การส่งมอบผลกระทบจาก AI ในการวิจัย พัฒนา และนวัตกรรม

ปัญญาประดิษฐ์ (AI) กำลังเปลี่ยนแปลงการวิจัย พัฒนา และนวัตกรรม (R&D&I) โดยปลดปล่อยโอกาสใหม่ๆ ในการแก้ไขความท้าทายที่สำคัญที่สุดของโลก รวมถึงความยั่งยืน การดูแลสุขภาพ การเปลี่ยนแปลงสภาพภูมิอากาศ และความมั่นคงด้านอาหารและพลังงาน นอกจากนี้ยังช่วยให้องค์กรสามารถสร้างนวัตกรรมได้ดีขึ้น และเปิดตัวผลิตภัณฑ์และบริการที่เป็นนวัตกรรมใหม่ๆ

AI ใน R&D&I ไม่ใช่เรื่องใหม่ อย่างไรก็ตาม การเพิ่มขึ้นของ ปัญญาประดิษฐ์เชิงสร้างสรรค์ (GenAI) และ โมเดลภาษาขนาดใหญ่ (LLMs) ได้เพิ่มขีดความสามารถของ AI อย่างมาก ทำให้เกิดการสร้างสรรค์ใหม่ๆ และนวัตกรรมโดยรวม

องค์กรสามารถใช้ประโยชน์จาก AI ในความพยายาม R&D&I ของตนได้อย่างไร และมีการปฏิบัติที่ดีที่สุดอะไรที่ควรใช้เพื่อขับเคลื่อนความสำเร็จ เพื่อทราบว่า Arthur D. Little’s (ADL’s) Blue Shift Institute ได้ดำเนินการวิจัยอย่างครอบคลุมโดยสัมภาษณ์ผู้ให้บริการ AI มากกว่า 40 ราย ผู้เชี่ยวชาญ และผู้ปฏิบัติงาน ตลอดจนสำรวจองค์กรมากกว่า 200 แห่งในภาคสาธารณะและเอกชน รายงานที่ได้ผล Eureka! on Steroids: AI-driven Research, Development, and Innovation ให้การวิเคราะห์อย่างลึกซึ้งเกี่ยวกับภูมิทัศน์ปัจจุบันและแนวโน้มในอนาคตของ AI ในการวิจัยและนวัตกรรม

การวิเคราะห์ของเรามุ่งเน้นไปที่ห้าด้านหลัก:

AI ส่งมอบผลประโยชน์ทั่ว R&D&I – แต่จะไม่แทนที่มนุษย์

ทุกบล็อกการสร้าง R&D&I สามารถใช้ประโยชน์จาก AI ได้ ตั้งแต่เทคโนโลยีและข่าวกรองตลาดไปจนถึงกลยุทธ์นวัตกรรม การสร้างแนวคิด การจัดการพอร์ตโฟลิโอและโครงการ การจัดการทรัพย์สินทางปัญญา เมื่อเราพยายามเข้าใจถึงประโยชน์เหล่านี้ จะมีสามปัจจัยหลักที่เกิดขึ้น:

• AI จะเสริมความสามารถของผู้วิจัย มากกว่าที่จะแทนที่พวกเขา ทำให้พวกเขาได้รับเวลามากขึ้น และสามารถสร้างสรรค์ผลงานได้มากขึ้น
• AI ช่วยแก้ปัญหาที่ไม่สามารถแก้ไขได้ก่อนหน้านี้ เนื่องจากความเร็วและความสามารถในการปรับขนาดและเรียนรู้ของ AI ทำให้เกิดโอกาสใหม่ๆ ในด้านนวัตกรรม
• AI จะรับหน้าที่ “ผู้วางแผน-ผู้คิด” ไปไกลกว่าการสร้างเนื้อหาและการค้นหา เพื่อรับหน้าที่ที่ซับซ้อนกว่านั้น เช่น การจัดการความรู้ การสร้างสมมติฐาน และผู้ช่วยทีม R&D&I

เมื่อตัดสินใจว่าจะใช้ AI ในการแก้ไขกรณีการใช้งาน R&D&I ที่เฉพาะเจาะจง ไม่มีรูปแบบการ_deploy ที่ครอบคลุมทุกกรณี เพื่อทำความเข้าใจว่าแนวทาง AI ใดจะให้ผลลัพธ์ที่ดีที่สุด องค์กรต้องมุ่งเน้นไปที่สองปัจจัย – ประเภทและปริมาณข้อมูลที่มีอยู่ (จากน้อยไปหามาก) และลักษณะของคำถามที่ถูกถาม (จากเปิดไปหาส่วนตัว) ในเวลาเดียวกัน แนวทาง AI เดียวอาจไม่ได้ผลลัพธ์ที่ดีที่สุด – ระบบอัจฉริยะส่วนใหญ่ที่ผลิตขึ้นในรอบ 15 ปีที่ผ่านมาเป็นระบบของระบบ ซึ่งเป็นระบบ AI อิสระ โมเดล หรืออัลกอริทึมที่ออกแบบมาเพื่อทำงานเฉพาะ ซึ่งเมื่อรวมเข้าด้วยกันจะให้ฟังก์ชันและประสิทธิภาพที่ดีกว่า

ความสำเร็จต้องอาศัยการปฏิบัติที่ดี 8 ประการ

ตามการให้สัมภาษณ์กับผู้วิจัย นักวิทยาศาสตร์ AI ผู้ก่อตั้ง และหัวหน้า R&D ในทีมดิจิทัล การผลิต การตลาด และ R&D เราเห็นการปฏิบัติที่ดี 8 ประการที่เป็นพื้นฐานของการ_deploy AI ที่ประสบความสำเร็จ องค์กรต้อง:

• ใช้แนวทาง Agile เพื่อให้ทีมสามารถทำงานได้อย่างรวดเร็วในสภาพแวดล้อม AI ที่เปลี่ยนแปลงอย่างรวดเร็ว
• สร้างรากฐานที่แข็งแกร่งโดยเน้นไปที่คุณภาพข้อมูล การทำงานร่วมกันในองค์กร และการใช้ข้อมูลที่เป็นเจ้าของ
• เลือกวิธีการเชิงกลยุทธ์ระหว่างการสร้าง การซื้อ และการปรับแต่งโมเดล โดยที่วิธีการหลัง往往มีประสิทธิภาพมากที่สุด
• พิจารณาการแลกเปลี่ยนเชิงวิเคราะห์เพื่อให้แน่ใจว่ามีการก้าวหน้าระหว่างโครงการ proof-of-concept เช่น การได้รับข้อมูลเทียบกับการสังเคราะห์ข้อมูล ความแม่นยำเทียบกับการเรียกคืน และการ underfitting เทียบกับการ overfitting
• ดำเนินการเชิงรุกในการใช้ประโยชน์จากทักษะวิทยาศาสตร์ข้อมูลที่มีอยู่ รวมถึงการร่วมมือกับภายนอกองค์กรเพื่อเพิ่มทักษะที่จำเป็น
• จัดตำแหน่งกับ IT เพื่อสร้างสมดุลระหว่างความปลอดภัยและความเป็นไปตามข้อกำหนดกับความเร็วในการทดลอง
• แสดงถึงผลประโยชน์อย่างรวดเร็วและได้รับการยอมรับจากผู้ใช้เพื่อสร้างความไว้วางใจและปลดปล่อยการลงทุนเพิ่มเติม
• ดูแลและติดตามประสิทธิภาพของระบบอย่างต่อเนื่อง โดยเฉพาะอย่างยิ่งรอบๆ การปรับปรุงโมเดล

3. ส่วนประกอบเทคโนโลยีกำลังอยู่ในตำแหน่งที่ถูกต้อง

เช่นเดียวกับกรณีการใช้งาน AI ส่วนใหญ่ ช่องว่างมูลค่าของ R&D&I ประกอบด้วยสามชั้น – อินฟราสตรัคเจอร์ ผู้พัฒนาโมเดล และแอปพลิเคชัน

ในแง่อินฟราสตรัคเจอร์ ต้นทุนในการใช้งานและบำรุงรักษาอินฟราสตรัคเจอร์ที่เพียงพอเป็นจำนวนมาก แต่ผู้ให้บริการโฮสติ้งกำลังให้บริการแบบ inference-as-a-service ที่เพิ่มขึ้น โดยการวิ่ง inference และคิวรี่ในคลาวด์เพื่อลบความจำเป็นในการใช้อินฟราสตรัคเจอร์ในองค์กร ลดค่าใช้จ่ายล่วงหน้า และทำให้ AI สามารถเข้าถึงได้โดยทั่วไป

ช่องว่างมูลค่าของ AI ใน R&D&I พึ่งพาโมเดลโอเพ่นซอร์สหลักๆ จากผู้เล่น เช่น Meta, Microsoft และ Nvidia อย่างไรก็ตาม ผู้เล่นที่เล็กกว่า เช่น Mistral และ Cohere ก็เป็นส่วนหนึ่งของระบบนิเวศที่สำคัญเช่นกัน เช่นเดียวกับสถาบันการศึกษา

ที่ส่วนแอปพลิเคชันของช่องว่างมูลค่า แอปพลิเคชัน R&D&I ทั่วไปและเฉพาะจุดได้ถูกสร้างขึ้นแล้วเพื่อตอบสนองกรณีการใช้งานส่วนใหญ่ โดยมีมากกว่า 500 แอปพลิเคชันในขณะนี้ ซึ่งครอบคลุมกระบวนการ R&D&I ทั้งหมด

อนาคตไม่ชัดเจน – แต่การวางแผนแบบซีเนียริโอช่วยให้เข้าใจ

ว่า AI ใน R&D&I จะพัฒนาไปอย่างไรขึ้นอยู่กับผลลัพธ์ของสามปัจจัยหลัก – ประสิทธิภาพ ความไว้วางใจ และความสามารถในการจ่ายเงิน การรวมปัจจัยเหล่านี้เข้าด้วยกันทำให้เกิดシナリโอที่เป็นไปได้หกแบบบนเส้นแบ่งระหว่าง AI ที่เปลี่ยนแปลงทุกด้านของ R&D&I ไปจนถึงการใช้ AI ในกรณีการใช้งานที่มีความเสี่ยงต่ำ ในระดับจากผลกระทบสูงสุดไปจนถึงผลกระทบต่ำสุด ซีเนียริโอเหล่านี้คือ:

• Blockbuster: AI กลายเป็นจุดสนใจหลักตลอดวงจร R&D&I โดยเปลี่ยนแปลงองค์กรไปพร้อมกัน ข้อมูลกลายเป็นแนวหน้าใหม่
• Crowd-Pleaser: AI มีความสะดวกสบาย มีราคาไม่แพง และถูกนำมาใช้สำหรับงานที่ต้องทำทุกวัน แต่ไม่สามารถส่งมอบคุณค่าทางวิทยาศาสตร์/สร้างสรรค์ได้
• Crown Jewel: AI ส่งมอบผลผลิตและความก้าวหน้าทางวิทยาศาสตร์ แต่เฉพาะสำหรับองค์กรที่สามารถจ่ายได้ – นำไปสู่โลกที่มีความเร็วสองระดับใน R&D&I
• Problem Child:尽管มีกรณีการใช้งานที่โดดเด่นและโซลูชันที่มีราคาไม่แพง AI ไม่สามารถแสดงถึงคุณค่าของมัน – องค์กร R&D&I ยังคงวิตกกังวลเกี่ยวกับความปลอดภัยของข้อมูล จริยธรรม และการไม่สามารถอธิบายได้
• Best-Kept Secret: AI มีการปรับปรุงประสิทธิภาพ แต่ต้นทุนสูงทำให้องค์กรกลายเป็นคนขี้ระแวง ความไว้วางใจต่ำและกระบวนการทางภูมิทัศน์จำกัดการนำไปใช้ โดยมีเพียงการทดลองใหม่ๆ ที่ได้รับการเปิดตัว
• Cheap & Nasty: AI ถูกใช้อย่างกว้างขวางในกรณีการใช้งานที่มีความเสี่ยงต่ำ แต่เฉพาะในฐานะเครื่องมือสำหรับการสร้างต้นแบบหรือการสร้างความคิดใหม่ๆ ระบบที่ไม่น่าเชื่อถือได้รับการตรวจสอบอย่างเข้มงวด และผลลัพธ์ได้รับการตรวจสอบ ซึ่งทำให้ประสิทธิภาพลดลง

การทำความเข้าใจซีเนียริโอเหล่านี้มีความสำคัญสำหรับองค์กร R&D&I ในขณะที่พวกเขาวางแผนแนวทางไปข้างหน้าสำหรับการนำ AI ไปใช้

เวลาที่องค์กร R&D&I ต้องดำเนินการคือตอนนี้

ในบางกรณี AI กำลังทำให้เกิดการปรับปรุงที่สำคัญในด้านเวลา ต้นทุน และประสิทธิภาพในการสร้างสูตร การพัฒนาผลิตภัณฑ์ การให้ข้อมูล และงาน R&D&I อื่นๆ ซึ่งหมายความว่าไม่ว่าซีเนียริโอใดจะเกิดขึ้น การเคลื่อนไหวที่ไม่มีการเสียใจ 6 ประการจะช่วยให้องค์กร R&D&I สร้างความยืดหยุ่นและใช้ประโยชน์จาก AI ได้ พวกเขาต้อง:

• จัดการและเสริมสร้างทักษะ โดยให้แน่ใจว่าแรงงานมีการฝึกอบรมและความเชี่ยวชาญในการใช้ AI หากจำเป็นต้องมอบหมายการดำเนินการให้กับผู้ให้บริการภายนอกในระยะกลาง
• ควบคุมเนื้อหาที่สร้างโดย AI โดยการปรับปรุงกระบวนการบริหารความเสี่ยงและการแบ่งปันระเบียบวิธีการตรวจสอบสาธารณะเพื่อสร้างความไว้วางใจ
• สร้างการแบ่งปันข้อมูลและการทำงานร่วมกัน โดยทำงานร่วมกับระบบนิเวศสาธารณะและเอกชนที่กว้างขึ้นเพื่อขับเคลื่อนการนำ AI ไปใช้
• ฝึกอบรมสำหรับการวิ่งระยะยาว โดยให้การศึกษาแก่ผู้ใช้ที่กว้างที่สุดเกี่ยวกับพื้นฐาน AI ทักษะที่จำเป็น และความเสี่ยงที่อาจเกิดขึ้น
• เปลี่ยนแปลงองค์กรและการกำกับดูแล โดยย้ายออกไปนอก IT เพื่อให้ความสำคัญระดับสูงและทำลายซิลโลเพื่ออำนวยความสะดวกในการทำงานร่วมกัน
• รวมทรัพยากรการคำนวณ โดยทำงานร่วมกับพันธมิตรหรือแบ่งปันทรัพยากรภายในเพื่อตอบสนองความต้องการโครงสร้างพื้นฐานในปัจจุบันและอนาคตอย่างมีประสิทธิภาพ

นอกเหนือจากการเคลื่อนไหวที่ไม่มีการเสียใจแล้ว ความสำเร็จจะมาจากการสร้างพอร์ตโฟลิโอการลงทุน R&D&I ที่มีฐานะดี ซึ่งจัดตำแหน่งกับวัตถุประสงค์ขององค์กร ซึ่งหมายความว่าพิจารณาปริมาณข้อมูล ค่าใช้จ่าย และประโยชน์ของกรณีการใช้งาน AI ที่เฉพาะเจาะจง และใช้ข้อมูลนี้เพื่อขับเคลื่อนการเพิ่มประสิทธิภาพของพอร์ตโฟลิโอโครงการนวัตกรรม การตัดสินใจควรขึ้นอยู่กับวัตถุประสงค์เชิงกลยุทธ์ ความสามารถ และข่าวกรองตลาด และบริบทที่องค์กรดำเนินการ

ทุกขั้นตอนของห่วงโซ่คุณค่าของการวิจัย การพัฒนา และนวัตกรรมสามารถเปลี่ยนแปลงได้โดย AI โดยการเสริมความสามารถของผู้วิจัยเพื่อเปลี่ยนแปลงผลผลิตและทำให้เกิดนวัตกรรมใหม่ๆ โอกาสเหล่านี้ต้องถูกสร้างสมดุลกับความท้าทายที่หลากหลายรอบๆ ประสิทธิภาพ ความไว้วางใจ และความสามารถในการจ่ายเงิน ซึ่งหมายความว่าองค์กรต้องมุ่งเน้นไปที่การวางตำแหน่งความพยายาม AI ของ R&D&I ของตนเพื่อประสบความสำเร็จ ไม่ว่าอนาคตจะนำพาไปสู่ đâu

บทความนี้เขียนขึ้นด้วยความช่วยเหลือของ Albert Meige, Zoe Huczok, Arnaud Siraudin และ Arthur D. Little.