Enterprise AI Trend to Watch in 2021 จาก CBInsight

2 min readApr 15, 2021

เป็นรายงานจาก CBInsight เกี่ยวกับแนวโน้มของ Enterprise AI ในปี 2021 ครับ

ก่อนอื่นหลักๆ Enterprise ก็ต้องการสิ่งที่เรียกว่า Best Practice นั่นแหละครับว่าจะทำยังไง ทีนี้สำหรับเรื่องของ AI เขาก็มีวัตถุประสงค์ไว้ว่า

หาแนวทางการจัดการข้อมูลเพื่อให้เข้าสู่การเป็น AI-First Data Management

ซึ่งในวิธีการก็มีตั้งแต่

Sourcing & Storing data
Deploy AI Model
Monitor AI Performance
Ethical Solution which compliance with regulation

ก็เดี๋ยวมาเริ่มกันเลยครับ

1. No-code AI Platform Takeoff

ในช่วงนี้เป็นช่วงที่ No-Code หรือ Low-code เป็นอะไรที่ดูน่าสนใจ ถ้าใครยังไม่เคยรู้จักก็คือ การพัฒนา Application โดยไม่จำเป็นต้องมีความสามารถด้านโค้ดที่ลึกมาก ที่มักจะเห็นกันก็จะเป็น กล่องลากๆ ให้เกิดกระบวนการทำงานนั่นเอง

เมื่อเข้ามาในส่วนของ AI No-code ก็จะช่วยให้ทีมสามารถสร้างงาน Machine Learning บางอย่างได้ โดยที่ไม่จำเป็นต้องมี Expertise ด้าน ML หรือ IT มาช่วย

โดยงานที่จะทำก็จะมีตั้งแต่

นำเอา ML มาใส่ใน workflow
จัดการข้อมูลแบบอัตโนมัติ
ลดเวลาการ deploy

โดยตัวอย่าง Platform ที่มีเช่น CreateML ของ Apple , AutoML กับ App Sheet ของ Google, C3.ai ของจีน , Ai builder กับ Lobe.ai ของ Microsoft

2. AIOps: IT and Devops Automation gain traction

ช่วงนี้จะมีคำอยู่ 2 คำที่อาจจะอยู่เหมือนจะใกล้กันแต่ไม่ใกล้กันเท่าไหร่

AIOps คือ การเอา Machine Learning มาช่วยจัดการหรือทำระบบ IT / Devops ให้เป็นอัตโนมัติ

MLOps คือการทำ Devops ใน workflow ของ Machine Learning ซึ่งตรงนี้จะไม่ได้กล่าวถึง

ทีนี้เนื่องจากความซับซ้อนของระบบภายในองค์กรที่มากขึ้น จึงจำเป็นที่จะต้องมีแนวทางที่จะช่วยในการทำงานให้ง่ายขึ้น และทำอะไรให้เป็นอัตโนมัติขึ้นมา

โดยงานที่จะมาทำก็จะเป็นงานที่เกี่ยวข้องกับข้อมูลเยอะๆ เช่น

การตรวจจับความผิดปกติภายในระบบ
การหาคอขวดของระบบ
การตรวจสอบด้านความปลอดภัย

ตัวอย่างเช่น Harness เป็นระบบ CI/CD ทำ Smart Deployment, หรือ Logz.io ที่ตรวจจับความผิดปกติในระบบ

3. Graph Neural Net find mainstream enterprise application

Graph Database เป็นระบบฐานข้อมูลอีกแบบหนึ่งที่จัดเก็บข้อมูลในรูปแบบของกราฟ

โดยปกติแล้ว Machine Learning ที่ใช้ส่วนมาก จะเกิดมาเพื่อใช้กับ Tabular data หรือ database แบบ relational ถ้าจะใช้ Graph Database ก็จะต้องมีท่าพิสดารในการจัดการเพิ่ม

แต่เนื่องจากลักษณะของ Application ในปัจจุบันมีงานที่การใช้กราฟเป็นอะไรที่ดีกว่าการใช้ฐานข้อมูลแบบปกติ ดังนั้นจึงมีการพัฒนา Neural Network ที่ใช้กับ Graph Database ในชื่อ Graph Neural Network (GNN)

โดยปัจจุบันก็เริ่มมีบริการที่สามารถใช้งานได้แล้วเช่น

Neptune ML ใช้กับ Neptune DB ของ Amazon ซึ่งพัฒนามาจาก Deep Graph Library อีกที
Fabula.AI ที่ทาง Twitter ใช้ในการตรวจจับข่าวปลอม
Aligraph ของ Alibaba ใช้ในการ ทำ Personalized search และ Recommendation
Graphsage ของ Stanford ซึ่ง Uber นำมาใช้ในการทำระบบแนะนำอาหารและร้านอาหาร

4. Stream Processing Capture Realtime IoT data for AI App

ในปัจจุบันการใช้งาน IoT ก็มีมากขึ้น ก็ทำให้ข้อมูลที่ถูกสร้างจาก IoT ต่างๆ ก็มีมากขึ้นด้วยเช่นกัน

ปกติแล้วถ้าข้อมูลเยอะๆ ก็จะมีการจัดการข้อมูลเป็นช่วงๆ ทีละเยอะๆ หรือเรียกว่า Batch Process ซึ่งวิธีการนี้ในช่วงหนึ่งก็ยังเป็นที่ยอมรับได้ แต่เมื่อเราต้องการการตอบสนองอย่างเฉียบพลัน วิธีการนี้อาจจะทำให้เสียโอกาสอะไรไปก็ได้

ดังนั้นจึงมีต้องการการวิเคราะห์แบบทันที(Instantaneous) เพื่อเพิ่มความสามารถในการตัดสินใจให้มากขึ้น

จึงเป็นที่มาของการทำ Stream data ให้กลายเป็น Event เพื่อที่จะทำให้เกิด Realtime Response

โดย Tool ที่ใช้หลายตัวก็เป็น Software ที่ใช้กันแพร่หลายเช่น Apache Kafka หรือ Apache Spark ขณะที่ก็จะมี โปรแกรมที่ช่วยในการทำ Compute แบบ in-memory เพื่อความเร็วในการประมวลผล เช่น Gigaspace

ตัวอย่างเช่น Informatica มีระบบที่ชื่อ CLAIRE ที่ทำการ ตรวจจับรูปแบบของ input แล้วใช้ AI ในการ Parse ข้อมูลแล้วนำไปวิเคราะห์ต่อ

5. Analytics Vendors Increase Support for Unstructured Data Type

80% ของข้อมูลบนโลกในนี้เป็นข้อมูลที่เรียกว่า unstructured data หรือเป็นข้อมูลที่ไม่มีรูปแบบที่ชัดเจน เมื่อไม่มีรูปแบบที่แน่นอน ก็ทำให้ยากในการจัดระเบียบ และไม่สามารถค้นหาข้อมูลเจอได้ ยกตัวอย่างเช่น เสียงที่ถูกอัดของคน แม้ว่าจะถูกทำให้เป็น Digital แล้ว แต่เราก็ไม่สามารถค้นหาข้อมูลที่อยู่ภายในเสียงพูดนั้นได้ ง่ายๆ

แต่ในปัจจุบัน AI ที่เก่งขึ้นเรื่อยๆ เริ่มที่จะเข้ามาช่วยในการจัดการข้อมูลที่เป็น Unstructured พวกนี้ให้สามารถเข้าถึงได้

ทำให้ข้อมูลมีความหลายหลายขึ้นและสามารถนำมาใช้ประโยชน์ได้มากขึ้น

ยกตัวอย่างเช่น Microsoft ที่ process ข้อมูลจากวีดีโอและเสียง

6. Transformer, multilingual model improve enterprise NLP

Transformer ในที่นี้เขาบอกว่าเป็นกลุ่มของ Pretrained Model แต่ในที่อื่น เหมือนจะเป็นสถาปัตยกรรม ตรงนี้ส่วนตัวไม่แน่ใจ แต่ประมาณว่า การมาของ Transformer จะช่วยให้ NLP Model ทำงานได้ดีขึ้น

โดยที่เราก็จะเอาเรื่องนี้มาเสริมการใช้งานต่างๆ เช่น ในเกมส์, การวิเคราะห์ Sentiment, หรือการแปล

ตัวอย่างเช่น

Sapling มีระบบที่ช่วยทีม Sale หรือ Customer Support ในการสร้างคำตอบที่ Personalized ตามลูกค้าและสถานการณ์นั้นๆ เช่น ถ้าลูกค้ากำลังโกรธ (วิเคราะห์ Sentiment) ก็จะแนะนำคำตอบให้แบบนึง
Facebook มีระบบช่วยวิเคราะห์ว่า status/ comment ที่โพสต์เป็น Hate Speech หรือไม่

7. Data Governance and Explainable AI

ในปัจจุบันก็มีความกังวลเกี่ยวกับเรื่องของข้อมูลและเรื่องของ AI มากขึ้น เรื่องนึงคือ เราไม่สามารถอธิบายได้อย่างชัดเจนมากนักว่า ทำไม AI ถึงเลือกผลลัพธ์แบบนี้มาให้เรา อีกเรื่องคือกฎต่างๆ ที่จะส่งผลต่อการจัดเก็บข้อมูล เช่น GDPR หรือแม้กระทั่ง PDPA ที่จะส่งผลต่อการใช้งาน AI สำหรับ องค์กร

ดังนั้นจึงมีเรื่องเกี่ยวกับ Ethical AI ซึ่งจะเป็นแนวทางในการหาวิธีการทำข้อมูลหรือ AI เพื่อให้สามารถดูแลจัดการได้ อธิบายที่มาที่ไปได้ ไม่ Bias และสอดคล้องกับกฎ กติกาต่างๆ