อะเมซอน เว็บ เซอร์วิสเซส (Amazon Web Services: AWS) บริษัทในเครือ Amazon.com ประกาศความสำเร็จของมหาวิทยาลัยเชียงใหม่ (มช.) สถาบันการศึกษาและวิจัยชั้นนำของประเทศไทย ในการพัฒนา ChatGen และ Matthew แพลตฟอร์ม Generative AI แห่งแรกในวงการการศึกษาบนระบบคลาวด์ชั้นนำระดับโลก Matthew มอบความสามารถด้าน Generative AI ให้แก่บุคลากรและนักศึกษากว่า 52,000 คน โดยสามารถใช้งานฟีเจอร์ต่าง ๆ ได้อย่างครบครัน ทั้งการตอบคำถามพร้อมการอ้างอิง การสรุปเนื้อหา การวิเคราะห์ข้อมูลและรูปภาพ การสร้างเอกสาร ตลอดจนการแปลภาษา

โครงการนี้ถือเป็นก้าวสำคัญของมหาวิทยาลัยเชียงใหม่ในการมุ่งสู่การเป็น “มหาวิทยาลัย AI” ด้วยการนำเทคโนโลยี AI ขั้นสูงมาประยุกต์ใช้ เพื่อยกระดับการเรียนการสอน การวิจัย และการดำเนินงานในทุกภาคส่วนของมหาวิทยาลัย

การผลักดันให้เกิดการเข้าถึง AI อย่างทั่วถึงครั้งนี้ สอดคล้องกับสถานการณ์ปัจจุบันที่ผลสำรวจชี้ให้เห็นว่า ร้อยละ 86 ของนักศึกษายอมรับว่าใช้ AI ในการเรียน โดยร้อยละ 54 ของนักศึกษาใช้งาน AI เป็นประจำทุกสัปดาห์ ด้วยเหตุนี้ มช. จึงเล็งเห็นความสำคัญในการกำหนดแนวทางการใช้งานที่ได้มาตรฐานและมีจริยธรรม เพื่อส่งเสริมให้นักศึกษาใช้เทคโนโลยี AI อย่างเหมาะสม พร้อมทั้งสร้างโอกาสการเข้าถึงอย่างเท่าเทียม โดยเปิดให้ทุกคนสามารถใช้เครื่องมือ AI และ Generative AI ได้โดยไม่มีค่าใช้จ่าย

การประยุกต์ใช้บริการ AI จาก AWS เพื่อความเป็นเลิศทางการศึกษา

มช. มุ่งพัฒนาระบบผู้ช่วยอัจฉริยะ (Generative AI Assistant) เพื่อสนับสนุนการใช้เทคโนโลยีอย่างมีจริยธรรมสำหรับบุคลากรและนักศึกษา โดยได้เลือกใช้แพลตฟอร์มที่มีความยืดหยุ่นและขยายขนาดได้ตามความต้องการ พร้อมทั้งรวมเทคโนโลยีโมเดลภาษาขนาดใหญ่ (Large Language Model: LLM) เทคโนโลยี และบริการล่าสุดเข้าไว้ด้วยกัน นอกจากนี้ ทางมหาวิทยาลัยยังได้นำเทคโนโลยี RAG (Retrieval-Augmented Generation) ที่ขับเคลื่อนโดย AWS มาใช้งาน โดยเทคโนโลยีนี้ผสานการทำงานของโมเดล AI หลากหลายรูปแบบ เพื่อสร้างคำตอบที่สอดคล้องกับบริบทโดยอ้างอิงจากฐานข้อมูลและเอกสารของมหาวิทยาลัย

ChatGen ได้ผสานการทำงานร่วมกับ Amazon Nova เพื่อรองรับฟังก์ชันการสนทนาอัจฉริยะและระบบให้คำแนะนำอัตโนมัติ เช่น การแนะนำวิชาเรียนที่เหมาะสมสำหรับการลงทะเบียน ระบบนี้สามารถเชื่อมต่อกับโมเดล AI พื้นฐานได้หลากหลายผ่าน Amazon Bedrock ไม่ว่าจะเป็น Claude, Llama หรือ Mistral นอกจากนี้ แพลตฟอร์มยังถูกออกแบบให้ทำงานร่วมกับระบบต่าง ๆ ของมหาวิทยาลัยได้อย่างไร้รอยต่อ โดยเฉพาะการเชื่อมต่อกับฐานข้อมูลหลักผ่านแพลตฟอร์มการเชื่อมต่อแบบหลากหลาย (Multi Connectivity Platform: MCP) ทั้งนี้ ผู้ใช้งานสามารถเข้าถึงระบบได้ง่าย ๆ ด้วยบัญชี CMU IT ที่มีอยู่ และใช้งานได้ทุกที่ทุกเวลาผ่านเว็บเบราว์เซอร์บนอุปกรณ์ทุกประเภท

ยกตัวอย่างเช่น มช. ได้พัฒนาระบบ Student Compass AI โดยใช้เทคโนโลยี ChatGen เพื่อเป็นผู้ช่วยอัจฉริยะในการวางแผนการศึกษาให้สอดคล้องกับเส้นทางอาชีพของนักศึกษา ระบบนี้ไม่เพียงแต่ให้คำแนะนำในการเลือกรายวิชา การจัดตารางเรียน และการติดตามความก้าวหน้าของหลักสูตรเท่านั้น แต่ยังช่วยวิเคราะห์และวางแผนเส้นทางอาชีพผ่านการประเมินทักษะที่จำเป็น การวิเคราะห์แนวโน้มอุตสาหกรรม และการแนะนำโอกาสที่เหมาะสม ด้วยความสามารถของระบบ นักศึกษาสามารถออกแบบแผนการเรียนรู้เฉพาะบุคคลได้อย่างครบวงจร ทั้งการกำหนดเป้าหมายระยะสั้นและระยะยาว การวางแผนการฝึกงาน การพัฒนากลยุทธ์การสร้างเครือข่ายวิชาชีพ ตลอดจนการเสริมสร้างทักษะที่จำเป็นต่อการทำงาน Student Compass ยังช่วยจัดการเวลาและติดตามพัฒนาการของนักศึกษา โดยคำนึงถึงความสมดุลระหว่างความสำเร็จทางการศึกษาในปัจจุบันและเป้าหมายทางอาชีพในอนาคต ทำให้นักศึกษาสามารถตัดสินใจวางแผนอนาคตได้อย่างชาญฉลาดและมั่นใจ ทั้งนี้ มช. ยังได้นำ ChatGen ไปประยุกต์ใช้ในด้านอื่น ๆ อีกด้วย เช่น การสรุปรายงานการประชุม การประเมินผลการปฏิบัติงานของบุคลากร และระบบตอบคำถามอัตโนมัติเกี่ยวกับนโยบายต่าง ๆ ขององค์กร โดยทั้งหมดนี้ได้รับการสนับสนุนด้านเทคโนโลยีจาก AWS ที่มอบทั้งความปลอดภัยและความยืดหยุ่นในการใช้งาน AI อย่างมีประสิทธิภาพ

ChatGen เป็นเพียงส่วนหนึ่งในระบบนิเวศทางเทคโนโลยี AI ที่ มช. พัฒนาขึ้นอย่างครบวงจร โดยทำงานประสานกับระบบ Matthew ซึ่งเป็นเครื่องมือที่พัฒนาขึ้นเพื่อยกระดับผลสัมฤทธิ์ทางการศึกษาโดยเฉพาะ ด้วยการพัฒนาบน AWS เช่นเดียวกัน Matthew ได้เปิดโอกาสให้คณาจารย์สามารถสร้างผู้ช่วยอัจฉริยะที่ปรับแต่งให้เหมาะสมกับแต่ละรายวิชา ปัจจุบัน มีการสร้างผู้ช่วยอัจฉริยะแล้วมากกว่า 1,000 รูปแบบ เพื่อสนับสนุนการเรียนรู้ของนักศึกษาในหลากหลายด้าน ทั้งการเตรียมเนื้อหาการเรียน การพัฒนาระบบติวเตอร์อัจฉริยะ ตลอดจนการเสริมสร้างทักษะที่จำเป็นในการใช้งาน AI อย่างการเขียนคำสั่ง (Prompt Engineering)

การใช้ AI อย่างมีจริยธรรม

มช. ได้วางแนวทางที่ชัดเจนในการใช้ Generative AI พร้อมทั้งนำระบบตรวจสอบการคัดลอกผลงานมาใช้ในการตรวจสอบชิ้นงานของนักศึกษา เพื่อให้มั่นใจว่าการนำเทคโนโลยีมาใช้เป็นไปตามกรอบจริยธรรมของมหาวิทยาลัย โดยได้รับการสนับสนุนจากบริการของ AWS ผ่านการใช้ Amazon Bedrock Guardrails ที่ช่วยควบคุมการใช้ AI อย่างปลอดภัย และ Amazon Simple Storage Service (Amazon S3) ที่ให้บริการจัดเก็บฐานข้อมูลความรู้ขนาดใหญ่ของมหาวิทยาลัยอย่างมีประสิทธิภาพ

ผู้ช่วยศาสตราจารย์ ดร.ชาย รังสิยากูล ผู้อำนวยการศูนย์บริหารจัดการเมืองเพื่อความยั่งยืน มหาวิทยาลัยเชียงใหม่ กล่าวว่า “การก้าวสู่การเป็นมหาวิทยาลัย AI ไม่ใช่เพียงแค่การนำเทคโนโลยีใหม่มาใช้ แต่เป็นการปรับเปลี่ยนวิธีคิดในการสอน การวิจัย และการทำงานของเราใหม่ทั้งหมด ด้วยบริการ Generative AI จาก AWS ทั้ง Amazon Bedrock และ Amazon Nova ทำให้เราสามารถพัฒนาเครื่องมืออย่าง ChatGen และ Matthew เพื่อให้นักศึกษาทุกคนเข้าถึง AI ได้ โดยยังคงรักษาคุณค่าทางวิชาการและจริยธรรมไว้อย่างครบถ้วน”

ผู้ช่วยศาสตราจารย์ ดร.ธนาทิพย์ จันทร์คง อาจารย์ประจำคณะวิศวกรรมศาสตร์ มหาวิทยาลัยเชียงใหม่ เปิดเผยว่า “Matthew ได้เปลี่ยนวิธีการสอนการใช้งาน AI ของอ. ไปอย่างสิ้นเชิง อ.สามารถพัฒนาผู้ช่วยอัจฉริยะที่ชื่อ Kathi ขึ้นมาเพื่อช่วยแนะนำนักศึกษาจากทุกคณะในการเขียนคำสั่งที่เหมาะสมกับศาสตร์ในแต่ละสาขา โดย Kathi จะวิเคราะห์และให้คำแนะนำที่สร้างสรรค์เพื่อพัฒนาทักษะของนักศึกษา ซึ่งได้รับการตอบรับที่ดีมากจากนักศึกษา เพราะระบบช่วยสอนแบบเป็นขั้นตอนนี้ช่วยให้พวกเขามั่นใจในการใช้ AI เป็นเครื่องมือสนับสนุนการเรียนรู้มากขึ้น”

อีริค คอนราด (Eric Conrad) กรรมการผู้จัดการด้านภาครัฐระดับภูมิภาคอาเซียนของ AWS กล่าวว่า “เทคโนโลยี AI กำลังสร้างการเปลี่ยนแปลงครั้งสำคัญในวงการการศึกษา และสถาบันการศึกษาที่พร้อมรับและปรับตัวอย่างชาญฉลาดจะเป็นผู้กำหนดทิศ

ทางการเรียนรู้ในอนาคต มหาวิทยาลัยเชียงใหม่ถือเป็นผู้นำการเปลี่ยนแปลงที่นำบริการ AI อันทรงประสิทธิภาพของ AWS มาประยุกต์ใช้ เพื่อเปิดโอกาสให้ทั้งนักศึกษาและคณาจารย์สามารถใช้ประโยชน์จาก AI สร้างสรรค์ได้อย่างเต็มที่ การนำ Amazon Bedrock และ ChatGen มาใช้ไม่เพียงทำให้เทคโนโลยี AI เป็นเครื่องมือที่ทุกคนเข้าถึงได้ แต่ยังวางรากฐานการใช้งานอย่างมีความรับผิดชอบ สร้างแบบอย่างที่ดีให้กับสถาบันการศึกษาทั่วโลก”

· 35% ของผู้ใช้สมาร์ทโฟน 5G ยินดีจ่ายค่าบริการกับการเชื่อมต่อที่มีคุณภาพแตกต่างกัน

· ผลวิจัยฉบับนี้เป็นตัวแทนผู้บริโภค 1.1 พันล้านราย ซึ่งในจำนวนนี้มีผู้ใช้สมาร์ทโฟน 5G อยู่ 750 ล้านราย

· รายงานนี้ยังชี้ให้เห็นโอกาสในการสร้างรายได้ให้กับผู้ให้บริการด้านการสื่อสาร (CSP)

ผลวิจัยล่าสุดจาก Ericsson (NASDAQ: ERIC) ConsumerLab เผยการใช้แอปพลิเคชัน Generative AI กำลังกลายเป็นปัจจัยสำคัญที่กระตุ้นความสนใจกับการเชื่อมต่อที่แตกต่างตามการใช้งานที่จำเป็นของผู้ใช้สมาร์ทโฟน 5G ทั่วโลก พร้อมรับประกันว่าการเชื่อมต่อจะมีคุณภาพอยู่ในระดับไฮเอนด์และไม่สะดุดในเวลาที่ต้องการใช้งานมากที่สุด

จากจำนวนเจ้าของสมาร์ทโฟนที่ใช้แอป Generative AI อย่างน้อยสัปดาห์ละครั้งที่คาดว่าจะเพิ่มขึ้น 2.5 เท่าในอีก 5 ปีข้างหน้า โดยการเติบโตอย่างรวดเร็วนี้สอดคล้องกับยูสเคสการใช้งานเครือข่ายที่มีความแตกต่างกันเช่นวิดีโอคอล สตรีมมิ่ง และการชำระเงินออนไลน์ ที่ผู้ใช้ระบุว่าพวกเขาเต็มใจจ่ายเพิ่มกับบริการในระดับพรีเมียม

บริการเชื่อมต่อที่มีความแตกต่างและผู้บริโภคที่เต็มใจจ่ายค่าบริการให้กับผู้ให้บริการด้านการสื่อสาร (CSP) เพื่อรับประกันว่าจะได้รับการเชื่อมต่อประสิทธิภาพสูงในการใช้งานแอปที่จำเป็น เป็นหัวข้อในรายงานระดับโลกล่าสุดจาก Ericsson ConsumerLab ในชื่อว่า Elevating 5G with Differentiated Connectivity ซึ่งเผยแพร่เมื่อวันที่ 13 พฤศจิกายน ที่ผ่านมา

เกือบ 1 ใน 4 ของผู้ใช้ Gen AI ระบุว่ายินดีจ่ายค่าบริการเพิ่ม 35% กับบริการที่รับประกันว่าจะได้รับประสบการณ์การเชื่อมต่อที่รวดเร็วและปลอดภัยระหว่างที่ใช้แอปพลิเคชันที่มีความจุสูง

ผลการวิจัยยังชี้ให้เห็นว่า 35% ของผู้ใช้สมาร์ทโฟน 5G สนใจที่จะจ่ายค่าบริการเพื่อให้ได้ประสิทธิภาพการเชื่อมต่อที่แตกต่างกันสำหรับใช้งานแอปพลิเคชันที่จำเป็นต่าง ๆ

รายงานฉบับนี้ ยังระบุถึงโอกาสต่าง ๆ ในการสร้างรายได้สำหรับผู้ให้บริการด้านการสื่อสารอีกด้วย

แจสมีต เซธิ หัวหน้าฝ่ายวิจัย ConsumerLab ของอีริคสัน กล่าวว่า “ผลการวิจัยล่าสุดในรายงาน Ericsson ConsumerLab เผยว่า เมื่อแอปพลิเคชันที่ขับเคลื่อนด้วย AI ได้รับความนิยมแพร่หลายมากขึ้น ความคาดหวังของผู้ใช้ต่อประสบการณ์การเชื่อมต่อที่ดีก็เพิ่มขึ้นตามไปด้วย สะท้อนให้เห็นว่าผู้บริโภคคาดหวังความสามารถในอนาคตของแอปพลิเคชัน AI ที่อาจเกี่ยวข้องกับ การสร้างภาพ เสียง หรือวิดีโอ และพวกเขาเต็มใจที่จะจ่ายค่าบริการเพื่อให้ได้ความสามารถเหล่านั้นมาใช้ทำงานที่ได้ความรวดเร็วและมีคุณภาพสูง

นี่เป็นสัญญาณบ่งชี้ถึงโอกาสของผู้ให้บริการทั่วโลกที่จะสามารถตอบสนองความต้องการนี้ได้ด้วยการมอบประสบการณ์การเชื่อมต่อที่ปรับแต่งได้”

เซธิ กล่าวเพิ่มเติมว่า “เมื่อผู้ให้บริการปรับใช้โมเดลธุรกิจที่เน้นประสิทธิภาพ จะมีโอกาสสร้างรายได้เพิ่มขึ้นจากบริการเชื่อมต่อที่แตกต่าง รวมถึงการนำเสนอแพ็กเกจบริการที่สามารถปรับแต่งและการรับประกันคุณภาพการเชื่อมต่อที่เหมาะสมกับความต้องการของลูกค้าแต่ละกลุ่มในตลาด”

“การเปลี่ยนแปลงนี้อาจส่งผลให้รายได้เฉลี่ยต่อผู้ใช้ (ARPU) ของบริการ 5G เพิ่มขึ้น 5-12% เนื่องจากผู้ใช้งานต้องการประสิทธิภาพที่เชื่อถือได้และมีการรับประกันสำหรับแอปพลิเคชันเฉพาะด้าน นอกจากนี้ ยังมีโอกาสปลดล็อกช่องทางสร้างรายได้ใหม่ ๆ จากความต้องการอย่างมีนัยสำคัญของกลุ่มผู้ใช้บริการ 5G ที่ต้องการใช้แอปประสิทธิภาพสูง โดย 1 ใน 3 ของผู้ใช้สมาร์ทโฟน 5G ยินดีจัดสรรงบประมาณ 10% จากค่าใช้จ่ายแอปมือถือในปัจจุบัน เพื่อมาซื้อแอปที่มีคุณภาพการเชื่อมต่อสูงอยู่ในตัว ด้วยการเปิดให้นักพัฒนาเข้าถึง Network APIs แบบ Quality on Demand (QoD) ทำให้ผู้ให้บริการฯ สามารถตอบสนองความต้องการนี้ได้ และช่วยให้นักพัฒนาสามารถนำเสนอประสบการณ์ระดับพรีเมียมที่มีประสิทธิภาพสูง พร้อมปลดล็อกช่องทางรายได้ใหม่ ๆ ในกระบวนการนี้ได้” เซธิ กล่าวเพิ่ม

ประเด็นสำคัญ:

· พร้อมจ่ายค่าบริการเพิ่ม: 35% ของผู้ใช้ 5G ทั่วโลก ยินดีจ่ายเพิ่มเพื่อรับบริการเชื่อมต่อที่มีคุณภาพแตกต่างกัน เพื่อรับประกันประสิทธิภาพที่ดีขึ้นกับงานที่มีความสำคัญ

· กลุ่มผู้ใช้ที่ต้องการความมั่นใจ หรือ Assurance Seekers: แม้จะมีความเชื่อว่าผู้ใช้จะไม่ยอมจ่ายค่าบริการเครือข่ายเพิ่ม แต่ผลสำรวจพบว่า 20% ของผู้ใช้งาน ซึ่งเรียกว่า 'Assurance Seekers' กำลังมองหาการเชื่อมต่อคุณภาพสูงเพื่อใช้แอปพลิเคชันสำคัญและพวกเขาเต็มใจจะจ่ายเพิ่ม

· ความต้องการใช้แอป Gen AI: คาดว่าจำนวนผู้ใช้สมาร์ทโฟนที่ใช้แอป Gen AI รายสัปดาห์จะเพิ่มขึ้น 2.5 เท่าในอีก 5 ปีข้างหน้า โดย 1 ใน 4 ของผู้ใช้ AI ในปัจจุบัน เต็มใจจ่ายค่าบริการเพิ่มถึง 35% เพื่อแลกกับบริการเชื่อมต่อที่มีคุณภาพแตกต่าง เพื่อให้มั่นใจว่าจะได้รับประสิทธิภาพที่รวดเร็วและตอบสนองเป็นอย่างดีเมื่อใช้แอป AI

· ความสนใจระดับภูมิภาค: ตลาดอินเดีย ประเทศไทยและซาอุดีอาระเบีย มีสัดส่วนผู้ใช้สมาร์ทโฟนที่สนใจบริการเชื่อมต่อที่แตกต่างหรือ Differentiated Connectivity มากกว่าฝรั่งเศสและสเปนถึง 2 เท่า

· 5 ขั้นตอนสำหรับผู้ให้บริการ: รายงานฉบับนี้ยังได้นำเสนอการวางแนวทางสำหรับผู้ให้บริการด้านการสื่อสาร เพื่อเปลี่ยนจากการให้บริการอินเทอร์เน็ตบรอดแบนด์มือถือทั่วไป ไปสู่โมเดลที่ขับเคลื่อนด้วยประสิทธิภาพและแพลตฟอร์ม ซึ่ง Network APIs จะช่วยให้นักพัฒนาสามารถสร้างประสบการณ์การใช้แอปที่ปรับแต่งเฉพาะได้

การสำรวจนี้เป็นการสำรวจทางออนไลน์กับผู้ใช้สมาร์ทโฟนจำนวนมากกว่า 23,000 ราย และมากกว่า 17,000 รายเป็นผู้ใช้สมาร์ทโฟน 5G โดยมีอายุระหว่าง 15-69 ปี ครอบคลุมใน 16 ตลาดสำคัญทั่วโลก นักวิจัยของอีริคสันยังระบุว่าการสำรวจนี้เสมือนเป็นตัวแทนผู้ใช้บริการมือถือ 1.1 พันล้านคนโดยในจำนวนนี้เป็นผู้ใช้สมาร์ทโฟน 5G 750 ล้านราย

ผู้ใช้บริการ 5G ที่ร่วมการสำรวจมาจาก: ออสเตรเลีย, บราซิล, แคนาดา, จีน, ฝรั่งเศส, ฮ่องกง, อินเดีย, ซาอุดีอาระเบีย, สิงคโปร์, เกาหลีใต้, สเปน, ไต้หวัน, ไทย, สหรัฐอาหรับเอมิเรตส์, สหราชอาณาจักร และสหรัฐอเมริกา

การ์ทเนอร์คาดการณ์ว่าในอีกสามปี (พ.ศ. 2570) 40% ของโซลูชัน Generative AI จะทำงานในแบบมัลติโหมดที่จะสามารถประมวลผล ทำความเข้าใจและทำงานร่วมกับข้อมูลได้มากกว่าหนึ่งประเภท (อาทิ ข้อความ, รูปภาพ, เสียง และวิดีโอ) ซึ่งเพิ่มขึ้นจาก 1% ในปี 2566 โดยการเปลี่ยนแปลงนี้ทำให้ Human-AI มีปฏิสัมพันธ์ที่พัฒนายิ่งขึ้น และยังมอบโอกาสที่จะสร้างความต่างให้กับสิ่งที่ GenAI มีให้

เอริค เบรทเดอนิวซ์ รองประธานฝ่ายวิจัยการ์ทเนอร์ กล่าวว่า “เนื่องจากตลาด GenAI วิวัฒน์ไปสู่โมเดลที่เกิดและพัฒนาด้วยโหมดต่าง ๆ มากกว่าหนึ่งโหมด สิ่งนี้ช่วยสะท้อนภาพความสัมพันธ์ระหว่างข้อมูลที่ส่งออกมาในปริมาณมากและเพิ่มขึ้นต่อเนื่องที่แตกต่างกัน และมีศักยภาพในการปรับขนาดการใช้และเพิ่มประโยชน์ของ GenAI ให้ครอบคลุมประเภทข้อมูลและแอปพลิเคชันทั้งหมด นอกจากนี้ยังช่วยให้ AI สนับสนุนการทำงานของมนุษย์ได้มากขึ้นโดยไม่คำนึงถึงสภาพแวดล้อม”

Multimodal GenAI เป็นหนึ่งในสองเทคโนโลยีที่ได้รับการระบุไว้ในรายงาน Gartner Hype Cycle for Generative AI ปีนี้ โดยการนำมาใช้ช่วงแรกอาจสร้างความได้เปรียบในการแข่งขันที่สำคัญและเพิ่มประสิทธิภาพในด้านระยะเวลาในการนำออกสู่ตลาด ควบคู่ไปกับโมเดลภาษาโอเพนซอร์สขนาดใหญ่ (LLM) ทำให้เทคโนโลยีทั้งสองมีศักยภาพที่จะสร้างผลกระทบสูงต่อองค์กรอย่างสูงภายในห้าปีข้างหน้านี้  บรรดานวัตกรรม GenAI ที่การ์ทเนอร์คาดว่าจะได้รับการยอมรับแพร่หลายภายใน 10 ปีนั้น มีเทคโนโลยี 2 ประเภทที่ได้รับการระบุว่ามีศักยภาพสูงสุด ได้แก่ Domain-Specific GenAI Models และ Autonomous Agents

อรุณ จันทรเศกการัน รองประธานฝ่ายวิจัยของการ์ทเนอร์ กล่าวว่า “การวิเคราะห์แนวโน้มระบบนิเวศของ GenAI ยังคงเป็นเรื่องยากสำหรับองค์กร เนื่องจากระบบนิเวศของเทคโนโลยีนี้และผู้ผลิตหรือผู้ให้บริการเทคโนโลยีนั้นมีการเปลี่ยนแปลงอย่างรวดเร็ว โดย GenAI กำลังอยู่ในช่วงขาลงเมื่ออุตสาหกรรมเริ่มรวมตัวเข้าด้วยกัน ทว่าประโยชน์ที่แท้จริงจะเกิดขึ้นเมื่อกระแสนี้ลดลง และตามมาด้วยขีดความสามารถที่ก้าวหน้าขึ้นจะเกิดขึ้นรวดเร็วไปอีกมากในอีกไม่กี่ปีข้างหน้านี้”

Multimodal GenAI

Multimodal GenAI จะมีผลกระทบต่อแอปพลิเคชันองค์กรอย่างมาก จากการเพิ่มคุณสมบัติและฟังก์ชันใหม่ ๆ ที่วิธีอื่น ๆ ทำไม่ได้ และผลกระทบนั้นไม่ได้จำกัดอยู่แค่เฉพาะอุตสาหกรรมหรือยูสเคสการใช้งานเฉพาะเท่านั้น แต่ยังสามารถนำไปประยุกต์ใช้ในทุก Touchpoint ระหว่าง AI กับมนุษย์ ปัจจุบัน Multimodal Model หลาย ๆ ตัวยังมีข้อจำกัดอยู่เพียงสองหรือสามโหมดเท่านั้น แต่อีกไม่กี่ปีข้างหน้าจะเพิ่มขึ้นเพื่อให้ครอบคลุมมากขึ้น

“ในโลกความเป็นจริง ผู้คนจะพบเจอและเข้าใจข้อมูลผ่านการประมวลผลที่เป็นการผสมผสานของข้อมูลหลากหลายประเภท อาทิ เสียง ภาพและการสัมผัส โดย Multimodal GenAI นั้นมีความสำคัญอย่างยิ่ง เนื่องจากข้อมูลโดยทั่วไปนั้นจะประกอบด้วยประเภทต่าง ๆ อยู่แล้ว เมื่อนำ Single Modality Models มาประกอบเข้าด้วยกันเพื่อรองรับแอปพลิเคชัน Multimodal GenAI มักส่งผลให้เกิดความล่าช้าและลดความแม่นยำของผลลัพธ์ ส่งผลให้ได้รับประสบการณ์ที่มีคุณภาพต่ำ” เบรทเดอนิวซ์ กล่าวเพิ่ม

Open-Source LLMs LLM แบบโอเพ่นซอร์สเป็นโมเดลพื้นฐานการเรียนรู้เชิงลึกที่เร่งมูลค่าองค์กรจากการนำ GenAI ไปปรับใช้งาน โดยทำให้การเข้าถึงเชิงพาณิชย์ได้อย่างเสรีและอนุญาตให้ผู้พัฒนาปรับแต่งโมเดลให้เหมาะกับงานและยูสเคสการใช้งานเฉพาะ นอกจากนี้ ยังสามารถเข้าถึงชุมชนนักพัฒนาในองค์กร สถาบันการศึกษา และบทบาทการวิจัยอื่น ๆ ที่กำลังทำงานเพื่อเป้าหมายร่วมกันปรับปรุงและทำให้โมเดลนี้มีคุณค่ามากขึ้น

“LLM แบบโอเพ่นซอร์สเพิ่มศักยภาพด้านนวัตกรรมผ่านการปรับแต่งอย่างเหมาะสม ทำให้การควบคุมความเป็นส่วนตัวและความปลอดภัยดีขึ้น โมเดลมีความโปร่งใส มีความสามารถเพิ่มจากการพัฒนาร่วมกัน และมีศักยภาพในการลดการผูกขาดของผู้ขาย ท้ายที่สุดแล้ว LLM นำเสนอโมเดลขนาดเล็กกว่าให้กับองค์กร ซึ่งฝึกฝนได้ง่ายและมีค่าใช้จ่ายน้อยกว่า และเปิดใช้งานแอปพลิเคชันทางธุรกิจและกระบวนการทางธุรกิจหลัก” จันทราเสการัน กล่าวเพิ่ม

Domain-Specific GenAI Models

Domain-Specific GenAI Models ได้รับการพัฒนาเพื่อตอบสนองต่อความต้องการของอุตสาหกรรม ฟังก์ชันทางธุรกิจ หรือภารกิจที่มีความเฉพาะ โดยโมเดลเหล่านี้สามารถเพิ่มประสิทธิภาพของการจัดวางยูสเคสการใช้งานภายในองค์กรได้ พร้อมมอบความแม่นยำ ความปลอดภัย และความเป็นส่วนตัวที่ดีกว่า รวมถึงคำตอบที่เข้าใจบริบท ซึ่งช่วยลดความจำเป็นในการออกแบบข้อความที่ใช้สื่อสารกับโมเดล AI เทียบกับโมเดล AI ที่พัฒนามาเพื่อวัตถุประสงค์ทั่วไป และยังสามารถลดความเสี่ยงจากกรณีที่ AI อาจสร้างภาพหลอนขึ้นมาเอง (Hallucination Risks) จากการฝึกฝนที่เน้นการกำหนดเป้าหมาย

“Domain-specific models สามารถร่นระยะเวลาส่งมอบบริการตามความต้องการ (Time to Value) ประสิทธิภาพเพิ่มขึ้นและมีความปลอดภัยสูงขึ้นสำหรับโครงการ AI ต่าง ๆ โดยการนำเสนอจุด Start ที่ก้าวล้ำกว่าสำหรับงานอุตสาหกรรมเฉพาะ สิ่งนี้จะส่งเสริมการนำ GenAI มาใช้อย่างแพร่หลายมากขึ้น เนื่องจากองค์กรต่าง ๆ จะสามารถนำไปประยุกต์ใช้ในยูสเคสที่ General-Purpose Models ไม่มีประสิทธิภาพเพียงพอ” จันทราเสการัน กล่าวเพิ่ม

Autonomous Agents

Autonomous Agents คือ ระบบรวม (Combined Systems) ที่สามารถบรรลุเป้าหมายที่กำหนดไว้ได้โดยปราศจากมนุษย์ โดยใช้เทคนิค AI ที่หลากหลายในการระบุรูปแบบของสภาพแวดล้อม การตัดสินใจ การจัดลำดับการดำเนินการและสร้างผลลัพธ์ โดยตัวแทนเหล่านี้มีศักยภาพเรียนรู้จากสภาพแวดล้อมและปรับปรุงตลอดเวลา ทำให้สามารถจัดการงานที่ซับซ้อนได้

“Autonomous Agents เป็นการเปลี่ยนแปลงครั้งสำคัญของความสามารถ AI โดยความสามารถดำเนินการและตัดสินใจได้อย่างอิสระช่วยปรับปรุงการดำเนินธุรกิจ สร้างประสบการณ์ที่ดีให้กับลูกค้า และใช้ในการเปิดตัวผลิตภัณฑ์และบริการใหม่ ๆ ส่งผลให้ประหยัดต้นทุนและมีความได้เปรียบทางการแข่งขัน นอกจากนี้ยังเปลี่ยนบทบาทของทีมงานในองค์กรจากการส่งมอบ (Delivery) เป็นการควบคุมดูแล (Supervision) แทน”

ซิสโก้ (NASDAQ: CSCO)  บริษัทชั้นนำด้านเทคโนโลยีระบบรักษาความปลอดภัยและเครือข่าย ได้ประกาศเปิดตัวโซลูชั่นคลัสเตอร์ AI ที่ก้าวล้ำ พร้อมด้วยเทคโนโลยีจาก NVIDIA สำหรับดาต้าเซ็นเตอร์ยุคใหม่ที่จะพลิกโฉมการสร้าง การจัดการ และการปรับแต่งโครงสร้างพื้นฐานและซอฟต์แวร์

ภายใต้วิสัยทัศน์ Cisco Networking Cloud ซึ่งมุ่งที่จะลดความซับซ้อนของเครือข่าย ซิสโก้ได้นำเสนอโซลูชั่นโครงสร้างพื้นฐานแบบครบวงจรที่พร้อมใช้งานในระดับองค์กร เพื่อรองรับเวิร์กโหลด Generative AI โดยโซลูชั่นคลัสเตอร์ Cisco Nexus HyperFabric AI ผสานรวมเครือข่ายแบบ AI-native ของซิสโก้ เข้ากับระบบประมวลผลที่มีการเร่งความเร็วและซอฟต์แวร์ AI ของ NVIDIA และที่เก็บข้อมูล VAST ที่แข็งแกร่ง โซลูชั่นดังกล่าวได้รับการออกแบบเป็นพิเศษเพื่อช่วยให้ลูกค้าสามารถโฟกัสไปที่การสร้างสรรค์นวัตกรรมที่ขับเคลื่อนด้วย AI รวมถึงโอกาสใหม่ๆ ในการสร้างรายได้ โดยไม่ต้องวุ่นวายกับการจัดการระบบไอที

รายงานแนวโน้มด้านระบบเครือข่ายทั่วโลก (Global Networking Trends Report) ฉบับล่าสุดของซิสโก้ ระบุว่า ในช่วงสองปีข้างหน้า 60% ของผู้บริหารและบุคลากรด้านไอทีคาดว่าจะมีการปรับใช้ระบบเครือข่ายอัตโนมัติเชิงคาดการณ์ที่รองรับ AI ในทุกโดเมน เพื่อให้สามารถจัดการ NetOps ได้ดียิ่งขึ้น1 นอกจากนี้ 75% มีแผนที่จะปรับใช้เครื่องมือที่รองรับการตรวจสอบแบบครบวงจรผ่านคอนโซลหนึ่งเดียว ครอบคลุมโดเมนเครือข่ายที่แตกต่างกัน เช่น เครือข่ายแคมปัสและสาขา, WAN, ดาต้าเซ็นเตอร์, อินเทอร์เน็ต, ระบบ คลาวด์สาธารณะ และเครือข่ายอุตสาหกรรม

โจนาธาน เดวิดสัน รองประธานบริหารและผู้จัดการทั่วไปของ Cisco Networking กล่าวว่า “ถึงแม้ว่าอนาคตของ AI จะมีความชัดเจน แต่หนทางข้างหน้าสำหรับหลายๆ องค์กรที่เพิ่งเริ่มต้นการปรับใช้เทคโนโลยีกลับไม่เป็นเช่นนั้น กล่าวคือ ลูกค้าส่วนใหญ่มักจะต้องเผชิญกับปัญหาท้าทายทางด้านการเงินและการดำเนินงานสำหรับการเริ่มต้นใช้งาน AI Stack ซิสโก้มุ่งมั่นที่จะปรับปรุงการติดตั้งใช้งานและการจัดการโครงสร้างพื้นฐาน AI ให้สะดวกง่ายดายมากขึ้น โดยเราได้ร่วมมือกับ NVIDIA เพื่อนำเสนอโซลูชั่น AI Stack ที่ปรับใช้ได้อย่างง่ายดายและควบคุมผ่านระบบคลาวด์ โซลูชั่นที่ว่านี้สร้างขึ้นภายใต้วิสัยทัศน์แพลตฟอร์ม Cisco Networking Cloud ของเรา ซึ่งมุ่งเน้นการทำงานแบบอัตโนมัติและเรียบง่าย”

เควิน ไดเออร์ลิง รองประธานอาวุโสฝ่ายระบบเครือข่ายของ NVIDIA กล่าวว่า “Generative AI จำเป็นต้องใช้โครงสร้างพื้นฐานและซอฟต์แวร์ที่ออกแบบและสร้างขึ้นเพื่อการนี้โดยเฉพาะ เพื่อให้องค์กรต่างๆ สามารถเปลี่ยนข้อมูลที่มีอยู่ให้กลายเป็นเชื้อเพลิงสำหรับการพลิกโฉมธุรกิจได้อย่างปลอดภัยและมีประสิทธิภาพ NVIDIA และซิสโก้ร่วมมือกันเพื่อส่งมอบแพลตฟอร์ม AI และระบบควบคุมที่พร้อมใช้งานสำหรับองค์กร เพื่อเพิ่มความสะดวกในการติดตั้งใช้งานระบบประมวลผลแบบเร่งความเร็ว ระบบเครือข่าย และซอฟต์แวร์ที่จำเป็นสำหรับเวิร์กโหลด Generative AI”

ซิสโก้ได้ตอกย้ำถึงความมุ่งมั่นในการช่วยให้ลูกค้าสามารถปรับใช้โครงสร้างพื้นฐาน AI ได้อย่างรวดเร็ว นอกจากนี้ ซิสโก้ยังส่งมอบเครื่องมือที่เหมาะสมให้กับลูกค้าเพื่อสร้างเครือข่าย AI-native ที่ใช้งานง่าย สามารถคาดการณ์ความล้มเหลวในการทำงาน ตลอดจนวินิจฉัยและแก้ไขปัญหาได้อย่างฉับไว

วิธีการทำงานของ Cisco Nexus HyperFabric AI Cluster

โซลูชั่นนี้รองรับการออกแบบ ปรับใช้ ตรวจสอบ และรับรองพ็อด AI และเวิร์กโหลดของดาต้าเซ็นเตอร์อย่างครบวงจร โดยจะแนะนำผู้ใช้ตั้งแต่ขั้นตอนการออกแบบ ไปจนถึงการติดตั้งใช้งานที่ผ่านการตรวจสอบยืนยัน ไปจนถึงการตรวจสอบดูแลและรับรองโครงสร้างพื้นฐาน AI ที่พร้อมใช้งานระดับองค์กร ด้วยความสามารถในการจัดการระบบคลาวด์ ลูกค้าจะสามารถติดตั้งและจัดการแฟบริคขนาดใหญ่ที่ครอบคลุมทั่วทั้งดาต้าเซ็นเตอร์ ระบบโคโลเคชั่น (Colocation) และไซต์ Edge ได้อย่างง่ายดาย

โซลูชั่นคลัสเตอร์ Cisco Nexus HyperFabric AI นำเสนอการทำงานแบบอัตโนมัติที่ควบคุมจัดการผ่านระบบคลาวด์ ครอบคลุมระบบประมวลผลและเครือข่ายแบบครบวงจรที่ผสานรวมความเชี่ยวชาญด้านสวิตช์อีเธอร์เน็ตของซิสโก้บน Cisco Silicon One โดยบูรณาการเข้ากับระบบประมวลผลแบบเร่งความเร็วของ NVIDIA และซอฟต์แวร์ NVIDIA AI Enterprise รวมไปถึงแพลตฟอร์มการจัดเก็บข้อมูลของ VAST โซลูชั่นดังกล่าวประกอบด้วย:

· ความสามารถในการจัดการระบบคลาวด์ของซิสโก้ ซึ่งจะช่วยลดความยุ่งยากซับซ้อนของการดำเนินงานด้านไอทีในทุกขั้นตอนของเวิร์กโฟลว์

· สวิตช์ Cisco Nexus 6000 series สำหรับ Spine และ Leaf ซึ่งให้ประสิทธิภาพของแฟบริคอีเธอร์เน็ต 400G และ 800G

· โมดูล QSFP-DD ในตระกูล Cisco Optics ซึ่งช่วยเพิ่มทางเลือกให้แก่ลูกค้าและให้ความหนาแน่นสูงมาก

· ซอฟต์แวร์ NVIDIA AI Enterprise ซึ่งช่วยเพิ่มความคล่องตัวในการพัฒนาและปรับใช้เวิร์กโหลด Generative AI ในระดับเทียบเท่าการใช้งานจริง

· ไมโครเซอร์วิสการอนุมาน NVIDIA NIM ที่เพิ่มความรวดเร็วในการปรับใช้โมเดลพื้นฐาน พร้อมทั้งรับประกันความปลอดภัยของข้อมูล และสามารถใช้งานร่วมกับ NVIDIA AI Enterprise · NVIDIA Tensor Core GPU ที่เริ่มต้นด้วย NVIDIA H200 NVL ได้รับการออกแบบเป็นพิเศษเพื่อเพิ่มพลังให้กับเวิร์กโหลด Generative AI ด้วยสมรรถนะที่เหนือชั้นและความสามารถของหน่วยความจำที่เหนือกว่า

· หน่วยประมวลผลข้อมูล NVIDIA BlueField-3 DPU และ BlueField-3 SuperNIC สำหรับการเร่งความเร็วของเวิร์กโหลดด้านเครือข่ายประมวลผล AI การเข้าถึงข้อมูล และการรักษาความปลอดภัย

· ดีไซน์ต้นแบบระดับองค์กรสำหรับ AI ที่สร้างขึ้นบน NVIDIA MGX ซึ่งเป็นสถาปัตยกรรมเซิร์ฟเวอร์แบบแยกส่วนที่มีความยืดหยุ่นสูง

· VAST Data Platform ซึ่งให้พื้นที่จัดเก็บข้อมูลแบบครบวงจร ฐานข้อมูล และเอนจิ้นฟังก์ชั่นที่ขับเคลื่อนด้วยข้อมูลซึ่งสร้างขึ้นเป็นพิเศษสำหรับ AI

การนำ ChatGPT มาใช้อย่างรวดเร็วได้ยกระดับผลกระทบเชิงลบด้านสิ่งแวดล้อมในหลายมิติ จากที่ Generative AI เป็นเทคโนโลยีใหม่ที่กำลังได้รับความนิยม ได้กลายเป็นความกังวลขององค์กรทันที เมื่อยูสเคสที่เหมือนจะดูดีและถูกขับเคลื่อนโดยเทคโนโลยีเกิดใหม่นี้กลับสร้างผลเสียมากกว่าผลดีในแง่ของการปล่อยก๊าซเรือนกระจก (GHG) และปริมาณการใช้ไฟฟ้าและน้ำ

อย่างไรก็ตามหากใช้อย่างถูกวิธีและอยู่ภายใต้การควบคุมดูแลของมนุษย์ Generative AI ยังสามารถเร่งให้เกิดความยั่งยืนเชิงบวกพร้อมสร้างผลลัพธ์ทางการเงินได้ โดยเทคโนโลยีนี้อาจช่วยให้บริษัทลดความเสี่ยงด้านความยั่งยืน ปรับต้นทุนให้เหมาะสม และขับเคลื่อนการเติบโตได้เพื่อสร้างสมดุลระหว่างอันตรายและประโยชน์ของเทคโนโลยีนี้ องค์กรจำเป็นต้องดำเนินการ 2 ประการ ประการแรก คือ สร้างการรับรู้และลดการปล่อยพลังงานของ Generative AI เพื่อให้มันเป็นมิตรต่อสิ่งแวดล้อมมากขึ้น จากนั้นระบุ ประเมินและจัดลำดับความสำคัญยูสเคสที่เกี่ยวกับความยั่งยืนด้านสิ่งแวดล้อมตระหนักถึงปัญหาด้านการบริโภคพลังงานของ Generative AI

Generative AI นั้นพึ่งพาโมเดลภาษาขนาดใหญ่ที่ได้รับการเทรนจากข้อมูลมหาศาล ซึ่งต้องระบายความร้อนด้วยน้ำหล่อเย็นและใช้พลังงานไฟฟ้า หรืออาจใช้พลังงานทั้งสองจำนวนมหาศาล แม้ในระยะยาวการปล่อยก๊าซเรือนกระจกที่เกี่ยวข้องกับไฟฟ้าจะลดลงเมื่อมีการใช้แหล่งพลังงานหมุนเวียนมากขึ้น ซึ่งโมเดล Generative AI ที่ทรงพลังยิ่งขึ้นจะต้องการความสามารถในการประมวลผลมากขึ้นตามไปด้วย

ปัญหาเทคโนโลยีที่เกี่ยวข้องกับพลังงานไฟฟ้าและน้ำนั้นมีมากกว่าของ Generative AI การ์ทเนอร์คาดการณ์ว่า ภายในปี 2568 ผู้บริหาร 75% จะเผชิญกับข้อจำกัดของเทคโนโลยีที่เกี่ยวข้องกับพลังงานไฟฟ้า เนื่องจากความต้องการเทคโนโลยีและการแข่งขันกันทางด้านสังคมจะทวีความดุเดือดมากขึ้น ดังนั้นผู้บริหาร CIO จึงไม่ต้องการที่จะติดอยู่ในศึกการแย่งชิงทรัพยากรที่มีจำกัดกับชุมชนท้องถิ่น

มุ่งมั่นลดการปล่อยพลังงาน Generative AI

Generative AI จะต้องมีประสิทธิภาพการทำงานเทียบเท่ากับสมองมนุษย์ เพื่อให้เป็นมิตรกับสิ่งแวดล้อมมากขึ้น สาเหตุหนึ่งที่ทำให้สมองประหยัดพลังงานมากก็คือ สมองสามารถจัดระเบียบความรู้ในโครงสร้างเครือข่ายได้ โดยแนวทางที่ใกล้เคียงที่สุดคือ Composite AI คือการรวมโมเดล AI หลายแบบเข้าด้วยกันเพื่อให้ได้ประสิทธิภาพและความแม่นยำที่ดีขึ้น ซึ่งใช้โครงสร้างเครือข่ายและเทคนิคคล้ายกันเพื่อเสริมกำลังมหาศาลด้วยวิธีการเรียนรู้เชิงลึกในปัจจุบัน

Generative AI ยังบริโภคพลังงานไฟฟ้าและน้ำเป็นหลัก ดังนั้นการหยุดเทรน AI ในทันทีหรือการเก็บข้อมูลการเทรนโมเดล การนำโมเดลที่ได้รับการเทรนแล้วกลับมาใช้ใหม่ และการใช้ฮาร์ดแวร์และอุปกรณ์เครือข่ายที่ประหยัดพลังงานมากขึ้น จะสามารถสร้างสมดุลแนวทางปริมาณงานในดาต้าเซ็นเตอร์แบบ "ตามสถานการณ์และความเป็นจริง - Follow The Sun" ซึ่งดีกว่าสำหรับการผลิตพลังงานสะอาด กับการใช้แนวทาง "แยกเดินออกมา Unfollow The Sun" สำหรับประสิทธิภาพการใช้น้ำที่ดีกว่า

อีกวิธีหนึ่งในการทำให้ Generative AI มีความเป็นมิตรต่อสิ่งแวดล้อมมากขึ้น คือการใช้งานในสถานที่ที่ใช่ ในเวลาที่เหมาะสม โดยความเข้มข้นของคาร์บอนจากแหล่งพลังงานในท้องถิ่นจะแตกต่างกันไปตามปัจจัยหลายประการ แนวปฏิบัติที่ดีที่สุดคือการใช้การจัดตารางเวลางานที่คำนึงถึงพลังงาน ควบคู่ไปกับบริการการติดตามและการคาดการณ์คาร์บอนเพื่อลดการปล่อยก๊าซที่เกี่ยวข้อง

พร้อมตั้งเป้าซื้อแหล่งพลังงานสะอาดใหม่ตามที่วางแผนไว้สำหรับนำมาใช้ The Greenhouse Gas Protocol ที่กำลังกำหนดให้บริษัทต่าง ๆ จัดทำการวิเคราะห์พลังงานสะอาดอย่างละเอียดเพิ่มเติมตามแหล่งสถานที่ ช่วงเวลาของวัน หรือทั้งสองอย่าง

ระบุยูสเคสความยั่งยืนด้านสิ่งแวดล้อมที่มีศักยภาพ

มี 3 กรอบการดำเนินงานกว้าง ๆ ที่ยูสเคส Generative AI สามารถเร่งความยั่งยืนด้านสิ่งแวดล้อม ได้แก่ การลดความเสี่ยง การเพิ่มประสิทธิภาพต้นทุน และใช้ขับเคลื่อนการเติบโต

การปฏิบัติตามกฎระเบียบเป็นวิธีการนึงที่ Generative AI สามารถช่วยองค์กรลดความเสี่ยงด้านสิ่งแวดล้อมโดยการระบุและตีความตัวบทกฎหมาย มาตรฐาน คำสั่ง และข้อกำหนดการรายงานความยั่งยืน รวมถึงการอัปเดตอยู่ตลอดเวลา ที่สามารถพัฒนาแผนปฏิบัติการเพื่อให้บรรลุตามข้อกำหนดและเป็นเครื่องมือฝึกอบรมเพื่อให้ความรู้แก่พนักงานด้านกฎระเบียบเฉพาะ

จากมุมมองของการเพิ่มประสิทธิภาพต้นทุน Generative AI สามารถช่วยสนับสนุนการตัดสินใจได้ สามารถวิเคราะห์ข้อมูลความยั่งยืนภายใน และระบุรูปแบบ แนวโน้ม พื้นที่การปรับปรุง ความเป็นไปได้ ความเสี่ยง และเกณฑ์มาตรฐาน โดยสามารถให้ข้อมูลเชิงลึกว่าการตัดสินใจขององค์กรจะส่งผลต่อความยั่งยืนอย่างไร และคาดการณ์ประสิทธิภาพในอนาคตที่อาจเกิดขึ้น องค์กรสามารถวางแผนและเลือกแนวทางที่เหมาะสมที่สุดเพื่อบรรลุเป้าหมายการลดการปล่อยก๊าซเรือนกระจก

Generative AI ยังสามารถใช้ขับเคลื่อนการเติบโตที่ยั่งยืนโดยนำมาใช้เพื่อค้นหาแหล่งทรัพยากรและวัสดุทางเลือก สามารถให้คำแนะนำสิ่งทดแทนปัจจัยการผลิตแบบเดิมไปสู่ความยั่งยืน เช่น ข้อมูลเชิงลึกเกี่ยวกับนวัตกรรมทางเทคโนโลยีอย่างวัสดุนาโน และข้อมูลเกี่ยวกับความพร้อม ประสิทธิภาพ และผลกระทบต่อสิ่งแวดล้อม

เมื่อพิจารณายูสเคส Generative AI เพื่อเป้าหมายความยั่งยืน การประเมินผลกระทบเชิงบวกและเชิงลบเป็นสิ่งสำคัญ ผู้บริหารต้องเข้าใจมูลค่าธุรกิจเชิงบวกทั้งในแง่ของผลประโยชน์ทางการเงินและความยั่งยืน ตลอดจนความเป็นไปได้ และผลกระทบเชิงลบต่อสิ่งแวดล้อมด้วยการวัดจากการปล่อยก๊าซเรือนกระจก การใช้พลังงานไฟฟ้าและน้ำ

จากนั้นจัดลำดับความสำคัญการลงทุนเป็น 3 ระดับ ได้แก่ 1.ลงทุนทันที 2.ลงทุนเพื่อลดความเสี่ยงและลดการใช้พลังงานเป็นสำคัญ หรือ 3.ไม่ลงทุนเลย ด้วยวิธีการนี้ คุณจะใช้ Generative AI เร่งผลลัพธ์ด้านความยั่งยืนเชิงบวกขององค์กร โดยใช้ประโยชน์จากเคสการใช้งานที่สร้างมูลค่ามากกว่าทำลายเพียงอย่างเดียว

บทความ  :  คริสติน โมเยอร์  รองประธานฝ่ายวิจัย  การ์ทเนอร์