แม้ว่าการคาดการณ์มูลค่าการใช้จ่ายด้านระบบ AI ในภูมิภาคเอเชียแปซิฟิคโดย IDC จะสูงถึง 17.6 พันล้านดอลลาร์สหรัฐในปีนี้ และประมาณ 32 พันล้านดอลลาร์สหรัฐในอีก 3 ปีข้างหน้า[1] และแม้จะมีการพูดถึง AI ว่าเป็นเหมือนยาครอบจักรวาลที่จะช่วยต่อกรกับปัญหาต่างๆ นานา แต่คำถามที่ยังติดค้างอยู่ในใจของผู้บริหารอีกหลายท่านคือ จริงๆ แล้วบริษัทต่างๆ กำลังใช้ AI ทำอะไรกันแน่ ใช้แล้วได้ผลลัพธ์อย่างไร ด้วยวิธีการใด และนำสู่ความสำเร็จใดบ้าง
การโฆษณาสรรพคุณของ AI อาจทำให้คนเข้าใจเทคโนโลยีนี้แบบผิดๆ และหากกลายเป็นผู้บริหารเสียเองที่ตัดสินใจเรื่องสำคัญๆ ด้วยความเชื่อผิดๆ ที่มีเกี่ยวกับ AI สิ่งที่คิดว่าเป็นการตัดสินใจอย่างถูกต้องแม่นยำบนพื้นฐานของข้อมูลเชิงลึก อาจกลายเป็นความสูญเสียมหาศาลเกินกว่าที่คิด
ความเชื่อหรือความจริง
คุณสวัสดิ์ อัศดารณ กรรมการผู้จัดการใหญ่ บริษัท ไอบีเอ็ม ประเทศไทย จำกัด เล่าว่า เพื่อให้องค์กรตระหนักว่าเรื่องใดกันแน่ที่เป็นความจริงเกี่ยวกับ AI และเรื่องไหนที่เป็นเพียงความเชื่อ สถาบันการศึกษาคุณค่าทางธุรกิจของไอบีเอ็มหรือ IBV จึงได้ร่วมกับ MIT-IBM Watson AI Lab ในการสัมภาษณ์กลุ่มผู้ที่มีความเกี่ยวข้องกับงานด้าน deep learning ในโครงการ AI ในธุรกิจจริงๆ กว่า 35 โครงการทั่วโลก จากกว่า 12 ประเทศ เกี่ยวกับแนวทางในการใช้ AI ขององค์กร รวมถึงเป้าหมาย ความท้าทาย และสิ่งที่ได้เรียนรู้
ผลการศึกษาสะท้อนให้เห็นถึงห้าความเชื่อที่ผิดๆ เกี่ยวกับ AI ประกอบด้วย
ความเชื่อที่หนึ่ง — ทฤษฏีที่ว่า AI มีความเป็น One size fits all แบบเดียวใช้ได้กับทุกที่ทุกงาน
ความจริง
AI เกิดขึ้นได้จากหลายเทคนิค ตัวอย่างเช่น deep learning ที่มักเหมาะกับปัญหาที่เกี่ยวข้องกับข้อมูลมหาศาล ไม่ว่าจะเป็นข้อมูลภาพหรือวัตถุ ข้อมูลที่เป็นภาษา หรือแม้แต่โมเดลการคาดการณ์ต่างๆ โดย deep learning ถูกนำไปใช้ในงานตั้งแต่การตรวจจับการฉ้อโกง ไปจนถึงการพัฒนาผู้ช่วยเวอร์ชวล สำหรับข้อมูลและงานลักษณะนี้ การใช้เทคนิคอย่างดีพเลิร์นนิงอาจให้ผลลัพธ์ดีกว่าการใช้แมชชีนเลิร์นนิง
AI จึงไม่ใช่ One size fits all ที่เหมาะกับทุกปัญหาหรือผลลัพธ์ที่ต้องการ โดยสิ่งที่องค์กรต้องทำคือพิจารณาก่อนว่า AI คือแนวทางที่จำเป็นสำหรับการแก้ปัญหานั้นๆ จริงหรือไม่
ตัวอย่างน่าสนใจคือบริษัทค้าปลีกเสื้อผ้า BESTSELLER ที่พยายามหาแนวทางที่จะช่วยเพิ่มความแม่นยำในการคาดการณ์และทำนายดีมานด์ของผู้ซื้อ เพื่อให้มั่นใจว่าจะขายเสื้อผ้าได้มากที่สุดเท่าที่จะมากได้ แต่เมื่อเรื่องนี้ยากเกินความสามารถของเทคนิคอนาไลติกส์แบบเดิมๆ ทางบริษัทจึงได้นำอัลกอริธึม deep learning ที่มีความสามารถในการจำแนกรูปภาพ (convolutional neural network หรือ CNN) เข้ามาช่วยจำแนกภาพและจัดกลุ่มของเสื้อผ้าประเภทต่างๆ ตามฟีเจอร์ ซึ่งเป็นความสามารถที่ระบบเก่าทำไม่ได้ สิ่งนี้ช่วยเพิ่มประสิทธิภาพในการขายถึง 82% และลดจำนวนดีไซน์ตัวอย่างที่ต้องใช้ลงได้ 15% อีกทั้งยังนำสู่ผลลัพธ์เชิงบวกในแง่สิ่งแวดล้อม เพราะปริมาณสินค้าลดราคา สินค้าที่ต้องโละไปบริจาค หรือสินค้าที่ต้องทิ้ง ก็ลดลงไปด้วย
ความเชื่อที่สอง – ถ้าไม่ใช่ deep learning ก็ไม่ใช่ AI ของจริง
ความจริง
วันนี้องค์กรขนาดใหญ่หลายแห่งกำลังพยายามแก้ปัญหาทางธุรกิจและแสวงหาคุณค่าที่จะต่อยอดธุรกิจของตนผ่านการใช้เทคโนโลยีอย่างผสมผสาน ไม่ว่าจะเป็น data science, machine learning แบบดั้งเดิม, deep learning หรือเทคนิคการวิเคราะห์ข้อมูลอื่นๆ
ความก้าวล้ำของงานวิจัย AI ในช่วงทศวรรษที่ผ่านมาส่วนใหญ่เป็นเรื่องของ deep learning ยิ่งมีการเติบโตก้าวกระโดดของโซเชียลมีเดีย การเสิร์ช อีคอมเมิร์ซ สตรีมมิ่ง รวมถึงแพลตฟอร์ม B2C ต่างๆ ที่นำ deep learning มาใช้กับโมเดลธุรกิจ ยิ่งทำให้คนเข้าใจไปว่าหากไม่ใช่ deep learning แปลว่าไม่ใช่ AI
แต่จริงๆ แล้ว deep learning เป็นเพียงแค่หนึ่งในเครื่องมือ enterprise analytics ที่ช่วยต่อยอด AI
ตัวอย่างที่น่าจะช่วยให้เห็นภาพคือเคสของ KPMG ที่ได้จัดแฮคกะธอนภายในองค์กรเพื่อหาแนวทางที่ดีที่สุดในการลดงานแมนวลในการจัดการเอกสารที่เกี่ยวกับโครงการวิจัยและพัฒนา การลงทุน และเครดิตภาษี โดย KPMG พบว่าซอฟต์แวร์สามารถช่วยเรื่องดังกล่าวได้ด้วยความถูกต้องแม่นยำที่ 55% ขณะที่ deep learning ทำได้ 70% แต่แนวทางที่มีความถูกต้องแม่นยำเกิน 85% ซึ่งมากที่สุด กลับกลายเป็นการใช้ machine learning แบบ rule-based
ความสำเร็จในการออโตเมทกระบวนการงานข้างต้น นำสู่การทำงานที่มีประสิทธิภาพมากขึ้น ช่วยลดค่าใช้จ่ายด้านภาษีให้กับลูกค้าแต่ละรายได้หลายล้านดอลลาร์สหรัฐ แถมช่วยให้ลูกค้ารายหนึ่งได้เครดิตภาษีเพิ่มถึง 40% จากค่าใช้จ่ายด้านวิจัยและพัฒนา
ความเชื่อที่สาม – AI ช่วยลดต้นทุน
ความจริง
การลดต้นทุนไม่ใช่เรื่องเดียวที่ AI ทำได้ เพราะวันนี้องค์กรหลายแห่งกำลังใช้ AI เพื่อสร้างความได้เปรียบในการแข่งขัน เสริมประสิทธิภาพให้กับกระบวนการต่างๆ สร้างการเติบโตให้กับองค์กร และต่อยอดนวัตกรรมขององค์กรตน
IBV เปิดเผยผลการศึกษาที่ชี้ให้เห็นว่าการใช้ AI เพื่อสร้างการเติบโตโดยเน้นลูกค้าเป็นศูนย์กลาง คือแนวทางการนำ AI ไปใช้ที่องค์กรมองว่าให้ประสิทธิผลสูงที่สุด
ตัวอย่างที่ให้ภาพได้ดีคือเคสของ IFFCO-Tokio ที่ใช้ deep learning ในการจำแนกรุ่นรถ ชิ้นส่วนที่เสียหาย และรูปแบบความเสียหาย โดยระบบ AI สามารถวิเคราะห์ได้ว่าชิ้นส่วนใดที่ซ่อมได้หรือส่วนไหนต้องซ่อม พร้อมทั้งประเมินราคาให้ โดยการทำงานทั้งหมดจะมีการแจ้งให้เจ้าหน้าที่ทราบไปด้วยพร้อมๆ กันเพื่อป้องกันการฉ้อโกง โครงการดังกล่าวคุ้มทุนภายในเวลาไม่ถึงปี โดยต้นทุนในการตกลงสินไหมลดลงถึง 40% อัตราการรับข้อตกลงของลูกค้าเพิ่มจาก 30% เป็น 65% ขณะที่ความพึงพอใจของลูกค้าเพิ่มขึ้น สามารถรักษาลูกค้าที่มีอยู่ได้มากขึ้น และมีลูกค้าเพิ่มขึ้น
ความเชื่อที่สี่ – ไม่มี shortcut สำหรับ AI
ความจริง
แม้ว่าการใช้โมเดล AI จะต่างไปตามอุตสาหกรรมและฟังก์ชันงาน แต่วันนี้มีโมเดล AI ที่ได้รับการเทรนไว้แล้วและพร้อมใช้ ออกวางจำหน่ายในราคาคุ้มค่า เพื่อเป็นจุดเริ่มต้นให้กับนักวิทยาศาสตร์ข้อมูล
ผลการศึกษาชี้ให้เห็นว่า สิ่งที่องค์กรคิดว่าต้องทำเพื่อให้สามารถนำเทคโนโลยี AI มาใช้ได้อย่างเต็มประสิทธิภาพ อย่างการมีทีมงานที่มีทักษะด้านการวิเคราะห์ข้อมูลนั้น ถือเป็นเรื่องจำเป็นแต่ก็ยังไม่พอ ที่ผ่านมานักวิทยาศาสตร์ข้อมูลพยายามฝึก AI ด้วยชุดข้อมูลที่แตกต่างออกไปตามโจทย์ของแต่ละองค์กร แต่ปัญหาทางธุรกิจแต่ละอย่าง ก็ต้องใช้โมเดล AI ที่ต่างกันออกไป การทำงานในแต่ละโครงการจึงไม่ต่างกับการเริ่มต้นใหม่
จนเมื่อไม่นานมานี้ AI shortcut เริ่มเข้ามามีบทบาทในการช่วยให้องค์กรนำโซลูชัน AI มาใช้ได้อย่างมีประสิทธิภาพมากขึ้น โดยการนำโมเดล AI ที่ได้รับการเทรนสำหรับงานหนึ่ง มาปรับใช้กับอีกงานหนึ่ง ตัวอย่างเช่น การนำโมเดลที่สามารถจำแนกภาพรถยนต์ได้มาใช้กับรถบรรทุก เป็นต้น
ความเชื่อที่ 5 – AI ช่วยแก้เฉพาะปัญหาที่องค์กรกำลังเผชิญอยู่
ความจริง
ผลลัพธ์จากการใช้ AI ในอีโคซิสเต็มทั้งภายในและภายนอกองค์กรก่อให้เกิดคุณค่าทางธุรกิจในวงกว้าง
ข้อมูลมหาศาลที่เติบโตขึ้นเรื่อยๆ หากนำมาใช้อย่างมีกลยุทธ์ ย่อมช่วยให้องค์กรเติบโตได้ ไม่เพียงในแง่การเงินหรือผลประกอบการ แต่ยังต่อยอดการสร้างนวัตกรรม และเมื่อพิจารณารวมถึงผลลัพธ์ที่หลายองค์กรได้รับ ย่อมหมายถึงผลในเชิงเศรษฐกิจในภาพใหญ่
ผลวิเคราะห์ชี้ให้เห็นว่าการลงทุนด้าน AI ในงานปฏิบัติการของแผนกหนึ่ง มีแนวโน้มที่จะช่วยเพิ่มความสามารถในการปรับตัวและความยืดหยุ่นฟื้นตัวเร็วให้กับส่วนงานอื่นๆ ขององค์กรด้วย ตัวอย่างเช่น การนำ data governance และนโยบายสิทธิในการเข้าถึงข้อมูลมาใช้กับแผนกการเงิน ย่อมส่งผลถึงส่วนงานอื่นๆ ที่ต้องประสานงานกันตลอดทั้งเวิร์คโฟลว ยิ่งเป็นแผนกที่เป็นคอร์หลักขององค์กรอย่างไอที หรือทรัพยากรบุคคล ยิ่งส่งผลในวงกว้าง
ทรานส์ฟอร์เมชันต้องอิงกับความจริง ไม่ใช่ความเชื่อ
ผลการศึกษา Global AI Adoption Index ล่าสุดของไอบีเอ็ม ระบุว่าองค์กร 35% เริ่มนำ AI มาใช้ในธุรกิจแล้ว (เทียบกับเพียง 13% ในปีที่ผ่านมา) ขณะที่องค์กร 42% กำลังศึกษาแนวทางในการนำ AI มาใช้
คุณค่าที่ AI สามารถสร้างให้แก่องค์กร ไม่ว่าจะเป็นผลลัพธ์ในด้านการเงิน เศรษฐศาสตร์ หรือสังคม จะเกิดขึ้นได้จริงก็ต่อเมื่อองค์กรใช้ความสามารถของ AI ในการขับเคลื่อนนวัตกรรมอย่างมีกลยุทธ์ และลงมือใช้งานอย่างเป็นรูปธรรม
แต่การเริ่มต้นที่สำคัญที่สุด คือองค์กรต้องเข้าใจอย่างถ่องแท้ถึงความสามารถและประโยชน์ของ AI ต้องตั้งคำถามว่าแท้จริงแล้วจำเป็นหรือไม่ที่ต้องนำ AI มาใช้กับปัญหาที่กำลังเผชิญอยู่ องค์กรต้องไม่หลงกลไปกับกับดักความเชื่อที่ทำให้เข้าใจศักยภาพของ AI ผิดไป เพราะนั่นอาจส่งผลให้องค์กรไม่ได้รับประโยชน์ที่แท้จริงจากการนำ AI มาใช้ และสูญเสียโอกาสที่ควรได้รับจากการลงทุนด้าน AI
[1] IDC’s Worldwide Artificial Intelligence Spending Guide
