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.
| ຕົວເລືອກ / “ປະເພດ” | ຜູ້ຊົມທີ່ດີທີ່ສຸດ | ລາຄາ (ປົກກະຕິ) | ເປັນຫຍັງມັນຈຶ່ງໃຊ້ໄດ້ |
|---|---|---|---|
| ຜູ້ສ້າງແບບຈຳລອງພື້ນຖານ | ນັກພັດທະນາ, ວິສາຫະກິດ, ທຸກໆຄົນ... ປະມານນັ້ນ | ສັນຍາຂະໜາດໃຫຍ່, ອີງໃສ່ການນຳໃຊ້ | ຮູບແບບທົ່ວໄປທີ່ເຂັ້ມແຂງກາຍເປັນແພລດຟອມ - ຊັ້ນ "ລະບົບປະຕິບັດການ" ( ລາຄາ OpenAI API ) |
| ແອັບ AI ແນວຕັ້ງ (ດ້ານກົດໝາຍ, ການແພດ, ການເງິນ, ແລະອື່ນໆ) | ທີມງານທີ່ມີຂັ້ນຕອນການເຮັດວຽກສະເພາະ | ລາຄາການສະໝັກໃຊ້ + ບ່ອນນັ່ງ | ຂໍ້ຈຳກັດຂອງໂດເມນຊ່ວຍຫຼຸດຜ່ອນຄວາມວຸ່ນວາຍ; ຄວາມຖືກຕ້ອງສາມາດເພີ່ມຂຶ້ນໄດ້ (ເມື່ອເຮັດຖືກຕ້ອງ) |
| ຜູ້ຮ່ວມພັດທະນາ AI ສຳລັບວຽກງານຄວາມຮູ້ | ຝ່າຍຂາຍ, ຝ່າຍສະໜັບສະໜູນ, ນັກວິເຄາະ, ຝ່າຍປະຕິບັດການ | ຕໍ່ຜູ້ໃຊ້ຕໍ່ເດືອນ | ປະຢັດເວລາໄດ້ໄວ, ປະສົມປະສານເຂົ້າກັບເຄື່ອງມືປະຈຳວັນ... ໃຊ້ງານໄດ້ດີເມື່ອມັນດີ ( ລາຄາ Microsoft 365 Copilot ) |
| MLOps / ແພລດຟອມປະຕິບັດການແບບຈຳລອງ | ທີມງານ AI ໃນການຜະລິດ | ສັນຍາວິສາຫະກິດ (ບາງຄັ້ງກໍ່ເຈັບປວດ) | ການຕິດຕາມກວດກາ, ການນຳໃຊ້, ການຄຸ້ມຄອງ - ບໍ່ໜ້າສົນໃຈແຕ່ຈຳເປັນ ( Google Cloud MLOps ) |
| ບໍລິສັດ Data + Labeling | ຜູ້ສ້າງແບບຈຳລອງ, ວິສາຫະກິດ | ຕໍ່ໜ້າວຽກ, ຕໍ່ປ້າຍຊື່, ປະສົມ | ຂໍ້ມູນທີ່ດີກວ່າມັກຈະດີກ່ວາ "ຮູບແບບທີ່ທັນສະໄໝກວ່າ" ຢ່າງໜ້າປະຫຼາດໃຈ ( MIT Sloan / Andrew Ng ກ່ຽວກັບ AI ທີ່ເນັ້ນຂໍ້ມູນເປັນສູນກາງ ) |
| Edge AI / AI ໃນອຸປະກອນ | ຮາດແວ + IoT, ອົງກອນທີ່ເນັ້ນຄວາມເປັນສ່ວນຕົວຫຼາຍ | ຕໍ່ອຸປະກອນ, ການອະນຸຍາດ | ຄວາມໜ່ວງຊ້າຕ່ຳ + ຄວາມເປັນສ່ວນຕົວ; ຍັງເຮັດວຽກແບບອອບໄລນ໌ໄດ້ (ດີຫຼາຍ) ( Nvidia , IBM ) |
| ບໍລິສັດໃຫ້ຄຳປຶກສາ / ຜູ້ປະສົມປະສານ AI | ອົງກອນທີ່ບໍ່ແມ່ນ AI ພື້ນເມືອງ | ອີງໃສ່ໂຄງການ, ຜູ້ຮັກສາ | ເຄື່ອນໄຫວໄວກວ່າການຈ້າງງານພາຍໃນ - ແຕ່ຂຶ້ນກັບພອນສະຫວັນ, ໃນການປະຕິບັດ |
| ການປະເມີນຜົນ / ເຄື່ອງມືຄວາມປອດໄພ | ຮູບແບບການຂົນສົ່ງຂອງທີມງານ | ການສະໝັກໃຊ້ແບບມີລະດັບ | ຊ່ວຍຫຼີກລ່ຽງຄວາມລົ້ມເຫຼວທີ່ງຽບສະຫງົບ - ແລະແມ່ນແລ້ວ, ນັ້ນມີຄວາມສຳຄັນຫຼາຍ ( NIST AI RMF , OpenAI - ອາການຫຼອນ ) |
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 🤖👀
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
-
OECD - oecd.ai
-
OECD - oecd.org
-
ສະຖາບັນມາດຕະຖານ ແລະ ເຕັກໂນໂລຊີແຫ່ງຊາດ (NIST) - NIST AI RMF (AI 100-1) - nist.gov
-
ຄູ່ມືການຄຸ້ມຄອງຄວາມສ່ຽງດ້ານ AI ຂອງ NIST (AI RMF) - ມາດຕະການ - nist.gov
-
Google Cloud - MLOps: ການຈັດສົ່ງຢ່າງຕໍ່ເນື່ອງ ແລະ ທໍ່ສົ່ງອັດຕະໂນມັດໃນການຮຽນຮູ້ຂອງເຄື່ອງຈັກ - google.com
-
Google - ຄູ່ມືຜູ້ປະຕິບັດກ່ຽວກັບ MLOps (ເອກະສານຂາວ) - google.com
-
Google Cloud - MLOps ແມ່ນຫຍັງ? - google.com
-
Datadog - ການປະຕິບັດທີ່ດີທີ່ສຸດຂອງຂອບການປະເມີນຜົນ LLM - datadoghq.com
-
IBM - ການປ່ຽນແປງຮູບແບບ - ibm.com
-
OpenAI - ເປັນຫຍັງຮູບແບບພາສາຈຶ່ງເຮັດໃຫ້ເກີດອາການຫຼອນ - openai.com
-
OpenAI - ລາຄາ API - openai.com
-
ສູນຊ່ວຍເຫຼືອ OpenAI - ໂທເຄັນແມ່ນຫຍັງ ແລະ ວິທີການນັບພວກມັນ - openai.com
-
Microsoft - ລາຄາ Microsoft 365 Copilot - microsoft.com
-
ໂຮງຮຽນຄຸ້ມຄອງ MIT Sloan - ເປັນຫຍັງມັນເຖິງເວລາແລ້ວສຳລັບປັນຍາປະດິດທີ່ເນັ້ນຂໍ້ມູນເປັນສູນກາງ - mit.edu
-
NVIDIA - edge AI ແມ່ນຫຍັງ? - nvidia.com
-
IBM - Edge ທຽບກັບ cloud AI - ibm.com
-
Uber - ຍົກລະດັບຄວາມປອດໄພໃນການນຳໃຊ້ຮູບແບບ ML - uber.com
-
ອົງການມາດຕະຖານສາກົນ (ISO) - ພາບລວມຂອງ ISO/IEC 42001 - iso.org
-
arXiv - ການສ້າງແບບເຕີມເຕີມເພື່ອດຶງຂໍ້ມູນສຳລັບວຽກງານ NLP ທີ່ມີຄວາມຮູ້ຫຼາຍ (Lewis et al., 2020) - arxiv.org
-
Oracle - ຄົ້ນຫາເວັກເຕີ - oracle.com
-
ກົດໝາຍວ່າດ້ວຍປັນຍາປະດິດ (EU) - ການຄວບຄຸມຂອງມະນຸດ (ມາດຕາ 14) - artificialintelligenceact.eu
-
ຄະນະກຳມະການເອີຣົບ - ຂອບກົດລະບຽບກ່ຽວກັບ AI (ພາບລວມຂອງກົດໝາຍ AI) - europa.eu
-
ຢູທູບ - youtube.com
-
ຮ້ານຜູ້ຊ່ວຍ AI - ວິທີການຍົກລະດັບ AI ເຮັດວຽກ - aiassistantstore.com
-
ຮ້ານຜູ້ຊ່ວຍ AI - ລະຫັດ AI ມີລັກສະນະແນວໃດ - aiassistantstore.com
-
ຮ້ານຜູ້ຊ່ວຍ AI - ອັລກໍຣິທຶມ AI ແມ່ນຫຍັງ - aiassistantstore.com
-
ຮ້ານຜູ້ຊ່ວຍ AI - ການປະມວນຜົນລ່ວງໜ້າຂອງ AI ແມ່ນຫຍັງ - aiassistantstore.com