6 ความล้มเหลวในการใช้ AI
หลายโครงการมีการใช้ AI เพื่อแก้ปัญหาต่าง ๆ เช่น การนำ AI มาตรวจจับใบหน้าเพื่อจดจำหน้าลูกค้าสำหรับร้านค้าปลีก, การนำ AI มาวิเคราะห์การตลาดและการเสนอ Promotion หรือ การนำ AI เพื่อวิเคราะห์กลโกงต่าง ๆ (Fraud Detection) อย่างไรก็ตาม รายงานจาก TechRepublic พบว่า โครงการที่มีการประกาศใช้ AI มีความล้มเหลวถึง 85% จากโครงการทั้งหมด สำหรับในประเทศไทยนั้น จากประสบการณ์ของ Coraline พบว่า ที่ผ่านมา มีโครงการที่พร้อมดำเนินโครงการ AI อย่างแท้จริงไม่ถึง 5% เนื่องด้วยสาเหตุดังนี้ 1.ต้องการใช้ AI แต่ยังไม่รู้ว่า AI คืออะไร ปัญหาหลักของหน่วยงานใหญ่ หรือ หน่วยงานภาครัฐ คือ การได้รับนโยบายมาเป็นหัวข้อใหญ่ๆ เช่น ทำโครงการ Big Data หรือต้องมีการใช้ AI แต่มิได้ชี้แจงเป้าหมายของโครงการอย่างชัดเจน เช่น ต้องการทำโครงการ Big Data เพื่อสร้างถังข้อมูลกลางด้านการบริหารไฟฟ้า หรือ ต้องการใช้ AI ประเภท Image Processing เพื่อบริหารการจราจร เป็นต้น สำหรับตัวอย่างของการตั้งหัวข้อที่มีเป้าหมายไม่ชัด เช่น ทำโครงการ Big Data สำหรับการบริหารพลังงาน หรือ การใช้ AI เพื่อวิเคราะห์การขนส่ง เป็นต้น เพราะคำว่า Big Data มีองค์ประกอบในส่วนต่างๆ ที่มีขั้นตอนในการปฏิบัติแตกต่างกัน และ AI ก็มีหลายประเภท หากไม่ระบุให้ชัดเจน จะเป็นการยากที่จะดำเนินการต่อได้อย่างเหมาะสม 2. ใช้ AI สำเร็จรูป โดยไม่สนใจว่า AI นั้นเรียนรู้มาจากข้อมูลอะไร เพราะ AI แต่ละประเภท จะถูกสร้างขึ้นมาจาก Algorithm ที่ไม่เหมือนกัน และจำเป็นต้องเรียนรู้มาจาก Big Data หรือ ข้อมูลต้นแบบ การใช้ AI สำเร็จรูป จะมีข้อเสียตรงที่ไม่สามารถปรับจูน Algorithm ได้ เช่น เป็น Deep Learning แต่ไม่สามารถบอกได้ว่า Deep แค่ไหน หรือใช้อะไรเป็น Function ภายใน Algorithm อีกทั้งในส่วนของข้อมูลต้นแบบ หากเป็นข้อมูลต้นแบบที่ไม่เหมาะกับสิ่งแวดล้อมของเรา การใช้ AI นั้น อาจจะไม่ตอบโจทย์ เช่น ใช้ Face Recognition ที่พัฒนามาจากรูปหน้าของชาวตะวันตก จะทำให้การประมาณการณ์รูปลักษณ์ หรืออายุ มีความคลาดเคลื่อนอย่างมาก เป็นต้น 3.ไม่มีระบบ Big Data ทำให้ไม่สามารถนำ AI มาขึ้นระบบเพื่อใช้งานได้อย่างแท้จริง ในระบบ AI นอกจากจะต้องใช้ Big Data มาเป็นต้นแบบสำหรับการพัฒนา หรือ Train แล้วนั้น การใช้งาน หรือ Test ก็จำเป็นจะต้องมีระบบในการนำเข้า หรือ Feed ข้อมูลเพื่อผ่านมายังระบบ AI ก่อนที่จะแสดงเป็นผลลัพธ์ในการกระทำต่างๆ (ขึ้นอยู่กับประเภทของ AI) ดังนั้นก่อนที่จะนำ AI มาใช้งาน จะต้องมีระบบ Big Data เสียก่อน เพื่อการ Feed ข้อมูลอย่างเป็นระบบ และอัตโนมัติ 4.อยากได้ผลลัพธ์ จนละเลยการทำความเข้าใจว่า AI แต่ละประเภทจำเป็นต้องได้รับการทดสอบ และบำรุงรักษาในระยะยาว การอยากได้ผลลัพธ์ โดยไม่คำนึงถึงแนวทางที่เหมาะสม เป็นปัญหาใหญ่ของทุกโครงการ ไม่เว้นโครงการ AI ในความเป็นจริง AI จะตอบโจทย์ได้หรือไม่ จำเป็นต้องมีการทดสอบเสียก่อน เช่น Chatbot ประเภท NLP ตอบคำถามได้มากแค่ไหน ก่อนที่จะนำขึ้นระบบ ก็จะต้องมีการทดสอบโดยการพิมพ์คำถามให้มากที่สุด เท่าที่จะพิจารณาขึ้นมาได้ และเก็บผลลัพธ์ เพื่อประเมินความแม่นยำของการวิเคราะห์คำถาม และควรทำเช่นนี้อย่างน้อย 1 สัปดาห์ โดยมีผู้รับผิดชอบในการทดสอบอย่างชัดเจน หากผลลัพธ์ที่ได้เป็นที่น่าพอใจ ถึงจะเปิดให้ใช้อย่างเป็นทางการ ดังนั้นในกรณีการจัดซื้อ AI สำเร็จรูป หรือการว่าจ้าง Vendor ที่เป็น Outsource คนที่ทำหน้าที่ตรวจรับโครงการ จะต้องเป็นผู้ทดสอบ และรับผิดชอบความถูกต้องของระบบ ซึ่งการตรวจสอบนี้ จะเกิดขึ้นได้อย่างเหมาะสม ก็ต่อเมื่อผู้ตรวจสอบมีความรู้ความเข้าใจในตัว AI อย่างแท้จริง นอกจากนี้ AI ส่วนใหญ่ เป็น AI ที่เรียนรู้จากข้อมูลในอดีต ดังนั้นในระยะยาวจะต้องมีการ Re-train หรือ ปรับจูน Algorithm ภายใน เพื่อพัฒนาให้ AI นั้นมีประสิทธิภาพการทำงานที่ดีขึ้น 5.นักพัฒนา AI ไม่ได้มีความรู้ในด้านนั้นอย่างแท้จริง เป็นเรื่องยาก ที่จะพิสูจน์ความสามารถของนักพัฒนา AI ตั้งแต่ตอนต้น โดยเฉพาะหากเป็นโครงการพัฒนา AI (มิใช่จัดซื้อ AI สำเร็จรูป) เพราะการพัฒนา AI จะต้องเริ่มจากการนำข้อมูลแบบไปเรียนรู้ สร้าง Algorithm และออกแบบช่องทางในการใช้งาน ซึ่งยังไม่เป็นรูปเป็นร่างตั้งแต่ตอนต้น ซึ่ง AI มีหลายประเภท และนักพัฒนา AI แต่ละท่าน จะมีความเชี่ยวชาญเฉพาะด้าน มิได้หมายความว่า คนเดียวจะสามารถทำได้ทุกเรื่อง เช่น การพัฒนา AI ประเภท Chatbot ที่มีระบบ NLP (Natural language Processing) จำเป็นต้องมีนักภาษาศาสตร์เป็นผู้ให้คะแนนของคำแต่ละคำ ก่อนที่จะนำคำนั้นไปประเมินความสัมพันธ์จนกลายมาเป็นประโยค แม้ว่าปัจจุบันจะมี Library พร้อมใช้งาน ทำให้ไม่จำเป็นต้องพัฒนา Algorithm เอง แต่การเขียน Chatbot ที่มีระบบ NLP ก็ยังมีความยากลำบากในส่วนของการเชื่อมโยงระบบ และการเรียนรู้คำศัพท์ใหม่ๆ ดังนั้นในกรณีนี้ ผู้ร่วมทีม นอกจากจะเป็นนักพัฒนา NLP แล้ว ก็ยังต้องมี Data Engineer ด้าน Unstructured Data ที่สามารถออกแบบระบบการเก็บข้อมูลแบบไม่มีโครงสร้างได้อีกด้วย และจำเป็นต้องมีนักภาษาศาสตร์ที่เข้าใจความสัมพันธ์ของคำ หรือประโยคนั้นๆ ปัญหาเรื่องผู้เชี่ยวชาญเป็นปัญหาในวงกว้าง เพราะเมื่อไม่สามารถวัดความเชี่ยวชาญได้ ทำให้สุดท้ายแล้วการทำงานล้มเหลว และเกิดเป็นประสบการณ์ที่ไม่ดีของผู้ว่าจ้าง ดังนั้นสิ่งที่ง่ายที่สุด คือ การดูที่ผลงาน และการตั้งคำถาม เพื่อทดสอบว่าผู้เชี่ยวชาญสามารถอธิบายคำตอบได้อย่างชัดเจนหรือไม่ อย่างไรก็ตาม การจะตั้งคำถามที่ดี ก็จะต้องมีความรู้เกี่ยวกับ AI ประเภทนั้นๆ ในเชิงการใช้งาน และควรจะมีคำตอบที่ต้องการในใจเอาไว้ก่อนอีกด้วย 6.งานบางประเภท ไม่จำเป็นต้องเป็น AI และไม่เหมาะที่จะใช้ AI ในบทความ หรือข่าวบางครั้ง มีการกล่าวว่าใช้ AI แต่เนื้อข่าวเป็นการกล่าวถึงการเขียนโปรแกรมแบบ Rule-based เสียมากกว่า เช่น การค้นหาคำซ้ำ การแสดงผลลัพธ์ผ่านหน้าเว็บไซต์ การใช้อุปกรณ์ IoT เพื่อแสดงสถานะจากข้อมูล เป็นต้น ซึ่งการใช้ Rule-based ยังสามารถตอบโจทย์ได้ เพียงแต่ในทางเทคนิค Rule-based จะไม่ได้เรียกว่า AI แต่เป็นการเขียนโปรแกรมลักษณะหนึ่ง การใช้คำว่า AI อย่างฟุ่มเฟือย จะทำให้คำว่า AI ไม่มีความหมายอย่างแท้จริง อีกทั้ง ปัญหาบางปัญหา ไม่จำเป็นต้องใช้ AI แต่หากมีคำว่า AI อาจจะทำให้การพัฒนานั้นมีราคาต้นทุนที่สูงเกินไป และอาจจะเป็นการใช้เทคโนโลยีที่ไม่เหมาะสม ข้อสังเกตจากทั้ง 6 ข้อนี้ คือ ความล้มเหลว เกิดจาก “ความไม่เข้าใจ” เพราะถ้าหาก “เข้าใจ” จะสามารถใช้งานได้อย่างถูกต้อง เหมาะสม ซึ่งแท้จริงแล้ว AI ไม่ได้อัจฉริยะไปกว่ามนุษย์ เพียงแต่ AI สามารถจดจำ และประมวลผลได้รวดเร็วกว่า ดังนั้น หากเราเข้าใจการทำงานของ AI ได้อย่างดี ก็จะสามารถประยุกต์ใช้ AI ได้ และโครงการนั้นก็จะประสบความสำเร็จ สุดท้ายนี้ แม้ส่วนใหญ่จะเป็นโครงการที่ล้มเหลว แต่ก็ยังมีส่วนน้อยที่ประสบความสำเร็จ เป็นเครื่องพิสูจน์ได้ว่า การใช้ AI ยังคงมีความสำเร็จอยู่บ้าง และกลุ่มที่ทำได้สำเร็จนั้น ก็อาจจะเป็นกลุ่มที่สามารถ Disrupt คู่แข่งได้ก่อนนั่นเอง
หลายโครงการมีการใช้ AI เพื่อแก้ปัญหาต่าง ๆ เช่น การนำ AI มาตรวจจับใบหน้าเพื่อจดจำหน้าลูกค้าสำหรับร้านค้าปลีก, การนำ AI...