หลายองค์กรในปัจจุบันต่างตื่นตัวและเป็นกังวลกับ Digital Disruption ที่กำลังเข้ามามีผลกระทบต่อทุกอุตสาหกรรมมากขึ้นเรื่อย ๆ ในบางองค์กรมีการสนับสนุนให้บุคคลากรได้ศึกษาและเรียนรู้นวัตกรรม AI หรือ platform ต่าง ๆ ที่มีความสามารถล้ำสมัยขององค์กรที่มีประสิทธิภาพในต่างประเทศ ก็ทำให้เกิดแนวคิดที่อยากจะนำมาใช้กับองค์กรของตนเอง อยากพัฒนาองค์กรด้วยการ Digital Transformation ซึ่งความคิดเหล่านี้เป็นสิ่งที่ดี แต่จากประสบการณ์ของผมที่ได้พูดคุยมาพบว่า บุคคลากรส่วนใหญ่ยังมีความเข้าใจผิด โดยมักคิดเพียงแค่ว่าจะนำ AI มาใช้ควบคู่กับการสร้าง “Innovation” อีกทั้งยังคิดว่าการสร้าง AI เป็นสิ่งที่ทำได้ง่ายและเป็นเพียงแค่ IT project โครงการหนึ่งเท่านั้น เพียงซื้อโปรแกรมสำเร็จรูปหรือ software มาใช้ ตัวโปรแกรมทั้งหมดก็จะสามารถแก้ปัญหาและตอบโจทย์ขององค์กรได้ทันที สิ่งที่ผมอยากบอกก็คือ AI อาจไม่ใช่คำตอบของทุกปัญหา และการทำ Digital Transformation นั้น ก็ไม่ได้หมายความว่าจะต้องมี AI เข้ามาเกี่ยวข้องกับทุกนวัตกรรม เราควรทำความเข้าใจให้ถ่องแท้เสียก่อนว่า AI คืออะไร มีหลักการทำงานอย่างไร และสามารถทำประโยชน์อะไรให้เราได้บ้าง

AI เกิดจากข้อมูล (data)

สิ่งที่ขับเคลื่อนให้ AI โดยเฉพาะ Machine Learning (ML) ทำงานได้อย่างมีประสิทธิภาพ คือ ข้อมูล (data) ถ้ามีข้อมูลดีก็มีโอกาสที่จะสร้างโมเดลที่ทำงานได้ดีเช่นกัน (อิงจากหลักการ Garbage In Garbage Out) รวมทั้งองค์ประกอบที่สำคัญด้านโครงสร้างระบบ (Infrastructure) ที่ทำให้ผู้ใช้สามารถนำโมเดลไปใช้งานได้จริง ซึ่งทุกวันนี้อะไรก็เป็นข้อมูลได้เมื่อเราแปลงข้อมูลให้อยู่ในรูปแบบดิจิทัล (Digitization) เช่น 

• ข้อมูลจากเซ็นเซอร์ในอุปกรณ์ IoT
• ข้อมูลจากภาพและเสียง 
• ข้อมูลจากการใช้งานซอฟต์แวร์ต่าง ๆ
• ข้อมูลการใช้โซเชียลมีเดียร์

เราสามารถนำข้อมูลเหล่านี้ไปให้ AI/ML เรียนรู้เพื่อสร้างประโยชน์ได้อย่างหลากหลาย

ร่วมกันพัฒนา AI/ML ด้วยนวัตกรรมแบบเปิด (Open Innovation)

นวัตกรรมแบบเปิด (Open Innovation) คือ แนวคิดในการแลกเปลี่ยนองค์ความรู้ระหว่างบริษัทและองค์กรต่าง ๆ อย่างอิสระ ก่อให้เกิดความร่วมมือในการสร้างงานที่ดีขึ้นและสร้างองค์ความรู้ที่มีประโยชน์ในภาพรวม ส่งเสริมให้เกิดการพัฒนาต่อยอดนวัตกรรมได้อย่างมีประสิทธิภาพและรวดเร็วยิ่งขึ้น ซึ่งในปัจจุบันมีการสนับสนุนแนวคิดนี้อย่างแพร่หลาย ได้รับการส่งเสริมจากสถาบันวิจัยขององค์กรระดับโลกอย่าง Google, Microsoft และ Facebook เช่น การแชร์ข้อมูล งานวิจัย รวมทั้งโมเดลและโค้ด (code) เพื่อให้นักวิจัยและนักพัฒนาทั่วโลกสามารถนำข้อมูลไปปรับปรุงและพัฒนาต่อ รวมทั้งแชร์กลับให้กับกลุ่มนักวิจัยนั้น ๆ ทำให้เกิดวัฏจักรการเรียนรู้ และแน่นอนว่าสิ่งสำคัญที่ทำให้ชุมชนนั้นพัฒนาอย่างยั่งยืนคือ การมีทัศนคติที่เปิดกว้างที่จะช่วยกัน ร่วมมือกันทำให้งานวิจัยดีและมีประโยชน์ต่อสังคม สิ่งเหล่านี้เองที่ทำให้วิวัฒนาการด้าน AI/ML ในช่วงหลายปีที่ผ่านมามีการพัฒนาอย่างรวดเร็ว

ความสามารถของ AI/ML เกิดจากการเรียนรู้รูปแบบของข้อมูล (pattern)

ปัจจุบันสิ่งที่ AI/ML ทำได้ดีอยู่ทุกวันนี้เป็นความเก่งเฉพาะงาน กล่าวคือการใช้ AI/ML เป็นการเอาอัลกอริทึมมาเรียนรู้หา pattern จากข้อมูลเพื่อตอบโจทย์ที่ตั้งไว้ ซึ่งสามารถนำมาใช้กับการทำงานซ้ำ ๆ เช่น

การทำงานอัตโนมัติ (Automation)

• การคัดแยกขยะ (Classification)
• การคัดเลือกภาพหรือวีดิโอวัตถุสิ่งของต่าง ๆ (Object Detection)
• การตรวจคัดใบหน้าคน (Face Recognition)

การทำนายคาดการณ์ (Prediction/Forecasting)

• การคาดการณ์ปริมาณสิ่งของในคลังสินค้า
• การทำนายจากรูป x-ray ว่ามนุษย์มีความเสี่ยงจะเป็นโรคมะเร็งหรือไม่

การนำ AI ที่ใช้กับภาษา Natural Language Procession - NPL มาใช้เพื่อหาคำตอบจากบทความ ซึ่งความสามารถของ AI ในปัจจุบัน ทำได้ดีเฉพาะกับข้อมูลที่เป็นภาษาอังกฤษเท่านั้น ในส่วนของภาษาไทยเราอาจจะต้องช่วยกันพัฒนาต่อไป

และอีกตัวอย่างที่น่าสนใจคือ การนำ Reinforcement Learning มาใช้เรียนรู้โดยการเก็บข้อมูลจากการโต้ตอบกับสิ่งแวดล้อม เช่น Self Driving Car ใช้เซ็นเซอร์ในการเรียนรู้ว่าสิ่งรอบข้างคืออะไรเพื่อใช้ในการควบคุมรถในอนาคต

ยิ่งมีข้อมูลเยอะ AI ยิ่งเก่ง

อย่างไรก็ตาม AI/ML ที่เราใช้อยู่ทุกวันนี้ก็ยังมีข้อจำกัดอยู่บ้าง เพราะ ML โมเดลส่วนใหญ่ โดยเฉพาะโมเดลที่เรียกว่า Deep Learning ต้องใช้ปริมาณข้อมูลและทรัพยากรในการคำนวณมหาศาล ยกตัวอย่าง การที่เราจะสอนให้โมเดลรู้จักภาพสิ่งของอย่างหนึ่ง อาจต้องใช้ภาพหลายร้อยถึงหลักพันรูป ขึ้นอยู่กับความแม่นยำที่เราต้องการ ยิ่งสอนด้วยรูปภาพจำนวนมากก็ยิ่งแม่นยำขึ้น แต่ถ้าเทียบกับความสามารถมนุษย์ เราอาจใช้รูปเพียงไม่กี่รูปก็สามารถแยกแยะสิ่งของได้ ซึ่งปัจจุบันก็เริ่มมีงานวิจัยที่เกี่ยวข้องกับการใช้โมเดลที่ใช้ข้อมูลไม่มากจนเกินไป เช่น Transfer Learning ซึ่งเป็นโมเดลที่เรียนรู้จากข้อมูลในงานประเภทหนึ่ง แล้วเอาไปใช้กับงานประเภทที่ใกล้เคียง อีกโมเดลคือ Self-Supervised Learning คือโมเดลภาษาที่เรียนรู้โดยการตัดลบคำบางคำ แล้วให้โมเดลทำนายว่า คำที่ให้ไปคืออะไร ซึ่งเราใช้ข้อมูลที่มีอยู่และคำที่ถูกลบไปเป็นคำตอบ เพื่อที่จะสอนให้โมเดลใช้ข้อมูลอย่างมีประสิทธิภาพ

เช็คความพร้อมขององค์กรก่อนสร้าง AI 

นอกจากนี้ยังมีองค์ประกอบอื่น ๆ ที่ควรคำนึงถึงในการนำ AI/ML มาใช้ นั่นคือ 

1. ทัศนคติของผู้บริหารที่ควรเปิดกว้างและมีวิสัยทัศน์ที่จะทดลองและขับเคลื่อนองค์กรโดยการใช้ข้อมูลเป็นส่วนสำคัญในการตัดสินใจ
2. ความคุ้มค่าของสิ่งที่จะทำ
3. วัฒนธรรม และทัศนคติของคนในองค์กร
4. ความพร้อมทางด้านข้อมูล 
5. ความพร้อมของบุคคลากร เพื่อพิจารณาว่าจะดำเนินการเองด้วยบุคคลภายใน (build) หรือจะจ้างผู้เชี่ยวชาญจากภายนอก (outsource)

ตำแหน่งอื่น ๆ ที่ควรมี หากตัดสินใจดำเนินการเองด้วยคนในองค์กร

ผมมองว่า AI/ML ไม่ได้จบแค่การทำโมเดลโดยทีม (1) Data Scientist หรือ (2) AI Researcher แต่ต้องมีโครงสร้างพื้นฐาน (Infrastructure) ที่จะนำโมเดลที่ถูกพัฒนาจากการทดลองมาใช้ให้เกิดประโยชน์จริงในการดำเนินธุรกิจ ซึ่งจำเป็นต้องมีตำแหน่ง (3) Infrastructure Engineer และ (4) Data Engineer ที่จะร่วมมือกันเชื่อมให้ข้อมูลจากต้นทางอยู่ในรูปแบบที่เหมาะสมและนำไปใช้ได้จริง 

และอาจจะมี (5) Machine Learning Engineer หรือ (6) MLOps ที่จะช่วยแปลงโมเดลที่ทาง Data Scientist สร้างมาให้อยู่ในรูปแบบที่เหมาะสมกับสิ่งที่ผู้ใช้จะนำไปใช้ ซึ่งทีม MLOps มีหน้าที่สำคัญในการดูแลความเสถียรของสิ่งที่จะนำไปใช้ หากมีการปรับแก้โมเดล ก็สามารถทำได้โดยไม่ทำให้การทำงานสะดุด 

และอีกด้านที่ควรคำนึงถึงและสำคัญไม่แพ้กันคือ การดูแลข้อมูล ไม่ว่าจะเป็นเรื่องความปลอดภัย (Data Security) และความเป็นส่วนตัว (Data Privacy) ของข้อมูลลูกค้า และการดูแลเรื่องจริยธรรมในการใช้ข้อมูลและ AI/ML โมเดล ที่กล่าวมาทั้งหมดนี้ คือสิ่งที่ผมต้องการเน้นย้ำว่า มีหลายปัจจัยที่ผู้ประกอบการต้องคิดให้รอบคอบ ก่อนการนำ AI มาใช้กับธุรกิจให้ประสบความสำเร็จครับ

บทความโดย จรัล งามวิโรจน์เจริญ, 

Chief Data Scientist & VP of Data Innovation Lab บริษัท เซอร์ทิส จำกัด บริษัทให้คำปรึกษาด้านเทคโนโลยีและดิจิทัลโซลูชั่นให้กับองค์กรทั้งภาครัฐและเอกชน ปัจจุบันใช้ประสบการณ์การทำงานต่างประเทศทางด้านซอฟท์แวร์ ข้อมูล และปัญญาประดิษฐ์ ดูแลทีม Data Scientist, ML Engineer และ AI Research นอกจากนี้ยังเป็นนักเขียนคอลัมน์ Data Driven Society ของไทยพับลิก้า (เพราะเบื่อความเป็น Drama Driven Society ของประเทศเรา)