Amii ขยายความร่วมมือด้านการนำ AI มาใช้ เพื่อสนับสนุนธุรกิจเพิ่มเติมอีก 25 แห่ง

Amii หรือ Alberta Machine Intelligence Institute กำลังขยายความร่วมมือกับ PrairiesCan ซึ่งเป็นหน่วยงานพัฒนาเศรษฐกิจระดับภูมิภาคของรัฐบาลแคนาดา เพื่อช่วยให้ธุรกิจขนาดเล็กและขนาดกลางอีก 25 แห่งพัฒนาศักยภาพด้าน AI ที่นำไปใช้ได้จริง ประกาศเมื่อวันที่ 27 ตุลาคมระบุว่าจะเพิ่มเงินสนับสนุนจากรัฐบาลกลางอีก 2.5 ล้านดอลลาร์แคนาดา ทำให้ยอดเงินลงทุนจากรัฐบาลกลางสำหรับโครงการนี้รวมเป็น 5.6 ล้านดอลลาร์แคนาดา

การขยายโครงการครอบคลุมรัฐแอลเบอร์ตา รัฐซัสแคตเชวัน และรัฐแมนิโทบา โดยเริ่มดำเนินงานร่วมกับธุรกิจในภาคพลังงาน เกษตรกรรม และการผลิตแล้ว Amii ระบุว่า นับตั้งแต่เริ่มโครงการในปี 2024 ก็ได้ทำงานร่วมกับธุรกิจในภูมิภาคแล้ว 30 แห่ง แนวทางของโครงการคือจับคู่บริษัทกับผู้เชี่ยวชาญด้านแมชชีนเลิร์นนิง เพื่อพัฒนาระบบที่ใช้ข้อมูลการดำเนินงานของบริษัทเอง และถ่ายทอดความรู้ความเชี่ยวชาญให้บริษัทสามารถดูแลรักษาระบบเหล่านั้นได้

ความร่วมมือด้านการวิจัยที่มุ่งเน้นการนำไปใช้งานจริง

Amii มีสำนักงานอยู่ในเมืองเอ็ดมันตัน เป็นองค์กรไม่แสวงหากำไรอิสระ และเป็นหนึ่งในสถาบัน AI ระดับชาติ 3 แห่งของแคนาดาภายใต้ยุทธศาสตร์ AI ทั่วแคนาดา ประวัติความเป็นมาขององค์กรย้อนกลับไปถึง Alberta Ingenuity Centre for Machine Learning ซึ่งก่อตั้งขึ้นในปี 2002 ก่อนจะเป็นองค์กรไม่แสวงหากำไรอิสระภายใต้ชื่อ Amii ในปี 2017 งานขององค์กรเชื่อมโยงการวิจัย การพัฒนาบุคลากร และการประยุกต์ใช้เชิงพาณิชย์เข้าด้วยกัน

Prairies Economic Development Canada หรือที่รู้จักกันในชื่อ PrairiesCan เป็นหน่วยงานรัฐบาลกลางที่สนับสนุนการพัฒนาเศรษฐกิจใน 3 รัฐที่เข้าร่วมโครงการ สำหรับผู้อ่านในต่างประเทศ ความร่วมมือนี้เป็นตัวอย่างของการลงทุนภาครัฐที่ช่วยให้บริษัทขนาดเล็กเข้าถึงความเชี่ยวชาญทางเทคนิคเฉพาะด้าน ซึ่งเป็นสิ่งที่บริษัทเหล่านั้นอาจจัดหาด้วยตนเองได้ยาก

รูปแบบการพัฒนา AIของ Amii จัดให้ผู้เชี่ยวชาญด้านแมชชีนเลิร์นนิงประจำโครงการทำงานเต็มเวลาในโครงการของบริษัท โดยมีนักวิทยาศาสตร์ของ Amii กำกับดูแล ผู้เชี่ยวชาญคนดังกล่าวทำงานร่วมกับทีมธุรกิจในการพัฒนาและทดสอบโมเดล โดยบริษัทมีทางเลือกที่จะจ้างบุคคลนั้นเข้าทำงานต่อหลังจากนั้น ข้อเสนอทั่วไปกำหนดระยะเวลาผูกพันไว้ที่ 12–15 เดือน อย่างไรก็ตาม ขอบเขตและค่าใช้จ่ายของแต่ละโครงการแตกต่างกันไป

บริษัทจะยังคงเป็นเจ้าของทรัพย์สินทางปัญญาที่พัฒนาขึ้นระหว่างการทำงานร่วมกัน และจะได้รับเอกสารประกอบพร้อมการถ่ายทอดความรู้ เป้าหมายของความร่วมมือนี้จึงแตกต่างจากการส่งมอบต้นแบบที่จ้างบุคคลภายนอกพัฒนาเพียงอย่างเดียว กล่าวคือ ธุรกิจควรปรับระบบได้เองหลังทีมวิจัยจากภายนอกสิ้นสุดการทำงาน

Croptimistic: คอมพิวเตอร์วิทัศน์ที่รองรับสภาพการทำงานจริงในแปลงเพาะปลูก

Croptimistic Technology พัฒนาระบบเกษตรแม่นยำ SWAT MAPS ซึ่งผสานข้อมูลดิน น้ำ และภูมิประเทศเพื่อใช้วางแนวทางจัดการแปลงเพาะปลูก ผลิตภัณฑ์ SWAT CAM เก็บภาพระหว่างการพ่นสารตามปกติ และใช้แมชชีนเลิร์นนิงวิเคราะห์พืชผลกับวัชพืช

ความร่วมมือกับ Amiiมุ่งแก้โจทย์การจำแนกพืชธัญพืชในช่วงต้นฤดู เช่น ข้าวสาลีและข้าวโอ๊ต ใบที่แคบและซ้อนทับกันทำให้แยกแยะต้นพืชแต่ละต้นได้ยาก ทีมงานจึงพัฒนาโมเดลด้านคอมพิวเตอร์วิทัศน์โดยเฉพาะ เพื่อให้ทำงานได้ท่ามกลางทรงพุ่มที่หนาแน่นและสภาพการถ่ายภาพที่ท้าทาย ซึ่งรวมถึงฝุ่น แสงจ้า และลม

ข้อมูลผลิตภัณฑ์ของ Croptimistic อธิบายว่ากล้องที่ติดตั้งบนเครื่องพ่นสารเชื่อมโยงภาพแปลงเพาะปลูกที่มีรายละเอียดหนาแน่นเข้ากับเขตการจัดการอย่างไร ประโยชน์ในทางปฏิบัติของการตรวจจับพืชผลที่แม่นยำขึ้นคือการได้ข้อมูลเชิงพื้นที่ที่ละเอียดขึ้น เกษตรกรจึงตรวจสอบการตั้งตัวของพืชที่ไม่สม่ำเสมอและการระบาดของวัชพืชทั่วทั้งแปลงได้ แทนที่จะอาศัยการสังเกตด้วยตนเองเพียงไม่กี่จุด

Carson Integrated: เปลี่ยนข้อมูลด้านสิ่งแวดล้อมให้เป็นการคาดการณ์

Carson Integrated เป็นบริษัทที่ปรึกษาด้านสิ่งแวดล้อมและป่าไม้ ซึ่งให้บริการด้านข้อมูลภูมิสารสนเทศสำหรับโครงการทรัพยากรธรรมชาติ โจทย์ของบริษัทคือการจำแนกประเภทลำน้ำ ซึ่งช่วยกำหนดเขตกันชนคุ้มครองรอบแหล่งน้ำ

กรณีศึกษาของ Carsonจาก Amii อธิบายถึงโมเดลที่สร้างขึ้นโดยใช้ข้อมูลที่รวบรวมมาราว 2 ทศวรรษ ซึ่งรวมถึงข้อมูลจากการวัดภาคสนามและข้อมูลการสำรวจระยะไกล การพัฒนาคุณลักษณะของโมเดลพิจารณาภูมิประเทศและลักษณะด้านสิ่งแวดล้อม โดยพบว่าขนาดของทางออกจากพื้นที่รับน้ำมีประโยชน์เป็นพิเศษ รายงานระบุว่า โมเดลมีความแม่นยำเฉลี่ยในการจำแนกประเภทประมาณ 75% เมื่อมีข้อมูลที่เหมาะสม

การประยุกต์ใช้นี้แสดงให้เห็นว่าความเชี่ยวชาญเฉพาะด้านช่วยกำหนดรูปแบบการเรียนรู้ของเครื่องให้เกิดประโยชน์ได้อย่างไร การระบุแหล่งน้ำจากภาพเป็นคนละโจทย์กับการคาดการณ์ประเภทแหล่งน้ำตามข้อกำหนดทางกฎหมาย ผลการคาดการณ์อาจช่วยจัดลำดับความสำคัญของงานประเมินในพื้นที่ห่างไกลได้ แต่ยังต้องประเมินความแม่นยำและความเหมาะสมของผลลัพธ์ให้สอดคล้องกับการตัดสินใจที่จะนำไปใช้

Visionstate: การจัดตารางงานในฐานะปัญหาการหาค่าเหมาะที่สุดภายใต้ข้อจำกัด

Visionstate พัฒนาซอฟต์แวร์สำหรับการปฏิบัติงาน การตรวจสอบ และการยืนยันงานในอาคารสถานที่ เว็บไซต์ปัจจุบันของบริษัทเน้นนำเสนอ MIRA ซึ่งเป็นแพลตฟอร์มที่เชื่อมโยงรายงาน การตรวจสอบ ใบสั่งงาน และการกำกับดูแลเข้าด้วยกัน ส่วนโครงการที่ทำร่วมกับ Amii มุ่งเน้นแพลตฟอร์มบริหารจัดการอาคารสถานที่ WANDA ของบริษัท

กรณีศึกษาโดยละเอียดอธิบายว่าเส้นทางและตารางการทำความสะอาดถูกกำหนดเป็นปัญหาการหาค่าเหมาะที่สุดภายใต้ข้อจำกัด ระบบต้องจัดสรรกำลังคนจำนวนคงที่ โดยคำนึงถึงผังพื้นที่ ข้อกำหนดในการให้บริการ และกฎการปฏิบัติตามข้อกำหนด พร้อมสร้างสมดุลระหว่างประสิทธิภาพกับความเป็นธรรม

งานดังกล่าวยังสนับสนุน TidyLogic ซึ่งเป็นผลิตภัณฑ์วางแผนทรัพยากร และเครื่องมือประเมินต้นทุนการทำความสะอาดในสถานพยาบาล กรณีศึกษาอธิบายว่าในขณะที่เขียน TidyLogic ยังอยู่ในช่วงเบตา และแบบจำลองกำลังมุ่งไปสู่การผสานรวม ความแตกต่างเหล่านี้สำคัญ เพราะการพัฒนาผลิตภัณฑ์เชิงพาณิชย์กับการนำระบบเพิ่มประสิทธิภาพไปใช้งานจริงอย่างเต็มรูปแบบเป็นหมุดหมายคนละขั้น

Ambyint: สร้างความเชี่ยวชาญด้านการเรียนรู้แบบเสริมกำลัง

Ambyint ให้บริการซอฟต์แวร์เพิ่มประสิทธิภาพการผลิตสำหรับผู้ประกอบการน้ำมันและก๊าซ แพลตฟอร์มเดิมผสานแบบจำลองที่อิงหลักฟิสิกส์เข้ากับระบบควบคุมอัตโนมัติ ซึ่งรวมถึงการปรับค่าจุดกำหนดของอุปกรณ์ผ่านโครงสร้างพื้นฐานสำหรับตรวจสอบและควบคุมระบบอุตสาหกรรม

โครงการ Amii ศึกษาการเรียนรู้แบบเสริมกำลังสำหรับหลุมผลิตที่ใช้ระบบยกของเหลวด้วยลูกสูบ โดยการเปลี่ยนค่าขีดแบ่งความดันส่งผลต่อวิธีนำของเหลวที่สะสมอยู่ออกมา การมีข้อมูลเกี่ยวกับสภาวะใต้ดินลึกอย่างจำกัดทำให้การจำลองและการควบคุมเป็นเรื่องยาก ทีมงานทดสอบแนวทางที่ใช้ข้อมูลในอดีตและวิธีการที่อิงหลักฟิสิกส์เพื่อปรับปรุงการตัดสินใจ

กรณีศึกษาระบุผลลัพธ์ไว้อย่างชัดเจนว่า แบบจำลองทดลองไม่ได้ช่วยเพิ่มประสิทธิภาพเมื่อเทียบกับระบบอัตโนมัติเดิมของ Ambyint และยังมีความน่าเชื่อถือหรือการตอบสนองไม่เพียงพอสำหรับการผลิต ประโยชน์ที่ได้รับคือทีมงานภายในมีความพร้อมมากขึ้น และเข้าใจชัดเจนขึ้นว่าควรทำวิจัยเพิ่มเติมในด้านใด นี่คือผลลัพธ์ที่มีคุณค่าต่อการนำ AI มาใช้ แม้จะยังไม่สามารถสร้างแบบจำลองที่พร้อมนำไปใช้งานได้ทันที

Riva: ทำให้ข้อมูลระดับองค์กรนำมาใช้กับ AI ได้

Amii ยังระบุว่า Riva ซึ่งตั้งอยู่ในเมืองเอดมันตันเป็นหนึ่งในผู้ได้รับประโยชน์กลุ่มแรก โดยกล่าวถึงความคืบหน้าในการพัฒนาโซลูชันที่พร้อมใช้งานจริง แต่ไม่ได้เปิดเผยสถาปัตยกรรมเฉพาะของแบบจำลอง

แพลตฟอร์มของ Riva เชื่อมโยงข้อมูลอีเมล ปฏิทิน รายชื่อผู้ติดต่อ และการประชุมเข้ากับระบบบริหารความสัมพันธ์ลูกค้า ความสามารถของแพลตฟอร์มประกอบด้วยบทสรุปการสนทนาที่ AI สร้างขึ้น และผลลัพธ์จากการประชุมที่จัดโครงสร้างไว้ ซึ่งทีมงานสามารถตรวจทานและเชื่อมโยงกับระเบียนในระบบ CRM ได้ บริบทการนำไปใช้นี้แตกต่างจากการถ่ายภาพภาคสนามหรือการควบคุมระบบอุตสาหกรรม กล่าวคือ ความท้าทายอยู่ที่การทำให้ปฏิสัมพันธ์ทางธุรกิจนำไปใช้ประโยชน์ได้ พร้อมกับคงไว้ซึ่งการกำกับดูแลและการตรวจทานโดยมนุษย์

เหตุใดรูปแบบความร่วมมือนี้จึงสำคัญเกินกว่าพรมแดนแคนาดา

ธุรกิจที่เข้าร่วมแสดงให้เห็นว่าการนำ AI มาใช้ครอบคลุมตั้งแต่คอมพิวเตอร์วิทัศน์ การสร้างแบบจำลองเชิงพยากรณ์ การหาค่าเหมาะที่สุดภายใต้ข้อจำกัด การเรียนรู้แบบเสริมกำลัง ไปจนถึงกระบวนการทำงานด้านข้อมูลระดับองค์กร โดยแต่ละด้านต้องใช้ข้อมูล วิธีประเมินผล และความเชี่ยวชาญในการดำเนินงานที่แตกต่างกัน

ความสำคัญในวงกว้างของความร่วมมือนี้อยู่ที่การเน้นให้ธุรกิจเป็นเจ้าของเทคโนโลยีและมีศักยภาพทางเทคนิคมากขึ้น บริษัทจะได้รับประโยชน์มากกว่าแค่แบบจำลอง เมื่อบุคลากรของตนเรียนรู้ว่าแบบจำลองนั้นสร้างขึ้นอย่างไร จะทดสอบอย่างไร และควรเชื่อถือผลการคาดการณ์เมื่อใด สำหรับธุรกิจขนาดเล็ก การถ่ายทอดขีดความสามารถเหล่านี้อาจมีความสำคัญไม่แพ้การส่งมอบซอฟต์แวร์ในช่วงแรก