คอลัมน์ : ร่วมด้วยช่วยคิด ผู้เขียน : ดร.มณฑลี กปิลกาญจน์ ฝ่ายเศรษฐกิจมหภาค ธปท.
นับตั้งแต่เปิดตัวเมื่อพฤศจิกายนปีก่อน ChatGPT ใช้เวลาเพียงสองเดือน มีผู้ใช้งานประจำมากถึง 100 ล้านราย ทำลายสถิติขึ้นเป็น AI chatbot ที่มีฐานลูกค้าเติบโตเร็วที่สุด ในวันนี้ผู้เขียนจึงขอกลับมาแลกเปลี่ยนมุมมองต่อยอดจากบทความ “ChatGPT : เทคโนโลยีดิจิทัล โอกาสและความท้าทาย” ในคอลัมน์นี้เมื่อสี่เดือนก่อน โดยจะขยายความถึง Generative AI ผ่านมุมมองใหม่ ๆ ที่ได้รับอิทธิพลของ ChatGPT เมื่อเร็ว ๆ นี้
Generative AI อาจสร้างผลบวกให้โลกได้มากกว่ามูลค่า GDP ของสหราชอาณาจักร !
McKinsey เผยรายงาน “The economic potential of generativeAI : The next productivity frontier” ซึ่งประเมินโอกาสของการใช้งาน Generative AI และหยิบยกกรณีศึกษาในหลายอุตสาหกรรม โดยมองว่าการต่อยอด AI ทั่วไปด้วย Generative AI จะสามารถยกระดับผลิตภาพได้สูงถึง 2.6-4.4 ล้านล้านเหรียญสหรัฐต่อปี ซึ่งสูงกว่าการใช้ AI ปกติถึง 15-40%
ทั้งนี้ มูลค่าดังกล่าวเฉลี่ยแล้วสูงกว่า GDP ของสหราชอาณาจักรในปี 2021 เสียอีก ยิ่งกว่านี้ ตัวเลขประมาณการอาจสูงขึ้นได้เป็นเท่าตัวหากรวมการใช้งาน Generative AI ในซอฟต์แวร์อื่น ๆ นอกจาก 63 กรณีศึกษาในรายงาน ทั้งนี้ พบว่ามูลค่าเพิ่มจาก Generative AI ส่วนใหญ่มาจากการใช้งานสำหรับการดูแลลูกค้า การตลาด และการขาย วิศวกรรมซอฟต์แวร์ และการวิจัยและพัฒนา
องค์กรระดับโลกใช้งาน Generative AI กันแบบไหน ?
ศาสตราจารย์ Thomas H. Davenport และ Maryam Alavi ได้เผยแพร่บทความ “How to Train Generative AI Using Your Company’s Data” ใน Harvard Business Review เพื่อชี้ถึงประเด็นสำคัญในการใช้งาน Generative AI ในระดับองค์กร เพื่อบริหารจัดการองค์ความรู้และฐานข้อมูลทรัพยากรอันมีค่าของแต่ละหน่วยงาน ภายใต้ข้อตระหนักว่า Generative AI ต้องถูกสอนให้เรียนรู้ (train) ข้อมูลผ่านระบบอินเทอร์เน็ตเป็นหลัก จึงไม่สามารถตอบคำถามที่เกี่ยวข้องกับข้อมูลเฉพาะที่ไม่เผยแพร่ทั่วไปได้
นอกจากนี้ ความรู้ในแต่ละองค์กรถูกสร้างและจัดเก็บในหลากหลายรูปแบบ ทั้งชุดความคิดของคนทำงาน กระบวนการทำงาน นโยบาย รายงาน รายการธุรกรรม และการหารือในที่ประชุมคณะกรรมการ เป็นต้น การบริหารจัดการองค์ความรู้ในองค์กรโดยใช้ Generative AI จึงทำได้ไม่ง่ายนัก ซึ่งการใช้งานแบ่งเป็นสามแนวทางคือ
เริ่มต้นจากศูนย์ : โดยสร้างและ train แบบจำลองทางภาษาขนาดใหญ่ (large language models, LLM) ภายใต้ข้อมูลเฉพาะในขอบเขตที่เรากำหนด ซึ่งเป็นวิธีที่ไม่ค่อยแพร่หลายนักเนื่องจากต้องใช้ทั้งข้อมูลคุณภาพสูงและนักวิทยาศาสตร์ข้อมูลที่มีศักยภาพ ตัวอย่างขององค์กรที่ใช้วิธีนี้คือ Bloomberg สำนักข่าวชั้นนำที่ให้บริการข้อมูลเศรษฐกิจการเงิน ซึ่งได้พัฒนา BloombergGPT เพื่อรองรับการใช้งานฐานข้อมูลการเงิน ข่าวสาร และเอกสารต่าง ๆ ที่สั่งสมมากว่า 40 ปี
ปรับแต่งจาก LLM เดิม : โดยสอนให้ LLM เพิ่มขอบเขตการใช้งานเข้าไปในระบบที่ได้รับการ train อยู่แล้ว จึงใช้ทรัพยากรน้อยกว่าเริ่มต้นจากศูนย์มาก ดังตัวอย่างของ Google ที่พัฒนา Med-PaLM2 สำหรับข้อมูลด้านการแพทย์ โดยปรับแต่ง PaLM2 ซึ่งเป็น LLM ที่มีอยู่ และสอนให้เรียนรู้อีกครั้ง (retrain) โดยบริหารจัดการข้อมูลด้านการแพทย์อย่างระมัดระวัง พบว่า Med-PaLM2 สามารถตอบคำถามได้ถึง 85% ของข้อสอบใบประกอบวิชาชีพแพทย์ในสหรัฐ อย่างไรก็ดี การปรับแต่ง LLM ทำได้ไม่ง่ายนัก เห็นได้จากการตีพิมพ์รายงานวิทยาศาสตร์สำหรับโครงการของ Google ที่ใช้ผู้เขียนร่วมถึง 31 คน นอกจากนี้ ผู้พัฒนา LLM หลายรายรวมถึง GPT-4 ก็ไม่อนุญาตให้ปรับแต่ง LLM
ใช้งาน LLM ในปัจจุบัน : โดยไม่ต้องปรับแต่ง และ retrain LLM เป็นแนวทางที่ถูกเลือกมากที่สุด โดยแยกระบบการจัดเก็บข้อมูลออกเป็น cloud ต่างหาก แล้วป้อนชุดคำถาม หรือ prompts ในการทำงานร่วมกับ Generative AI ภายใต้บริบทที่กำหนดขอบเขตขององค์ความรู้ที่ต้องการ LLM ก็จะสามารถตอบคำถามที่เกี่ยวข้องได้ ดังตัวอย่างของ Morgan Stanley ที่ใช้งาน GPT-4 ร่วมกับเอกสารกว่าหนึ่งแสนฉบับใน cloud เฉพาะที่เข้าถึงได้แค่พนักงานเท่านั้น เพื่อให้ที่ปรึกษาทางการเงินของบริษัทสามารถเข้าถึงข้อมูลที่ถูกต้องในประเด็นสำคัญ ๆ และให้บริการกับลูกค้าได้อย่างรวดเร็ว
Generative AI จะเป็นขุมพลังให้กับทุกองค์กรหรือไม่ ?
จุดอ่อนสำคัญของ Generative AI คือ การสร้างคำตอบมีโอกาสเป็น “ภาพลวงตา” ซึ่งไม่ถูกต้อง หรือไม่มีอยู่จริง แต่ข่าวดีก็คือ องค์กรที่ใช้งาน LLM ด้วยข้อมูลภายใต้ขอบเขตที่กำหนด เช่น BloombergGPT มีโอกาสพบภาพลวงตาน้อยกว่าการใช้งาน LLM ในรูปแบบทั่วไป นอกจากนี้ การประเมินคุณภาพของคำตอบที่ได้รับ อาทิ Morgan Stanley กำหนดชุดคำถาม 400 ข้อ เพื่อทดสอบระบบทุกครั้งที่ระบบเปลี่ยนแปลง ก็สามารถลดโอกาสที่จะเกิดคำตอบที่ไม่ถูกต้องได้เช่นกัน
นอกจากนี้ หลายองค์กร อาทิ Samsung กังวลถึงการที่ชุดคำถามของผู้ใช้งานจะถูกผนวกเข้าไปใน LLM สาธารณะในการ train ระบบในอนาคต จึงป้องกันไม่ให้ความความลับรั่วไหล โดยสั่งห้ามพนักงานใช้งาน LLM แต่ปัญหานี้ไม่น่าจะเกิดขึ้นกับองค์กรที่ปรับ LLM ให้ใช้ในขอบเขตเฉพาะ ซึ่งไม่เปิดให้คนนอกเข้าถึงข้อมูลได้ ขณะที่ ChatGPT เองก็อนุญาตให้ผู้ใช้งานปิดการจัดเก็บประวัติการสนทนาได้
โดยสรุปแล้ว Generative AI จะเป็นขุมพลังใหม่ให้กับองค์กรได้หรือไม่ ขึ้นกับความพร้อมในการใช้งานฐานข้อมูลจำเพาะขององค์กรควบคู่ไปกับการบริหารจัดการความเสี่ยง ทั้งจากระบบ และตัวพนักงานเอง นอกจากนี้ หลังจาก ChatGPT เปิดตัวมาไม่ถึงหนึ่งปีก็มีผู้ใช้งานเพิ่มขึ้นต่อเนื่องอย่างรวดเร็ว แต่เมื่อมิถุนายนที่ผ่านมาจำนวนผู้ใช้งานกลับลดลงเป็นครั้งแรก
ซึ่งอาจมีนัยบางอย่างที่ทำให้ธุรกิจและเหล่าผู้ใช้งานเริ่มตระหนักถึงข้อจำกัด หรือเกิดความกังวลต่อ AI chatbot นี่จึงเป็นเพียงช่วงเริ่มต้นที่พวกเราต้องเรียนรู้และมองให้เห็นถึงข้อดีข้อด้อยของ Generative AI ได้อย่างชัดเจนเพื่อที่จะนำไปใช้ประโยชน์ได้อย่างเหมาะสมที่สุด