ถ้าหากองค์กรไม่มี Big Data หรือชุดข้อมูลขนาดใหญ่ แล้วต้องการใช้ AI มาช่วยในการขับเคลื่อนธุรกิจควรจะเริ่มต้นอย่างไร ? บทความนี้ Techsauce ได้สรุปสัมภาษณ์ของ Andrew Ng ผู้ก่อตั้งทีม Google Brain ของ Google และ อดีต Chief Scientist ของ Baidu เสิร์ชเอนจินจากจีน ในงาน EmTech Digital ซึ่งเป็นงานสัมมนาประจำปีด้าน AI ของ MIT Technology Review ที่เขามาร่วมแบ่งบันความรู้และประสบการณ์

สำหรับ Andrew Ng เขายังได้ก่อตั้ง Landing AI บริษัทด้าน AI ที่พยายามหาคำตอบสำหรับธุรกิจที่ไม่มีชุดข้อมูล (Data Set) ขนาดใหญ่ในการใช้ AI กับธุรกิจ ซึ่งเป็นการนำเอาประสบการณ์จากการนำทีม AI ให้กับ Tech Company ระดับโลก และได้พบว่า AI ได้เข้ามาเปลี่ยน Software Consumer Internet อย่าง Web Search และ การโฆษณาออนไลน์ แต่เขาต้องการให้มีการใช้ AI ในอุตสาหกรรมอื่นๆ ด้วย เพราะมันจะมีความสำคัญต่อการขับเคลื่อนเศรษฐกิจเป็นอย่างมาก ดังนั้นเขาจึงเลือกต่อยอด AI ในอุตสาหกรรมภาคการผลิต และหากจะต่อยอดการใช้ AI ให้ดีขึ้น จะต้องนำข้อมูลที่ได้จากช่วงปรับเปลี่ยนองค์กรสู่ดิจิทัลมาทำให้เกิดมูลค่า

ข้อมูลขนาดเล็กก็สามารถใช้ประโยชน์ได้

สำหรับ Andrew เขามองว่า  แม้ว่า AI มีความโดดเด่นในการจัดการชุดข้อมูลขนาดใหญ่ แต่ยังมีพื้นที่สำหรับการเติบโตอีกมาก เพื่อรับมือกับความท้าทายอีกหลากหลายรูปแบบ ยกตัวอย่างโครงการที่น่าตื่นเต้นอย่าง  Visual Inspection ซึ่งเป็นการตรวจสอบผลิตภัณฑ์โดยใช้สายตาและความเชี่ยวชาญของผู้ตรวจสอบ ซึ่งในภาคการผลิตที่ไม่มีโรงงานใดผลิตสมาร์ทโฟนหรือผลิตภัณฑ์ที่มีตำหนิได้ถึงล้านชิ้น แตกต่างจาก Consumer Software Internet ที่อาจจะมีผู้ใช้หลักพันล้านและมีข้อมูลจำนวนมหาศาล ขณะเดียวกัน AI สามารถทำงานกับภาพจำนวนหลักร้อยได้รวมถึงข้อมูลที่มีขนาดไม่ใหญ่มากก็สามารถนำมาใช้ประโยชน์ได้เช่นกัน

จะทำธุรกิจไม่ควรเริ่มจากกลยุทธ์ AI-First

การสร้างธุรกิจที่เน้นการเก็บรวบรวม Data จำนวนมากเพื่อนำมาวิเคราะห์เพื่อพัฒนาผลิตภัณฑ์หรือบริการ หรือที่เรียกว่าธุรกิจแบบ AI First นั้นไม่เหมาะสำหรับการทำธุรกิจ เพราะควรมีการวางแผนการดำเนินงานโดยมีลูกค้าหรือภารกิจเป็นเป้าหมายหลัก หรือกลยุทธ์ Customer-Led และ Mission-Led ซึ่งคุณ Andrew เองแทบจะไม่เคยใช้เทคโนโลยีเป็นตัวนำ หรือที่เรียกว่า Technology-Led

อย่าเสียเวลาจัดการ Big Data แต่ให้โฟกัสที่ Good Data

สำหรับปัญหาข้อมูลมีไม่มากพอหรือมีพอแต่จัดเก็บไม่เป็นระเบียบ ซึ่งเป็นความกังวลที่ทำให้ธุรกิจต้องใช้เวลาหลายปีในการพัฒนาโครงสร้างพื้นฐานด้าน IT เพื่อให้มีข้อมูลที่พร้อมสำหรับการสร้าง AI นั้นไม่ใช่สิ่งที่ควรทำ เนื่องจากแม้แต่บริษัทเทคยักษ์ใหญ่เองก็ไม่ได้คิดว่าข้อมูลของพวกเราเรียบร้อยและสมบูรณ์แบบ และการใช้เวลาสองสามปีไปกับการสร้าง Data Infrastructure หมายความว่าจะขาด Feedback จากทีมพัฒนา AI ที่จะช่วยในการจัดลำดับความสำคัญในการวางโครงสร้างพื้นฐานสำหรับ AI อย่างเหมาะสม

ยกตัวอย่างให้เห็นภาพธุรกิจคงไม่ให้ความสำคัญกับการถามในแบบสำรวจเพื่อให้ได้ข้อมูลเพิ่มขึ้นเพียงเล็กน้อยหากมีผู้ใช้อยู่แล้วเป็นจำนวนมาก หรือในโรงงานคงไม่ให้ความสำคัญกับการอัปเกรดเซนเซอร์ที่บันทึกการสั่นสะเทือนจาก 10 ครั้งต่อวินาทีเป็น 100 ครั้งต่อวินาที แต่มักจะเริ่มจากการทำโปรเจกต์ AI จาก Data ที่มีอยู่แล้ว ซึ่งจะช่วยให้ทีม AI สามารถให้ Feedback เพื่อช่วยในการจัดลำดับความสำคัญของข้อมูลที่ควรจะรวบรวมมาเพิ่มเติมได้ และสิ่งสำคัญคือต้องเปลี่ยน Mindset จาก ‘big’ Data เป็น ‘good’ Data 

Data ที่ดีจะต้องเป็นไปในทางเดียวกัน

ในโปรเจกต์ AI หลายตัว โมเดล Open-Source ที่ดาวน์โหลดจาก GitHub นั้นดีเพียงพอแล้วกับปัญหาที่ต้องจัดการ ซึ่งโมเดล Neural Network นั้นดีพออยู่แล้วไม่ต้องวุ่นวายกับ Code อีกต่อไป สิ่งที่จะทำได้ตอนนี้คือสร้างกระบวนการในการปรับปรุงคุณภาพของข้อมูลซึ่งมักจะส่งผลให้ประสิทธิภาพของอัลกอริทึมดีขึ้นด้วย

ตัวอย่างเทคโนโลยีที่แปลงเสียงพูดให้ออกมาในรูปแบบข้อความหรือ Speech Recognition ซึ่งตอนที่ Andrew ทำงานกับ Voice Search นั้นพบว่าการถอดเสียงออกมาในรูปแบบข้อความนั้นเขียนได้หลายแบบ แต่ปัญหาคือหากคนถอดเสียงที่ทำ Data Labelling แต่ละคนเลือกใช้ข้อความแตกต่างกันไปทำให้เกิดความผิดพลาดของข้อมูลและสร้างความเสียหายให้ระบบ Speech Recognition

ปัจจุบันหากมีผู้ใหญ่หลักล้านหรือพันล้านก็สามารถจัดการกับข้อมูลที่ผิดพลาดได้เพียงแค่เฉลี่ยมันออกมา ซึ่งอัลกอริทึมจะเรียนรู้และสามารถจัดการได้ แต่หากมีชุดข้อมูลขนาดเล็กประมาณหลักร้อย ข้อมูลที่ผิดพลาดจะกระทบกับการแสดงผลอย่างมาก

หรือตัวอย่างในภาคการผลิตอย่างในการผลิตรถยนต์เมื่อเหล็กที่ใช้ผลิตมีตำหนิจะสามารถตรวจสอบได้ด้วยกล้องหรือเทคโนโลยีวิเคราะห์ภาพ แต่ผู้ที่ทำ Data Labelling จะทำแตกต่างกันไป และหากมีชุดข้อมูลขนาดเล็ก สิ่งสำคัญที่สุดอย่างหนึ่งคือจะต้องมั่นใจว่าผู้ตรวจสอบคุณภาพแต่ละคนจะจัดการข้อมูลให้เป็นไปในทางเดียวกัน

ธุรกิจขนาดเล็กสามารถปรับใช้ AI เพื่อยกระดับธุรกิจ

การพัฒนา AI มักจะอยู่ที่การวิจัยเชิงวิชาการ งานสเกลใหญ่ และใช้ทรัพยากรอย่างเข้มข้น ซึ่งยังขาดพื้นที่สำหรับสตาร์ทอัพขนาดเล็กในการมีส่วนร่วม อีกทั้งสื่อส่วนใหญ่มักให้ความสนใจ Corporate หรือสถาบันขนาดใหญ่ แต่เมื่อพิจารณาในงานประชุมวิชาการจะพบว่าผลงานจำนวนมากเป็นของกลุ่มผู้วิจัยขนาดเล็ก หรือห้องปฏิบัติการวิจัย จากการพูดคุยกับตัวแทนจากบริษัทและอุตสาหกรรมที่ต่างๆ พบว่ามี Business Applications มากมายที่สามารถใช้ AI เพื่อจัดการปัญหาได้ 

ทั้งนี้การสร้างระบบ AI ในปัจจุบันยังเป็นแบบ Manual โดยให้วิศวกรด้าน Machine Learning และ Data Scientist ทำงานบนคอมพิวเตอร์จากนั้นจึงนำไปใช้งานจริง ซึ่ง Machine Learning Operation หรือ MLOps จะเป็นมาตรฐานใหม่ที่ช่วยให้กระบวนการสร้างและปรับใช้ AI เป็นระบบมากขึ้น

นอกจากการแก้ปัญหาทางธุรกิจที่มีมูลค่าแล้วบรรดาผู้ใช้ AI ควรพิจารณาถึงปัญหาสังคมด้วยเช่นกัน ว่ามีสิ่งใดที่จะสามารถทำได้ในการแก้ปัญหาที่เป็นประเด็นใหญ่อย่างเช่นการเปลี่ยนแปลงภูมิอากาศ คนไร้บ้าน ไปจนถึงความยากจน 

ให้ความสำคัญทั้งปัจจัยทางเทคนิคและทางธุรกิจ

นอกจากนี้ Andrew ก็มีการเรียนรู้เรื่องธุรกิจด้วยตนเอง รวมถึงช่วยให้ผู้นำทางด้านธุรกิจได้เรียนรู้เกี่ยวกับ AI เช่นกัน จากนั้นจึงระดมสมองในเรื่องของแผนงาน และพิจารณาทั้งด้านเทคนิคและธุรกิจในแต่ละไอเดีย โดยจะพิจารณาว่ามี Data เพียงพอหรือไม่ อะไรคือความถูกต้อง เมื่อนำไปปรับใช้งานจริงมี Long Tail หรือไม่ ดังนั้นต้องทำให้มั่นใจว่าหากปัญหาเกิดขึ้นจะสามารถจัดการได้ และต้องตรวจสอบให้แน่ใจว่าจะสามารถวัดผลตอบแทนจากการลงทุนหรือ ROI ที่คาดหวังไว้ได้

เริ่มให้เร็วคือสิ่งสำคัญ

การเริ่มให้เร็วเป็นสิ่งสำคัญและการเริ่มจากจุดเล็กๆ ก็เป็นเรื่องที่รับได้ ซึ่งแอปพลิเคชันแรกที่มีความหมายกับ Andrew ไม่ใช่ Web Search แต่เป็น Speech Recognition ที่ได้ช่วยทีมของ Google พัฒนาให้มีความแม่นยำขึ้น ดังนั้น Google Map จึงเป็นอีกความร่วมมือใหญ่ที่ใช้ Computer Vision ในการอ่านบ้านเลขที่เพื่อกำหนดพิกัดบ้านบน Google Map 

บริษัทส่วนใหญ่หากเกิดความผิดพลาดก็มักจะล้มเหลวจากการเริ่มต้นใหญ่เกิน มากกว่าจะล้มเหลวเพราะการเริ่มต้นที่เล็กเกินไป ดังนั้นจึงไม่ใช่เรื่องผิดหากองค์กรเริ่มจากการสร้างโปรเจกต์ขนาดเล็กเพื่อเป็นจุดเริ่มต้นให้ได้เรียนรู้ถึงการใช้ AI แล้วจึงนำไปต่อยอดสู่ความสำเร็จที่ใหญ่ขึ้น ซึ่ง AI นั้นเป็นปัจจัยที่ทำให้เกิดพลวัตการเปลี่ยนแปลงในหลายอุตสาหกรรม จึงเป็นโอกาสที่ดีที่จะเริ่มต้นปรับใช้ AI เพื่อนำไปสู่การเปลี่ยนแปลง

บทความนี้สรุปจาก  MIT Technology Review