AI สำหรับองค์กรได้เปลี่ยนไปแล้ว เมื่อไม่กี่ปีที่ผ่านมา การโน้มน้าวให้ผู้บริหารยอมทดสอบ Machine Learning ยังเป็นเรื่องที่ยากลำบาก แต่ตอนนี้มีทั้งงบประมาณ โครงการนำร่อง (Pilots) ได้รับการอนุมัติ และ Use cases ต่าง ๆ ก็ถูกเพิ่มเข้ามาใน Roadmap อย่างมากมาย ทว่าโครงการเหล่านี้จำนวนมากกลับลงเอยด้วยการเป็นเพียงการทดลองราคาแพงที่ไม่เคยเปลี่ยนวิธีการดำเนินธุรกิจจริง ๆ ได้เลย ตัวโมเดลนั้นไม่มีปัญหา แต่ปัญหาคือทุกอย่างที่นอกเหนือจากนั้น

จุดจบของโครงการนำร่อง

ใคร ๆ ก็ชอบการสาธิต (Demo) ตัวต้นแบบสามารถทำนายการเลิกใช้บริการ (Churn) ได้อย่างแม่นยำจนน่าเหลือเชื่อ คณะกรรมการพยักหน้าเห็นชอบ งบประมาณถูกอนุมัติ แล้วทุกอย่างก็เงียบหายไป Proof of concept ได้รับการอนุมัติ แต่ความคืบหน้ากลับหยุดชะงัก เกิดอะไรขึ้น?

ทีมธุรกิจจ้องมองแดชบอร์ดแต่ไม่เข้าใจว่ามันจะเข้ากับกระบวนการทำงานประจำวันได้อย่างไร Data pipeline ที่ป้อนข้อมูลให้โมเดลเป็นเพียงการดึงข้อมูลด้วยมือแบบครั้งเดียวทิ้งที่ไม่มีใครเป็นเจ้าของ กฎระเบียบด้าน Compliance เปลี่ยนแปลงระหว่างทาง ระบบต้องการข้อมูลนำเข้าที่สะอาดซึ่ง CRM ไม่เคยผลิตออกมาได้เลย AI ทำงานได้ดีใน Notebook แต่คนในองค์กรกลับไม่รู้ว่าจะเอาไปใช้งานจริงอย่างไร

นี่คือความล้มเหลวในการส่งมอบ (Delivery failure) โมเดลที่มีความแม่นยำ 95 เปอร์เซ็นต์อาจจะชนะการแข่งขัน Hackathon ได้ แต่ถ้าอีก 5 เปอร์เซ็นต์ที่เหลือทำให้เกิดฝันร้ายในการตรวจสอบ (Audit) หรือละเมิดความปลอดภัย ฝ่ายปฏิบัติการก็จะสั่งปิดระบบทันที วิศวกรเฉลิมฉลองความสำเร็จทางเทคนิค แต่หน่วยธุรกิจกลับเฝ้ารอผลลัพธ์ที่ไม่เคยมาถึง ช่องว่างระหว่างสองกลุ่มนี้เองคือจุดที่โครงการต่าง ๆ ล้มเหลว

ช่องว่างในการสื่อสาร

เรียกมันตามความจริงเถอะ ผู้บริหารต้องการการเติบโตของรายได้หรือการลดต้นทุน ฝ่ายปฏิบัติการต้องการความรวดเร็วโดยไม่เกิดความวุ่นวาย ทีมข้อมูลต้องการ Schema ที่สมเหตุสมผล ส่วนวิศวกรต้องการ Uptime และ API ที่สะอาด ความต้องการเหล่านี้ไม่ได้สอดคล้องกันโดยธรรมชาติ

หากปล่อยไว้ต่างคนต่างทำ ทุกกลุ่มจะมุ่งเน้นการปรับปรุง (Optimize) ในสิ่งที่ต่างกัน วิศวกรอาจใช้เวลาหลายสัปดาห์เพื่อลด Latency ของ Prediction endpoint ในขณะที่ทีมขายยังคงต้อง Export ทุกอย่างลง Excel เพราะ UI ใช้งานยาก นักวิทยาศาสตร์ข้อมูลอาจหมกมุ่นอยู่กับทศนิยมตำแหน่งที่สี่ของ AUC ในขณะที่ทีมคลังสินค้าบันทึกค่า Null ในฟิลด์ที่สำคัญมานานกว่าหกเดือนแล้ว ไม่มีใครผิด พวกเขาแค่พูดกันคนละภาษา

ความไม่สอดคล้องกันนี้คือเหตุผลที่ใหญ่ที่สุดที่ทำให้ AI หยุดชะงักหลังช่วงนำร่อง มันไม่ใช่เพราะการขาดแคลน GPU ไม่ใช่เพราะขาดแคลนผู้จบปริญญาเอก แต่มันคือการขาดคนที่สามารถทำหน้าที่เป็นตัวกลางระหว่างกลุ่มเหล่านี้เพื่อสร้างความเข้าใจที่ตรงกัน

หน้าที่ที่แท้จริงของ Forward Deployed Engineers

Forward Deployed Engineers คือสะพานเชื่อมนั้น พวกเขาไม่ได้มาแทนที่ Data Scientist หรือ Platform Engineer ของคุณ แต่พวกเขาทำงานร่วมกับทีมธุรกิจ, วิศวกรรม, ข้อมูล และผลิตภัณฑ์ เพื่อแก้ไขแรงเสียดทานภายในองค์กรที่ทำลายเทคโนโลยีทิ้งก่อนที่จะได้ใช้งานจริง

เมื่อ FDE เข้ามาในโครงการ พวกเขาจะเริ่มจากการตั้งคำถามที่อาจจะฟังดูอึดอัด เช่น เช้าวันอังคารที่ประสบความสำเร็จสำหรับคนที่ใช้เครื่องมือนี้มีหน้าตาเป็นอย่างไร? ระบบ Legacy สามระบบไหนบ้างที่ป้อนข้อมูลเข้าสู่ Data stream นี้จริง ๆ? จะเกิดอะไรขึ้นกับกระบวนการทำงานหากโมเดลให้ผลลัพธ์ที่ผิดพลาด? พวกเขาจะเปลี่ยนคำตอบเหล่านี้ให้เป็นการตัดสินใจทางเทคนิค เพื่อไม่ให้ทีมต้องเสียเวลาหลายเดือนไปกับการสร้างโซลูชันที่ผิดพลาด

ในการทำงานทั่วไป FDE จะ:

  • ชี้แจงเป้าหมายกับ Stakeholders แทนที่จะยอมรับคำสั่งที่คลุมเครือ
  • ลงพื้นที่หน้างานเพื่อหาคอขวด (Bottlenecks) ที่ไม่มีใน Jira ticket
  • ระบุ Data dependencies ที่เอกสารที่มีอยู่ไม่ได้ระบุไว้
  • แปลงความต้องการเหล่านั้นให้เป็นการตัดสินใจทางเทคนิคที่ชัดเจน
  • ตรวจสอบสมมติฐานตั้งแต่เนิ่น ๆ บ่อยครั้งโดยการเข้าร่วมประชุมกับทีมปฏิบัติการที่จะต้องเป็นผู้รับผลลัพธ์ไปใช้งานต่อ

FDE แก้ไขปัญหาเชิงองค์กร ไม่ใช่แค่ปัญหาทางเทคนิค พวกเขาอาจสังเกตเห็นว่าผู้จัดการฝ่ายปฏิบัติการไม่ไว้วางใจโมเดล เพราะเธอไม่เคยมีส่วนร่วมในการเลือกข้อมูลสำหรับ Training data ดังนั้นพวกเขาจึงสร้าง Feedback loop ที่เธอเข้าใจได้จริง หรือพวกเขาอาจเห็นว่า Workflow ต้องมีการอนุมัติสองขั้นตอนซึ่งระบบใหม่ไม่ได้คำนึงถึง พวกเขาจึงออกแบบการส่งต่องาน (Handoff) ใหม่ แทนที่จะพยายามยัดเยียดเครื่องมือเข้าไปในกระบวนการที่พังอยู่แล้ว

วัดผลที่การนำไปใช้งานจริง ไม่ใช่แค่ความแม่นยำ

โปรแกรม AI ที่ประสบความสำเร็จที่สุดจะใช้เกณฑ์การวัดผลที่ต่างออกไป ตัวชี้วัดของโมเดล (Model metrics) ยังคงมีความสำคัญ แต่ตัวบ่งชี้ที่แท้จริงจะอยู่ที่ขั้นตอนปลายน้ำ (Downstream) คนกำลังใช้งาน...