วิธีเลือก Notebook และ PC สำหรับทำงาน และเรียนด้าน Data Science

สำหรับคนที่อยากเริ่มทำด้าน Data Science หรือเริ่มเรียนปริญญาตรี ปริญญาโท ด้าน Data Science ก็ตาม มักจะมีคำถามว่า “เลือก Notebook แบบไหน เหมาะสำหรับการเอามาทำ Data Science?”

ในบทความนี้ เราจะแนะนำ Spec คอมพิวเตอร์สำหรับเอามาทำงาน Data แอดจะเล่าครอบคลุมถึงงานด้านต่าง ๆ ไม่ว่าจะเป็น Data Analyst, Data Scientist, หรือ Data Engineer ก็สามารถเลือกคอมพิวเตอร์ตามบทความนี้ได้เลยครับ

ข้อมูลในบทความนี้จะแนะนำจากประสบการณ์ตรงที่ได้ทำงานด้าน Data มา และได้ลองใช้คอมพิวเตอร์มาหลากหลายรูปแบบ รวมถึงที่ถามเพื่อน ๆ ท่านอื่น และหาข้อมูลมาเพิ่มด้วยครับ เพื่อให้เพื่อน ๆ ได้ข้อมูลที่ครบมากที่สุด

ในช่วงแรกของบทความนี้ เราจะมาคุยกันถึงว่า Spec คอมพิวเตอร์ที่งาน Data ต้องใช้มีอะไรบ้าง และท้ายบทความนี้จะแนะนำ Notebook รุ่นต่าง ๆ ครับ

มาเริ่มกันเลยครับ

Spec ของ Notebook / PC ที่เหมาะกับงาน Data Science

ถ้าจะซื้อคอมพิวเตอร์ที่เหมาะกับงาน Data Science เราจะดู 7 เรื่องนี้เป็นหลักครับ

1. RAM

สิ่งที่สำคัญมากในการทำงานกับข้อมูลขนาดใหญ่ คือ RAM (Random Access Memory = หน่วยความจำ) นั่นเองครับ เพราะการจะเปิดไฟล์ข้อมูลใหญ่ ๆ ขึ้นมาดู จะต้องใช้ RAM

ยิ่งในยุคนี้ที่ Data มีจำนวนมากขึ้น การที่มี RAM เยอะขึ้นก็จะยิ่งทำให้เราเพลิดเพลินกับการเปิดไฟล์ข้อมูลขนาดใหญ่ในคอมพิวเตอร์ตัวเองครับ และถ้า RAM ไม่พอ ก็อาจจะเปิดไฟล์ไม่ได้เลย หรือต้องเล่นท่ายาก เช่น ใช้คำสั่ง UNIX ในการเปิดไฟล์ทีละส่วนครับ

คอมพิวเตอร์สำหรับงาน Data Science ต้องใช้ RAM เท่าไหร่ดี ?

เวลาไปซื้อคอมพิวเตอร์ ร้านขายคอมพิวเตอร์ก็มักจะบอก RAM ไว้ตัวโต ๆ อยู่แล้ว เช่น RAM 4GB หรือ RAM 8GB หรือถ้ามากขึ้นไปอีก ราคาก็จะแพงตาม

สำหรับงาน Data Science แนะนำ RAM 8 GB หรือ 16 GB ครับ จะไว้ใช้ได้สบาย ๆ และถ้างบประมาณพอสมควร ก็อาจจะอัพขึ้นไปให้สูงกว่านี้ก็ได้ครับ

ผมเคยคุยกับ Professor ที่สอนด้าน Data ที่มหาวิทยาลัยที่ผมเรียนจบมา เค้าบอกว่าคอมพิวเตอร์ที่แล็ปเค้ามี RAM เกิน 100 GB เลยทีเดียวครับ (อยากมีงบมหาวิทยาลัยไว้ใช้จ่ายบ้าง T_T)

หรือถ้าต้องการประหยัด RAM 4 GB อาจจะพอถูไถไปได้ครับ แต่อาจจะเจอความปวดหัวพอสมควรครับ ยิ่งถ้าเราเปิดโปรแกรมอื่นอยู่ด้วย เช่น Web Browser โดยเฉพาะ Google Chrome นี่ตัวกิน RAM เลยครับ เลยไม่ค่อยแนะนำ

2. CPU / GPU

CPU (Central Processing Unit) คือ ความเร็วในการคำนวณของคอมพิวเตอร์ครับ ซึ่งถ้าใครอยากทำโมเดลสาย Machine Learning หรือ Deep Learning จำเป็นต้องมี CPU ที่แรงครับ เพราะงานด้านนั้นต้องประมวลผลเยอะมากครับ

ถ้าเป็น Data Analyst ก็ควรจะมี CPU ที่ดีพอสมควร เพราะเราต้องทำงานร่วมกับ Excel หรือโปรแกรม Data Visualization ต่าง ๆ ที่จำเป็นต้องมีการประมวลผลเช่นกัน ถึงอาจจะไม่หนักเท่าการทำโมเดล Machine Learning

หรือแม้แต่สาย Data Engineer ที่ทำงานกับ Cloud Computing เวลาที่เราเช่าคอมพิวเตอร์ หรือ Virtual Machine บน Cloud มาใช้ ก็จะต้องเลือก CPU ที่เหมาะสมกับงานที่ต้องการทำครับ

GPU คืออะไร เกี่ยวกับงาน Data Science ยังไง

สำหรับคนที่ทำงานสาย Data ผมอยากแนะนำให้รู้จัก GPU (Graphics Processing Unit) ซึ่งเป็นส่วนเสริมของคอมพิวเตอร์ที่คล้าย CPU แต่ประมวลผลได้เร็วสุด ๆ ไว้ด้วยครับ เราจะชอบเรียกมันว่า “การ์ดจอ” นั่นเอง

ประโยชน์ของการ์ดจอ GPU มีเยอะมากครับ ไม่ว่าจะเอาไว้ทำให้คำนวณกราฟฟิกให้ภาพลื่นไหลขึ้น เวลาเราเล่นเกมส์ หรือเอาไว้ขุดเหรียญคริปโต (Cryptocurrency) ก็ยังได้

และสำหรับงาน Data Science เราใช้ GPU เพื่อเอามาสร้างโมเดล Machine Learning หรือ Deep Learning ให้เร็วยิ่งขึ้นนั่นเองครับ

อย่างไรก็ตาม GPU มีราคาค่อนข้างสูงครับ ยิ่งประมวลผลได้เร็วยิ่งราคาแพง ยังไม่รวมถึงช่วงที่การลงทุนในคริปโตกำลังมาแรง ดึงราคา GPU ให้สูงขึ้นไปอีกครับ

บางคนอาจจะเลือกซื้อ Laptop ที่สร้างมาสำหรับเล่นเกมส์โดยเฉพาะ เพื่อเอามาทำโมเดล Machine Learning เพราะ Laptop เหล่านี้มักจะมี GPU ที่แรงติดมาด้วยครับ

คอมพิวเตอร์สำหรับงาน Data Science ต้องใช้ CPU / GPU เท่าไหร่ดี ?

CPU แบ่งเป็นชื่อรุ่นต่าง ๆ และเวอร์ชั่น (generation) เช่น Intel Core i7 – 9th generation

การเลือก CPU สำหรับงาน Data คือ ยิ่งเวอร์ชั่นใหม่ยิ่งดีครับ หรืออย่างน้อยควรจะเป็นรุ่น Core i5 และถ้าพอมีงบเหลือ กด Core i7 เลยครับ

และเวลาเราไปซื้อคอมพิวเตอร์ เราจะเจอเค้าเขียนบอกจำนวน Core ด้วย เช่น Dual (2) Core, Quad (4) Core ซึ่งอันนี้หมายถึงว่ายิ่งเลข Core เยอะ คอมพิวเตอร์ก็จะประมวลผลแบบพร้อมกันได้เยอะมากขึ้นครับ แปลว่า คอมพิวเตอร์เราจะเร็วขึ้นนั่นเอง

สำหรับ Core ที่เหมาะสมในงาน Data Science อย่างน้อยควรจะ 2 – 4 Core ครับ ถ้าได้มากกว่านี้ก็ยิ่งดี แต่ราคาก็จะสูงสักหน่อยครับ

สำหรับการ์ดจอ GPU ถ้าเราไม่ได้ทำงานด้านโมเดล Machine Learning เยอะ ๆ การลงทุนกับ GPU ไม่ได้จำเป็นขนาดนั้นครับ แต่ถ้าทำด้านนี้ และงบถึง ก็เป็นสิ่งที่น่าลงทุนครับ

เสริม: ถ้าซื้อ Mac เราจะไม่มีตัวเลือกมากนักในส่วนของ CPU / GPU ครับ ก็ใช้เท่าที่เค้ามีให้ ซึ่งก็จะเร็วอยู่แล้วครับ ส่วนถ้าต้องการปรับแต่งเองเยอะ ๆ ซื้อ Windows จะมีตัวเลือก CPU / GPU ที่หลากหลายกว่าครับ

3. SSD Storage

พูดถึงเรื่องหน่วยความจำ และการประมวลผลกันไปแล้ว อีกตัวเลขสำคัญที่เรามักจะเห็นกันตอนไปซื้อคอมพิวเตอร์ คือ Hard Disk / Hard Drive หรือ “พื้นที่บันทึกข้อมูล” นั่นเองครับ (ผมแปลไทยอาจจะฟังดูแปลก ๆ ไปนิด แนะนำคำที่เหมาะสมกว่ามาได้ในคอมเม้นท์เลยนะครับ)

Hard Disk ถือเป็นอีกส่วนที่สำคัญสำหรับงานด้าน Data เลยครับ เพราะบางทีส่งไฟล์ข้อมูลขนาดใหญ่ ๆ กันมาก ถ้า Hard Disk เราพื้นที่ไม่พอ ก็จะไม่สามารถเซฟไฟล์ลงมาเก็บได้ครับ

พอเราพูดถึง Hard Disk เราจะดู 2 อย่างครับ

1. เก็บข้อมูลได้มากขนาดไหน

2. ความเร็วในการอ่านข้อมูลเป็นอย่างไร

เนื่องจาก Hard Disk แต่ละประเภทก็มีความเร็วในการอ่านข้อมูลที่แตกต่างกันครับ เพราะฉะนั้น ถึง Hard Disk แบบเก่า (เราเรียกว่า SATA Hard Drive) จะมีราคาถูก และเก็บข้อมูลได้เยอะ แต่ก็จะอ่านข้อมูลได้ไม่เร็วเท่า Hard Disk แบบ SSD ครับ

SSD หรือ Solid-State Drive เป็น Hard Disk แบบที่สร้างขึ้นมาเพื่อเน้นความเร็วในการอ่าน-เขียนข้อมูล เพราะฉะนั้นจะเหมาะกับงาน Data ที่ต้องอ่าน-เขียนไฟล์ข้อมูลขนาดใหญ่อยู่บ่อย ๆ ครับ ราคาจะสูงกว่า SATA Hard Drive สักหน่อย แต่คุ้มค่าการลงทุนแน่นอนครับ

คอมพิวเตอร์สำหรับงาน Data Science ควรจะมี Storage เท่าไหร่ดี

แนะนำให้ใช้ Hard Disk เป็น SSD ที่ขนาด 256GB หรือมากกว่า

ในอนาคต ราคา Hard Disk จะถูกลงเรื่อย ๆ ด้วยครับ ถ้ามีงบอัพเกรดได้สูงกว่า 256 GB ก็ลุยเลยครับ

4. Operating System

Operating System (OS) หรือ ระบบปฏิบัติการ เป็นระบบหลักในคอมพิวเตอร์ของเราครับ ซึ่งตัวเลือกก็มีไม่เยอะครับที่คนนิยมใช้กัน คือ Windows, Mac OS, และ Linux

จากข้อมูลสถิติในปี 2020 จาก Statista คนนิยมใช้ Windows สูงกว่า Mac OS ที่ตามมาเป็นอันดับ 2 เกือบ 8 เท่าเลยครับ

สาเหตุที่ Windows เป็นที่นิยม เนื่องจากว่า มีโปรแกรมให้เลือกใช้เยอะ ทำให้นำไปปรับแต่งหรือใช้งานไหนก็ทำได้หลากหลายเลยครับ และคนน่าจะชินกับการใช้งาน Windows มากกว่าระบบปฏิบัติการอื่น ๆ อีกด้วย เพราะมีคอมพิวเตอร์ Windows ให้ใช้อยู่แทบทุกที่

ข้อเสียของ Windows ที่อาจจะเจอ คือ ด้วยความที่ Windows สามารถปรับแต่งได้เยอะ ถ้าเราพยายามติดตั้งอะไรหลายอย่าง ก็ทำให้ Windows ของเราช้าลงได้ครับ

Mac OS หรือ Linux มีข้อดีที่ความเรียบง่ายในการใช้งาน ถึงแม้โปรแกรมที่ติดตั้งได้จะมีให้เลือกไม่เยอะเท่า แต่โปรแกรมส่วนใหญ่ (โดยเฉพาะบน Mac OS) ค่อนข้างเร็ว และเสถียรครับ

นอกจากนั้นด้วยความที่มีดีไซเนอร์ใช้ Mac OS เยอะ ทำให้โปรแกรมบน Mac OS มักจะมีหน้าตาสวยงามน่าใช้ด้วยครับ (ส่วนราคาโปรแกรมอันนี้อีกเรื่องนึงครับ)

คอมพิวเตอร์สำหรับงาน Data Science ควรใช้ OS อะไร

ในงาน Data การเลือก OS จะขึ้นอยู่กับความชอบของแต่ละคน และโปรแกรมที่ใช้เป็นหลักครับ แต่ละ OS ก็มีข้อดี – ข้อเสียแตกต่างกันไปครับ

บางโปรแกรม เช่น PowerBI หรือ Qlikview ซึ่งเป็นโปรแกรมด้าน Data Visualization ชื่อดัง มีเฉพาะใน Windows เท่านั้นครับ เพราะฉะนั้นถ้าเป็น Data Analyst ที่ต้องใช้โปรแกรมพวกนี้ก็ต้องเลือก Windows ครับ

เพราะฉะนั้น ถ้าซื้อคอมพิวเตอร์ใหม่มาทำงานด้าน Data ผมยังเชียร์ Windows มากกว่าครับ แต่ถ้ามีคอมพิวเตอร์ Mac OS อยู่แล้วก็ไม่จำเป็นต้องซื้อคอมพิวเตอร์ใหม่ครับ ใช้ทำงานส่วนใหญ่ได้เหมือนกัน

อีกทางเลือกหนึ่งที่มีคนกลุ่มหนึ่งทำเหมือนกัน คือ ติดตั้ง OS ทั้งฝั่ง Windows และ Linux ในคอมพิวเตอร์เครื่องเดียวเลยครับ เช่น Windows + Ubuntu (Linux) หรือ Mac OS + Windows แต่คนทำแบบนี้ได้ก็จะต้องมีพื้นที่ในเครื่องเหลือพอสมควรเลยครับ

5. Battery Life

Battery Life หรือ ความจุแบตเตอร์รี่ สำคัญมากำหรับคนที่ต้องแบก Notebook ไปทำงาน / เรียน ตามที่ต่าง ๆ ครับ

สำหรับคนทำงาน อาจจะไม่กระทบมาก เพราะมักจะนั่งอยู่ที่โต๊ะเดิมนาน ๆ อยู่แล้ว หรือถ้าใคร Work from Home อยู่แล้วก็สบายเลยครับ หรือบางคนอาจจะเลือกเป็น PC (คอมพิวเตอร์ตั้งโต๊ะ) แทน Notebook เลยก็ได้

ถ้าเราต้องทำงาน / เรียน นอกสถานที่บ่อย ๆ ควรจะใช้ Laptop ที่มี Battery อยู่ได้อย่างน้อย 3-4 ชั่วโมง

สำหรับบางคน 3-4 ชั่วโมงอาจจะไม่พอด้วยครับ ถ้าต้องอยู่ข้างนอกเป็นเวลานาน และไม่สามารถหาที่ชาร์จได้

แต่ข่าวดี คือ ร้านกาแฟ หรือในตึกเรียน ในห้องเรียนบางที่ ก็จะมีช่องเสียบปลั๊กไฟที่เราชาร์จคอมพิวเตอร์ด้วยครับ เราก็ไม่ต้องกลัวแล้วถ้า Battery ของเราอยู่ได้ไม่นาน

6. Connectivity

Connectivity หรือ พอร์ต (Port) สำหรับเชื่อมต่ออุปกรณ์ต่าง ๆ ยิ่งมีเยอะยิ่งทำให้เราต่อเชื่อมกับอุปกรณ์ต่าง ๆ ได้ง่ายขึ้นครับ แต่อย่างน้อยควรจะมีพอร์ตหลัก ๆ นั่นคือ

• USB (หรือ USB-A) – พอร์ตนี้สามารถเสียบอุปกรณ์สำคัญต่าง ๆ ได้มากมาย ที่เราเห็นกันบ่อย ๆ คือ USB Drive, Keyboard, Mouse ฯลฯ

• USB-C / Thunderbolt – พอร์ตที่ออกมาใหม่กว่า และความสามารถสูงกว่า USB-A สามารถนำมาใช้กับอุปกรณ์ใหม่ ๆ ได้เยอะ เช่น เสียบ external GPU (การ์ดจอแบบแยก) ได้ หรือสามารถเสียบจอแยกไปพร้อมกับชาร์จในสายเดียวกันได้เลย ซึ่งพอร์ตนี้เราจะพบได้ในเครื่องคอมพิวเตอร์รุ่นใหม่ ๆ ครับ
  
  USB-C กับ Thunderbolt มีหน้าตาพอร์ตเหมือนกันครับ แต่ตัว Thunderbolt จะทำงานได้เร็วกว่า และบางอุปกรณ์ เช่น external GPU รุ่นดี ๆ จะรองรับเฉพาะ Thunderbolt ครับ อย่างไรก็ตาม เราอาจจะไม่ได้จำเป็นต้องลงทุนกับคอมพิวเตอร์ที่มี Thunderbolt ก็ได้ครับ ถ้าเราไม่ได้ใช้งาน

คอมพิวเตอร์สำหรับงาน Data Science จะมีพอร์ต USB-A หรือ USB-C เท่าไหร่ก็ได้ครับ ยิ่งเยอะยิ่งทำให้เราเสียบอุปกรณ์ได้มากขึ้น

เสริม: ถ้าคอมพิวเตอร์ตัวไหนมีพอร์ตมาให้น้อย ๆ เราก็สามารถเลือกซื้ออุปกรณ์มาต่อให้มีพอร์ตเพิ่มขึ้นได้ครับ เช่น USB Hub ในรูปด้านบน

7. Physical Features

เรื่องสุดท้ายในการเลือก Spec ของคอมพิวเตอร์ จะเป็นเรื่องของรูปลักษณ์ภายนอกครับ

เรื่องนี้จะสำคัญกับ Notebook มากกว่าครับ เพราะถ้าใช้ PC ก็ไม่จำเป็นต้องกังวลเรื่องนี้มากครับ นอกจากจะเป็นคนที่เน้นเรื่องความสวยงามของตัวกล่องคอมพิวเตอร์

เรื่องของรูปลักษณ์ภายนอกที่เราต้องสนใจ เช่น

• น้ำหนักของ Notebook
• Touch Pad ใช้งานได้ดีแค่ไหน (เหมาะกับคนที่ไม่อยากพกเม้าส์เวลาต้องออกไปนอกสถานที่)
• จอใหญ่ และคมชัดมั้ย
• รับสัญญาณ WiFi ได้ดีมั้ย (อันนี้เหมือนจะไม่สำคัญ แต่ถ้าคอมพิวเตอร์รุ่นไหนดีไซน์มาไม่ดี ก็รับสัญญาณ WiFi ได้ไม่แรงครับ ต้องแบกคอมเดินหาสัญญาณเอา)

ฯลฯ

คอมพิวเตอร์สำหรับงาน Data Science ควรจะมีขนาดจอ 13 นิ้วขึ้นไป (ไม่งั้นเวลาเพ่งดู Excel จะปวดตามาก) ส่วนความสามารถอื่น ๆ ที่ต้องมี แล้วแต่ความจำเป็นในการใช้งาน

อย่างไรก็ตาม หลายคนก็จะมีจอขนาดใหญ่อยู่ที่ออฟฟิส หรือที่บ้าน อยู่แล้วครับ ก็สามารถเสียบใช้งานแทนจอเล็ก ๆ ใน Notebook ได้เลย

สุดท้ายนี้ บางความสามารถจะขึ้นอยู่ความชอบส่วนตัวว่าเราอยากได้มั้ย เช่น ดึงจอออกจากคีย์บอร์ดได้มั้ย หรือ หน้าจอเป็น Touch screen มั้ย แต่ไม่มีผลกับการทำงานวิเคราะห์ข้อมูลมากนักครับ ยกเว้นเราเป็นคนที่ต้องพรีเซ้นท์งานจากจอตัวเองบ่อย ๆ

แนะนำ Notebook สำหรับงาน Data Science

ขออนุญาตแนะนำเป็น Notebook นะครับ เพราะพกพาไปไหนมาไหนได้ง่าย ไม่ว่าจะเป็นการประชุม, เจอลูกค้านอกสถานที่, หรือแม้แต่การเปลี่ยนพื้นที่นั่งทำงาน

ซึ่งในปัจจุบัน ถ้าไม่ใช่งานที่คอมพิวเตอร์ตั้งโต๊ะทำได้ดีกว่า Notebook จริง ๆ เช่น งานตัดต่อกราฟฟิกที่ต้องใช้คอมพิวเตอร์แรง ๆ ก็จะมีการใช้ Notebook กันมากกว่าครับ

Notebook รุ่นที่แนะนำ สำหรับงาน Data Science

เราคัดเลือก Notebook มาส่วนหนึ่ง โดยดูจากหลาย ๆ ด้าน เช่น ความสะดวกในการใช้งาน, ความนิยมที่เห็นคนในบริษัทที่ทำด้าน Data ชอบนำมาใช้, Spec ฯลฯ มารู้จักกับแต่ละรุ่นกันเลย

Dell XPS Laptop (Windows)

Notebook รุ่น Dell XPS เป็น Notebook ที่เหมาะกับทั้งการเรียนและการทำงาน

Thinkpad (Windows)

Lenovo รุ่น Thinkpad (เมื่อก่อน เจ้าของคือ IBM) เป็น Notebook ที่บริษัทต่าง ๆ นิยมใช้กันครับ เอกลักษณ์ คือ ปุ่มสีแดงที่อยู่ตรงกลางคีย์บอร์ด

หลายคนอาจจะติดภาพว่า Thinkpad คือคอมพิวเตอร์ขนาดใหญ่ น้ำหนักเยอะ แต่ปัจจุบัน Thinkpad ออกมาหลายรุ่นแล้วครับ มีรุ่นใหม่ที่น้ำหนักเบา บาง พกพาง่ายด้วย (Thinkpad X1)

Macbook Air / Macbook Pro (Mac OS)

สำหรับคนที่ชอบ Mac OS ที่ความใช้ง่ายของระบบ และความสวยงามของโปรแกรม ผมก็มี Notebook รุ่นที่ใช้ Mac OS มาแนะนำครับ

ในปัจจุบันมี Notebook ให้เลือกอยู่ 2 รุ่นตามการใช้งานครับ คือ Macbook Air และ Macbook Pro

1. Macbook Air บาง เบา

Macbook Air เป็น Notebook จาก Apple ที่ตอนเปิดตัวออกมาฮือฮามาก เพราะดีไซน์บางจนสามารถใส่ในซองเก็บเอกสารได้

2. Macbook Pro พลังสูง แบตอึด

อีกรุ่นที่อยากแนะนำ คือ Macbook Pro ซึ่งเป็นอาจจะหนากว่า Macbook Air แต่แลกมากับพลังที่เยอะกว่า (และราคาแพงกว่าด้วย)

อย่างไรก็ตาม ไม่ได้หมายความว่าคอมพิวเตอร์ที่อยู่นอกเหนือจากลิสต์นี้จะไม่เหมาะกับงาน Data Science นะครับ ผมอยากให้ดูจากความเหมาะสมในหลาย ๆ ด้าน เช่น พกพาสะดวกมั้ย เหมาะกับ Lifestyle เรามั้ย

เพราะสุดท้ายแล้ว ถึงเราจะใช้คอมพิวเตอร์เก่า ก็ยังสามารถเชื่อมต่อกับคอมพิวเตอร์ตัวอื่นที่แรงกว่าเพื่อทำงานได้ครับ สุดท้ายเลยขอเล่าเรื่องระบบ Cloud Computing ให้ฟังกันครับ

สรุป คอมพิวเตอร์ต้องแรงแค่ไหน ในการทำงาน Data

จากที่เล่ามาตอนต้นบทความ จะเห็นว่าในการทำงาน Data จะเห็นว่าคอมพิวเตอร์เราต้อง Spec แรงพอสมควรเลยครับ

อย่างไรก็ตาม มีข้อยกเว้นถ้าเราทำงานกับบริษัทที่มีการใช้ Cloud Computing นั่นคือ

คอมพิวเตอร์ไม่ต้องแรงก็ได้ ถ้าใช้ Cloud Computing ในงาน Data Science

เนื่องจากปัจจุบันข้อมูลมีขนาดใหญ่ขึ้นเรื่อย ๆ การส่งไฟล์ข้อมูลกันทางอีเมล หรือเซฟเก็บไว้ในเครื่องคอมพิวเตอร์ตัวเอง อาจจะไม่ใช่ทางออกที่เหมาะสมมากที่สุด

ในบริษัทต่าง ๆ จึงมีการนำ Cloud Computing มาใช้ ซึ่งสรุปแบบสั้น ๆ Cloud Computing เป็นการเช่าระบบคอมพิวเตอร์ที่บริษัทที่ให้บริการ Cloud Computing เป็นเจ้าของ แทนที่เราจะลงทุนซื้อคอมพิวเตอร์ Spec แรง ๆ ที่ราคาแพง เราก็จ่ายเป็นค่าเช่า รายชั่วโมง หรือรายนาที แทนครับ

นอกจากนั้น Cloud Computing ยังมีบริการต่าง ๆ ที่ช่วยให้การทำงานร่วมกับ Big Data ได้ง่ายขึ้น เช่น

• ระบบจัดเก็บข้อมูลขนาดใหญ่ ที่ส่วนใหญ่แล้วจะเก็บพื้นที่ได้ไม่จำกัด จ่ายเงินตามพื้นที่ที่เราใช้
• ระบบ AI / Machine Learning ที่ใช้งานได้ง่าย คลิกไม่กี่รอบก็ได้ Model พร้อมใช้งาน (อ่านเพิ่มเติมได้ในบลอคที่เคยเล่าให้ฟัง เรื่อง การทำ Machine Learning บน Cloud)

แปลว่าหากมีการใช้ Cloud Computing แล้ว คอมพิวเตอร์ของเรา ก็มีไว้สำหรับเชื่อมต่อกับคอมพิวเตอร์ Spec แรง ๆ ที่อยู่บนระบบ Cloud Computing เพื่อสั่งงานเท่านั้น

เพราะฉะนั้น หากมีการใช้ Cloud Computing ในองค์กร เราก็ไม่จำเป็นต้องซื้อคอมพิวเตอร์ Spec แรง ๆ มาใช้ทำงานก็ได้ ให้เน้นในเรื่องของ

• การพกพา (น้ำหนัก)
• อายุ Battery Life ยิ่งอยู่ได้นานยิ่งดี
• Connection ที่จำเป็นครบมั้ย เช่น USB-C, USB-A, หรือถ้าจะต่อจอแยกก็ควรจะมีพอร์ต HDMI หรือ VGA (อันหลังสำหรับจอรุ่นเก่า ๆ)
• ขนาดหน้าจอ และความคมชัดของหน้าจอ

แต่ถ้าเราเป็นนักเรียน นักศึกษา อาจจะไม่มี Cloud Computing ใช้งานครับ (ยกเว้นเรียนปริญญาเอก และอยู่ในแล็บที่มหาวิทยาลัยมี Cloud Computing หรือ High Performance Computer ให้ใช้) เพราะฉะนั้นคอมพิวเตอร์ส่วนตัวที่แรง ๆ ก็ยังจำเป็นอยู่นะ

หวังว่าบทความนี้จะเป็นประโยชน์ในการช่วยเพื่อน ๆ เลือกซื้อ Computer มาทำงาน หรือเรียนด้าน Data Science นะครับ

สำหรับเพื่อน ๆ ที่อยากอ่านบทความด้าน Data ดี ๆ แบบนี้อีก ติดตามกันได้ที่ FB Page: DataTH.com เลยนะครับ แล้วเจอกันนะคร้าบ

• Facebook
• Twitter
• Line