เส้นทาง ‘แมชชีน เลิร์นนิ่ง’ ดัน'ซัพพลายเชน'สู่ความอัจฉริยะ

ปัจจุบันเป็นยุคทองของแมชชีน เลิร์นนิ่ง การที่มีความเชื่อมโยงไปสู่การใช้งานอื่นๆ มากมายเกิดขึ้น ยิ่งทำให้เทคโนโลยีแมชชีน เลิร์นนิ่ง กลายเป็นหัวใจสำคัญสำหรับธุรกิจทั่วโลก ไม่ว่าจะอยู่ในอุตสาหกรรมใดก็ตาม

ไอดีซีได้ประเมินไว้ว่า ในปี 2564 การใช้งานเอไอ และเทคโนโลยีด้านการเรียนรู้ได้เหมือนมนุษย์ (cognitive technologies) จะมีมูลค่าเกิน 50,000 ล้านดอลลาร์

องค์กรธุรกิจปัจจุบันจึงแทบไม่ต้องตั้งคำถามว่าควรมีกลยุทธ์ด้านแมชชีน เลิร์นนิ่งหรือไม่ แต่ต้องคิดว่าจะเริ่มใช้แมชชีน เลิร์นนิ่งให้เร็วและเกิดประสิทธิภาพที่สุดได้อย่างไร

สวามิ สิวะสุพรามาเนียน รองประธาน อะเมซอน แมชชีน เลิร์นนิ่ง หรือเอดับบลิวเอส เล่าถึงเส้นทางของการใช้เทคโนโลยีแมชชีน เลิร์นนิ่งที่อะเมซอนว่า เริ่มมาเป็นเวลานานเกิน 2 ทศวรรษแล้ว โดยอะเมซอนได้นำแมชชีน เลิร์นนิ่งมาประยุกต์ในเรื่องการสร้างคำแนะนำส่วนตัวบริหารจัดการซัพพลายเชน และช่วยคาดการณ์เรื่องกระบวนการจัดการคลังสินค้า ปัจจุบันไม่มีฟังก์ชั่นธุรกิจไหนที่ อะเมซอนไม่ได้นำแมชชีน เลิร์นนิ่งมาช่วยสร้างประสิทธิภาพที่ดีขึ้น

4ขั้นสร้างทางลัดสู่แมชชีนเลิร์นนิ่ง

สวามิ กล่าวต่อว่า ไม่ว่าธุรกิจจะเพิ่งเริ่ม หรืออยู่ในช่วงของการเริ่มต้นวางระบบ ให้คำนึงถึง 4 ขั้นตอนสำคัญในการสร้างทางลัดเพื่อให้นำแมชชีน เลิร์นมาใช้ได้สำเร็จ

อันดับแรก คือ ต้องจัดข้อมูลให้เป็นระเบียบ เนื่องจาก 50% ของเวลาที่ใช้ในการสร้างโมเดลด้านแมชชีน เลิร์นนิ่ง จะอยู่ที่ขั้นตอนการเตรียมความพร้อมของข้อมูลก่อนที่จะนำมาประมวลผล ไม่ว่าจะเป็นการแปลงข้อมูลให้อยู่ในรูปแบบที่ง่ายต่อการวิเคราะห์ รวมถึงการกำจัดข้อมูลที่ไม่ถูกต้องออกไป (data cleanup)

การลงทุนอันดับแรก คือ ต้องสร้างกลยุทธ์ด้านข้อมูลที่แข็งแกร่ง เพื่อไม่ต้องเสียเวลาและใช้ทรัพยากรมากเกินไปกับการทำ data cleanup และบริหารจัดการข้อมูล โดยต้องดูว่า ปัจจุบันมีข้อมูลอะไรอยู่บ้าง ข้อมูลไหนที่นำมาใช้ได้ และต่อจากนี้จะต้องเริ่มเก็บข้อมูลอะไร นอกจากนี้ ยังต้องทำให้ทีมงานมีภาพรวมด้านข้อมูลในมุมที่กว้างขึ้น มีการกำกับดูแลการใช้งานข้อมูลที่ดี เพื่อให้ประสบความสำเร็จในระยะยาว

ต้องระบุได้ว่าข้อมูลไหนที่เป็นข้อมูลสำคัญที่จะนำมาทำแมชชีน เลิร์นนิ่ง และหาวิธีจัดเก็บข้อมูลที่ดีที่สุด พร้อมลงทุนด้านเครื่องมือประมวลผลข้อมูลตั้งแต่เนิ่นๆ พร้อมระบุปัญหาธุรกิจให้ถูกจุด โดยประเมินปัญหาใน 3 มิติด้วยกัน คือ ความพร้อม ผลกระทบต่อธุรกิจ และการประยุกต์ใช้แมชชีน เลิร์นนิ่ง เพื่อรู้ว่าจะนำแมชชีน เลิร์นนิ่งมาประยุกต์ใช้กับเรื่องใดและใช้อย่างไร ความเร็วสำคัญพอๆ กับการสร้างคุณค่าให้กับธุรกิจ ดังนั้นจึงควรเน้นที่กรณีการใช้งานเพื่อธุรกิจสำคัญ เพื่อช่วยแก้ปัญหาหรือตอบโจทย์ธุรกิจให้ได้ภายในเวลารวดเร็ว

หนุนวัฒนธรรมอัจฉริยะยุคใหม่

แก่นของแมชชีน เลิร์นนิ่งคือการทดลอง ฉะนั้นองค์กรธุรกิจต้องให้การสนับสนุนวัฒนธรรมด้านแมชชีนเลิร์นนิ่ง รวมถึงต้องผนึกกำลังและผสานงานร่วมกันระหว่างผู้เชี่ยวชาญด้านเทคนิค และผู้เชี่ยวชาญเฉพาะด้านเพื่อแก้ปัญหาของลูกค้าด้วยการมองย้อนกลับไปที่จุดเริ่มต้นของปัญหา การรวบรวมกลุ่มคนที่เหมาะสมยังช่วยลดอุปสรรคด้านวัฒนธรรมที่ต่อต้านการนำเทคโนโลยีมาใช้ โดยช่วยให้ธุรกิจให้การยอมรับได้เร็วขึ้น

“ผู้นำองค์กร ควรหาวิธีช่วยให้ผู้พัฒนาระบบนำกระบวนแมชชีนเลิร์นนิ่งมาใช้ได้ง่าย สนับสนุนให้ทีมงานนำเครื่องมือที่ครอบคลุมเวิร์คโฟลว์ของแมชชีน เลิร์นนิ่งทั้งหมดมาใช้ในการสร้าง ฝึกฝนและปรับใช้โมเดลเหล่านี้ได้อย่างมีประสิทธิภาพ”

ตัวอย่างเช่น ในประเทศไทย ซันเดย์ ซึ่งเป็นบริษัทประกันรูปแบบใหม่ หรือ อินชัวร์เทค เป็นอีกหนึ่งบริษัทที่ตอบรับวัฒนธรรมด้านแมชชีน เลิร์นนิ่ง โดยได้นำเทคโนโลยีเอไอ และ แมชชีน เลิร์นนิ่งมาช่วยวิเคราะห์ข้อมูลแบบเรียลไทม์ ก่อเกิดนวัตกรรมการประกันภัยรูปแบบใหม่ ช่วยลูกค้าได้รับข้อเสนอด้านการประกันที่ยืดหยุ่น ในราคาที่คุ้มค่ากว่าประกันภัยแบบเดิมถึง 20% เช่นประกันการเดินทางที่จ่ายชดเชยกรณีความล่าช้าของสายบินได้แบบเรียลไทม์ ด้วยการเชื่อมต่อกับฐานข้อมูลทางสภาพอากาศและการบิน ทำให้สามารถจ่ายค่าชดเชยให้ลูกค้าได้ทันทีที่มีการล่าช้าตามเงื่อนไขที่กำหนด

หรือกระทั่งบริการประกันสุขภาพรายเดือน และบริการประกันภัยการเดินทางในลักษณะไมโคร ทราเวล อินชัวรันซ์ ที่คิดเบี้ยประกันตามวันเวลาที่มีการเดินทางและประเทศที่ไป ซึ่งเหล่านี้ เป็นผลมาจากความสามารถด้านการประมวลผลของ เอดับบลิวเอส คลาวด์ และแมชชีน เลิร์นนิ่ง ที่ช่วยนำเสนอทางเลือกที่ให้ประโยชน์สูงสุดแก่ลูกค้า และสร้างการนำเสนอบริการที่แตกต่างจากประกันภัยในปัจจุบัน