24 กรกฎาคม 2568
เมื่อวิทยาศาสตร์ข้อมูลต้องเปลี่ยนไปในยุคปัญญาประดิษฐ์
ในวันที่ปัญญาประดิษฐ์เริ่มแทนที่งานง่าย ๆ ที่นักวิเคราะห์เคยทำได้ อาชีพสายวิทยาศาสตร์ข้อมูลต้องเปลี่ยนไปอย่างสิ้นเชิง บทความนี้คือบทสนทนาระหว่างรุ่นพี่กับเด็กฝึกงาน ว่าด้วย “ทางรอด” ของคนทำงานข้อมูล—เมื่อการเขียนโค้ดหรือสร้างโมเดลอาจไม่พออีกต่อไป สิ่งที่เราต้องมี…คือความเข้าใจบริบท ความชัดเจนในปัญหา และเจตนาที่อยากสร้างคุณค่าจริง ๆ จากข้อมูลที่มี
ปิโยรส ปิยจันทร์
ซีอีโอของมิวแทรค
ทุกครั้งที่ผมนั่งคุยกับเด็กฝึกงานหรือคนรุ่นใหม่ที่เพิ่งเข้าร่วมทีมข้อมูลของเรา ผมจะไม่เริ่มจากการอธิบายว่าทีมทำอะไร หรือเรามีเครื่องมืออะไรบ้าง ผมเริ่มด้วยความเชื่อส่วนตัวที่สำคัญ—เส้นทางอาชีพที่คุณเคยคิดว่าจะเดิน อาจไม่มีอยู่อีกต่อไปแล้ว
ไม่ใช่ความผิดของคุณหรอก ทุกวันนี้มหาวิทยาลัยส่วนใหญ่ยังสอนการวิเคราะห์ข้อมูลเหมือนเมื่อห้าปีก่อน พวกเขาสอนภาษาไพธอน (Python), อาร์ (R), การถดถอยเชิงเส้น (Linear Regression) , เคสธุรกิจบางเรื่อง และโครงงานจบที่ลงท้ายด้วยแดชบอร์ดให้คุณ แต่เส้นทางแบบนั้น—เส้นทางที่เริ่มจากการทำความสะอาดข้อมูล เขียนคิวรี่ สร้างรายงาน แล้วค่อย ๆ ขยับไปสู่แมชชีน เลิร์นนิ่ง (Machine Learning) และงานเชิงกลยุทธ์—มันกำลังถูกทดแทนด้วยปัญญาประดิษฐ์
งานระดับเริ่มต้นแบบที่เราเคยรู้จัก กำลังหายไป ปัญญาประดิษฐ์ในตอนนี้สามารถทำหน้าที่แทนที่นักวิเคราะห์รุ่นใหม่ได้จำนวนมาก งานที่เราเคยเรียกว่า “งานง่าย” เช่น การดึงข้อมูลซ้ำ ๆ การสร้างแบบจำลองพื้นฐาน หรือแม้แต่การแปลความแนวโน้มจากกราฟธรรมดา กำลังถูกจัดการโดยเครื่องมือที่ไม่ต้องพึ่งนักวิเคราะห์อีกต่อไปแล้ว
นั่นจึงเป็นเหตุผลที่ผมเชื่อว่า คนที่อยากเริ่มต้นอาชีพในสายวิทยาศาสตร์ข้อมูลทุกคน ควรเผชิญกับคำถามที่ยากตั้งแต่เนิ่นๆ: ถ้าปัญญาประดิษฐ์สามารถทำสิ่งที่ผมเคยคิดว่าผมจะได้ทำแล้ว แล้วผมควรเตรียมตัวไปทางไหน?
นี่ไม่ใช่วิกฤต แต่มันคือสัญญาณที่กระตุ้นให้เรามองเห็นความจริงอย่างชัดเจน ความต้องการบุคลากรด้านข้อมูลยังคงมีอยู่มาก—แต่ความต้องการนั้นได้เปลี่ยนไปแล้ว เราไม่ได้ต้องการคนที่แค่สร้างรายงานอีกต่อไป เราต้องการคนที่สามารถตั้งกรอบปัญหา ท้าทายสมมติฐานเดิม ๆ และแปลคำถามที่ยุ่งเหยิงจากหน้างานให้กลายเป็นข้อมูลเชิงลึกที่ใช้งานได้จริง
ในยุคของปัญญาประดิษฐ์ ข้อมูลไม่ได้เป็นแค่ “ข้อมูล” อีกต่อไป—แต่มันคือ “สัญชาตญาณ” ที่ถูกทำให้มองเห็นได้ชัดเจน สิ่งที่คุณเห็นตรงนี้ไม่ใช่แค่รูปร่าง แต่มันคือรูปแบบ ความไม่แน่นอน และความเป็นไปได้ 🧤
เราต้องการคนที่เข้าใจทั้งธุรกิจและข้อมูล และเหนือสิ่งอื่นใด เราต้องการคนที่สามารถทำงานกับสิ่งที่นักเศรษฐศาสตร์จากเอ็มไอที (MIT) อย่าง ดารอน อะซิโมกลู (Daron Acemoglu) เรียกว่า “งานยาก” — งานที่ต้องอาศัยบริบท กลยุทธ์ และการตัดสินใจท่ามกลางความไม่ชัดเจน ซึ่งปัญญาประดิษฐ์ยังคงรับมือได้ยาก
คุณต้องมีแผนที่—แผนที่ฉบับใหม่ที่อัปเดตแล้ว
เวลาผมคุยกับเด็กฝึกงานเรื่องนี้ ผมมักจะหยิบแผนภาพหนึ่งขึ้นมาให้ดู—แผนที่ทักษะที่ผมสร้างไว้สำหรับนักวิเคราะห์และนักวิทยาศาสตร์ข้อมูลในทีม มันไม่ใช่เช็กลิสต์ แต่มันคือ “แผนที่แห่งความเป็นไปได้”
บนแผนที่นี้คือชุดทักษะที่เราพึ่งพาอยู่จริงในผลิตภัณฑ์และการดำเนินงานของเรา ตั้งแต่ความรู้เชิงอุตสาหกรรม การวิจัยตลาด การคิดเชิงผลิตภัณฑ์ สถิติ การเรียนรู้ของเครื่อง การพัฒนาเว็บ งานเดฟออปส์ ไปจนถึงเดต้าไพป์ไลน์ (data pipeline) และทักษะการนำเสนอ ไม่มีใครเก่งได้ครบทุกด้าน แต่ทุกคนต้องเลือกมุมของตัวเอง
นี่คือแผนที่ทักษะสำหรับคนทำงานสายข้อมูลในยุคเอไอ—ไม่ได้สร้างมาให้เช็กครบทุกข้อ แต่สร้างมาเพื่อเป็น “เข็มทิศ” ที่พาไปในทิศทางที่ใช่ ไม่มีใครเก่งได้ทุกอย่าง แต่ทุกคนต้องเลือกเส้นทางของตัวเอง และทำให้มันมีความหมาย 🎩
เราเริ่มกันที่ ความรู้เชิงอุตสาหกรรม (Industry Knowledge) แต่มันไม่ใช่แค่การรู้ว่าธุรกิจทำอะไร—แต่มันคือการเข้าไปมีส่วนร่วมกับระบบนิเวศของอุตสาหกรรมนั้นอย่างแท้จริง ในกรณีของผม หมายถึง “โรงพยาบาล” คุณต้องเข้าใจว่าเส้นทางของผู้ป่วยตั้งแต่มาถึงโรงพยาบาลจนออกไปเป็นอย่างไร จุดไหนที่มักเกิดคอขวดและทำให้เจ้าหน้าที่เหนื่อยล้า การดูแลล่าช้า? หรือมีอะไรบ้างที่ผู้บริหารโรงพยาบาลต้องแลก ต้องตัดสินใจทุกวัน โดยไม่เคยพูดออกมา?
ถ้าคุณไม่มีบริบทเหล่านี้ งานด้านข้อมูลของคุณก็จะไร้หลักเหมือนกับการวินิจฉัยโรคโดยไม่รู้ว่าโรงพยาบาลแห่งนั้นมีวิธีการทำงานอย่างไรเลย
ต่อมาคือ การวิจัยตลาด (Market Research) ซึ่งก็คือเรดาร์ของคุณนั่นเอง มันคือความสามารถในการมองออกไปนอกคลังข้อมูลของตัวเอง แล้วเข้าใจว่าเกิดอะไรขึ้นในอุตสาหกรรมบ้าง แนวโน้มใหม่ ๆ กำลังเคลื่อนที่ไปทางไหน? คู่แข่งรายไหนที่กำลังก้าวหน้าเร็วกว่าเรา? การเปลี่ยนแปลงระดับมหภาค—ไม่ว่าจะเป็นนโยบาย เทคโนโลยี หรือพฤติกรรมผู้บริโภค—สิ่งเหล่านี้มีผลต่อการตัดสินใจขององค์กรอย่างไร?
นักวิเคราะห์ที่ดีไม่ใช่แค่คนที่เก่งเรื่องตัวเลขเท่านั้น แต่ต้องเป็น “นักมองบริบท” ด้วยเช่นกัน
ต่อมาคือ การออกแบบและพัฒนาผลิตภัณฑ์ (Product Design and Development) ฟังดูเผิน ๆ อาจไม่ใช่ทักษะของสายข้อมูลโดยตรง แต่ถ้าข้อมูลเชิงลึกที่คุณค้นพบไม่ได้ถูกนำไปใช้จริง ก็แทบไม่มีความหมายอะไรเลย
การเข้าใจเรื่องการออกแบบผลิตภัณฑ์ คือการเข้าใจ “ข้อจำกัด” ที่อยู่เบื้องหลัง คุณต้องรู้ว่าอะไรทำให้ผลิตภัณฑ์ใช้งานง่าย อะไรทำให้ฟีเจอร์หนึ่งกลายเป็นสิ่งที่ผู้ใช้ติดหนึบ ถ้าแผนภูมิของคุณสามารถช่วยให้ดีไซน์ออกมาดีขึ้น หรือโมเดลที่คุณสร้างสามารถสนับสนุนฟีเจอร์ใหม่ให้เกิดขึ้นได้จริง คุณก็ไม่ได้เป็นแค่นักวิเคราะห์หลังบ้านอีกต่อไป—คุณคือ “คนสร้าง”
ตอนนี้เราขยับเข้าสู่ส่วนกลางของแผนที่ ซึ่งเป็นด้านเทคนิคมากขึ้น เริ่มจาก การเขียนโปรแกรม (Programming)—นี่คือเครื่องมือของคุณ มันคือวิธีที่คุณจะทำให้แนวคิดกลายเป็นระบบอัตโนมัติ เป็นโค้ดที่ใช้งานได้จริง ทดสอบได้ และขยายต่อได้
มันไม่ใช่เรื่องของการเขียนโค้ดให้ซับซ้อนสวยงาม แต่มันคือการสร้างทางออกที่มีประสิทธิภาพและสามารถนำกลับมาใช้ซ้ำได้ ถ้าคุณเขียนโปรแกรมได้ คุณก็สามารถรีลีสงานจริงได้ นั่นคือคุณไม่ได้แค่คิดหรือวิเคราะห์ แต่คุณทำให้มันเกิดขึ้นจริง
สถิติ (Statistics) คือจุดเริ่มต้นของการใช้วิจารณญาณในการวิเคราะห์ คุณต้องรู้อะไรมากกว่าแค่ค่าเฉลี่ย คุณต้องเข้าใจการกระจายของข้อมูล ความเอนเอียงของชุดข้อมูล ตัวแปรรบกวน และความสัมพันธ์เชิงเหตุผล
การคิดเชิงสถิติคือเครื่องมือที่จะทำให้คุณ ตั้งคำถามกับผลลัพธ์ของตัวเองได้—และนั่นแหละคือสิ่งที่ทำให้คุณซื่อสัตย์กับงานของคุณเอง มันคือการไม่หลงเชื่อสิ่งที่ดูเหมือนว่าจะใช่ จนกว่าจะได้เข้าใจมันลึกพอจากมุมมองของโครงสร้างข้อมูลจริง
จากตรงนั้น เราขยายไปสู่ การเรียนรู้ของเครื่อง (Machine Learning) ซึ่งไม่ใช่เรื่องของการยัดเยียดเทคนิคต่าง ๆ เข้าไปในทุกปัญหาเพียงเพราะมันดูเท่ แต่คือการรู้ว่าเมื่อไรควรใช้ระบบเรียนรู้เหล่านี้ เมื่อไรควรหยุด และเมื่อไรควรพูดอย่างตรงไปตรงมาว่า “เราไม่ต้องใช้ปัญญาประดิษฐ์หรอก—แค่กฎง่าย ๆ ก็พอแล้ว”
แมชชีน เลิร์นนิ่งนั้นทรงพลัง แต่สิ่งที่สำคัญพอ ๆ กันคือความยับยั้งชั่งใจ คุณต้องมีวุฒิภาวะทางการคิด ไม่ตกหลุมพรางของความซับซ้อน และตัดสินใจโดยมีเป้าหมายชัดเจนว่าคุณกำลังแก้ปัญหาอะไร ไม่ใช่แค่โชว์ว่าคุณทำอะไรได้บ้าง
การเตรียมข้อมูล (Data Preparation) คือหัวใจของการวิเคราะห์ที่ไม่ได้สวยหรู แต่มันคือจุดเริ่มต้นที่แท้จริงของงานข้อมูล ชุดข้อมูลทุกชุดจะเล่าเรื่องที่ต่างกันออกไป ขึ้นอยู่กับว่าเราทำความสะอาด คัดกรอง และจัดโครงสร้างมันอย่างไร
การจัดการกับข้อมูลที่ยุ่งเหยิงยังคงเป็นทักษะที่จำเป็นอย่างยิ่ง เพราะมันเป็นสัญญาณแรกที่บอกคุณได้ว่า งานที่กำลังจะทำต่อไปนั้นมีความหมายหรือแค่สิ่งรบกวนสมาธิของทีม
การสร้างแบบจำลอง (Modeling) คือการแปลงคำถามให้กลายเป็นรูปแบบที่เป็นระบบ มันคือกระบวนการของการสร้างนามธรรม ทดสอบมัน และค่อย ๆ ปรับปรุงให้ดีขึ้นตามเวลา
ไม่ว่าคุณจะกำลังพยากรณ์ แบ่งกลุ่มข้อมูล หรือจำลองสถานการณ์ การสร้างแบบจำลองคือวิธีที่คุณทำให้แนวคิดกลายเป็นสิ่งที่จับต้องได้ มันคือจุดที่คุณเริ่มเปลี่ยนความสงสัยให้กลายเป็นการเรียนรู้ และเปลี่ยนความซับซ้อนให้กลายเป็นเครื่องมือที่ใช้งานได้จริง
การสร้างภาพข้อมูล (Data Visualization) คือวิธีที่คุณชี้นำความสนใจของผู้คน มันคือการบอกอย่างแนบเนียนว่า “ดูตรงนี้สิ นี่แหละคือสิ่งที่สำคัญ”
คนที่เก่งด้านข้อมูลไม่ใช่คนที่ทำกราฟให้ดูสวยที่สุด แต่คือคนที่ออกแบบบทสนทนาผ่านภาพข้อมูล—คนที่ช่วยให้ผู้อื่น มองเห็นสิ่งเดียวกับที่พวกเขาเห็น และเข้าใจความหมายที่ซ่อนอยู่ในตัวเลขนั้นอย่างลึกซึ้ง
ถัดลึกเข้าไปในระบบ เราจะเจอกับ งานเดฟออปส์ (DevOps) และการจัดการฐานข้อมูล (Database Management) สองสิ่งนี้มักถูกมองข้ามโดยนักวิเคราะห์ข้อมูลหลายคน แต่ในความเป็นจริง มันคือหัวใจของการทำงานในสภาพแวดล้อมที่ใช้งานจริง (Production)
ถ้าคุณต้องการให้ข้อมูลเชิงลึกของคุณ ไม่ใช่แค่สิ่งที่อยู่ในสไลด์ แต่กลายเป็นส่วนหนึ่งของระบบที่ทำงานทุกวัน คุณต้องเข้าใจโครงสร้างพื้นฐานของมัน เช่น เราจะปล่อยอัปเดตได้อย่างไร? ข้อมูลทั้งหมดเก็บอยู่ตรงไหน? และถ้าข้อมูลเติบโตขึ้น 10 เท่า—ระบบของเราจะยังไหวไหม?
โครงสร้างพื้นฐานของบิ๊กดาต้า (Big Data Infrastructure) คือการต่อยอดจากระบบเดิมให้ไกลออกไปอีกขั้น เมื่อข้อมูลของคุณขยับจากหลักพันแถวไปสู่หลักล้าน หรือเมื่อข้อมูลเริ่มมาจากแหล่งเรียลไทม์ เช่น เซนเซอร์หรือแอปพลิเคชั่น คุณต้องรู้จักการขยายระบบอย่างมีประสิทธิภาพ
เพราะบิ๊กดาต้าไม่ใช่แค่เรื่องปริมาณ แต่มันคือเรื่องของการออกแบบ คุณจะจัดการข้อมูลอย่างไรให้ยังคงเร็ว เสถียร และตอบสนองต่อการใช้งานจริงได้อย่างต่อเนื่อง
ถัดมาคือ การสตรีมข้อมูลและเดต้าไพป์ไลน์ (Data Streaming and Pipelines) นี่คือเรื่องของการเคลื่อนไหว — ข้อมูลไหลจากที่หนึ่งไปยังอีกที่หนึ่งแบบเรียลไทม์อย่างไร
ถ้าระบบของคุณต้องพึ่งพาข้อมูลที่อัปเดตถึงวินาที เช่นระบบจัดงานของเราสำหรับทีมพนักงานเปลในโรงพยาบาล การสร้างเดต้าไพป์ไลน์ที่ เชื่อถือได้ มีระบบตรวจสอบ และรองรับความผิดพลาดได้ดี ไม่ใช่แค่เรื่องของความสะดวก—แต่มันคือ เรื่องของชีวิตจริง
การรวมโค้ดอย่างต่อเนื่องและการนำขึ้นระบบอย่างต่อเนื่อง (CI/CD, Continuous Integration & Deployment) คือสิ่งที่นำวินัยมาสู่ทุกอย่างที่กล่าวมาก่อนหน้านี้ มันคือกระบวนการที่ช่วยให้เราสามารถทดสอบ ตรวจสอบ และปล่อยอัปเดตต่าง ๆ ได้อย่างมั่นใจ
มันยังเป็นเกราะป้องกันที่ช่วยไม่ให้เราทำระบบพังทั้งก้อน ในขณะที่เรากำลังพยายามแก้ไขเพียงจุดเล็ก ๆ นักวิเคราะห์ที่เข้าใจเรื่องนี้ดีจะสามารถเข้าร่วมการสนทนาเชิงวิศวกรรมได้อย่างเต็มที่ และที่สำคัญคือ—พวกเขาสามารถปล่อยงานได้เร็วขึ้น
เพราะเมื่อคุณเล่าเรื่องเก่ง ข้อมูลจะไม่ใช่แค่กราฟหรือค่าเฉลี่ยอีกต่อไป มันจะกลายเป็น กลยุทธ์
เมื่อเราไล่ดูแผนที่ทั้งหมดจนครบ ผมจะถอยออกมาหนึ่งก้าว เพราะมันเยอะเกินไปที่จะเชี่ยวชาญทุกอย่างได้ในคราวเดียว ดังนั้นผมจะชวนมองผ่านเครื่องมือที่ง่ายกว่านั้น—คุณอยากเป็น “คนสายข้อมูล” แบบไหนกันแน่?
ที่มิวแทรค เราแบ่งคนสายข้อมูลออกเป็น 3 แบบหลัก ๆ ได้แก่ สายผลิตภัณฑ์ (Product-Focused), สายข้อมูลเชิงลึก (Data-Focused) และ สายระบบปฏิบัติการ (Ops-Focused)
ทั้งสามแบบนี้ล้วนเป็นเส้นทางที่ชัดเจน มีคุณค่า และเป็นตัวจริงในโลกการทำงาน แต่ละเส้นทางมีจังหวะการทำงานของตัวเอง มีจุดเริ่มต้นแห่งแรงบันดาลใจที่แตกต่างกัน และมีวิธีพัฒนาไปสู่ความเชี่ยวชาญในแบบของมันเอง
คุณรักการสร้างผลิตภัณฑ์ที่ดี
ถ้าคุณเป็นคนสายผลิตภัณฑ์ (Product-Focused) คุณจะอยู่ตรงจุดตัดระหว่าง “ความเข้าใจลูกค้า” “การพัฒนาผลิตภัณฑ์” และ “การแปลข้อมูลให้เกิดความหมาย” คุณไม่รอให้มีคนส่งงานมาให้ แต่คุณเริ่มบทสนทนาเอง คุณถามว่า “เรากำลังสร้างสิ่งนี้ไปทำไม? ความต้องการที่แท้จริงคืออะไร?”
คุณอาจพบว่าตัวเองนั่งอยู่ข้าง ๆ พยาบาลในระหว่างที่เราไปสังเกตการใช้งานระบบของเราที่โรงพยาบาล สังเกตว่าเธอต้องสลับหน้าจอ กรอกแบบฟอร์ม และดูแลคนไข้ไปพร้อมกัน และคุณอาจมองเห็น “จังหวะติดขัด 3 วินาที” ที่ไม่มีตัวชี้วัดไหนจับได้
คุณเป็นทั้งนักวิเคราะห์ นักออกแบบประสบการณ์ใช้งานโดยไม่ตั้งใจ และเป็นเหมือนผู้จัดการผลิตภัณฑ์แบบย่อส่วน คุณไม่ได้สนใจแค่ว่าอะไรที่พัง—แต่คุณตั้งคำถามว่า “อะไรหายไป?”
คุณใช้ข้อมูลเป็นเข็มทิศ ไม่ใช่แค่หลักฐาน คุณนำเสนอสิ่งที่เปลี่ยนเส้นทางของผลิตภัณฑ์ คำถามของคุณหล่อหลอมฟีเจอร์ใหม่ ๆ และคุณไม่ได้เป็นที่ไว้วางใจเพราะคุณมีคำตอบทั้งหมด แต่เพราะคุณกล้าถามคำถามที่ชัดที่สุด
ไม่นานนัก—คุณจะกลายเป็นคนนั้น…คนที่ทุกคนหันมาหาเมื่อพวกเขาอยากสร้างบางสิ่งที่มีความหมายจริง ๆ
คุณหลงใหลในการเขียนโค้ดและการขุดให้ลึก
ถ้าคุณเป็นคนสายข้อมูลเชิงลึก (Data-Focused) คุณจะเป็นคนที่ดำดิ่ง คุณคือนักวิเคราะห์ประเภทที่ลืมเวลาไปเลยเมื่อต้องหาคำตอบว่า “ทำไมรูปแบบนี้ถึงเกิดขึ้น?”
คุณสร้างแบบจำลองไม่ใช่เพื่อโชว์ แต่เพื่อทดลอง เรียนรู้ และปรับปรุง คุณไม่ไว้ใจสมมติฐานใดง่าย ๆ แม้แต่ของตัวเอง คุณรู้สึกชื่นชมในความสง่างามของฟังก์ชันที่เขียนดี และรู้สึกท้าทายกับทดลองโมเดลที่ซับซ้อนหลายมิติ
คุณหมกมุ่นอยู่กับความถูกต้องทางสถิติ คุณให้ความสำคัญกับการทำความสะอาดข้อมูลไม่น้อยไปกว่าการวิเคราะห์ และแม้คุณจะรักในทฤษฎี แต่คุณก็ไม่ยอมติดอยู่ในนั้น—เพราะคุณต้องการให้สิ่งที่คุณทำ ส่งผลจริง ต่อการตัดสินใจ หล่อหลอมกลยุทธ์ และปลดล็อกคุณค่าที่ซ่อนอยู่
ในมือของคุณ ชุดข้อมูลที่ยุ่งเหยิงอาจกลายเป็นเรื่องเล่า กลายเป็นโปรโตไทป์ หรือแม้แต่กลายเป็นพวงมาลัยที่สามารถเปลี่ยนทิศทางการทำงานของทีมได้ คุณรู้ว่าจะซูมเข้าอย่างแม่นยำเมื่อไหร่ และซูมออกอย่างชาญฉลาดเมื่อไหร่
บางคนอาจไม่เข้าใจสมการที่คุณเขียน—แต่พวกเขาเข้าใจความชัดเจนที่คุณนำมาได้ และนั่นคือพลังของคุณ
คุณฝันอยากให้ระบบใหญ่ ๆ ทำงานได้ราบรื่น
ถ้าคุณเป็นคนสายระบบปฏิบัติการ (Ops-Focused) คุณคือวิศวกรที่อยู่หลังฉาก คุณภูมิใจในงานที่ทำให้ระบบที่ซับซ้อนดูเรียบง่ายจากภายนอก ในบริบทของระบบดิชแพชเชอร์ คุณรู้สึกดีเมื่องานโลจิสติกส์ถูกส่งไปยังคนที่เหมาะสม ในตำแหน่งที่ถูกต้อง โดยไม่มีใครรู้เลยว่าเบื้องหลังมีอะไรเกิดขึ้นบ้าง
คุณคือนักจัดการเบื้องหลังข้อมูลจำนวนมหาศาล คุณอาจไม่ได้วิเคราะห์ข้อมูลโดยตรง แต่คุณคือคนที่ทำให้ข้อมูลไหลได้อย่างมั่นคง รวดเร็ว และพร้อมใช้งาน คุณรู้ว่าระบบดีแค่ไหนไม่สำคัญ ถ้าข้อมูลส่งไม่ถึงปลายทาง หรือโมเดลทำงานช้าไปครึ่งวินาที
คุณคิดถึงเรื่องความหน่วงของการประมวลผลข้อมูล (Latency), แผนรองรับการทำงานผิดพลาดของระบบ (Failover), การตรวจสอบระบบ และการขยายสเกล ไม่ใช่เพราะมันเป็นเทรนด์ แต่เพราะมันคืองานที่ต้องถูกต้องแม่นยำตั้งแต่ครั้งแรก
คุณดูแลระบบไปป์ไลน์ที่ต้องอัปเดตทุกนาที คอยตรวจจับความผิดพลาด ดูแลการดีพลอยโมเดลใหม่และรับมือกับกรณีสุดขอบที่ไม่มีในคู่มือ คุณไม่ได้อยู่หน้าแดชบอร์ดแต่คุณคือคนที่ทำให้แดชบอร์ดนั้นมีข้อมูลใหม่ทุกเช้า คุณไม่ได้เขียนโมเดล แต่คุณทำให้โมเดลนั้นไม่ล่มเวลาใช้งานจริง
คุณมองเห็นความงามในความมีประสิทธิภาพ ความแข็งแกร่งในความเสถียร และความภาคภูมิใจในบทบาทที่อาจไม่ปรากฏบนเวที แต่ขาดไม่ได้เลยแม้แต่วินาทีเดียว คุณอาจไม่ได้อยู่ตรงกลางของการพรีเซนต์ แต่คุณคือคนที่เป็นหนึ่งในทีมงานผู้กำกับการแสดงเบื้องหลังเวทีเพื่อให้ทุกคนทำหน้าที่ของตัวเองได้อย่างมั่นใจ
การเดินทางของนักวิทยาศาสตร์ข้อมูลในยุคแห่งเอไอ
แต่ละเส้นทางต่างก็มีความงามในแบบของตัวเอง แต่สิ่งที่เชื่อมโยงพวกมันเข้าด้วยกัน คือความจริงข้อหนึ่งที่คุณไม่อาจมองข้ามได้เลย—ในโลกยุคใหม่นี้ อาชีพของคุณจะไม่ได้เริ่มจากงานง่ายอีกต่อไป แต่มันจะเริ่มจากงานที่มีความหมาย
แต่ละเส้นทางต่างก็มีความงามในแบบของตัวเอง แต่สิ่งที่เชื่อมโยงพวกมันเข้าด้วยกัน คือความจริงข้อหนึ่งที่คุณไม่อาจมองข้ามได้เลย—ในโลกยุคใหม่นี้ อาชีพของคุณจะไม่ได้เริ่มจากงานง่ายอีกต่อไป แต่มันจะเริ่มจากงานที่มีความหมาย
เมื่อใครบางคนพูดว่า “ข้อมูลคือเชื้อเพลิงใหม่ของโลก” พวกเขามักลืมไปว่า น้ำมันจะไม่มีคุณค่าเลย—ถ้ามันไม่ได้ถูกกลั่น ถูกขนส่ง และถูกใช้งานอย่างถูกวิธี ข้อมูลก็เช่นเดียวกัน เราไม่ได้ต้องการคนที่แค่ขุดมันขึ้นมา เราอยากได้คนที่ทำให้มันมีความหมาย
ดังนั้น ถ้าคุณกำลังก้าวเข้าสู่โลกที่เต็มไปด้วยข้อมูล—ผมมีคำแนะนำสั้น ๆ ให้ อย่ามองหาบันไดหรือทางลัด เพราะมันไม่มีอีกแล้ว ให้คุณมองหากำแพงที่คุ้มค่าจะปีน เลือกจุดเกาะของคุณให้ดี และเมื่อคุณปีนได้—จงดึงคนอื่นขึ้นไปด้วยกัน
งานของมนุษย์ในวันที่รออยู่ข้างหน้า
และถ้าเราหวนกลับไปยังจุดเริ่มต้น—กลับไปยังแนวคิดของดารอน อะซิโมกลูว่าด้วย “งานง่าย” และ “งานยาก”—บทเรียนก็จะเริ่มชัดเจนขึ้น
ในยุคของปัญญาประดิษฐ์ การเชี่ยวชาญเพียงศาสตร์เดียวไม่เพียงพออีกต่อไป การเขียนโค้ดเก่ง หรือสร้างโมเดลเป็น จะไม่สามารถปกป้องคุณได้
งานที่ยังอยู่รอด—คืองานที่ยาก งานที่คลุมเครือ งานที่ต้องใช้ความเข้าใจมนุษย์อย่างลึกซึ้ง มันไม่ใช่งานที่ต้องการแค่ทักษะ แต่มันต้องการการตระหนักรู้
ในโลกที่ซับซ้อนขึ้นเรื่อย ๆ โลกที่เต็มไปด้วยกระแสข้อมูลตลอดเวลา และอีกไม่นานจะเต็มไปด้วยตัวแทนสุดอัจฉริยะ (AI Agents) เรา—มนุษย์ธรรมดาอย่างคุณและผม—ยังสามารถไม่เพียงแค่อยู่รอดแต่ยังเติบโตได้อย่างแท้จริง ไม่ใช่เพราะเราคิดเลขเร็วกว่า หรือประมวลผลดีกว่า แต่เพราะเราเข้าใจมนุษย์ เพราะเรามองเห็นความละเอียดอ่อน เพราะเรารับรู้ได้ถึงความขัดแย้งและความเป็นไปได้ในจุดที่ปัญญาประดิษฐ์เห็นแค่รูปแบบ
เราเติมบริบทลงไปในข้อมูล เราใช้วิจารณญาณแทนการประมวลผล และที่สำคัญ—เราใส่ความตั้งใจลงไปในทุกสิ่งที่ทำ
งานที่แท้จริงในวันนี้ คือการเชื่อมจุดที่มองไม่เห็นเข้าด้วยกัน—ไม่ว่าจะข้ามทีม ข้ามเครื่องมือ หรือข้ามกำแพงของแต่ละฝ่าย และเราทำสิ่งนั้นได้ ผ่านมุมมองของเราเอง—มุมมองที่ถูกหล่อหลอมมาจากประสบการณ์ ความเข้าใจมนุษย์ และความเชื่อมั่นในสิ่งที่เรายืนหยัด
นั่นแหละ คือสิ่งที่ทำให้ใครบางคนกลายเป็นมืออาชีพสายข้อมูลอย่างแท้จริงในวันนี้
ดังนั้น จงเลือกเส้นทางของคุณให้ดี จงเลือกปัญหาที่ยากที่คุณอยากลงมือแก้ไข จงเปิดรับความซับซ้อน อยู่ใกล้ความจริงให้มาก ถามคำถามให้บ่อย และเหนือสิ่งอื่นใด—อย่าลืมว่าข้อมูลทุกชิ้นมี “มนุษย์” อยู่เบื้องหลังมันเสมอ
เพราะอนาคต…ยังคงเป็นของเราอยู่ ตราบใดที่เรายังไม่ลืมความเป็นมนุษย์ของมัน
อ่านต่อ
17 กรกฎาคม 2568
ปิโยรส ปิยจันทร์
ซีอีโอของมิวแทรค
10 กรกฎาคม 2568
ปิโยรส ปิยจันทร์
ซีอีโอของมิวแทรค
3 กรกฎาคม 2568
ปิโยรส ปิยจันทร์
ซีอีโอของมิวแทรค