ในปี 2025 คอปิโลต์ GenAI จะเกิดขึ้นเป็นแอปพลิเคชันที่เปลี่ยนแปลงธุรกิจและการจัดการข้อมูล

ทุกการปฏิวัติทางเทคโนโลยีมีจุดเปลี่ยนแปลงเมื่อกรณีการใช้งานเฉพาะช่วยให้เทคโนโลยีนั้นแพร่หลาย ในขณะนี้จุดนั้นมาถึงสำหรับ GenAI (ปัญญาประดิษฐ์สร้างสรรค์) ด้วยการแพร่กระจายของคอปิโลต์อย่างรวดเร็ว

GenAI ในฐานะเทคโนโลยีได้ทำความก้าวหน้าอย่างมากในช่วงไม่กี่ปีที่ผ่านมา แต่ถึงแม้จะมีหัวข้อข่าวและความฮือฮา การนำไปใช้โดยบริษัทต่างๆ ยังคงอยู่ในระยะเริ่มต้น การสำรวจของ Gartner CIO และ Tech Executive Survey ปี 2024 ระบุว่าการนำไปใช้อยู่ที่เพียง 9% ของผู้ตอบแบบสำรวจ โดย 34% ระบุว่าพวกเขาวางแผนจะทำเช่นนั้นภายในหนึ่งปี การสำรวจล่าสุดโดย Enterprise Strategy Group ระบุว่าการนำ GenAI ไปใช้อยู่ที่ 30% แต่การสำรวจทั้งหมดมาสู่ข้อสรุปเดียวกันเกี่ยวกับปี 2025

การคาดการณ์ 1 บริษัทส่วนใหญ่จะใช้ GenAI ในการผลิตโดยปลายปี 2025

การนำ GenAI ไปใช้ถือเป็นสิ่งสำคัญในการปรับปรุงประสิทธิภาพการผลิตและความสามารถในการทำกำไร และได้กลายเป็นลำดับความสำคัญสูงสุดสำหรับธุรกิจส่วนใหญ่ แต่หมายความว่าบริษัทต่างๆ ต้อง克服ความท้าทายที่พบในโครงการ GenAI เช่น

• คุณภาพข้อมูลที่ไม่ดี: GenAI จะดีเท่ากับคุณภาพข้อมูลที่ใช้ และหลายบริษัทยังไม่เชื่อถือข้อมูลของตน คุณภาพข้อมูลที่ไม่สมบูรณ์หรือมีอคติเป็นปัญหาที่นำไปสู่ผลลัพธ์ที่ไม่ดี
• ต้นทุน GenAI: การฝึกอบรมโมเดล GenAI เช่น ChatGPT ส่วนใหญ่ทำได้เพียงโดยทีม GenAI ที่ดีที่สุดเท่านั้น และมีค่าใช้จ่ายหลายล้านในกำลังประมวลผล ดังนั้นผู้คนจึงใช้เทคนิคที่เรียกว่าการสร้างแบบจำลองการค้นหาที่เพิ่มขึ้น (RAG) แต่แม้แต่ RAG ก็ยังคงมีค่าใช้จ่ายสูงในการเข้าถึงและเตรียมข้อมูลและรวบรวมผู้เชี่ยวชาญที่จำเป็นเพื่อความสำเร็จ
• ทักษะที่จำกัด: การใช้งาน GenAI ในช่วงแรกต้องใช้การเขียนโค้ดจากกลุ่มผู้เชี่ยวชาญที่มีทักษะ GenAI ไม่มากนัก
• การเห็นภาพหลอกลวง: GenAI ไม่สมบูรณ์แบบ มันสามารถสร้างภาพหลอกลวงและให้คำตอบที่ไม่ถูกต้องเมื่อมันคิดว่ามันถูกต้อง คุณต้องมีกลยุทธ์ในการป้องกันไม่ให้คำตอบที่ไม่ถูกต้องส่งผลกระทบต่อธุรกิจของคุณ
• ความปลอดภัยของข้อมูล: GenAI ได้เปิดเผยข้อมูลให้กับบุคคลที่ไม่เหมาะสมเนื่องจากใช้ในการฝึกอบรม การปรับแต่งหรือ RAG คุณต้องนำมาตรการรักษาความปลอดภัยเพื่อป้องกันการรั่วไหลของข้อมูล

幸运的是 อุตสาหกรรมซอฟต์แวร์ได้พยายามแก้ไขความท้าทายเหล่านี้มาหลายปีแล้ว ปี 2025 ดูเหมือนจะเป็นปีที่หลายความท้าทายเริ่มได้รับการแก้ไข และ GenAI กลายเป็นกระแสหลัก

การคาดการณ์ 2 คอปิโลต์ RAG แบบโมดูลาร์จะกลายเป็นการใช้งาน GenAI ที่พบบ่อยที่สุด

การใช้งาน GenAI ที่พบบ่อยที่สุดคือการสร้างผู้ช่วยหรือคอปิโลต์ที่ช่วยให้ผู้คนค้นหาข้อมูลได้เร็วขึ้น คอปิโลต์เหล่านี้มักถูกสร้างขึ้นโดยใช้ RAG pipelines RAG คือวิธีการที่ใช้บ่อยที่สุดในการใช้ GenAI เนื่องจากโมเดลภาษาขนาดใหญ่ (LLM) ไม่มีข้อมูลทั้งหมดหรือแม้แต่ข้อมูลล่าสุด คุณจึงต้องเพิ่มข้อมูลในการค้นหาที่เรียกว่าคำสั่ง (prompt) เพื่อให้ได้คำตอบที่แม่นยำยิ่งขึ้น
คอปิโลต์ช่วยให้คนงานความรู้สามารถทำงานได้อย่างมีประสิทธิภาพมากขึ้น จัดการกับคำถามที่ไม่สามารถตอบได้ก่อนหน้านี้ และให้คำแนะนำจากผู้เชี่ยวชาญในขณะที่บางครั้งยังสามารถดำเนินงานตามปกติได้ อาจเป็นตัวอย่างที่ประสบความสำเร็จที่สุดของการใช้คอปิโลต์คือการช่วยให้นักพัฒนาซอฟต์แวร์เขียนโค้ดหรืออัปเดตโค้ดเก่า

แต่คอปิโลต์คาดว่าจะมีผลกระทบมากขึ้นเมื่อใช้นอก IT ตัวอย่างเช่น:

• ในบริการลูกค้า คอปิโลต์สามารถรับการส่งคำถามและเพิ่มหรือให้คำตอบสำหรับคำถามง่ายๆ เช่น การรีเซ็ตพาสเวิร์ดหรือการเข้าถึงบัญชี ซึ่งส่งผลให้คะแนนความพึงพอใจของลูกค้าสูงขึ้น
• ในอุตสาหกรรม การผลิต คอปิโลต์สามารถช่วยช่างเทคนิคในการวินิจฉัยและแนะนำการซ่อมแซมหรือการซ่อมแซมเครื่องจักรที่ซับซ้อน ซึ่งช่วยลดเวลาที่เครื่องจักรหยุดทำงาน
• ในด้านการดูแลสุขภาพ ผู้เชี่ยวชาญด้านสุขภาพสามารถใช้คอปิโลต์ในการเข้าถึงประวัติผู้ป่วยและข้อมูลการวิจัยที่เกี่ยวข้อง และช่วยในการวินิจฉัยและการดูแลผู้ป่วย ซึ่งปรับปรุงประสิทธิภาพและผลลัพธ์ด้านสุขภาพ

RAG pipelines ส่วนใหญ่ทำงานในลักษณะเดียวกัน ขั้นตอนแรกคือการโหลดฐานความรู้เข้าสู่ฐานข้อมูลเวกเตอร์ เมื่อบุคคลถามคำถาม คอปิโลต์ RAG จะถูกเรียกใช้ มันจะเปลี่ยนคำถามให้เป็นคำสั่ง (prompt) ค้นหาข้อมูลที่เกี่ยวข้องมากที่สุดในฐานข้อมูลเวกเตอร์ โดยการเข้ารหัสคำสั่ง (prompt) เพื่อค้นหาข้อมูลที่เกี่ยวข้องมากที่สุด เรียกใช้ LLM โดยใช้ข้อมูลที่ค้นพบเป็นบริบท ประเมินและจัดรูปแบบผลลัพธ์ และแสดงผลลัพธ์ให้กับผู้ใช้
แต่ปรากฏว่าคุณไม่สามารถรองรับคอปิโลต์ทั้งหมดได้ด้วย RAG pipeline เดียว ดังนั้น RAG จึงพัฒนาเป็นสถาปัตยกรรมแบบโมดูลาร์ที่เรียกว่า RAG แบบโมดูลาร์ โดยคุณสามารถใช้โมดูลต่างๆ สำหรับขั้นตอนต่างๆ ที่เกี่ยวข้อง:

• การสร้างดัชนี รวมถึงการแบ่งและจัดระเบียบข้อมูล
• การค้นหาข้อมูลก่อนหน้า รวมถึงการออกแบบและปรับแต่งคำสั่ง (prompt)
• การค้นหาด้วยเทคนิคการค้นหาที่แตกต่างกัน
• การคัดเลือกและจัดลำดับความสำคัญหลังการค้นหา
• การสร้างโดยการปรับแต่ง LLM และการเปรียบเทียบ LLM ที่แตกต่างกัน
• การควบคุมที่จัดการกระบวนการนี้ และทำให้กระบวนการนี้ซ้ำๆ เพื่อให้ได้ผลลัพธ์ที่ดีที่สุด

คุณจะต้องใช้สถาปัตยกรรม RAG แบบโมดูลาร์เพื่อรองรับคอปิโลต์หลายตัว

การคาดการณ์ 3 เครื่องมือ GenAI แบบไม่ต้องเขียนโค้ด/ต่ำโค้ดจะกลายเป็นวิธีการ

ณ จุดนี้ คุณอาจรู้แล้วว่า GenAI RAG มีความซับซ้อนและเปลี่ยนแปลงอย่างรวดเร็ว ไม่ใช่แค่ว่าแนวทางปฏิบัติที่ดีที่สุดใหม่ๆ กำลังเกิดขึ้นอย่างต่อเนื่อง เทคโนโลยีที่เกี่ยวข้องกับ GenAI pipelines กำลังเปลี่ยนแปลงอย่างรวดเร็ว คุณจะต้องเปลี่ยนหรือรองรับเทคโนโลยีเหล่านั้น เครื่องมือ GenAI ที่ดีที่สุดแบบไม่ต้องเขียนโค้ด/ต่ำโค้ดให้โครงสร้างนี้ พวกเขากำลังเพิ่มการรองรับแหล่งข้อมูลข้อมูลที่นำมาใช้ เวกเตอร์ฐานข้อมูล และ LLMs ที่นำมาใช้ และทำให้สามารถสร้าง RAG แบบโมดูลาร์หรือส่งต่อข้อมูลไปยัง LLMs สำหรับการปรับแต่งหรือการฝึกอบรมได้ บริษัทต่างๆ กำลังใช้เครื่องมือเหล่านี้เพื่อใช้คอปิโลต์โดยใช้ทรัพยากรภายในของตน
Nexla ไม่เพียงแต่ใช้ GenAI เพื่อทำให้การบูรณาการง่ายขึ้นเท่านั้น แต่ยังรวมถึงสถาปัตยกรรม RAG แบบโมดูลาร์ที่มีการแบ่งและจัดระเบียบข้อมูลขั้นสูง การออกแบบคำสั่ง (prompt) การจัดลำดับความสำคัญและเลือกผลลัพธ์ การรองรับ LLM หลายตัวพร้อมการจัดลำดับความสำคัญและเลือกผลลัพธ์ การควบคุมและอื่นๆ ทั้งหมดนี้สามารถกำหนดค่าได้โดยไม่ต้องเขียนโค้ด

การคาดการณ์ 4 เส้นแบ่งระหว่างคอปิโลต์และเอเจนต์จะพร่ามัว

คอปิโลต์ GenAI เช่น แชทบอทเป็นเอเจนต์ที่ช่วยเหลือผู้คน สุดท้ายแล้วผู้คนตัดสินใจว่าจะทำอะไรกับผลลัพธ์ที่สร้างขึ้น แต่เอเจนต์ GenAI สามารถตอบสนองอัตโนมัติโดยไม่ต้องมีผู้คนเกี่ยวข้อง เอเจนต์เหล่านี้มักถูกเรียกว่าเอเจนต์หรือ AI ที่มีเจตนา

บางคนมองว่าสิ่งเหล่านี้เป็นแนวทางที่แยกจากกัน แต่ความเป็นจริงมีความซับซ้อนมากขึ้น คอปิโลต์เริ่มทำให้กระบวนการทำงานพื้นฐานบางอย่างเป็นอัตโนมัติ โดยให้ผู้ใช้สามารถยืนยินการกระทำและทำให้กระบวนการทำงานที่จำเป็นในการดำเนินการให้สมบูรณ์
คุณควรคาดหวังให้คอปิโลต์เปลี่ยนแปลงไปสู่การผสมผสานระหว่างคอปิโลต์และเอเจนต์ เช่นเดียวกับแอปพลิเคชันที่ช่วยเปลี่ยนแปลงและปรับปรุงกระบวนการทางธุรกิจ ผู้ช่วยควรและควรเริ่มใช้เพื่อทำให้กระบวนการทำงานระหว่างกันของงานที่พวกเขาให้การสนับสนุนเป็นอัตโนมัติ เอเจนต์ GenAI ที่ใช้ AI ก็ควรให้ผู้คนจัดการกับการยกเว้นหรืออนุมัติแผนการทำงานที่สร้างขึ้นโดยใช้ LLM

การคาดการณ์ 5 GenAI จะขับเคลื่อนการนำไปใช้ของ Data Fabrics, Data Products และ Open Data Standards

GenAI คาดว่าจะเป็นตัวขับเคลื่อนการเปลี่ยนแปลงที่ยิ่งใหญ่ที่สุดในด้าน IT ในช่วงไม่กี่ปีข้างหน้า เนื่องจาก IT จะต้องปรับตัวเพื่อให้บริษัทต่างๆ สามารถใช้ประโยชน์จาก GenAI ได้อย่างเต็มที่

ในฐานะส่วนหนึ่งของ Gartner Hype Cycles สำหรับการจัดการข้อมูล ปี 2024 Gartner ได้ระบุเทคโนโลยี 3 รายการและเพียง 3 รายการเท่านั้นที่เป็นการเปลี่ยนแปลงสำหรับการจัดการข้อมูลและสำหรับองค์กรที่พึ่งพาข้อมูล: Data Fabrics, Data Products และ Open Table Formats ทั้ง 3 ช่วยให้ข้อมูลสามารถใช้งานได้ง่ายขึ้นสำหรับการใช้งานกับ GenAI เนื่องจากทำให้ข้อมูลสามารถใช้งานได้ง่ายขึ้นสำหรับเครื่องมือ GenAI ใหม่ๆ
Nexla ได้ใช้สถาปัตยกรรม Data Product ที่สร้างขึ้นบน Data Fabric สำหรับเหตุผลนี้ Data Fabric ให้ระดับรวมในการจัดการข้อมูลทั้งหมดในลักษณะเดียวกัน โดยไม่คำนึงถึงความแตกต่างในรูปแบบ ความเร็ว หรือโพรโทคอลการเข้าถึง Data Products ถูกสร้างขึ้นเพื่อรองรับความต้องการข้อมูลเฉพาะ เช่น สำหรับ RAG

ตัวอย่างเช่น บริษัทบริการทางการเงินขนาดใหญ่กำลังใช้ GenAI เพื่อปรับปรุงการจัดการความเสี่ยง พวกเขากำลังใช้ Nexla เพื่อสร้าง Data Fabric ที่รวมกัน Nexla สามารถตรวจจับโครงสร้างและสร้างตัวเชื่อมต่อและ Data Products ได้อัตโนมัติ จากนั้นบริษัทจะกำหนด Data Products สำหรับเมตริกความเสี่ยงที่เฉพาะเจาะจง ซึ่งรวบรวม ล้าง และแปลงข้อมูลให้เหมาะสมเพื่อใช้เป็นข้อมูลเข้าสำหรับการรายงานกฎระเบียบที่ใช้ RAG ไดนามิก Nexla ให้การควบคุมการกำกับดูแลข้อมูล รวมถึงการรักษาความปลอดภัยและควบคุมการเข้าถึงเพื่อให้แน่ใจว่ามีการปฏิบัติตามกฎระเบียบ
แพลตฟอร์มการบูรณาการของเราสำหรับการวิเคราะห์ การดำเนินงาน B2B และ GenAI ถูกนำไปใช้บนสถาปัตยกรรม Data Fabric โดยที่ GenAI ถูกใช้เพื่อสร้างตัวเชื่อมต่อ Data Products และ 워์กโฟลว์ที่สามารถใช้ซ้ำได้ การสนับสนุนมาตรฐานข้อมูลแบบเปิด เช่น Apache Iceberg ทำให้สามารถเข้าถึงข้อมูลได้มากขึ้น

วิธีการคอปิโลต์ไปสู่ Agentic AI

ดังนั้น คุณควรเตรียมพร้อมที่จะทำให้ GenAI เป็นสิ่งสำคัญในบริษัทของคุณตามการคาดการณ์เหล่านี้อย่างไร
ขั้นแรก หากคุณยังไม่ได้ทำ ให้เริ่มต้นด้วยการสร้างคอปิโลต์ GenAI แรกของคุณสำหรับลูกค้าหรือพนักงานของคุณ ระบุกรณีการใช้งานที่สำคัญและค่อนข้างตรงไปตรงมา โดยที่คุณมีฐานความรู้ที่ถูกต้องเพื่อความสำเร็จ
ที่สอง ให้แน่ใจว่าคุณมีทีมผู้เชี่ยวชาญ GenAI ที่สามารถช่วยวางโครงสร้าง RAG แบบโมดูลาร์ที่เหมาะสมพร้อมด้วยเครื่องมือบูรณาการที่ถูกต้องเพื่อรองรับโครงการแรกของคุณ อย่าลังเลที่จะประเมินผู้ขายใหม่ที่มีเครื่องมือไม่ต้องเขียนโค้ด/ต่ำโค้ด
ที่สาม เริ่มต้นระบุแนวทางปฏิบัติที่ดีที่สุดในการจัดการข้อมูลที่คุณจะต้องใช้เพื่อความสำเร็จ ซึ่งรวมถึง Data Fabric และแนวคิด เช่น Data Products คุณยังต้องกำกับดูแลข้อมูลของคุณสำหรับ AI
เวลานี้คือเวลาที่เหมาะสม ปี 2025 คือปีที่ส่วนใหญ่จะประสบความสำเร็จ อย่าให้ถูกทิ้งไว้ข้างหลัง