ทำไม Data Architecture ถึงเป็นตัวช่วยสำคัญสู่ความสำเร็จของ AI ?
สิ่งหนึ่งที่เราเรียนรู้หลังจากได้พูดคุยกับกลุ่มเป้าหมาย และลูกค้าของทาง Dataiku คือ โครงสร้าง Data Architecture (สถาปัตยกรรมข้อมูล) ดูจะเป็นได้เพียงแรงบันดาลใจมากกว่าจะเป็นไปได้จริง เนื่องจากในระดับองค์กรนั้น ata Architecture มีทั้งความซับซ้อน และเปลี่ยนแปลงอยู่ตลอดเวลา อย่างไรก็ตามความสำคัญของ Data Architecture ก็มีผลต่อการพัฒนาของ AI นั้นไม่ใช่เรื่องเกินจริง
จากมุมมองของ Data Architecture ในการปรับขนาด AI ทั่วทั้งองค์กร และการจะทำให้ผู้คนที่มีจำนวนเพิ่มมากขึ้นเรื่อยๆ สามารถเข้าใช้ข้อมูลในการทำงานแต่ละวันได้นั้น จำเป็นต้องมีองค์ประกอบ 3 อย่างนี้
- การทบทวนความพยายามในการรวมศูนย์กลางอย่างต่อเนื่อง
- การทบทวนบทบาทของ IT ในแง่ที่กว้างขึ้นกว่าเก่า
- ใช้วัตถุประสงค์ทางธุรกิจเพื่อวางแผนสภาปัยกรรม ไม่ใช่ในทางกลับกัน
มาสำรวจแนวคิดข้อแรกและความสำคัญของสถาปัตยกรรมข้อมูลที่ตรงกับความต้องการของธุรกิจ
ประโยชน์จากการกระจายศูนย์กลางสถาปัตยกรรมข้อมูล
เมื่อพูดถึง Data Architecture ในระยะ 5 ถึง 10 ปีที่ผ่านมา มักเป็นไปในรูปแบบของการรวมศูนย์กลางแทบทั้งสิ้น อันที่จริงแล้ว ทั้งทีมและผู้นำ IT ส่วนใหญ่ต่างทดลองการรวมศูนย์ Data Architecture มาแล้วหลายต่อหลายครั้ง และอาจจะมากเกินไปด้วยด้วยซ้ำ แต่ที่ Dataiku ได้มีการพูดคุยกับทีมจำนวนมาก (จากองค์กรขนาดใหญ่ที่มีความหลากหลายทางวัฒนธรรมในอุตสาหกรรมประเภทต่างๆ) เกี่ยวกับการวางโครงสร้าง Data Architecture ของพวกเขา ซึ่งโดยทั่วไปหากเริ่มถามคำถามเช่น “คุณมีแหล่งข้อมูลจริงเพียงหนึ่งเดียว (SSOT) กี่แหล่ง?” คำตอบมักไม่ใช่แค่หนึ่งแหล่ง แต่เป็น 2,3,4 หรือมากกว่านั้น ฟังดูคุ้นๆไหมล่ะ?
เมื่อความพยายามที่จะรวมศูนย์ได้ล้มเหลวครั้งแล้วครั้งเล่า คำตอบของปัญหานั้นไม่ใช่การเพิ่มจำนวนการรวมศูนย์ไปแบบไม่จบสิ้น แต่ความเป็นจริงที่เจอมักจะเป็นเช่นนั้น
ข้อผิดพลาดของ Data Architecture สถาปัยกรรมข้อมูลองค์กร
ความพยายามในการรวมศูนย์ในปัจจุบัน โดยเฉพาะอย่างยิ่งในเนื้อหาข้อมูล, การวิเคราะห์, และการพัฒนา AI อาจจะฟังดูคล้าย ๆ แบบนี้:
- “เราจำเป็นต้องจัดการกับงานธรรมาภิบาลให้ได้ก่อนเริ่มหามูลค่าจากข้อมูลและการพัฒนา AI”
- “เราต้องแก้ไขคุณภาพข้อมูลก่อนเริ่มลงทุนในอุปกรณ์เพื่อใช้ใน data science อย่างจริงจัง, แมชชีนเลิร์นนิ่ง, หรือ AI โปรเจคต่างๆ”
- “เราแค่ต้องทำการย้ายข้อมูลบนคลาวด์ให้เสร็จก่อน แล้วค่อยเริ่มรับผลตอบแทนจากการลงทุนในข้อมูล”
ธรรมาภิบาล, คุณภาพข้อมูล, และการย้ายข้อมูลไปยังคลาวด์ ล้วนมีความสำคัญอย่างไม่ต้องสงสัย แต่ประเด็นสำคัญ คือ ขณะที่เราไม่อาจต้านทานแรงดึงดูดให้เริ่มโปรเจคต่างๆ ข้างต้นได้ ในมุมมองของ IT การรวมศูนย์ข้อมูลให้มากขึ้นโดยปราศจากเป้าหมาย หรือวัตถุประสงค์ตามกรณีใช้งานที่ใหญ่ขึ้นนั้น ไม่สามารถเพิ่มมูลค่าธุรกิจได้และอาจหมายถึงความพยายามที่สูญเปล่าอีกด้วย
วิธีการสร้าง Data Architecture ให้เข้ากับ AI
ทุกวันนี้หากพูดถึงสถาปัยกรรมการรวมศูนย์หรือกระจายศูนย์ข้อมูลนั้นแทบจะเป็นไปไม่ได้เลยที่จะwูดถึงเทรนด์ล่าสุดอย่าง The Data Mesh ซึ่งแนวคิด นั้นมีความเป็นสถาปัตยกรรมน้อยกว่าในมุมมองเชิงเทคนิค แต่มีความเป็นสถาปัยกรรมข้อมูลมากกว่าในมุมมองเชิงองค์กร
โดยสรุปก็คือ Data Mesh นั้นเกี่ยวกับการกระจายศูนย์และความเป็นเจ้าของในทรัพย์สินข้อมูลทางธุรกิจ ซึ่งนั่นหมายความว่าแทนที่แผนก IT ที่เคยเป็นจุดหลักคอยควบคุมแหล่งข้อมูลจริงเพียงหนึ่งเดียวตลอดทั้งสายงานธุรกิจ ความรับผิดชอบนี้จะตกไปอยู่ที่ตัวธุรกิจเอง
ข้อดีของแนวทางนี้คือทำให้ธุรกิจมีหน้าที่ดูแลรักษา, ใช้งาน และสร้างมูลค่าจากข้อมูลของตนเอง ทั้งนี้ ถึง IT จะมีแหล่งข้อมูลจริงเพียงหนึ่งเดียวอยู่กับตัวแต่หากไม่มีใครยอมรับข้อมูลนั้น การรวมศูนย์จะมีประโยชน์อะไร? การให้ทุกแผนก, ทีม หรือแม้กระทั่งพนักงานทุกคนมาสร้าง“มุมมอง” ของลูกค้าเพียงมุมเดียวของพวกเขาซ้ำแล้วซ้ำเล่าเป็นเรื่องไม่จำเป็น ทั้งยังเพิ่มงานให้กับ IT ที่ต้องทำการรวมศูนย์ที่มีอยู่แล้วเพิ่มอีกด้วย
Data Architecture : หาจุดสมดุล
ความต้องการรวมศูนย์ หรือความพยายามกระจายศูนย์ต่างๆ ก่อให้เกิดความตึงเครียดซ่อนอยู่ระหว่าง IT และธุรกิจ อย่างไรก็ตามเทคโนโลยีเพียงอย่างเดียวไม่สามารถ (และไม่มีทาง) แก้ไขความตึงเครียดนี้ลงได้ สิ่งที่จะเข้ามาช่วยได้ คือการทำให้ความต้องการทางธุรกิจเป็นไปในทิศทางที่ใกล้เคียงกับผู้เป็นเจ้าของข้อมูลให้ได้มากที่สุด ซึ่งแปลว่าจะต้องหาผู้เชี่ยวชาญโดเมนมาตัดสินใจว่าข้อมูลหมายถึงอะไร, ใครควรเป็นผู้ใช้งานข้อมูลนั้น, ควรใช้ข้อมูลอย่างไร และอื่นๆ สามารถติดต่อทีมผู้เชี่ยวชาญด้าน Data Architecture ของเราได้ที่นี่ คลิก
