TechTalk: AI & Analytics ที่เวิร์ก
ถ้าใครได้ลองศึกษาประวัติศาสตร์การเกิดของ AI (Artificial Intelligence) และ Data Analytics techniques ก็อาจจะตกใจว่ามันไม่ได้เป็นของ “ใหม่” ในแง่ของการประดิษฐ์ค้นพบ เพราะย้อนกลับไปเมื่อสองร้อยกว่าปีที่แล้ว เรามี The least square method สำหรับการทำ Regression Analysis หรือการวิเคราะห์การถดถอยกันแล้ว ซึ่งในขณะนั้นสมการดังกล่าวช่วยนักดาราศาสตร์ในการอธิบายวงโคจรรอบดวงอาทิตย์จากข้อมูลที่สังเกตได้ และหากพูดถึงความโด่งดังของอัลกอริทึมที่มีชื่อว่า Deep Learning เราก็สามารถย้อนกลับไปพบว่ามีการสร้างสรรค์อัลกอริทึมที่สามารถเรียนรู้ได้ตัวแรกคือ The perceptron algorithm เมื่อ 60 ปีที่แล้วโดยนักจิตวิทยาซึ่งเป็นนักวิทยาศาสตร์ทางคอมพิวเตอร์ที่ชื่อว่า Frank Rosenblatt และตลอดระยะเวลาร่วมร้อยถึงสองร้อยปีที่ผ่านมา นักคณิตศาสตร์และนักวิทยาศาสตร์ไม่เคยหยุดยั้งที่จะพัฒนาอัลกอริทึมที่มีประสิทธภาพมากยิ่งขึ้น
ถึงตรงนี้ก็ทำให้น่าสงสัยว่า อะไรทำให้การวิจัยและพัฒนาใช้เวลานานกว่าหลายสิบปีเช่นนี้ แล้วอะไรที่ทำให้ Deep learning ดังเป็นพลุแตก ถึงขนาดที่ว่าคนธรรมดาทั่วไปยังได้ยินจนชินหู? แน่นอนว่าหลายท่านคงรีบตอบเสียงดังฟังชัดในใจกันว่า “ความสำเร็จของแอลฟ่าโกะ” หรือการที่คอมพิวเตอร์และอัลกอริทึม Deep Learning สามารถเล่นเกมโกะจนชนะเซียนโกะระดับโลกลงได้ หรืออีกนัยหนึ่งก็คือการที่ผลงานวิจัยยากๆ สามารถมีรูปแบบการใช้งานที่ให้เห็นเป็นรูปธรรม เข้าใจง่าย เข้าถึงได้ง่ายอย่างกรณีของการเล่นเกมโกะนั่นเองค่ะ
อย่างไรก็ดี การขับเคลื่อนธุรกิจ องค์กร หรือทีมงานด้วยเอไอ และการวิเคราะห์ข้อมูลหรือที่เรียกว่า AI and Analytics-driven ที่ใช้งานได้จริง ไม่ใช่เพียงแคอาศัยความใหม่ หรือความเก่งของอัลกอริทึม หากแต่ยังต้องการเป้าหมายในการนำไปใช้งานที่ชัดเจน และเราไม่ได้พูดถึงเป้าหมายที่ชัดเจนของ Data Scientist, Data Engineer หรือตัวนักวิจัย แต่เรากำลังหมายถึงการมีเป้าหมายที่ชัดเจน “ในใจของทีมผู้บริหาร” ซึ่งเมื่อมีแล้วเรื่องอื่นๆจึงจะเป็นไปได้ เช่นการพัฒนากำลังคนในด้านที่ถูกต้องเหมาะสม เพื่อรองรับการทำงานตามเป้าหมายของงาน AI & Analytics ที่ชัดเจน เป็นต้น สิ่งสำคัญต่อมาคือการให้เวลาและความสำคัญกับการเลือกเฟ้น usecases หรือประเด็นทางธุรกิจที่จะสามารถเติบโตได้ดีกว่า หากได้มีการใช้งาน AI & Analytics อย่างไรก็ดี ธุรกิจควรระมัดระวังไม่ให้เกิดการทุ่มทุนลงแรงอย่างผลีผลามเกินไปกับการใช้งานเทคโนโลยีที่ซับซ้อน และยังต้องใช้ความสามารถทั้งเชิงศาสตร์และศิลป์ที่จะนำอัลกอริทึมไปประยุกต์ใช้ หรือพัฒนาต่อเพื่อให้บรรลุวัตถุประสงค์ของเป้าหมายนั้น ดังนั้นหากธุรกิจไม่สามารถเห็นผลตอบแทนจากการลงทุนที่ชัดเจนตั้งแต่ต้นหนทางนี้ก็ดีจะไม่น่าสนุกเอาเสียเลย
สองประเด็นหลักข้างต้นคือปัจจัยสำคัญที่ทำให้หลายองค์กรที่มีการตั้งโครงการนำร่องใช้งานเทคโนโลยีกันแล้ว แต่กลับไปไม่ถึงฝั่งฝัน นอกจากนี้ก็อย่าลืมประเมินความเป็นไปได้ขององค์กร หรือทีมงานกันก่อนด้วยนะคะว่าเรามีต้อนทุนทาง AI & Analytics อยู่เท่าไร (Asset) มีการใช้งานเทคโนโลยีเชิงลึกกันอยู่บ้างหรือไม่ มีการใช้จ่ายเพื่อการให้ได้มาซึ่งเทคโนโลยีอย่างไร แล้วมีข้อมูลที่อยู๋ในรูปแบบดิจิตัลพร้อมใช้งานมากน้อยแค่ไหน ประเด็นเรื่องของรูปแบบการใช้งานเทคโนโลยี (Usecases) เป็นเรื่องที่ต้องมีการประเมินอย่งจริงจังว่าจะนำเทคโนโลยีเข้าไปใช้งานในขั้นตอนใดของกระบวนการทางธุรกิจและองค์กร ที่สำคัญที่สุดดูจะหนีไม่พ้นเรื่องของบุคลากร “พร้อมใช้” หรือ “พร้อมให้พัฒนาเพื่อใช้งาน” นั้นมีอยู่เพียงพอหรือไม่ในวงจรการทำงานของธุรกิจ ถึงตรงนี้คงจะพอมองออกว่า อย่างน้อยที่สุดจะมี AI & Analytics ที่เวิร์กนั้นต้องคำนึงถึงอะไรบ้างค่ะ
ต้นฉบับลงหนังสือพิมพ์โพสต์ทูเดย์
วันพฤหัสบดีที่ 31 พฤษภาคม 2561
คอลัมภ์ TECH TALK
