วิทยาศาสตร์ข้อมูล หรือ Data science ได้เข้ามาช่วยภาคธุรกิจในการปรับปรุงการทำงานขององค์กรเอง ผ่านการทำแอปพลิเคชั่นช่วยสนับสนุนการดำเนินงาน เช่น ระบบ Recommendation system ที่ช่วยแนะนำสินค้าที่เราน่าจะชอบ, การจัดทำโปรโมชั่นโดยอาศัยข้อแนะนำจากโมเดล Association rule หรือจัดกลุ่มผู้บริโภคใหม่จากการทำ Clustering รวมไปถึงแนวคิดการตัดสินใจทางการตลาดด้วยข้อมูล (Data driven marketing)
ศาสตร์ด้านวิทยาศาสตร์ข้อมูล มีทั้งคุณประโยชน์และโทษ หากใช้โดยไม่คำนึงถึงผลประโยชน์ของผู้ใช้ โดยเฉพาะ Personalized marketing หากคุณผู้อ่านสนใจ เรายังมีบทความ 3 กรณีศึกษาแย่ ๆ ของการทำ Personalized Marketing ในอดีตที่นักการตลาดอย่างเราเรียนรู้ได้ ให้ได้ศึกษาเพิ่มเติมด้วย
แต่รู้หรือไม่ องค์ความรู้ทางวิทยาศาสตร์ข้อมูลก็สามารถนำมาประยุกต์ใช้กับภาคสังคมได้เหมือนกันนะ
แล้ววิทยาศาสตร์ข้อมูลจะมาช่วยงานภาคสังคมได้อย่างไร ?
นักวิทยาศาสตร์ข้อมูล สามารถใช้องค์ความรู้ และทักษะของตัวเองในการช่วยให้องค์กรภาคสังคม หรือภาครัฐ ในสกัดความรู้ใหม่ ๆ (Insight) จากข้อมูล ซึ่งนำไปสู่การมองปัญหาแบบใหม่ ๆ อันจะช่วยปรับปรุงแนวทางการดำเนินงานได้
และถ้าหากข้อมูลมีความพร้อมมากพอ นักวิทยาศาสตร์ข้อมูลสามารถใช้ข้อมูลเหล่านั้น ในการสร้างแอปพลิเคชั่นที่สามารถเรียนรู้วิธีการดำเนินงานผ่านการเรียนรู้จากข้อมูลในอดีต (Machine learning) ในการช่วยสนับสนุนงานภาคสังคมได้อีกด้วย
ในบทความนี้ ผู้เขียนได้รวบรวมกรณีศึกษา ของโปรเจค Data science ที่มุ่งหวังจะแก้ปัญหาทางสังคมในแต่ละด้านตั้งแต่ สิ่งแวดล้อม, ภัยพิบัติ, เศรษฐกิจ, โครงสร้างพื้นฐาน และ การศึกษา
1. กรณีศึกษา ใช้ Machine learning แจ้งเตือนการเกิดไฟป่า (สิ่งแวดล้อม)
Aditya Shah นักเรียน High School ที่ California ผู้มีความหลงไหลการถ่ายรูปธรรมชาติ ได้คิดค้นไอเดียร่วมกับ Sanjana Shah ในการแจ้งเตือนไฟป่า ซึ่งมีความแม่นยำอยู่ที่ 89% ในการแจ้งเตือนการเกิดไฟป่า (early warning) ก่อนที่ไฟจะลุกลามจนเผาป่าไปหมด
โปรเจคนี้ใช้การตรวจวัดปัจจัยที่มีผลต่อการเกิดไฟป่า เช่น ความเร็วลม, ทิศทางลม, ความชื้น, อุณหภูมิ และตัวแปรที่สำคัญคือการตรวจ Biomass หรือเชื้อเพลิงไฟ อันได้แก่ใบไม้แห้ง ซากต้นไม้เก่า ที่ยิ่งมีเยอะ ยิ่งความชื้นในอากาศต่ำ Biomass เหล่าจะเป็นชนวนทำให้เกิดไฟป่าได้ง่าย (ใช้เทคนิค Computer vision ในการประเมินค่าความชื้นของ Biomass จากภาพ)
ตัวเครื่องมือนี้ช่วยลดงานของทีมลาดตระเวนที่ต้องตรวจพื้นที่ป่าทีละโซนเพื่อเก็บ และวิเคราะห์ Biomass ด้วยตัวเองซึ่งต้องอาศัยผู้เชี่ยวชาญในการตรวจวัดความชื้น
อ่านรายละเอียดเพิ่มเติมได้ที่ Fighting fire with machine learning: two students use TensorFlow to predict wildfires
2. กรณีศึกษา แจ้งเตือนน้ำท่วมที่ประเทศอินเดีย และบังกลาเทศ ด้วยภาพถ่ายดาวเทียม (ภัยพิบัติ)
ปัญหาน้ำท่วมในประเทศอินเดีย สร้างความเสียหายอย่างหนักต่อชีวิตผู้คนนับล้าน และผลผลิต เพราะการแจ้งเตือนที่ล่าช้า จากการต้องอาศัยนักวิชาการในการวิเคราะห์การทิศทางการท่วมของน้ำ ทำให้ผู้คนเตรียมรับมือไม่ทันการณ์
Google Flood Forecasting Initiative ทำงานร่วมกับรัฐบาลในการพัฒนาระบบที่ทำนายทิศทางการท่วมของน้ำ , ระดับน้ำที่สูงขึ้น (ใช้โมเดล Morphological Inundation Modeling ) และแจ้งเตือนผู้ใช้ผ่านทางโทรศัพท์ โดยใช้ภาพถ่ายดาวเทียมเป็นข้อมูลตั้งต้นในการให้เครื่องจักรเรียนรู้ โดยมีความแม่นยำอยู่ที่ 90%
อ่านรายละเอียดเพิ่มเติมได้ที่ A big step for flood forecasts in India and Bangladesh
3. กรณีศึกษา ระบบแนะนำงานให้กับคนว่างงาน ที่โปรตุเกส (เศรษฐกิจ)
ปัญหาการว่างงาน ส่วนใหญ่เกิดจากคนว่างงานไม่สามารถหางานที่ตรงกับทักษะของตัวเองได้ และหน่วยงานให้คำปรึกษาเรื่องการหางาน หรือ Job counsellors ที่ Institute of Employment and Vocational Training in Portugal (IEFP) ก็ใช้วิธีการแนะนำเป็นรายบุคคลไป จากประสบการณ์ของเจ้าหน้าที่ ทำให้การแนะนำงานเป็นไปได้อย่างจำกัด และไม่มีประสิทธิภาพ
Nathan Coulson, Rosa Lavelle-Hill และ Tobias Richter จึงได้ทำระบบ Job recommendation เพื่อช่วยในการแนะนำงานให้กับคนว่างงานในโปรตุเกส จากฐานข้อมูลกว่า 10 ปี จำนวนกว่า 100 ล้านบรรทัด
อ่านรายละเอียดเพิ่มเติมได้ที่ Building a Recommender System to Improve Employment Outcomes in Portugal
4. กรณีศึกษา ระบบแจ้งเตือนการทำงานของระบบชลประทานที่ New York (โครงสร้างพื้นฐาน)
Benjamin Brooks, Avishek Kumar และ Syed Ali Asad Rizvi ได้ร่วมมือกับ เมือง Syracuse ที่ New York ในการพัฒนาระบบสนับสนุนการตัดสินใจในการซ่อมแซมการทำงานของระบบชลประทาน
เนื่องจากโครงสร้างระบบชลประทานนี้ถูกสร้างมาตั้งแต่ปี 1900 กว่า ๆ ทำให้การเปลี่ยนโครงสร้างทั้งหมดทำได้ยาก จึงได้มีการค่อย ๆ ซ่อมแซมส่วนที่เสียหายก่อน โดยค่าใช้จ่ายในการซ่อมแซม และเปลี่ยนไปใช้ท่อน้ำใหม่อยู่ที่ประมาณ 1 ล้านดอลลาร์ต่อ 1 ไมล์ แต่ปัญหาคือทางภาครัฐไม่รู้ว่าส่วนไหนควรจะซ่อมก่อน หรือส่วนไหนเสียหายมากที่สุด ซึ่งก่อให้เกิดความเสียหายกว่า 400 เคสต่อปี
โครงการนี้เลยตั้งใจทำระบบสนับสนุนการตัดสินใจในการประเมินท่อน้ำที่มีความเสี่ยงต่อการเสียหาย (Preventive maintainance) เพื่อซ่อมก่อนที่ท่อจะแตก โดยใช้ข้อมูลจากทางรัฐตั้งแต่ปี 2004 – 2015 และข้อมูลเกี่ยวกับตัวท่อส่งบริเวณนั้น โดยรายงานออกมาเป็น Risk score
อ่านรายละเอียดเพิ่มเติมได้ที่ Early Warning System for Water Infrastructure Problems
5. กรณีศึกษา การทำนายการสมัครเรียนของนักเรียน เพื่อจัดสรรงบประมาณด้านการศึกษา (การศึกษา)
Vanessa Ko, Andrew Landgraf, Tracy Schifeling และ Zhou Ye ได้ร่วมมือกับ Chicago Public Schools ในการทำระบบช่วยสนับสนุนการตัดสินใจในการจัดสรรงบประมาณ เพื่อกระจายไปตามโรงเรียนต่าง ๆ
ในทุก ๆ ฤดูใบไม้ร่วง Chicago Public Schools ต้องจัดสรรงบประมาณกว่า 1.8 หมื่นล้านดอลลาร์ ให้กับโรงเรียนในระบบกว่า 100 โรงเรียน ซึ่งเป็นการจัดสรรตามจำนวนของนักเรียนในปีการศึกษานั้น ๆ ทำให้หลาย ๆ ครั้งเกิดการจัดสรรงบประมาณมาก หรือน้อยเกินไป จากการประเมินผิดพลาด
โปรเจคนี้เลยตั้งใจจะทำนายการสมัครเรียนของทุกโรงเรียนในปีต่อ ๆ ไป เพื่อให้ Chicago Public Schools สามารถจัดสรรงบประมาณได้อย่างมีประสิทธิภาพ
อ่านรายละเอียดเพิ่มเติมได้ที่ Student Enrollment Prediction for Budget Allocation
บทส่งท้าย
ประเทศไทยก็สามารถมีโปรเจค Data science for social goods ได้ หากมีพื้นที่ตรงกลางที่สามารถเชื่อมต่อให้นักวิทยาศาสตร์ข้อมูลที่มีความสนใจในประเด็นสังคม กับองค์กรทางภาคสังคมเอง
เหมือนอย่างโครงการของ Solve for Good และ Datakind ที่เป็นโครงการที่เป็น Platform ในการจับคู่องค์กรภาคสังคม และนักวิทยาศาสตร์ข้อมูลได้มาทำงานร่วมกันในรูปแบบอาสา โดยทีมงานของโครงการจะเป็นคนคัดเลือก และช่วยองค์กรภาคสังคมตีโจทย์ทางข้อมูลก่อนมาประกาศในโครงการนี้
เป็นยังไงกันบ้าง หวังว่าบทความจะช่วยเปิดมุมมองของการใช้เทคโนโลยีกับภาคสังคมมากขึ้นนะครับ 😀
มีคำถามสงสัยเพิ่มเติม ?
หากคุณสนใจเกี่ยวกับเรื่องที่เราเขียน สิ่งที่เราทำ และโครงการที่เราตั้งใจจะดำเนินงานในอนาคต คุณสามารถติดต่อพูดคุยกับเราได้
ขอบคุณแหล่งอ้างอิง:
- AI FOR SOCIAL GOOD
- Datakind
- Data science for social good
- Introducing Data Science for Social Impact – The Rockefeller Foundation
- Data science for social impact by Adriana Paz
บทความที่เกี่ยวข้อง
Democracy by Design พูดถึง 4 เสาหลักที่ช่วยส่งเสริมให้เกิดการปกครองแบบประชาธิปไตย ซึ่งความน่าสนใจของ Framework คือความชัดเจน เรียบง่ายในหลักการ จนสามารถนำไปปรับใช้ที่ไหนก็ได้
