ความพร้อมด้าน AI เริ่มต้นจากข้อมูลผลิตภัณฑ์ที่เชื่อถือได้

ผู้ผลิตทุ่มลงทุนอย่างมากใน AI โครงการริเริ่มด้านเธรดดิจิทัล ระบบอัตโนมัติ และการปรับปรุงองค์กรให้ทันสมัย เพื่อเพิ่มผลิตภาพและยกระดับการตัดสินใจ บทสนทนาส่วนใหญ่มุ่งเน้นไปที่โมเดล AI โครงสร้างพื้นฐาน และการบูรณาการระบบ แต่องค์กรจำนวนมากกำลังมองข้ามสิ่งที่จำเป็นพื้นฐานสำหรับความพยายามเหล่านี้ นั่นคือความเชื่อมั่นในข้อมูลผลิตภัณฑ์พื้นฐานและกฎทางธุรกิจที่ใช้ขับเคลื่อนการตัดสินใจด้านการดำเนินงาน

ความท้าทายไม่ได้อยู่ที่การเชื่อมต่อระบบเพียงอย่างเดียว แต่อยู่ที่การทำให้มั่นใจว่านิยามผลิตภัณฑ์ ตรรกะการกำหนดค่า และกฎทางธุรกิจที่ส่งต่อระหว่างระบบยังคงถูกต้อง ความพร้อมด้าน AI เริ่มต้นจากความเชื่อมั่นในข้อมูลผลิตภัณฑ์ระดับองค์กร การเปลี่ยนผ่านสู่ดิจิทัลไม่ได้เป็นเพียงการเชื่อมต่อระบบ แต่ยังหมายถึงการรักษาความหมายและความถูกต้องของข้อมูลที่ส่งต่อระหว่างระบบ

เมื่อบริษัทปรับปรุงระบบระดับองค์กรให้ทันสมัยและเชื่อมต่อการจัดการวงจรชีวิตผลิตภัณฑ์ (PLM) การวางแผนทรัพยากรองค์กร (ERP) การกำหนดค่า ราคา และใบเสนอราคา (CPQ) ตลอดจนแพลตฟอร์มบริการ ความไม่สอดคล้องกันของตรรกะการกำหนดค่าอาจบั่นทอนความถูกต้องของกระบวนการปลายทางและประสิทธิผลของคำแนะนำที่ขับเคลื่อนด้วย AI ได้อย่างเงียบ ๆ หากไม่มีตรรกะการกำหนดค่าที่เชื่อถือได้ AI ก็จะเร่งให้เกิดข้อผิดพลาด แทนที่จะช่วยให้ตัดสินใจได้ดีขึ้น

เหตุใดการกำหนดค่าผลิตภัณฑ์จึงเป็นรากฐานสำคัญที่ซ่อนอยู่

ผู้ผลิตในปัจจุบันพึ่งพาระบบนิเวศที่เชื่อมโยงถึงกันมากขึ้นเรื่อย ๆ ซึ่งครอบคลุม PLM, ERP, CPQ การผลิต และบริการ การกำหนดค่าผลิตภัณฑ์ทำหน้าที่เป็นตัวเชื่อมที่ถ่ายทอดเจตนารมณ์ทางวิศวกรรมไปสู่ข้อกำหนดด้านการผลิต การขาย การกำหนดราคา และการบริการ

แต่ละระบบมีมุมมองต่อผลิตภัณฑ์แตกต่างกัน: PLM ต้องใช้ข้อมูลทางเทคนิคและการออกแบบ ฝ่ายผลิตต้องรู้ว่าสามารถผลิตอะไรได้บ้าง ส่วน CPQ ต้องใช้กฎด้านการขายและตลาด การกำหนดค่าคือสิ่งที่เชื่อมมุมมองเหล่านั้นเข้าด้วยกัน เมื่อมีการเปลี่ยนแปลงตรรกะพื้นฐานหรือเกิดความไม่สอดคล้องกัน เธรดดิจิทัลก็จะขาดตอน ไม่ว่าระบบจะบูรณาการกันได้ดีเพียงใดก็ตาม

กฎเก่าแก่ก่อให้เกิดความเสี่ยงที่มองไม่เห็น

โมเดลการกำหนดค่าผลิตภัณฑ์มักสะท้อนองค์ความรู้ที่สั่งสมมานานหลายทศวรรษและซ้อนทับกันไปตามกาลเวลา ทั้งข้อกำหนดด้านกฎระเบียบ ข้อจำกัดในการผลิต ข้อยกเว้นเฉพาะตลาด และตรรกะการกำหนดราคา ผู้ที่สร้างโมเดลเหล่านี้ขึ้นมาแต่แรกมักออกจากบริษัทไปแล้ว ทำให้องค์กรต้องรับมือกับกฎที่ไม่มีใครเข้าใจได้อย่างถ่องแท้อีกต่อไป

โครงการปรับปรุงระบบระดับองค์กรให้ทันสมัย เช่น การย้ายระบบไปใช้ SAP S/4HANA มักให้ความสำคัญกับแอปพลิเคชัน โครงสร้างพื้นฐาน และโค้ดที่พัฒนาขึ้นโดยเฉพาะ ขณะที่มองว่าตรรกะการกำหนดค่าเป็นเรื่องรอง ผลที่ตามมาคือความเสี่ยงที่ถูกมองข้าม กล่าวคือ ระบบอาจย้ายได้สำเร็จ แต่พฤติกรรมการกำหนดค่าเปลี่ยนแปลงไปอย่างละเอียดอ่อน ซึ่งตรวจพบได้ยากด้วยการทดสอบแบบเดิม

การย้ายระบบไปใช้ S/4HANA แสดงให้เห็นปัญหานี้ได้ชัดเจน เพราะกลไกการกำหนดค่าใหม่อาจตีความกฎที่ใช้กันมานานแตกต่างออกไป แม้ไวยากรณ์จะเหมือนเดิมก็ตาม ความแตกต่างในการใช้ค่าเริ่มต้น ลำดับการประเมินข้อจำกัด และวิธีแก้ไขความขัดแย้งระหว่างกฎ ล้วนเปลี่ยนชุดค่าผสมที่โมเดลยอมรับได้ โดยไม่ต้องเขียนกฎแม้แต่บรรทัดเดียวขึ้นใหม่

เรื่องนี้ไม่ได้ทำให้สับสนเท่านั้น แต่ตรรกะการกำหนดค่าที่ผิดพลาดยังกลายเป็นปัญหาทางธุรกิจด้วย โดยมีความล้มเหลวอยู่สองรูปแบบ ซึ่งทั้งคู่สร้างความเสียหายสูง:

• การกำหนดค่าอนุญาตให้บริษัทขายสิ่งที่จริง ๆ แล้วผลิตไม่ได้ ส่งผลให้ต้องแก้ไขงาน พลาดคำมั่นที่ให้ไว้ และทำลายความสัมพันธ์กับลูกค้า
• การกำหนดค่าป้องกันไม่ให้บริษัทขายสิ่งที่สามารถผลิตได้อย่างไม่ถูกต้อง ส่งผลให้สูญเสียรายได้และอาจเสียความได้เปรียบในการแข่งขันด้วย

ความล้มเหลวรูปแบบแรกจะปรากฏให้เห็นในที่สุดที่พื้นโรงงาน ส่วนรูปแบบที่สองเกิดขึ้นอย่างเงียบ ๆ เพราะไม่มีข้อมูลใดในสมุดบันทึกคำสั่งซื้อที่แสดงถึงการขายซึ่งระบบกำหนดค่าไม่เคยอนุญาต

การตรวจสอบยืนยันกำลังกลายเป็นขีดความสามารถเชิงกลยุทธ์

การตรวจสอบความถูกต้องในการย้ายระบบแบบดั้งเดิมพึ่งพาการทดสอบด้วยตนเองและการสุ่มตรวจเป็นอย่างมาก ซึ่งไม่อาจประเมินชุดค่าผสมของผลิตภัณฑ์ที่เป็นไปได้จำนวนมหาศาลได้อย่างสมจริง การตรวจสอบยืนยันการกำหนดค่าปรับจุดเน้นจากการตรวจว่าถ่ายโอนข้อมูลสำเร็จหรือไม่ ไปเป็นการตรวจว่าเจตนารมณ์ทางธุรกิจยังคงเดิมหรือไม่

ฉันเคยเห็นผู้ผลิตจัดทีมที่มีหน้าที่ทั้งหมดเพียงเพื่อยืนยันว่าโมเดลที่ย้ายระบบแล้วยังคงสร้างชุดการกำหนดค่าที่ถูกต้องชุดเดิมได้ และยังคงปฏิเสธชุดการกำหนดค่าที่ไม่ถูกต้องชุดเดิม ด้วยเหตุผลเพียงว่าไม่มีวิธีอื่นที่จะตรวจสอบได้ งานนี้ต้องใช้รายละเอียดสูง มีค่าใช้จ่ายมาก และกินเวลานาน ถึงอย่างนั้นก็ยังตรวจสอบปัญหาได้เพียงบางส่วน

ควรพิจารณาขนาดของปัญหาให้ชัดเจน โมเดลที่มีตัวแปร 30 ตัว โดยแต่ละตัวมีตัวเลือก 5 แบบ จะสร้างชุดค่าผสมได้ประมาณ 10²¹ แบบ ซึ่งมากกว่าจำนวนเม็ดทรายบนโลกที่ประเมินกันไว้อย่างมหาศาล และโมเดลอุตสาหกรรมจริงมีขนาดใหญ่กว่านี้มาก ต่อให้มีคนคลิกไล่ตรวจผ่านส่วนติดต่อผู้ใช้มากเพียงใด ก็ไม่อาจครอบคลุมชุดค่าผสมทั้งหมดได้ เพราะคณิตศาสตร์ไม่เปิดทางให้ทำเช่นนั้น

นี่คือเหตุผลที่วิธีการเชิงรูปแบบมีความสำคัญ แทนที่จะสุ่มตัวอย่างชุดค่าผสม โมเดลการกำหนดค่าสามารถแปลงเป็นรูปแบบตรรกะมาตรฐาน ซึ่งเป็นตัวแทนทางคณิตศาสตร์ขนาดกะทัดรัดของชุดค่าผสมที่ถูกต้องทั้งหมดตามกฎที่กำหนดไว้ จากนั้นจึงนำโมเดลสองชุดที่แปลงด้วยวิธีนี้มาเปรียบเทียบกันได้โดยตรง ผลการเปรียบเทียบจะแสดงได้อย่างชัดเจนว่าโมเดลทั้งสองอธิบายชุดผลิตภัณฑ์ที่ถูกต้องตรงกันทุกประการ หรือแตกต่างกันตรงจุดใด พร้อมตัวอย่างที่เป็นรูปธรรมของชุดค่าผสมที่โมเดลหนึ่งยอมรับ แต่อีกโมเดลปฏิเสธ การใช้ตัวแทนรูปแบบเดียวกันยังเปลี่ยนการทำงานขณะรันไทม์ให้เป็นการค้นข้อมูลจากตารางแทนการค้นหา ซึ่งช่วยให้เครื่องมือกำหนดค่าแสดงเฉพาะตัวเลือกที่ถูกต้อง และไม่ทำให้ผู้ใช้ไปต่อไม่ได้ในทางตัน การตรวจสอบยืนยันกับความถูกต้องขณะรันไทม์จึงเป็นขีดความสามารถเดียวกันที่มองจากคนละมุม

องค์กรต่าง ๆ จำเป็นต้องเปรียบเทียบอย่างเป็นทางการในลักษณะนี้มากขึ้นเรื่อย ๆ ก่อนนำ AI หรือระบบอัตโนมัติมาใช้กับกฎของผลิตภัณฑ์ เป้าหมายไม่ได้มีเพียงการลดความเสี่ยงในการย้ายระบบ แต่ยังรวมถึงการรักษาความต่อเนื่องในการดำเนินงานตลอดทั้งงานวิศวกรรม การผลิต การขาย และการบริการ ตลอดจนเพิ่มความสามารถในการทดสอบ แก้ไขข้อบกพร่อง และตรวจสอบยืนยันโมเดลการกำหนดค่าก่อนเผยแพร่ แทนที่จะทำหลังเผยแพร่แล้ว

AI ควรทำงานอยู่บนเอนจินที่ให้ผลแน่นอน ไม่ใช่เข้ามาแทนที่เอนจิน

ทั้งหมดนี้ไม่ได้หมายความว่า AI ต้องเข้ามาแทนที่เอนจินกำหนดค่า รูปแบบที่ยั่งยืนกว่ากลับตรงกันข้าม นั่นคือให้ AI ทำหน้าที่เชื่อมระหว่างผู้ใช้กับเอนจินกำหนดค่าที่มีหลักเกณฑ์เข้มงวด เพื่อมอบประสบการณ์การขายแบบมีคำแนะนำหรือการแนะนำผลิตภัณฑ์ที่เป็นธรรมชาติมากขึ้น ขณะที่กฎพื้นฐานยังคงให้ผลแน่นอน โมเดลภาษาจะตีความว่าลูกค้ากำลังร้องขออะไร ส่วนเอนจินจะตัดสินว่าสิ่งใดสามารถผลิตได้จริง การแบ่งหน้าที่เช่นนี้ช่วยให้ส่วนของกระบวนการที่ต้องพิสูจน์ได้ว่าถูกต้อง ไม่ตกอยู่ในมือของระบบที่มีลักษณะเป็นไปได้ในเชิงความน่าจะเป็นโดยการออกแบบ

ข้อมูลที่เชื่อถือได้คือปัจจัยที่ทำให้โครงการ AI ประสบความสำเร็จ

AI จะสร้างคำแนะนำได้อย่างน่าเชื่อถือเพียงใด ขึ้นอยู่กับความน่าเชื่อถือขององค์ความรู้เกี่ยวกับผลิตภัณฑ์ที่ได้รับ ข้อมูลการกำหนดค่าที่ไม่ได้ผ่านการตรวจสอบทำให้ AI เผยแพร่ข้อผิดพลาดไปในระดับองค์กร ซึ่งบั่นทอนคำแนะนำด้านการขาย การตัดสินใจด้านการผลิต และคำมั่นที่ให้ไว้กับลูกค้า

ผู้ผลิตควรมองการตรวจสอบยืนยันข้อมูลว่าเป็นเงื่อนไขเบื้องต้นสำหรับการนำ AI มาใช้ เช่นเดียวกับที่การทดสอบซอฟต์แวร์กลายเป็นเงื่อนไขเบื้องต้นของการพัฒนาแอปพลิเคชัน ขณะที่การเปลี่ยนผ่านสู่ดิจิทัลดำเนินต่อไป ความได้เปรียบในการแข่งขันจะมาจากการวางรากฐานการใช้ AI ด้วยข้อมูลเชิงลึกเกี่ยวกับผลิตภัณฑ์ที่เชื่อถือได้มากขึ้นเรื่อย ๆ ไม่ใช่จากการนำ AI มาใช้ก่อนใคร