Blendata ชี้เทคโนโลยี Traditional AI vs Generative AI เลือกแนวทางไหนคุ้มค่าสุด
Blendata ชี้เทคโนโลยี Traditional AI vs Generative AI เลือกแนวทางไหนคุ้มค่ากับองค์กรมากที่สุด
คอนเทนต์แนะนำ
นายณัฐนภัส รชตะวิวรรธน์ ประธานเจ้าหน้าที่บริหารและผู้ร่วมก่อตั้ง บริษัท เบลนเดต้า จำกัด เปิดเผยว่า ช่วงปีที่ผ่านมา เทรนด์การใช้ Generative AI (AI สร้างสรรค์) เป็นกระแสที่ถูกพูดถึงและมาแรงอย่างมาก ด้านภาคอุตสาหกรรมต่างตื่นตัวและมีแผนลงทุนเพื่อนำไปประยุกต์ใช้ในองค์กรมากขึ้น จากรายงานของ Gartner ระบุว่าในช่วงปีที่ผ่านมา Generative AI ถูกยกเป็นวาระของผู้บริหารองค์กร โดยในหลายองค์กรได้เริ่มนำร่องประยุกต์ใช้เทคโนโลยีนี้แล้ว อย่างไรก็ตาม Blendata มองว่าการประยุกต์ใช้ Generative AI มีความท้าทาย ใน 2 มิติสำคัญ ได้แก่
- การลงทุนและค่าใช้จ่ายที่สูง การพัฒนาและการใช้ Generative AI ในช่วงแรกนั้นยังคงมีค่าใช้จ่ายที่สูงมาก ไม่ว่าจะเป็นการลงทุนกับเทคโนโลยี การบำรุงรักษาระบบ การเตรียมข้อมูลที่มีคุณภาพสูงและมีปริมาณมาก เพื่อให้โมเดลเรียนรู้ได้ดี ซึ่งการนำไปประยุกต์ใช้กับหลาย ๆ Use Cases อาจมีความเสี่ยงด้านต้นทุนที่สูงแต่ได้ผลลัพธ์ที่ไม่คุ้มค่า
- ตัวเลือกผู้ให้บริการในตลาดยังมีน้อย ในปัจจุบันการพัฒนา Generative AI ยังเรียกได้ว่าอยู่ในช่วงเริ่มต้น ทำให้มีจำนวนผู้ให้บริการในตลาดเพียงไม่กี่ราย รวมถึงผู้ให้บริการที่ให้ใช้บริการฟรีที่มีประสิทธิภาพก็ยังมีจำนวนน้อย หากองค์กรตัดสินใจทำการลงทุนในช่วงแรกนี้โดยไม่วางแผนให้ถี่ถ้วนอาจทำให้ขาดทุนจากต้นทุนค่าบริการ Generative AI ที่สูงมากได้ ดังนั้นองค์กรจึงต้องพิจารณาและวางแผนอย่างรอบคอบ เพื่อไม่ให้การลงทุนสูญเปล่าทั้งด้านค่าใช้จ่าย เวลา และทรัพยากรบุคคล
จากประสบการณ์และความเชี่ยวชาญด้าน Big Data และ AI ของ Blendata จากงานทำงานร่วมกับองค์กรมากมายทั้งในไทยและต่างประเทศ รวมถึงการวิเคราะห์ข้อมูลมหาศาลจากหลายอุตสาหกรรม Blendata มองว่า Use Cases ด้าน Generative AI ที่คุ้มค่าแก่การลงทุนและมีการวัดผลแล้วว่าสามารถสร้างประโยชน์ได้จริง มีเพียง 3 Use Cases ดังต่อไปนี้
- Virtual Assistant: ทดแทน Chatbot แบบดั้งเดิม
- เพิ่มความสามารถระบบ Knowledge Management System (KMS) ขององค์กร
- เพิ่มศักยภาพงานด้าน Day-to-Day Operation ขององค์กร เช่น ช่วยให้สามารถค้นหาข้อมูล ตรวจสอบและนำเสนอข้อมูลได้อย่างรวดเร็วและแม่นยำมากขึ้น รวมถึงการสร้างเนื้อหาเอกสาร และสร้างรายงานโดยการทำงานแบบอัตโนมัติ เป็นต้น
จากมุมมองของ Blendata นั้น การประยุกต์ใช้ Generative AI โดยทันทีอาจยังมีข้อจำกัดและได้ผลลัพธ์ที่ไม่คุ้มค่า แนะองค์กรพิจารณาเทคโนโลยี ANI (Artificial Narrow Intelligence) หรือ Traditional AI (AI แบบดั้งเดิม) ควบคู่กัน เพื่อเลือกแนวทางที่เหมาะสมกับองค์กรมากที่สุด โดยเฉพาะอย่างยิ่งองค์กรที่มองหาการใช้งานจริงในทันทีและผลลัพธ์ที่วัดผลได้ในต้นทุนที่เหมาะสม การเริ่มต้นด้วย ANI อาจตอบโจทย์มากกว่า เทคโนโลยี ANI ได้รับการออกแบบมาให้เรียนรู้งานหรือโดเมนที่เฉพาะเจาะจง โดยนำเสนอโซลูชันที่ได้รับการปรับให้เหมาะสมและมีประสิทธิภาพสูงเฉพาะด้าน อีกทั้งยังมีเทคโนโลยีที่ชาญฉลาดให้เลือกใช้อย่างหลากหลายในตลาด เช่น Machine Learning, Neural Network หรือ Deep Learning เป็นต้น โดย ANI มีข้อพิสูจน์อย่างเป็นรูปธรรมจาก Case Study ของบริษัทระดับโลกมากมาย ไม่ว่าจะเป็น Netflix, Starbucks, Facebook, Tesla, Apple และอื่น ๆ อีกมากมาย ที่ล้วนแล้วแต่นำเทคโนโลยี AI มาปรับใช้เพื่อเพิ่มประสิทธิภาพให้กับธุรกิจในรูปแบบต่าง ๆ ยกตัวอย่าง Use Cases ที่น่าสนใจ ดังนี้
- ระบบการแนะนำ (Recommendation Systems): ANI ขับเคลื่อนอัลกอริทึมระบบการแนะนำของแพลตฟอร์มสตรีมมิ่งต่าง ๆ เช่น สตรีมมิ่งภาพยนตร์ เพลง เว็บไซต์อีคอมเมิร์ซ หรือเครือข่ายโซเชียลมีเดีย โดยระบบ ANI จะทำการวิเคราะห์พฤติกรรมและความชอบของผู้ใช้ และแนะนำเนื้อหา ผลิตภัณฑ์ หรือบริการแบบรายบุคคล เพื่อปรับปรุงประสบการณ์ผู้ใช้และเพิ่มการมีส่วนร่วมมากขึ้น
- การตรวจจับการฉ้อโกงและเพิ่มความปลอดภัย (Fraud Detection and Security Enhancement): ANI ปรับปรุงระบบการตรวจจับการฉ้อโกงในอุตสาหกรรมธนาคาร การเงิน และช่วยเพิ่มความปลอดภัยทางไซเบอร์ ด้วยการวิเคราะห์รูปแบบและความผิดปกติในชุดข้อมูลขนาดใหญ่ ANI สามารถระบุกิจกรรมการฉ้อโกง ตรวจจับพฤติกรรมที่น่าสงสัย และปรับปรุงมาตรการรักษาความปลอดภัยโดยรวมได้อย่างทันท่วงทีและมีประสิทธิภาพ
- การวิเคราะห์เชิงคาดการณ์ (Predictive Analytics): ANI สามารถวิเคราะห์เชิงคาดการณ์โดยการวิเคราะห์ข้อมูลในอดีตเพื่อคาดการณ์แนวโน้ม ผลลัพธ์ หรือพฤติกรรมในอนาคต ความสามารถนี้ถูกนำไปใช้กับการทำงานในอุตสาหกรรมต่าง ๆ เช่น การเงิน (การคาดการณ์ตลาดหุ้น) การดูแลสุขภาพ (การคาดการณ์การระบาดของโรค) และการตลาด (การคาดการณ์พฤติกรรมลูกค้า) เป็นต้น
- การปรับปรุงกลยุทธ์ทางการตลาด (Personalization in Marketing): ANI สามารถปรับแต่งเนื้อหา โฆษณา และข้อเสนอส่งเสริมการขายตามความต้องการส่วนบุคคล โดยประมวลผลจากข้อมูลประชากร และการโต้ตอบในอดีต เพื่อช่วยปรับปรุงการมีส่วนร่วมของลูกค้าและสร้างโอกาสในการเพิ่มยอดขายมากยิ่งขึ้น
- การเพิ่มประสิทธิภาพห่วงโซ่อุปทาน (Supply Chain Optimization): ANI เพิ่มประสิทธิภาพการจัดการห่วงโซ่อุปทาน โดยการวิเคราะห์ข้อมูลที่เกี่ยวข้องกับสินค้าคงคลัง การคาดการณ์ความต้องการ โลจิสติกส์การขนส่ง และประสิทธิภาพของซัพพลายเออร์ ช่วยให้สามารถปรับปรุงการดำเนินงานที่ติดปัญหา ลดเวลาการทำงาน ลดต้นทุน และเพิ่มประสิทธิภาพการทำงานให้เกิดประโยชน์สูงสุด
- การบำรุงรักษาเชิงคาดการณ์ในภาคอุตสาหกรรมการผลิต (Predictive Maintenance): ANI ใช้ข้อมูลเซ็นเซอร์และข้อมูลประวัติการบำรุงรักษา เพื่อคาดการณ์แนวโน้มความเสียหายของเครื่องจักรล่วงหน้า ช่วยลดความเสี่ยงของเหตุการณ์เครื่องจักรหยุดทำงานที่ไม่ได้วางแผนไว้ล่วงหน้า ลดเวลาในการซ่อมบำรุงโดยการแก้ไขอย่างทันท่วงที ลดค่าใช้จ่ายในการซ่อมแซม และเพิ่มประสิทธิภาพของการผลิตในอุตสาหกรรม
- การแบ่งกลุ่มลูกค้าและวิเคราะห์ลูกค้าเชิงลึก (Customer Segmentation & Analytics) : ANI ใช้ข้อมูลลูกค้าที่เกี่ยวข้อง เช่น ประวัติการซื้อ พฤติกรรมการใช้งานเว็บไซต์ หรือข้อมูล Demographics เพื่อแบ่งกลุ่มลูกค้าออกเป็นกลุ่มที่คล้ายคลึงกัน ทำให้องค์กรสามารถสร้างกลยุทธ์การตลาดและการขายที่เชื่อถือได้และตอบสนองต่อความต้องการของกลุ่มลูกค้าแต่ละกลุ่มได้เป็นอย่างดี ทำให้เพิ่มโอกาสในการสร้างรายได้และความพึงพอใจของลูกค้า ช่วยลดทรัพยากรด้านเงินและเวลาจากการทำการตลาดที่ไม่จำเป็น และเพิ่มประสิทธิภาพกลยุทธ์การตลาดและการขายที่ตรงกลุ่มเป้าหมายมากยิ่งขึ้น
อย่างไรก็ตามการเลือกระหว่าง ANI และ Generative AI หรือการตัดสินใจใช้งานทั้งสองอย่าง ขึ้นอยู่กับปัจจัยต่าง ๆ ขององค์กร เช่น วัตถุประสงค์ทางธุรกิจ ทรัพยากรที่มีอยู่ ความพร้อมทางเทคโนโลยี และข้อกำหนดเฉพาะของอุตสาหกรรม ธุรกิจควรประเมินความต้องการอย่างถี่ถ้วน พิจารณาถึงประโยชน์และความท้าทายที่อาจเกิดขึ้นของแต่ละแนวทาง รวมถึงผลตอบแทนในการลงทุน (Return on investment;ROI) และพัฒนากลยุทธ์ที่สอดคล้องกับเป้าหมายและลำดับความสำคัญระยะยาว
Advertisement
