เปลี่ยนไอเดีย AI ให้เกิดผลกระทบ: กรอบการทำงานเชิงปฏิบัติสำหรับการประเมินแนวคิดต้นแบบและอื่นๆ

ปัญญาประดิษฐ์ (AI) ได้ก้าวข้ามขีดจำกัดของกระแสความนิยมไปแล้ว ปัจจุบันองค์กรส่วนใหญ่คาดหวังคุณค่าที่เป็นรูปธรรมจาก AI เช่น งานที่ต้องทำด้วยมือลดลง การตัดสินใจที่ดีขึ้น และการตรวจจับความผิดปกติที่รวดเร็วยิ่งขึ้น นอกจากนั้น พวกเขายังต้องการโซลูชันที่ทั้งน่าเชื่อถือและใช้งานง่ายอีกด้วย

สัญญาณจากตลาดชวนให้คิดหนัก ใน 202542% ของบริษัทรายงานว่าได้ยุติโครงการ AI ที่กำลังดำเนินการอยู่ ตัวเลขนี้เพิ่มขึ้น 25% เมื่อเทียบกับปี 2024 แม้ว่าจะมีโครงการนำร่องและการทดสอบแนวคิด (PoC) เพิ่มขึ้นอย่างมาก แต่ความสำเร็จยังคงเป็นเรื่องยากที่จะบรรลุได้ การศึกษา งานวิจัยชี้ให้เห็นว่าโครงการ AI ประมาณ 80% ล้มเหลว นอกจากนี้ มีเพียงประมาณ 11% ขององค์กรเท่านั้นที่สามารถขยายขนาดต้นแบบไปสู่ระบบระดับองค์กรได้สำเร็จ เห็นได้ชัดว่ามีบางอย่างที่ไม่ถูกต้อง

เหตุใดการทดสอบระบบด้วย AI จึงล้มเหลว: สามสาเหตุหลัก

เหตุผลที่ 1: ภาวะชะงักงันของนักบินและลำดับความสำคัญที่ไม่สอดคล้องกัน

ในสภาพแวดล้อมแบบแซนด์บ็อกซ์ ทีมต่างๆ มักพัฒนาโมเดล AI ที่น่าประทับใจ โดยมองว่ามันเป็นโครงการทางวิทยาศาสตร์ อย่างไรก็ตาม พวกเขามักละเลยเส้นทางสู่การใช้งานจริง โดยไม่สนใจแง่มุมที่สำคัญ เช่น การบูรณาการ การตรวจสอบสิทธิ์ การตรวจสอบ การกำกับดูแล และการยอมรับของผู้ใช้

ปัญหาเรื่องความสอดคล้องนั้นลึกซึ้งกว่านั้น: หากไม่มีตัวชี้วัดความสำเร็จร่วมกัน แผนกต่างๆ ก็จะทำงานไปในทิศทางที่แตกต่างกัน ทีมผลิตภัณฑ์มุ่งเน้นที่ฟีเจอร์ ทีมโครงสร้างพื้นฐานเสริมความแข็งแกร่งด้านความปลอดภัย ทีมข้อมูลแก้ไขปัญหาในระบบประมวลผล และทีมปฏิบัติตามกฎระเบียบร่างนโยบาย – ซึ่งมักจะทำอย่างอิสระ ผลที่ได้คือการเคลื่อนไหวแต่ขาดแรงผลักดัน

หากไม่มีเป้าหมายที่สอดคล้องกัน บริษัทต่างๆ จะขาดความเข้าใจร่วมกันว่า AI ควรทำอะไรให้สำเร็จ และควรดำเนินการอย่างไรในการนำไปใช้

เหตุผลที่ 2: คุณภาพข้อมูลและการแบ่งแยกข้อมูลเป็นส่วนๆ

เป็นที่ทราบกันดีว่า AI ต้องการข้อมูลจำนวนมหาศาล แม้ว่าหลายองค์กรจะลงทุนอย่างมากในแพลตฟอร์มข้อมูลของตน แต่ก็ยังประสบปัญหาข้อมูลไม่สอดคล้องกัน ไม่ครบถ้วน ซ้ำซ้อน หรือล้าสมัย ตัวอย่างเช่น การเข้าถึงที่กระจัดกระจาย หรือความเป็นเจ้าของและที่มาของข้อมูลที่ไม่ชัดเจน ปัญหาเหล่านี้ทำให้ต้นทุนสูงขึ้น การส่งมอบล่าช้า และทำให้โครงการทดสอบแนวคิด (PoC) หยุดชะงัก

เหตุผลที่ 3: การวัดสิ่งที่ผิด

ทีมเทคโนโลยีประเมินโมเดล AI โดยใช้ตัวชี้วัดต่างๆ เช่น ความแม่นยำ การเรียกคืน หรือความถูกต้องตัวชี้วัดเหล่านี้แสดงให้เห็นว่าแบบจำลองทำงานได้ดีเพียงใดเมื่อเทียบกับการเดาสุ่ม

อย่างไรก็ตาม ผู้บริหารจะพิจารณาการจัดสรรงบประมาณโดยอิงจากผลลัพธ์ทางธุรกิจ ความแม่นยำที่ปราศจากผลกระทบนั้นไม่มีความหมาย องค์กรควรแปลงประสิทธิภาพของแบบจำลองไปเป็นเวลาที่ประหยัดได้ รายได้ที่เพิ่มขึ้น ต้นทุนที่หลีกเลี่ยงได้ และความเสี่ยงที่ลดลง และรายงานตัวชี้วัดเหล่านี้อย่างสม่ำเสมอ

กรอบแนวคิดเจ็ดขั้นตอนสำหรับการประเมินแนวคิดด้านปัญญาประดิษฐ์

กรอบการทำงานด้านล่างนี้เป็นแนวทางที่เป็นระบบในการประเมินแนวคิดด้านปัญญาประดิษฐ์ (AI) โดยขั้นตอนต่างๆ นั้นอิงจากการวิจัยในอุตสาหกรรม ประสบการณ์จริง และข้อมูลเชิงลึกจากรายงานล่าสุด

1. กำหนดปัญหาและผู้รับผิดชอบ

ทุกโครงการ AI ที่แข็งแกร่งเริ่มต้นด้วยปัญหาทางธุรกิจที่กำหนดไว้อย่างชัดเจนและผู้รับผิดชอบโครงการที่มีความรับผิดชอบ ปัญหานั้นควรมีความเฉพาะเจาะจง วัดผลได้ และมีความสำคัญมากพอที่จะสร้างผลกระทบ เช่น อัตราการลาออกของลูกค้าสูง หรือการอนุมัติสินเชื่อที่ล่าช้า และผู้รับผิดชอบควรเป็นผู้นำทางธุรกิจที่จะนำโซลูชันไปใช้

ตัวอย่างเช่น เทคโนโลยีลูเมน มีการประเมินว่าพนักงานขายใช้เวลาสี่ชั่วโมงในการค้นหาข้อมูลลูกค้าเป้าหมาย เมื่อนำระบบอัตโนมัติมาใช้ในกระบวนการ... บริษัทเสนอเงิน 50 ล้านดอลลาร์ ในแง่ของทรัพยากรต่อปี

2. ประเมินความเหมาะสมของงาน

ขั้นตอนต่อไปคือการประเมินความเหมาะสมของงาน ไม่ใช่ทุกกระบวนการที่จะได้รับประโยชน์จาก AI งานที่ทำซ้ำๆ และมีปริมาณมากเป็นตัวเลือกที่เหมาะสม ในขณะที่การตัดสินใจที่มีความเสี่ยงสูงมักยังคงต้องการการกำกับดูแลจากมนุษย์

คำถามสำคัญที่ต้องถามคือ ระดับความผิดพลาดที่ยอมรับได้นั้นอยู่ที่ระดับใด ในด้านที่มีความละเอียดอ่อน แม้แต่ความผิดพลาดเล็กน้อยก็จำเป็นต้องมีมนุษย์เข้ามาตรวจสอบและอนุมัติอย่างเหมาะสม บางครั้ง การใช้ระบบอัตโนมัติหรือการออกแบบใหม่ที่เรียบง่ายกว่า อาจให้ผลลัพธ์เดียวกันได้เร็วกว่าและมีต้นทุนต่ำกว่า

3. ประเมินความพร้อมของข้อมูล

ข้อมูลที่มีคุณภาพสูง เข้าถึงได้ และมีการกำกับดูแล เป็นหัวใจสำคัญของ AI องค์กรต่างๆ ต้องตรวจสอบว่าข้อมูลของตนมีอยู่เพียงพอและเป็นตัวแทนที่เหมาะสมหรือไม่ และสามารถใช้งานได้อย่างถูกกฎหมายหรือไม่ นอกจากนี้ยังต้องตรวจสอบว่าปัญหาด้านคุณภาพ เช่น ข้อมูลซ้ำซ้อน ค่าที่ขาดหายไป อคติ หรือการเปลี่ยนแปลง ได้รับการแก้ไขแล้วหรือไม่ และต้องมั่นใจว่ากลไกการกำกับดูแล เช่น การเป็นเจ้าของ ที่มาของข้อมูล และการเก็บรักษาข้อมูลนั้นมีอยู่จริง โดยในอุดมคติแล้ว กลไกเหล่านี้ควรได้รับการสนับสนุนจากเครื่องมือที่ช่วยลดความจำเป็นในการทำความสะอาดข้อมูลด้วยตนเอง

4. ประเมินความเป็นไปได้และระยะเวลาในการสร้างมูลค่า

จากนั้น ความเป็นไปได้และระยะเวลาในการสร้างมูลค่าจึงกลายเป็นสิ่งสำคัญ การทดสอบแนวคิด (PoC) ควรสร้างฐานข้อมูลพื้นฐานภายในไม่กี่สัปดาห์ ไม่ใช่หลายเดือน หากทำไม่ได้ การจำกัดขอบเขตหรือลดการพึ่งพาข้อมูลสามารถช่วยเร่งกระบวนการได้

ทีมควรตรวจสอบว่าตนเองมีทักษะ โครงสร้างพื้นฐาน และงบประมาณที่จำเป็นครบถ้วนหรือไม่ รวมถึงทักษะที่เกี่ยวข้องกับแมชชีนเลิร์นนิง (ML) วิศวกรรมข้อมูล MLOps ความเชี่ยวชาญเฉพาะด้าน ความปลอดภัย และการปฏิบัติตามกฎระเบียบ หากไม่มี ก็ควรวางแผนสำหรับการฝึกอบรมหรือการสนับสนุนจากภายนอก

นอกจากนี้ ทีมควรประเมิน QPS, SLO ด้านความหน่วง และต้นทุนโทเค็น/หน่วยตั้งแต่เนิ่นๆ เพื่อพิจารณาว่าปริมาณธุรกรรมและความคาดหวังด้านความหน่วงสามารถบรรลุได้จริงหรือไม่

5. ประเมินผลกระทบทางธุรกิจและผลตอบแทนจากการลงทุน (ROI)

ขั้นตอนที่ห้าคือการประเมินผลกระทบทางธุรกิจและผลตอบแทนจากการลงทุน (ROI) แทนที่จะมุ่งเน้นเฉพาะความแม่นยำของแบบจำลอง ผู้นำควรพิจารณาตัวชี้วัดทางธุรกิจที่ครอบคลุม เช่น จำนวนชั่วโมงที่ประหยัดได้ จำนวนเคสที่จัดการได้ อัตราการแปลงที่เพิ่มขึ้น และการลดงานซ้ำหรือการเรียกร้องค่าสินไหมทดแทน นอกจากนี้ พวกเขาควรคำนึงถึงต้นทุนรวมในการเป็นเจ้าของ ซึ่งรวมถึงโครงสร้างพื้นฐาน ใบอนุญาต API หรือการใช้งานโทเค็น การบำรุงรักษา การตรวจสอบ และต้นทุนการฝึกอบรมใหม่ ในอุดมคติแล้ว ในการประสานงานกับฝ่ายการเงินตั้งแต่เนิ่นๆ พวกเขาควรพิจารณาถึงมูลค่าปัจจุบันสุทธิ ระยะเวลาคืนทุน และการวิเคราะห์ความไวด้วย การประเมินที่ครอบคลุมเช่นนี้จะเพิ่มโอกาสในการขยายขนาด

6. ระบุความเสี่ยงและข้อจำกัดด้านกฎระเบียบ

ความเสี่ยงและกฎระเบียบต่างๆ ตามมา ระบบ AI ใดๆ ก็ตามต้องเคารพความเป็นส่วนตัว ความปลอดภัย และความเป็นธรรม ซึ่งแตกต่างกันไปในแต่ละเขตอำนาจศาล ตัวอย่างเช่น GDPR และ AI Act ของสหภาพยุโรป กรอบการทำงานของสหรัฐฯ เช่น NIST RMF หลักการกำกับดูแลที่ส่งเสริมการสร้างนวัตกรรมของสหราชอาณาจักร และมาตรฐาน ISO/IEC ที่กำลังเกิดขึ้นทั่วโลก

บริบทของแต่ละภาคส่วนยังกำหนดข้อกำหนดเฉพาะเพิ่มเติมอีกด้วย เช่น บริษัทประกันภัยต้องปฏิบัติตามภาระผูกพันด้านความมั่นคงทางการเงินและความเป็นธรรม ในขณะที่ภาคการดูแลสุขภาพต้องการความสามารถในการอธิบายและการตรวจสอบทางคลินิก การมองเห็นภาพรวมของเส้นทางการปฏิบัติตามข้อกำหนดเหล่านี้อย่างชัดเจนจะช่วยหลีกเลี่ยงความประหลาดใจที่มีค่าใช้จ่ายสูงได้

7. วางแผนการบูรณาการและการนำไปใช้

สุดท้ายนี้ ความสำคัญของการบูรณาการและการนำไปใช้ก็ไม่ควรถูกมองข้าม บ่อยครั้งที่องค์กรต่างๆ เฉลิมฉลองความสำเร็จของต้นแบบ แต่กลับพบว่ามันหยุดชะงักเมื่อส่งมอบให้กับการผลิตจริง

ในบางกรณี โครงการนำร่องที่มีความแข็งแกร่งทางเทคนิคถูกยกเลิกไปเพียงเพราะมันก่อให้เกิดปัญหามากกว่าที่จะแก้ไข ปัญหาที่พบบ่อย ได้แก่ ความไม่สอดคล้องกันของขั้นตอนการทำงาน การทำงานซ้ำซ้อนสำหรับพนักงาน หรือการขาดความไว้วางใจ ซึ่งอาจเกิดจากการที่ผู้ใช้ไม่ได้รับการฝึกอบรมหรือปรึกษาหารือ

เพื่อแก้ไขปัญหานี้ ต้องพิจารณาการบูรณาการตั้งแต่เริ่มต้นเพื่อให้แน่ใจว่า AI สามารถเข้ากับระบบที่มีอยู่ได้อย่างราบรื่น การจัดการการเปลี่ยนแปลงที่ดี – การฝึกอบรม การสื่อสารที่ชัดเจน ผู้สนับสนุนที่กระตือรือร้น และแรงจูงใจ – จะช่วยสร้างการยอมรับ

สิ่งที่สำคัญไม่แพ้กันคือความสามารถในการใช้งาน ซึ่งเกี่ยวข้องกับการกำหนด SLA และ SLO การตรวจสอบการเปลี่ยนแปลงหรือการใช้งานในทางที่ผิด และการรักษาตัวเลือกในการย้อนกลับ มาตรการเหล่านี้ช่วยให้เกิดความยืดหยุ่นและส่งเสริมความเชื่อมั่น เปลี่ยนโครงการนำร่องให้กลายเป็นโซลูชันที่ยั่งยืน

เมทริกซ์การตัดสินใจ: การเปรียบเทียบแนวคิดด้านปัญญาประดิษฐ์

เมทริกซ์การตัดสินใจเป็นเครื่องมือที่ใช้งานได้จริงสำหรับการเปรียบเทียบแนวคิด AI หลายๆ แนวคิดพร้อมกัน แต่ละมิติของกรอบการทำงานจะได้รับการกำหนดค่าน้ำหนักที่สะท้อนถึงความสำคัญ ยิ่งคะแนนสูงเท่าไร ก็ยิ่งสนับสนุนให้ดำเนินการต่อมากขึ้นเท่านั้น (ผลรวมของค่าน้ำหนักทั้งหมดคือ 100)

จากนั้นทีมต่างๆ สามารถให้คะแนนประสิทธิภาพของแต่ละแนวคิดโดยเทียบกับระดับคะแนนโดยละเอียดในแต่ละมิติ คะแนนเหล่านี้จะถูกรวมเข้าด้วยกันเป็นตัวเลขเดียว: คะแนนถ่วงน้ำหนัก = (ผลรวมของน้ำหนัก × คะแนนที่ปรับให้เป็นมาตรฐาน)/100

ค่าน้ำหนักไม่ได้ตายตัว ควรสะท้อนถึงลำดับความสำคัญขององค์กรของคุณ ตัวอย่างเช่น ในธนาคารที่มีกฎระเบียบเข้มงวด ความเสี่ยงและกฎระเบียบอาจได้รับน้ำหนัก 20 หรือ 25 แทนที่จะเป็น 10 ในขณะที่ในบริษัท SaaS ที่เติบโตอย่างรวดเร็ว ผลกระทบทางธุรกิจและผลตอบแทนจากการลงทุนอาจมีน้ำหนัก 25 ในขณะที่กฎระเบียบอาจมีน้ำหนักเพียง 5 และอุตสาหกรรมที่ใช้ข้อมูลจำนวนมาก (เช่น ยา ประกันภัย) อาจให้ความสำคัญกับความพร้อมของข้อมูลมากกว่า

กรณีศึกษา: การประยุกต์ใช้กรอบแนวคิด

เพื่อแสดงให้เห็นว่ากรอบแนวคิดนี้สามารถนำไปใช้ในการตัดสินใจได้อย่างเป็นรูปธรรมอย่างไร ตัวอย่างสองตัวอย่างด้านล่างนี้จะได้รับการประเมินตามมิติทั้งเจ็ดเดียวกันกับที่ใช้ในเมทริกซ์การตัดสินใจ เพื่อแสดงให้เห็นถึงตรรกะ เราได้ใช้รูปแบบการถ่วงน้ำหนักตัวอย่างหนึ่งแบบ อย่างไรก็ตาม ในทางปฏิบัติ บริษัทแต่ละแห่งควรปรับตัวเลขเหล่านี้ให้เหมาะสม

กรณีศึกษาทั้งสองนี้แสดงให้เห็นว่ากรอบการทำงานเจ็ดขั้นตอนสามารถเปลี่ยนการประเมินเชิงนามธรรมให้เป็นการตัดสินใจที่เป็นรูปธรรมได้อย่างไร ในธุรกิจประกันภัย การประเมินอย่างเป็นระบบเผยให้เห็นผู้สมัครที่มีศักยภาพสูงที่ควรพิจารณา ในธุรกิจธนาคาร กรอบการทำงานดังกล่าวได้เปิดเผยช่องว่างที่สำคัญซึ่งแสดงให้เห็นว่าโครงการนี้เหมาะสมกว่าสำหรับการใช้ระบบอัตโนมัติที่เรียบง่ายกว่า

สรุป: การปิดวงจรจากสาเหตุต้นตอสู่การดำเนินการ

การมอง AI เหมือนกับการลงทุนเชิงกลยุทธ์อื่นๆ – คือการกำหนดปัญหา ทดสอบความเป็นไปได้ ประเมินผลกระทบทางธุรกิจ บริหารความเสี่ยง และสร้างความมั่นใจว่าจะมีการนำไปใช้ – จะช่วยเพิ่มโอกาสในการเปลี่ยนความคิดให้กลายเป็นมูลค่าขององค์กรได้อย่างมาก

เมทริกซ์การตัดสินใจและระบบการให้คะแนนช่วยให้สามารถเปรียบเทียบตัวเลือก จัดสรรทรัพยากร และยุติโครงการที่ไม่คุ้มค่าได้อย่างเป็นระบบ บริษัทต่างๆ จะเปลี่ยนจากการทดลองที่ขับเคลื่อนด้วยกระแสหรือความกลัวที่จะพลาดโอกาส ไปสู่การดำเนินการอย่างมีระเบียบวินัย ซึ่งสร้างความได้เปรียบในการแข่งขันที่ยั่งยืน