ยกระดับการทำธุรกิจดิจิทัลด้วยโมเดลแบบ “AI Factory”

ถ้าเทียบกับสมัยก่อนที่กระบวนการผลิตจะกลายเป็นระบบอัตโนมัติ ปัจจุบันการวิเคราะห์และการตัดสินใจก็สามารถเป็นระบบอัตโนมัติได้เช่นเดียวกัน ทำให้พนักงานไม่ต้องมาเสียแรงเสียเวลาไปกันการลงมือผลิต วิเคราะห์และตัดสินใจกับงานที่ซ้ำๆเดิมๆหลายๆครั้ง

AI Factory พูดง่ายๆคือกลไกที่ช่วยวิเคราะห์และตัดสินใจในเรื่องต่างๆที่เกิดขึ้นซ้ำๆ เราคงไม่ต้องมานั่งลงมือประมูลพื้นที่โฆษณาบน Facebook หรือลำดับโฆษณาบน Google เอง Amazon ก็ไม่ต้องมาให้พนักงานอัพเดทราคาสินค้ากันรายวัน

วัฎจักรของ AI Factory

ซึ่ง AI Factory จะเริ่มจากลูกค้ามาซื้อสินค้าและบริการเป็นประจำ บริษัทก็จะเก็บข้อมูล เอาไปให้อัลกอริธึ่มของ AI ไปวิเคราะห์ เรามีหน้าที่พัฒนาสินค้าและบริการให้ดีความเดิม ตามข้อมูลที่วิเคราะห์มาแล้ว เมื่อมีสินค้าและบริการที่ดีไปเรื่อยๆ ลูกค้าทั้งขาประจำและหน้าใหม่ก็ซื้อมาใช้ซ้ำ บริษัทก็จะมีข้อมูล เอาไปป้อนให้ AI ได้เรียนรู้และพัฒนาการวิเคราะห์ประมวลผลได้ดีขึ้น วนแบบนี้ เป็น Vicious Cycle ไปเรื่อยๆ

ยกตัวอย่างเช่น Google เวลามีคนมาพิมพ์ Keyword ในช่องค้นหา อัลกอริธึ่มของ Google ก็จะทำนายคำเต็มๆของ Keyword ที่ลูกค้าต้องการเห็นคืออะไรใน Auto-suggested Box แล้วเสริฟด้วยโฆษณาและเว็บไซต์ที่ตรงกับความต้องการของคนๆนั้น ซึ่งแต่ละวัน คนค้นหาสิ่งที่ตัวเองต้องการใน Google เยอะมากอยู่แล้ว ทำให้ Google แสดงโฆษณาและเว็บไซต์ได้ตรงความต้องการได้ดีขึ้น คนก็ยิ่งใช้ Google มากขึ้น อัลกอริธึ่มของ Google ก็จะทำนายเว็บไซต์และโฆษณาที่เราอยากเห็นได้ตรงมากขึ้น วนไป

องค์ประกอบของ AI Factory ที่ไม่ได้มีแค่ AI

เพราะธุรกิจดิจิทัลมีลูกค้ามาใช้สินค้าและบริการอยู่เป็นประจำ ฉะนั้นธุรกิจดิจิทัลจะต้องเริ่มจากการจัดการข้อมูล (Data Pipeline) แล้วค่อยพัฒนาอัลกอริธึ่ม (Algorithm Development) มีแพลตฟอร์มเพื่อทดลองวิธีแก้ไขปัญหาในรูปแบบของสินค้าและบริการ (Experiment Platform) ทั้งหมดนี้จะมีซอฟท์แวร์ที่โครงสร้างพื้นฐานคอยสนับสนุนอยู่ (Software Infrastructure)

1. การจัดการข้อมูลในรูปแบบของ Data Pipeline

เป็นด่านแรกของ AI Factory เลย คือต้องจัดเก็บข้อมูลจากคนใช้บริการใช้สินค้า แก้ไขข้อมูลที่ผิดพลาด (Data Cleaning) ทำ Data Normalization และประสานข้อมูล (Data Integration) เปรียบขั้นตอนนี้เหมือนท่อลำเลียงข้อมูลที่มีคุณภาพส่งต่อให้อัลกอริธึ่มเอาไปวิเคราะห์ต่อไป

ความท้าทายของ Data Pipeline ก็คือความลำเอียงและอคติของตัวข้อมูลที่ได้เก็บรวบรวมมา หลายๆครั้งข้อมูลไม่ตรงกัน บางครั้งข้อมูลตกหล่นไป เพราะไม่อย่างนั้น หากเอาไปให้อัลกอริธึ่มของ AI วิเคราะห์ต่อ ก้จะทำนายผลลัพธืออกมาได้ไม่แม่นยำและไม่น่าเชื่อถือ

2. การพัฒนาอัลกอริธึ่ม (Algorithm Development)

คำว่าอัลกอริธึ่ม (Algorithm) คือชุดของกฎเกณฑ์ขั้นตอนที่เครื่องจักรหรือ Machine ทำตามเพื่อใช้ข้อมูล (ที่ได้จาก Data Pipeline) เอามาตัดสินใจ ทำนายผลลัพธ์ แก้ปัญหาเฉพาะเรื่องไป

ยกตัวอย่างเช่น Netflix จะสามารถทำนายได้อย่างไรว่าลูกค้าคนไหนจะยกเลิกใช้บริการ ก่อนอื่นก็ต้องดูลักษณะของคนที่ยังดูคอนเทนต์ของ Netflix อยู่เรื่อยๆ ดูว่าลูกค้าแต่ละคนดูคอนเทนต์อะไร บ่อยแค่ไหน ลูกค้าอยู่ที่ไหน อายุเทาไหร่ เพศอะไร รวมถึงความสัมพันธ์กับคนอื่นๆที่ดู Netflix

ข้อูลพวกนี้พอผ่าน Data Pipeline แล้ว Netflix ก็เอาไปป้อนให้ AI ที่มีอัลกอริธึ่ม เอาทำนายว่าลูกค้าคนไหนที่มีแนวโน้มจะเลิกดู ทำให้ Netflix สามารถยื่นข้อเสนอให้ลูกค้าพวกนี้ให้ต่ออายุสมาชิก

3. แพลตฟอร์มเพื่อทดลองสินค้าและบริการ (Experiment Platform)

เพราะต่อให้เราวิเคราะห์ข้อมูล ทำนายผลลัพธ์ผ่าน AI แต่ AI ไม่ได้ฟันธงวิธีแก้ไขปัญหา ไม่ได้ฟันธงว่าสินค้าและบริการแบบไหนที่จะตอบโจทย์ เราถึงต้องมี Experiment Platform มีการทำ A/B Test เพื่อทดสอบว่าสินค้าและบริการที่จะพัฒนาใหม่นั้น ตอบโจทย์ธุรกิจหรือไม่

แนวคิด A/B Test จะเอาวิธีการทดลองทางวิทยาศาสตร์มาใช้ คือเลือกกลุ่มตัวอย่างมาอย่างน้อย 2 กลุ่มคือกลุ่มที่ได้รับการทดลอง (Treatment Group) ซึ่งจะมีมากกว่าหนึ่งกลุ่มก็ได้ แต่ละกลุ่มก็ได้รับการทดลองที่ต่างกัน กับกลุ่มที่ไม่ได้รับการทดลองอะไรเลย เป็น Control Group ไป แล้วมาเทียบผลการทดลองกันว่าผลลัพธ์เป็นอย่างไร

ยกตัวอย่างของ Netflix เช่นเดียวกัน Netflix อาจจะแบ่งกลุ่มคนที่มีแนวโน้มที่จะยกเลิกใช้บริการ Netflix เป็น Control Group กับ Treatment Group หลายๆกลุ่ม แต่ละกลุ่มก็อาจจะได้ข้อเสนอที่อาจจะทำให้ตัดสินใจต่ออายุสมาชิก ข้อเสนอก็จะแตกต่างกัน จากนั้นก็มาดูว่ากลุ่มไหนต่ออายุข้อเสนอมากกว่ากัน หรือนานกว่ากัน

และการทดลองที่ว่า ต้องทดลองหลายๆครั้งจนกว่าจะได้ข้อเสนอ ได้สินค้า หรือบริการที่ตอบโจทย์ลูกค้ามากที่สุด แล้วถึงจะผลิตขายออกไป

4. ซอฟท์แวร์โครงสร้างพื้นฐาน (Software Infrastructure)

3 ขั้นตอนที่ผ่านมาล้วนต้องพึ่งโปรแกรม ซอฟท์แวร์ แอปพลิเคชั่นต่างๆ มี API ที่ไว้เข้าถึงข้อมูลในและนอกบริษัท ความปลอดภัยในการเก็บรักษาข้อมูล หรือแม้แต่ประเด็นอื่นๆที่ส่งเสริม 3 ขั้นตอนก่อน

เช่นวัฒนธรรมองค์กรที่อำนวยในการสื่อสารแลกเปลี่ยนข้อมูลกัน บางบริษัทมีแผนกแยกออกกันชัดเจน จนไม่มีการสื่อสารระหว่างกันเลยก็มี เหล่านี้เป็นอุปสรรคของ 3 ขั้นตอนแรกทั้งหมด

ฉะนั้นเวลาเราพูดว่าเราจะเอา AI มาใช้ธุรกิจ เราต้องคิดถึงเสมอว่าเพียงแค่เอา AI มาใช้ในธุรกิจอย่างเดียวไม่พอ เพราะมันไม่เหมือนเอาเครื่องยนต์มาเสียบปลั๊กแล้วใช้งานได้เลย เราต้องมีการจัดการข้อมูลให้ได้ข้อมูลที่มีคุณภาพก่อนป้อนให้อัลกอริธึ่ม มีการทดลองสินค้าและบริการหลังอัลกอริธึ่มทำนายผลลัพธ์  และมีโครงสร้างพื้นฐานที่จำเป็น องค์ประกอบพวกนี้จะอยู่ใน AI Factory ที่ช่วยพัฒนาการดำเนินงานธุรกิจดิจิทัล

แหล่งอ้างอิงส่วนหนึ่งจาก AI Factory โดย Marco Iansiti แบะ Karim R. Lakhani จาก Competing in the Age of AI