"องค์กร data/AI (ต้องเกื้อหนุนกัน) driven organization ต้องมีการวางยุทธศาสตร์ มุมมองการบริหารงานที่เหมาะสม ถึงจะมีประสิทธิภาพโดยแบ่ง 3 ระดับ
1. data literacy organization BI (business intelligence) application วางยุทธศาสตร์จัดเก็บ
2. data analytics organization จัดการข้อมูล(big data)โดยเก็บรวบรวมข้อมูลให้อยู่ในที่เดียวกัน ก่อนบริหาร แชร์ และใช้ (data user) วิเคราะห์ (data scientist) สร้างงาน(data engineer)และinfrastructure เกิดประโยชน์สูงสุด
3. data/AI driven organization องค์กรที่มีขีดความพร้อมในระดับนี้จะมีโครงสร้างพื้นฐานทางด้านดิจิทัลและข้อมูลที่พร้อมระดับหนึ่ง มีแนวทางจากผู้บริหารที่มองการนำ AI/ML (machine learning) มาใช้ในการ automate ข้อมูล (การเก็บและประมวลผลข้อมูลอัตโนมัติ) ทั้งในรูปแบบ structured เช่น database และ unstructured เช่น วิดีโอ รูปภาพ ข้อความ และข้อความเสียง โดยสามารถนำข้อมูลเหล่านี้มาใช้งานด้วยวัตถุประสงค์ 4 ข้อ ดังนี้
1) decision making improvement ช่วยให้ตัดสินใจได้ดีและแม่นยำขึ้น เช่น การคาดการณ์สินค้าที่จะนำมาวางขายได้ตรงความต้องการของลูกค้า
2) operational efficiency ช่วยให้ทำงานได้เร็วและมีประสิทธิภาพมากยิ่งขึ้น เช่น การบริหารจัดการทรัพยากรคนและสินค้าของ Amazon Go ที่ให้ลูกค้าซื้อของในร้านโดยปราศจากพนักงานแคชเชียร์ ซึ่งช่วยลดต้นทุนแรงงาน เพิ่มความสะดวกสบายและความรวดเร็วให้แก่ลูกค้าด้วย
3) new revenue สร้างรายได้ใหม่ เช่น การแนะนำสินค้าใหม่ที่เหมาะสมกับลูกค้า เพราะหากเราสามารถนำข้อมูลมาวิเคราะห์สิ่งที่ลูกค้าต้องการได้ตรงจุด ก็จะสามารถมีโอกาสในการเพิ่มยอดขายสินค้าได้มากขึ้น
4) risk management การจัดการความเสี่ยง เช่น fraud detection/prevention หรือการตรวจสอบและป้องกันการนำข้อมูลไปใช้ในทางมิชอบ
องค์กรในระดับนี้จะมีแพลตฟอร์มในการเก็บข้อมูลหลากหลายรูปแบบทั้งในและนอกองค์กร มีกระบวนการเก็บข้อมูลด้วยระบบอัตโนมัติ (automation process) และมีทีม development operations (DevOps) ซึ่งเป็นการทำงานร่วมกันของคนพัฒนาซอฟต์แวร์และคนที่เอาซอฟต์แวร์มาลงในระบบ ทำหน้าที่ป้อนข้อมูลให้กับ ML model เพื่อนำไปใช้งานตามวัตถุประสงค์ทั้ง 4 ข้อที่กล่าวมาข้างต้น รวมทั้งมีการพัฒนาคนและวัฒนธรรมในองค์กรให้เรียนรู้ที่จะใช้เทคโนโลยี ข้อมูล และ AI ในการพัฒนาศักยภาพของคนด้วย
เทคโนโลยี ML ถูกนำมาใช้อย่างแพร่หลายในการวิเคราะห์ unstructured data สอนให้เครื่อง ML เรียนรู้ในการแยกแยะ (classification) โดยใช้การเรียนรู้แบบ supervised learning คือสอนให้เครื่องเรียนรู้คำตอบ เช่น ให้โมเดลดูว่ามีคนใส่แว่นในรูปหรือไม่ หรือประมวลเสียงพนักงานว่าพูดจาด้วยน้ำเสียงสุภาพไหม ซึ่งต้องมีการนำข้อมูลภาพหรือเสียงมา label (ใส่คำตอบ) บอกว่าภาพนี้เป็นคนใส่แว่นหรือไม่ใส่แว่น หรือน้ำเสียงที่พูดมาสุภาพหรือไม่ ถ้ามี label data มากพอ โมเดลก็จะสามารถเรียนรู้และหารูปแบบ (pattern) ในการแยกแยะข้อมูลได้มีประสิทธิภาพ เพราะฉะนั้นหากมีโจทย์ประเภท classification โดยนำ unstructured data มาใช้ ก็ต้องคำนึงด้วยว่ามีข้อมูลสำหรับใช้ label เพื่อให้โมเดลเรียนรู้เพียงพอหรือยัง บ่อยครั้งงานที่ต้องใช้ unstructured data ต้องใช้เวลาและแรงงานคนในการ label data มากพอสมควร
การใช้งาน AI อย่างมีประสิทธิภาพเกิดจากการทำงานร่วมกันกับมนุษย์ด้วย เนื่องจาก AI ยังคงมีข้อจำกัดอยู่บ้าง (อ่านบทความ ข้อจำกัดของ AI) แต่ก็ยังมีคนส่วนมากที่เข้าใจว่า AI เป็นซอฟต์แวร์ที่ซื้อมาแล้วใช้งานได้เลยทันที แถมมีความฉลาดในการเรียนรู้ไปเรื่อยๆ ด้วยตัวเองโดยไม่ต้องใช้คนช่วย หรือไม่จำเป็นต้องสร้างโจทย์ในการทำงานให้ AI ก็สามารถคิดและประมวลผลเองได้ทั้งหมด แต่ในความเป็นจริงแล้ว AI/ML ต้องใช้ข้อมูลที่เก็บไว้ภายในองค์กรและจำเป็นต้องมีคนมาตรวจสอบว่าใช้งานตรงตามวัตถุประสงค์หรือไม่
แน่นอนว่าโลกของเราเปลี่ยนแปลงไปเป็นอย่างมาก เราทุกคนต่างอยู่ในโลกดิจิทัลที่การเปลี่ยนแปลงและการถูกแทรกแซง (disrupt) เกิดขึ้นอยู่เสมอ หากเราไม่ปรับตัวหรือปรับตัวช้าก็อาจส่งผลเสียต่อองค์กรได้ แต่ก่อนที่จะวางแผนพัฒนาองค์กรให้มีความพร้อม เราต้องเข้าใจก่อนว่าองค์กรอยู่ในระดับความพร้อมขั้นไหน และยังขาดอะไรบ้างในการพัฒนาตัวเองไปสู่ขั้นถัดไป แน่นอนว่าการรู้จุดแข็งของตนเองเป็นเรื่องที่ดี แต่ก็ไม่ควรจะมองข้ามจุดอ่อนที่มีอยู่ด้วย เพื่อพัฒนาองค์กรของตนเองให้มีศักยภาพอย่างตรงจุด สามารถนำข้อมูลไปใช้ได้อย่างชาญฉลาด และพร้อมก้าวสู่การเป็น data/AI driven organization อย่างเต็มตัวได้
References:
https://www.oreilly.com/ideas/bringing-ai-into-the-enterprise" จรัล งามวิโรจน์เจริญ, บริษัท เซอร์ทิส จำกัด, องค์กรคุณพร้อมนำ Data มาใช้แค่ไหน,https://thaipublica.org/2018/08/data-driven-society25/,วันที่19ส.ค.2561.
ไม่มีความคิดเห็น:
แสดงความคิดเห็น