Blendata ชี้เทคโนโลยี Traditional AI vs Generative AI เลือกแนวทางไหนคุ้มค่ากับองค์กรมากที่สุด
นายณัฐนภัส รชตะวิวรรธน์ ประธานเจ้าหน้าที่บริหารและผู้ร่วมก่อตั้ง บริษัท เบลนเดต้า จำกัด เปิดเผยว่า ช่วงปีที่ผ่านมา เทรนด์การใช้ Generative AI (AI สร้างสรรค์) เป็นกระแสที่ถูกพูดถึงและมาแรงอย่างมาก ด้านภาคอุตสาหกรรมต่างตื่นตัวและมีแผนลงทุนเพื่อนำไปประยุกต์ใช้ในองค์กรมากขึ้น จากรายงานของ Gartner ระบุว่าในช่วงปีที่ผ่านมา Generative AI ถูกยกเป็นวาระของผู้บริหารองค์กร โดยในหลายองค์กรได้เริ่มนำร่องประยุกต์ใช้เทคโนโลยีนี้แล้ว อย่างไรก็ตาม Blendata มองว่าการประยุกต์ใช้ Generative AI มีความท้าทาย ใน 2 มิติสำคัญ ได้แก่
1.การลงทุนและค่าใช้จ่ายที่สูง การพัฒนาและการใช้ Generative AI ในช่วงแรกนั้นยังคงมีค่าใช้จ่ายที่สูงมาก ไม่ว่าจะเป็นการลงทุนกับเทคโนโลยี การบำรุงรักษาระบบ การเตรียมข้อมูลที่มีคุณภาพสูงและมีปริมาณมาก เพื่อให้โมเดลเรียนรู้ได้ดี ซึ่งการนำไปประยุกต์ใช้กับหลาย ๆ Use Cases อาจมีความเสี่ยงด้านต้นทุนที่สูงแต่ได้ผลลัพธ์ที่ไม่คุ้มค่า
2.ตัวเลือกผู้ให้บริการในตลาดยังมีน้อย ในปัจจุบันการพัฒนา Generative AI ยังเรียกได้ว่าอยู่ในช่วงเริ่มต้น ทำให้มีจำนวนผู้ให้บริการในตลาดเพียงไม่กี่ราย รวมถึงผู้ให้บริการที่ให้ใช้บริการฟรีที่มีประสิทธิภาพก็ยังมีจำนวนน้อย หากองค์กรตัดสินใจทำการลงทุนในช่วงแรกนี้โดยไม่วางแผนให้ถี่ถ้วนอาจทำให้ขาดทุนจากต้นทุนค่าบริการ Generative AI ที่สูงมากได้ ดังนั้นองค์กรจึงต้องพิจารณาและวางแผนอย่างรอบคอบ เพื่อไม่ให้การลงทุนสูญเปล่าทั้งด้านค่าใช้จ่าย เวลา และทรัพยากรบุคคล
จากประสบการณ์และความเชี่ยวชาญด้าน Big Data และ AI ของ Blendata จากงานทำงานร่วมกับองค์กรมากมายทั้งในไทยและต่างประเทศ รวมถึงการวิเคราะห์ข้อมูลมหาศาลจากหลายอุตสาหกรรม Blendata มองว่า Use Cases ด้าน Generative AI ที่คุ้มค่าแก่การลงทุนและมีการวัดผลแล้วว่าสามารถสร้างประโยชน์ได้จริง มีเพียง 3 Use Cases ดังต่อไปนี้
1.Virtual Assistant: ทดแทน Chatbot แบบดั้งเดิม
2.เพิ่มความสามารถระบบ Knowledge Management System (KMS) ขององค์กร
3.เพิ่มศักยภาพงานด้าน Day-to-Day Operation ขององค์กร เช่น ช่วยให้สามารถค้นหาข้อมูล ตรวจสอบและนำเสนอข้อมูลได้อย่างรวดเร็วและแม่นยำมากขึ้น รวมถึงการสร้างเนื้อหาเอกสาร และสร้างรายงานโดยการทำงานแบบอัตโนมัติ เป็นต้น
จากมุมมองของ Blendata นั้น การประยุกต์ใช้ Generative AI โดยทันทีอาจยังมีข้อจำกัดและได้ผลลัพธ์ที่ไม่คุ้มค่า แนะองค์กรพิจารณาเทคโนโลยี ANI (Artificial Narrow Intelligence) หรือ Traditional AI (AI แบบดั้งเดิม) ควบคู่กัน เพื่อเลือกแนวทางที่เหมาะสมกับองค์กรมากที่สุด โดยเฉพาะอย่างยิ่งองค์กรที่มองหาการใช้งานจริงในทันทีและผลลัพธ์ที่วัดผลได้ในต้นทุนที่เหมาะสม การเริ่มต้นด้วย ANI อาจตอบโจทย์มากกว่า เทคโนโลยี ANI ได้รับการออกแบบมาให้เรียนรู้งานหรือโดเมนที่เฉพาะเจาะจง โดยนำเสนอโซลูชันที่ได้รับการปรับให้เหมาะสมและมีประสิทธิภาพสูงเฉพาะด้าน อีกทั้งยังมีเทคโนโลยีที่ชาญฉลาดให้เลือกใช้อย่างหลากหลายในตลาด เช่น Machine Learning, Neural Network หรือ Deep Learning เป็นต้น โดย ANI มีข้อพิสูจน์อย่างเป็นรูปธรรมจาก Case Study ของบริษัทระดับโลกมากมาย ไม่ว่าจะเป็น Netflix, Starbucks, Facebook, Tesla, Apple และอื่น ๆ อีกมากมาย ที่ล้วนแล้วแต่นำเทคโนโลยี AI มาปรับใช้เพื่อเพิ่มประสิทธิภาพให้กับธุรกิจในรูปแบบต่าง ๆ ยกตัวอย่าง Use Cases ที่น่าสนใจ ดังนี้
1.ระบบการแนะนำ (Recommendation Systems): ANI ขับเคลื่อนอัลกอริทึมระบบการแนะนำของแพลตฟอร์มสตรีมมิ่งต่าง ๆ เช่น สตรีมมิ่งภาพยนตร์ เพลง เว็บไซต์อีคอมเมิร์ซ หรือเครือข่ายโซเชียลมีเดีย โดยระบบ ANI จะทำการวิเคราะห์พฤติกรรมและความชอบของผู้ใช้ และแนะนำเนื้อหา ผลิตภัณฑ์ หรือบริการแบบรายบุคคล เพื่อปรับปรุงประสบการณ์ผู้ใช้และเพิ่มการมีส่วนร่วมมากขึ้น
2.การตรวจจับการฉ้อโกงและเพิ่มความปลอดภัย (Fraud Detection and Security Enhancement): ANI ปรับปรุงระบบการตรวจจับการฉ้อโกงในอุตสาหกรรมธนาคาร การเงิน และช่วยเพิ่มความปลอดภัยทางไซเบอร์ ด้วยการวิเคราะห์รูปแบบและความผิดปกติในชุดข้อมูลขนาดใหญ่ ANI สามารถระบุกิจกรรมการฉ้อโกง ตรวจจับพฤติกรรมที่น่าสงสัย และปรับปรุงมาตรการรักษาความปลอดภัยโดยรวมได้อย่างทันท่วงทีและมีประสิทธิภาพ
3.การวิเคราะห์เชิงคาดการณ์ (Predictive Analytics): ANI สามารถวิเคราะห์เชิงคาดการณ์โดยการวิเคราะห์ข้อมูลในอดีตเพื่อคาดการณ์แนวโน้ม ผลลัพธ์ หรือพฤติกรรมในอนาคต ความสามารถนี้ถูกนำไปใช้กับการทำงานในอุตสาหกรรมต่าง ๆ เช่น การเงิน (การคาดการณ์ตลาดหุ้น) การดูแลสุขภาพ (การคาดการณ์การระบาดของโรค) และการตลาด (การคาดการณ์พฤติกรรมลูกค้า) เป็นต้น
4.การปรับปรุงกลยุทธ์ทางการตลาด (Personalization in Marketing): ANI สามารถปรับแต่งเนื้อหา โฆษณา และข้อเสนอส่งเสริมการขายตามความต้องการส่วนบุคคล โดยประมวลผลจากข้อมูลประชากร และการโต้ตอบในอดีต เพื่อช่วยปรับปรุงการมีส่วนร่วมของลูกค้าและสร้างโอกาสในการเพิ่มยอดขายมากยิ่งขึ้น
5.การเพิ่มประสิทธิภาพห่วงโซ่อุปทาน (Supply Chain Optimization): ANI เพิ่มประสิทธิภาพการจัดการห่วงโซ่อุปทาน โดยการวิเคราะห์ข้อมูลที่เกี่ยวข้องกับสินค้าคงคลัง การคาดการณ์ความต้องการ โลจิสติกส์การขนส่ง และประสิทธิภาพของซัพพลายเออร์ ช่วยให้สามารถปรับปรุงการดำเนินงานที่ติดปัญหา ลดเวลาการทำงาน ลดต้นทุน และเพิ่มประสิทธิภาพการทำงานให้เกิดประโยชน์สูงสุด
6.การบำรุงรักษาเชิงคาดการณ์ในภาคอุตสาหกรรมการผลิต (Predictive Maintenance): ANI ใช้ข้อมูลเซ็นเซอร์และข้อมูลประวัติการบำรุงรักษา เพื่อคาดการณ์แนวโน้มความเสียหายของเครื่องจักรล่วงหน้า ช่วยลดความเสี่ยงของเหตุการณ์เครื่องจักรหยุดทำงานที่ไม่ได้วางแผนไว้ล่วงหน้า ลดเวลาในการซ่อมบำรุงโดยการแก้ไขอย่างทันท่วงที ลดค่าใช้จ่ายในการซ่อมแซม และเพิ่มประสิทธิภาพของการผลิตในอุตสาหกรรม
7.การแบ่งกลุ่มลูกค้าและวิเคราะห์ลูกค้าเชิงลึก (Customer Segmentation & Analytics) : ANI ใช้ข้อมูลลูกค้าที่เกี่ยวข้อง เช่น ประวัติการซื้อ พฤติกรรมการใช้งานเว็บไซต์ หรือข้อมูล Demographics เพื่อแบ่งกลุ่มลูกค้าออกเป็นกลุ่มที่คล้ายคลึงกัน ทำให้องค์กรสามารถสร้างกลยุทธ์การตลาดและการขายที่เชื่อถือได้และตอบสนองต่อความต้องการของกลุ่มลูกค้าแต่ละกลุ่มได้เป็นอย่างดี ทำให้เพิ่มโอกาสในการสร้างรายได้และความพึงพอใจของลูกค้า ช่วยลดทรัพยากรด้านเงินและเวลาจากการทำการตลาดที่ไม่จำเป็น และเพิ่มประสิทธิภาพกลยุทธ์การตลาดและการขายที่ตรงกลุ่มเป้าหมายมากยิ่งขึ้น
อย่างไรก็ตามการเลือกระหว่าง ANI และ Generative AI หรือการตัดสินใจใช้งานทั้งสองอย่าง ขึ้นอยู่กับปัจจัยต่าง ๆ ขององค์กร เช่น วัตถุประสงค์ทางธุรกิจ ทรัพยากรที่มีอยู่ ความพร้อมทางเทคโนโลยี และข้อกำหนดเฉพาะของอุตสาหกรรม ธุรกิจควรประเมินความต้องการอย่างถี่ถ้วน พิจารณาถึงประโยชน์และความท้าทายที่อาจเกิดขึ้นของแต่ละแนวทาง รวมถึงผลตอบแทนในการลงทุน (Return on investment;ROI) และพัฒนากลยุทธ์ที่สอดคล้องกับเป้าหมายและลำดับความสำคัญระยะยาว
แหล่งข้อมูล