ผมสร้างระบบ AI เป็นอาชีพ และนี่คือสิ่งที่คนส่วนใหญ่เข้าใจผิด

ผมสร้างระบบ AI สำหรับศูนย์ติดต่อลูกค้าขององค์กร

ไม่ใช่เดโม เบนช์มาร์ก หรือโครงการวิจัย แต่เป็นระบบใช้งานจริงที่โต้ตอบกับลูกค้า ทำงานตามนโยบาย ดึงข้อมูลจากแพลตฟอร์มองค์กรที่ไม่ได้เชื่อมต่อกัน และปฏิบัติงานในสภาพแวดล้อมซึ่งเต็มไปด้วยข้อมูลยุ่งเหยิง บันทึกที่ขัดแย้งกัน เสียงรบกวนเบื้องหลัง และพฤติกรรมมนุษย์ที่คาดเดาไม่ได้

ประสบการณ์นี้ทำให้ผมได้เห็นความไม่สอดคล้องครั้งใหญ่ที่สุดเรื่องหนึ่งในอุตสาหกรรม AI จากแถวหน้า บทสนทนาสาธารณะเกี่ยวกับ AI มักถูกครอบงำด้วยคำถามว่าสักวันเทคโนโลยีนี้อาจกลายเป็นอะไร ขณะที่องค์กรกำลังพยายามหาวิธีนำมันมาใช้ให้สำเร็จในวันนี้ นี่เป็นบทสนทนาที่ต่างกันมาก

คำถามที่ผมใช้เวลาตอบแทบไม่เกี่ยวกับปัญญาประดิษฐ์ทั่วไป หรือเครื่องจักรจะมาแทนที่มนุษย์ในท้ายที่สุดหรือไม่ แต่เป็นเรื่องเชิงปฏิบัติมากกว่า ระบบตีความคำขอของลูกค้าได้สม่ำเสมอหรือไม่ ระบบดึงข้อมูลที่ถูกต้องจากหลายแพลตฟอร์มองค์กรได้หรือไม่ ระบบฟื้นตัวได้หรือไม่เมื่อข้อมูลไม่ครบถ้วน ระบบส่งต่อเรื่องอย่างเหมาะสมหรือไม่เมื่อความมั่นใจต่ำ และทีมงานไว้วางใจระบบมากพอที่จะใช้งานในวงกว้างได้หรือไม่

คำถามเหล่านี้อาจไม่น่าตื่นเต้นเท่าพาดหัวข่าว แต่เป็นสิ่งที่กำหนดว่า AI ขององค์กรจะประสบความสำเร็จหรือไม่ เมื่อเวลาผ่านไป ผมเชื่อว่าองค์กรส่วนใหญ่ให้ความสำคัญกับตัวโมเดลมากเกินไป และประเมินทุกสิ่งที่จำเป็นต่อการทำให้โมเดลนั้นมีประโยชน์ในธุรกิจจริงต่ำเกินไป

เดโมไม่ใช่การนำไปใช้งานจริง

ทุกคนที่ทำงานใกล้ชิดกับ AI สำหรับองค์กรย่อมเข้าใจช่องว่างระหว่างการสาธิตในสภาพแวดล้อมควบคุมกับการใช้งานจริง

เราพบตัวอย่างเช่นนี้อยู่ตลอด ระบบ AI ระบบหนึ่งที่เรากำลังทำงานด้วยตีความหมายเลขคำสั่งซื้อ 16 หลักซึ่งพูดออกมาเป็นคำได้ไม่ถูกต้องราวครึ่งหนึ่งของเวลา ความล้มเหลวแบบนี้คล้ายปัญหาที่โด่งดังในเวลาต่อมาว่า “คำว่า strawberry มีตัว r กี่ตัว” ซึ่งโมเดลภาษาขั้นสูงประสบปัญหากับงานที่ดูง่ายสำหรับมนุษย์ ทั้งที่โมเดลเดียวกันอาจทำคะแนนได้ดีมากในการสอบอย่าง MCAT ความแตกต่างนี้เผยให้เห็นสิ่งสำคัญว่า ประสิทธิภาพบนเบนช์มาร์กกับความน่าเชื่อถือในการปฏิบัติงานไม่ใช่สิ่งเดียวกัน

เมื่อ AI เข้าสู่การใช้งานจริง มันรับความซับซ้อนทั้งหมดของสภาพแวดล้อมรอบตัวมาด้วย ระบบองค์กรมีบันทึกไม่ครบถ้วน ข้อมูลขัดแย้งกัน กระบวนการล้าสมัย แอปพลิเคชันไม่เชื่อมต่อกัน และกรณีขอบที่สะสมมาหลายทศวรรษ ลูกค้าถามคำถามคลุมเครือ นโยบายเปลี่ยน คุณภาพข้อมูลแตกต่างกัน และพฤติกรรมมนุษย์ยังคงคาดเดาไม่ได้อย่างน่าทึ่ง

ความเป็นจริงเหล่านี้กำหนดผลลัพธ์มากกว่าคะแนนเบนช์มาร์กมาก เพราะ AI ไม่ได้ทำงานอยู่ในเบนช์มาร์ก แต่มันทำงานในกระบวนการธุรกิจ ระบบ และเวิร์กโฟลว์ที่เพิ่มความซับซ้อนซึ่งโมเดลไม่อาจแก้ได้ด้วยตัวเอง

AI สำหรับองค์กรมีชั้นการปฏิบัติงาน

บทเรียนหนึ่งที่ทำให้ผู้คนประหลาดใจอยู่เสมอคือ ประสิทธิภาพของโมเดลหยุดเป็นปัจจัยจำกัดเร็วเพียงใด เมื่อระบบเข้าสู่การใช้งานจริง ความท้าทายด้านการปฏิบัติงานมักสำคัญกว่าตัวโมเดล โครงการ AI ที่ประสบความสำเร็จขึ้นอยู่กับการออกแบบกระบวนการ การวางแนวองค์กร คุณภาพข้อมูล การเชื่อมระบบ ความสามารถในการสังเกตการณ์ เส้นทางการส่งต่อเรื่อง การกำกับดูแล และความไว้วางใจ

ทีมต้องมีขั้นตอนชัดเจนสำหรับจัดการความล้มเหลว ต้องมองเห็นว่าระบบตัดสินใจอย่างไร และมั่นใจได้ว่าจะตรวจพบกับแก้ไขปัญหาก่อนส่งผลกระทบต่อลูกค้า องค์กรมักพบว่างานรอบระบบ AI ต้องการความเอาใจใส่มากพอๆ กับตัวระบบ AI เอง

ชั้นการปฏิบัติงานนี้เองคือจุดที่การนำระบบไปใช้จำนวนมากประสบความสำเร็จหรือติดขัดในท้ายที่สุด

การบริการลูกค้ายังคงเป็นหนึ่งในปัญหาที่ยากที่สุด

ประสบการณ์ลูกค้าเป็นหนึ่งในตัวอย่างที่ชัดเจนที่สุดของความซับซ้อนนี้

ระบบ AI จัดการการโต้ตอบง่ายๆ ได้ดีขึ้นเรื่อยๆ เช่น ตรวจสอบยอดคงเหลือในบัญชี รีเซ็ตรหัสผ่าน หรือค้นหาสถานะเที่ยวบิน งานเหล่านี้มีโครงสร้างสูงและผลลัพธ์คาดเดาได้

บทสนทนากับลูกค้าจริงแทบไม่เรียบง่ายเช่นนั้นตลอดไป

ลูกค้าที่พยายามแก้ปัญหาสายการบินซึ่งเกี่ยวข้องกับคะแนนสะสม สายการบินพันธมิตร ข้อพิพาทเรื่องการคืนเงิน ข้อยกเว้นของนโยบาย และการติดต่อหลายครั้งก่อนหน้า นำเสนอความท้าทายที่ต่างออกไปมาก บริบทกระจัดกระจาย เป้าหมายอาจไม่ชัดเจน นโยบายอาจขัดกัน และอารมณ์มักเข้ามาอยู่ในบทสนทนา

การโต้ตอบเหล่านี้ยังคงเป็นสัดส่วนสำคัญของงานบริการลูกค้า และต้องใช้เหตุผลข้ามระบบ กระบวนการ และกฎธุรกิจในแบบที่ยังยากสำหรับ AI ความก้าวหน้านั้นน่าทึ่ง แต่ความซับซ้อนยังมีอยู่จริง

ในที่สุดข้อมูลองค์กรก็เริ่มนำมาใช้ได้

ด้านหนึ่งที่ผมเห็นการเปลี่ยนแปลงอย่างมีความหมายในวันนี้คือข้อมูลองค์กร

องค์กรส่วนใหญ่ใช้เวลาหลายปีสะสมข้อมูลไว้ในระบบที่ไม่เชื่อมต่อกันหลายสิบหรือหลายร้อยระบบ ความรู้ที่มีคุณค่ามีอยู่จริง แต่การค้นหาและใช้อย่างมีประสิทธิภาพมักทำได้ยาก AI กำลังทำให้ข้อมูลนั้นเข้าถึงได้ง่ายขึ้น

องค์กรเริ่มสังเคราะห์ข้อมูลข้ามระบบ แสดงบริบทที่เกี่ยวข้องได้มีประสิทธิภาพขึ้น และช่วยพนักงานค้นทางผ่านข้อมูลซึ่งเคยกระจายอยู่ตามแอปพลิเคชันกับคลังข้อมูลหลายแห่ง ความสามารถในการเปลี่ยนความรู้ขององค์กรให้ใช้งานได้จริงนี้อาจสร้างการเปลี่ยนแปลงมากกว่าเดโม AI จำนวนมากที่เรียกความสนใจบนพาดหัวข่าวและครอบงำบทสนทนาสาธารณะ

ความท้าทายถัดไป: AI ทำงานร่วมกับ AI

นวัตกรรมระลอกถัดไปน่าจะเกี่ยวข้องกับระบบ AI หลายระบบที่ทำงานร่วมกัน

องค์กรกำลังทดลองเวิร์กโฟลว์ที่เอเจนต์แบ่งปันข้อมูล ประสานงาน และมีส่วนร่วมในกระบวนการธุรกิจที่ใหญ่ขึ้น สิ่งนี้สร้างความท้าทายใหม่ด้านความรับผิดชอบ ความไว้วางใจ การส่งต่อเรื่อง การสื่อสาร และการกำกับดูแล

มนุษย์พัฒนาทักษะการทำงานร่วมกันโดยปริยายมาหลายศตวรรษ เราเข้าใจวิธีขอความช่วยเหลือ สื่อสารความไม่แน่นอน ยกระดับความเสี่ยง และฟื้นตัวจากความผิดพลาด การสร้างพฤติกรรมเหล่านี้ลงในระบบ AI เป็นศาสตร์ที่ใหม่กว่ามาก

บทต่อไปของ AI สำหรับองค์กรส่วนใหญ่จะเกี่ยวข้องกับการสอนระบบให้ทำงานเคียงข้างกันอย่างมีประสิทธิภาพ พร้อมรักษาความสอดคล้องกับเป้าหมายองค์กร

สิ่งที่ AI สำหรับองค์กรต้องการจริงๆ

หลังสร้างและนำระบบ AI มาใช้หลายปี ผมเชื่อว่าองค์กรใช้เวลามากเกินไปในการประเมินความฉลาดของโมเดล และใช้เวลาไม่เพียงพอในการเตรียมสภาพแวดล้อมรอบมัน

ความฉลาดที่โมเดลเหล่านี้แสดงอาจน่าทึ่ง ทุกปีโมเดลมีความสามารถมากขึ้น มีประโยชน์ขึ้น และซับซ้อนขึ้น แต่การนำไปใช้ให้สำเร็จยังขึ้นอยู่กับรากฐาน ได้แก่ ข้อมูลที่เชื่อถือได้ กระบวนการที่ออกแบบอย่างดี การกำกับดูแลอย่างรอบคอบ ความรับผิดชอบที่ชัดเจน และผู้คนที่เข้าใจวิธีผสานเทคโนโลยีใหม่เข้ากับการปฏิบัติงานเดิม

องค์กรที่ได้รับคุณค่าจาก AI มากที่สุดใส่ใจรากฐานเหล่านี้อย่างมาก เพราะความฉลาดเพียงอย่างเดียวไม่ได้สร้างการเปลี่ยนแปลง

การเปลี่ยนแปลงเกิดขึ้นเมื่อเทคโนโลยี ข้อมูล กระบวนการ และผู้คนทำงานร่วมกันเพื่อสร้างผลลัพธ์ที่ดีขึ้น