ในยุคที่โรงงานกำลังเปลี่ยนผ่านสู่ Smart Manufacturing สิ่งที่ท้าทายที่สุดไม่ใช่การ “เก็บข้อมูล” แต่คือการทำให้ข้อมูลอยู่ในที่ที่ถูกต้องและพร้อมใช้งาน ทั้งสำหรับการตัดสินใจแบบ Real-time การวิเคราะห์ประสิทธิภาพระยะยาว และการสร้างคุณค่าใหม่จาก AI/ML
ซีรีส์ “พื้นฐานข้อมูลการผลิต: UNS, Historian และ Lakehouse” จะพาคุณไปทำความเข้าใจ 3 องค์ประกอบหลักของสถาปัตยกรรมข้อมูลโรงงาน ว่าควรเก็บข้อมูลอะไร ที่ไหน และทำไมถึงสำคัญ — เพื่อปูทางไปสู่การ Transform ข้อมูลการผลิตให้เป็น Asset ที่ขับเคลื่อนธุรกิจได้จริง
เมื่อผมได้ยินคำว่า “Data Platform” ครั้งแรก
ตอนที่ผมเริ่มทำงานด้วยกับ AWS ใหม่ ๆ ผมได้ยินคำว่า “Data Platform” อยู่ตลอดเวลา ตอนนั้นพื้นฐานของผมอยู่ฝั่ง OT ล้วน ๆ สำหรับผมแล้ว “Data Platform” หมายถึง:
- ฐานข้อมูล (PostgreSQL, SQL Server) สำหรับเก็บข้อมูลเชิงโครงสร้าง (structured records)
- MQTT broker สำหรับส่งข้อความ IoT แบบ Streaming
- Historian สำหรับเก็บข้อมูล Time-series ความถี่สูงจากเครื่องจักร
นั่นคือโลกของผมในตอนนั้น
แต่ในมุมของฝั่ง IT คำว่า “Data Platform” กลับหมายถึงอีกอย่างหนึ่งโดยสิ้นเชิง พวกเขาหมายถึง Lakehouse และ Ecosystem ที่รายล้อมอยู่รอบ ๆ มัน:
- ระบบ Storage ที่รองรับข้อมูลได้ทุกแบบ (structured, semi-structured, unstructured)
- เครื่องมือ Analytics เช่น BI dashboards, Reporting, Self-service Query Engines
- ความสามารถด้าน Machine Learning และ Forecasting ที่ทำงานบนข้อมูลเหล่านั้น
ความต่างของมุมมองนี้คือสาเหตุที่ทำให้ทีม OT และ IT มักจะสื่อสารกันไม่เข้าใจ สำหรับโลกการผลิต เราจำเป็นต้องเชื่อมสองมุมมองนี้เข้าด้วยกัน — และนี่คือเหตุผลที่การเข้าใจ UNS, Historian และ Lakehouse ร่วมกันจึงสำคัญมาก
“พื้นฐานข้อมูลการผลิต: UNS, Historian และ Lakehouse”
ทำความเข้าใจ 3 องค์ประกอบหลักของสถาปัตยกรรมข้อมูลโรงงาน ว่าควรเก็บข้อมูลอะไร ที่ไหน และทำไมถึงสำคัญ — เพื่อปูทางไปสู่การ Transform ข้อมูลการผลิตให้เป็น Asset ที่ขับเคลื่อนธุรกิจได้จริง