Latest

Data Governance คืออะไร? ทำไมองค์กรยุค AI ต้องให้ความสำคัญ

จินตนาการสถานการณ์ในองค์กร ผู้บริหารถามว่า “ลูกค้าของเรามีกี่คน?” 💁‍♂️ ทีมการตลาดตอบตัวเลขหนึ่ง 👩‍💼 ทีมการเงินตอบอีกตัวเลขหนึ่ง 👨🏻‍💻 ทีมไอทีดึงรายงานมาได้อีกตัวเลขหนึ่ง คำถามเดียว แต่มีหลายคำตอบ นี่คือปัญหาที่หลายองค์กรเจอ และเป็นจุดเริ่มต้นของคำว่า Data Governance

The Future is Spatial

เมื่อข้อมูล “รู้พิกัด” โลกจะเปลี่ยนวิธีตัดสินใจไปตลอดกาล ในอดีต เรามองข้อมูลเป็นเพียงตัวเลขในรายงาน เป็นกราฟใน dashboard หรือเป็นไฟล์ Excel ที่รอการวิเคราะห์ แต่วันนี้ ข้อมูลส่วนใหญ่ในโลกมี “พิกัด” ซ่อนอยู่ คำถามจะไม่ใช่แค่ เกิดอะไรขึ

AI Ethics vs Governance: เหมือนหรือต่างกันอย่างไร?

ในยุคที่ปัญญาประดิษฐ์ (AI) ถูกนำไปใช้ในองค์กร ภาครัฐ และธุรกิจขนาดใหญ่ คำว่า AI Ethics และ AI Governance มักถูกพูดถึงควบคู่กัน แต่ทั้งสองแนวคิดมีบทบาทต่างกัน ดังนี้ AI Ethics คือ “หลักคิด” กรอบแนวคิดเชิงคุณค่าและศี

มองโลกจากอวกาศ: ดาวเทียมช่วยวัดการกักเก็บคาร์บอนได้อย่างไร?

ดัชนีพืชพรรณ (Vegetation Index) คืออะไร? คือค่าที่คำนวณจาก ภาพถ่ายดาวเทียม (Satellite Image) เพื่อวัดความเขียว ความหนาแน่น และสุขภาพของพืช ตัวอย่างที่ใช้บ่อยที่สุด NDVI (Normalized Difference Vegetation Index) สูตร NDVI = (NIR - Red) / (NIR + Red) * NIR = Near Infrared

จาก Pixel สู่พืชผล: การใช้ AI วิเคราะห์ Satellite Image

การใช้ Satellite image เพื่อจำแนกพืช (Vegetation Classification) ทำได้ด้วยการวิเคราะห์ “Spectrum Signature” ของพืชแต่ละชนิดจากข้อมูลหลายช่วงคลื่น (Multispectral / Hyperspectral) 1) หลักการสำคัญ - Spectral Signature พืชแต่ละชนิดสะท้อนและดูดกลืนแสงไม่เท่ากันในแต่ละช่วงคลื่น เช่น * แสงสีแดง (Red) → คลอโรฟิ

Three Ways Machines Learn

Machine Learning (ML) หากจะแบ่งตามประเภทของการเรียนรู้ สามารถแบ่งได้ 3 ประเภท ดังนี้ Supervised Learning เหมือนกับการให้ Machine เรียนรู้แบบมีผู้สอน (จาก ค่าเป้าหมาย ‘Target’ หรือ ตัวแปร Output) จะทำการเรียนรู้ซ้ำๆ (iteration) ไปเรื่อยๆ จนกว่าการทำนายจะใกล้เคียงกับค่าเป้าหมาย ตัวอย่างเช่

The Shape of Learning: Parametric vs Non-Parametric

Parametric vs Non-parametric Model ใน Machine Learning สามารถแบ่งแยกความแตกต่างได้ ดังนี้ Parametric Model * เป็นการเลือกรูปแบบเฉพาะ เช่น สมการเส้นตรง (Linear) สำหรับ Linear Regression Model * ในการ Train Model จะพยายามหา Coefficients (ค่า a และ b) ของสมการ y = aX + b ข้อดี * ง่าย * รวดเร็ว * ใช้ข้

เลือกตั้งโปร่งใสขึ้นได้ ด้วยพลังของ Data Science

Data Science ช่วยให้การเลือกตั้งโปร่งใสและบริสุทธิ์มากขึ้น มี Use cases ดังนี้ 1) ตรวจจับความผิดปกติของผลคะแนน (Anomaly Detection) ใช้สถิติและโมเดลตรวจหาคะแนนที่ “แปลก” เช่น * หน่วยเลือกตั้งที่มีคนมาใช้สิทธิ์ 99–100% (ผิดปกติ) * คะแนนพุ่งผิดธรรมชาติในบางช่วงเวลา 2) ป้

จากจุดวัดสู่แผนที่เมือง: เบื้องหลังการสร้างแผนที่ PM2.5

ทำไมเครื่องวัด PM2.5 มีแค่บางจุด แต่แอปกลับแสดงเป็นแผนที่สีครอบคลุมทั้งเมือง เหมือนวัดได้ทุกที่ ? ความจริงคือ เราไม่ได้วัดทุกตำแหน่ง แต่ใช้การคำนวณทางวิทยาศาสตร์มาช่วยเติมข้อมูลในจุดที่ไม่มีเซนเซอร์ เริ่มจาก สถานีวัดภาคพื

Reimagining Spatial Analysis with Generative AI

Gen AI for Spatial (Data) Analysis คือ การใช้ Generative AI มาช่วยทำงานกับ ข้อมูลที่มีพิกัดบนแผนที่ เช่น ภาพถ่ายดาวเทียม แผนที่ เมือง การจราจร น้ำท่วม ฯลฯ ต่างจาก AI ทั่วไปที่ “ทำนาย” Gen AI สามารถ “สร้างข้อมูลเชิงพื้นที่ใหม่

AI 3 ยุค: จากการทำนาย สู่การสร้าง และการลงมือทำแทนมนุษย์

วิวัฒนาการของความฉลาดของ AI ใน 3 ยุค” — จาก ทำนาย, ไปสู่ สร้าง, และ ลงมือทำแทนมนุษย์ได้ 1. Predictive AI = “AI ทำนาย” AI ประเภทนี้เก่งเรื่อง วิเคราะห์อดีต -> ทำนายอนาคต ทำงานอย่างไร เรียนรู้จากข้อมูลในอดีต แล้วหา patterns เช่น * ใครมีแนวโน้

Hidden Preferences: The Magic of NMF in Recommenders

NMF (Non-negative Matrix Factorization) คือ เทคนิค Matrix Factorization แบบหนึ่ง ที่แยกเมทริกซ์ใหญ่ ๆ ออกเป็นเมทริกซ์เล็ก 2 ตัว โดยมีเงื่อนไขว่า ค่าทุกตัวต้องเป็นบวกหรือศูนย์เท่านั้น ถ้ามีเมทริกซ์พฤติกรรมผู้ใช้ $$ R \approx W

แนะนำร้านให้แม่น ด้วยพลังของ Collaborative Filtering

Merchant Recommendation ด้วย Collaborative Filtering แนวคิดหลักคือ “ผู้ใช้ที่มีพฤติกรรมคล้ายกัน มักชอบร้านคล้ายกัน” เรา ไม่ต้องรู้รายละเอียดร้าน ก็แนะนำได้ จากพฤติกรรมการใช้งาน 1) เตรียมข้อมูล สร้างตารางพฤติกรรมการใช้งาน user_id merchant_id interaction U1

Digital Twin: Where Data Meets Reality

Digital Twin คือแนวคิดที่เอาของจริง (เครื่องจักร คน ระบบ เมือง ฯลฯ) มาสร้างเป็น แบบจำลองดิจิทัลที่มีชีวิต และ อัปเดตตามข้อมูลจริงตลอดเวลา ในมุมของ Data Science จะไม่ใช่แค่โมเดลนิ่ง ๆ แต่เป็น ตัวแทนเสมือนที่คิด