ประเภทหลักของ AI และบทบาทในงานบริหารความเสี่ยงห่วงโซ่อุปทาน

การเติบโตของปัญญาประดิษฐ์ หรือ AI โดยเฉพาะในรูปแบบใหม่ล่าสุดอย่าง generative AI ในช่วงไม่กี่ปีที่ผ่านมานั้นเติบโตอย่างก้าวกระโดดในแทบทุกตัวชี้วัด จากการวิจัยของ Goldman Sachs ในปี 2020 การลงทุนของภาคเอกชนใน AI ในสหรัฐอเมริกามีมูลค่ารวมประมาณ 28 พันล้านดอลลาร์ บริษัทหลักทรัพย์ชั้นนำดังกล่าวคาดการณ์ว่าตัวเลขนี้จะเพิ่มขึ้นเกือบ 250% ในปี 2024 ทะยานสู่ 68 พันล้านดอลลาร์ ผลสำรวจล่าสุดโดย McKinsey & Co. ยังช่วยยืนยันถึงการนำเทคโนโลยีนี้มาใช้อย่างเร่งรัดในโลกธุรกิจ ที่ปรึกษารายดังกล่าวพบว่าจำนวนธุรกิจที่ใช้ generative AI อย่างสม่ำเสมอเพิ่มขึ้นเกือบสองเท่าภายในเวลาเพียงปีเดียว ณ เดือนพฤษภาคม 2024 65% ของบริษัทที่ตอบแบบสอบถาม ซึ่งครอบคลุมกลุ่มตัวอย่างบริษัทในหลากหลายภูมิภาคและอุตสาหกรรม ใช้ปัญญาประดิษฐ์ในฟังก์ชันต่าง ๆ เช่น การตลาด การขาย และการพัฒนาผลิตภัณฑ์

สำหรับธุรกิจและผู้เชี่ยวชาญที่ดำเนินงานด้านการบริหารห่วงโซ่อุปทาน ความสามารถที่ AI มอบให้นั้นชวนให้จับตามอง ไม่ว่าจะเป็นการวิเคราะห์เชิงคาดการณ์ การพยากรณ์ความต้องการ และการประเมินความเสี่ยงในแอปพลิเคชันสำคัญต่าง ๆ ที่ส่งผลต่อธุรกิจโดยตรง อย่างไรก็ตาม ตลอด 18 เดือนที่ผ่านมา หลายองค์กรต่างตื่นเต้นกับศักยภาพอันใหญ่โตของ AI โดยไม่ได้วิเคราะห์อย่างรอบคอบว่าแพลตฟอร์มเหล่านี้จะมอบประโยชน์ที่แท้จริงในบริบทเฉพาะของตนหรือไม่ ดังนั้นทีมบริหารห่วงโซ่อุปทานที่สนใจในความเป็นไปได้ของ AI ควรเข้าใจประวัติศาสตร์ล่าสุดของเทคโนโลยีนี้ สำรวจรูปแบบ AI หลากประเภทที่มีอยู่ในปัจจุบัน และกำหนดเป้าหมายที่ชัดเจนสำหรับการใช้ซอฟต์แวร์เพื่อสร้างมูลค่าให้แก่องค์กร ในยุคที่องค์กรต่าง ๆ ทุ่มเงินไปยังสตาร์ทอัพ AI อย่างไร้ขอบเขตและขาดการพิจารณา การตรวจสอบความสามารถของเทคโนโลยีนี้อย่างรอบคอบถือเป็นกระบวนการตรวจสอบสถานะที่สำคัญ

ประเภท AI สำคัญที่ธุรกิจควรรู้จัก

ตลอด 15 ปีที่ผ่านมาเป็นยุคเติบโตอย่างรวดเร็วของปัญญาประดิษฐ์ โดยมีเทคโนโลยีรูปแบบต่าง ๆ เกิดขึ้นอย่างต่อเนื่องนับตั้งแต่ปี 2011 ที่ Apple เปิดตัว Siri ใน iPhone รุ่นที่สี่ ถือเป็น “ผู้ช่วยเสมือน” ที่ใช้งานได้จริงรายแรกบนสมาร์ทโฟน Siri ใช้แมชชีนเลิร์นนิงและ “AI แบบอ่อน” ในการตอบคำถาม ค้นหาข้อมูล และดำเนินการบางอย่าง ต่อมาศักยภาพของ Siri และผู้ช่วยเสมือนอื่น ๆ ก็ถูกแซงหน้าด้วยแพลตฟอร์มระดับปฏิวัติอย่าง ChatGPT, Dall-E, Claude และ Gemini

ภายใต้กลุ่มเทคโนโลยี AI ยังมีโซลูชันหลากหลายรูปแบบ แต่ละชนิดต่างมีจุดแข็งและฟังก์ชันเฉพาะซึ่งตอบโจทย์ธุรกิจและอุตสาหกรรมแตกต่างกัน

Machine Learning

Machine learning (ML) คือ AI ประเภทหนึ่งที่ใช้ข้อมูลปริมาณมหาศาลในการค้นหารูปแบบ ทำการคาดการณ์ “เรียนรู้” อย่างต่อเนื่อง และนำผู้ใช้งานไปสู่การตัดสินใจที่ถูกต้องแม่นยำยิ่งขึ้น แทนที่จะใช้การเขียนโปรแกรมตามคำสั่งของนักพัฒนาแบบดั้งเดิม Machine learning คือกระบวนการที่เปิดกว้างซึ่งช่วยให้คอมพิวเตอร์สามารถสั่งสมความรู้และความเชี่ยวชาญโดยการวิเคราะห์ข้อความ ตัวเลข รูปภาพ รายงาน และข้อมูลประเภทต่าง ๆ ในขณะที่นักวิทยาศาสตร์คอมพิวเตอร์ Arthur Samuel เคยให้คำจำกัดความ machine learning ขณะบุกเบิกงานวิจัยเกี่ยวกับ AI ในยุค 1950 ไว้ว่า “สาขาวิชาที่ทำให้คอมพิวเตอร์สามารถเรียนรู้ได้เองโดยไม่ต้องเขียนโปรแกรมอย่างชัดเจน”

แม้เทคโนโลยี AI ประเภทอื่นจะได้รับความสนใจและงบลงทุนมากขึ้นในขณะนี้ machine learning ยังคงเป็นโซลูชันที่มีความยืดหยุ่นสูงและพิสูจน์ศักยภาพอย่างเป็นรูปธรรมมาแล้ว Aleksander Madry นักวิทยาศาสตร์คอมพิวเตอร์และผู้เชี่ยวชาญ ML จาก MIT ยังย้ำใน MIT Sloan Management Review ว่า “Machine learning กำลังเปลี่ยนแปลงหรือจะเปลี่ยนแปลงทุกอุตสาหกรรม และผู้นำควรเข้าใจหลักพื้นฐาน ศักยภาพ และข้อจำกัด”

การประยุกต์ใช้ Machine Learning

• ระบุแนวโน้มทางธุรกิจ
• พัฒนาอัลกอริทึมแนะนำสินค้า/บริการ
• ตรวจจับจุดชะลอตัวและคอขวดในห่วงโซ่อุปทาน
• ช่วยวินิจฉัยทางการแพทย์
• ให้บริการลูกค้าผ่านแชตบอทออนไลน์

Predictive AI

ในโลกที่ AI ขยายตัวอย่างกว้างขวาง มีเครื่องมือ คำศัพท์ และแนวคิดจำนวนมากที่มักทับซ้อนกันอย่างมีนัยสำคัญ Predictive AI ก็เช่นเดียวกัน โดยใช้ machine learning รวมถึงการวิเคราะห์ทางสถิติ เพื่อตรวจสอบข้อมูลประวัติจำนวนมหาศาลและสร้างการคาดการณ์ที่แม่นยำและนำไปใช้ได้จริงเกี่ยวกับรูปแบบ พฤติกรรม หรือเหตุการณ์ในอนาคต

Predictive AI มักถูกมองว่าเป็นพัฒนาการขั้นสูงของ predictive analytics ซึ่งต้องอาศัยการมีส่วนร่วมของมนุษย์สูงกว่า ขณะที่ Predictive AI สามารถเรียนรู้และพัฒนาได้เองอย่างอัตโนมัติ

การประยุกต์ใช้ Predictive AI

• คาดการณ์พฤติกรรมผู้บริโภค
• ดำเนินการพยากรณ์ทางการเงิน
• วิเคราะห์และพยากรณ์ความต้องการ
• คาดการณ์ความเสียหายหรือการใช้งานที่ผิดปกติของอุปกรณ์
• บริหารจัดการสินค้าคงคลัง

Large Language Models (LLMs)

Large language models หรือ LLMs คือหมวดหมู่ AI ที่วิเคราะห์ข้อมูลข้อความและดาต้าจำนวนมหาศาลเพื่อเข้าใจภาษา สร้างข้อความใหม่ และสนทนาได้อย่างเป็นธรรมชาติกับมนุษย์ ปัจจุบัน LLMs ถือเป็น “foundation models” ซึ่งเป็นศัพท์ที่นักวิจัยจาก Stanford University กำหนดไว้ในปี 2021 โดย foundation model คือ AI ขนาดใหญ่ที่ผ่านการฝึกฝนด้วยชุดข้อมูลปริมาณมาก จนชำนาญในงานและฟังก์ชันหลากหลาย ศูนย์ CSET จาก Georgetown อธิบาย ไว้ว่า แทนที่จะแต่งตั้งเฉพาะจุดประสงค์อย่างเดียว “โมเดลต้นแบบ (foundation) ถูกพัฒนาให้เป็นฐานสำหรับการต่อยอดใช้งานอื่น ๆ”

LLMs มีอัตราการใช้งานเพิ่มขึ้นอย่างรวดเร็วตั้งแต่เปิดตัว Chat-GPT ในปลายปี 2022 โดย foundation models เหล่านี้ถูกนำไปใช้ในงานมากมาย ตั้งแต่อีเมล รายงาน วิทยานิพนธ์ และอื่น ๆ โดยผู้ใช้ตั้งแต่นักเรียน ครู นักวิจัย ผู้สร้างคอนเทนต์ ไปจนถึงผู้เชี่ยวชาญในธุรกิจ ทางเลือกยอดนิยมของ OpenAI ได้แก่ Google Gemini, Claude ของ Anthropic และ Llama ของ Meta

การประยุกต์ใช้ Large Language Models

• บริการลูกค้าและสนับสนุนผู้ใช้งาน
• สรุปข้อมูล/เนื้อหา
• สร้างเนื้อหา
• สร้างโค้ดคอมพิวเตอร์
• การวิจัยทางการตลาด

Generative AI

เช่นเดียวกับ machine learning และ predictive AI LLMs มีความทับซ้อนกับ generative AI อย่างมาก โดย generative AI คือศัพท์ที่ใช้เรียก AI หรือแพลตฟอร์มใด ๆ ที่มีจุดประสงค์หลักคือการสร้างเนื้อหา ดังนั้น LLMs ทั้งหมดจึงเป็น generative AI แต่ generative AI ไม่ได้เป็น LLMs เสมอไป นอกจากสร้างข้อความและสนทนาได้ตามธรรมชาติแล้ว generative AI ยังสามารถสร้างภาพคุณภาพสูง โค้ดคอมพิวเตอร์ รวมถึงเสียงเพลงหรือแทร็กเสียง ตัวอย่างเครื่องมือ generative AI ที่ไม่ใช่ LLMs เช่น DALL-E, Midjourney, AIVA และ watsonx Code Assistant ของ IBM

แม้ generative AI จะยังเป็นเทคโนโลยีใหม่ แต่กลับเข้ามามีบทบาทสำคัญในการเปลี่ยนแปลงธุรกิจอย่างรวดเร็ว ข้อมูลจากบริษัทวิจัยตลาด IDC คาดว่าเม็ดเงินลงทุนทั่วโลกใน generative AI จะเข้าใกล้ 40 พันล้านดอลลาร์ ภายในสิ้นปี 2024

การประยุกต์ใช้ Generative AI

• การตลาดและโฆษณา
• สร้างเนื้อหา
• การเขียนโปรแกรมคอมพิวเตอร์
• การค้นคว้ายาใหม่ ๆ
• การออกแบบแฟชั่น
• การพัฒนาผลิตภัณฑ์

กรณีใช้งาน AI ในการบริหารความเสี่ยงห่วงโซ่อุปทาน

สำหรับองค์กรและทีมที่ต้องการนำ AI มาใช้ด้านการบริหารความเสี่ยง การเข้าใจการประยุกต์ใช้ของเครื่องมือ AI ที่แตกต่างถือเป็นหัวใจสำคัญของการตัดสินใจเชิงกลยุทธ์ เนื่องจาก generative AI และ LLMs แม้จะได้รับความสนใจจากสื่อและเงินลงทุนสูงสุดในขณะนี้ ก็ไม่ใช่ตัวเลือกที่เหมาะสมกับความต้องการในการ บริหารความเสี่ยงห่วงโซ่อุปทาน (SCRM) เสมอไป ผู้เชี่ยวชาญด้านการจัดซื้อเชิงกลยุทธ์และผู้เชี่ยวชาญ SCRM ควรพิจารณาคุณสมบัติอันหลากหลายของ AI ทุกประเภทที่ธุรกิจเข้าถึงได้ในปัจจุบัน รวมถึง Predictive AI และ Machine learning ด้วย

หนึ่งในความท้าทายที่สำคัญยาวนานของวงการนี้ การทำ mapping ห่วงโซ่อุปทานอย่างครบถ้วนช่วยให้ผู้ผลิตเห็นภาพซัพพลายเออร์ของตน เข้าใจโครงสร้างของ sub-tier ได้ดีขึ้น และระบุความเสี่ยงก่อนจะเกิดความเสียหายร้ายแรง ระบบ AI กลายเป็นเครื่องมือสำคัญในกระบวนการซับซ้อนนี้ โดยสามารถค้นหาใบสั่งซื้อสินค้า ใบจองขนส่ง หลักฐานการขนส่ง ตลอดจนเอกสาร traceability อื่น ๆ แล้ววิเคราะห์รวมเป็น mapping ห่วงโซ่อุปทานแบบหลายชั้น ผู้เชี่ยวชาญที่ใช้โมเดล AI ที่พึ่งพา machine learning จะสามารถยกระดับการมองเห็นห่วงโซ่อุปทานของตนและเสริมความสามารถในการรับมือความผิดปกติทั้งระบบ

นอกจากเรื่อง mapping AI ยังสามารถใช้คาดการณ์ความเสียหายหรือ downtime ของอุปกรณ์ก่อนเกิดเหตุจริง Predictive analytics เคยถูกนำมาใช้จุดนี้มาก่อน แต่ Predictive AI ได้ต่อยอดความสามารถนี้ให้ก้าวหน้าไปอีกขั้น โดยอาศัยเซนเซอร์จับข้อมูลสถิติหลากหลาย เช่น อุณหภูมิ เสียง ความชื้น ความดัน และการหล่อลื่น เพื่อนำข้อมูลขนาดใหญ่จากอุปกรณ์และโครงสร้างพื้นฐานของบริษัทมาวิเคราะห์

เมื่อระบบ AI วิเคราะห์ข้อมูลพฤติกรรมนี้จนเพียงพอ แพลตฟอร์มจะสามารถวินิจฉัยสภาวะการทำงานที่เหมาะสมของอุปกรณ์ และเมื่อมีแนวโน้มเบี่ยงเบนทรุดโทรมหรือแสดงถึงประสิทธิภาพลดลง ระบบจะส่งสัญญาณเตือนแก่ทีมซ่อมบำรุง ฟีเจอร์นี้ช่วยให้ตรวจจับปัจจัยที่อาจนำไปสู่ความเสียหายของอุปกรณ์ได้ทันเวลา องค์กรผู้ผลิตจึงสามารถหลีกเลี่ยง downtime ยาวนานและผลกระทบต่อการผลิต

ผู้เชี่ยวชาญการจัดซื้อเชิงกลยุทธ์ยังสามารถใช้ AI ในการประเมินและประมวลผลผลกระทบจากความปั่นป่วนในห่วงโซ่อุปทานได้อย่างรวดเร็ว เช่น หากซัพพลายเออร์โดยตรงของผู้ผลิตยานยนต์จำเป็นต้องปิดโรงงานหลายแห่งเพราะภัยธรรมชาติ ทีมงานสามารถป้อนข้อมูลประวัติศาสตร์ที่เกี่ยวข้องและเงื่อนไขปัจจุบันเข้า AI เพื่อประเมินผลกระทบต่อการผลิตและระยะเวลาที่ล่าช้าได้อย่างแม่นยำ

สิ่งสำคัญคือต้องเน้นว่า AI ในการคาดการณ์ความปั่นป่วนนี้ยังอยู่ในระยะเริ่มต้นและยังไม่สมบูรณ์แบบ ซึ่งสะท้อนให้เห็นว่า AI สำหรับการบริหารความเสี่ยงยังอยู่ในช่วงตั้งไข่ อย่างไรก็ตามซอฟต์แวร์ AI ในปัจจุบันก็สามารถให้ข้อมูลและประมาณการเชิงวัตถุวิสัยที่ช่วยให้ผู้นำองค์กรกำหนดกลยุทธ์การรับมืออย่างมีเหตุผล แม้ข้อมูลจะยังไม่สมบูรณ์แบบแต่ก็ยังช่วยผู้ผลิตตัดสินใจ เช่น ควรเดินหน้าความร่วมมือกับซัพพลายเออร์ที่ได้รับผลกระทบ ติดต่อพันธมิตรห่วงโซ่อุปทานทดแทน หรือดำเนินการฉุกเฉินประเภทอื่นตามความเหมาะสม

ทิศทางใหม่ของ AI ใน SCRM

แม้ตลาดจะเต็มไปด้วยกระแส hype และหุ้นกลุ่ม AI จะดึงดูดการลงทุนอย่างสูง LLMs, generative AI และเครื่องมือปัญญาประดิษฐ์ล้ำสมัยอื่น ๆ ยังถือว่าอยู่ในระยะเริ่มต้นของการพัฒนา ความไม่แน่นอนนี้เป็นเหตุผลสำคัญให้บริษัทต่าง ๆ ควรดำเนินการด้วยความระมัดระวัง แต่อย่าเพิ่งอยู่เฉยรอดูคู่แข่งที่กล้าเสี่ยงทุ่มทุนนำเทคโนโลยีใหม่เข้าใช้งาน ผู้เชี่ยวชาญด้านบริหารความเสี่ยงห่วงโซ่อุปทานควรศึกษาผลกระทบของ AI รูปแบบต่าง ๆ ต่อธุรกิจของตนอย่างถี่ถ้วน ไม่ว่าจะเป็นการวิเคราะห์ต้นทุน-ผลประโยชน์ ศึกษากรณีศึกษา หรือทดลองใช้งานฟรีจากผู้ให้บริการ AI ชั้นนำต่าง ๆ การตรวจสอบเชิงลึกเหล่านี้เป็นกุญแจนำไปสู่การจัดงบประมาณของบริษัทอย่างมีข้อมูลและตัดสินใจบนพื้นฐานที่รอบคอบ โดยเริ่มจากการเข้าใจเครื่องมือแต่ละแบบที่ประกอบสร้างภูมิทัศน์ AI อันเปลี่ยนแปลงอย่างรวดเร็ว

สำหรับบริษัทที่สนใจศักยภาพของ AI ในการบริหารความเสี่ยง อาจพิจารณาศักยภาพการคาดการณ์ของแพลตฟอร์ม SCRM อย่าง Z2Data ซอฟต์แวร์ชั้นนำของอุตสาหกรรมนี้มีฟีเจอร์การคาดการณ์หลากหลาย อาทิ การประมาณการสิ้นสุดวงจรชีวิต (EOL) ของชิ้นส่วนอิเล็กทรอนิกส์ด้วยความแม่นยำย้อนหลัง 90% และระบบเฝ้าระวังรายการบริษัทที่เสี่ยงต่อการถูกคว่ำบาตรผ่านการวิเคราะห์รายงานสภาคองเกรส สอบสวน NGO และเอกสารความน่าเชื่อถือสูงอื่น ๆ ฟีเจอร์คาดการณ์เหล่านี้ร่วมกันช่วยให้ผู้ผลิตสามารถบริหารความเสี่ยงได้อย่างยืดหยุ่นและสร้างกลยุทธ์การจัดการภัยคุกคามที่ว่องไวได้อย่างมีประสิทธิภาพ

ดูข้อมูลเพิ่มเติมเกี่ยวกับ Z2Data และฟีเจอร์ด้านการคาดการณ์ที่ให้บริการลูกค้า พร้อมทั้งขอ เดโมฟรี กับผู้เชี่ยวชาญผลิตภัณฑ์ของเรา