posttoday
AI ฉลาดแต่อาจตัดสินใจพลาด เมื่อข้อมูลที่มีตามไม่ทันโลกจริง

AI ฉลาดแต่อาจตัดสินใจพลาด เมื่อข้อมูลที่มีตามไม่ทันโลกจริง

20 พฤศจิกายน 2569

AI Agent อาจตัดสินใจผิดพลาดแม้โมเดลมีประสิทธิภาพสูง เพราะข้อมูลธุรกิจอัปเดตไม่ทัน Streamhouse จึงเข้ามาช่วยเชื่อมข้อมูลเรียลไทม์

การนำระบบปัญญาประดิษฐ์อัตโนมัติ หรือ AI Agent เข้ามาปฏิบัติงานในองค์กรกำลังเผชิญข้อจำกัดสำคัญ เมื่อระบบจำนวนมากตัดสินใจผิดพลาดทั้งที่โมเดลมีประสิทธิภาพสูง สาเหตุหลักไม่ได้เกิดจากขีดความสามารถของอัลกอริทึม แต่เกิดจากโครงสร้างพื้นฐานข้อมูลแบบดั้งเดิมที่อัปเดตสถานะทางธุรกิจไม่พร้อมกัน ส่งผลให้แนวคิดสถาปัตยกรรมข้อมูลรูปแบบใหม่อย่าง Streamhouse ได้รับการพัฒนาขึ้นเพื่อเป็นรากฐานข้อมูลเรียลไทม์ที่เป็นหนึ่งเดียว

 

ที่ผ่านมา Data Lake, Data Warehouse และ Lakehouse ล้วนออกแบบมาเพื่อการจัดทำรายงานและ Batch Processing ซึ่งไม่สอดคล้องกับการตัดสินใจทันทีของ AI Agent ดังเห็นได้จากกรณีการจัดการเที่ยวบินยกเลิกในธุรกิจสายการบิน ที่ระบบตำแหน่งเครื่องบิน ตารางบิน และที่นั่งว่างอัปเดตไม่พร้อมกัน ทำให้ AI Agent อาจจองเที่ยวบินใหม่ที่มีที่นั่งว่างแต่ผู้โดยสารเดินทางไปต่อเครื่องไม่ทัน จนกระทบต่อบริการลูกค้าในวงกว้าง

 

สถาปัตยกรรม Streamhouse ซึ่งผลักดันโดย Confluent บริษัทในเครือ IBM เข้ามาแก้ไขข้อจำกัดนี้ด้วยการรวบรวม ประมวลผล และกำกับดูแลข้อมูลทุกความเปลี่ยนแปลงอย่างต่อเนื่อง โครงสร้างดังกล่าวพัฒนาบน 3 หลักการสำคัญ ได้แก่ ความเป็นปัจจุบันของข้อมูล, ความสำคัญต่อภารกิจหลัก และการกระจายศูนย์ โดยสามารถทำงานร่วมกับ Data Warehouse และ Lakehouse เดิมเพื่อป้อนบริบทธุรกิจด้วยความเร็วระดับ Machine Speed

 

บทพิสูจน์จากองค์กรระดับโลก: Accenture และ Extend

 

ในระดับองค์กรขนาดใหญ่ Accenture ซึ่งดำเนินธุรกิจครอบคลุมกว่า 120 ประเทศ และมีบุคลากรมากกว่า 800,000 คน เคยเผชิญความล่าช้าจากการประมวลผลแบบเป็นรอบและการเชื่อมต่อระบบแบบจุดต่อจุด Thomas Mahaffey ประธานเจ้าหน้าที่ฝ่ายกลยุทธ์ข้อมูล ของ Accenture ระบุว่า การเปลี่ยนมาใช้สถาปัตยกรรม Streamhouse ที่ขับเคลื่อนด้วย Confluent ช่วยแยกการทำงานระหว่างระบบผู้ผลิตและผู้ใช้ข้อมูลออกจากกัน พร้อมเปลี่ยนกระแสข้อมูลให้เป็น Data Products แบบเรียลไทม์ที่นำกลับมาใช้ซ้ำได้

 

การปรับเปลี่ยนโครงสร้างพื้นฐานข้อมูลดังกล่าวช่วยให้ Accenture ลดระยะเวลาตั้งแต่การรวบรวมข้อมูลไปจนถึงการได้รับข้อมูลเชิงลึก จากเดิมที่ใช้เวลาหลายเดือนให้เหลือเพียงไม่กี่วัน ขณะเดียวกันยังช่วยลดภาระในการจัดทำรายงานและบริหารจัดการการเคลื่อนย้ายข้อมูลด้วยตนเองอย่างมีนัยสำคัญ ส่งผลให้บุคลากรกว่า 800,000 คนสามารถทุ่มเทเวลาให้แก่การพัฒนาโซลูชัน AI ที่สร้างมูลค่าเพิ่มแก่องค์กรได้เต็มศักยภาพ

 

ด้านแพลตฟอร์มค้าปลีกที่ขับเคลื่อนด้วย AI อย่าง Extend ซึ่งต้องการความคล่องตัวในการเปิดร้านค้าใหม่ การปรับราคาเรียลไทม์ และการตรวจจับการฉ้อโกงทันที ก็เคยติดข้อจำกัดของระบบเดิมเช่นกัน Jonathan Kropp ผู้อำนวยการฝ่าย AI และสถาปัตยกรรมระบบของ Extend ชี้ว่า การใช้ Message Queue แบบดั้งเดิมควบคู่กับ Data Lake แบบคงที่ขาดความสามารถในการประมวลผลข้อมูลเหตุการณ์ซ้ำและไม่มีการบังคับใช้ Schema อย่างเข้มงวดเมื่อระบบขยายขนาดขึ้น

 

Extend จึงเปลี่ยนมาใช้สถาปัตยกรรม Streamhouse แบบ Serverless 100% บน Confluent Cloud ซึ่งยกระดับให้ Apache Kafka เป็นแหล่งข้อมูลหลักของการดำเนินงาน โครงสร้างแบบแยกส่วนอย่างอิสระนี้ช่วยให้ Microservices ในระบบปลายทางสามารถสืบค้นข้อมูลเรียลไทม์ได้แบบไม่พร้อมกันโดยไม่กระทบโครงสร้างข้อมูลระหว่างระบบ รองรับการปรับตัวตามสภาวะตลาดและการทำงานของ Agentic AI ได้อย่างมีประสิทธิภาพ

 

กรณีศึกษาของทั้ง Accenture และ Extend สะท้อนให้เห็นว่าความสำเร็จของการขยายผล Agentic AI ในองค์กรไม่ได้ขึ้นอยู่กับตัวโมเดลเพียงอย่างเดียว แต่ขึ้นอยู่กับความสดใหม่และความสอดคล้องของข้อมูลในระดับปฏิบัติการ การเปลี่ยนผ่านจากการจัดเก็บข้อมูลเพื่อวิเคราะห์ย้อนหลังไปสู่กระแสข้อมูลเรียลไทม์ที่ผ่านการกำกับดูแลบนมาตรฐานเดียวกัน จึงเป็นกุญแจสำคัญที่ช่วยให้ระบบอัตโนมัติและบุคลากรตัดสินใจได้อย่างแม่นยำในยุคเศรษฐกิจดิจิทัล

 

 

ข่าวล่าสุด

ไทยเบฟ ผนึกสมาคมเนชั่นแนล จีโอกราฟิก  สนับสนุน 7 นักเล่าเรื่อง ถ่ายทอดเรื่องราวลุ่มน้ำโขงสู่เวทีโลก

ไทยเบฟ ผนึกสมาคมเนชั่นแนล จีโอกราฟิก สนับสนุน 7 นักเล่าเรื่อง ถ่ายทอดเรื่องราวลุ่มน้ำโขงสู่เวทีโลก