ผู้นำทางความคิด

การแก้ปัญหาเรื่องวิธีการและเวลาที่เหมาะสม: การผสมผสานกลยุทธ์ธุรกิจเข้ากับการนำ AI มาใช้

Boobesh Ramadurai
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
AI Business Applications
ประเด็นสำคัญบริษัทต้องให้ความสำคัญกับการสร้างระบบนิเวศข้อมูลที่แข็งแกร่งเป็นอันดับแรก…
ดูเพิ่มเติม
  • บริษัทต้องให้ความสำคัญกับการสร้างระบบนิเวศข้อมูลที่แข็งแกร่งเป็นอันดับแรก เนื่องจากคุณภาพของข้อมูลส่งผลกระทบอย่างมากต่อประสิทธิภาพของ AI
  • ระบุปัญหาธุรกิจเฉพาะทางที่ต้องการให้ AI แก้ไข แทนที่จะมุ่งตามเทรนด์การนำ AI มาใช้แบบทั่วไป
  • LLM แบบโอเพนซอร์สให้ความควบคุมและความยืดหยุ่น แต่ต้องจัดการกับความเสี่ยงด้านความปลอดภัยและพัฒนาทักษะของทีม

เรามาถึงจุดเปลี่ยนสำคัญของปัญญาประดิษฐ์ (AI) โดยที่การอภิปรายในห้องประชุมคณะกรรมการได้เปลี่ยนจากการตั้งคำถามถึงประสิทธิผลไปสู่การเร่งการนำไปใช้แล้ว นี่เป็นช่วงเวลาที่น่าตื่นเต้น โดยเฉพาะเมื่อพิจารณาถึงอัตราการเปลี่ยนแปลงที่จะไม่มีวันช้าเท่ากับตอนนี้อีกแล้ว ตามรายงานของ BCG แม้จะมีความไม่แน่นอนทางเศรษฐกิจทั่วโลก แต่นวัตกรรมก็เพิ่มขึ้นเป็นลำดับความสำคัญอันดับต้นๆ ขององค์กรในปี 2023 โดย 79% ของบริษัทจัดให้นวัตกรรมเป็นหนึ่งในสามเป้าหมายหลัก

การสร้างนวัตกรรมเพียงเพื่อให้ได้ชื่อว่าเป็นนวัตกรรมไม่ใช่กลยุทธ์ธุรกิจที่ดี และองค์กรที่หลงใหลในกระแส AI อาจลงทุนในเรื่องที่ไม่ได้สร้างมูลค่าระยะยาว การทำความเข้าใจความแตกต่างนี้ต้องใช้การประเมินความสามารถในปัจจุบันอย่างรอบคอบและความอดทนในการจัดลำดับความสำคัญของการเติบโตที่ยั่งยืนมากกว่ากระแสระยะสั้น

จุดสมดุลที่พอดี (Goldilocks Zone)

ประวัติศาสตร์ธุรกิจเต็มไปด้วยตัวอย่างของบริษัทที่การตัดสินใจเชิงกลยุทธ์ในเวลาสำคัญมีผลกระทบต่อการดำรงอยู่ของพวกเขา ตัวอย่างเช่น แอมะซอนรอดพ้นจากฟองสบู่ดอทคอม โดยการรับรู้ถึงความสำคัญของการปรับกลยุทธ์การบัญชีและเพิ่มเงินสำรองในขณะที่บริษัทอื่นๆ กำลังเผาเงินสดเหมือนไม่มีวันพรุ่ง จุดสำคัญคือการตัดสินใจธุรกิจที่ดีเป็นสิ่งสำคัญกว่าเดิมในช่วงเวลาของความกระตือรือร้น และการวางแผนสำหรับอนาคตต้องใช้ความสามารถในการคิดผ่านสถานการณ์ที่เป็นไปได้ทั้งหมด (AMZN )

โดยรวมแล้ว มีความรู้สึกทั่วไปของ AI FOMO (“ความกลัวที่จะพลาด”) ที่ซึมซับเข้าไปในทีมผู้นำ ซึ่งยิ่งซับซ้อนโดยความเป็นจริงที่ว่าการไม่ทำอะไรเลย (เช่น การยอมจำนนต่อ “วิเคราะห์มากจนไม่ลงมือทำ”) ก็เป็นภัยคุกคามที่แท้จริงเช่นกัน (เพียงถาม โคดัก.) นี่คือ 3 ข้อพิจารณาสำหรับบริษัทที่กำลังมองหาพื้นที่ “Goldilocks” ของ AI – ไม่ใช่การลงทุนเร็วหรือช้าเกินไป แต่การค้นหาจุดที่เหมาะสมของนวัตกรรมที่ยั่งยืน

1. มุ่งเน้นไปที่การเติบโตของข้อมูลก่อน

เหมือนกับเครื่องจักรอื่นๆ การทำความเข้าใจกลไกภายในเพื่อทำความเข้าใจว่าประโยชน์มาจากที่ใด คือ AI ไม่ใช่ผลิตภัณฑ์ที่สมบูรณ์แบบ แต่โมเดลภาษาขนาดใหญ่ (LLMs) ขึ้นอยู่กับจุดข้อมูลที่หลากหลายจำนวนมหาศาลเพื่อเรียนรู้รูปแบบ บริบท และความแตกต่างทางภาษา ขนาดและความซับซ้อนของ LLMs ต้องการข้อมูลการฝึกอบรมอย่างกว้างขวางเพื่อทำงานได้อย่างมีประสิทธิภาพในโดเมนต่างๆ และงานต่างๆ คุณภาพและปริมาณของข้อมูลนี้จะมีผลกระทบอย่างมากต่อประสิทธิภาพของ LLMs และและส่งผลต่อเนื่องไปยังชุดเครื่องมือ AI ของบริษัท

การสร้างระบบนิเวศข้อมูลที่มีประสิทธิภาพมากขึ้นจึงเป็นการลงทุนที่ชาญฉลาดสำหรับบริษัทใดๆ ที่วางแผนการเปลี่ยนแปลง AI และข้อมูลนี้จะทำหน้าที่เป็นพื้นฐานสำหรับ LLMs เมื่อพวกมันเติบโตและพัฒนา นี่คือที่ที่ข้อมูลคุณภาพสูงมีความสำคัญมากขึ้น ในขณะที่การศึกษาพบว่า LLMs สามารถทำงานได้ดีแม้จะใช้ข้อมูลน้อย แต่ผู้เชี่ยวชาญบอกว่า “ผลกระทบของคุณภาพและความหลากหลายของข้อมูลทั้งต่อการปรับให้สอดคล้องกับเป้าหมายและการฝึก LLMs ด้านอื่นๆ (การฝึกล่วงหน้า การปรับแต่งเฉพาะงาน ความสามารถในการชี้นำพฤติกรรม ฯลฯ) มีความสำคัญอย่างมาก”

2. ระบุกรณีการใช้งานทางธุรกิจ

ในขณะที่ AI มีความสามารถในการใช้งานภายนอก แต่บริษัทส่วนใหญ่มุ่งเน้นไปที่การใช้เทคโนโลยีนี้เพื่อเพิ่มประสิทธิภาพกระบวนการภายใน “เพิ่มประสิทธิภาพ” คือคำสำคัญที่นี่ หมายความว่าบริษัทไม่ควรคาดหวังที่จะแค่เสียบปลั๊กและเล่น AI เพื่อปรับปรุงผลลัพธ์ แต่บางกรณีการใช้ AI ที่ประสบความสำเร็จที่สุดเกี่ยวข้องกับการวิเคราะห์ข้อมูลเพื่อเปิดเผยข้อมูลเชิงลึกที่มีคุณค่าเกี่ยวกับพฤติกรรมของลูกค้า รูปแบบตลาด และความเสี่ยง ที่ได้รับการพิสูจน์แล้วว่ามีประสิทธิภาพในการปรับกระบวนการภายใน รวมถึงสิ่งต่างๆ เช่น การทำให้กระบวนการทำงานอัตโนมัติเพื่อจัดสรรเวลาให้พนักงานให้ทำงานที่มีมูลค่าสูงกว่า

โดยสรุป แทนที่จะเสียเวลาในการค้นหาว่าควรใช้โมเดล AI ใด องค์กรควรเน้นไปที่ปัญหาที่เฉพาะเจาะจงที่ต้องการให้ AI ช่วยแก้ไข (เช่น เริ่มต้นด้วยสิ่งที่ต้องการเปลี่ยนแปลง ตั้งค่า KPI ที่ต้องการมีอิทธิพล และจากนั้นย้อนกลับไปหาเครื่องมือ AI ที่จะบรรลุวัตถุประสงค์เหล่านั้น) ตาม การสำรวจผู้บริหารระดับสูงของ MIT 90% ของผู้ที่ใช้ AI เพื่อสร้าง KPI ใหม่บอกว่าพวกเขาเห็น KPI ดีขึ้น “KPI ที่ได้รับแรงบันดาลใจจาก AI เหล่านี้นำเสนอผลประโยชน์ทางธุรกิจและแสดงให้เห็นถึงความสามารถใหม่ๆ: พวกมันนำไปสู่ประสิทธิภาพที่ดีขึ้นและผลประโยชน์ทางการเงินที่มากขึ้น และมักจะมีรายละเอียดมากขึ้น ตอบสนองต่อเวลาได้เหมาะสม และสอดคล้องกับวัตถุประสงค์ขององค์กร”

3. สร้างเครื่องมือ AI ที่กำหนดเองโดยใช้ LLMs แบบโอเพนซอร์ส

การสร้างหรือซื้อ – นั่นคือคำถาม การสร้างโซลูชัน AI ที่กำหนดเองอาจดูเหมือนยาก และหลายบริษัทเลือกที่จะซื้อลิขสิทธิ์จากผู้ขายภายนอกที่มี LLM ที่เป็นกรรมสิทธิ์เพื่อหลีกเลี่ยงการเดินไปในเส้นทางนั้น อย่างไรก็ตาม ลิขสิทธิ์อาจจำกัดวิธีการใช้ LLM และค่าลิขสิทธิ์อาจมีราคาแพงมากในระยะยาว ในทางกลับกัน LLMs แบบโอเพนซอร์สนั้นฟรี และสถาปัตยกรรมพื้นฐานมีให้สำหรับนักพัฒนาที่จะเข้าถึง สร้างและปรับเปลี่ยนตามความต้องการเฉพาะของบริษัท

ระบบนิเวศของโมเดลโอเพนซอร์สนี้ได้รับความนิยมมากขึ้นเมื่อบริษัทต่างๆ พยายามที่จะเก็บข้อมูลที่ละเอียดอ่อนไว้บนเครือข่ายของตนเองและรักษาการควบคุมข้อมูลของตน LLMs แบบโอเพนซอร์สให้บริษัทมีความโปร่งใสและความยืดหยุ่นนี้ พร้อมกับประโยชน์ในการลดปัญหาความล่าช้าและเพิ่มประสิทธิภาพ IBM และ NASA ร่วมมือกันเพื่อสร้าง LLMs แบบโอเพนซอร์สที่ฝึกอบรมด้วยข้อมูลทางภูมิศาสตร์ เพื่อช่วยนักวิทยาศาสตร์ต่อสู้กับการเปลี่ยนแปลงสภาพภูมิอากาศ ซึ่งเป็นส่วนหนึ่งของโครงการ Open-Source Science ของ NASA ที่มีอายุ 10 ปี เพื่อสร้างชุมชนวิทยาศาสตร์ที่เข้าถึงได้ มีความครอบคลุม และมีการทำงานร่วมกันมากขึ้น

เช่นเดียวกับเทคโนโลยีโอเพนซอร์สอื่นๆ มีความเสี่ยงที่เกี่ยวข้องกับ LLMs แบบโอเพนซอร์ส รวมถึงการรั่วไหลหรือการละเมิดความปลอดภัย การสร้างข้อมูลที่ไม่มีมูลความจริงหรืออคติจากข้อมูลที่ไม่ถูกต้องหรือบกพร่อง และผู้ไม่หวังดีที่จงใจบิดเบือนข้อมูล แต่โมเดลโอเพนซอร์สกำลังฉลาดและปลอดภัยมากขึ้น ซึ่งนำไปสู่ ผู้เชี่ยวชาญบางคน ที่รู้สึกว่า LLMs แบบโอเพนซอร์สจะถึงระดับของ LLMs แบบปิดที่ดีที่สุดในไม่ช้า ซึ่งทำให้การลงทุนในการนำไปใช้เร็วๆ นี้และเวลาในการเพิ่มทักษะทีมมีความสมเหตุสมผล

การนำ AI มาใช้เปรียบเหมือนการวิ่งระยะสั้นอย่างรวดเร็วหลายช่วงภายในการวิ่งมาราธอน

ตาม ตัวเลขล่าสุด มีบริษัท AI ประมาณ 15,000 แห่งในสหรัฐอเมริกา ซึ่งมากกว่าจำนวนที่มีในปี 2017 ถึงสองเท่า ทั่วโลก ตัวเลขเหล่านี้เพิ่มขึ้นเกือบสี่เท่า ด้วยจำนวนผู้ขายและ สตาร์ทอัพใหม่ๆ ที่กำลังโปรโมตบริการของตน จึงไม่น่าแปลกใจที่บริษัทต่างๆ จะต้องดิ้นรนในการตัดสินใจว่าจะลงทุนเวลาและเงินไปที่ไหน แต่ด้วยการประเมินความต้องการและความเสี่ยง/ผลตอบแทนจากการนำนวัตกรรมมาใช้อย่างรอบคอบ ผู้นำจะพบส่วนผสมที่ถูกต้องของ AI ที่จะผลักดันบริษัทของตนไปสู่อนาคตของการเติบโตที่ยั่งยืน

ในฐานะหัวหน้าธุรกิจเทคโนโลยีที่ LatentView Analytics Boobesh เป็นผู้นำที่มีประสบการณ์ตรงด้านการวิเคราะห์ วิทยาศาสตร์ข้อมูล การตลาดดิจิทัล และการแสดงภาพข้อมูล เขามุ่งเน้นการเติบโตของลูกค้าในภาคเทคโนโลยีด้วยการสร้างทีมที่มีประสิทธิภาพสูง ซึ่งพัฒนาโซลูชันนวัตกรรมที่ให้ข้อมูลเชิงลึกที่นำไปใช้ดำเนินการได้