โมเดล Deep Learning (DL) ก่อให้เกิดความเปลี่ยนแปลงครั้งใหญ่เกี่ยวกับรูปแบบการประยุกต์ใช้งานข้อมูลเชิงลึกในสถานการณ์จริงและในชีวิตประจำวัน  ก่อนหน้านี้โมเดล Deep Learning ถูกใช้งานอย่างจำกัดเฉพาะในแวดวงวิทยาศาสตร์และการวิจัย แต่เนื่องจากปัจจุบันมีข้อมูลจำนวนมหาศาล

อีกทั้งพลังประมวลผลของคอมพิวเตอร์สามารถรองรับการประมวลผลแบบคู่ขนานได้อย่างรวดเร็วมากขึ้น มีเฟรมเวิร์กซอฟต์แวร์และโมเดลต่างๆ ดังนั้นบริษัททั้งขนาดเล็กและขนาดใหญ่จึงหันมาปรับใช้เทคโนโลยี AI (Artificial Intelligence) กันอย่างกว้างขวาง เพื่อกลั่นกรองข้อมูลเชิงลึกและนำไปใช้ในการปรับปรุงและขยายธุรกิจให้เติบโต

 

กรณีการใช้งาน AI ในอุตสาหกรรมการผลิต

การพบเจอกันของ Internet of Things (IoT) และ AI ส่งผลให้เกิดแนวคิดเรื่องระบบการผลิตแบบอัจฉริยะ หรือ Smart Manufacturing ที่มีการใช้เทคโนโลยีด้านการรู้คิดของคอมพิวเตอร์ปรับปรุงประสิทธิภาพในด้านต่างๆ เช่น การจัดการสินทรัพย์ การจัดการซัพพลายเชน การจัดการการขนส่ง และการตรวจสอบติดตามคำสั่งซื้อ

กรณีการใช้งาน AI ที่พบเห็นอย่างแพร่หลายในภาคการผลิต

• การบำรุงรักษาเชิงคาดการณ์: ความสามารถในการคาดการณ์ล่วงหน้าว่าอุปกรณ์และเครื่องจักรจะเสียหรือหยุดทำงานช่วยปรับปรุงการใช้ประโยชน์จากสินทรัพย์และประสิทธิภาพการทำงาน โดยครอบคลุมถึงการรับรู้และการพยากรณ์ล่วงหน้าเกี่ยวกับความล้มเหลวที่อาจเกิดขึ้น การบำรุงรักษาเชิงคาดการณ์จะช่วยลดระยะเวลาหยุดทำงานของอุปกรณ์และช่วยประหยัดค่าใช้จ่ายในการตรวจสอบ
  • ตัวอย่าง: ‘Predix’ เป็นแพลตฟอร์ม IOT สำหรับภาคอุตสาหกรรม (ซึ่งใช้ AI) จาก GE สำหรับอุตสาหกรรมการผลิต โดยใช้เซ็นเซอร์เพื่อบันทึกขั้นตอนของกระบวนการทั้งหมด และตรวจสอบดูแลเครื่องจักรที่ซับซ้อน  แพลตฟอร์มนี้ประกอบด้วยการประมวลผลเหตุการณ์ที่ซับซ้อนกับเทคโนโลยี Machine Learning (ML) ที่อยู่บนอุปกรณ์ปลายทาง (egde)

• การปรับปรุงผลผลิต: การลดข้อบกพร่องที่ทำให้ต้องกำจัดผลิตภัณฑ์จะส่งผลดีโดยตรงต่อผลกำไรขององค์กร  ในอุตสาหกรรมเซมิคอนดักเตอร์ การสูญเสียผลผลิตในกระบวนการผลิตคิดเป็นสัดส่วนเปอร์เซ็นต์ที่สูงมากในต้นทุนการผลิตทั้งหมด  ด้วยการใช้เอนจิ้น AI บริษัทต่างๆ จะสามารถระบุปัญหาที่ทำให้เกิดการสูญเสียผลผลิต รวมถึงสาเหตุ ซึ่งสามารถหลีกเลี่ยงได้ด้วยการเปลี่ยนแปลงกระบวนการผลิต
  • ตัวอย่าง: Design for Manufacturability (DFM) เป็นกระบวนการออกแบบผลิตภัณฑ์เพื่อให้ง่ายในการนำไปผลิต  นักวิทยาศาสตร์ที่ Iowa State University กำลังพัฒนาเฟรมเวิร์กการรองรับการตัดสินใจด้วย AI DFM ซึ่งเร่งความเร็วด้วย GPU เพื่อช่วยให้นักออกแบบปรับปรุงโมเดล CAD ให้มีความเหมาะสมสูงสุดซึ่งจะช่วยเพิ่มความสามารถด้านการผลิต

• การทดสอบและปรับปรุงคุณภาพ: ยิ่งสินค้าผ่านการคัดกรองคุณภาพได้เร็วขึ้นเท่าไร บริษัทก็จะยิ่งขายสินค้าได้มากขึ้นเท่านั้น  การตรวจสอบสินค้าโดยใช้ AI มีความแม่นยำกว่าการตรวจสอบโดยใช้แรงงานคน ทั้งยังมีค่าใช้จ่ายในการดำเนินงานที่ต่ำกว่า  อัลกอริธึมเหล่านี้พึ่งพาการเรียนรู้ภายใต้การกำกับดูแลเพื่อตรวจจับข้อบกพร่องของสินค้าที่รู้จักก่อนหน้านี้ รวมถึงเทคนิคการเรียนรู้ที่อยู่ภายใต้การควบคุมบางส่วนเพื่อระบุประเภทของข้อบกพร่องที่ไม่เคยรู้จักมาก่อน
  • ตัวอย่าง: Bosch สามารถลดเวลาที่ใช้ในการทดสอบและการปรับเทียบ (test and calibration time)ได้ถึง 35% ในกระบวนการผลิตปั๊มไฮดรอลิก โดยใช้โมเดล ML ที่คาดการณ์ผลการทดสอบและเรียนรู้เพิ่มเติมอย่างต่อเนื่องเมื่อเวลาผ่านไป

• การปรับปรุงในส่วนของการจัดการสินค้าคงคลัง การคาดการณ์ความต้องการ และการจัดการซัพพลายเชน เป็นอีกหนึ่งแง่มุมสำคัญที่มีการปรับใช้เทคโนโลยี AI
  • ตัวอย่าง: Honeywell ใช้โมเดลการคาดการณ์ความต้องการโดยอาศัย AI โดยใช้ความแตกต่างและอัตราส่วนของดัชนีราคาน้ำมันดิบเป็นข้อมูลสำหรับการประมวลผล โดยบริษัทฯ ใช้โมเดลดังกล่าวสำหรับการจัดซื้อจัดจ้าง การจัดหาเชิงกลยุทธ์ และการจัดการต้นทุน

กรณีการใช้งาน AI ในธุรกิจโทรคมนาคม

ในระดับที่สูงขึ้นไป สองปัจจัยหลักที่ขับเคลื่อนการใช้งาน AI ในธุรกิจโทรคมนาคม ได้แก่ การลดค่าใช้จ่ายในการดำเนินงานโดยอาศัยระบบงานอัตโนมัติ และการมอบประสบการณ์ที่เหนือกว่าให้แก่ลูกค้า  ข้อมูลจาก Tractica ชี้ว่าการลงทุนด้านโทรคมนาคมในเทคโนโลยี AI คาดว่าจะแตะระดับ 36.7 พันล้านดอลลาร์ต่อปีภายในปี 2568  กรณีการใช้งาน AI ที่สำคัญในภาคธุรกิจโทรคมนาคมคาดว่าจะเป็นเรื่องของการตรวจสอบและจัดการการดำเนินงานเกี่ยวกับเครือข่าย โดยครองสัดส่วนค่าใช้จ่ายด้าน AI สูงที่สุดในช่วงระยะเวลาดังกล่าว  ส่วนกรณีการใช้งาน AI ที่สำคัญอื่นๆ เกี่ยวข้องกับโปรแกรมผู้ช่วยเสมือนจริงสำหรับบริการลูกค้า, ระบบ CRM อัจฉริยะ และไซเบอร์ซีเคียวริตี้

กรณีการใช้งาน AI ที่ได้รับความนิยมในธุรกิจโทรคมนาคม

• การปรับปรุงเครือข่าย: ใช้ AI เพื่อทำนายการเชื่อมต่อที่เหมาะสมสำหรับเครือข่ายโทรคมนาคม ขับเคลื่อนการวิเคราะห์เครือข่ายและการสร้างแบบจำลองที่ซับซ้อน และการวางแผนเกี่ยวกับเครือข่ายอัจฉริยะ และผลักดันให้มีการปรับปรุงประสิทธิภาพ

• แชทบอท: โปรแกรมแชทแบบอัตโนมัติที่ขับเคลื่อนด้วย AI สำหรับตอบข้อซักถามของลูกค้า โอนการติดต่อของลูกค้าไปยังเจ้าหน้าที่ในแผนกที่เกี่ยวข้อง และโอนลูกค้าเป้าหมายไปยังทีมงานฝ่ายขาย ถือว่ามีความสำคัญต่อการดำเนินงาน
  • ตัวอย่าง: Spectrum ใช้โปรแกรมผู้ช่วยเสมือนจริง ‘Ask Spectrum’ ซึ่งขับเคลื่อนด้วย AI เพื่อช่วยเหลือลูกค้าสำหรับการแก้ไขปัญหา การตรวจสอบข้อมูลบัญชี และการตอบคำถามทั่วไป
  • ตัวอย่าง: CenturyLink ได้ปรับใช้โปรแกรมผู้ช่วยเสมือนจริง ‘Angie’ ซึ่งเป็นซอฟต์แวร์ที่ใช้ AI สำหรับงานขายและการตลาด โดยทำหน้าที่ส่งอีเมล 30,000 ฉบับต่อเดือน และตีความการตอบกลับเพื่อระบุลูกค้าเป้าหมาย

• บริการสั่งงานด้วยเสียง: ผู้ให้บริการพยายามที่จะปรับเปลี่ยนอุปกรณ์รีโมทคอนโทรลให้มีความสามารถในการจดจำเสียงพูด เพื่อให้สามารถขายคอนเทนต์และบริการในลักษณะที่เป็นแบบเฉพาะบุคคลมากขึ้น
  • ตัวอย่าง: ‘XI Talking Guide’ คือเครื่องมือ AI ที่สั่งงานด้วยเสียงพูดจาก Comcast โดยสามารถพูด แสดงชื่อรายการ ช่อง และช่วงเวลา

• การบำรุงรักษาเชิงคาดการณ์: แก้ไขปัญหาเกี่ยวกับอุปกรณ์ฮาร์ดแวร์ (หอส่งสัญญาณ สายไฟ ฯลฯ) ก่อนที่จะเสีย รวมทั้งตรวจจับสัญญาณและจุดเปลี่ยนที่มักจะนำไปสู่ความล้มเหลวในการทำงาน เช่น การใช้โดรนเพื่อตรวจสอบเสาสัญญาณโทรศัพท์
  • ตัวอย่าง: AT&T พัฒนาอัลกอริธึมที่ใช้ DL เพื่อควบคุมสั่งการโดรนแบบอัตโนมัติอย่างสมบูรณ์สำหรับการตรวจสอบเสาสัญญาณโทรศัพท์มือถือโดยใช้ AI ในการวิเคราะห์ข้อมูลวิดีโอ

 

กรณีการใช้งาน AI ในแวดวงการแพทย์

การดำเนินการทางการแพทย์ต้องอาศัยกระบวนการต่างๆ อย่างมาก จึงมีความเป็นไปได้สูงมากที่จะใช้ AI เพื่อขับเคลื่อนการปรับปรุงประสิทธิภาพ ตอบสนองความต้องการในส่วนที่ยังเข้าไม่ถึง และรองรับการทำงานซ้ำๆ โดยอัตโนมัติ ทั้งในส่วนของการวิจัยและพัฒนา (R&D) การดูแลรักษาผู้ป่วย การถ่ายภาพทางการแพทย์ และงานด้านการบริหารจัดการ  ผลการศึกษาของ Accenture ชี้ว่า ภายในปี 2569 การประยุกต์ใช้งาน AI ในด้านการแพทย์จะช่วยประหยัดค่าใช้จ่ายได้ถึง 150 พันล้านดอลลาร์ต่อปี

กรณีการใช้งาน AI ที่ได้รับความนิยมในแวดวงการแพทย์

• การผ่าตัดโดยใช้หุ่นยนต์: เทคโนโลยีเหล่านี้จะช่วยปรับปรุงการวิเคราะห์ข้อมูลจากเวชระเบียนก่อนการผ่าตัด แนะนำเครื่องมือในแบบเรียลไทม์ในระหว่างการผ่าตัด ใช้ข้อมูลจากประสบการณ์การผ่าตัดจริงเพื่อนำเสนอเทคนิคการผ่าตัดใหม่ๆ  ประโยชน์ที่ได้รับคือ การลดข้อผิดพลาด และลดระยะเวลาพักฟื้นของผู้ป่วยภายหลังการผ่าตัด
  • ตัวอย่าง: Mazor Robotics ใช้ AI เพื่อช่วยเหลือในกระบวนการผ่าตัดแบบส่องกล้อง

• ความช่วยเหลือของพยาบาลเสมือนจริง: แอพที่สั่งงานด้วยเสียงและข้อความได้รับการฝึกฝนเพื่อให้สามารถถามและจัดการคำถามเบื้องต้นเกี่ยวกับสุขภาพ โดยรองรับการตรวจสุขภาพผ่านการสั่งงานด้วยเสียงพูดและ AI ลดการเดินทางไปยังโรงพยาบาลโดยไม่จำเป็น ประเมินอาการ และส่งผู้ป่วยไปยังแผนกที่เกี่ยวข้องเพื่อให้การดูแลรักษาอย่างมีประสิทธิภาพสูงสุด  เป้าหมายของแอพนี้คือ เพื่อลดระยะเวลาที่พยาบาลต้องใช้ในการให้บริการแก่ผู้ป่วย
  • ตัวอย่าง: Sensely นำเสนอตัวละครพยาบาล ‘Molly’ ที่ขับเคลื่อนด้วย AI ซึ่งรับฟังและตอบคำถามของผู้ใช้

• การวินิจฉัย: ด้วยการปรับใช้เทคโนโลยีการรู้คิดเพื่อปลดล็อคข้อมูลเวชระเบียนจำนวนมหาศาล ระบบ AI จะให้คุณประโยชน์มากมายในการจดจำแบบแผนของภาพสแกนหลายล้านชุดภายในระยะเวลาที่รวดเร็ว และมีความแม่นยำสูงมาก โดยเป้าหมายหลักคือการค้นคว้าวิจัยด้านมะเร็งและรังสีวิทยา
  • ตัวอย่าง: LYNA (Lymph Node Assistant) ของ Google AI ตรวจจับมะเร็งเต้านมระยะแพร่กระจายได้อย่างแม่นยำถึง 99%

• การบริหารจัดการ: บุคลากรทางการแพทย์ต้องเสียเวลามากมายไปกับกิจกรรมที่ไม่ได้เกี่ยวข้องกับผู้ป่วย ดังนั้นจึงมีการใช้แอพแปลงเสียงพูดเป็นข้อความเพื่อลดระยะเวลาสำหรับงานเอกสาร ปรับปรุงการรายงานเรื่องคุณภาพ และวิเคราะห์รายงานทางการแพทย์หลายพันฉบับโดยใช้ NLP ในการแจ้งข้อมูลเกี่ยวกับแผนการรักษาพยาบาล ซึ่งทั้งหมดนี้ช่วยให้บุคลากรสามารถดูแลผู้ป่วยได้อย่างเต็มที่ และเพิ่มประสิทธิภาพการทำงาน

 

กรณีศึกษาสำหรับ ONTAP AI ในแวดวงการแพทย์

นอกเหนือจากกรณีศึกษาเกี่ยวกับกรณีการใช้งาน AI ในกลุ่มอุตสาหกรรมต่างๆแล้ว เรามาลองดูตัวอย่างบางส่วนของการนำแพลตฟอร์ม ONTAP AI ไปใช้งานในภาคส่วนที่เกี่ยวข้องดังต่อนี้

สำหรับกรณีการใช้งานที่เกี่ยวข้องกับการแพทย์ มีการนำแพลตฟอร์มไปใช้ในการคัดแยกภาพถ่ายเนื้องอกมะเร็งเต้านม  เราใช้ชุดข้อมูลของภาพเซลล์จาก University of Wisconsin รวมไปถึงโมเดล CNN พร้อมด้วยเลเยอร์แบบคอนโวลูชัน 3 เลเยอร์ และเลเยอร์แบบเชื่อมต่ออย่างทั่วถึง 2 เลเยอร์ โดยทั้งหมดนี้อยู่บนระบบ DGX-1, AFF A800, TensorFlow โดยมีการจัดเก็บข้อมูลด้วยเทคโนโลยี FlexGroup Volumes

เราสามารถฝึกสอนโมเดลดังกล่าวให้มีความแม่นยำ 79% ในการระบุเซลล์ที่เป็นเนื้องอกธรรมดา และมีความแม่นยำถึง 92% ในการระบุเซลล์ที่เป็นเนื้อร้ายภายในชุดข้อมูลที่ทดสอบ  แน่นอนว่าความแม่นยำดังกล่าวถูกจำกัดด้วยชุดข้อมูลขนาดเล็กที่ใช้ แต่ก็แสดงให้เห็นถึงความเป็นไปได้ในการใช้งาน AI และ ONTAP AI

การประยุกต์ใช้งาน AI ในกลุ่มอุตสาหกรรมต่างๆ จำเป็นต้องอาศัยการจัดเก็บข้อมูลที่สอดประสานกันระหว่างอุปกรณ์ปลายทาง (edge) ศูนย์คอมพิวเตอร์หลัก (core) และระบบคลาวด์ ดังนั้นการจัดการข้อมูลอย่างไร้รอยต่อจึงมีความสำคัญ  องค์กรต่างๆ สามารถเลือกที่จะพัฒนาแอพพลิเคชั่น AI บนระบบคลาวด์สาธารณะหรือระบบที่ติดตั้งภายในองค์กรก็ได้ โดยขึ้นอยู่กับแหล่งข้อมูล ขนาดของชุดข้อมูล และต้นทุนค่าใช้จ่าย

ติดตามข้อมูลเพิ่มเติมจากเน็ตแอพได้ที่ www.netapp.com/ai #AI #ONTAPAI