ในปัจจุบันเรามีปัญญาประดิษฐ์ หรือ Artificial Intelligence (AI) อยู่รอบตัวเราตั้งแต่ Applications ต่าง ๆ บนโทรศัพท์มือถือ ระบบ Internet of Things (IoTs) ภายในบ้าน Social Media Platforms และ Search Engines มากมาย ถ้าปัญญาประดิษฐ์มีอิทธิพลต่อมนุษย์ในปัจจุบันขนาดนี้ แล้วในอนาคตปัญญาประดิษฐ์จะมีผลกระทบต่องาน และ วิถีชีวิตของมนุษย์มากขนาดไหน คำถามนี้ยังไม่มีคำตอบที่แน่ชัด แต่เราสามารถสร้างปัญญาประดิษฐ์ที่เป็นประโยชน์กับมนุษย์มากกว่าโทษได้ หากเราสามารถใส่อารมณ์ความรู้สึกที่จะสามารถนำทางปัญญาประดิษฐ์ในการเรียนรู้พฤติกรรมต่าง ๆ ที่จะทำให้พวกมันมีความรู้สึกอยากให้มนุษย์มีความสุข และ เจริญก้าวหน้า โดยในงานของ Hibbard [1] ได้เสนอให้สร้างปัญญาประดิษฐ์พื้นฐานที่เรียนรู้อารมณ์ของมนุษย์ และ ใส่ข้อมูลพื้นฐานเหล่านี้ลงไปในปัญญาประดิษฐ์ที่มีความซับซ้อนกว่า ซึ่งเราสามารถสร้างปัญญาประดิษฐ์ที่จำแนกอารมณ์พื้นฐานของมนุษย์จากสีหน้าได้แล้ว ณ ปัจจุบัน [2] ก้าวถัดไปคือการใส่ความฉลาดที่จะทำให้ปัญญาประดิษฐ์เรียนรู้ที่จะทำงานได้หลากหลายรูปแบบ ซึ่งเป็นข้อจำกัดของปัญญาประดิษฐ์ในปัจจุบัน

การที่จะทำให้ปัญญาประดิษฐ์พัฒนาไปสู่อีกขั้น เราจะต้องเริ่มจากการเลียนแบบพื้นฐานของความฉลาดทั่วไปของมนุษย์ (Human General Intelligence) ด้วยการการเลียนแบบพฤติกรรมการเรียนรู้ และ การวิเคราะห์ในสมองของมนุษย์ด้วยการให้ปัญญาประดิษฐ์สามารถนำข้อมูลไม่ว่าจะเป็นจากการที่ได้จากมนุษย์ หรือ หาได้จากแหล่งข้อมูลมาพัฒนาตัวเองได้ จึงนำมาสู่แนวความคิดของนักวิชาการและนักเทคโนโลยีที่ต้องการพัฒนาปัญญาประดิษฐ์ประเภทใหม่นี้ที่จะเข้ามาช่วยเหลืองานด้านต่าง ๆ ให้กับมนุษย์ ไม่ว่าจะเป็นการตัดสินใจ การจดจำวัตถุ และ อื่น ๆ อีกมากมาย เราเรียกปัญญาประดิษฐ์ที่จำลองประบวนการคิดวิเคราะห์ในสมองของมนุษย์เพื่อช่วยเหลืองานของมนุษย์นี้ว่า Cognitive analytics ซึ่งเกิดจากการรวมสองศาสตร์หลัก ๆ เข้าด้วยกัน คือ ศาสตร์ทางด้าน Computer science ที่ประกอบไปด้วยปัญญาประดิษฐ์ และ การวิเคราะห์ข้อมูล (Data analytics) และ ศาสตร์ทางด้านของ Neuroscience ที่อธิบายการทำงานของสมองมนุษย์ โดยในบทความนี้เราจะพูดถึง Cognitive analytics ในด้านของ Computer science แต่ก่อนที่จะรู้กันว่าที่จริงแล้ว Cognitive analytics คืออะไร จะเข้ามาช่วยอะไรได้บ้าง  เรามารู้จักประเภทของการวิเคราะห์ต่าง ๆ ที่มีในปัจจุบัน นั่นก็คือ Descriptive analytics, Diagnostic analytics, Prescriptive analytics, และ Predictive analytics เพื่อมาดูว่า Cognitive analytics จะสามารถเพิ่มประสิทธิภาพในการวิเคราะห์ข้อมูลและเพิ่มความสามารถของมนุษย์ในการตัดสินใจได้อย่างไร

รูปที่ 1 ประเภทของการวิเคราะห์ทั้งหมด [2]

รูปแบบการวิเคราะห์ข้อมูลแบบดั้งเดิมและที่มีอยู่ในปัจจุบัน

Descriptive analytics คือการวิเคราะห์ระดับที่ทำได้ง่ายที่สุดด้วยการทำความเข้าใจข้อมูลในอดีต หรือ ปัจจุบันเพื่อเข้าใจสิ่งที่เกิดขึ้น นับเป็นขั้นตอนที่สำคัญในการทำให้ผู้ที่มีส่วนเกี่ยวข้องกับงาน หรือ ธุรกิจเข้าใจในข้อมูล สิ่งที่จะได้จากการทำการวิเคราะห์แบบนี้คือการได้กรอบปัญหาของธุรกิจ และ โอกาสที่อาจจะได้รับ ลักษณะของการวิเคราะห์จะใช้ การสร้าง Dashboard, การทำ Data warehousing หรือ การทำรายงานทางธุรกิจเพื่อนำข้อมูลมาแสดง และ หา Insight ที่น่าสนใจจากข้อมูลเหล่านั้น โดยใช้วิธีการแปลง หรือ  รวบรวมข้อมูล เช่น แปลงจำนวนผู้ใช้งานรายวันของแต่ละเดือนให้กลายเป็นจำนวนเฉลี่ยของผู้ใช้งานรายเดือน จุดที่ยังขาดคือองค์ความรู้ที่ได้รับในระดับการวิเคราะห์นี้ไม่เพียงพอในการนำไปใช้ในการตัดสินใจ ทำได้เพียงเข้าใจในข้อมูลที่มีอย่างผิวเผินเท่านั้น

Diagnostic analytics คือการวิเคราะห์ที่เป็นการทำความเข้าใจข้อมูล และ นำมาหาสาเหตุว่าทำไมมันจึงเกิดขึ้น การวิเคราะห์แบบนี้จะมีเทคนิคเชิงสถิติเข้ามาเกี่ยวข้อง และ มีการวิเคราะห์แบบเชิงลึกเพื่อหาต้นตอของสาเหตุ อาทิเช่น การหาความสำพันธ์ (Correlation), การทำการวิเคราะห์สาเหตุและผล (Cause-and-effect analysis), การวิเคราะห์พฤติกรรม เป็นต้น สิ่งที่จะได้รับจากการวิเคราะห์นี้คือการรู้สาเหตุ และ ผลของการเปลี่ยนแปลงที่เกิดขึ้นในธุรกิจว่า ข้อจำกัดของการวิเคราะห์ประเภทนี้คือการที่เราทำเพียงหาความสัมพันธ์ของข้อมูลในอดีต ถึงจะทำให้เรามีองค์ความรู้ที่สามารถนำไปใช้ประโยชน์ได้แต่ก็ใช้ได้อย่างจำกัด ซึ่งการวิเคราะห์รูปแบบถัดไปจะมาแก้ปัญหาในส่วนนี้

Predictive analytics คือการวิเคราะห์ที่เป็นการทำนายโอกาส หรือ ความน่าจะเป็นที่เหตุการณ์หนึ่ง ๆ จะเกิดขึ้นในอนาคต แต่ไม่สามารถบอกได้อย่างแน่นอนว่าเหตุการณ์นั้น ๆ จะเกิดขึ้นอย่างแน่นอน โดยจะใช้สถิติเชิงอนุมาน (Inferential statistics) และ โมเดลทางคณิตศาสตร์ที่สร้างขึ้นจากการนำข้อมูลในอดีตมาวิเคราะห์ และ หาองค์ความรู้จากการวิเคราะห์แบบ Descriptive และ Diagnostic analytics มาใช้เพื่อให้เป็นการตัดสินใจแบบ Data-driven โดยแบบจำลองจะหาการกระจายตัวของความน่าจะเป็นของข้อมูลในอดีตเพื่อทำนายเหตุการณ์ในอนาคตที่อาจเกิดขึ้นจากรูปแบบที่คล้ายคลึงกัน วิธีที่นิยมใช้มีหลากหลายวิธี เช่น Logistic regression, Linear regression, Bayesian statistics เป็นต้น ผลลัพธ์ที่ได้จากการวิเคราะห์คือการรู้ถึงสถานการณ์ หรือ สถานะในอนาคตที่ค่อนข้างแม่นยำ จุดที่ยังต้องพิจารณาต่อคือถึงจะรู้ถึงเหตุการณ์ที่อาจจะเกิดขึ้นในอนาคตแต่ยังคงต้องใช้ความรู้ และ ประสบการณ์ของมนุษย์เพื่อตัดสินใจ ซึ่งอาจจะไม่ใช่ทางเลือกที่ดีที่สุดสำหรับข้อมูลที่มี เพราะ มนุษย์มีความลำเอียง (Bias) ที่ส่งผลต่อการตัดสินใจ ดังนั้นจึงเกิดเป็นการวิเคราะห์แบบถัดไป

Prescriptive analytic คือการวิเคราะห์ที่เป็นลักษณะของการทำนายที่ใช้การวิเคราะห์ทั้งแบบก่อนหน้าเพื่อแนะนำวิธีการ หรือ วิธีแก้ไขปัญหาในอนาคตที่เหมาะสมเมื่อทราบถึงความไปเป็นได้ของสถานการณ์ที่กำลังจะเกิดขึ้นโดยใช้ข้อมูลในอดีต และ ในปัจจุบัน หรือ จะเป็นการบอกผลลัพธ์ที่อาจจะเกิดขึ้นทั้งหมดจากการกระทำหนึ่ง ๆ หรือ เป็นการแนะนำวิธีการที่เป็นไปได้ทั้งหมดเพื่อให้ได้ผลลัพธ์ที่สนใจ ซึ่งการวิเคราะห์แบบนี้อาศัยระบบที่มีการเรียนรู้ความสัมพันธ์ของวิธีการ หรือ การกระทำ กับ ผลลัพธ์ผ่านการทำ optimization, การทำ simulation, การสร้างแบบจำลองการตัดสินใจ หรือ ระบบผู้เชี่ยวชาญ (Expert System) ที่ใช้การตัดสินใจแบบเดียวกันกันกับผู้เชี่ยวชาญที่เป็นมนุษย์ โดยผลลัพธ์ที่ได้จะเป็นการตัดสินใจ หรือ วิธีการที่ดีที่สุดสำหรับปัญหา หรือ ธุรกิจ จุดสังเกตคือถึงแม้ว่าคำตอบที่ได้จะเป็นคำตอบที่ดีที่สุด แต่ตัวระบบยังไม่สามารถพัฒนาตัวเองให้ทันกับสภาพในปัจจุบัน เช่น ข้อมูล หรือ เหตุการณ์ที่มีรูปแบบใหม่ที่ไม่เคยมีมาก่อนในระบบ ซึ่งระบบจะคาดการณ์ได้ไม่ดีเท่ากับข้อมูลที่เคยเกิดขึ้น และ ระบบยังคงต้องการข้อมูลที่มาจากมนุษย์

อนาคตของการวิเคราะห์ข้อมูลแบบ Cognitive analytics 

อะไรคือ Cognitive analytics?

Cognitive เป็นคำขยายที่มาจากคำว่า Cognition คือ การที่มนุษย์ได้รับและใช้ความรู้ผ่านการรับรู้จากประสาทสัมผัสต่าง ๆ (Senses) รวมถึงเรียนรู้จากปฏิสัมพันธ์กับสภาพแวดล้อมและประสบการณ์ในอดีต เพื่อพัฒนาความสามารถในการทำงานต่าง ๆ เช่น การเดิน การพูด การขับรถ และ การแก้ไขปัญหา เป็นต้น [2] ฉะนั้น Cognitive processes จึงเป็นขั้นตอนการทำงานที่มีลำดับเฉพาะของสมองเพื่อทำงานต่าง ๆ ให้ลุล่วง ดังนั้นในวงวิชาการ Cognitive process จึงต่างจาก อัลกอริทึมที่ถูกกำหนดไว้ (Deterministic algorithm) เพราะมีการเกี่ยวข้องกับข้อมูลที่ไม่แน่นนอน คลุมเครือ ไม่สมบูรณ์ และ ไม่สอดคล้องกัน ทำให้ไม่สามารถรู้ผลลัพธ์ที่จะเกิดขึ้นอย่างแน่ชัดได้ จึงต้องมีการใช้หลักการทางสถิติอย่างการใช้อัลกอริทึมที่เกี่ยวข้องกับความน่าจะเป็น (Probabilistic algorithm) เพื่อคาดการณ์ความเป็นไปได้ของผลลัพธ์ที่อาจเกิดขึ้นอ้างอิงจากข้อมูลที่มี 

ดังนั้นหากเรามองว่า Cognitive process ในมุมมองของมนุษย์นั้นคือการประมวลผลของข้อมูลที่ได้จากประสาทสัมผัสต่าง ๆ ในสมอง เพื่อคาดการณ์ผลลัพธ์ และ นำมาตัดสินใจในทำงานต่าง ๆ ถ้าเราจะเลียนแบบการทำงานของ Cognitive process ในมนุษย์มายังเครื่องจักร หรือ คอมพิวเตอร์เพื่อให้มันมีการวิเคราะห์ที่มีลักษณะคล้ายมนุษย์ จะได้แนวคิดว่า Cognitive process ในเครื่องจักรคือการรับข้อมูลที่มีอยู่จำนวนมากจากแหล่งข้อมูลต่าง ๆ เช่น ฐานข้อมูล แทนที่จะมาประสาทสัมผัสจากอวัยวะส่วนต่าง ๆ โดยข้อมูลเหล่านั้นอาจเป็นข้อมูลที่มีความไม่สมบูรณ์ นำมาประมวลผลผ่านอัลกอริทึม และ ระบบการคำนวณแทนสมองของมนุษย์เพื่อสร้างสมมุติฐาน คาดการณ์ผลลัพธ์จากการอนุมาน และ นำมาตัดสินใจ ซึ่งแนวคิดนี้นำมาสู่การวิเคราะห์แบบ Cognitive analytics โดยเป็นการนำแนวคิดของการทำงานของ Cognitive process ในมนุษย์มาสู่เครื่องจักร โดยมีใจความสำคัญคือการอนุมานผลลัพธ์จากการสร้างสมมุติฐานบนข้อมูลที่มีอยู่มหาศาล และ อาจไม่สมบูรณ์ 

นอกจากนี้ยังมี Cognitive computing ที่เลียนแบบความสามารถต่าง ๆ ของมนุษย์เพื่อเรียนรู้ข้อมูลรูปแบบใหม่ ๆ ที่ช่วยทำให้ระบบคอมพิวเตอร์มีความฉลาดมากขึ้นไม่ว่าจะเป็นการมองเห็นอย่าง Computer vision ที่ปัจจุบันมีความแม่นยำสูง สามารถตรวจจับ และ ติดตามวัตถุได้หลายวัตถุพร้อม ๆ กัน หรือจะเป็น Speech & Text processing ที่ฝังตัวอยู่ในระบบต่าง ๆ เช่น ในปัญญาประดิษฐ์ผู้ช่วยในก่อนหน้านี้ที่สามารถตอบคำถามได้เพียงที่พวกมันรู้จัก แต่ในปัจจุบัน Siri, Alexa หรือ IBM’s Watson สามารถเลือกคำตอบที่ดีที่สุด จากการไม่เพียงแค่ใช้การวิเคราะห์ข้อความ หรือ เสียงของผู้ใช้งานเพื่อรู้ความต้องการ แต่ยังมีการเชื่อมต่อกับระบบฐานข้อมูล และ ข้อมูลในอินเตอร์เน็ต [6] พวกมันยังเก็บข้อมูลที่ได้รับเพื่อนำไปพัฒนาตัวเองต่ออีกด้วย ซึ่งเป็นรูปแบบการทำงานที่มีความคล้ายคลึงกับมนุษย์ และ IoTs ซึ่งเป็นการเก็บข้อมูลจากเซ็นเซอร์ต่าง ๆ เพื่อใช้วิเคราะห์ หรือ ใช้ประโยชน์ในด้านอื่น ๆ 

นอกจากนี้ยังมีอีกเทคโนโลยีที่กำลังเป็นแสในช่วงนี้ นั่นคือ Metaverse ซึ่งภายใน Metaverse ที่เป็นโลกเสมือนจริงนั้นมีระบบต่าง ๆ มากมายที่เกี่ยวข้องกับ Cognitive Computing ในโลกเสมือนอย่างเช่นฝาแฝดดิจิตอล (Digital Twins) ที่ช่วยในการตัดสินใจส่วนบุคคลสำหรับ Smart Cities [7] การจะทำฝาแฝดดิจิตอลนั้นต้องใช้ข้อมูลเป็นจำนวนมากที่เก็บข้อมูลจากโลกเสมือน และ ข้อมูลภายนอกโลกเสมือน ซึ่งทำให้เกิดสิ่งที่เรียกว่า Information Overload นำมาสู่ Cognitive Overload หรือ ความอติในการตัดสินใจ ดังนั้นเราจึงต้องพัฒนาโมเดลที่มีสามารถในการจัดการกับข้อมูลมหาศาลนี้ อีกข้อหนึ่งคือระบบช่วยตัดสินใจนั้นจะต้องพิจารณาจากอารมณ์ของบุคคล ณ เวลานั้น ๆ ด้วยซึ่งเป็นสิ่งที่โมเดลทั่ว ๆ ไปนั้นทำได้ยาก Cognition Model ที่ใช้ใน Cognitive Computing จึงถูกออกแบบมาเพื่อรับมือกับข้อมูลส่วนนี้ด้วย

การวิเคราะห์แบบ cognitive

ถัดมา cognitive analytic คือการวิเคราะห์ขั้นที่เหนือว่าสี่แบบที่ได้กล่าวมาข้างต้น เป็นวิเคราะห์โดยจำลองกระบวนการตั้งสมมุติฐานที่มนุษย์ใช้จากข้อมูลที่มีทั้งหมด ตัดสมมุติฐานที่ไม่น่าจะเป็นไปได้จากข้อมูลที่ได้รับเทียบกับข้อมูลที่ทราบเพื่อหาผลลัพธ์ที่ดีที่สุด โดยการนำข้อมูลเชิงลึกที่ได้จากการวิเคราะห์ข้อมูลจากหลาย ๆ แหล่งข้อมูลที่ไม่มีความสัมพันธ์ หรือ ไม่มีความเกี่ยวข้องกันนั้นทำได้ค่อนข้างยากเมื่อใช้การวิเคราะห์รูปแบบปัจจุบัน และ การที่ระบบพัฒนาโดยจำลองการคิดแบบมนุษย์ ทำให้ระบบมีการเรียนรู้แบบไหลกลับ (feedback loop) เพื่อพัฒนาตัวเองให้ฉลาดขึ้นตลอดเวลา ซึ่งเป็นการลดจุดด้อยของการวิเคราะห์แบบที่มีอยู่ในปัจจุบันที่ต้องอาศัยข้อมูลจากมนุษย์ โดยการจะสร้างระบบที่มีความซับซ้อนระดับนี้ได้นั้น จะต้องอาศัยการทำงานร่วมกันของหลายระบบตั้งแต่การหา และ เก็บข้อมูล จนถึงขั้นของการตัดสินใจ 

โครงสร้างของ cognitive analytic หลัก ๆ แล้วจะประกอบไปด้วย 3 ส่วนหลัก ๆ ได้แก่การนำเข้า และ การโหลดข้อมูล (Data acquisition and loading), วิธี และ อัลกอริทึมการวิเคราะห์ (Methods and algorithm), และ แพลตฟอร์มการคำนวณ (Computational platform) โดยเราจะมาพูดถึงรายละเอียดแต่ละอันในย่อหน้าถัดไป

รูปที่ 2 Cognalytics (ชื่อสถาปัตยกรรม): สถาปัตยกรรมอ้างอิงที่สามารถนำมาใช้สร้าง Cognitive Analytics [3]

ข้อมูลที่ใช้ใน Cognitive analytics มีตั้งแต่ข้อมูลแบบมีโครงสร้าง (Structured) เช่น ตารางจากฐานข้อมูล SQL, แบบกึ่งมีโครงสร้าง (Semi-structured) เช่น JSON Format, และ แบบไม่มีโครงสร้าง (Unstructured) เช่นเสียง รูปภาพ โดยจะทำการสกัด Features ทั้ง Low-level และ High-level ซึ่งเป็นสิ่งที่สำคัญสำหรับ Cognitive analytics นอกจากนั้นใน Cognitive analytics การใช้อัลกอริทึมที่ใช้การเรียนรู้แบบ Unsupervised จะมีความได้เปรียบกว่าแบบ Supervised เนื่องจากในข้อมูลที่มีขนาดใหญ่ระดับ Big data เราจะไม่รู้รูปแบบของข้อมูล (Priori) อย่างแน่ชัด ประกอบกับข้อมูลที่ใช้ในการฝึกแบบจำลองอาจจะไม่พร้อมเนื่องจากข้อมูลมีหลายลักษณะทั้งภาพ เสียง ข้อความ เช่น ไม่มีการแบ่งประเภทไว้ เป็นต้น ทั้งนี้ในการวิเคราะห์แบบ Cognitive อาจจะสามารถใช้การเรียนรู้ทั้งสองแบบ (Fusion) 

ในระบบจะมีแบบจำลองที่เป็น Cognitive domain (Domain Cognitive Model) ซึ่งมีหน้าที่จับรูปแบบการทำงานของกระบวนการคิดที่ใช้ในการแก้ปัญหาเฉพาะ Domain เพื่อที่จะได้เรียนรู้การแก้ไขปัญหาในเชิงความคิดแบบมนุษย์ และ ยังมีการเรียนรู้แบบ Adaptive ที่พัฒนาระบบจากการเรียนรู้ผ่านปฏิสัมพันธ์กับผู้ใช้งานก่อนหน้า ผลลัพธ์ที่ได้จาก Cognitive analytics จะมีหลายผลลัพธ์โดยที่แต่ละผลลัพธ์จะมีค่าความเชื่อมั่นซึ่งจะต่างจากการวิเคราะห์รูปแบบอื่น เพราะเป็นการใช้อัลกอริทึมที่ใช้ความน่าจะเป็น (Probabilistic Algorithm) ในขณะที่การวิเคราะห์ไม่ใช่แบบ Cognitive จะใช้อัลกอริทึมเชิงกำหนด (Deterministic Algorithm) ซึ่งจะคำนวณเพียงคำตอบเดียวสำหรับแต่ละคำถาม การที่มีหลายคำตอบทำให้ต้องมีระบบที่เพิ่มขึ้นมานั่นคือระบบระบบสร้างสมมุติฐาน และ การตรวจสอบความถูกต้องซึ่งเป็นส่วนประกอบที่สำคัญใน Cognitive analytics

ตัวอย่างเช่น ในการสร้างระบบการตอบคำถามอย่างรายการเกมโชว์ตอบคำถาม Jeopardy! ซึ่งเป็นรายการที่ผู้เข้าแข่งขันจะแข่งกันตอบคำถามเพื่อสะสมเงินรางวัล เช่น คำถามถามว่า “มันเป็นประเทศเดียวที่ชายแดนถูกล้อมด้วยทะเลแคสเปียน และ อ่าวเปอร์เซีย” ซึ่งคำตอบนั้นจะต้องตั้งอยู่บนข้อมูลที่โจทย์ให้นั้นคือทะเลแคสเปียน และ อ่าวเปอร์เซีย โดยตัวระบบจะมีการสร้างหลาย ๆ สมมุติฐานโดยการรวมรวบข้อมูลที่เป็นหลักฐานเพื่อจัดลำดับของความน่าเป็นของแต่ละสมมุติฐาน โดยใช้เรียนรู้แบบ Supervised เพื่อสร้างสมมุติฐานเบื้องต้น และ ให้ Unsupervised จะสามารถเรียนรู้เพื่อสร้างสมมุติฐานเพิ่มเติมจากการเรียนรู้โครงสร้างของข้อมูล และ สมมุติฐานที่มีอยู่ 

บทบาทของ Cognitive Analytics 

ถึงแม้จะมีการทำการวิเคราะห์ข้อมูลด้วยวิธีต่าง ๆ มากมาย แต่การนำข้อมูลแบบไม่มีโครงสร้าง (Unstructured) มาวิเคราะห์นั้นเพิ่งจะเกิดขึ้นไม่นานนัก เนื่องจากในปัจจุบันที่มีการใช้เทคโนโลยี Internet of Things  หรือ IoTs ที่สร้างข้อมูลแบบไม่มีสร้างโครงอย่างข้อมูล JSON ขึ้นมามากมาย ซึ่งเป็นจุดแข็งที่จะทำให้ Cognitive analytics นั้นจะถูกนำมาใช้อย่างแพร่หลายจากการที่มันสามารถนำข้อมูลทั้งแบบที่มีโครงสร้าง และ แบบไม่มีโครงสร้างที่ต่างชนิดกันมาวิเคราะห์ร่วมกันได้ ส่งผลให้เราสามารถกำจัดข้อจำกัดของปัญญาประดิษฐ์ที่ต้องพึ่งข้อมูลในลักษณะที่มีความสัมพันธ์กัน และ ทำให้จำนวนข้อมูลที่สามารถนำมาฝึกปัญญาเพิ่มขึ้นอย่างมหาศาลซึ่งเป็นประโยชน์อย่างมากสำหรับปัญญาประดิษฐ์แบบใช้การเรียนรู้เชิงลึก (Deep learning) ที่ต้องพึ่งพาข้อมูลจำนวนมาก อีกประเด็นหนึ่งคือการตัดสินใจโดยใช้การวิเคราะห์แบบที่มีอยู่ในปัจจุบัน ถึงแม้จะได้ผลลัพธ์ที่ดูเหมือนจะดีที่สุดในทางคณิตศาสตร์ แต่อาจไม่สอดคล้องกับสถานการณ์ หรือ บริบทของความเป็นจริง เนื่องจากข้อมูลถูกจำกัดด้วยข้อมูลที่มนุษย์ใส่ลงในระบบ แต่การวิเคราะห์แบบ Cognitive analytics จะช่วยลดจุดด้อยนี้จากการที่ระบบสามารถเข้าถึงแหล่งข้อมูลต่าง ๆ ได้จากหลายแหล่งข้อมูลในเวลาเกือบ Real time และ สามารถเรียนรู้เพื่อพัฒนาตนเองได้ ดังนั้นระบบจะสามารถวิเคราะห์โดยคำนึงถึงสถานการณ์ปัจจุบันได้ดีกว่าระบบแบบดั้งเดิมที่ไม่มีการอัพเดทข้อมูล 

Cognitive analytic จะถูกนำมาใช้ในหลากหลายด้าน ตั้งแต่การวางแผนเมืองอัจฉริยะ (Smart cities) การวางแผนเส้นทางอพยพฉุกเฉิน การบริหารทรัพยากรเพื่อบรรเทาภัยในช่วงเกิดภัยพิบัติ การจัดสรรการใช้พลังงาน การเพิ่มความปลอดภัยของสาธารณะ การบำรุงรักษาโครงสร้างพื้นฐานภายในเมือง  และ อื่น ๆ อีกมากมาย นอกจากนี้ยังสามารถนำมาใช้ในการเรียนรู้เฉพาะบุคคล (Personalized learning) เพื่อเพิ่มศักยภาพของการเรียนรู้ได้อีกด้วย [3] อย่างไรก็ตามเรายังต้องการการวิจัยอีกจำนวนมากเพื่อค้นหาการใช้งานของ Cognitive analytics และ ประโยชน์ด้านอื่น ๆ ของมัน 

ข้อจำกัดที่ต้องก้าวข้าม และ ก้าวถัดไปของ Cognitive Analytics

อย่างไรก็ตามในปัจจุบัน Cognitive analytics ยังถูกจำกัดด้วยข้อจำกัดบางอย่างโดยเฉพาะข้อจำกัดด้าน Hardware นั่นคือ Neuromorphic chips โดยมันมีจุดประสงค์เพื่อเป็น Hardware ที่รองรับการคำนวณเพื่อเลียนแบบการทำงานของสมองที่อ้างอิงจากสมมุติฐานที่ว่าสมองใช้การเรียนรู้เชิงสถิติ [3] เราจึงทำการจำลองสมองโดยใช้แบบจำลองทางคณิตศาสตร์ซึ่งมีการคำนวณเกิดขึ้นจำนวนมาก โดยการคำนวณเหล่านั้นเกิดจากการจำลอง Neurons ที่เป็นเซลล์ประสาทในสมอง และ จำลองโครงข่ายการเชื่อมต่อประสาท ซึ่งปัจจุบันเราทำการจำลอง Neurons ได้เพียงระดับล้าน และ จำลองโครงข่ายการเชื่อมต่อประสาทได้เพียงระดับพันล้าน  แต่ถ้าเราต้องการพัฒนาระบบ Cognitive analytics ให้มีความฉลาดคล้ายคลึงกับมนุษย์มากกว่านี้ เราจำเป็นต้องจำลอง Neurons ในระดับหมื่นล้าน และ จำลองโครงข่ายการเชื่อมต่อประสาทได้ถึงระดับล้าน ๆ ถ้าเราสามารถก้าวข้ามข้อจำกัดนี้ได้จะทำให้การพัฒนาปัญญาประดิษฐ์ที่มีความฉลาดเทียบเท่ามนุษย์อย่าง Jarvis จากภาพยนตร์ Iron Man นั้นอยู่ไม่ไกลเกินเอื้อมมือ 

สุดท้ายนี้ Cognitive analytics มีศักยภาพที่จะสามารถเปลี่ยนโฉมในเทคโนโลยีด้านต่างได้อย่างมากมาย ซึ่งการค้นคว้าจากทั้งทางด้านของ Computer science ที่ปัจจุบันมีพลังการคำนวณที่สูง และ ถูกจาก Cloud computing platform ประกอบกับข้อมูลจำนวนมหาศาล  และ ด้านของ Neuroscience ที่ได้เทคโนโลยีใหม่ ๆ มาช่วยในการค้นคว้า จะช่วยผลักดันให้ Cognitive analytics ก้าวไปยังขั้นถัดไปเพื่อทำให้เกิดการค้นพบ และ เทคโนโลยีใหม่ ๆ 

References

[1] Hibbard, B. (2001). Super-Intelligent Machines. ACM SIGGRAPH Computer Graphics 35 (1): 13–15. http://www.siggraph.org/publications/newsletter/issues/v35/v35n1.pdf                
[2] Pathar, R., Adivarekar, A., Mishra, A., & Deshmukh, A. (2019). Human Emotion Recognition using Convolutional Neural Network in Real Time. Retrieved 11 December 2021, from https://ieeexplore.ieee.org/abstract/document/8741491     
[3] Gudivada, V.N. (2016). [Handbook of Statistics] Cognitive Computing: Theory and Applications Volume 35 || Cognitive Analytics. , (), 169–205. doi:10.1016/bs.host.2016.07.010         
[4] Mehta, A. (2021). Four Types of Business Analytics to Know |. Retrieved 20 October 2021, from https://www.analyticsinsight.net/four-types-of-business-analytics-to-know/        
[5] Hibbard, B. (2001). Super-Intelligent Machines. ACM SIGGRAPH Computer Graphics 35 (1): 13–15. http://www.siggraph.org/publications/newsletter/issues/v35/v35n1.pdf         
[6] What is Cognitive Computing? | Sisense. Retrieved 16 December 2021, from https://www.sisense.com/glossary/cognitive-computing/?fbclid=IwAR1kmC-vmB58YgnWR5mp4EcZXZ3U-LQ9HN4IURG_cFVkw4PYpfOI18QCshk            
[7] Du, J., Zhu, Q., Shi, Y., Wang, Q., Lin, Y., & Zhao, D. (2020). Cognition Digital Twins for Personalized Information Systems of Smart Cities: Proof of Concept. Journal Of Management In Engineering, 36(2), 04019052. https://doi.org/10.1061/(asce)me.1943-5479.0000740                                            

Image credit

Icons made by Freepik from https://www.flaticon.com/