การแก้ปัญหาการขาดการดำเนินการในอัตลักษณ์ AI

คำสัญญาเริ่มต้นของ LLMs ในการแก้ปัญหาแบบองค์กรได้หยุดชะงักไปแล้ว เราได้แก้ปัญหาในการให้เหตุผลที่มีขนาดใหญ่ แต่การเปลี่ยนเหตุผลนั้นให้เป็นผลลัพธ์ในโลกแห่งความเป็นจริงเป็นเรื่องราวที่แตกต่าง เราทั้งหมดได้เห็นตัวเลขแล้ว: 95% ของการนำ AI มาใช้ในองค์กรมักจะไม่ประสบความสำเร็จ และ 80% ของโครงการ AI ที่ไม่ประสบความสำเร็จในการเปิดตัว

ปัญหาไม่ได้มาจากความไม่เข้าใจ LLMs มีความสามารถในการวิเคราะห์คำขอแบบไม่ชัดเจน แต่ความเข้าใจนั้นเป็นเพียงครึ่งหนึ่งของสงคราม ส่วนใหญ่ของโครงการล้มเหลวเนื่องจากระบบที่จำเป็นต้องดำเนินการตามความเข้าใจนั้นไม่ได้ถูกเชื่อมต่อหรือทำให้ทำงานโดยอัตโนมัติ AI สามารถตัดสินใจได้ว่าอะไรต้องเกิดขึ้น แต่จะไม่มีประโยชน์หากไม่สามารถเข้าถึงเครื่องมือหรือดำเนินการธุรกรรมที่จำเป็นในการทำงานจริงๆ

สามขั้นตอนของการทำให้กระบวนการทำงานโดยอัตโนมัติ

งานในโลกแห่งความเป็นจริงเกิดขึ้นในสามขั้นตอน แต่ระบบในปัจจุบันจับได้เพียงเศษเสี้ยวของมัน การทำให้กระบวนการทำงานโดยอัตโนมัติจะล้มเหลวเนื่องจากมุ่งเน้นไปที่ขั้นตอนแรกเท่านั้น และเพิกเฉยต่อกลไกของขั้นตอนที่สองและสาม

1. การรับรู้ความตั้งใจ (การคัดแยก)

ขั้นตอนแรกคือการค้นหาว่าผู้ใช้ต้องการอะไร นี่คือขั้นตอนการให้เหตุผลที่ AI ได้ทำความก้าวหน้ามากที่สุด ตัวอย่างเช่น ผู้ช่วยผู้เชี่ยวชาญอ่านตั๋ว จัดประเภทความตั้งใจ และตัดสินใจเกี่ยวกับเส้นทางไปข้างหน้าตามนโยบายของบริษัท ปัจจุบัน LLMs จัดการกับการคัดแยกนี้ได้อย่างง่ายดาย แม้ว่าจะน่าประทับใจ แต่นี่ก็เพียงแต่กล่าวถึงด้านหน้าของค็อกพิทเท่านั้น

2. การทำแผนที่กระบวนการ (ตรรกะ)

ขั้นตอนที่สองคือการทำแผนที่เส้นทางการดำเนินการ หรือตรรกะของส่วนกลางที่ยุ่งยาก สิ่งนี้ต้องเดินผ่านกฎธุรกิจและข้อยกเว้นที่ไม่เปิดเผยต่อสาธารณะ ตัวอย่างเช่น สำหรับการคืนเงินอย่างง่าย ทีมจะต้องทราบว่าระบบใดที่เก็บธุรกรรมอยู่ วิธีการจัดการภาษี และว่า是否ต้องได้รับการอนุมัติจากผู้จัดการ

นี่คือที่ที่ความได้เปรียบในการแข่งขันขององค์กรอาศัยอยู่ แต่นี่ก็เป็นที่ที่การทำให้กระบวนการทำงานโดยอัตโนมัติหยุดชะงักไปด้วย แม้ว่า API จะมีอยู่ แต่ก็มักจะไม่เพียงพอหรือแยกออกจากกัน โดยไม่มีแผนที่กลางในการนำทางระบบที่แตกต่างกัน 5-7 ระบบที่จำเป็นในการทำกระบวนการทำงานให้เสร็จสิ้น AI จะไม่มีคำแนะนำที่จำเป็นในการเปลี่ยนการตัดสินใจให้เป็นชุดของการดำเนินการทางเทคนิค

3. การดำเนินการเชิงระบบ (การดำเนินการ)

ขั้นตอนสุดท้ายคือการดำเนินการเชิงระบบ: การส่งต่อข้อมูลใน ERP การอัปเดต CRM หรือการกระตุ้นการชำระเงิน

ในกระบวนการทำงานด้วยมือ ผู้ช่วยจะดำเนินการนี้โดยการทำงานเป็นคนกลางระหว่างระบบเหล่านี้ ในโลกที่มีการทำให้กระบวนการทำงานโดยอัตโนมัติ AI ไม่สามารถตัดสินใจได้ว่าการเปลี่ยนแปลงนั้นจำเป็นหรือไม่; มันจำเป็นต้องมีแพลตฟอร์มที่สามารถจัดการธุรกรรมด้วยระดับความปลอดภัยและความสอดคล้องที่เท่ากับคนงานมนุษย์ หากไม่มีโครงสร้างพื้นฐานในการดำเนินการนี้ โครงการ AI จะยังคงเป็นแบบจำลองที่ไม่สมบูรณ์แบบและล้มเหลวเมื่อเผชิญกับความไม่แน่นอนในโลกแห่งความเป็นจริง

การเปลี่ยนจากการแสดงตัวอย่างไปสู่ระบบการผลิตที่สมบูรณ์เป็นงานที่ยิ่งใหญ่เพราะต้องแก้ปัญหาสุดท้ายของการดำเนินการเชิงระบบ หากช่องว่างนี้ไม่ได้รับการแก้ไข การทำให้กระบวนการทำงานโดยอัตโนมัติจะยังคงอ่อนแอและในที่สุดจะถูกเพิกเฉยโดยทีมปฏิบัติการ

ปัญหาการบูรณาการ: ผู้สังเกตการณ์เทียบกับผู้ดำเนินการ

ความเสี่ยงทางเทคนิคนี้คือเหตุผลที่บริษัทต่างๆ ยังคงพึ่งพาการดำเนินการด้วยมือสำหรับงานพื้นฐานส่วนใหญ่ ในบริษัทส่วนใหญ่ ผู้ช่วยจะใช้เวลาทั้งวันในการย้ายข้อมูลระหว่างเครื่องมือ เช่น การคัดลอกข้อมูลจากฐานข้อมูลการเรียกเก็บเงินไปยัง CRM หรือการอัปเดตแพลตฟอร์มการขนส่ง พวกเขาทำหน้าที่เป็นกาวที่เชื่อมระบบเหล่านั้นเข้าด้วยกัน

เพื่อทำให้กระบวนการทำงานโดยอัตโนมัติ บริษัทจะต้องสร้างและบำรุงรักษาการเชื่อมต่อแบบกำหนดเองสำหรับเครื่องมือทุกชิ้นในกระบวนการทำงาน ต้นทุนในการสร้างโครงสร้างพื้นฐานนี้มักจะเกินมูลค่าของการทำให้กระบวนการทำงานโดยอัตโนมัติ หากไม่มีการเชื่อมต่อเหล่านี้ ตัวแทน AI สามารถเข้าใจลูกค้าได้ แต่ไม่สามารถช่วยเหลือพวกเขาได้ – มันกลายเป็นผู้สังเกตการณ์ที่มีค่าจ้างสูง ไม่ใช่ผู้ดำเนินการ มันสามารถมองเห็นคำตอบได้ แต่ไม่มีการเข้าถึงเพื่อดำเนินการแก้ไข นี่คือเหตุผลที่โครงการ AI ส่วนใหญ่ไม่เคยผ่านไปไกลกว่าการตอบคำถามหรือการดำเนินงานที่แคบ

การใช้การบูรณาการเพื่อปิดช่องว่าง

เพื่อเคลื่อนตัวไปอย่างมีประสิทธิภาพ องค์กรต่างๆ ต้องการการบูรณาการ คิดว่ามันเป็นโครงสร้างที่เชื่อมต่อการคิด (ขั้นตอนที่ 1) กับการดำเนินการ (ขั้นตอนที่ 3) โดยการบริหารจัดการตรรกะที่ซับซ้อน (ขั้นตอนที่ 2) ระหว่างนั้น

ตัวแทน AI สามารถระบุได้ว่าอะไรต้องทำ แต่โดยปกติจะไม่มีสิทธิ์และความจำข้ามระบบเพื่อเป็นเจ้าของกระบวนการทำงานตั้งแต่ต้นจนจบ สำหรับงานที่ซับซ้อนกว่าการทำงานง่ายๆ ตัวแทนจะต้องมีแพลตฟอร์มที่จัดการการเข้าสู่ระบบ ลำดับขั้นตอนระหว่างเครื่องมือต่างๆ และติดตามความก้าวหน้า หากไม่มีระดับนี้ AI จะเป็นตัวตัดสินใจที่มีความสามารถ แต่ไม่มีทางในการนำการตัดสินใจไปใช้

การบูรณาการยังช่วยแก้ปัญหาการเชื่อมต่อ API แบบหนึ่งครั้ง เมื่อเราสร้างสถาปัตยกรรมสำหรับ MelodyArc เราเน้นไปที่ระดับกลางที่ตัวแทน AI สามารถรักษาความสัมพันธ์ระหว่างระบบและประสานการดำเนินการผ่าน API หรืออินเทอร์เฟซเว็บ โดยการรับมือการทำงานหนักทางเทคนิค การบูรณาการช่วยให้ทีมปฏิบัติการสามารถกำหนดกระบวนการทำงานโดยใช้บล็อกการสร้างแทนการเขียนโค้ด สิ่งนี้เปลี่ยน AI จากผู้ช่วยที่น่าสนใจให้เป็นผู้ดำเนการที่เชื่อถือได้ซึ่งสามารถจัดการงานตลอดวงจรชีวิต

ความถูกต้องสูงด้วย Human-in-the-Loop

ผลลัพธ์ที่ไม่น่าเชื่อถือเป็นวิธีที่เร็วที่สุดสำหรับทีมปฏิบัติการที่จะปฏิเสธเทคโนโลยีใหม่ๆ การบูรณาการมีความทนทานมากที่สุดเมื่อมีระดับ Human-in-the-Loop (HITL) แม้ว่าจะมักถูกมองข้ามหรือมองว่าเป็นความล้มเหลวของการทำให้กระบวนการทำงานโดยอัตโนมัติ ความเชี่ยวชาญของมนุษย์เป็นส่วนประกอบทางสถาปัตยกรรมที่สำคัญ

สำหรับกระบวนการที่จะทำงานได้จริงๆ ระบบจะต้องตระหนักถึงข้อจำกัดของมันเองในช่วงกรณีขอบหรือเมื่อความมั่นใจของ AI ต่ำ การให้เส้นทางที่ชัดเจนสำหรับการเพิ่มระดับและกลับไปยังผู้ช่วยรับประกันว่าการทำให้กระบวนการทำงานโดยอัตโนมัติจะยังคงแข็งแกร่ง

นอกจากนี้ โดยการบันทึกการแทรกแซงเหล่านี้ บริษัทต่างๆ ยังสร้างบันทึกการตัดสินใจ ซึ่งช่วยให้ผู้จัดการสามารถตรวจสอบว่าผู้เชี่ยวชาญแก้ไขปัญหาอย่างไรและใช้ตัวอย่างเหล่านั้นเพื่อปรับปรุงการทำให้กระบวนการทำงานโดยอัตโนมัติโดยไม่กระทบต่อคุณภาพการบริการ

สรุป: การสร้างระบบที่ทำงาน

การเปลี่ยนจากการนำเสนอไปสู่การผลิตต้องใช้มากกว่าแบบจำลองที่ฉลาดกว่า มันต้องใช้ระบบที่ถูกสร้างขึ้นเพื่อทำงาน AI ได้เอาชนะอุปสรรคของการให้เหตุผล แต่ไม่สามารถแก้ปัญหาสำหรับระบบที่กระจัดกระจายได้ด้วยตนเอง

เพื่อความสำเร็จ องค์กรต่างๆ ต้องผ่านพ้น “AI เพื่อความเป็น AI” และมุ่งเน้นไปที่การออกแบบกระบวนการทำงานใหม่สำหรับการดำเนินการจากจุดเริ่มต้นจนจบด้วยความช่วยเหลือของการบูรณาการ