[Technology] ‘คลื่นลูกแรกของ AI สิ้นสุดลงแล้ว’
หลังจากนี้คือการประยุกต์สู่นวัตกรรมใหม่ ตามหลัก S-curve of Innovation และเป็นช่วงเวลาสำคัญของโอกาสใหม่ทางธุรกิจ
ในช่วงไม่กี่ปีที่ผ่านมา เราได้เห็นการเติบโตอย่างก้าวกระโดดของเทคโนโลยี AI โดยเฉพาะอย่างยิ่งในด้านของ Large Language Models (LLMs) ที่สามารถสร้างเนื้อหาและตอบคำถามได้อย่างน่าทึ่ง แต่ล่าสุด เริ่มมีสัญญาณบ่งชี้ออกมาว่าคลื่นลูกแรกของ AI กำลังจะสิ้นสุดลง หากเราลองดูผลการทดสอบประสิทธิภาพของโมเดล AI รุ่นใหม่ๆ จะเห็นได้ว่าการพัฒนาเริ่มชะลอตัวลง ตัวอย่างเช่น ผลการทดสอบ MMLU (Massive Multitask Language Understanding) ของโมเดล GPT จาก OpenAI แสดงให้เห็นว่าการเพิ่มขึ้นของคะแนนในแต่ละรุ่นเริ่มมีอัตราที่ลดลง โดยเฉพาะอย่างยิ่งในช่วงหลัง
นอกจากนี้ เรายังพบว่า AI ในปัจจุบันยังมีข้อจำกัดและความผิดพลาดที่น่าแปลกใจอยู่บ้าง เช่น การแนะนำให้ใช้กาวในการทำพิซซ่า หรือการคำนวณทางคณิตศาสตร์ง่ายๆ ผิดพลาด สิ่งเหล่านี้สะท้อนให้เห็นว่า AI ยังไม่สมบูรณ์แบบและกำลังเผชิญกับความท้าทายในการพัฒนาต่อไป
[S-curve of Innovation: เส้นโค้งแห่งนวัตกรรม]
เพื่อทำความเข้าใจสถานการณ์นี้ เราต้องมองย้อนกลับไปที่ทฤษฎี S-curve of Innovation ซึ่งอธิบายวงจรของการพัฒนาเทคโนโลยีก่อน S-curve เป็นแนวคิดที่ใช้อธิบายการพัฒนาและการยอมรับของนวัตกรรมหรือเทคโนโลยีใหม่ๆ ในช่วงเวลาหนึ่ง โดยแบ่งออกเป็น 3 ช่วงหลัก
- ช่วงเริ่มต้น (Emerging Stage)
เป็นช่วงที่นวัตกรรมเพิ่งถูกคิดค้นหรือเริ่มนำมาใช้ โดยการพัฒนาและการยอมรับเป็นไปอย่างช้าๆ และมีการลงทุนสูงในการวิจัยและพัฒนา แต่ผลตอบแทนยังต่ำ - ช่วงเติบโต (Growth Stage)
เป็นช่วงที่นวัตกรรมเริ่มได้รับการยอมรับมากขึ้น มีการพัฒนาอย่างรวดเร็วและต่อเนื่อง ประสิทธิภาพและการยอมรับเพิ่มขึ้นอย่างก้าวกระโดด - ช่วงอิ่มตัว (Maturity Stage)
เป็นช่วงที่การพัฒนาเริ่มชะลอตัวลง การปรับปรุงเป็นไปอย่างค่อยเป็นค่อยไป โดยเป็นช่วงที่เทคโนโลยีเข้าสู่จุดอิ่มตัว ยากที่จะพัฒนาให้ดีขึ้นกว่าเดิมอย่างมีนัยสำคัญ
นอกจากนี้ S-curve ยังแสดงให้เห็นถึงความสัมพันธ์ระหว่างการลงทุนในการพัฒนา (แกนนอน) กับประสิทธิภาพหรือการยอมรับของเทคโนโลยี (แกนตั้ง) โดยในช่วงแรก แม้จะมีการลงทุนมาก แต่ผลลัพธ์อาจยังไม่ชัดเจน จนกระทั่งถึงจุดหนึ่งที่เรียกว่า “จุดหักเห” (Inflection Point) ซึ่งเป็นจุดที่การพัฒนาเริ่มเร่งตัวขึ้นอย่างรวดเร็ว
[ทำไมผู้บริหารและนักลงทุน ถึงต้องเข้าใจ S-curve of Innovation]
ความเข้าใจเกี่ยวกับ S-curve มีความสำคัญอย่างยิ่งสำหรับผู้บริหารและนักลงทุน เพราะช่วยในการ
คาดการณ์แนวโน้มของเทคโนโลยี
วางแผนการลงทุนและพัฒนาผลิตภัณฑ์
เตรียมพร้อมรับมือกับการเปลี่ยนแปลงทางเทคโนโลยี
ยกตัวอย่างที่ชัดเจนของ S-curve ในอดีต อย่างเช่น
TCP/IP – ช่วงเริ่มต้น เริ่มจากแนวคิดในช่วงทศวรรษ 1960 และมีการพัฒนาอย่างรวดเร็วหลังจากการเผยแพร่ในปี 1974 จนเข้าสู่ช่วงเสถียรภาพด้วย IPv4 ในปี 1981 ซึ่งยังคงใช้งานอยู่ในปัจจุบัน
Web Browser – ช่วงเริ่มต้น: เว็บเบราว์เซอร์ยุคแรกๆ เป็นเพียงเทอร์มินัลแบบพาสซีฟ และในช่วงปลายทศวรรษ 1990 มีการพัฒนาอย่างรวดเร็ว เกิดการแข่งขันระหว่าง Netscape และ Internet Explorer หลังจากนั้นการพัฒนาก็เป็นไปอย่างค่อยเป็นค่อยไป เน้นที่การปรับปรุงประสิทธิภาพและความปลอดภัย
Mobile Apps – ช่วงเริ่มต้น: แอปพลิเคชันมือถือยุคแรกๆ มีฟังก์ชันจำกัด และการเปิดตัว App Store ในปี 2008 นำไปสู่การเติบโตอย่างก้าวกระโดด เกิดแอปใหม่ๆ มากมาย จนปัจจุบันแอปที่มีความแปลกใหม่จริงๆ เริ่มหายากขึ้น ส่วนใหญ่เป็นการพัฒนาต่อยอดจากแนวคิดเดิม
[S-curve of Innovation กับ AI]
เมื่อนำแนวคิด S-curve มาใช้กับ AI เราจะเห็นว่าเทคโนโลยีนี้กำลังเข้าสู่ช่วงท้ายของเส้นโค้ง S แรก
โดยช่วงเริ่มต้น แนวคิดเกี่ยวกับ AI เริ่มต้นตั้งแต่ทศวรรษ 1950 โดย Alan Turing แต่การพัฒนาเป็นไปอย่างช้าๆ และช่วงเติบโต การเปิดตัวของ ChatGPT ในปี 2022 นำไปสู่การพัฒนาอย่างก้าวกระโดดของ LLMs มาถึงปัจจุบันกับช่วงอิ่มตัว เราเริ่มเห็นสัญญาณของการชะลอตัว โดยโมเดลรุ่นใหม่ๆ มีประสิทธิภาพเพิ่มขึ้นไม่มากนักเมื่อเทียบกับรุ่นก่อนหน้า
นั่นหมายความว่าการพัฒนาแบบก้าวกระโดดในช่วงแรกกำลังจะสิ้นสุดลง และเราต้องเตรียมพร้อมสำหรับการก้าวกระโดดครั้งต่อไป ซึ่งอาจนำไปสู่การเกิด S-curve ลูกใหม่
[นวัตกรรมต่อไปของ AI ข้อมูลธุรกิจคือกุญแจสำคัญ]
แล้วอะไรคือสิ่งที่จะผลักดันให้ AI ก้าวข้ามไปสู่ S-curve ถัดไป? คำตอบอาจอยู่ที่แหล่งข้อมูลใหม่ที่มีคุณภาพสูงกว่าเดิม
ปัจจุบัน LLMs ส่วนใหญ่ถูกฝึกฝนด้วยข้อมูลสาธารณะจากอินเทอร์เน็ต เช่น GitHub, Reddit และ WordPress แต่แหล่งข้อมูลเหล่านี้เริ่มถูกใช้จนหมดแล้ว ทำให้บริษัท AI ต้องหันไปใช้วิธีอื่นๆ เช่น การถอดเสียงวิดีโอ YouTube หรือการจ้างคนทำ data labeling ซึ่งไม่ใช่วิธีที่ยั่งยืนในระยะยาว
ผู้เชี่ยวชาญเชื่อว่าก้าวต่อไปของ AI จะมาจากการใช้ข้อมูลที่ผลิตในบริบทของการทำงาน (workplace data) ข้อมูลเหล่านี้มีคุณภาพสูงกว่าข้อมูลสาธารณะทั่วไปมาก ไม่ว่าจะเป็นข้อมูลจากเอกสารผลิตภัณฑ์ การนำเสนอขาย หรือการศึกษาทางการแพทย์ ซึ่งล้วนมีคุณค่ามากกว่าข้อมูลที่ไม่ได้รับการตรวจสอบจาก Wikipedia
[ความท้าทายและโอกาสสำหรับธุรกิจ]
การใช้ข้อมูลธุรกิจในการพัฒนา AI นำมาซึ่งความท้าทายที่สำคัญ โดยเฉพาะในด้านความปลอดภัยของข้อมูล บริษัทต่างๆ ต้องระมัดระวังในการแบ่งปันข้อมูลกับผู้ให้บริการ AI เพื่อป้องกันการรั่วไหลของข้อมูลสำคัญ
อย่างไรก็ตาม ความท้าทายนี้ก็นำมาซึ่งโอกาสใหม่ๆ สำหรับสตาร์ทอัพที่สามารถแก้ปัญหาเหล่านี้ได้ โดยมีแนวทางที่น่าสนใจ 4 ประการ
- การมีส่วนร่วมของผู้เชี่ยวชาญ (Engage Experts)
สร้างชุมชนของผู้เชี่ยวชาญในแต่ละสาขา เช่น Centaur Labs ที่สร้างเครือข่ายแพทย์ นักวิจัย และผู้เชี่ยวชาญทางการแพทย์หลายพันคน และพัฒนาระบบแรงจูงใจแบบใหม่ เช่น การใช้เกมมิฟิเคชัน ตัวอย่างเช่น Datacurve ที่เปลี่ยนคำขอข้อมูลจากลูกค้าให้เป็น “ภารกิจ” ในเกม เพื่อดึงดูดวิศวกรที่เพิ่งจบการศึกษาจากมหาวิทยาลัยชั้นนำ - การใช้ประโยชน์จากข้อมูลแฝง (Leverage Latent Data)
ช่วยธุรกิจในการเตรียมข้อมูลภายในสำหรับใช้งานกับ AI เช่น Unstructured และ Reducto ที่ช่วยในการนำเข้าเอกสารที่ซับซ้อนเพื่อใช้กับ LLMs และสร้างเฟรมเวิร์คข้อมูลรุ่นใหม่ที่เชื่อมโยงข้อมูลจากแอปพลิเคชันต่างๆ เช่น LlamaIndex ที่ช่วยให้องค์กรสามารถโหลดข้อมูลจากแหล่งข้อมูลและรูปแบบต่างๆ มากกว่า 160 แหล่งเพื่อประมวลผล - การเก็บข้อมูลที่มีประสิทิภาพ (Capture in Context)
พัฒนาเครื่องมือที่สามารถเก็บข้อมูลใหม่ๆ โดยไม่รบกวนการทำงานปกติ เช่น Chorus (ซึ่งถูกซื้อโดย ZoomInfo) และ Textio ที่ช่วยให้องค์กรสามารถแนะนำพนักงานในการทำงานได้อย่างมีประสิทธิภาพมากขึ้น รวมถึงสร้างระบบการเก็บข้อมูลแบบครอบคลุมที่ทำงานได้กับหลายแอปพลิเคชัน - การรักษาความปลอดภัยของข้อมูลสำคัญ (Secure the Secret Sauce)
ช่วยองค์กรในการสร้างและใช้งานโมเดล AI ของตนเอง และพัฒนาเทคนิคการเรียนรู้แบบกระจายศูนย์ เพื่อปกป้องความเป็นส่วนตัวของผู้ใช้
[การเตรียมพร้อมรับมือกับนวัตกรรม AI รุ่นต่อไปในฐานะผู้บริหาร]
ในฐานะผู้บริหาร การเตรียมพร้อมสำหรับคลื่นลูกถัดไปของ AI เป็นสิ่งสำคัญอย่างยิ่ง
ตระหนักถึงคุณค่าของข้อมูลองค์กร ข้อมูลภายในองค์กรของคุณอาจมีค่ามากกว่าที่คิด ไม่ว่าจะเป็นเอกสารภายใน การสื่อสารระหว่างทีม หรือข้อมูลลูกค้า สิ่งเหล่านี้อาจเป็นกุญแจสำคัญในการพัฒนา AI ที่ตอบโจทย์ธุรกิจของคุณได้อย่างแท้จริง
ลงทุนในการจัดการข้อมูล พัฒนาระบบการจัดการข้อมูลที่มีประสิทธิภาพ ทั้งในแง่ของการจัดเก็บ การทำความสะอาด และการจัดหมวดหมู่ข้อมูล เพื่อให้พร้อมสำหรับการนำไปใช้กับ AI ในอนาคต
สร้างความร่วมมือกับผู้เชี่ยวชาญในองค์กร ส่งเสริมให้ผู้เชี่ยวชาญในสาขาต่างๆ ขององค์กรมีส่วนร่วมในการพัฒนา AI โดยอาจใช้ระบบแรงจูงใจหรือการยกย่องเชิดชูเกียรติ
พิจารณาการพัฒนาโมเดล AI เฉพาะสำหรับองค์กร แทนที่จะพึ่งพาโมเดล AI สาธารณะเพียงอย่างเดียว ควรพิจารณาการพัฒนาโมเดล AI ที่เฉพาะเจาะจงสำหรับธุรกิจของคุณ ซึ่งจะช่วยให้คุณได้เปรียบในการแข่งขันและปกป้องข้อมูลสำคัญขององค์กร
ให้ความสำคัญกับความปลอดภัยและความเป็นส่วนตัวของข้อมูล พัฒนานโยบายและระบบรักษาความปลอดภัยของข้อมูลที่เข้มงวด โดยเฉพาะเมื่อต้องทำงานร่วมกับพาร์ทเนอร์ภายนอกในการพัฒนา AI
ติดตามความก้าวหน้าของเทคโนโลยี AI อย่างใกล้ชิด เทคโนโลยี AI มีการเปลี่ยนแปลงอย่างรวดเร็ว การติดตามความก้าวหน้าอย่างสม่ำเสมอจะช่วยให้คุณสามารถตัดสินใจเชิงกลยุทธ์ได้อย่างทันท่วงที
สร้างวัฒนธรรมองค์กรที่เปิดรับนวัตกรรม ส่งเสริมให้พนักงานมีความคิดสร้างสรรค์และกล้าทดลองใช้เทคโนโลยีใหม่ๆ ซึ่งจะช่วยให้องค์กรสามารถปรับตัวได้เร็วเมื่อเกิดการเปลี่ยนแปลงทางเทคโนโลยี
พัฒนาทักษะด้าน AI ให้กับบุคลากร ลงทุนในการฝึกอบรมและพัฒนาทักษะด้าน AI ให้กับพนักงาน เพื่อให้องค์กรมีความพร้อมในการใช้ประโยชน์จากเทคโนโลยี AI อย่างเต็มที่
ผู้บริหารที่เข้าใจถึงความสำคัญของข้อมูลองค์กร และสามารถนำมาใช้ประโยชน์ได้อย่างชาญฉลาด จะเป็นผู้ที่ได้เปรียบในการแข่งขันในยุคต่อไป การเตรียมพร้อมตั้งแต่วันนี้ ทั้งในด้านการจัดการข้อมูล การพัฒนาบุคลากร และการสร้างวัฒนธรรมองค์กรที่เหมาะสม จะเป็นกุญแจสำคัญในการก้าวข้ามไปสู่ S-curve ถัดไปของ AI ได้อย่างมั่นคงและยั่งยืน
เขียนโดย : ภคณัฐ ทาริยะวงศ์
#FutureTrends #FutureTrendsetter
