1.ตอนนี้มีการพูดถึงเรื่องการใช้ Big Data ในแง่มุมต่างๆ มากมาย จนกระทั่ง Big Data กลายเป็นคำที่หลายคนเรียกว่าเป็น Buzzword หรือคำหากินของยุคใหม่ไปแล้ว อยากให้คุณณภัทรช่วยอธิบายหน่อยครับว่า จริงๆ แล้ว Big Data ในแง่มุมที่เราควรเข้าใจจริงๆ เป็นอย่างไร ‘ประโยชน์’ ของมันจริงๆ คืออะไร

 

นิยามของ Big Data คือ ภาวะข้อมูลที่มี 3V คือ volume velocity และ variety แปลเป็นไทยง่ายๆ ก็คือข้อมูลมีปริมาณมหาศาล เก็บได้ถี่ และมีความหลากหลายรูปแบบอย่างที่เราไม่เคยเห็นมาก่อนครับ

 

ผมมองว่าสิ่งที่เราควรจะเข้าใจที่สุดนอกจากว่า Big Data คืออะไรหรือมีประโยชน์และโทษอย่างไร ก็คือต้องเข้าใจว่าคุณหนีมันไม่ได้  ยังไงมันก็จะมากระทบชีวิตพวกเรา ไม่ทางตรงก็ทางอ้อม ไม่ว่าคุณจะอยู่ในประเทศที่แม้แต่ “สมอลดาตา”  ยังไม่มีหรือทั้งชีวิตนี้คุณไม่เคยใช้ (และจะไม่ใช้) เทคโนโลยีเลยก็ยังหนีไม่พ้น  

 

นั่นเป็นเพราะว่า Big Data คือภาพสะท้อนถึงความก้าวหน้าทางเทคโนโลยีที่ช่วยทำให้สิ่งต่างๆ รอบตัวเราสามารถเก็บข้อมูลได้อย่างหลากหลาย ช่วยเราบันทึกจัดเก็บข้อมูล และช่วยเราประยุกต์ใช้ข้อมูลเหล่านี้ได้ด้วยต้นทุนที่ต่ำลงเรื่อยๆ ซึ่งถ้าดูจากประวัติศาสตร์แล้ว การห้ามมนุษย์ไม่ให้ใช้เทคโนโลยีใหม่ๆ (ตั้งแต่ อาวุธล่าสัตว์ยุคหิน ยา ปืน ไปจนถึงอินเตอร์เน็ต) เพื่อประโยชน์ํส่วนตนและส่วนรวมเป็นอะไรที่ยากมาก  

 

ประมาณว่า “ถึงเราไม่ใช้  เขาก็จะใช้กับเราอยู่ดี” รัฐบาลคุณอาจจะไม่ผลักดันเรื่องนี้อย่างจริงจัง แต่เอกชนมีแรงจูงใจมากในการเก็บข้อมูลและใช้มันกับคุณ โดยเฉพาะอย่างยิ่งในโลกที่แทบจะทุกกิจกรรมของคุณสามารถสร้าง digital footprints ได้ ทุกครั้งที่คุณรูดบัตรเครดิตเวลาไปจ่ายกับข้าว

ทุกครั้งที่คุณเปิด location services ในไอโฟนแล้วไปพบปะเพื่อนใหม่

ทุกการเข้าโค้งในรถรุ่นใหม่ของคุณ ข้อมูลพฤติกรรมแบบนี้สามารถถูกนำไปวิเคราะห์และตีวงกลับมากระทบชีวิตคุณแบบออฟไลน์ด้วย เช่น การปรับราคาสินค้าและวางตำแหน่งของสินค้าให้เหมาะกับความชอบและกำลังซื้อของคุณขึ้น การเสนอให้คนแปลกหน้าที่ลืมขอเบอร์ติดต่อหลังจากพบกับคุณในงานสังสรรค์ให้มาเป็นเพื่อนหรือแม้กระทั่งแฟนคนใหม่ของคุณ และ การปรับเบี้ยประกันตามฝีมือขับรถของคุณ  

 

ด้วยเหตุนี้ผมเลยมองว่าประโยชน์ของ Big Data จริงๆ แล้วคือโอกาสในการเพิ่มประสิทธิภาพของกิจกรรมต่างๆ  ให้กับผู้ใช้งานและโอกาสที่คุณภาพชีวิตของพวกเราจะดีขึ้นได้  ซึ่งโดยรวมแล้วจะส่งผลดีคุ้มความเสี่ยงที่ตามมาหรือไม่นั้นก็ขึ้นอยู่กับแต่ละกรณีไป  ในเชิงคอนเซ็ปต์แล้วไม่ต่างนักกับมีดที่เอาไว้ปลอกผลไม้หรือเอามาใช้ผ่าตัดได้ดีกว่านิ้วมือ แต่ก็ถูกเอามาใช้ทำร้ายผู้คนได้เช่นกันครับ  

 

2.อยากให้ยกตัวอย่างการใช้ Big Data และระบบประมวลผลในการบริหาร หรือจัดการบ้านเมืองที่ประสบความสำเร็จครับ การเปลี่ยนแปลงเหล่านี้มักเกิดขึ้นแบบ top down หรือ bottom up หรือเป็นการเปลี่ยนแปลงที่พบกันตรงกลาง หรืออย่างไรครับ

 

ผมขอยกตัวอย่างระบบที่ผมคุ้นเคยที่สุดแล้วกันนะครับ  มันคือระบบข้อมูลสายด่วนร้องทุกข์ในสหรัฐฯ (311 non-emergency call service) ที่ผมใช้มันในวิทยานิพนธ์ของผมเองด้วย  ข้อมูลนี้ถูกสร้างขึ้นทุกๆ ครั้งที่ประชาชนร้องทุกข์เกี่ยวกับคุณภาพชีวิตเข้ามาในระบบ และติดต่อเข้ามาได้มากกว่า 3000 เรื่อง เช่น เพื่อนบ้านซ้อมกลองชุดตอนตีสอง ถนนเป็นหลุมเป็นบ่อ แก๊งอันธพาลมั่วสุมที่หัวมุม หรือ ไฟถนนดับ ซึ่งข้อมูลเหล่านี้จะถูกส่งไปให้กรมต่างๆ ที่มีความรับผิดชอบของแต่ละปัญหาเพื่อให้เขาส่งทีมออกไปแก้ปัญหาให้เร็วที่สุด เมื่อแก้เสร็จแล้วก็จะ log ลงบันทึกไปว่างานเสร็จแล้วนะ ปัญหาเหล่านี้ดูเล็กน้อยแต่มันใกล้ตัวคนจำนวนมาก เรื่องไฟถนนขาดอาจฟังดูไม่สำคัญแต่ก็มีคนเอาไปวิเคราห์แล้วว่ามันเกี่ยวกับความปลอดภัยตอนกลางคืนในละแวกที่ไฟขาดด้วย

 

จริงอยู่ที่เทศบาลเองก็สามารถส่งทีมออกไปขับรถค้นหาปัญหาเหล่านี้ทุกวันแต่มันเป็นวิธีที่ด้อยประสิทธิภาพกว่าการใช้ประชากรที่ “ออกพื้นที่” เป็นประจำอยู่แล้วให้ทำตัวกลายเป็น “เซ็นเซอร์ของเทศบาล” เพื่อดูว่าอะไรในสังคมกำลังเสื่อมคุณภาพ  จากนั้นเมื่อเทศบาลทราบว่ามีปัญหาอยู่ตรงไหนบ้างของเมืองก็จะสามารถหาเส้นทางและเวลาที่ดีที่สุดเพื่อที่จะไม่ไปรบกวนจราจรตอนออกไปแก้มันด้วยครับ เรียกง่ายๆ ว่าเป็นการเพิ่มประสิทธิภาพของการจัดการปัญหาชีวิตประจำวันให้กับเทศบาลด้วยระบบข้อมูลขนาดยักษ์ครับ

 

ที่เด็ดกว่านั้นคือเขาเปิดเป็น Open Data ด้วย ซึ่งผมมองว่ามันได้ประโยชน์ร่วมกันทั้งสองฝ่าย  ประชาชนรู้สึกดีขึ้นที่เทศบาลแคร์ เทศบาลเองก็ทำงานง่ายขึ้น ถ้าจะทำงานนะ… ไม่ต้องไปหาปัญหาแบบเดิมๆ เหมือนงมเข็มในมหาสมุทร แถมยังมีผลงานให้เห็นกันจะๆ ด้วยว่าเทศบาลแคร์  ผมเคยลองเอาข้อมูลความเร็วในการแก้ปัญหาสาธารณะเป็นล้านๆ ปัญหาไปวิเคราะห์ร่วมกับข้อมูลฐานะและสีผิวในแต่ละพื้นที่ในนิวยอร์ก พบว่าไม่มีความเกี่ยวเนื่องกันขนาดนั้น ซึ่งเป็นหลักฐานชั้้นดีที่แสดงว่าเทศบาลไม่ได้ลำเอียงต่อคนบางกลุ่มขนาดที่คนส่วนมากชอบนึกไปเอง

 

ส่วนในเรื่องของความสำเร็จของระบบนั้นขึ้นอยู่กับแต่ละเมืองมากๆ ครับ ระบบ NYC311 ในนิวยอร์กถือว่าประสบความสำเร็จที่สุดแล้ว ตั้งแต่เริ่มเปิดระบบมามีคนใช้แจ้งปัญหาเกิน 150 ล้านครั้ง ตอนนี้เปิด 24 ชั่วโมงตลอดอาทิตย์ ติดต่อได้กว่า 180 ภาษา แถมเดี๋ยวนี้ถ้าขี้เกียจพิมพ์หรือพูดโทรศัพท์ก็แค่ถ่ายรูปปัญหาแล้วส่งไปร้องทุกข์เลยยังได้ เรตติ้งใน Google Play ก็สูงกว่าของเมืองอื่นเยอะ พูดง่ายๆ ว่าเป็นคอลเซ็นเตอร์ของรัฐที่บริหารได้ดีกว่าที่เอกชนบริหารอีกครับ

 

ถ้าถามว่ามันเกิดขึ้นแบบ top-down หรือ bottom-up ผมคิดว่ามันต้องมีทั้งคู่  ในกรณีสายด่วนร้องทุกข์ในนิวยอร์กตอนเริ่มแรกมันมาจากความพยายามของอดีตนายกเทศมนตรี บลูมเบิร์กเสียเยอะพอสมควร เพราะเขาต้องการทำให้ทุกอย่าง เน้นว่าทุกอย่าง เกี่ยวกับการบริหารเมืองมันคล่องขึ้น เพราะถ้าแค่ปัญหาจิปาถะยังแก้ไม่ได้ จะเป็นนายกเทศมนตรีที่ดีได้ยังไงจริงไหมครับ  เขาจึงทำการโละสายด่วนกว่า 40 50 สายออกหมด และยุบมันรวมเป็นสายเดียวคือโทรเบอร์ 311 กลายเป็นว่าเบอร์เดียวแจ้งปัญหาได้ทุกกรม  แถมการเปิดข้อมูลความเร็วในการแก้ปัญหาเหล่านี้ก็ไม่น่าจะได้รับการตอบรับที่ดีจากราชการ อันนี้ต้องยกให้เขาเหมือนกัน  แต่กระนั้นก็ตามผมก็ยังมองว่าถ้าประชาชนนิวยอร์กเป็นพวกที่ไม่เป็น Active Citizen ระบบพวกนี้ถึงจะมีก็ไปไม่รอดอยู่ดี มันอยู่ได้เพราะมันต้องการ input ที่ถูกต้องและถี่จากประชาชน และที่สำคัญกว่านั้น  เพราะฉะนั้นผมคิดว่ามันอาจจะต้อง bottom-up ก่อนด้วยซ้ำไปเนื่องจากถ้าอดีตนายกเทศมนตรี บลูมเบิร์กไม่เคยรู้สึกถึงความกดดันจากประชาชนว่าเขาจะต้องทำหน้าที่ให้ดีและใช้งบให้ไม่สิ้นเปลือง เขาจะไม่มีความพยายามที่จะสร้างระบบ NYC311 ขึ้นมาเพื่อเพิ่มประสิทธิภาพเทศบาลเลยตั้งแต่แรกก็เป็นได้นะครับ

 

3.แน่นอนว่าการพุ่งขึ้นของจำนวนข้อมูลในโลกและความสามารถในการประมวลผลที่ซับซ้อนขึ้นจะทำให้เราสามารถวิเคราะห์ข้อมูลต่างๆ ได้ดีขึ้น และเห็น insight มากขึ้น แต่ความเปลี่ยนแปลงตรงนี้ก็มีผู้วิจารณ์ว่า หนึ่ง มันเป็นความเปลี่ยนแปลงที่อาจนำมาสู่ ‘การทำลายล้างสูง’ (อย่างที่หนังสือ Weapon of Math Destruction ว่าไว้) เพราะมีการใช้ข้อมูลอย่างไม่เป็นธรรม และคลุมเครือ หรือสอง อาจเป็นความเปลี่ยนแปลงที่เป็นการตอกย้ำซ้ำเติมความไม่เท่าเทียมมากขึ้น เพราะผู้ที่มีทรัพยากรด้านการเข้าถึงข้อมูล และการประมวลผลก็จะได้ประโยชน์สูงขึ้น ซึ่งส่วนใหญ่ผู้ถือครองข้อมูลก็มักเป็นรัฐ หรือกลุ่มธุรกิจ คุณณภัทรมองอย่างไรกับเรื่องเหล่านี้

 

ผมคิดว่าการวิจารณ์จากมุมมองนี้ถือเป็นเรื่องที่น่ายินดีมาก โดยเฉพาะเวลาที่ Big Data กลายเป็น Buzzword นั้นอาจทำให้หลายคนมอง Big Data ในแง่ดีเกินไปหรือให้ความหวังกับมันมากโดยที่ไม่ได้หยุดคิดถึงจุดบอดต่างๆ มากมายที่ตามมาได้

 

จุดแรกที่น่ากลัวคือความเสี่ยงจากการดึง insight แบบลำเอียงเพื่อนำมาปรับปรุงนโยบายพัฒนาสังคม  ยิ่งข้อมูลมีปริมาณมากขึ้น โอกาสตัดแต่งข้อมูลมาเพื่อสนับสนุน agenda หรือความเชื่อแต่เดิมของผู้ประมวลข้อมูลยิ่งมีมากขึ้น  เนื่องจากมันมีพื้นที่ให้ขุดคุ้ยข้อมูลที่ “ดูดี” มากขึ้นและมีโอกาสน้อยลงที่คนธรรมดาจะสามารถเข้าไปตรวจสอบการวิเคราะห์และประมวลผลข้อมูลขนาดยักษ์ได้สะดวก หากเรื่องเหล่านี้บานปลาย แทนที่สังคมจะได้นโยบายที่ดีขึ้นเพราะ Big Data กลับอาจได้นโยบายที่แย่ลงหรือดีแค่กับกลุ่มคนบางกลุ่มเท่านั้นเพราะการวิเคราะห์มันลำเอียง

 

ที่น่าสนใจคือถึงแม้ว่าผู้ประมวลข้อมูลจะไม่ได้ตั้งใจกระทำสิ่งเหล่านั้นเลย ก็ยังมีความเสี่ยงนี้หลงเหลืออยู่ เนื่องจากไม่ว่าข้อมูลจะ Big แค่ไหนก็ไม่การันตีว่ามันจะช่วยให้เราดึง insight ที่เอามาปฏิบัติในโลกจริงได้ถูกต้องเสมอไป ทุกวันนี้การประมวลข้อมูลจาก Big Data จะเป็นในเชิงของการคาดการณ์ (predictive) เสียส่วนมาก  ซึ่งน่าทึ่งมากในตัวมันเอง ผมเคยเขียนเกี่ยวกับมันไว้ที่นี่ แต่ในขณะเดียวกันมันแทบไม่เพิ่มความเข้าใจของเราเกี่ยวกับความสัมพันธ์เชิงสาเหตุที่แท้จริง (causality) ระหว่างการทำนโยบาย a b c กับผลลัพธ์ทางสังคม x y z นัก  ซึ่งจุดนี้สำคัญสำหรับคนที่คิดว่าการพัฒนาสังคมควรมองผ่านเลนส์วิทยาศาสตร์ไปพร้อมๆ กับเลนส์สังคมศาสตร์  ผมเป็นหนึ่งในคนกลุ่มนี้ เพราะหากเราไม่ทราบว่าทำ a b c ไปแล้วจะกระทบอะไร แค่ไหน เมื่อไหร่ อันนั้นเรื่องใหญ่ เนื่องจากมันอาจส่งผลกระทบทางลบแก่คนจำนวนมากได้เวลาความเข้าใจของเราคลาดเคลื่อนเพียงเพราะว่าเราดึง insight มาแบบลำเอียง แม้จะไม่ได้ตั้งใจลำเอียงเลยก็ตาม

 

เรื่องนี้ใกล้ตัวผมมากในฐานะนักเศรษฐศาสตร์รุ่นใหม่ซึ่งจะถูกฝึกให้สวมหมวก skeptics เวลาทำงานกับข้อมูลอยู่เสมอ เพื่อที่จะได้ลดโอกาสที่พวกเรากำลังดึง insight ขึ้นมาใช้แบบลำเอียงๆ โดยไม่รู้ตัว กระแสความระแวงในหมู่นักเศรษฐศาสตร์นี้เริ่มขึ้นมาจาก The Credibility Revolution ในวงการเศรษฐมิติเมื่อราวสิบปีก่อนเนื่องจากเขาพบว่าการพัฒนาเทคนิคการดึง insight โดยพยายามลดความลำเอียงเพื่อให้เข้าใกล้ random experiment มากที่สุดได้ทำลายความเชื่อเก่าๆ ของเหล่าผู้เชี่ยวชาญการพัฒนาสังคมไปหลายความเชื่อ รวมถึงความเชื่อที่เคยมีอิทธิพลสูงในการขับเคลื่อนนโยบายรัฐบาลในหลายประเทศ ไม่ว่าจะเป็นในด้านการศึกษา ประกันสุขภาพ หรือในตลาดแรงงาน

 

สิ่งที่ แคธี โอนีล กล่าวไว้ในหนังสือ Weapons of Math Destruction ว่าไม่มีแบบจำลองหรือสมการไหนที่ไร้อคติหรือไร้ความเป็นมนุษย์นั้นไม่ผิด แต่ผมคิดว่าการพยายามลดความลำเอียงขณะกำลังหา insight ที่อาจจะยังมีความเป็นมนุษย์หลงเหลืออยู่บ้างก็ยังดีกว่าการลองทำนโยบายแบบมืดแปดด้านหรือทำทุกอย่างตามความเชื่อโดยที่ไม่มีหลักฐานอะไรเลยนะครับ สรุปก็คือผมคิดว่าเราควรคำนึงถึงความเสี่ยงข้อนี้จริงๆ แต่ไม่ควรให้มันมาขัดขวางการพัฒนานโยบายแบบมีหลักฐานครับ

 

จุดที่สองที่ควรระวังก็คือผลกระทบเมื่อการเข้าถึง Big Data ไม่เท่าเทียมกัน  ผมเชื่อว่ายังไงโลกที่มีการแข่งขันมากกว่า (คนเราเข้าถึง Big Data และใช้งานมันได้เท่าเทียมกันขึ้น) ย่อมดีกว่าโลกที่มีอยู่แค่กลุ่มสองกลุ่มที่ใช้มัน แต่ในเมื่อมันเป็นไปไม่ได้ง่ายๆ ในชีวิตจริง เราแยกมองสถานการณ์ที่มีความเหลื่อมล้ำนี้ได้สองแบบ

 

แบบแรกคือแบบที่ไม่เป็นปัญหาขนาดนั้นกับสังคม  ยกตัวอย่าง เช่น แอพพลิเคชัน Pokemon Go หรือ Uber ที่เก็บข้อมูลผู้ใช้งานไปปริมาณมหาศาลและทำให้คนกลุ่มเล็กนิดเดียว (อาจจะรวมผู้ถือหุ้นอีกหน่อย) ได้มีโอกาสสร้างกำไรและผลประโยชน์ส่วนตัวก็จริง แต่ต้องไม่ลืมว่าผู้ใช้งานแอพพลิเคชันจำนวนหลายล้านคนก็ได้ประโยชน์อันมหาศาลจากการประมวลผลข้อมูลที่ทำให้ชีวิตเขาสนุกขึ้นหรือเดินทางไปไหนมาไหนได้สะดวกขึ้นเช่นกัน ไม่จำเป็นที่ประโยชน์เหล่านี้จะต้องมาในคราบเงินตราเสมอไป  แต่จะให้แปลงเป็นเงินตราก็ยังพอมีวิธีครับ มีงานวิจัยชิ้นใหม่ที่ใช้ข้อมูล Uber คำนวนดูว่าเวลาสังคมมี Uber แล้วทำให้เกิดประโยชน์ต่อผู้บริโภคแค่ไหน (ทำการวัดประโยชน์เวลาราคาสินค้าที่ทำการซื้อขายจริงน้อยกว่าราคาสินค้าที่เราจะยอมจ่ายตอนแรก)  คำนวนแล้วประมาณเกือบ 7 พันล้านดอลลาร์สหรัฐในปี 2015 แค่ปีเดียว

 

แบบที่สองคือแบบที่คนส่วนมากเสียประโยชน์ ยกตัวอย่างเช่น การใช้ข้อมูลเกี่ยวกับอุปสงค์และข้อมูลอื่นๆ เกี่ยวกับลูกค้าเพื่อชาร์จราคาที่สูงที่สุดเท่าที่ลูกค้ารายนั้นจะยอมจ่ายไหว คือถ้าเราคิดในเชิงทฤษฎีนะครับ คนเราน่าจะมีระดับราคาสูงสุดที่ยอมจ่ายสำหรับสินค้าชิ้นนึงไม่เท่ากัน ปกติแล้วถ้าบริษัทไม่มีข้อมูลอะไรเลย ก็จะตั้งราคา 1 ราคา ทุกคนเจอราคานี้ ถ้ามันสูงเกินราคาสูงสุดของคุณ คุณก็ไม่ซื้อ จบ ถ้ามันเท่าหรือต่ำกว่าคุณถึงจะซื้อ ส่วนต่างระหว่างราคาที่ตั้งกับราคาสูงสุดที่คุณยอมจ่ายคือประโยชน์ต่อผู้บริโภค  ปัญหาคือมันมีความเป็นไปได้ที่ส่วนต่างหรือประโยชน์ที่ว่านี้จะหายไปหมดหากบริษัทเหล่านี้เขาใช้ Big Data สืบได้ว่าระดับราคาสูงสุดที่คุณยอมจ่ายคือเท่าไหร่ แล้วก็ชาร์จราคาเท่ากับตัวเลขนั้นสำหรับลูกค้าทุกคน ซึ่งมันจะพอเป็นไปได้ก็ต่อเมื่อสินค้านี้ขายต่อยากหรือไม่คุ้มเหนื่อยขายต่อ  กลายเป็นว่าสินค้าก็เดิมๆ หลายคนกลับต้องจ่ายเงินมากขึ้นเพื่อซื้อมัน

 

4.ประเทศไทยมีอุปสรรคอะไรในการก้าวเข้าสู่ Thailand 4.0 หรืออย่างน้อย (ถ้า Thailand 4.0 เป็นภาพที่คลุมเครือเกินไป) มีอุปสรรคอะไรในการนำข้อมูลต่างๆ ไปใช้อย่างมีประสิทธิภาพ เราต้องทำอะไรเพื่อให้เราเพิ่มประโยชน์จากการใช้ข้อมูลได้ ต้องเริ่มตรงจุดไหน (เช่น Open Data)

 

การขับเคลื่อนประเทศไทยที่เรียกกันติดปากว่า Thailand 4.0 คือการเพิ่มขีดความสามารถในการแข่งขันและคอยวางกรอบให้ประเทศเติบโตแบบไม่กระจุกอยู่แค่มุมเดียวของสังคมโดยมีนวัตกรรมเป็นหัวใจของโมเดลนี้

 

ทิศทางที่ว่านี้ถูกต้องแล้ว เพียงแต่เราก็ต้องมีทรัพยากรมนุษย์ที่มีคุณภาพแบบไม่กระจุกตัวกันอยู่ในสามสี่เมืองหรือในแค่เหล่าโรงเรียนชื่อดังด้วย มิเช่นนั้นเราจะคิดค้นหรือใช้นวัตกรรมให้เกิดประโยชน์สูงสุด และจะโตแบบไม่เหลื่อมล้ำได้อย่างไรจริงไหมครับ  ตรงนี้คือจุดอ่อนของเมืองไทยในการไปสู่ 4.0 ในสายตาผม

 

จุดที่สำคัญที่สุดตอนนี้จึงเป็นการตั้งใจพัฒนาทุนมนุษย์ (Human Capital) อย่างจริงจังกว่าเดิม ซึ่งพูดง่ายกว่าทำมาก และเป็นจุดที่ผมคิดว่า Big Data สามารถเข้ามามีส่วนช่วยได้มากไม่แพ้กับการเอามันมาช่วยพัฒนาการเกษตรของเราให้ smart ให้ 4.0 ยิ่งขึ้น แบบในบทความนี้

 

ผมเคยไปกับหารือเรื่องการศึกษากับท่าน ดร.สมเกียรติ ตั้งกิจวานิชย์ แห่ง TDRI เรื่องนี้ ได้ข้อสรุปว่าเราพอจะมีคลังความรู้มากพอสมควรแล้วว่าอะไรเวิร์คไม่เวิร์คในมิติของการเรียนการสอน โดยเฉพาะหลักฐานจากต่างประเทศ เช่น ประสบการณ์ของครูมีผลต่อการเรียนรู้ของเด็กจริง แต่พอเลยไปพักนึงแล้วประสบการณ์ที่เกินไปสิบยี่สิบปีไม่มีผลอีกต่อไป หรือ การได้ปริญญาสูงๆ ไม่ได้ทำให้ครูเป็นครูที่ดีขึ้น (แต่หลายโรงเรียนที่ผมทำงานด้วยในสหรัฐฯ ก็ยังมีกฎหมายขึ้นเงินเดือนครูที่มีปริญญาโทหรือเอกอยู่ดี…)  Big Data จะสามารถเข้ามาช่วยอีกแรงได้ในการให้ insight ในส่วนที่เรายังไม่ค่อยมีความรู้ ประมาณเรื่องของปัจจัยและกลไกอื่นๆ นอกรั้วโรงเรียน เช่น ความเชื่อมต่อของระบบการศึกษากับตลาดแรงงาน หรือประสิทธิภาพของตลาดแรงงานครู ซึ่งก็สำคัญไม่แพ้กับการเรียนการสอนหรือหลักสูตรในห้องเรียน

 

ยกตัวอย่างงานที่ทีมวิจัยที่ผมทำอยู่แล้วกันครับ ข้อมูลขนาดอาจจะไม่ Big เท่าในธุรกิจรีเทล แต่ก็มีคุณสมบัติ 3V กว่าแต่ก่อนมาก  เราร่วมมือกับทาง School District แห่งเมืองมินนีแอโพลิสที่เก็บข้อมูลละเอียดยิบตั้งแต่ใบสมัครงาน คุณภาพครูในหลายมิติ พฤติกรรมครูขณะสอบสอน ไปจนถึงระยะทางจากบ้านครูถึงโรงเรียน เพื่อตอบโจทย์สำคัญในการพัฒนาครู เช่น 1) เราจะทราบได้อย่างไรในวันนี้ว่าใครจะเป็นครูคุณภาพดีในอีกห้าปี  2) จะต้องทำอย่างไรถึงจะดึงดูดครูคุณภาพดีๆ ให้ไปทำงานในโรงเรียนที่สอนเด็กๆ จากครอบครัวยากจนให้ได้  3) เวลาครูต้องการจะย้ายโรงเรียน ควรให้ความสำคัญแก่ความอวุโสแค่ไหน

 

ทั้งหมดนี้เป็นปัจจัยนอกห้องเรียนที่สำคัญไม่แพ้กับว่าสอนยังไงให้เด็กเกิด cognitive development และไม่ง่าย ไม่การันตีด้วยซ้ำว่าข้อมูลมหาศาลจะช่วยหาคำตอบได้ แต่เราก็ได้ผลลัพธ์ระยะแรกที่น่าสนใจออกมาแล้วว่า 1) ครูที่ลาออกจากงานที่แล้วมาด้วยเหตุผลเกี่ยวกับครอบครัวมักจะมีคุณภาพกว่าคนที่ออกมาด้วยสาเหตุอื่นๆ (จากการทำ text-mining ข้อมูลใบสมัครงาน) 2) ลักษณะและคุณภาพของโรงเรียนที่เคยสอนมาก่อนสำคัญไม่แพ้กับคุณสมบัติของครูในสายตาของครูใหญ่ผู้ที่กำลังเสาะหาครูคุณภาพ แสดงว่าจุดเริ่มต้นของ career ครูสำคัญมาก โดยเฉพาะถ้าครู “ติดหล่ม” ไม่สามารถย้ายออกจากโรงเรียนแรกๆ ที่ไม่มีคุณภาพได้  3) เวลาให้โอกาสครูใหญ่เป็นคนเลือกจ้างครูเอง การวิเคราะห์ข้อมูลชี้ว่าเขาไม่แคร์เรื่องความอวุโสของครูที่เข้ามาสมัครงาน แต่กลับมีกฎหมายที่ลำเอียงและให้สิทธิพิเศษต่อครูอวุโสในการสอบสัมภาษณ์งาน (ทั้งๆ ที่ไม่ได้เป็นที่ต้องการของครูใหญ่)!  ผมคิดว่ามันเสียเวลาครูใหญ่และเท่ากับเป็นการปิดโอกาสครูรุ่นใหม่เปล่าๆ

 

แต่การพัฒนาทุนมนุษย์ด้วยข้อมูลก็มีอุปสรรคนอกเหนือจากการเก็บข้อมูลให้มาก ถี่ และ หลากหลายแบบที่เมืองมินนีแอโพลิสเช่นกัน คำวิจารณ์นึงที่พบเห็นได้บ่อยคือ คุณจะเอาตัวเลขสองสามตัวมาเหมารวมเป็นครูหนึ่งคนได้ยังไง ซึ่งก็จริงเพราะว่าการศึกษามันมีผลต่อสังคมในหลายมิติ หรือถึงจะวัดได้หมดทุกมิติ คุณไม่กลัวครูสอนเพื่อสอบ (teaching to the test) หรือ ซึ่งประเด็นนี้เถียงได้ทั้งวัน  แต่ผมสรุปคร่าวๆ ให้แล้วกันว่าขณะนี้ที่สหรัฐฯ ก็ยังคงเถียงกันอยู่ แต่ก็มีการประนีประนอมกันมากขึ้นหลังจากที่ฝั่งนักวิจัยคิดค้นตัววัดแบบรวมที่ไม่ได้มาจากแค่คะแนนเด็กอย่างเดียวครับ และอีกหนึ่งสาเหตุที่หลาย School Districts ยอมร่วมมือกับนักวิจัยก็เพราะว่าพักหลังเริ่มมีงานวิจัยแนวการทดลอง โดยเฉพาะของทีมนักเศรษฐศาสตร์ชื่อ Raj Chetty ได้พบหลักฐานว่าการที่เด็กๆ มีโอกาสเรียนกับครูคุณภาพดี (ซึ่งถูกวัดด้วยตัวชี้วัดที่เราสร้างขึ้นมานี่แหละ) ทำให้ตอนเขามีอนาคตที่ดีขึ้นในหลายด้าน ไม่ว่าจะเป็นการเข้ามหาวิทยาลัย การแต่งงาน ซื้อบ้าน หารายได้ การไม่มีลูกก่อนวัยอันควร ฯลฯ จนทำให้เราต้องหยุดคิดนิดนึงว่าหากเราเขี่ยตัววัดนี้ทิ้งไปเลยก็คงไม่แฟร์ต่ออนาคตเด็กๆ นะครับ เพราะตัวเลขที่ว่านี้มันมีความสัมพันธ์กับอนาคตของเขาจริงๆ  ระบบการให้ผลตอบแทนครูตามตัวชี้วัดรุ่นใหม่ๆ นี้กำลังเป็นที่ยอมรับมากขึ้นแล้ว แต่จะติดก็ติดเพราะการเมืองมากกว่า

 

5.(อันนี้ถามสนุกๆ ครับ) ในโลกที่เรารู้ตัวแปรข้อมูลต่างๆ มากขึ้นเรื่อยๆ และประมวลผลได้อย่างฉับไวทันเวลาขึ้นเรื่อยๆ อาจทำให้ความแม่นยำในการทำนายสูงขึ้นเรื่อยๆ คุณณภัทรเชื่อว่าโลกของเรา deterministic ไหมครับ? หากเรารู้ตัวแปรมากถึงระดับหนึ่งเราจะสามารถทำนายโลก อย่างน้อยในอนาคตอันใกล้ ได้ใกล้เคียง 100% ไหมครับ? ทำไม?

 

ผมเองก็ไม่ทราบคำตอบนะครับ แต่ขอลองตอบแบบชวนผู้อ่านคิดสนุกๆ ไปด้วยแล้วกันนะครับ

 

ผมคิดว่ามันขึ้นอยู่กับว่า 1. เรากำลังทำนายระบบที่ซับซ้อนและไม่ random แค่ไหน 2. เราแน่ใจแล้วหรือว่าเราสามารถ observe ตัวแปรได้ครบถ้วนจริงๆ  

 

บางอย่างมันทำนายได้ไม่ยากมาก ยกตัวอย่าง เช่น เรื่องที่เกิดกับผมหลายทีแล้ว  เวลาผมนั่งรถเมล์ไปมหาวิทยาลัยบางทีจะมีนักเรียนเอาแก้วกาแฟดังกิ้นโดนัทหรือสตาร์บัคส์สูงๆ วางไว้กับพื้นเพราะไม่มีที่วางบนเก้าอี้  บางครั้งผมไม่เอะใจอะไร แต่บางครั้งมันก็ทำให้ผมหงุดหงิดกระเวียนกระวายใจสุดๆ จนแทบอยากไปบอกว่าให้ระวัง และส่วนมากก็จะเป็นครั้งที่ในที่สุดแก้วกาแฟก็ได้หกลงบนพื้นเพราะแรงเหวี่ยงของรถเมล์

 

มันเป็นความรู้สึกประหลาดที่ผมพอจะทำนายอนาคตได้อย่างค่อนข้างแม่นยำเพียงเพราะความรู้สึกของความเร็วรถ ความชินกับการมาของแรงเหวี่ยงเวลารถเข้าโค้งเดิมๆ ที่ผมเคยนั่งผ่านมาแล้วเป็นร้อยครั้ง และการมองเห็นว่าในแก้วมีกาแฟมากแค่ไหน  ในระบบการหกของแก้วกาแฟบนรถเมล์ที่ผมคุ้นเคยนี้ ตัวแปรสำคัญๆ ของการหกของแก้วกาแฟผมคิดว่าผม observe ได้ครบพอประมาณ และยิ่งใกล้โค้งที่เหวี่ยงหนักผมยิ่งมั่นใจขึ้นเรื่อยๆ  คงไม่ต่างจากการดูข้อมูลบางอย่างที่มัน autocorrelate กับตัวมันเองเมื่อห้วงเวลาก่อนๆ เช่น คะแนนสอบต้นภาคเทียบกับคะแนนสอบปลายภาคของเด็กคนเดียวกัน

 

ยิ่งถ้าสมมุติว่าอีกหน่อยเรามี IoT จำนวนมากเสียจนวัดได้ทุกอย่างเกี่ยวกับเหตุการณ์กาแฟบนรถเมล์นี้ รวมไปถึงว่าวันนี้มีสุนัขหรือแมวรอบๆ ที่อาจเกิดนึกจะโพล่นออกมาทำให้รถเมล์หยุดกระทันหันได้ โอกาสที่ผมจะทำนายถูกว่ามันจะหกหรือไม่หกตั้งแต่รถเมล์ยังไม่ออกตัวก็น่าจะต้องเพิ่มขึ้น และหากระบบที่ทำให้เกิดเหตุการณ์นั้นมันซับซ้อนกว่านี้ เราก็แค่ต้องการข้อมูลจิปาถะอีกมากจนนับไม่ถ้วน  ระบบเทือกนี้ผมคิดว่าอีกหน่อยถ้าเรามีข้อมูลมากจริงๆ และกลไกมันไม่ได้เปลี่ยนไป เราน่าจะทำนายได้ดีพอสมควร  แม้แต่การทอยเหรียญผมก็คิดว่าน่าจะยังทำนายได้มากกว่าเดิมถ้าเราอนุญาตให้แทงหัวก้อยได้หลังจากเริ่มทอยแต่ก่อนเหรียญตกลงมาที่มือ  เพราะมีนักคณิตศาสตร์ชื่อ Persi Diaconis ศึกษาการทอยเหรียญจากการทดลองด้วยกล้องความเร็วสูง พบว่ามันไม่ random จริง มันประมาณ 51 ต่อ 49 และมีตัวแปรอื่นๆ เพียบที่กำหนดว่ามันจะออกหัวหรือก้อย เช่น หน้าที่หงายก่อนทอยและเหรียญตกลงมาที่มือหรือพื้น

 

ที่จะมีปัญหาหน่อยคืออะไรที่ random มากๆ และเกิดขึ้นยากมากๆ เช่น การรวมตัวครั้งแรกของเซล 2 เซลเข้าด้วยกันเมื่อหลายพันล้านปีก่อน อันนี้ผมได้ยินมาจาก Podcast ของ Radiolab เมื่อไม่นานมานี้ การรวมตัวครั้งนั้นทำให้สิ่งมีชีวิตที่แต่เดิมเป็นเศษเล็กๆ ที่ขยายขนาดไม่ได้มาเป็นพันล้านปีดันเริ่มขยายขนาดได้เพราะ 2 เซลบังเอิญรวมกันได้ ซึ่งเป็นอะไรที่แทบจะเป็นไปไม่ได้ เพราะปกติเซลมันหาพลังงานมาเลี้ยงตัวมันเองที่ใหญ่ขึ้นไม่ไหว  บังเอิญหนึ่งในเซลที่รวมกันนั้นกลายเป็นไมโทคอนเดรียที่คอยสร้างพลังงานพอที่จะทำให้เซลขยายไปเรื่อยๆ มันจึงขยายไปเรื่อยๆ จนเป็นกบ เป็นนก เป็นช้าง เป็นมนุษย์ได้ในที่สุด  อย่างนี้มันเป็นอะไรที่ทำนายไม่ได้ และทำนายผิดทีจบเลย อาจจะต้องยกให้พระเจ้าเป็นตัวแปรสำคัญเลยก็เป็นได้

 

มันเลยทำให้ผมคิดว่าที่เราทำนายได้เที่ยงๆ อาจเป็นแค่คิดไปเองก็เป็นได้นะครับ  ลองนึกดูว่าถ้าบังเอิญระบบกาแฟล้มในรถเมล์แสนเรียบง่ายนี้กลับมีตัวแปรลับๆ ที่ไม่ว่าอย่างไรเราก็วัดมันไม่ได้ เช่น สิ่งที่เกิดขึ้นในอีกมิติหนึ่ง หรือบางอย่างที่เกิดขึ้นในเวลาเดียวกันนอกโลกที่กว่าสัญญานจะมาถึงเราก็เสียเวลาไปมากแล้ว หรือตัวแปรบางอย่างที่ความรู้ทางวิทยาศาสตร์มนุษย์ยังไปไม่ถึง แล้วถ้ามันบังเอิญมันมามีความสัมพันธ์กับแรงเหวี่ยงของรถ เราก็จะนึกไปเองว่าแค่วัดแรงเหวี่ยงก็พอ ซึ่งผิด การทำนายของผมที่มี IoT และสมองกลช่วยเต็มที่อาจดูเหมือนถูก 100% แต่จริงๆ แล้วถ้าลองทำนายไปอีก 1 ล้านปีก็อาจพบว่ามีผิดอีกเพียบเพียงเพราะยังไม่เจอ event ที่มี “แรงผี” ที่วัดไม่ได้เข้ามากระทบแก้วกาแฟก็เป็นได้นะครับ  

 

โอเค…สนุกพอแล้ว…เรากลับมาที่ความเป็นจริงแล้วไปคำถามอื่นดีกว่าครับ…

 

AI/Automation

 

1.ในโลกที่เราพูดถึง automation หรือการทำให้เป็นอัตโนมัติมากขึ้นเรื่อยๆ คุณณภัทรมองว่าจะมีการเปลี่ยนแปลงในเรื่องแรงงานอย่างไร จากเดิมที่บริษัทต่างๆ ลดต้นทุนด้วยการ outsource หรือไปตั้งบริษัท offshore ในที่ที่มีแรงงานถูก การ automation จะทำให้แหล่งทุนลดการใช้แรงงาน และทำให้เกิดกิจกรรมทางเศรษฐกิจ (ที่เกิดจากการจ้างงาน) น้อยลงหรือไม่ เรื่องนี้เป็นปัญหาไหม

 

ผมมองว่าเราไม่ควรคิดว่าการที่ automation จะทำให้มนุษย์ตกงานเป็นจำนวนมากเป็นแค่เรื่องเพ้อฝัน แล้วก็ไม่ควรกังวลเกินไปว่ามันจะนำมาซึ่งวันหายนะ เนื่องจากมันจะเป็นปัญหาหรือไม่ก็ขึ้นอยู่กับว่าเรามองจากมุมมองของใครในระบบเศรษฐกิจและถึงมันจะแย่ก็ยังพอมีเวลาให้เราเตรียมพร้อม

โลกแห่ง automation ที่ว่านี้มันเกิดขึ้นแล้วในหลายส่วนของระบบเศรษฐกิจ เช่น ภาคอุตสาหกรรมการผลิตในสหรัฐฯ ที่ภายในช่วงสิบกว่าปีที่ผ่านมาเราได้เห็นโรงงานหันไปพึ่ง automation กันมากขึ้นจึงทำให้จำนวนแรงงานในภาคนี้ลดลงอย่างต่อเนื่อง แต่เราจะไปมองมันในแง่ลบอย่างเดียวก็ไม่ถูกเนื่องจากผลผลิตกลับดีดตัวขึ้นทั้งๆ ที่ใช้แรงงานน้อยลง ฉะนั้นจากมุมมองของการผลิตแล้วการเปลี่ยนแปลงนี้เป็นเรื่องที่น่ายินดี ไม่ใช่เรื่องน่ากังวล เพราะมันแปลว่าเรากำลังใช้ทรัพยากรน้อยลงในการผลิตสินค้าเดิมๆ ในสังคม เราเอาทรัพยากรที่เหลือไปทำอย่างอื่นได้

 

ส่วนการเปลี่ยนแปลงในเรื่องแรงงานที่หลายคนกังวลเนี่ยมันจะขึ้นอยู่กับว่า automation กับแรงงานมนุษย์มีความสัมพันธ์กันอย่างไรในการใช้ทั้งสองสิ่งนี้เพื่อผลิตสินค้าชิ้นหนึ่ง  หากเราคิดว่าทั้งสองปัจจัยการผลิตนี้มันทดแทนกันได้เกือบ 100% อย่างในกรณีการผลิตสินค้าและบริการง่ายๆ พื้นฐานๆ เช่น รองเท้าแตะ หรือ การขึ้นเชคธนาคาร แน่นอนว่าเราจะเห็นว่ามีการจ้างงานของแรงงานที่มีทักษะเกี่ยวกับการผลิตง่ายๆ เหล่านี้ลดลงเนื่องจาก automation มีต้นทุนที่ต่ำกว่าแถมน่าจะมีประสิทธิภาพมากกว่ามนุษย์  

 

แต่หาก automation กับแรงงานมนุษย์สามารถเกื้อกูลกันได้ในเชิงที่ว่าทั้งคู่เป็นปัจจัยที่มีลักษณะใช้ร่วมกัน (complementary inputs) มันจะกลายเป็นกรณีที่ว่า automation ทำให้เกิดงานใหม่ๆ เพิ่มขึ้นได้เช่นกัน ยกตัวอย่างเช่น การมาของตู้ ATM กลับทำให้เกิดการจ้างงานในหมู่พนักงานธนาคารในสหรัฐฯ มากขึ้นเนื่องจากพวกเขาได้รับบทบาทใหม่ที่มากกว่าแค่ช่วยลูกค้าฝากถอน เช่น การบริหารความสัมพันธ์ระหว่างธนาคารกับลูกค้า หรือการให้คำปรึกษาทางการเงินแบบมนุษย์ๆ  กล่าวโดยสรุปก็คือการตัดสินใจทำ automation มากขึ้นก็มีโอกาสสร้างงานที่ซับซ้อนใหม่ๆ ที่จะเพิ่มการใช้งานแรงงานมนุษย์ผู้ซึ่งมีความได้เปรียบเชิงเปรียบเทียบ (comparative advantage) เช่นกัน

 

ดูจากอัตราการเปลี่ยนแปลงทางเทคโนโลยีที่เราเห็นในช่วงสิบปีที่ผ่านมา โอกาสที่แรงงานมนุษย์จะถูก automation ทดแทนไปเต็มๆ นั้นมีสูงมาก และผลลัพธ์บวกจากกรณีที่แรงงานมนุษย์สามารถใช้ร่วมกับ automation ไม่น่าจะสามารถสวนกระแสลบในเชิงแรงงานนี้ได้  แต่ก็ไม่ได้แปลว่ามันเป็นวันโลกแตกนะครับ  เพราะถ้าเรามองจากมุมสังคมโดยรวม จริงๆ แล้วจุดหมายของมนุษย์ไม่ใช่ว่าเราควรจะออกจากบ้านไปผลิตหรือทำงานให้มากที่สุด  คนเราไม่ได้เกิดมาเพื่อทำงาน เราเกิดมาเพื่อจุดหมายอื่นที่งานเป็นแค่ทางผ่าน  จุดหมายหลักของเราคือการบริโภค ไม่ใช่การผลิต  ถ้ามี 2 ตัวเลือกให้เลือกระหว่างทำงานกับไม่ทำงาน คนส่วนใหญ่จะเลือกทำงานก็ต่อเมื่อทำงานแล้วมันทำให้ท้ายสุดแล้วเขาสามารถบริโภคอะไรได้มากขึ้น  แต่ถ้า automation มันสามารถสร้างโอกาสในการบริโภคให้กับคนส่วนมากซึ่งกำลังเข้าสู่วัยชราได้ ไม่ว่าจะเป็นการช่วยทำงานแทนให้ ช่วยลดราคาสินค้า (บางทีฟรีด้วยซ้ำไป) หรืออำนวยความสะดวกให้ ถึงแม้มันจะมาเบียดแรงงานมนุษย์บ้างก็ต้องไม่ลืมข้อดีเหล่านี้ของมันนะครับ

 

2.ในยุคที่คนจับต้นชนปลายไม่ถูก และความเปลี่ยนแปลงทางด้านเทคโนโลยีที่เป็นกราฟแบบ exponential มาเร่งงวดความเปลี่ยนแปลงทางด้านเศรษฐกิจสังคมมากขึ้นทุกที สังคมกำลังจะเผชิญหน้ากับอะไร คิดว่าจะมีคนที่ถูก left behind ด้วยความเปลี่ยนแปลงเชิงเทคโนโลยีไหม และมันจะนำไปสู่อะไรครับ

 

ผมเป็นห่วงในจุดนี้มาก โดยเฉพาะในสังคมที่ไม่มีความมั่นคงในระบบการเมืองและในสังคมที่เดิมทีก็มีความเหลื่อมล้ำทางรายได้ ทักษะ และโอกาสมากอยู่แล้ว เพราะท้ายสุดแล้วเราจะต้องมาคุยกันว่าสังคมควรจะช่วยคนที่ “หมดอนาคตในตลาดแรงงาน” หรือไม่ และควรกระจายรายได้ไปให้ใครคนไหน ในจำนวนเท่าไหร่  อันนี้น่าจะเป็นโจทย์ที่ตอบยากเสียยิ่งกว่าการคิดค้นเทคโนโลยี automation เสียอีก

 

สมมุติว่าอีกหน่อยจะมีบริการ Uber แบบรถขับเองได้ หรือเป็นรถบินได้ขึ้นมาที่ดีกว่าคนขับจนไม่มีใครอยากซื้อรถหรือนั่งรถที่มีคนขับอีกต่อไป แน่นอนว่าปากท้องของคนขับรถทั่วไปที่เขาฝึกขับรถมาทั้งชีวิตจะถูกกระทบอย่างหนัก แต่การที่มีบริการแบบนี้ก็สร้างประโยชน์ให้กับผู้บริโภคที่เผลอๆ จะมีจำนวนมากกว่าเสียด้วยซ้ำไป ไม่ว่าจะเป็นในเรื่องของความปลอดภัยบนท้องถนนและประสิทธิภาพในการใช้พื้นที่ว่างบนถนน

 

กลายเป็นว่าสังคมจะมีสามกลุ่มคนให้เลือกกระจายรายได้ 1. คนกลุ่มเล็กที่ถูกกระทบรุนแรง 2. คนกลุ่มเล็กที่ถือหุ้น Uber กับ 3.คนกลุ่มใหญ่ที่ได้ประโยชน์ทีละก้อนเล็กๆ  นักเศรษฐศาสตร์เคยคิดแนวทางการโยกย้ายเงินตราเพื่อให้ทุกกลุ่มมีสถานะที่ดีขึ้นกว่าก่อนมี automation ได้ (ถ้าเค้กเศรษฐกิจก้อนใหญ่ขึ้นเพราะ Uber ก็แค่หาวิธีแบ่งเอาส่วนที่ขยายออกมาแบ่งกัน) มาเป็นสิบๆ ปีมาแล้ว เพียงแต่คิดไม่ออกว่ามันจะมาเป็น political reality ได้ยังไง  โดยเฉพาะอย่างยิ่งเวลาคนกลุ่มเล็กๆ ที่เจ็บหนักเขาสามารถรวมพลังกันได้แน่นปึ๊กเพื่อ lobby รัฐบาลได้เก่งกว่า คนที่ได้ประโยชน์ส่วนมากแต่พลังการเมืองเจือจาง

 

อีกปัญหาที่ผมกังวลคือเราจะมีแรงงานมนุษย์มากพอไหมในการไปเสนอตัวทำงานที่ซับซ้อนขึ้นเพื่อผลิตร่วมกับ automation ได้อย่างที่ผมตอบไปในคำถามที่แล้ว ในสังคมที่การศึกษาขาดคุณภาพ ไม่เท่าเทียมกัน หรือเป็นทั้งคู่ อันนี้จะเป็นปัญหามาก เนื่องจากมันจะทำให้มีคนที่จะได้รับประโยชน์จากการเปลี่ยนแปลงนี้น้อยกว่าที่ควร และทำให้บริษัทที่พยายามทำ automation เองก็ไม่สามารถต่อยอดทำอะไรใหม่ๆ ที่ซับซ้อนด้วยแรงงานมนุษย์ที่มีอยู่ในประเทศได้อีกด้วย

 

3.ถ้าอยากลดผลกระทบที่เกิดจากข้อที่แล้ว เราในฐานะบุคคลคนหนึ่ง ที่อาจจะยังพอเปลี่ยนแปลง ปรับปรุงตัวเองได้บ้าง ต้องเริ่มจากจุดไหนครับ และรัฐสามารถเข้ามามีบทบาทอย่างไร ในการสร้างคนที่พร้อมรับมือความเปลี่ยนแปลงเหล่านี้ได้ครับ

 

ผมคิดว่าเราควรทำสามอย่างต่อไปนี้ครับ

 

อันดับแรกคือพยายามเพิ่ม “ความคล่องตัว” ในตลาดแรงงาน  เซอร์เกย์ บริน ผู้ร่วมก่อตั้งกูเกิลกล่าวไว้ในการประชุมเศรษฐกิจโลก WEF 2017 ว่าเขาไม่รู้สึกตัวเลยเมื่อหลายปีก่อนว่า artificial intelligence จะมามีอิทธิพลขนาดนี้ เขาเคยคิดว่ามันไร้ประโยชน์ด้วยซ้ำไปและกว่าจะมารู้สึกตัวอีกทีก็ตอนที่ต้องใช้มันในแทบจะทุกผลิตภัณฑ์ของกูเกิล  ถ้าคนๆ นี้ยังคิดไม่ถึง ผมคิดว่าคนธรรมดาก็คงไม่อาจคาดเดาได้ว่าคลื่นลูกต่อไปที่จะซัดเข้ามาสู่ตลาดแรงงานจะเป็นแบบไหนและเมื่อไหร่ ผมเลยมองว่าสิ่งที่ควรทำที่สุดในเวลานี้ก็คือพยายามอย่ายึดติดกับอาชีพที่คุ้นเคยมากนัก เพราะเส้นแบ่งระหว่างอาชีพจะเริ่มเบลอ เราเริ่มพัฒนาทักษะที่สามารถถ่ายทอดไปสู่งานอื่นได้ด้วยจะดีกว่า

 

สองคือเลือกลงทุนพัฒนาทักษะใหม่ๆ เท่าที่ทำได้  ผมขอเน้นคำว่า “เลือก” เนื่องจากมันไม่ใช่ทุกทักษะที่จะช่วยเราได้ในภาวะที่ automation เข้ามาสร้างความกดดันในตลาดแรงงาน  บางคนอาจจะคิดว่าในเมื่อหุ่นยนต์กำลังมาแรง ตลาดน่าจะต้องการ “ความเป็นมนุษย์” ในตัวเรามากขึ้น ไม่ว่าจะเป็นบุคลิกร่าเริง ความสุภาพในการสนทนา หรือการเจรจาค้าขายแบบกันเอ๊งกันเอง  อันนี้ไม่ผิดเสียทีเดียว แต่ก็ต้องไม่ลืมว่ายังมีอีกมนุษย์อีกหลายพันล้านคนที่สามารถพัฒนาทักษะเหล่านี้ขึ้นมาแข่งกับคุณได้ไม่ยากนัก จะกลายเป็นว่าคุณอาจพบว่าตัวเองกำลังอยู่ในตลาดที่มีการแข่งขันสูงเกินไปจนค่าจ้างถูกกดต่ำติดดินก็เป็นได้นะครับ  ฉะนั้นทางเลือกที่ปลอดภัยที่สุดน่าจะเป็นการพัฒนาทักษะระดับสูง (high skill) ซึ่งไม่จำเป็นต้องเป็นทักษะไฮเทคเสมอไป แต่อาจเป็นทักษะระดับสูงอื่นๆ ที่หุ่นยนต์น่าจะมาทดแทนได้ลำบากและคนอื่นพัฒนาไม่ได้ง่ายๆ  เช่น ภาวะผู้นำ หรือ ความคล่องในการเจรจาธุรกิจ ซึ่งเราสามารถหาโอกาสฝึกฝนไประหว่างทำงานในปัจจุบันก็ยังได้ด้วยครับ

 

สามคือพยายามเป็นเจ้าของหุ่นยนต์และถ่ายทรัพย์สินให้ลูกหลานให้เร็วที่สุด  ถ้าดูจากประวัติศาสตร์โลกแล้วนายทุนคือผู้ชนะเสมอ ไม่ใช่คนงาน ไม่ใช่มนุษย์เงินเดือน  หุ่นยนต์ก็เป็น “ทุน” ชนิดหนึ่งที่เราควรจะเข้าให้ถึงโดยเร็วที่สุด  ซึ่งในจุดนี้ไม่ได้หมายความว่าอยู่ดีๆ เราควรจะไปกู้เงินมาซื้อกิจการ automate ขายผลไม้ส่งออก แต่จะเป็นก้าวเล็กๆ ก็ยังได้ ทั้งทางตรงเช่น เริ่มใช้บริการออนไลน์หรือแอพพลิเคชั่นบางอย่าง เพื่อลดภาระประจำวันของคุณและทำให้คุณหรือบริษัทของคุณมีผลิตภาพมากขึ้น หรือทางอ้อมเช่นการลงทุนในบริษัทที่มีแนวโน้มใช้ automation สูงก็ทำได้เช่นกันครับ  ส่วนที่ควรถ่ายทรัพย์สินให้ลูกหลานเร็วๆ หรือลงทุนในคุณภาพของการศึกษาของเขาให้มากๆ ก็เพราะว่าค่าจ้างตอนแรกๆ ของเขาอาจจะถูกกดดันโดย automation ทำให้เขาไม่สามารถสะสมทรัพย์ช่วงกำลังสร้างเนื้อสร้างตัวได้เท่ากับ generation ในอดีตที่ไม่เคยถูก automation เข้ามาแข่งขันด้วย  

 

สำหรับหน้าที่ของรัฐบาลในการเตรียมคนให้พร้อมนั้น ผมมองว่ารัฐมีหน้าที่หลักๆ 2 หน้าที่  หนึ่งคือพัฒนาการศึกษาโดยคำนึงถึงอนาคตที่ไม่แน่นอน อย่าเน้นในเรื่องหลักสูตรที่ตายตัวเกินไปเพราะการศึกษาใช้เวลาเป็นสิบปี เทคโนโลยีเปลี่ยนได้ทุกปี เมื่อ 20 ปีที่แล้วยังไม่มีกูเกิลเลยครับ  ในส่วนที่ว่าควรจะสอนอะไรเด็กรุ่นใหม่ผมขอไม่พูดเยอะเพราะบทสัมภาษณ์นี้ก็ยาวมากแล้ว ขอให้ผู้อ่านไปอ่านต่อได้ที่นี่ครับ  สองคือคอยสนับสนุนการพัฒนาทักษะสำหรับประชาชนทุกเพศทุกวัย ไม่ใช่แค่สำหรับเด็กๆ  นโยบายยกระดับทักษะของผู้ใหญ่ในหลายประเทศยังไม่ค่อยประสบความสำเร็จและเป็นที่ถกเถียงกันมากเนื่องจากหลายคนมองว่า เมื่อโตเป็นผู้ใหญ่แล้วก็ตัวใครตัวมันสิ ดันไปเลือกสายอาชีพที่จะถูก automation เล่นงานเองนิ  ทำไมเราถึงจะต้องเอาเงินภาษีไปช่วยพวกขี้แพ้ให้มีทักษะขึ้นมาแข่งกับเราด้วย ผมฟังแล้วก็สะอึกไปเพราะสังคมแบบนั้นฟังแล้วดูไม่น่าอยู่เอาเสียเลย  แถมอีกหน่อยคุณไม่รู้หรอกว่าใครจะเป็นเหยื่อของ automation รายต่อไปหลังจากกลุ่มคนขับรถและพนักงานแคชเชียร์ อาจเป็นเพื่อนๆ พี่น้องของคุณเองก็เป็นได้นะครับ  ก็คงต้องรอดูกันต่อไปนะครับว่าเราได้จะได้เห็นสังคมไหนในโลกที่จะสามารถหาบาลานซ์ระหว่างการช่วยเหลือมากเกินไปจนคนเคยตัวไม่ยอมขวนขวายกับการเล่นบทโหดตัวใครตัวมันครับ

automation Big Data Open Data การศึกษา ณภัทร จาตุศรีพิทักษ์ เศรษฐกิจ เศรษฐศาสตร์