Diary of AI CEO [EP.2] : 4 ประเด็นที่ผู้คนมักเข้าใจผิดเกี่ยวกับการใช้ AI และข้อมูลในธุรกิจ

ใน Diary of AI CEO Episode ที่1 ผมได้แชร์เรื่องราวเกี่ยวกับ Artificial AGI ไปแล้ว ในวันนี้จากประสบการณ์ที่ผมได้พูดคุยกับทั้งผู้ที่สนใจเกี่ยวกับ AI และกลุ่มธุรกิจที่ต้องการนำ AI ไปใช้งานเพื่อยกระดับขั้นตอนการทำงานให้กับองค์กร พบว่ามักจะมีเรื่อง หรือประเด็นที่คนมักจะยังมีความเข้าใจผิดเกี่ยวกับการนำ AI ไปใช้งาน จึงได้รวบรวม 4 ประเด็นหลักที่ผมมักได้คำถามมาบ่อยๆ ทั้งจากคนใกล้ตัว และลูกค้า เพื่อมาแชร์ให้ผู้อ่านได้ลองนำไปพิจารณากันในอีกแง่มุมกันดูครับ

รวม 4 เรื่องที่คนมักจะเข้าใจผิดเกี่ยวกับการใช้ AI และข้อมูลในธุรกิจ

1. การประเมินค่าข้อมูลของตนเองที่สูงเกินไป

• ข้อมูลที่จำเป็นอาจไม่ได้มาตอนที่เราต้องการใช้กับการตัดสินใจหรือให้โมเดล AI ใช้เสมอไป การเข้าใจกระบวนการของแหล่งที่มาของข้อมูลจึงมีความสำคัญว่าข้อมูลอยู่ที่ไหน มีอะไรบ้าง และจะพร้อมใช้ให้โมเดล AI หรือคนหน้างานนำไปใช้งานได้เมื่อใด เพราะหลายครั้งข้อมูลที่เก็บสะสมอยู่ในระบบสามารถเอาไปให้ AI เรียนรู้ได้ก็จริง แต่ตอนใช้จริง ข้อมูลนั้นกลับยังไม่เข้ามาในระบบตอนที่ต้องใช้ ทำให้การเทรน AI ที่เพิ่งทำได้ก็เปล่าประโยชน์
• การมีข้อมูลจำนวนมากไม่ได้แปลว่าจะนำมาใช้ประโยชน์ทางธุรกิจได้เสมอไป เนื่องจากข้อมูลบางอย่างอาจไม่สามารถนำมาใช้งานได้เลย เช่น ข้อมูลที่ไม่มีโครงสร้าง (Unstructured Data) ซึ่งต้องใช้ความพยายามอย่างมากในการแปลงข้อมูลให้เป็นข้อมูลที่มีโครงสร้าง (Structured Data) เพื่อที่ธุรกิจจะสามารถนำไปใช้ในการวิเคราะห์ สร้างเป็นข้อมูลเชิงลึก หรือให้ AI นำไปใช้งานได้ หรือในบางกรณีมีข้อมูลเป็นจำนวนมากแต่ข้อมูลไม่มีคุณภาพ ทำให้ต้องใช้ความพยายามในการทำความสะอาด จัดการข้อมูลที่ขาดหายไป หรือที่เรียกว่า Data Cleaning แม้ในกรณีที่ดีที่สุดที่คนคิดว่ามีข้อมูลจำนวนมาก แต่ข้อมูลเหล่านั้นอาจไม่สามารถนำไปใช้ในการคาดการณ์ หรือช่วยให้ธุรกิจบรรลุเป้าหมายตามที่คาดหวังไว้ได้ จึงทำให้ข้อมูลนั้นมีประโยชน์น้อยกว่าที่ธุรกิจคาดหวังไว้มาก

2. การไม่เชื่อใจใน AI : คนเรามักจะโทษ AI เป็นอันดับแรก ถึงแม้ว่าปัญหาจะเกิดจากสาเหตุอื่นก็ตาม

โดยตัวอย่างปัญหาที่อาจจะเกิดขึ้น อาจมาจากสาเหตุดังต่อไปนี้

• การนำเข้าข้อมูลที่ไม่ดี : ผู้ใช้งานอาจจะสแกนข้อมูลมาไม่สมบูรณ์ บิดเบี้ยว ใช้ไม่ได้ แต่เนื่องจากพนักงานไม่ได้มีการตรวจสอบ ทำให้ไม่มีใครทราบถึงปัญหานี้ได้
• ข้อมูลไม่มีอยู่จริงๆ : OCR ไม่สามารถอ่านฟิล์ดข้อมูลเหล่านี้ได้ → (ฟันธงไว้ก่อนเลยว่า) เป็นความผิดของ AI → จากการตรวจสอบกลายเป็นว่าไม่มีข้อมูลฟิล์ดนี้อยู่ในเอกสารตั้งแต่แรก
• Bug vs. ข้อจำกัดของเทคโนโลยี → AI ไม่สามารถทำงานนี้ได้ = bug ท้ายที่สุดแล้ว AI คือโมเดลทางสถิติ อย่าสับสนระหว่างการจับคู่ที่ตรงเป๊ะกับการตัดสินใจที่ดีที่สุดในเชิงสถิติ บางครั้งคุณต้องยอมเสียการตัดสินใจที่เป๊ะกับกรณีที่เฉพาะเจาะจงไปเพื่อให้ได้การตัดสินใจทั่วไป ที่รองรับความหลากหลายที่เกิดขึ้นได้ที่แม่นยำขึ้น นั่นคือ AI

3. AI เป็นแค่เครื่องมือ : คุณจำเป็นต้องปรับตัวให้เข้ากับ AI บ้างเหมือนกัน

• ข้อแนะนำที่ 1 : ถ้าคุณพยายามทำให้มันพัง มันก็จะพัง
• ข้อแนะนำที่ 2 : หากคุณป้อนข้อมูลที่ไม่ชัดเจน อย่าคาดหวังว่า AI จะทำงานได้ดี เช่น ใส่ข้อมูลที่ผิดพลาด หรือไม่เกี่ยวข้องให้กับบอท หรือป้อนข้อมูลที่ไม่ชัดเจนสำหรับการทำ OCR

4. เทรนข้อมูลให้ได้ 100%

• ให้จำไว้ว่าบางครั้งถ้าคุณพยายามแก้ไขสิ่งใดสิ่งหนึ่ง อาจส่งผลกระทบกับสิ่งอื่นๆ ได้ ถึงแม้ว่าผลลัพธ์โดยรวมจากการทดสอบบางตัวอย่างหรือชุดข้อมูลที่เลือกอย่างดี ควรจะแสดงให้เห็นถึงการปรับปรุงโดยภาพรวม แต่ถ้าคุณพยายามทำให้ผลลัพธ์นั้นถูกต้องเฉพาะในบางเรื่อง คุณอาจจะทำให้โมเดล “overfit” กับปัญหานั้น และอาจเตรียมตัวให้พร้อมสำหรับปัญหาที่ไม่สามารถนำไปใช้กับปัญหาอื่นๆ ที่คุณอาจไม่รู้ว่าจะเกิดขึ้นได้ เว้นแต่คุณจะแน่ใจว่าความต้องการเฉพาะของคุณนั้นชัดเจน อย่าพยายามทำให้ AI “overfit” กับปัญหาของคุณ
• ถึงแม้ว่า AI จะมีความแม่นยำถึง 99% ซึ่งเป็นเปอร์เซ็นต์ที่ถือว่าสูงมากแล้ว ผู้ใช้งานหลายคนที่ต้องการใช้ AI มักจะคาดหวังว่า AI จะทำทุกอย่างให้ถูกต้องพร้อมกันทั้งหมด เช่น การใช้ AI-OCR อ่านข้อมูลในเอกสาร ซึ่งทุกช่องข้อมูล 5 ช่องต้องถูกต้องทั้งหมด ซึ่งหมายความว่าโอกาสที่จะเกิดขึ้นคือ (99%) ยกกำลัง 5 หรือ 95% ลองจินตนาการถึงความคาดหวังในการใช้ AI สำหรับการประมวลผล 10 ช่องข้อมูล และความแม่นยำที่น้อยกว่าที่เป็นไปได้จากการใช้ AI ว่าจะเป็นไปได้ขนาดไหน

ติดตามเรื่องราวเกี่ยวกับการพัฒนา AI ในมุมมองที่คุณยังไม่เคยพบที่ไหนมาก่อน จากมุมมองของผู้พัฒนา AI ได้ใหม่ใน DIARY OF AI CEO Episode หน้าได้ในเร็วๆ นี้ หรือหากต้องการให้ผมแชร์เรื่องราวเกี่ยวกับการพัฒนา AI ในหัวข้อใด สามารถแจ้งมาได้ที่อีเมล [email protected] แล้วพบกันใหม่ใน Episode หน้าครับ