คำตอบสั้นๆ: บริษัท AI คือบริษัทที่มีผลิตภัณฑ์หลัก คุณค่า หรือความได้เปรียบทางการแข่งขันขึ้นอยู่กับ AI หากปราศจาก AI ผลิตภัณฑ์หรือบริการนั้นก็จะล้มเหลวหรือแย่ลงอย่างมาก หาก AI ล้มเหลวในวันพรุ่งนี้ แต่คุณยังสามารถทำงานได้ด้วยสเปรดชีตหรือซอฟต์แวร์พื้นฐาน คุณก็อาจเป็นเพียงบริษัทที่ใช้ AI ช่วย (AI-enabled) ไม่ใช่บริษัทที่เกิดมาเพื่อ AI (AI-native) บริษัท AI ที่แท้จริงจะสร้างความแตกต่างด้วยข้อมูล การประเมินผล การนำไปใช้งาน และวงจรการพัฒนาที่รวดเร็วและมีประสิทธิภาพ
ประเด็นสำคัญ:
การพึ่งพาหลัก : หากการลบ AI ออกทำให้ผลิตภัณฑ์ใช้งานไม่ได้ คุณอาจต้องหันไปพึ่งบริษัท AI
ทดสอบง่ายๆ : ถ้าคุณยังสามารถใช้ชีวิตต่อไปได้โดยปราศจาก AI คุณก็อาจจะมี AI ในตัวอยู่แล้ว
สัญญาณการปฏิบัติงาน : ทีมที่พูดคุยเกี่ยวกับความคลาดเคลื่อน ชุดประเมินผล ความล่าช้า และรูปแบบความล้มเหลว มักจะเป็นผู้ที่ทำงานหนักที่สุด
การป้องกันการใช้งานผิดวิธี : สร้างระบบป้องกัน การตรวจสอบ และแผนการย้อนกลับสำหรับกรณีที่แบบจำลองล้มเหลว
ผู้ซื้อควรตรวจสอบอย่างรอบคอบ : หลีกเลี่ยงการหลอกลวงด้วย AI โดยการเรียกร้องให้มีกลไก ตัวชี้วัด และการกำกับดูแลข้อมูลที่ชัดเจน
คำว่า “บริษัท AI” ถูกนำมาใช้กันอย่างแพร่หลายจนอาจหมายถึงทุกอย่างและไม่มีอะไรเลยในเวลาเดียวกัน บริษัทสตาร์ทอัพแห่งหนึ่งอ้างว่าตนเองเป็นบริษัท AI เพียงเพราะเพิ่มช่องเติมคำอัตโนมัติ ในขณะที่อีกบริษัทหนึ่งฝึกฝนโมเดล สร้างเครื่องมือ ส่งมอบผลิตภัณฑ์ และนำไปใช้งานในสภาพแวดล้อมการผลิต… แต่ก็ยังถูกจัดอยู่ในกลุ่มเดียวกันอยู่ดี.
ดังนั้นฉลากจึงต้องการความคมชัดมากขึ้น ความแตกต่างระหว่างธุรกิจที่ใช้ AI เป็นหลักกับธุรกิจทั่วไปที่ใช้แมชชีนเลิร์นนิงเพียงเล็กน้อย จะปรากฏให้เห็นได้ชัดเจนเมื่อคุณรู้ว่าต้องมองหาอะไร.
บทความที่คุณอาจสนใจอ่านต่อหลังจากบทความนี้:
🔗 วิธีการทำงานของการเพิ่มความละเอียดภาพด้วย AI
เรียนรู้วิธีที่โมเดลเพิ่มรายละเอียดเพื่อขยายภาพให้คมชัด
🔗 โค้ด AI มีลักษณะอย่างไร
ดูตัวอย่างโค้ดที่สร้างขึ้นและโครงสร้างของมัน
🔗 อัลกอริทึม AI คืออะไร
ทำความเข้าใจเกี่ยวกับอัลกอริทึมที่ช่วยให้ AI เรียนรู้ คาดการณ์ และปรับปรุงประสิทธิภาพ
🔗 การประมวลผลข้อมูลเบื้องต้นสำหรับ AI คืออะไร
เรียนรู้ขั้นตอนต่างๆ ในการทำความสะอาด ติดป้ายกำกับ และจัดรูปแบบข้อมูลสำหรับการฝึกอบรม
บริษัท AI คืออะไร: คำจำกัดความที่ชัดเจนและใช้ได้จริง ✅
คำจำกัดความเชิงปฏิบัติ:
บริษัท AI คือธุรกิจที่ ผลิตภัณฑ์หลัก คุณค่า หรือความได้เปรียบในการแข่งขันขึ้นอยู่กับปัญญาประดิษฐ์ ซึ่งหมายความว่าหากนำ AI ออกไป “สิ่ง” หลักของบริษัทนั้นจะล่มสลายหรือแย่ลงอย่างมาก ( OECD , NIST AI RMF )
ไม่ใช่ "เราเคยใช้ AI ในงานแฮกกาธอนครั้งหนึ่ง" ไม่ใช่ "เราเพิ่มแชทบอทลงในหน้าติดต่อ" แต่เป็นแบบนี้มากกว่า:
-
ผลิตภัณฑ์นี้ คือ ระบบ AI (หรือขับเคลื่อนด้วยระบบแบบครบวงจร) ( OECD )
-
จุดแข็งของบริษัทมาจากการใช้โมเดล ข้อมูล การประเมินผล และการพัฒนาอย่างต่อเนื่อง ( Google Cloud MLOps , NIST AI RMF Playbook - Measure )
-
AI ไม่ใช่แค่ฟีเจอร์ แต่เป็นหัวใจหลักของระบบ 🧠⚙️
นี่คือวิธีตรวจสอบความรู้สึกง่ายๆ:
ลองนึกภาพว่าถ้า AI ล้มเหลวในวันพรุ่งนี้ ถ้าลูกค้ายังคงจ่ายเงินให้คุณ และคุณยังสามารถดำเนินธุรกิจต่อไปได้ด้วยสเปรดชีตหรือซอฟต์แวร์พื้นฐาน นั่นแสดงว่าธุรกิจของคุณน่าจะใช้ AI เป็นตัวช่วย ไม่ใช่ธุรกิจที่พัฒนามาเพื่อ AI โดยเฉพาะ.
ใช่แล้ว ตรงกลางภาพมันเบลอๆ เหมือนภาพถ่ายผ่านหน้าต่างที่เป็นฝ้า... อาจจะไม่ใช่คำเปรียบเทียบที่ดีนัก แต่คุณคงเข้าใจนะ 😄
ความแตกต่างระหว่าง “บริษัท AI” กับ “บริษัทที่ใช้ AI” (ส่วนนี้จะช่วยลดการโต้เถียง) 🥊
ธุรกิจสมัยใหม่ส่วนใหญ่ใช้ปัญญาประดิษฐ์ (AI) ในรูปแบบใดรูปแบบหนึ่ง แต่เพียงแค่นั้นไม่ได้หมายความว่าพวกเขาเป็นบริษัท AI ( OECD )
โดยทั่วไปคือบริษัทด้านปัญญาประดิษฐ์ (AI):
-
ขายความสามารถด้าน AI โดยตรง (โมเดล, ผู้ช่วยนักบิน, ระบบอัตโนมัติอัจฉริยะ)
-
สร้างระบบ AI ที่เป็นกรรมสิทธิ์ของตนเองเป็นผลิตภัณฑ์หลัก
-
มีฟังก์ชันหลักคือการวิศวกรรม การประเมิน และการใช้งาน AI อย่างจริงจัง ( Google Cloud MLOps )
-
เรียนรู้จากข้อมูลอย่างต่อเนื่องและปรับปรุงประสิทธิภาพโดยใช้ข้อมูลเป็นตัวชี้วัดหลัก 📈 ( เอกสารไวท์เปเปอร์ของ Google MLOps )
โดยทั่วไปคือบริษัทที่ใช้ปัญญาประดิษฐ์ (AI)
-
ใช้ AI ภายในองค์กรเพื่อลดต้นทุน เพิ่มความเร็วในการทำงาน หรือปรับปรุงการกำหนดเป้าหมาย
-
ยังคงจำหน่ายสินค้าหรือบริการอื่นๆ (สินค้าปลีก บริการธนาคาร โลจิสติกส์ สื่อ ฯลฯ)
-
สามารถใช้ซอฟต์แวร์แบบดั้งเดิมมาทดแทน AI ได้ และยังคง "เป็นตัวของมันเอง"
ตัวอย่าง (จงใจใช้ตัวอย่างทั่วไป เพราะการถกเถียงเรื่องแบรนด์เป็นงานอดิเรกของบางคน):
-
ธนาคารที่ใช้ AI ในการตรวจจับการฉ้อโกง - AI-enabled
-
ผู้ค้าปลีกที่ใช้ AI ในการพยากรณ์สินค้าคงคลัง - ขับเคลื่อนด้วย AI
-
บริษัทที่มีผลิตภัณฑ์เป็นตัวแทนฝ่ายบริการลูกค้าที่ใช้ AI - น่าจะเป็นบริษัทด้าน AI
-
แพลตฟอร์มจำหน่ายเครื่องมือตรวจสอบ ประเมิน และปรับใช้โมเดล - บริษัท AI (โครงสร้างพื้นฐาน) ( Google Cloud MLOps )
ใช่แล้ว…ทันตแพทย์ของคุณอาจใช้ AI ในการแจ้งเตือนการนัดหมาย แต่นั่นไม่ได้หมายความว่าพวกเขาเป็นบริษัท AI นะคะ 😬🦷
อะไรคือสิ่งที่ทำให้บริษัท AI ที่ดี 🏗️
บริษัท AI ทุกแห่งไม่ได้ถูกสร้างขึ้นมาเหมือนกันทั้งหมด และบางแห่งก็เป็นเพียงแค่กระแสความนิยมและเงินทุนจากนักลงทุนเท่านั้น ที่ดี มักจะมีลักษณะร่วมกันอยู่ไม่กี่อย่างที่เห็นได้ชัดเจน:
-
ระบุผู้รับผิดชอบปัญหาอย่างชัดเจน : พวกเขาแก้ไขปัญหาเฉพาะเจาะจง ไม่ใช่ "AI สำหรับทุกอย่าง"
-
ผลลัพธ์ที่วัดได้ : ความแม่นยำ ประหยัดเวลา ลดต้นทุน ลดข้อผิดพลาด เพิ่มอัตราการแปลง - เลือกสิ่งใดสิ่งหนึ่งแล้วติดตามผล ( NIST AI RMF )
-
ระเบียบวินัยด้านข้อมูล : คุณภาพข้อมูล การอนุญาต การกำกับดูแล และวงจรการตอบรับ เป็นสิ่งที่ไม่สามารถละเลยได้ ( NIST AI RMF )
-
วัฒนธรรมการประเมินผล : พวกเขาทำการทดสอบโมเดลอย่างผู้ใหญ่ โดยใช้เกณฑ์มาตรฐาน กรณีพิเศษ และการติดตามตรวจสอบ 🔍 ( Google Cloud MLOps , Datadog )
-
ความเป็นจริงในการใช้งาน : ระบบทำงานได้ในสภาพแวดล้อมที่ไม่เป็นระเบียบในชีวิตประจำวัน ไม่ใช่แค่ในการสาธิตเท่านั้น
-
จุดแข็งที่สามารถป้องกันได้ : ข้อมูลโดเมน การกระจาย การบูรณาการเวิร์กโฟลว์ หรือเครื่องมือที่เป็นกรรมสิทธิ์ (ไม่ใช่แค่ "เราเรียกใช้ API")
ป้ายที่บ่งบอกอะไรหลายอย่างอย่างน่าประหลาดใจ:
-
ถ้าทีมไหนพูดถึงเรื่อง ความหน่วง การเบี่ยงเบน ชุดประเมินผล ภาพลวงตา และโหมดความล้มเหลว แสดง ว่าพวกเขาน่าจะกำลังทำงานด้าน AI จริงๆ อยู่ ( IBM - การเบี่ยงเบนของโมเดล , OpenAI - ภาพลวงตา , Google Cloud MLOps )
-
ถ้าพวกเขาส่วนใหญ่พูดถึงเรื่อง "การปฏิวัติการทำงานร่วมกันด้วยพลังบวกอัจฉริยะ" ก็...คุณก็คงรู้แหละว่ามันเป็นยังไง 😅
ตารางเปรียบเทียบ: ประเภทของบริษัท AI ทั่วไป และผลิตภัณฑ์ที่พวกเขานำเสนอ 📊🤝
ด้านล่างนี้คือตารางเปรียบเทียบอย่างรวดเร็วและไม่สมบูรณ์แบบ (เหมือนกับการทำธุรกิจในชีวิตประจำวัน) ราคาที่แสดงเป็น "รูปแบบการกำหนดราคาโดยทั่วไป" ไม่ใช่ตัวเลขที่แน่นอน เนื่องจากราคาอาจแตกต่างกันมาก.
| ตัวเลือก / “พิมพ์” | กลุ่มเป้าหมายที่ดีที่สุด | ราคา (โดยทั่วไป) | เหตุผลที่มันได้ผล |
|---|---|---|---|
| ผู้สร้างแบบจำลองพื้นฐาน | นักพัฒนา องค์กร ทุกคน... ประมาณนั้น | สัญญาขนาดใหญ่แบบคิดตามการใช้งาน | โมเดลทั่วไปที่แข็งแกร่งจะกลายเป็นแพลตฟอร์ม ซึ่งเป็นเหมือน "เลเยอร์ระบบปฏิบัติการ" ( การกำหนดราคา API ของ OpenAI ) |
| แอปพลิเคชัน AI เฉพาะด้าน (กฎหมาย การแพทย์ การเงิน ฯลฯ) | ทีมที่มีขั้นตอนการทำงานเฉพาะ | ราคาค่าสมัครสมาชิก + ราคาที่นั่ง | ข้อจำกัดของโดเมนช่วยลดความวุ่นวาย ความแม่นยำสามารถเพิ่มขึ้นได้ (หากทำอย่างถูกต้อง) |
| AI ผู้ช่วยนักบินสำหรับงานด้านความรู้ | ฝ่ายขาย ฝ่ายสนับสนุน ฝ่ายวิเคราะห์ ฝ่ายปฏิบัติการ | ต่อผู้ใช้ต่อเดือน | ช่วยประหยัดเวลาได้อย่างรวดเร็ว ผสานรวมเข้ากับเครื่องมือที่ใช้ในชีวิตประจำวันได้อย่างลงตัว… ประทับใจเมื่อใช้งานได้ดี ( ราคา Microsoft 365 Copilot ) |
| MLOps / แพลตฟอร์ม Model Ops | ทีม AI ในขั้นตอนการผลิต | สัญญาองค์กร (บางครั้งก็ยุ่งยาก) | การตรวจสอบ การติดตั้งใช้งาน และการกำกับดูแล - อาจดูไม่น่าดึงดูด แต่จำเป็นอย่างยิ่ง ( Google Cloud MLOps ) |
| บริษัท Data + Labeling | ผู้สร้างแบบจำลอง, องค์กรต่างๆ | ต่อภารกิจ ต่อป้ายกำกับ แบบผสมผสาน | ข้อมูลที่ดีกว่ามักเอาชนะ "โมเดลที่ซับซ้อนกว่า" ได้อย่างน่าประหลาดใจ ( MIT Sloan / Andrew Ng เกี่ยวกับ AI ที่เน้นข้อมูลเป็นศูนย์กลาง ) |
| AI บนอุปกรณ์ / AI บนอุปกรณ์ | ฮาร์ดแวร์ + IoT, องค์กรที่ให้ความสำคัญกับความเป็นส่วนตัวสูง | การออกใบอนุญาตต่ออุปกรณ์ | ความหน่วงต่ำ + ความเป็นส่วนตัว; ใช้งานได้แม้ไม่มีการเชื่อมต่ออินเทอร์เน็ต (สำคัญมาก) ( NVIDIA , IBM ) |
| ที่ปรึกษา/ผู้บูรณาการด้าน AI | องค์กรที่ไม่ใช่ AI โดยกำเนิด | สัญญาจ้างตามโครงการและแบบรายเดือน | กระบวนการเร็วกว่าการรับสมัครภายในองค์กร แต่ในทางปฏิบัติแล้วขึ้นอยู่กับความสามารถของแต่ละบุคคล |
| เครื่องมือประเมินผล/ความปลอดภัย | ทีมจัดส่งโมเดล | การสมัครสมาชิกแบบแบ่งระดับ | ช่วยหลีกเลี่ยงความล้มเหลวที่เกิดขึ้นโดยไม่รู้ตัว ซึ่งเป็นเรื่องสำคัญมาก ( NIST AI RMF , OpenAI - ภาพหลอน ) |
โปรดสังเกตสิ่งนี้ “บริษัท AI” อาจหมายถึงธุรกิจที่แตกต่างกันมาก บางบริษัทขายโมเดล บางบริษัทขายเครื่องมือสำหรับสร้างโมเดล บางบริษัทขายผลิตภัณฑ์สำเร็จรูป ชื่อเดียวกัน แต่ความเป็นจริงแตกต่างกันโดยสิ้นเชิง.
รูปแบบหลักๆ ของบริษัท AI (และสิ่งที่พวกเขาทำผิดพลาด) 🧩
เรามาเจาะลึกกันอีกหน่อย เพราะนี่คือจุดที่คนส่วนใหญ่มักพลาดพลั้ง.
1) บริษัทที่เน้นโมเดลเป็นหลัก 🧠
เครื่องมือเหล่านี้ใช้สำหรับสร้างหรือปรับแต่งโมเดล จุดเด่นของเครื่องมือเหล่านี้โดยทั่วไปคือ:
-
ความสามารถในการวิจัย
-
การเพิ่มประสิทธิภาพการคำนวณ
-
วงวนการประเมินและการวนซ้ำ
-
โครงสร้างพื้นฐานการให้บริการประสิทธิภาพสูง ( เอกสารไวท์เปเปอร์ Google MLOps )
ข้อผิดพลาดที่พบบ่อย:
-
พวกเขาเข้าใจผิดว่า “โมเดลที่ดีกว่า” ย่อมหมายถึง “ผลิตภัณฑ์ที่ดีกว่า” โดยอัตโนมัติ
ซึ่งไม่ใช่เช่นนั้น ผู้ใช้ไม่ได้ซื้อโมเดล แต่ซื้อผลลัพธ์
2) บริษัท AI ที่เน้นผลิตภัณฑ์เป็นหลัก 🧰
สิ่งเหล่านี้ผสานรวม AI เข้ากับขั้นตอนการทำงาน พวกมันประสบความสำเร็จด้วยเหตุผลดังต่อไปนี้:
-
การกระจาย
-
ประสบการณ์ผู้ใช้และการบูรณาการ
-
วงจรป้อนกลับที่แข็งแกร่ง
-
ความน่าเชื่อถือสำคัญกว่าสติปัญญาดิบๆ
ข้อผิดพลาดที่พบบ่อย:
-
พวกเขาประเมินพฤติกรรมของโมเดลในสภาพแวดล้อมจริงต่ำเกินไป ผู้ใช้จริงจะทำลายระบบของคุณด้วยวิธีการใหม่ๆ ที่สร้างสรรค์อยู่เสมอ ทุกวัน.
3) บริษัท AI ด้านโครงสร้างพื้นฐาน ⚙️
ลองนึกถึงการติดตาม การใช้งาน การกำกับดูแล การประเมินผล การประสานงาน พวกเขาประสบความสำเร็จได้ด้วย:
-
ลดความเจ็บปวดจากการผ่าตัด
-
การจัดการความเสี่ยง
-
ทำให้ AI สามารถทำซ้ำได้และปลอดภัยในระดับหนึ่ง ( NIST AI RMF , Google Cloud MLOps )
ข้อผิดพลาดที่พบบ่อย:
-
พวกเขาพัฒนาระบบสำหรับทีมที่มีความเชี่ยวชาญสูง และละเลยคนอื่นๆ จากนั้นก็มาสงสัยว่าทำไมการใช้งานถึงช้า.
4) บริษัท AI ที่เน้นข้อมูลเป็นหลัก 🗂️
ผลิตภัณฑ์เหล่านี้มุ่งเน้นไปที่กระบวนการจัดการข้อมูล การติดป้ายกำกับ ข้อมูลสังเคราะห์ และการกำกับดูแลข้อมูล และประสบความสำเร็จด้วยเหตุผลดังนี้:
-
การปรับปรุงคุณภาพสัญญาณการฝึกอบรม
-
ลดเสียงรบกวน
-
การส่งเสริมความเชี่ยวชาญเฉพาะด้าน ( MIT Sloan / Andrew Ng เกี่ยวกับ AI ที่เน้นข้อมูลเป็นศูนย์กลาง )
ข้อผิดพลาดที่พบบ่อย:
-
พวกเขาพูดเกินจริงไปว่า “ข้อมูลแก้ได้ทุกอย่าง” ข้อมูลนั้นทรงพลังก็จริง แต่คุณยังคงต้องการการสร้างแบบจำลองที่ดีและการคิดค้นผลิตภัณฑ์ที่แข็งแกร่งอยู่ดี.
อะไรบ้างที่อยู่ภายในบริษัท AI โดยไม่ได้ปรับแต่งอะไรมาก: โครงสร้างพื้นฐาน (Stack) โดยประมาณ 🧱
หากมองให้ลึกเข้าไปข้างใน คุณจะพบว่าบริษัท AI ส่วนใหญ่มีโครงสร้างภายในที่คล้ายคลึงกัน ไม่เสมอไป แต่บ่อยครั้ง.
ชั้นข้อมูล 📥
-
การรวบรวมและการบริโภค
-
การติดฉลากหรือการกำกับดูแลที่ไม่เข้มงวด
-
ความเป็นส่วนตัว, สิทธิ์อนุญาต, การเก็บรักษาข้อมูล
-
วงจรป้อนกลับ (การแก้ไขโดยผู้ใช้ ผลลัพธ์ การตรวจสอบโดยมนุษย์) ( NIST AI RMF )
เลเยอร์โมเดล 🧠
-
การเลือกโมเดลพื้นฐาน (หรือฝึกฝนตั้งแต่เริ่มต้น)
-
การปรับแต่งอย่างละเอียด การกลั่นกรอง การออกแบบทางวิศวกรรมอย่างรวดเร็ว (ใช่แล้ว ยังนับรวมอยู่ด้วย)
-
ระบบการค้นหา (การค้นหา + การจัดอันดับ + ฐานข้อมูลเวกเตอร์) ( เอกสาร RAG (Lewis et al., 2020) , Oracle - การค้นหาเวกเตอร์ )
-
ชุดประเมินผลและชุดทดสอบ ( Google Cloud MLOps )
ชั้นผลิตภัณฑ์ 🧑💻
-
ประสบการณ์ผู้ใช้ที่รับมือกับความไม่แน่นอน (สัญญาณแสดงความมั่นใจ สถานะ "ตรวจสอบ")
-
หลักเกณฑ์ควบคุม (นโยบาย การปฏิเสธ การดำเนินการให้เสร็จสิ้นอย่างปลอดภัย) ( NIST AI RMF )
-
การผสานรวมเวิร์กโฟลว์ (อีเมล, CRM, เอกสาร, ระบบออกตั๋ว ฯลฯ)
เลเยอร์ปฏิบัติการ 🛠️
-
การตรวจสอบการเปลี่ยนแปลงและการเสื่อมสภาพ ( IBM - Model drift , Google Cloud MLOps )
-
การตอบสนองต่อเหตุการณ์และการย้อนกลับ ( Uber - ความปลอดภัยในการใช้งาน )
-
การจัดการต้นทุน (การคำนวณอาจเป็นเหมือนสัตว์ประหลาดตัวเล็กๆ ที่หิวเงิน)
-
การกำกับดูแล การตรวจสอบ การควบคุมการเข้าถึง ( NIST AI RMF , ภาพรวม ISO/IEC 42001 )
และส่วนที่ไม่มีใครโฆษณาเลยก็คือ:
-
กระบวนการทำงานของมนุษย์ เช่น ผู้ตรวจสอบ การส่งต่อปัญหา การควบคุมคุณภาพ และขั้นตอนการรับฟังความคิดเห็นจากลูกค้า
AI ไม่ใช่เรื่อง "ตั้งค่าแล้วปล่อยทิ้งไว้" มันเหมือนกับการทำสวน หรือเหมือนกับการเลี้ยงแรคคูนเป็นสัตว์เลี้ยง มันอาจจะน่ารัก แต่ถ้าคุณไม่ระวัง มันจะทำลายครัวของคุณอย่างแน่นอน 😬🦝
โมเดลธุรกิจ: บริษัท AI สร้างรายได้ได้อย่างไร 💸
โดยทั่วไปแล้ว บริษัท AI มักมีรูปแบบการสร้างรายได้อยู่ไม่กี่แบบ:
-
คิดค่าบริการตามการใช้งาน (ต่อคำขอ ต่อโทเค็น ต่อนาที ต่อภาพ ต่อภารกิจ) ( ราคา API ของ OpenAI , โทเค็นของ OpenAI )
-
การสมัครใช้งานแบบคิดตามจำนวนที่นั่ง (ต่อผู้ใช้ต่อเดือน) ( ราคา Microsoft 365 Copilot )
-
การกำหนดราคาตามผลลัพธ์ (พบได้น้อย แต่ทรงประสิทธิภาพ - คิดค่าบริการต่อการเปลี่ยนลูกค้าเป้าหมายเป็นลูกค้าจริง หรือต่อการแก้ไขปัญหาในตั๋ว)
-
สัญญาองค์กร (การสนับสนุน การปฏิบัติตามข้อกำหนด ข้อตกลงระดับบริการ การติดตั้งระบบแบบกำหนดเอง)
-
การอนุญาตใช้งาน (บนอุปกรณ์, แบบฝังตัว, รูปแบบ OEM) ( NVIDIA )
ความขัดแย้งที่บริษัท AI หลายแห่งต้องเผชิญ:
-
ลูกค้าต้องการทราบค่าใช้จ่ายที่แน่นอน 😌
-
ค่าใช้จ่ายด้าน AI อาจผันผวนได้ตามการใช้งานและรุ่นที่เลือก 😵
ดังนั้น บริษัท AI ที่เก่งๆ จึงมักเชี่ยวชาญในด้านต่างๆ ดังนี้:
-
ส่งต่อภารกิจไปยังรุ่นที่ราคาถูกกว่าเมื่อเป็นไปได้
-
ผลลัพธ์การแคช
-
คำขอแบบกลุ่ม
-
การควบคุมขนาดบริบท
-
การออกแบบ UX ที่ช่วยลด "วงจรการตอบคำถามที่ไม่สิ้นสุด" (เราทุกคนเคยทำแบบนั้นมาแล้ว...)
คำถามสำคัญ: อะไรทำให้บริษัท AI สามารถป้องกันตัวเองได้ 🏰
นี่แหละคือส่วนที่น่าสนใจ หลายคนมักคิดว่า "โมเดลของเราดีกว่า" บางครั้งมันก็เป็นความจริง แต่บ่อยครั้ง...ไม่ใช่.
ข้อได้เปรียบที่สามารถป้องกันได้โดยทั่วไป:
-
ข้อมูลที่เป็นกรรมสิทธิ์ (โดยเฉพาะข้อมูลเฉพาะด้าน)
-
การแจกจ่าย (ฝังอยู่ในเวิร์กโฟลว์ที่ผู้ใช้ใช้งานอยู่แล้ว)
-
ต้นทุนในการเปลี่ยนระบบ (การบูรณาการ การเปลี่ยนแปลงกระบวนการ พฤติกรรมของทีม)
-
ความไว้วางใจในแบรนด์ (โดยเฉพาะอย่างยิ่งสำหรับโดเมนที่มีความสำคัญสูง)
-
ความเป็นเลิศในการดำเนินงาน (การส่งมอบ AI ที่เชื่อถือได้ในระดับใหญ่เป็นเรื่องยาก) ( Google Cloud MLOps )
-
ระบบที่มีมนุษย์เข้ามาเกี่ยวข้อง (โซลูชันแบบไฮบริดสามารถทำงานได้ดีกว่าระบบอัตโนมัติล้วนๆ) ( NIST AI RMF , กฎหมาย AI ของสหภาพยุโรป - การกำกับดูแลโดยมนุษย์ (มาตรา 14) )
ความจริงที่อาจทำให้รู้สึกไม่สบายใจเล็กน้อย:
สองบริษัทอาจใช้โมเดลพื้นฐานเดียวกัน แต่ผลลัพธ์ที่ได้กลับแตกต่างกันอย่างมาก ความแตกต่างมักอยู่ที่ทุกสิ่งทุกอย่างรอบ ๆ โมเดลนั้น ไม่ว่าจะเป็นการออกแบบผลิตภัณฑ์ การประเมินผล วงจรข้อมูล และวิธีการจัดการกับความล้มเหลว
วิธีสังเกตการหลอกลวงด้วย AI (หรือที่เรียกว่า “เราเพิ่มความแวววาวแล้วเรียกมันว่าปัญญาประดิษฐ์”) 🚩
หากคุณกำลังประเมินว่าบริษัท AI แห่งใดเป็นอย่างไรในแวดวงธุรกิจ โปรดระวังสัญญาณเตือนภัยเหล่านี้:
-
ไม่มีการอธิบายความสามารถของ AI อย่างชัดเจน มีแต่การตลาด แต่ไม่มีกลไกการทำงาน
-
การสาธิตสุดมหัศจรรย์ : การสาธิตที่น่าประทับใจ แต่ไม่ได้กล่าวถึงกรณีพิเศษใดๆ เลย
-
ไม่มีรายละเอียดการประเมินผล : พวกเขาไม่สามารถอธิบายได้ว่าพวกเขาทำการทดสอบความน่าเชื่อถืออย่างไร ( Google Cloud MLOps )
-
คำตอบเชิงข้อมูลที่ไม่ชัดเจน : ไม่แน่ชัดว่าข้อมูลมาจากไหนหรือมีการกำกับดูแลอย่างไร ( NIST AI RMF )
-
ไม่มีแผนสำหรับการตรวจสอบ : พวกเขาทำราวกับว่าแบบจำลองไม่เปลี่ยนแปลง ( IBM - การเปลี่ยนแปลงแบบจำลอง )
-
พวกเขาไม่สามารถอธิบายสาเหตุของความล้มเหลวได้ ทุกอย่างดู "เกือบสมบูรณ์แบบ" (แต่ไม่มีอะไรสมบูรณ์แบบหรอก) ( OpenAI - ภาพหลอน )
ธงสีเขียว (สัญลักษณ์แห่งความสงบ) ✅:
-
พวกเขาแสดงให้เห็นว่าพวกเขาวัดผลการปฏิบัติงานอย่างไร
-
พวกเขาพูดถึงข้อจำกัดโดยไม่ตื่นตระหนก
-
พวกเขามีขั้นตอนการตรวจสอบโดยมนุษย์และการยกระดับปัญหา ( NIST AI RMF , กฎหมาย AI ของสหภาพยุโรป - การกำกับดูแลโดยมนุษย์ (มาตรา 14) )
-
พวกเขาเข้าใจถึงความต้องการด้านความเป็นส่วนตัวและการปฏิบัติตามกฎระเบียบ ( NIST AI RMF , ภาพรวมกฎหมาย AI ของสหภาพยุโรป )
-
พวกเขาสามารถพูดว่า “เราไม่ทำแบบนั้น” ได้โดยไม่ต้องเสียใจจนควบคุมอารมณ์ไม่อยู่ 😅
ถ้าคุณกำลังสร้างบริษัท AI: นี่คือเช็คลิสต์ที่ใช้งานได้จริงสำหรับการก้าวสู่การเป็นบริษัท AI 🧠📝
หากคุณกำลังพยายามเปลี่ยนจาก "บริษัทที่ใช้ AI" ไปสู่ "บริษัท AI อย่างแท้จริง" นี่คือเส้นทางที่ใช้ได้จริง:
-
เริ่มต้นด้วยขั้นตอนการทำงานหนึ่งอย่างที่สร้างความเดือดร้อนให้ผู้คนมากพอจนพวกเขาต้องจ่ายเงินเพื่อแก้ไขมัน
-
ประเมินผลลัพธ์ตั้งแต่เนิ่นๆ (ก่อนขยายผล)
-
สร้างชุดข้อมูลสำหรับการประเมินผลจากกรณีการใช้งานจริง ( Google Cloud MLOps )
-
เพิ่มระบบการรับฟังความคิดเห็นตั้งแต่วันแรก
-
ควรออกแบบราวกันตกให้เป็นส่วนหนึ่งของกระบวนการออกแบบ ไม่ใช่สิ่งที่คิดขึ้นมาทีหลัง ( มาตรฐาน NIST AI RMF )
-
อย่าสร้างใหญ่เกินไป - ส่งชิ้นส่วนรูปทรงลิ่มแคบๆ ที่เชื่อถือได้ดีกว่า
-
มองการปรับใช้เหมือนกับผลิตภัณฑ์ ไม่ใช่ขั้นตอนสุดท้าย ( Google Cloud MLOps )
นอกจากนี้ยังมีคำแนะนำที่ดูขัดกับสามัญสำนึกแต่ได้ผล:
-
ควรใช้เวลาศึกษาถึงสิ่งที่เกิดขึ้นเมื่อ AI ทำงานผิดพลาดมากกว่าตอนที่ AI ทำงานถูกต้อง
เพราะนั่นคือจุดที่ความไว้วางใจจะเกิดขึ้นหรือหายไป ( NIST AI RMF )
บทสรุปปิดท้าย 🧠✨
สรุปแล้ว… บริษัท AI คืออะไรนั้น มีแก่นหลักที่เรียบง่ายดังนี้:
นี่คือบริษัทที่ AI เป็นกลไกหลัก ไม่ใช่แค่ส่วนประกอบเสริม ถ้าหากเอา AI ออกไปแล้วผลิตภัณฑ์ใช้งานไม่ได้ (หรือสูญเสียจุดเด่น) นั่นแสดงว่าบริษัทนั้นเป็นบริษัท AI อย่างแท้จริง แต่ถ้า AI เป็นเพียงเครื่องมือหนึ่งในหลายๆ เครื่องมือ การเรียกมันว่า "บริษัทที่ใช้ AI เป็นตัวขับเคลื่อน" น่าจะแม่นยำกว่า
ทั้งสองแบบก็ดีทั้งคู่ โลกต้องการทั้งสองแบบ แต่ฉลากสำคัญเมื่อคุณลงทุน จ้างงาน ซื้อซอฟต์แวร์ หรือพยายามหาคำตอบว่าคุณกำลังถูกขายหุ่นยนต์หรือหุ่นกระดาษติดตาเล่นกันแน่ 🤖👀
คำถามที่พบบ่อย
อะไรคือสิ่งที่เรียกว่าบริษัท AI และอะไรคือสิ่งที่ทำให้บริษัทนั้นแตกต่างระหว่างบริษัทที่ใช้ AI เป็นเครื่องมือ?
บริษัท AI คือบริษัทที่ผลิตภัณฑ์หลัก คุณค่า หรือความได้เปรียบทางการแข่งขันขึ้นอยู่กับ AI หากนำ AI ออกไป ผลิตภัณฑ์หรือบริการก็จะล้มเหลวหรือแย่ลงอย่างมาก ส่วนบริษัทที่ใช้ AI ในการดำเนินงาน (เช่น การพยากรณ์หรือการตรวจจับการฉ้อโกง) นั้น ใช้ AI เพื่อเสริมสร้างการดำเนินงาน แต่ยังคงขายสินค้าหรือบริการที่ไม่ใช่ AI โดยพื้นฐาน ทดสอบง่ายๆ คือ หาก AI ล้มเหลวในวันพรุ่งนี้ แต่คุณยังสามารถใช้งานได้ด้วยซอฟต์แวร์พื้นฐาน คุณก็มีแนวโน้มที่จะใช้ AI ในการดำเนินงานแล้ว.
ฉันจะตรวจสอบได้อย่างรวดเร็วได้อย่างไรว่าธุรกิจนั้นเป็นบริษัท AI จริงๆ?
ลองพิจารณาดูว่าจะเกิดอะไรขึ้นหาก AI หยุดทำงาน หากลูกค้ายังคงจ่ายเงินและธุรกิจยังคงดำเนินต่อไปได้ด้วยสเปรดชีตหรือซอฟต์แวร์แบบดั้งเดิม นั่นอาจไม่ใช่ธุรกิจที่ใช้ AI อย่างแท้จริง บริษัท AI ที่แท้จริงมักจะพูดถึงรายละเอียดการดำเนินงานที่เป็นรูปธรรม เช่น ชุดการประเมิน ความหน่วง การเบี่ยงเบน ภาพลวงตา การตรวจสอบ และโหมดความล้มเหลว หากมีแต่การตลาดแต่ไม่มีกลไกการทำงาน นั่นคือสัญญาณเตือนภัย.
คุณจำเป็นต้องฝึกฝนโมเดลของคุณเองเพื่อที่จะเป็นบริษัท AI หรือไม่?
ไม่เลย บริษัท AI หลายแห่งสร้างผลิตภัณฑ์ที่แข็งแกร่งบนพื้นฐานของโมเดลที่มีอยู่แล้ว และยังคงจัดอยู่ในประเภท AI-native ได้แม้ว่า AI จะเป็นหัวใจหลักของผลิตภัณฑ์ก็ตาม สิ่งสำคัญคือโมเดล ข้อมูล การประเมิน และวงจรการพัฒนาซ้ำๆ นั้นช่วยขับเคลื่อนประสิทธิภาพและความแตกต่างหรือไม่ ข้อมูลที่เป็นกรรมสิทธิ์ การบูรณาการเวิร์กโฟลว์ และการประเมินอย่างเข้มงวดสามารถสร้างความได้เปรียบอย่างแท้จริงได้ แม้ว่าจะไม่ได้ฝึกฝนตั้งแต่เริ่มต้นก็ตาม.
บริษัท AI ประเภทหลัก ๆ มีอะไรบ้าง และแต่ละประเภทแตกต่างกันอย่างไร?
ประเภททั่วไป ได้แก่ ผู้สร้างแบบจำลองพื้นฐาน แอปพลิเคชัน AI เฉพาะทาง (เช่น เครื่องมือทางกฎหมายหรือการแพทย์) ผู้ช่วยในการทำงานด้านความรู้ แพลตฟอร์ม MLOps/model ops ธุรกิจข้อมูลและการติดฉลาก AI บนอุปกรณ์/เอดจ์ บริษัทที่ปรึกษา/ผู้บูรณาการ และผู้ให้บริการเครื่องมือประเมิน/ความปลอดภัย พวกเขาทั้งหมดอาจเป็น “บริษัท AI” แต่ขายสิ่งที่แตกต่างกันมาก: แบบจำลอง ผลิตภัณฑ์สำเร็จรูป หรือโครงสร้างพื้นฐานที่ทำให้ AI ในการผลิตมีความน่าเชื่อถือและควบคุมได้.
โดยทั่วไปแล้ว เทคโนโลยีเบื้องหลังของบริษัท AI นั้นมีอะไรบ้าง?
บริษัท AI หลายแห่งมีโครงสร้างพื้นฐานที่คล้ายกัน ได้แก่ ชั้นข้อมูล (การรวบรวม การติดป้ายกำกับ การกำกับดูแล วงจรป้อนกลับ) ชั้นโมเดล (การเลือกโมเดลพื้นฐาน การปรับแต่ง การค้นหา RAG/เวกเตอร์ ชุดการประเมิน) ชั้นผลิตภัณฑ์ (UX สำหรับความไม่แน่นอน แนวทางปฏิบัติ การบูรณาการเวิร์กโฟลว์) และชั้นการดำเนินงาน (การตรวจสอบการเปลี่ยนแปลง การตอบสนองต่อเหตุการณ์ การควบคุมต้นทุน การตรวจสอบ) กระบวนการของมนุษย์ เช่น ผู้ตรวจสอบ การยกระดับปัญหา การควบคุมคุณภาพ มักเป็นส่วนประกอบที่ไม่โดดเด่นนัก.
ตัวชี้วัดใดบ้างที่แสดงให้เห็นว่าบริษัท AI กำลังทำ "งานจริง" ไม่ใช่แค่การสาธิต?
สัญญาณที่ทรงพลังกว่าคือผลลัพธ์ที่วัดได้ซึ่งเชื่อมโยงกับผลิตภัณฑ์ เช่น ความแม่นยำ การประหยัดเวลา การลดต้นทุน ข้อผิดพลาดที่น้อยลง หรืออัตราการแปลงที่สูงขึ้น ควบคู่ไปกับวิธีการที่ชัดเจนในการประเมินและตรวจสอบตัวชี้วัดเหล่านั้น ทีมงานที่แท้จริงจะสร้างเกณฑ์มาตรฐาน ทดสอบกรณีพิเศษ และติดตามประสิทธิภาพหลังการใช้งาน พวกเขายังวางแผนสำหรับกรณีที่โมเดลผิดพลาด ไม่ใช่แค่กรณีที่โมเดลถูกต้อง เพราะความน่าเชื่อถือขึ้นอยู่กับการจัดการกับความล้มเหลว.
โดยทั่วไปแล้วบริษัท AI สร้างรายได้อย่างไร และผู้ซื้อควรระวังกับดักด้านราคาอะไรบ้าง?
รูปแบบการคิดราคาที่พบได้ทั่วไป ได้แก่ การคิดราคาตามการใช้งาน (ต่อคำขอ/โทเค็น/งาน) การสมัครสมาชิกตามจำนวนที่นั่ง การคิดราคาตามผลลัพธ์ (พบได้น้อยกว่า) สัญญาองค์กรพร้อมข้อตกลงระดับบริการ (SLA) และการออกใบอนุญาตสำหรับ AI แบบฝังตัวหรือบนอุปกรณ์ ประเด็นสำคัญคือความสามารถในการคาดการณ์: ลูกค้าต้องการค่าใช้จ่ายที่คงที่ ในขณะที่ต้นทุน AI สามารถผันผวนได้ตามการใช้งานและการเลือกโมเดล ผู้ให้บริการที่แข็งแกร่งจะจัดการเรื่องนี้ด้วยการส่งต่อไปยังโมเดลที่ถูกกว่า การแคช การจัดกลุ่ม และการควบคุมขนาดของบริบท.
อะไรทำให้บริษัท AI ยังคงอยู่รอดได้ ในเมื่อทุกคนสามารถใช้โมเดลที่คล้ายคลึงกันได้?
บ่อยครั้งที่ปราการด่านป้องกันไม่ได้หมายถึงแค่ “โมเดลที่ดีกว่า” เท่านั้น ความสามารถในการป้องกันอาจมาจากข้อมูลเฉพาะด้าน การกระจายการทำงานภายในเวิร์กโฟลว์ที่ผู้ใช้คุ้นเคยอยู่แล้ว ต้นทุนการเปลี่ยนระบบจากการบูรณาการและพฤติกรรม ความไว้วางใจในแบรนด์ในพื้นที่ที่มีความเสี่ยงสูง และความเป็นเลิศในการดำเนินงานเพื่อส่งมอบ AI ที่เชื่อถือได้ ระบบที่มีมนุษย์เข้ามาเกี่ยวข้องก็สามารถทำงานได้ดีกว่าระบบอัตโนมัติล้วนๆ ทีมสองทีมอาจใช้โมเดลเดียวกันแต่ได้ผลลัพธ์ที่แตกต่างกันมาก ขึ้นอยู่กับปัจจัยรอบข้างทั้งหมด.
ฉันจะสังเกตเห็นการหลอกลวงด้วย AI ได้อย่างไรเมื่อประเมินผู้ขายหรือสตาร์ทอัพ?
ระวังคำกล่าวอ้างที่ไม่ชัดเจนโดยไม่มีความสามารถด้าน AI ที่ชัดเจน “การสาธิตที่น่าทึ่ง” โดยไม่มีกรณีพิเศษ และความไม่สามารถอธิบายการประเมินผล การกำกับดูแลข้อมูล การตรวจสอบ หรือโหมดความล้มเหลว คำกล่าวอ้างที่มั่นใจเกินไป เช่น “เกือบสมบูรณ์แบบ” ก็เป็นสัญญาณเตือนอีกอย่างหนึ่ง สัญญาณที่ดี ได้แก่ การวัดผลที่โปร่งใส ข้อจำกัดที่ชัดเจน แผนการตรวจสอบการเปลี่ยนแปลง และเส้นทางการตรวจสอบหรือการยกระดับปัญหาโดยมนุษย์ที่กำหนดไว้อย่างดี บริษัทที่สามารถพูดได้ว่า “เราไม่ทำแบบนั้น” มักจะน่าเชื่อถือมากกว่าบริษัทที่สัญญาว่าจะทำทุกอย่าง.
เอกสารอ้างอิง
-
OECD - oecd.ai
-
OECD - oecd.org
-
สถาบันมาตรฐานและเทคโนโลยีแห่งชาติ (NIST) - NIST AI RMF (AI 100-1) - nist.gov
-
คู่มือแนวทางปฏิบัติของกรอบการบริหารความเสี่ยงด้านปัญญาประดิษฐ์ (AI RMF) ของ NIST - การวัดผล - nist.gov
-
Google Cloud - MLOps: การส่งมอบอย่างต่อเนื่องและกระบวนการทำงานอัตโนมัติในด้านการเรียนรู้ของเครื่อง - google.com
-
Google - คู่มือสำหรับผู้ปฏิบัติงานเกี่ยวกับ MLOps (เอกสารไวท์เปเปอร์) - google.com
-
Google Cloud - MLOps คืออะไร? - google.com
-
Datadog - แนวทางปฏิบัติที่ดีที่สุดสำหรับกรอบการประเมินหลักสูตร LLM - datadoghq.com
-
IBM - การเปลี่ยนแปลงรูปแบบโมเดล - ibm.com
-
OpenAI - เหตุใดแบบจำลองภาษาจึงเกิดภาพหลอน - openai.com
-
OpenAI - การกำหนดราคา API - openai.com
-
ศูนย์ช่วยเหลือ OpenAI - โทเค็นคืออะไรและนับอย่างไร - openai.com
-
ไมโครซอฟต์ - ราคา Microsoft 365 Copilot - microsoft.com
-
โรงเรียนบริหารธุรกิจ MIT Sloan - เหตุใดจึงถึงเวลาสำหรับปัญญาประดิษฐ์ที่เน้นข้อมูลเป็นศูนย์กลาง - mit.edu
-
NVIDIA - AI บนอุปกรณ์ปลายทางคืออะไร? - nvidia.com
-
IBM - AI บน Edge เทียบกับ AI บน Cloud - ibm.com
-
Uber - ยกระดับมาตรฐานความปลอดภัยในการใช้งานโมเดล ML - uber.com
-
องค์การมาตรฐานสากล (ISO) - ภาพรวม ISO/IEC 42001 - iso.org
-
arXiv - การสร้างผลลัพธ์เสริมการค้นหาสำหรับงาน NLP ที่เน้นความรู้ (Lewis et al., 2020) - arxiv.org
-
Oracle - การค้นหาเวกเตอร์ - oracle.com
-
กฎหมายปัญญาประดิษฐ์ (สหภาพยุโรป) - การกำกับดูแลโดยมนุษย์ (มาตรา 14) - artificialintelligenceact.eu
-
คณะกรรมาธิการยุโรป - กรอบการกำกับดูแลด้านปัญญาประดิษฐ์ (ภาพรวมของกฎหมายปัญญาประดิษฐ์) - europa.eu
-
YouTube - youtube.com
-
ร้านค้าผู้ช่วย AI - วิธีการทำงานของการยกระดับ AI - aiassistantstore.com
-
ร้านค้าผู้ช่วย AI - หน้าตาของโค้ด AI เป็นอย่างไร - aiassistantstore.com
-
ร้านค้าผู้ช่วย AI - อัลกอริทึม AI คืออะไร - aiassistantstore.com
-
ร้านค้าผู้ช่วย AI - การประมวลผลล่วงหน้าด้วย AI คืออะไร - aiassistantstore.com