From ETL to ECL Part 2
Hello, today I concluded from part one.
ETL makes us see "numbers."
But the question is,
👉 What about the reason?
In the organization, actually.
Information that tells "why"
Often not in Data Warehouse.
It's in.
- Record of talking to a client.
- A message in Slack.
- PDF report
- The sound of the phone.
- Comments from the team closest to the job.
Many organizations therefore tried shortcuts.
Take all the papers to make Embedding.
But that may not be enough.
Because AI might be able to retrieve data.
But still don't understand that.
What is more important
What's a danger sign?
What is the reason that joins everything together?
Having Unstructured Data
Doesn't mean AI already understands the context.
This 2nd episode
Clearly see that
"Scattered information."
With
"Connected information is understanding."
What's the difference?
📐 Next episode:
So what kind of data structure?
That really makes AI the big picture.
The first article is added in the first comment.
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
