บริบท: การสร้างรากฐานข้อมูลที่เชื่อถือได้สำหรับ AI แบบเอเจนต์

บริบทเป็นหัวใจสำคัญของการสื่อสารของเรา คำพูดที่ถูกตัดออกจากบริบทอาจดูเหมือนสื่อความหมายตรงกันข้ามกับที่ตั้งใจไว้ทุกประการ เมื่อพบใครสักคนโดยไม่มีบริบท เราอาจจำเขาไม่ได้ บริบทเป็นเสมือนกาวที่เชื่อมความสัมพันธ์ระหว่างผู้คน และช่วยให้เราค้นพบความหมายจากปฏิสัมพันธ์ทางสังคม

AI เอเจนต์ก็เช่นเดียวกัน บริบทช่วยให้เอเจนต์ขจัดความกำกวมได้ เช่น แยกแยะว่า Apple หมายถึงบริษัทเทคโนโลยี ค่ายเพลง หรือแอปเปิลซึ่งเป็นผลไม้ 

การแยกแยะความหมายนี้สำคัญอย่างยิ่ง เพราะ AI สำหรับองค์กรตัดสินใจและดำเนินการอย่างรวดเร็ว ไม่ว่าจะเป็นการแจ้งเตือนธุรกรรม การอนุมัติสินเชื่อ และการส่งสัญญาณเตือน หากเอเจนต์ไม่เข้าใจเอนทิตีที่เกี่ยวข้องในกระบวนการทำงาน ก็จะยังคงดำเนินการต่อไป แต่รับรองได้เลยว่าจะเกิดข้อผิดพลาด 

เนื่องจากมีการคาดการณ์บางส่วนว่าภายในสิ้นปีนี้ ความผิดพลาดเหล่านี้จะเพิ่มขึ้นอย่างรวดเร็ว เมื่อองค์กรขนาดใหญ่ทั่วไปจะใช้มากถึง 1,600 เอเจนต์

ความซับซ้อนของการระบุตัวตนดิจิทัล

AI แบบเอเจนต์กำลังได้รับความสนใจอย่างมาก ซึ่งก็สมเหตุสมผล แต่ตราบใดที่เอเจนต์ยังไม่เข้าใจเอนทิตีในชุดข้อมูลของตนอย่างแท้จริง เราก็เสี่ยงที่จะสร้างปราสาทบนผืนทราย 

ปัญหานี้แก้ได้ไม่ง่ายนัก ตัวอย่างเช่น ลูกค้าคนเดียวกันอาจปรากฏในฐานข้อมูลองค์กรหลายแห่งภายใต้ชื่อที่แตกต่างกัน (J. Bloggs, Jane Bloggs, Bloggs เป็นต้น) ในทำนองเดียวกัน นิติบุคคลเดียวกันอาจถูกระบุแยกกันในบริษัทลูกหลายแห่ง เอเจนต์จะทราบได้อย่างไรว่าที่จริงแล้วเอนทิตีที่ดูเหมือนแตกต่างกันเหล่านี้เป็นข้อมูลของบุคคลหรือนิติบุคคลเดียวกัน? 

ปัจจุบัน เอเจนต์มักทำเช่นนั้นไม่ได้ นี่เป็นผลจากวิธีสร้างเอเจนต์ โดยพื้นฐานแล้ว เอเจนต์คือระบบที่รับข้อมูลเข้าและส่งผลลัพธ์ออกมา แต่เราควรป้อนข้อมูลให้เอเจนต์มากน้อยเพียงใดกันแน่ งานวิจัยแสดงให้เห็นว่า หน้าต่างบริบทที่ยาวเกินไป ทำให้เอเจนต์สร้างข้อมูลหลอน ในทางกลับกัน หากให้ข้อมูลน้อยเกินไป เอเจนต์ก็จะตัดสินใจอย่างมั่นใจและลงมือทำโดยอาศัยข้อมูลที่ไม่ถูกต้อง องค์กรจึงต้องหาจุดสมดุล โดยให้บริบทแก่ระบบเท่าที่จำเป็น ไม่มากหรือน้อยไปกว่านั้น 

การบูรณาการข้อมูลคือหัวใจสำคัญ

ปริมาณข้อมูลเป็นเพียงส่วนหนึ่งของความท้าทาย องค์กรยังต้องคำนึงถึงคุณภาพและการบูรณาการข้อมูลด้วย บริบทที่ไม่ดีเกิดจากข้อมูลที่เชื่อมโยงกันไม่ดี ภาพหลอนอาจเกิดขึ้นเมื่อข้อมูลที่เอเจนต์ต้องใช้เพื่อตัดสินใจกระจัดกระจายอยู่ในฐานข้อมูล แอป และหน่วยธุรกิจต่าง ๆ ที่แยกจากกัน บริบททางธุรกิจประมาณ 80-90% อยู่ในไฟล์ที่แยกเก็บเป็นไซโลและไม่มีโครงสร้างตามระบบที่ไม่ได้เชื่อมต่อกัน หาก AI เข้าถึงข้อมูลเหล่านี้ไม่ได้ ผลลัพธ์ที่ได้ก็จะตั้งอยู่บนสมมติฐานที่ไม่ครบถ้วน 

แม้จะมีปัญหาเหล่านี้ การนำ AI เอเจนต์ไปใช้งานก็ยังคงดำเนินไปอย่างรวดเร็ว หากผู้นำธุรกิจไม่อาจไว้วางใจให้เอเจนต์ตัดสินใจได้อย่างถูกต้องและดำเนินการได้อย่างเหมาะสม ก็จำเป็นต้องลงทุนเพิ่มกับการกำกับดูแลโดยมนุษย์ให้มากกว่าระดับที่จำเป็นในกรณีอื่น แทนที่จะได้เอเจนต์อัตโนมัติที่มีประสิทธิภาพสูงตามที่คาดหวัง องค์กรกลับต้องพึ่งพาเครื่องมือที่ไม่น่าไว้วางใจและต้องคอยประกบดูแล อีกทางเลือกหนึ่งคือยอมให้ความเสี่ยงทางธุรกิจและภาระงานของทีมกำกับดูแลการปฏิบัติตามข้อกำหนดและทีมกฎหมายเพิ่มสูงขึ้น 

การสร้างรากฐานข้อมูลเชิงบริบท

แล้วต้องทำอย่างไร? หัวใจสำคัญคือการจัดเตรียมรากฐานข้อมูลที่ถูกต้องและผ่านการตรวจสอบให้เอเจนต์ รากฐานนี้รวบรวมข้อมูลที่กระจัดกระจายจากแหล่งข้อมูลทั้งภายในและภายนอกเข้าด้วยกัน และใช้หลักกำกับดูแลที่สอดคล้องกันกับข้อมูลทั้งแบบมีโครงสร้างและไม่มีโครงสร้าง จากนั้นจึงเพิ่มบริบทเพื่อให้ข้อมูลที่ป้อนเข้าสู่ AI สะท้อนความสัมพันธ์ในโลกแห่งความเป็นจริง แทนที่จะเป็นเพียงระเบียนข้อมูลที่แยกขาดจากกัน วิธีนี้ช่วยให้เอเจนต์เชื่อมโยงบุคคลกับชื่ออื่น ๆ ที่ใช้เรียก หรือเชื่อมโยงบริษัทลูกกับบริษัทแม่ได้ 

เมื่อมีรากฐานข้อมูลเชิงบริบทแล้ว การดำเนินงานที่ขับเคลื่อนด้วย AI ก็จะแม่นยำ อธิบายที่มาได้ และรองรับการตัดสินใจอย่างมั่นใจ องค์กรสามารถไว้วางใจเอเจนต์ได้โดยไม่ต้องคอยประกบดูแล จึงใช้ประโยชน์จากระบบอัตโนมัติแบบเอเจนต์ได้อย่างเต็มที่โดยไม่ต้องกำกับดูแลมากเกินจำเป็น 

ในทางเทคนิค บริบทเกิดขึ้นได้จากความสามารถสองประการ ประการแรกคือการจับคู่เอนทิตี ซึ่งเชื่อมโยงระเบียนที่เกี่ยวข้องกับเอนทิตีเดียวกัน แม้ข้อมูลอ้างอิงเหล่านี้จะกระจัดกระจายอยู่ในระบบและข้อมูลหลายประเภท ระเบียนเหล่านั้นจะถูกรวมให้สอดคล้องกันเป็นมุมมองเดียวที่เชื่อถือได้ของบุคคล องค์กร และสินทรัพย์ พร้อมแก้ไขปัญหาข้อมูลซ้ำซ้อนและความกำกวมซึ่งมักบั่นทอนคุณภาพข้อมูลและนำไปสู่ผลลัพธ์จาก AI ที่ผิดพลาด 

ความสามารถประการที่สองคือกราฟความรู้ ซึ่งเพิ่มบริบทด้วยการจำลองความสัมพันธ์ระหว่างเอนทิตี เช่น ลูกค้าเชื่อมโยงกับบัญชีอย่างไร ธุรกรรมสัมพันธ์กับพฤติกรรมอย่างไร และความเสี่ยงแพร่กระจายไปทั่วเครือข่ายอย่างไร เมื่อนำกราฟความรู้มาผสานกับการจับคู่เอนทิตี ก็จะช่วยสร้างภาพข้อมูลที่ถูกต้องตรงกับสภาพจริง พร้อมมอบรากฐานที่ AI เอเจนต์จำเป็นต้องใช้เพื่อทำงานได้อย่างมีประสิทธิภาพในวงกว้าง 

ประโยชน์ที่มากกว่า AI แบบเอเจนต์

แน่นอนว่า AI agents ไม่ใช่ผู้ใช้ข้อมูลเพียงกลุ่มเดียวในองค์กร รากฐานข้อมูลที่มีบริบทช่วยให้พนักงานฝ่ายปฏิบัติการ ทีมกำกับดูแลการปฏิบัติตามกฎระเบียบ นักวิเคราะห์ธุรกิจ ทีมทรัพยากรบุคคล และผู้ใช้ข้อมูลกลุ่มอื่น ๆ ได้รับประโยชน์จากการมองเห็นภาพรวมที่เป็นหนึ่งเดียวและถูกต้องแม่นยำเช่นกัน

สิ่งนี้ยังช่วยยกระดับประสบการณ์ของลูกค้าได้ด้วย ตัวอย่างเช่น หากธุรกิจมีข้อมูลประวัติของลูกค้าคนเดียวกันหลายชุด ลูกค้าก็อาจได้รับการติดต่อซ้ำหลายครั้งจากทีมต่าง ๆ ประสบการณ์เช่นนี้ย่อมทำให้ลูกค้ารู้สึกหงุดหงิดเป็นอย่างน้อย ข้อมูลที่มีบริบทช่วยยกระดับประสบการณ์ของลูกค้า เพราะทำให้องค์กรเข้าใจลูกค้าได้อย่างรอบด้านยิ่งขึ้น และมั่นใจได้ว่ามีปฏิสัมพันธ์กับลูกค้าอย่างเหมาะสม ท้ายที่สุดแล้ว แนวทางนี้ให้ความสำคัญกับผู้คนมากกว่า และช่วยให้ธุรกิจประหยัดทั้งเวลาและค่าใช้จ่าย

ทำให้ AI ตอบอย่างตรงไปตรงมา

Gartner คาดการณ์ว่า แอปพลิเคชันในองค์กร 40%จะมี AI agents ที่ออกแบบมาเพื่อทำงานเฉพาะด้านในปีนี้ เพิ่มขึ้นจากไม่ถึง 5% ในปี 2025 ยุคของ agentic AI มาถึงแล้ว

อย่างไรก็ตาม ผู้ที่ลงทุนในเทคโนโลยีนี้จะไม่ได้รับประโยชน์จากเวิร์กโฟลว์ agentic AI อย่างเต็มที่เท่าเทียมกันทุกคน องค์กรที่เตรียมความพร้อมด้วยการวางรากฐานข้อมูลที่เป็นหนึ่งเดียวและเปี่ยมด้วยบริบท จะสามารถไว้วางใจผลลัพธ์จาก AI และขยายการใช้งานได้อย่างรวดเร็ว ส่วนองค์กรอื่น ๆ จะเสียเวลาและความพยายามไปกับการคอยดูแลระบบใหม่อย่างใกล้ชิด ดังนั้น ความสำเร็จจึงขึ้นอยู่กับการฝังชั้นบริบทที่ปรับเปลี่ยนและพัฒนาได้ลงในเทคโนโลยีสแตกสำหรับ agentic AI ตั้งแต่วันแรก