From ETL to ECL ตอนที่ 2

จากประสบการณ์ที่ผ่านมาของหลายองค์กร พบว่าแม้มีการจัดเก็บข้อมูลในรูปแบบ ETL ที่ช่วยให้เห็นตัวเลขชัดเจน แต่ยังขาดข้อมูลที่บอก "ทำไม" ทำให้การวิเคราะห์ภาพรวมยังไม่สมบูรณ์ โดยเฉพาะข้อมูลสำคัญที่อยู่ในรูปแบบ Unstructured Data เช่น บันทึกการคุยกับลูกค้า, ข้อความในแชท, หรือเสียงโทรศัพท์ ซึ่งมักไม่ได้อยู่ใน Data Warehouse หลายองค์กรจึงนำเอกสารและข้อมูลเหล่านี้ไปทำ Embedding เพื่อให้ AI สามารถดึงข้อมูลออกมาใช้ได้ แต่จากที่ได้ลองใช้จริง กลับพบว่า AI ยังไม่สามารถแยกแยะได้ว่าส่วนไหนสำคัญกว่าหรือเป็นสัญญาณเตือนอันตราย และไม่เข้าใจบริบทหรือความเชื่อมโยงระหว่างข้อมูลต่างๆ อย่างลึกซึ้ง สิ่งที่ทำให้ AI ทำงานได้ดีขึ้น คือการสร้างโครงสร้างข้อมูลที่เรียกว่า ECL (Extended Contextual Learning) ซึ่งไม่ใช่แค่การรวมข้อมูลให้เป็นเอกภาพ แต่เป็นการวางระบบที่ช่วยให้ AI เข้าใจ "เรื่องราว" และความสัมพันธ์ของข้อมูลอย่างครบถ้วน เช่น เชื่อมโยงข้อมูลจากการสนทนาใน Slack, รายงาน PDF และเสียงโทรศัพท์เข้าด้วยกัน เพื่อเห็นภาพรวมทั้งระบบและเวลาของเหตุการณ์ ในการทำงานจริง แนะนำให้ปรับเปลี่ยนการจัดเก็บข้อมูลให้เหมาะสมกับการเรียนรู้ของ AI มากขึ้น รวมถึงการมีทีมงานที่เข้าใจธุรกิจช่วยวิเคราะห์ความสำคัญของข้อมูลที่แตกต่างกัน เพื่อป้อนข้อมูลเชิงลึกและขจัดสัญญาณรบกวน (noise) ที่อาจทำให้ AI ตีความผิดพลาด ท้ายที่สุด การเข้าใจว่า "ข้อมูลที่กระจัดกระจาย" แตกต่างจาก "ข้อมูลที่เชื่อมกันเป็นความเข้าใจ" อย่างไร จะช่วยให้องค์กรสามารถวางแผนและออกแบบระบบข้อมูลที่ตอบโจทย์การใช้งาน AI ได้อย่างแท้จริง และนี่คือก้าวสำคัญจาก ETL สู่ ECL ที่น่าจะช่วยให้การทำงานกับ AI มีประสิทธิภาพมากขึ้นในอนาคต