อดัม อาสควินี ผู้อำนวยการฝ่ายจัดการข้อมูลและการวิเคราะห์ข้อมูลที่ KPMG – ซีรีส์สัมภาษณ์

อดัม อาสควินี เป็นผู้อำนวยการฝ่ายจัดการสารสนเทศและการวิเคราะห์ข้อมูลของ KPMG ในเอดมันตัน เขานำโครงการข้อมูลและการวิเคราะห์ขั้นสูงให้ลูกค้าในภูมิภาคแพรรีของแคนาดา และมุ่งสร้างทีมประสิทธิภาพสูงเพื่อส่งมอบผลลัพธ์ที่ดีที่สุดแก่ลูกค้า พร้อมสร้างประสบการณ์ทำงานที่น่าสนใจให้ทีม ก่อนหน้านี้เขาเป็นรองประธานฝ่ายโซลูชันลูกค้าของ AltaML ผู้จัดการโครงการของรัฐบาลอัลเบอร์ตา และนายทหารสื่อสารในกองทัพแคนาดา ด้วยเส้นทางสู่วงการ AI ที่ไม่ธรรมดา เขาจึงเชื่อในคุณค่าของความหลากหลายและประสบการณ์จากทีมข้ามสายงาน รวมทั้งเชื่อว่าทุกคนเข้าร่วมชุมชน AI ที่กำลังเติบโตได้

เราสัมภาษณ์อดัมในงานประชุม AI ประจำปี 2023 Upper Bound ที่เอดมันตัน อัลเบอร์ตา จัดโดย Amii หรือสถาบันปัญญาเครื่องจักรแห่งอัลเบอร์ตา

คุณมีเส้นทางอาชีพที่ไม่ธรรมดา เข้าสู่วงการ AI ได้อย่างไร?ผมเริ่มจากการเป็นนายทหารสื่อสารในกองทัพแคนาดา เราดูแลระบบไอทีและโทรคมนาคมที่ช่วยให้ผู้คนติดต่อกัน โดยมีทั้งวิทยุและดาวเทียมจำนวนมาก งานเกี่ยวข้องกับข้อมูลบ้าง แต่ส่วนใหญ่เป็นเทคโนโลยีโครงสร้างพื้นฐานหลัก นั่นเป็นจุดเริ่มต้นด้านเทคโนโลยีของผม ที่มหาวิทยาลัยผมเรียนวิศวกรรมเคมี โดยมีความอยากรู้อยากเห็นและความต้องการเรียนรู้เป็นแรงผลักดันมาตั้งแต่แรก การเพิ่มทักษะเทคโนโลยีและพัฒนาตนเองจึงสำคัญมาก

ตลอด 14 ปีในกองทัพ ผมทำงานสื่อสารหลายอย่าง ทั้งประจำฐาน สนับสนุนไอทีและโทรคมนาคมภาคสนาม ตั้งกองบัญชาการและติดต่อหน่วยแนวหน้า รวมถึงช่วยปฏิบัติการภายในประเทศเมื่อเกิดไฟป่าและน้ำท่วม จากนั้นย้ายไปทำงานรัฐบาลอัลเบอร์ตา ดูแลโครงการเทคโนโลยีระหว่างหน่วยงาน ช่วงนั้นรัฐบาลกำลังรวมศูนย์ไอที เราประสานกระทรวงต่าง ๆ เพื่อนำบริการมารวมกัน ผมทำงานด้านนี้มากและดูแลการลงทุนด้วย จึงเริ่มเห็นองค์กรนำข้อมูลและการวิเคราะห์มาใช้

สิ่งนั้นกระตุ้นความสนใจ ผมเข้าร่วมโครงการที่เกี่ยวข้องและเรียนด้วยตนเองผ่าน Coursera หรือเครื่องมือฝึกอบรมอื่น อ่านมากและศึกษาผู้ให้บริการกับแพลตฟอร์มต่าง ๆ ความสนใจในข้อมูลและการวิเคราะห์เพิ่มขึ้น ความอยากรู้อยากเรียนทำให้ผมเข้ามามีส่วนร่วมมากขึ้นเรื่อย ๆ

นอกจาก Coursera มีพอดแคสต์หรือหนังสือที่แนะนำไหม?ผมติดตามหลายคนและหลายองค์กรบน LinkedIn ชื่อหนึ่งที่นึกถึงคือ Emerj ซึ่งมี Dan Faggella อยู่เบื้องหลังและนำเสนอมุมมองเชิงลึกมากมาย ผมติดตามสื่อหลักอย่าง HBR และ Forbes ด้วย คนรู้จักของผมคือ Andreas Welsch ที่ทำงาน SAP เขาเผยแพร่เนื้อหาเรื่อง AI และการนำ AI มาใช้อยู่มาก ผมฟังพอดแคสต์บ้างและอ่านหนังสือ หนังสือดีที่เพิ่งอ่านคือ Infonomics ของ Doug Laney ผู้เคยทำงานที่ Gartner และ MIT หนังสืออธิบายกรอบการสร้างรายได้และมูลค่าทางเศรษฐกิจจากข้อมูลได้ดี ผมพยายามเรียนรู้จากแหล่งต่าง ๆ ให้มากที่สุดและทำโครงการเพื่อเพิ่มประสบการณ์

ประสบการณ์ทหารช่วยบทบาทปัจจุบันอย่างไร?ช่วยหลายด้าน ทักษะพื้นฐานที่ได้คือการวางแผนอย่างมีโครงสร้าง การจัดการเวลาและลำดับความสำคัญ สภาพแวดล้อมทหารบังคับให้รู้ว่าอะไรสำคัญที่สุด ทำงานตามจังหวะที่กำหนด ประเมินสิ่งที่ต้องแลก และวางแนวทางปฏิบัติที่ทำได้จริงเพื่อเดินหน้าต่อ ในวงการ AI ที่เปลี่ยนเร็ว ความสามารถประมวลผลข้อมูลจำนวนมากและคิดเป็นระบบว่าอะไรสำคัญ อะไรไม่สำคัญ และควรโฟกัสตรงไหน มีประโยชน์มาก

อีกด้านคือภาวะผู้นำและการทำงานเป็นทีม ในองค์กรใหญ่และภาคสนาม ทีมถูกจัดและจัดใหม่อยู่เสมอเพื่อรวมคนที่เหมาะสมกับภารกิจ ทักษะมนุษยสัมพันธ์ ภาวะผู้นำ และการสื่อสารถูกเน้นมากในการฝึกทหาร และผมได้นำมาใช้ในงานปัจจุบัน

คุณเป็นรองประธานฝ่ายโซลูชันลูกค้าของ AltaML มากกว่าสองปี บริษัททำอะไรและมีโครงการใดน่าสนใจ?

AltaML เป็นบริษัท AI และแมชชีนเลิร์นนิงประยุกต์ มีสำนักงานใหญ่ในเอดมันตัน อัลเบอร์ตา มีสำนักงานขนาดใหญ่ในคาลการี และมีสำนักงานในโตรอนโต บริษัททำงานแบบธุรกิจกับธุรกิจเพื่อพัฒนาซอฟต์แวร์และผลิตภัณฑ์ที่มี AI เป็นแกนหลัก ผมอยู่ฝ่ายบริการ ทำงานกับบริษัทน้ำมันและก๊าซ สถาบันการเงิน และอุตสาหกรรมอื่น ๆ เราช่วยกำหนดปัญหาธุรกิจที่เหมาะกับ AI และแก้แล้วเกิดผลจริง จากนั้นรวบรวมข้อมูล สร้างและนำโมเดลไปใช้ พร้อมจัดการการเปลี่ยนแปลงเพื่อให้โซลูชันทำงานและถูกใช้งานจริง

ผมเริ่มเป็นผู้จัดการโครงการ AI หลายโครงการ แล้วเลื่อนมารับตำแหน่งรองประธานฝ่ายโซลูชันลูกค้า ดูแลการดำเนินงานและส่งมอบโครงการ จัดการทรัพยากร และบริหารความสัมพันธ์ลูกค้าเชิงรุก งานที่ต้องติดต่อกับลูกค้าหลายส่วนอยู่ในความรับผิดชอบของทีมผม

ตลอดสองปีครึ่ง ผมมีส่วนร่วมกับโครงการ AI หลายสิบโครงการ ทั้งเป็นผู้จัดการโดยตรง ผู้ให้คำแนะนำ หรือฝ่ายประกันคุณภาพ หนึ่งในโครงการโปรดคือไฟป่า ซึ่งทำร่วมกับทางอัลเบอร์ตา ในวันที่ความเสี่ยงไฟป่าอยู่ระดับปานกลาง พวกเขาไม่แน่ใจว่าบางพื้นที่จะเกิดไฟหรือไม่ จึงจัดทรัพยากรที่มีทั้งหมดไว้ รวมถึงจ้างเพิ่มทั้งรถปราบดิน เครื่องบิน และเฮลิคอปเตอร์ ซึ่งมีค่าใช้จ่ายสูง

โครงการ AI ต้องการคาดการณ์ความน่าจะเป็นที่จะเกิดไฟในแต่ละพื้นที่ในวันถัดไป เพื่อช่วยตัดสินใจจัดทรัพยากรให้เหมาะสมในกระบวนการเตรียมรับมือก่อนเกิดไฟ หรือการวางแผนและจัดสรรทรัพยากรเชิงรุก

น่าสนใจมากที่บางสถานการณ์ลดทรัพยากรหรือใช้เฉพาะบางช่วงเวลาได้ โดยไม่เพิ่มความเสี่ยงพลาดการตรวจพบไฟอย่างมีนัยสำคัญ และมีศักยภาพประหยัดเงินหลายล้านดอลลาร์ งานยังดำเนินต่อ ปัจจุบันกำลังศึกษาการขยายช่วงพยากรณ์และแบ่งเขตให้เล็กละเอียดขึ้นเพื่อเพิ่มประสิทธิภาพ เมื่อดูฤดูไฟป่าในอัลเบอร์ตาปีนี้ ข้อมูลล่วงหน้าว่าจุดใดเสี่ยงและช่วยปรับหรือย้ายทรัพยากรไปยังที่เหมาะสมย่อมส่งผลมาก ผมสนุกและเห็นคุณค่าของงานนี้

ผมยังทำงานประมวลผลคำขอสินไหมประกัน เมื่อบริษัทได้รับคำขอหลายพันรายการ ต้องดูว่ารายการใดอนุมัติอัตโนมัติได้ รายการใดต้องให้คนตรวจ หรือควรส่งไปทีมใดเพื่อการพิจารณาที่เหมาะสม งานเช่นนี้สำคัญและช่วยลดทั้งภาระงานและค่าใช้จ่ายขององค์กรได้มาก

ปัจจุบันคุณเป็นผู้อำนวยการฝ่ายจัดการสารสนเทศและการวิเคราะห์ข้อมูลของ KPMG บทบาทนี้ครอบคลุมอะไร?ผมช่วยธุรกิจแก้ปัญหาผ่านความสามารถด้านข้อมูลและการวิเคราะห์ที่กว้างขึ้น ตั้งแต่กลยุทธ์ข้อมูล การจัดระเบียบและรวมข้อมูลจากระบบแยกส่วน การรายงานและวิเคราะห์ ไปจนถึง AI และ ML บทบาทกว้างกว่าเดิม แต่เป็นสิ่งที่น่าตื่นเต้นและเติมแรงในการเรียนรู้และพัฒนาตนเอง

ในฐานะผู้อำนวยการ ผมมักให้คำปรึกษาผู้นำระดับสูงของลูกค้า ช่วยเข้าใจสิ่งที่ต้องใช้ รูปแบบโครงการ และการเตรียมพร้อม เราเน้นการนำไปใช้งาน โดยเฉพาะระบบวิเคราะห์ขั้นสูงที่ยังใหม่และบางครั้งทำให้พนักงานรู้สึกกังวล จึงช่วยคิดวิธีใช้งานที่เหมาะสม รวมทั้งกระบวนการและโครงสร้างที่จำเป็น ภายในองค์กร ผมนำงานลูกค้าและทีมโครงการ จัดลำดับความสำคัญ กำกับแนวทาง และประสานทีมต่าง ๆ ที่ร่วมทำโครงการ

ในบทสัมภาษณ์ล่าสุดกับ Calgary Herald คุณกล่าวถึงการนำ AI มาใช้มากในอัลเบอร์ตา เห็นชัดในอุตสาหกรรมใดบ้าง?ผมเห็นหลายอุตสาหกรรม โดยเฉพาะพลังงาน มีการใช้ AI ปรับปรุงการบำรุงรักษาและตรวจความปลอดภัยท่อส่ง เช่น ตัดสินใจว่าควรขุดตรวจที่ไหน เพราะการขุดเมื่อสงสัยว่ารั่วมีราคาแพง ในห่วงโซ่อุปทาน หลังองค์กรใหญ่ควบรวมกิจการ ข้อมูลกระจัดกระจายจนบางครั้งค้นหารายการในข้อมูลหลักวัสดุได้ยาก โมเดลภาษาช่วยจัดระเบียบและทำให้ข้อมูลมีโครงสร้างสำหรับวิเคราะห์ได้ ผมเห็นงานรวมสัญญาจัดหาจำนวนมากจากการค้นหาและสอบถามข้อมูลที่ดีขึ้น ซึ่งใช้ได้หลายอุตสาหกรรม ไม่จำกัดพลังงาน แม้ผมเห็นการใช้งานในด้านนี้

ความปลอดภัยก็สำคัญ เช่น ใช้ประมวลผลภาพหรือโมเดลภาษาเพื่อหาเนื้อหาชี้แจงความปลอดภัยหรือการตรวจที่เหมาะกับสถานที่หนึ่ง ในการเงิน มีงานปรับประสบการณ์ลูกค้าธนาคารเป็นรายบุคคล ให้คำแนะนำและโซลูชันที่เหมาะกับสถานการณ์การเงินต่างกัน ในประกันมีการคัดแยกและประมวลผลสินไหมตามที่กล่าวไป อีกด้านคือป่าไม้และการจัดการที่ดินกับทรัพยากรธรรมชาติ ซึ่งเริ่มใช้ภาพดาวเทียมตรวจการเปลี่ยนแปลง จัดการข้อตกลงเกี่ยวกับที่ดิน และใช้ภาพตรวจสิ่งที่ควรหรือไม่ควรอยู่ หรือสิ่งที่เปลี่ยนตามเวลา

องค์กรมีความพร้อมต่างกัน บางแห่งเพิ่งเริ่มหรือทดลอง บางแห่งไปไกลและใช้อย่างเต็มที่ แต่ส่วนใหญ่ตระหนักว่าหากไม่เริ่มหรือไม่ก้าวหน้าจะถูกทิ้งไว้ข้างหลังและเสียเปรียบการแข่งขันมาก ความสนใจจึงสูงในภาพรวม และ AI เชิงกำเนิดยิ่งเพิ่มความสนใจ

คุณคิดว่า AI เชิงกำเนิดจะเปลี่ยนอนาคตอย่างไร?ผมตื่นเต้นและเห็นศักยภาพ แต่คิดว่าต้องมีมาตรการควบคุมที่เหมาะสมด้วย มีหลายกรณีที่ช่วยเพิ่มผลิตภาพและประสิทธิภาพธุรกิจได้มาก ตัวอย่างห่วงโซ่อุปทานก่อนหน้านี้ใช้เทคนิคบางอย่างตั้งแต่ก่อน ChatGPT เปิดตัวด้วยซ้ำ อีกแนวโน้มที่น่าสนใจคือเทคโนโลยีนี้รวมเข้าในแอปธุรกิจทั่วไปมากขึ้น Microsoft (MSFT ) ประกาศ Copilot ที่จะรวมกับแอป Office แล้ว ในเอกสารแนะนำผมเห็นตัวอย่างเขียนบันทึกสรุปแล้วสั่งโปรแกรมว่า “ช่วยทำย่อหน้านี้ให้สั้นลงได้ไหม?” ซึ่งระบบทำให้ทันที

เมื่อ AI เชิงกำเนิดฝังในแอปธุรกิจทั่วไป ธุรกิจต้องคิดว่าจะใช้เมื่อใดและอย่างไร ควบคุมอย่างไร และตรวจคุณภาพผลลัพธ์อย่างไร หากเป็นเครื่องมือแยกต่างหากยังชะลอหรือมองข้ามได้ง่ายกว่า แต่การรวมในแอปและแพลตฟอร์มหลักจะผลักดันการพูดคุยเรื่องนี้

ผมหวังว่าความสนใจด้านการใช้อย่างรับผิดชอบจะทำให้องค์กรให้ความสำคัญกับ AI ที่รับผิดชอบ มีขั้นตอนและธรรมาภิบาลที่เหมาะสม สร้างโซลูชันอย่างมีประสิทธิผล จัดการความเสี่ยงตลอดวงจรชีวิต มีการตรวจต่อเนื่อง และเชื่อถือผลลัพธ์ได้ หวังว่ากระแส AI เชิงกำเนิดจะช่วยผลักดันการหารือเหล่านี้ต่อไป

AI ที่มีความรับผิดชอบและการลดอคติสำคัญกับคุณอย่างไร?สำคัญด้วยหลายเหตุผล ผู้สร้างระบบส่วนใหญ่ภูมิใจในงานและไม่อยากให้ระบบมีอคติ องค์กรจึงมีความจำเป็นภายในที่จะทำให้พนักงานมีส่วนร่วม พึงพอใจ และได้รับการคุ้มครอง ในทางกฎหมาย มีองค์กรเผชิญคดีหรือปัญหากับผู้กำกับดูแลเพราะอคติของ AI กรณีคลาสสิกคือใช้ AI คัดเลือกคน แต่ชุดข้อมูลเอนเอียงไปทางผู้ชายมากกว่าผู้หญิง ทำให้ระบบเลือกปฏิบัติต่อผู้หญิง

นั่นคือเครื่องมือ AI ของ Amazon

เรื่องเช่นนี้เกิดขึ้นแล้วและอาจเกิดซ้ำหากไม่มีการควบคุมที่เหมาะสม องค์กรส่วนใหญ่ต้องให้ความสำคัญจริงจัง นอกจากนี้ยังมีความเสี่ยงต่อชื่อเสียง หากทำผิดพลาดอาจกระทบธุรกิจอย่างมหาศาล

คุณเชื่อในการใช้ความหลากหลายและประสบการณ์ของทีมข้ามสายงาน ทำไมความหลากหลายจึงสำคัญ?ปัญหาที่ใช้ AI แก้มีความซับซ้อนมากทั้งด้านธุรกิจและข้อมูลเบื้องหลัง คนเดียวหรือบทบาทเดียวแก้ทั้งหมดไม่ได้ ทีมข้ามสายงานที่มีมุมมองและทักษะต่างกันจึงสำคัญ เพื่อให้แต่ละคนใช้จุดแข็งได้เต็มที่ อีกเหตุผลคือผู้ใช้ปลายทางมักหลากหลาย หากไม่นำมุมมองเหล่านั้นเข้ามาตอนพัฒนา อาจทำผิดพลาดหรือมองข้ามบางเรื่อง คนอื่นอาจคิดถึงสิ่งที่ผมไม่คิดถึง การแก้และปรับในช่วงพัฒนาง่ายกว่าหลังเปิดตัว

ผมเชื่อด้วยว่ามุมมองต่างกันสร้างบทสนทนาที่ดีที่สุด คนที่มองผ่านอีกมุมตั้งคำถามดี ๆ และทำให้ต้องหารือวิธีเข้าถึงปัญหาที่เหมาะสม ช่วยให้พิจารณาประเด็นที่อาจไม่ตรวจหากไม่มีคนนั้น กลุ่มคนหลากหลายที่ร่วมมองปัญหาช่วยให้ได้ผลลัพธ์และโซลูชันที่ดีที่สุด

คุณคิดว่าความก้าวหน้าครั้งใหญ่ถัดไปของ AI คืออะไร?ในด้าน AI เชิงกำเนิด การรวมเทคโนโลยีเข้าในแอปทั่วไปมากขึ้น ซึ่งเริ่มแล้ว จะส่งผลอย่างมากต่อการใช้งาน เพราะอยู่ในระบบที่ผู้คนใช้เป็นประจำ เมื่อเข้าใจความสามารถ ข้อจำกัด และวิธีใช้ที่เหมาะสม ก็อาจค้นพบกรณีใช้งานใหม่ คิดได้ว่า “ตอนนี้เข้าใจแล้วว่าแก้ปัญหาประเภทไหนได้ เรามีปัญหานี้อยู่ หากแก้ได้คงดีมาก” และเปิดโอกาสใหม่

ผมหวังว่าจะเกิดความก้าวหน้าด้านนโยบายและกฎระเบียบในเร็ว ๆ นี้ มีความเคลื่อนไหวทั้งระดับกฎหมายและผู้กำกับดูแลมาก แต่หวังว่าแต่ละธุรกิจจะคิดเองหรือขอคำปรึกษาว่าควรมองเรื่องนี้อย่างไร และต้องวางมาตรการภายในอะไรตั้งแต่ตอนนี้

กฎหมายและกฎระเบียบใช้เวลานาน ธุรกิจสร้างการเปลี่ยนแปลงได้มากด้วยการเริ่มควบคุมภายใน มีแนวทางเดิมอย่างการตรวจสอบบัญชี ซึ่งเป็นจุดแข็งของ KPMG แต่ต้องคิดว่าควรมีมาตรการอะไร ควบคุมอย่างไร ทดสอบผลลัพธ์อย่างไร ลดการที่ AI สร้างข้อมูลเท็จขึ้นมาได้อย่างไร และหลังโมเดลส่งผลลัพธ์แล้วควรมีขั้นตอนใดเพื่อลดอันตรายหรือความเสี่ยง คำถามเหล่านี้เหมาะสม ผมหวังว่ากระแสปัจจุบันจะผลักดันความก้าวหน้าในการคิดและสร้างโครงสร้าง ขั้นตอน และทีมที่เหมาะกับ AI ที่รับผิดชอบ

ขอบคุณสำหรับบทสัมภาษณ์ที่น่าสนใจ ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมสามารถเยี่ยมชม KPMG