รู้จัก Traditional AI กับ Generative AI ต่างกันตรงไหน ลงทุนอย่างไร คุ้มค่าสุด

ภาคธุรกิจเริ่มสนใจอยากได้ AI มาประยุกต์ใช้ในหลายด้าน ทำให้ในการลงทุนระยะแรกองค์กรอาจเจอปัญหาค่าใช้จ่ายสูงและตัวเลือกผู้ให้บริการในตลาดยังมีน้อย

ปัจจุบัน AGI (Artificial General Intelligence) หรือ Generative AI มีเพียง 3 Use Cases ที่วัดผลได้ นั่นคือ การใช้งานเทคโนโลยี ANI (Artificial Narrow Intelligence) หรือ Traditional AI ควบคู่กัน เพื่อผลลัพธ์ที่วัดผลได้ในต้นทุนที่เหมาะสม 

นายณัฐนภัส รชตะวิวรรธน์ ประธานเจ้าหน้าที่บริหารและผู้ร่วมก่อตั้ง บริษัท เบลนเดต้า จำกัด กล่าวว่า เทรนด์การใช้ Generative AI (AI สร้างสรรค์) เป็นกระแสที่ถูกพูดถึงและมาแรงอย่างมาก ภาคอุตสาหกรรมต่างตื่นตัวและมีแผนลงทุนเพื่อนำไปประยุกต์ใช้ในองค์กรมากขึ้น

Gartner ระบุว่าในช่วงปีที่ผ่านมา Generative AI ถูกยกเป็นวาระของผู้บริหารองค์กร โดยในหลายองค์กรได้เริ่มนำร่องประยุกต์ใช้เทคโนโลยีนี้แล้ว ซึ่งการประยุกต์ใช้ Generative AI มีความท้าทาย 2 ด้าน คือ

• การลงทุนและค่าใช้จ่ายที่สูง : ทั้งในแง่ของการลงทุนกับเทคโนโลยี การบำรุงรักษาระบบ การเตรียมข้อมูลที่มีคุณภาพสูงและมีปริมาณมาก เพื่อให้โมเดลเรียนรู้อาจมีความเสี่ยงด้านต้นทุนที่สูงแต่ได้ผลลัพธ์ที่ไม่คุ้มค่า
• ตัวเลือกผู้ให้บริการในตลาดยังมีน้อย : หากตัดสินใจทำการลงทุนในช่วงแรก โดยไม่วางแผนให้ถี่ถ้วน อาจทำให้ขาดทุนจากต้นทุนค่าบริการ Generative AI ที่สูงมาก

มองการใช้งานเทคโนโลยีให้หลากหลาย

การประยุกต์ใช้ Generative AI โดยทันทีอาจมีข้อจำกัดและได้ผลลัพธ์ที่ไม่คุ้มค่า องค์กรควรพิจารณาเทคโนโลยี ANI (Artificial Narrow Intelligence) หรือ Traditional AI (AI แบบดั้งเดิม) ควบคู่กัน เพื่อเลือกแนวทางที่เหมาะสมกับองค์กรมากที่สุด

โดยเฉพาะอย่างยิ่งองค์กรที่มองหาการใช้งานจริงในทันทีและผลลัพธ์ที่วัดผลได้ในต้นทุนที่เหมาะสม การเริ่มต้นด้วย ANI อาจตอบโจทย์มากกว่า เพราะเทคโนโลยี ANI ได้รับการออกแบบมาให้เรียนรู้งานหรือโดเมนที่เฉพาะเจาะจง มีโซลูชันที่ได้รับการปรับปรุงให้เหมาะสมและมีประสิทธิภาพสูง

อีกทั้งยังมีเทคโนโลยีที่ชาญฉลาดให้เลือกใช้อย่างหลากหลายในตลาด เช่น Machine Learning, Neural Network หรือ Deep Learning เป็นต้น

โดย ANI มีข้อพิสูจน์อย่างเป็นรูปธรรมจาก Case Study ของบริษัทระดับโลกมากมาย ไม่ว่าจะเป็น Netflix, Starbucks, Facebook, Tesla, Apple ที่ล้วนแล้วแต่นำเทคโนโลยี AI มาปรับใช้เพื่อเพิ่มประสิทธิภาพให้กับธุรกิจในรูปแบบต่าง ๆ 

มองแผนให้ชัดและลงทุนให้เหมาะสม

ทั้งนี้ การเลือกระหว่าง ANI และ Generative AI หรือการตัดสินใจใช้งานทั้งสองอย่าง ขึ้นอยู่กับปัจจัยต่าง ๆ ขององค์กร เช่น วัตถุประสงค์ทางธุรกิจ ทรัพยากรที่มีอยู่ ความพร้อมทางเทคโนโลยี และข้อกำหนดเฉพาะของอุตสาหกรรม

ดังนั้น เจ้าของธุรกิจควรประเมินความต้องการ พิจารณาถึงประโยชน์และความท้าทายที่อาจเกิดขึ้นของแต่ละแนวทาง รวมถึงผลตอบแทนในการลงทุน (Return on investment : ROI) และพัฒนากลยุทธ์ที่สอดคล้องกับเป้าหมายและลำดับความสำคัญระยะยาว

นอกจากนี้ ตัวอย่างของการใช้งาน Generative AI ที่คุ้มค่าต่อการลงทุนและวัดผลแล้วว่าใช้ประโยชน์ได้จริง ควรประกอบด้วย 3 ส่วน คือ

1. Virtual Assistant ทดแทน Chatbot แบบดั้งเดิมได้
2. เพิ่มความสามารถระบบ Knowledge Management System (KMS) ขององค์กร
3. เพิ่มศักยภาพงานด้าน Day-to-Day Operation ขององค์กร

นอกจากนี้ การพัฒนาเครื่องมือสำหรับ AI มาใช้งานนั้นจะต้องมีวัตถุประสงค์ในการทำงานและตอบโจทย์ในสิ่งต่างๆ เหล่านี้ได้

• ระบบการแนะนำ (Recommendation Systems): ANI ที่ธุรกิจออนไลน์นำไปใช้งานนั้น ช่วยขับเคลื่อนอัลกอริทึม ระบบการแนะนำของแพลตฟอร์ม เช่น สตรีมมิ่งภาพยนตร์ เพลง เว็บไซต์อีคอมเมิร์ซ หรือเครือข่ายโซเชียลมีเดีย โดยระบบ ANI จะทำการวิเคราะห์พฤติกรรมและความชอบของผู้ใช้ และแนะนำเนื้อหา ผลิตภัณฑ์ หรือบริการแบบรายบุคคล เพื่อปรับปรุงประสบการณ์ผู้ใช้และเพิ่มการมีส่วนร่วมมากขึ้น
• การตรวจจับการฉ้อโกงและเพิ่มความปลอดภัย (Fraud Detection and Security Enhancement): ANI ปรับปรุงระบบการตรวจจับการฉ้อโกงในอุตสาหกรรมธนาคาร การเงิน และช่วยเพิ่มความปลอดภัยทางไซเบอร์ ด้วยการวิเคราะห์รูปแบบและความผิดปกติในชุดข้อมูลขนาดใหญ่ โดย 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

อย่างไรก็ตาม การตระหนักใช้เทคโนโลยีใหม่ๆ นอกจากช่วยให้องค์กรเดินหน้าทำงานได้เร็วขึ้น ลดปัญหาด้านการจ้างงานที่ไม่ตรงวัตถุประสงค์แล้ว ยังทำให้ควบคุมการทำงานให้มีประสิทธิภาพได้ 

แต่ทั้งหมดนี้ต้องขึ้นอยู่กับการวางแผนอย่างเหมาะสมและบริหารจัดการต้นทุนได้อย่างสมเหตุสมผลด้วย

 

อ่านข่าวอื่นๆ เพิ่มเติม

• Quadroin โดรนสำรวจใต้น้ำ AI ที่ได้รับแรงบันดาลใจมาจากนกเพนกวิน
• Airbnb จูงใจเปิดเช่าระยะสั้น หวังช่วยหารายได้เสริม เตรียมเจรจากับรัฐเพิ่ม
• โอลิมปิก สุดเจ๋ง ใช้ AI ยกระดับการถ่ายทอดสด และประมวลผลข้อมูลการแข่งขัน