ปีที่ผ่านมานับเป็นปีแห่งปัญญาประดิษฐ์อย่างแท้จริง จากความเปลี่ยนแปลงจำนวนมาก เทคโนโลยีปัญญาประดิษฐ์พัฒนาอย่างรวดเร็วโดยเฉพาะ Generative AI ทาง KASIKORN Business-Technology Group (KBTG) ก็เชิญสื่อมวลชนร่วมรับฟังถึงแนวทางนำ AI มาใช้งานใน KBTG พร้อมกับแนะนำถึงเทคโนโลยีที่บริษัทมองว่ากำลังจะมาถึงในเร็ววันนี้ ที่เราควรเตรียมพร้อมทั้งการรับมือและการใช้งานเมื่อมันมาถึง
คุณกระทิง เรืองโรจน์ พูนผล Group Chairman ของ KBTG เล่าถึงแนวทางของ KBTG ว่าเป็นบริษัทที่ให้ความสำคัญกับ AI ตลอดมา ตั้งแต่การใช้โมเดล deep learning เพื่อทำ machine commerce เมื่อปี 2017 จนถึงการพัฒนาเทคโนโลยี เช่น การตรวจจับใบหน้าด้วยตัวเองโดยไม่ต้องพึ่งพิงเทคโนโลยีจากต่างประเทศตั้งแต่ปี 2019 และการสร้างงานวิจัยที่มีการตีพิมพ์ในวารสารวิชาการตั้งแต่ปี 2018 จนตอนนี้มีงานวิจัยต่อเนื่องมากกว่า 26 ฉบับแล้ว หรือรายงานวิจัยล่าสุดที่เผยแพร่ออกมาคือ THaLLE ที่ฝึกโมเดลปัญญาประดิษฐ์ขนาดเล็กจนสามารถทำคะแนน CFA ในระดับผ่านการสอบได้สำเร็จ
ในแง่ของการเลือกเทคโนโลยีที่จะเข้าไปพัฒนา คุณกระทิงระบุว่า KBTG สนใจปัญหา long tail ที่เป็นปัญหาเฉพาะของแต่ละอุตสาหกรรม ไม่ว่าจะเป็นภาคการผลิต, ยานยนตร์, เทคโนโลยีทางการเงิน, สุขภาพ, หรือความปลอดภัยไซเบอร์ โดย KBTG ลงทุนในบริษัทกลุ่มนี้ผ่านทาง KXVC
แนวทางสำคัญของ KBTG ในการใช้งาน AI หลังจากนี้ คือการมองว่าคนเป็นรากฐานของการทรานฟอร์มเมชั่น ทำให้กลายเป็นหลักการ Human-First x AI-First Transformation โดยคุณกระทิงระบุว่าไม่มีประโยชน์ที่จะพยายามแทนคนไปทั้งหมด หรือการใช้ AI โดยไม่ได้คำนึงว่าจะทำให้คุณภาพชีวิตมนุษย์ดีขึ้น
แนวทาง Human-First x AI-First Transformation มี 4 แนวทางได้แก่ 1) ส่งมอบคุณค่าทางธุรกิจให้กับธุรกิจของ KBTG 2) เพิ่มประสิทธิภาพการทำงานการทำงาน ลดต้นทุน 3) เพิ่มศักยภาพของเทคโนโลยี 4) ยกศักยภาพของคนทำงาน การทำให้ได้ตาม 4 แนวทางนี้ต้องอาศัยทั้งการออกแบบ value chain ของธุรกิจเสียใหม่ ปรับองค์กรให้พร้อมรับ AI เข้ามาอยู่ในทีมงาน และเพิ่มความสามารถคนทำงานให้พร้อมรับ AI ที่พัฒนาตัวเองต่อเนื่อง
แนวทางการเพิ่มประสิทธิภาพคนทำงาน ทำให้ KBTG สามารถส่งมอบโครงการต่างๆ ได้เร็วขึ้น 2-3 เท่าตัวภายใน 3 ปี โดยยึดหลัก 4 ประการ
คุณกระทิงเชื่อว่าในอนาคตพนักงานจะต้องใช้เครื่องมือ AI ที่หลากหลาย ไม่ใช่เพียง Generative AI เท่านั้น บางงานอาจจะต้องการระบบ machine learning เดิมๆ หรือบางงานอาจจะไม่ควรใช้ AI เลย หลักการใช้งาน AI ในการทำงานจึงต้องทำงานร่วมกับมนุษย์เสมอ (“always keep human in the loop”)
ดร.ทัดพงศ์ พงศ์ถาวรกมล เล่าถึงการใช้งาน AI ที่ก้าวหน้าขึ้นเรื่อยๆ จากเดิมที่ AI หมายถึงการสร้างกฎจำนวนมากให้คอมพิวเตอร์ตาม (rule-based) มาสู่ยุค machine learning ที่คอมพิวเตอร์เริ่มเรียนรู้จากข้อมูลโดยตรง ในช่วง 1980-2000 จากนั้นเราเข้ามาสู่ยุค deep learning ที่คอมพิวเตอร์สามารถเข้าใจข้อมูลเชิงลึก มองเห็นข้อมูลอย่างเข้าใจ จนกระทั่งมาถึงยุค generative AI จนทุกวันนี้ โดย ดร.ทัดพงศ์ คาดการณ์ถึง 5 เทคโนโลยีที่กำลังก้าวเข้ามา
ตัวแรกคือ LVM (large vision model) โมเดลปัญญาประดิษฐ์ที่มองภาพและเข้าใจมากยิ่งขึ้น จากเดิมที่โมเดลปัญญาประดิษฐ์ ถูกฝึกสำหรับงานเฉพาะทางเฉพาะเรื่องเท่านั้น LVM เปิดทางให้นักพัฒนาสามารถสร้างแอปพลิเคชั่นด้าน computer vision ได้โดยไม่ต้องการข้อมูลฝึกเฉพาะ (zero-shot) หรือบางครั้งก็ให้ตัวอย่างเพียงไม่กี่ตัวอย่างเท่านั้น (few-shot) ก็สามารถพัฒนาแอปพลิเคชั่นได้แล้ว จากเดิมที่ค่าใช้จ่ายในการสร้างชุดข้อมูล (labeling) คิดเป็นต้นทุนถึง 70-80% ของการพัฒนา แต่ LVM จะลดค่าใช้จ่ายในส่วนนี้ได้มหาศาล
ความเชื่อในเทคโนโลยีนี้ทำให้ KBTG ลงทุนใน Landing.ai ที่ก่อตั้งโดย Andrew Ng ที่สร้างแพลตฟอร์มสำหรับการสร้างชุดข้อมูลโดยผู้ใช้สามารถให้ตัวอย่างเพียงเล็กน้อย ตัวแพลตฟอร์มสามารถเติมเต็มการสร้างชุดข้อมูลได้อัตโนมัติ
ต่อมาคือ Multi-Modal AI ปัญญาประดิษฐ์ที่เข้าใจทั้งเสียง, ภาพ, และข้อความ โดย AI กลุ่มนี้ต้องการข้อมูลมหาศาลเพื่อฝึกปัญญาประดิษฐ์ให้เชื่อมโยงข้อมูลรูปแบบต่างๆ กันได้ ตัวอย่างหนึ่งคือ ImageBind ของ Meta ที่รับข้อมูลได้ทั้งเสียง, ภาพ, ความลึกของภาพ, และข้อความ ตัว AI สามารถรับข้อมูลเป็นภาพและเสียง และสร้างภาพที่เชื่อมโยงกัน เช่น เมื่อเป็นเสียงมอเตอร์ไซต์ก็จะสร้างภาพที่มีมอเตอร์ไซต์ในภาพ เปิดทางสำหรับการสร้างแอปพลิเคชั่นใหม่ๆ ที่หลากหลาย
ตัวที่สามคือ Multi-Agent AI โดยอาศัยความสามารถของ AI แบบ LLM ทุกวันนี้ที่เราสามารถใส่พรอมพ์เพื่อให้ LLM แปลงร่างกลายเป็น agent แบบต่างๆ เช่น โปรแกรมเมอร์, เซลล์ขายสินค้า, หรือบทบาทอื่นๆ โดยเมื่อ LLM ได้รับคำสั่งหรือปัญหาใหญ่ๆ มันสามารถแตกงานออกเป็นงานย่อยๆ ได้ ตัว LLM ทำงานเป็นเหมือนทีมงานที่ทำงานร่วมกัน เช่น เมื่อผู้ใช้ต้องการกราฟข้อมูลวิเคราะห์สภาพตลาด LLM Analyst สามารถสั่งงานให้ LLM Programmer เขียนโปรแกรมตามต้องการ และเมื่อได้ข้อมูลที่ยังไม่ถูกใจก็สามารถสั่งแก้ไขไปเรื่อยๆ จนกว่าจะไดข้อมูลที่ใกล้เคียงกับที่ผู้ใช้ต้องการ
ตัวที่สี่ Rational AI เป็น AI ที่ให้เหตุผลของคำตอบได้อย่างสมเหตุสมผล ไม่ใช่เพียงแค่ให้คำตอบที่ถูกเท่านั้น เพราะหลายครั้งแล้วเมื่อพยายามให้ LLM อธิบายคำตอบออกมา กลับเป็นคำอธิบายที่ไม่สมเหตุสมผล การใช้งาน AI ที่ต้องการความเชื่อถือจึงต้องการคำตอบที่สมเหตุสมผล
สุดท้ายคือ AI เฉพาะทาง หรือ Domain-Specific AI ที่ทุกวันนี้เรามักใช้งาน LLM ขนาดใหญ่กับงานที่หลากหลาย แต่ในโลกความเป็นจริงการพัฒนา AI เช่น การวิเคราะห์ภาพทางการแพทย์ที่สามารถปรับแต่งความแม่นยำระดับสูงมากๆ หรือในภาคการผลิตที่ต้องการสร้างระบบหาจุดผิดปกติในชิ้นงานที่ผ่านการผลิตมา
แนวทาง Domain-Specific AI เป็นแนวคิดที่ทำให้ KBTG พัฒนา THaLLE (Text Hyperlocally Augmented Large Language Extension) โมเดล LLM เฉพาะทางสำหรับการเงินในภาษาไทยโดยเฉพาะ ทีมงานพัฒนาโมเดลจาก foundational model ที่มีอยู่ แต่ KBTG ลงทุนกับการสร้างชุดข้อมูล รวมถึงจ้างคนสร้างชุดข้อมูลของตัวเองเพื่อให้ได้ข้อมูลคุณภาพสูงพอ ทีมงานวางเป้าหมายด้วยการสอบ Chartered Financial Analyst (CFA)
ทีมงานพยายามเลือกพัฒนาจากโมเดลขนาดเล็ก เพื่อให้มีค่าใช้จ่ายในการใช้งานในอนาคตต่ำพอและสามารถใช้งานได้ในวงกว้างต่อไป
แนวทางของ KBTG ยังคงมุ่งที่จะสร้างเทคโนโลยีเฉพาะเพื่อตอบโจทย์ให้กับอุตสาหกรรมต่างๆ ในอนาคต โดยแสดงความสนใจหากจะมีการร่วมมือกันสร้าง foundational model ท้องถิ่นทั้งในระดับประเทศหรือระดับภูมิภาคโดยเป็นแนวทางที่จะเปิดรับการร่วมมือระหว่างองค์กรอยู่แล้ว
ดร.โกเมษ จันทวิมล Principal AI Evangelist, KBTG Labs เล่าถึงแนวคิดการใช้งาน AI ใน KBTG ว่าทีมงานพยายามให้ทุกคนสามารถเรียนรู้ใช้งาน AI เพื่อเพิ่มประสิทธิภาพการทำงานไปพร้อมๆ กัน โดย KBTG มีพนักงานกลุ่มใหญ่เป็นวิศวกรซอฟต์แวร์, พนักงานกลุ่ม Data Engineer, และพนักงาน Back Office ที่ใช้งานต่างๆ กันไป โดย KBTG พบว่าเราไม่สามารถนำเครื่องมือไปให้กับพนักงานเฉยๆ โดยไม่มีการฝึกใช้งาน
งานส่วนหนึ่งที่มีการใช้งานและประสิทธิภาพเพิ่มขึ้นอย่างมาก คือการพอร์ตโค้ด COBOL มาสู่โค้ด Java เพราะแอปพลิเคชั่นบางตัวยังคงมีการใช้งานอย่างหนัก มีผู้ใช้จำนวนมากและเป็นธุรกิจสำคัญของธนาคารกสิกรไทย ทาง KBTG อาศัย AI แปลงโค้ดมาเป็น workflow ของซอฟต์แวร์ก่อน แล้วค่อยแปลง workflow นั้นกลับออกมาเป็นโค้ด Java อีกที
ทีมงานยังใช้ AI ช่วยอยู่ในการพัฒนาซอฟต์แวร์อีกจำนวนมาก เช่น
การใช้งานยังไปถึงงานหลังบ้าน เช่น การรับสมัครงาน การแปลสัญญาต่างๆ และการจัดการทรัพยากรในบริษัท อย่างไรก็ตามการใช้งานพลังบ้านเหล่านี้ยังได้ประสิทธิภาพเพิ่มขึ้นไม่มากนักเทียบกับงานฝั่งเทคโนโนโลยี ซึ่งคุณกระทิงก็ระบุว่าตรงกับบริษัทในต่างประเทศ ที่การนำ AI มามาใช้งานในระบบหลังบ้านยังต้องมีการปรับและเรียนรู้กันอีกระยะ
คุณกระทิงระบุว่าการใช้นำ AI มาใช้งานนั้นต้องเป็นการนำมาใช้งานอย่างรับผิดชอบ อย่างไรก็ดีควรระวังถึงการเขียนกฎต่างๆ ที่ยังไม่เห็นว่า AI ที่จะนำมาใช้งานมีหน้าตาเป็นอย่างไร กรอบการใช้งานควรเป็นหลังการก่อน จากนั้นต้องมีพื้นที่ให้ทดลอง AI ใหม่ๆ แล้วสร้างเป็นแนวทางการใช้งานที่เห็นการใช้งานจริงแล้วขึ้นมาภายหลัง
แม้ KBTG จะนำ AI มาใช้งานอย่างกว้างขวาง คุณกระทิงระบุว่ามนุษย์ยังมีความสำคัญอย่างมาก พนักงานที่มีความรู้เฉพาะทางยังเป็นส่วนสำคัญของการทำงาน และพนักงานต้องเป็น best human-in-the-loop ที่จะทำงานควบคู่กับ AI ให้ได้ประสิทธิภาพสูงสุด