ผู้นำทางความคิด

การวางแผน การพิสูจน์แนวคิด และการนำโซลูชันองค์กรที่ขับเคลื่อนด้วย AI ไปใช้งานจริงให้สำเร็จ

Prabhod Sunkara
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญภายในปี 2565 โซลูชัน AI ในองค์กรจะประสบความสำเร็จเพียงร้อยละ 15…
ดูเพิ่มเติม
  • ภายในปี 2565 โซลูชัน AI ในองค์กรจะประสบความสำเร็จเพียงร้อยละ 15 เนื่องจากความคาดหวังที่ไม่สอดคล้องกัน
  • การวางแผนต้องมุ่งเน้นไปที่พื้นที่ที่มีผลกระทบสูงและความเสี่ยงต่ำ ซึ่งมีข้อมูลเติบโตอย่างต่อเนื่อง เช่น การประมวลผลสินเชื่อ
  • การขยายขนาดจาก PoC สู่การผลิตจำเป็นต้องมีการออกแบบแบบโมดูลาร์และการจัดการโมเดลที่ขับเคลื่อนด้วยกระแส hype เช่น GPT3

องค์กรต่างๆ กำลังเร่งดำเนินการด้านปัญญาประดิษฐ์ (AI) อย่างรวดเร็ว การศึกษาโดย Algorithmia แสดงให้เห็นว่า 76 เปอร์เซ็นต์ของ CIO ให้ความสำคัญและเพิ่มงบประมาณ IT เพื่อมุ่งเน้นไปที่โซลูชัน AI และการเรียนรู้ของเครื่องจักร (ML) มากขึ้น องค์กรต่างๆ ยังตระหนักถึงความสำคัญของข้อมูล และส่วนใหญ่ยอมรับว่า 80 เปอร์เซ็นต์ของข้อมูลองค์กรเป็นข้อมูลที่ไม่มีโครงสร้าง

ข้อมูลที่ไม่มีโครงสร้างกำลังถูกสร้างและเติบโตในอัตราที่น่าตกใจในองค์กร ตัววัดได้เปลี่ยนจากเทราไบต์เป็นพีตาไบต์ ในผลของ IT ผู้เชี่ยวชาญ CDO และ CIO ต้องจัดการกับความท้าทายใหม่ๆ เพื่อตอบสนองความต้องการที่เพิ่มขึ้นสำหรับข้อมูลที่สามารถใช้งานได้และข้อมูลเชิงลึกที่สามารถดำเนินการได้ แม้ว่า AI จะมีศักยภาพที่จะเปลี่ยนแปลงอุตสาหกรรมใดๆ ก็ตาม แต่โซลูชัน AI เพียง 15 เปอร์เซ็นต์ที่นำไปใช้ภายในสิ้นปี 2022 จะประสบความสำเร็จ และมีจำนวนน้อยที่จะสร้าง ROI ที่เป็นบวก

ปัญหาที่ใหญ่ที่สุดคือโซลูชัน AI องค์กรส่วนใหญ่ไม่ได้เห็นแสงสว่างของวันเนื่องจากความไม่สอดคล้องกันของความคาดหวัง ยังคงมีความเข้าใจผิดเกี่ยวกับศักยภาพของ AI และโครงการยังคงถูกสร้างขึ้นโดยใช้โมเดลที่ขับเคลื่อนด้วยกระแสความตื่นตัว ส่วนใหญ่ของผลิตภัณฑ์หรือโมเดลอยู่ห่างไกลจากความเป็นจริงของการดำเนินงานประจำวันขององค์กร ปัจจัยขับเคลื่อนอื่นๆ ที่ทำให้อัตราความสำเร็จต่ำลงรวมถึงการเกินงบประมาณ การขาด AI Centers of Excellence (CoE) ทีมงานที่ไม่มีประสบการณ์ การไม่มีข้อมูล และนโยบายที่ล้าสมัย เป็นต้น

การวางแผนเปิดทางสู่ความสำเร็จของ AI องค์กร

ข้อมูลที่ไม่มีโครงสร้างคือข้อมูลที่ไม่มีรูปแบบข้อมูลที่กำหนดไว้ล่วงหน้า และรวมถึงทุกอย่างตั้งแต่เอกสารที่มีเนื้อหาที่หนักไปทางข้อความและเว็บไซต์ไปจนถึงรูปภาพ ไฟล์วิดีโอ แชทบอท สตรีมเสียง และโพสต์บนโซเชียลมีเดีย ด้วยปริมาณข้อมูลที่ไม่มีโครงสร้างที่เพิ่มขึ้นในโครงสร้างองค์กร จึงจำเป็นต้องมีแผนการทำงานที่มีประสิทธิภาพและเพิ่มขึ้นอย่างต่อเนื่องซึ่งสอดคล้องกับวัตถุประสงค์ของผู้มีส่วนได้ส่วนเสียทั้งหมดในองค์กร วัตถุประสงค์ทั่วไปที่ระดับองค์กรอาจรวมถึงการทำกระบวนการให้เป็นอัตโนมัติ การตรวจจับฉ้อโกง การปรับปรุงประสบการณ์ของลูกค้า การปรับปรุงความปลอดภัย การเพิ่มยอดขาย และอื่นๆ ในขณะที่บางวัตถุประสงค์สามารถบรรลุได้อย่างมีประสิทธิภาพเนื่องจากธรรมชาติของข้อมูลที่มีโครงสร้าง การวางแผนเกี่ยวกับข้อมูลที่ไม่มีโครงสร้างอาจเป็นเรื่องที่ท้าทาย

โดยทั่วไป การวางแผนจะเริ่มต้นด้วยการระบุพื้นที่ที่มีโอกาสภายในองค์กร ในขณะที่อาจมีวิสัยทัศน์ AI ที่ยิ่งใหญ่ที่ระดับการจัดการผู้บริหาร แต่ก็จำเป็นต้องระบุพื้นที่ที่มีผลกระทบสูง มีความเสี่ยงต่ำ และมีการเติบโตอย่างต่อเนื่องในด้านข้อมูล ตัวอย่างที่ดีของกรณีการใช้งานดังกล่าวคือฟังก์ชันการประมวลผลเงินกู้ในอุตสาหกรรมธนาคารและการเงิน ตั้งแต่การเริ่มต้นสินเชื่อจนถึงการบริหารสินเชื่อมีการประมวลผลด้วยมือในระบบอย่างซ้ำซาก การตรวจสอบความถูกต้องของใบสมัครเงินกู้ต้องมีการส่งเอกสารจำนวนมาก ซึ่งทำให้เกิดความเสี่ยงหลายประการ อย่างไรก็ตาม AI สามารถนำไปใช้ในหลายพื้นที่ของกระบวนการทำงาน รวมถึงการประมวลผลเอกสารและการตรวจจับฉ้อโกง นี่ยังเป็นพื้นที่ที่มีการเติบโตของข้อมูลอย่างต่อเนื่องปีละ

ขั้นตอนสำคัญอื่นๆ ที่ควรพิจารณาในช่วงการวางแผน ได้แก่การกำหนดเกณฑ์ความสำเร็จที่วัดผลได้ การสร้างกลยุทธ์ข้อมูลที่สอดคล้องกัน การฝึกอบรมและให้ข้อมูลย้อนกลับอย่างต่อเนื่อง และการประเมินประสบการณ์ของผู้ใช้ ความสามารถในการปรับขนาด และโครงสร้างพื้นฐาน

การกำหนดเกณฑ์ความสำเร็จที่วัดผลได้ (และหลีกเลี่ยงการวางรถเข็นก่อนม้า!)

ความสำเร็จในระยะแรกของ Google มักถูกมอบให้กับการนำระบบ Objective Key Results (OKRs) มาใช้ ในขณะที่แนวทางนี้สามารถนำไปใช้กับด้านใดๆ ของธุรกิจหรือเป้าหมายส่วนบุคคล การนำแนวทางที่พิสูจน์แล้วนี้มาใช้กับกลยุทธ์ AI ของคุณอาจให้ผลลัพธ์ที่มีแนวโน้มดี อย่างไรก็ตาม เมื่อถึงข้อมูลที่ไม่มีโครงสร้าง เป็นปัญหาที่กำลังพัฒนา ซึ่งอุตสาหกรรมโดยรวมกำลังพยายามแก้ไข ผู้นำธุรกิจควรถามคำถามต่างๆ เพื่อกำหนด ‘อะไร’ และ ‘ทำไม’ ตัวอย่างเช่น หากการเพิ่มผลผลิตเป็นวัตถุประสงค์หลัก คำถามสองข้อที่สามารถตอบได้คือ:

  • ควรวางแผนเพื่อเพิ่มปริมาณงานที่ประมวลผลด้วยระบบอัตโนมัติหรือไม่? หรือ
  • ควรวางแผนเพื่อแก้ปัญหา 80 เปอร์เซ็นต์สำหรับ 100 เปอร์เซ็นต์ของกรณีที่ส่งมาหรือไม่?

การตอบคำถามเหล่านี้นำไปสู่การเดินทางในการนำไปใช้งานที่แตกต่างกัน และมันสำคัญที่จะต้องตัดสินใจว่าทางเลือกใดจะเป็นทางเลือกที่ถูกต้องสำหรับองค์กรของคุณ

ด้วยข้อมูลที่ไม่มีโครงสร้าง พื้นที่การวัดที่คลุมเครืออีกอย่างหนึ่งคือ ความแม่นยำ ในตัวอย่างของการประมวลผลเงินกู้ มีความแปรผันมากในเอกสารที่ส่งโดยลูกค้า จึงจำเป็นต่อผู้นำธุรกิจและผู้นำด้านเทคโนโลยีที่จะต้องตกลงกันว่าจะวัดความแม่นยำของโซลูชัน AI ได้อย่างไร หากผลผลิตเป็นหนึ่งในวัตถุประสงค์ของการนำโซลูชัน AI มาใช้ ก็จำเป็นต้องระบุพื้นที่อื่นๆ ที่ส่งผลกระทบต่อผลผลิต ซึ่งสามารถทำได้โดยการตรวจสอบกระบวนการปัจจุบันและจินตนาการถึงกระบวนการด้วยการอัตโนมัติของ AI บ่อยครั้งการอัตโนมัติใหม่นำไปสู่ขั้นตอนใหม่ๆ ในกระบวนการ เช่น การจัดการข้อยกเว้นด้วยมือ การกำกับป้ายข้อมูล การฝึกอบรม และอื่นๆ ด้วยขั้นตอนเหล่านี้ในที่สุดก็จะสามารถกำหนดได้ว่าจะวัดความแม่นยำได้อย่างไร

ข้อมูลคือเส้นเลือดหล่อเลี้ยงขององค์กรทั้งหมด

ข้อมูลที่ไม่มีโครงสร้างมีระดับของความแปรผันที่สูงในด้านวิธีการจัดโครงสร้างและนำเสนอข้อมูล องค์กรต่างๆ มีข้อมูลที่นำเสนอในเอกสาร ซึ่งมีโครงสร้างที่ซับซ้อนประกอบด้วยย่อหน้า ประโยค และโครงสร้างตารางหลายมิติ นอกเหนือจากเอกสารแล้ว องค์กรต่างๆ กำลังลงทุนมากขึ้นในแชทบอท การติดตามข้อมูลโซเชียลมีเดีย และรูปแบบข้อมูลที่ไม่มีโครงสร้างอื่นๆ เช่น ข่าว รูปภาพ และวิดีโอ

ส่วนใหญ่ขององค์กรต่างๆ มองข้ามปริมาณข้อมูลที่มีอยู่และสามารถเข้าถึงได้ในมือ อุปสรรคที่พบมักจะง่ายอย่างการเอาชนะข้อจำกัดด้านการปฏิบัติตามกฎระเบียบและการแบ่งปันข้อมูลภายในองค์กร อย่างไรก็ตาม การมีข้อมูลที่สะอาดและมีความแปรผันที่สูงช่วยให้สามารถประเมินปัญหาและออกแบบโซลูชันที่เหมาะสมได้ดีขึ้น

ปัจจัยสำคัญอีกประการหนึ่งที่ควรพิจารณาคือผลลัพธ์ที่คุณคาดหวังจากข้อมูลที่ไม่มีโครงสร้างนี้ จะช่วยให้แน่ใจว่ามีปริมาณข้อมูลอ้างอิงที่ตรวจสอบความถูกต้องแล้ว ข้อมูลฝึก และข้อมูลทดสอบที่เหมาะสม ในการย้อนกลับไปที่ตัวอย่างของการประมวลผลเงินกู้ หากผลลัพธ์ของโซลูชัน AI คือการกำหนดยอดคงเหลือเฉลี่ยรายวันของผู้สมัคร ข้อมูลอ้างอิงที่ตรวจสอบแล้วและข้อมูลฝึกอบรมสามารถมุ่งเน้นไปที่รายการเดินบัญชีธนาคารได้ อย่างไรก็ตาม หากจุดเน้นคือการระบุผู้สมัครที่ฉ้อโกงผ่านรายการเดินบัญชีธนาคารที่ส่งมา ก็จำเป็นต้องเข้าถึงข้อมูลเอกสารที่หลากหลายเพื่อให้ได้ข้อมูลอ้างอิงที่ตรวจสอบแล้วและข้อมูลฝึกอบรมที่จำเป็น

การปรับขนาดจาก PoC ถึงการผลิต

การเริ่มต้นด้วยการตรวจสอบแนวคิดที่วัดผลได้จะช่วยให้ทุกฝ่ายที่เกี่ยวข้องเข้าใจถึงความท้าทาย ผลลัพธ์ และคุณค่าของโซลูชัน AI อย่างไรก็ตาม การตรวจสอบแนวคิดไม่เหมือนกับโซลูชันที่พร้อมสำหรับการผลิต การตรวจสอบแนวคิดช่วยให้องค์กรสามารถระบุช่องว่าง กระตุ้นการคิดเชิงออกแบบสำหรับโซลูชันการผลิต และทำให้วัตถุประสงค์และผลลัพธ์หลักชัดเจนขึ้น เพื่อที่จะไปจากแนวคิดที่ตรวจสอบได้ถึงโซลูชันที่ปรับขนาดได้ องค์กรควรวางแผนสำหรับสถานการณ์ข้อมูลที่ซับซ้อน ซึ่งรวมถึงการเปลี่ยนแปลงข้อมูลอย่างต่อเนื่อง การไม่มีข้อมูลที่มีฉลาก และระดับของความแปรผันที่สูงในด้านรูปแบบและรูปแบบ นอกจากนี้ยังสำคัญที่จะจินตนาการถึงกระบวนการทำงานใหม่ การฝึกอบรมกำลังคนใหม่ และการกำหนดโครงสร้างพื้นฐานที่ถูกต้อง ต้นทุน ประสิทธิภาพ โครงสร้างข้อมูล ความปลอดภัยของข้อมูล และข้อตกลงระดับการบริการ (SLAs)

เป็นสิ่งสำคัญที่จะต้องประเมินกระบวนการทำงานและกระบวนการทางธุรกิจทั้งหมดเพื่อให้ได้ผลลัพธ์ที่ดีที่สุดจากโซลูชัน AI ใดๆ การใช้แนวคิดจากเศรษฐศาสตร์เชิงพฤติกรรม มันสำคัญที่จะเทียบผลลัพธ์กับจุดอ้างอิงที่มีอยู่แล้ว (หรือที่เรียกว่า “การอาศัยอ้างอิง”) ซึ่งสามารถคาดการณ์ประสิทธิภาพที่ดีก่อนการผลิตได้โดยการคิดเชิงออกแบบและทำแผนที่กระบวนการใหม่

สถานการณ์นี้สมมติว่าทั้งผู้นำธุรกิจและผู้นำด้านเทคนิคได้ตกลงแล้วว่าจะใช้แนวทาง MI หรือการเรียนรู้ลึกตามการตรวจสอบแนวคิด บางคำสั่งปัญหาอาจเป็นเชิงกำหนดนิยม และสามารถใช้แนวทางเชิงสถิติเพื่อแก้ปัญหาได้ ในขณะที่ความท้าทายอื่นๆ อาจต้องใช้แนวทางที่รวม MI และการเรียนรู้ลึกเข้าด้วยกันเพื่อให้ได้ผลลัพธ์ที่ต้องการ

บางโซลูชัน AI ต้องการการรวม Natural Language Processing (NLP) ในขณะที่โมเดลภาษาทั่วไปทำหน้าที่เป็นขั้นตอนพื้นฐาน ส่วนใหญ่ของโมเดลเหล่านี้ไม่ได้ออกแบบมาเพื่อตอบสนองความต้องการเฉพาะของปัญหาองค์กร และต้องมีการปรับให้เหมาะสม ในเวลาเดียวกัน ผู้บริหารส่วนใหญ่น่าจะตื่นเต้นเกี่ยวกับโมเดลขนาดใหญ่ เช่น GPT3 ซึ่งต้องการพลังการคำนวณที่สำคัญ และสามารถมีอิทธิพลต่อ ROI ของบริษัทได้ โมเดลเหล่านี้ไม่น่าจะเหมาะสมสำหรับบริษัทของคุณ

การตรวจสอบแนวคิด AI ของคุณเป็นเพียงจุดเริ่มต้นของกระบวนการที่ยาวนาน ดังนั้นจึงควรพิจารณาสิ่งต่อไปนี้:

  • อย่าเลือกปัญหาที่ซับซ้อนในการแก้ไขในขั้นตอนการตรวจสอบแนวคิด
  • ใช้การคิดเชิงออกแบบและตรวจสอบกระบวนการตั้งแต่ต้นจนจบ การคาดการณ์และจัดการความเสี่ยงในระยะแรก
  • ความแม่นยำไม่ใช่การวัดเพียงอย่างเดียว ออกแบบและวางแผนเพื่อสร้างโซลูชันที่ขับเคลื่อนด้วยคุณค่ามากกว่าการบรรลุความแม่นยำ 100 เปอร์เซ็นต์
  • ประเมินแนวทาง AI ของคุณ อย่าวางแผนตามโมเดลที่ขับเคลื่อนด้วยกระแสความตื่นตัว แต่เลือกแนวทางที่เหมาะสมที่สุดซึ่งมีลักษณะแบบโมดูลาร์
  • จัดการความคาดหวังของทุกฝ่ายที่เกี่ยวข้องเพื่อให้ได้ผลลัพธ์ที่ประสบความสำเร็จที่สุด
  • ออกแบบโซลูชันและโครงสร้างของคุณให้ปรับขนาดได้ตามการเติบโตของข้อมูลเพื่อให้ได้ ROI ที่เหมาะสมที่สุด

แนวปฏิบัติที่ดีที่สุดสำหรับโซลูชัน AI

ในปัจจุบัน ส่วนใหญ่ของธุรกิจกำลังดำเนินโครงการ AI หนึ่งโครงการหรือมากกว่านั้น แม้ว่าจะมีเจตนาและความพยายามที่ดี แต่โครงการ AI องค์กรหลายโครงการไม่บรรลุความคาดหวัง ไม่ปรับขนาดได้ และไม่สร้าง ROI ที่ต้องการ จะใช้เวลาในการรวม AI เป็นส่วนประกอบหลักของธุรกิจ แต่บางแนวปฏิบัติที่ดีที่สุดซึ่งองค์กรที่ประสบความสำเร็จปฏิบัติตาม ได้แก่:

  • เริ่มต้นด้วย AI CoE: หลายองค์กรขนาดใหญ่ รวมถึงองค์กรที่ไม่ใช่ธุรกิจเทคโนโลยี ได้ตั้ง AI Centers of Excellence (AI CoE) เพื่อเพิ่มโอกาสในการประสบความสำเร็จ AI CoE นำความเชี่ยวชาญ ทรัพยากร และบุคคลที่จำเป็นมารวมกันเพื่ออำนวยความสะดวกในการเปลี่ยนแปลงด้วย AI ประโยชน์หลักๆ ได้แก่
    • การรวมการเรียนรู้ AI ทรัพยากร และทีมงานในสถานที่เดียว
    • การสร้างวิสัยทัศน์ AI และกลยุทธ์ธุรกิจที่เป็นเอกภาพ
    • การมาตรฐานของแนวทาง AI แพลตฟอร์ม และกระบวนการ
    • การระบุโอกาสใหม่ๆ ในด้านรายได้สำหรับ AI และนวัตกรรม
    • การปรับขนาดความพยายามด้านวิทยาศาสตร์ข้อมูลโดยการทำให้ AI พร้อมใช้งานสำหรับการทำงานทางธุรกิจทั้งหมด
  • การอนุมัติจากผู้บริหาร: กลยุทธ์ AI มีประสิทธิภาพสูงสุดผ่านแนวทางจากบนลงล่าง การขยายตัวของการนำไปใช้ตลอดทั้งองค์กรต้องได้รับการอนุมัติจากผู้บริหาร ทักษะที่จำเป็นและข้อมูล และการสร้างโครงสร้างองค์กรที่รับรองว่าโมเดลยังคงแม่นยำเมื่อเวลาผ่านไป
  • การมีข้อมูล: ส่วนใหญ่ขององค์กรมีข้อมูลที่แยกออกจากกันเนื่องจากเหตุผลด้านการปฏิบัติตามกฎระเบียบ อย่างไรก็ตาม ข้อมูลคือเส้นเลือดหล่อเลี้ยงของโซลูชัน AI ใดๆ การจัดเตรียมข้อมูลนี้จึงมีความสำคัญ นอกเหนือจากการจัดเตรียมแล้ว การจัดประเภทและทำความสะอาดข้อมูลก็จำเป็นเช่นกัน การพัฒนาข้อมูลอ้างอิงที่ตรวจสอบแล้วและข้อมูลฝึกอบรมที่แม่นยำสามารถทำให้โซลูชัน AI ประสบความสำเร็จหรือล้มเหลว
  • โครงสร้าง: การนำ AI มาใช้เป็นการเปลี่ยนแปลงกระบวนทัศน์สำหรับองค์กรใดๆ ซึ่งต้องใช้วิธีการคิดและวางแผนใหม่ๆ การออกแบบโครงสร้างทางเทคนิคและปฏิบัติการที่เหมาะสมจะเพิ่มโอกาสในการประสบความสำเร็จ ซึ่งรวมถึงการมีฟังก์ชันใหม่ๆ เช่น ML Ops, Data Ops, การฝึกอบรมแบบวนซ้ำ และการกำกับป้ายข้อมูล
  • โมดูลาร์และความยืดหยุ่น: โซลูชัน AI ยังคงอยู่ในขั้นตอนเริ่มต้น โดยเฉพาะอย่างยิ่งเมื่อองค์กรต่างๆ มีข้อมูลที่ไม่มีโครงสร้างปริมาณมาก มันจึงสำคัญที่จะออกแบบและสร้างโซลูชันที่มีลักษณะแบบโมดูลาร์และยืดหยุ่นได้ ซึ่งสามารถปรับขนาดได้ตามธุรกิจและความท้าทายที่เพิ่มขึ้น

การสร้างและดำเนินกลยุทธ์ AI มีศักยภาพที่ยิ่งใหญ่สำหรับองค์กรส่วนใหญ่ และกรณีการใช้งานนั้นไม่มีที่สิ้นสุด โซลูชันการเรียนรู้ของเครื่องจักรและลึกสามารถสัมผัสทุกด้านขององค์กร ตั้งแต่การขายและการตลาดไปจนถึงการดำเนินงานประจำวัน อย่างไรก็ตาม เช่นเดียวกับการสร้างจรวดหรือการประดิษฐ์อุปกรณ์ใหม่ ความสำเร็จจะไม่เกิดขึ้นทันที ควรพัฒนาโซลูชัน AI เป็นขั้นตอนและสร้างขึ้นจากชัยชนะเล็กๆ น้อยๆ ในช่วงเวลาหนึ่ง

ปรภพ สุนการา เป็น ผู้ร่วมก่อตั้งและประธานฝ่ายปฏิบัติการของ nRoad, Inc., แพลตฟอร์มประมวลผลภาษาธรรมชาติ (NLP) ที่ออกแบบมาโดยเฉพาะสำหรับข้อมูลที่ไม่มีโครงสร้างในภาคการเงิน และเป็นบริษัทแรกที่ประกาศ "สงครามกับเอกสาร" ก่อนที่จะเข้าร่วม nRoad ปรภพเคยดำรงตำแหน่งผู้นำในด้านการพัฒนาผลิตภัณฑ์ การดำเนินงาน และสถาปัตยกรรมโซลูชัน ความหลงใหลในการสร้างและจัดส่งโซลูชัน AI ที่ขับเคลื่อนด้วยผลลัพธ์ได้ปรับปรุงกระบวนการในบริษัทการเงินระดับโลกขนาดใหญ่ เช่น Bank of America, Merrill Lynch, Morgan Stanley และ UBS