Generative AI : ขุมพลังขององค์กร?
20 กรกฎาคม 2566
นับตั้งแต่เปิดตัวเมื่อพฤศจิกายนปีก่อน ChatGPT ใช้เวลาเพียงสองเดือน มีผู้ใช้งานประจำมากถึง 100 ล้านราย ทำลายสถิติขึ้นเป็น AI chatbot ที่มีฐานลูกค้าเติบโตเร็วที่สุด ในวันนี้ผู้เขียนจึงขอกลับมาแลกเปลี่ยนมุมมองต่อยอดจากบทความ “ChatGPT: เทคโนโลยีดิจิทัล โอกาสและความท้าทาย” ในคอลัมน์นี้เมื่อสี่เดือนก่อน โดยจะขยายความถึง Generative AI ผ่านมุมมองใหม่ ๆ ที่ได้รับอิทธิพลของ ChatGPT เมื่อเร็ว ๆ นี้
Generative AI อาจสร้างผลบวกให้โลกได้มากกว่ามูลค่า GDP ของสหราชอาณาจักร!
McKinsey เผยรายงาน “The economic potential of generative AI: The next productivity frontier” ซึ่งประเมินโอกาสของการใช้งาน Generative AI และหยิบยกกรณีศึกษาในหลายอุตสาหกรรม โดยมองว่า การต่อยอด AI ทั่วไปด้วย Generative AI จะสามารถยกระดับผลิตภาพได้สูงถึง 2.6-4.4 ล้านล้านเหรียญสหรัฐฯ ต่อปี ซึ่งสูงกว่าการใช้ AI ปกติถึง 15-40% ทั้งนี้ มูลค่าดังกล่าวเฉลี่ยแล้วสูงกว่า GDP ของสหราชอาณาจักรในปี 2021 เสียอีก ยิ่งกว่านี้ ตัวเลขประมาณการอาจสูงขึ้นได้เป็นเท่าตัวหากรวมการใช้งาน Generative AI ในซอฟต์แวร์อื่น ๆ นอกจาก 63 กรณีศึกษาในรายงาน ทั้งนี้ พบว่ามูลค่าเพิ่มจาก Generative AI ส่วนใหญ่มาจากการใช้งานสำหรับการดูแลลูกค้า การตลาดและการขาย วิศวกรรมซอฟต์แวร์ และ การวิจัยและพัฒนา
องค์กรระดับโลกใช้งาน Generative AI กันแบบไหน?
ศาสตราจารย์ Thomas H. Davenport และ Maryam Alavi ได้เผยแพร่บทความ “How to Train Generative AI Using Your Company’s Data” ใน Harvard Business Review เพื่อชี้ถึงประเด็นสำคัญในการใช้งาน Generative AI ในระดับองค์กร เพื่อบริหารจัดการองค์ความรู้และฐานข้อมูลทรัพยากรอันมีค่าของแต่ละหน่วยงาน ภายใต้ข้อตระหนักว่า Generative AI ต้องถูกสอนให้เรียนรู้ (train) ข้อมูลผ่านระบบอินเทอร์เน็ตเป็นหลัก จึงไม่สามารถตอบคำถามที่เกี่ยวข้องกับข้อมูลเฉพาะที่ไม่เผยแพร่ทั่วไปได้ นอกจากนี้ ความรู้ในแต่ละองค์กรถูกสร้างและจัดเก็บในหลากหลายรูปแบบ ทั้งชุดความคิดของคนทำงาน กระบวนการทำงาน นโยบาย รายงาน รายการธุรกรรม และการหารือในที่ประชุมคณะกรรมการ เป็นต้น การบริหารจัดการองค์ความรู้ในองค์กรโดยใช้ Generative AI จึงทำได้ไม่ง่ายนัก ซึ่งการใช้งานแบ่งเป็นสามแนวทาง คือ
เริ่มต้นจากศูนย์: โดยสร้างและ train แบบจำลองทางภาษาขนาดใหญ่ (Large Language Models, LLM) ภายใต้ข้อมูลเฉพาะในขอบเขตที่เรากำหนด ซึ่งเป็นวิธีที่ไม่ค่อยแพร่หลายนัก เนื่องจากต้องใช้ทั้งข้อมูลคุณภาพสูงและนักวิทยาศาสตร์ข้อมูลที่มีศักยภาพ ตัวอย่างขององค์กรที่ใช้วิธีนี้ คือ Bloomberg สำนักข่าวชั้นนำที่ให้บริการข้อมูลเศรษฐกิจการเงิน ซึ่งได้พัฒนา BloombergGPT เพื่อรองรับการใช้งานฐานข้อมูลการเงิน ข่าวสาร และเอกสารต่าง ๆ ที่สั่งสมมากว่า 40 ปี
ปรับแต่งจาก LLM เดิม: โดยสอนให้ LLM เพิ่มขอบเขตการใช้งานเข้าไปในระบบที่ได้รับการ train อยู่แล้ว จึงใช้ทรัพยากรน้อยกว่าเริ่มต้นจากศูนย์มาก ดังตัวอย่างของ Google ที่พัฒนา Med-PaLM2 สำหรับข้อมูลด้านการแพทย์ โดยปรับแต่ง PaLM2 ซึ่งเป็น LLM ที่มีอยู่ และสอนให้เรียนรู้อีกครั้ง (retrain) โดยบริหารจัดการข้อมูลด้านการแพทย์อย่างระมัดระวัง พบว่า Med-PaLM2 สามารถตอบคำถามได้ถึง 85% ของข้อสอบใบประกอบวิชาชีพแพทย์ในสหรัฐฯ อย่างไรก็ดี การปรับแต่ง LLM ทำได้ไม่ง่ายนัก เห็นได้จากการตีพิมพ์รายงานวิทยาศาสตร์สำหรับโครงการของ Google ที่ใช้ผู้เขียนร่วมถึง 31 คน นอกจากนี้ ผู้พัฒนา LLM หลายรายรวมถึง GPT-4 ก็ไม่อนุญาตให้ปรับแต่ง LLM
ใช้งาน LLM ในปัจจุบัน: โดยไม่ต้องปรับแต่ง และ retrain LLM เป็นแนวทางที่ถูกเลือกมากที่สุด โดยแยกระบบการจัดเก็บข้อมูลออกเป็น cloud ต่างหาก แล้วป้อนชุดคำถาม หรือ prompts ในการทำงานร่วมกับ Generative AI ภายใต้บริบทที่กำหนดขอบเขตขององค์ความรู้ที่ต้องการ LLM ก็จะสามารถตอบคำถามที่เกี่ยวข้องได้ ดังตัวอย่างของ Morgan Stanley ที่ใช้งาน GPT-4 ร่วมกับเอกสารกว่าหนึ่งแสนฉบับใน cloud เฉพาะที่เข้าถึงได้แค่พนักงานเท่านั้น เพื่อให้ที่ปรึกษาทางการเงินของบริษัทสามารถเข้าถึงข้อมูลที่ถูกต้องในประเด็นสำคัญ ๆ และให้บริการกับลูกค้าได้อย่างรวดเร็ว
Generative AI จะเป็นขุมพลังให้กับทุกองค์กรหรือไม่?
จุดอ่อนสำคัญของ Generative AI คือ การสร้างคำตอบมีโอกาสเป็น “ภาพลวงตา” ซึ่งไม่ถูกต้อง หรือ ไม่มีอยู่จริง แต่ข่าวดีก็คือ องค์กรที่ใช้งาน LLM ด้วยข้อมูลภายใต้ขอบเขตที่กำหนด เช่น BloombergGPT มีโอกาสพบภาพลวงตาน้อยกว่าการใช้งาน LLM ในรูปแบบทั่วไป นอกจากนี้ การประเมินคุณภาพของคำตอบที่ได้รับ อาทิ Morgan Stanley กำหนดชุดคำถาม 400 ข้อ เพื่อทดสอบระบบทุกครั้งที่ระบบเปลี่ยนแปลง ก็สามารถลดโอกาสที่จะเกิดคำตอบที่ไม่ถูกต้องได้เช่นกัน
นอกจากนี้ หลายองค์กร อาทิ Samsung กังวลถึงการที่ชุดคำถามของผู้ใช้งานจะถูกผนวกเข้าไปใน LLM สาธารณะในการ train ระบบในอนาคต จึงป้องกันไม่ให้ความความลับรั่วไหล โดยสั่งห้ามไม่ให้พนักงานใช้งาน LLM แต่ปัญหานี้ไม่น่าจะเกิดขึ้นกับองค์กรที่ปรับ LLM ให้ใช้ในขอบเขตเฉพาะ ซึ่งไม่เปิดให้คนนอกเข้าถึงข้อมูลได้ ขณะที่ ChatGPT เองก็อนุญาตให้ผู้ใช้งานปิดการจัดเก็บประวัติการสนทนาได้
โดยสรุปแล้ว Generative AI จะเป็นขุมพลังใหม่ให้กับองค์กรได้หรือไม่ ขึ้นกับความพร้อมในการใช้งานฐานข้อมูลจำเพาะขององค์กรควบคู่ไปกับการบริหารจัดการความเสี่ยง ทั้งจากระบบ และตัวพนักงานเอง นอกจากนี้ หลังจาก ChatGPT เปิดตัวมาไม่ถึงหนึ่งปีก็มีผู้ใช้งานเพิ่มขึ้นต่อเนื่องอย่างรวดเร็ว แต่เมื่อมิถุนายนที่ผ่านมาจำนวนผู้ใช้งานกลับลดลงเป็นครั้งแรก ซึ่งอาจมีนัยบางอย่างที่ทำให้ธุรกิจและเหล่าผู้ใช้งานเริ่มตระหนักถึงข้อจำกัดหรือเกิดความกังวลต่อ AI chatbot นี่จึงเป็นเพียงช่วงเริ่มต้นที่พวกเราต้องเรียนรู้และมองให้เห็นถึงข้อดีข้อด้อยของ Generative AI ได้อย่างชัดเจนเพื่อที่จะนำไปใช้ประโยชน์ได้อย่างเหมาะสมที่สุด
** บทความนี้เป็นความคิดเห็นส่วนบุคคล จึงไม่จำเป็นต้องสอดคล้องกับความเห็นของหน่วยงานที่ผู้เขียนสังกัด **