ย้ายออกจากความฮือฮา: การใช้งาน AI และ ML เพื่อให้บรรลุผลลัพธ์ทางธุรกิจ

โดย: Krishnan Venkata, Chief Client Officer ของบริษัทวิเคราะห์ข้อมูลดิจิทัล LatentView Analytics.

เป็นเวลามากกว่าหนึ่งทศวรรษที่ธุรกิจต่างๆ ตั้งแต่สตาร์ทอัพขนาดเล็กจนถึงองค์กรขนาดใหญ่พูดถึงความหวังของปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (ML) ตามคำพยากรณ์เหล่านี้ AI และ ML จะเปลี่ยนแปลงการทำงานสมัยใหม่โดยการทำให้กระบวนการประจำวัน自动化 และทำให้พนักงานสามารถมุ่งเน้นไปที่งานระดับสูง

สิบปีต่อมา สำหรับหลายองค์กร ความหวังของ AI กลายเป็นเพียงความหวังเท่านั้น และไม่มีอะไรเกิดขึ้นจริง ในขณะที่หลายองค์กรเหล่านี้ได้ดำเนินการเพื่อเร่งการเปลี่ยนแปลงดิจิทัล แต่ปัญหาทั่วไปบางอย่างมักจะทำให้ความฝันของ AI/ML ไม่เกิดขึ้น

อะไรคือปัจจัยที่ใหญ่ที่สุดในการขัดขวางศักยภาพการเปลี่ยนแปลงของ AI และ ML?

• การขาดการวางแผน: ขั้นตอนแรกในการสร้างกลยุทธ์ AI ที่ประสบความสำเร็จคือการรวบรวมข้อมูล แต่สิ่งที่สำคัญไม่แพ้กันคือการวางแผนการจัดการข้อมูลเหล่านั้น ธุรกิจที่รวบรวมข้อมูลมากมายโดยไม่มีแผนในการจัดการ วิเคราะห์ และใช้ข้อมูลเหล่านั้นจะเหลือเพียงทรัพยากรที่ไม่ได้รับการแปรรูปและแทบจะไม่สามารถใช้งานได้ มูลค่าของการค้นพบน้ำมันคืออะไรหากคุณไม่มีวิธีการขุดหรือแปรรูปเพื่อใช้งาน?
• การนำไปใช้แบบทีละขั้นตอน: ในขณะที่การเปลี่ยนแปลงดิจิทัลสัญญาว่าจะช่วยลดต้นทุนในระยะยาว แต่ต้นทุนแรกในการนำเทคโนโลยีใหม่มาใช้อาจสูงมาก ซึ่งนำไปสู่การนำไปใช้แบบทีละขั้นตอนโดยไม่พิจารณาว่าโซลูชันเดียวจะเข้ากับแผนภาพใหญ่ๆ ได้อย่างไร
• การขาดกระบวนการ/วินัย: โซลูชัน AI และ ML จะได้รับการสนับสนุนและแนะนำโดยผู้นำเฉพาะภายในบริษัท แต่ความสำเร็จของพวกเขาขึ้นอยู่กับการยอมรับจากองค์กรตั้งแต่บนลงล่าง ผู้นำที่นำร่องต้องเตรียมพื้นฐานสำหรับการนำไปใช้แบบกว้างขวางโดยการสร้างวินัยและขั้นตอนต่างๆ ที่จำเป็นในการรวมเครื่องมือใหม่ๆ ให้เรียบง่ายที่สุด

ปีที่ผ่านมาได้แสดงให้เห็นว่าไม่มีเวลาที่จะสูญเสียไปในการเปลี่ยนแปลงดิจิทัลและการทำให้กระบวนการทำงานอัตโนมัติผ่าน AI และ ML ตาม Fortune Business Insights ตลาด AI ทั่วโลกคาดว่าจะมีมูลค่าถึง 267 พันล้านดอลลาร์สหรัฐฯ ในปี 2569 ซึ่งแสดงถึงการเติบโตเกือบสิบเท่าจากมูลค่า 27 พันล้านดอลลาร์สหรัฐฯ ในปี 2562 การเปลี่ยนแปลงระยะยาวไปสู่การทำงานระยะไกลที่เกิดจากโควิด-19 ได้ผลักดันให้องค์กรต่างๆ นำโซลูชันใหม่ๆ มาใช้ รายงาน COVID-19 Digital Engagement Report ของ Twilio พบว่า 97% ของผู้บริหารระดับสูงระบุว่าโควิด-19 ทำให้ความพยายามในการเปลี่ยนแปลงดิจิทัลของพวกเขามีความเร่งรีบ

ดังนั้นอะไรคือสิ่งที่ต้องทำเพื่อย้ายออกจากความฮือฮาของ AI และ ML และทำให้เครื่องมือเหล่านี้เป็นจริง? เทคโนโลยีและกลยุทธีบางอย่างสามารถสร้างความแตกต่างระหว่างความสำเร็จหรือความล้มเหลว:

1. AIOps, MLOps, DataOps

การเพิ่ม -Ops เข้ากับเทคโนโลยีหรือแอปพลิเคชันคือสูตรสำหรับสร้างคำศัพท์ใหม่ที่มีความน่าสนใจ แต่ไม่ใช่ทุกโซลูชันที่เกิดขึ้นใหม่เหล่านี้ที่เป็นเพียงสิ่งเล็กๆ น้อยๆ ในความเป็นจริง กลยุทธีเช่น AIOps, MLOps และ DataOps สามารถ предложการแก้ปัญหาในการจัดการข้อมูลที่รวบรวมภายในองค์กรเหล่านี้ได้ เครื่องมือเหล่านี้ใช้หลักการของ Agile management กับ AI, ML และการบริหารข้อมูลตามลำดับ ทำให้การได้รับความรู้และความพยายามที่จำเป็นในการได้รับมูลค่าจากโซลูชันใหม่ๆ ง่ายขึ้นอย่างมาก สำหรับธุรกิจที่กำลังเริ่มต้นเข้าสู่ AI/ML และต้องการเร่งความเร็ว กลยุทธีเหล่านี้เป็นสิ่งจำเป็น

2. Low Code/No Code

โมเดล ML ที่ซับซ้อนและละเอียดอ่อนที่สุดจะจำเป็นต้องมีนักพัฒนาที่มีความสามารถและนักวิทยาศาสตร์ข้อมูลที่มีความเชี่ยวชาญเพื่อให้แน่ใจถึงความสำเร็จของพวกเขา อย่างไรก็ตาม ปัญหาที่องค์กรหลายแห่งต้องเผชิญไม่ได้ซับซ้อนมากนัก และสามารถแก้ไขได้ด้วยโซลูชัน AI ที่ง่ายและเป็นมาตรฐาน แพลตฟอร์ม Low-code และ No-code ลดข้อจำกัดในการเข้าถึงพนักงานที่มีพื้นฐานด้านการพัฒนาซอฟต์แวร์น้อยหรือไม่มีเลย เครื่องมือ No-code ช่วยให้พนักงานใดๆ สามารถสร้างโซลูชัน เช่น เครื่องมือแนะนำผ่านแพลตฟอร์มที่ใช้การลากและวางที่直观 ในขณะที่แพลตฟอร์ม Low-code สามารถทำงานที่ซับซ้อนได้ด้วยโค้ดเพียงไม่กี่บรรทัด

3. AutoAI และ AutoML

หาก AI และ ML เป็นการทำให้กระบวนการทางธุรกิจอัตโนมัติ แล้วทำไมพวกมันจึงต้องมีการทำให้อัตโนมัติด้วยตัวเอง? แสปัจจัยสำคัญในการประสบความสำเร็จของ AI และ ML คือแนวคิดของการปรับให้ดีขึ้น: เมื่อเครื่องมือเหล่านี้เรียนรู้ในระหว่างการทำงานและรวมข้อมูลมากขึ้น พวกมันสามารถปรับปรุงประสิทธิภาพและให้ผลลัพธ์ที่ดีขึ้นได้อย่างต่อเนื่อง AutoAI และ AutoML ทำกระบวนการปรับปรุงนี้โดยไม่ต้องการการเข้าแทรกแซงจากมนุษย์ ทำให้เกิดวงจรที่ดีไม่มีที่สิ้นสุด มนุษย์สามารถตรวจสอบประสิทธิภาพของโมเดลเพื่อป้องกันการเอนเอียงและยืนยันว่าเครื่องมือนั้นเป็นไปตามความต้องการขององค์กร แต่ AutoML ช่วยให้พนักงานสามารถมุ่งเน้นไปที่ความท้าทายอื่นๆ ในระหว่างวันทำงาน

เมื่อผู้ผลิตชิปและบริษัทซอฟต์แวร์ทำลายพื้นที่ใหม่ด้วยการประมวลผลภาษาธรรมชาติ สนาม AI/ML กำลังจะถึงจุดเปลี่ยนสำคัญที่จะเห็นการระเบิดของกรณีการใช้งานใหม่ๆ องค์กรต่างๆ ต้องเตรียมพร้อมที่จะตอบสนองต่อเทคโนโลยีใหม่ๆ เหล่านี้; ผู้ที่ไม่ได้เตรียมพร้อมที่จะถูกทิ้งไว้ข้างหลังโดยคู่แข่งที่ทำได้