ในยุคนี้ที่ AI มาแรงมาก คนพูดถึงแต่คำว่า “AI” ตั้งแต่ผู้บริหาร ยันคนทั่วไป ในมุมคนสาย Data แบบเราก็อาจจะเกิดคำถามว่า “แล้วจะเอาตัวรอดยังไงดี”
Data เป็นสายที่ใกล้กับ AI ค่อนข้างมาก เพราะถ้าอยากทำ AI ให้ดี ก็ต้องมี Data ที่มีคุณภาพ (Data Engineer) และต้องมีการวิเคราะห์ และพัฒนา Data Model ให้ดี (Data Analyst & Data Scientist)
แต่พอใกล้กันเกินไป ก็ทำให้มีข้อเสียตามมาด้วยเช่นกัน
ข้อเสีย คือ พอสาย Data ใกล้เคียงกับ AI ก็ทำให้มีการฝึก AI ให้ทำงานบางอย่างของสาย Data ได้ด้วยตัวมันเอง
ตัวอย่างที่เห็นได้ชัด คือ งานวิเคราะห์ข้อมูลเบื้องต้น (Data Analysis) เราสามารถให้ AI ช่วยอ่านไฟล์ข้อมูล (Excel – CSV) แล้ววิเคราะห์ได้เลย เช่น ตัวอย่างจาก ChatGPT ที่ผมเคยลองวิเคราะห์ข้อมูลโปเกม่อน
พอ AI เข้ามาทำงาน Data ได้ระดับหนึ่งแล้ว ก็ทำให้บริษัท โดยเฉพาะสาย Tech เห็นว่าสามารถจ้างคนน้อยลงได้ ทำให้มีการ Layoff กันเยอะแยะ โดยเฉพาะในช่วงนี้
แล้วคนสาย Data แบบเราทำยังไงได้บ้าง เอาตัวรอดยังไงดีในยุค AI ?
จากประสบการณ์ที่ทำงานในบริษัทที่ใช้ AI ได้เยอะมาก และได้คุยกับคนสาย Data หลายคนที่เอาตัวรอดกันมาได้ เลยขอเอามาสรุปเป็น 3 วิธีในการเอาตัวรอดในบทความนี้ครับ
1. Integrate AI เข้ามาช่วยในงานหลักของเรา
ข้อนี้เป็นแบบง่ายที่สุด คือ เราลองดูว่างานที่เราทำมีส่วนไหนบ้าง ส่วนไหนที่ใช้ AI ช่วยได้บ้าง แล้วก็เอา AI มาใช้
สิ่งสำคัญในการเริ่มต้น สำหรับหลายคนที่กลัว AI มาแย่งงาน คือ ต้องยอมรับและเข้าใจว่า
1. เราทำงานเร็วขึ้นด้วย AI ได้
2. คน + AI ทำงานร่วมกัน ยังไงก็ได้ผลดีกว่า AI ล้วน ๆ หรือ คนล้วน ๆ
3. AI ไม่ได้เก่งทุกอย่าง เราต้องหยิบมาใช้ในงานที่ AI ทำได้ดี
เมื่อเรามอง AI เป็นเหมือนคนที่จะมาช่วยให้เราเก่งขึ้น ทำงานบางอย่างได้ไวขึ้นแล้ว เราก็จะเลือกหยิบมา AI มาใช้ในงานที่จำเป็น ส่วนบางงานเราก็ทำเอง แต่โดยรวมแล้วเราจะเร็วขึ้นแน่นอน
ตัวอย่างของสาย Data ในการใช้ AI
ถ้าเราลองใช้งาน AI บ่อย ๆ แล้ว จะพบว่า สาย Data อย่างเราสามารถนำ AI มาใช้ประโยชน์ได้ทุกสายเลย เช่น
- สาย Data Engineer ต้องตรวจสอบคุณภาพข้อมูล ถ้าเรามีลิสต์อยู่แล้วว่าอยากตรวจอะไรบ้าง (เช่น คอลัมน์นี้ห้ามติดลบ, คอลัมน์นี้ต้องตรงกับค่านี้ ฯลฯ) เราก็ใช้ AI เข้ามาเช็คได้ว่าข้อมูลคุณภาพเป็นยังไงบ้าง
- สาย Data Analyst ต้องวิเคราะห์ข้อมูล เราก็ใช้ AI ช่วยทำ Data Profile เบื้องต้น และวิเคราะห์เบื้องต้น ก่อนที่เราจะเอามาตรวจเช็คความถูกต้อง
- สาย Data Scientist ต้องสร้างโมเดลทำนายผล (Prediction Model) ผ่านการเขียน Python เราก็ใช้ AI ช่วยเขียนโค้ดการสร้างโมเดลพื้นฐานได้ แล้วเราก็เอามาใช้งาน และปรับแก้ตามสมควร
ทำยังไงให้ AI เชื่อมต่อกับ Database / Data Warehouse
ปัญหาต่อมา คือ สำหรับคนสาย Data ข้อมูลของเราอยู่ใน Database / Data Warehouse แล้วทำยังไงให้เครื่องมือ AI แบบ ChatGPT, Claude, Gemini ฯลฯ อ่านข้อมูลของเราได้
ตอนที่ผมเริ่มต้นพยายามใช้ AI ก็ติดปัญหานี้เหมือนกัน จนสุดท้าย ผมค้นพบสิ่งที่เรียกว่า MCP (Model Context Protocol)
MCP ทำให้เครื่องมือ AI เชื่อมต่อเข้ากับฐานข้อมูลได้เลย โดยสามารถใช้งานได้ฟรี เช่น MCP Toolbox by Google
วีดิโอตัวอย่าง MCP Toolbox เชื่อมต่อกับฐานข้อมูล ผ่าน AI ของ Claude (Demo นาทีที่ 5:30)
ตัวอย่างการใช้งาน MCP จากงานจริงของผม ในมุม Data Engineer
ผมต้องการตรวจเช็คความถูกต้อง (Data Validation) ของข้อมูลจาก 2 ตาราง โดยข้อมูลหนึ่งมาจาก API ส่วนข้อมูลอีกก้อนมาจากการดาวน์โหลดไฟล์ ผมเลยต้องเช็คว่าข้อมูลมันตรงกันมั้ย
ผมก็สามารถติดตั้ง MCP Toolbox ด้านบน เชื่อมต่อกับ Data Warehouse ที่ผมใช้ (BigQuery) แล้วใช้ Prompt ว่า
| Connect to BigQuery, run data validation between table A and table B on: Check if the structure match Validate data on key columns – date, title, price |
แล้ว AI ก็จะไปทำ Data Validation มาให้ผม พร้อมกับสรุปข้อมูลแบบละเอียดให้เสร็จสรรพเป็นภาษามนุษย์ เข้าใจได้ง่าย
ตัวอย่างผลลัพธ์จาก MCP บน Claude
สำหรับคนสาย Data ทุกคน อยากให้ลองเอา MCP ไปใช้กันดูครับ เพราะส่วนตัวใช้แล้วบอกได้เลยว่าประหยัดเวลาไปได้เยอะมาก จากเดิมที่ต้องถาม AI ให้ AI เขียนโค้ดให้ แล้วเราไปหาวิธีรันแล้วดูผลลัพธ์เอาเอง
2. หาความรู้ Domain Knowledge ที่ AI ไม่รู้
ใช้ความรู้จาก AI + ความรู้จากมนุษย์
หลายคนอาจคิดว่า AI มีความรู้ทุกอย่างบนโลก
แต่ความจริงของเครื่องมือ AI โดยทั่วไป (ChatGPT, Gemini, Claude ฯลฯ) คือ เครื่องมือเหล่านี้ถูกฝึก (Train model) ด้วยความรู้ที่หาอ่านได้ หรือความรู้ในอินเทอร์เน็ตเท่านั้น และมักจะเป็นความรู้จนถึงวันที่ฝึกเสร็จ (Cutoff date) ด้วย ทำให้ไม่มีความรู้ใหม่
นี่เป็นสาเหตุว่าทำไมเครื่องมือ AI บางตัว พอเราถาม ก็จะเสิร์ชเว็บให้เราด้วย ให้ได้ความรู้ใหม่ล่าสุดนั่นเอง
และนั่นแปลว่า AI มี Gap ด้านความรู้ ที่ถ้าเรารู้ ก็จะเหนือกว่า AI
หรือถ้าเรานำ ความรู้ของเรา มาผนวกกับ ความฉลาดของ AI ก็จะทำให้เราใช้ประโยชน์จาก AI ได้ดีขึ้นกว่าคนอื่น
ตัวอย่างความรู้ที่ AI ไม่มี:
- การเข้าหาลูกค้า (Client / Stakeholders) เช่น นิสัยของลูกค้าแต่ละคน และวิธีสื่อสารที่เหมาะสมกับคนนั้น ๆ
- ข้อมูลเฉพาะของบริษัท เช่น แผนงาน / Roadmap ของปีนี้ หรือเรื่องที่ CEO คนปัจจุบันให้การสนับสนุน
- ข่าวสารล่าสุด ข้อมูลวงในต่าง ๆ ที่ยังไม่มีการเปิดเผยในวงกว้าง
- ข้อมูลที่ไม่ได้มีการจดบันทึก ซึ่งเราอาจได้รับมาจากรุ่นพี่ในที่ทำงาน เช่น เหตุผลที่เลือกบริษัทเลือกใช้เทคโนโลยี X เมื่อหลายปีที่แล้ว
ความรู้เหล่านี้ จะทำให้เรามีข้อได้เปรียบเหนือ AI และจะเป็นสิ่งที่ทำให้เรามีคุณค่ากับบริษัท มากกว่าการใช้ AI มาทำงานแทนเราครับ
หลังจากนี้ ถ้าคุณทำงานในบริษัทอยู่ ลองตั้งใจฟัง Town hall หรือข่าวสารวงในให้เยอะ ๆ อาจจะเจอบางเรื่องที่ทำให้เราได้เปรียบกว่าคนทำงานทั่วไปได้
3. เรียน AI Engineering
การพัฒนา AI Chatbot ด้วยสกิล AI Engineering
สุดท้ายนี้ ถ้าเราต่อต้าน AI ไม่ได้ ก็เข้าร่วมมันซะเลย (และน่าจะต่อต้านไม่ได้จริง ๆ เพราะโลก AI โตเร็วเหลือเกิน)
และถ้าเราทำงานสาย Data อยู่แล้ว การขยับมาสาย AI ยิ่งได้เปรียบคนที่จะเริ่มต้นสาย AI จากศูนย์
แล้ว AI Engineering คืออะไรกันแน่? มันคือ การที่เรามีสกิลในการพัฒนาเทคโนโลยี AI โดยตรง
และข่าวดี คือ สกิลด้านนี้สามารถเรียนรู้กันได้ และอาจจะง่ายกว่าที่คิดด้วย
เราไม่จำเป็นต้องเป็นสาย Research ที่เน้นอ่านเปเปอร์ด้าน AI ทุกฉบับ และพยายามพัฒนา AI Model ขั้นพื้นฐาน (Foundation Model เช่น GPT, Claude Sonnet, Gemini) ของตัวเอง
แต่เราสามารถเรียนรู้การใช้งาน Foundation Model มาพัฒนาแอปพลิเคชันให้คนเข้ามาใช้งานได้
ตัวอย่างเช่น พัฒนา Chatbot ตอบคำถามลูกค้า
อันนี้เป็นตัวอย่างที่เราเห็นได้บ่อย ๆ และสร้างประโยชน์ได้เห็นชัด โดยใช้ AI ร่วมกับความรู้ในบริษัท มาตอบคำถาม เช่น Lazzie – AI ของ Lazada ในวีดิโอด้านล่าง
และถ้าสนใจด้านการใช้ AI ในธุรกิจ E-Commerce เพิ่มเติม เรามีรวบรวมไว้ให้แล้วในบทความ Use Case การใช้งาน AI ในธุรกิจ E-Commerce
[โปรโมท] เรียน AI Engineering กับทีม DataTH
คอร์ส Road to Generative AI Engineer โดยทีม DataTH
สุดท้ายนี้ ถ้าอ่านแล้วสนใจด้าน AI Engineering และอยากเรียนรู้ สามารถดูข้อมูลได้ที่ คอร์ส Road to Generative AI Engineer
คอร์สนี้ เราสร้างขึ้นมาสำหรับคนที่สนใจอยากเป็นนำ AI Model มาพัฒนาเพื่อใช้จริง ให้เป็นมากกว่าคนที่คุยกับ AI เฉย ๆ
ผู้สอนคอร์สนี้ล้วนเป็นคนไทยที่ทำงานในสาย AI แบบลึก ๆ มาหลายปีทั้งนั้น ซึ่งไม่บ่อยนักที่เราจะได้เรียนรู้จากคนกลุ่มนี้
- คุณฝน Kamolphan – Google Developer Expert – Cloud
- คุณโร่ Witthawin – AI Researcher at CU-AI, ex-Lead AI Engineer at Botnoi Group
- คุณฝน Azure Data Engineer (Sydney), ex-Azure Data & AI Specialist at Microsoft [Australia], ex-Machine Learning Engineer at ExxonMobil
ความรู้ที่จะได้จากคอร์สนี้ จะเน้นความรู้ด้าน Foundation AI ผนวกด้วย Workshop ให้ลงมือทำ เพื่อให้ผู้เรียนได้มีประสบการณ์จริง และสามารถใช้ความรู้นี้ได้อีกยาว ๆ ทั้งในงาน และโปรเจคส่วนตัวครับ
ดูรายละเอียด & ลงทะเบียนเรียน Road to Generative AI Engineer ได้ที่นี่
—
ขอบคุณที่อ่านกันมาจนจบบทความนี้ครับ และถ้าอ่านแล้วมีคำถาม หรือสนใจเกี่ยวกับคอร์ส สามารถ ทักมาที่ Facebook Page ได้เลย
ถ้าเพื่อน ๆ คิดว่าบทความนี้มีประโยชน์ โดยเฉพาะกับคนในสาย Data ที่อยากหาวิธีเอาตัวรอดในยุค AI อยากฝากให้ช่วยแชร์ให้เพื่อน ๆ หน่อยครับ
และถ้าอยากติดตามบทความดี ๆ ด้าน Data กัน สามารถติดตาม DataTH ได้บนช่องทางต่าง ๆ ทั้ง Website, Facebook, และ Youtube
แล้วพบกันใหม่บทความหน้าครับ
