) ก็มีส่วนสำคัญกับเทคโนโลยี Big Data ด้วย เพราะการรับ – ส่งข้อมูลระหว่างอุปกรณ์Device เราจะรู้ได้อย่างไรว่าใครเป็นเจ้าของอุปกรณ์ Device และต้องใช้ข้อมูลอะไรบ้าง นอกจากนี้ยังมีปัจจัยด้าน Cyber security อีกด้วย ดังนั้นโอกาสใหม่ๆ ที่มากับBig Data ก็มีอีกหลายเทคโนโลยี อาทิ Cyber security ที่ต้องการ การปกป้องข้อมูล หรือ Payment ecosystemในการนำข้อมูลมาปรับใช้
เพื่อแก้ปัญหาด้านเศรษฐกิจ ยกตัวอย่าง ที่เขต Bartley ประเทศอังกฤษ มีซอฟต์แวร์ตัวหนึ่งที่สามารถเก็บข้อมูลได้ว่าคนใช้เงินมากขึ้นหรือน้อยลง กินข้าวนอกบ้านมากขึ้นหรือน้อยลง ใช้เงินไปกับการเติบน้ำมันมากขึ้นหรือน้อยลง ซื้อประกันมากขึ้นหรือน้อยลง เป็นต้น และข้อมูลเหล่านี้คือ Insight ของประชาชนที่ใช้บริการผ่านบัตรเครดิต ทำให้ Bartley ดูการทำธุรกรรมของคนในเมืองได้ประมาณ 60-70% และยังสามารถนำข้อมูล Insightไปปรับใช้ในทางธุรกิจได้
ศาสตราจารย์ ดร. เจฟฟ์ เวบบ์ ผู้อำนวยการศูนย์วิทยาศาสตร์ข้อมูล และผู้บริหารระดับสูงที่ปรึกษาทางเทคนิค, BigML inc. กล่าวว่า จุดเปลี่ยนของ Big Data คือความรู้ เพราะความรู้คืออำนาจ แต่ต้องนำความรู้นั้นมากลั่นกรองก่อนนำไปต่อยอดเรียกระบบนี้ว่า Machine Learning เป็นเทคโนโลยีที่สร้างขึ้นผ่านการเรียนรู้มาแล้วซึ่งสำคัญต่อธุรกิจในปัจจุบันมาก อาทิ บริษัทชั้นนำอย่าง Amazonและ Facebook ยังได้นำเทคโนโลยี Machine Learning มาใช้ เพื่อเพิ่มคุณค่าให้แก่ตัวเอง,Google และ Facebook ได้นำMachine Learning เข้ามาปรับใช้ในด้านการโฆษณาเพื่อให้โฆษณาแต่ละตัวสามารถเข้าถึงและสื่อสารกับผู้บริโภคที่เป็นกลุ่มเป้าหมายได้ในระดับรายบุคคล อย่างตอนที่เราสมัคร Facebook เราไม่ได้ระบุว่า เราฟังเพลงแนวไหน ชอบกินอาหารอะไร แต่ด้วยเทคโนโลยี Machine Learning ที่พบเห็นได้ทั่วไป คือ เทคโนโลยีที่ทำให้ระบบสามารถเรียนรู้จากข้อมูลที่ได้รับ และนำข้อมูลเหล่านั้นมาประกอบการตัดสินใจ เพื่อให้ได้ผลลัพธ์ที่ดีที่สุด
ในสถานการณ์นั้นๆ ซึ่งไม่ใช่แค่การตัดสินใจแบบ "ใช่/ไม่ใช่" หรือถูก/ผิด" เป็นต้น แต่เป็นการตัดสินใจที่อิงกับความน่าจะเป็นผลลัพธ์ที่เป็นไปได้
ดังนั้นเทคนิคของระบบ Machine Learning คือ การสะสมข้อมูลเข้ามาเรื่อยๆ แล้วนำมาประมวลผล พร้อมทั้งคาดเดาว่าจะเกิดอะไรขึ้น ไม่ว่าจะเป็นการเดาทิศทางตลาดหุ้น หรือการคาดเดาเรื่องที่ซับซ้อน อาทิ
พฤติกรรมมนุษย์ โดยอาจจะอิงจากสิ่งที่ปฏิบัติทุกวัน หรือมีการปฏิบัติบ่อยครั้ง โดยนำข้อมูลทั้งหมดมาจัดกลุ่มโดยอิงจากสิ่งที่คล้ายคลึงกัน ซึ่งจะมีประโยชน์มากในด้านการตลาด เพราะทำให้สามารถปรับข้อความการสื่อสารจากองค์กรให้ไปถึงลูกค้าได้
ยกตัวอย่างกรณีของ Amazon ถ้ามีลูกค้าเข้าไปดูหนังสือเกี่ยวกับการเงิน ระบบก็จะแสดงรายชื่อหนังสือที่ลูกค้าเคยซื้อไป ซึ่งวิธีนี้ทำให้ลูกค้าที่ตั้งใจจะซื้อหนังสือแค่ 1 เล่ม อยากจะซื้อเพิ่มอีก ทำให้ Amazon สามารถสร้างรายได้มากขึ้น อย่างไรก็ตาม อย่าพึ่งพาข้อมูลจากระบบ Machine Learning เพียงอย่างเดียวเพราะว่าสิ่งต่างๆ เปลี่ยนไปทุกวัน ดังนั้นต้องตอบตัวเองให้ได้ก่อนว่า จุดมุ่งหมายของเราคืออะไร ข้อมูลอะไรที่เราต้องการ
นายเจสัน โลธ์ ผู้จัดการผลิตภัณฑ์อาวุโสเอเชียแปซิฟิก,แซส กล่าวว่า ในบรรดาบริษัทชั้นำ 500 บริษัท ที่ถูกจัดอันดับโดยนิตยสารฟอร์จูน ปัจจุบันได้ปิดตัวลงไปกว่า 52% โดยทุกอุตสาหกรรมต่างก็ได้รับผลกระทบ ยกตัวอย่างกรณีของ Netfilx ที่เริ่มกิจการในปีค.ศ. 1997 เปิดเว็บไซต์ให้เช่า DVD แต่เมื่อธุรกิจเริ่มเติบโตก็มีการเรียกเก็บค่าสมาชิก ต่อมาในปี ค.ศ.2000 หลังจากเทคโนโลยีใหม่อย่างStreaming และBig data เริ่มได้รับความสนใจ Netflix ได้ขอเข้ารวมกิจการกับ Blockbuster ซึ่งเป็นเครือข่ายร้านเช่าภาพยนตร์ที่เป็นที่นิยมในยุคนั้นแต่ได้รับการปฏิเสธจากBlockbuster ทำให้ Blockbuster เสียฐานลูกค้าให้ Netflix และขาดทุนจนต้องปิดตัวไปในที่สุด
ดังนั้น การทำธุรกิจ หรือการสร้างซอฟต์แวร์แบบโอเพ่นซอร์สที่อนุญาตให้ผู้ใช้งานแก้ไข และปรับปรุงตัวซอฟท์แวร์เองได้นั้นเป็นสิ่งที่ต้องทำ และจุดนี้แซสได้ก้าวผ่านมาแล้ว โดยแซสยินดีเป็นอย่างยิ่งที่จะมีการดัดแปลง และต้อนรับโปรแกรมเมอร์ทุกคนที่ชอบชการแก้ไข ดัดแปลงหรือปรับปรุงซอฟต์แวร์ เพื่อให้เข้ากับการใช้งานของตัวเอง อย่างเทคโนโลยี SAS Viya แพลทฟอร์มในการประมวลผล และวิเคราะห์ข้อมูลแบบ Parallel รุ่นที่ 4 จากการที่แซสเป็นผู้คิดค้นแพลทฟอร์มนี้ขึ้นมา และกระตือรือร้นในการดูแลลูกค้า และpartner อยู่เสมอไม่ว่าลูกค้าจะเจอปัญหาในช่วงเวลาไหน แซสพร้อมที่จะให้คำปรึกษา และช่วยเหลือผ่านโทรศัพท์ หรือไม่ลูกค้าก็อาจจะแก้ไขปัญหาได้เอง หรือบางครั้งก็อาจจะต้องใช้นักวิทยาศาสตร์ข้อมูลมาช่วยเหลือ ซึ่งความกระตือรือร้นเหล่านี้ ทำให้แซสเป็นซอฟต์แวร์ที่ได้รับการยอมรับ และมีความปลอดภัยในการใช้งาน ที่สำคัญสามารถเชื่อมต่อกับคลาด์ได้ตามต้องการ ล่าสุดแซสยังได้จับมือกับ MathLab ซึ่งเป็น partnerในการพัฒนาซอฟต์แวร์เพื่อให้สามารถวิเคราะห์ข้อมูลได้มากขึ้น หรือสามารถวิเคราะห์ข้อมูลได้รวดเร็วถึง 200 MB ต่อวินาที