การ์ทเนอร์คาดการณ์ องค์กรเตรียมใช้ AI ขนาดเล็กเฉพาะงานมากกว่าโมเดลภาษาขนาดใหญ่ถึง 3 เท่า ภายในปี 2570

สำนักข่าวบริคอินโฟ – การ์ทเนอร์ (Gartner) บริษัทวิจัยและให้คำปรึกษาด้านเทคโนโลยีชั้นนำ คาดการณ์ว่าภายในปี 2570 หรืออีกสองปีข้างหน้า องค์กรต่าง ๆ จะหันมาใช้ โมเดล AI ขนาดเล็กเฉพาะงาน (Small, Specialized AI Models) มากกว่า โมเดลภาษาขนาดใหญ่ (Large Language Models หรือ LLMs) ที่ใช้งานทั่วไปถึงสามเท่า เนื่องจากความต้องการโซลูชันที่เฉพาะเจาะจง ความน่าเชื่อถือ และความคุ้มค่าในการดำเนินงาน

โมเดลภาษาขนาดใหญ่ (LLMs) แม้จะมีความสามารถด้านภาษาที่โดดเด่น แต่ก็อาจมีความแม่นยำในการตอบสนองลดลงเมื่อต้องรับมือกับงานที่ต้องการบริบทเฉพาะทางธุรกิจ นาย Sumit Agarwal รองประธานนักวิเคราะห์ของการ์ทเนอร์ กล่าวว่า “ความหลากหลายของงานในกระบวนการทางธุรกิจและความต้องการความแม่นยำที่มากขึ้นกำลังผลักดันให้เกิดการเปลี่ยนแปลงไปสู่การใช้โมเดลเฉพาะทางที่ได้รับการปรับแต่งสำหรับฟังก์ชันเฉพาะหรือข้อมูลในโดเมนนั้น ๆ โดยโมเดล AI ขนาดเล็กเฉพาะงานเหล่านี้ให้การตอบสนองที่เร็วกว่าและใช้พลังการประมวลผลน้อยกว่า ช่วยลดต้นทุนในการดำเนินงานและการบำรุงรักษา”

องค์กรสามารถปรับแต่ง โมเดลภาษาขนาดใหญ่ (LLMs) สำหรับงานเฉพาะได้โดยใช้เทคนิค Retrieval-Augmented Generation (RAG) หรือ Fine-Tuning เพื่อสร้างโมเดลเฉพาะทาง ข้อมูลขององค์กรจะเป็นตัวแปรสำคัญที่สร้างความแตกต่างในกระบวนการนี้ ซึ่งจำเป็นต้องมีการเตรียม ตรวจสอบคุณภาพ กำหนดเวอร์ชัน และการจัดการข้อมูลโดยรวม เพื่อให้มั่นใจว่าข้อมูลที่เกี่ยวข้องได้รับการจัดโครงสร้างอย่างเหมาะสมสำหรับกระบวนการ Fine-Tuning

นาย Agarwal เสริมว่า “เมื่อองค์กรตระหนักถึงคุณค่าของข้อมูลส่วนตัวและข้อมูลเชิงลึกที่ได้จากกระบวนการเฉพาะทางมากขึ้น พวกเขาก็มีแนวโน้มที่จะเริ่มสร้างรายได้จากโมเดลของตนและเสนอการเข้าถึงทรัพยากรเหล่านี้ให้กับกลุ่มเป้าหมายที่กว้างขึ้น รวมถึงลูกค้าและแม้แต่คู่แข่ง เป็นการเปลี่ยนจากแนวทางการป้องกันไปสู่การใช้ข้อมูลและความรู้ที่เปิดกว้างผ่านการร่วมมือกันมากขึ้น”

การนำโมเดล AI ขนาดเล็กเฉพาะงานไปใช้

องค์กรที่ต้องการนำโมเดล AI ขนาดเล็กเฉพาะงานไปใช้ ควรพิจารณาคำแนะนำดังต่อไปนี้:

• ทดลองใช้โมเดลที่มีบริบทเฉพาะ (Pilot Contextualized Models): นำโมเดล AI ขนาดเล็กที่มีบริบทเฉพาะไปใช้ในพื้นที่ที่บริบททางธุรกิจมีความสำคัญหรือในที่ที่ LLMs ไม่สามารถตอบสนองความคาดหวังด้านคุณภาพหรือความเร็วได้

• ใช้แนวทางแบบผสมผสาน (Adopt Composite Approaches): ระบุยูสเคสการใช้งานที่โมเดลเดียวไม่เพียงพอ และเปลี่ยนมาใช้แนวทางแบบผสมผสานที่เกี่ยวข้องกับหลายโมเดลและมีขั้นตอนของเวิร์กโฟลว์

• เสริมสร้างข้อมูลและทักษะ (Strengthen Data and Skills): ให้ความสำคัญกับการเตรียมข้อมูลเพื่อรวบรวม คัดสรร และจัดระเบียบข้อมูลที่จำเป็นสำหรับการ Fine-Tuning โมเดลภาษา ในขณะเดียวกัน ลงทุนพัฒนาทักษะบุคลากรในกลุ่มทางเทคนิคและในกลุ่มงานต่าง ๆ อาทิ สถาปนิก AI และข้อมูล นักวิทยาศาสตร์ข้อมูล วิศวกร AI และข้อมูล ทีมงานด้านความเสี่ยงและการปฏิบัติตามกฎระเบียบ ทีมจัดซื้อ และผู้เชี่ยวชาญในสาขาธุรกิจ เพื่อขับเคลื่อนแนวคิดริเริ่มนี้ได้อย่างมีประสิทธิภาพ