ບໍລິສັດ AI ແມ່ນຫຍັງ? [ວິດີໂອ ແລະ ແບບສອບຖາມ]

ຄຳຕອບສັ້ນໆ: ບໍລິສັດ AI ແມ່ນບໍລິສັດທີ່ມີຜະລິດຕະພັນຫຼັກ, ມູນຄ່າ, ຫຼື ຄວາມໄດ້ປຽບໃນການແຂ່ງຂັນທີ່ອີງໃສ່ AI - ຖ້າເອົາ AI ອອກ, ການສະເໜີຂາຍຈະລົ້ມລະລາຍ ຫຼື ຮ້າຍແຮງຂຶ້ນຢ່າງຫຼວງຫຼາຍ. ຖ້າ AI ລົ້ມເຫຼວໃນມື້ອື່ນ ແລະ ທ່ານຍັງສາມາດສົ່ງມອບດ້ວຍສະເປຣດຊີດ ຫຼື ຊອບແວພື້ນຖານ, ທ່ານອາດຈະໃຊ້ AI, ບໍ່ແມ່ນ AI ພື້ນເມືອງ. ບໍລິສັດ AI ທີ່ແທ້ຈິງມີຄວາມແຕກຕ່າງລະຫວ່າງຂໍ້ມູນ, ການປະເມີນຜົນ, ການນຳໃຊ້, ແລະ ວົງຈອນການຊ້ຳຊ້ອນທີ່ແໜ້ນໜາ.

ບົດຮຽນຫຼັກ:

ການເພິ່ງພາອາໄສຫຼັກ: ຖ້າການລຶບ AI ອອກເຮັດໃຫ້ຜະລິດຕະພັນເສຍຫາຍ, ທ່ານກໍາລັງເບິ່ງບໍລິສັດ AI.

ການທົດສອບງ່າຍໆ: ຖ້າທ່ານສາມາດຍ່າງກະໂດດໄດ້ໂດຍບໍ່ມີ AI, ທ່ານອາດຈະມີ AI ໃຊ້ງານຢູ່.

ສັນຍານການດຳເນີນງານ: ທີມງານທີ່ສົນທະນາກ່ຽວກັບການປ່ຽນແປງ, ຊຸດການປະເມີນຜົນ, ຄວາມໜ່ວງຊ້າ, ແລະ ຮູບແບບຄວາມລົ້ມເຫຼວມັກຈະເຮັດວຽກໜັກ.

ຄວາມຕ້ານທານການໃຊ້ໃນທາງທີ່ຜິດ: ສ້າງແນວປ້ອງກັນ, ການຕິດຕາມກວດກາ ແລະ ແຜນການຍ້ອນກັບສຳລັບເວລາທີ່ຮູບແບບລົ້ມເຫຼວ.

ການກວດສອບຢ່າງລະອຽດຂອງຜູ້ຊື້: ຫຼີກລ່ຽງການລ້າງດ້ວຍ AI ໂດຍກົນໄກ, ຕົວຊີ້ວັດ ແລະ ການຄຸ້ມຄອງຂໍ້ມູນທີ່ຊັດເຈນ.

“ບໍລິສັດ AI” ຖືກໂຍນໄປມາຢ່າງອິດສະຫຼະຈົນມີຄວາມສ່ຽງທີ່ຈະໝາຍຄວາມທຸກຢ່າງ ແລະ ບໍ່ມີຫຍັງເລີຍໃນເວລາດຽວກັນ. ບໍລິສັດ startup ແຫ່ງໜຶ່ງອ້າງເອົາສະຖານະພາບ AI ເພາະມັນໄດ້ເພີ່ມກ່ອງເຕີມເຕັມອັດຕະໂນມັດ. ບໍລິສັດອີກແຫ່ງໜຶ່ງຝຶກອົບຮົມຮູບແບບ, ສ້າງເຄື່ອງມື, ສົ່ງຜະລິດຕະພັນ, ແລະ ນຳໃຊ້ໃນສະພາບແວດລ້ອມການຜະລິດ... ແລະ ຍັງຖືກລວມເຂົ້າກັນໃນຖັງດຽວກັນ.

ສະນັ້ນ, ປ້າຍຊື່ຈຶ່ງຕ້ອງການຂອບທີ່ຄົມຊັດກວ່າ. ຄວາມແຕກຕ່າງລະຫວ່າງທຸລະກິດທີ່ອີງໃສ່ AI ແລະ ທຸລະກິດມາດຕະຖານທີ່ມີການຮຽນຮູ້ຂອງເຄື່ອງຈັກໜ້ອຍໜຶ່ງຈະປາກົດຂຶ້ນຢ່າງໄວວາເມື່ອທ່ານຮູ້ວ່າຄວນຊອກຫາຫຍັງ.

ບົດຄວາມທີ່ທ່ານອາດຈະຢາກອ່ານຫຼັງຈາກບົດຄວາມນີ້:

🔗 ວິທີການເຮັດວຽກຂອງ AI upscaling
ຮຽນຮູ້ວິທີທີ່ຮູບແບບເພີ່ມລາຍລະອຽດເພື່ອຂະຫຍາຍຮູບພາບຢ່າງສະອາດ.

🔗 ລະຫັດ AI ມີລັກສະນະແນວໃດ
ເບິ່ງຕົວຢ່າງຂອງລະຫັດທີ່ສ້າງຂຶ້ນ ແລະ ໂຄງສ້າງຂອງມັນ.

🔗 ອັລກໍຣິທຶມ AI ແມ່ນຫຍັງ
ເຂົ້າໃຈອັລກໍຣິທຶມທີ່ຊ່ວຍໃຫ້ AI ຮຽນຮູ້, ຄາດຄະເນ ແລະ ເພີ່ມປະສິດທິພາບ.

🔗 ການປະມວນຜົນລ່ວງໜ້າຂອງ AI ແມ່ນຫຍັງ?
ຄົ້ນພົບຂັ້ນຕອນຕ່າງໆທີ່ເຮັດຄວາມສະອາດ, ຕິດປ້າຍ ແລະ ຈັດຮູບແບບຂໍ້ມູນສຳລັບການຝຶກອົບຮົມ.

ບໍລິສັດ AI ແມ່ນຫຍັງ: ຄຳນິຍາມທີ່ສະອາດທີ່ຢືນຢັນໄດ້ ✅

ຄຳນິຍາມທາງປະຕິບັດ:

ບໍ ລິສັດ AI ແມ່ນທຸລະກິດທີ່ ຜະລິດຕະພັນຫຼັກ, ມູນຄ່າ, ຫຼື ຄວາມໄດ້ປຽບໃນການແຂ່ງຂັນແມ່ນຂຶ້ນກັບປັນຍາປະດິດ - ໝາຍຄວາມວ່າຖ້າທ່ານກຳຈັດ AI ອອກ, “ສິ່ງຂອງ” ຂອງບໍລິສັດຈະລົ້ມລະລາຍ ຫຼື ຮ້າຍແຮງຂຶ້ນຢ່າງຫຼວງຫຼາຍ. (OECD, NIST AI RMF)

ບໍ່ແມ່ນ “ພວກເຮົາໄດ້ໃຊ້ AI ຄັ້ງໜຶ່ງໃນງານ hackathon.” ບໍ່ແມ່ນ “ພວກເຮົາໄດ້ເພີ່ມ chatbot ໃສ່ໜ້າຕິດຕໍ່.” ຄ້າຍຄືກັບ:

• ຜະລິດຕະພັນ ແມ່ນ ລະບົບ AI (ຫຼື ຂັບເຄື່ອນໂດຍລະບົບດຽວແບບ end-to-end) (OECD)

• ຂໍ້ໄດ້ປຽບຂອງບໍລິສັດມາຈາກຮູບແບບ, ຂໍ້ມູນ, ການປະເມີນຜົນ ແລະ ການເຮັດຊ້ຳ (Google Cloud MLOps, NIST AI RMF Playbook - Measure)

• AI ບໍ່ແມ່ນຄຸນສົມບັດ - ມັນແມ່ນເຄື່ອງຈັກ 🧠⚙️

ນີ້ແມ່ນການກວດສອບລຳໄສ້ງ່າຍໆ:

ລອງນຶກພາບເບິ່ງວ່າ AI ຈະລົ້ມເຫຼວໃນມື້ອື່ນ. ຖ້າລູກຄ້າຍັງຈ່າຍເງິນໃຫ້ທ່ານຢູ່ ແລະ ທ່ານອາດຈະຕ້ອງໃຊ້ຕາຕະລາງ ຫຼື ຊອບແວພື້ນຖານຫຼາຍເກີນໄປ, ທ່ານອາດຈະໃຊ້ AI ໄດ້, ບໍ່ແມ່ນ AI ແບບດັ້ງເດີມ.

ແລະແມ່ນແລ້ວ, ມັນມີພື້ນທີ່ກາງທີ່ມົວໆ. ຄືກັບຮູບທີ່ຖ່າຍຜ່ານປ່ອງຢ້ຽມທີ່ມີໝອກ... ບໍ່ແມ່ນຄຳປຽບທຽບທີ່ດີ, ແຕ່ເຈົ້າເຂົ້າໃຈແລ້ວ 😄

ຄວາມແຕກຕ່າງຂອງ “ບໍລິສັດ AI” ທຽບກັບ “ບໍລິສັດທີ່ໃຊ້ AI” (ສ່ວນນີ້ຊ່ວຍປະຢັດການໂຕ້ຖຽງ) 🥊

ທຸລະກິດທີ່ທັນສະໄໝສ່ວນໃຫຍ່ໃຊ້ AI ບາງຮູບແບບ. ແຕ່ສິ່ງນັ້ນບໍ່ໄດ້ເຮັດໃຫ້ພວກເຂົາກາຍເປັນບໍລິສັດ AI. (OECD)

ໂດຍປົກກະຕິແລ້ວບໍລິສັດ AI:

• ຂາຍຄວາມສາມາດຂອງ AI ໂດຍກົງ (ຮູບແບບ, ຜູ້ຮ່ວມບິນ, ລະບົບອັດຕະໂນມັດອັດສະລິຍະ)

• ສ້າງລະບົບ AI ທີ່ເປັນເຈົ້າຂອງເປັນຜະລິດຕະພັນຫຼັກ

• ມີໜ້າທີ່ຫຼັກໃນການວິສະວະກຳ AI, ການປະເມີນຜົນ ແລະ ການນຳໃຊ້ (Google Cloud MLOps)

• ຮຽນຮູ້ຈາກຂໍ້ມູນຢ່າງຕໍ່ເນື່ອງ ແລະ ປັບປຸງປະສິດທິພາບເປັນຕົວຊີ້ວັດຫຼັກ 📈 (ເອກະສານຂາວຂອງ Google MLOps)

ໂດຍປົກກະຕິແລ້ວແມ່ນບໍລິສັດທີ່ໃຊ້ AI:

• ໃຊ້ AI ພາຍໃນເພື່ອຕັດຄ່າໃຊ້ຈ່າຍ, ເລັ່ງຂະບວນການເຮັດວຽກ, ຫຼືປັບປຸງການກຳນົດເປົ້າໝາຍ

• ຍັງຂາຍສິ່ງອື່ນອີກ (ສິນຄ້າຂາຍຍ່ອຍ, ການບໍລິການທະນາຄານ, ການຂົນສົ່ງ, ສື່ມວນຊົນ, ແລະອື່ນໆ)

• ສາມາດທົດແທນ AI ດ້ວຍຊອບແວແບບດັ້ງເດີມ ແລະ ຍັງຄົງ "ເປັນຕົວຂອງມັນເອງ"

ຕົວຢ່າງ (ໂດຍທົ່ວໄປແລ້ວມີຈຸດປະສົງ, ເພາະວ່າການໂຕ້ວາທີກ່ຽວກັບຍີ່ຫໍ້ແມ່ນວຽກອະດິເລກສຳລັບບາງຄົນ):

• ທະນາຄານທີ່ໃຊ້ AI ສຳລັບການກວດຈັບການສໍ້ໂກງ - ເປີດໃຊ້ AI

• ຜູ້ຂາຍຍ່ອຍທີ່ໃຊ້ AI ສຳລັບການຄາດຄະເນສິນຄ້າຄົງຄັງ - ເປີດໃຊ້ AI

• ບໍລິສັດທີ່ມີຜະລິດຕະພັນເປັນຕົວແທນສະໜັບສະໜູນລູກຄ້າ AI - ອາດຈະເປັນບໍລິສັດ AI

• ແພລດຟອມທີ່ຂາຍເຄື່ອງມືການຕິດຕາມກວດກາ, ການປະເມີນຜົນ ແລະ ການນຳໃຊ້ແບບຈຳລອງ - ບໍລິສັດ AI (ພື້ນຖານໂຄງລ່າງ) (Google Cloud MLOps)

ແມ່ນແລ້ວ... ໝໍແຂ້ວຂອງເຈົ້າອາດຈະໃຊ້ AI ເພື່ອກຳນົດເວລາເຕືອນ. ນັ້ນບໍ່ໄດ້ເຮັດໃຫ້ພວກເຂົາກາຍເປັນບໍລິສັດ AI 😬🦷

ສິ່ງທີ່ເຮັດໃຫ້ບໍລິສັດ AI ເປັນຮຸ່ນທີ່ດີ 🏗️

ບໍ່ແມ່ນບໍລິສັດ AI ທັງໝົດຈະຖືກສ້າງຂຶ້ນຄືກັນ, ແລະບາງບໍລິສັດ, ໃນຄວາມເປັນຈິງ, ສ່ວນໃຫຍ່ແມ່ນ vibes ແລະ venture capital. ລຸ້ນທີ່ດີ ມັກຈະມີລັກສະນະບາງຢ່າງທີ່ປາກົດຂຶ້ນຊ້ຳແລ້ວຊ້ຳອີກ:

• ການເປັນເຈົ້າຂອງບັນຫາຢ່າງຈະແຈ້ງ: ພວກເຂົາແກ້ໄຂບັນຫາສະເພາະ, ບໍ່ແມ່ນ "AI ສຳລັບທຸກຢ່າງ"

• ຜົນໄດ້ຮັບທີ່ວັດແທກໄດ້: ຄວາມຖືກຕ້ອງ, ປະຫຍັດເວລາ, ຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍ, ຄວາມຜິດພາດໜ້ອຍລົງ, ການປ່ຽນແປງສູງຂຶ້ນ - ເລືອກບາງສິ່ງບາງຢ່າງ ແລະ ຕິດຕາມມັນ (NIST AI RMF)

• ລະບຽບວິໄນຂໍ້ມູນ: ຄຸນນະພາບຂໍ້ມູນ, ການອະນຸຍາດ, ການຄຸ້ມຄອງ, ແລະວົງຈອນຄຳຕິຊົມບໍ່ແມ່ນທາງເລືອກ (NIST AI RMF)

• ວັດທະນະທຳການປະເມີນຜົນ: ພວກເຂົາທົດສອບຮູບແບບຄືກັບຜູ້ໃຫຍ່ - ດ້ວຍມາດຕະຖານ, ກໍລະນີຂອບ, ແລະ ການຕິດຕາມກວດກາ 🔍 (Google Cloud MLOps, Datadog)

• ຄວາມເປັນຈິງຂອງການນຳໃຊ້: ລະບົບເຮັດວຽກໃນສະພາບປະຈຳວັນທີ່ບໍ່ເປັນລະບຽບ, ບໍ່ພຽງແຕ່ໃນການສາທິດເທົ່ານັ້ນ

• ຂອບທີ່ສາມາດປ້ອງກັນໄດ້: ຂໍ້ມູນໂດເມນ, ການແຈກຢາຍ, ການເຊື່ອມໂຍງຂັ້ນຕອນການເຮັດວຽກ, ຫຼືເຄື່ອງມືທີ່ເປັນເຈົ້າຂອງ (ບໍ່ພຽງແຕ່ "ພວກເຮົາເອີ້ນວ່າ API")

ສັນຍານທີ່ບອກເຖິງຄວາມແປກໃຈ:

• ຖ້າທີມງານເວົ້າກ່ຽວກັບ ຄວາມໜ່ວງເວລາ, ການເລື່ອນໄປມາ, ຊຸດປະເມີນຜົນ, ການຫຼອນ, ແລະ ຮູບແບບຄວາມລົ້ມເຫຼວ, ພວກເຂົາອາດຈະເຮັດວຽກງານ AI ແທ້ໆ. (IBM - Model drift, OpenAI - ການຫຼອນ, Google Cloud MLOps)

• ຖ້າພວກເຂົາສ່ວນຫຼາຍເວົ້າກ່ຽວກັບ "ການປະຕິວັດການຮ່ວມມືກັນດ້ວຍຄວາມຮູ້ສຶກທີ່ສະຫຼາດ", ດີ ... ເຈົ້າຮູ້ດີວ່າມັນເປັນແນວໃດ 😅

ຕາຕະລາງປຽບທຽບ: “ປະເພດ” ບໍລິສັດ AI ທົ່ວໄປ ແລະ ສິ່ງທີ່ເຂົາເຈົ້າຂາຍ 📊🤝

ຂ້າງລຸ່ມນີ້ແມ່ນຕາຕະລາງປຽບທຽບທີ່ວ່ອງໄວ ແລະ ບໍ່ສົມບູນແບບເລັກນ້ອຍ (ຄືກັບທຸລະກິດປະຈຳວັນ). ລາຄາແມ່ນ "ຮູບແບບການກຳນົດລາຄາທົ່ວໄປ", ບໍ່ແມ່ນຕົວເລກທີ່ແນ່ນອນ, ເພາະມັນແຕກຕ່າງກັນຫຼາຍ.

ສັງເກດບາງຢ່າງ. “ບໍລິສັດ AI” ສາມາດໝາຍເຖິງທຸລະກິດທີ່ແຕກຕ່າງກັນຫຼາຍ. ບາງບໍລິສັດຂາຍແບບຈຳລອງ. ບາງບໍລິສັດຂາຍຊ້ວນສຳລັບຜູ້ສ້າງແບບຈຳລອງ. ບາງບໍລິສັດຂາຍຜະລິດຕະພັນສຳເລັດຮູບ. ປ້າຍຊື່ດຽວກັນ, ຄວາມເປັນຈິງທີ່ແຕກຕ່າງກັນໂດຍສິ້ນເຊີງ.

ຮູບແບບຫຼັກຂອງບໍລິສັດ AI (ແລະສິ່ງທີ່ພວກເຂົາເຮັດຜິດພາດ) 🧩

ເຂົ້າໄປເລິກໆກັນເທາະ, ເພາະວ່ານີ້ແມ່ນບ່ອນທີ່ຄົນເຮົາມັກຈະສະດຸດລົ້ມ.

1) ບໍລິສັດທີ່ເນັ້ນຕົວແບບເປັນອັນດັບໜຶ່ງ 🧠

ສິ່ງເຫຼົ່ານີ້ສ້າງ ຫຼື ປັບແຕ່ງຮູບແບບຕ່າງໆ. ຈຸດແຂງຂອງພວກມັນມັກຈະແມ່ນ:

• ພອນສະຫວັນດ້ານການຄົ້ນຄວ້າ

• ການເພີ່ມປະສິດທິພາບການຄິດໄລ່

• ການປະເມີນຜົນ ແລະ ການວົນຊ້ຳໆ

• ໂຄງສ້າງພື້ນຖານການໃຫ້ບໍລິການທີ່ມີປະສິດທິພາບສູງ (ເອກະສານຂາວຂອງ Google MLOps)

ຂໍ້ບົກຜ່ອງທົ່ວໄປ:

• ພວກເຂົາສົມມຸດວ່າ “ຮູບແບບທີ່ດີກວ່າ” ອັດຕະໂນມັດເທົ່າກັບ “ຜະລິດຕະພັນທີ່ດີກວ່າ”.
  ມັນບໍ່ແມ່ນ. ຜູ້ໃຊ້ບໍ່ໄດ້ຊື້ຮູບແບບ, ແຕ່ພວກເຂົາຊື້ຜົນໄດ້ຮັບ.

2) ບໍລິສັດ AI ທີ່ເນັ້ນໃສ່ຜະລິດຕະພັນກ່ອນ 🧰

ສິ່ງເຫຼົ່ານີ້ຝັງ AI ພາຍໃນຂະບວນການເຮັດວຽກ. ພວກມັນຊະນະຜ່ານ:

• ການແຈກຢາຍ

• UX ແລະການເຊື່ອມໂຍງ

• ວົງວຽນຄຳຕິຊົມທີ່ເຂັ້ມແຂງ

• ຄວາມໜ້າເຊື່ອຖືຫຼາຍກວ່າຄວາມສະຫຼາດດິບ

ຂໍ້ບົກຜ່ອງທົ່ວໄປ:

• ພວກເຂົາປະເມີນພຶດຕິກຳຂອງຕົວແບບຕໍ່າເກີນໄປ. ຜູ້ໃຊ້ຕົວຈິງຈະທຳລາຍລະບົບຂອງເຈົ້າດ້ວຍວິທີການໃໝ່ໆ ແລະ ສ້າງສັນ. ທຸກໆມື້.

3) ບໍລິສັດ AI ພື້ນຖານໂຄງລ່າງ ⚙️

ຄິດເຖິງການຕິດຕາມກວດກາ, ການນຳໃຊ້, ການຄຸ້ມຄອງ, ການປະເມີນຜົນ, ການປະສານງານ. ພວກເຂົາຊະນະຜ່ານ:

• ການຫຼຸດຜ່ອນອາການເຈັບປວດໃນການປະຕິບັດງານ

• ການຄຸ້ມຄອງຄວາມສ່ຽງ

• ການເຮັດໃຫ້ AI ສາມາດເຮັດຊ້ຳໄດ້ ແລະ ປອດໄພ (NIST AI RMF, Google Cloud MLOps)

ຂໍ້ບົກຜ່ອງທົ່ວໄປ:

• ພວກເຂົາສ້າງສຳລັບທີມງານທີ່ກ້າວໜ້າ ແລະ ບໍ່ສົນໃຈຄົນອື່ນ, ຈາກນັ້ນສົງໄສວ່າເປັນຫຍັງການຮັບຮອງເອົາຈຶ່ງຊ້າ.

4) ບໍລິສັດ AI ທີ່ເນັ້ນໃສ່ຂໍ້ມູນເປັນສູນກາງ 🗂️

ສິ່ງເຫຼົ່ານີ້ສຸມໃສ່ທໍ່ສົ່ງຂໍ້ມູນ, ການຕິດສະຫຼາກ, ຂໍ້ມູນສັງເຄາະ, ແລະ ການຄຸ້ມຄອງຂໍ້ມູນ. ພວກເຂົາຊະນະຜ່ານ:

• ການປັບປຸງຄຸນນະພາບສັນຍານການຝຶກອົບຮົມ

• ການຫຼຸດຜ່ອນສຽງລົບກວນ

• ເຮັດໃຫ້ສາມາດມີຄວາມຊ່ຽວຊານໄດ້ (MIT Sloan / Andrew Ng ກ່ຽວກັບ AI ທີ່ເນັ້ນຂໍ້ມູນເປັນສູນກາງ)

ຂໍ້ບົກຜ່ອງທົ່ວໄປ:

• ພວກເຂົາຂາຍເກີນກວ່າ “ຂໍ້ມູນແກ້ໄຂທຸກຢ່າງ.” ຂໍ້ມູນມີພະລັງຫຼາຍ, ແຕ່ທ່ານຍັງຕ້ອງການການສ້າງແບບຈຳລອງທີ່ດີ ແລະ ການຄິດທີ່ເຂັ້ມແຂງກ່ຽວກັບຜະລິດຕະພັນ.

ສິ່ງທີ່ຢູ່ພາຍໃນບໍລິສັດ AI ພາຍໃຕ້ຝາປິດ: ການວາງຊ້ອນກັນ, ປະມານ 🧱

ຖ້າທ່ານແນມເບິ່ງຫຼັງຜ້າມ່ານ, ບໍລິສັດ AI ຕົວຈິງສ່ວນໃຫຍ່ມີໂຄງສ້າງພາຍໃນທີ່ຄ້າຍຄືກັນ. ບໍ່ແມ່ນສະເໝີໄປ, ແຕ່ເລື້ອຍໆ.

ຊັ້ນຂໍ້ມູນ 📥

• ການເກັບກຳ ແລະ ການກິນເຂົ້າ

• ການຕິດສະຫຼາກ ຫຼື ການຊີ້ນຳທີ່ອ່ອນແອ

• ຄວາມເປັນສ່ວນຕົວ, ການອະນຸຍາດ, ການເກັບຮັກສາ

• ວົງຈອນຄຳຕິຊົມ (ການແກ້ໄຂຂອງຜູ້ໃຊ້, ຜົນໄດ້ຮັບ, ການທົບທວນຂອງມະນຸດ) (NIST AI RMF)

ຊັ້ນແບບຈຳລອງ 🧠

• ການເລືອກຮູບແບບພື້ນຖານ (ຫຼືການຝຶກອົບຮົມຕັ້ງແຕ່ເລີ່ມຕົ້ນ)

• ການປັບແຕ່ງຢ່າງລະອຽດ, ການກັ່ນ, ວິສະວະກຳທີ່ວ່ອງໄວ (ແມ່ນແລ້ວ, ຍັງນັບໄດ້)

• ລະບົບການດຶງຂໍ້ມູນຄືນ (ຄົ້ນຫາ + ການຈັດອັນດັບ + ຖານຂໍ້ມູນເວັກເຕີ) (ເອກະສານ RAG (Lewis et al., 2020), Oracle - ການຄົ້ນຫາເວັກເຕີ)

• ຊຸດການປະເມີນຜົນ ແລະ ຊຸດການທົດສອບ (Google Cloud MLOps)

ຊັ້ນຜະລິດຕະພັນ🧑💻

• UX ທີ່ຈັດການກັບຄວາມບໍ່ແນ່ນອນ (ຕົວຊີ້ບອກຄວາມໝັ້ນໃຈ, ສະຖານະ "ການທົບທວນຄືນ")

• ຮົ້ວກັ້ນ (ນະໂຍບາຍ, ການປະຕິເສດ, ການສຳເລັດຢ່າງປອດໄພ) (NIST AI RMF)

• ການເຊື່ອມໂຍງຂັ້ນຕອນການເຮັດວຽກ (ອີເມວ, CRM, ເອກະສານ, ການອອກປີ້, ແລະອື່ນໆ)

ຊັ້ນປະຕິບັດການ 🛠️

• ການຕິດຕາມກວດກາການເລື່ອນລອຍ ແລະ ການເສື່ອມສະພາບ (IBM - Model slift, Google Cloud MLOps)

• ການຕອບສະໜອງຕໍ່ເຫດການ ແລະ ການຍ້ອນກັບ (Uber - ຄວາມປອດໄພໃນການນຳໃຊ້)

• ການຄຸ້ມຄອງຕົ້ນທຶນ (ຄອມພິວເຕີສາມາດເປັນສັດຕູຕົວນ້ອຍທີ່ຫິວໂຫຍ)

• ການຄຸ້ມຄອງ, ການກວດສອບ, ການຄວບຄຸມການເຂົ້າເຖິງ (NIST AI RMF, ພາບລວມຂອງ ISO/IEC 42001)

ແລະສ່ວນທີ່ບໍ່ມີໃຜໂຄສະນາ:

• ຂະບວນການຂອງມະນຸດ - ຜູ້ທົບທວນ, ການຍົກລະດັບ, ການຮັບປະກັນຄຸນນະພາບ, ແລະ ທໍ່ສົ່ງຄຳຕິຊົມຂອງລູກຄ້າ.
  AI ບໍ່ແມ່ນ "ຕັ້ງຄ່າມັນແລະລືມມັນໄປ." ມັນຄ້າຍຄືກັບການເຮັດສວນຫຼາຍກວ່າ. ຫຼືຄືກັບການເປັນເຈົ້າຂອງສັດລ້ຽງແຣກຄູນ. ມັນອາດຈະໜ້າຮັກ, ແຕ່ມັນຈະທຳລາຍເຮືອນຄົວຂອງເຈົ້າຢ່າງແນ່ນອນຖ້າເຈົ້າບໍ່ໄດ້ເບິ່ງ 😬🦝

ຮູບແບບທຸລະກິດ: ວິທີທີ່ບໍລິສັດ AI ຫາເງິນໄດ້ 💸

ບໍລິສັດ AI ມັກຈະຕົກຢູ່ໃນຮູບແບບການສ້າງລາຍໄດ້ທົ່ວໄປບາງຢ່າງຄື:

• ອີງຕາມການນຳໃຊ້ (ຕໍ່ການຮ້ອງຂໍ, ຕໍ່ໂທເຄັນ, ຕໍ່ນາທີ, ຕໍ່ຮູບພາບ, ຕໍ່ໜ້າວຽກ) (ລາຄາ OpenAI API, OpenAI - ໂທເຄັນ)

• ການສະໝັກໃຊ້ແບບອີງຕາມບ່ອນນັ່ງ (ຕໍ່ຜູ້ໃຊ້ຕໍ່ເດືອນ) (ລາຄາ Microsoft 365 Copilot)

• ການກຳນົດລາຄາໂດຍອີງໃສ່ຜົນໄດ້ຮັບ (ຫາຍາກ, ແຕ່ມີປະສິດທິພາບ - ຈ່າຍຕໍ່ການປ່ຽນແປງ ຫຼື ປີ້ທີ່ໄດ້ຮັບການແກ້ໄຂ)

• ສັນຍາວິສາຫະກິດ (ການຊ່ວຍເຫຼືອ, ການປະຕິບັດຕາມ, SLA, ການນຳໃຊ້ແບບກຳນົດເອງ)

• ການອອກໃບອະນຸຍາດ (ໃນອຸປະກອນ, ແບບຝັງຕົວ, ແບບ OEM) (Nvidia)

ຄວາມເຄັ່ງຕຶງທີ່ບໍລິສັດ AI ຫຼາຍແຫ່ງປະເຊີນ:

• ລູກຄ້າຕ້ອງການການໃຊ້ຈ່າຍທີ່ຄາດເດົາໄດ້ 😌

• ຄ່າໃຊ້ຈ່າຍຂອງ AI ສາມາດປ່ຽນແປງໄດ້ຕາມການນຳໃຊ້ ແລະ ການເລືອກຮູບແບບ 😵

ດັ່ງນັ້ນບໍລິສັດ AI ທີ່ດີຈຶ່ງເກັ່ງຫຼາຍໃນ:

• ກຳນົດເສັ້ນທາງວຽກງານໄປຫາຮູບແບບທີ່ລາຄາຖືກກວ່າເມື່ອເປັນໄປໄດ້

• ຜົນໄດ້ຮັບການເກັບຂໍ້ມູນ

• ການຮ້ອງຂໍການແບ່ງເປັນກຸ່ມ

• ການຄວບຄຸມຂະໜາດຂອງບໍລິບົດ

• ການອອກແບບ UX ທີ່ກີດຂວາງ "ການກະຕຸ້ນເຕືອນທີ່ບໍ່ມີຂອບເຂດ" (ພວກເຮົາທຸກຄົນເຄີຍເຮັດມັນແລ້ວ…)

ຄຳຖາມຫຼັກ: ສິ່ງທີ່ເຮັດໃຫ້ບໍລິສັດ AI ສາມາດປ້ອງກັນໄດ້ 🏰

ນີ້ແມ່ນສ່ວນທີ່ເຜັດ. ຫຼາຍຄົນຄິດວ່າຄູນ້ຳແມ່ນ "ຮູບແບບຂອງພວກເຮົາດີກວ່າ." ບາງຄັ້ງມັນກໍ່ດີກວ່າ, ແຕ່ສ່ວນຫຼາຍແລ້ວ... ບໍ່ແມ່ນ.

ຂໍ້ໄດ້ປຽບທົ່ວໄປທີ່ສາມາດປ້ອງກັນໄດ້:

• ຂໍ້ມູນທີ່ເປັນເອກະລັກ (ໂດຍສະເພາະໂດເມນສະເພາະ)

• ການແຈກຢາຍ (ຝັງຢູ່ໃນຂັ້ນຕອນການເຮັດວຽກທີ່ຜູ້ໃຊ້ອາໄສຢູ່ແລ້ວ)

• ຄ່າໃຊ້ຈ່າຍໃນການປ່ຽນ (ການເຊື່ອມໂຍງ, ການປ່ຽນແປງຂະບວນການ, ນິໄສຂອງທີມ)

• ຄວາມໄວ້ວາງໃຈໃນຍີ່ຫໍ້ (ໂດຍສະເພາະສຳລັບໂດເມນທີ່ມີຄວາມສ່ຽງສູງ)

• ຄວາມເປັນເລີດດ້ານການດຳເນີນງານ (ການສົ່ງມອບ AI ທີ່ໜ້າເຊື່ອຖືໃນຂອບເຂດໃຫຍ່ແມ່ນຍາກ) (Google Cloud MLOps)

• ລະບົບທີ່ມະນຸດໃຊ້ຮ່ວມກັນ (ວິທີແກ້ໄຂແບບປະສົມສາມາດເຮັດວຽກໄດ້ດີກ່ວາລະບົບອັດຕະໂນມັດທີ່ບໍລິສຸດ) (NIST AI RMF, EU AI Act - ການຄວບຄຸມຂອງມະນຸດ (ມາດຕາ 14))

ຄວາມຈິງທີ່ບໍ່ສະບາຍໃຈເລັກນ້ອຍ:
ສອງບໍລິສັດສາມາດໃຊ້ຮູບແບບພື້ນຖານດຽວກັນ ແລະ ຍັງມີຜົນໄດ້ຮັບທີ່ແຕກຕ່າງກັນຢ່າງຫຼວງຫຼາຍ. ຄວາມແຕກຕ່າງມັກຈະເປັນທຸກຢ່າງທີ່ອ້ອມຮອບຮູບແບບ - ການອອກແບບຜະລິດຕະພັນ, ການປະເມີນຜົນ, ວົງຈອນຂໍ້ມູນ, ແລະ ວິທີການຈັດການກັບຄວາມລົ້ມເຫຼວ.

ວິທີການສັງເກດການລ້າງດ້ວຍ AI (ຫຼື "ພວກເຮົາໄດ້ເພີ່ມຄວາມສະຫຼາດ ແລະ ເອີ້ນມັນວ່າຄວາມສະຫຼາດ") 🚩

ຖ້າທ່ານກຳລັງປະເມີນວ່າບໍລິສັດ AI ແມ່ນຫຍັງຢູ່ໃນທຳມະຊາດ, ໃຫ້ລະວັງສັນຍານເຕືອນໄພເຫຼົ່ານີ້:

• ບໍ່ມີຄໍາອະທິບາຍກ່ຽວກັບຄວາມສາມາດຂອງ AI ທີ່ຊັດເຈນ: ການຕະຫຼາດຫຼາຍຢ່າງ, ບໍ່ມີກົນໄກ

• ເວດມົນສາທິດ: ການສາທິດທີ່ໜ້າປະທັບໃຈ, ບໍ່ມີການກ່າວເຖິງກໍລະນີຂອບ

• ບໍ່ມີເລື່ອງການປະເມີນ: ພວກເຂົາບໍ່ສາມາດອະທິບາຍວິທີທີ່ພວກເຂົາທົດສອບຄວາມໜ້າເຊື່ອຖື (Google Cloud MLOps)

• ຄຳຕອບຂໍ້ມູນແບບຄື້ນມື: ບໍ່ຈະແຈ້ງວ່າຂໍ້ມູນມາຈາກໃສ ຫຼື ມັນຖືກຄຸ້ມຄອງແນວໃດ (NIST AI RMF)

• ບໍ່ມີແຜນການຕິດຕາມກວດກາ: ພວກມັນປະຕິບັດຄືກັບວ່າຕົວແບບບໍ່ລອຍໄປ (IBM - Model drift)

• ພວກເຂົາບໍ່ສາມາດອະທິບາຍຮູບແບບຄວາມລົ້ມເຫຼວໄດ້: ທຸກຢ່າງແມ່ນ "ເກືອບສົມບູນແບບ" (ບໍ່ມີຫຍັງສົມບູນແບບ) (OpenAI - ພາບຫຼອນ)

ທຸງສີຂຽວ (ກົງກັນຂ້າມທີ່ເຮັດໃຫ້ສະຫງົບ) ✅:

• ພວກເຂົາສະແດງວິທີການວັດແທກປະສິດທິພາບ

• ພວກເຂົາເວົ້າກ່ຽວກັບຂໍ້ຈຳກັດໂດຍບໍ່ຕົກໃຈ

• ພວກເຂົາມີເສັ້ນທາງການທົບທວນຄືນຂອງມະນຸດ ແລະ ການຍົກລະດັບຂຶ້ນ (NIST AI RMF, EU AI Act - ການກວດສອບຂອງມະນຸດ (ມາດຕາ 14))

• ພວກເຂົາເຂົ້າໃຈຄວາມຕ້ອງການດ້ານຄວາມເປັນສ່ວນຕົວ ແລະ ການປະຕິບັດຕາມ (NIST AI RMF, ພາບລວມຂອງກົດໝາຍວ່າດ້ວຍ AI ຂອງ EU)

• ເຂົາເຈົ້າສາມາດເວົ້າວ່າ "ພວກເຮົາບໍ່ເຮັດແບບນັ້ນ" ໂດຍທີ່ບໍ່ຮູ້ສຶກທໍ້ຖອຍໃຈ 😅

ຖ້າທ່ານກຳລັງສ້າງມັນ: ບັນຊີກວດສອບທີ່ໃຊ້ໄດ້ຈິງສຳລັບການກາຍເປັນບໍລິສັດ AI 🧠📝

ຖ້າທ່ານກຳລັງພະຍາຍາມປ່ຽນຈາກ “ບໍລິສັດທີ່ໃຊ້ AI” ໄປສູ່ “ບໍລິສັດ AI,” ນີ້ແມ່ນເສັ້ນທາງທີ່ໃຊ້ໄດ້:

• ເລີ່ມຕົ້ນດ້ວຍຂັ້ນຕອນການເຮັດວຽກໜຶ່ງທີ່ເຮັດໃຫ້ຜູ້ຄົນເຈັບປວດຫຼາຍພໍທີ່ພວກເຂົາຈະຈ່າຍເງິນເພື່ອແກ້ໄຂມັນ

• ຜົນໄດ້ຮັບຂອງເຄື່ອງມືໄວ (ກ່ອນທີ່ທ່ານຈະປັບຂະໜາດ)

• ສ້າງຊຸດການປະເມີນຜົນຈາກກໍລະນີຜູ້ໃຊ້ຕົວຈິງ (Google Cloud MLOps)

• ເພີ່ມ loops ຄຳຕິຊົມຈາກມື້ທຳອິດ

• ເຮັດໃຫ້ຮາວກັ້ນເປັນສ່ວນໜຶ່ງຂອງການອອກແບບ, ບໍ່ແມ່ນຄິດເຖິງພາຍຫຼັງ (NIST AI RMF)

• ຢ່າສ້າງຫຼາຍເກີນໄປ - ສົ່ງລິ້ມແຄບໆທີ່ເຊື່ອຖືໄດ້

• ປະຕິບັດຕໍ່ການນຳໃຊ້ຄືກັບຜະລິດຕະພັນ, ບໍ່ແມ່ນຂັ້ນຕອນສຸດທ້າຍ (Google Cloud MLOps)

ນອກຈາກນີ້, ຄໍາແນະນໍາທີ່ກົງກັນຂ້າມກັບສະຕິປັນຍາທີ່ເຮັດວຽກ:

• ໃຊ້ເວລາຫຼາຍຂຶ້ນກັບສິ່ງທີ່ເກີດຂຶ້ນເມື່ອ AI ຜິດກ່ວາເວລາທີ່ມັນຖືກຕ້ອງ.
  ນັ້ນແມ່ນບ່ອນທີ່ຄວາມໄວ້ວາງໃຈໄດ້ຮັບ ຫຼື ເສຍໄປ. (NIST AI RMF)

ສະຫຼຸບສະຫຼຸບ🧠✨

ສະນັ້ນ... ສິ່ງທີ່ບໍລິສັດ AI ເປັນມານັ້ນແມ່ນມາຈາກກະດູກສັນຫຼັງງ່າຍໆ:

ມັນເປັນບໍລິສັດທີ່ AI ເປັນເຄື່ອງຈັກ, ບໍ່ແມ່ນການຕົກແຕ່ງ. ຖ້າທ່ານເອົາ AI ອອກ ແລະ ຜະລິດຕະພັນຢຸດເຮັດໃຫ້ມີຄວາມໝາຍ (ຫຼື ສູນເສຍຄວາມໄດ້ປຽບຂອງມັນ), ທ່ານອາດຈະກຳລັງຊອກຫາບໍລິສັດ AI ທີ່ແທ້ຈິງ. ຖ້າ AI ເປັນພຽງເຄື່ອງມືໜຶ່ງໃນບັນດາເຄື່ອງມືຫຼາຍຢ່າງ, ມັນຖືກຕ້ອງກວ່າທີ່ຈະເອີ້ນມັນວ່າເປີດໃຊ້ງານໂດຍ AI.

ແລະທັງສອງຢ່າງກໍ່ດີ. ໂລກຕ້ອງການທັງສອງຢ່າງ. ແຕ່ປ້າຍຊື່ມີຄວາມສຳຄັນເມື່ອທ່ານລົງທຶນ, ຈ້າງ, ຊື້ຊອບແວ, ຫຼືພະຍາຍາມຄິດໄລ່ວ່າທ່ານກຳລັງຖືກຂາຍຫຸ່ນຍົນ ຫຼື ຮູບຕັດກະດາດທີ່ມີຕານ້ອຍໆ 🤖👀

ຕົວຢ່າງໃນໂລກຕົວຈິງ: ການສ້າງບໍລິສັດຄັດເລືອກທີ່ສະໜັບສະໜູນ AI 

ສະຖານະການ

ລອງນຶກພາບເຖິງບໍລິສັດ startup ຂະໜາດນ້ອຍທີ່ກຳລັງສ້າງຜູ້ຊ່ວຍຄັດເລືອກການສະໜັບສະໜູນ AI ​​ສຳລັບຮ້ານຄ້າອີຄອມເມີຊແບບ Shopify. ນີ້ແມ່ນຕົວຢ່າງທີ່ສົມມຸດຂຶ້ນ, ບໍ່ແມ່ນການສຶກສາກໍລະນີຂອງບໍລິສັດທີ່ແທ້ຈິງ.

ຜະລິດຕະພັນນີ້ບໍ່ພຽງແຕ່ເພີ່ມ chatbot ໃສ່ helpdesk ເທົ່ານັ້ນ. ໜ້າທີ່ຫຼັກຂອງມັນແມ່ນການອ່ານປີ້ຂອງລູກຄ້າທີ່ເຂົ້າມາ, ຈັດປະເພດບັນຫາ, ແນະນຳການຕອບກັບ, ລາຍງານກໍລະນີທີ່ມີຄວາມສ່ຽງໃນການຄືນເງິນ, ແລະ ສົ່ງຕໍ່ສິ່ງທີ່ລະອຽດອ່ອນຕໍ່ຕົວແທນທີ່ເປັນມະນຸດ.

ການລຶບ AI ອອກ, ແລະຜະລິດຕະພັນສ່ວນໃຫຍ່ຈະພັງລົງເປັນເຄື່ອງມືຕິດແທັກພື້ນຖານ. ນັ້ນເຮັດໃຫ້ມັນໃກ້ຊິດກັບບໍລິສັດ AI ຫຼາຍກວ່າໂປຣແກຣມຊ່ວຍເຫຼືອທີ່ເປີດໃຊ້ AI, ເພາະວ່າມູນຄ່າຫຼັກແມ່ນຂຶ້ນກັບການຈັດປະເພດ, ການຄາດຄະເນ, ການດຶງຂໍ້ມູນຄືນ, ແລະການປັບປຸງຢ່າງຕໍ່ເນື່ອງ.

ສິ່ງທີ່ຜູ້ຊ່ວຍຕ້ອງການ

ເພື່ອເຮັດໃຫ້ຜູ້ຊ່ວຍມີປະສິດທິພາບ, ທີມງານຈະຕ້ອງມີ:

ປີ້ສະໜັບສະໜູນລູກຄ້າຈາກ 3-6 ເດືອນທີ່ຜ່ານມາ, ໂດຍລຶບຂໍ້ມູນສ່ວນຕົວອອກແລ້ວ

ບັນຊີລາຍຊື່ຂອງນະໂຍບາຍການຄືນເງິນ, ການສົ່ງຄືນ, ການຂົນສົ່ງ ແລະ ສ່ວນຫຼຸດທີ່ໄດ້ຮັບການອະນຸມັດ

ຕົວຢ່າງຂອງຄຳຕອບຂອງມະນຸດທີ່ “ດີ”

ຊຸດໝວດໝູ່ປີ້ ເຊັ່ນ: ສິນຄ້າເສຍຫາຍ, ການຈັດສົ່ງຊ້າ, ການຮ້ອງຂໍເງິນຄືນ, ການສັ່ງຊື້ທີ່ຂາດຫາຍໄປ, ຄຳຖາມກ່ຽວກັບຜະລິດຕະພັນ ແລະ ລູກຄ້າທີ່ໃຈຮ້າຍ

ກົດລະບຽບສຳລັບເວລາທີ່ AI ຕ້ອງຍົກລະດັບຄວາມສຳຄັນແທນທີ່ຈະຕອບຮັບ

ປຸ່ມຄຳຕິຊົມງ່າຍໆສຳລັບຕົວແທນ: “ຍອມຮັບ”, “ແກ້ໄຂ” ຫຼື “ປະຕິເສດ”

ຕົວຢ່າງຄຳແນະນຳ

ທ່ານເປັນຜູ້ຊ່ວຍຄັດເລືອກສະໜັບສະໜູນສຳລັບຮ້ານຄ້າອີຄອມເມີຊ. ອ່ານຂໍ້ຄວາມຂອງລູກຄ້າແຕ່ລະຄົນ ແລະສົ່ງຄືນສີ່ຢ່າງຄື: ໝວດໝູ່ປີ້, ລະດັບຄວາມຮີບດ່ວນ, ຄຳຕອບທີ່ແນະນຳ, ແລະວ່າມະນຸດຕ້ອງກວດສອບມັນກ່ອນທີ່ຈະສົ່ງຫຼືບໍ່.

ຍົກລະດັບຂໍ້ຂັດແຍ່ງກ່ຽວກັບການຄືນເງິນ, ການຂົ່ມຂູ່ທາງກົດໝາຍ, ການຮຽກຮ້ອງທາງການແພດ, ບັນຫາການຈ່າຍເງິນ, ຂໍ້ຄວາມທີ່ບໍ່ເໝາະສົມ ແລະ ກໍລະນີທີ່ລາຍລະອຽດການສັ່ງຊື້ຂອງລູກຄ້າຂາດຫາຍໄປຢູ່ສະເໝີ.

ໃຊ້ເອກະສານນະໂຍບາຍທີ່ໄດ້ຮັບການອະນຸມັດຈາກຮ້ານເທົ່ານັ້ນ. ຖ້າຄຳຕອບບໍ່ໄດ້ຢູ່ໃນນະໂຍບາຍ, ໃຫ້ບອກວ່າຕ້ອງມີການກວດສອບຈາກມະນຸດ. ຢ່າປະດິດກົດລະບຽບການຄືນເງິນ, ວັນທີຈັດສົ່ງ, ລະຫັດສ່ວນຫຼຸດ ຫຼື ຂໍ້ມູນຕິດຕາມ.

ວິທີການທົດສອບມັນ

ກ່ອນທີ່ຈະຂາຍຜະລິດຕະພັນນີ້ໃຫ້ເປັນຜະລິດຕະພັນທີ່ແທ້ຈິງ, ທີມງານຄວນດຳເນີນຊຸດການປະເມີນຜົນຂະໜາດນ້ອຍ.

ຕົວຢ່າງ:

ທົດສອບປີ້ສະໜັບສະໜູນເກົ່າ 100 ໃບບ່ອນທີ່ໝວດໝູ່ທີ່ຖືກຕ້ອງເປັນທີ່ຮູ້ຈັກແລ້ວ

ລວມເອົາຢ່າງໜ້ອຍ 20 ປີ້ທີ່ບໍ່ສົມບູນແບບທີ່ມີການສະກົດຜິດ, ເລກລຳດັບທີ່ຂາດຫາຍໄປ, ພາສາທີ່ມີອາລົມ, ຫຼືບັນຫາຫຼາຍຢ່າງໃນຂໍ້ຄວາມດຽວ

ປຽບທຽບໝວດໝູ່ AI ທຽບກັບໝວດໝູ່ມະນຸດ

ກວດສອບວ່າກົດລະບຽບການຍົກລະດັບໄດ້ຖືກປະຕິບັດຕາມແລ້ວຫຼືບໍ່

ຂໍໃຫ້ຕົວແທນສະໜັບສະໜູນສອງຄົນໃຫ້ຄະແນນຄຳຕອບທີ່ແນະນຳວ່າ “ສາມາດສົ່ງໄດ້”, “ຕ້ອງການແກ້ໄຂ” ຫຼື “ຜິດ”

ຕິດຕາມຜົນໄດ້ຮັບທຸກໆອາທິດ, ບໍ່ພຽງແຕ່ຄັ້ງດຽວໃນການສາທິດ

ຜົນໄດ້ຮັບ

ຜົນໄດ້ຮັບຕົວຢ່າງ: ອີງຕາມເວລາຂອງປີ້ຕົວຢ່າງ 100 ໃບກ່ອນ ແລະ ຫຼັງການນຳໃຊ້ຂັ້ນຕອນການເຮັດວຽກ.

ການຄັດເລືອກດ້ວຍຕົນເອງ: 100 ປີ້ × 2.5 ນາທີຕໍ່ໃບ = 250 ນາທີ

ການຄັດເລືອກດ້ວຍ AI: 100 ປີ້ × ເວລາກວດສອບ 45 ວິນາທີຕໍ່ໃບ = 75 ນາທີ

ເວລາທີ່ປະຢັດໄດ້ປະມານ: 175 ນາທີຕໍ່ປີ້ 100 ໃບ, ຫຼື 70%

ເປົ້າໝາຍຄວາມຖືກຕ້ອງຂອງໝວດໝູ່ກ່ອນການເປີດຕົວ: ຢ່າງໜ້ອຍ 90 ຈາກ 100 ປີ້ຖືກຈັດປະເພດຢ່າງຖືກຕ້ອງ

ເປົ້າໝາຍຄວາມປອດໄພຂອງການຍົກລະດັບ: 0 ການຍົກລະດັບທີ່ພາດໄປໃນໝວດໝູ່ການກວດສອບໂດຍມະນຸດທີ່ຕ້ອງການ

ຜູ້ຊື້ສາມາດກວດສອບຕົວເລກເຫຼົ່ານີ້ໄດ້ໂດຍການດໍາເນີນການທົດສອບ 100 ປີ້ດຽວກັນພາຍໃນ helpdesk ຂອງຕົນເອງ ແລະ ປຽບທຽບການຈັດປະເພດ AI ກັບປ້າຍຊື່ມະນຸດໃນອະດີດ.

ມີຫຍັງຜິດພາດໄດ້ແດ່

ຄວາມສ່ຽງທີ່ໃຫຍ່ທີ່ສຸດບໍ່ແມ່ນວ່າ AI ຟັງແລ້ວບໍ່ດີ. ແຕ່ມັນຟັງແລ້ວໝັ້ນໃຈໃນຂະນະທີ່ຜິດພາດ.

ຄວາມຜິດພາດທົ່ວໄປປະກອບມີ:

ການໃຫ້ AI ສັນຍາວ່າຈະຄືນເງິນໃຫ້ມັນບໍ່ສາມາດອະນຸມັດໄດ້

ການນຳໃຊ້ເອກະສານນະໂຍບາຍທີ່ລ້າສະໄໝ

ການວັດແທກພຽງແຕ່ “ຄຳຕອບທີ່ເບິ່ງດີ” ແທນທີ່ຈະເປັນການກຳນົດເສັ້ນທາງທີ່ຖືກຕ້ອງ

ການບໍ່ສົນໃຈກໍລະນີທີ່ບໍ່ດີເຊັ່ນ: ການຮຽກເກັບເງິນຄືນ, ໄພຂົ່ມຂູ່ ຫຼື ລູກຄ້າທີ່ມີຄວາມສ່ຽງ

ຂ້າມການກວດສອບໂດຍມະນຸດສຳລັບປີ້ທີ່ມີຄວາມສ່ຽງສູງ

ອ້າງວ່າ "ອັດຕະໂນມັດ 95%" ໂດຍບໍ່ໄດ້ອະທິບາຍສິ່ງທີ່ທົດສອບ

ບໍລິສັດ AI ທີ່ຈິງຈັງຈະປະຕິບັດຕໍ່ບັນຫາເຫຼົ່ານີ້ຄືກັບບັນຫາການອອກແບບຜະລິດຕະພັນ, ບໍ່ແມ່ນໝາຍເຫດທີ່ໜ້າອາຍ.

ເອົາໄປໃຊ້ຕົວຈິງ

ຕົວຢ່າງນີ້ສະແດງໃຫ້ເຫັນຄວາມແຕກຕ່າງລະຫວ່າງຄຸນຄ່າ AI ທີ່ແທ້ຈິງ ແລະ ການຕົກແຕ່ງ AI. ບໍລິສັດບໍ່ແມ່ນ “AI” ເພາະວ່າມັນໃຊ້ຮູບແບບຢູ່ບ່ອນໃດບ່ອນໜຶ່ງໃນຊຸດ. ມັນເປັນບໍລິສັດ AI ເພາະວ່າການຈັດປະເພດ, ການດຶງຂໍ້ມູນຄືນ, ການປະເມີນຜົນ, ການຍົກລະດັບ, ແລະ ວົງວຽນຄຳຕິຊົມແມ່ນເຄື່ອງຈັກຂອງຜະລິດຕະພັນ.

ຄຳຖາມທີ່ຖືກຖາມເລື້ອຍໆ

ສິ່ງໃດທີ່ນັບວ່າເປັນບໍລິສັດ AI ທຽບກັບບໍລິສັດທີ່ໃຊ້ AI?

ບໍລິສັດ AI ແມ່ນບໍລິສັດທີ່ຜະລິດຕະພັນຫຼັກ, ມູນຄ່າ, ຫຼື ຄວາມໄດ້ປຽບໃນການແຂ່ງຂັນແມ່ນຂຶ້ນກັບ AI - ການກຳຈັດ AI ອອກ ແລະ ການສະເໜີຂາຍຈະລົ້ມລະລາຍ ຫຼື ຮ້າຍແຮງຂຶ້ນຢ່າງຫຼວງຫຼາຍ. ບໍລິສັດທີ່ໃຊ້ AI ໃຊ້ AI ເພື່ອເສີມສ້າງການດຳເນີນງານ (ເຊັ່ນ: ການຄາດຄະເນ ຫຼື ການກວດຈັບການສໍ້ໂກງ) ແຕ່ຍັງຂາຍບາງສິ່ງບາງຢ່າງທີ່ບໍ່ແມ່ນ AI ໂດຍພື້ນຖານ. ການທົດສອບງ່າຍໆ: ຖ້າ AI ລົ້ມເຫຼວໃນມື້ອື່ນ ແລະ ທ່ານຍັງສາມາດເຮັດວຽກກັບຊອບແວພື້ນຖານໄດ້, ທ່ານອາດຈະໃຊ້ AI.

ຂ້ອຍຈະຮູ້ໄດ້ໄວແນວໃດວ່າທຸລະກິດໃດໜຶ່ງແມ່ນບໍລິສັດ AI ແທ້?

ລອງພິຈາລະນາເບິ່ງສິ່ງທີ່ຈະເກີດຂຶ້ນຖ້າ AI ຢຸດເຮັດວຽກ. ຖ້າລູກຄ້າຍັງຈ່າຍເງິນ ແລະ ທຸລະກິດສາມາດເຮັດວຽກໄດ້ຕາມປົກກະຕິດ້ວຍຕາຕະລາງ ຫຼື ຊອບແວແບບດັ້ງເດີມ, ມັນອາດຈະບໍ່ແມ່ນ AI ທີ່ມີຕົ້ນກຳເນີດມາຈາກໃສ. ບໍລິສັດ AI ທີ່ແທ້ຈິງຍັງມັກຈະເວົ້າໃນແງ່ຂອງການດຳເນີນງານທີ່ເປັນຮູບປະທຳ: ຊຸດການປະເມີນຜົນ, ຄວາມຊັກຊ້າ, ການເລື່ອນລອຍ, ການຫຼອນ, ການຕິດຕາມກວດກາ, ແລະ ຮູບແບບຄວາມລົ້ມເຫຼວ. ຖ້າມັນເປັນການຕະຫຼາດທັງໝົດ ແລະ ບໍ່ມີກົນໄກ, ນັ້ນແມ່ນສັນຍານເຕືອນໄພ.

ເຈົ້າຕ້ອງຝຶກອົບຮົມຕົວແບບຂອງເຈົ້າເອງໃຫ້ເປັນບໍລິສັດ AI ບໍ?

ບໍ່. ບໍລິສັດ AI ຫຼາຍແຫ່ງສ້າງຜະລິດຕະພັນທີ່ເຂັ້ມແຂງຢູ່ເທິງສຸດຂອງຮູບແບບທີ່ມີຢູ່ແລ້ວ ແລະ ຍັງຄົງມີຄຸນສົມບັດເປັນ AI-native ເມື່ອ AI ເປັນເຄື່ອງຈັກຂອງຜະລິດຕະພັນ. ສິ່ງທີ່ສຳຄັນແມ່ນວ່າຮູບແບບ, ຂໍ້ມູນ, ການປະເມີນຜົນ ແລະ ວົງຈອນການຊ້ຳຊ້ອນຊ່ວຍຂັບເຄື່ອນປະສິດທິພາບ ແລະ ຄວາມແຕກຕ່າງ. ຂໍ້ມູນທີ່ເປັນເອກະລັກ, ການເຊື່ອມໂຍງຂະບວນການເຮັດວຽກ ແລະ ການປະເມີນຜົນຢ່າງເຂັ້ມງວດສາມາດສ້າງຄວາມໄດ້ປຽບທີ່ແທ້ຈິງໄດ້ເຖິງແມ່ນວ່າບໍ່ມີການຝຶກອົບຮົມຕັ້ງແຕ່ເລີ່ມຕົ້ນ.

ບໍລິສັດ AI ປະເພດຫຼັກໆມີຫຍັງແດ່, ແລະ ພວກມັນແຕກຕ່າງກັນແນວໃດ?

ປະເພດທົ່ວໄປປະກອບມີຜູ້ສ້າງແບບຈຳລອງພື້ນຖານ, ແອັບ AI ແນວຕັ້ງ (ເຊັ່ນ: ເຄື່ອງມືທາງດ້ານກົດໝາຍ ຫຼື ທາງການແພດ), ຜູ້ຮ່ວມທົດລອງສຳລັບວຽກງານຄວາມຮູ້, MLOps/ແພລດຟອມປະຕິບັດການແບບຈຳລອງ, ທຸລະກິດຂໍ້ມູນ ແລະ ການຕິດສະຫຼາກ, AI ຂອບ/ໃນອຸປະກອນ, ບໍລິສັດທີ່ປຶກສາ/ຜູ້ລວມລະບົບ, ແລະ ຜູ້ໃຫ້ບໍລິການເຄື່ອງມືປະເມີນຜົນ/ຄວາມປອດໄພ. ພວກມັນທັງໝົດສາມາດເປັນ "ບໍລິສັດ AI", ແຕ່ພວກມັນຂາຍສິ່ງທີ່ແຕກຕ່າງກັນຫຼາຍ: ແບບຈຳລອງ, ຜະລິດຕະພັນສຳເລັດຮູບ, ຫຼື ພື້ນຖານໂຄງລ່າງທີ່ເຮັດໃຫ້ AI ການຜະລິດມີຄວາມໜ້າເຊື່ອຖື ແລະ ສາມາດຄວບຄຸມໄດ້.

ໂຄງສ້າງຂອງບໍລິສັດ AI ທົ່ວໄປມີລັກສະນະແນວໃດພາຍໃຕ້ຝາປິດ?

ບໍລິສັດ AI ຫຼາຍແຫ່ງແບ່ງປັນຊັ້ນຂໍ້ມູນແບບຫຍາບໆຄື: ຊັ້ນຂໍ້ມູນ (ການເກັບກຳ, ການຕິດສະຫຼາກ, ການຄຸ້ມຄອງ, ວົງວຽນຄຳຕິຊົມ), ຊັ້ນຮູບແບບ (ການເລືອກຮູບແບບພື້ນຖານ, ການປັບແຕ່ງລະອຽດ, ການຄົ້ນຫາ RAG/ເວັກເຕີ, ຊຸດການປະເມີນຜົນ), ຊັ້ນຜະລິດຕະພັນ (UX ສຳລັບຄວາມບໍ່ແນ່ນອນ, ການປ້ອງກັນ, ການເຊື່ອມໂຍງຂະບວນການເຮັດວຽກ), ແລະ ຊັ້ນປະຕິບັດການ (ການຕິດຕາມກວດກາການເລື່ອນໄປ, ການຕອບສະໜອງຕໍ່ເຫດການ, ການຄວບຄຸມຕົ້ນທຶນ, ການກວດສອບ). ຂະບວນການຂອງມະນຸດ - ຜູ້ທົບທວນ, ການຍົກລະດັບ, ການຮັບປະກັນຄຸນນະພາບ - ມັກຈະເປັນກະດູກສັນຫຼັງທີ່ບໍ່ໜ້າສົນໃຈ.

ຕົວຊີ້ວັດໃດທີ່ສະແດງໃຫ້ເຫັນວ່າບໍລິສັດ AI ກຳລັງເຮັດວຽກ "ຕົວຈິງ", ບໍ່ພຽງແຕ່ການສາທິດເທົ່ານັ້ນ?

ສັນຍານທີ່ເຂັ້ມແຂງກວ່າແມ່ນຜົນໄດ້ຮັບທີ່ວັດແທກໄດ້ເຊິ່ງກ່ຽວຂ້ອງກັບຜະລິດຕະພັນ: ຄວາມຖືກຕ້ອງ, ປະຫຍັດເວລາ, ຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍ, ຄວາມຜິດພາດໜ້ອຍລົງ, ຫຼື ການປ່ຽນແປງທີ່ສູງຂຶ້ນ - ຈັບຄູ່ກັບວິທີການທີ່ຊັດເຈນສຳລັບການປະເມີນ ແລະ ຕິດຕາມກວດກາຕົວຊີ້ວັດເຫຼົ່ານັ້ນ. ທີມງານຕົວຈິງສ້າງມາດຕະຖານ, ກໍລະນີທົດສອບຂອບ, ແລະ ຕິດຕາມປະສິດທິພາບຫຼັງຈາກການນຳໃຊ້. ພວກເຂົາຍັງວາງແຜນສຳລັບເວລາທີ່ຮູບແບບຜິດພາດ, ບໍ່ພຽງແຕ່ເວລາທີ່ມັນຖືກຕ້ອງ, ເພາະວ່າຄວາມໄວ້ວາງໃຈແມ່ນຂຶ້ນກັບການຈັດການຄວາມລົ້ມເຫຼວ.

ບໍລິສັດ AI ໂດຍທົ່ວໄປແລ້ວຫາເງິນໄດ້ແນວໃດ, ແລະຜູ້ຊື້ຄວນລະວັງກັບດັກການກຳນົດລາຄາແບບໃດ?

ຮູບແບບທົ່ວໄປປະກອບມີການກຳນົດລາຄາທີ່ອີງໃສ່ການນຳໃຊ້ (ຕໍ່ການຮ້ອງຂໍ/ໂທເຄັນ/ໜ້າວຽກ), ການສະໝັກໃຊ້ທີ່ອີງໃສ່ບ່ອນນັ່ງ, ການກຳນົດລາຄາທີ່ອີງໃສ່ຜົນໄດ້ຮັບ (ຫາຍາກກວ່າ), ສັນຍາວິສາຫະກິດກັບ SLA, ແລະ ການອະນຸຍາດໃຫ້ໃຊ້ AI ທີ່ຝັງຢູ່ ຫຼື ໃນອຸປະກອນ. ຄວາມເຄັ່ງຕຶງທີ່ສຳຄັນແມ່ນການຄາດເດົາໄດ້: ລູກຄ້າຕ້ອງການການໃຊ້ຈ່າຍທີ່ໝັ້ນຄົງ ໃນຂະນະທີ່ຄ່າໃຊ້ຈ່າຍ AI ສາມາດປ່ຽນແປງໄປຕາມການນຳໃຊ້ ແລະ ການເລືອກຮູບແບບ. ຜູ້ຂາຍທີ່ເຂັ້ມແຂງຈັດການສິ່ງນີ້ດ້ວຍການໂອນໄປຫາຮູບແບບທີ່ລາຄາຖືກກວ່າ, ການແຄດ, ການແບ່ງເປັນກຸ່ມ, ແລະ ການຄວບຄຸມຂະໜາດຂອງບໍລິບົດ.

ສິ່ງໃດທີ່ເຮັດໃຫ້ບໍລິສັດ AI ສາມາດປ້ອງກັນໄດ້ ຖ້າທຸກຄົນສາມາດໃຊ້ຮູບແບບທີ່ຄ້າຍຄືກັນໄດ້?

ສ່ວນຫຼາຍແລ້ວຄູນ້ຳບໍ່ໄດ້ເປັນພຽງແຕ່ "ຮູບແບບທີ່ດີກວ່າ". ຄວາມສາມາດໃນການປ້ອງກັນສາມາດມາຈາກຂໍ້ມູນໂດເມນທີ່ເປັນເຈົ້າຂອງ, ການແຈກຢາຍພາຍໃນຂະບວນການເຮັດວຽກທີ່ຜູ້ໃຊ້ອາໄສຢູ່ແລ້ວ, ການປ່ຽນຄ່າໃຊ້ຈ່າຍຈາກການເຊື່ອມໂຍງ ແລະ ນິໄສ, ຄວາມໄວ້ວາງໃຈໃນຍີ່ຫໍ້ໃນຂົງເຂດທີ່ມີຄວາມສ່ຽງສູງ, ແລະ ຄວາມເປັນເລີດດ້ານການດຳເນີນງານໃນການຂົນສົ່ງ AI ທີ່ໜ້າເຊື່ອຖື. ລະບົບທີ່ມະນຸດຢູ່ໃນວົງຈອນຍັງສາມາດມີປະສິດທິພາບດີກ່ວາລະບົບອັດຕະໂນມັດທີ່ບໍລິສຸດ. ສອງທີມສາມາດໃຊ້ຮູບແບບດຽວກັນ ແລະ ໄດ້ຮັບຜົນໄດ້ຮັບທີ່ແຕກຕ່າງກັນຫຼາຍໂດຍອີງໃສ່ທຸກສິ່ງທຸກຢ່າງທີ່ຢູ່ອ້ອມຮອບມັນ.

ຂ້ອຍຈະສັງເກດເຫັນການລ້າງດ້ວຍ AI ໄດ້ແນວໃດເມື່ອປະເມີນຜູ້ຂາຍ ຫຼື ບໍລິສັດເລີ່ມຕົ້ນ?

ລະວັງການອ້າງທີ່ບໍ່ຈະແຈ້ງໂດຍບໍ່ມີຄວາມສາມາດດ້ານ AI ທີ່ຊັດເຈນ, “ເວດມົນສາທິດ” ທີ່ບໍ່ມີກໍລະນີຂອບ, ແລະ ບໍ່ສາມາດອະທິບາຍການປະເມີນຜົນ, ການຄຸ້ມຄອງຂໍ້ມູນ, ການຕິດຕາມກວດກາ, ຫຼື ຮູບແບບຄວາມລົ້ມເຫຼວ. ການອ້າງທີ່ໝັ້ນໃຈເກີນໄປເຊັ່ນ “ເກືອບສົມບູນແບບ” ແມ່ນສັນຍານເຕືອນອີກອັນໜຶ່ງ. ທຸງສີຂຽວປະກອບມີການວັດແທກທີ່ໂປ່ງໃສ, ຂໍ້ຈຳກັດທີ່ຊັດເຈນ, ແຜນການຕິດຕາມກວດກາສຳລັບການເລື່ອນລອຍ, ແລະ ການທົບທວນຄືນຂອງມະນຸດ ຫຼື ເສັ້ນທາງການຍົກລະດັບທີ່ໄດ້ກຳນົດໄວ້ຢ່າງດີ. ບໍລິສັດທີ່ສາມາດເວົ້າວ່າ “ພວກເຮົາບໍ່ເຮັດແບບນັ້ນ” ມັກຈະໜ້າເຊື່ອຖືໄດ້ຫຼາຍກວ່າບໍລິສັດທີ່ສັນຍາທຸກຢ່າງ.

ເອກະສານອ້າງອີງ

1. OECD - oecd.ai

2. OECD - oecd.org

3. ສະຖາບັນມາດຕະຖານ ແລະ ເຕັກໂນໂລຊີແຫ່ງຊາດ (NIST) - NIST AI RMF (AI 100-1) - nist.gov

4. ຄູ່ມືການຄຸ້ມຄອງຄວາມສ່ຽງດ້ານ AI ຂອງ NIST (AI RMF) - ມາດຕະການ - nist.gov

5. Google Cloud - MLOps: ການຈັດສົ່ງຢ່າງຕໍ່ເນື່ອງ ແລະ ທໍ່ສົ່ງອັດຕະໂນມັດໃນການຮຽນຮູ້ຂອງເຄື່ອງຈັກ - google.com

6. Google - ຄູ່ມືຜູ້ປະຕິບັດກ່ຽວກັບ MLOps (ເອກະສານຂາວ) - google.com

7. Google Cloud - MLOps ແມ່ນຫຍັງ? - google.com

8. Datadog - ການປະຕິບັດທີ່ດີທີ່ສຸດຂອງຂອບການປະເມີນຜົນ LLM - datadoghq.com

9. IBM - ການປ່ຽນແປງຮູບແບບ - ibm.com

10. OpenAI - ເປັນຫຍັງຮູບແບບພາສາຈຶ່ງເຮັດໃຫ້ເກີດອາການຫຼອນ - openai.com

11. OpenAI - ລາຄາ API - openai.com

12. ສູນຊ່ວຍເຫຼືອ OpenAI - ໂທເຄັນແມ່ນຫຍັງ ແລະ ວິທີການນັບພວກມັນ - openai.com

13. Microsoft - ລາຄາ Microsoft 365 Copilot - microsoft.com

14. ໂຮງຮຽນຄຸ້ມຄອງ MIT Sloan - ເປັນຫຍັງມັນເຖິງເວລາແລ້ວສຳລັບປັນຍາປະດິດທີ່ເນັ້ນຂໍ້ມູນເປັນສູນກາງ - mit.edu

15. NVIDIA - edge AI ແມ່ນຫຍັງ? - nvidia.com

16. IBM - Edge ທຽບກັບ cloud AI - ibm.com

17. Uber - ຍົກລະດັບຄວາມປອດໄພໃນການນຳໃຊ້ຮູບແບບ ML - uber.com

18. ອົງການມາດຕະຖານສາກົນ (ISO) - ພາບລວມຂອງ ISO/IEC 42001 - iso.org

19. arXiv - ການສ້າງແບບເຕີມເຕີມເພື່ອດຶງຂໍ້ມູນສຳລັບວຽກງານ NLP ທີ່ມີຄວາມຮູ້ຫຼາຍ (Lewis et al., 2020) - arxiv.org

20. Oracle - ຄົ້ນຫາເວັກເຕີ - oracle.com

21. ກົດໝາຍວ່າດ້ວຍປັນຍາປະດິດ (EU) - ການຄວບຄຸມຂອງມະນຸດ (ມາດຕາ 14) - artificialintelligenceact.eu

22. ຄະນະກຳມະການເອີຣົບ - ຂອບກົດລະບຽບກ່ຽວກັບ AI (ພາບລວມຂອງກົດໝາຍ AI) - europa.eu

23. ຢູທູບ - youtube.com

24. ຮ້ານຜູ້ຊ່ວຍ AI - ວິທີການຍົກລະດັບ AI ເຮັດວຽກ - aiassistantstore.com

25. ຮ້ານຜູ້ຊ່ວຍ AI - ລະຫັດ AI ມີລັກສະນະແນວໃດ - aiassistantstore.com

26. ຮ້ານຜູ້ຊ່ວຍ AI - ອັລກໍຣິທຶມ AI ແມ່ນຫຍັງ - aiassistantstore.com

27. ຮ້ານຜູ້ຊ່ວຍ AI - ການປະມວນຜົນລ່ວງໜ້າຂອງ AI ແມ່ນຫຍັງ - aiassistantstore.com

ຊອກຫາ AI ລ່າສຸດໄດ້ທີ່ຮ້ານ AI Assistant ຢ່າງເປັນທາງການ

ກ່ຽວກັບພວກເຮົາ