อัลกอริธึม Machine Learning (ML) และเทคโนโลยี Deep Learning (DL) ได้ถูกนำมาช่วยปรับปรุงประสิทธิภาพการทำงานในด้านต่างๆ เช่น การแก้ไขปัญหาที่เกี่ยวข้องกับการคัดแยกรูปภาพ การตรวจจับวัตถุ การวิเคราะห์การถดถอย การประมวลผลภาษาของมนุษย์ การรวมโมเดลการเรียนรู้ที่หลากหลาย และอื่นๆ เทคนิคเหล่านี้ใช้การทำงานร่วมกันกับชุดข้อมูลที่หลากหลายเข้าด้วยกัน เช่น ข้อความ ข้อมูลล็อก ชุดเวลา รูปภาพ เสียง

กรณีการใช้งาน AI ในธุรกิจค้าปลีก

การใช้งาน AI ในภาคธุรกิจค้าปลีกมุ่งเน้นการแก้ไขปัญหาเรื่องการปรับปรุงประสิทธิภาพในซัพพลายเชน ระดับสินค้าคงคลัง ราคา รวมไปถึงการปรับปรุงประสบการณ์สำหรับลูกค้า

  • กรณีการใช้งาน AI ที่พบเห็นอย่างแพร่หลายในธุรกิจค้าปลีกมีดังนี้ การจัดการซัพพลายเชนและสินค้าคงคลัง: ลำพังเพียงแค่ในทวีปอเมริกาเหนือ ภาวะขาดทุนจากการจัดเก็บสต็อกที่มากเกินไปมีมูลค่าสูงถึง 123.4 พันล้านดอลลาร์/ปี ขณะที่ความสูญเสียจากปัญหาสินค้าหมดสต็อกมีมูลค่าถึง 129.5 พันล้านดอลลาร์/ปี  นี่คือจุดที่หลายๆ บริษัทให้ความสนใจเป็นพิเศษ โดยเฉพาะอย่างยิ่งบริษัทที่มีร้านค้าสาขาจำนวนมากและมีศูนย์จัดส่งสินค้าในภูมิภาคต่างๆ  ทุกวันนี้ร้านค้าปลีกใช้เทคโนโลยี AI เพื่อทำนายเกี่ยวกับความต้องการสินค้า ทำความเข้าใจเกี่ยวกับพฤติกรรมการซื้อ จัดการสินค้าคงคลัง และลดความสูญเสียที่เป็นผลมาจากปัญหาสินค้าค้างสต็อกและปัญหาสินค้าหมดสต็อก โดยเทคโนโลยีดังกล่าวทำหน้าที่วิเคราะห์ช่องว่างในการดำเนินงาน เพื่อคาดการณ์ล่วงหน้าและเติมสต็อกสินค้าในระดับที่เหมาะสมสำหรับแต่ละร้าน รวมไปถึงการจัดวางสินค้าในลักษณะที่เหมาะสม และการจัดกลุ่มสินค้าโปรโมชั่นที่เกี่ยวข้องกัน  ตัวอย่าง: Blue Yonder ผู้นำด้านการจัดหาโซลูชั่น AI สำหรับธุรกิจค้าปลีก ใช้ AI เพื่อลดความสูญเสียจากกรณีสินค้าค้างสต็อกและสินค้าหมดสต็อก
  • การปรับปรุงการกำหนดราคา: เนื่องจากธุรกิจนี้มีส่วนต่างกำไรที่น้อยมาก ดังนั้นการปรับปรุงในเรื่องราคาจึงช่วยเพิ่มรายได้และผลกำไรให้กับองค์กร โดยหมายรวมถึงแต่ไม่จำกัดเฉพาะ (1) การระบุปัจจัยต่างๆ ที่ส่งผลกระทบต่อราคา เช่น สภาพอากาศ สภาพตลาด และดัชนีต่างๆ ภายในร้านค้า (2) การกำหนดระดับราคาที่เหมาะสมสำหรับผลิตภัณฑ์ใหม่ และตอบสนองต่อการกำหนดราคาของคู่แข่งโดยอัตโนมัติ ตัวอย่าง: Einstein Discovery ของ Salesforce เป็นเครื่องมือที่ขับเคลื่อนด้วย AI สำหรับการปรับปรุงการกำหนดราคา และ Wise Athena ใช้ ML เพื่อคาดการณ์ราคาสินค้า/ความต้องการ และวิเคราะห์ว่าราคาอาจส่งผลกระทบอย่างไรบ้างต่อการแย่งส่วนแบ่งตลาดของสินค้า
  •  การค้าปลีกเชิงประสบการณ์และการสื่อสาร: การใช้ AI เพื่อนำเสนอประสบการณ์การช้อปปิ้งที่ดีกว่า โดยค้นหาวิธีการใหม่ๆ ในการดึงดูดลูกค้า และให้คำแนะนำโดยอัตโนมัติโดยใช้เอนจิ้นการแนะนำแบบเฉพาะบุคคล  ร้านค้าที่ไม่มีเคาน์เตอร์ชำระเงินถูกขับเคลื่อนด้วยเทคโนโลยีคอมพิวเตอร์วิทัศน์ (Computer Vision)/การจดจำใบหน้า และ AI  หุ่นยนต์ที่รองรับการสนทนาจะสร้างแผนที่ดิจิตอลและให้บริการภายในอาคารตามสถานที่ที่เกี่ยวข้อง ขณะที่แชทบอทจะช่วยปรับปรุงการให้บริการแก่ลูกค้า และการช้อปปิ้งโดยใช้ระบบสั่งงานด้วยเสียงจะช่วยเพิ่มความสะดวกในการจับจ่ายใช้สอยอย่างเหนือชั้น  ตัวอย่าง: Amazon-Go เป็นร้านค้าแบบไม่มีเคาน์เตอร์ชำระเงิน ซึ่งขับเคลื่อนด้วย AI และการใช้ Alexa ในการเลือกซื้อสินค้าก็ได้รับความนิยมแพร่หลายมากขึ้น  FashionAI เป็นระบบให้คำแนะนำแบบ mix-and-match ที่เหมาะกับลูกค้าแต่ละราย ให้บริการโดย Alibaba  ส่วน Ask-eBay ช่วยเพิ่มความสะดวกในการค้นหาแคตตาล็อกสินค้ากว่า 60 ล้านรายการ รวมถึงการซื้อสินค้าโดยใช้ Google Home

กรณีการใช้งาน AI ในธุรกิจการเงิน

บริษัทที่ปรับใช้เทคโนโลยี AI ในภาคการเงิน ควบคู่ไปกับการดำเนินกลยุทธ์เชิงรุก มีส่วนต่างกำไรในธุรกิจสูงขึ้นอย่างมาก  ทั้งนี้ AI ได้รับการใช้งานในหลากหลายรูปแบบสำหรับบริการด้านธนาคาร ประกันภัย และการลงทุน  ระบบต่างๆ ใช้เทคโนโลยี AI กับแหล่งข้อมูลที่ไม่มีโครงสร้าง เพื่อค้นหาตัวบ่งชี้ที่สำคัญเกี่ยวกับการลงทุนและความเสี่ยงภายในเวลาที่รวดเร็วกว่าวิธีการแบบเดิมๆ

กรณีการใช้งาน AI ที่พบเห็นอย่างแพร่หลายในธุรกิจการเงินมี ดังนี้

  • การตรวจจับการฉ้อโกง: ระบบ AI ใช้การเรียนรู้ตามกฎเกณฑ์และเทคนิคต่างๆ เพื่อแยกแยะ ตีความ ค้นหา และเชื่อมโยงข้อมูลเชิงลึกที่เกี่ยวข้อง เพื่อรองรับการระบุธุรกรรมที่บ่งชี้ถึงแบบแผนของกิจกรรมที่เป็นการฉ้อโกง  มีบริษัทเพียงไม่กี่แห่งที่ใช้ AI เพื่อช่วยให้ธนาคารต่างๆ ทั่วโลกสามารถตรวจสอบข้อมูลที่เก็บไว้ในบันทึกข้อมูลลูกค้า โดยเป็นส่วนหนึ่งของความพยายามในการทำความเข้าใจเกี่ยวกับลูกค้า  ตัวอย่าง: Trifacta และ NiceActimize เป็นสองบริษัทที่ใช้ AI เพื่อตรวจจับการฉ้อโกง ขณะที่ Onfido นำเสนอโซลูชั่นการตรวจสอบตัวตนด้วยการตรวจสอบเอกสารที่ยืนยันตัวตนของบุคคล และเปรียบเทียบกับข้อมูลไบโอเมตริกในส่วนของใบหน้า และอ้างอิงกับฐานข้อมูลเครดิตระหว่างประเทศและรายชื่อบุคคลที่ต้องเฝ้าระวัง  ส่วน ZAML เป็นแพลตฟอร์ม ML ที่พัฒนาโดย ZestFinance ใช้สำหรับให้คะแนนลูกค้าที่มีประวัติเครดิตตามข้อจำกัด
  • ระบบให้คำแนะนำ: กรณีการใช้งานทั่วไปที่เกี่ยวข้องกับบริการด้านการเงิน การประกันภัย และการลงทุน  ระบบดังกล่าวใช้เทคโนโลยี AI ในการเรียนรู้ และนำเสนอคำแนะนำการลงทุนที่เหมาะกับแต่ละบุคคล โดยอ้างอิงเป้าหมายการลงทุนของบุคคลนั้น รวมไปถึงระดับความเสี่ยงที่ยอมรับได้ และสภาพตลาด  โมเดล AI จะถูกฝึกฝนเพื่อช่วยให้ลูกค้าได้รับผลิตภัณฑ์ด้านประกันภัยในระดับที่ถูกต้อง และในทำนองเดียวกัน เทคโนโลยีดังกล่าวจะถูกใช้ในการประมวลผลและกลั่นกรองข้อมูลเชิงลึกจากคำขอกู้ยืม/การจดจำนองและข้อมูลที่เกี่ยวข้อง ตัวอย่าง: Next Best Action จาก Morgan Stanley เป็นแพลตฟอร์ม ML สำหรับที่ปรึกษาที่ต้องการให้คำแนะนำเกี่ยวกับการซื้อ-ขายหลักทรัพย์ และทำงานประจำโดยอัตโนมัติ  ระบบ COIN (Contract Intelligence) ที่ใช้งานโดย JPMC ทำหน้าที่วิเคราะห์เอกสารด้านกฎหมาย และดึงเอาประเด็นข้อมูลและข้อกำหนดที่สำคัญออกมา  ส่วนระบบ AIERA (Artificial Intelligence Equity Research Analyst) จาก Wells Fargo ทำหน้าที่ตรวจสอบติดตามหุ้นและแสดงความเห็นในกรณีที่หุ้นมีราคาปรับขึ้นหรือลดลง
  • บอทสำหรับงานบริการลูกค้า: วิธีการเรียนรู้ที่ใช้ในการตีความและตอบสนองความต้องการและปัญหาของลูกค้าโดยอัตโนมัติ ช่วยเพิ่มประสิทธิภาพและประหยัดค่าใช้จ่ายในธุรกิจธนาคาร ประกันภัย และหลักทรัพย์  โมเดลต่างๆ จะได้รับการฝึกฝนด้วยชุดข้อมูลที่เป็นข้อความ โดยใช้วิธีการประมวลผลภาษาของมนุษย์ (Natural Language Processing - NLP) และโดยทั่วไปแล้วก็มักจะส่งให้เป็นหน้าที่ของสมาร์ทโฟนสำหรับการคาดคะแนชุดข้อความส่วนนี้ให้  ตัวอย่าง: Erica จาก Bank of America เป็นแชทบอทที่ขับเคลื่อนด้วย AI ขณะที่ Wells Fargo ใช้แนวทางที่คล้ายคลึงกัน

กรณีการใช้งาน AI ในด้านกลาโหม/ภาครัฐ

กล่าวอย่างกว้างๆ ก็คือ AI ถูกใช้งานในสองด้านด้วยกัน ได้แก่ การประหยัดค่าใช้จ่ายโดยอาศัยระบบงานอัตโนมัติในหน่วยงานภาครัฐ และการใช้งานในกองทัพ

กรณีการใช้งาน AI ที่พบเห็นอย่างแพร่หลายในภาครัฐมีดังนี้

  • การปรับปรุงประสิทธิภาพและการประหยัดค่าใช้จ่าย: เทคโนโลยีด้านการรู้คิดจะเปลี่ยนแปลงลักษณะของงานต่างๆ ในภาครัฐ โดยปัญหาที่พบเห็นได้ทั่วไปคือ ทรัพยากรที่จำกัด ความจำเป็นในการวิเคราะห์ข้อมูลจำนวนมากเพื่อใช้ในการตัดสินใจ และงานเอกสารมากมายที่บั่นทอนประสิทธิภาพการทำงาน  แอพพลิเคชั่นที่ใช้ AI ช่วยลดความสิ้นเปลือง ลดค่าใช้จ่าย แก้ไขปัญหาข้อจำกัดเกี่ยวกับทรัพยากรโดยอาศัยระบบงานอัตโนมัติ ซึ่งช่วยเพิ่มความถูกต้องแม่นยำในการทำงานได้อีกทางหนึ่ง  ข้อมูลวิจัยของ Deloitte ชี้ว่าการใช้งาน AI ในภาครัฐจะช่วยลดค่าใช้จ่ายด้านแรงงานได้มากถึง 41.1 พันล้านดอลลาร์ในช่วง 5-7 ปี ถ้าหากมีการลงทุนใน AI ในระดับที่สูง
  • กลาโหม: AI และหุ่นยนต์ในตลาดการป้องกันประเทศทั่วโลกมีมูลค่าสูงถึง 39.22 พันล้านดอลลาร์ในปี 2561 และคาดว่าจะเพิ่มเป็น 61 พันล้านดอลลาร์ภายในปี 2570  เทคโนโลยีหุ่นยนต์, NLP, คอมพิวเตอร์วิทัศน์, การรู้จำเสียงพูด เป็นเทคโนโลยีที่จะมีการใช้งานมากที่สุด  ปัจจุบัน โดรนที่ขับเคลื่อนด้วย AI ถูกใช้ในงานด้านข่าวกรอง ขณะที่หุ่นยนต์ที่ขับเคลื่อนด้วย ML ถูกใช้ในงานค้นหาและกู้ภัย และมีการใช้ DL เพื่อสร้างการรับรู้ตามสถานการณ์สำหรับหุ่นยนต์และโดรน  นอกจากนี้ เนื่องจากหน่วยงานของกองทัพมีการปรับเปลี่ยนสู่ดิจิตอลเพิ่มมากขึ้น จึงจำเป็นที่จะต้องได้รับการรักษาความปลอดภัยอย่างเข้มงวด และเตรียมรับมือกับมัลแวร์และการโจมตีในรูปแบบฟิชชิ่งต่อดาต้าเซ็นเตอร์ และเทคโนโลยี AI ถูกใช้ประโยชน์เพิ่มมากขึ้นเพื่อรองรับงานสำคัญๆ เหล่านี้

กรณีศึกษาเกี่ยวกับการตรวจจับการฉ้อโกงโดยใช้ ONTAP AI

นอกเหนือจากกรณีศึกษาเกี่ยวกับกรณีการใช้งาน AI ในกลุ่มอุตสาหกรรมต่างๆแล้ว เรามาลองดูตัวอย่างของการนำแพลตฟอร์ม ONTAP AI ไปใช้งานในภาคส่วนที่เกี่ยวข้องดังต่อนี้

สำหรับกรณีการใช้งานที่เกี่ยวข้องกับภาคการเงิน มีการนำแพลตฟอร์มไปใช้ในการตรวจจับธุรกรรมบัตรเครดิตปลอม เพื่อที่ว่าลูกค้าจะไม่ต้องจ่ายเงินสำหรับสินค้าที่ตนเองไม่ได้เป็นผู้ซื้อ  เราใช้ชุดข้อมูลจาก Kaggle กับธุรกรรมบัตรเครดิตที่ดำเนินการโดยผู้ถือบัตรในยุโรปในช่วงเดือนกันยายน 2556 และ Autoencoders ซึ่งเป็นโครงข่ายประสาทเทียมชนิดหนึ่งที่ใช้ในการเรียนรู้การเขียนโค้ดข้อมูลอย่างมีประสิทธิภาพโดยไม่มีผู้ฝึกสอน

ในการใช้กลไกดังกล่าว เราจำเป็นที่จะต้องกำหนดเส้นแบ่งสำหรับการจำแนกว่าเป็นธุรกรรมที่เข้าข่ายฉ้อโกงหรือไม่  นี่เป็นการตัดสินใจทางธุรกิจที่จะต้องเลือกระหว่างค่า Precision (อัตราส่วนของจำนวนกรณีที่เกี่ยวข้อง กับจำนวนกรณีที่ถูกดึงออกมาทั้งหมด) และค่า Recall (อัตราส่วนของจำนวนกรณีที่เกี่ยวข้องและถูกดึงออกมา กับจำนวนกรณีที่เกี่ยวข้องทั้งหมด) โดยในตัวอย่างของเรา เรามุ่งเน้นที่ค่า Recall ที่สูงกว่า และเลือกค่ามาตรฐานสำหรับการบรรลุค่า Recall ที่ 0.83  แน่นอนว่าค่าเหล่านี้มีลักษณะจำกัดเนื่องจากชุดข้อมูลที่ใช้ แต่ก็แสดงให้เห็นถึงความเป็นไปได้ในการใช้ ONTAP AI

การประยุกต์ใช้งาน AI ในกลุ่มอุตสาหกรรมต่างๆ จำเป็นต้องอาศัยการจัดเก็บข้อมูลที่สอดประสานกันระหว่าง อุปกรณ์ปลายทาง (edge) ศูนย์คอมพิวเตอร์หลัก (core) และระบบคลาวด์ ดังนั้นการจัดการข้อมูลอย่างไร้รอยต่อจึงมีความสำคัญ  องค์กรต่างๆ สามารถเลือกที่จะพัฒนาแอพพลิเคชั่น AI บนระบบคลาวด์สาธารณะหรือระบบที่ติดตั้งภายในองค์กรก็ได้ โดยขึ้นอยู่กับแหล่งข้อมูล ขนาดของชุดข้อมูล และต้นทุนค่าใช้จ่าย  ดูข้อมูลเพิ่มเติมได้ที่  www.netapp.com/ai #AI #ONTAPAI

บทความโดย NET App

RELATED ARTICLE

Responsive image

สัมภาษณ์พิเศษ AWS การใช้ AI และ Machine Learning สร้างประโยชน์ให้ลูกค้า

Techsauce ได้เข้าร่วมงาน Amazon Web Services Summit Singapore 2018 ซึ่งทำให้เรามีโอกาสได้สัมภาษณ์คุณนิค วอลทัน กรรมการผู้จัดการของ AWS และ ดร.ชวพล จริยาวิโรจน์ ผู้จัดการใหญ่ของ AWS...

Responsive image

ทำความรู้จัก AI, Machine learning, Deep learning ฉบับเข้าใจง่าย

ทุกวันนี้ปฎิเสธไม่ได้ว่าหันไปทางไหนก็ได้ยินคนพูดเรื่องปัญญาประดิษฐ์ (AI) หลายคนต่างกังวลว่ามันจะเข้ามาแย่งงานในอนาคตไหม ทำไมบางองค์กรถึงประสบความสำเร็จในการนำเทคโนโลยีนี้มาใช้ แต่ท...

Responsive image

งานจำเจจะถูกแทนที่ด้วย AI แล้วอาชีพไหนจะอยู่รอดในอนาคต? 

Kai-Fu Lee ผู้เขียนหนังสือ “AI Superpowers : China, Silicon Valley and the New World Order” ขึ้นพูดบนเวที TED 2018 ถึงการปฎิวัติด้าน Deep Learning ในจีนและอเมริกา ท่ามกลางกระแส AI ...