ข่าวสารและบทความล่าสุด

ในช่วงปลายเดือนตุลาคมที่ผ่านมาผมได้มีโอกาสเข้าไปร่วมอบรมในหลักสูตร Harnessing AI for Breakthrough Innovation and Strategic Impact ของ Stanford University โดยเป็นหลักสูตรที่จัดทำขึ้นภายใต้ความร่วมมือของหลายคณะในมหาลัย รวมถึง Stanford Institute for Human-Centered Artificial Intelligence (HAI) โดยในบทความนี้ผมจะขอสรุปประเด็นสำคัญจากการเข้าไปอบรมเพื่อมาแชร์ให้ท่านผู้อ่านฟังดังนี้ครับ

AI เป็นเรื่องที่เกี่ยวข้องกับศาสตร์ต่างๆ มากมายไม่ใช่แค่ technology

แม้ว่า Stanford จะเป็น มหาวิทยาลัยที่เน้นในเรื่องของ Innovation and Engineering แต่ในหลักสูตรนี้มีการนำเอาทั้งคณาจารย์รวมถึงผู้เชี่ยวชาญจากหลากหลายสาขาวิชาเข้ามาร่วมกันออกแบบการขับเคลื่อนด้าน AI ที่จะเป็นประโยชน์ต่อทั้งภาคธุรกิจและสังคม อาจารย์และผู้เชี่ยวชาญแทบทุกท่านเน้นย้ำว่าการขับเคลื่อนด้วย AI ไม่สามารถใช้เพียงความก้าวหน้าทางเทคโนโลยีได้ เนื่องจากต้องได้รับความร่วมมือจากทุกฝ่าย ไม่ว่าจะเป็นผู้เชี่ยวชาญด้านเทคโนโลยี ผู้เชี่ยวชาญด้านข้อมูล ผู้เชี่ยวชาญด้านกฎหมาย ผู้เชี่ยวชาญด้านกระบวนการทำงาน รวมถึง พนักงานทุกคนในองค์กร และนั่นหมายถึงว่าการขับเคลื่อนด้าน AI จำเป็นจะต้องมีเรื่องของการขับเคลื่อนที่เกี่ยวข้องกับวัฒนธรรมองค์กรเข้ามาเกี่ยวข้องด้วย ทำให้เรื่องของ Change management ทั้งในส่วนของกระบวนการทำงานและคนเป็นเรื่องที่จำเป็นต้องทำควบคู่กันไป

AI Transformation: เริ่มจากปัญหา ตามมาด้วยข้อมูล แล้วค่อยเลือก AI solution (Problem first, Data later, then AI solution)

1. ต้องรู้ว่าจะให้ AI ช่วยทำอะไร (Objective)

เน้นที่ปัญหาเราต้องเริ่มจากการดูที่ปัญหาของเราก่อน ไม่ใช่คิดถึงแต่เทคโนโลยีหรือวิธีแก้ปัญหาทันที และเป้าหมายต้องชัด เช่น ถ้าเราเอา AI ในส่วนที่เป็น Machine Learning มาช่วยทำการคาดการณ์ (Prediction) ต้องกำหนดให้ได้ว่า AI ควรจะคาดการณ์อะไรที่สำคัญกับธุรกิจของเรา ต่อจากนั้นเราจะมาสู่การจัดลำดับความสำคัญ (Prioritization) เพื่อเรียงลำดับความสำคัญว่า จะให้ AI คาดการณ์เรื่องไหนก่อน-หลัง

2. ต้องรู้ว่าจะใช้ข้อมูล (Data) อะไรมาสอน AI

ข้อมูลของเราเองเป็นข้อมูลที่มีค่าที่สุดเราต้องสามารถเปลี่ยนข้อมูลเหล่านั้นมาเป็นข้อมูลที่ AI เข้าใจได้ (Machine learnable data) คำถามต่อไปก็คือข้อมูลที่เราควรจะรีบจัดเก็บเอาไว้ควรเป็นข้อมูลแบบไหน

• เลือกข้อมูลหรือชุดข้อมูลที่เพียงพอต่อการตอบคำถามหรือส่งผลต่อเป้าหมายของเรา เก็บข้อมูลที่เกี่ยวข้อง ในแง่ปริมาณไม่จำเป็นต้องเยอะมาก แต่ต้องมากพอที่จะนำมาใช้ในการคาดการณ์หรือทำนายได้ แต่เราคงไม่สามารถและไม่ควรที่จะเก็บข้อมูลทุกอย่างในองค์กร เพื่อเอามาทำ AI เพราะเป็นเรื่องที่สิ้นเปลืองมากและ
• ยิ่งถ้าเป็นข้อมูลที่มีคุณภาพก็ยิ่งดี ข้อมูลที่เอามาใช้ต้องเป็นตัวแทนของความจริงอย่างน่าเชื่อถือ ถ้าข้อมูลคุณภาพไม่ดี ต่อให้ AI Model จะดีแค่ไหนก็สามารถทำนายผิดพลาดได้ แต่การที่เราจะรู้ได้ว่าข้อมูลมีคุณภาพพอหรือไม่ เราต้องตัดสินใจได้ว่าจะวัดข้อมูลอย่างไร (เช่น วัดความพอใจลูกค้าด้วยคะแนน 1-5 หรือแค่ "พอใจ/ไม่พอใจ") เพราะวิธีวัดที่ต่างกันก็อาจให้ผลการตัดสินใจที่ต่างกัน

ข้อมูลในองค์กรคุณคือข้อมูลที่มีค่าที่สุด เริ่มเก็บรักษาจัดการเค้าตั้งแต่วันนี้ แม้จะยังไม่แน่ใจว่าจะทำ AI usecase แบบไหน ยังไง หรือ จะใช้ข้อมูล มากน้อยแค่ไหน แต่การมีข้อมูล คุณภาพ จำนวนมากจะสร้างความได้เปรียบในการทำ AI transformation ได้ และถ้าเราเข้าใจข้อมูลในองค์กรของเราได้ดี AI agent ต่างๆ ที่ถูกสร้างขึ้นจะสร้างมูลค่าให้กับเราได้

3. ต้องตีความผลลัพธ์ให้เป็น (Judge)

ในกระบวนการ AI งานที่สำคัญ อีกส่วนคือการวิเคราะห์และตีความสิ่งที่ AI ทำนายออกมา สำหรับคนส่วนใหญ่ในองค์กร ที่ไม่ใช่มนุษย์ AI จุดนี้คือจุดแข็งของคุณในกระบวนการ AI transformation เพราะการวิเคราะห์หรือตีความผลพยากรณ์ต้องใช้ความเข้าใจในธุรกิจ เพื่อนำไปสู่การตัดสินใจทางธุรกิจของเราต่อไป

ขับเคลื่อน AI อย่างมียุทธศาสตร์

ในการอบรมครั้งนี้ทางหลักสูตรได้มีการเชิญอาจารย์จาก Business School หลายท่านมาให้มุมมองการขับเคลื่อน AI สะท้อนว่าการขับเคลื่อนด้าน AI ให้ประสบความสำเร็จไม่ได้มีแต่เรื่อง Technology อย่างเดียว โดย Prof. Burgelman ได้กล่าวไว้ว่ายุทธศาสตร์ คือ ภาวะของจิตใจหรือแนวคิดที่เราต้องการจะมีเพื่อที่จะสามารถควบคุมหรือกำหนดเป้าหมายของเราเองได้ โดยองค์กรจะมีความมั่นคงยั่งยืนได้ จะต้องมี ยุทธศาสตร์แห่งความเป็นผู้นำ (Strategic Leadership) ซึ่งประกอบไปด้วย 2 ส่วนใหญ่ๆ ส่วนแรกคือความคิดที่จะขับเคลื่อนไปสู่การกระทำ ที่สำเร็จในการร่วมมือและการแข่งขัน ส่วนที่สองคือความสามารถขององค์กรที่จะนำไปสู่การควบคุมจุดมุ่งหมายขององค์กร

ยุทธศาสตร์ที่ดีไม้ได้ต้องมีแต่ความสำเร็จแต่คนในองค์กรต้องมีส่วนร่วมและความสุขด้วย

การมียุทธศาสตร์การเป็นผู้นำที่เน้นเรื่องของความสำเร็จอย่างเดียวก็ไม่เพียงพอที่จะทำให้บริษัทหรือสังคมโดยรวมยั่งยืนได้ เพราะความสำเร็จอาจไม่ใช่ความสุขเสมอไป โดยพื้นฐานของมนุษย์เราต้องการความสุขทั้งในด้านตัวบุคคล องค์กร หรือสังคมโดยรวม ซึ่ง ฃจากประเด็นนี้ ทำให้ผู้นำองค์กรหรือผู้นำระดับประเทศ จำเป็นต้องให้ความสำคัญ กับเรื่องของธรรมาภิบาลในการขับเคลื่อนเทคโนโลยี ที่มีการเปลี่ยนแปลงอย่างรวดเร็ว อย่างเช่น AI

วัฒนธรรมองค์กรกินยุทธศาสตร์องค์กรเป็นอาหารเช้า และกิน Technology เป็นอาหารเที่ยงและอาหารเย็นด้วย

การขับเคลื่อนองค์กร ไม่ว่ายุทธศาสตร์จะดีแค่ไหน แต่ถ้าแนวทางการปฏิบัติ หรือวัฒนธรรมขององค์กร ไม่ได้เอื้อหรือสนับสนุน ก็ยากที่จะเห็นการขับเคลื่อนยุทธศาสตร์นั้นประสบความสำเร็จ ดังคำกล่าวที่ว่า culture can eat strategy for breakfast and can eat technology for lunch and dinner เพราะในท้ายที่สุดแล้ว วัฒนธรรมองค์กร คือวิธีปฏิบัติขององค์กร ว่าปฏิบัติต่อคนในองค์กรอย่างไร และคนในองค์กรปฏิบัติต่อกันอย่างไร และยังหมายรวมถึงกระบวนการทำงานว่าคนในองค์กรมีกระบวนการทำงานอย่างไร เมื่อมีเทคโนโลยีเข้ามาใหม่ จะปรับกระบวนการนั้นอย่างไร ทำอย่างไรให้มีความเป็น Silo น้อยลง เพราะคงไม่มีองค์กรใดที่สามารถนำเอาเทคโนโลยีใหม่เข้ามาใช้แล้วทุกคนในองค์กรจะยอมรับมันทันที แต่การมีกลยุทธ์จะช่วยทำให้คนในองค์กรทำในสิ่งที่เค้าไม่อยากทำด้วยความตื่นตัวและตื่นเต้น โดยไม่ได้หมายถึง แค่ตื่นเต้นกับวิธีการทำงานใหม่แต่ยังรวมถึงความตื่นเต้นต่อประโยชน์ที่จะเกิดขึ้นองค์กรและคนในองค์กร เมื่อปฏิบัติตามยุทธศาสตร์ที่วางไว้ และด้วยเหตุนี้เราจะต้องมีการสร้างตัวชี้วัด มีการประเมินผลที่เป็นธรรม ที่จะทำให้คนในองค์กรที่ยอมเหนื่อยยอมปรับกระบวนการทำงานได้รับประโยชน์จากมันจริงๆ ด้วย ไม่ว่าจะเป็นในรูปของผลตอบแทนที่ดีขึ้นหรือการทำงานที่มีประสิทธิภาพมากขึ้นเหนื่อยน้อยลง โดย 3 ประเด็นหลักด้านยุทธศาสตร์องค์กรที่ควรนึกถึงเมื่อต้องการทำ AI Transformation คือ

• ความพร้อมขององค์กร เริ่มต้นตั้งแต่ว่าปัญหาที่เรามีในเชิงธุรกิจหรือเชิงนโยบาย แก้ได้ด้วย AI จริงหรือเปล่า ความพร้อมในเรื่องของข้อมูลมีมากแค่ไหน การตั้งโจทย์ที่จะให้ AI เข้ามาช่วยแก้จึงเป็นสิ่งสำคัญ เพราะถ้าความพร้อมขององค์กรมีไม่พอก็มีโอกาสนำไปสู่การตั้งโจทย์ที่ยากจนเกินไป แม้ AI ก็แก้ไม่ได้ หรือ ถ้าโจทก์ง่ายจนเกินไปก็อาจจะไม่จำเป็นต้องต้องใช้ AI มาช่วยแก้ก็ได้ ใช้เครื่องมืออื่นอาจประหยัดเงินและเวลากว่า
• ในเชิงยุทธศาสตร์ ต้องวางแผนให้ AI ได้เข้ามาช่วยแก้ปัญหาได้จริงๆ หรือช่วยเพิ่มมูลค่าให้กับองค์กรได้จริงๆ (Perceived value: PV) เมื่อเทียบกับต้นทุนทั้งหมดในการที่จะขับเคลื่อน (Delivered cost) โดย AI transformation ไม่ใช่ยุทธศาสตร์ทางธุรกิจหรือแผนธุรกิจแต่เป็นแค่ส่วนหนึ่งของแผน เรายังต้องมีการสร้างความแตกต่างว่า AI ที่เราใช้แก้ปัญหาให้องค์กรอย่างไร หรือ สร้างความแตกต่างได้อย่างไร เพียงพอที่จะทำให้เราไล่ทันหรือนำหน้าคู่แข่งหรือไม่ เช่น Machine Learning ที่เราจะใช้ ถ้าเอามาใช้กับข้อมูลองค์กรเรา จะสามารถพยากรณ์หรือทำนาย (Predict) ได้แม่นยำพอจนช่วยให้เราเข้าใจลูกค้าเรามากแค่ไหน หรือ แค่ทำนายออกมาได้
• ความรู้ความสามารถของคนในองค์กรเพียงพอหรือยัง เนื่องจากการขับเคลื่อนด้านเอไอต้องใช้ทักษะที่หลากหลาย จำเป็นต้องมียุทธศาสตร์ด้านทรัพยากรบุคคลที่ชัดเจน เพราะงานด้าน AI ไม่ได้ใช้แค่นักเทคโนโลยีเท่านั้น แต่ยังรวมถึงบุคลากรอื่นๆ ในองค์กรที่มีความเข้าใจเชิงธุรกิจและพร้อมจะนำประเด็นหรือปัญหาต่างๆ มาอธิบายให้นักเทคโนโลยีเข้าใจ เพื่อตีโจทย์ให้แตก และนำ AI เข้ามาช่วยแก้ และแม้กระทั่งตัวนักเทคโนโลยีเอง งานด้าน AI ก็มีความจำเป็นที่จะต้องใช้นักเทคโนโลยีในหลากหลายสาขาย่อย ไม่ว่าจะเป็น Data science (algorithms), Data engineering (data cleansing), Software engineering (convert algorithms to code), Infrastructure engineering (super computers), User interface design (dashboards) ซึ่งคุณอาจจะไม่จำเป็นต้องจ้างคนในสาขาเหล่านี้เข้ามาทำงาน แต่ใช้การซื้อบริการจากบริษัทข้างนอก (Outsource) แต่มันก็จะหมายถึงค่าจ้างที่แพงอยู่ดี

ในอดีตกรอบความคิดที่เกี่ยวข้องกับงานยุทธศาสตร์องค์กรคือ ปัญญา > ความรู้ > ข้อมูลสารสนเทศ > ข้อมูล (Wisdom > Knowledge>Information>Data) แต่การมาของ AI ทำให้มุมมองด้านนี้เปลี่ยนไปกลายเป็น ข้อมูลมหาศาล x ความสามารถในการประมวลผล = พลังอำนาจ (Big data/information x Computation = Power) สิ่งที่เราจำเป็นต้องตระหนักก็คือ เรายังจำเป็นต้องใช้ ปัญญา (Wisdom) ในการใช้พลังอำนาจ (Power) เหล่านั้น

อย่าตกรถ แต่ไม่จำเป็นต้องตามแฟชั่นล่าสุดตลอด เน้นความคุ้มค่า เน้น Return on Investment

โดยการวัดผลตอบแทนจาก AI (AI ROI) สามารถแบ่งเป็นขั้นตอนได้ดังนี้

ขั้นตอนที่ 1: กำหนดเป้าหมายให้ชัดเจน
เรื่องนี้สำคัญกับธุรกิจของคุณแค่ไหน? จำเป็นต้องมี (ทำให้ธุรกิจยังแข่งขันได้) หรือสร้างความได้เปรียบ (ใช้ข้อมูลหรือจุดแข็งของบริษัทให้เหนือกว่าคู่แข่ง) เป็นโมเดลธุรกิจใหม่หรือไม่ ระบุเป้าหมายให้ชัด และจะวัดผลอย่างไร

ขั้นตอนที่ 2: คำนวณต้นทุนให้ครบ
ต้นทุนของโมเดล AI ต้นทุนแรงงานและการประหยัดแรงงาน ต้นทุนด้าน IT มองหาโอกาสใช้ต้นทุนร่วมกัน อย่าเสียเงินกับเคสเล็กๆ ที่ใช้ครั้งเดียว ประโยชน์ที่ได้ เช่น รายได้เพิ่มขึ้น ผลิตภาพดีขึ้น ระบุให้ชัดว่างานไหนเปลี่ยนจากคนเป็นคอมพิวเตอร์ และมีผลต่อค่าใช้จ่ายอย่างไร

ขั้นตอนที่ 3: ต้นทุนที่ซ่อนอยู่
เพราะยังไม่มีตัวอย่างชัดเจน ทำให้การประเมินต้นทุนเรื่องข้อมูล การเชื่อมต่อระบบ และความปลอดภัย มักต่ำเกินจริง แรงต้านจากวัฒนธรรมองค์กรหรือความกลัวตกงาน ค่าใช้จ่ายในการฝึกอบรมใหม่ลดความเสี่ยงโดยวางแผนให้หยุดหรือเปลี่ยนแปลงโครงการได้เร็ว

ขั้นตอนที่ 4: ประโยชน์ที่อาจมองข้าม
การเรียนรู้! โครงการนี้อาจทำให้โครงการอื่นๆ ในอนาคตง่ายขึ้นหรือถูกลง

ถ้าคุณไม่ได้มีเม็ดเงินลงทุนมหาศาล พยายามหลีกเลี่ยงการสร้าง foundation models เอง

คุณสามารถต่อยอดจาก foundation models ที่มีอยู่แล้วได้อีกมาก เพราะการสร้างต้องใช้เงินและทรัพยากรจำนวนมหาศาล เช่น GPT-3 มี 96 เลเยอร์ 175 พันล้านพารามิเตอร์ และข้อมูลขนาด 570 GB สำหรับการฝึกโมเดล ส่วน GPT-4 พัฒนาขึ้นโดยใช้เทคนิค multimodal language แต่รายละเอียดข้อมูลไม่ได้เปิดเผย (โดย OpenAI อ้างว่าเพื่อความปลอดภัยด้าน AI และความได้เปรียบเชิงการแข่งขัน) แม้แต่ในกลุ่มบริษัทยักษ์ใหญ่ด้านเทคโนโลยี ก็แข่งกันอย่างดุเดือดในการพัฒนาโมเดลภาษาใหญ่ ปัจจุบันมี Large Language Model (LLM) มากมายและจะมีเพิ่มขึ้นอีกเรื่อยๆ ประเด็นคือบริษัทเหล่านี้ต่างเร่งแข่งกันโดยใช้ข้อมูลคล้ายคลึงกันในการฝึกโมเดล ส่งผลให้คำตอบที่ได้จากโมเดลก็คล้ายกันและต้องเผชิญกับปัญหาในลักษณะเดียวกัน แนวโน้มนี้อาจดำเนินต่อไปจนกว่าเราจะเกิดการเปลี่ยนแปลงครั้งใหญ่จากโมเดลประเภทใหม่ที่แก้ไขปัญหาในแบบอื่น

Machine learning คืออัลกอริทึมที่เรียนรู้และปรับตัวได้จากการรับข้อมูลโดยไม่ต้องเขียนโปรแกรมกำหนดอย่างชัดเจน

จุดเด่นของ machine learning คือการทำนาย (prediction) โดยนำข้อมูลที่มีอยู่มาแปลงเป็นสิ่งที่เราไม่รู้มาก่อน ในกระบวนการนี้มนุษย์ต้องตัดสินใจโดยยึดการพยากรณ์เป็นหลัก แนวทางที่ขับเคลื่อนด้วย AI จำเป็นต้องมองความท้าทายในการบริหารจัดการเป็นปัญหาการทำนาย

แบบจำลอง AI ไม่ได้สมบูรณ์แบบเสมอไป ยังมีช่องว่างให้พัฒนาอยู่ตลอด เวลา แบบจำลองอาจเกิดการตีความผิด (hallucinate) หรือแสดงอาการเอาใจผู้ใช้ (sycophancy) แต่ในอนาคตแบบจำลองจะได้รับการปรับปรุงเพื่อให้ตอบโจทย์ได้ตรงตามวัตถุประสงค์มากขึ้น อย่างไรก็ตาม ยิ่งขนาดของแบบจำลองใหญ่ขึ้นเท่าไร ก็ยิ่งต้องใช้ข้อมูลมากขึ้นและใช้พลังงานมากขึ้นตามไปด้วย

ขับเคลื่อน AI ด้วยความรับผิดชอบ (Responsible AI)

AI ก็เหมือนกับเทคโนโลยีอื่นๆ ที่มีทั้งข้อดีและข้อเสีย อยู่ที่ว่าเราจะเลือกใช้มันอย่างไร แต่เพื่อให้การใช้เทคโนโลยีเกิดประโยชน์กับคนหมู่มากได้จริงๆ เราจำเป็นจะต้องมีการกำหนดกฎ กติกา และมารยาทการพัฒนาและใช้ AI เพื่อให้เกิดความมั่นคง ยุติธรรม ใช้และเข้าใจง่าย โปร่งใส และรับผิดชอบ (Robust, Fair, Simple, Transparent, Responsible)

การกำกับดูแล AI (AI Regulation)

การกำกับดูแลเทคโนโลยี AI มีข้อพิจารณาสำคัญ คือ จะกำกับดูแลอย่างไร (how), อะไรบ้างที่ควรถูกกำกับ (what), เมื่อไหร่ควรเริ่มกำกับ (when) และใครเป็นผู้รับผิดชอบในการกำกับดูแล (who)

• จะกำกับดูแลอย่างไร: กำกับด้วยกฎเข้มงวด (เช่น ห้ามใช้งาน, กำหนดมาตรฐานการออกแบบ, ปรับเงิน) หรือกฎแบบนุ่มนวล (เช่น การเปิดเผยข้อมูล, การจดทะเบียน, การประเมินผลกระทบ)
• อะไรบ้างที่ควรถูกกำกับ: กำกับเฉพาะ AI ที่ใช้ Machine Learning หรือกำกับ AI ที่ใช้ตรรกะทั่วไป หรือแม้แต่การใช้งาน Excel; กำกับตามระดับการใช้คอมพิวเตอร์; กำกับเฉพาะระบบที่มี “ความเสี่ยงสูง” หรือเฉพาะบางสาขา (เช่น ด้านสาธารณสุข)
• เมื่อไหร่ควรเริ่มกำกับ: กำกับตั้งแต่ขั้นออกแบบระบบและจัดการข้อมูล (upstream) หรือกำกับตอนที่มีมนุษย์เข้ามาตัดสินใจร่วม (downstream)
• ใครเป็นผู้รับผิดชอบในการกำกับดูแล: จะให้หน่วยงานรัฐ เช่น อัยการสูงสุด หรือองค์กรเฉพาะทาง (“FDA สำหรับ AI”) หรือให้เอกชนฟ้องร้อง หรือให้นักตรวจสอบเป็นผู้รับผิดชอบ

ตัวอย่างกฎหมายที่เกี่ยวกับ AI

• EU AI Act เพื่อกำกับดูแลระบบ AI ทุกประเภท โดยมี 2 ส่วนหลักคือ การบังคับใช้ (Enforcement) และการแบ่งระดับความเสี่ยง (Risk Categorization) ซึ่งแบ่งระบบ AI ออกเป็น 4 ระดับความเสี่ยง และมีมาตรการควบคุมที่เข้มงวดลดหลั่นตามระดับความเสี่ยงทั้ง 4 ซึ่งผมเคยเขียนรายละเอียดลงในคอลัมน์นี้ของกรุงเทพธุรกิจไปแล้ว เลยจะไม่ขอเล่าซ้ำอีกนะครับ
• US Artificial Intelligence Accountability Act (AI Accountability Act) ซึ่งร่างกฎหมายนี้ยังไม่ได้บังคับใช้ อยู่ระหว่างการเสนอร่างในสภา โดยร่างกฎหมายนี้ให้หน่วยงาน US National Telecommunications and Information Administration (NTIA) ศึกษาและเสนอแนวทางการกำกับดูแล AI เช่น การตรวจสอบ, การประเมิน, การรับรอง เพื่อให้ระบบ AI มีความน่าเชื่อถือและลดความเสี่ยง (เช่น ด้านความปลอดภัยไซเบอร์) รวมถึงศึกษาวิธีให้ข้อมูลที่เกี่ยวข้องกับ AI แก่ประชาชน ธุรกิจ และหน่วยงานต่าง ๆ
• Transparency in Frontier Artificial Intelligence Act: California: แนวทางกำกับดูแล AI ในรัฐแคลิฟอร์เนียซึ่งผ่านเป็นกฎหมายระดับมลรัฐในเดือนกันยายน ปี 2025 โดยครอบคลุมประเด็นหลักๆ ดังนี้
  • ความโปร่งใส: กำหนดให้ผู้พัฒนา AI ขนาดใหญ่ต้องเผยแพร่กรอบมาตรฐานความปลอดภัยและแนวปฏิบัติที่ดีบนเว็บไซต์ของตนเอง เพื่อให้สาธารณะรับรู้ถึงกระบวนการควบคุมความปลอดภัย
  • การรายงานเหตุการณ์: กำหนดให้ต้องแจ้งเหตุการณ์ด้านความปลอดภัยที่สำคัญต่อสำนักงานบริการฉุกเฉินรัฐแคลิฟอร์เนีย
  • การคุ้มครองผู้แจ้งเบาะแส: ห้ามบริษัทลงโทษหรือกลั่นแกล้งพนักงานที่เปิดเผยข้อมูลอันตรายต่อสุขภาพหรือความปลอดภัยสาธารณะจากการใช้ AI
  • CalCompute: ยังคงมีข้อกำหนดให้จัดตั้งกลุ่มความร่วมมือในการพัฒนาโครงสร้างพื้นฐานคลาวด์คอมพิวติ้งสำหรับสาธารณะ
  • การบังคับใช้กฎหมาย: กฎหมายนี้จะถูกบังคับใช้ผ่านการเรียกเก็บค่าปรับทางแพ่งโดยอัยการสูงสุดของรัฐแคลิฟอร์เนีย แทนที่จะเปิดทางให้ประชาชนฟ้องร้องโดยตรง

ความท้าทายในอนาคต: ในอนาคต อุตสาหกรรมแต่ละประเภทอาจจะต้องออกมาตรฐานการดูแล AI เฉพาะของตัวเอง เพราะ AI จะถูกนำไปใช้แบบเฉพาะด้านมากขึ้น (จากเดิมที่ใช้ทั่วไป) การกำกับดูแลแบบเจาะจงแต่ละสาขาจะมีความสำคัญมากขึ้น

จริงๆ ยังมีแนวคิดดีๆ จากการได้มี ยังมีแง่คิดดีดีจากการได้มีโอกาสไปอบรมในหลักสูตรนี้อีกเยอะเลยครับ ไว้ผมจะค่อยค่อยนำเอามาเขียนให้ได้อ่านเพิ่มเติมกันนะครับ ในบทความนี้ขอทิ้งท้ายด้วยการสรุปว่าถ้าเราต้องการนำเอา AI มาใช้ในองค์กรเราควรมีขั้นตอนต่างๆยังไงครับ

1. เริ่มจากปัญหา: อย่าเริ่มจากเทคโนโลยี ให้หาจุดที่มีปัญหาจริง ๆ ก่อน แล้วดูว่าเรามีข้อมูลพอหรือพร้อมหรือไม่
2. ทำเป็น Proof of Concept (POC) หรือ sandbox: ทดลองใช้ในขอบเขตเล็ก ๆ ก่อน
3. การระดมความคิดสำหรับการใช้ AI: ใช้วิธีจากล่างขึ้นบนเพื่อให้ POC มีความเกี่ยวข้องมากขึ้น และใช้วิธีจากบนลงล่างเพื่อสร้างมูลค่า (Value Creation)
4. ในแต่ละกรณีการใช้งาน (use case):
   • ระบุขั้นตอนการทำงานเพื่อดูภาพรวมของกระบวนการทั้งหมด
   • ตรวจสอบว่าขั้นตอนการทำงานแต่ละขั้นตอนมีการเชื่อมโยงกับหน่วยงานอื่นหรือไม่
   • ระบุขั้นตอนการทำงานที่ AI สามารถช่วยได้
   • ตรวจสอบว่าหน่วยงานอื่นจะได้รับประโยชน์จากการนำ AI มาใช้หรือไม่ เพื่อหลีกเลี่ยงการเกิด AI Silo และการลงทุนซ้ำซ้อน
   • ระบุความเสี่ยงและปัจจัยที่อาจเกิดความลำเอียง รวมถึงการจัดการความเสี่ยง