การประยุกต์ใช้ปัญญาประดิษฐ์ (AI) ได้กลายเป็นยุทธศาสตร์หลักขององค์กรจำนวนมากที่ต้องการสร้างนวัตกรรมและเพิ่มขีดความสามารถในการแข่งขัน ทว่าเบื้องหลังความสามารถอันโดดเด่นของ AI นั้น มีปัจจัยสำคัญที่เป็นดั่งรากฐานค้ำจุนอยู่ นั่นคือ โครงสร้างพื้นฐาน (Infrastructure) ซึ่งเป็นองค์ประกอบที่จำเป็นตั้งแต่การรวบรวมและจัดเตรียมข้อมูล การฝึกฝนโมเดลที่ต้องใช้พลังการประมวลผลมหาศาล ไปจนถึงการให้บริการแก่ผู้ใช้งานในวงกว้าง ดังนั้น การทำความเข้าใจและวางกลยุทธ์ด้านโครงสร้างพื้นฐานอย่างรอบคอบ จึงเป็นเงื่อนไขสำคัญที่จะกำหนดความสำเร็จ ความคุ้มค่า และความยั่งยืนของการนำ AI มาใช้ในองค์กร
จากความสำคัญดังกล่าว ประเด็นนี้จึงถูกหยิบยกขึ้นมาอภิปรายในเวทีเสวนาหัวข้อ “The Core of Intelligence: AI Strategies for Scalable Infrastructure” ในงาน KBTG Techtopia ซึ่งได้นำเสนอข้อมูลและมุมมองจากผู้เชี่ยวชาญในอุตสาหกรรม ได้แก่ ดำรงศักดิ์ รีตานนท์ ประธานเจ้าหน้าที่บริหารฝ่ายความมั่นคงปลอดภัยไซเบอร์ บริษัท เอ็ม เอฟ อี ซี จำกัด (มหาชน) ศุภกร ตระกูลมัยผล Client Engineer บริษัท ไอบีเอ็ม ประเทศไทย จำกัด และ สุรศักดิ์ วนิชเวทย์พิบูล หัวหน้าเจ้าหน้าที่ฝ่ายเทคโนโลยี แผนกธุรกิจคลาวด์ ประเทศไทย บริษัท หัวเว่ย เทคโนโลยี่ (ประเทศไทย) จำกัด เพื่อวิเคราะห์องค์ประกอบสำคัญในการพัฒนา AI ที่มีประสิทธิภาพและสามารถขยายผลได้
การจำแนกองค์ประกอบของ AI: “Application” และ “Model”
ดำรงศักดิ์กล่าวว่า คำว่า “AI” นั้นมีความหมายแตกต่างกันไปตามบริบทของผู้ใช้งาน สำหรับผู้ให้บริการเทคโนโลยี อาจหมายถึง “Model” หรือ “สมอง” ที่ใช้ในการประมวลผล แต่สำหรับองค์กรในฐานะผู้บริโภค AI คือเครื่องมือที่นำมาใช้เพื่อตอบโจทย์ทางธุรกิจ ดังนั้น เพื่อให้การวางกลยุทธ์มีความชัดเจน จึงควรจำแนกองค์ประกอบของ AI ออกเป็นสองส่วนหลัก
ส่วนแรกคือ AI Application ซึ่งหมายถึงซอฟต์แวร์ส่วนหน้าบ้านที่ถูกพัฒนาขึ้นเพื่อเป้าหมายทางธุรกิจที่เฉพาะเจาะจง และเป็นส่วนที่ผู้ใช้งานมีปฏิสัมพันธ์ด้วยโดยตรง ตัวอย่างที่ชัดเจนคือ ChatGPT ซึ่งแท้จริงแล้วเป็น AI Application ในรูปแบบของแชทบอทที่ถูกสร้างขึ้นมาเพื่อให้บริการสนทนาโต้ตอบ
ส่วนที่สองคือ AI Model ซึ่งเปรียบเสมือนแกนหลักในการประมวลผล (Engine) ที่ทำงานอยู่เบื้องหลัง AI Application ทำหน้าที่สร้างผลลัพธ์หรือ “ความฉลาด” ตามที่ได้รับการออกแบบไว้ การจำแนกสองส่วนนี้ออกจากกันมีความสำคัญอย่างยิ่ง เพราะความท้าทาย ต้นทุน และกลยุทธ์ในการพัฒนา จัดหา และบำรุงรักษาแต่ละส่วนนั้นแตกต่างกันโดยสิ้นเชิง ซึ่งเป็นที่มาของประเด็นปัญหาที่จะอภิปรายในลำดับถัดไป
ความท้าทายในการพัฒนาโครงสร้างพื้นฐานสำหรับ AI
ประเด็นความท้าทายที่ถูกอภิปรายประกอบด้วยหลายมิติ ดำรงศักดิ์นำเสนอความเสี่ยงด้านความปลอดภัยทางไซเบอร์ซึ่งครอบคลุมตั้งแต่ระดับผู้ใช้ ที่อาจนำข้อมูลองค์กรไปใช้บนบริการ AI สาธารณะ ระดับ แอปพลิเคชัน ที่มีช่องโหว่ และระดับ โมเดล ที่อาจเกิดการรั่วไหลของข้อมูลหากถูกฝึกฝนด้วยชุดข้อมูลที่ละเอียดอ่อน
ศุภกรกล่าวว่า ความซับซ้อนในการบูรณาการและทดสอบระบบ องค์กรจำเป็นต้องมีกระบวนการทดสอบที่มีประสิทธิภาพเพื่อรองรับการเปลี่ยนแปลงของ AI Model ซึ่งอาจส่งผลกระทบต่อเสถียรภาพของระบบโดยรวมฃ
ขณะที่ สุรศักดิ์กล่าวว่า ความท้าทายในเชิงกายภาพและต้นทุนในการดำเนินงานประกอบด้วย ข้อจำกัดด้านอุปทาน (Supply) ของ GPU ปัญหาคอขวดของเครือข่าย (Network Bottleneck) การใช้พลังงาน (Energy Consumption) ในศูนย์ข้อมูล และ ความเสี่ยงด้านการลงทุน ในเทคโนโลยีที่อาจล้าสมัยอย่างรวดเร็ว
กลยุทธ์และแนวทางแก้ไข: Cloud, Open Source และการบริหารความเสี่ยง
สุรศักดิ์กล่าวว่า แนวทางการใช้บริการคลาวด์ (Cloud) ว่าเป็นหนึ่งในกลยุทธ์ที่ช่วยลดความเสี่ยงจากการลงทุนในฮาร์ดแวร์ ทำให้องค์กรสามารถเข้าถึงเทคโนโลยีล่าสุดได้ รวมถึงการใช้ Foundation Model ที่ผ่านการฝึกฝนข้อมูลเฉพาะทางมาแล้ว เพื่อลดต้นทุนในการพัฒนา
ด้านศุภกรกล่าวถึงความสำคัญของระบบนิเวศแบบเปิด (Open Source) ผ่านโครงการ “The AI Alliance” เพื่อส่งเสริมนวัตกรรมและลดการพึ่งพิงเทคโนโลยีจากผู้ให้บริการรายใดรายหนึ่ง พร้อมทั้งกล่าวถึงเทคนิค Federated Learningเพื่อลดต้นทุนการเคลื่อนย้ายข้อมูล และการใช้โมเดลขนาดเล็กที่เหมาะสมกับงาน (Fit-for-purpose) เพื่อเพิ่มประสิทธิภาพ
ในมิติด้านการบริหารความเสี่ยง คุณดำรงศักดิ์ ได้เน้นย้ำถึงความจำเป็นในการวางกรอบอย่างเป็นระบบ โดยต้องพิจารณาความเสี่ยงครบทั้ง 3 ระดับ คือ ระดับผู้ใช้ (User Risk) ระดับแอปพลิเคชัน (Application Risk) และระดับโมเดล (Model Risk) ควบคู่ไปกับการกำหนดธรรมาภิบาลข้อมูลและการจำแนกประเภทข้อมูลก่อนนำไปใช้งาน
จากทฤษฎีสู่การปฏิบัติ: ข้อเสนอแนะเชิงกลยุทธ์สำหรับองค์กร
สุรศักดิ์เน้นย้ำว่า ปัจจัยสำคัญที่สุด คือการเริ่มต้นจากความเข้าใจ ซึ่งผู้บริหารต้องกำหนดวัตถุประสงค์ทางธุรกิจให้ชัดเจนว่าจะนำ AI มาใช้เพื่อเป้าหมายใด ไม่ว่าจะเป็นการลดต้นทุน เพิ่มประสิทธิภาพ ยกระดับประสบการณ์ลูกค้า หรือสร้างรายได้ใหม่ เพื่อหลีกเลี่ยงการลงทุนตามกระแสโดยขาดทิศทาง
จากนั้นจึงเป็นแนวทาง การเริ่มต้นจากโครงการขนาดเล็ก (Start Small) โดยแนะนำให้เลือก Use Case ที่มีความซับซ้อนไม่มากแต่สร้างผลกระทบได้สูง (High Impact) และดำเนินการในรูปแบบโครงการนำร่อง (Pilot Project) เพื่อเรียนรู้และสร้างความสำเร็จในระยะสั้น ก่อนที่จะขยายผลไปสู่โครงการที่ใหญ่ขึ้น ซึ่งในทางเทคนิคอาจหมายถึงการเริ่มต้นด้วยเทคโนโลยีอย่าง RAG (Retrieval-Augmented Generation) ก่อนจะลงทุนในการ Fine-tune โมเดลที่ซับซ้อน
อีกหนึ่งกลยุทธ์ที่สำคัญคือ การสร้างความตระหนักรู้ทั่วทั้งองค์กร โดยอาจจัดตั้งทีมผู้เชี่ยวชาญเข้าไปทำงานร่วมกับหน่วยธุรกิจต่าง ๆ เพื่อช่วยให้แต่ละฝ่ายมองเห็นโอกาสในการนำ AI มาปรับปรุงกระบวนการทำงานของตนเอง และทำให้เกิด Use Case ที่มาจากความต้องการทางธุรกิจอย่างแท้จริง
สุดท้ายคือ การบริหารจัดการต้นทุน (Cost Optimization) ซึ่งเป็นประเด็นที่สำคัญอย่างยิ่งในบริบทของประเทศไทย คุณสุรศักดิ์ กล่าวว่า “เราจ่ายค่าบริการ AI ในราคาเดียวกับชาติตะวันตก แต่รายได้ของเราไม่เท่ากัน”
ดังนั้นองค์กรไทยจึงจำเป็นต้องหาทาง Optimize การใช้งานให้คุ้มค่าที่สุด ซึ่งเป็นเหตุผลที่ทำให้แนวโน้มของการใช้ AI Agent หรือโมเดลขนาดเล็กที่เชี่ยวชาญเฉพาะทาง กำลังได้รับความนิยมมากขึ้น เพราะสามารถตอบโจทย์ทางธุรกิจได้อย่างตรงจุดและมีประสิทธิภาพด้านต้นทุนสูงกว่าการพึ่งพาโมเดลขนาดใหญ่เพียงโมเดลเดียว
การพัฒนา AI ให้สามารถขยายผลในระดับองค์กรได้นั้น เป็นกระบวนการที่ต้องอาศัยการวางกลยุทธ์ที่รัดกุม การบริหารจัดการต้นทุนและพลังงานอย่างมีประสิทธิภาพ ควบคู่ไปกับการวางกรอบการกำกับดูแลความเสี่ยงด้านความปลอดภัยทางไซเบอร์ เพื่อให้การลงทุนดังกล่าวสามารถสร้างผลตอบแทนและสนับสนุนการเติบโตขององค์กรได้อย่างยั่งยืน
ข่าวอื่น ๆ ที่น่าสนใจ
เดิมพันครั้งใหญ่ของมนุษยชาติ: สรุปทางแยกแห่งยุค AI จาก KBTG Techtopia: At World’s Beginning
GULF-Singtel-AIS คว้าสินเชื่อสีเขียว 7.3 พันล้าน สร้าง Green Data Center แห่งแรกของไทย
