โครงการ AI ไม่ต้องการข้อมูลที่สมบูรณ์แบบ: มุมมองของนักปฏิบัติในการนำ AI ไปใช้ในองค์กร

ตลาด AI ขององค์กรจะเติบโตถึง 204 พันล้านดอลลาร์ในปี 2030 92% ขององค์กรวางแผนจะเพิ่มการลงทุนใน AI ในช่วงสามปีข้างหน้า แต่การวิจัยของ MIT พบว่า 90% ของโครงการ AI ล้มเหลวในการพัฒนาไปกว่าขั้นตอนการทดลอง และสาเหตุหลักไม่ใช่ความซับซ้อนของแบบจำลอง แต่เป็นคุณภาพของข้อมูล

ห้องประชุมระดับสูงมีการถกเถียงเกี่ยวกับ ChatGPT และ Claude แต่คำถามที่แท้จริงคือว่าข้อมูลขององค์กรพร้อมสำหรับการนำ AI ไปใช้หรือไม่ ส่วนใหญ่ขององค์กรสร้างความสามารถ AI ที่ซับซ้อนบนพื้นฐานข้อมูลที่แตกแยกและไม่สอดคล้องกัน

สิ่งนี้ทำให้เกิดความล้มเหลวที่มีค่าใช้จ่ายสูง ธนาคารนำระบบช่วยเหลือที่สร้างขึ้นโดย AI ที่ให้ข้อมูลรายได้ที่ไม่ถูกต้อง ร้านค้าปลีกนำระบบแนะนำสินค้าที่แนะนำสินค้าที่เลิกผลิตแล้ว ผู้ผลิตลงทุนในระบบวิเคราะห์เชิงพยากรณ์ที่ไม่สามารถตอบคำถามพื้นฐานเกี่ยวกับการดำเนินงานได้ ความล้มเหลวเหล่านี้เกิดจากการที่องค์กรเร่งนำระบบ AI ที่ซับซ้อนมาใช้โดยไม่ได้เตรียมข้อมูลให้พร้อม

การทำความเข้าใจความท้าทายของความซับซ้อนของข้อมูล

ข้อมูลขององค์กรมีสามประเภท แต่ละประเภทต้องการวิธีการเตรียมที่แตกต่างกัน การทำความเข้าใจความแตกต่างเหล่านี้เป็นตัวกำหนดความสำเร็จของ AI

ข้อมูลที่มีโครงสร้างดูคุ้นเคย ข้อมูลอยู่ในฐานข้อมูลและตารางที่มีแถวและคอลัมน์ที่ชัดเจน องค์กรหลายแห่งสันนิษฐานว่าระบบธุรกรรมที่มีการจัดระเบียบดีหมายถึงความพร้อมของ AI แต่สันนิษฐานนี้ทำให้เกิดปัญหา ระบบ AI ต้องดิ้นรนเพื่อทำงานกับข้อมูลที่มีโครงสร้างไม่ใช่เพราะข้อมูลไม่ได้รับการจัดระเบียบ แต่เพราะขาดบริบท เมื่อ AI พบ “ProductID” ในตารางฐานข้อมูลหลายตาราง ระบบไม่สามารถเข้าใจความสัมพันธ์ระหว่างข้อมูลเหล่านี้ได้โดยไม่มีการสอนอย่างชัดเจน ผลลัพธ์คือ AI ที่สามารถเข้าถึงข้อมูลได้ แต่ไม่สามารถวิเคราะห์ข้อมูลได้อย่างมีความหมาย

ข้อมูลที่ไม่มีโครงสร้าง นำเสนอความท้าทายและโอกาสที่ตรงกันข้าม ข้อมูลประเภทนี้รวมถึงอีเมล เอกสาร การนำเสนอ วิดีโอ และเนื้อหาที่สร้างโดยมนุษย์อื่นๆ ซึ่งเป็นที่อยู่ของความรู้ขององค์กรส่วนใหญ่ เครื่องมือวิเคราะห์แบบดั้งเดิมต้องดิ้นรนเพื่อทำงานกับข้อมูลที่ไม่มีโครงสร้าง ระบบ AI แบบใหม่ถูกออกแบบมาเพื่อประมวลผลข้อมูลประเภทนี้ ความสำเร็จต้องการการเตรียมที่เป็นระบบ องค์กรไม่สามารถอัปโหลดเอกสาร PDF หลายพันรายการและคาดหวังว่าจะได้รับข้อมูลเชิงลึกที่มีความหมาย การนำไปใช้งานที่มีประสิทธิผลต้องการการแบ่งส่วนเนื้อหา การสร้างเมตาดาต้า และการเพิ่มประสิทธิภาพการค้นหา

ข้อมูลที่มีโครงสร้างบางส่วนยึดครองพื้นที่กลางที่ซับซ้อน ไฟล์ JSON บันทึกของระบบ และรายงานรวมองค์ประกอบที่มีโครงสร้างเข้ากับเนื้อหาที่มีเรื่องราว การผิดพลาดทั่วไปคือการรักษาแหล่งข้อมูลเหล่านี้ว่าเป็นข้อมูลที่ไม่มีโครงสร้างอย่างสมบูรณ์ ซึ่งสูญเสียองค์ประกอบที่มีโครงสร้างที่มีค่า การนำ AI ไปใช้งานที่ประสบความสำเร็จต้องการการวิเคราะห์องค์ประกอบที่มีโครงสร้างในขณะที่ยังคงรักษาเนื้อหาที่ไม่มีโครงสร้างไว้ จากนั้นจึงรวมเข้าด้วยกันเพื่อการวิเคราะห์ที่ครอบคลุม

ช่องว่างบริบทที่ทำให้ประสิทธิภาพของ AI ล้มเหลว

บริบทเป็นปัจจัยที่สำคัญที่สุดในการทำความสำเร็จของ AI แต่ก็เป็นสิ่งที่ถูกละเลยบ่อยที่สุด นักวิเคราะห์ของมนุษย์มีความรู้ทางธุรกิจหลายสิบปีในการตีความข้อมูล เมื่อตรวจสอบรายงานรายไตรมาส พวกเขารู้ว่า “รายได้” หมายถึงยอดขายหลังหักภาษีในสหรัฐฯ ในดอลลาร์ ระบบ AI ไม่มีความเข้าใจดังกล่าว โดยไม่มีการสอนอย่างชัดเจน AI อาจตีความ “47%” เป็นตัวเลขรายได้เมื่อค่าจริงคือ 4.7 ล้านดอลลาร์ ซึ่งนำไปสู่คำแนะนำทางธุรกิจที่มีข้อบกพร่องในหลักการ

ช่องว่างบริบทขยายออกไปนอกเหนือจากการตีความข้อมูลพื้นฐาน องค์กรทุกแห่งพัฒนานิยามที่เป็นเอกลักษณ์สำหรับเมตริกทั่วไป “ต้นทุนการได้ลูกค้า” มีความหมายที่แตกต่างอย่างสิ้นเชิงที่สตาร์ทอัพเมื่อเทียบกับองค์กรที่มีการจัดตั้งขึ้น “อัตราการทิ้งลูกค้า” มีการคำนวณที่แตกต่างกันอย่างมากข้ามอุตสาหกรรมและบริษัท ระบบ AI ต้องการการสอนอย่างชัดเจนในความแตกต่างขององค์กรเหล่านี้เพื่อให้ได้ข้อมูลเชิงลึกที่มีความหมาย

แนวทางในการจัดทำเอกสารแบบดั้งเดิมล้มเหลวในการนำ AI ไปใช้งาน เอกสารคำอธิบายข้อมูลแบบคงที่ที่เก็บไว้บนเซิร์ฟเวอร์ยังคงไม่มองเห็นได้โดยระบบ AI และกลายเป็นล้าสมัย องค์กรที่ประสบความสำเร็จสร้างเอกสารที่มีชีวิตที่ AI สามารถอ้างอิงได้อย่างแข็งขัน เอกสารนี้จะอัปเดตโดยอัตโนมัติเมื่อกฎธุรกิจเปลี่ยนแปลง

ความเสี่ยงที่เพิ่มขึ้นในยุค AI

การนำ AI ไปใช้เพิ่มปัญหาข้อมูลที่มีอยู่ในระดับที่ไม่เคยเห็นมาก่อน ความท้าทายในการจัดการข้อมูลแบบดั้งเดิมกลายเป็นความซับซ้อนที่เพิ่มขึ้นเมื่อระบบ AI เข้าถึง ประมวลผล และแบ่งปันข้อมูลข้ามพื้นที่ขององค์กร

กลไกการควบคุมการเข้าถึงที่ออกแบบมาเพื่อผู้ใช้คนกลายเป็นไม่เพียงพอสำหรับระบบ AI ระบบความปลอดภัยแบบดั้งเดิมอาจให้สิทธิ์ผู้วิเคราะห์ขายในการเข้าถึงโฟลเดอร์เฉพาะ แต่ระบบ AI สามารถเปิดเผยข้อมูลที่ละเอียดอ่อนให้กับผู้ใช้ที่ไม่ได้รับอนุญาตผ่านคำถามที่ดูเหมือนเป็นมิตร ระบบ AI ของฝ่ายบริการลูกค้าอาจเข้าถึงข้อมูลราคาแข่งขันและแบ่งปันข้อมูลนั้นในการสื่อสารกับลูกค้า องค์กรต้องการโครงสร้างความปลอดภัยที่ซับซ้อนพอที่จะเข้าใจสิ่งที่ AI สามารถและไม่สามารถแบ่งปันในบริบทต่างๆ

ข้อกำหนดด้านการปฏิบัติตามกฎระเบียบกลายเป็นความซับซ้อนที่เพิ่มขึ้นเมื่อระบบ AI ตัดสินใจที่ส่งผลกระทบต่อบุคคล องค์กรต้องอธิบายว่าระบบ AI ได้ข้อสรุปเหล่านั้นอย่างไร องค์กรต้องรักษาบันทึกการตรวจสอบสำหรับการตัดสินใจโดยอัตโนมัติ และต้องแน่ใจว่าข้อมูลการฝึกอบรม AI ปฏิบัติตามข้อกำหนดด้านความเป็นส่วนตัว “สิทธิ์ในการอธิบาย” มีความหมายใหม่เมื่อตัวตัดสินใจเป็นระบบอัลกอริทึมมากกว่านักวิเคราะห์คน

การสร้างความไว้วางใจต้องการแนวทางใหม่ในการทดสอบและการติดตาม ระบบการรับรองคุณภาพแบบดั้งเดิมมุ่งเน้นไปที่ว่าระบบทำงานถูกต้องหรือไม่ภายใต้สภาพที่คาดหวัง ระบบ AI ต้องการการติดตามอย่างต่อเนื่องเพื่อตรวจจับเมื่อระบบล้มเหลว และทำไม องค์กรต้องนำระบบติดตามแบบเรียลไทม์มาใช้สำหรับการตัดสินใจ AI ทุกครั้ง ไม่ใช่แค่เมตริกการทำงานของระบบ

การนำทางการตัดสินใจในการสร้างหรือซื้อ

องค์กรต้องเผชิญกับการเลือกระหว่างการพัฒนาความสามารถ AI ภายในองค์กรหรือการร่วมมือกับแพลตฟอร์มภายนอก แต่ละแนวทางมีข้อดีและความท้าทายที่แตกต่างกันซึ่งต้องสอดคล้องกับความสามารถและวัตถุประสงค์เชิงกลยุทธ์ขององค์กร

การสร้างความสามารถ AI ภายในองค์กรให้การควบคุมและศักยภาพในการปรับแต่งสูงสุด องค์กรสามารถพัฒนาระบบที่ปรับให้เหมาะกับความต้องการเฉพาะของตนได้ องค์กรยังคงความเป็นเจ้าของข้อมูลและอัลกอริทึมของตน แต่ความต้องการทรัพยากรมีมาก การพัฒนาภายในที่ประสบความสำเร็จโดยทั่วไปต้องการทีมวิศวกรข้อมูล นักวิจัย AI และผู้เชี่ยวชาญด้านโดเมน การพัฒนาต้องใช้เวลา 12-24 เดือน ค่าใช้จ่ายที่ซ่อนอยู่รวมถึงการทำความเข้าใจเทคโนโลยี AI ที่พัฒนาอย่างรวดเร็ว การดูแลระบบตลอด 24 ชั่วโมง และการอธิบายความล่าช้าให้กับฝ่ายบริหาร

โซลูชันแพลตฟอร์มสัญญาว่าจะมีการนำไปใช้อย่างรวดเร็วและลดภาระทางเทคนิค องค์กรสามารถอัปโหลดข้อมูล ตั้งค่าพื้นฐาน และเริ่มสร้างข้อมูลเชิงลึก AI ได้ แต่องค์กรต้องประเมินความสามารถของแพลตฟอร์มอย่างรอบคอบเทียบกับความต้องการเฉพาะของตน พิจารณาที่สำคัญรวมถึงความเข้ากันได้ของรูปแบบข้อมูล ความเข้าใจอุตสาหกรรมเฉพาะ การป้องกันด้านความปลอดภัยและความเป็นส่วนตัว และความสามารถในการรวมเข้ากับระบบที่มีอยู่

กรอบการทำงานเชิงปฏิบัติสำหรับการดำเนินการต่อ

การนำ AI ไปใช้งานที่ประสบความสำเร็จเริ่มต้นด้วยการประเมินอย่างตรงไปตรงมา ไม่ใช่การวางแผนอย่างทะเยอทะยาน องค์กรควรเริ่มต้นด้วยการทำinventory ของสินทรัพย์ข้อมูลที่มีอยู่ การดำเนินการนี้มักจะแสดงให้เห็นถึงความซับซ้อนและความไม่สอดคล้องกันที่มากกว่าที่คาดไว้ แทนที่จะพยายามเปลี่ยนแปลง AI ที่ครอบคลุม องค์กรที่ประสบความสำเร็จระบุปัญหาเฉพาะที่วัดผลได้และที่ AI สามารถให้คุณค่าอย่างชัดเจนได้

งานพื้นฐานต้องการความพยายามมาก แต่จำเป็นต่อความสำเร็จ นี่รวมถึงการทำความสะอาดข้อมูล การจัดทำเอกสารบริบท การนำการควบคุมการเข้าถึงไปใช้ และการทดสอบแบบผู้โดยสารด้วยเมตริกความสำเร็จที่กำหนดไว้อย่างชัดเจน องค์กรควรวางแผนสำหรับระยะเวลาที่สมจริง คิดเป็นเดือนหรือปี ไม่ใช่สัปดาห์ สร้างความสามารถทีละขั้นตอน

ค่าใช้จ่ายของการรอ

การปฏิวัติ AI ดำเนินไปโดยไม่คำนึงถึงความพร้อมขององค์กร องค์กรสามารถเลือกที่จะลงทุนในการเตรียมข้อมูลที่เหมาะสมตอนนี้ หรือพยายามติดตั้งโซลูชันแบบเร่งด่วนในภายหลังด้วยต้นทุนและความซับซ้อนที่สูงกว่า องค์กรที่เกิดขึ้นมาเป็นผู้นำ AI จะตระหนักตั้งแต่เนิ่นว่าความสำเร็จไม่ได้ขึ้นอยู่กับการเลือกโมเดล AI ที่ซับซ้อน แต่ในการสร้างพื้นฐานข้อมูลที่เพียงพอเพื่อให้ระบบ AI ใดๆ ให้คุณค่าทางธุรกิจที่มีความหมาย

คำถามที่ผู้นำองค์กรต้องเผชิญไม่ใช่ว่าจะนำ AI เทคโนโลยีไปใช้ แต่ว่าองค์กรของตนได้ทำการทำงานที่ยากลำบากที่จำเป็นในการทำให้การนำ AI ไปใช้ใดๆ ประสบความสำเร็จ ความสามารถของ AI พัฒนาทุกเดือน ความได้เปรียบทางการแข่งขันที่ยั่งยืนเป็นของบริษัทที่มีพื้นฐานข้อมูลที่แข็งแกร่งพอที่จะรองรับการพัฒนาทางเทคโนโลยีที่จะเกิดขึ้นต่อไป