เพิ่มพลัง AI ให้เหนือกว่าด้วย Data

ในยุคที่ Generative AI (GenAI) มีบทบาทสำคัญต่อความสามารถในการแข่งขันของธุรกิจและองค์กร วันนี้โจทย์ของแต่ละองค์กรคงไม่ใช่ว่าจะใช้ AI หรือไม่ แต่กลายเป็นจะทำอย่างไรให้ AI ของเราฉลาดที่สุด ช่วยงานองค์กรเราได้มากที่สุด?  ซึ่งผมพบว่าหัวใจคือ

1. “ทักษะ” ของทีมงานในการใช้งานแพลตฟอร์ม AI เช่น การเขียน Prompt สั่งให้ได้ผลตามต้องการ และทักษะในการเชื่อมโยงระหว่างกระบวนการทำงานของแพลตฟอร์มและบุคลากรเข้าด้วยกัน เพื่อให้ผลที่ได้ มีประสิทธิภาพที่สุด

2. “ข้อมูล” เพราะ AI ต้องการชุดข้อมูลจำนวนหนึ่งเพื่อทำการฝึกฝนและพัฒนาความสามารถ (Training) เพราะ AI เปรียบเสมือนเครื่องยนต์ที่ต้องขับเคลื่อนด้วยน้ำมันคือ Data เพื่อให้ทำงานได้อย่างฉลาดและตอบโจทย์มากขึ้น องค์กรที่มีข้อมูลมากกว่า เชิงลึกกว่า หลากหลายรอบด้านกว่า เช่น ข้อมูลตลาด ข้อมูลลูกค้า ข้อมูลธุรกรรม ข้อมูลกระบวนการทำงาน ฯลฯ AI ขององค์กรนั้นย่อมจะได้เปรียบกว่า  ซึ่งไม่ใช่ว่าข้อมูลจำนวนมากจะดีเสมอไป แต่ข้อมูลที่มีคุณภาพสูงและตรงกับวัตถุประสงค์ต่างหาก ที่จะช่วยให้ AI ทำงานได้แม่นยำและมีประสิทธิภาพ

นอกจากการหาและจัดเก็บข้อมูลได้แล้ว การนำข้อมูลดิบมาจัดเตรียม เช่น การทำความสะอาด การจัดรูปแบบ และแปลงข้อมูลให้อยู่ในรู้แบบที่ AI สามารถเข้าใจได้อย่างถูกต้อง จึงเป็นขั้นตอนสำคัญที่ผู้บริหารต้องวางแผนให้ดี

AI ใช้เทคนิคการเรียนรู้และสร้างโมเดลจากข้อมูลที่เรียกว่า “Machine Learning” หรือ “Data Mining” (บางแห่งให้คำนิยามสองเทคนิคนี้แตกต่างกันเล็กน้อย) ซึ่งแบ่งได้เป็น 2 ประเภทหลักคือ

1.Supervised Learning: AI เรียนรู้จากชุดข้อมูลที่มีทั้งข้อมูลที่เป็นปัจจัยที่ใส่เข้าไป (Factor/Input) และผลลัพธ์ที่ได้ออกมา (Result/Output) แน่นอนว่าการเก็บข้อมูลทั้งปัจจัยและผลลัพธ์คู่กันจากสิ่งที่เกิดในอดีตยิ่งมากและหลากหลายกว่า จะช่วยให้ AI เรียนรู้ได้ดียิ่งกว่า เช่น การเก็บยอดขายที่เกิดขึ้น หรือจำนวนลูกค้าที่ยกเลิกบริการ ร่วมกับปัจจัยต่าง ๆ  ที่อาจมีผลกระทบ ทั้งคุณสมบัติสินค้า ลักษณะของกลุ่มลูกค้า แคมเปญการตลาดที่ปล่อยออกไป ก็จะช่วยให้ AI ทำนายและให้คำแนะนำในกรณีที่มีสินค้าใหม่ หรือบางปัจจัยมีการเปลี่ยนแปลงไป

2.Unsupervised Learning: แม้เราอาจไม่ได้เก็บข้อมูลผลลัพธ์ที่เกิดขึ้น หรือบางกรณีไม่สามารถเก็บผลลัพธ์ได้ AI ยังก็สามารถเรียนรู้จากชุดข้อมูลที่ไม่มีข้อมูลผลลัพธ์ได้เช่นกัน ผ่านการค้นหารูปแบบความสัมพันธ์ในข้อมูล และการลองผิดลองถูก เช่น การค้นหารูปแบบการทำธุรกรรมที่ผิดปกติของลูกค้า หรือการมีโรคอุบัติใหม่ที่ไม่สามารถรอจนหาทางรักษาได้ ก็ต้องรีบหาโซลูชั่นแล้ว

แล้ววันนี้แต่ละองค์กรจะเริ่มเตรียมข้อมูลได้อย่างไร?

การจัดการข้อมูลที่ง่ายที่สุดคือการทำจาก “หลังไปหน้า” จาก “เป้าหมายปลายทางย้อนไปหาวิธีการ” ปลายทางของข้อมูลคือการไปอยู่บน Dashboard หรือ Business Intelligence ของผู้บริหาร ผู้จัดการ หัวหน้าทีม จนไปถึงทีมงาน โดยอาจใช้ AI ช่วยประมวลผลให้ลึกและรอบด้านมากขึ้น ซึ่งแบ่งได้เป็น 3 ประเภท

1.Monitoring ข้อมูลสำหรับเฝ้าดูการทำงาน : ถือเป็นข้อมูลพื้นฐานที่ได้มาด้วยการแสดงตัวเลขที่ได้มากจากการเก็บข้อมูลมาตรง ๆ  จะเป็นตัวเลขดิบ หรือตัวเลขทางสถิติ เช่น ค่าเฉลี่ย ค่าสูงสุด-ต่ำสุด สัดส่วนร้อยละ ก็ได้ ซึ่งมีจุดประสงค์เพื่อเฝ้าดู และดำเนินการให้สอดคล้องกับตัวเลขหรือข้อมูลที่ได้ เช่น ยอดขาย ยอดสต็อคสินค้า ผลการทำงานของพนักงาน และต้นทุนต่าง ๆ  ที่เกิดขึ้นในแต่ละวัน

2.Forecasting ข้อมูลพยากรณ์ : คือข้อมูลที่เอาตัวเลขที่ได้จากการ Monitoring มาผ่านการคำนวณไปอีกขั้น เพื่อหาแนวโน้ม (Trends) หรือ ตัวเลขที่ควรจะเป็นในอนาคต เช่น พยากรณ์ยอดขายในไตรมาสหน้า เพื่อสามารถจัดสต็อคสินค้าและกำลังคนไว้ ให้มีจำนวนพอดี ไม่มาก จนต้นทุนจม หรือน้อยจนเสียโอกาสในการขาย แน่นอนว่า AI สามารถเข้ามาช่วยในการค้นหาโมเดลในการ Forecasting ที่แม่นยำที่สุดจากหลายสิบโมเดลด้วยเวลาเพียงไม่กี่นาที เมื่อเทียบกับยุคก่อนที่ เพียงการคำนวณแค่หนึ่งโมเดลอาจใช้เวลาหลายวัน

3.Decision Making ข้อมูลที่ประกอบการตัดสินใจ : คือการนำข้อมูลที่ได้จากการ Monitoring และ Forecasting มาประกอบกันและนำไปผ่านกระบวนการวิเคราะห์ข้อมูล (Data Analysis) เพื่อออกเป็นทางเลือกในการตัดสินใจทางกลยุทธ์หรือธุรกิจที่ซับซ้อนไปอีกขั้น โดย GenAI มีความสามารถในการอ่านข้อมูลและช่วยออกบทสรุปผู้บริหาร เสมือนเป็นเลขาที่คอยเตรียมบทสรุปของข้อมูลที่ได้ก่อนเข้าประชุมได้ภายในเวลาไม่กี่วินาที ซึ่งผู้บริหารยังจำเป็นต้องใช้ประสบการณ์และความสามารถในการตรวจสอบผลที่ได้และตัดสินใจเลือกทางที่คิดว่าเหมาะสมที่สุดจากเลขาคนนี้

เมื่อเรารู้ผลปลายทางที่เราต้องการทั้ง 3 ประเภทแล้ว จากนั้นจึงค่อยมาวางแผนในขั้นต่อไปว่าจะเก็บข้อมูลได้อย่างไร (Data Collection) แหล่งข้อมูลเราที่เรามีอยู่ตอนนี้เพียงพอแล้วหรือไม่ จะลงทุนใช้เทคโนโลยีดิจิทัลอะไรเพิ่มเติมในการจัดเก็บ หรือยังจำเป็นต้องใช้พนักงานทำอยู่ เป็นแหล่งข้อมูลที่แม่นยำและสะอาดเพียงพอหรือไม่ ข้อมูลที่เก็บมาจากคนละแหล่งจะเชื่อมโยงกันอย่างไรให้อยู่ในมิติเดียวกันและไม่มีความซ้ำซ้อนที่ทำให้ผลรวมคาดเคลื่อน โดยหากข้อมูลต้นน้ำมีความสะอาดน้อย ก็ต้องลงแรงในการทำความสะอาดข้อมูล (Data Cleansing) และการตรวจสอบความถูกต้อง (Data Validation) มากหน่อย ซึ่งถือเป็นขั้นตอนที่มักจะกินเวลาที่สุด แต่ก็สำคัญที่สุด เพราะในเมื่อต้องการเราผลลัพธ์ที่ถูกต้อง เพื่อเอาไปตัดสินใจทางธุรกิจให้แม่นยำ ก็ต้องระวังไม่ให้ถูกเจือปนด้วยข้อมูลที่ผิดปกติ หรือไม่เป็นความจริง

Data เป็นกุญแจสำคัญที่จะทำให้ AI ของเรา แม้จะใช้แพลตฟอร์มเดียวกัน แต่มีศักยภาพเหนือกว่าคู่แข่ง ผ่านการจัดเตรียมข้อมูลที่มีคุณภาพสูง หลากหลาย และตรงกับวัตถุประสงค์ ที่จะช่วยให้ AI เรียนรู้และพัฒนาความสามารถได้เต็มประสิทธิภาพ