"อย่าสร้าง Dashboard ให้สร้าง Agent"
คุณ Arun, VP Azure Data ของ Microsoft พูดประโยคนี้บนเวที Fabric Conference เขาเสนอให้ระบบเข้าใจข้อมูลและลงมือทำเอง แทนที่คนจะต้องอ่านกราฟแล้วตัดสินใจทุกเรื่องด้วยตัวเอง
Fabric IQ คือคำตอบของ Microsoft ต่อแนวคิดนี้ ซึ่งจะพา Microsoft Fabric จากการวิเคราะห์เชิงรับ (Reactive) ไปสู่ระบบที่ตัดสินใจได้เอง (Autonomous) โดยมี AI Agent เป็นแกนกลาง
โจทย์ที่ Fabric IQ แก้คือ องค์กรลงทุนทำ Dashboard ไปมาก แต่แทบไม่มีใครเปิดดูเพื่อตัดสินใจจริง
จาก BI 1.0 สู่ BI 3.0
งาน Business Intelligence เปลี่ยนมาแล้วสามยุค แต่ละยุคต่างกันที่ว่า ใครเป็นคนทำงานหนัก ระหว่างคนกับระบบ
ยุค | รูปแบบการทำงาน | บทบาทของคน | ข้อจำกัด / จุดเด่น |
|---|---|---|---|
BI 1.0 (Traditional BI) | Dashboard และ Static Report | Analyst ไล่ drill-down เองทีละโดเมน | คนใช้น้อย และตอบสนองปัญหาช้า |
BI 2.0 (Copilot) | Generative AI ช่วยเขียน DAX และ SQL | ต้องเก่ง Prompt Engineering | Context Bloat และความเสี่ยง Hallucination |
BI 3.0 (AI Agent) | Fabric IQ: AI Agent ทำงานบน Semantic Layer | กำหนด Policy และทิศทางกลยุทธ์ | ทำงานอัตโนมัติ เข้าใจบริบทธุรกิจลึก |
Context Bloat คืออาการที่เรายัดบริบทให้ AI มากเกินไปจนคำตอบแย่ลง ยุค Copilot แก้ปัญหานี้ไม่ได้ BI 3.0 จึงเพิ่มชั้นความหมาย (Semantic Layer) ให้ AI ดึงบริบทที่ต้องใช้ได้เอง
ทำไม Dashboard ถึงไม่พอ
ข้อมูลการใช้งานจริง (Telemetry) ชี้ว่า Adoption Rate ของ Dashboard ในองค์กรต่ำกว่าที่คาดมาก สาเหตุคือคนเชื่อมข้อมูลที่กระจายอยู่หลายโดเมนไม่ทัน
กรณีศึกษา: สินค้าค้างที่คลังเชียงใหม่
ลองนึกภาพธุรกิจ Logistics ที่ต้องคุมอุณหภูมิสินค้า วันหนึ่งสินค้าค้างอยู่ที่คลังเชียงใหม่ และอุณหภูมิพุ่งเกิน 12 องศาเซลเซียส ซึ่งผิดเงื่อนไข SLA ที่ตกลงกับลูกค้าไว้
ถ้าแก้ปัญหาด้วย Dashboard
ในโลกของ Dashboard คนทำงานต้องเปิดดูสี่หน้าจอ คืออุณหภูมิ สถานะการขนส่ง สต็อกสินค้า และข้อตกลง SLA แล้วปะติดปะต่อเองว่าเกิดอะไรขึ้นและควรแก้อย่างไร กว่าจะได้คำตอบ สินค้าก็มักเสียหายไปแล้ว
ช่องว่างที่ Fabric IQ เข้ามาเติม
Dashboard บอกได้ว่าเกิดอะไรขึ้น แต่คนยังต้องคิดต่อเองว่าต้องทำอะไร Fabric IQ ให้ Agent ทำขั้นนั้นแทน
Agent สองแบบใน Fabric IQ
Fabric IQ แบ่งงานให้ Agent สองตัวที่ทำงานต่อกัน ตัวหนึ่งตอบคำถาม อีกตัวลงมือแก้ปัญหา
Data Agent รับคำถามเป็นภาษาธรรมชาติ แล้วแปลงเป็น SQL หรือ KQL เพื่อดึงข้อมูล Real-time ได้ทันที เพราะดึงบริบทจาก Ontology ได้ตรง ผู้ใช้จึงแทบไม่ต้องทำ Prompt Engineering ซับซ้อน
Operational Agent เข้าสู่สถานะ General Availability แล้ว และทำงานได้โดยไม่ต้องมีคนอนุมัติทุกขั้น (No Human-in-the-loop)
กลับไปที่คลังเชียงใหม่ เมื่อ Operational Agent เห็นอุณหภูมิเกินเกณฑ์ มันสั่งรถขนส่งที่อยู่ใกล้กรุงเทพฯ ให้ไปรับสินค้าจากคลังกรุงเทพฯ แล้วส่งลูกค้าแทนได้ทันที SLA ยังรักษาได้ โดยที่ไม่มีใครต้องเปิด Dashboard สักหน้า
สถาปัตยกรรมข้อมูลที่เปลี่ยนไป
Agent จะตัดสินใจและสั่งการได้ทันที ก็ต่อเมื่อข้อมูลเป็นปัจจุบันและรวมอยู่ในระบบเดียว Microsoft Fabric จึงขยายขอบเขตจากงานวิเคราะห์ไปสู่งานระดับ Transaction ผ่านการเปลี่ยนแปลงสำคัญสองเรื่อง
Zero ETL ด้วย Mirroring แทนที่การทำ ETL ที่ซับซ้อนและช้า ด้วยการ Mirror ข้อมูลจากต้นทางขึ้น Cloud โดยตรง
รวมงาน Analytical กับ Transactional ด้วยการเพิ่ม SQL Server เข้ามาใน Fabric ให้ Agent ทั้งอ่านและจัดการข้อมูลได้แบบ Real-time ในระบบเดียว
เมื่อข้อมูลสดและอยู่ในระบบเดียว Agent ก็แก้ปัญหาได้ระหว่างที่มันกำลังเกิด อย่างกรณีสินค้าที่คลังเชียงใหม่
คนทำงานข้อมูลจะอยู่ตรงไหน
Fabric IQ เป็น Data Core ที่เชื่อมกับ Work IQ ฝั่ง Microsoft 365 และ Foundry IQ
คุณ Arun คาดว่าภายในปีหน้า AI Agent จะเข้ามาแทนรูปแบบงานเดิมเต็มตัว บทบาทของคนทำงานข้อมูลจะย้ายจาก "ผู้หาคำตอบ" ไปเป็น "ผู้วางกลยุทธ์และกำหนดนโยบายให้ Agent"
ทักษะที่คนทำงานข้อมูลต้องฝึกจึงเป็นการเข้าใจความหมายของธุรกิจ จนกำหนดได้ว่า Agent ควรคิดและทำอะไรในแต่ละสถานการณ์ เช่นเมื่ออุณหภูมิเกินเกณฑ์ ควรย้ายสินค้าจากคลังไหน
