แนวโน้มปัญญาประดิษฐ์ที่กำลังเกิดขึ้นในปี 2566 ตามรายงานล่าสุดของ Info-Tech Research Group

ท่ามกลางการขยับเลื่อนระดับทางเทคโนโลยีที่เกิดขึ้นล่าสุด แม้แต่ผู้นําด้านเทคโนโลยีบางทีก็ยังอาจสับสน มองอนาคตได้ไม่ชัดเจน เพื่อช่วยให้ผู้นําด้านเทคโนโลยีและองค์กรต่างๆ ยังคงก้าวต่อไปในระดับบนได้ Info-Tech Research Group บริษัทวิจัยและให้คําปรึกษาด้านไอทีระดับโลกได้ออกเผยแพร่รายงาน AI Trends 2023 รายงานนี้ครอบคลุมหัวข้อต่างๆ รวมถึงข้อมูลสังเคราะห์, Edge AI, แฝดดิจิทัล, และการให้เหตุผลโดย AI และยังมีจุดประสงค์เพื่อเตรียมทีมให้พร้อมสําหรับสิ่งที่เกิดขึ้นในปัจจุบันและสิ่งที่กําลังจะมาถึง

ด้วยเทคโนโลยี AI ที่พัฒนาไปอย่างรวดเร็ว ผู้นําด้านเทคโนโลยีต้องมีความเข้าใจ และสามารถก้าวต่อไปกับแนวโน้มและการพัฒนาล่าสุดได้ การคิดไปข้างหน้าจะช่วยให้ผู้นําสามารถวางแผนการลงทุนในอนาคตกับเทคโนโลยีและระบบที่มาจากพลังของ AI มีโอกาสทางธุรกิจที่ขับเคลื่อนด้วยกลยุทธ์ใหม่ๆ และช่วยให้องค์กรได้เปรียบในการแข่งขัน

“ภูมิทัศน์ของ AI ที่เปลี่ยนแปลงอย่างต่อเนื่องกําลังส่งผลกระทบต่อธุรกิจในทุกด้านและทุกอุตสาหกรรม การทําความเข้าใจทิศทางที่เปลี่ยนไปในเชิงกลยุทธ์และแนวโน้มโดยรวมของนวัตกรรม AI จะช่วยให้ผู้นําด้านไอทีสามารถระบุถึงโอกาสต่างๆ ที่จะเกิดขึ้นจากเทคโนโลยีใหม่ และกําหนดกลยุทธ์สําหรับความท้าทายใหม่ๆ ได้” กล่าวโดย Irina Sedenko ผู้อํานวยการฝ่ายวิจัยของ Info-Tech Research Group

รายงาน AI Trends 2023 ของ Info-Tech ให้รายละเอียดเกี่ยวกับอุปสรรคที่สามารถชะลอการนํา AI มาใช้ในช่วงแรกเริ่ม เช่น ปัญหาความพร้อมของข้อมูลและคุณภาพของข้อมูล การขาดเครื่องมือหรือวิธีการ ขาดความเข้าใจการใช้ AI และวิธีการที่จะกำหนดมูลค่าทางธุรกิจของการลงทุนใน AI ให้ดีที่สุดได้อย่างไร นอกจากนี้ ยังรายงานถึงผลสํารวจกลยุทธ์ที่องค์กรต่างๆ ใช้เพื่อเอาชนะความท้าทายเหล่านี้

ในรายงานดังกล่าว ชี้ให้เห็นถึงแนวโน้มแปดประการที่กำลังจะมาในอีกไม่กี่เดือนข้างหน้านี้

1. การออกแบบเพื่อ AI

การออกแบบเพื่อ AI (Design for AI) ให้เป็นระบบที่ยั่งยืน จะต้องพิจารณาในด้านต่างๆ เช่น การประยุกต์ใช้เชิงระบบ ข้อมูล ซอฟต์แวร์และฮาร์ดแวร์ การกํากับดูแล ความเป็นส่วนตัว และความปลอดภัย เพราะเป็นสิ่งสําคัญต่อการกําหนดจุดประสงค์ของ AI และเพื่อตั้งเป้าหมายสำหรับดําเนินการตั้งแต่เริ่มต้น แนวทางนี้ควรครอบคลุมทุกขั้นตอนในวงจรชีวิตของ AI และสามารถพัฒนาต่อไปได้อีก

ดังนั้นเพื่อให้การนำเอาประโยชน์จากเครื่องมือและเทคโนโลยีแต่ละอย่างมาใช้พัฒนา AI รวมทั้งการปรับใช้ และเฝ้าตรวจสอบ AI ในการออกแบบระบบ AI จึงควรพิจารณาถึงความต้องการทั้งซอฟต์แวร์และฮาร์ดแวร์ และการรวมเข้ากับระบบอื่นๆ ที่มีอยู่ภายในวิสาหกิจได้แบบไร้รอยต่อ

2. ความเข้าใจอย่างลึกซึ้งตามเหตุการณ์

ระบบรวบรวมสิ่งที่เป็นสัญญาณของการขับเคลื่อนด้วย AI จะทำให้เกิดความเข้าใจอย่างลึกซึ้งตามเหตุการณ์ (Event-Based Insights) และสามารถคาดการณ์เพื่อตัดสินใจเชิงกลยุทธ์ผ่านการวิเคราะห์ข้อมูลอย่างต่อเนื่อง โดย AI นั้นสามารถสร้างแบบจําลองตามสถานการณ์และกำหนดรูปแบบได้ ช่วยให้ธุรกิจเข้าใจได้ว่าเหตุการณ์นั้นมีความเกี่ยวข้องกันอย่างไร สถาปัตยกรรมที่ขับเคลื่อนด้วยเหตุการณ์ (event-driven architecture) ที่มีการวิเคราะห์ประเภทข้อมูลต่างๆ ในหลายช่องทางนั้น คือ สิ่งจําเป็นสําหรับความสามารถในการคาดการณ์

3. ข้อมูลสังเคราะห์

ข้อมูลสังเคราะห์ (Synthetic Data) ถูกนำมาใช้สําหรับการฝึกโมเดล ML (machine learning) เมื่อข้อมูลจริงมีไม่พอหรือไม่ตรงตามข้อกําหนดเฉพาะ ข้อมูลสังเคราะห์ยังสามารถลบอคติตามบริบทออกจากข้อมูลส่วนบุคคล, ให้ความมั่นใจว่าได้ปฏิบัติตามความเป็นส่วนตัว, และแก้ปัญหาความท้าทายในเรื่องของการแบ่งปันข้อมูล ทั้งนี้นักวิจัยพบว่า ในบางกรณีชุดข้อมูลสังเคราะห์สามารถทํางานได้ดีกว่าข้อมูลในโลกแห่งความเป็นจริง และสามารถใช้ในงานต่างๆ เช่น ระบบภาษา รถยนต์ที่ขับเคลื่อนด้วยตนเอง การตรวจจับการฉ้อโกง และการวิจัยทางคลินิก ยิ่งกว่านั้น ข้อมูลสังเคราะห์ยังมีศักยภาพที่จะทำให้เกิดนวัตกรรมข้ามไปสู่การใช้งานสิ่งใหม่ๆ ที่จะเกิดขึ้นได้อีก

4. Edge AI

Edge AI จะทำให้งาน AI สามารถนำมาปรับใช้ร่วมกับอุปกรณ์ทางกายภาพที่เป็นตัวกำเนิดข้อมูลออกมา เช่น อุปกรณ์ IoT หรืออุปกรณ์ดูแลสุขภาพ รวมทั้งรถยนต์ที่ขับเคลื่อนด้วยตนเอง เนื่องจากส่วนประมวลผล Edge ให้ประโยชน์หลายอย่าง เช่น ประมวลผลข้อมูลในเวลาจริง ลดความต้องการต้นทุนและแบนด์วิดท์ ให้ความมั่นคงทางข้อมูลเพิ่มขึ้น และเพิ่มความเป็นระบบอัตโนมัติ

Edge AI สามารถนำไปใช้ในงานต่างๆ ทั้งการมองเห็นของคอมพิวเตอร์ การทำความเข้าใจข้อมูลโดยอ้างอิงตามพื้นที่ (geospatial intelligence) การตรวจจับวัตถุ โดรน และอุปกรณ์เฝ้าตรวจสอบสุขภาพ

5. AI ในงานวิทยาศาสตร์และวิศวกรรม

AI ให้ประโยชน์มากมายในทางวิทยาศาสตร์และวิศวกรรม ทั้งการจัดลําดับจีโนมเพื่อระบุความผิดปกติทางพันธุกรรม การสร้างแบบจําลองกระบวนการทางฟิสิกส์ และการทําความเข้าใจระบบนิเวศของดาวเคราะห์ นอกจากนี้ ยังผลักดันให้เกิดความก้าวหน้าในการค้นพบยา โดย AI ช่วยในการสังเคราะห์โมเลกุลและการระบุคุณสมบัติทางยา

AI ถูกคาดหมายว่า จะยังคงมีส่วนที่เป็นประโยชน์ต่อการสร้างความเข้าใจทางวิทยาศาสตร์ อย่างเช่น ทำให้นวัตกรรมออกมาได้เร็วขึ้น สร้างความเข้าใจเชิงลึกและได้แนวคิดใหม่ๆ เกิดความคิดรวบยอดในทางวิทยาศาสตร์ และเกิดการถ่ายโอนระหว่างพื้นที่การวิจัยทางวิทยาศาสตร์

6. การให้เหตุผลโดย AI

การใช้งาน ML และ AI ในทุกวันนี้ ส่วนใหญ่จะเกี่ยวข้องกับการทํานายพฤติกรรมในอนาคตซึ่งอยู่บนฐานของการใช้ข้อมูลอดีต และสหสัมพันธ์ (correlations) ระหว่างพารามิเตอร์ต่างๆ อย่างไรก็ตาม การพัฒนา AI แสดงเหตุ (causal AI) นั้น แม้ว่าจะสามารถระบุถึงสาเหตุพื้นฐาน (root causes) และความสัมพันธ์ที่เป็นเหตุระหว่างตัวแปรได้โดยไม่ผิดแย้งต่อสหสัมพันธ์และการเป็นเหตุของสิ่งที่เกิดขึ้น แต่นั่นก็ยังเป็นเพียงอยู่ในช่วงต้นของการพัฒนา

ปัจจุบันนี้ นักวิจัยต่างกําลังทํางานเกี่ยวกับแบบจําลองกราฟแสดงเหตุ (causal graph) และอัลกอริทึมที่จุดตัดกันของการอนุมานแสดงเหตุ (causal inference) กับการตัดสินใจ และการเสริมการเรียนรู้ เพื่อจัดการกับความท้าทายนี้

7. แฝดดิจิทัล

แฝดดิจิทัล (Digital Twin) จะช่วยให้องค์กรสามารถคาดการณ์ได้ถึงความล้มเหลวในอนาคต การบํารุงรักษาเชิงคาดการณ์ และการออกแบบและทดสอบอุปกรณ์ที่มีความซับซ้อนก่อนการผลิตจริง แฝดดิจิทัลถูกนํามาใช้ในอุตสาหกรรมต่างๆ เช่น การผลิต สถาปัตยกรรม การก่อสร้าง พลังงาน โครงสร้างพื้นฐาน และการค้าปลีก

หากรวมเอาแฝดดิจิทัลเข้ากับเมตาเวิร์ส จะสามารถสร้างสภาพแวดล้อมที่มีปฏิสัมพันธ์กันให้เกิดขึ้นในเวลาจริงได้ในทางกายภาพ นอกจากนี้ ศักยภาพที่จะเกิดขึ้นในอนาคตยังรวมถึง การแสดงพฤติกรรมของแฝดดิจิทัลได้โดยอัตโนมัติ ซึ่งจะส่งผลต่อการเติบโตและความก้าวหน้าของ AI ต่อไป

8. การปรับให้เหมาะสมที่สุดเชิงการจัด

การปรับให้เหมาะสมที่สุดเชิงการจัด (Combinatorial Optimization) เป็นหลักการที่นำมาใช้ในห่วงโซ่อุปทาน การจัดตารางเวลาและโลจิสติกส์ และการปรับให้เหมาะสมที่สุดต่อการปฏิบัติ ซึ่งเมื่อไม่นานมานี้ มีการสร้างอัลกอริทีมการเรียนรู้เชิงลึก (deep learning) มารวมเข้ากับ อัลกอริทึมการปรับให้เหมาะสมที่สุดแบบคลาสสิก (classical optimization) ได้นําไปสู่การเพิ่มสมรรถนะได้อย่างมีนัยสําคัญ การวิจัยในด้านนี้ยังคงดำเนินต่อไป ด้วยการศึกษาถึงศักยภาพของ ML และ AI ให้ละเอียดยิ่งขึ้นเพื่อนำไปแก้ปัญหาเชิงการจัดและการตัดสินใจที่มีความท้าทายอย่างมาก

ที่มา: Info-Tech Research Group