‘Traditional AI’ vs ‘Generative AI’ แนวทางไหน ‘คุ้มค่า’ มากที่สุด

‘Traditional AI’ vs ‘Generative AI’ แนวทางไหน ‘คุ้มค่า’ มากที่สุด

“เบลนเดต้า” เผยเทรนด์Generative AIมาแรง ภาคธุรกิจตื่นตัวเตรียมประยุกต์ใช้ในหลายด้านมองระยะแรกองค์กรอาจพบปัญหาค่าใช้จ่ายสูง ตัวเลือกผู้ให้บริการในตลาดยังมีน้อย แถมมีความเสี่ยงผลลัพธ์ไม่คุ้มค่า แนะองค์กรใช้ AI แบบดั้งเดิม ควบคู่กัน

KEY

POINTS

  • Generative AI ถูกยกเป็นวาระของผู้บริหารองค์กร
  • การประยุกต์ใช้ GenAI โดยทันทีอาจยังมีข้อจำกัดและได้ผลลัพธ์ไม่คุ้มค่า
  • องค์กรต้องพิจารณาและวางแผนอย่างรอบคอบ เพื่อไม่ให้การลงทุนสูญเปล่า ทั้งด้านค่าใช้จ่าย เวลา และทรัพยากรบุคคล
  • การลงทุน Traditional AI (AIแบบดั้งเดิม) ควบคู่กัน เป็นอีกหนึ่งเลือกที่เหมาะสมกับองค์กร

ณัฐนภัส รชตะวิวรรธน์ ประธานเจ้าหน้าที่บริหารและผู้ร่วมก่อตั้ง บริษัท เบลนเดต้า จำกัด (Blendata)ผู้พัฒนาเทคโนโลยีบริหารจัดการบิ๊กดาต้าอัจฉริยะวิเคราะห์ว่า ช่วงปีที่ผ่านมา เทรนด์การใช้Generative AIเป็นกระแสที่ถูกพูดถึงและมาแรงอย่างมาก

ด้านภาคอุตสาหกรรมต่างตื่นตัวและมีแผนลงทุนเพื่อนำไปประยุกต์ใช้ในองค์กรมากขึ้น จากรายงานของการ์ทเนอร์ระบุว่าในช่วงปีที่ผ่านมา Generative AI ถูกยกเป็นวาระของผู้บริหารองค์กร โดยในหลายองค์กรได้เริ่มนำร่องประยุกต์ใช้เทคโนโลยีนี้แล้ว 

เผชิญ '2 มิติ' ความท้าทาย

เบลนเดต้ามองว่า การประยุกต์ใช้ Generative AI มีความท้าทาย ใน 2 มิติสำคัญ ได้แก่ 1. การลงทุนและค่าใช้จ่ายที่สูง การพัฒนาและการใช้ Generative AI ในช่วงแรกนั้นยังคงมีค่าใช้จ่ายที่สูงมาก

ไม่ว่าจะเป็นการลงทุนกับเทคโนโลยี การบำรุงรักษาระบบ การเตรียมข้อมูลที่มีคุณภาพสูงและมีปริมาณมาก เพื่อให้โมเดลเรียนรู้ได้ดี ซึ่งการนำไปประยุกต์ใช้กับหลายๆ ยูสเคสซึ่งอาจมีความเสี่ยงด้านต้นทุนที่สูงแต่ได้ผลลัพธ์ที่ไม่คุ้มค่า

ขณะที่ 2. ตัวเลือกผู้ให้บริการในตลาดยังมีน้อย ปัจจุบันการพัฒนา Generative AI ยังเรียกได้ว่าอยู่ในช่วงเริ่มต้น ทำให้มีจำนวนผู้ให้บริการในตลาดเพียงไม่กี่ราย ผู้ให้บริการที่ให้ใช้บริการฟรีที่มีประสิทธิภาพก็ยังมีจำนวนน้อย หากตัดสินใจลงทุนโดยไม่วางแผนให้ถี่ถ้วนอาจทำให้ขาดทุนจากต้นทุนค่าบริการที่สูงมากได้

ดังนั้นองค์กรจึงต้องพิจารณาและวางแผนอย่างรอบคอบ เพื่อไม่ให้การลงทุนสูญเปล่าทั้งด้านค่าใช้จ่าย เวลา และทรัพยากรบุคคล

จากประสบการณ์ยูสเคสด้าน Generative AI ที่คุ้มค่าแก่การลงทุนและมีการวัดผลแล้วว่าสามารถสร้างประโยชน์ได้จริงมีเพียง 3 ยูสเคส คือ 1.Virtual Assistant:ทดแทนChatbotแบบดั้งเดิม 2. เพิ่มความสามารถระบบKnowledge Management System (KMS)ขององค์กร 3. เพิ่มศักยภาพงานด้านDay-to-Day Operation ขององค์กร

แนะใช้ Traditional AI คู่กัน

การประยุกต์ใช้ Generative AI โดยทันทีอาจยังมีข้อจำกัดและได้ผลลัพธ์ที่ไม่คุ้มค่า องค์กรควรพิจารณาเทคโนโลยี ANI (Artificial Narrow Intelligence)หรือTraditional AI (AIแบบดั้งเดิม) ควบคู่กัน เพื่อเลือกแนวทางที่เหมาะสมกับองค์กรมากที่สุด

โดยเฉพาะอย่างยิ่งองค์กรที่มองหาการใช้งานจริงในทันทีและผลลัพธ์ที่วัดผลได้ในต้นทุนที่เหมาะสม การเริ่มต้นด้วย ANI อาจตอบโจทย์มากกว่า

‘Traditional AI’ vs ‘Generative AI’ แนวทางไหน ‘คุ้มค่า’ มากที่สุด ที่ผ่านมา ANI มีข้อพิสูจน์อย่างเป็นรูปธรรมจาก Case Study ของบริษัทระดับโลกมากมาย ไม่ว่าจะเป็น Netflix, Starbucks, Facebook, Tesla, Apple และอื่นๆ อีกมากมาย ที่ล้วนแล้วแต่นำเทคโนโลยี AI มาปรับใช้เพื่อเพิ่มประสิทธิภาพให้กับธุรกิจในรูปแบบต่างๆ ที่น่าสนใจเช่น

ระบบการแนะนำ (Recommendation Systems): ขับเคลื่อนอัลกอริทึมระบบการแนะนำของแพลตฟอร์มสตรีมมิงต่างๆ เช่น สตรีมมิงภาพยนตร์ เพลง เว็บไซต์อีคอมเมิร์ซ หรือเครือข่ายโซเชียลมีเดีย

การตรวจจับการฉ้อโกงและเพิ่มความปลอดภัย (Fraud Detection and Security Enhancement): ปรับปรุงระบบการตรวจจับการฉ้อโกงในอุตสาหกรรมธนาคาร การเงิน และช่วยเพิ่มความปลอดภัยทางไซเบอร์ ด้วยการวิเคราะห์รูปแบบและความผิดปกติในชุดข้อมูลขนาดใหญ่สามารถระบุกิจกรรมการฉ้อโกง ตรวจจับพฤติกรรมที่น่าสงสัย และปรับปรุงมาตรการรักษาความปลอดภัยโดยรวมได้อย่างทันท่วงทีและมีประสิทธิภาพ

การวิเคราะห์เชิงคาดการณ์ (Predictive Analytics): วิเคราะห์เชิงคาดการณ์โดยการวิเคราะห์ข้อมูลในอดีตเพื่อคาดการณ์แนวโน้ม ผลลัพธ์ หรือพฤติกรรมในอนาคต ความสามารถนี้ถูกนำไปใช้กับการทำงานในอุตสาหกรรมต่างๆ เช่น การเงิน (การคาดการณ์ตลาดหุ้น) การดูแลสุขภาพ (การคาดการณ์การระบาดของโรค) และการตลาด (การคาดการณ์พฤติกรรมลูกค้า) เป็นต้น

การปรับปรุงกลยุทธ์ทางการตลาด (Personalization in Marketing): ปรับแต่งเนื้อหา โฆษณา และข้อเสนอส่งเสริมการขายตามความต้องการส่วนบุคคล

การเพิ่มประสิทธิภาพห่วงโซ่อุปทาน (Supply Chain Optimization): เพิ่มประสิทธิภาพการจัดการห่วงโซ่อุปทาน โดยการวิเคราะห์ข้อมูลที่เกี่ยวข้องกับสินค้าคงคลัง การคาดการณ์ความต้องการ โลจิสติกส์การขนส่ง และประสิทธิภาพของซัพพลายเออร์

การบำรุงรักษาเชิงคาดการณ์ในภาคอุตสาหกรรมการผลิต (Predictive Maintenance): ใช้ข้อมูลเซ็นเซอร์และข้อมูลประวัติการบำรุงรักษา เพื่อคาดการณ์แนวโน้มความเสียหายของเครื่องจักรล่วงหน้า ช่วยลดความเสี่ยงของเหตุการณ์เครื่องจักรหยุดทำงาน ลดเวลาในการซ่อมบำรุง ค่าใช้จ่ายในการซ่อมแซม และเพิ่มประสิทธิภาพของการผลิต

การแบ่งกลุ่มลูกค้าและวิเคราะห์ลูกค้าเชิงลึก (Customer Segmentation & Analytics) : ใช้ข้อมูลลูกค้าที่เกี่ยวข้อง เช่น ประวัติการซื้อ พฤติกรรมการใช้งานเว็บไซต์ หรือข้อมูล Demographics เพื่อแบ่งกลุ่มลูกค้าออกเป็นกลุ่มที่คล้ายคลึงกัน ทำให้องค์กรสามารถสร้างกลยุทธ์การตลาดและการขายที่เชื่อถือได้ พร้อมตอบสนองต่อความต้องการของลูกค้าแต่ละกลุ่มได้ดีขึ้น

“การเลือกใช้หรือตัดสินใจลงทุนต้องขึ้นอยู่บริบทขององค์กร ธุรกิจควรประเมินความต้องการอย่างถี่ถ้วน พิจารณาถึงประโยชน์และความท้าทายที่อาจเกิดขึ้นของแต่ละแนวทาง รวมถึงผลตอบแทนในการลงทุน (ROI) และพัฒนากลยุทธ์ที่สอดคล้องกับเป้าหมายและลำดับความสำคัญระยะยาว” ณัฐนภัส กล่าวทิ้งท้าย