ທ່ານຮູ້ແລ້ວບໍ? ການເຂົ້າໃຈ ແລະ ສື່ສານຂໍ້ມູນ ເປັນທັກສະສໍາຄັນຫຼາຍໃນຍຸກປັດຈຸບັນ?

ທັກສະການສ້າງຄວາມເຂົ້າໃຈ ແລະ ສື່ສານຂໍ້ມູນອອກໄປເປັນທັກສະທີ່ສໍາຄັນຫຼາຍຂອງຄົນໃນປັດຈຸບັນ ກໍຄືໃນສະຕະວັດທີ 21 ເພາະ Data Science ກັບ AI ມີຜົນຕໍ່ຫຼາຍອຸດສາຫະກໍາ ບໍ່ແມ່ນພຽງແຕ່ທຸລະກິດເທົ່ານັ້ນ, ແຕ່ວ່າພາກລັດ, ການແພດ, ການກະເສດ ຍັງມີການນໍາສະເໜີຂໍ້ມູນຂ່າວສານດ້ວຍໂມເດວທໍານາຍເຫດການລ່ວງໜ້າກໍມີຫຼາຍຂຶ້ນ. ທີ່ສໍາຄັນຄືຂໍ້ມູນສ່ວນຕົວທີ່ເຮົາແບ່ງປັນໃຫ້ກັບຄົນອື່ນຈະເປັນຕົວກໍານົດວ່າເຮົາຈະມີປະຕິສໍາພັນແນວໃດກັບສັງຄົມ.
ສະນັ້ນ, ບໍ່ວ່າເຮົາຈະເຮັດວຽກກ່ຽວກັບ Data ໂດຍກົງ ຫຼືບໍ່ ຄວາມສາມາດໃນການເຂົ້າໃຈ ແລະ ສື່ສານຂໍ້ມູນອອກໄປຈຶ່ງເປັນທັກສະທີ່ທຸກຄົນຕ້ອງຝຶກຝົນຮູ້ວ່າຂໍ້ມູນຖືກສ້າງເກັບ ແລະ ຮັກສາໄວ້ແນວໃດ? ລັກສະນະຂອງຂໍ້ມູນເປັນແນວໃດ? ຄວາມຮູ້ທາງດ້ານສະຖິຕິຂໍ້ຄວນລະວັງ ແລະ ຈະລິຍະທໍາໃນການໃຊ້ຂໍ້ມູນ.

ສ່ວນລັກສະນະຂອງ Data ທັງ 3 ແບບທີ່ຄວນເຂົ້າໃຈມີຄື:

1. ຂໍ້ມູນທີ່ມາເປັນແບບຕາຕະລາງ (Tabular Data)
ຂໍ້ມູນແບບນີ້ເຮົາເຫັນປະຈໍາໂດຍສະເພາະຄົນທີ່ເຮັດວຽກກັບ Microsoft Excel ເປັນປະຈໍາ ປັດຈຸບັນ ມີການໃຊ້ Machine Learning ເພື່ອຄາດຄະເນລາຄາທີ່ພັກຂອງ AirBnB ໂດຍໃຊ້ Tabular Data ເຊິ່ງໃນຂໍ້ມູນກໍຈະມີລາຍລະອຽດຕ່າງໆບໍ່ວ່າຈະເປັນເຟີນິເຈີ, ຂອງໃຊ້ໃນບ້ານ, ຈໍານວນຫ້ອງໃນບ້ານ, ຕໍາແໜ່ງທີ່ພັກ, ລາຄາຂອງການໃຫ້ພັກແຕ່ລະຄືນ ແລະ ລາຍໄດ້ຂອງທີ່ພັກແຕ່ລະປີ. ຂໍ້ມູນພວກນີ້ຈະຖືກປ້ອນເພື່ອເຝິກ ແລະ ໃຫ້ Machine Learning ຮຽນຮູ້ທີ່ຈະທໍານາຍລາຄາທີ່ພັກຂອງ AirBnB ແລະ ລາຍໄດ້ທີ່ AirBnB ຈະໄດ້ຮັບຈາກລູກຄ້າ.

2. ຂໍ້ມູນຮູບພາບ (Image Data)
ຂໍ້ມູນຮູບພາບຖືກເອົາໄປເຮັດເປັນ Facial Recognition ໃນສື່ສັງຄົມ online ແລະ ແອັບມືຖືຕ່າງໆ ແຕ່ຄວາມລໍ້າໜ້າຂອງການນໍາຮູບພາບໄປໃຊ້ເຊັ່ນ: ໃນວົງການແພດກໍສາມາດຫາເຍື້ອມະເຮັງໃນພາບທີ່ໄດ້ຈາກ PET ແລະ CT Scan ວົງການລົດຍົນຢ່າງ Self-Driving Car ທີ່ສະແກນວັດຖຸທີ່ຢູ່ທາງໜ້າ ແລະ ແຍກໄດ້ວ່າວັດຖຸນັ້ນຄືຫຍັງ. ສ່ວນວິທີການແປງຂໍ້ມູນຮູບພາບນັ້ນເຮົາຮູ້ວ່າ pixel ຂອງສີທີ່ຢູ່ໃນພາບມີລະຫັດສີດໍາກັບຢູ່ລະຫວ່າງສີຂຽວ, ສີຟ້າ ແລະ ສີແດງ ເຊິ່ງຄ່າເຫຼົ່ານີ້ເຮົາກໍໃສ່ເຂົ້າໄປໃນໂມເດວເພື່ອທໍານາຍສີ ຫຼື ຮູບຮ່າງຂອງວັດຖຸໄດ້.

3. ຂໍ້ມູນທີ່ບໍ່ມີໂຄງສ້າງ (Unstructured Data)
ເປັນຂໍ້ມູນທີ່ຍັງບໍ່ຖືກຈັດລະບຽບເພື່ອພ້ອມສໍາລັບການວິເຄາະຂໍ້ມູນ ສ່ວນໃຫຍ່ຈະມາໃນຮູບແບບຂອງຂໍ້ຄວາມ ຫຼື Natural Language ຂໍ້ມູນທີ່ເປັນຂໍ້ຄວາມເຮົາມັກຈະເຫັນໃນບົດຄວາມຕ່າງໆໃນເວັບໄຊ້ ຫຼື ສື່ສັງຄົມ Online ແລ້ວເຮົາມາແປງຂໍ້ຄວາມພວກນັ້ນເປັນຕົວເລກເພື່ອໃຫ້ Machine Learning ທໍານາຍຕໍ່ໄປວ່າຂໍ້ຄວາມເວົ້າເຖິງເລື່ອງໃດ, ຂໍ້ຄວາມນັ້ນຢູ່ໃນໝວດໃດ (ການເມືອງ ເສດຖະກິດ ຫຼື ສັງຄົມ) ແລ້ວເລື່ອງນັ້ນໆຄົນເວົ້າເຖິງໃນທາງທີ່ດີ ຫຼື ບໍ່ (Sentiment Analysis). ຄວາມທ້າທາຍມັນບໍ່ໄດ້ມີພຽງວ່າຂໍ້ມູນທີ່ມີເປັນຮູບແບບໃດ ແຕ່ຮູ້ວ່າຕ້ອງເກັບຂໍ້ມູນແຕ່ລະແບບ ຕ້ອງເກັບແບບໃດ ຂໍ້ມູນທີ່ຮວບຮວມໄດ້ກໍາລັງຈະບອກຫຍັງເຮົາ ແລ້ວເຮົາໄວ້ໃຈຂໍ້ມູນທີ່ໄດ້ມາຫຼາຍໜ້ອຍສໍ່າໃດ.

ແຫຼ່ງຂໍ້ມູນ: Marketing Oops

Comments