ทำไมกลยุทธ์ “Small Data” จะเป็นตัวพลิกเกม AI ในปี 2025
ในทศวรรษที่ผ่านมา แนวคิด 'Big Data' ได้กลายเป็นหัวใจสำคัญของโลกธุรกิจ โดยเชื่อว่าการรวบรวมข้อมูลมหาศาลจะช่วยให้การตัดสินใจแม่นยำขึ้นและสร้างข้อได้เปรียบจากข้อมูลเชิงลึกที่ไม่เคยมีมาก่อน อย่างไรก็ตาม การจัดการและวิเคราะห์ข้อมูลขนาดใหญ่กลับเป็นความท้าทายที่ซับซ้อนและใช้ทรัพยากรสูง ทำให้เกิดแนวทางใหม่เพื่อลดการพึ่งพาข้อมูลจำนวนมากใน AI หนึ่งในแนวคิดที่ได้รับความสนใจในปี 2025 คือ 'Small Data' ซึ่งมุ่งเน้นการใช้ข้อมูลคุณภาพสูงและตรงประเด็น เพื่อเพิ่มประสิทธิภาพของ AI โดยใช้ทรัพยากรอย่างเหมาะสม แนวคิดนี้มีศักยภาพจริงหรือไม่? มาร่วมหาคำตอบได้ในบทความนี้
AI กำลังขาดแคลนข้อมูลจริงหรือไม่?
- มีความกังวลว่า AI อาจกำลังเข้าสู่จุดอิ่มตัว เนื่องจากโมเดลขนาดใหญ่จากบริษัทชั้นนำได้ใช้ข้อมูลจากอินเทอร์เน็ตไปเป็นจำนวนมากแล้ว อย่างไรก็ตาม หากมองย้อนกลับไปในอุตสาหกรรมน้ำมัน เราจะเห็นว่าทุกครั้งที่ทรัพยากรเริ่มหมด เทคโนโลยีการสกัดที่ซับซ้อนขึ้นก็มักเข้ามาช่วยแก้ปัญหา ซึ่งเปรียบเทียบได้กับโลกของข้อมูล
- “ข้อมูลก็เหมือนกับน้ำมัน” มีทั้งส่วนที่หาได้ง่ายและส่วนที่ต้องใช้เทคนิคพิเศษในการเข้าถึง โดยปัจจุบันยังมีแหล่งข้อมูลอีกมากที่ยังไม่ได้ถูกนำมาใช้ เช่น เอกสารที่ยังไม่ได้ถูกสแกน วิดีโอที่ไม่มีการติดแท็ก ข้อมูลจากเซนเซอร์ หรือข้อมูลที่อยู่หลัง Paywall (เช่น เนื้อหาข่าวหรือเอกสารวิจัยที่ต้องสมัครสมาชิกเสียค่าบริการเพื่อเข้าถึง)
ดังนั้น แม้ข้อมูลที่เข้าถึงง่ายอาจเริ่มลดลง แต่ยังมีข้อมูลคุณภาพสูงอีกมากที่สามารถนำมาใช้ได้ หากมีการลงทุนและพัฒนาเทคโนโลยีที่เหมาะสม AI จะยังสามารถพัฒนาและต่อยอดได้อย่างต่อเนื่อง
AI อาจหมดข้อมูลที่เข้าถึงง่าย แต่ยังมีข้อมูลคุณภาพสูงที่ต้องลงทุนเพิ่ม
- แม้ว่าแหล่งข้อมูลที่หาได้ง่ายและใช้ฟรีจากอินเทอร์เน็ตอาจเริ่มลดลง แต่ยังมีข้อมูลคุณภาพสูงอีกมากที่สามารถนำมาใช้ได้ เพียงแต่ต้องอาศัยการลงทุนเพิ่มเติม ไม่ว่าจะเป็นการซื้อสิทธิ์เข้าถึงข้อมูล หรือการพัฒนาเทคโนโลยีเพื่อจัดการและแปลงข้อมูลให้อยู่ในรูปแบบที่ AI สามารถนำไปใช้ได้ ซึ่งปัจจุบันบริษัท AI ก็กำลังแข่งขันกันเพื่อหาข้อมูลที่มีคุณภาพสูง
- มีบริษัทต่างๆ เช่น Scale AI และ Labelbox กำลังพัฒนาเทคโนโลยีเพื่อทำให้ข้อมูลที่เข้าถึงยากสามารถใช้งานได้
- เทรนด์นี้ทำให้เกิดตลาดใหม่สำหรับข้อมูลที่มีคุณค่า บริษัทที่ถือครองข้อมูลสำคัญ เช่น สำนักข่าว หอจดหมายเหตุ และองค์กรที่มีข้อมูลเฉพาะทาง เริ่มเห็นโอกาสในการขายหรือให้สิทธิ์การเข้าถึงข้อมูลให้กับบริษัท AI
- ตัวอย่างเช่น OpenAI ได้ทำข้อตกลงกับ Shutterstock และ Associated Press เพื่อใช้ข้อมูลในการฝึก AI
การแข่งขันด้านข้อมูลและผลกระทบเชิงภูมิรัฐศาสตร์
- กฎหมายและการกำกับดูแลเป็นอีกความท้าทายหนึ่งในการเข้าถึงข้อมูลในแต่ละพื้นที่ ตัวอย่างเช่น กฎหมายความเป็นส่วนตัว อย่าง GDPR ของยุโรป อาจทำให้การพัฒนา AI ในบางประเทศมีความล่าช้า
- ในขณะที่จีนมีข้อได้เปรียบจากการเข้าถึงข้อมูลจำนวนมากผ่านระบบเฝ้าระวังของรัฐบาล
AI จะไม่หยุดพัฒนา แต่จะมีการปรับตัวแทน
แม้ว่า AI จะเผชิญกับความท้าทายเรื่องการเข้าถึงข้อมูลขนาดใหญ่ แต่นักวิจัยก็กำลังพัฒนาแนวทางใหม่ๆ เพื่อลดการพึ่งพาข้อมูลมหาศาล หนึ่งในเทคนิคที่กำลังได้รับความสนใจคือ "Synthetic Data" หรือข้อมูลที่ถูกสร้างขึ้นมาเพื่อใช้แทนข้อมูลจริง รวมถึง "Self-play" ซึ่งช่วยให้ AI สามารถสร้างข้อมูลฝึกฝนเองได้โดยไม่ต้องพึ่งพาข้อมูลจากภายนอกมากนัก
และเมื่อ AI มีความสามารถในการให้เหตุผลและวิเคราะห์ได้ดีขึ้น ความต้องการข้อมูลจำนวนมหาศาลอาจลดลง รวมถึงแนวทาง "Small Data" ที่เน้นการใช้ข้อมูลคุณภาพสูงและตรงจุด ก็เป็นอีกทางเลือกที่ช่วยให้ AI พัฒนาอย่างมีประสิทธิภาพโดยไม่จำเป็นต้องอาศัยข้อมูลจำนวนมากเหมือนในอดีต
จุดอ่อนของ Big Data
แม้ว่า Big Data จะมีข้อดีมากมายสร้างการเปลี่ยนแปลงให้กับโลกเทคโนโลยีเป็นอย่างมาก แต่ก็มีข้อเสียที่สำคัญ อย่างเช่น การประมวลผลข้อมูลขนาดใหญ่ก็ต้องการทรัพยากรสูง ทั้งในด้านโครงสร้างพื้นฐานคอมพิวเตอร์ เวลา และความเชี่ยวชาญของบุคลากร รวมถึงข้อมูลที่มากเกินไปอาจทำให้เกิดการรบกวนหรือบดบังข้อมูลที่มีประโยชน์จริง
มีการศึกษาจาก MIT Sloan Management Review ในปี 2023 พบว่ามีเพียง 23% ของบริษัทเท่านั้นที่เชื่อว่าโครงการ Big Data ของพวกเขาช่วยปรับปรุงการตัดสินใจอย่างมีนัยสำคัญ และหลายองค์กรพบว่าตนเองจมอยู่ในทะเลข้อมูลโดยไม่มีทิศทางที่ชัดเจน ซึ่งก็เป็นอีกภาพใหญ่ที่เห็นได้ชัดของการใช้ข้อมูลที่มากเกินจำเป็น
Small Data มุ่งเน้นที่ข้อมูลน้อยกว่าแต่แม่นยำ
หากพูดถึงเรื่องข้อมูล ในอดีตที่ผ่านมาเรามักให้ความสำคัญกับการสะสมข้อมูลจำนวนมหาศาล หรือที่เรียกว่า Big Data แต่แนวคิดใหม่ที่กำลังมาแรงคือ ‘Small Data’ ซึ่งไม่ได้เน้นที่ปริมาณ แต่ให้ความสำคัญกับการเก็บและวิเคราะห์ข้อมูลที่มีความแม่นยำ และตรงกับเป้าหมายโดยเฉพาะ
หากเปรียบเทียบให้เห็นภาพ Big Data ก็เหมือนการใช้ไฟฉายกำลังแรงสูงส่องไปทั่วบริเวณ แม้จะให้แสงสว่างในวงกว้าง แต่ก็อาจทำให้รายละเอียดเล็กๆ น้อยๆ ถูกมองข้ามไป ในขณะที่ Small Data เปรียบเสมือนแว่นขยาย ที่ช่วยให้เรามองเห็นข้อมูลที่สำคัญและลึกซึ้งขึ้น ทั้งยังช่วยลดความซับซ้อนในการประมวลผลและเพิ่มความเร็วในการตัดสินใจ
มีมุมมองหนึ่งที่น่าสนใจของ George Kailas (CEO ของ Prospero.ai) ให้ความเห็นว่า “Big Data ทำให้เราหลงลืมความจริงสำคัญอย่างหนึ่งไป นั่นคือ ข้อมูลที่มากขึ้น ไม่ได้หมายความว่าจะได้ข้อมูลเชิงลึกที่ดีขึ้นเสมอไป” รวมถึง “ข้อมูลชุดใหญ่ๆ มักจะเต็มไปด้วยสัญญาณรบกวนที่บดบังสาระสำคัญที่ต้องการ ในอนาคต AI จะต้องสามารถวิเคราะห์ข้อมูลขนาดเล็กที่แม่นยำได้ เพราะข้อมูลประเภทนี้คือคำตอบที่แท้จริงของคำถามสำคัญที่ส่งผลกระทบสูงกว่า”
นอกจากนี้ Kailas ได้ยกตัวอย่างที่น่าสนใจว่าปัจจุบันบริษัทจำนวนมากทุ่มทรัพยากรไปกับการจัดการข้อมูลขนาดใหญ่ แทนที่จะใช้ข้อมูลให้เกิดประโยชน์สูงสุด แต่ในทางกลับกัน Small Data สามารถช่วยให้ธุรกิจโฟกัสไปที่ข้อมูลที่เกี่ยวข้องจริงๆ ลดความซับซ้อนของกระบวนการ และให้ผลลัพธ์ที่เฉียบคมกว่ามาก
ข้อดีของแนวทาง Small Data
การใช้กลยุทธ์ Small Data มีข้อได้เปรียบมากมาย เช่น
- ความแม่นยำสูงขึ้น เนื่องด้วยการเลือกใช้ข้อมูลที่เฉพาะเจาะจงและมีคุณภาพ ช่วยลดโอกาสที่จะตีความข้อมูลผิดพลาด โดยในชุดข้อมูลขนาดใหญ่อาจมีข้อมูลที่ไม่เกี่ยวข้องหรือทำให้เกิดความเข้าใจคลาดเคลื่อนได้ง่าย แต่ Small Data ช่วยให้เรามุ่งเน้นไปที่ข้อมูลที่สำคัญจริงๆ ทำให้การวิเคราะห์แม่นยำและเชื่อถือได้มากขึ้น
- ได้ข้อมูลเชิงลึกเร็วขึ้น การได้โฟกัสที่คำถามแบบเฉพาะเจาะจงช่วยให้ธุรกิจสามารถสรุปผลและนำไปใช้ได้อย่างรวดเร็ว ไม่ต้องเสียเวลาคัดกรองข้อมูลจำนวนมหาศาล
- ตัดสินใจได้อย่างมีประสิทธิภาพ เทคนิค Small Data เน้นการใช้ข้อมูลที่ตรงจุดและมีคุณภาพสูง ช่วยให้ผู้นำองค์กรได้รับข้อมูลที่ชัดเจนและน่าเชื่อถือ ทำให้สามารถตัดสินใจได้อย่างรวดเร็วและแม่นยำ ลดความเสี่ยงจากข้อมูลที่มากเกินไปและไม่เกี่ยวข้อง
- ประหยัดทรัพยากร ด้วยข้อมูลที่น้อยลงจึงช่วยลดภาระด้านการจัดเก็บและประมวลผล ทำให้ลดต้นทุนและผลกระทบต่อสิ่งแวดล้อม
ตัวอย่างการใช้งาน เช่น ธุรกิจค้าปลีกหลายแห่งนำแนวคิด Small Data มาใช้เพื่อยกระดับประสบการณ์ของลูกค้า แทนที่จะวิเคราะห์ข้อมูลการซื้อขายจำนวนมหาศาล แต่เลือกโฟกัสไปที่พฤติกรรมการซื้อในช่วงเวลาสำคัญของปี จึงช่วยให้สามารถปรับปรุงโปรโมชั่น จัดการสต๊อกสินค้า และเพิ่มยอดขายได้อย่างมีประสิทธิภาพ โดยไม่ต้องแบกรับต้นทุนและความซับซ้อนจากการจัดการข้อมูลขนาดใหญ่
เกิดการแข่งขันเพื่อเข้าถึงข้อมูลที่มีคุณภาพ
ในปี 2025 คาดว่าจะมีการแข่งขันเพื่อเข้าถึงข้อมูลที่มีคุณภาพจะเพิ่มขึ้นอย่างมาก ซึ่งองค์กรที่สามารถรวบรวมและวิเคราะห์แบบ Small Data ที่มีคุณภาพจะมีความได้เปรียบในการแข่งขัน รวมถึงการลงทุนในโครงสร้างพื้นฐานและเครื่องมือที่สามารถจัดการกับ Small Data ได้อย่างมีประสิทธิภาพจะเป็นกุญแจสำคัญในการขับเคลื่อนธุรกิจ
อนาคตของ AI ไม่ได้อยู่ที่การขาดข้อมูล แต่เป็นการปรับตัว
แม้ว่า AI จะต้องเผชิญกับความท้าทายในการหาแหล่งข้อมูลใหม่ๆ แต่การหันมาให้ความสำคัญกับ Small Data เป็นอีกแนวทางที่ช่วยให้ AI ทำงานได้อย่างมีประสิทธิภาพมากขึ้น แทนที่จะพึ่งพาข้อมูลจำนวนมหาศาลเพียงอย่างเดียว
ดังนั้น แม้ว่าจะมีข้อจำกัดด้านข้อมูล อนาคตของ AI ก็ยังสามารถพัฒนาได้ต่อเนื่อง หากองค์กรต่างๆ ปรับกลยุทธ์และใช้เทคนิคใหม่ๆ ที่ช่วยให้ AI เติบโตต่อไป เหมือนกับที่น้ำมันไม่เคยหมดจริงๆ เพราะเราพัฒนาเทคนิคการสกัดใหม่ๆ ซึ่ง AI ก็ไม่น่าจะชะลอตัวเพียงเพราะขาดแคลนข้อมูล โดยในปี 2025 องค์กรที่ปรับตัวสู่ Small Data อาจได้เปรียบในการแข่งขัน เนื่องจากสามารถตัดสินใจได้รวดเร็วและแม่นยำขึ้นโดยไม่ต้องแบกรับภาระข้อมูลที่มากเกินไป
------------------------------------
Source:
https://techbullion.com/why-small-data-is-the-big-game-changer-for-ai-in-2025/
https://www.wsj.com/articles/ai-will-force-a-transformation-of-tech-infrastructure-c261f556
RELATED BLOG
