กรอบคิดใหม่จากผู้จัดการผลิตภัณฑ์ฟินเทคชั้นนำ ที่เผยแพร่เมื่อต้นเดือนพฤษภาคม กำลังเขย่าวงการธุรกิจและเทคโนโลยีทั่วโลก กระตุ้นให้องค์กรทบทวนความคิดที่จะใช้โมเดลภาษาขนาดใหญ่ (Large Language Models หรือ LLM) กับทุกงานด้านปัญญาประดิษฐ์ (AI) แบบเหมารวม บทความล่าสุดจาก VentureBeat เตือนว่า แม้ LLM จะฮิตติดลมบน แต่ก็ไม่ได้ตอบโจทย์ลูกค้าทุกรูปแบบ แถมบ่อยครั้งยังแพงและไม่แม่นยำเท่าโซลูชันการเรียนรู้ของเครื่อง (Machine Learning หรือ ML) หรือระบบที่ใช้กฎเกณฑ์ (rules-based) อื่นๆ

พอ Generative AI กลายเป็นกระแสหลัก หลายบริษัท โดยเฉพาะในตลาดที่กำลังปรับตัวสู่ดิจิทัลอย่างรวดเร็วแบบไทย กำลังถูกกดดันให้นำผลิตภัณฑ์ที่ขับเคลื่อนด้วย LLM มาใช้เพื่อชิงความได้เปรียบทางการแข่งขัน แต่บทวิเคราะห์ล่าสุดย้ำว่า ไม่ใช่ทุกปัญหาที่ต้องแก้ด้วยเทคโนโลยีซับซ้อนและแพงขนาดนั้น งานวิจัยนี้นำเสนอเกณฑ์ตัดสินใจที่ใช้งานได้จริง เพื่อช่วยให้ผู้จัดการโครงการและนักวางกลยุทธ์ AI ประเมินความต้องการที่แท้จริงของลูกค้าและข้อจำกัดด้านทรัพยากรก่อนจะด่วนตัดสินใจใช้ LLM ที่มักจะกินทรัพยากรมากกว่าทางเลือกอื่นชัดเจน

เดิมที ML คือขุมพลังเบื้องหลังโซลูชันที่อาศัยแพทเทิร์นซ้ำๆ และคาดการณ์ได้ เพื่อสร้างประสบการณ์ที่ดีให้ลูกค้า ทุกวันนี้ Generative AI ขยายขีดความสามารถไปอีกขั้น แม้ในสถานการณ์ที่ไม่มีข้อมูลมหาศาลให้เทรน แต่การเข้าถึง AI ที่ง่ายขึ้น ไม่ได้แปลว่ามันจะเหมาะกับทุกงานเสมอไป ผู้เขียนบทความ ซึ่งเป็นผู้จัดการผลิตภัณฑ์ฟินเทคมากประสบการณ์ ชี้ให้เห็นเกณฑ์สำคัญในการตัดสินใจว่าจะใช้ LLM หรือ ML เมื่อไหร่ อย่างไร โดยพิจารณาจาก: รูปแบบผลลัพธ์ที่อยากได้, ความซับซ้อนของความสัมพันธ์ระหว่างข้อมูลเข้ากับผลลัพธ์, การชั่งน้ำหนักระหว่างต้นทุนกับความแม่นยำ, และการมีแพทเทิร์นชัดเจนในข้อมูล เช่น ระบบแนะนำเพลงอย่าง Spotify ที่อาศัยข้อมูลความชอบผู้ใช้ที่ชัดเจน และเพิ่มความซับซ้อนได้ด้วย ML แต่บางงานอาจเหมาะกับวิธีที่เรียบง่ายกว่า

ประเด็นสำคัญคือ ยิ่งบริการต้องการความหลากหลายในการจับคู่ข้อมูลเข้ากับผลลัพธ์มากเท่าไหร่ โดยเฉพาะในสเกลใหญ่ ก็ยิ่งมีเหตุผลให้ใช้ ML (และอาจรวมถึง LLM) มากกว่าระบบที่ใช้กฎตายตัว แต่ถ้ามีแพทเทิร์นชัดเจน หรือต้องการความแม่นยำสูงสุด โมเดล ML แบบมีผู้สอน (supervised) หรือกึ่งมีผู้สอน (semi-supervised) อาจให้ผลลัพธ์แม่นยำกว่าในต้นทุนที่ถูกกว่า LLM เรื่องนี้สำคัญมากสำหรับองค์กรในภูมิภาคที่ค่าใช้จ่ายคลาวด์กระทบกำไรหนักๆ อย่าง SMEs และองค์กรใหญ่ๆ ในไทย

ผู้เขียนแนะนำว่า “อย่าใช้ไลท์เซเบอร์ ถ้าแค่กรรไกรก็ตัดได้” ซึ่งสรุปหัวใจของกรอบคิดนี้ได้ตรงจุด LLM อาจทรงพลัง (และแพง) เกินจำเป็นสำหรับงานพื้นฐานที่ขอบเขตชัดเจนและควบคุมได้ ผู้จัดการโครงการควรถามตัวเองว่า ปัญหาที่เจอ คุ้มค่ากับโมเดลประสิทธิภาพสูงจริงหรือ หรือแค่อัลกอริทึมเดิมๆ หรือแม้แต่ชุดกฎที่ออกแบบมาดีๆ ก็พอแล้ว

ความเห็นของผู้เชี่ยวชาญ AI ก็ไปในทางเดียวกัน บทวิจารณ์ล่าสุดในวารสารวิชาการอย่าง PubMed ชี้ว่าการวิเคราะห์ต้นทุน-ผลประโยชน์สำคัญขึ้นเรื่อยๆ เพราะ LLM กินทรัพยากรมหาศาล เรื่องความแม่นยำก็เช่นกัน หลายฝ่ายพบว่าผลลัพธ์จาก LLM ต่อให้ fine-tune หรือปรับ prompt แค่ไหน ก็ยังไม่แม่นพอสำหรับข้อกำหนดทางธุรกิจและกฎระเบียบที่เข้มงวด ผู้นำจากศูนย์บ่มเพาะเทคโนโลยีชั้นนำในพื้นที่เขตพัฒนาพิเศษภาคตะวันออก (EEC) ของไทย และคณะทำงานด้านการเปลี่ยนผ่านสู่ดิจิทัลภาคพลเมือง ก็สะท้อนความกังวลคล้ายๆ กัน โดยชี้ว่าค่าใช้จ่ายที่สูงและผลลัพธ์ที่บางทีก็คาดเดาไม่ได้ เป็นอุปสรรคสำคัญในการนำ AI มาใช้ในไทย

สำหรับไทย ที่กำลังเร่งนำ AI มาใช้ในหลายวงการ ทั้งการเงิน สุขภาพ ท่องเที่ยว และการศึกษา ข้อคิดเหล่านี้ยิ่งตรงประเด็น หลายองค์กรในไทย ตั้งแต่รัฐยันสตาร์ทอัพ กำลังมองหาทางใช้ AI เพิ่มประสิทธิภาพ ทำงานอัตโนมัติ และสร้างประสบการณ์ที่ดีขึ้นให้ผู้ใช้ แต่ข้อจำกัดเรื่องงบประมาณและทักษะดิจิทัลก็เป็นเรื่องจริง การนำกรอบประเมินนี้มาปรับใช้ จะช่วยให้ผู้จัดการโครงการในไทยจัดสรรทรัพยากรจำกัดได้ดีขึ้น เลี่ยงการทุ่มเงินกับ LLM เกินจำเป็น ทั้งๆ ที่อาจมีวิธี ML หรือระบบตามกฎที่ถูกและดีกว่า

การที่ไทยเร่งยกระดับทักษะดิจิทัล ก็ยิ่งตอกย้ำความจำเป็นของกรอบคิดแบบนี้ ขณะที่รัฐและเอกชนยังคงลงทุนสร้างความเข้าใจเรื่องดิจิทัล ผ่านโครงการอย่างไทยแลนด์ 4.0 และยุทธศาสตร์ AI แห่งชาติ การมีแนวทางชัดเจนจะช่วยให้มั่นใจว่าการลงทุนเทคโนโลยีนั้นตรงกับความต้องการจริง ไม่ใช่แค่ตามกระแส การเน้นเรื่องต้นทุน การทำซ้ำได้ และคุณค่าที่จับต้องได้ สอดคล้องกับแนวคิดเชิงปฏิบัติในวัฒนธรรมธุรกิจและการศึกษาไทย ที่เน้นความจริงจังและการใช้ทรัพยากรอย่างคุ้มค่า

มองไปข้างหน้า ผู้เชี่ยวชาญคาดว่ากระแสเห่อ Generative AI ทั่วโลก จะค่อยๆ เปลี่ยนไปสู่แนวทางการเลือกใช้เทคโนโลยีแบบผสมผสานและรอบคอบมากขึ้น แทนที่จะ ‘LLM ทุกอย่าง’ องค์กรต่างๆ น่าจะหันมาใช้กรอบการทำงานที่รัดกุมขึ้น เพื่อจับคู่ปัญหาให้เข้ากับเทคโนโลยีที่คุ้มค่าที่สุด ซึ่งไม่เพียงแต่ดีกับเอสเอ็มอีที่ต้องรัดเข็มขัด แต่ยังรวมถึงบริษัทใหญ่ๆ ในไทยที่ต้องสร้างสมดุลระหว่างนวัตกรรมกับต้นทุนการดำเนินงานที่ยั่งยืน

สำหรับผู้อ่านและผู้มีอำนาจตัดสินใจชาวไทย คำแนะนำที่นำไปใช้ได้จริงนั้นชัดเจน ก่อนจะลงเงินกับโครงการ AI แพงๆ ควรถามตัวเองก่อนว่า: บริษัทต้องการอะไรกันแน่? ข้อมูลเข้า-ออกซับซ้อนและมีปริมาณแค่ไหน? มีแพทเทิร์นในข้อมูลไหม? ชั่งน้ำหนักความแม่นยำที่ต้องการกับต้นทุนของโมเดล AI ต่างๆ แล้วหรือยัง? ลองปรึกษาผู้เชี่ยวชาญจากศูนย์วิจัย AI ในประเทศ หรือหาข้อมูลเปรียบเทียบที่เผยแพร่ (PubMed, Google Scholar) ประกอบการตัดสินใจดู ในหลายๆ กรณี โมเดล ML แบบเดิมๆ หรือแบบ supervised หรือแม้แต่ระบบตามกฎที่ซับซ้อนหน่อย อาจให้ผลลัพธ์ที่ดีกว่า ถูกกว่า และน่าเชื่อถือกว่าการใช้ LLM แบบเต็มสูบก็ได้

งานวิจัยนี้มาถูกจังหวะ ในช่วงที่ไทยกำลังเปลี่ยนผ่านสู่ดิจิทัล เป็นเครื่องเตือนใจให้ผู้มีอำนาจตัดสินใจในธุรกิจ สุขภาพ และการศึกษา ให้ความสำคัญกับความชัดเจนและประโยชน์ที่จับต้องได้จริงในกลยุทธ์เทคโนโลยี การยึดกรอบประเมินที่เป็นเหตุเป็นผลนี้ จะช่วยให้องค์กรไทยมั่นใจได้ว่าเส้นทางการนำ AI มาใช้ จะทั้งสร้างสรรค์และตั้งอยู่บนพื้นฐานของคุณค่าที่แท้จริงและยั่งยืนสำหรับลูกค้า

แหล่งข้อมูล: