กรุงเทพฯ, ประเทศไทย 12 กุมภาพันธ์ 2563 – จากรายงานการสำรวจ Gartner 2020 CIO Agenda Survey ถึงความต้องการของผู้บริหารระดับสูงด้านเทคโนโลยีสารสนเทศ (Chief Information Officer หรือ CIO) ประจำปี 2563 พบว่าองค์กรธุรกิจชั้นนำต่างคาดว่าจำนวนโครงการด้าน AI จะเพิ่มขึ้นเป็นสองเท่าภายในปีหน้า และกว่า 40% วางแผนจะนำโซลูชั่น AI มาปรับใช้อย่างจริงจังภายในสิ้นปี 2563 นี้  ทว่าความเป็นจริงแล้วองค์กรธุรกิจส่วนใหญ่ยังต้องเผชิญหน้ากับความท้าทายในการนำ AI มาปรับใช้ในองค์กรอยู่ ทำให้การดึงศักยภาพที่แท้จริงของเทคโนโลยี AI มาสร้างมูลค่าให้กับธุรกิจยังอยู่ในวงจำกัด

“การเปิดทดลองใช้งาน AI นั้นดูเหมือนเรื่องง่าย แต่การใช้งานให้เกิดประสิทธิภาพจริงนั้นกลับเป็นเรื่องที่ท้าทายอย่างมาก”

“แม้ว่าโอกาสประสบความสำเร็จจากการนำ AI มาปรับใช้ในธุรกิจนั้นมีมากมายมหาศาล แต่กว่าจะออกดอกออกผลนั้นใช้เวลานานกว่าที่คาดการณ์ไว้มาก” ชิรัค เดเคด ผู้อำนวยการอาวุโสฝ่ายวิเคราะห์ข้อมูลของการ์ทเนอร์กล่าวว่า “ผู้นำด้านไอทีที่รับผิดชอบเกี่ยวกับเทคโนโลยี AI จะพบ ‘ความย้อนแย้งในการเริ่มนำ AI มาใช้ในองค์กร หรือที่เรียกว่า AI pilot paradox’ เพราะในช่วงทดลองใช้ AI นั้นดูเหมือนง่าย แต่พอนำไปใช้จริงนั้นกลับเป็นเรื่องท้าทายอย่างมาก”

ผู้นำไอทีที่รับผิดชอบเรื่อง AI ต้องคอยช่วยพัฒนากลยุทธ์ด้านโครงสร้างพื้นฐานควบคู่ไปด้วย เพื่อช่วยให้เกิดความก้าวหน้าในการใช้ AI สามารถยืดหยุ่นได้ตามความต้องการ และที่สำคัญคือต้องตระหนักถึงคุณค่าของการนำ AI มาใช้ การ์ทเนอร์ได้คาดการณ์อนาคตของเทคโนโลยี AI ไว้ 5 ประการ แสดงให้เห็นถึงแนวโน้มการเติบโตอย่างรวดเร็วของการใช้เครื่องมือและเทคนิคต่าง ๆ ของ AI และความสำเร็จในการผลิตต้นแบบ AI ที่ผู้บริหารไอทีควรพิจารณามีดังต่อไปนี้

AI จะเป็นตัวแปรสำคัญของการตัดสินใจด้านโครงสร้างพื้นฐาน

AI จะยังเป็นเทคโนโลยีที่มีบทบาทสำคัญต่อการตัดสินใจด้านการวางโครงสร้างพื้นฐานและขับเคลื่อนงานในองค์กรต่อเนื่องไปจนถึงปี 2566 การนำเทคโนโลยี AI มาปรับใช้เพื่อเร่งกระบวนการผลิตจำเป็นต้องใช้ทรัพยากรด้านโครงสร้างพื้นฐานที่เฉพาะเจาะจง โดยต้องสามารถเติบโตและพัฒนาควบคู่ไปกับเทคโนโลยีได้พร้อม ๆ กัน รูปแบบของการนำ AI มาใช้นั้น จะต้องได้รับการปรับแต่งโดยทีมงานไอทีขององค์กรเป็นระยะ เพื่อให้แน่ใจว่าจะมีโอกาสประสบความสำเร็จระดับสูง ซึ่งอาจรวมถึงงานด้านการออกแบบหรือดำเนินการเกี่ยวกับข้อมูลมาตรฐาน หรือการผสานรูปแบบการทำงานของระบบ Machine Learning (ML) เข้ากับแหล่งข้อมูลสตรีมมิ่งเพื่อการคาดการณ์แบบเรียลไทม์

การจัดการความซับซ้อนที่เพิ่มขึ้นของเทคนิคการปรับใช้ AI ผ่านการทำงานร่วมกัน

หนึ่งในความท้าทายลำดับต้น ๆ ของการนำเทคนิคในเทคโนโลยี AI เช่น ML หรือ Deep Neural Network (DNN) มาปรับใช้ท่ามกลางสภาพแวดล้อมของ edge และ IoT (Internet of Things) มีความซับซ้อนของข้อมูลและการวิเคราะห์อยู่มากมาย ซึ่งการที่องค์กรจะประสบความสำเร็จในสภาพแวดล้อมดังกล่าวได้นั้น จะต้องมีการร่วมมือกันอย่างใกล้ชิดของทั้งฝ่ายธุรกิจและฝ่ายไอที โดยต้องวางแผนและให้บริการโซลูชั่นเชิงรุกเมื่อมีความต้องการสร้างธุรกิจใหม่ ๆ ให้เกิดขึ้น หรือที่การ์ทเนอร์เรียกว่า Infrastructure-led Disruption (การปฏิรูปด้านโครงสร้างพื้นฐานที่นำมาสู่การเปลี่ยนแปลงทางเทคโนโลยี)

บางครั้งที่เทคนิค ML แบบธรรมดา ๆ ก็มอบผลลัพธ์ที่ดีที่สุด

องค์กรธุรกิจมากกว่า 75% จะใช้ DNNs กับการใช้งานที่สามารถใช้เทคนิค ML แบบดั้งเดิมได้ไปจนถึงปี 2566 ผู้ที่นำ AI มาปรับใช้ในธุรกิจรายแรก ๆ และประสบความสำเร็จนั้น ล้วนเกิดจากการใช้ประโยชน์จากโซลูชั่น ML ในทางปฏิบัติเพื่อนำเสนอคุณค่าทางธุรกิจ โปรเจกต์ช่วงแรก ๆ กลุ่มนี้ใช้การเรียนรู้ด้วย ML แบบดั้งเดิม แต่เมื่อองค์กรธุรกิจมีการพัฒนามากขึ้น พวกเขาก็มีการใช้เทคนิคขั้นสูงกว่าด้วยการเรียนรู้อย่างถ่องแท้ในการใช้ประโยชน์จาก AI ให้ได้มากขึ้น หากจะต้องเลือก ท่านจะต้องกลั่นกรองพิจารณาด้านการโฆษณาเกินจริงในความสามารถของ AI และเข้าใจเรื่องต่าง ๆ อย่างละเอียดเพื่อจะได้จัดการปัญหาทางธุรกิจได้อย่างเหมาะสม เลือกสิ่งเรียบง่าย จะดีกว่าเลือกสิ่งที่คนนิยมกันแต่ใช้ยาก

ทำให้ผู้ให้บริการระบบคลาวด์กลายเป็นส่วนหนึ่งในกลยุทธ์ของคุณ

การใช้เทคโนโลยีคลาวด์เชิงกลยุทธ์ เช่น Cognitive Application Programming Interface (หรือ Cognitive API) เพื่อวิเคราะห์ข้อมูล, หรือเทคนิคการจัดการแพ็กเกจซอฟต์แวร์หรือ คอนเทนเนอร์และการประมวลผลแบบไร้เซิร์ฟเวอร์ จะสามารถช่วยลดความซับซ้อนของกระบวนการปรับใช้ AI ได้ โดยภายในปี 2566 จำนวน cloud-based AI จะเพิ่มขึ้นอีกถึง 5 เท่าจากตัวเลขในปี 2562 และ AI จะกลายเป็นหนึ่งในบริการคลาวด์ชั้นนำ คอนเทนเนอร์และการประมวลผลแบบไม่พึ่งพาเซิร์ฟเวอร์จะช่วยให้รูปแบบของระบบ ML ทำหน้าที่อย่างเป็นอิสระ ซึ่งสามารถช่วยลดต้นทุนและค่าใช้จ่ายขององค์กรได้อย่างมีประสิทธิภาพ

สำหรับรูปแบบการสร้างโปรแกรมแบบไม่พึ่งพาเซิร์ฟเวอร์นั้นถือว่ามีความน่าสนใจเป็นพิเศษในสภาพแวดล้อมของพับลิคคลาวด์ เพราะสามารถปรับขยายตามความต้องการได้อย่างรวดเร็ว แต่ผู้บริหารฝ่ายไอทีต้องตรวจสอบด้วยว่า ML ที่มีอยู่สามารถใช้ประโยชน์จากการประมวลผลแบบใหม่เหล่านี้ได้

การใช้ระบบ AI augmented automation อย่างเต็มที่ เต็มความสามารถ

เนื่องจากปริมาณข้อมูลที่องค์กรธุรกิจจะต้องจัดการเพิ่มสูงขึ้น ดังนั้น การแจ้งเตือนเมื่อระบบเกิดความผิดพลาดและการขาดประสิทธิภาพในการจัดลำดับความสำคัญของปัญหาก็จะมากตามไปด้วย ดังนั้น จึงเป็นเรื่องปกติที่เมื่อพูดถึง AI ฝ่ายไอทีและฝ่ายธุรกิจมักจะพูดกันคนละภาษา

การผนวกระบบ AI augmented automation เข้ามาในการทำงาน จะช่วยให้ทีมไอทีสามารถเรียนรู้ทักษะของ AI และรู้ตำแหน่งในการทำงานได้ถูกต้อง ทำให้สามารถทำงานร่วมกับหน่วยงานอื่น ๆ ที่เกี่ยวข้องได้อย่างมีประสิทธิภาพมากยิ่งขึ้น ภายในปี 2566 ทีมงาน I&O ในองค์กรธุรกิจขนาดใหญ่ประมาณ 40% จะใช้ระบบ AI-augmented automation มากขึ้น ซึ่งจะเพิ่มประสิทธิภาพด้านไอทีเนื่องจากมีความคล่องตัวและความยืดหยุ่นมากขึ้น

Comments

comments