ก่อนทำ AI ต้องมีข้อมูลที่ดีหรือไม่?
AI ไม่ได้สร้างความจริงขึ้นมาใหม่ มันเพียงขยายสิ่งที่ข้อมูลของคุณบอก ถ้าข้อมูลสับสน คำตอบที่ได้จะสับสนอย่างมั่นใจ
บริษัทแห่งหนึ่งตื่นเต้นกับ AI มาก ผู้บริหารตั้งงบไว้หลายแสนบาทเพื่อสร้างระบบทำนายยอดขาย ทีมงานเก่ง โมเดลทันสมัย แต่พอผลลัพธ์ออกมา มันกลับทำนายได้แย่กว่าการเดาด้วยสามัญสำนึกของหัวหน้าฝ่ายขายเสียอีก เมื่อขุดลงไปดู ปัญหาไม่ได้อยู่ที่โมเดล แต่อยู่ที่ข้อมูลยอดขายย้อนหลังที่บันทึกไม่สม่ำเสมอ ชื่อสินค้าตัวเดียวกันถูกพิมพ์ไว้เจ็ดแบบ และวันที่ของบางรายการคือวันที่กรอกข้อมูล ไม่ใช่วันที่ขายจริง
นี่ไม่ใช่เรื่องแปลก หลักการเก่าแก่ในวงการข้อมูลที่ว่า ขยะเข้า ขยะออก ไม่เคยล้าสมัย และ AI ก็ไม่ได้ยกเว้นกฎข้อนี้ มันเพียงทำให้กฎข้อนี้แพงขึ้นและซ่อนเร้นขึ้น
ทำไมการข้ามขั้นข้อมูลถึงน่าดึงดูด
การทำความสะอาดข้อมูลเป็นงานที่น่าเบื่อ ไม่มีใครได้ขึ้นเวทีเพื่อพูดถึงการจัดระเบียบตารางข้อมูล ในขณะที่การเปิดตัวฟีเจอร์ AI ทำให้บริษัทดูล้ำสมัยและน่าตื่นเต้น แรงกดดันจากตลาดและคู่แข่งยิ่งทำให้ผู้บริหารอยากเห็นผลเร็ว ๆ การลงทุนกับสิ่งที่มองไม่เห็นอย่างคุณภาพข้อมูล จึงมักถูกเลื่อนออกไปเสมอ
ยิ่งไปกว่านั้น เครื่องมือ AI สมัยใหม่ทำงานได้แม้กับข้อมูลที่ไม่สมบูรณ์ มันจะให้คำตอบเสมอ ไม่เคยปฏิเสธว่าไม่รู้ ความสามารถในการให้คำตอบที่ดูน่าเชื่อถือนี้เองที่อันตราย เพราะมันปกปิดว่ารากฐานข้างใต้นั้นง่อนแง่นเพียงใด
ต้นทุนที่ปรากฏหลังจากนั้น
เมื่อ AI ตัดสินใจผิดเพราะข้อมูลผิด ความเสียหายไม่ได้หยุดอยู่ที่ตัวเลขที่คลาดเคลื่อน มันลามไปถึงความเชื่อมั่นด้วย เมื่อทีมขายเห็นว่าระบบทำนายผิดสองสามครั้ง พวกเขาจะเลิกเชื่อมันถาวร และความไว้วางใจที่หายไปนั้นเรียกกลับยากกว่าการแก้โค้ดมาก โครงการ AI หลายโครงการไม่ได้ตายเพราะเทคโนโลยีล้มเหลว แต่ตายเพราะไม่มีใครเชื่อผลลัพธ์อีกต่อไป
ในระยะยาว องค์กรที่ลงทุนกับข้อมูลก่อน มักได้เปรียบแบบทบต้น เพราะข้อมูลที่สะอาดและมีโครงสร้างชัดเจน ไม่ได้รับใช้แค่โครงการ AI โครงการเดียว แต่กลายเป็นสินทรัพย์ที่ทุกโครงการในอนาคตหยิบไปใช้ได้ ในทางกลับกัน ข้อมูลที่เลอะเทอะคือหนี้ที่ทบดอกเงียบ ๆ ทุกระบบใหม่ที่สร้างขึ้นบนข้อมูลนั้นจะแพงขึ้นและเปราะบางขึ้นเรื่อย ๆ
ถามให้ถูกก่อนเริ่ม
- ข้อมูลที่จะป้อนให้ AI ถูกบันทึกอย่างสม่ำเสมอแค่ไหน และใครรับผิดชอบความถูกต้อง
- ถ้าให้คนเก่งที่สุดในทีมดูข้อมูลชุดนี้ เขาจะตอบคำถามทางธุรกิจนี้ได้หรือไม่
- เรามีวิธีรู้หรือไม่ว่าเมื่อไรข้อมูลเริ่มผิด ก่อนที่ AI จะตัดสินใจจากมัน
- ปัญหาที่เราอยากแก้ ต้องใช้ AI จริง ๆ หรือแค่ต้องการข้อมูลที่จัดระเบียบดี
คำตอบที่ตรงไปตรงมาคือ คุณไม่จำเป็นต้องมีข้อมูลที่สมบูรณ์แบบก่อนเริ่ม AI เพราะข้อมูลที่สมบูรณ์แบบไม่มีอยู่จริง แต่คุณต้องรู้จักข้อมูลของตัวเองดีพอที่จะเข้าใจว่ามันบอกอะไรได้และบอกอะไรไม่ได้ ความเข้าใจนั้นต่างหากที่เป็นจุดเริ่มต้นที่แท้จริง
บริการที่เกี่ยวข้อง
รับทำ Data Platform และ BI
รวมข้อมูลจากทุกระบบไว้ชั้นเดียว กำหนดนิยามตัวชี้วัดให้ตรงกันก่อนทำรายงาน
WhaleScope
ดูโครงสร้างตลาดของทุกหมวดธุรกิจไทย บน WhaleScope
รายชื่อบริษัท ผู้เล่นรายใหญ่ และอัตราคงอยู่ของแต่ละหมวด — จากข้อมูลจดทะเบียน 2 ล้านนิติบุคคล
อ่านต่อ
Data Contract: ข้อตกลงที่กันข้อมูลพังเงียบระหว่างทีม
เมื่อทีมหนึ่งเปลี่ยนโครงสร้างข้อมูลโดยไม่บอก รายงานและระบบปลายทางพังเงียบ ๆ Data Contract คือข้อตกลงชัดเจนว่าข้อมูลจะมีหน้าตาอย่างไร เพื่อให้เปลี่ยนแปลงได้โดยไม่ทำของคนอื่นพัง
ข้อมูลขยะเข้า ข้อมูลขยะออก ทำไม Data Quality สำคัญกับการตัดสินใจ
คู่มือเข้าใจง่ายสำหรับเจ้าของ SME ที่อยากตัดสินใจจากตัวเลข แต่ไม่แน่ใจว่าตัวเลขที่เห็นเชื่อถือได้แค่ไหน
Master Data สำคัญกว่าที่คิด
ลูกค้าหนึ่งราย สะกดได้ห้าแบบ เหตุใดรากฐานที่น่าเบื่อที่สุดจึงเป็นตัวตัดสินทุกอย่างที่ตามมา
ทำไมโครงการ AI หลายโครงการไม่คุ้ม และจะวัดผลตอบแทนอย่างไร
หลายองค์กรลงทุน AI เพราะกลัวตกขบวน แต่วัดไม่ได้ว่าได้อะไรกลับมา การวัดผลตอบแทนของ AI ต้องผูกกับผลลัพธ์ธุรกิจจริง เช่น เวลาที่ประหยัด หรือยอดที่เพิ่ม ไม่ใช่แค่ได้ใช้ของใหม่