Data Fabric คืออะไร ? รู้จักสถาปัตยกรรมรวบรวมข้อมูลแบบ ผืนผ้าข้อมูล กัน

มารู้จักสถาปัตยกรรมรวบรวมข้อมูลแบบ Data Fabric กัน

ปัจจุบัน "ข้อมูล (Data)" กลายเป็นทรัพยากรประมวลผลที่สำคัญ และถูกสร้างขึ้นมาต่อเนื่องแบบไม่มีหยุด ทำให้การจัดการ และเข้าถึงข้อมูลอย่างถูกต้อง, รวดเร็ว และปลอดภัยนั้น กลายเป็นเรื่องที่ท้าทายมากขึ้น Data Fabric จึงเป็นแนวคิดใหม่ที่ช่วยสร้างโครงสร้างข้อมูลเชื่อมโยงระหว่างแพลตฟอร์มต่าง ๆ ทำให้ธุรกิจสามารถเข้าถึง และวิเคราะห์ข้อมูลได้อย่างมีประสิทธิภาพ พร้อมรับมือกับความซับซ้อนของข้อมูลที่เพิ่มขึ้น

และในบทความนี้จะพาทุกคนมาทำความรู้จักกับ "Data Fabric" ว่ามันคืออะไร ?, มีองค์ประกอบอะไรบ้าง ? และมีบทบาทอย่างไรในการจัดการข้อมูล ...

Data Fabric คืออะไร ? (What is Data Fabric ?)

คำว่า "Data Fabric" หรือ "ผืนผ้าข้อมูล" คือสถาปัตยกรรม และวิธีการทางซอฟต์แวร์ ที่ช่วยให้องค์กรสามารถเข้าถึง, จัดเก็บ และบริหารจัดการข้อมูลจากแหล่งอื่น หรือสถานที่ต่าง ๆ ได้แบบเรียลไทม์ ถูกออกแบบมาเพื่อตอบสนองต่อความท้าทายด้านข้อมูล และการใช้งานที่หลากหลาย ดังนั้น Data Fabric จึงเหมาะสำหรับองค์กรที่มีสำนักงาน และการดำเนินงานที่กระจายตัวไปทั่วโลก หรือมีแหล่งข้อมูลจำนวนมาก ๆ นั่นเอง

ภาพจาก : https://www.tibco.com/glossary/what-is-data-fabric

เป้าหมายหลักของ Data Fabric คือการจัดการกับข้อมูลขนาดใหญ่, ลดความซับซ้อนในการรวมข้อมูล และมอบข้อมูลเชิงลึกแบบเรียลไทม์ ด้วยการเชื่อมโยงแหล่งข้อมูลที่แตกต่างกันให้อยู่ในเฟรมเวิร์กเดียวกัน โดย Data Fabric ทำหน้าที่เชื่อมต่อเทคโนโลยี และกระบวนการจัดการข้อมูลต่าง ๆ เพื่อให้การเข้าถึง, การแบ่งปัน และการกำกับดูแลข้อมูลเป็นไปได้อย่างราบรื่น

องค์ประกอบของ สถาปัตยกรรม Data Fabric (Data Fabric Architecture Components)

ภาพจาก : https://www.techtarget.com/searchdatamanagement/definition/data-fabric

องค์ประกอบสำคัญของสถาปัตยกรรม Data Fabric ก็จะมีดังนี้

1. การรวมข้อมูล (Data Integration)

ชั้นนี้มีหน้าที่รวบรวมข้อมูลจากแหล่งต่าง ๆ แปลงให้เป็นรูปแบบเดียวกัน และจัดเก็บในคลังข้อมูลกลาง (Central data repository) ซึ่งจะใช้วิธีต่าง ๆ เช่น การประมวลผลข้อมูลแบบเป็นชุด การสตรีมข้อมูลแบบเรียลไทม์ หรือการจำลองข้อมูล เพื่อให้ข้อมูลพร้อมใช้งานตามความต้องการของธุรกิจที่ใช้งาน

2. การจัดเก็บข้อมูล (Data Storage)

Data Fabric จะมีการจัดเก็บข้อมูลแบบรวมศูนย์ ทำให้การจัดการข้อมูลหลาย ๆ ขนาดนั้นทำได้ง่าย รวดเร็ว และเข้าถึงได้สะดวก อาจใช้คลังข้อมูล (Data Warehouses) หรือ Data Lakes เพื่อรองรับข้อมูลหลายประเภทอย่างมีประสิทธิภาพนั่นเอง

3. การควบคุมความปลอดภัยของข้อมูล (Data Governance)

ชั้นนี้ทำหน้าที่ดูแลเรื่องความปลอดภัย, ความถูกต้อง และการปฏิบัติตามกฎข้อบังคับ โดยใช้กฎเกณฑ์และระบบตรวจสอบการเข้าถึงข้อมูล เพื่อให้แน่ใจว่าข้อมูลได้รับการดูแลตามมาตรฐาน และกฎหมาย รวมถึงการจัดการ ข้อมูลเกี่ยวกับข้อมูล (Metadata) และวงจรชีวิตของข้อมูลอย่างเหมาะสม

ภาพจาก : https://www.imperva.com/learn/data-security/data-governance/

4. การประมวลผลข้อมูล (Data Processing)

Data Fabric ใช้เทคโนโลยีอย่างการวิเคราะห์ข้อมูล การแสดงผลผ่านภาพ (Visualization) และ ปัญญาประดิษฐ์ (AI) เพื่อเปลี่ยนข้อมูลดิบเป็นข้อมูลเชิงลึกที่เป็นประโยชน์ต่อการตัดสินใจ

5. การจัดการการเคลื่อนย้ายข้อมูล (Data Orchestration)

โดยชั้นนี้จัดเป็นหัวใจสำคัญในการจัดการการไหลของข้อมูลระหว่างแหล่งข้อมูล และระบบต่าง ๆ ช่วยให้การดึง  และประมวลผลข้อมูลเป็นไปอย่างราบรื่น ส่งผลให้องค์กรสามารถใช้งานข้อมูลได้อย่างเต็มที่

6. การเข้าถึงข้อมูล (Data Access)

ชั้นสุดท้ายนี้ช่วยให้ผู้ใช้งานในองค์กรเข้าถึงข้อมูลได้ตามสิทธิ์ที่กำหนดไว้ เป็นไปตามข้อกำหนดด้านกฎหมาย นอกจากนี้ยังช่วยให้การเข้าถึงข้อมูลทำได้ง่ายขึ้น ผ่านการแสดงผลบนแดชบอร์ด และเครื่องมือแสดงข้อมูลอื่น ๆ ทำให้ข้อมูลสามารถนำไปใช้ได้อย่างรวดเร็ว และตรงตามความต้องการ

ข้อดี และ ข้อสังเกตของ Data Fabric (Data Fabric Pros and Cons)

ข้อดีของ Data Fabric

ขจัดการแยกข้อมูลออกเป็นส่วน ๆ (Data Silos)

Data Fabric ช่วยรวมข้อมูลจากแอปพลิเคชันที่กระจัดกระจายอยู่ ซึ่งมักทำให้เกิดการแยกข้อมูลออกเป็นส่วน ๆ ด้วยโครงสร้าง และรูปแบบที่แตกต่างกัน ช่วยให้องค์กรเห็นภาพรวมข้อมูลทั้งหมด และใช้ข้อมูลเหล่านั้นเพื่อเพิ่มประสิทธิภาพการดำเนินงาน

ภาพจาก : https://www.dremio.com/blog/overcoming-data-silos-how-dremio-unifies-disparate-data-sources-for-seamless-analytics/

เชื่อมต่อฐานข้อมูลที่กระจายตัว

Data Fabric ทำให้ความแตกต่างของสถานที่จัดเก็บข้อมูลไม่เป็นอุปสรรคในการเข้าถึง ช่วยปรับปรุงการพัฒนาแอปพลิเคชันโดยรวม Application Programming Interface (API) การเข้าถึงข้อมูลให้เป็นมาตรฐาน รวมทั้งสามารถเพิ่มประสิทธิภาพการใช้งานข้อมูลจากแอปพลิเคชันได้ โดยไม่กระทบต่อการเข้าถึงข้อมูลในแอปพลิเคชันอื่น

เข้าถึงข้อมูลได้ทั้งในคลาวด์ และศูนย์ข้อมูล

เนื่องจากปัจจุบันมีแอปพลิเคชันจำนวนมากที่ทำงานบนระบบ คลาวด์ (Cloud) การใช้ Data Fabric จึงช่วยเพิ่มความยืดหยุ่นในการย้ายแอปพลิเคชันระหว่างแพลตฟอร์ม (Portability) และยังช่วยให้การสำรองข้อมูลจากคลาวด์ไปยังศูนย์ข้อมูลเป็นไปได้ง่าย และมีประสิทธิภาพมากขึ้น

ความยืดหยุ่นในการจัดการข้อมูล (Data Agility)

องค์กรสามารถเข้าถึง และย้ายข้อมูลข้ามแพลตฟอร์มต่าง ๆ ได้อย่างรวดเร็ว ทำให้ตอบสนองต่อความต้องการที่เปลี่ยนแปลงอย่างรวดเร็ว และช่วยลดความเสี่ยงจากการใช้เทคโนโลยีนอกระบบที่ไม่ได้รับการควบคุม (Shadow IT)

รองรับการวิเคราะห์ข้อมูล

Data Fabric สามารถรวมเครื่องมือวิเคราะห์ต่าง ๆ เช่น ระบบธุรกิจอัจฉริยะ (BI), การสำรวจข้อมูล, การประมวลผลภาษาธรรมชาติ (Natural Language Processing - NLP) และ การเรียนรู้ของเครื่อง (Machine Learning - ML) เพื่อช่วยในการตัดสินใจ

ข้อสังเกตในการนำ Data Fabric มาใช้

ข้อมูลถูกแยกออกเป็นส่วน ๆ

แม้ Data Fabric จะถูกออกแบบมาเพื่อลดการแยกส่วนของข้อมูล แต่ความเป็นจริงแล้วการรวมฐานข้อมูลจากหลายแพลตฟอร์ม และระบบที่แตกต่างกันอาจซับซ้อนเกินไป ระบบ AI, Hybrid Cloud , และ อินเทอร์เน็ตแห่งสรรพสิ่ง (IoT) ที่เกี่ยวข้องสามารถเพิ่มความซับซ้อนในการจัดการข้อมูลมากขึ้น ซึ่งหากไม่จัดการดีพอ อาจทำให้ปัญหาการแยกส่วนของข้อมูลยังคงอยู่

ปัญหาด้านการขยายตัว (Scalability)

แม้ Data Fabric จะถูกออกแบบมาเพื่อรองรับการขยายตัว แต่การขยายในแนวนอน หรือแนวตั้งให้รองรับปริมาณข้อมูลที่เพิ่มขึ้นอาจทำให้ประสิทธิภาพของระบบลดลง โดยเฉพาะในองค์กรขนาดใหญ่ที่ข้อมูลเติบโตอย่างรวดเร็ว การขยายระบบให้พร้อมรับการเปลี่ยนแปลงนี้อาจต้องใช้งบประมาณ และทรัพยากรเพิ่มเติมอย่างมาก

ความเสี่ยงในการประสานข้อมูล (Harmonization Risks)

การจำลองเสมือนข้อมูล (Virtualization) ซึ่งเป็นวิธีที่ใช้ในการประสานข้อมูลใน Data Fabric อาจส่งผลให้เกิดการสูญเสียประสิทธิภาพ หากข้อมูลถูกย้ายข้ามแพลตฟอร์มบ่อยครั้ง ค่าใช้จ่ายในการโอนย้ายข้อมูลอาจสูงขึ้น นอกจากนี้ยังมีความเสี่ยงที่ข้อมูลจะไม่สามารถประสานได้อย่างสมบูรณ์หากแพลตฟอร์ม หรือระบบมีข้อจำกัดบางอย่าง

ความซับซ้อนในการรวมข้อมูล (Data Integration Complexity)

การรวมข้อมูลจากหลายแหล่งที่มีรูปแบบ และโครงสร้างที่ต่างกันเป็นข้อเสียที่สำคัญของ Data Fabric การรองรับการสตรีม การจำลอง หรือการโอนย้ายข้อมูลที่แตกต่างกันนั้นไม่ง่าย และต้องการเครื่องมือหรือเทคโนโลยีเฉพาะทาง นอกจากนี้ผู้ใช้งานต่างกลุ่ม เช่น ผู้ใช้ทางธุรกิจกับฝ่าย IT อาจมีความต้องการที่แตกต่างกัน ทำให้เกิดความซับซ้อน

ข้อจำกัดในการเข้าถึง และสืบค้นข้อมูล

แม้ Data Fabric จะมุ่งเน้นการรวมศูนย์ในการเข้าถึงและสืบค้นข้อมูล แต่ในทางปฏิบัติ การเข้าถึงข้อมูลจากหลายระบบหรือฐานข้อมูลที่ใช้ภาษาและ API เฉพาะเจาะจงอาจไม่สามารถทำได้อย่างราบรื่น การปรับแต่ง Data Fabric เพื่อรองรับการเข้าถึงที่หลากหลายเหล่านี้อาจทำให้เสียเวลา และค่าใช้จ่ายสูง รวมทั้งยังอาจมีปัญหาด้านความเข้ากันได้ของระบบ

ตัวอย่างการใช้งานของ Data Fabric (Data Fabric Usage Examples)

ภาพจาก : https://www.saksoft.com/blog/5-things-you-must-know-about-data-fabric/

Data Fabric ถูกนำมาใช้ในหลายอุตสาหกรรม เพื่อช่วยในการจัดการข้อมูลอย่างมีประสิทธิภาพและเพิ่มขีดความสามารถในการดำเนินงาน ตัวอย่าง และการใช้งานหลัก ๆ ได้แก่

การจัดการธุรกิจแบบรวมศูนย์

ในองค์กรที่มีการดำเนินงานแบบแยกออกเป็นภูมิภาค Data Fabric ช่วยเชื่อมโยงข้อมูลจากหลายสถานที่ หรือระบบให้เข้าด้วยกันทั้งในรูปแบบเสมือน หรือเชิงตรรกะ ทำให้องค์กรสามารถเข้าถึง และวิเคราะห์ข้อมูลได้อย่างครบถ้วนในที่เดียว

การสร้างโมเดลข้อมูลแบบรวม

เมื่อองค์กรต้องเผชิญกับการควบรวมกิจการ Data Fabric ช่วยในการ รวมฐานข้อมูล และนโยบายการจัดการข้อมูลที่แตกต่างกันของแต่ละองค์กรเข้าไว้ด้วยกัน สร้างมุมมองข้อมูลเดียว (Single View of Data) ช่วยให้กระบวนการทำงานร่วมกันระหว่างองค์กรที่ควบรวมกันมีความราบรื่น และมีประสิทธิภาพมากขึ้น

การใช้งานปัญญาประดิษฐ์ และการเรียนรู้ของเครื่อง

Data Fabric เร่งการเตรียมข้อมูลให้พร้อมสำหรับโมเดล AI และ ML ด้วยการรวมข้อมูลเชิงโครงสร้างและไม่มีโครงสร้าง ผ่านการใช้แผนภูมิความรู้เชิงความหมาย (Semantic knowledge graphs) ซึ่งช่วยให้การสร้าง และฝึกโมเดลเหล่านี้ทำได้รวดเร็ว และมีประสิทธิภาพ

ภาพจาก : https://www.linkedin.com/pulse/getting-intelligent-answers-from-knowledge-graphs-peter-lawrence

การปรับแต่งตามความต้องการแบบเรียลไทม์

องค์กรสามารถใช้ Data Fabric เพื่อรวมข้อมูลการโต้ตอบของลูกค้าจากทุกจุดสัมผัส (Touchpoint) ไม่ว่าจะเป็นช่องทางออนไลน์ หรือออฟไลน์ เพื่อสร้างมุมมองแบบครบวงจรของลูกค้า ช่วยให้องค์กรสามารถปรับแต่งบริการหรือข้อเสนอที่เหมาะสมกับลูกค้าแบบเรียลไทม์ เพิ่มโอกาสในการรักษาฐานลูกค้าได้มากขึ้น

ความแตกต่างระหว่าง Data Fabric กับ Data Virtualization (Data Fabric vs Data Virtualization)

Data fabric และ data virtualization เป็นแนวคิดการจัดการข้อมูลที่ช่วยให้องค์กรสามารถเข้าถึงและใช้ข้อมูลได้ง่ายขึ้น แต่ทั้งสองวิธีนี้มีจุดมุ่งหมาย และการทำงานที่แตกต่างกันเล็กน้อย ดังนี้

Data Fabric

Data fabric คือระบบที่เชื่อมโยงแหล่งข้อมูลต่าง ๆ ทั้งในคลาวด์, ในองค์กร (On-premises) และ อุปกรณ์ขอบเครือข่าย (Edge Devices) เข้าด้วยกัน ทำให้สามารถเข้าถึงข้อมูลแบบเรียลไทม์ได้ง่าย โดยไม่ต้องสนใจว่าข้อมูลมาจากไหน ระบบนี้ช่วยให้องค์กรจัดการข้อมูลขนาดใหญ่ได้อย่างมีประสิทธิภาพและเป็นหนึ่งเดียวกัน พร้อมทั้งมีฟีเจอร์ด้านการรักษาความปลอดภัย และการจัดการข้อมูลที่ครอบคลุมทั้งระบบ

Data Virtualization

Data Virtualization เป็นวิธีการเข้าถึงข้อมูลโดยไม่ต้องย้ายหรือคัดลอกข้อมูลจริง ๆ มันทำงานเป็นชั้นเสมือนที่รวบรวมข้อมูลจากแหล่งต่าง ๆ มาแสดงเหมือนอยู่ในที่เดียวกัน ทำให้การบูรณาการข้อมูลเร็วขึ้นและง่ายขึ้นโดยไม่ต้องทราบรายละเอียดทางเทคนิค เช่น ตำแหน่งหรือรูปแบบของข้อมูล การทำงานแบบนี้ช่วยลดเวลาในการเข้าถึงข้อมูลและลดความจำเป็นในการคัดลอกข้อมูล

สรุปง่าย ๆ คือ Data Fabric เป็นโครงสร้างใหญ่ที่รวมทุกอย่างเข้าด้วยกันเพื่อให้ข้อมูลไหลลื่นและปลอดภัย ขณะที่ Data Virtualization เป็นเครื่องมือที่ใช้ในการเข้าถึง และจัดการข้อมูลแบบไม่ต้องเคลื่อนย้ายข้อมูลจริง

บทสรุปเกี่ยวกับ Data Fabric (Data Fabric Conclusions)

Data Fabric เป็นแนวทางใหม่ในการจัดการข้อมูลที่ช่วยให้องค์กรสามารถจัดการข้อมูลที่ซับซ้อนได้อย่างมีประสิทธิภาพ โดยการรวมแหล่งข้อมูลที่แตกต่างกัน เพิ่มการเข้าถึงข้อมูล และจัดการความปลอดภัยและการกำกับดูแลข้อมูล การนำ Data Fabric มาใช้ไม่เพียงแต่เป็นการเปลี่ยนแปลงทางเทคโนโลยี แต่ยังเป็นกลยุทธ์สำคัญที่ช่วยให้การตัดสินใจทางธุรกิจมีประสิทธิภาพมากขึ้น