ขั้นตอนยุทธวิธีสำหรับการทดลอง GenAI ที่ประสบความสำเร็จ

การทำ Proof of Concept (PoC) เป็นสนามทดสอบสำหรับเทคโนโลยีใหม่ๆ และ Generative AI (GenAI) ก็ไม่แตกต่าง การทดลองที่ประสบความสำเร็จหมายถึงอะไรสำหรับ GenAI PoC? โดยสรุปแล้ว การทดลองที่ประสบความสำเร็จคือการทดลองที่สามารถเปลี่ยนไปสู่การผลิตได้อย่างราบรื่น ปัญหาก็คือ เนื่องจากความใหม่ของเทคโนโลยีและความก้าวหน้าอย่างรวดเร็ว ส่วนใหญ่ของ GenAI PoC มุ่งเน้นไปที่ความเป็นไปได้ทางเทคนิคและเมตริก เช่น ความแม่นยำและความเรียกซ้ำ การมุ่งเน้นแคบๆ นี้เป็นหนึ่งในสาเหตุหลักที่ทำให้ PoC ล้มเหลว การสำรวจของ McKinsey พบว่าในขณะที่หนึ่งในสี่ของผู้ตอบแบบสอบถามกังวลเกี่ยวกับความแม่นยำ มีหลายคนต้องดิ้นรนกับปัญหาด้านความปลอดภัย ความเข้าใจได้ การจัดการทรัพย์สินทางปัญญา และการปฏิบัติตามกฎระเบียบ เช่นเดียวกับปัญหาทั่วไป เช่น คุณภาพข้อมูลที่ไม่ดี ข้อจำกัดด้านขนาด และปัญหาการรวมระบบ ทำให้เห็นได้ชัดว่าทำไม PoC ของ GenAI จึงล้มเหลวในการก้าวไปสู่การผลิต

ไปไกลกว่าความตื่นเต้น: ความเป็นจริงของ GenAI PoC

การนำ GenAI ไปใช้ กำลังเพิ่มขึ้นอย่างชัดเจน แต่อัตราความสำเร็จที่แท้จริงของ PoC ยังคงไม่แน่นอน รายงานเสนอสถิติที่แตกต่างกัน:

• Gartner คาดการณ์ว่าภายในสิ้นปี 2025至少 30% ของโครงการ GenAI จะถูกทิ้งหลังขั้นตอน PoC ซึ่งหมายความว่า 70% อาจจะก้าวไปสู่การผลิต
• การศึกษาโดย Avanade (อ้างอิงใน RTInsights) พบว่า 41% ของโครงการ GenAI ยังคงถูกขัดขวางในขั้นตอน PoC
• รายงานของ Deloitte ในเดือนมกราคม 2025 The State of GenAI in the Enterprise ประมาณการว่าเพียง 10-30% ของ PoC จะขยายไปสู่การผลิต
• การวิจัยโดย IDC (อ้างอิงใน CIO.com) พบว่าโดยเฉลี่ยเพียง 5 ใน 37 PoC (13%) ที่จะก้าวไปสู่การผลิต

โดยมีการประมาณการในช่วงตั้งแต่ 10% ถึง 70% อัตราความสำเร็จที่แท้จริงมีแนวโน้มที่จะใกล้กับด้านล่าง สิ่งนี้เน้นย้ำว่าหลายองค์กรต้องดิ้นรนในการออกแบบ PoC ที่มีเส้นทางที่ชัดเจนในการขยายขนาด อัตราความสำเร็จที่ต่ำสามารถดูดซับทรัพยากร ทำให้ความกระตือรือร้นลดลง และหยุดนวัตกรรม ซึ่งนำไปสู่สิ่งที่เรียกว่า “ความเหนื่อยหน่ายของ PoC” ที่ทีมรู้สึกติดอยู่ในการทดลองที่ไม่เคยไปถึงการผลิต

การก้าวไปไกลกว่าการเสียเวลา

GenAI ยังคงอยู่ในช่วงแรกของการนำไปใช้ เช่นเดียวกับการคำนวณแบบคลาวด์และ AI แบบดั้งเดิมก่อนหน้านี้ การคำนวณแบบคลาวด์ต้องใช้เวลา 15-18 ปีในการไปถึงการนำไปใช้อย่างกว้างขวาง ในขณะที่ AI แบบดั้งเดิมต้องใช้เวลา 8-10 ปีและยังคงเติบโตอยู่ การนำ AI ไปใช้ตามประวัติมีลักษณะเป็นรอบที่มีการเติบโตอย่างรวดเร็วตามด้วยความผิดหวังเมื่อเผชิญกับความท้าทาย ก่อนที่จะเข้าสู่การใช้งานอย่างกว้างขวาง หากประวัติศาสตร์เป็นแนวทาง GenAI ก็จะผ่านช่วงเวลาที่คล้ายกัน

เพื่อเดินหน้าในช่วงเวลานี้อย่างมีประสิทธิภาพ องค์กรต้องแน่ใจว่าทุกๆ PoC ได้รับการออกแบบโดยคำนึงถึงการขยายขนาด และหลีกเลี่ยงปัญหาทั่วไปที่นำไปสู่การเสียเวลา การตระหนักถึงความท้าทายเหล่านี้ บริษัทเทคโนโลยีและที่ปรึกษาชั้นนำได้พัฒนาเฟรมเวิร์กที่มีโครงสร้างเพื่อช่วยให้องค์กรก้าวไปไกลกว่าการทดลองและขยาย GenAI ของตนอย่างสำเร็จ

เป้าหมายของบทความนี้คือการเสริมเฟรมเวิร์กและความพยายามเชิงกลยุทธ์เหล่านี้โดยการวางแนวทางยุทธวิธีที่เป็นรูปธรรมซึ่งสามารถเพิ่มโอกาสที่ GenAI PoC จะก้าวไปจากการทดสอบสู่ผลกระทบในโลกแห่งความเป็นจริง

ขั้นตอนยุทธวิธีที่สำคัญสำหรับ GenAI PoC ที่ประสบความสำเร็จ

1. เลือกกรณีการใช้งานที่มีการผลิตในใจ

ก่อนอื่นและสำคัญที่สุด คือการเลือกกรณีการใช้งานที่มีเส้นทางที่ชัดเจนในการผลิต สิ่งนี้ไม่ได้หมายถึงการทำการประเมินความพร้อมของ GenAI อย่างครอบคลุมในระดับองค์กร แต่เป็นการประเมินกรณีการใช้งานแต่ละกรณีตามปัจจัย เช่น คุณภาพข้อมูล ความสามารถในการขยายขนาด และความต้องการในการรวมระบบ และจัดลำดับความสำคัญของกรณีที่มีโอกาสไปถึงการผลิตสูงสุด

คำถามสำคัญอื่นๆ ที่ควรพิจารณาในการเลือกกรณีการใช้งานที่ถูกต้อง:

• การทดลองของฉันสอดคล้องกับเป้าหมายธุรกิจระยะยาวหรือไม่?
• ข้อมูลที่จำเป็นสามารถเข้าถึงและใช้ได้อย่างถูกต้องตามกฎหมายหรือไม่?
• มีความเสี่ยงที่ชัดเจนที่จะขัดขวางการขยายขนาดหรือไม่?

2. นิยามและจัดแนวความสำเร็จก่อนการเริ่มต้น

หนึ่งในสาเหตุใหญ่ที่ทำให้ PoC ติดค้างคือการขาดการนิยามเมตริกความสำเร็จที่ชัดเจน โดยไม่มีการจัดแนวเป้าหมายและความคาดหวัง ROI ที่แข็งแกร่ง แม้กระทั่ง PoC ที่มีเทคนิคที่ดี也อาจดิ้นรนในการได้รับการยอมรับสำหรับการผลิต การประมาณการ ROI ไม่ใช่เรื่องง่าย แต่นี่คือคำแนะนำ:

• สร้างหรือใช้เฟรมเวิร์ก เช่น เฟรมเวิร์กนี้.
• ใช้เครื่องคิดเลขค่าใช้จ่าย เช่น เครื่องคิดเลข OpenAI API และเครื่องคิดเลขของผู้ให้บริการคลาวด์เพื่อประมาณการค่าใช้จ่าย
• แทนการมีเป้าหมายเดียว พัฒนาการประมาณการ ROI แบบช่วงพร้อมความน่าจะเป็นเพื่อคำนึงถึงความไม่แน่นอน

ตัวอย่างของวิธีที่ ทีม QueryGPT ของ Uber ประมาณการผลกระทบที่อาจเกิดขึ้นจากเครื่องมือ GenAI แบบข้อความไปสู่ SQL ของพวกเขา

3. อนุญาตให้มีการทดลองอย่างรวดเร็ว

การสร้างแอปพลิเคชัน GenAI คือการทดลองที่ต้องการการวนซ้ำอย่างต่อเนื่อง เมื่อเลือกสแต็คเทคโนโลยี สถาปัตยกรรม ทีม และกระบวนการ 请ตรวจสอบให้แน่ใจว่าพวกมันสนับสนุนแนวทางนี้ การเลือกควรทำให้ทดลองได้อย่างราบรื่น ตั้งแต่การสร้างสมมติฐานและการทดสอบ ไปจนถึงการรวบรวมข้อมูล การวิเคราะห์ผลลัพธ์ การเรียนรู้และการปรับปรุง

• พิจารณาการจ้างผู้ให้บริการขนาดเล็กและขนาดกลางเพื่อเร่งการทดลอง
• เลือก มาตรฐาน, การประเมิน และเฟรมเวิร์กการประเมินตั้งแต่เริ่มต้น เพื่อให้แน่ใจว่าพวกมันสอดคล้องกับกรณีการใช้งานและวัตถุประสงค์ของคุณ
• ใช้เทคนิค เช่น LLM-as-a-judge หรือ LLM-as-Juries เพื่อทำให้การประเมินเป็นแบบอัตโนมัติ (หรือแบบกึ่งอัตโนมัติ)

4. มุ่งเน้นไปที่วิธีแก้ปัญหาที่มีความเสี่ยงต่ำ

วิธีแก้ปัญหาที่มีความเสี่ยงต่ำต้องการการอนุมัติน้อยลง และด้วยเหตุนี้จึงเผชิญกับการคัดค้านในการนำไปใช้และการขยายขนาดน้อยลงหรือไม่มีเลย การเติบโตอย่างรวดเร็วของ GenAI นำไปสู่การเพิ่มขึ้นของเครื่องมือ เฟรมเวิร์ก และแพลตฟอร์มที่ออกแบบมาเพื่อเร่งการนำไปใช้และการผลิต อย่างไรก็ตาม วิธีแก้ปัญหาเหล่านี้หลายอย่างทำงานเป็นกล่องดำที่ต้องการการตรวจสอบอย่างเข้มงวดจากทีม IT ทีมกฎหมาย ทีมความปลอดภัย และทีมจัดการความเสี่ยง เพื่อแก้ไขความท้าทายเหล่านี้และทำให้กระบวนการเป็นไปอย่างราบรื่น พิจารณาแนะนำดังต่อไปนี้สำหรับการสร้างวิธีแก้ปัญหาที่มีความเสี่ยงต่ำ:

• สร้างเส้นทางที่เฉพาะเจาะจงสำหรับการอนุมัติ: พิจารณาในการสร้างเส้นทางที่เฉพาะเจาะจงสำหรับการจัดการกับความกังวลของทีมและรับอนุมัติ
• ใช้สแต็คเทคโนโลยีที่ได้รับการอนุมัติแล้ว: เมื่อใดก็ตามที่เป็นไปได้ ใช้สแต็คเทคโนโลยีที่ได้รับการอนุมัติและใช้งานอยู่แล้วเพื่อหลีกเลี่ยงความล่าช้าในการอนุมัติและรวมระบบ
• มุ่งเน้นไปที่เครื่องมือที่จำเป็น: การทดลองในระยะแรกไม่จำเป็นต้องมีการปรับโมเดล การวนซ้ำของข้อเสนอแนะอัตโนมัติ หรือการตรวจสอบอย่างครอบคลุม/SRE มากนัก แทนที่จะจัดลำดับความสำคัญของเครื่องมือสำหรับงานหลักๆ เช่น การแปลงเวกเตอร์ การฝังตัว การค้นหาความรู้ การป้องกัน และพัฒนาอินเทอร์เฟซผู้ใช้
• ใช้เครื่องมือที่ไม่ต้องเขียนโค้ด/มีโค้ดต่ำด้วยความระมัดระวัง: แม้ว่าเครื่องมือเหล่านี้จะสามารถเร่งเวลาได้ แต่ลักษณะของกล่องดำจำกัดความสามารถในการปรับแต่งและรวมระบบ ใช้ด้วยความระมัดระวังและพิจารณาผลกระทบในระยะยาว
• จัดการกับความกังวลเรื่องความปลอดภัยตั้งแต่เนิ่นๆ: นำเทคนิค เช่น การสร้างข้อมูลสังเคราะห์ การปิดบังข้อมูล PII และการเข้ารหัสมาใช้เพื่อจัดการกับความกังวลเรื่องความปลอดภัยในล่วงหน้า

5. รวบรวมทีมที่มีความสามารถและเป็นผู้ประกอบการ

เช่นเดียวกับโครงการใดๆ การมีทีมที่มีทักษะที่จำเป็นเป็นสิ่งสำคัญสำหรับความสำเร็จ ทีมของคุณต้องไม่เพียงแต่มีความเชี่ยวชาญด้านเทคนิคเท่านั้น แต่ยังต้องมีความคล่องตัวและเป็นผู้ประกอบการ

• พิจารณาในการรวมผู้จัดการผลิตภัณฑ์และผู้เชี่ยวชาญด้านเนื้อหา (SMEs) เพื่อให้แน่ใจว่าคุณกำลังแก้ไขปัญหาที่ถูกต้อง
• ให้แน่ใจว่าคุณมีทั้งผู้พัฒนาแบบเต็มและวิศวกรการเรียนรู้ของเครื่องในทีม
• หลีกเลี่ยงการ雇งานโดยเฉพาะสำหรับการทดลองหรือยืมทรัพยากรภายในจากโครงการระยะยาวที่มีความสำคัญสูง แทนที่จะพิจารณาการจ้างผู้ให้บริการขนาดเล็กและขนาดกลางที่สามารถนำความสามารถที่เหมาะสมมาได้อย่างรวดเร็ว
• ฝังผู้ร่วมงานจากฝ่ายกฎหมายและความปลอดภัยตั้งแต่วันแรก

6. จัดลำดับความสำคัญของความต้องการที่ไม่ใช่ฟังก์ชันการทำงานด้วย

สำหรับการทดลองที่ประสบความสำเร็จ มันสำคัญที่จะกำหนดขอบเขตปัญหาและชุดข้อกำหนดการทำงานที่ชัดเจน อย่างไรก็ตาม ความต้องการที่ไม่ใช่ฟังก์ชันการทำงานไม่ควรถูกละเลย ในขณะที่การทดลองควรยังคงอยู่ภายในขอบเขตปัญหา สถาปัตยกรรมของมันควรได้รับการออกแบบสำหรับการทำงานที่มีประสิทธิภาพสูง มากกว่าการบรรลุความล่าช้าในระดับ 밀リเซคันด์ แต่การทดลองควรสามารถขยายขนาดได้อย่างราบรื่นเมื่อผู้ใช้เบต้าขยายตัว เลือกสถาปัตยกรรมแบบโมดูลาร์ที่ยังคงยืดหยุ่นและเป็นอิสระจากเครื่องมือ

7. วางแผนเพื่อจัดการกับ “การหลอกลวง” (Hallucinations)

การหลอกลวงเป็นสิ่งที่หลีกเลี่ยงไม่ได้กับโมเดลภาษา ดังนั้นการป้องกันจึงมีความสำคัญสำหรับการขยาย GenAI อย่างมีความรับผิดชอบ อย่างไรก็ตาม ประเมินว่าการป้องกันแบบอัตโนมัติเป็นไปได้หรือไม่ในขั้นตอนการทดลอง และในระดับใด แทนที่จะเพิกเฉยหรือออกแบบการป้องกันมากเกินไป ให้ตรวจจับ เมื่อโมเดลของคุณหลอกลวง และแจ้งให้ผู้ใช้ทดลองทราบ

8. นำแนวทางปฏิบัติที่ดีที่สุดของการบริหารโครงการและการจัดการผลิตภัณฑ์มาใช้

ภาพประกอบนี้ของ XKCD ใช้ได้กับการทดลองเช่นเดียวกับการผลิต ไม่มีวิธีแก้ปัญหาแบบ “ขนาดเดียวใช้ได้ทั้งหมด” การนำแนวทางปฏิบัติที่ดีที่สุดของการบริหารโครงการและการจัดการผลิตภัณฑ์มาใช้สามารถช่วยให้กระบวนการเป็นไปอย่างราบรื่นและบรรลุความก้าวหน้า

• ใช้วิธีการ Kanban หรือ Agile สำหรับการวางแผนและดำเนินการที่ยุทธวิธี
• บันทึกทุกอย่าง
• จัด Scrum-of-Scrums เพื่อทำงานร่วมกับทีมร่วมมืออย่างมีประสิทธิภาพ
• ให้ข้อมูลแก่ผู้มีส่วนได้ส่วนเสียและผู้นำเกี่ยวกับความก้าวหน้า

สรุป

การดำเนินการ GenAI PoC ที่ประสบความสำเร็จไม่เพียงแต่เกี่ยวกับการพิสูจน์ความเป็นไปได้ทางเทคนิคเท่านั้น แต่ยังเกี่ยวกับการประเมินตัวเลือกพื้นฐานสำหรับระยะยาวด้วย โดยการเลือกกรณีการใช้งานที่ถูกต้อง การจัดแนวความสำเร็จ การทำให้ทดลองได้อย่างรวดเร็ว การลดความเสี่ยง การรวบรวมทีมที่เหมาะสม การจัดการกับความต้องการที่ไม่ใช่ฟังก์ชันการทำงาน และการวางแผนสำหรับความท้าทาย เช่น การหลอกลวง องค์กรสามารถเพิ่มโอกาสในการก้าวไปจากการทดลองสู่การผลิตได้อย่างมาก

อย่างไรก็ตาม ขั้นตอนที่กล่าวมาข้างต้นไม่ใช่รายการที่สมบูรณ์ และไม่ใช่ทุกคำแนะนำที่จะใช้ได้กับทุกกรณีการใช้งาน แต่ละการทดลองมีลักษณะเฉพาะ และกุญแจสู่ความสำเร็จคือการปรับแนวทางปฏิบัติที่ดีที่สุดเหล่านี้ให้เหมาะสมกับวัตถุประสงค์ทางธุรกิจที่เฉพาะเจาะจง ข้อจำกัดทางเทคนิค และภูมิทัศน์ทางกฎระเบียบที่คุณเผชิญ

การมีวิสัยทัศน์และกลยุทธ์ที่เข้มแข็งคือสิ่งจำเป็นสำหรับการนำ GenAI ไปใช้ แต่หากไม่มีขั้นตอนยุทธวิธีที่ถูกต้อง แผนที่วางไว้ดีๆ ก็อาจหยุดชะงักในขั้นตอนการทดลอง การดำเนินการที่มีแนวทางที่ชัดเจนและเป็นระบบรับประกันว่านวัตกรรมจะเปลี่ยนเป็นผลกระทบในโลกแห่งความเป็นจริง