fbpx

ทำไม AI ส่วนใหญ่จึงล้มเหลว: กลไกการสร้างมูลค่าธุรกิจด้วย AI

โปรเจ็กต์ AI ส่วนใหญ่ล้มเหลว

ในรายงาน 2021 Enterprise Trends in Machine Learning เปิดเผยการสำรวจของ Algorithmia บริษัทพัฒนาระบบ AI ว่าด้วยความตื่นตัวของการใช้ AI ในแวดวงธุรกิจ โดยข้อมูลชี้ว่ามีธุรกิจกว่า 76% ระบุว่าโปรเจ็กต์ AI มีความสำคัญมากกว่าโปรเจ็กต์เทคโนโลยีสารสนเทศด้านอื่นๆ ในปี 2021 ขณะเดียวกันมีธุรกิจกว่า 83% ที่เพิ่มเงินลงทุนในโปรเจ็กต์ AI ระหว่างปี 2019-2020 นอกจากนี้ในปี 2021 การจ้างนักวิทยาศาสตร์ข้อมูลก็เพิ่มขึ้นด้วยอัตรา 76% จากปี 2020

อย่างไรก็ดี โปรเจ็กต์ AI ส่วนใหญ่นั้นล้มเหลว Pactera Technologies บริษัทแนวหน้าของโลกด้านเทคโนโลยีตีพิมพ์งานที่ชื่อว่า Artificial Intelligence: Localization Winners, Losers, Heroes, Spectators, and You ที่ระบุว่าโปรเจ็กต์ AI กว่า 85% ไม่สามารถทำสำเร็จตามจุดมุ่งหมายที่ระบุไว้ตั้งแต่แรกได้ เช่น บริษัทที่ Pactera Technologies สำรวจทั้งหมดตั้งใจใช้ AI แปลภาษาเพื่อกระจายสินค้าและบริการข้ามพรมแดนของภาษาไปทั่วโลก แต่มีบริษัทเพียง 23% เท่านั้นที่ทำสำเร็จ

ภาพที่งานสำรวจเหล่านี้ให้ สอดคล้องกับงานวิจัยชื่อ Artificial Intelligence and the Modern Productivity Paradox ของ Erik Brynjolfsson อาจารย์จากมหาวิทยาลัยสแตนฟอร์ด ที่กล่าวถึงการพัฒนา AI อย่างรวดเร็วในหลายปีที่ผ่านมา จนความสามารถของ AI ในการจำแนกสิ่งของต่างๆ นั้นดีกว่ามนุษย์แล้ว แต่เมื่อดูภาพเศรษฐกิจมหภาคแล้ว ประสิทธิภาพของแรงงานในประเทศต่างๆ ทั่วโลกไม่ได้เติบโตเร็วอย่างที่ควรจะเป็น

หลักฐานทุกอย่างนี้แสดงให้เห็นว่าเทคโนโลยี AI อาจไม่ได้ผลิดอกออกผลมากมายอย่างที่คิด คำถามสำคัญคือต้นเหตุคืออะไร คำตอบคือเหตุผลหนึ่งอาจเป็นเพราะผู้บริหารในบริษัทต่างๆ ยังไม่เข้าใจกลไกในการสร้างมูลค่าของธุรกิจด้วย AI ได้ดีมากพอ เช่น ผู้บริหารอาจพยายามผลักดันโปรเจ็กต์ AI เพื่อสร้างระบบอัตโนมัติ ในขณะที่บริษัทของพวกเขาอาจยังไม่พร้อม

ดังนั้นการเข้าใจกลไกการสร้างมูลค่าของ AI จึงมีความสำคัญมากต่อการดำเนินธุรกิจในยุคที่ AI กำลังจะเล่นบทบาทที่สำคัญมากขึ้นเรื่อยๆ Arisa Shollo อาจารย์ที่ Copenhagen Business School และคณะ เพิ่งเขียนงานเกี่ยวกับกลไกนี้ที่น่าสนใจชื่อว่า Shifting ML value creation mechanism: A process model of ML value creation เมื่อไม่นานมานี้ ซึ่งจะมาเล่าให้ฟังในบทความชิ้นนี้

วิธีที่ AI สร้างมูลค่าทางธุรกิจ

AI สามารถสร้างมูลค่าทางธุรกิจได้ 3 ช่องทาง วิธีแรกคือการสร้างองค์ความรู้ (knowledge creation) นักวิทยาศาสตร์ข้อมูลอาจหยิบข้อมูลทางธุรกิจไปวิเคราะห์เพื่อตอบโจทย์ต่างๆ เช่น กลุ่มของลูกค้าควรถูกแบ่งอย่างไร สาเหตุของการส่งสินค้าล่าช้ากว่ากำหนดคืออะไร หรือปัจจัยอะไรเป็นปัจจัยที่ขับเคลื่อนราคา โดยโมเดลที่ใช้ในการวิเคราะห์ส่วนมากจะเป็นโมเดลที่มีความโปร่งใส ทำให้ผู้วิเคราะห์ระบุได้ว่าปัจจัยต่างๆ เชื่อมโยงกันอย่างไร เช่น การวิเคราะห์โดยใช้การวิเคราะห์การถดถอย (regression analysis) ไม่ใช่สักแต่ว่าจะกระทำการทำนายอย่างเดียว เช่น การใช้เครือข่ายประสาทเทียมเชิงลึก (deep neural network) ทั้งนี้ โปรเจ็กต์ชนิดนี้ส่วนมากจะเป็นการวิเคราะห์ซึ่งถูกกระทำเพียงแค่ครั้งเดียวเพื่อตอบโจทย์ที่ธุรกิจกำลังเผชิญอยู่เฉพาะหน้าเท่านั้น

วิธีที่สองคือการเสริมสร้างประสิทธิภาพการทำงานของพนักงานเพื่อทำให้พวกเขาตัดสินใจได้ดีมากยิ่งขึ้น (task augmentation) ในกรณีนี้การวิเคราะห์โดยการใช้การเรียนรู้ของเครื่อง (machine learning) จะต้องถูกทำให้เป็นระบบที่มีหน้าตา (interface) ที่พนักงานมีปฏิสัมพันธ์ได้ด้วย เช่น ระบบจัดการลูกค้าสัมพันธ์ (customer relationship management) อาจช่วยระบุว่าควรติดต่อลูกค้าแต่ละคนผ่านช่องทางไหน หรืออาจจะมีแดชบอร์ดติดที่หน้าตึกจอดรถ ช่วยทำนายให้ว่าที่จอดรถจะว่างตรงจุดไหน นอกจากนั้นระบบ AI อาจออกคำสั่งให้พนักงานทำตาม เช่น ระบบ AI ออกคำสั่งว่าพนักงานในคอลเซ็นเตอร์ควรถามคำถามอะไรกับลูกค้าที่โทรศัพท์เข้ามาใช้บริการ

วิธีสุดท้ายคือการเปลี่ยนการดำเนินการบางอย่างในองค์กรให้เป็นแบบอัตโนมัติ (autonomous agents) วิธีสุดท้ายนี้ต่างจากสองวิธีแรกตรงที่มนุษย์จะถูกแทนที่ด้วย AI โดยตรง เช่น ขณะนี้ AI ก็เริ่มถูกใช้ในการวาดรูป เขียนบทความ หรือแม้แต่เขียนหนังสือแล้ว ซึ่งก็เป็นการแทนที่ศิลปินหรือนักเขียนด้วยระบบอัตโนมัติ

เงื่อนไขที่จำเป็นในการสร้างมูลค่าทางธุรกิจด้วย AI

สำหรับผู้บริหารทั่วไป เวลาพูดถึง AI พวกเขามักอยากสร้าง ‘หุ่นยนต์’ มาเพื่อทดแทนการใช้แรงงานเหมือนที่เราเห็นในภาพยนต์เป็นประจำ แต่เงื่อนไขที่บริษัทเผชิญอยู่ขณะนั้นอาจทำให้สร้าง AI ลักษณะนี้ขึ้นมาไม่ได้ เมื่อสิ่งนี้เกิดขึ้น โปรเจ็กต์ AI ก็จะล้มเหลวโดยปริยาย ในส่วนนี้เราจะมาวิเคราะห์ดูว่าเงื่อนไขที่จำเป็นในการใช้ AI เพื่อสร้างมูลค่าชนิดต่างๆ นั้นมีอะไรบ้าง เพื่อทำให้โปรเจ็กต์ AI ประสบความสำเร็จ (necessary but not sufficient conditions) ทั้งนี้ เงื่อนไขเหล่านั้นสามารถแบ่งออกไปเป็น 3 ขั้น

เงื่อนไขขั้นต้นคือ (1) ความสามารถทางด้านวิทยาศาสตร์ข้อมูล (data science capabilities) (2) ความรู้เกี่ยวกับการดำเนินการของบริษัท (deep domain knowledge)

เงื่อนไขขั้นแรกนั้นเป็น necessary conditions สำหรับการสร้างมูลค่าด้วย AI ทุกชนิด ความสามารถทางด้านวิทยาศาสตร์ข้อมูลจำเป็นมากสำหรับการใช้เทคนิค machine learning เพื่อสร้างองค์ความรู้ใหม่ๆ หรือสร้างโมเดลคณิตศาสตร์เพื่อช่วยผู้คนในการตัดสินใจหรือสร้างระบบอัตโนมัติ นอกจากนั้นความรู้เกี่ยวกับการดำเนินการของบริษัทก็จำเป็น เพราะทำให้นักวิทยาศาสตร์ข้อมูลรู้ว่าโจทย์สำคัญของบริษัทคืออะไร

เงื่อนไขขั้นกลางคือ (1) โครงสร้างพื้นฐานทางด้านข้อมูลที่ดี (mature data infrastructure) (2) ความสามารถในการผสานการสร้างและการผลิตที่ดี (strong DevOps capabilities) และ (3) ความสามารถในการสร้างอินเตอร์เฟซให้ใช้ระบบ AI ได้ง่าย (strong UX capabilities)

เงื่อนไขขั้นกลางนั้นมีความสำคัญสำหรับ task augmentation และการสร้าง autonomous agent แต่ไม่มีความสำคัญสำหรับการสร้างองค์ความรู้ใหม่ ความสามารถที่นักวิทยาศาสตร์ข้อมูลสามารถผลิตสินค้าและบริการใหม่ๆ ได้อย่างรวดเร็วเป็นสิ่งสำคัญ ส่วนการสร้างอินเตอร์เฟซมีความสำคัญมากในแง่ของการกระทำ task augmentation เพราะจะช่วยให้การปฏิสัมพันธ์ระหว่างผู้ใช้กับ AI กับผู้ใช้ดีขึ้น

เงื่อนไขขั้นสุดท้ายคือ (1) ระบบ AI จะต้องถูกควบรวมข้อไปกับระบบการสั่งงานในธุรกิจ (integration with transactional systems and processes) (2) สิ่งแวดล้อมของระบบ AI จะต้องค่อนข้างมีความเสถียร (stable environment) และ (3) ข้อจำกัดทางด้านกฎหมายและจริยธรรมนั้นมีอยู่น้อย

เงื่อนไขขั้นสุดท้ายมีความสำคัญสำหรับการสร้าง autonomous agent อย่างเดียว ระบบ AI จะต้องถูกเชื่อมต่ออยู่กับระบบการสั่งงานในธุรกิจเพื่อที่จะทำให้ระบบ AI ดำเนินธุรกิจแทนมนุษย์ได้ สิ่งแวดล้อมก็ต้องมีความเสถียรอยู่พอสมควร ถ้ามีสิ่งที่ไม่คาดฝันเกิดขึ้น AI อาจจะทำงานพลาด และสุดท้ายข้อจำกัดทางด้านกฎหมายและจริยธรรมจะต้องมีอยู่น้อย เพื่อทำให้มั่นใจได้ว่า AI จะสามารถทำงานภายใต้กรอบของกฎหมายและจริยธรรมได้ง่าย

เมื่อเงื่อนไขเปลี่ยนการสร้างมูลค่าจาก AI ต้องเปลี่ยนด้วย

โปรเจ็กต์ AI จะล้มเหลวถ้าสร้างอยู่บนเงื่อนไขที่ไม่เอื้อให้ AI ทำงานได้สำเร็จ ยิ่งไปกว่านั้นเมื่อเงื่อนไขเปลี่ยน การสร้างมูลค่าธุรกิจด้วย AI จะต้องเปลี่ยนด้วย เพื่อที่ AI จะสร้างมูลค่าทางธุรกิจต่อไปได้อย่างยั่งยืน Arisa Shollo และคณะยกตัวอย่างบริษัทจัดจำหน่ายเครื่องประดับแห่งหนึ่ง ตอนแรกบริษัทสามารถสร้างระบบจัดวางการโฆษณาแบบอัตโนมัติ (autonomous agent) แต่เมื่อเกิดวิกฤตไวรัสโควิดขึ้น ระบบ AI ก็เริ่มทำงานพลาด ดังนั้นบริษัทจึงหันกลับไปสร้างทีมการตลาดแทน และเริ่มใช้นักวิทยาศาสตร์ข้อมูลสร้างองค์ความรู้ใหม่ว่าผู้คนจะซื้อเครื่องประดับเพราะอะไรในช่วงวิกฤตโควิด (knowledge creation) หลังจากนั้นบริษัทก็เริ่มสร้างแดชบอร์ดเพื่อที่ทีมการตลาดใหม่จะใช้เป็นข้อมูลในการตัดสินใจว่าควรออกแบบการตลาดอย่างไร (task augmentation) อย่างไรก็ดี บริษัทมีแผนจะกลับไปใช้ระบบอัตโนมัติในระยะยาว (autonomous agent) ขณะที่ Arisa Shollo และคณะกำลังเก็บข้อมูลเพื่อทำวิจัยอยู่

บทสรุป

บทความนี้พยายามตอบคำถามว่าทำไมโปรเจ็กต์ AI ส่วนใหญ่ถึงล้มเหลว โดยอิงจากงานของ Arisa Shollo และคณะ ซึ่งพบว่า AI สามารถสร้างมูลค่าให้บริษัทได้ด้วย 3 รูปแบบ คือ (1) การสร้างองค์ความรู้ (2) การเสริมสร้างประสิทธิภาพการตัดสินใจของพนักงานให้ดีมากยิ่งขึ้น และ (3) การสร้างระบบอัตโนมัติ การสร้างมูลค่าด้วย AI ด้วยแต่ละรูปแบบมีความยากง่ายไม่เหมือนกัน และต้องการเงื่อนไขที่ต่างกัน และงานวิจัยของ Arisa Shollo ก็ระบุและอภิปรายถึงเงื่อนไขเหล่านั้น

โปรเจ็กต์ AI จะประสบความล้มเหลวเมื่อเงื่อนไขของบริษัทและสภาพแวดล้อมไม่ตรงกับรูปแบบมูลค่าทางธุรกิจที่ AI พยายามสร้าง การเข้าใจกลไกการสร้างมูลค่าด้วย AI สำคัญมาก เพราะบริษัทต้องพยายามอย่างยิ่งที่จะปรับเปลี่ยนการสร้างมูลค่าธุรกิจด้วย AI ตามเงื่อนไงที่อาจเปลี่ยนแปลงตามกาลเวลา เพื่อที่ระบบ AI ของบริษัทจะได้สร้างมูลค่าอย่างยั่งยืนไปในระยะยาว

MOST READ

Life & Culture

14 Jul 2022

“ความตายคือการเดินทางของทั้งคนตายและคนที่ยังอยู่” นิติ ภวัครพันธุ์

คุยกับนิติ ภวัครพันธุ์ ว่าด้วยเรื่องพิธีกรรมการส่งคนตายในมุมนักมานุษยวิทยา พิธีกรรมของความตายมีความหมายแค่ไหน คุณค่าของการตายและการมีชีวิตอยู่ต่างกันอย่างไร

ปาณิส โพธิ์ศรีวังชัย

14 Jul 2022

Life & Culture

27 Jul 2023

วิตเทเกอร์ ครอบครัวที่ ‘เลือดชิด’ ที่สุดในอเมริกา

เสียงเห่าขรม เพิงเล็กๆ ริมถนนคดเคี้ยว และคนในครอบครัวที่ถูกเรียกว่า ‘เลือดชิด’ ที่สุดในสหรัฐอเมริกา

เรื่องราวของบ้านวิตเทเกอร์ถูกเผยแพร่ครั้งแรกทางยูทูบเมื่อปี 2020 โดยช่างภาพที่ไปพบพวกเขาโดยบังเอิญระหว่างเดินทาง ซึ่งด้านหนึ่งนำสายตาจากคนทั้งเมืองมาสู่ครอบครัวเล็กๆ ครอบครัวนี้

พิมพ์ชนก พุกสุข

27 Jul 2023

Life & Culture

22 Feb 2022

คราฟต์เบียร์และความเหลื่อมล้ำ

วันชัย ตันติวิทยาพิทักษ์ เขียนถึงอุตสาหกรรมเบียร์ไทย ที่ผู้ประกอบการคราฟต์เบียร์รายเล็กไม่อาจเติบโตได้ เพราะติดล็อกข้อกฎหมาย และกลุ่มทุนที่ผูกขาด ทั้งที่มีศักยภาพ

วันชัย ตันติวิทยาพิทักษ์

22 Feb 2022

เราใช้คุกกี้เพื่อพัฒนาประสิทธิภาพ และประสบการณ์ที่ดีในการใช้เว็บไซต์ของคุณ คุณสามารถศึกษารายละเอียดได้ที่ นโยบายความเป็นส่วนตัว และสามารถจัดการความเป็นส่วนตัวเองได้ของคุณได้เองโดยคลิกที่ ตั้งค่า

Privacy Preferences

คุณสามารถเลือกการตั้งค่าคุกกี้โดยเปิด/ปิด คุกกี้ในแต่ละประเภทได้ตามความต้องการ ยกเว้น คุกกี้ที่จำเป็น

Allow All
Manage Consent Preferences
  • Always Active

Save