ต้นทุนที่ซ่อนอยู่ของ AI: วิธีที่โมเดล “Black Box” ทำลายความเชื่อใจ งบประมาณ และสิ่งแวดล้อม

อุตสาหกรรม AI มีปัญหาในการออกแบบโมเดล ธุรกิจต่างเริ่มรู้สึกถึงผลกระทบในด้านต้นทุน ประสิทธิภาพ และความน่าเชื่อถือ.

AI สามารถพูดได้ – แต่สามารถฟังได้หรือไม่?

การฟังเป็นมากกว่าการประมวลผลคำอย่างเดียว; มันเกี่ยวกับการตีความสัญญาณและเข้าใจนัยสำคัญเพื่อทำการตัดสินใจแบบเรียลไทม์ แต่โมเดล “เสียง” ส่วนใหญ่ถูกสร้างขึ้นเพื่อถอดรหัสโทเคน ไม่ได้เพื่อรับรู้ความหมายละเอียดที่ซ่อนอยู่ในบทสนทนา ซึ่งหมายความว่าพวกมันพลาดข้อมูลสำคัญ

ในสภาพแวดล้อมเช่นเสียง บริบท เวลา และข้อมูลต่อเนื่องมีความสำคัญ เมื่อระบบ AI ย้ายจากการสาธิตไปสู่การใช้งานจริง ปัญหาเชิงลึกเกี่ยวกับวิธีการสร้างระบบเหล่านี้เริ่มชัดเจน และธุรกิจต่างเริ่มรับผลกระทบจากช่องว่างเหล่านั้นในด้านต้นทุน ประสิทธิภาพ และความน่าเชื่อถือ

แนวทางหลักใน AI ปัจจุบันให้ความสำคัญกับโมเดลที่ใหญ่ขึ้นและมีวัตถุประสงค์ทั่วไปมากขึ้น แต่เมื่อโมเดลเหล่านี้ถูกนำไปใช้ในระดับใหญ่ ข้อจำกัดของมันก็ยากต่อการมองข้าม โมเดลเหล่านี้มีค่าใช้จ่ายสูงในการทำงานต่อเนื่อง ยากต่อการตีความและไว้วางใจ และมักไม่มีประสิทธิภาพสำหรับงานที่นำไปใช้ สิ่งที่ดูเหมือนการสาธิตที่น่าทึ่งในครั้งเดียวอาจล่มเมื่อนำไปใช้ในระดับองค์กร ที่ระบบต้องตอบสนอง มีประสิทธิภาพ และเข้าใจได้พร้อมกัน

พลวัตนี้สร้างการแลกเปลี่ยนกัน: มีความยืดหยุ่นมากขึ้นในสิ่งที่โมเดลสามารถทำได้ในเชิงทฤษฎี แต่ต้องแลกกับประสิทธิภาพ ความโปร่งใส และในที่สุด ความใช้งานได้ ค่าใช้จ่ายในการรันโมเดลขนาดมหาศาลในระดับใหญ่กำลังเพิ่มขึ้น ผลกระทบต่อพลังงานกำลังถูกตรวจสอบอย่างสมเหตุสมผล และระบบเองก็ยากต่อการตีความมากขึ้น ก่อนที่เราจะถึงจุดไม่มีทางกลับ เราควรถามตัวเองว่า นี่เป็นวิธีที่ยั่งยืนที่สุดในการสร้างระบบ AI หรือไม่

ทำไมโมเดล AI แบบทั่วไปจึงมีประสิทธิภาพต่ำโดยธรรมชาติ

การผลักดันของอุตสาหกรรมสู่ AI แบบทั่วไปได้สร้างความไม่มีประสิทธิภาพรูปแบบใหม่: การใช้โมเดลหนักเดียวกันสำหรับทุกปัญหา หรือทุกงานโดยไม่คำนึงถึงความซับซ้อน เป็นแนวคิดที่น่าสนใจ – ระบบเดียวที่สามารถจัดการทุกอย่าง – แต่ในทางปฏิบัติมันเป็นเครื่องมือที่หยาบกร้าน

ไม่ใช่ทุกงานที่ต้องการโมเดลขนาดใหญ่ ในความเป็นจริงส่วนใหญ่ไม่ต้อง เมื่อองค์กรพึ่งพาระบบโมโนลิธิก พวกเขาต้องจ่ายค่าใช้จ่ายของความซับซ้อนนั้นในทุกการโต้ตอบ การตัดสินใจง่าย ๆ ถูกประมวลผลด้วยภาระคอมพิวเตอร์เท่ากับงานซับซ้อน และเศรษฐศาสตร์ก็เร็ว ๆ นี้หยุดมีเหตุผลเมื่อขยายขนาด

สิ่งนี้เป็นจริงเป็นพิเศษในสภาพแวดล้อมเรียลไทม์เช่นเสียง ที่ระบบต้องประมวลผลข้อมูลต่อเนื่อง การใช้โมเดลขนาดใหญ่และทั่วไปกับทุกช่วงเวลาของทุกการโต้ตอบนั้นทั้งราคาแพงและไม่จำเป็น ยิ่งโมเดลเหล่านี้ถูกนำไปใช้อย่างกว้างขวาง ความไม่มีประสิทธิภาพก็ยิ่งสะสม เราจึงได้ผลลัพธ์ที่แย่ที่สุดของทั้งสองโลก: ระบบที่มีค่าใช้จ่ายสูงเกินไปที่จะรันทุกที่ และจำกัดเกินไปที่จะมีประสิทธิผลในที่ที่ใช้งาน

ตัวอย่างที่ชัดเจนของเรื่องนี้ปรากฏในศูนย์บริการลูกค้า หลายองค์กรต้องการนำ AI ไปใช้กับการโต้ตอบกับลูกค้าทุกครั้ง แต่ค่าใช้จ่ายในการรันโมเดลขนาดใหญ่ต่อเนื่องทำให้เป็นเรื่องยากจะทำได้ตามที่ McKinsey กล่าวใน Global Survey on AI, องค์กรยังคงเผชิญความยากลำบากในการขยายกรณีการใช้ AI อย่างกว้างขวางเนื่องจากค่าใช้จ่ายและความซับซ้อนในการดำเนินงาน (เพื่อให้เห็นภาพ ศูนย์บริการลูกค้าองค์กรขนาดใหญ่มักประมวลผลการโทรของลูกค้า 5,000 ถึง 15,000 ครั้งต่อวัน ซึ่งรวมเป็นล้านหรือแม้แต่พันล้านการโต้ตอบต่อปี) เพื่อจัดการปริมาณนี้ พวกเขาวิเคราะห์เฉพาะส่วนย่อยของการโทรหรือพึ่งพาการตรวจสอบหลังเหตุการณ์ ผลกระทบต่อเนื่องเป็นที่วัดได้: 39% ขององค์กรรายงานว่าปริมาณการโทรเพิ่มขึ้นเนื่องจากการสอบถามที่เกี่ยวกับการฉ้อโกง, 34% รายงานระยะเวลาการจัดการที่ยาวนานขึ้น, และ 29% รายงานการลดลงของประสิทธิภาพพนักงาน¹ ผลลัพธ์คือระบบที่มีพลังเกินและใช้ไม่เต็มที่: มีค่าใช้จ่ายสูงแต่ไม่สามารถให้การครอบคลุมเต็มรูปแบบหรือข้อมูลเชิงเวลาจริงได้

นี่คือจุดที่การทำให้ทั่วทุกอย่างเกินขอบเขตกลายเป็นภาระ เมื่อระบบถูกออกแบบให้ทำทุกอย่าง มักจะทำแต่ละอย่างอย่างไม่มีประสิทธิภาพ ผลลัพธ์คือการใช้คอมพิวเตอร์สูญเปล่าในระดับใหญ่ การรันโมเดลราคาแพงในที่ที่วิธีที่ง่ายกว่าและมุ่งเป้าหมายจะมีประสิทธิภาพมากกว่า เมื่อองค์กรผลักดันให้ AI ใช้กว้างขึ้น ความไม่มีประสิทธิภาพนี้จึงทวีความรุนแรงอย่างรวดเร็ว ทำให้ยากต่อการพิสูจน์ความคุ้มค่าของการใช้ต่อเนื่องแบบเรียลไทม์

ปัญหา Black Box: เมื่อ AI ไม่สามารถอธิบายตัวเองได้

เมื่อโมเดลมีความซับซ้อนมากขึ้น พวกมันก็ยากต่อการตีความมากขึ้น ในหลายกรณี ระบบ AI สามารถให้ผลลัพธ์ที่แม่นยำ ส่วนใหญ่ แต่ให้ข้อมูลเชิงลึกเพียงเล็กน้อยเกี่ยวกับวิธีการที่การตัดสินใจเหล่านั้นเกิดขึ้น หรือสาเหตุของข้อผิดพลาดที่เหลือ การทำให้ข้อมูลคลุมเครือเช่นนี้ทำให้ผู้ที่รับผิดชอบดำเนินการตามผลของโมเดลช้าลง ทำให้เสียเปรียบที่ได้จากความเร็วเดิม

สิ่งนี้เป็นจริงเป็นพิเศษในโดเมนเช่นการตรวจจับการฉ้อโกง ที่การตัดสินใจต้องทำแบบเรียลไทม์ หากระบบทำเครื่องหมายการโทรว่าเป็นความเสี่ยงสูงแต่ไม่อธิบายเหตุผล จะทำให้เกิดความลังเลในขณะที่ความเร็วเป็นสิ่งสำคัญที่สุด ทีมงานต้องเลือกระหว่างการไว้วางใจระบบที่พวกเขาไม่เข้าใจเต็มที่หรือการตั้งคำถามต่อระบบแบบเรียลไทม์ ตัวเลือกทั้งสองเพิ่มความเสี่ยง เมื่อ AI แทรกซึมลึกเข้าสู่กระบวนการทำงาน ความสามารถในการเข้าใจและตอบสนองต่อผลลัพธ์ของโมเดลแบบเรียลไทม์จึงกลายเป็นข้อกำหนดหลัก ไม่ใช่แค่สิ่งที่อยากได้

นี่คือจุดที่ข้อจำกัดของโมเดลขนาดใหญ่และทั่วไปปรากฏชัดขึ้น ความซับซ้อนของพวกมันทำให้ยากต่อการสอบถาม, ยากต่อการดีบัก, และยากต่อการปรับตัว ดังนั้นองค์กรไม่ได้เผชิญแค่ต้นทุนที่สูงขึ้นเท่านั้น แต่ยังต้องรับมือกับระบบที่สอดคล้องกับกระบวนการตัดสินใจจริง ๆ ได้น้อยลง

จุดที่เกิดความล้มเหลว: AI แบบเรียลไทม์ในโลกจริง

ความท้าทายเหล่านี้ – ค่าใช้จ่าย, ความไม่มีประสิทธิภาพ, การขาดความโปร่งใส – สามารถจัดการได้ในกรณีการใช้ที่แยกส่วน แต่เมื่ออยู่ในระบบเรียลไทม์ที่ AI ไม่เพียงแค่สร้างผลลัพธ์ แต่ยังกำหนดการตัดสินใจในขณะเกิดขึ้น ความท้าทายเหล่านี้ก็ยากต่อการมองข้ามมากขึ้น

เสียงเป็นตัวอย่างที่ดี ต่างจากการประมวลผลแบบแบตช์หรือการวิเคราะห์ออฟไลน์ การโต้ตอบด้วยเสียงเป็นต่อเนื่องและต้องการความเร็ว ระบบไม่สามารถหยุดพัก, ประมวลผลซ้ำ, หรือเลื่อนการตัดสินใจออกไปได้; ต้องทำงานในขณะนั้น ระบบ AI ที่เข้าใจผิด “โอ้ดีแล้ว มี AI อีกคนหนึ่ง” ว่าเป็นเชิงบวกเมื่อจริง ๆ แล้วพูดด้วยความเย้ยหยันอาจเป็นความแตกต่างระหว่างการรักษาลูกค้าและการสูญเสียลูกค้า และต้องดำเนินการภายในไม่กี่วินาที ก่อนที่มนุษย์จะเข้ามาแทรกแซง นั่นหมายถึงการรันโมเดลต่อเนื่องตลอดการสนทนาทั้งหมด พร้อมกับสร้างผลลัพธ์ที่มนุษย์สามารถดำเนินการได้ทันที

นี่คือจุดที่กรอบความคิดปัจจุบันเริ่มล้มเหลว โมเดลขนาดใหญ่และทั่วไปมีค่าใช้จ่ายสูงในการรันในระดับนั้น และผลลัพธ์ของพวกมันมักจะมืดเกินกว่าจะสนับสนุนการตัดสินใจแบบเรียลไทม์ ดังนั้น บริษัทจึงต้องทำการประนีประนอม: วิเคราะห์เฉพาะส่วนย่อยของการโต้ตอบ, เลื่อนการตัดสินใจจนกว่าจะหลังเหตุการณ์, หรือพึ่งพาการตัดสินใจของมนุษย์ที่ไม่สมบูรณ์ในสถานการณ์ที่ความเร็วและความแม่นยำเป็นสิ่งสำคัญ

กล่าวคือ ข้อจำกัดของโมเดลในปัจจุบันไม่ใช่แค่ทฤษฎี – พวกมันปรากฏชัดเจนที่สุดในสภาพแวดล้อมที่คาดว่า AI จะให้คุณค่ามากที่สุด

เส้นทางใหม่ที่ก้าวหน้า: AI ที่ฉลาดกว่า – ไม่ใช่ใหญ่กว่า

หากแนวทางปัจจุบันของ AI ถูกกำหนดโดยขนาด ขั้นต่อไปจะถูกกำหนดโดยประสิทธิภาพ.

แทนที่จะส่งทุกงานผ่านโมเดลเดียว ระบบสามารถแบ่งกระบวนการทำงานเป็นขั้นตอน โดยใช้โมเดลที่เบาสำหรับการตัดสินใจประจำและเก็บการประมวลผลหนักไว้สำหรับกรณีที่ซับซ้อน.

การเปลี่ยนแปลงที่ละเอียดอ่อนนี้ในสถาปัตยกรรมทำให้เศรษฐศาสตร์เปลี่ยนไป เมื่อระบบสามารถตัดสินใจแบบไดนามิกว่าต้องการการประมวลผลเท่าใดสำหรับงานใด งานหนึ่ง จะหลีกเลี่ยงภาระของการรันโมเดลขนาดใหญ่โดยไม่จำเป็น ทำให้การนำ AI ไปใช้ต่อเนื่องเป็นเรื่องที่เป็นไปได้มากขึ้น แทนที่จะเลือกใช้เป็นบางส่วน นอกจากนี้ยังเปิดโอกาสให้เกิดความโปร่งใสมากขึ้น เนื่องจากการตัดสินใจสามารถเชื่อมโยงกับสัญญาณหรือส่วนประกอบเฉพาะในระบบ แทนที่จะมาจากโมเดลเดียวที่มืด

สำหรับองค์กร นี่คือสิ่งที่ทำให้การนำไปใช้ในวงกว้างเป็นไปได้: ความสามารถในการวิเคราะห์ข้อมูลมากขึ้นแบบเรียลไทม์โดยไม่มีค่าใช้จ่ายหรือความซับซ้อนที่ขัดขวาง ทำให้เปิดใช้งานกรณีการใช้ที่เคยเป็นไปไม่ได้.

อุตสาหกรรมได้ทำความก้าวหน้าที่สำคัญโดยการขยายโมเดล – แต่ขนาดเดียวไม่พอดีกับทุกกรณี เมื่อ AI แทรกซึมลึกเข้าสู่ระบบปฏิบัติการ คำถามก็เปลี่ยนจากว่าโมเดลทำอะไรได้ ไปสู่ว่าโมเดลควรออกแบบอย่างไร อนาคตของ AI จะไม่ได้กำหนดโดยโมเดลที่ใหญ่ที่สุด แต่โดยระบบที่สามารถส่งมอบปัญญาได้อย่างมีประสิทธิภาพ โปร่งใส และในระดับขนาดใหญ่.