ในปี 2025 คอปิโลต์ GenAI จะเกิดขึ้นเป็นแอปพลิเคชันที่เปลี่ยนแปลงธุรกิจและการจัดการข้อมูล

ทุกๆ การปฏิวัติทางเทคโนโลยีมีจุดเปลี่ยนแปลงที่สำคัญเมื่อกรณีการใช้งานเฉพาะช่วยให้เทคโนโลยีนั้นเข้าสู่การนำไปใช้อย่างกว้างขวาง ในขณะนี้ได้มาถึงแล้วสำหรับ GenAI ด้วยการแพร่กระจายของคอปิโลต์อย่างรวดเร็ว

GenAI ในฐานะเทคโนโลยีได้ทำความก้าวหน้าอย่างมากในช่วงไม่กี่ปีที่ผ่านมา แต่ถึงแม้จะมีหัวข้อข่าวและความตื่นเต้นมากมาย การนำไปใช้โดยบริษัทต่างๆ ยังคงอยู่ในระยะเริ่มต้น การสำรวจของ Gartner CIO และ Tech Executive Survey ปี 2024 ระบุว่าการนำไปใช้อยู่ที่เพียง 9% ของผู้ที่ตอบแบบสำรวจ โดย 34% ระบุว่าพวกเขาวางแผนจะทำเช่นนั้นภายในหนึ่งปี การสำรวจล่าสุดโดย Enterprise Strategy Group ระบุว่าการนำไปใช้ GenAI อยู่ที่ 30% แต่การสำรวจทั้งหมดสรุปเหมือนกันเกี่ยวกับปี 2025

การคาดการณ์ที่ 1: ส่วนใหญ่ขององค์กรจะใช้ GenAI ในการผลิตภายในสิ้นปี 2025

การนำไปใช้ GenAI ถือเป็นสิ่งสำคัญในการปรับปรุงผลผลิตและความสามารถในการทำกำไร และได้กลายเป็นลำดับความสำคัญสูงสุดสำหรับธุรกิจส่วนใหญ่ แต่หมายความว่าบริษัทต่างๆ ต้อง克服ความท้าทายที่พบในการดำเนินโครงการ GenAI ในปัจจุบัน รวมถึง:

• คุณภาพข้อมูลที่ไม่ดี: GenAI จะดีเท่ากับคุณภาพข้อมูลที่ใช้ และหลายบริษัทยังคงไม่เชื่อใจข้อมูลของตน คุณภาพข้อมูลที่ไม่สมบูรณ์หรือมีอคติเป็นปัญหาที่นำไปสู่ผลลัพธ์ที่ไม่ดี
• ต้นทุน GenAI: การฝึกอบรมโมเดล GenAI เช่น ChatGPT ส่วนใหญ่ทำได้เพียงโดยทีม GenAI ที่ดีที่สุดเท่านั้น และมีค่าใช้จ่ายหลายล้านในอำนาจการประมวลผล ดังนั้นผู้คนจึงใช้เทคนิคที่เรียกว่า retrieval augmented generation (RAG) แต่แม้แต่ RAG ก็ยังคงมีค่าใช้จ่ายสูงในการเข้าถึงและเตรียมข้อมูล และรวบรวมผู้เชี่ยวชาญที่จำเป็นเพื่อให้ประสบความสำเร็จ
• ทักษะที่จำกัด: การใช้งาน GenAI ในช่วงแรกต้องการการเขียนโค้ดโดยผู้เชี่ยวชาญ GenAI ไม่กี่คน แม้ว่ากลุ่มนี้จะเติบโต แต่ยังคงมีการขาดแคลนอย่างแท้จริง
• การหลอกลวง: GenAI ไม่สมบูรณ์แบบ มันสามารถหลอกลวงและให้คำตอบที่ไม่ถูกต้องเมื่อมันคิดว่ามันถูกต้อง คุณต้องมีกลยุทธ์ในการป้องกันคำตอบที่ไม่ถูกต้องที่ส่งผลกระทบต่อธุรกิจของคุณ
• ความปลอดภัยของข้อมูล: GenAI ได้ทำให้ข้อมูลถูกเปิดเผยต่อผู้ที่ไม่ควรเข้าถึงเนื่องจากถูกใช้ในการฝึกอบรม การปรับแต่งหรือ RAG คุณต้องนำมาตรการรักษาความปลอดภัยมาใช้เพื่อป้องกันการรั่วไหลเหล่านี้

幸运ที่อุตสาหกรรมซอฟต์แวร์ได้พยายามแก้ไขความท้าทายเหล่านี้มาหลายปีแล้ว ปี 2025 ดูเหมือนจะเป็นปีที่หลายความท้าทายเหล่านี้เริ่มได้รับการแก้ไข และ GenAI กลายเป็นกระแสหลัก

การคาดการณ์ที่ 2: คอปิโลต์ RAG แบบโมดูลาร์จะกลายเป็นการใช้งาน GenAI ที่พบบ่อยที่สุด

การนำไปใช้ GenAI ที่พบบ่อยที่สุดคือการสร้างผู้ช่วยหรือคอปิโลต์ที่ช่วยให้ผู้คนค้นหาข้อมูลได้เร็วขึ้น คอปิโลต์โดยทั่วไปถูกสร้างขึ้นโดยใช้ RAG pipelines RAG คือวิธีการที่ใช้ GenAI มากที่สุด เนื่องจากโมเดลภาษาขนาดใหญ่ (LLM) เป็นโมเดลที่มีจุดประสงค์ทั่วไปซึ่งไม่มีข้อมูลทั้งหมดหรือแม้แต่ข้อมูลล่าสุด คุณจึงต้องเพิ่มข้อมูลเข้าไปในคำถามหรือที่เรียกว่า prompts เพื่อให้ได้คำตอบที่แม่นยำยิ่งขึ้น
คอปิโลต์ช่วยให้ผู้ใช้ข้อมูลมีประสิทธิภาพมากขึ้น ตอบคำถามที่ไม่สามารถตอบได้ก่อนหน้านี้ และให้คำแนะนำจากผู้เชี่ยวชาญในขณะเดียวกันก็สามารถดำเนินงานที่ซ้ำซ้อนได้ อาจเป็นการใช้งานคอปิโลต์ที่ประสบความสำเร็จที่สุดจนถึงปัจจุบันคือการช่วยให้นักพัฒนาซอฟต์แวร์เขียนโค้ดหรือปรับปรุงโค้ดเก่า

แต่คอปิโลต์คาดว่าจะมีผลกระทบมากขึ้นเมื่อใช้นอกเหนือจาก IT ตัวอย่างเช่น:

• ในด้านการบริการลูกค้า คอปิโลต์สามารถรับคำถามและแก้ไขปัญหาหรือส่งต่อไปยังผู้เชี่ยวชาญสำหรับการแทรกแซง ซึ่งนำไปสู่คะแนนความพึงพอใจของลูกค้าที่สูงขึ้น
• ในด้านการผลิต คอปิโลต์สามารถช่วยช่างเทคนิคในการวินิจฉัยและแนะนำการดำเนินการหรือการซ่อมแซมสำหรับเครื่องจักรที่ซับซ้อน ซึ่งช่วยลดเวลาที่เครื่องจักรหยุดทำงาน
• ในด้านการดูแลสุขภาพ ผู้เชี่ยวชาญสามารถใช้คอปิโลต์ในการเข้าถึงประวัติผู้ป่วยและข้อมูลการวิจัยที่เกี่ยวข้อง และช่วยในการวินิจฉัยและดูแลผู้ป่วย ซึ่งนำไปสู่ประสิทธิภาพและผลลัพธ์ที่ดีขึ้น

RAG pipelines ส่วนใหญ่ทำงานเหมือนกัน ขั้นตอนแรกคือการโหลดฐานความรู้เข้าไปในฐานข้อมูลเวกเตอร์ เมื่อบุคคลถามคำถาม คอปิโลต์ RAG pipeline จะถูกเรียกใช้ มันจะเปลี่ยนคำถามให้เป็นคำถามใหม่ ค้นหาข้อมูลที่เกี่ยวข้องในฐานข้อมูลเวกเตอร์ โดยการเข้ารหัสคำถามเพื่อค้นหาข้อมูลที่เกี่ยวข้องมากที่สุด เรียกใช้ LLM โดยใช้ข้อมูลที่ค้นพบเป็นบริบท ประเมินและจัดรูปแบบผลลัพธ์ และแสดงผลลัพธ์ให้กับผู้ใช้
แต่ปรากฏว่าคุณไม่สามารถรองรับคอปิโลต์ทั้งหมดได้ด้วย RAG pipeline เดียว ดังนั้น RAG จึงพัฒนาเป็นสถาปัตยกรรมแบบโมดูลาร์ที่เรียกว่า modular RAG ซึ่งคุณสามารถใช้โมดูลที่แตกต่างกันสำหรับขั้นตอนต่างๆ ที่เกี่ยวข้อง:

• การสร้างดัชนี รวมถึงการแบ่งและจัดระเบียบข้อมูล
• การเตรียมการก่อนการค้นหา รวมถึงการปรับแต่งคำถามและ tối ưu hóa
• การค้นหาโดยใช้เทคนิคการปรับแต่งและเทคนิคอื่นๆ
• การคัดเลือกและจัดลำดับความสำคัญหลังการค้นหา
• การสร้างโดยใช้การปรับแต่งและเทคนิคอื่นๆ
• การควบคุมที่จัดการกระบวนการนี้และทำให้มันซ้ำซ้อนเพื่อช่วยให้ได้ผลลัพธ์ที่ดีที่สุด

คุณจะต้องนำสถาปัตยกรรม RAG แบบโมดูลาร์มาใช้เพื่อรองรับคอปิโลต์หลายตัว

การคาดการณ์ที่ 3: เครื่องมือ GenAI แบบไม่ต้องเขียนโค้ด/ต่ำโค้ดจะกลายเป็นวิธีการที่ใช้

จนถึงตอนนี้ คุณอาจรู้แล้วว่า GenAI RAG มีความซับซ้อนและเปลี่ยนแปลงอย่างรวดเร็ว ไม่ใช่แค่ว่าแนวปฏิบัติที่ดีที่สุดใหม่ๆ กำลังเกิดขึ้นอย่างต่อเนื่อง เทคโนโลยีที่เกี่ยวข้องกับ GenAI pipelines ก็เปลี่ยนแปลงอย่างรวดเร็วเช่นกัน คุณจะต้องเปลี่ยนเทคโนโลยีบางส่วนหรือรองรับหลายเทคโนโลยี นอกจากนี้ GenAI ไม่ได้แค่เกี่ยวกับ RAG แบบโมดูลาร์เท่านั้น การปรับแต่งและการฝึกอบรมแบบเต็มรูปแบบก็กลายเป็นเรื่องที่คุ้มค่าเช่นกัน สถาปัตยกรรมของคุณจะต้องรองรับการเปลี่ยนแปลงนี้และซ่อนความซับซ้อนจากวิศวกรของคุณ
幸运ที่เครื่องมือ GenAI แบบไม่ต้องเขียนโค้ด/ต่ำโค้ดที่ดีที่สุดให้โครงสร้างนี้ พวกเขากำลังเพิ่มการรองรับแหล่งข้อมูลข้อมูลที่นำหน้า, ฐานข้อมูลเวกเตอร์ และ LLMs และทำให้สามารถสร้าง RAG แบบโมดูลาร์หรือส่งต่อข้อมูลไปยัง LLMs สำหรับการปรับแต่งหรือการฝึกอบรม บริษัทต่างๆ กำลังใช้เครื่องมือเหล่านี้เพื่อนำคอปิโลต์มาใช้โดยใช้ทรัพยากรภายใน
Nexla ไม่เพียงแต่ใช้ GenAI เพื่อทำให้การบูรณาการง่ายขึ้นเท่านั้น แต่ยังรวมถึงสถาปัตยกรรม RAG pipeline แบบโมดูลาร์ที่มีการแบ่งและจัดระเบียบข้อมูลขั้นสูง การปรับแต่งคำถามและจัดลำดับความสำคัญและการเลือกหลังการค้นหา การรองรับ LLM หลายตัวพร้อมการจัดอันดับและเลือกผลลัพธ์ การควบคุมและอื่นๆ – ทั้งหมดนี้ถูกกำหนดค่าโดยไม่ต้องเขียนโค้ด

การคาดการณ์ที่ 4: เส้นแบ่งระหว่างคอปิโลต์และเอเจนต์จะเบลอ

คอปิโลต์ GenAI เช่น chatbots เป็นเอเจนต์ที่รองรับคน ในที่สุดแล้วคือผู้ที่ตัดสินใจว่าจะทำอะไรกับผลลัพธ์ที่สร้างขึ้น แต่เอเจนต์ GenAI สามารถทำการทำงานอัตโนมัติได้โดยไม่ต้องมีการแทรกแซงจากคน ซึ่งเรียกว่าเอเจนต์หรือ agentic AI

บางคนมองว่าสิ่งเหล่านี้เป็นสองแนวทางที่แยกจากกัน แต่ความเป็นจริงมีความซับซ้อนมากกว่านั้น คอปิโลต์เริ่มทำการทำงานอัตโนมัติสำหรับงานพื้นฐานบางอย่าง โดยให้ผู้ใช้สามารถยืนยันการดำเนินการและทำให้กระบวนการทำงานเสร็จสมบูรณ์

คาดว่าคอปิโลต์จะพัฒนาไปสู่การผสมผสานระหว่างคอปิโลต์และเอเจนต์ เช่นเดียวกับแอปพลิเคชันที่ช่วยเปลี่ยนแปลงและปรับปรุงกระบวนการทางธุรกิจ ผู้ช่วยสามารถและควรเริ่มใช้ในการทำงานอัตโนมัติของขั้นตอนกลางของงานที่พวกเขารองรับ เอเจนต์ GenAI ที่ใช้ LLM ควรรวมคนเข้ามาเพื่อจัดการกับการยกเว้นหรืออนุมัติแผนการทำงานที่สร้างขึ้น

การคาดการณ์ที่ 5: GenAI จะขับเคลื่อนการนำไปใช้ของ Data Fabrics, Data Products และ Open Data Standards

GenAI คาดว่าจะเป็นตัวขับเคลื่อนการเปลี่ยนแปลงที่ใหญ่ที่สุดใน IT ในช่วงไม่กี่ปีข้างหน้า เนื่องจาก IT จะต้องปรับตัวเพื่อให้บรรลุผลประโยชน์สูงสุดของ GenAI

ในฐานะส่วนหนึ่งของ Gartner Hype Cycles for Data Management ปี 2024 Gartner ได้ระบุเทคโนโลยี 3 รายการที่เป็นการเปลี่ยนแปลงสำหรับการจัดการข้อมูลและสำหรับองค์กรที่พึ่งพาข้อมูล: Data Fabrics, Data Products และ Open Table Formats ทั้ง 3 ช่วยให้ข้อมูลสามารถเข้าถึงได้ง่ายขึ้นสำหรับการใช้งานกับ GenAI เนื่องจากทำให้ง่ายต่อการเข้าถึงข้อมูลสำหรับเครื่องมือ GenAI ใหม่เหล่านี้

Nexla ได้ใช้สถาปัตยกรรม Data Product ที่สร้างขึ้นบน Data Fabric สำหรับเหตุผลนี้ Data Fabric ให้ระดับรวมในการจัดการข้อมูลทั้งหมดในลักษณะเดียวกัน ไม่ว่าจะมีความแตกต่างในรูปแบบ ความเร็ว หรือโพรโทคอลการเข้าถึง Data Products ถูกสร้างขึ้นเพื่อรองรับความต้องการข้อมูลเฉพาะ เช่น สำหรับ RAG

ตัวอย่างเช่น บริษัทการเงินขนาดใหญ่หนึ่งกำลังใช้ GenAI เพื่อปรับปรุงการจัดการความเสี่ยง พวกเขากำลังใช้ Nexla เพื่อสร้าง Data Fabric ที่รวมกัน Nexla จะตรวจจับโครงสร้างและสร้าง कनเนกเตอร์และ Data Products โดยอัตโนมัติ บริษัทจะกำหนด Data Products สำหรับเมตริกความเสี่ยงที่เฉพาะเจาะจง ซึ่งรวมถึงการรวม การทำความสะอาด และการแปลงข้อมูลให้อยู่ในรูปแบบที่เหมาะสมสำหรับการใช้งาน RAG ตัวแทน Nexla ให้การควบคุมการจัดการข้อมูล รวมถึงการรักษาความปลอดภัยของข้อมูลและควบคุมการเข้าถึง เพื่อให้แน่ใจว่าปฏิบัติตามข้อกำหนดด้านกฎระเบียบ
แพลตฟอร์มการบูรณาการของเราสำหรับการวิเคราะห์ การดำเนินงาน B2B และ GenAI ถูกสร้างขึ้นบนสถาปัตยกรรม Data Fabric โดยที่ GenAI ถูกใช้เพื่อสร้าง कनเนกเตอร์ Data Products และ 워์กโฟลว์ที่สามารถใช้ซ้ำได้ การสนับสนุนมาตรฐานข้อมูลแบบเปิด เช่น Apache Iceberg ทำให้สามารถเข้าถึงข้อมูลได้มากขึ้น

วิธีการคอปิโลต์ไปสู่ Agentic AI

ดังนั้น คุณควรเตรียมตัวให้พร้อมสำหรับการนำ GenAI มาใช้ในบริษัทของคุณตามการคาดการณ์เหล่านี้อย่างไร?
ขั้นแรก หากคุณยังไม่ได้เริ่ม ควรเริ่มต้นด้วยการสร้างคอปิโลต์ GenAI RAG แรกสำหรับลูกค้าหรือพนักงานของคุณ ระบุกรณีการใช้งานที่สำคัญและค่อนข้างง่ายที่คุณมีฐานความรู้ที่จะประสบความสำเร็จ

ที่สอง ให้แน่ใจว่าคุณมีทีมผู้เชี่ยวชาญ GenAI ที่สามารถช่วยวางโครงสร้าง RAG แบบโมดูลาร์ที่เหมาะสมพร้อมเครื่องมือบูรณาการที่ถูกต้องเพื่อรองรับโครงการแรกของคุณ อย่ากลัวที่จะประเมินผู้ขายใหม่ที่มีเครื่องมือไม่ต้องเขียนโค้ด/ต่ำโค้ด

ที่สาม เริ่มระบุแนวปฏิบัติด้านการจัดการข้อมูลที่ดีที่สุดซึ่งคุณจะต้องใช้เพื่อให้ประสบความสำเร็จ สิ่งนี้ไม่เพียงแต่เกี่ยวข้องกับ Data Fabric และแนวคิด เช่น Data Products เท่านั้น คุณยังต้องจัดการข้อมูลสำหรับ AI ด้วย

เวลานี้คือเวลาที่เหมาะสม ปี 2025 คือปีที่ส่วนใหญ่จะประสบความสำเร็จ อย่าให้ถูกทิ้งไว้ข้างหลัง