อยากมี AI ของตัวเอง องค์กรต้องรู้อะไรบ้าง? จากไอเดียเล็กๆ สู่การใช้งาน

ปฏิเสธไม่ได้ว่า ‘AI’ หรือปัญญาประดิษฐ์ เป็นเครื่องมือที่สามารถช่วยงานและทำให้ชีวิตคนเราง่ายขึ้นอย่างมาก ซึ่งก็ตรงตามชื่อทั้งมี ‘ปัญญา’ และยังสามารถ ‘ประดิษฐ์’ ได้อีกด้วย เพียงแค่ป้อนคำสั่งเข้าไป

ในขณะเดียวกัน AI มีหลายรูปแบบและการใช้งานต่างกันไป แถมยังมีการใช้งานต่างไปตามจุดประสงค์หรือเป้าหมายของผู้ใช้งาน ทำให้องค์กรเริ่มมีความสนใจในการพัฒนา AI มาใช้เองบ้าง

SPOTLIGHT มีโอกาสเข้าร่วมเวทีเสวนา ‘Wisesight Research Discovery’ Episode 3 Deep AI Insights – From Imagination to Implementation จัดโดย Wisesight Research ที่ได้ คุณต่อ พุทธศักดิ์ และคุณภา ณิชาภา มาแบ่งปันถึงเทรนด์และการใช้งาน AI ที่มีประสิทธิภาพ 

การนำ AI มาช่วยหาอินไซต์ลูกค้า

ปัจจุบัน AI มีหลายรูปแบบ และสามารถแบ่งประเภทตามการใช้งานพื้นฐานได้ 2 แบบดังนี้:

1. Predictive AI คือ AI ที่ใช้ในการ ‘ทำนาย’ เป็นหลัก โดยส่วนใหญ่จะใช้กับการตลาดเฉพาะบุคคล (personalized marketing)
2. Generative AI คือ AI ที่ใช้ในการ ‘สร้าง’ เป็นหลัก ทั้งข้อความ รูปภาพ หรือ วิดีโอ ซึ่งคนทั่วไปอาจคุ้นเคยกับการใช้ Gen AI มากกว่า

ซึ่งการเลือกใช้งาน AI ถูกประเภท นอกจากจุดประสงค์แล้ว การรู้จักข้อมูล หรือ Data ของตนเองเป็นสิ่งที่สำคัญเช่นกัน เนื่องจาก Data แต่ละประเภทใช้ AI คนละรูปแบบกัน โดย Data ขั้นพื้นฐาน สามารถแบ่งออกเป็น 2 ประเภทเช่นกัน:

1. Structured Data หรือ ข้อมูลตัวเลขที่มีการจัดหมวดหมู่หรือมีมูลค่าเลข มักนิยมใช้ Predictive AI เพื่อทำนายเหตุการณ์หรือการกระทำบางอย่าง เช่น ยอดขาย หรือโอกาสในการกลับมาซื้อซ้ำ 
2. Unstructured Data หรือ ข้อมูลที่ไม่ใช่ตัวเลข เป็นข้อความ รูปภาพ วิดีโอ และเสียง มักนิยมใช้ Generative AI เพื่อหาอินไซต์ต่างๆ เนื่องจากได้ผลลัพธ์และการปฏิบัติที่ดีกว่า Predictive AI

ดังนั้น การเลือกใช้งาน AI ไม่ว่าจะเป็นรูปแบบใด ขึ้นอยู่กับโจทย์ที่ต้องการอยากแก้ไข ผลลัพธ์ที่คาดหวัง และประเภทของ Data ที่มี ซึ่งล้วนช่วยงานวิจัยให้มีมิติมากขึ้นตามนี้: 

- Process Efficiency: เพิ่มประสิทธิภาพในการทำงาน เช่น ลดระยะเวลาจากการใช้แรงคน

- Data Coverage: เพิ่มความครอบคลุมของข้อมูล เช่น ข้อมูลจากโลโก้ และรูปภาพ

- Analytics Capabilities: เพิ่มความสามารถในการวิเคราะห์ให้กว้างและลึกยิ่งขึ้น

การใช้ AI กับ Data ประเภทต่างๆ

1. Text (ข้อความ)

- Text Clustering: จัดกลุ่มข้อความ นิยมใช้ในการทำความเข้าใจข้อมูลปริมาณมาก เพื่อลดเวลา และใช้ใน Predictive AI

- Topic Clustering: จัดกลุ่มประเด็นของข้อความ ช่วยหาความเชื่อมโยงหรือเปรียบเทียบ

- Word Similarity: ดูว่าคำ หรือเนื้อหาที่สนใจ มีคำใดที่เกี่ยวข้องล้อมรอบบ้าง ช่วยให้เข้าใจบริบทได้

- Sentiment Analysis: ทำนายว่าข้อความเป็นคำชมเชิงบวกหรือเชิงลบ และมีประเด็นใดที่เกี่ยวข้อง 

- Named Entity Recognition (NER): ระบุองค์ประกอบของข้อความ ทั้งสถานที่ สินค้า บุคคล และอื่นๆ ที่ถูกกล่าวถึง

ทั้งนี้ ไม่ว่าจะใช้เทคนิคไหนก็ตาม สิ่งสำคัญที่ต้องระวังเสมอ คือ การเช็กความถูกต้องของผลลัพธ์ โดยเฉพาะข้อความภาษาไทยที่มีบริบทแฝง อาจตีความได้หลากหลาย และเปลี่ยนไปตลอดเวลา

2. Image (รูปภาพ)

- Face Recognition: จับอารมณ์ความรู้สึกจากใบหน้า หรือระบุเพศ และช่วงอายุ ช่วยให้เข้าใจสิ่งที่เกิดขึ้นบนภาพ

- Object Detection: ระบุสิ่งของและองค์ประกอบต่างๆ ในภาพ เช่น รถยนต์, ป้าย, ถนน

- Label: ระบุองค์ประกอบและบริบทในภาพ

- Logo Detections: ตามหาโลโก้ที่ต้องการในภาพ

- Scene Detection: ระบุลักษณะของสถานที่

3. Audio (เสียง)

- Speech-to-Text: เปลี่ยนเสียงในวิดีโอให้เป็นข้อความ เพื่อนำมาวิเคราะห์ต่อ

4. Video (วิดีโอ)

- Heat Map: จับเสียงและภาพเหตุการณ์ในพื้นที่ ทั้งความชอบ และอารมณ์

- Emotion AI: จับความรู้สึกจากวิดีโอ

ทั้งนี้ เทคนิคที่ใช้วิเคราะห์วิดีโอ มักมาจากเทคนิคของรูปภาพคู่กับเสียง

จากเคสต่างๆ ในการช่วยหาอินไซต์ลูกค้า และเพิ่มประสิทธิภาพในกระบวนการทำงาน การใช้งาน AI สามารถแบ่งได้ในลักษณะ 3 + 2 แบบดังนี้:

1. Do as I Say – ให้ AI ทำตามสั่งผู้ใช้งานก็พอ
2. Help Me Think – ให้ AI เป็นเหมือนผู้ช่วยส่วนตัว สั่งใช้งานเต็มที่
3. Give Insight – ให้ข้อมูลอินไซต์รวมถึงวิเคราะห์ข้อมูลที่มี
4. Customize Experience – ปรับแต่งการใช้งานจากประสบการณ์
5. 24/7 Availability & Support – พร้อมใช้งาน 24 ชั่วโมง 7 วัน ต่อ สัปดาห์

หากองค์กรอยากเริ่มทำ AI เป็นของตัวเอง

หลายองค์กรเริ่มเห็นประโยชน์จากการใช้งาน AI และมองว่า การมี AI เป็นของตัวเองตอบโจทย์การใช้งานมากกว่า เนื่องจากข้อมูลบางประเภทเป็นความลับขององค์กร ซึ่งการจะลงทุนในด้าน AI มีปัจจัยหลายประการที่ต้องนึกถึง

โดยภายในเวทีเสวนา ดร.ตี๋ ณรงค์ AI Product Manager และคุณตั้ง วรัทธน์ Chief Product Officer จากทีม Wisesight พร้อมทั้ง ดร.ซี กอบกฤตย์ ผู้ก่อตั้งและซีอีโอจาก iApp Technology และนายกสมาคมผู้ประกอบการปัญญาประดิษฐ์ประเทศไทย พาทุกคนมาสำรวจวิธีการใช้ AI ในองค์กร ทั้งการสร้าง AI ขึ้นเอง และการใช้ Product ที่มีอยู่แล้ว

การพัฒนา AI Product ก็นับเป็นการทำ Product ประเภทหนึ่ง ดังนั้นจุดเริ่มต้นของการลงมือ คือ การสำรวจเคสการใช้งาน และความต้องการของผู้ใช้งาน รวมถึงตั้งโจทย์ให้ถูกว่า อวค์กรต้องการอะไรกันแน่? ซึ่งเพื่อให้ภาพ Product ชัดเจนขึ้น เทคนิคเพื่อเปลี่ยนภาพในหัว เป็นไอเดียที่จับต้องได้ สามารถทำได้ผ่านการเขียน ‘PR FAQ’ ออกมา:

- Product นี้ทำอะไรได้บ้าง

- ใครเป็นผู้ใช้งานของ Product?

- Product นี้แก้ปัญหาอะไรให้ผู้ใช้งานหรือสร้างโอกาสให้คนอย่างไร?

- ประสบการณ์ผู้ใช้งานในการใช้งานเป็นอย่างไร?

เมื่อเห็นภาพของ Product ชัดเจนขึ้นแล้ว ขั้นตอนต่อไป คือ การสื่อสารและประเมินในองค์กร ทั้งตกลงกับทีมงานและผู้บริหาร ด้วย 7 คำถามสำคัญก่อนตัดสินใจพัฒนา AI:

1. มีทีมที่พร้อมพัฒนาหรือไม่?
2. ไทม์ไลน์ในการสร้าง Product เป็นอย่างไร? สามารถสร้างได้ทันทีเลยหรือไม่? หรือหากรออีกสักปี เทคโนโลยีนี้จะหายไปหรือเปล่า?
3. อะไรคือความเสี่ยงของการพัฒนา Product?
4. มี Data พร้อมหรือไม่? หากองค์กรไม่มีข้อมูล หรือองค์กรอื่นมีข้อมูลและความพร้อมมากกว่า องค์กรยังควรสร้าง AI Product อยู่หรือเปล่า?
5. ต้องคิดราคาเท่าไรให้องค์กรอยู่รอด?
6. มีงบเท่าไหร่?
7. Technology Feasibility เป็นอย่างไร? องค์กรกำลังฝันเกินเทคโนโลยีที่มีอยู่หรือเปล่า?

ท้ายที่สุด คือการพัฒนา Product ให้ตอบโจทย์สิ่งที่ลูกค้าคาดหวัง ทั้งคุณภาพการใช้งาน ราคาที่จับต้องได้ ประสบการณ์ที่ดี และโอกาสในการเปลี่ยนไปใช้ Product อื่นๆ หากวันหนึ่ง Product นี้ไม่ตอบโจทย์ความต้องการแล้ว

นอกจากนี้ การพัฒนา AI ใช้เงินลงทุนมหาศาล และหากพัฒนาให้มีความฉลาดมากขึ้น คาดว่าต้องใช้เงินลงทุนมหาศาลตามด้วย เนื่องจากต้องใช้อุปกรณ์ที่มีความสามารถสูงตาม รวมทั้งความเสี่ยงและความไม่แน่นนอที่อาจเกิดขึ้นกับ Product ที่พัฒนา

อนาคตและข้อควรระวังของ AI

Wisesight มองว่า อนาคตของ AI จะสามารถใช้งานได้มากขี้น โดย AI จะมีความฉลาดมากขึ้นต่อเนื่องไม่หยุด ทำให้ในช่วงนี้ การใช้งาน AI ยังควรผูกติดกับเจ้าใหญ่ๆ อย่างเช่น ChatGPT, Claude, Gemini ที่ยังมีความหนาแน่นของข้อมูลสูง แม้ในอนาคตขนาดของโมเดลอาจไม่ได้เป็นปัจจัยหลัก เพราะสามารถใช้งานได้มากขึ้นตามความฉลาดที่มี

อย่างไรก็ตาม แม้การใช้ AI ในงานวิจัยจะมีข้อดีมากมาย แต่สิ่งสำคัญที่ผู้ใช้งานควรนึกถึงเสมอ คือ การใช้งาน AI ควรทำให้ชีวิตดีขึ้น หากใช้แล้วฝืนหรือไม่ได้คุณภาพ ก็ควรหาวิธีอื่น ซึ่งบางครั้งการใช้งาน AI อย่างเดียวอาจยังไม่ดีพอ ผู้ใช้งานจึงควรมีทั้ง Data + AI + Knowledge เพื่อช่วยให้ AI มีประสิทธิภาพมากขึ้น

เนื่องจาก “AI Can’t Solve Everything” หรือ AI ไม่สามารถช่วยแก้ปัญหาได้ทุกเคส เพราะบางครั้ง เทคโนโลยีอาจยังไปไม่ถึง ข้อมูลที่ใช้ป้อน AI ยังไม่ดีพอ หรือผู้ใช้งานยังไม่เข้าใจข้อจำกัดของการใช้งาน การสร้างผลลัพธ์ที่ดีขึ้นไม่ใช่แค่การทำตามสั่ง แต่ควรใส่บริบท และเน้นการทำให้การทำงานซ้ำๆ เป็นแบบอัตโนมัติ

เพราะในการทำงานวิจัยจริง ผู้ใช้งานอาจต้องใช้หลายเทคนิคร่วมกันเพื่อหาอินไซต์ และไปให้ถึงผลลัพธ์ผ่านการตรวจสอบความถูกต้องของผลลัพธ์ด้วยล่ะ