การทำงานที่แท้จริงเริ่มต้นด้วยการกำจัดความเสี่ยงของ AI

การทำงานที่แท้จริงเริ่มต้นด้วยการกำจัดความเสี่ยงของ AI

ปัญญาประดิษฐ์ (AI) กำลังจะสร้างหน้าประวัติศาสตร์แห่งความสำเร็จ ยิ่ง AI มีประสิทธิภาพสูงมากขึ้นเท่าใด ปริมาณการใช้งานก็ยิ่งเพิ่มมากขึ้นตามไปด้วยเท่านั้น และหากจะแสดงให้เห็นภาพด้วยสถิติ รายงานล่าสุดจาก NewVantage Partners ชี้ว่าผู้ตอบแบบสอบถามกว่า 77.8% ระบุว่าองค์กรของตนกำลังใช้ AI อย่างแพร่หลายหรืออย่างน้อยที่สุดก็ใช้ในกระบวนการผลิตอยู่บ้าง ซึ่งเห็นได้ชัดว่าเพิ่มขึ้นถึง 65.8% เมื่อเทียบกับปีที่ผ่านมา

ทั้งหมดที่กล่าวมาไม่ใช่สิ่งที่พูดเกินจริง ข้อมูลแสดงให้เห็นชัดเจนว่า AI กำลังได้รับความนิยมอย่างแพร่หลาย และมีคุณค่าที่พิสูจน์ให้ทุกคนเห็นได้เพราะสามารถกระตุ้นให้เกิดการลงทุนในเทคโนโลยีมากยิ่งขึ้น แน่นอนว่าทุกอย่างจะต้องมาพร้อมกับคำว่า “แต่” โดยกลุ่มองค์กรที่ประสบความสำเร็จจากการประยุกต์ใช้ AI เพื่อสร้างสรรค์นวัตกรรมและเปลี่ยนโฉมทางธุรกิจต้องเผชิญกับความเสี่ยงรูปแบบใหม่ ๆ พูดง่าย ๆ ก็คือ การที่ประยุกต์ใช้ AI นั้นได้ปูทางไปสู่ความท้าทายรูปแบบใหม่ในอนาคต โดยไม่ว่าคุณจะอยู่ ณ ตำแหน่งใดในเส้นทางแห่งการประยุกต์ใช้ AI คุณควรจะต้องหันมาลดความเสี่ยงที่อาจจะเกิดขึ้นได้แล้ว

ก่อนอื่นขออธิบายถึงแนวทาง ModelOps ที่ได้นำเสนอไป ผู้นำธุรกิจส่วนมากมักไม่รู้จัก ModelOps แต่ก็ไม่เป็นไร เพราะสิ่งสำคัญก็คือ ต้องเข้าใจว่า ModelOps สามารถขับเคลื่อนการใช้ AI ในธุรกิจได้อย่างไร เนื่องจากธุรกิจต่างต้องการนวัตกรรมและการเพิ่มประสิทธิภาพ AI รวมถึงแมชชีนเลิร์นนิ่ง แล้ว ModelOps คืออะไรและทำอะไรได้บ้างล่ะ ? ModelOps ช่วยในการบริหารจัดการองค์ประกอบหลักของ AI และวงจรโมเดลการตัดสินใจ โดยต้องเข้าใจก่อนว่า โมเดลของ AI นั้นเป็นอัลกอริธึมของแมชชีนเลิร์นนิ่ง ระบบจะเรียนรู้ด้วยข้อมูลจริงหรือข้อมูลสังเคราะห์ จากนั้นจะจำลองการตัดสินใจเชิงตรรกะโดยอิงจากข้อมูลที่ทีมงาน "ป้อน" หรือจัดเตรียมให้กับระบบ โดยนักวิทยาศาสตร์ด้านข้อมูลได้ออกแบบโมเดลเหล่านี้อย่างพิถีพิถันเพื่อให้ได้ข้อมูลเชิงลึกสำหรับการแก้ปัญหาเฉพาะในธุรกิจหรือการดำเนินงาน และทำงานร่วมกับระบบวิเคราะห์และทีมบริหารจัดการข้อมูล ทีนี้เรามาดูกันว่า ModelOps นั้นจะสามารถกำจัดความเสี่ยงของ AI ได้อย่างไร

หันมาใช้ ModelOps เพื่อกำจัดความเสี่ยงที่เกิดจากอุปสรรคด้านประสิทธิภาพการทำงานของ AI

การรักษาบุคลากรที่มีความสามารถด้าน AI นั้นถือว่าเป็นเรื่องที่ท้าทายอย่างยิ่ง เพราะจากผลการวิจัยของ LinkedIn แสดงให้เห็นว่า งานที่เกี่ยวกับ AI เติบโตขึ้นมากถึง 74% ในสหรัฐอเมริกา และครองอันดับที่ 1 ของ “งานที่เป็นที่ต้องการสูงสุด” ในสหราชอาณาจักร นอกจากนี้เมื่อในองค์กรมีนักวิทยาศาสตร์ข้อมูลหรือทีมวิทยาศาสตร์ข้อมูล ภาระงานก็มักจะถาโถมเข้าใส่พวกเขาซึ่งส่งผลกระทบให้โครงการดำเนินการได้ล่าช้าเป็นอย่างมาก อีกทั้งเมื่อทรัพยากรทางวิทยาศาสตร์ข้อมูลมีจำกัด องค์กรจึงอาจไม่สามารถเร่งการตัดสินใจและเพิ่มข้อมูลเชิงลึกที่ใช้ AI ได้

แนวทางหนึ่งที่ช่วยให้ลดแรงกดดันของทรัพยากรทางวิทยาศาสตร์ข้อมูลที่มีอยู่อย่างจำกัดได้ก็คือการใช้ ModelOps โดยโมเดลจะช่วยลดข้อจำกัดด้านความสามารถและจัดการกับความท้าทายด้านประสิทธิภาพการทำงาน ด้วยการรองรับการบริหารจัดการโมเดลอัตโนมัติพร้อมด้วยโมเดลการผลิตและการประยุกต์ใช้ที่ทุกคนสามารถเข้าถึงได้ แนวทางนี้จึงช่วยปลดล็อคข้อจำกัดและมุ่งส่งมอบคุณค่าสูงสุดให้แก่องค์กรได้ โดยทีมนักวิทยาศาสตร์ข้อมูลไม่ต้องรับมือกับความต้องการที่ถาโถมเข้ามาอย่างต่อเนื่องอยู่เพียงลำพัง

แนวทางของ ModelOps ช่วยให้กลุ่มยูนิคอร์นด้านวิทยาศาสตร์ข้อมูลมุ่งความสนใจไปยังการสำรวจ การทดสอบ และการสร้างสรรค์สิ่งใหม่ ๆ ผ่าน AI ได้อย่างเต็มที่ ในขณะเดียวกันวิศวกรข้อมูลและนักวิเคราะห์ก็จะสามารถนำโมเดลใหม่ ๆ มาใช้ในการผลิตได้มากขึ้น

ความท้าทายที่อาจเกิดขึ้นได้จากการใช้ ModelOps ก็คือความสามารถในการปรับเปลี่ยนขนาด การสร้างโมเดลให้ใช้ได้ในวงกว้างไม่ได้หมายถึงจำนวนโมเดลที่ผลิตออกมาได้เท่านั้น แต่ยังรวมถึงการใช้ AI อย่างแพร่หลายในระบบและกระบวนการทางธุรกิจ ยังจำเรื่องความสามารถพิเศษได้อยู่หรือไม่? การผสานรวมที่มากขึ้นหมายถึงต้องมีจำนวนโมเดลมากขึ้นเพื่อให้ใช้ AI ได้เกิดประสิทธิภาพสูงสุด อีกทั้งจำเป็นต้องมีนักวิทยาศาสตร์ข้อมูลมากขึ้นเพื่อรองรับการพัฒนาและการประยุกต์ใช้โมเดล หากไม่มี ModelOps เป็นตัวช่วย การประยุกต์ใช้โมเดลจะเกิดความเสี่ยงขึ้นได้ซึ่งจะส่งผลให้ AI ล้มเหลว และหากการต้องการใช้ ModelOps เพื่อให้ทุกคนเข้าถึงการประยุกต์ใช้โมเดลได้ในวงกว้าง ก็ถือว่าคุณได้มีตัวเร่งที่ช่วยให้ธุรกิจชิงความได้เปรียบจากการประยุกต์ใช้ AI แล้ว

ลองใช้ ModelOps เพื่อกำจัดความเสี่ยง AI ด้วยความโปร่งใสที่เพิ่มขึ้น

ความเสี่ยงประการที่สองคือการพึ่งพาโซลูชัน AI "แบล็คบ็อกซ์" (Black Box) เราทราบดีว่าในอีกไม่ช้า กฎระเบียบที่กำลังจะออกมาจะส่งผลให้แนวปฏิบัติที่เป็นเลิศ (Best Practices) ในด้านการตีความและความโปร่งใสสำหรับระบบ AI ทั้งหมดกลายเป็นสิ่งที่จำเป็น ถึงแม้ว่าคุณจะใช้เทคโนโลยี AI จากพันธมิตรหรือผู้ขายก็ตาม องค์กรของคุณก็อาจต้องรับผิดต่อผลลัพธ์ที่มีอคติหรือมีข้อบกพร่อง กฎระเบียบที่มีอยู่ในปัจจุบันและที่กำลังจะออกมาในอนาคตก่อให้เกิดความเสี่ยงด้านกฎหมาย ค่าปรับ การไม่ปฏิบัติตามข้อกำหนด และแม้กระทั่งการสูญเสียชื่อเสียง

สถาบันสแตนฟอร์ดเพื่อปัญญาประดิษฐ์ที่มีมนุษย์เป็นศูนย์กลาง (Stanford Institute for Human-Centered Artificial Intelligence) ระบุไว้ในรายงานดัชนี AI ปี 2565 ว่า "กฎระเบียบด้าน AI ยังคงเพิ่มขึ้นอย่างต่อเนื่องทั่วโลก โดยตั้งแต่ปี 2558 ฝ่ายนิติบัญญัติได้ร่างกฎหมายที่เกี่ยวข้องกับ AI เพิ่มขึ้น 18 เท่าใน 25 ประเทศทั่วโลก และการกล่าวถึง AI ในกระบวนการทางกฎหมายก็เพิ่มขึ้นถึง 7.7 เท่าในช่วง 6 ปีที่ผ่านมา” ดังนั้นจึงมีความจำเป็นที่ต้องเข้าใจการใช้ AI ในปัจจุบันรวมถึงแผนในอนาคต อีกทั้งต้องวางแผนสำหรับความโปร่งใสและความสามารถในการตีความของ AI ในธุรกิจของคุณด้วย ด้วยเหตุนี้ความโปร่งใสในการใช้ AI ไม่ได้มีไว้สำหรับการจัดการความเสี่ยงเท่านั้น แต่ยังมีไว้สำหรับการรองรับความคิดริเริ่มด้านสิ่งแวดล้อม สังคม และธรรมาภิบาล (ESG) โดยเฉพาะอย่างยิ่งสิ่งที่คนในสังคมยังกังวลเกี่ยวกับการใช้ AI ให้เกิดความยุติธรรมและถูกต้องตามหลักจริยธรรมอีกด้วย

ความโปร่งใสนับเป็นเรื่องที่ท้าทายเนื่องจาก แมชชีนเลิร์นนิง อัลกอริธึม และโมเดลต่าง ๆ ของ AI นั้นไม่ได้เป็นเรื่องที่เข้าใจง่ายอย่างแน่นอน นั่นก็เนื่องมาจาก จำนวนพารามิเตอร์ซึ่งใช้เป็นตัวตั้งเงื่อนไขในการปฏิบัติการ รวมถึงวิธีการจริง ๆ ที่พารามิเตอร์เหล่านี้โต้ตอบกันนั้น กลายเป็นเรื่องที่ซับซ้อนอย่างยิ่ง ความซับซ้อนนี้ทวีความรุนแรงขึ้น สืบเนื่องมาจากวิธีการที่โมเดลเหล่านี้มีปฏิสัมพันธ์ซึ่งกันและกันรวมถึงวิธีที่โมเดลเหล่านี้ผสานรวมเข้ากับข้อมูล ผู้เขียนมักพูดเสมอว่าความซับซ้อนนั้นมาพร้อมกับความคลุมเครือ ผู้คนจึงตีความได้ยากว่า โมเดลตัดสินใจในเรื่องต่าง ๆ ได้อย่างไร หรือชี้ว่าการตัดสินใจเหล่านี้มีอคติหรือไม่

เมื่อนำ ModelOps มาใช้ในกระบวนการนี้ องค์กรสามารถผสานรวมเทคโนโลยี ผู้คน กระบวนการ และข้อมูล อีกทั้งยังบริหารจัดการความโปร่งใสเพื่อพัฒนาโมเดลได้ดียิ่งขึ้นได้ เนื่องจากโมเดลทั่วไปมักมีชุดเครื่องมือที่ผสานรวมกันอย่างไม่ค่อยมีประสิทธิภาพนัก แต่ ModelOps สามารถรับรองความโปร่งใสของการกำกับดูแลเรื่องการทดสอบโมเดล การกำหนดเวอร์ชัน การจัดเก็บโมเดล และการยกเลิกโมเดล แนวทางที่เป็นหนึ่งเดียวและทำงานร่วมกันได้กับ ModelOps นี้จะช่วยกำกับดูแลและสนับสนุนให้เกิดความโปร่งใสที่ช่วยลดความเสี่ยงด้านกฎระเบียบและอคติ

แล้วควรจะประยุกต์ใช้แนวทางของ ModelOps เมื่อไหร่ คำตอบก็คือเมื่อคุณต้องการปรับเปลี่ยนขนาดโครงการที่ใช้ AI ลดความซับซ้อนในการจัดการชุดเครื่องมือสำหรับการพัฒนาที่ผสานรวมกันอย่างไม่ค่อยมีประสิทธิภาพ และเตรียมพร้อมสำหรับการปฏิบัติตามกฎระเบียบ แล้ว ModelOps มีประโยชน์อย่างไร คำตอบคือสามารถลดความเสี่ยงของกระบวนการที่มีการผสานรวมของ AI สร้างกรอบงาน AI ที่ควบคุมได้ และสร้างความมั่นใจในด้านความโปร่งใส ซึ่งจะประสบความสำเร็จได้ด้วยการมีการจัดการ AI และโมเดลการตัดสินใจที่คล่องตัวตั้งแต่เริ่มต้นจนถึงการพัฒนา และท้ายที่สุดคือการใช้งานอย่างมีประสิทธิภาพและถูกต้องตามหลักจริยธรรม

เรื่องจริงของการกำจัดความเสี่ยง AI

เราทราบกันดีแล้วว่า ModelOps ทำงานได้ดี โดยเรื่องราวความสำเร็จเรื่องหนึ่งก็คือ กรณีของ National University Health System (NUHS) ในสิงคโปร์ NUHS ซึ่งพัฒนาแพลตฟอร์ม ENDEAVOR AI โดยใช้ ModelOps บริหารจัดการ เพื่อให้มองเห็นเส้นทางการใช้บริการของผู้ป่วยที่สมบูรณ์แบบและรวบรวมข้อมูลเพื่อทำความเข้าใจเรื่องการเพิ่มขึ้นของประชากรสูงอายุ แพลตฟอร์มดังกล่าวช่วยให้องค์กรได้เห็นมุมมองของบันทึกผู้ป่วยที่ครบถ้วน ข้อมูลการวินิจฉัยแบบเรียลไทม์ และคาดการณ์การวินิจฉัย

ดร. Ngiam Kee Yuan หัวหน้าเจ้าหน้าที่ฝ่ายเทคโนโลยีแห่ง NUHS กล่าวว่า "แพลตฟอร์ม ENDEAVOR AI ที่ล้ำสมัยของเราจะเอื้อให้ระบบดูแลสุขภาพในสิงคโปร์ทำงานอย่างชาญฉลาดขึ้น ดีขึ้น และมีประสิทธิภาพมากกว่าเดิม เราคาดว่า [ModelOps] จะเร่งให้การประยุกต์ใช้กระบวนการซึ่งขับเคลื่อนด้วยข้อมูลจาก AI ที่มีความปลอดภัยและมีประสิทธิภาพในรูปแบบที่สามารถปรับเปลี่ยนขนาดได้และใช้งานได้หลายช่องทาง (containerized)"

องค์กรที่ใช้ ModelOps จะได้รับประโยชน์อย่างรวดเร็วจากเส้นทางการประยุกต์ใช้โมเดล ML และ AI ที่ตรงไปตรงมามากขึ้น นอกจากยังทำให้ AI พัฒนาได้อย่างทั่วถึง เพราะวิศวกรข้อมูลและนักวิเคราะห์ข้อมูลสามารถเข้าสู่กระบวนการได้โดยไม่มีความเสี่ยงที่จะเกิดความล้มเหลว เนื่องจากมีกรอบการทำงานที่มีคุณภาพและมีประสิทธิภาพ

ปลดล็อก AI ที่ปราศจากความเสี่ยงโดย ModelOps

อย่าปล่อยให้เกิดการขาดแคลนผู้เชี่ยวชาญหรือเกิดความเสี่ยงทางกฎหมายและชื่อเสียงจากการใช้ AI ที่เป็นผลมาจากการใช้โซลูชัน "แบล็คบ๊อกซ์" จำกัดการสร้างคุณค่าจากการใช้ AI โดย ModelOps ที่สามารถปรับเปลี่ยนขนาดได้และมีความแข็งแกร่งจะช่วยปูทางไปสู่การใช้​​AI ที่ช่วยให้คุณ "กำจัดความเสี่ยงและได้รับผลประโยชน์" นอกจากนี้ยังช่วยให้มั่นใจได้ว่าโมเดล AI ที่คุณพัฒนาและประยุกต์ใช้จะสอดรับกับความต้องการที่เปลี่ยนแปลงไปในองค์กรของคุณ และสร้างความคล่องตัวในการกำกับดูแลที่จำเป็นเพื่อให้คุณก้าวนำหน้าสภาพแวดล้อมด้านกฎระเบียบที่เปลี่ยนแปลงอยู่ตลอดเวลา