ข่าวสารและบทความล่าสุด

โจทย์ใหญ่และการประยุกต์ใช้ AI ในองค์กร

ในช่วงนี้โจทย์ใหญ่ของแทบทุกองค์กรคงหนีไม่พ้นเรื่องของการนำ AI มาประยุกต์ใช้ให้เกิดประโยชน์ในองค์กรให้ได้มากที่สุด แรงขับเคลื่อนไม่ว่าจะจากฝั่งของระดับบอร์ดหรือผู้บริหาร หรือแรงความต้องการจากพนักงานในระดับปฏิบัติการ ล้วนมุ่งไปสู่การเพิ่มรายได้ ลดต้นทุน เพิ่มประสิทธิภาพการทำงานจากการนำเอา AI มาใช้ประโยชน์ หนึ่งในคำถามสำคัญก็คือแล้วเราจะมีแผนการหรือยุทธศาสตร์อย่างไรในการที่จะนำเอา AI มาประยุกต์ใช้กับในองค์กร

ยุทธศาสตร์ด้าน AI คือะไร?

ยุทธศาสตร์ด้าน AI คือการกำหนดทิศทางการประยุกต์ใช้ AI ในองค์กร รวมถึงการบริหารความเสี่ยงจาก AI เพื่อสนับสนุนภารกิจหลักขององค์กร โดยยุทธศาสตร์ด้าน AI จะต้องสอดคล้องกับยุทธศาสตร์ด้านข้อมูลและสนับสนุนยุทธศาสตร์องค์กรโดยมีธรรมาภิบาล AI และธรรมาภิบาลข้อมูลเป็นรากฐานสำคัญ มาตรงนี้อาจจะมีคำถามว่าทำไมเรื่องของข้อมูลจึงมีความสำคัญมากกับเรื่องของ AI คำตอบง่ายง่ายก็คือว่า AI จะเป็น AI ที่ตอบโจทย์องค์กรได้จะต้องผ่านกระบวนการ data training และมีความจำเป็นที่จะต้องนำข้อมูลที่มีคุณภาพขององค์กรมาช่วย train AI นั่นเอง และในสาขาย่อยของ AI ไม่ว่าจะเป็น Machine Leaning หรือ Deep Learning ก็มีความจำเป็นต้องเรียนรู้จากข้อมูลทั้งสิ้น พูดง่ายๆ ก็คือถ้าเราต้องการที่จะได้ AI ที่มีคุณภาพตอบโจทย์องค์กร เราก็ต้องให้เขาเรียนรู้จากข้อมูลที่มีคุณภาพในองค์กรเรานั่นเอง

ทำไมต้องมียุทธศาสตร์ด้าน AI? ระวังจาก Data สู่ AI silo

การขับเคลื่อนด้าน AI ก็คงไม่ต่างจากการขับเคลื่อนด้านอื่นๆ ถ้าหากทำอย่างไม่มียุทธศาสตร์ก็มีโอกาสที่ โครงการต่างๆจะขาดความเชื่อมโยงและสอดคล้องกับเป้าหมายขององค์กร ซึ่งก็จะตามมาด้วยผลลัพธ์ที่ไม่เป็นไปตามที่ตั้งเป้าหมายไว้ รวมถึงการใช้เม็ดเงินลงทุน บุคลากร และเวลาไม่คุ้มค่า และด้วยธรรมชาติของเทคโนโลยี AI ที่มีการเปลี่ยนแปลงอย่างรวดเร็ว เราคงไม่อยากที่จะใช้ AI usecases ที่กำลังจะตกยุค ไม่สามารถพัฒนาต่อยอดสำหรับอนาคตได้ หรือเป็น usecase ที่ไม่สามารถทำงานเองได้ (automate)

องค์กรที่ต้องการขับเคลื่อนด้าน AI ในปัจจุบัน หลายๆ องค์กรได้เริ่มทำไปแล้ว ซึ่งเป็นเรื่องที่ดีนะครับแสดงถึงความตื่นตัว แต่ในภาพใหญ่ เราคงต้องมาคุยกันว่าในระยะต่อไป เราจะเอายังไงกันต่อ ถ้าต่างคนต่างใช้ มีโอกาสสูงที่จะเห็นเหตุการณ์ประเภท หน่วยงานย่อยๆในแต่ละองค์กร มีการใช้ AI usecase หลายรูปแบบ แต่สิ่งที่ต้องระวังก็คือเราอาจจะมี AI usecases เต็มไปหมด แต่กลายเป็น AI silo คือต่างคนต่างทำ ลงทุนซ้ำซ้อน ใช้ทรัพยากรไม่คุ้มค่า และในท้ายที่สุดไม่สอดคล้องกับเป้าหมายขององค์กร

ซึ่งผมเชื่อว่า AI silo เป็นสิ่งที่องค์กรณ์ต่างๆ ไม่อยากเห็น เพราะ AI Silo หมายถึงการใช้งานที่ไม่เกิดการบูรณาการ ไม่เป็นระบบ และในแง่งบประมาณเนื่องจากต้นทุนการใช้ AI ค่อนข้างสูง การมี AI silo หมายถึงองค์กรต้องมีต้นทุนเพิ่มขึ้นอย่างมาก ในขณะที่หน่วยงานต่างๆ ขาดการประสานงานกัน (Synergy) และการประหยัดต่อขนาด (Economy of scale) ไม่เกิดขึ้น

บทบาทของ AI strategy เพื่อสนับสนุนยุทธศาสตร์องค์กร

ผมเชื่อว่าหนึ่งในคำถามสำคัญของทุกคนในองค์กรต่างๆตอนนี้ก็คือ ยุทธศาสตร์ที่ใช้อยู่ในปัจจุบันยังสามารถใช้ได้อย่างมีประสิทธิภาพหรือเปล่าในยุคที่ AI กำลังจะเข้ามา เปลี่ยนรูปแบบและพฤติกรรมของคนส่วนใหญ่ ซึ่งต้องทำให้องค์กรมีการปรับตัวตามด้วย ซึ่งประเด็นนี้จะทำให้การทำยุทธศาสตร์ AI ช่วยเป็นการทบทวนยุทธศาสตร์ขององค์กร ให้ทันสถานการณ์ในอนาคตอันใกล้ โดยยุทธศาสตร์จะยังเกี่ยวข้องอยู่ ก็ต่อเมื่อเป็นยุทธศาสตร์ที่ทำให้องค์กรปรับตัวก่อนที่จะโดนทำร้ายหรือทำลายในที่สุด โดยคำกล่าวที่ว่า Disrupt befor being disrupted ยังคงใช้ได้กับทุกยุคแห่งการเปลี่ยนแปลง

นอกจากนั้นเราอาจที่จะต้องยอมเจ็บในบางภาคส่วนขององค์กร และในบางเวลา เพื่อที่จะแลกกับการปรับโมเดลทางธุรกิจให้เข้ากับยุค AI ซึ่งจริงๆแล้วการยอมเจ็บบางส่วนเพื่อการเปลี่ยนแปลงก็ไม่ใช่เรื่องใหม่อะไรถ้าเราจำกันได้ในยุคหนึ่ง Apple ก็ยอมที่จะหยุด Ipod เพื่อให้ Iphone แจ้งเกิดได้

หรือในตัวอย่างของ Google เอง ที่แม้จะมีรายได้มหาศาลจาก Search engines และ Google Ads ( 58% ของรายได้ Google ในปี 2022 มาจาก Google Ads) แต่ Google ก็เลือกที่จะยอมรับการมาของ AI และพัฒนา Gemini ซึ่งเป็น Multimodal LLM ขึ้นมา เพื่อที่จะให้เติบโตไปกับกระแส AI ในอนาคต

อีกหนึ่งตัวอย่างคือ Disney หลังจากที่ยอมให้ Netflix เป็นเจ้าแห่ง Streaming subcription business มาหลายปี Disney ได้ปรับตัวครั้งใหญ่กระโดดเข้าสู่ธุรกิจด้านนี้มีทั้ง Disney+, Star+, และ Hotstrar (จากข้อมูลในปี 2024 แม้กลุ่ม Disney จะยังมีจำนวน subscribers (ประมาณ 200 ล้านคน) ที่ยังน้อยกว่า Netflix (ประมาณ 300 ล้านคน) แต่ก็แสดงถึงการปรับตัวอย่างเต็มที่เพื่อจะเติบโตไปกับกระแสด้าน AI)

โดย AI สามารถที่จะสร้างโอกาสทางธุรกิจใหม่รวมถึงสร้างทางเลือกให้กับผู้บริโภคให้ละเอียดมากขึ้นรวมถึงมีช่องทางมากขึ้น ในยุคปัจจุบันคงเป็นที่ยอมรับแล้วว่าไม่ว่าธุรกิจในอุตสาหกรรมใดก็ตามสามารถที่จะสร้างกลยุทธ์ทางด้านราคา ความเข้าใจพฤติกรรมของลูกค้า เจาะกลุ่มลูกค้าให้ตรงเป้าหมายได้อย่างมีประสิทธิภาพ รวมถึงสร้างกลยุทธ์ทำธุรกิจใหม่ใหม่เพื่อ เพิ่มความสามารถในการแข่งขัน เมื่อมี AI เข้ามาช่วย

อย่างไรก็ตามก็ยังมีความท้าทายทั้งในด้านของเทคโนโลยี โครงสร้างพื้นฐาน รวมถึง การค้นหาข้อมูล ที่เกี่ยวข้องเพื่อสร้าง AI ที่ตอบโจทย์องค์กร และมีการใช้ข้อมูลอย่างมีธรรมาภิบาล

ทำไมต้องทำยุทธศาสตร์ข้อมูลควบคู่ไปกับยุทธศาสตร์ด้าน AI?

ในบทความครั้งที่แล้วผมได้พูดถึงว่าปัจจัยสำคัญในการขับเคลื่อน AI transformation คือระบบการประมวลผลที่มีมีพลังสูงขึ้นมาก และข้อมูลจำนวนมหาศาลที่ถูกสร้างขึ้นและจัดเก็บได้ แต่การมีข้อมูลปริมาณมากเพียงอย่างเดียวก็ไม่ได้การันตีว่า เราจะได้ AI ที่มีความรอบรู้เพื่อตอบโจทย์องค์กรได้คุณภาพของข้อมูลเป็นปัจจัยสำคัญที่จะทำให้การขับเคลื่อนของเอไอเป็นการขับเคลื่อนเพื่อตอบโจทย์องค์กรของเราจริงๆและนี่คือที่มาว่าทำไมยุทธศาสตร์และธรรมาภิบาลข้อมูลจึงมีความสำคัญมากๆในการขับเคลื่อนด้านเอไอ

จากการศึกษาของ บริษัท Scale Ai พบว่าบริษัท ด้านเทคโนโลยีชั้นนำของโลก มีสัดส่วนในการลงทุนด้าน AI ประกอบไปด้วยระบบประมวลผล 60% ข้อมูล 30% และอีก 10% ลงทุนในเรื่องของ Algorithm ตัวเลขนี้ก็สะท้อนให้เห็นว่าในการที่จะขับเคลื่อนด้าน AI คงไม่ใช่แค่เน้นเรื่องของฮาร์ดแวร์เพื่อมาเพิ่มประสิทธิภาพการประมวลผลหรือเน้นไปที่การเขียน coding โดยปราศจากการนำเอาข้อมูลที่มีคุณภาพ มาช่วยสอน

ในส่วนของธรรมาภิบาลข้อมูลเอง การมีข้อมูลคุณภาพสามารถเข้าถึงได้เป็นรากฐานสำคัญในการสร้างและ สอน Model AI ที่แม่นยำและเชื่อถือได้ นอกจากนั้นข้อมูลที่ถูกนำมาใช้จะต้องมีการรักษาความปลอดภัยและความเป็นธรรมโดยการจัดการบริหารข้อมูลที่ดีจะช่วยให้มั่นใจว่าข้อมูลถูกใช้ภายใต้กรอบจริยธรรมความปลอดภัยและเป็นไปตามมาตรฐานและกฎหมาย และเมื่อมีการทำธรรมาภิบาลข้อมูลและ AI ที่ดีแล้ว การนำ AI มาใช้ประโยชน์ ก็มีโอกาสที่จะสร้างคุณค่าให้แก่องค์กร (Business value) รวมถึงการบริหารความเสี่ยงด้าน AI (AI Risk Management) อย่างถูกต้องและเหมาะสมด้วย

AI Usecase ต้อง Scale ได้ เพื่อการขับเคลื่อนที่คุ้มค่าและมีประสิทธิภาพ

กรณีการใช้งาน AI หรือ AI usecase ที่ประสบความสำเร็จจะต้องสามารถปรับขนาดได้ (Scalable) เพื่อให้สามารถเติบโตจากโครงการนำร่องขนาดเล็กไปสู่ Solutions ขนาดใหญ่ระดับองค์กร ความสามารถในการปรับขนาด (Scalability) ทำให้มั่นใจได้ว่าระบบสามารถรองรับปริมาณข้อมูล ผู้ใช้ และภาระงานที่เพิ่มขึ้นได้ โดยไม่สูญเสียประสิทธิภาพ ความแม่นยำ หรือความคุ้มค่า หากไม่มีการออกแบบที่ปรับขนาดได้ โครงการ AI มักจะล้มเหลวเมื่อเผชิญกับความต้องการในโลกแห่งความเป็นจริง โดยมีรายละเอียดที่เราจำเป็นต้องมี AI ที่ Scale ได้ดังนี้

การเติบโตทางธุรกิจและความต้องการที่เปลี่ยนแปลงไป (Business growth and evolving needs)

• รองรับผู้ใช้ได้มากขึ้น: เมื่อธุรกิจเติบโต แอปพลิเคชัน AI จะต้องรองรับฐานลูกค้าที่ใหญ่ขึ้นหรือพนักงานภายในองค์กรได้มากขึ้น ตัวอย่างเช่น ระบบแนะนำสินค้าของอีคอมเมิร์ซต้องปรับขนาดเพื่อนำเสนอเนื้อหาส่วนบุคคล (Personalize) ให้กับผู้ใช้จำนวนมากได้โดยไม่เกิดความล่าช้า
• จัดการกับปริมาณข้อมูลที่เพิ่มขึ้น: ระบบ AI ต้องการข้อมูลจำนวนมาก ด้วยการเพิ่มขึ้นของข้อมูลแบบก้าวกระโดด ระบบที่ปรับขนาดได้จึงจำเป็นต่อการนำเข้า จัดเก็บ และวิเคราะห์ชุดข้อมูลที่ใหญ่ขึ้นเรื่อย ๆ ได้อย่างมีประสิทธิภาพสำหรับการฝึกอบรม (Training) และการอนุมาน (Inference)
• เปิดใช้งานกรณีการใช้งานใหม่: สถาปัตยกรรม AI ที่ปรับขนาดได้มีความยืดหยุ่นเพียงพอที่จะปรับเปลี่ยนเพื่อวัตถุประสงค์ใหม่ ๆ ได้โดยไม่ต้องเสียค่าใช้จ่ายในการสร้างใหม่ทั้งหมด ระบบ AI ที่ทรงพลังเพียงระบบเดียวสามารถขยายไปใช้ในหลายแผนกสำหรับงานที่แตกต่างกัน เช่น การยกระดับการบริการลูกค้า การตลาด หรือการเงิน
• สร้างความมั่นใจในอายุการใช้งานที่ยาวนาน: กรณีการใช้งาน AI ที่ปรับขนาดได้คือการป้องกันความเสี่ยงในอนาคต (Future-proof) ได้รับการออกแบบมาเพื่อปรับให้เข้ากับเทคโนโลยีใหม่ ๆ และข้อกำหนดทางธุรกิจที่เปลี่ยนแปลงไป ทำให้เกิดผลตอบแทนจากการลงทุนในระยะยาว

การเพิ่มประสิทธิภาพด้านต้นทุนและประสิทธิผล (Cost and efficiency optimization)

• เพิ่มผลตอบแทนจากการลงทุนสูงสุด (Maximizes ROI): การลงทุนใน AI ที่ Scale ได้ช่วยป้องกันการออกแบบใหม่ที่ต้องใช้ค่าใช้จ่ายและเวลามาก ซึ่งระบบที่ไม่สามารถ scale ได้จำเป็นต้องทำเมื่อถึงขีดจำกัดความสามารถ
• เพิ่มประสิทธิภาพการจัดสรรทรัพยากร: ระบบที่ scale ได้จะจัดสรรทรัพยากรการประมวลผลแบบ Dynamic โดยใช้เฉพาะสิ่งที่จำเป็นในขณะนั้น ความยืดหยุ่นนี้ช่วยลดการจัดสรรทรัพยากรมากเกินไป (Over-provisioning) และลดต้นทุนโครงสร้างพื้นฐาน
• ลดความไม่มีประสิทธิภาพในการดำเนินงาน: ระบบ AI ที่ไม่สามารถ scale ได้มักประสบปัญหาความล่าช้า มีคอขวด (bottle neck) ด้านประสิทธิภาพ และค่าบำรุงรักษาที่สูง กระบวนงาน (process) ที่ scale ได้จะปรับเปลี่ยนตามความต้องการแบบ Dynamic มีความยืดหยุ่นสูงทำให้มั่นใจได้ถึงการดำเนินงานที่ราบรื่น

ความได้เปรียบในการแข่งขัน (Competitive advantage)

• ยกระดับประสบการณ์ของลูกค้า: AI ที่ scale ได้สามารถมอบประสบการณ์ส่วนบุคคล (Personalization) ที่สม่ำเสมอและมีคุณภาพสูงสำหรับฐานผู้ใช้ที่เติบโตขึ้น ตัวอย่าง เช่น Netflix ใช้กลไกการแนะนำที่ scale ได้เพื่อปรับแต่งเนื้อหาสำหรับสมาชิกหลายร้อยล้านคน
• สนับสนุนการตัดสินใจที่ดีขึ้น: เมื่อมีข้อมูลมากขึ้น ระบบ AI ที่ scale ได้สามารถปรับปรุงข้อมูลเชิงลึกได้อย่างต่อเนื่อง ทำให้ธุรกิจสามารถตัดสินใจที่ขับเคลื่อนด้วยข้อมูลได้อย่างแม่นยำยิ่งขึ้น
• เพิ่มความเร็วในการออกผลิตภัณฑ์หรือบริการใหม่ (Improves time to market): กรอบงาน AI ที่ scale ได้ช่วยให้สามารถปรับใช้โมเดลและฟีเจอร์ใหม่ ๆ ได้อย่างรวดเร็ว ทำให้องค์กรสามารถเปิดตัวความสามารถใหม่ ๆ ได้อย่างรวดเร็วเพื่อนำหน้าคู่แข่ง