สูตรสำเร็จ สำหรับองค์กรที่ต้องการได้รับประโยชน์จาก AI อย่างแท้จริง

วันนี้หลายคนได้ผ่านประสบการณ์ด้าน Big Data กันมาพอสมควรแล้ว ความจริงที่ขมขื่นคือ การทำ Big Data ไม่ใช่ซื้อ Solution มาแล้ว จะ Quick Win ได้เลย … หลายองค์กรมีการลงทุนซ้ำแล้วซ้ำเล่ากับเทคโนโลยีใหม่ๆ แต่ก็เหมือนซื้อฮาร์ดแวร์มาเสียบปลั๊กเลี้ยงไว้ให้เปลืองไฟเล่น ไม่ค่อยได้ใช้ประโยชน์สักเท่าไร. หรือบางองค์กรก็มุ่งทำ Blueprints ของ IT Resources ต่างๆ ที่ทำให้เห็น Gap ระหว่าง To-Be และ As-Is จากนั้นก็ลงมือวางแผน ทำ Roadmap เพื่อ Go AI แต่สุดท้ายแล้วก็เหมือน Plan ไว้แบบนิ่งๆ ยังไม่ได้ลงมือทำอะไรให้เห็นผลจริงจัง. หากท่านกำลังอยู่ในสถานการณ์เช่นนี้ หรืออยู่ในเส้นทางที่ปลายทางจะเป็นแบบนี้แล้ว อาจจะต้องกลับมาทบทวนว่า เรากำลังลงรายละเอียดที่เกินความจำเป็นมากไปหรือไม่.

เพราะเวลาที่อุทิศไปกับสิ่งหนึ่ง มันคือการเสียโอกาสที่จะใช้เวลานั้นไปทำอีกสิ่งหนึ่งเสมอ … ดังนั้นเราจึงอาจต้องคอยถามตนเองว่า กำลังทุ่มเทให้กับ
สิ่งที่สำคัญมากกว่า ..น้อยไปหรือไม่.

AI หรือ Artificial Intelligence มีความหมายค่อนข้างกว้างและหลากหลาย แต่ทุกความหมายต่างมีจุดมุ่งหมายเดียวกัน คือ AI ต้องมีความสามารถที่ลอกเลียนแบบ (Mimic) มาจาก Human Intelligence … คำว่า Intelligence คือ “Ability to adapt to change” ซึ่งแน่นอนว่าการที่มนุษย์นั้นสามารถปรับตัวเข้ากับความเปลี่ยนแปลงต่างๆ ได้ ก็เนื่องมาจากมนุษย์มีการเรียนรู้ (Learn) อยู่ตลอดเวลานั้นเอง. ดังนั้น Machine หรือคอมพิวเตอร์ ก็ต้องมีการเรียนรู้ และเป็นการเรียนรู้จากข้อมูล. หากท่านกำลังทำหรือมุ่งหวังที่จะทำ Predictive Analytics แล้ว แสดงว่าท่านกำลังเกี่ยวข้องกับ AI หรือกำลังมุ่งสู่ AI แล้ว

ปัจจุบันเรายังอยู่ในยุคที่ AI ยังอยู่ระหว่างการพัฒนา ยังไม่ถึงขั้นที่เครื่องจักรสามารถคิดและทำอะไรได้เองเหมือนมนุษย์ผู้เชี่ยวชาญจริงๆ … อีกทั้ง AI ก็ต้องการข้อมูล ยิ่งมีข้อมูลที่ดีในปริมาณมาก AI ก็ยิ่งฉลาด และโดยส่วนใหญ่แล้ว มนุษย์จะต้องเป็นผู้ป้อนข้อมูลเข้าสู่ AI … น้อยมากที่ AI จะสามารถทำการแสวงหาข้อมูลเองได้ (Data Havesting). การพัฒนา AI อย่างยั่งยืนและมีทิศทางจึงไม่ใช่แค่การพัฒนาเทคโนโลยีแล้วหยิบยื่นเทคโนโลยีนั้นให้คนในองค์กรหรือลูกค้าของเราไปใช้งานเท่านั้น. เรายังต้องกำหนดเป้าหมายที่ชัดเจนในการนำ AI ไปใช้ พัฒนาการจัดการข้อมูลให้ดี พัฒนาคนให้มีทัศนคติความคิดที่เหมาะสม และปรับกระบวนการทำงานให้คนสามารถทำงานร่วมกับ AI ได้. ภาพกรอบแนวทางด้านล่างนี้ คือ ขั้นตอนการนำ AI มาใช้ในองค์กร (AI Adoption) เป็นบันไดแห่งความสำเร็จที่จะช่วยให้ท่านก้าวได้อย่างมั่นใจสู่องค์กรที่จะได้รับประโยชน์จาก AI อย่างแท้จริง.

ขั้นแรก-โจทย์ทางธุรกิจ (Use Cases) เป็นเสมือนเข็มทิศกำหนดทิศทาง จะได้ไม่หลงทิศหลงทางเวลาเดิน หากขาดสิ่งนี้แล้วเมื่อเราเจอสถานการณ์ใหม่ๆ อาจจะทำให้หลงคิดหลงทำอะไรที่ไม่ใช่เป้าหมาย กลายเป็นการสร้าง AI ด้วย Big Data แบบหมัดเมา (เมาหมัด). ในระดับองค์กร เป้าประสงค์ทางยุทธศาสตร์ เป็นเป้าหมายระยะยาวที่สำคัญ แต่ในระยะสั้นก็ต้องให้ความสำคัญด้วย แม้ว่างาน Ad-hocs ต่างๆ จะสำคัญแต่มันก็ไม่ได้ทำให้องค์กรเติบโตอย่างยั่งยืน … ตรงนี้ก็ต้องพึงระวังไว้สักนิดเวลาเราเลือกเป้าหมายปลายทาง … การทำ AI Strategy จะทำให้เราทราบว่า Value ที่เราอยากจะได้ในอนาคตนั้นอยู่ในระดับใด และเมื่อไหร่จึงจะไปสู่จุดนั้นได้ เป็นเป้าหมายที่ต้องไปให้ถึง

ขั้นที่สอง-ข้อมูล (Data) เป็นเสมือนน้ำมัน (Fuel) ในยุคสมัยใหม่ เป็นวัตถุดิบสำคัญสำหรับการขับเคลื่อนกระบวนการทางธุรกิจให้ดำเนินต่อไปได้. ข้อมูลที่มีคุณภาพควรจะมีคุณสมบัติ 3 อย่างเหล่านี้เป็นอย่างน้อย.
(1) Accuracy คือ มีความถูกต้องตรงกันกับแหล่งกำเนิดข้อมูล (Data Source).
(2) Validity คือ เป็นข้อมูลที่ไม่ขัดต่อกฎเกณฑ์ของธุรกิจ (Business Rules) เช่น องค์กรหนึ่งกำหนดว่า อายุของเด็กและเยาวชน คือ บุคคลที่มีอายุไม่ถึง 18 ปีบริบูรณ์ ดังนั้นถ้ามีการบันทึกข้อมูลเด็กและเยาวชนลงไปว่ามีอายุ 19 ปี ดังนี้แล้วถือว่าข้อมูลที่ไม่ Valid เป็นต้น.
(3) Timeliness คือ คุณสมบัติที่บ่งชี้ว่าเมื่อไหร่ก็ตามที่ผู้ใช้จำเป็นต้องใช้ข้อมูลแล้ว ข้อมูลจะต้องมีอยู่ให้นำไปใช้ได้.
ทั้งนี้การกำหนดคุณภาพข้อมูลขึ้นอยู่กับแต่ละองค์กรและโจทย์ทางธุรกิจด้วย หากเรากำหนดคุณสมบัติสำหรับคุณภาพข้อมูลไว้มากหรือน้อยเกินไป สิ่งที่จะกระทบแน่ๆ คือ ต้นทุนในการได้มาซึ่งข้อมูลที่รวมถึงระยะเวลาในการปรับปรุงข้อมูลให้มีคุณภาพตามคุณสมบัติที่เรากำหนดไว้ด้วย. แต่ถ้ากำหนดไว้น้อยเกินไป ก็จะห่างไกลจากคำว่า “Trusted Data” คือการมีข้อมูลที่เป็นที่น่าเชื่อถือ ผู้ใช้จะไม่อยากนำข้อมูลไปใช้ ยากที่จะเกิดวัฒนธรรมการใช้ข้อมูลในประกอบการตัดสินใจทางธุรกิจ (Data-Driven Culture). การทำ Data Governance หรือธรรมาภิบาลข้อมูลภายในองค์กร จะช่วยให้เราได้รับข้อมูลที่มีคุณภาพ. ด้วยการใช้ Data Policy หรือนโยบายข้อมูลขององค์กรมาปรับการจัดการข้อมูลต่างๆ เช่น Master Data Management, Information Security Managment, Data Warehousing และการจัดการข้อมูลอื่นๆ ที่เกิดขึ้นในองค์กรเป็นปกติอยู่แล้วให้เข้าที่เข้าทาง มีการดำเนินงานที่สอดประสานกันมากขึ้น (Orchestration) เกิดการส่งมอบคุณค่าของข้อมูลตั้งแต่การสร้างการเก็บรวบรวมข้อมูล ไปจนถึงการใช้ข้อมูลในการทำ Data Analytics ได้อย่างแท้จริง.

ขั้นที่สาม-Data Analytics เป็นเสมือนเครื่องยนต์ (Combustion Engine)ที่ใช้น้ำมัน (Data) เป็นวัตถุดิบสำหรับขับเคลื่อนกระบวนการทางธุรกิจ. Data Analytics เป็นการทำอะไรหลายๆ อย่างที่ต้องมีการวิเคราะห์ข้อมูลเพื่อสนับสนุนการตัดสินใจรวมด้วยเสมอ. แน่นอนว่าการทำ Data Analytics ต้องใช้เครื่องมือ (Tools) และมี Methodology ที่เหมาะสมด้วย. CRISP-DM (Cross Industry Standard Process for Data Mining) เป็น Methodology หนึ่งที่ได้กำหนดขั้นตอนกระบวนการสร้าง Machine Learning Model ซึ่งเป็นส่วนสำคัญของ AI. Methodology นี้ประกอบด้วย 6 ขั้นตอน คือ (1) การทำความเข้าใจโจทย์ทางธุรกิจ (Business Understanding) (2) การทำเข้าใจข้อมูล (Data Understanding) (3) การจัดเตรียมข้อมูล (Data Preparation) (4) การสร้างโมเดล (Modeling) (5) การประเมินโมเดล (Model Evaluation) (6) การนำโมเดลไปใช้ (Model Deployment)

ที่เป็นทราบกันโดยทั่วไปใน Data Science Community ว่า การจัดเตรียมข้อมูล เป็นขั้นตอนที่ใช้ระยะเวลายาวนานที่สุดกว่าทุกขั้นตอน. เพียงการจัดเตรียมข้อมูลอย่างเดียวอาจกินเวลาถึง 70% ของเวลาในการดำเนินงานทั้งหมด 6 ขั้นตอน. ถ้าหากเราให้ความสำคัญกับการดำเนินงานในขั้นที่สองโดยได้ทำ Data Governance อย่างจริงจังแล้ว ก็แน่นอนว่าข้อมูลที่มีคุณภาพจะช่วยลดระยะเวลาการจัดเตรียมข้อมูลลงได้มาก.

ขั้นที่สี่-Mindset แม้ว่า Characteristics ของ AI ที่ทุกคนต้องการอย่างหนึ่งคือ Autonomous หรือการทำงานอย่างอิสระ แต่ปัจจุบันเราคงอยู่ในยุคที่ AI ยังต้องพึ่งพามนุษย์ในการทำงานบางส่วน. อีกทั้งในทาง Data Science เป็นที่เข้าใจโดยทั่วไปว่า Bias และ Variance เป็นเรื่องที่เดินสวนทางกันตลอดเวลา และ Machine Learning Model ที่ดีนั้น จะต้อง Balance ระหว่าง Bias และ Variance ให้ได้. การปล่อยให้คนที่มีทักษะความชำนาญเฉพาะด้านใดด้านหนึ่งเป็นผู้สร้าง หรือทำงานประสานกับ AI อาจเสมือนเป็นการใส่ Bias เข้าไปยัง AI โดยขาด Variance. ดังนั้นทัศนคติแนวคิดการทำงานกับ AI ควรปลูกฝังในแนวทางแบบทีมมากกว่าส่วนบุคคล. นอกจากนี้ทีมที่สร้างขึ้นมาควรเป็นทีมผสมที่มาจากหลายๆ Functions ของธุรกิจ และมาจากพื้นความรู้ความชำนาญที่หลากหลาย (Diversity Skills) อีกด้วย.

ขั้นที่ห้า-Trusted AI เป็นการทำให้องค์กรหรือลูกค้ารู้สึกว่าได้รับความสะดวกและเกิดความเชื่อมั่นที่จะใช้ AI. เนื่องจาก Key Decision ที่สำคัญในการนำ AI มาใช้ในองค์กร คือ Automation ซึ่งหมายถึง การทำงานโดยอัตโนมัติตั้งแต่การ Perception, Thinking/Learning และ Action ทั้งนี้ก็เพื่อลดการใช้แรงงานมนุษย์ไปจนถึงการสนองตอบต่อเหตุการณ์ที่ถูกต้องเหมาะสมมากยิ่งขึ้น. ดังนั้นการนำ AI เข้าสู่กระบวนการทางธุรกิจ จึงอาจต้องมีการปรับแต่งกระบวนการทางธุรกิจ (Business Process) ให้รองรับการทำงานร่วมกับ AI เช่น องค์กรหนึ่งได้มีการนำ RPA (Robotic Process Automation) ไปใช้กระบวนการทำงานของ Contact Center โดยมีการโยนคำถามของลูกค้าให้พนักงานในกรณีที่เป็นคำถามซึ่งซับซ้อนหรือคำตอบของคำถามอาจเป็นเรื่องที่ Sensitive. ดังนี้แล้ว กระบวนการทางธุรกิจของ Contact Center จะต้องถูกปรับแต่งโดยบางส่วนเป็นการลดการทำงานของพนักงานลงแล้วใช้ AI ทำงานแทน แต่จะต้องมีพนักงานที่พร้อมจะตอบคำถามได้ตลอดเมื่อระบบโยนมาให้ เป็นต้น. นอกจากนี้องค์กรต้องจัดให้มีการประเมินทั้งผลกระทบต่อกระบวนการภายในองค์กรและความพึงพอใจของลูกค้า. แล้วนำผลการประเมินมาปรับแต่งขั้นตอนของ AI Adoption ตั้งแต่ขั้นตอนที่ 1 ในเรื่องโจทย์ ไปจนถึงขั้นตอนสุดท้าย Trusted AI นี้ให้ถูกต้องเหมาะสมต่อไป โดยอาจกำหนดการประเมินเป็นวงรอบที่ต้องทำเป็นประจำ อย่างสม่ำเสมอก็ได้.

บทสรุปส่งท้าย

การนำ AI มาใช้ในองค์กรในแบบลงมือทำในสิ่งที่จำเป็นจริงๆ ควรต้องเริ่มจากการตั้งโจทย์ที่สร้างคุณค่ากับธุรกิจ เน้นที่การสร้างคุณค่าในระดับ Strategy. การทำ AI Strategy จะทำให้เราได้รับโจทย์ที่สอดคล้องกับ Corporate Strategy และทราบว่ามีข้อมูลอะไรที่ต้องมีเพื่อให้บรรลุโจทย์. เมื่อมีข้อมูลแล้วก็ต้องจัดการให้ดี การทำ Data Governance เป็น Next-generation of Data Management ที่ช่วยให้องค์กรได้รับข้อมูลที่ดีมีคุณภาพและปลอดภาระทางกฎหมาย. การทำ Data Analytics จะเริ่มได้ก็ต่อเมื่อทั้งข้อมูลและโจทย์มีพร้อมแล้ว. ไม่มี Tools ใด Tools หนึ่งที่จะช่วยให้ท่านสร้าง AI ที่นำไป Production ได้จริงๆ แต่ Methodology อย่าง CRISP-DM คือขั้นตอนกระบวนการทางด้าน Data Science ที่ทุก Tools ต่างๆ Follow ตาม. สุดท้ายอย่าลืมให้ความสำคัญกับคนทำงานด้าน Data Science ที่ควรจะต้องมาจากหลายๆ สายงานเป็นทีมผสม. แต่ทั้งหมดที่กล่าวมานี้อาจเกิดมาขึ้นแบบเปลวไฟส่องสว่างในความมืดอยู่เพียงพักเดียวแล้วก็จะดับวูบหายไปในที่สุด ไม่ยั่งยืนถ้าขาดการนำ AI เข้าสู่ Business Process ซึ่งจะต้องนำ Feedback มาปรับปรุง AI อย่างต่อเนื่องสม่ำเสมอต่อไปครับ.

--

--

Experienced Senior Big Data & Data Science Consultant with a history of working in many enterprises and various domains . Skilled in Apache Spark, and Hadoop.

Love podcasts or audiobooks? Learn on the go with our new app.

Get the Medium app

A button that says 'Download on the App Store', and if clicked it will lead you to the iOS App store
A button that says 'Get it on, Google Play', and if clicked it will lead you to the Google Play store
Aekanun Thongtae

Aekanun Thongtae

Experienced Senior Big Data & Data Science Consultant with a history of working in many enterprises and various domains . Skilled in Apache Spark, and Hadoop.