ຄູ່ມືການຕັດສິນໃຈລົງທຶນ AI ສຳລັບບໍລິສັດໄທ — ການຈັດລຳດັບຄວາມສຳຄັນໃນການນຳໃຊ້ໂດຍປຽບທຽບ ROI ແຍກຕາມປະເພດທຸລະກິດ

ການຕັດສິນໃຈລົງທຶນດ້ານ AI ຂອງບໍລິສັດໃນໄທ ຄືຂະບວນການຕັດສິນໃຈໃນການກຳນົດວ່າຈະລົງທຶນໃນຂົງເຂດວຽກງານໃດດ້ວຍງົບປະມານທີ່ມີຈຳກັດ ໂດຍອີງໃສ່ໂຄງສ້າງ ROI ແລະ ຄວາມຍາກງ່າຍໃນການນຳໃຊ້ທີ່ແຕກຕ່າງກັນໄປໃນແຕ່ລະຂະແໜງການ ເຊັ່ນ: ການຜະລິດ, ການຂົນສົ່ງ, ການທ່ອງທ່ຽວ ແລະ ການແພດ. ບົດຄວາມນີ້ມີຈຸດປະສົງເພື່ອຜູ້ບໍລິຫານ ແລະ ຜູ້ຮັບຜິດຊອບການຂັບເຄື່ອນ DX ຂອງບໍລິສັດຍີ່ປຸ່ນ ແລະ ບໍລິສັດທ້ອງຖິ່ນທີ່ດຳເນີນທຸລະກິດໃນໄທ ໂດຍຈະນຳສະເໜີການປຽບທຽບຂະແໜງການຫຼັກ 3 ດ້ານ ຄື: "ຜົນກະທົບຕໍ່ ROI", "ຄວາມຍາກງ່າຍໃນການນຳໃຊ້" ແລະ "ຄວາມຕ້ອງການດ້ານບຸກຄະລາກອນ ແລະ ຂໍ້ມູນ" ເພື່ອຊີ້ໃຫ້ເຫັນຂົງເຂດການລົງທຶນທີ່ມີບຸລິມະສິດສູງ ແລະ ແນວທາງການດຳເນີນງານ. ຫຼັງຈາກອ່ານຈົບ ທ່ານຈະໄດ້ຮັບກອບການປະເມີນຜົນທີ່ມີຄວາມລະອຽດ ເຊິ່ງສາມາດນຳໄປໃຊ້ເປັນຕາຕະລາງປຽບທຽບໃນການສະເໜີອະນຸມັດພາຍໃນບໍລິສັດໄດ້.

ສະຫຼຸບ: ຕະຫຼາດໄທມີຄວາມແຕກຕ່າງກັນຢ່າງຫຼວງຫຼາຍໃນດ້ານຄວາມພ້ອມທາງດິຈິຕອນ, ສະຖານະການຈັດການຂໍ້ມູນ, ແລະສະພາບແວດລ້ອມດ້ານກົດລະບຽບໃນແຕ່ລະອຸດສາຫະກຳ, ເຮັດໃຫ້ການປະເມີນຜົນຕອບແທນຈາກການລົງທຶນ (ROI) ບໍ່ສາມາດນຳໃຊ້ແບບດຽວກັນໄດ້ເຖິງແມ່ນວ່າຈະໃຊ້ AI Solution ດຽວກັນກໍຕາມ.

ອຸດສາຫະກຳການຜະລິດຂອງໄທມີການພັດທະນາດ້ານ IoT ໂດຍມີ EEC (ເຂດພັດທະນາພິເສດພາກຕາເວັນອອກ) ເປັນຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ, ເຮັດໃຫ້ພື້ນຖານຂໍ້ມູນແບບອະນຸກົມເວລາ (Time-series data) ທີ່ໄດ້ຈາກ PLC ແລະ ເຊັນເຊີມີຄວາມພ້ອມຫຼາຍຂຶ້ນ. ໃນທາງກົງກັນຂ້າມ, ໃນອຸດສາຫະກຳໂຮງແຮມ ແລະ ການທ່ອງທ່ຽວ, ອັດຕາການນຳໃຊ້ PMS (Property Management System) ໃນກຸ່ມທຸລະກິດຂະໜາດກາງລົງມາແມ່ນຍັງຕໍ່າ, ເຮັດໃຫ້ພົບເຫັນກໍລະນີທີ່ຂໍ້ມູນໃນຮູບແບບທີ່ AI ສາມາດອ່ານໄດ້ນັ້ນຍັງບໍ່ທັນມີຄວາມພ້ອມ.

ເມື່ອຍ່າງສຳຫຼວດເຂດນິຄົມອຸດສາຫະກຳ EEC ຊານເມືອງບາງກອກ, ເຮົາຈະພົບເຫັນໂຮງງານຜະລິດຊິ້ນສ່ວນລົດຍົນ ແລະ ໂຮງງານປຸງແຕ່ງອາຫານຕັ້ງຢູ່ຖະໜົນເສັ້ນດຽວກັນ. ໃນຂະນະທີ່ໂຮງງານແຫ່ງທຳອິດມີອຸປະກອນທີ່ສາມາດເກັບບັນທຶກຂໍ້ມູນຈາກ PLC ໄດ້ໃນລະດັບວິນາທີ, ແຕ່ໃນໂຮງງານແຫ່ງທີສອງ, ການລວບລວມລາຍງານການຜະລິດປະຈຳວັນຍັງເປັນການຂຽນດ້ວຍມືລົງໃນ Excel ເຊິ່ງເປັນພາບທີ່ເຫັນໄດ້ທົ່ວໄປ. ຄວາມເປັນຈິງທີ່ວ່າບໍ່ສາມາດເໝາະຮວມທຸກຢ່າງເຂົ້າເປັນ "ອຸດສາຫະກຳການຜະລິດຂອງໄທ" ໄດ້ນັ້ນ ເປັນຄວາມແຕກຕ່າງທີ່ສາມາດສຳຜັດໄດ້ພຽງແຕ່ການລົງພື້ນທີ່ສຳຫຼວດພາຍໃນ 1 ວັນ.

ນອກຈາກນີ້, ໂຄງສ້າງລາຍໄດ້ຂອງແຕ່ລະອຸດສາຫະກຳຍັງມີຄວາມແຕກຕ່າງກັນ. ສຳລັບອຸດສາຫະກຳການຜະລິດ, ການປັບປຸງອັດຕາສິນຄ້າເສຍຫາຍໃຫ້ຫຼຸດລົງ 1% ສາມາດສົ່ງຜົນໂດຍກົງຕໍ່ຜົນກຳໄລ, ໃນຂະນະທີ່ອຸດສາຫະກຳການທ່ອງທ່ຽວຈະເນັ້ນໄປທີ່ການສ້າງຜົນກະທົບໃນການ "ປັບສະມະດຸນຂອງລາຍໄດ້" ເຊັ່ນ: ການປັບລາຄາຕໍ່ຫົວໃຫ້ເໝາະສົມໃນຊ່ວງນອກລະດູການທ່ອງທ່ຽວ. ຖ້າບໍ່ປັບປ່ຽນຫຼັກການໃນການປະເມີນການຕັດສິນໃຈລົງທຶນໃຫ້ເໝາະສົມກັບແຕ່ລະອຸດສາຫະກຳ, ເຫດຜົນໃນການສະເໜີໂຄງການພາຍໃນບໍລິສັດກໍຈະຂາດນ້ຳໜັກ.

ສະພາບແວດລ້ອມດ້ານກົດລະບຽບພາຍໃນປະເທດກໍເປັນສິ່ງທີ່ລະເລີຍບໍ່ໄດ້. ກົດໝາຍ PDPA ຂອງໄທ (ກົດໝາຍຄຸ້ມຄອງຂໍ້ມູນສ່ວນບຸກຄົນ) ຮຽກຮ້ອງໃຫ້ມີການອອກແບບທີ່ຮັດກຸມໃນອຸດສາຫະກຳທີ່ຕ້ອງຈັດການກັບຂໍ້ມູນລູກຄ້າ ເຊັ່ນ: ການແພດ, ການເງິນ, ແລະ ການຂາຍຍ່ອຍ, ເຮັດໃຫ້ຕົ້ນທຶນໃນການຈັດຕັ້ງປະຕິບັດ ແລະ ການດຳເນີນງານຂອງ AI ຕົວດຽວກັນນັ້ນສູງຂຶ້ນ. ນອກຈາກນີ້, ອຸດສາຫະກຳທີ່ສາມາດນຳໃຊ້ສິດທິປະໂຫຍດດ້ານ R&D ຂອງ BOI (ຄະນະກຳມະການສົ່ງເສີມການລົງທຶນ) ກໍມີຈຳກັດ (ຍຸດທະສາດການລົງທຶນ AI ໂດຍໃຊ້ສິດທິປະໂຫຍດຈາກ BOI ຂອງໄທ).

ດ້ວຍເຫດນີ້, ການຕັດສິນໃຈລົງທຶນໃນ AI ຈຶ່ງຈຳເປັນຕ້ອງເລີ່ມຕົ້ນຈາກ "ຈະເລີ່ມຈາກອຸດສາຫະກຳໃດ ຫຼື ວຽກງານໃດ" ບໍ່ແມ່ນ "ຈະໃຊ້ເຕັກໂນໂລຊີໃດ".

ສະຫຼຸບ: ການຕັດສິນໃຈລົງທຶນດ້ານ AI ໃນຕະຫຼາດໄທ ສາມາດປະເມີນໄດ້ຢ່າງຍຸຕິທຳໃນທຸກຂະແໜງການ ໂດຍອີງໃສ່ 3 ແກນຫຼັກ ຄື: "ຜົນກະທົບຕໍ່ ROI", "ລະດັບຄວາມຍາກໃນການນຳໃຊ້", ແລະ "ຄວາມຕ້ອງການດ້ານບຸກຄະລາກອນ ແລະ ຂໍ້ມູນ".

ທັງ 3 ແກນນີ້ມີຄວາມເປັນອິດສະຫຼະຕໍ່ກັນ ແຕ່ໃນທາງປະຕິບັດຈະມີຜົນກະທົບເຊິ່ງກັນແລະກັນ. ຂົງເຂດທີ່ມີ ROI ສູງມັກຈະມີການແຂ່ງຂັນທີ່ຮຸນແຮງ ແລະ ມີຄວາມຕ້ອງການດ້ານຂໍ້ມູນທີ່ເຂັ້ມງວດ. ໃນທາງກົງກັນຂ້າມ, ຂົງເຂດທີ່ມີລະດັບຄວາມຍາກໃນການນຳໃຊ້ຕ່ຳ ຜົນປະໂຫຍດທີ່ຈະໄດ້ຮັບກໍມັກຈະມີຈຳກັດ. ຕໍ່ໄປນີ້ຈະເປັນການອະທິບາຍນິຍາມ ແລະ ວິທີການປະເມີນຜົນໃນແຕ່ລະແກນ.

ຜົນກະທົບຂອງ ROI ໝາຍເຖິງລະດັບຜົນກະທົບທີ່ KPI ເຊິ່ງປ່ຽນແປງໄປຕາມການນຳໃຊ້ AI ມີຕໍ່ຜົນກຳໄລ. ຖ້າເປັນການບຳລຸງຮັກສາແບບຄາດການລ່ວງໜ້າໃນອຸດສາຫະກຳການຜະລິດ ກໍຄື "ການຫຼຸດຜ່ອນເວລາຢຸດເຮັດວຽກຂອງອຸປະກອນ → ການຫຼຸດຜ່ອນການສູນເສຍໂອກາດ", ຖ້າເປັນດ້ານການຂົນສົ່ງ ກໍຄື "ການປັບປຸງການຈັດສັນລົດຂົນສົ່ງໃຫ້ເໝາະສົມ → ການຫຼຸດຜ່ອນຄ່າເຊື້ອເພີງ ແລະ ຄ່າແຮງງານ", ເຊິ່ງຍິ່ງການເຊື່ອມໂຍງລະຫວ່າງ KPI ແລະ P/L ມີຄວາມຊັດເຈນຫຼາຍເທົ່າໃດ ກໍຍິ່ງປະເມີນຜົນໄດ້ງ່າຍຂຶ້ນເທົ່ານັ້ນ.

ຈຸດເລີ່ມຕົ້ນຂອງການປະເມີນຜົນແມ່ນການປ່ຽນ KPI ໃນປັດຈຸບັນໃຫ້ເປັນມູນຄ່າເງິນ. ຕົວຢ່າງເຊັ່ນ: ການຄິດໄລ່ຄາດຄະເນວ່າ ຖ້າຫຼຸດອັດຕາສິນຄ້າເສຍຫາຍລົງ 0.5 ຈຸດ ຈະສາມາດຫຼຸດຜ່ອນຕົ້ນທຶນໄດ້ເທົ່າໃດຕໍ່ປີ, ຫຼື ຖ້າຫຼຸດການຈັດວາງພະນັກງານເກີນຄວາມຈຳເປັນໃນຊ່ວງເວລາສູງສຸດລົງ 10% ຈະປະຢັດງົບປະມານໄດ້ເທົ່າໃດ. ຂົງເຂດທີ່ບໍ່ສາມາດຄິດໄລ່ຄາດຄະເນໄດ້ນັ້ນ ຕໍ່ໃຫ້ມີການນຳໃຊ້ AI ເຂົ້າໄປ ກໍຍາກທີ່ຈະກວດສອບຜົນໄດ້ຮັບ.

ຂໍ້ຄວນລະວັງຄື ROI ມີ "ຜົນກະທົບໂດຍກົງ" ແລະ "ຜົນກະທົບທາງອ້ອມ". ຢ່າງທຳອິດສາມາດວັດແທກໄດ້ດ້ວຍ P/L, ສ່ວນຢ່າງຫຼັງຈະເປັນຕົວຊີ້ວັດດ້ານຄຸນນະພາບ ເຊັ່ນ: ຄວາມເພິ່ງພໍໃຈຂອງລູກຄ້າ ແລະ ມູນຄ່າຂອງແບຣນ. ໃນຂັ້ນຕອນເລີ່ມຕົ້ນຂອງການຕັດສິນໃຈ, ຄວນຕັດສິນໃຈໂດຍອີງໃສ່ຜົນກະທົບໂດຍກົງເທົ່ານັ້ນ ແລະ ວາງຕຳແໜ່ງຜົນກະທົບທາງອ້ອມໃຫ້ເປັນຜົນປະໂຫຍດຮອງລົງມາ ເພື່ອໃຫ້ເກີດຄວາມຜິດພາດໜ້ອຍທີ່ສຸດ (ສຳລັບລາຍລະອຽດຂອງການອອກແບບ KPI, ກະລຸນາເບິ່ງທີ່ ວິທີການວັດແທກຜົນຫຼັງຈາກການນຳໃຊ້ AI agent).

ຜົນກະທົບຂອງ ROI ແຍກຕາມປະເພດທຸລະກິດ ຈະສະແດງໄວ້ໃນຕາຕະລາງປຽບທຽບໃນພາກຕໍ່ໄປ.

ຄວາມຍາກໃນການນຳໃຊ້ ພິຈາລະນາຈາກ "ໄລຍະເວລາ × ຈຳນວນຊົ່ວໂມງເຮັດວຽກທີ່ຈຳເປັນ × ຄວາມສ່ຽງທີ່ຈະລົ້ມເຫຼວ" ນັບແຕ່ຂັ້ນຕອນ PoC ຈົນເຖິງການນຳໃຊ້ງານຈິງ. ປັດໄຈທີ່ເພີ່ມຄວາມຍາກໃນຕະຫຼາດໄທໂດຍສະເພາະມີ 3 ຢ່າງດັ່ງນີ້:

• ການລວມ ຫຼື Merge ລະບົບທີ່ມີຢູ່ແລ້ວ: ມີລະບົບ Legacy ເຊັ່ນ ERP, PMS, WMS ກະຈັດກະຈາຍຢູ່ ແລະ ຫຼາຍກໍລະນີທີ່ API ຍັງບໍ່ທັນໄດ້ຮັບການປັບປຸງ.
• ການຮອງຮັບຫຼາຍພາສາ: ນອກຈາກພາສາໄທແລ້ວ, ຍັງຈຳເປັນຕ້ອງໃຊ້ພາສາອັງກິດ, ຈີນ ຫຼື ຍີ່ປຸ່ນ ໃນການຕິດຕໍ່ສື່ສານກັບລູກຄ້າ.
• ການຕໍ່ຕ້ານຕໍ່ການປ່ຽນແປງດ້ານການປະຕິບັດງານ: ພະນັກງານໜ້າວຽກມີລະດັບຄວາມຮູ້ດ້ານ ICT ທີ່ແຕກຕ່າງກັນ, ຖ້າ UI ມີຄວາມຊັບຊ້ອນເກີນໄປກໍຈະເຮັດໃຫ້ການນຳໃຊ້ບໍ່ແຜ່ຫຼາຍ.

ໄລຍະເວລາ PoC ໂດຍປະມານແມ່ນ 1-2 ເດືອນສຳລັບວຽກງານການຈັດໝວດໝູ່ ຫຼື ການສະກັດຂໍ້ມູນແບບງ່າຍໆ, ແລະ 3-6 ເດືອນສຳລັບໂຄງການທີ່ລວມເຖິງຕົວແບບການຄາດຄະເນ (Inference model) ຫຼື RAG. ຖ້າໄລຍະເວລາລໍຖ້າ (Lead time) ເກີນເຄິ່ງປີ, ມັນຈະຫຼຸດອອກຈາກຮອບວຽນການຕັດສິນໃຈຂອງຝ່າຍບໍລິຫານ ແລະ ຄວາມສຳຄັນຈະຫຼຸດລົງໄດ້ງ່າຍ. ການຕັດຂອບເຂດວຽກໃຫ້ຢູ່ໃນລະດັບທີ່ສາມາດ "ສ້າງຜົນງານທີ່ເຫັນໄດ້ຈິງພາຍໃນເຄິ່ງປີ" ແມ່ນວິທີທີ່ເປັນຈິງທີ່ສຸດ.

ທາງລັດໃນການຫຼຸດໄລຍະເວລາລໍຖ້າ (Lead time) ຄືການເລືອກຂະບວນການ ຫຼື Pipeline ທີ່ "ເຮັດຊ້ຳໂດຍແຮງງານຄົນ" ແລະ "ມີມາດຕະຖານການຕັດສິນທີ່ລະບຸໄວ້ຢ່າງຊັດເຈນ" ໃນວຽກງານທີ່ມີຢູ່ແລ້ວມາເລີ່ມກ່ອນ. ຖ້າເລີ່ມຈາກຂົງເຂດທີ່ມີຄວາມບໍ່ຊັດເຈນ, ມັກຈະເສຍເວລາຫຼາຍເດືອນໄປກັບການກຳນົດຄວາມຕ້ອງການພຽງຢ່າງດຽວ.

ຄວາມຕ້ອງການດ້ານບຸກຄະລາກອນ ແລະ ຂໍ້ມູນ ໝາຍເຖິງໂຄງສ້າງທີ່ຈຳເປັນເພື່ອໃຫ້ AI ສາມາດດຳເນີນງານໃນການຜະລິດຈິງໄດ້ຢ່າງຕໍ່ເນື່ອງ. ສິ່ງທີ່ມັກຈະຖືກມອງຂ້າມໃນຕະຫຼາດໄທຄື ບຸກຄະລາກອນທີ່ເຮັດໃຫ້ PoC ປະສົບຜົນສຳເລັດ ແລະ ບຸກຄະລາກອນທີ່ດຳເນີນງານຢ່າງຕໍ່ເນື່ອງນັ້ນແມ່ນຄົນລະກຸ່ມກັນ.

ໃນຂັ້ນຕອນ PoC, ຈະຕ້ອງໃຊ້ບຸກຄະລາກອນທີ່ມີຄວາມຊ່ຽວຊານ ເຊັ່ນ: ນັກວິທະຍາສາດຂໍ້ມູນ (Data Scientist) ຫຼື ວິສະວະກອນ MLOps. ໃນທາງກົງກັນຂ້າມ, ເມື່ອເຂົ້າສູ່ການດຳເນີນງານຈິງ, ຈະຕ້ອງມີໂຄງສ້າງ "Human-in-the-Loop" ທີ່ຜູ້ປະຕິບັດງານໃນໜ້າວຽກຕ້ອງເຮັດການຕິດປ້າຍກຳກັບຂໍ້ມູນ (Labeling) ແລະ ກວດສອບຜົນລັພຢ່າງຕໍ່ເນື່ອງ (ອ້າງອີງ: Human-in-the-Loop (HITL) ແມ່ນຫຍັງ?).

ຄວາມຕ້ອງການດ້ານຂໍ້ມູນມີຄວາມຍາກງ່າຍແຕກຕ່າງກັນຢ່າງສິ້ນເຊີງຕາມປະເພດທຸລະກິດ. ອຸດສາຫະກຳທີ່ມີຂໍ້ມູນທີ່ມີໂຄງສ້າງຄົບຖ້ວນ ເຊັ່ນ: ຂໍ້ມູນເຊັນເຊີໃນໜ້າວຽກການຜະລິດ ຫຼື ຂໍ້ມູນ POS ແມ່ນສາມາດນຳ AI ມາໃຊ້ງານໄດ້ງ່າຍ. ໃນທາງກົງກັນຂ້າມ, ໃນອຸດສາຫະກຳທີ່ເນັ້ນຂໍ້ມູນທີ່ບໍ່ມີໂຄງສ້າງ ເຊັ່ນ: ບົດບັນທຶກການປະຊຸມ, ອີເມວ ຫຼື ໄຟລ໌ PDF, ຈຳເປັນຕ້ອງເລີ່ມຈາກການເຮັດໃຫ້ເອກະສານເປັນດິຈິຕອນ ແລະ ປັບປຸງລະບົບ OCR ກ່ອນ ເຊິ່ງອາດເຮັດໃຫ້ເກີດໄລຍະເວລາໃນການກຽມຂໍ້ມູນກ່ອນການນຳ AI ມາໃຊ້ງານດົນເຖິງເຄິ່ງປີ ຫຼື ຫຼາຍກວ່ານັ້ນ.

ການຕັດສິນໃຈວ່າຈະໃຫ້ຜູ້ໃຫ້ບໍລິການພາຍນອກ (Vendor) ເຮັດ PoC ຫຼື ຈະສ້າງຂຶ້ນເອງພາຍໃນອົງກອນ (In-house) ກໍລວມຢູ່ໃນປັດໄຈນີ້. ໂຄງສ້າງຕົ້ນທຶນຈະມີຄວາມໝັ້ນຄົງຫາກແບ່ງວຽກໂດຍໃຫ້ວຽກທີ່ມີຄວາມຖີ່ໃນການດຳເນີນງານສູງເຮັດພາຍໃນອົງກອນ ແລະ ວຽກປະເພດການກວດສອບ (Screening) ແບບຄັ້ງດຽວຈົບໃຫ້ຈ້າງພາຍນອກ.

ສະຫຼຸບ: ROI ຂອງການລົງທຶນດ້ານ AI ໃນຕະຫຼາດ B2B ຂອງໄທນັ້ນ, ການບຳລຸງຮັກສາເຄື່ອງຈັກແບບຄາດການລ່ວງໜ້າ (Predictive Maintenance) ໃນອຸດສາຫະກຳການຜະລິດ ແລະ ການເພີ່ມປະສິດທິພາບການຈັດສັນລົດຂົນສົ່ງໃນວຽກງານໂລຈິສະຕິກ ແມ່ນສອງຂະແໜງການຫຼັກທີ່ "ເຫັນຜົນໄດ້ງ່າຍ ແລະ ມີຂໍ້ມູນພ້ອມ".

ຕໍ່ໄປນີ້ແມ່ນການຈັດກຸ່ມກໍລະນີການນຳໃຊ້ AI ທີ່ບໍລິສັດຍີ່ປຸ່ນ ແລະ ບໍລິສັດທ້ອງຖິ່ນໃນໄທສາມາດເລີ່ມຕົ້ນໄດ້ງ່າຍໃນ 8 ຂະແໜງການ. ຄະແນນເປັນການປະເມີນແບບສົມທຽບໂດຍອີງໃສ່ "ໂຄງການທົ່ວໄປ" ເຊິ່ງອາດມີການປ່ຽນແປງຕາມສະພາບການຈັດການຂໍ້ມູນ ແລະ ຂະໜາດຂອງແຕ່ລະບໍລິສັດ.

★ ບໍ່ແມ່ນຄະແນນຕົວເລກ ແຕ່ເປັນການປະເມີນແບບສົມທຽບ (5★ ແມ່ນໄດ້ປຽບທີ່ສຸດ). ຄວາມສຳຄັນລວມແມ່ນອີງຕາມຄວາມສົມດຸນລະຫວ່າງ ROI ແລະ ຄວາມຍາກງ່າຍ ໂດຍລຽງລຳດັບຈາກ A > B > C.

ເຫດຜົນທີ່ການປະເມີນລະດັບ A ກະຈຸກຕົວຢູ່ໃນ "ການຜະລິດ, ໂລຈິສະຕິກ, ໂຮງແຮມ" ແມ່ນຍ້ອນວ່າ KPI ແລະ P/L ມີຄວາມເຊື່ອມໂຍງກັນຢ່າງຊັດເຈນ ແລະ ຂໍ້ມູນກໍມີໂຄງສ້າງທີ່ດີ ເຊັ່ນ: ຂໍ້ມູນຈາກເຊັນເຊີ, ໃບສົ່ງສິນຄ້າ ແລະ ການຈອງຫ້ອງພັກ. ໃນທາງກົງກັນຂ້າມ, ຂະແໜງການເງິນ ແລະ ການກໍ່ສ້າງ ເຖິງວ່າ ROI ຈະສູງ ແຕ່ກໍມີອຸປະສັກດ້ານກົດລະບຽບ (ການເງິນ) ແລະ ຄວາມຮັບຜິດຊອບດ້ານຄວາມປອດໄພ (ການກໍ່ສ້າງ) ເຮັດໃຫ້ການປ່ຽນຜ່ານຈາກ PoC ໄປສູ່ການນຳໃຊ້ຈິງຕ້ອງໃຊ້ເວລາ.

ຂະແໜງການທີ່ໄດ້ຮັບການປະເມີນລະດັບ B ມີອັດຕາຄວາມສຳເລັດຂອງ PoC ສູງ ແຕ່ຜົນກະທົບມັກຈະຈຳກັດຢູ່ພຽງກໍລະນີການນຳໃຊ້ດຽວ. ການຈະຂະຫຍາຍຜົນໄປທົ່ວອົງກອນແບບ Hub-and-spoke ຈຳເປັນຕ້ອງມີການສະສົມຫຼາຍໆ PoC ເຂົ້າດ້ວຍກັນ.

ສະຫຼຸບ: 3 ອຸດສາຫະກຳທີ່ໄດ້ຮັບການປະເມີນລະດັບ A, ແຕ່ລະອຸດສາຫະກຳໄດ້ສ້າງ "ກໍລະນີການນຳໃຊ້ທີ່ເປັນມາດຕະຖານຄວນເລີ່ມຕົ້ນກ່ອນ" ໄວ້ແລ້ວ. ຖ້າຈະເລືອກເສັ້ນທາງທີ່ສັ້ນທີ່ສຸດ, ຄວນເລີ່ມຈາກການຄັດເລືອກ PoC ຈາກຕົວຢ່າງທົ່ວໄປຂອງແຕ່ລະອຸດສາຫະກຳ.

ຕໍ່ໄປນີ້ຈະສະແດງໃຫ້ເຫັນເຖິງກໍລະນີການນຳໃຊ້ທີ່ຄວນເລີ່ມຕົ້ນກ່ອນ ແລະ ຮູບແບບການພັດທະນາຕໍ່ໄປສຳລັບ 3 ອຸດສາຫະກຳ ຄື: ການຜະລິດ, ການຂົນສົ່ງ, ແລະ ໂຮງແຮມການທ່ອງທ່ຽວ.

ສິ່ງທີ່ຄວນເລີ່ມຕົ້ນກ່ອນໝູ່ໃນອຸດສາຫະກຳການຜະລິດມີສອງທາງເລືອກ ຄື: "ການບຳລຸງຮັກສາແບບຄາດການລ່ວງໜ້າ (Predictive Maintenance)" ແລະ "ການກວດສອບຮູບລັກສະນະ (Visual Inspection)". ໃນໂຮງງານຜະລິດລົດຍົນ, ເອເລັກໂຕຣນິກ ແລະ ອາຫານພາຍໃນເຂດ EEC, PLC ແລະ ເຊັນເຊີຕ່າງໆໄດ້ເປີດໃຊ້ງານຢູ່ແລ້ວ ເຮັດໃຫ້ສາມາດເກັບຂໍ້ມູນແບບອະນຸກົມເວລາ (Time-series data) ທີ່ AI ຕ້ອງການໄດ້ງ່າຍ.

ເມື່ອຍ່າງຢູ່ໃນງານວາງສະແດງ METALEX ທີ່ຈັດຂຶ້ນໃນບາງກອກທຸກໆປີ, ຈະສັງເກດເຫັນວ່າບູດທີ່ຕິດປ້າຍ "Predictive Maintenance" ມີຈຳນວນເພີ່ມທະວີຂຶ້ນເລື້ອຍໆ. ຢ່າງໃດກໍຕາມ, ເຖິງແມ່ນວ່າຕົວຢ່າງສາທິດ (Demo) ທີ່ຜູ້ຂາຍກຽມມາຈະມີຄວາມຊັບຊ້ອນພຽງໃດກໍຕາມ, ແຕ່ການຈະສາມາດດຶງຂໍ້ມູນຈາກອຸປະກອນເກົ່າຂອງບໍລິສັດຕົນເອງອອກມາໄດ້ແທ້ຫຼືບໍ່ນັ້ນ ແມ່ນອີກບັນຫາໜຶ່ງ. ໃນອາທິດທຳອິດຂອງການເຮັດ PoC, ສ່ວນຫຼາຍມັກຈະໝົດໄປກັບການກວດສອບຄວາມເປັນຈິງ ເຊັ່ນ: ຄວາມເປັນໄປໄດ້ໃນການຕິດຕັ້ງເຊັນເຊີເພີ່ມ ແລະ ຈຳນວນວັນທີ່ເກັບຮັກສາບັນທຶກຂໍ້ມູນຂອງ PLC ໄວ້.

ການບຳລຸງຮັກສາແບບຄາດການລ່ວງໜ້າ ແມ່ນການນຳໃຊ້ຂໍ້ມູນຈາກເຊັນເຊີວັດແທກການສັ່ນສະເທືອນ, ອຸນຫະພູມ ແລະ ກະແສໄຟຟ້າ ເພື່ອ "ກວດຈັບສັນຍານເຕືອນໄພຂອງອຸປະກອນທີ່ຈະເສຍຫາຍລ່ວງໜ້າເປັນເວລາຫຼາຍມື້ຫາຫຼາຍອາທິດ". ການເລີ່ມຕົ້ນຈາກອຸປະກອນຫຼັກທີ່ມີເວລາຢຸດເຮັດວຽກດົນ (ເຄື່ອງປ້ຳ, ເຄື່ອງສີດຂຶ້ນຮູບ, ເຄື່ອງອັດລົມ) ຈະເຮັດໃຫ້ເຫັນຜົນໄດ້ງ່າຍ. ໃນທາງກົງກັນຂ້າມ, ການກວດສອບຮູບລັກສະນະ ແມ່ນຄວາມພະຍາຍາມໃນການນຳໃຊ້ AI ວິເຄາະຮູບພາບມາທົດແທນສາຍການຜະລິດທີ່ຕ້ອງໃຊ້ສາຍຕາຄົນກວດສອບ, ເຊິ່ງຂະບວນການໃດທີ່ມີບັນຫາການຂາດແຄນແຮງງານຮຸນແຮງ ກໍຈະຍິ່ງເຮັດໃຫ້ ROI ເກີດຂຶ້ນໄດ້ໄວ.

ຂັ້ນຕອນການຈັດຕັ້ງປະຕິບັດຢ່າງລະອຽດ ສາມາດເບິ່ງໄດ້ທີ່ ວິທີທີ່ອຸດສາຫະກຳການຜະລິດໃນໄທຈະເລີ່ມຕົ້ນການບຳລຸງຮັກສາແບບຄາດການລ່ວງໜ້າ ແລະ ການຄວບຄຸມຄຸນນະພາບດ້ວຍ AI.

ຂໍ້ຄວນລະວັງຄື ການບຳລຸງຮັກສາແບບຄາດການລ່ວງໜ້າ ເປັນວິທີການເພື່ອ "ຢຸດເຄື່ອງກ່ອນທີ່ຈະເສຍ", ຖ້າມີການກວດຈັບທີ່ເກີນຄວາມຈຳເປັນ (ການແຈ້ງເຕືອນຜິດພາດ) ຫຼາຍເກີນໄປ ກໍຈະເຮັດໃຫ້ສູນເສຍຄວາມເຊື່ອໝັ້ນຈາກໜ້າງານ. ແນະນຳໃຫ້ມີການຕົກລົງເປົ້າໝາຍຄ່າ Precision ແລະ Recall ກັບຝ່າຍບໍລິຫານຕັ້ງແຕ່ຂັ້ນຕອນ PoC ກ່ອນທີ່ຈະນຳໄປໃຊ້ງານຈິງ. ຖ້າເປັນອຸດສາຫະກຳທີ່ໄດ້ຮັບສິດທິປະໂຫຍດດ້ານ R&D ຈາກ BOI, ອາດຈະສາມາດຫຼຸດຜ່ອນຕົ້ນທຶນໃນຂັ້ນຕອນ PoC ໄດ້.

ການຂົນສົ່ງ ແລະ 3PL ມີ "ການເພີ່ມປະສິດທິພາບການຈັດສັນລົດຂົນສົ່ງ" ແລະ "ການຄາດຄະເນຄວາມຕ້ອງການ" ເປັນແກນຫຼັກ. ປະເທດໄທມີການປ່ຽນແປງສະພາບແວດລ້ອມການຂົນສົ່ງສູງ ເຊັ່ນ: ການຈະລາຈອນແອອັດ, ນໍ້າຖ້ວມ, ແລະ ການປິດຖະໜົນ ເຊິ່ງການວາງແຜນຈັດສັນລົດໂດຍໃຊ້ແຮງງານຄົນມີຂີດຈຳກັດໃນການເຮັດໃຫ້ເກີດປະສິດທິພາບສູງສຸດ. ການເພີ່ມປະສິດທິພາບການຈັດສັນລົດຂົນສົ່ງດ້ວຍ AI ສາມາດຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍນໍ້າມັນ, ຄ່າລ່ວງເວລາ, ແລະ ຄ່າປັບໄໝຍ້ອນຄວາມຊັກຊ້າໄດ້ພ້ອມກັນ, ເຮັດໃຫ້ເຫັນ ROI ໄດ້ຢ່າງຊັດເຈນ.

ການຄາດຄະເນຄວາມຕ້ອງການມີຜົນດີຫຼາຍໃນການດຳເນີນງານສາງສິນຄ້າສຳລັບຂາຍສົ່ງ ແລະ ຂາຍຍ່ອຍ. ໂດຍການຄາດຄະເນປະລິມານການຂົນສົ່ງສິນຄ້າປະຈຳອາທິດ ແລະ ປະຈຳເດືອນ ລ່ວງໜ້າ 1-4 ອາທິດ ເພື່ອຄວບຄຸມບໍ່ໃຫ້ເກີດບັນຫາສິນຄ້າຄົງຄັງຫຼາຍເກີນໄປ ແລະ ສິນຄ້າຂາດສະຕັອກ. ໃນຂະນະທີ່ການສົ່ງອອກຈາກ EEC ໄປຍັງຈີນ ແລະ ASEAN ເພີ່ມຂຶ້ນ, ປະໂຫຍດຈາກການປະຢັດຕໍ່ຂະໜາດ (Scale Merit) ຂອງການຄາດຄະເນຄວາມຕ້ອງການກໍມີທ່າອ່ຽງເພີ່ມທະວີຂຶ້ນເລື້ອຍໆ.

ສຳລັບຮູບແບບການນຳໄປໃຊ້ງານ, ກະລຸນາເບິ່ງທີ່ ວິທີທີ່ທຸລະກິດຂົນສົ່ງໃນໄທຈະເລີ່ມຕົ້ນການເພີ່ມປະສິດທິພາບການຂົນສົ່ງ, ການເຮັດສາງອັດຕະໂນມັດ ແລະ ການຄາດຄະເນຄວາມຕ້ອງການດ້ວຍ AI.

ມີສອງຈຸດທີ່ຄວນລະວັງ. ຢ່າງທຳອິດ, ການເພີ່ມປະສິດທິພາບການຈັດສັນລົດຂົນສົ່ງຈະບໍ່ໄດ້ຮັບການປະຕິບັດຕາມຈາກໜ້າງານພຽງແຕ່ການສະແດງຜົນ "ຄຳຕອບທີ່ດີທີ່ສຸດ" ເທົ່ານັ້ນ. ການອອກແບບ UI ທີ່ສາມາດລວມເອົາຄວາມຮູ້ທີ່ບໍ່ໄດ້ບັນທຶກໄວ້ (Tacit Knowledge) ຂອງຄົນຂັບລົດ (ເຊັ່ນ: ເວລາການນຳສິນຄ້າເຂົ້າຂອງລູກຄ້າສະເພາະ, ຄວາມແອອັດຂອງຖະໜົນທີ່ເກີດຂຶ້ນເປັນປະຈຳ) ຈະເປັນຕົວຕັດສິນຄວາມສຳເລັດ. ຢ່າງທີສອງ, ໃນດ້ານຄວາມແມ່ນຍຳຂອງຕົວແບບການຄາດຄະເນຄວາມຕ້ອງການ, ການຄວບຄຸມ "ຂອບເຂດຂອງຄວາມຜິດພາດ" ມີຄຸນຄ່າໃນການດຳເນີນງານຫຼາຍກວ່າ "ຄວາມຖືກຕ້ອງຂອງຄ່າສະເລ່ຍ". ການເລືອກດັດຊະນີການປະເມີນຜົນແມ່ນມີຄວາມສຳຄັນ, ເຊັ່ນ: ການນຳໃຊ້ການຄາດຄະເນແບບ Quantile ແທນທີ່ຈະໃຊ້ MAPE.

ອຸດສາຫະກຳໂຮງແຮມ ແລະ ການທ່ອງທ່ຽວສາມາດສ້າງຜົນຕອບແທນຈາກການລົງທຶນໄດ້ງ່າຍ ດ້ວຍການນຳໃຊ້ "Dynamic Pricing" ປະສານກັບ "Chatbot ຫຼາຍພາສາ". ເນື່ອງຈາກປະເທດໄທມີຄວາມຕ້ອງການຂອງນັກທ່ອງທ່ຽວຕ່າງຊາດທີ່ມີການເໜັງຕີງສູງຕະຫຼອດປີ, ການປັບລາຄາໃຫ້ເໝາະສົມຈຶ່ງມີຜົນຕອບແທນທີ່ສູງຫຼາຍ.

ໃນໂຮງແຮມຂະໜາດກາງຕາມແນວຖະໜົນສຸຂຸມວິດ, ເລີ່ມເຫັນການຕິດຕັ້ງຕູ້ຮັບແຂກ AI ແບບແທັບເລັດຢູ່ຂ້າງເຄົາເຕີຕ້ອນຮັບຫຼາຍຂຶ້ນ. ເຖິງແມ່ນວ່າການປ່ຽນພາສາອັງກິດ, ຈີນ ແລະ ຍີ່ປຸ່ນຈະເຮັດວຽກໄດ້ຢ່າງລຽບງ່າຍ, ແຕ່ເມື່ອຫົວຂໍ້ສົນທະນາປ່ຽນໄປສູ່ບໍລິບົດສະເພາະຂອງທ້ອງຖິ່ນ ເຊັ່ນ: "Wi-Fi ຂອງໂຮງແຮມຊ້າ" ຫຼື "ບ່ອນແລກເງິນທີ່ໃກ້ທີ່ສຸດຢູ່ໃສ", ລະບົບກໍຍັງມີອາການຕິດຂັດຢູ່. ນີ້ແມ່ນພາບສະທ້ອນໃຫ້ເຫັນວ່າ ພຽງແຕ່ໃຊ້ LLM ທົ່ວໄປອາດຈະບໍ່ພຽງພໍ, ແຕ່ຈຳເປັນຕ້ອງມີການອອກແບບ RAG ທີ່ບັນຈຸຂໍ້ມູນສະເພາະຂອງໂຮງແຮມນັ້ນໆ.

Dynamic Pricing ແມ່ນວິທີການປັບລາຄາຫ້ອງພັກແບບເຄື່ອນໄຫວ ໂດຍອີງໃສ່ຂໍ້ມູນການຈອງໃນອະດີດ, ລາຄາຂອງຄູ່ແຂ່ງ, ປະຕິທິນກິດຈະກຳ, ສະພາບອາກາດ ແລະ ອື່ນໆ. ເຊິ່ງເປັນທີ່ຮູ້ຈັກກັນດີໃນຖານະກໍລະນີການນຳໃຊ້ທີ່ຊ່ວຍປັບປຸງ RevPAR (Revenue Per Available Room) ຢ່າງຕໍ່ເນື່ອງ (ສຳລັບລາຍລະອຽດການຈັດຕັ້ງປະຕິບັດ, ກະລຸນາເບິ່ງທີ່ ວິທີທີ່ໂຮງແຮມ ແລະ ທຸລະກິດທ່ອງທ່ຽວໃນໄທເລີ່ມຕົ້ນໃຊ້ AI ເພື່ອເຮັດ Dynamic Pricing).

Chatbot ຫຼາຍພາສາຈະຄອບຄຸມຕັ້ງແຕ່ການສອບຖາມກ່ອນເຂົ້າພັກ ຈົນເຖິງການໃຫ້ຂໍ້ມູນພາຍໃນໂຮງແຮມໃນມື້ເຂົ້າພັກ. ມີລາຍງານວ່າພຽງແຕ່ຮອງຮັບ 4 ພາສາຄື: ໄທ, ອັງກິດ, ຈີນ ແລະ ຍີ່ປຸ່ນ ກໍສາມາດຫຼຸດພາລະຂອງ Call Center ລົງໄດ້ຢ່າງຫຼວງຫຼາຍ.

ການລົງທຶນດ້ານ AI ໃນອຸດສາຫະກຳໂຮງແຮມມີເງື່ອນໄຂເບື້ອງຕົ້ນຄືການເຊື່ອມຕໍ່ກັບ PMS. ໃນກໍລະນີທີ່ເປັນ PMS ລຸ້ນເກົ່າທີ່ສາມາດສົ່ງອອກໄດ້ພຽງແຕ່ໄຟລ໌ CSV, ຈຳເປັນຕ້ອງລວມເອົາການພັດທະນາ API Gateway ເພີ່ມເຕີມເຂົ້າໃນການປະເມີນລາຄາ. ນອກຈາກນີ້, ຄວນລະວັງວ່າຫາກບໍ່ມີການວາງເຫດຜົນໃນການສ້າງກຳໄລສູງສຸດໂດຍພິຈາລະນາອັດຕາຄ່າທຳນຽມຂອງ OTAs (Booking.com, Agoda, ແລະ ອື່ນໆ) ປະກອບນຳ, ການປັບປຸງ RevPAR ທີ່ເຫັນຢູ່ຜິວເຜີນອາດຈະບໍ່ສົ່ງຜົນໃຫ້ກຳໄລເພີ່ມຂຶ້ນແທ້ຈິງ.

ສະຫຼຸບ: ການລົງທຶນດ້ານ AI ໃນປະເທດໄທ ຈະໄດ້ຮັບຜົນກະທົບຢ່າງຫຼວງຫຼາຍຈາກ PDPA (ກົດໝາຍວ່າດ້ວຍການຄຸ້ມຄອງຂໍ້ມູນສ່ວນບຸກຄົນ) ແລະ BOI (ຄະນະກຳມະການສົ່ງເສີມການລົງທຶນ). ການອອກແບບທີ່ເຂົ້າໃຈເຖິງຂໍ້ຈຳກັດເຫຼົ່ານີ້ ແລະ ນຳມາໃຊ້ໃຫ້ເປັນໂອກາດ ຄືຄວາມແຕກຕ່າງອັນໃຫຍ່ຫຼວງເມື່ອທຽບກັບຕະຫຼາດຕ່າງປະເທດ.

ຕໍ່ໄປນີ້ແມ່ນການຈັດລຽງ 3 ຫົວຂໍ້ທີ່ຕ້ອງຈົດຈຳໃຫ້ໄດ້ໃນການລົງທຶນດ້ານ AI ທີ່ປະເທດໄທ.

ກົດໝາຍ PDPA ຂອງໄທ ແມ່ນກົດໝາຍປົກປ້ອງຂໍ້ມູນສ່ວນບຸກຄົນທີ່ອີງໃສ່ GDPR ຂອງ EU ເຊິ່ງໃນຂະແໜງການແພດ, ການເງິນ, ການຄ້າປີກ ແລະ ຊັບພະຍາກອນມະນຸດ ຈຳເປັນຕ້ອງໄດ້ມີການວາງແຜນຮັບມືຕັ້ງແຕ່ຂັ້ນຕອນການອອກແບບເບື້ອງຕົ້ນ. ໃນກໍລະນີທີ່ມີການສົ່ງຂໍ້ມູນລູກຄ້າໄປຍັງ AI model, ປະເດັນສຳຄັນຈະຢູ່ທີ່ການຂໍຄວາມຍິນຍອມ, ການຫ້າມນຳໃຊ້ຂໍ້ມູນນອກເໜືອຈາກຈຸດປະສົງທີ່ກຳນົດໄວ້ ແລະ ການຈຳກັດການໂອນຂໍ້ມູນໄປຕ່າງປະເທດ.

ຫາກນຳໃຊ້ Cloud LLM ໂດຍກົງ ອາດຍັງມີຄວາມກັງວົນວ່າຂໍ້ມູນສ່ວນບຸກຄົນຈະຖືກສົ່ງໄປຍັງ Region ໃນສະຫະລັດອາເມຣິກາ ຫຼື ເອີຣົບ. ສຳລັບມາດຕະການປ້ອງກັນ ມີທາງເລືອກດັ່ງນີ້: (1) ເຮັດການ Masking ຂໍ້ມູນ PII (ຂໍ້ມູນທີ່ສາມາດລະບຸຕົວຕົນໄດ້) ກ່ອນສົ່ງໄປຍັງ API, (2) ປະມວນຜົນຂໍ້ມູນທີ່ມີຄວາມລະອຽດອ່ອນດ້ວຍ Local LLM, (3) ນຳໃຊ້ BYOK (Bring Your Own Key) ເພື່ອໃຫ້ບໍລິສັດເປັນຜູ້ຄວບຄຸມການເຂົ້າລະຫັດຂໍ້ມູນດ້ວຍຕົນເອງ (ສຳລັບການຈັດຕັ້ງປະຕິບັດ ສາມາດເບິ່ງໄດ້ທີ່ ລາຍການກວດສອບການປະຕິບັດຕາມກົດໝາຍ PDPA ຂອງໄທ ແລະ ການນຳໃຊ້ AI ໃຫ້ເກີດປະໂຫຍດ).

ຂໍ້ຈຳກັດດ້ານອະທິປະໄຕຂອງຂໍ້ມູນ (Data Sovereignty) ອາດເປັນປັດໄຈທີ່ເຮັດໃຫ້ຕົ້ນທຶນເພີ່ມຂຶ້ນໃນໄລຍະສັ້ນ ແຕ່ໃນໄລຍະຍາວຈະກາຍເປັນປັດໄຈສ້າງຄວາມແຕກຕ່າງ. ຫາກສາມາດນຳສະເໜີຕໍ່ລູກຄ້າໃນຖານະ "AI Solution ທີ່ສອດຄ່ອງກັບ PDPA" ໄດ້ ກໍຈະເຮັດໃຫ້ມີຄວາມໄດ້ປຽບໃນການແຂ່ງຂັນສຳລັບໂຄງການຕ່າງໆຂອງບໍລິສັດຂະໜາດໃຫຍ່ ແລະ ພາກລັດທີ່ມີຄວາມລະອຽດອ່ອນດ້ານການປະຕິບັດຕາມກົດລະບຽບສູງ.

BOI (Board of Investment) ໄດ້ກຽມສິດທິປະໂຫຍດຕ່າງໆ ເພື່ອສົ່ງເສີມການລົງທຶນໃນປະເທດໄທ ສຳລັບຂະແໜງ AI ແລະ ດິຈິຕອນ ເຊັ່ນ: ການຍົກເວັ້ນພາສີເງິນໄດ້ນິຕິບຸກຄົນ, ການຍົກເວັ້ນພາສີພາສີອາກອນ ແລະ ການອຳນວຍຄວາມສະດວກດ້ານວີຊາເຮັດວຽກໃຫ້ແກ່ຜູ້ຊ່ຽວຊານຊາວຕ່າງຊາດ. ທຸລະກິດທີ່ກ່ຽວຂ້ອງກັບ AI ຈະຖືກຈັດຢູ່ໃນໝວດ "Software & Digital Services" ເຊິ່ງຫາກໄດ້ຮັບການຮັບຮອງເປັນທຸລະກິດເປົ້າໝາຍ ກໍອາດຈະໄດ້ຮັບການຍົກເວັ້ນພາສີເງິນໄດ້ນິຕິບຸກຄົນເປັນເວລາຫຼາຍປີ.

ເງື່ອນໄຂການລົງທຶນດ້ານ AI ທີ່ມີໂອກາດໄດ້ຮັບສິດທິປະໂຫຍດໄດ້ງ່າຍ ໄດ້ຖືກຈັດແບ່ງໄວ້ດັ່ງນີ້: (1) ຊອບແວ ຫຼື ບໍລິການທີ່ພັດທະນາຂຶ້ນເອງ, (2) ການຄົ້ນຄວ້າ ແລະ ພັດທະນາໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ລະບົບຄລາວ (Cloud), (3) ໂຄງການທີ່ມີການຈ້າງງານບຸກຄະລາກອນຜູ້ຊ່ຽວຊານດ້ານ AI. ໃນທາງກົງກັນຂ້າມ, ການພຽງແຕ່ນຳເອົາເຄື່ອງມື AI ສຳເລັດຮູບທີ່ມີຂາຍໃນທ້ອງຕະຫຼາດມາໃຊ້ງານນັ້ນ ມັກຈະບໍ່ເຂົ້າຂ່າຍທີ່ຈະໄດ້ຮັບສິດທິປະໂຫຍດ.

ເງື່ອນໄຂໂດຍລະອຽດໄດ້ອະທິບາຍໄວ້ໃນ ຍຸດທະສາດການລົງທຶນ AI ໂດຍໃຊ້ສິດທິປະໂຫຍດ BOI ຂອງໄທ. ໃນທາງປະຕິບັດ, ລຳດັບທີ່ເປັນໄປໄດ້ຫຼາຍທີ່ສຸດຄື "ການວາງແຜນຍື່ນຂໍ BOI ຕັ້ງແຕ່ຂັ້ນຕອນ PoC ແລະ ນຳມາໃຊ້ໃນໄລຍະການເປີດຕົວ ຫຼື Launch ລະບົບຈິງ". ເນື່ອງຈາກການຍື່ນຂໍ BOI ມີໄລຍະເວລາໃນການພິຈາລະນາຕັ້ງແຕ່ຫຼາຍເດືອນຈົນເຖິງເຄິ່ງປີ, ຈຶ່ງຈຳເປັນຕ້ອງມີການວາງແຜນຕາຕະລາງເວລາໂດຍຄິດໄລ່ຍ້ອນຫຼັງຈາກຈຸດເລີ່ມຕົ້ນ.

ຕະຫຼາດບຸກຄະລາກອນດ້ານ AI ຂອງໄທ, ເຖິງແມ່ນວ່າການສະໜອງບຸກຄະລາກອນດ້ານ ICT ຈະເພີ່ມຂຶ້ນ ແຕ່ບຸກຄະລາກອນທີ່ມີຄວາມສາມາດພ້ອມເຮັດວຽກດ້ານ AI/MLOps ຍັງຖືວ່າຫາຍາກ. ມີບົດລາຍງານຈາກອຸດສາຫະກຳລະບຸວ່າ ຄວາມຕ້ອງການນັກວິທະຍາສາດຂໍ້ມູນ (Data Scientist) ໃນບາງກອກຍັງຄົງມີທ່າອ່ຽງເພີ່ມຂຶ້ນ ແລະ ລະດັບເງິນເດືອນກໍມີທ່າອ່ຽງເພີ່ມທະວີຂຶ້ນເລື້ອຍໆ.

ການຮອງຮັບຫຼາຍພາສາເປັນປັດໄຈສ້າງຄວາມແຕກຕ່າງໃຫ້ກັບ AI Solution. ສຳລັບພາສາໄທນັ້ນ LLM ໄດ້ມີການພັດທະນາການຮອງຮັບໄປຫຼາຍແລ້ວ ແລະ ສາມາດໃຫ້ຄວາມແມ່ນຍຳທີ່ນຳໄປໃຊ້ງານໄດ້ຈິງໃນໂມເດວຫຼັກໆ, ໃນຂະນະທີ່ຄັງຂໍ້ມູນ (Corpus) ສະເພາະດ້ານສຳລັບຄຳສັບໃນອຸດສາຫະກຳ (ການແພດ, ກົດໝາຍ, ການກໍ່ສ້າງ ແລະ ອື່ນໆ) ຍັງມີຈຳກັດ. ການອອກແບບໂດຍໃຊ້ RAG ເພື່ອອ້າງອີງເອກະສານພາຍໃນບໍລິສັດ ຈຶ່ງກາຍເປັນມາດຕະຖານໃນການຮັບປະກັນຄຸນນະພາບ.

ຄວາມສົມດຸນລະຫວ່າງການຈ້າງງານພາຍນອກ (Outsource) ແລະ ການພັດທະນາພາຍໃນ (In-house) ຄວນຕັດສິນຈາກຄວາມຕໍ່ເນື່ອງຂອງວຽກງານ. ສຳລັບ AI ປະຕິບັດການທີ່ເກີດຂຶ້ນເປັນປະຈຳວັນ ຫຼື ປະຈຳອາທິດ (ເຊັ່ນ: ການດຳເນີນງານ Chatbot, ການຝຶກຝົນໂມເດວຄາດການຄວາມຕ້ອງການຄືນໃໝ່) ແມ່ນເໝາະສົມທີ່ຈະເຮັດພາຍໃນ, ສ່ວນການເຮັດ PoC ຫຼື ການກວດສອບແບບຄັ້ງດຽວຈົບ ແມ່ນການນຳໃຊ້ຜູ້ໃຫ້ບໍລິການພາຍນອກຈະມີປະສິດທິພາບດ້ານຕົ້ນທຶນຫຼາຍກວ່າ. ສຳລັບບໍລິສັດຍີ່ປຸ່ນ, ການໃຊ້ລະບົບ "Follow-the-Sun" ທີ່ໃຫ້ທີມງານ Data Science ຂອງສຳນັກງານໃຫຍ່ໃນຍີ່ປຸ່ນປະສານງານກັບສາຂາໃນທ້ອງຖິ່ນໂດຍໃຊ້ຄວາມແຕກຕ່າງຂອງເວລາ ກໍເປັນອີກທາງເລືອກໜຶ່ງທີ່ໜ້າສົນໃຈ.

Q1: ງົບປະມານທີ່ເໝາະສົມໃນການເລີ່ມຕົ້ນລົງທຶນ AI ໃນປະເທດໄທແມ່ນເທົ່າໃດ?

ໃນຂັ້ນຕອນ PoC, ງົບປະມານລະຫວ່າງ 1 ລ້ານຫາ 5 ລ້ານບາດ (ປະມານ 4 ລ້ານຫາ 20 ລ້ານເຢນ) ແມ່ນຊ່ວງລາຄາທີ່ພົບເຫັນໄດ້ທົ່ວໄປ (ເປັນຄ່າອ້າງອີງໃນເວລາທີ່ຂຽນບົດຄວາມນີ້ ເຊິ່ງຈະມີການປ່ຽນແປງຢ່າງຫຼວງຫຼາຍຂຶ້ນຢູ່ກັບກໍລະນີການນຳໃຊ້ ແລະ ຜູ້ໃຫ້ບໍລິການ). ສໍາລັບການເລີ່ມຕົ້ນ, ຄວນເລືອກພຽງໜ້າວຽກດຽວ ແລະ ຕັດສິນໃຈໂດຍອີງໃສ່ຄວາມເປັນໄປໄດ້ໃນການຄືນທຶນພາຍໃນ 6 ເດືອນ. ຮູບແບບ "ງົບປະມານແບບແບ່ງໄລຍະ" ທີ່ເພີ່ມງົບປະມານຂຶ້ນ 2-3 ເທົ່າໃນໄລຍະການນຳໃຊ້ຈິງ ແມ່ນຮູບແບບທີ່ບໍລິສັດຍີ່ປຸ່ນຍອມຮັບໄດ້ງ່າຍກວ່າ.

Q2: ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ທີ່ຄວນໃຫ້ຄວາມສຳຄັນໃນການເລືອກຜູ້ໃຫ້ບໍລິການ AI ມີຫຍັງແດ່?

ສາມາດສະຫຼຸບໄດ້ 4 ປະການຄື: (1) ຄວາມຮູ້ດ້ານການປະຕິບັດຕາມ PDPA, (2) ການຮອງຮັບສອງພາສາຄື ພາສາໄທ ແລະ ພາສາອັງກິດ, (3) ການມີວິສະວະກອນປະຈຳຢູ່ໃນທ້ອງຖິ່ນ, ແລະ (4) ປະສົບການທີ່ຜ່ານມາໃນອຸດສາຫະກຳດຽວກັນ—ເຊິ່ງຜູ້ໃຫ້ບໍລິການທີ່ມີຄົບທັງ 4 ຢ່າງນີ້ມີຈຳນວນຈຳກັດ. ຜູ້ໃຫ້ບໍລິການລະດັບໂລກຈະມີຄວາມໄດ້ປຽບດ້ານເຕັກໂນໂລຊີ, ໃນຂະນະທີ່ຜູ້ໃຫ້ບໍລິການຂະໜາດກາງໃນທ້ອງຖິ່ນ ຫຼື ບໍລິສັດໃນເຄືອຍີ່ປຸ່ນຈະແຂ່ງຂັນກັນທີ່ຄວາມໄວໃນການຕອບສະໜອງ ແລະ ການປັບຕົວໃຫ້ເຂົ້າກັບທ້ອງຖິ່ນ. ຄວາມໄດ້ປຽບຂອງແຕ່ລະຝ່າຍຈະປ່ຽນໄປຕາມລັກສະນະຂອງໂຄງການ, ດັ່ງນັ້ນໃນຂັ້ນຕອນການກຳນົດຄວາມຕ້ອງການ (Requirement Definition), ຄວນຕັດສິນໃຈພາຍໃນບໍລິສັດກ່ອນວ່າ "ຈະເລືອກຄວາມເລິກຂອງເຕັກໂນໂລຊີ ຫຼື ຄວາມໜາແໜ້ນໃນການດຳເນີນງານ" ເພື່ອບໍ່ໃຫ້ເກີດຄວາມສັບສົນ (AI Consulting Bangkok - ຄູ່ມືການນຳໃຊ້).

Q3: ຮູບແບບການລົງທຶນ AI ທີ່ມັກຈະລົ້ມເຫຼວມີຫຍັງແດ່?

ສິ່ງທີ່ໄດ້ຍິນເລື້ອຍໆມີ 3 ຢ່າງດັ່ງນີ້:

1. PoC ສິ້ນສຸດລົງພຽງແຕ່ "ການພິສູດທາງເຕັກນິກ" ແລະ ບໍ່ໄດ້ຖືກນຳໄປລວມເຂົ້າໃນການເຮັດວຽກຕົວຈິງ.
2. ບໍ່ມີການປັບປ່ຽນຂະບວນການເຮັດວຽກໜ້າວຽກຕົວຈິງ, ເຮັດໃຫ້ບໍ່ມີໃຜນຳໃຊ້ຫຼັງຈາກເປີດໃຊ້ງານໄດ້ 3 ເດືອນ.
3. ບັນຫາດ້ານຄຸນນະພາບຂອງຂໍ້ມູນມາພົບໃນຂັ້ນຕອນຫຼັງ, ເຮັດໃຫ້ຕົ້ນທຶນເພີ່ມຂຶ້ນເປັນສອງເທົ່າຈາກການປະເມີນໃນຕອນຕົ້ນ.

ວິທີການປ້ອງກັນແມ່ນງ່າຍດາຍຢ່າງບໍ່ໜ້າເຊື່ອ ຄື: ການລະບຸ "ພະແນກທີ່ຮັບຜິດຊອບໃນການດຳເນີນງານຈິງ" ໃຫ້ຊັດເຈນຕັ້ງແຕ່ເລີ່ມ PoC, ການຕົກລົງ KPI ກັບຝ່າຍບໍລິຫານ, ແລະ ການຈັດການຂໍ້ມູນໃຫ້ຮຽບຮ້ອຍພາຍໃນເດືອນທຳອິດ—ຖ້າຂຽນ 3 ຢ່າງນີ້ລົງໃນເອກະສານສະເໜີໂຄງການ, ກໍສາມາດປ້ອງກັນຮູບແບບຄວາມລົ້ມເຫຼວໄດ້ຫຼາຍກວ່າເຄິ່ງໜຶ່ງ.

ການຕັດສິນໃຈລົງທຶນດ້ານ AI ໃນໄທ ຈະຫຼຸດຜ່ອນຄວາມຜິດພາດໄດ້ຫາກຈັດລະບຽບການຕັດສິນໃຈໂດຍແບ່ງອອກເປັນ 3 ຊັ້ນ ຄື: "ອຸດສາຫະກຳ, ວຽກງານ ແລະ KPI" ກ່ອນທີ່ຈະເລືອກເທັກໂນໂລຢີ. ບົດຄວາມນີ້ຈະສະຫຼຸບຈຸດສຳຄັນອອກເປັນ 3 ຂັ້ນຕອນ:

1. ກຳນົດລຳດັບຄວາມສຳຄັນຕາມອຸດສາຫະກຳ: ອຸດສາຫະກຳທີ່ໄດ້ຮັບການປະເມີນລະດັບ A ເຊັ່ນ: ການຜະລິດ, ການຂົນສົ່ງ ແລະ ການທ່ອງທ່ຽວໂຮງແຮມ ແມ່ນສາມາດເລີ່ມຕົ້ນເຮັດ PoC ໄດ້ງ່າຍ. ເຖິງແມ່ນວ່າອຸດສາຫະກຳຂອງບໍລິສັດທ່ານຈະຢູ່ໃນລະດັບ B ຫຼື C ກໍຍັງມີທາງເລືອກໃນການເລີ່ມຕົ້ນຈາກກໍລະນີການນຳໃຊ້ (Use cases) ທີ່ກ່ຽວຂ້ອງກັບອຸດສາຫະກຳລະດັບ A.
2. ປະເມີນແຕ່ລະໂຄງການດ້ວຍ 3 ແກນຫຼັກ: ສ້າງຕາຕະລາງປະເມີນຜົນເພື່ອໃຊ້ໃນການສະເໜີອະນຸມັດພາຍໃນບໍລິສັດ ໂດຍອີງໃສ່ຜົນກະທົບດ້ານ ROI, ຄວາມຍາກງ່າຍໃນການນຳໃຊ້ ແລະ ຄວາມຕ້ອງການດ້ານຂໍ້ມູນບຸກຄະລາກອນ ເພື່ອປຽບທຽບຫຼາຍໆໂຄງການໄປພ້ອມໆກັນ.
3. ປ່ຽນຂໍ້ຈຳກັດສະເພາະຂອງໄທໃຫ້ເປັນໂອກາດ: ການປະຕິບັດຕາມ PDPA ແລະ ສິດທິປະໂຫຍດຈາກ BOI ອາດເບິ່ງຄືວ່າເປັນຂໍ້ຈຳກັດໃນໄລຍະສັ້ນ ແຕ່ຫາກນຳມາລວມເຂົ້າໃນການອອກແບບ ກໍຈະສາມາດເຮັດໜ້າທີ່ເປັນປັດໄຈສ້າງຄວາມແຕກຕ່າງໄດ້.

ການລົງທຶນດ້ານ AI ບໍ່ແມ່ນມີຈຸດປະສົງເພື່ອ "ນຳໃຊ້" ເທົ່ານັ້ນ ແຕ່ມີຈຸດປະສົງເພື່ອ "ຂັບເຄື່ອນ KPI ຂອງທຸລະກິດ". ຫວັງວ່າແກນການປຽບທຽບໃນບົດຄວາມນີ້ ຈະເປັນປະໂຫຍດໃນການຕັດສິນໃຈວ່າຄວນຈະສຸມຊັບພະຍາກອນການບໍລິຫານທີ່ມີຢ່າງຈຳກັດໄວ້ທີ່ໃດ.

ສຳລັບຜູ້ທີ່ຕ້ອງການອອກແບບແຜນວາດ (Roadmap) ການລົງທຶນດ້ານ AI ໃນຕະຫຼາດໄທ ສາມາດອ້າງອີງຄູ່ມືຕາມອຸດສາຫະກຳຂອງພວກເຮົາໄດ້ (ອຸດສາຫະກຳການຜະລິດ, ການຂົນສົ່ງ, ການທ່ອງທ່ຽວໂຮງແຮມ).