Andrei Kulik ผู้ร่วมก่อตั้ง XENOM – ซีรีส์สัมภาษณ์

Andrei Kulik เป็นผู้ร่วมก่อตั้งและซีอีโอของ XENOM โดยนำประสบการณ์ด้าน AI บนอุปกรณ์ ระบบกระจาย และแมชชีนเลิร์นนิงมาประยุกต์ใช้กับงานอุตสาหกรรม ก่อนหน้านี้เขาร่วมก่อตั้ง AIMatter ซึ่ง Google เข้าซื้อกิจการ และทำงานเกี่ยวกับระบบ AI สำหรับอุปกรณ์ผู้บริโภคที่ Google เส้นทางอาชีพของเขามุ่งเน้นการทำให้ AI ขั้นสูงทำงานได้อย่างน่าเชื่อถือภายใต้ข้อจำกัดในทางปฏิบัติของฮาร์ดแวร์และสภาพแวดล้อมจริง

XENOM พัฒนาแพลตฟอร์ม AI สำหรับงานอุตสาหกรรมที่ผสานซอฟต์แวร์เข้ากับอุปกรณ์ป้องกันอัจฉริยะ เพื่อให้ผู้ปฏิบัติงานมองเห็นภาพสถานที่ทำงานได้แบบเรียลไทม์ ระบบของบริษัทผสานข้อมูลระบุตำแหน่ง การสื่อสารภายในกำลังคน การตรวจวัดสภาพแวดล้อม และข้อมูลความปลอดภัยไว้ด้วยกัน ในบทสัมภาษณ์นี้ Kulik พูดคุยเกี่ยวกับ AI ที่ประมวลผลบนอุปกรณ์ สมาร์ตเฮลเมต การกำกับดูแลโดยมนุษย์ ความเป็นส่วนตัวของคนทำงาน และแนวทางต่อยอดจากการเฝ้าติดตามงานอุตสาหกรรมไปสู่การสนับสนุนการตัดสินใจเชิงคาดการณ์

ก่อนหน้านี้คุณร่วมก่อตั้ง AIMatter ซึ่ง Google เข้าซื้อกิจการ และใช้เวลาหลายปีพัฒนาระบบ AI ที่ออกแบบมาให้ทำงานโดยตรงบนอุปกรณ์ผู้บริโภค อะไรเป็นแรงบันดาลใจให้คุณร่วมก่อตั้ง XENOM และประสบการณ์ที่ Google หล่อหลอมวิสัยทัศน์ของคุณในการนำ AI เข้าสู่สภาพแวดล้อมอุตสาหกรรมอย่างไร

หลังการเข้าซื้อกิจการ ผมใช้เวลาหลายปีทำงานกับโจทย์เฉพาะอย่างหนึ่ง นั่นคือจะทำให้ AI ขั้นสูงทำงานได้อย่างน่าเชื่อถือบนอุปกรณ์ที่ใส่กระเป๋าได้อย่างไร ทั้งที่มีแบตเตอรี่จำกัด การเชื่อมต่อไม่แน่นอน และต้องเผชิญสภาพการใช้งานจริงที่ห้องปฏิบัติการไม่อาจจำลองได้อย่างครบถ้วน เรานำผลงานดังกล่าวไปใช้กับโทรศัพท์ แว่นตา และหูฟังเอียร์บัด รวมแล้วหลายพันล้านอุปกรณ์ เมื่อถึงจุดหนึ่ง ผมก็เริ่มถามตัวเองว่าสถาปัตยกรรมนี้จะมีประโยชน์ในด้านใดอีกบ้าง อุปกรณ์ผู้บริโภคช่วยให้ชีวิตสะดวกสบาย แต่ในสถานที่ทำงานอุตสาหกรรม ต้นทุนของการตัดสินใจผิดพลาด—หรือการไม่ตัดสินใจเลย—วัดได้ด้วยชีวิตมนุษย์และผลิตภาพที่สูญเสียไปมูลค่าหลายล้าน สถานที่ทำงานอุตสาหกรรมส่วนใหญ่ยังไม่มีภาพสถานการณ์ที่เกิดขึ้นแบบเรียลไทม์ ช่องว่างนี้ดูเป็นโจทย์ที่เหมาะอย่างยิ่งสำหรับเทคโนโลยีที่เราทุ่มเทสร้างมาหลายปี

XENOM ผสานซอฟต์แวร์ที่ขับเคลื่อนด้วย AI เข้ากับอุปกรณ์ป้องกันอัจฉริยะ เพื่อให้มองเห็นการปฏิบัติงานในภาคอุตสาหกรรมได้แบบเรียลไทม์ ระบบความปลอดภัยในอุตสาหกรรมแบบเดิมมีจุดบอดสำคัญอะไรบ้าง และแพลตฟอร์มของคุณจัดการกับความท้าทายที่เทคโนโลยีเฝ้าติดตามทั่วไปแก้ไขได้ยากอย่างไร

ปัญหาพื้นฐานคือ ระบบส่วนใหญ่ได้รับการออกแบบมาเพื่อบันทึกสิ่งที่เกิดขึ้น ไม่ใช่เพื่อป้องกันไม่ให้สิ่งนั้นเกิดขึ้น ตำแหน่งของคนทำงานอัปเดตทุกไม่กี่นาที ใบบันทึกเวลาทำงานกรอกเมื่อสิ้นสุดกะ ส่วนการละเมิดข้อกำหนดด้านความปลอดภัยจะถูกบันทึกหลังจากยื่นรายงานเหตุการณ์แล้ว กว่าผู้จัดการจะเห็นข้อมูล กะทำงานก็สิ้นสุดลงหรืออุบัติเหตุก็เกิดขึ้นแล้ว จุดบอดประการที่สองคือการแยกส่วนกัน บริษัทหนึ่งอาจมีระบบตรวจวัดก๊าซ ระบบควบคุมการเข้าออกที่แยกต่างหาก รายการตรวจสอบอุปกรณ์ป้องกันส่วนบุคคลที่ใช้กระดาษ และกระบวนการบันทึกเวลาทำงานด้วยมือ โดยระบบเหล่านี้ไม่เชื่อมต่อกัน XENOM แทนที่ระบบทั้งหมดนั้นด้วยกระแสข้อมูลต่อเนื่องชุดเดียวจากสถานที่ทำงาน ซึ่งประมวลผลแบบเรียลไทม์และให้ภาพรวมที่เป็นหนึ่งเดียวแก่ผู้จัดการ แทนที่จะเป็นข้อมูลห้าชุดที่แยกขาดจากกัน

อาชีพส่วนใหญ่ของคุณมุ่งเน้นการเพิ่มประสิทธิภาพแมชชีนเลิร์นนิงและการอนุมานของ LLM สำหรับอุปกรณ์ที่มีทรัพยากรจำกัด คุณนำหลักการเหล่านี้ไปใช้กับสภาพแวดล้อมอุตสาหกรรมอย่างไร และการประมวลผลภาระงาน AI ที่เอดจ์มีข้อได้เปรียบทางเทคนิคอย่างไร เมื่อเทียบกับการพึ่งพาโครงสร้างพื้นฐานคลาวด์

การทำงานกับอุปกรณ์ที่มีทรัพยากรจำกัดสอนให้มีวินัยอย่างหนึ่ง นั่นคือทุกมิลลิวินาที ทุกมิลลิวัตต์ และทุกไบต์ต้องมีเหตุผลรองรับ แนวคิดนี้เหมาะอย่างยิ่งกับหมวกนิรภัยอุตสาหกรรม เพราะต้องสวมใส่ตลอดทั้งกะ และต้องทำงานได้สม่ำเสมอในชั่วโมงที่สิบเอ็ดไม่ต่างจากชั่วโมงแรก เราแบ่งงานอย่างตั้งใจ งานที่ต้องทำทันทีและใช้ข้อมูลจำนวนมาก เช่น การประมวลผลสตรีมเสียงและสัญญาณจากเซนเซอร์ หรือการตรวจจับการหกล้มและแรงกระแทก จะทำงานบน NPU ในหมวกนิรภัย โดยใช้โมเดลที่บีบอัดและปรับแต่งให้เหมาะกับฮาร์ดแวร์นั้น ส่วนภาพรวมทั่วทั้งสถานที่ทำงานและการวิเคราะห์เชิงลึกจะสร้างขึ้นบนฝั่งแพลตฟอร์ม

การประมวลผลที่เอดจ์ให้ข้อได้เปรียบในทางปฏิบัติสี่ประการ ประการแรกคือความเร็ว อุปกรณ์ตอบสนองต่อเหตุการณ์ได้ทันทีโดยไม่ต้องส่งข้อมูลไปกลับยังเซิร์ฟเวอร์ ประการที่สองคือความน่าเชื่อถือ โมเดลขนาดเล็กที่ทำงานบนอุปกรณ์ให้ผลลัพธ์ที่คาดการณ์ได้ ขณะที่ทุกจุดเชื่อมต่อที่เพิ่มขึ้นล้วนเป็นอีกจุดหนึ่งที่อาจเกิดความขัดข้อง ประการที่สามคือภาระของเครือข่าย หมวกนิรภัยหลายร้อยใบไม่สามารถสตรีมเสียงดิบและข้อมูลจากเซนเซอร์ได้อย่างต่อเนื่อง ดังนั้นแต่ละใบจึงส่งผลการวิเคราะห์แทน ประการที่สี่คืออายุการใช้งานแบตเตอรี่ การส่งข้อมูลเป็นหนึ่งในสิ่งที่ใช้พลังงานมากที่สุดที่อุปกรณ์ทำ การประมวลผลภายในเครื่องและส่งข้อมูลให้น้อยลงจึงช่วยยืดเวลาการทำงาน

XENOM พัฒนาหมวกนิรภัยอัจฉริยะที่ผสานระบบระบุตำแหน่ง การสื่อสาร การตรวจวัดสภาพแวดล้อม และความสามารถด้าน AI เข้าไว้ด้วยกัน ความท้าทายทางวิศวกรรมที่ยากที่สุดในการผสานเทคโนโลยีเหล่านี้คืออะไร โดยเฉพาะในสภาพแวดล้อมที่การเชื่อมต่อ อายุการใช้งานแบตเตอรี่ และความน่าเชื่อถืออาจไม่แน่นอน

ความท้าทายที่ยากที่สุดไม่ใช่เทคโนโลยีใดเทคโนโลยีหนึ่ง แต่คือการทำให้เทคโนโลยีทั้งหมดทำงานร่วมกันได้อย่างเชื่อถือได้ในอุปกรณ์ชิ้นเดียว ภายใต้สภาพแวดล้อมที่อาจทำให้อุปกรณ์อิเล็กทรอนิกส์สำหรับผู้บริโภคส่วนใหญ่เสียหายได้ พื้นที่ปฏิบัติงานในภาคอุตสาหกรรมสกปรก ต้องใช้แรงกายมาก และมีอุณหภูมิรุนแรง หมวกกันน็อกอาจตกกระแทก โดนฝน และต้องสวมใส่ตลอดกะทำงาน 12 ชั่วโมง อายุการใช้งานแบตเตอรี่กลายเป็นข้อจำกัดจริงจังเมื่อต้องใช้งานระบบระบุตำแหน่ง เซ็นเซอร์ การสื่อสาร และการประมวลผลอนุมานด้วย AI พร้อมกัน อีกเรื่องคือสถาปัตยกรรมการเชื่อมต่อ เราต้องทำให้การสลับระหว่างระบบระบุตำแหน่งด้วยดาวเทียม RTK กลางแจ้งกับเครือข่ายเมช UWB ที่เราพัฒนาขึ้นเองภายในอาคารเป็นไปอย่างราบรื่น โดยไม่มีความแม่นยำลดลงเมื่อคนงานเคลื่อนที่จากระบบหนึ่งไปยังอีกระบบหนึ่ง การทำให้การเปลี่ยนผ่านนี้เกิดขึ้นโดยอัตโนมัติ เชื่อถือได้ และเรียลไทม์ เป็นหนึ่งในงานที่ต้องอาศัยความเชี่ยวชาญทางเทคนิคสูงที่สุดเท่าที่เราเคยทำมา

ทีมของคุณพัฒนาโมเดล AI ด้านเสียงที่ตรวจจับสัญญาณการมึนเมาจากคำพูดได้ และรายงานผลการทำงานที่เหนือกว่าเกณฑ์มาตรฐานทางวิชาการก่อนหน้านี้ อะไรคือความก้าวหน้าทางเทคนิคที่ทำให้เรื่องนี้เป็นไปได้ และคุณตรวจสอบความน่าเชื่อถือของระบบในภาษาที่หลากหลาย สำเนียงต่าง ๆ ระดับเสียงรบกวนที่แตกต่างกัน และสภาพการทำงานจริงอย่างไร

ข้อค้นพบสำคัญคือ ภาวะมึนเมาทิ้งร่องรอยที่ตรวจจับได้ไว้ในรูปแบบย่อย ๆ ของคำพูด ไม่ใช่ที่ตัวคำพูด แต่เป็นคุณสมบัติทางเสียง เช่น จังหวะ การเปลี่ยนระดับเสียง และความแม่นยำในการออกเสียง เราสร้างโมเดลที่วิเคราะห์รูปแบบเหล่านี้อยู่เบื้องหลังระหว่างการสื่อสารด้วยเสียงตามปกติ โดยไม่ต้องให้คนงานเข้ารับการทดสอบเฉพาะหรือทำสิ่งใดเพิ่มเติม ตัวเลขความแม่นยำ 86.7% มาจากการทดสอบเทียบมาตรฐานอย่างเข้มงวดกับชุดข้อมูลทางวิชาการที่เผยแพร่แล้ว ส่วนการตรวจสอบการทำงานในสถานการณ์จริง เราทดสอบในภาษาและสำเนียงที่หลากหลาย รวมถึงสภาพเสียงรบกวนที่พบได้ในพื้นที่อุตสาหกรรมจริง เช่น เสียงเครื่องจักรหนัก เสียงลม และเสียงผู้พูดหลายคนพร้อมกัน โมเดลต้องมีความทนทานมากพอที่จะทำงานได้ในสภาพแวดล้อมที่แตกต่างจากการศึกษาภายใต้การควบคุมอย่างสิ้นเชิง การทำเช่นนี้ต้องอาศัยข้อมูลฝึกฝนที่หลากหลายอย่างมากและการปรับปรุงซ้ำหลายรอบ

ระบบ AI ที่ออกแบบมาเพื่อตรวจจับภาวะบกพร่องหรือความเหนื่อยล้าของคนงานทำให้เกิดคำถามสำคัญเกี่ยวกับผลบวกลวงและความรับผิดชอบ XENOM สร้างสมดุลระหว่างการตรวจพบความเสี่ยงตั้งแต่เนิ่น ๆ กับความจำเป็นในการให้มนุษย์ตรวจสอบอย่างไร และมีมาตรการป้องกันใดบ้างไม่ให้การประเมินที่คลาดเคลื่อนจาก AI ส่งผลเสียต่อคนงานอย่างไม่เป็นธรรม

เราคิดเรื่องนี้อย่างรอบคอบมากมาตั้งแต่แรก ระบบได้รับการออกแบบมาเพื่อแจ้งข้อกังวลให้หัวหน้างานทราบ ไม่ใช่เพื่อตัดสินใจดำเนินการโดยอัตโนมัติ เมื่อ AI ประเมินว่ามีความเป็นไปได้ที่คนงานจะอยู่ในภาวะบกพร่อง จะมีการตรวจสอบโดยมนุษย์ หัวหน้างานสามารถสังเกตคนงานโดยตรง ซักถาม หรือขอให้ตรวจร่างกายได้หากเห็นว่าจำเป็น AI จะไม่สั่งให้ใครออกจากพื้นที่ปฏิบัติงาน แต่จะให้ข้อมูลที่จำเป็นแก่บุคคล เพื่อช่วยให้ตัดสินใจได้รวดเร็วกว่าที่จะทำได้หากไม่มีข้อมูลดังกล่าว เรายังติดตามอัตราผลบวกลวงระหว่างการใช้งานจริงและปรับปรุงโมเดลอย่างต่อเนื่อง เป้าหมายคือการลดจำนวนเหตุการณ์ที่เกิดขึ้นเพราะไม่มีใครสังเกตเห็น ไม่ใช่สร้างระบบที่ลงโทษคนงานโดยอาศัยอัลกอริทึมเพียงอย่างเดียว

ก่อนก่อตั้ง XENOM คุณดำรงตำแหน่ง CTO ของ OneSoil โดยนำคอมพิวเตอร์วิทัศน์และการเรียนรู้ของเครื่องมาใช้ติดตามและวิเคราะห์ผลิตภาพทางการเกษตร บทเรียนใดจากการนำ AI ไปใช้ในภาคเกษตรที่มีคุณค่ามากที่สุดเมื่อนำมาพัฒนาระบบอัจฉริยะสำหรับไซต์ก่อสร้าง เหมือง ท่าเรือ และสถานประกอบการด้านพลังงาน

การนำ AI ไปใช้ในโลกกายภาพเป็นความท้าทายที่แตกต่างจากการนำไปใช้ในซอฟต์แวร์โดยพื้นฐาน คุณต้องรับมือกับความแปรปรวน อุปกรณ์ที่ไม่เคยทำงานเหมือนเดิมทุกครั้ง และผู้ปฏิบัติงานที่ทำงานของตนมานานหลายสิบปีและไม่เชื่อถือสิ่งใดก็ตามที่บอกให้เปลี่ยนวิธีทำงาน พื้นที่ปฏิบัติงานในภาคอุตสาหกรรมก็มีลักษณะเช่นเดียวกัน เทคโนโลยีต้องสร้างความไว้วางใจด้วยการให้ผลลัพธ์ถูกต้องอย่างสม่ำเสมอ มากกว่าที่ผู้คนคาดไว้ และต้องใช้งานง่ายพอที่ผู้จัดการทีมซึ่งมีสมาชิก 50 คนจะนำไปใช้ได้จริงโดยไม่ต้องฝึกอบรม อีกบทเรียนหนึ่งคือ คุณภาพข้อมูลภาคสนามมักแย่กว่าที่วางแผนไว้เสมอ คุณจึงต้องสร้างระบบที่ทนต่อสัญญาณรบกวน ข้อมูลที่ขาดหาย และกรณีเฉพาะที่ไม่เคยปรากฏในชุดข้อมูลที่สะอาด

แพลตฟอร์ม AI สำหรับภาคอุตสาหกรรมสามารถรวบรวมข้อมูลโดยละเอียดเกี่ยวกับตำแหน่ง กิจกรรม การสื่อสาร และผลิตภาพของคนงาน คุณจัดการเรื่องความเป็นส่วนตัวของข้อมูล การยินยอมของพนักงาน และความเสี่ยงที่เทคโนโลยีเหล่านี้จะกลายเป็นเครื่องมือสอดส่องในที่ทำงานอย่างไร ขณะเดียวกันก็ทำให้มั่นใจได้ว่าเทคโนโลยีจะช่วยเพิ่มความปลอดภัยและประสิทธิภาพการดำเนินงานได้จริง

เราพิจารณาเรื่องนี้โดยยึดหลักการจำกัดวัตถุประสงค์ ข้อมูลที่ XENOM เก็บรวบรวมมีไว้เพื่อความปลอดภัยและการมองเห็นภาพรวมการดำเนินงาน ไม่ใช่เครื่องมือสอดส่องผลิตภาพ และไม่ควรนำไปใช้เช่นนั้น ก่อนเริ่มใช้งาน เราทำงานร่วมกับผู้ประกอบการเพื่อกำหนดนโยบายการกำกับดูแลข้อมูลที่ชัดเจน ได้แก่ เก็บข้อมูลอะไร เก็บไว้นานเท่าใด ใครเข้าถึงได้ และจะนำข้อมูลไปใช้ประกอบการตัดสินใจด้านบุคลากรได้ในกรณีใดบ้าง ข้อมูลตำแหน่งของคนงานจะถูกรวบรวมในภาพรวมและทำให้ไม่สามารถระบุตัวบุคคลได้เมื่อนำไปวิเคราะห์ผลิตภาพ ส่วนการติดตามรายบุคคลนั้นเปิดให้หัวหน้างานด้านความปลอดภัยใช้ตอบสนองเหตุฉุกเฉิน ไม่ใช่ให้ผู้จัดการสายงานใช้ประเมินผลการทำงาน เมื่อกฎหมาย AI ของสหภาพยุโรปขยายขอบเขตครอบคลุมระบบ AI ในภาคอุตสาหกรรม เราคาดว่ากรอบกำกับดูแลจะทำให้แนวปฏิบัติหลายประการเหล่านี้เป็นทางการ เราอยากเตรียมพร้อมล่วงหน้ามากกว่าต้องเร่งหาทางปฏิบัติตามภายหลัง

การนำ AI จากสภาพแวดล้อมในห้องปฏิบัติการที่มีการควบคุมไปใช้ในงานอุตสาหกรรมที่มีความปลอดภัยเป็นเรื่องสำคัญยิ่ง ก่อให้เกิดความท้าทายที่บริษัท AI ซึ่งทำงานด้านซอฟต์แวร์เพียงอย่างเดียวแทบไม่เคยพบ ในการนำ XENOM ไปใช้งานจริง มีเรื่องใดบ้างที่สร้างความประหลาดใจให้คุณมากที่สุด และคุณวัดอย่างไรว่าผลิตภัณฑ์เทคโนโลยีนี้ช่วยปรับปรุงการป้องกันอุบัติเหตุ ประสิทธิภาพการดำเนินงาน และผลิตภาพของแรงงานได้อย่างมีนัยสำคัญ?

สิ่งที่สร้างความประหลาดใจมากที่สุดคือ การมีภาพที่แม่นยำว่าผู้คนอยู่ที่ไหนและใช้เวลาไปอย่างไรนั้นสร้างคุณค่าได้มากเพียงใด เราคาดว่าประเด็นหลักที่ผู้ปฏิบัติงานจะพูดคุยด้วยคือเรื่องความปลอดภัย แต่สิ่งที่เราพบคือ การมองเห็นข้อมูลด้านผลิตภาพ—การทำความเข้าใจว่ากะงานเสียเวลาไปกับส่วนใด เหตุใดทีมงานบางทีมจึงทำผลงานได้ดีกว่าทีมอื่น และมีจุดติดขัดตรงไหน—มักสร้างผลตอบแทนจากการลงทุนได้เร็วกว่า และทำให้เกิดผู้สนับสนุนแพลตฟอร์มภายในองค์กรได้รวดเร็วยิ่งขึ้นมาก สิ่งที่สร้างความประหลาดใจเป็นอันดับสองคือ ความแตกต่างระหว่างแต่ละอุตสาหกรรม รวมถึงความแตกต่างระหว่างสถานที่ปฏิบัติงานในอุตสาหกรรมเดียวกัน การก่อสร้างในเยอรมนีแตกต่างจากการก่อสร้างในสหรัฐอาหรับเอมิเรตส์อย่างมาก คุณไม่สามารถสร้างผลิตภัณฑ์เพียงแบบเดียวแล้วคิดว่าจะใช้ได้ทุกที่โดยไม่ต้องปรับปรุงแก้ไขอย่างมีนัยสำคัญ

เมื่อมองไปข้างหน้า XENOM มีวิสัยทัศน์ที่จะพัฒนา Industrial AI Copilot ซึ่งสามารถก้าวข้ามการเฝ้าติดตามไปสู่การคาดการณ์ความเสี่ยงและการแนะนำการตัดสินใจด้านการดำเนินงาน คุณมองว่า AI ทางกายภาพจะพัฒนาไปอย่างไรในอีกห้าปีข้างหน้า และยังจำเป็นต้องมีความก้าวหน้าทางเทคโนโลยีด้านใดบ้าง ก่อนที่ระบบ AI ในภาคอุตสาหกรรมจะทำงานได้อย่างอิสระมากขึ้นโดยยังคงมีมนุษย์กำกับดูแล?

ปัจจุบัน AI ในภาคอุตสาหกรรมส่วนใหญ่ทำหน้าที่ให้เห็นภาพว่าเกิดอะไรขึ้น ขั้นต่อไปคือการคาดการณ์ โดยระบุรูปแบบที่เกิดขึ้นก่อนเหตุการณ์หรือการสูญเสียผลิตภาพจะเกิดขึ้น การทำเช่นนี้ต้องอาศัยการสะสมข้อมูลที่มีโครงสร้างและติดป้ายกำกับไว้ในปริมาณมากอย่างต่อเนื่อง ซึ่งเป็นสิ่งที่ XENOM เริ่มทำตั้งแต่วันแรก ขั้นถัดจากนั้นคือการให้คำแนะนำ ระบบจะไม่เพียงบอกว่าอะไรมีแนวโน้มจะเกิดขึ้น แต่ยังเสนอด้วยว่าควรทำอย่างไร เช่น ควรจัดสรรบุคลากรใหม่อย่างไร ควรหยุดการปฏิบัติงานเมื่อใด หรือการจัดทีมงานแบบใดจะให้ผลลัพธ์ดีที่สุดสำหรับงานหนึ่ง ๆ สิ่งที่เรากำลังพัฒนา Industrial AI Copilot ให้ทำได้คือขั้นที่สามนี้ ความก้าวหน้าทางเทคโนโลยีที่จำเป็นไม่ได้อยู่ที่การพัฒนาแบบจำลองเป็นหลัก แต่อยู่ที่ข้อมูล คุณจำเป็นต้องมีข้อมูลการปฏิบัติงานคุณภาพสูงจากสถานที่ปฏิบัติงานที่หลากหลายมากพอ เพื่อฝึกแบบจำลองให้สามารถนำไปใช้กับบริบทอื่นได้อย่างน่าเชื่อถือ บริษัทที่เริ่มเก็บข้อมูลเหล่านี้ตั้งแต่ตอนนี้จะได้เปรียบ ซึ่งเป็นข้อได้เปรียบที่คู่แข่งเลียนแบบได้ยากมากในภายหลัง

ขอขอบคุณสำหรับบทสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการสำรวจ AI ที่ประมวลผลใกล้แหล่งข้อมูล อุปกรณ์ป้องกันอัจฉริยะ และการตรวจสอบความปลอดภัยในภาคอุตสาหกรรมแบบเรียลไทม์ สามารถเยี่ยมชม XENOM ได้