การเอาชนะอุปสรรค หรือ: ฉันเรียนรู้ที่จะหยุดกังวลและรักปัญญาประดิษฐ์ได้อย่างไร

Newsletter

การเอาชนะอุปสรรค หรือ: ฉันเรียนรู้ที่จะหยุดกังวลและรักปัญญาประดิษฐ์ได้อย่างไร

ทำไมบริษัทจำนวนมากจึงล้มเหลวในการนำ AI มาใช้? อุปสรรคสำคัญไม่ใช่เทคโนโลยี แต่คือมนุษย์ บทความนี้ระบุถึงอุปสรรคสำคัญ 6 ประการ ได้แก่ การต่อต้านการเปลี่ยนแปลง การขาดการมีส่วนร่วมของฝ่ายบริหาร ความปลอดภัยของข้อมูล งบประมาณที่จำกัด การปฏิบัติตามข้อกำหนด และการเรียนรู้อย่างต่อเนื่อง ทางออกคืออะไร? การเปิดตัวโครงการนำร่องเพื่อแสดงให้เห็นถึงคุณค่า ฝึกอบรมพนักงาน และปกป้องข้อมูลสำคัญด้วยระบบเฉพาะทาง AI ไม่เพียงแต่ช่วยเพิ่มประสิทธิภาพ ไม่ใช่แทนที่ แต่จำเป็นต้องอาศัยการเปลี่ยนแปลงกระบวนการ ไม่ใช่เพียงแค่การแปลงเป็นดิจิทัล

ฟาบิโอ ลอเรีย

ซีอีโอและผู้ก่อตั้ง Electe‍

สรุปบทความนี้ด้วย AI

การทำลายอุปสรรค: อัลกอริทึมภายในตัวเรา

‍

ปัญญาประดิษฐ์ (AI) กำลังเปลี่ยนแปลงวิธีการทำงานของเรา หลายบริษัทกำลังเผชิญกับความท้าทายในการนำเครื่องมือใหม่ๆ เหล่านี้ไปใช้ในกระบวนการต่างๆ ได้อย่างมีประสิทธิภาพ การเข้าใจอุปสรรคเหล่านี้จะช่วยให้องค์กรต่างๆ สามารถใช้ประโยชน์จาก AI ได้อย่างมีประสิทธิภาพ

ความท้าทายของการอัปเดตอย่างต่อเนื่อง

การพัฒนาอย่างรวดเร็วของ AI ก่อให้เกิดความท้าทายใหม่ๆ แก่ทั้งมืออาชีพและธุรกิจ คนงานต่างกังวลว่า AI จะเข้ามาแทนที่ อย่างไรก็ตาม AI ทำหน้าที่เป็นเครื่องมือที่ช่วยยกระดับงานของพวกเขา ไม่ใช่เข้ามาแทนที่ ผ่านทาง:

การทำงานซ้ำๆ ให้เป็นอัตโนมัติ
พื้นที่สำหรับกิจกรรมเชิงยุทธศาสตร์
การสนับสนุนการตัดสินใจด้วยข้อมูล

การนำเสนอ AI ในฐานะเครื่องมือการทำงานร่วมกันช่วยลดแรงต่อต้านและส่งเสริมการนำเทคโนโลยีนี้มาใช้ แน่นอนว่างานบางอย่างจะหายไปเมื่อเวลาผ่านไป แต่โชคดีที่งานน่าเบื่อที่สุดจะหมดไป ซึ่งหมายถึงไม่ใช่แค่การนำเทคโนโลยีมาใช้ในกระบวนการเท่านั้น แต่ยังรวมถึงการเปลี่ยนแปลงกระบวนการทั้งหมดด้วย กล่าวโดยสรุปคือ ความแตกต่างระหว่างการเปลี่ยนผ่านสู่ดิจิทัลและการเปลี่ยนผ่านสู่ดิจิทัล เรียนรู้เพิ่มเติมได้ที่: https://www.channelinsider.com/business-management/digitization-vs-digitalization/

การคุ้มครองและรักษาความปลอดภัยข้อมูล

ความเป็นส่วนตัวและความปลอดภัยเป็นอุปสรรคสำคัญ บริษัทต่างๆ จำเป็นต้องปกป้องข้อมูลสำคัญโดยการรับรองความถูกต้องแม่นยำของระบบ AI ความเสี่ยงจากการละเมิดและข้อมูลที่ผิดพลาดจำเป็นต้อง:

การตรวจสอบความปลอดภัยเป็นประจำ
การประเมินซัพพลายเออร์
โปรโตคอลการปกป้องข้อมูล

โดยเฉพาะอย่างยิ่ง การใช้ " ตัวกรองอัตโนมัติ " ในการจัดการข้อมูลที่ละเอียดอ่อนที่สุด และการใช้ระบบเฉพาะในการจัดการหรือวิเคราะห์ข้อมูลทั้งหมดขององค์กร ถือเป็นสิ่งจำเป็นอย่างยิ่ง ไม่เพียงแต่ด้วยเหตุผลด้านความปลอดภัยเท่านั้น แต่ยังเพื่อหลีกเลี่ยงการ "เปิดเผย" ข้อมูลที่มีค่าสูงแก่บุคคลที่สามอีกด้วย อย่างไรก็ตาม เช่นเดียวกับที่เกิดขึ้นแล้วในบริบทอื่นๆ การมุ่งเน้นในลักษณะนี้จะยังคงเป็นแนวทางที่ "รอบรู้" เฉพาะสำหรับบางองค์กรเท่านั้น ท้ายที่สุดแล้ว ทุกคนควรทำในสิ่งที่ตนเองต้องการ โดยตระหนักถึงผลประโยชน์ที่แต่ละทางเลือกต้องแลกมาด้วย

ด้านล่างนี้เป็นรายการสั้นๆ ของประเด็นสำคัญ

การจัดการความต้านทานต่อการเปลี่ยนแปลง

การรับเลี้ยงบุตรบุญธรรมต้องมีกลยุทธ์การจัดการที่รวมถึง:

การสื่อสารผลประโยชน์
การฝึกอบรมอย่างต่อเนื่อง
การสนับสนุนเชิงปฏิบัติ
การจัดการข้อเสนอแนะ

แนวทางจากบนลงล่าง

ผู้มีอำนาจตัดสินใจต้องการหลักฐานยืนยันคุณค่าของ AI กลยุทธ์ที่มีประสิทธิภาพ:

แสดงเรื่องราวความสำเร็จของคู่แข่ง
โครงการนำร่องการสาธิต
ตัวชี้วัด ROI ที่ชัดเจน
แสดงให้เห็นถึงการมีส่วนร่วมของพนักงาน

การจัดการข้อจำกัดด้านงบประมาณ

งบประมาณและโครงสร้างพื้นฐานที่ไม่เพียงพอเป็นอุปสรรคต่อการใช้งาน องค์กรต่างๆ สามารถ:

เริ่มต้นด้วยโครงการเล็กๆ
ขยายตามผลลัพธ์
จัดสรรทรัพยากรอย่างรอบคอบ

ด้านกฎหมายและจริยธรรม

การดำเนินการจะต้องคำนึงถึง:

ความเป็นกลางและความเป็นธรรม
การปฏิบัติตามกฎระเบียบ
กฎเกณฑ์การใช้งานอย่างมีความรับผิดชอบ
การติดตามการพัฒนากฎหมาย

การอัปเดตอย่างต่อเนื่อง

องค์กรจะต้อง:

ติดตามความคืบหน้าที่เกี่ยวข้อง
มีส่วนร่วมในชุมชนอุตสาหกรรม
ใช้แหล่งข้อมูลที่น่าเชื่อถือ

มุมมอง

การรับเลี้ยงบุตรบุญธรรมที่มีประสิทธิผลต้องอาศัย:

แนวทางเชิงกลยุทธ์
การใส่ใจต่อการเปลี่ยนแปลงขององค์กร
การจัดแนวให้สอดคล้องกับเป้าหมายและวัฒนธรรมขององค์กร
มุ่งเน้นคุณค่าเชิงปฏิบัติ

การเปลี่ยนแปลงที่มีประสิทธิผลจะช่วยปรับปรุงการดำเนินงานและความสามารถของพนักงานผ่านการเลือกที่ยั่งยืนและมีเป้าหมาย

ทรัพยากรเพื่อการเติบโตทางธุรกิจ

9 พฤศจิกายน 2568

คู่มือซอฟต์แวร์ Business Intelligence ฉบับสมบูรณ์สำหรับ SMB

SMEs อิตาลี 60% ยอมรับว่ายังมีช่องว่างสำคัญในการฝึกอบรมด้านข้อมูล ขณะที่ 29% ไม่มีแม้แต่ตัวเลขเฉพาะเจาะจง ขณะที่ตลาด BI ของอิตาลีกำลังเติบโตอย่างรวดเร็วจาก 36.79 พันล้านดอลลาร์สหรัฐ เป็น 69.45 พันล้านดอลลาร์สหรัฐ ภายในปี 2034 (อัตราการเติบโตเฉลี่ยต่อปีอยู่ที่ 8.56%) ปัญหาไม่ได้อยู่ที่เทคโนโลยี แต่อยู่ที่วิธีการ SMEs กำลังจมอยู่กับข้อมูลที่กระจัดกระจายอยู่ใน CRM, ERP และสเปรดชีต Excel โดยไม่ได้นำข้อมูลเหล่านั้นมาประกอบการตัดสินใจ ซึ่งใช้ได้กับทั้งผู้ที่เริ่มต้นตั้งแต่ต้นและผู้ที่กำลังมองหาการปรับปรุงประสิทธิภาพ เกณฑ์การคัดเลือกที่สำคัญ ได้แก่ ความสามารถในการใช้งานแบบลากและวางโดยไม่ต้องฝึกอบรมหลายเดือน ความสามารถในการปรับขนาดที่เติบโตไปพร้อมกับคุณ การผสานรวมกับระบบเดิมที่มีอยู่ ต้นทุนการเป็นเจ้าของ (TCO) ที่สมบูรณ์ (การติดตั้ง + การฝึกอบรม + การบำรุงรักษา) เทียบกับราคาใบอนุญาตเพียงอย่างเดียว แผนงานสี่ระยะประกอบด้วยวัตถุประสงค์ SMART ที่วัดผลได้ (ลดอัตราการยกเลิกบริการลง 15% ภายใน 6 เดือน) การจัดทำแผนผังแหล่งข้อมูลที่สะอาด (ข้อมูลขยะเข้า = ข้อมูลขยะออก) การฝึกอบรมทีมเกี่ยวกับวัฒนธรรมข้อมูล และโครงการนำร่องที่มีวงจรป้อนกลับอย่างต่อเนื่อง AI เปลี่ยนแปลงทุกสิ่งทุกอย่าง ตั้งแต่ BI เชิงบรรยาย (สิ่งที่เกิดขึ้น) ไปจนถึงการวิเคราะห์เสริมที่เปิดเผยรูปแบบที่ซ่อนอยู่ การวิเคราะห์เชิงทำนายที่ประเมินความต้องการในอนาคต และการวิเคราะห์เชิงกำหนดที่แนะนำการดำเนินการที่เป็นรูปธรรม Electe กระจายอำนาจนี้ให้กับ SMEs

9 พฤศจิกายน 2568

ระบบระบายความร้อน AI ของ Google DeepMind: ปัญญาประดิษฐ์ปฏิวัติประสิทธิภาพการใช้พลังงานของศูนย์ข้อมูลอย่างไร

Google DeepMind ประหยัดพลังงานระบบทำความเย็นในศูนย์ข้อมูลได้ -40% (แต่ใช้พลังงานรวมเพียง -4% เนื่องจากระบบทำความเย็นคิดเป็น 10% ของพลังงานรวมทั้งหมด) โดยมีความแม่นยำ 99.6% และความผิดพลาด 0.4% บน PUE 1.1 โดยใช้การเรียนรู้เชิงลึก 5 ชั้น โหนด 50 โหนด ตัวแปรอินพุต 19 ตัว จากตัวอย่างการฝึกอบรม 184,435 ตัวอย่าง (ข้อมูล 2 ปี) ได้รับการยืนยันใน 3 สถานที่: สิงคโปร์ (ใช้งานครั้งแรกในปี 2016), Eemshaven, Council Bluffs (ลงทุน 5 พันล้านดอลลาร์) ค่า PUE ทั่วทั้งกลุ่มผลิตภัณฑ์ของ Google อยู่ที่ 1.09 เทียบกับค่าเฉลี่ยของอุตสาหกรรมที่ 1.56-1.58 ระบบควบคุมเชิงคาดการณ์ (Model Predictive Control) คาดการณ์อุณหภูมิ/แรงดันในชั่วโมงถัดไป พร้อมกับจัดการภาระงานด้านไอที สภาพอากาศ และสถานะของอุปกรณ์ไปพร้อมๆ กัน ความปลอดภัยที่รับประกัน: การตรวจสอบสองระดับ ผู้ปฏิบัติงานสามารถปิดใช้งาน AI ได้ตลอดเวลา ข้อจำกัดสำคัญ: ไม่มีการตรวจสอบอิสระจากบริษัทตรวจสอบบัญชี/ห้องปฏิบัติการระดับชาติ แต่ละศูนย์ข้อมูลต้องใช้แบบจำลองที่กำหนดเอง (8 ปี ไม่เคยนำไปใช้ในเชิงพาณิชย์) ระยะเวลาดำเนินการ: 6-18 เดือน ต้องใช้ทีมสหสาขาวิชาชีพ (วิทยาศาสตร์ข้อมูล, ระบบปรับอากาศ (HVAC), การจัดการสิ่งอำนวยความสะดวก) ครอบคลุมพื้นที่นอกเหนือจากศูนย์ข้อมูล: โรงงานอุตสาหกรรม โรงพยาบาล ศูนย์การค้า และสำนักงานต่างๆ ปี 2024-2025: Google เปลี่ยนไปใช้ระบบระบายความร้อนด้วยของเหลวโดยตรงสำหรับ TPU v5p ซึ่งบ่งชี้ถึงข้อจำกัดในทางปฏิบัติของการเพิ่มประสิทธิภาพ AI

9 พฤศจิกายน 2568

แซม อัลท์แมน และ AI Paradox: "ฟองสบู่เพื่อคนอื่น ล้านล้านเพื่อเรา"

"เราอยู่ในฟองสบู่ AI รึเปล่า? ใช่!" — แซม อัลท์แมน ประกาศการลงทุนมูลค่าล้านล้านดอลลาร์ใน OpenAI เขาพูดคำว่า "ฟองสบู่" ซ้ำสามครั้งภายใน 15 วินาที โดยรู้ดีว่ามันจะเป็นอย่างไร แต่จุดพลิกผันคือ เบซอสแยกแยะระหว่างฟองสบู่อุตสาหกรรม (ทิ้งโครงสร้างพื้นฐานที่ยั่งยืน) และฟองสบู่การเงิน (การล่มสลายไร้ค่า) ปัจจุบัน OpenAI มีมูลค่า 5 แสนล้านดอลลาร์สหรัฐ และมีผู้ใช้งาน 800 ล้านคนต่อสัปดาห์ กลยุทธ์ที่แท้จริงคืออะไร? ลดกระแสโฆษณาลงเพื่อหลีกเลี่ยงกฎระเบียบ เสริมสร้างความเป็นผู้นำ ผู้ที่มีพื้นฐานที่มั่นคงจะประสบความสำเร็จ

9 พฤศจิกายน 2568

ทำไมคณิตศาสตร์ถึงยาก (แม้ว่าคุณจะเป็น AI ก็ตาม)

แบบจำลองภาษาไม่สามารถคูณได้ พวกมันจดจำผลลัพธ์ได้เหมือนกับที่เราจดจำค่าพาย แต่ไม่ได้หมายความว่าพวกมันมีความสามารถทางคณิตศาสตร์ ปัญหาอยู่ที่โครงสร้าง พวกมันเรียนรู้ผ่านความคล้ายคลึงทางสถิติ ไม่ใช่ความเข้าใจเชิงอัลกอริทึม แม้แต่ "แบบจำลองการใช้เหตุผล" ใหม่ๆ อย่าง o1 ก็ยังล้มเหลวในงานเล็กๆ น้อยๆ เช่น มันสามารถนับตัว 'r' ในคำว่า "strawberry" ได้อย่างถูกต้องหลังจากประมวลผลเพียงไม่กี่วินาที แต่ล้มเหลวเมื่อต้องเขียนย่อหน้าโดยที่ตัวอักษรตัวที่สองของแต่ละประโยคสะกดเป็นคำ เวอร์ชันพรีเมียมราคา 200 ดอลลาร์ต่อเดือนใช้เวลาสี่นาทีในการแก้ปัญหาสิ่งที่เด็กสามารถทำได้ทันที DeepSeek และ Mistral ยังคงนับตัวอักษรไม่ถูกต้องในปี 2025 วิธีแก้ปัญหาที่กำลังเกิดขึ้น? วิธีการแบบผสมผสาน แบบจำลองที่ชาญฉลาดที่สุดได้ค้นพบว่าเมื่อใดจึงควรเรียกใช้เครื่องคิดเลขจริง แทนที่จะพยายามคำนวณเอง การเปลี่ยนแปลงกระบวนทัศน์: AI ไม่จำเป็นต้องรู้วิธีทำทุกอย่าง แต่สามารถจัดสรรเครื่องมือที่เหมาะสมได้ พาราด็อกซ์สุดท้าย: GPT-4 สามารถอธิบายทฤษฎีลิมิตได้อย่างยอดเยี่ยม แต่กลับไม่สามารถแก้โจทย์การคูณที่เครื่องคิดเลขพกพามักจะแก้ได้อย่างถูกต้อง GPT-4 เหมาะอย่างยิ่งสำหรับการศึกษาคณิตศาสตร์ เพราะสามารถอธิบายด้วยความอดทนอย่างไม่มีที่สิ้นสุด ดัดแปลงตัวอย่าง และวิเคราะห์เหตุผลที่ซับซ้อนได้ หากต้องการการคำนวณที่แม่นยำ เชื่อเครื่องคิดเลขเถอะ ไม่ใช่ปัญญาประดิษฐ์