Generative AI คือ
Generative AI คือระบบปัญญาประดิษฐ์ที่เรียนรู้จากข้อมูลจำนวนมากแล้วสร้างผลงานใหม่ที่ไม่ซ้ำต้นฉบับแต่สอดคล้องกับรูปแบบและบริบทของข้อมูลนั้น อธิบายแบบให้เข้าใจง่ายขึ้นคือ Generative AI นั้นเรียนรู้โดยการเปรียบเทียบจากตัวอย่างจำนวนเยอะมาก ๆ จนสามารถจับทางได้ จากนั้นเมื่อเราบอกโจทย์ ระบบ Generative AI ก็จะผสมความรู้ที่มีเพื่อผลิตสิ่งใหม่ออกมานั่นเอง
หลักการทำงานของ Generative AI
Generative AI มีหลักการทำงานด้วยกลไกหลักที่อาศัย Deep Learning ร่วมกับการใช้โมเดลเฉพาะงาน เช่น โมเดลภาษาแบบ Large Language Mode หรือ LLM สำหรับข้อความ หรือโมเดลสเตเบิลดิฟฟิวชัน (Stable Diffusion)สำหรับทำภาพ เป็นต้น
กระบวนการทำงานของ Generative AI นั้นเริ่มจากการฝึกโมเดลด้วยข้อมูลขนาดใหญ่มากๆ เพื่อให้เข้าใจรูปแบบภาษา ภาพ หรือเสียง ต่อด้วยการปรับจูนให้เข้ากับงานเฉพาะทาง ทำให้ทุกครั้งเวลาผู้ใช้พิมพ์พรอมป์(Prompt) ระบบ Generative AI จะคาดเดาองค์ประกอบถัดไปทีละหน่วย เช่น คำถัดไปในประโยค พิกเซลถัดไปในภาพ หรือโน้ตถัดไปในทำนอง จนได้ผลลัพธ์ที่ต่อเนื่องเป็นชิ้นงานเดียวกัน
Generative AI แตกต่างกับ AI ทั่วไปอย่างไร?
สิ่งสำคัญที่ทำให้ Generative AI แตกต่างจาก AI ทั่ว ๆ ไป คือมันไม่ได้ไปคัดลอกมาตรงๆแต่สังเคราะห์ใหม่จากรูปแบบที่เรียนรู้ไว้ จึงยืดหยุ่นกว่างานที่มาจาก LLM อัตโนมัติแบบเก่ามาก นั่นทำให้ Generative AI มักถูกใช้ในงานที่ต้องการได้ผลลัพธ์ที่รวดเร็ว อย่างการสรุปเอกสารยาวให้สั้นและครบใจความ การเขียนอีเมลภาษาสุภาพแตกต่างหลายเวอร์ชัน ใช้สร้างภาพสตอรีบอร์ดจากคำบรรยาย แปลงไอเดียเป็นสคริปต์วิดีโอสั้น หรือไปจนถึงการใช้ Generative AI เพื่อช่วยนักพัฒนาเขียนโปรแกรม รวมทั้งอธิบายโค้ด ทั้งหมดนี้ทำได้เร็วเพราะโมเดลแบบ Generative มีความเข้าใจบริบทรอบด้านของโจทย์พร้อมทั้งสร้างคำตอบใหม่ให้ได้ในทันที
10 ตัวอย่างการใช้ GEN AI เพื่อช่วยทำงาน
ต่อไปนี้เป็น 10 ตัวอย่างการใช้ Generative AI ที่ถูกนำไปใช้จริงในหลายธุรกิจระดับโลก เพื่อให้คุณเห็นภาพกันได้ชัดขึ้นว่าเราสามารถประยุกต์ใช้เทคโนโลยี Generative AI ช่วยทำงานได้อย่างไร ตามแต่ละสายงานที่แตกต่างกัน ดังนี้
1) สายงานการตลาดและคอนเทนต์
GEN AI สามารถใช้เร่งเพื่อการผลิตคอนเทนต์หลายรูปแบบที่ยังยึด Mood and Tone ของแบรนด์ แล้ววน A/B test ได้อย่างรวดเร็วมากขึ้น จากข้อความสู่ภาพและวิดีโอ ทีมการตลาดจึงทำงานได้มากขึ้นโดยคนเท่าเดิม ตัวอย่างคือ Heinz ใช้โมเดลสร้างภาพระดับโปรดักชันอย่าง DALL·E ทำภาพแคมเปญขวดซอสมะเขือเทศหลายเวอร์ชันให้เข้ากับแต่ละช่องทาง ก่อนคัดรุ่นที่เกิด Conversion ที่มากที่สุดเพื่อใช้งานต่อเนื่องตลอดทั้งแคมเปญ
2) สายงานบริการลูกค้าและคอนแทคเซ็นเตอร์(CRM)
Generative AI ที่ผสมผสานระหว่าง LLM กับฐานความรู้เพื่อร่างคำตอบ สามารถสรุป Ticket และแนะนำบทความช่วยเหลือลูกค้าได้แบบอัตโนมัติ นั่นทำให้ลูกค้าได้คำตอบเร็วขึ้นและสอดคล้องคู่มือแบรนด์(Brand Guideline)ได้ดียิ่งขึ้น โดย Oracle Fusion Cloud CX ได้ใช้โมเดลอ้างอิงข้อมูลลูกค้าภายในเพื่อช่วยเอเจนต์ ส่วน Tidio และ Zoho Desk รวมแชทบอทกับไลฟ์แชทไว้ในแพลตฟอร์มเดียว ขณะเดียวกันทีม Vimeo ทำโปรโตไทป์เฮลป์เดสก์ที่ต่อเวกเตอร์สโตร์เอกสาร แล้วให้ LLM สรุปคำตอบสุดท้ายคืนผู้ใช้ เป็นต้น
3) การเขียนโค้ดและเพิ่มประสิทธิภาพทีม Dev
ใช้ GEN AI เพื่อทำหน้าที่เป็นผู้ช่วยโค้ดสร้างสคริปต์รีแฟกเตอร์เขียนเทสต์และอธิบายโค้ดจากพรอมป์ โดย Generative AI สามารถช่วยลดรอบดีพลอยและบั๊ก โดยสั่งการเครื่องมืออย่าง GitHub Copilot และ Amazon CodeWhisperer ที่แทรกอยู่ใน IDE เพื่อเสนอชิ้นส่วนโค้ดที่เหมาะสมมากขึ้นในทันทีที่ Coding อยู่ รวมถึงช่วยสร้างเอกสารประกอบและแปลงภาษาโปรแกรมที่ล้าสมัยให้เป็นสมัยใหม่ได้เพียงไม่กี่คลิก
4) ใช้วิเคราะห์ข้อมูลและสรุปอินไซต์ข้อมูลความรู้
GEN AI สามารถช่วยอ่านข้อมูลที่ไม่ค่อยเป็นโครงสร้างให้สามารถปะติดปะต่อกันเป็นบริบทแล้วสรุปเป็นคำตอบใช้งานได้ทันที โดยองค์กรการเงินอย่าง Morgan Stanley เปิดตัวผู้ช่วยภายในบริษัทที่ทำขึ้นจาก Generative AI ที่คอยเป็นแชทบอทให้คำปรึกษาถามคำถามจากฐานความรู้ภายในบริษัทเอง ทั้งทำรายงานวิจัย รายงานกระบวนการภายในแผนก และแนะแนวทางการตลาด ซึ่ง GEN AI ช่วยลดเวลาไล่อ่านเอกสารหลายพันหน้าให้เหลือคำตอบสั้น ๆ ที่กระชับและตรงประเด็นที่ผู้ใช้ต้องการใช้งานมากที่สุด
5) การสร้างข้อมูลสังเคราะห์เพื่อเทรนระบบ
ปัจจุบัน GEN AI สามารถสร้างชุดข้อมูลสังเคราะห์ที่เลียนแบบโลกจริงเพื่อเทรนและทดสอบโดยไม่แตะข้อมูลที่อาจมีความเสี่ยงในการเข้าถึง (sensitive data) ได้แล้ว ใช้จำลองกรณีหายาก เพิ่มความหลากหลายของข้อมูล และเร่งรอบพัฒนาโมเดล เหมาะกับทีมเดต้าและทดสอบผลิตภัณฑ์ที่ต้องการลดความเสี่ยงด้านความเป็นส่วนตัวแต่ยังรักษาคุณภาพผลลัพธ์ เช่น Mastercard ใช้ข้อมูลสังเคราะห์เพื่อทดสอบระบบตรวจจับการทุจริตในธุรกรรมการเงิน โดยจำลองรูปแบบการใช้บัตรหลายล้านรูปแบบให้ใกล้เคียงกับพฤติกรรมผู้ใช้จริง ช่วยให้ระบบสามารถเรียนรู้รูปแบบผิดปกติได้แม่นยำขึ้นโดยไม่ต้องใช้ข้อมูลลูกค้าจริง ลดทั้งความเสี่ยงด้านข้อมูลและเวลาในการเทรนโมเดล
6) การออกแบบผลิตภัณฑ์และการผลิต
พนักงานพัฒนาโปรดักซ์มีหนาว เพราะ GEN AI ในตอนนี้สามารถทำเจเนอเรทีฟดีไซน์และการพิมพ์ 3 มิติได้แล้วโดยการสร้างตัวเลือกแบบจำนวนมาก คัดแบบที่เบา แข็งแรง ใช้วัสดุน้อย และผลิตง่าย ทำให้ภาคยานยนต์อย่าง Volkswagen สามารถผนวกแพลตฟอร์ม Generative AI เข้ากับคลาวด์เพื่อใช้ในงานกระบวนการออกแบบชิ้นส่วน นั่นทำให้ทุก ๆ ชิ้นงานมีน้ำหนักที่เบาลง ต้นทุนผลิตลดลง และใช้กระบวนการพัฒนารถยนต์ให้สั้นลง เป็นต้น
7) เฮลท์แคร์และการค้นพบยารักษา
สำหรับสายงานสุขภาพ GEN AI ในตอนนี้สามารถคิดค้นโมเลกุลใหม่ทำนายคุณสมบัติสารและช่วยคัดกรององค์ประกอบต่างๆก่อนเข้าทดลองจริงลดเวลาค้นคว้าจากปีเป็นเดือน เพราะที่ Insilico Medicine ใช้ชุดแพลตฟอร์ม Pharma.AI อย่าง PandaOmics และ Chemistry42 ซึ่งเป็น Generative AI ในการเร่งการค้นพบยารักษากลุ่มโรคพังผืด พร้อมเดินหน้า R&D ทั้งสายงานเพื่อลดข้อผิดพลาดและประหยัดต้นทุนในระยะยาว
8) การเงินการปฏิบัติตามกฎและการรายงาน
การใช้ GEN AI ในการสรุปเอกสารหนาๆที่คนจริงต้องใช้เวลาอ่านเป็นเดือนพร้อมทั้งวิเคราะห์ความเสี่ยงและจัดทำร่างรายงานในฟอร์แมตที่องค์กรใช้แบบอัตโนมัติ ด้วยการใช้ Generative AI ที่สถาบันการเงินชื่อดังอย่าง Goldman Sachs ได้ปล่อยผู้ช่วยที่ใช้กันภายในบริษัท GS AI assistant ให้เหล่าวาณิชธนกิจและเทรดเดอร์ใช้ตรวจไวยากรณ์ สรุปอีเมล เอกสาร และแปลโค้ดหลายภาษา ลดงานจิปาถะเพื่อให้สามารถโฟกัสงานตัดสินใจได้อย่างเต็มประสิทธิภาพ
9) อสังหาริมทรัพย์และสื่อประกอบการขาย
ในธุรกิจอสังหาริมทรัพย์ GEN AI เข้ามาช่วยสร้างสื่อการขายแบบครบวงจร ตั้งแต่การเขียนคำบรรยายประกาศขายบ้านที่อ่านแล้วดึงดูด ไปจนถึงการสร้างภาพเสมือนจริงของพื้นที่ภายในผ่านเทคโนโลยี Virtual Staging AI ทำให้ผู้สนใจสามารถมองเห็นศักยภาพของบ้านหรือคอนโดได้อย่างชัดเจนก่อนเข้าชมจริง ตัวอย่างเช่น Zillow ได้นำเทคโนโลยีนี้มาผนวกเข้ากับฟีเจอร์ Zillow Showcase เพื่อมอบประสบการณ์การชมบ้านแบบโต้ตอบกับผู้ใช้ได้(Interactive) เพื่อช่วยเร่งกระบวนการตัดสินใจของผู้ซื้อได้อย่างมีประสิทธิภาพมากยิ่งขึ้น
10) ใช้บริหารซัพพลายเชน
GEN AI สามารถจำลองสถานการณ์ดีมานด์และสร้างแผนจัดซื้อ กระจายสินค้าที่พร้อมปรับตัวตามเหตุไม่คาดคิดได้แบบเรียลไทม์ โดยช่วยวิเคราะห์ข้อมูลจากหลายแหล่งและคาดการณ์ล่วงหน้าอย่างแม่นยำ เช่น Unilever ที่ใช้ AI วิเคราะห์สภาพอากาศควบคู่กับข้อมูลจากสมาร์ตฟรีซเซอร์กว่า 100,000 เครื่องทั่วโลก เพื่อนำไปคาดการณ์ยอดขายไอศกรีม และลดความสูญเสียของวัตถุดิบสำคัญอย่างวานิลลาและโกโก้ ผลลัพธ์คือการวางแผนสต็อกและเส้นทางกระจายสินค้าที่แม่นขึ้น ลดของเสีย และเพิ่มความคล่องตัวในการจัดการซัพพลายเชนทั้งระบบ เป็นต้น
ข้อดีและข้อเสียของ Generative AI
| ข้อดี | ข้อเสีย |
|---|---|
| เพิ่มประสิทธิภาพและประหยัดเวลา | มีโอกาสให้ข้อมูลผิดพลาด (Hallucination) |
| ยืดหยุ่นและปรับใช้ได้หลายงาน | อคติจากข้อมูลฝึก (Bias) |
| ช่วยเพิ่มความคิดสร้างสรรค์ | ปัญหาลิขสิทธิ์และทรัพย์สินทางปัญญา |
| ทำงานได้ตลอด 24 ชั่วโมง | ขาดความเข้าใจเชิงลึกแบบมนุษย์ |
| ช่วยลดต้นทุนแรงงานในบางงาน | ความเป็นส่วนตัวและความปลอดภัยของข้อมูล |
| รองรับการทำงานแบบ Personalized | ต้นทุนโครงสร้างพื้นฐานสูง |
