วันพรุ่งนี้ที่เกิดขึ้นต่อตา เข้าใจ Big Data และ Automation กับ ณภัทร จาตุศรีพิทักษ์

ในยุคที่ทุกสิ่งทุกอย่างเคลื่อนที่ไปไวโดยเฉพาะในเรื่องของเทคโนโลยี มีคำและความกังวลใหม่ๆ เกิดขึ้นมากมาย แต่พร้อมกันนั้น ก็มีโอกาสใหม่ๆ เกิดขึ้นเช่นกัน หากต้องการเข้าใจอนาคต เราก็อาจต้องเข้าใจเทคโนโลยี หรือ ‘วิธีการคิด’ ใหม่ๆ เหล่านี้

ณภัทร จาตุศรีพิทักษ์ เป็นหนึ่งในบุคคลที่น่าจับตามองในหมู่นักคิดนักปฏิบัติเรื่อง Big Data และการมองไปยังอนาคตด้วยเทคโนโลยี เขากำลังศึกษาปริญญาเอกด้านเศรษฐศาสตร์ประยุกต์ และเป็นนักวิจัยประจำสถาบันการเปลี่ยนแปลงของโลกที่มหาวิทยาลัยมินนิโซตา และยังเขียนบทความลงเว็บไซต์ settakid.com (เว็บไซต์ของเขาเอง) พร้อมกับเผยแพร่บทความในเว็บไซต์ไทยพับลิก้าอย่างสม่ำเสมอ ซึ่งส่วนใหญ่จะเป็นบทความด้านเศรษฐศาสตร์เทคโนโลยี ที่ชวนให้เราตื่นเต้นในตอนอ่านได้ทุกครั้งด้วยความสามารถในการเชื่อมสิ่งที่ดูไกลตัว ให้จับต้องได้ ผ่านกรณีศึกษาที่น่าสนใจ

The MATTER ติดต่อสัมภาษณ์คุณณภัทร เพื่อคุยเรื่องอนาคตที่เราหลีกเลี่ยงไม่ได้ และวิธีปรับตัวเพื่อเข้าสู่วันใหม่ที่กำลังจะมาถึง

The MATTER: ตอนนี้มีการพูดถึงเรื่องการใช้ Big Data ในแง่มุมต่างๆ มากมาย จนกระทั่ง Big Data กลายเป็นคำที่หลายคนเรียกว่าเป็น Buzzword หรือคำหากินของยุคใหม่ไปแล้ว อยากให้คุณณภัทรช่วยอธิบายหน่อยครับว่า จริงๆ แล้ว Big Data ในแง่มุมที่เราควรเข้าใจจริงๆ เป็นอย่างไร ‘ประโยชน์’ ของมันจริงๆ คืออะไร

ณภัทร​: นิยาม​ของ​ Big​ Data​ คือ​ ภาวะข้อมูลที่มี​ 3V คือ​ volume​ velocity และ variety แปลเป็นไทยง่ายๆ ก็คือ​ข้อมูล​มีปริมาณมหาศาล เก็บได้ถี่​ และมีความหลากหลายรูปแบบอย่างที่เราไม่เคยเห็นมาก่อน​ครับ​

ผมมองว่าสิ่งที่เราควรจะเข้าใจที่สุดนอกจากว่า Big​ Data คืออะไรหรือมีประโยชน์และโทษอย่างไร ก็คือ​ต้องเข้าใจว่าคุณหนีมันไม่ได้​  ยังไงมันก็จะมากระทบชีวิตพวกเรา​ ไม่ทางตรงก็ทางอ้อม ไม่ว่าคุณจะอยู่ในประเทศที่แม้แต่​ “สมอลดาตา”  ยังไม่มีหรือทั้งชีวิตนี้คุณไม่เคยใช้​ (และจะไม่ใช้) เทคโนโลยีเลยก็ยังหนีไม่พ้น​

นั่นเป็นเพราะว่า Big​ Data​ คือภาพสะท้อนถึงความก้าวหน้าทางเทคโนโลยีที่ช่วยทำให้สิ่งต่างๆ รอบตัวเราสามารถ​เก็บข้อมูล​ได้อย่างหลากหลาย​ ช่วยเราบันทึกจัดเก็บข้อมูล และช่วยเราประยุกต์ใช้ข้อมูลเหล่านี้ได้ด้วยต้นทุนที่ต่ำลงเรื่อยๆ ซึ่งถ้าดูจากประวัติศาสตร์แล้ว​ การห้ามมนุษย์ไม่ให้ใช้เทคโนโลยีใหม่ๆ​ (ตั้งแต่​ อาวุธ​ล่าสัตว์ยุคหิน​ ยา​ ปืน​ ไปจนถึงอินเตอร์เน็ต) เพื่อประโยชน์​ํส่วนตนและส่วนรวมเป็นอะไรที่ยากมาก

ประมาณว่า “ถึงเราไม่ใช้  เขาก็จะใช้กับเราอยู่ดี” รัฐบาลคุณอาจจะไม่ผลักดันเรื่องนี้อย่างจริงจัง แต่เอกชนมีแรงจูงใจมากในการเก็บข้อมูลและใช้มันกับคุณ โดยเฉพาะอย่างยิ่งในโลกที่แทบจะทุกกิจกรรมของคุณสามารถสร้าง digital​ footprints ได้​ ทุกครั้งที่คุณรูดบัตรเครดิตเวลาไปจ่ายกับข้าว ทุกครั้งที่คุณเปิด​ location services ในไอโฟนแล้วไปพบปะเพื่อนใหม่

ทุกการเข้าโค้งในรถรุ่นใหม่ของคุณ ข้อมูล​พฤติกรรมแบบนี้สามารถถูกนำไปวิเคราะห์และตีวงกลับมากระทบชีวิตคุณแบบออฟไลน์ด้วย เช่น​ การปรับราคาสินค้า​และวางตำแหน่งของสินค้าให้เหมาะกับความชอบและกำลังซื้อของคุณขึ้น​ การเสนอให้คนแปลกหน้าที่ลืมขอเบอร์ติดต่อหลังจากพบกับคุณในงานสังสรรค์ให้มาเป็นเพื่อนหรือแม้กระทั่งแฟนคนใหม่ของคุณ และ การปรับเบี้ยประกันตามฝีมือขับรถของคุณ​

ด้วยเหตุนี้​ผมเลยมองว่าประโยชน์​ของ​ Big​ Data​ จริงๆ​ แล้วคือโอกาสในการเพิ่มประสิทธิภาพของกิจกรรมต่างๆ  ให้กับ​ผู้ใช้งานและโอกาสที่คุณภาพชีวิตของพวกเราจะดีขึ้นได้​  ซึ่งโดยรวมแล้วจะส่งผล​ดีคุ้มความเสี่ยงที่ตามมาหรือไม่นั้นก็ขึ้นอยู่กับแต่ละกรณีไป​  ในเชิงคอนเซ็ปต์​แล้วไม่ต่างนักกับมีดที่เอาไว้ปลอกผลไม้​หรือเอามาใช้ผ่าตัดได้ดีกว่านิ้วมือ แต่ก็ถูกเอามาใช้ทำร้ายผู้คนได้เช่นกันครับ​

The MATTER: อยากให้ยกตัวอย่างการใช้ Big Data และระบบประมวลผลในการบริหาร หรือจัดการบ้านเมืองที่ประสบความสำเร็จครับ การเปลี่ยนแปลงเหล่านี้มักเกิดขึ้นแบบ top down หรือ bottom up หรือเป็นการเปลี่ยนแปลงที่พบกันตรงกลาง หรืออย่างไรครับ

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

โครงการ NYC311

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

The MATTER: 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 หรือความเชื่อแต่เดิมของผู้ประมวลข้อมูลยิ่ง​มี​มากขึ้น​  เนื่องจากมันมี​พื้นที่ให้ขุดคุ้ยข้อมูลที่ “ดูดี” มากขึ้น​และมีโอกาสน้อยลงที่คนธรรมดาจะสามารถเข้าไปตรวจสอบการวิเคราะห์และประมวลผลข้อมูลขนาดยักษ์ได้สะดวก 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​  ซึ่งจุดนี้สำคัญสำหรับคนที่คิดว่าการพัฒนาสังคม​ควรมองผ่านเลนส์วิทยาศาสตร์ไปพร้อมๆ 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

หนังสือ Weapon of Math Destruction

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

The MATTER: ประเทศไทยมีอุปสรรคอะไรในการก้าวเข้าสู่ Thailand 4.0 หรือมีอุปสรรคอะไรในการนำข้อมูลต่างๆ ไปใช้อย่างมีประสิทธิภาพ เราต้องทำอะไรเพื่อให้เราเพิ่มประโยชน์จากการใช้ข้อมูลได้ ต้องเริ่มตรงจุดไหน

ณภัทร: 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 ข้อมูล​ใบสมัครงาน) 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​

The MATTER: อันนี้ถามสนุกๆ นะครับ ว่าในโลกที่เรารู้ตัวแปรข้อมูลต่างๆ มากขึ้นเรื่อยๆ และประมวลผลได้อย่างฉับไวทันเวลาขึ้นเรื่อยๆ อาจทำให้ความแม่นยำในการทำนายสูงขึ้นเรื่อยๆ คุณณภัทรเชื่อว่าโลกของเรา deterministic ไหมครับ หากเรารู้ตัวแปรมากถึงระดับหนึ่งเราจะสามารถทำนายโลก อย่างน้อยในอนาคตอันใกล้ ได้ใกล้เคียง 100% ไหมครับ ทำไมจึงเป็นอย่างนั้น

ณภัทร: ผมเองก็ไม่ทราบคำตอบนะครับ แต่ขอลองตอบแบบชวนคิดสนุกๆ 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

การทดลองทอยเหรียญ

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…

The MATTER: ในโลกที่เราพูดถึง automation หรือการทำให้เป็นอัตโนมัติมากขึ้นเรื่อยๆ คุณณภัทรมองว่าจะมีการเปลี่ยนแปลงในเรื่องแรงงานอย่างไร จากเดิมที่บริษัทต่างๆ ลดต้นทุนด้วยการ outsource หรือไปตั้งบริษัท offshore ในที่ที่มีแรงงานถูก การ automation จะทำให้แหล่งทุนลดการใช้แรงงาน และทำให้เกิดกิจกรรมทางเศรษฐกิจที่เกิดจากการจ้างงานน้อยลงหรือไม่ เรื่องนี้เป็นปัญหาไหม

ณภัทร: 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

The MATTER: ในยุคที่คนจับต้นชนปลายไม่ถูก และความเปลี่ยนแปลงทางด้านเทคโนโลยีที่เป็นกราฟแบบ exponential มาเร่งงวดความเปลี่ยนแปลงทางด้านเศรษฐกิจสังคมมากขึ้นทุกที สังคมกำลังจะเผชิญหน้ากับอะไร คิดว่าจะมีคนที่ถูก left behind (ทิ้งไว้ข้างหลัง) ด้วยความเปลี่ยนแปลงเชิงเทคโนโลยีไหม และมันจะนำไปสู่อะไรครับ

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

สมมุติว่าอีกหน่อยจะมีบริการ Uber แบบรถขับเองได้ หรือเป็นรถบินได้ขึ้นมาที่ดีกว่าคนขับจนไม่มีใครอยากซื้อรถหรือนั่งรถที่มีคนขับอีกต่อไป แน่นอนว่าปากท้องของคนขับรถทั่วไปที่เขาฝึกขับรถมาทั้งชีวิตจะถูกกระทบอย่างหนัก แต่การที่มีบริการแบบนี้ก็สร้างประโยชน์ให้กับผู้บริโภคที่เผลอๆ จะมีจำนวนมากกว่าเสียด้วยซ้ำไป ไม่ว่าจะเป็นในเรื่องของความปลอดภัยบนท้องถนนและประสิทธิภาพในการใช้พื้นที่ว่างบนถนน

กลุ่มผู้ประท้วง UBER / HuffingtonPost

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

The MATTER: ถ้าอยากลดผลกระทบดังกล่าว เราในฐานะบุคคลคนหนึ่ง ที่อาจจะยังพอเปลี่ยนแปลง ปรับปรุงตัวเองได้บ้าง ต้องเริ่มจากจุดไหนครับ และรัฐสามารถเข้ามามีบทบาทอย่างไร ในการสร้างคนที่พร้อมรับมือความเปลี่ยนแปลงเหล่านี้ได้ครับ

ณภัทร: ผมคิดว่าเราควรทำสามอย่างต่อไปนี้ครับ

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

Sergey Brin ในงาน World Economic Forum

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 หลักๆ คือควรสอนให้เขาเรียนรู้ต่อได้ด้วยตัวเองเนื่องจากโลกข้างหน้าไม่แน่นอนและคุณหยุดเรียนรู้หลังจากได้ปริญญาไม่ได้  สองคือคอยสนับสนุนการพัฒนาทักษะสำหรับประชาชนทุกเพศทุกวัย ไม่ใช่แค่สำหรับเด็กๆ  นโยบายยกระดับทักษะของผู้ใหญ่ในหลายประเทศยังไม่ค่อยประสบความสำเร็จและเป็นที่ถกเถียงกันมากเนื่องจากหลายคนมองว่า เมื่อโตเป็นผู้ใหญ่แล้วก็ตัวใครตัวมันสิ ดันไปเลือกสายอาชีพที่จะถูก automation เล่นงานเองนิ  ทำไมเราถึงจะต้องเอาเงินภาษีไปช่วยพวกขี้แพ้ให้มีทักษะขึ้นมาแข่งกับเราด้วย ผมฟังแล้วก็สะอึกไปเพราะสังคมแบบนั้นฟังแล้วดูไม่น่าอยู่เอาเสียเลย  แถมอีกหน่อยคุณไม่รู้หรอกว่าใครจะเป็นเหยื่อของ automation รายต่อไปหลังจากกลุ่มคนขับรถและพนักงานแคชเชียร์ อาจเป็นเพื่อนๆ พี่น้องของคุณเองก็เป็นได้นะครับ

ก็คงต้องรอดูกันต่อไปนะครับว่าเราได้จะได้เห็นสังคมไหนในโลกที่จะสามารถหาบาลานซ์ระหว่างการช่วยเหลือมากเกินไปจนคนเคยตัวไม่ยอมขวนขวายกับการเล่นบทโหดตัวใครตัวมันครับ

บทสัมภาษณ์โดย ทีปกร วุฒิพิทยามงคล (สัมภาษณ์ผ่านทางอีเมล)

Share This!
  •  
  •  
  •  
  •  
  •  
  •  
No Comments Yet

Comments are closed