การวิเคราะห์ AI แบบมนุษย์มีส่วนร่วม: คู่มือฉบับสมบูรณ์

การทำงานอัตโนมัติแบบเต็มรูปแบบเป็นคำมั่นสัญญาที่น่าดึงดูด แต่ในการตัดสินใจทางธุรกิจที่จริงจัง ซึ่งเกี่ยวข้องกับความเสี่ยง มาร์จิ้น การปฏิบัติตามกฎระเบียบ และลูกค้า AI เพียงอย่างเดียวมักไม่เพียงพอ ในบริบท IT ของอิตาลี การนำกระบวนการ Human-in-the-Loop มาใช้กำลังเร่งตัวขึ้น โดยในบริษัทเทคโนโลยีที่มีพนักงานน้อยกว่า 250 คน การใช้ AI HITL สำหรับการวิเคราะห์ข้อมูลเพิ่มขึ้น 40% ในหกเดือน จาก 6.3% เป็น 8.8% จนถึงเดือนกันยายน 2025 ตามข้อมูลที่รายงานโดย Software Oasis นี่ไม่ใช่รายละเอียดทางเทคนิค แต่เป็นสัญญาณเชิงกลยุทธ์

เหตุผลนั้นง่ายมาก AI มีความเชี่ยวชาญในการจัดการกับปริมาณ ความเร็ว และการทำซ้ำ ส่วนมนุษย์มีความเชี่ยวชาญเมื่อต้องใช้บริบท การตัดสินใจ และความรับผิดชอบ หากคุณแยกสองโลกนี้ออกจากกัน คุณจะจบลงด้วยความล่าช้าหรือข้อผิดพลาด หากคุณรวมสองสิ่งนี้เข้าด้วยกันอย่างมีประสิทธิภาพ คุณจะเปลี่ยนการวิเคราะห์ข้อมูลให้กลายเป็นระบบการตัดสินใจที่แข็งแกร่งยิ่งขึ้น

ด้วยเหตุนี้ human-in-the-loop AI analytics จึงกำลังกลายเป็นโมเดลการดำเนินงาน ไม่ใช่แค่หมวดหมู่ทางเทคโนโลยีเท่านั้น สำหรับ SME ของอิตาลีจำนวนมาก นี่ยังเป็นวิธีที่สมจริงที่สุดในการนำ AI มาใช้โดยไม่ต้องสร้างทีม data scientist ขึ้นมาใหม่ทั้งหมด และนี่คือเหตุผลว่าทำไม prompt engineering เพียงอย่างเดียวจึงมีประโยชน์น้อยมาก เมื่อปัญหาที่แท้จริงไม่ใช่การสร้างคำตอบ แต่คือการตัดสินใจที่เชื่อถือได้

บทนำ: ปัญญาประดิษฐ์เพียงอย่างเดียวไม่เพียงพอ

ระบบอัตโนมัติเต็มรูปแบบจะทำงานได้ดีตราบใดที่ทุกอย่างเป็นไปตามแผน ปัญหาคือธุรกิจ ลูกค้า ห่วงโซ่อุปทาน และการฉ้อโกงไม่เคยทำตามบทที่เขียนไว้อย่างเรียบร้อย สิ่งที่ต้องมีคือความผิดปกติ การเปลี่ยนแปลงกฎระเบียบ หรือสัญญาณที่ไม่ชัดเจน และผลลัพธ์ที่ถูกต้องตามสถิติก็สามารถกลายเป็นการตัดสินใจทางธุรกิจที่แย่ได้

นี่คือจุดที่เหตุผลเบื้องหลัง HITL เข้ามามีบทบาท มันไม่ได้เพิ่มผู้ตรวจสอบมนุษย์เข้าไปในขั้นตอนสุดท้ายเพียงเพื่อเป็นมาตรการป้องกันตามระบบราชการ แต่เป็นการออกแบบกระบวนการใหม่เพื่อให้ AI ทำงานในส่วนที่มันมีความสามารถสูงสุด และจะเรียกให้มนุษย์เข้ามาแทรกแซงเฉพาะในจุดที่มีความสำคัญจริงเท่านั้น

เป้าหมายไม่ใช่การชะลอการทำงานอัตโนมัติ แต่คือการป้องกันไม่ให้ระบบอัตโนมัติตัดสินใจผิดพลาดในเรื่องที่มีต้นทุนสูงที่สุด

สำหรับผู้นำองค์กรที่มีประสบการณ์ สิ่งนี้เปลี่ยนคำถามไป ไม่ใช่ “ฉันสามารถทำงานอัตโนมัติได้มากแค่ไหน?” อีกต่อไป แต่เป็น “ส่วนไหนของการตัดสินใจที่ต้องคงความเป็นบริบท อธิบายได้ และควบคุมได้?” ตรงจุดนี้เองที่ human-in-the-loop AI analytics กลายเป็นความได้เปรียบในการแข่งขัน โดยเฉพาะในภาคการเงินและค้าปลีก ที่ความเร็วและการใช้วิจารณญาณต้องอยู่ร่วมกันได้

แนวทางวิเคราะห์ AI แบบมีมนุษย์ควบคุม (Human-in-the-Loop) คืออะไร?

สำหรับบริษัท HITL ไม่ใช่เพียงฟังก์ชันทางเทคนิคเพิ่มเติมเท่านั้น แต่เป็นรูปแบบการดำเนินงานสำหรับการกำหนดว่าใครทำอะไร – ไม่ว่าจะเป็นระบบหรือบุคคล – ตลอดกระบวนการวิเคราะห์

ในการวิเคราะห์ข้อมูลด้วยปัญญาประดิษฐ์แบบมีมนุษย์ควบคุม (Human-in-the-loop AI analytics) ระบบ AI จะตรวจสอบข้อมูลจำนวนมาก สร้างการจำแนกประเภท การคาดการณ์ หรือการแจ้งเตือน จากนั้นจะส่งต่อเฉพาะกรณีที่ต้องการการตัดสินใจเชิงบริบทเท่านั้นไปยังมนุษย์เพื่อดำเนินการ ตัวอย่างเช่น กรณีที่มีสัญญาณไม่ชัดเจน ความเสี่ยงทางเศรษฐกิจของการตัดสินใจสูง หรือมีความเสี่ยงด้านกฎระเบียบที่ไม่สามารถตอบสนองโดยอัตโนมัติได้โดยไม่มีการตรวจสอบ

ความสัมพันธ์นี้คล้ายคลึงกับความสัมพันธ์ระหว่างนักบินกับระบบนำร่องอัตโนมัติ เครื่องจักรจะจัดการกับงานที่เป็นมาตรฐานและสามารถทำซ้ำได้อย่างมีประสิทธิภาพ ส่วนบุคคลจะทำหน้าที่ดูแลในช่วงเวลาสำคัญที่ประสบการณ์ บริบท และความรับผิดชอบมีความสำคัญ

โมเดลการดำเนินงาน โดยไม่ใช้ศัพท์เทคนิค

ในทางปฏิบัติ วงจรทำงานดังนี้:

• AI วิเคราะห์ข้อมูล และระบุรูปแบบ ความผิดปกติ และความสัมพันธ์ที่หากใช้สายตามนุษย์ตรวจสอบจะต้องใช้เวลานานกว่ามาก
• ระบบวัดระดับความเชื่อมั่น ของการคาดการณ์ หรือนำเกณฑ์ความเสี่ยงที่ธุรกิจกำหนดไว้มาใช้
• ผู้ปฏิบัติงานที่เป็นมนุษย์เข้ามาแทรกแซง ในกรณีที่ถูกเลือก โดยใช้บริบททางธุรกิจ ประวัติลูกค้า นโยบายภายใน หรือเกณฑ์การปฏิบัติตามกฎระเบียบ
• การตัดสินใจของมนุษย์กลายเป็นข้อมูลป้อนกลับ ที่มีประโยชน์ในการปรับปรุงโมเดลและขัดเกลากฎเกณฑ์ในรอบถัดไป

นี่คือจุดที่ความแตกต่างระหว่างทฤษฎีกับผลตอบแทนจากการลงทุน (ROI) เริ่มปรากฏให้เห็น ระบบ HITL ที่ดีจะไม่ส่งข้อมูลทุกอย่างไปตรวจสอบด้วยมือ หากทำเช่นนั้น ระบบจะสูญเสียประโยชน์ด้านขนาดที่เกิดจากการทำงานอัตโนมัติ ในทางกลับกัน หากปล่อยให้โมเดลตัดสินใจทุกอย่าง บริษัทก็จะเสี่ยงต่อข้อผิดพลาดที่มีค่าใช้จ่ายสูงที่สุด มูลค่าจะเกิดขึ้นจากการเลือกจุดที่มนุษย์เข้าไปแทรกแซงอย่างชาญฉลาด ซึ่งส่งผลต่อผลลัพธ์ทางการเงินหรือโปรไฟล์ความเสี่ยงอย่างแท้จริง

สำหรับธุรกิจขนาดกลางและขนาดย่อมของอิตาลี ประเด็นนี้มีความสำคัญมากกว่าความซับซ้อนของอัลกอริทึม ในด้านการเงิน หมายถึงการให้ผู้วิเคราะห์ตรวจสอบเฉพาะไฟล์ที่มีโปรไฟล์ผิดปกติหรือเอกสารไม่สอดคล้องกันเท่านั้น ในธุรกิจค้าปลีก หมายถึงการให้ผู้จัดการหมวดหมู่หรือผู้จัดการอีคอมเมิร์ซได้รับการแจ้งเตือนเฉพาะเกี่ยวกับราคาสินค้า สต็อก หรือการสูญเสียลูกค้าที่ระบบไม่สามารถตีความได้อย่างแน่นอนเพียงพอเท่านั้น แพลตฟอร์มเช่นELECTE แนวทางELECTE ไปได้แม้ไม่มีทีมนักวิทยาศาสตร์ข้อมูลภายในองค์กร เพราะพวกมันเปลี่ยนข้อมูลป้อนกลับจากการดำเนินงานให้กลายเป็นส่วนที่มีโครงสร้างของกระบวนการ

สามระดับของระบบอัตโนมัติที่แตกต่างกันอย่างมาก

เพื่อหลีกเลี่ยงความสับสน ควรแยกแยะระหว่างสามแบบจำลอง

ความแตกต่างอยู่ที่สถาปัตยกรรม ไม่ใช่ความหมายเชิงความหมาย มันกำหนดเวลาการตอบสนอง ค่าใช้จ่ายในการดำเนินงาน คุณภาพของการตัดสินใจ และระดับการควบคุมที่ผู้บริหารยังคงมีต่อกระบวนการ

กฎง่าย ๆ ที่ใช้ได้ดีคือ HITL มีเหตุผลเมื่อค่าใช้จ่ายในการตรวจสอบเป้าหมายต่ำกว่าค่าใช้จ่ายที่อาจเกิดขึ้นจากข้อผิดพลาดอัตโนมัติ นี่คือเหตุผลที่มันถูกนำมาใช้ในกระบวนการที่แม้ข้อผิดพลาดเพียงไม่กี่ครั้งก็สามารถทำให้กำไรลดลง สร้างความขัดแย้งกับลูกค้า หรือนำไปสู่ปัญหาการปฏิบัติตามกฎระเบียบได้

โดยสรุป การวิเคราะห์ข้อมูลด้วย AI แบบมีมนุษย์เข้ามาเกี่ยวข้องไม่ได้มีมนุษย์เข้ามาเกี่ยวข้องเพียงเพื่อความมีมนุษย์เท่านั้น แต่เป็นการมอบหมายให้มนุษย์เข้ามาเกี่ยวข้องในขั้นตอนที่การตัดสินใจของพวกเขามีคุณค่าทางเศรษฐกิจมากที่สุดและให้การควบคุมด้านการจัดการได้มากที่สุด

ประโยชน์และความเสี่ยงของการร่วมมือระหว่างมนุษย์กับเครื่องจักร

สำหรับผู้นำทางธุรกิจ จุดสำคัญไม่ใช่การเพิ่มการตรวจสอบจากมนุษย์เพียงเพราะความระมัดระวังมากเกินไป จุดสำคัญคือการนำการตัดสินใจของมนุษย์มาใช้ในจุดที่ระบบอัตโนมัติไม่สามารถรักษาความคุ้มค่าด้านต้นทุนได้ HITL จะทำงานได้ดีเมื่อสามารถลดต้นทุนของข้อผิดพลาดได้มากกว่าต้นทุนที่เพิ่มขึ้นของกระบวนการ

นี่เปลี่ยนวิธีที่เราควรตีความคุณค่าของการวิเคราะห์ด้วย AI แบบจำลองที่ทำงานโดยอัตโนมัติอย่างสมบูรณ์จะเพิ่มขนาดและความเร็วให้สูงสุด ส่วนแบบจำลองที่มีมนุษย์เข้ามาเกี่ยวข้องจะเพิ่มสมดุลระหว่างการทำงานอัตโนมัติกับคุณภาพการตัดสินใจในขั้นตอนที่มีผลกระทบต่อกำไร ความเสี่ยง และความมั่นใจภายในองค์กรให้สูงสุด สำหรับธุรกิจขนาดกลางและขนาดย่อมของอิตาลีจำนวนมาก โดยเฉพาะในภาคการเงินและค้าปลีก นี่ถือเป็นความแตกต่างเชิงกลยุทธ์ ไม่จำเป็นต้องมุ่งสู่การอัตโนมัติอย่างสมบูรณ์ สิ่งที่จำเป็นคือการทำให้กระบวนการทำงานที่มีปริมาณสูงเป็นอัตโนมัติอย่างมีประสิทธิภาพ และให้บุคลากรเข้ามาแทรกแซงในกรณีที่อาจนำไปสู่การสูญเสีย ข้อพิพาท หรือการตัดสินใจทางธุรกิจที่ไม่เหมาะสม

ที่ซึ่งคุณค่าถูกสร้างขึ้น

คุณค่าอยู่ที่จุดคอขวดของกระบวนการ ไม่ใช่ที่การตรวจสอบของมนุษย์เอง

ประโยชน์สามประการที่ปรากฏซ้ำอย่างสม่ำเสมอ:

• การตัดสินใจที่ดีขึ้นในกรณีที่คลุมเครือ นักวิเคราะห์เพิ่มบริบทเชิงปฏิบัติการ ประวัติของลูกค้า ข้อยกเว้นทางการค้า หรือข้อจำกัดด้านกฎระเบียบ ที่โมเดลไม่สามารถมองเห็นได้อย่างน่าเชื่อถือเพียงพอ
• ความเชื่อมั่นที่มากขึ้นจากฝ่ายบริหาร ระบบที่แสดงเกณฑ์ เหตุผลในการยกระดับ และร่องรอยการตรวจสอบ ย่อมนำไปใช้ได้ง่ายกว่าในกระบวนการที่ต้องมีความรับผิดชอบอย่างเป็นทางการ
• โมเดลที่พัฒนาขึ้นเรื่อยๆ ตามกาลเวลา ฟีดแบ็กจากมนุษย์ หากมีโครงสร้างที่ดี จะกลายเป็นสัญญาณที่มีประโยชน์ในการปรับปรุงการจัดประเภท ลำดับความสำคัญ และเกณฑ์การเข้าแทรกแซงให้แม่นยำยิ่งขึ้น

ผลลัพธ์ทางธุรกิจชัดเจน: มีการตัดสินใจน้อยลงที่ได้รับการยอมรับโดยอัตโนมัติโดยไม่มีการตรวจสอบในบริเวณที่มีความผิดพลาดมีค่าใช้จ่ายสูงที่สุด

การเปรียบเทียบที่เป็นประโยชน์คือการควบคุมคุณภาพในอุตสาหกรรม ไม่มีบริษัทที่มีชื่อเสียงใดที่จะมอบหมายให้ผู้ตรวจสอบตรวจสอบทุกชิ้นงานหากข้อบกพร่องนั้นเกิดขึ้นได้ยากและมีค่าใช้จ่ายในการแก้ไขไม่สูง แต่ไม่มีบริษัทใดที่จะปล่อยให้ชุดสินค้าที่ไม่ได้รับการตรวจสอบหากข้อบกพร่องอาจนำไปสู่การคืนสินค้า การปรับเงิน หรือความเสียหายต่อชื่อเสียง HITL ใช้ตรรกะเดียวกันกับการตัดสินใจที่ขับเคลื่อนด้วยข้อมูล โดยจะสุ่มตัวอย่าง กรอง และส่งต่อเฉพาะในกรณีที่ความเสี่ยงมีความสำคัญเท่านั้น

นี่คือเหตุผลที่แนวทางนี้ได้รับความสนใจจากบริษัทที่ไม่มีทีมนักวิทยาศาสตร์ข้อมูล แพลตฟอร์มเช่นELECTE ในการดำเนินงานโดยการเปลี่ยนข้อมูลย้อนกลับจากผู้ที่ทำงานเกี่ยวกับเครดิต การกำหนดราคา สินค้าคงคลัง หรือลูกค้าให้กลายเป็นขั้นตอนที่สามารถจัดการได้ภายในกระบวนการทำงาน แทนที่จะเป็นโครงการทางเทคนิคแยกต่างหาก

เมื่อโครงการซับซ้อนขึ้น

ประโยชน์ไม่เกิดขึ้นโดยอัตโนมัติ. กระบวนการที่ออกแบบมาไม่ดี ยังคงเป็นกระบวนการที่ออกแบบมาไม่ดี แม้ว่าจะมีผู้ตรวจสอบมนุษย์เกี่ยวข้องก็ตาม.

ความเสี่ยงที่พบบ่อยที่สุดมีดังนี้:

• คอขวดในการปฏิบัติงาน หากเกณฑ์ถูกตั้งค่าไม่ถูกต้อง ข้อยกเว้นจำนวนมากจะตกไปอยู่ที่ทีมงาน และเวลาตอบสนองก็จะแย่ลง
• อคติของมนุษย์ที่ย้อนกลับเข้าสู่ระบบ หากผู้ตรวจสอบตัดสินใจอย่างไม่สอดคล้องกันหรือไม่มีการบันทึกไว้ โมเดลจะเรียนรู้สัญญาณที่บิดเบือน
• ต้นทุนองค์กรที่ถูกประเมินต่ำเกินไป จำเป็นต้องมีบทบาทที่ชัดเจน คิวงาน ลำดับความสำคัญ อินเทอร์เฟซที่เรียบง่าย และเกณฑ์การส่งต่อที่ตรวจสอบได้
• การกำกับดูแลที่เป็นเพียงภาพลวงตา การมีบุคคลอยู่ในกระบวนการไม่ได้รับประกันการควบคุมที่แท้จริง หากไม่มี audit trail ตัวชี้วัด และความรับผิดชอบที่ชัดเจน

โครงการ HITL มักล้มเหลวด้วยเหตุผลที่เฉพาะเจาะจงมาก บริษัทมักผสานผู้คนเข้ากับกระบวนการอัตโนมัติโดยไม่ทำการออกแบบจุดตัดสินใจ เวลาตอบสนอง และเกณฑ์การตัดสินใจเมื่อกรณีใด ๆ ถูกส่งไปตรวจสอบใหม่

นอกจากนี้ยังมีความบกพร่องพื้นฐานในความคิดทางการจัดการอีกด้วย บางทีมมองว่า HITL เป็นเพียงระยะชั่วคราวที่มีประโยชน์เพียงจนกว่ารูปแบบจะดีพอที่จะดำเนินการได้ด้วยตัวเอง ในกระบวนการที่มีผลกระทบสูง สมมติฐานนี้มักไม่เป็นความจริง ในการให้สินเชื่อ การป้องกันการฉ้อโกง การผสมผสานผลิตภัณฑ์ หรือการกำหนดราคาส่งเสริมการขาย การกำกับดูแลแบบเลือกสรรไม่ใช่ต้นทุนส่วนที่เหลือที่ต้องกำจัด แต่เป็นส่วนประกอบที่มั่นคงของรูปแบบการดำเนินงาน เนื่องจากช่วยปกป้องผลกำไรและทำให้การตัดสินใจสามารถป้องกันได้

ดังนั้น คำถามจึงไม่ใช่ว่าจะลดการกำกับดูแลลงเหลือศูนย์หรือไม่ คำถามคือ การกำกับดูแลจะสร้างผลตอบแทนจากการลงทุนสูงสุดที่ใด และในทางกลับกัน การกำกับดูแลจะชะลอการดำเนินงานโดยไม่สร้างคุณค่าที่ใด ผลตอบแทนจากการลงทุนส่วนใหญ่ขึ้นอยู่กับความแตกต่างนี้ โดยเฉพาะอย่างยิ่งสำหรับธุรกิจขนาดกลางและขนาดย่อม (SMEs) ที่จำเป็นต้องนำการวิเคราะห์ด้วย AI มาใช้ด้วยทรัพยากรที่จำกัดและเป้าหมายที่สามารถวัดผลได้ในระยะสั้น

กรณีการใช้งานในภาคการเงิน

ในด้านการเงิน ค่าของ HITL จะปรากฏชัดเจนที่สุดในกรณีที่ส่งผลกระทบมากที่สุดต่องบกำไรขาดทุนและการปฏิบัติตามกฎระเบียบ ไม่ใช่ในขั้นตอนมาตรฐานที่ระบบอัตโนมัติสามารถจัดการได้ดี แต่เป็นการตัดสินใจที่มีความคลุมเครือสูงซึ่งความผิดพลาดอาจทำให้เสียเวลา เสียชื่อเสียง หรือกระตุ้นให้เกิดการตรวจสอบ

ตัวอย่างที่ชัดเจนที่สุดคือการป้องกันการฟอกเงิน โมเดลนี้จะวิเคราะห์ธุรกรรมจำนวนมาก ระบุรูปแบบที่ผิดปกติ และจัดลำดับความสำคัญของกรณีต่าง ๆ นักวิเคราะห์จะเข้ามาดำเนินการเฉพาะในกรณีที่จำเป็นต้องใช้ดุลยพินิจเท่านั้น ในทางปฏิบัติ AI จะทำหน้าที่เป็นระบบคัดกรองความเร็วสูง ขณะที่เจ้าหน้าที่ฝ่ายกำกับดูแลจะจัดการกับกรณีพิเศษที่ต้องการบริบท ประสบการณ์ และความสามารถในการให้เหตุผลประกอบการตัดสินใจ

เมื่อแบบจำลองส่งสัญญาณ และนักวิเคราะห์ตัดสินใจ

ลองพิจารณาลูกค้าองค์กรที่มีรูปแบบการทำธุรกรรมแตกต่างจากพฤติกรรมในอดีต ระบบอัตโนมัติอาจแจ้งเตือนกรณีนี้ว่าน่าสงสัยเนื่องจากตรวจพบความเบี่ยงเบนทางสถิติ อย่างไรก็ตาม นักวิเคราะห์อาจอธิบายความเบี่ยงเบนนั้นว่าเกิดจากการปรับโครงสร้างองค์กร ช่วงเวลาตามฤดูกาลของธุรกิจ หรือข้อมูลที่ได้บันทึกไว้ในระบบภายในแล้ว

นี่คือจุดที่ผลตอบแทนจากการลงทุนที่แท้จริงเกิดขึ้น

หากทุกความผิดปกติถูกพิจารณาว่าเป็นความเสี่ยงอย่างเต็มรูปแบบ ธนาคารจะเพิ่มจำนวนการตรวจพบผิดพลาด (false positives) ทำให้ทีมตรวจสอบการปฏิบัติตามกฎระเบียบทำงานช้าลง และเสียเวลาไปกับกรณีที่ไม่สำคัญจริง ๆ หากในทางกลับกัน แบบจำลองสามารถกรองกรณีที่อยู่ระหว่างเส้นแบ่งได้ และให้ผู้ปฏิบัติงานตรวจสอบความถูกต้องของกรณีเหล่านั้น สถาบันจะลดต้นทุนการดำเนินงานในการตรวจสอบลงโดยไม่กระทบต่อคุณภาพของการกำกับดูแล สำหรับธุรกิจขนาดกลางและขนาดย่อมทางการเงิน (SME) หรือองค์กรที่มีทีมตรวจสอบการปฏิบัติตามกฎระเบียบขนาดเล็ก การดำเนินการเช่นนี้มีผลกระทบต่อความยั่งยืนของกระบวนการมากกว่าความแม่นยำทางทฤษฎีของแบบจำลอง

สำหรับผู้ที่ต้องการดูว่าแนวคิดนี้ถูกนำไปใช้ในทางปฏิบัติอย่างไร วิดีโอนี้เป็นแนวทางที่มีประโยชน์:

เนื่องจากมันมีความสำคัญต่อการปฏิบัติตามข้อกำหนดและการตรวจสอบ

ในภาคเครดิต หลักการมีความคล้ายคลึงกัน แต่ประโยชน์ทางการจัดการนั้นชัดเจนยิ่งขึ้นไปอีก แบบจำลองการให้คะแนนสามารถประมวลผลตัวแปรที่มีโครงสร้างจำนวนมากได้อย่างรวดเร็ว อย่างไรก็ตาม บางโปรไฟล์ยังคงยากต่อการประเมินโดยใช้กฎมาตรฐาน เช่น ฟรีแลนซ์ ธุรกิจขนาดเล็กมาก ธุรกิจที่มีการเปลี่ยนแปลงตามฤดูกาลอย่างชัดเจน หรือธุรกิจที่มีสถานการณ์ทางการเงินซับซ้อน

ในกรณีเช่นนี้ HITL ช่วยปรับปรุงผลลัพธ์การดำเนินงานสามประการ:

1. ลดผลบวกลวง (false positive) โดยจำกัดการปฏิเสธหรือการบล็อกที่ไม่สามารถผ่านการตรวจสอบด้วยมือได้;
2. ทำให้การตัดสินใจสามารถอธิบายได้ เพราะขั้นตอนที่มนุษย์เข้ามาเกี่ยวข้องจะทิ้งร่องรอยของเกณฑ์ที่ใช้ไว้;
3. ทำให้การตรวจสอบและการควบคุมภายในง่ายขึ้น เนื่องจากกระบวนการนี้บันทึกไว้ว่าใครเป็นผู้ยืนยันกรณีนั้น ด้วยหลักฐานใด และในช่วงเวลาใด

สำหรับผู้นำธุรกิจที่มีประสบการณ์ นี่คือจุดยุทธศาสตร์ที่สำคัญที่สุด HITL ไม่ได้เพียงแค่เพิ่มลายเซ็นของมนุษย์ไว้ที่ปลายสุดของกระบวนการเท่านั้น แต่ได้ทำการออกแบบกระบวนการตัดสินใจใหม่เพื่อให้ผู้เชี่ยวชาญให้ความสนใจเฉพาะจุดที่ระบบอัตโนมัติอาจเกิดข้อผิดพลาดได้มากที่สุด หรือมีผลกระทบต่อการกำกับดูแลมากที่สุด

จากมุมมองด้านกฎระเบียบ ควรใช้แนวทางที่ระมัดระวัง การปฏิบัติต่อข้อกำหนดเฉพาะของ Consob เกี่ยวกับ HITL ในบริบทของการวิเคราะห์ AI โดยไม่พิจารณาถึงแหล่งอ้างอิงทางกฎระเบียบที่ชัดเจนและตรวจสอบได้ ถือเป็นความไม่รอบคอบ อย่างไรก็ตาม ทิศทางนั้นชัดเจน: ในกิจกรรมที่เกี่ยวข้องกับการปฏิบัติตามกฎระเบียบ การควบคุม และการให้สินเชื่อ ความคาดหวังในเรื่องการตรวจสอบย้อนกลับ การกำกับดูแลของมนุษย์ และการให้เหตุผลสำหรับการตัดสินใจโดยอัตโนมัติกำลังเพิ่มสูงขึ้น

สำหรับธุรกิจขนาดกลางและขนาดย่อมของอิตาลี ความแตกต่างนี้มีความสำคัญอย่างยิ่ง โครงการ HITL ที่ออกแบบมาอย่างดีไม่จำเป็นต้องมีทีมนักวิทยาศาสตร์ข้อมูลภายในองค์กรเสมอไป สิ่งที่ต้องการคือแพลตฟอร์มที่สามารถจัดการกรณีที่ไม่ชัดเจน รวบรวมข้อเสนอแนะ รักษาเส้นทางการตรวจสอบ และทำให้งานของทีมการเงินและทีมความเสี่ยงง่ายขึ้น นี่คือจุดที่เครื่องมือเช่นELECTE พวกเขาเปลี่ยน HITL จากกรอบแนวคิดทางทฤษฎีเป็นกระบวนการที่วัดผลได้ พร้อมประโยชน์ที่จับต้องได้ในแง่ของเวลาในการตรวจสอบ คุณภาพการตัดสินใจ และต้นทุนการปฏิบัติตามกฎระเบียบ

กรณีการใช้งานในภาคค้าปลีกและอีคอมเมิร์ซ

ในธุรกิจค้าปลีก ความผิดพลาดที่มีค่าใช้จ่ายสูงที่สุดไม่ได้เกิดจากการคาดการณ์ที่มีข้อบกพร่องโดยธรรมชาติ แต่เกิดจากการคาดการณ์ที่ถูกต้องตามข้อมูลในอดีตแต่ไม่ถูกต้องเมื่อเทียบกับบริบทที่แท้จริงของร้านค้า พื้นที่ท้องถิ่น หรือสัปดาห์ที่มีการส่งเสริมการขาย นี่คือเหตุผลที่วิธีการที่มีมนุษย์เข้ามาตรวจสอบมีคุณค่าโดยตรงต่อการดำเนินงาน มันรวมการตัดสินใจเชิงพาณิชย์ในกรณีที่แบบจำลองเพียงอย่างเดียวเสี่ยงที่จะตีความอดีตได้อย่างถูกต้องแต่ปัจจุบันล่าช้า

การคาดการณ์, ระดับสต็อก และสภาพท้องถิ่น

ผู้ค้าปลีกใช้ AI ในการทำนายความต้องการ, การสั่งซื้อสินค้า, และการจัดสรรสินค้าข้ามช่องทางและสาขาต่าง ๆ โมเดลนี้สามารถระบุฤดูกาล, แนวโน้มการขายหมด, ผลกระทบจากการส่งเสริมการขายในอดีต และยอดขายตามรหัสสินค้า (SKU) ได้ อย่างไรก็ตาม ผู้จัดการหมวดหมู่สามารถสังเกตสัญญาณที่ไม่ปรากฏในชุดข้อมูลทันที: เนื้อหาบนสื่อสังคมออนไลน์ที่กระตุ้นความต้องการ, เทศกาลท้องถิ่น, ความล่าช้าของผู้จัดหา, หรือแคมเปญที่ดุเดือดจากคู่แข่งในพื้นที่เดียวกัน

ประเด็นไม่ได้อยู่ที่การปรับแบบจำลองอย่างต่อเนื่อง ประเด็นคือการแทรกแซงเฉพาะเมื่อต้นทุนของข้อผิดพลาดสูงกว่าต้นทุนของการตรวจสอบโดยมนุษย์ ในภาคค้าปลีก สิ่งนี้มักเกิดขึ้นกับสินค้าตามฤดูกาล สินค้าที่มีกำไรสูง การเปิดตัวโปรโมชั่น และกลุ่มสินค้าท้องถิ่น

สำหรับธุรกิจขนาดกลางและขนาดย่อมของอิตาลี ประโยชน์ที่ได้รับนั้นชัดเจน ลดการขาดสต็อกของสินค้าที่ขายได้จริง ลดเงินทุนที่ผูกอยู่กับสินค้าที่ขายช้า ลดการลดราคาบังคับในช่วงปลายรอบการขาย ในทางปฏิบัติ HITL ทำหน้าที่เป็นหอควบคุม: AI จัดการการดำเนินงานประจำวัน ในขณะที่ผู้จัดการฝ่ายขายรับผิดชอบกรณีพิเศษที่อาจส่งผลกระทบต่ออัตรากำไรและระดับการบริการ

ความล่าช้าในการนำมาใช้ยิ่งทำให้แนวทางนี้มีความสำคัญมากขึ้น ตามข้อมูลของ ISTAT มีเพียงส่วนน้อยของบริษัทที่มีพนักงานอย่างน้อย 10 คนเท่านั้นที่ใช้เทคโนโลยีปัญญาประดิษฐ์ โดยมีความแตกต่างอย่างมากตามขนาดบริษัทและภาคธุรกิจ ดังที่รายงานไว้ในการสำรวจอย่างเป็นทางการเกี่ยวกับการใช้ ICT ในบริษัทต่าง ๆ: ISTAT, Imprese e ICT สำหรับ SME จำนวนมาก ปัญหาไม่ได้อยู่ที่การเข้าใจว่า AI มีประโยชน์หรือไม่ แต่อยู่ที่การนำมาใช้โดยไม่ต้องสร้างทีมเทคนิคเฉพาะ แพลตฟอร์มที่นำผู้จัดการเข้ามาอยู่ในลูปการตัดสินใจช่วยลดอุปสรรคนี้ได้

ราคา โปรโมชั่น และการตัดสินใจที่ปกป้องอัตรากำไร

หลักการเดียวกันนี้ใช้ได้กับการกำหนดราคาและการตลาด ซึ่งการอัตโนมัติอย่างบริสุทธิ์สามารถปรับปรุงความเร็วได้ แต่ก็อาจนำไปสู่การตัดสินใจที่มองไม่ไกลเช่นกัน

• ราคาแบบไดนามิก อัลกอริทึมแนะนำการเปลี่ยนแปลงที่สอดคล้องกับความต้องการ สต็อกสินค้า และพฤติกรรมในอดีต ผู้จัดการฝ่ายขายสามารถหยุดได้หากมีความเสี่ยงที่จะบั่นทอนตำแหน่งทางการตลาดของแบรนด์ หรือสร้างความไม่สอดคล้องกันระหว่างช่องทางออนไลน์กับร้านค้าจริง
• โปรโมชัน AI ระบุกลุ่มลูกค้าและช่วงเวลาที่มีแนวโน้มจะเปลี่ยนเป็นยอดขายสูงกว่า ทีมการตลาดตรวจสอบว่าข้อความเหมาะสมกับบริบทหรือไม่ โปรโมชันนั้นจะแย่งยอดขายจากไลน์สินค้าอื่นหรือไม่ หรือร้านค้ามีสต็อกเพียงพอจริงหรือไม่
• ผลิตภัณฑ์คงคลัง โมเดลเสนอว่าควรผลักดันหมวดหมู่ใด ผู้ซื้อปรับแก้ตามข้อจำกัดด้านโลจิสติกส์ ข้อตกลงกับซัพพลายเออร์ หรือความอ่อนไหวเฉพาะของตลาดท้องถิ่น

นี่เน้นย้ำถึงจุดยุทธศาสตร์ที่มักถูกมองข้าม ในธุรกิจค้าปลีก เป้าหมายไม่ใช่การเพิ่มการคาดการณ์ให้สูงสุดในทุกครั้ง แต่คือการตัดสินใจที่สามารถทำซ้ำได้เพื่อปกป้องกำไร ความพร้อมจำหน่ายบนชั้นวาง และความสม่ำเสมอทางการค้า HITL ช่วยเปลี่ยนความพยายามของมนุษย์จากงานที่ทำซ้ำๆ ไปสู่การจัดการกับข้อยกเว้นที่มีผลกระทบสูง

สำหรับธุรกิจอีคอมเมิร์ซหรือเครือข่ายท้องถิ่น ความแตกต่างนี้มีความสำคัญมากกว่าความซับซ้อนของโมเดล ระบบคาดการณ์เพียงแค่แจ้งเตือนเท่านั้น ระบบที่มีมนุษย์เข้ามาเกี่ยวข้องช่วยให้ทีมตัดสินใจได้เร็วขึ้น มีบริบทมากขึ้น และมีความขัดแย้งในการดำเนินงานน้อยลง และนี่คือจุดที่โซลูชันอย่างELECTE สำหรับธุรกิจขนาดกลางและขนาดย่อม พวกเขาทำให้กระบวนการที่เคยเป็นไปได้เฉพาะสำหรับผู้ค้าปลีกที่มีนักวิทยาศาสตร์ข้อมูลภายในองค์กรและงบประมาณระดับองค์กรเท่านั้น กลายเป็นสิ่งที่เป็นไปได้

ELECTE การทำงานแบบมีมนุษย์ควบคุมอย่างไร

แบบจำลอง HITL จะมีประโยชน์ก็ต่อเมื่อกระบวนการทำงานของผู้ปฏิบัติงานสามารถเข้าใจได้สำหรับผู้ตัดสินใจ หากการทบทวนต้องใช้ผู้เชี่ยวชาญด้านข้อมูล, การค้นหาข้อมูลด้วยตนเอง, หรือขั้นตอนทางเทคนิคที่ซับซ้อน, ผู้เชี่ยวชาญทางธุรกิจ (SMEs) จำนวนมากอาจยอมแพ้ก่อนที่จะเริ่มทำเสียด้วยซ้ำ

กระแสเงินสดในทางปฏิบัติ

บนแพลตฟอร์มที่ออกแบบมาอย่างดี กระบวนการควรมีลักษณะดังนี้:

1. เชื่อมต่อกับแหล่งข้อมูล
   CRM, ERP, อีคอมเมิร์ซ, สเปรดชีตปฏิบัติการ และระบบการเงิน ทั้งหมดไหลเข้าสู่กระแสข้อมูลเดียวกัน
2. วิเคราะห์สัญญาณโดยอัตโนมัติ
   AI ประมวลผลข้อมูลและสร้างการคาดการณ์ การแจ้งเตือน รายงาน และความผิดปกติ
3. กำหนดระดับความเชื่อมั่นและลำดับความสำคัญ
   insight แต่ละรายการไม่ได้มีค่าเท่ากันทั้งหมด บางรายการชัดเจน บางรายการต้องได้รับการตรวจสอบ
4. ส่งต่อให้ผู้ใช้พิจารณาเฉพาะกรณีที่จำเป็น
   กรณีที่ไม่แน่นอนหรือมีผลกระทบสูงจะถูกส่งไปยังแดชบอร์ดสำหรับตรวจสอบ
5. ข้อมูลป้อนกลับจากมนุษย์
   ผู้จัดการตรวจสอบ แก้ไข หรือปฏิเสธ insight โดยมีบริบทให้เห็นชัดเจน
6. การเรียนรู้อย่างต่อเนื่อง
   ระบบใช้ข้อมูลป้อนกลับนั้นเพื่อปรับปรุงโมเดลไปตามกาลเวลา

แนวทางนี้สอดคล้องกับสถาปัตยกรรมวงจรป้อนกลับเชิงรุกที่อธิบายไว้ในวรรณกรรมที่ผ่านการตรวจสอบโดยผู้ทรงคุณวุฒิ: AI จะขอการยืนยันจากมนุษย์ในจุดที่มีความไม่แน่นอนมากที่สุด แทนที่จะต้องการการตรวจสอบดูแลทั้งชุดข้อมูลทั้งหมด เป็นแนวทางนี้เองที่ทำให้ HITL มีความยั่งยืน ไม่ใช่เพียงแค่มีความถูกต้องในทางทฤษฎีเท่านั้น

เนื่องจากโมเดลนี้สามารถเข้าถึงได้สำหรับธุรกิจขนาดกลางและขนาดย่อม

สำหรับธุรกิจขนาดกลางและขนาดย่อม (SME) ความท้าทายที่แท้จริงไม่ใช่เพียงแค่ 'การใช้ AI' แต่เป็นการสามารถใช้ AI ได้โดยไม่ต้องจัดตั้งแผนกเทคนิคเฉพาะทาง นั่นคือเหตุผลที่อินเทอร์เฟซมีความสำคัญพอๆ กับโมเดล

แนวทางที่มีประสิทธิภาพควรมีข้อเสนอ:

• แดชบอร์ดที่ชัดเจน ไม่ใช่ผลลัพธ์ที่คลุมเครือ;
• การแจ้งเตือนเมื่อเกิดข้อยกเว้นจริง ไม่ใช่สัญญาณรบกวนต่อเนื่อง;
• บริบทที่มองเห็นได้ควบคู่กับ insight เพื่อให้บุคคลนั้นสามารถตัดสินใจได้อย่างรวดเร็ว;
• การผสานรวมที่ราบรื่น กับระบบที่ใช้งานอยู่แล้ว ตามที่อธิบายไว้ในหน้าที่เกี่ยวกับ การผสานรวมของ Electe

หากผู้ตรวจสอบต้องตีความโมเดลโดยไม่มีบริบท วงจรก็จะขาดตอน แต่หากเขาเห็น insight เหตุผล และผลกระทบอยู่ในพื้นที่เดียวกัน วงจรนั้นก็จะกลายเป็นการตัดสินใจ

นี่คือประเด็นสำคัญ HITL ไม่ควรคาดหวังให้ SMEs ปรับตัวเข้ากับเทคโนโลยี แต่แพลตฟอร์มควรเป็นผู้ที่แปลงความซับซ้อนทางวิเคราะห์ให้กลายเป็นกระบวนการที่ผู้จัดการการเงิน ผู้จัดการการผลิต หรือผู้จัดการค้าปลีกสามารถบริหารได้ในเพียงไม่กี่ขั้นตอน

แนวทางปฏิบัติที่ดีที่สุดสำหรับการนำไปใช้ที่ประสบความสำเร็จ

โครงการ HITL จะสร้างคุณค่าเมื่อช่วยลดต้นทุนในการตัดสินใจ ไม่ใช่เมื่อเพิ่มชั้นการควบคุมใหม่ สำหรับธุรกิจขนาดกลางและขนาดย่อมของอิตาลี สิ่งสำคัญไม่ใช่การนำการตรวจสอบโดยมนุษย์มาใช้ในทุกขั้นตอน แต่คือการระบุจุดที่การตัดสินใจของมนุษย์สามารถแก้ไขข้อผิดพลาดที่มีค่าใช้จ่ายสูง เร่งการจัดการกับข้อยกเว้น และทำให้โมเดลมีประโยชน์มากขึ้นเมื่อเวลาผ่านไป

นั่นคือเหตุผลว่าทำไมจุดเริ่มต้นจึงมีความสำคัญมากกว่าความทะเยอทะยานในตอนแรก กรณีการใช้งานครั้งแรกที่ดีควรรวมสามลักษณะ: ผลกระทบทางเศรษฐกิจที่มองเห็นได้, ข้อมูลทางประวัติศาสตร์ที่เพียงพอ, และการตัดสินใจที่ปัจจุบันขึ้นอยู่กับประสบการณ์ของบุคคล. การเงินและค้าปลีกมักตรงกับโปรไฟล์นี้. ในเครดิตการค้า, ตัวอย่างเช่น, การตรวจสอบกรณีที่ไม่ชัดเจนอย่างมุ่งเป้าหมายสามารถลดข้อผิดพลาดในการประเมินได้โดยไม่ทำให้กระบวนการทำงานทั้งหมดช้าลง. ในค้าปลีก, หลักการเดียวกันนี้สามารถนำไปใช้กับการสั่งซื้อสินค้า, การกำหนดราคาโปรโมชั่น, และการจัดการความไม่สอดคล้องของสต็อก.

นี่คือจุดที่ ROI เข้ามามีบทบาท

หากทีมมนุษย์มีส่วนร่วมในทุกการตัดสินใจ ระบบ AI จะกลายเป็นเพียงขั้นตอนกลางเท่านั้น หากระบบมีส่วนร่วมเฉพาะในกรณีที่มีความไม่แน่นอนสูงหรือมีผลกระทบสูง บริษัทจะได้รับผลลัพธ์ที่แตกต่างอย่างมาก: ลดภาระการดำเนินงานในกรณีที่ไม่ซับซ้อน และมุ่งเน้นไปที่กรณีที่มีผลกระทบต่อผลกำไรอย่างแท้จริง นี่คือเหตุผลที่ได้กล่าวไว้ก่อนหน้านี้ ด้วยการรวบรวมคำแนะนำในจุดที่เหมาะสม องค์กรสามารถใช้ประโยชน์จากเวลาของบุคลากรและความสามารถของแบบจำลองได้ดีขึ้น

แนวปฏิบัติที่ดีที่สุดอันดับสองเกี่ยวข้องกับการออกแบบจุดแทรกแซงของมนุษย์ ในการนำไปใช้หลายกรณี ปัญหาไม่ได้อยู่ที่อัลกอริทึม แต่เป็นความคลุมเครือของกระบวนการ หากไม่ชัดเจนว่าใครเป็นผู้อนุมัติ เกณฑ์ที่ใช้คืออะไร และข้อมูลใดถูกนำมาใช้ วงจรการทำงานจะไม่เรียนรู้ แต่จะเพียงแค่ย้ายความติดขัดจากขั้นตอนหนึ่งไปยังอีกขั้นตอนหนึ่งเท่านั้น

ก่อนที่จะเริ่มใช้งานจริง ขอแนะนำให้กำหนดองค์ประกอบด้านการปฏิบัติงานสี่ประการดังต่อไปนี้:

• บทบาทในการตัดสินใจที่ชัดเจน เช่น controller, risk analyst, buyer หรือผู้จัดการสาขา
• เกณฑ์การส่งต่อ (escalation) โดยพิจารณาจากความเชื่อมั่นของโมเดล มูลค่าทางเศรษฐกิจของกรณี หรือความเสี่ยงด้านกฎระเบียบ
• บริบทที่แสดงให้ผู้ตรวจสอบเห็น เช่น ประวัติของลูกค้า เหตุผลของการแจ้งเตือน ผลกระทบที่ประเมินไว้ และข้อมูลสนับสนุน
• วิธีการนำฟีดแบ็กกลับมาใช้ใหม่ เพื่อให้การแก้ไขเข้าสู่ระบบและปรับปรุงกรณีในอนาคต

กฎเกณฑ์ที่เป็นประโยชน์ในการตัดสินใจว่าโครงการพร้อมหรือไม่คือ หากผู้ตรวจสอบไม่ทราบว่าทำไมกรณีนี้ถึงถูกมอบหมายให้พวกเขา การนำไปใช้ยังไม่พร้อม

นอกจากนี้ยังมีข้อผิดพลาดที่พบบ่อยในธุรกิจขนาดกลางและขนาดย่อม มีความคิดเห็นว่าผู้บริหารจำเป็นต้องได้รับการฝึกอบรมทางคณิตศาสตร์ของแบบจำลอง ในความเป็นจริง สิ่งที่ต้องการคือความสามารถในการสังเกตความผิดปกติ ประเมินความน่าเชื่อถือของข้อมูลเชิงลึก และให้คำแนะนำที่สอดคล้องกัน นี่คือความแตกต่างที่สำคัญ ผู้จัดการหมวดหมู่ไม่จำเป็นต้องฝึกอบรมอัลกอริทึม พวกเขาต้องสามารถระบุได้ว่าการเสนอการสั่งซื้อใหม่ละเลยการส่งเสริมการขายในท้องถิ่น การเปลี่ยนแปลงผู้จัดหา หรือปัญหาการขาดแคลนสต็อกที่ทีมทราบอยู่แล้วหรือไม่

แพลตฟอร์มเช่นELECTE แนวทางนี้สามารถเข้าถึงได้มากขึ้นอย่างแม่นยำเพราะพวกมันซ่อนความซับซ้อนทางเทคนิคไว้เบื้องหลังอินเตอร์เฟซผู้ใช้ สำหรับธุรกิจขนาดกลางและขนาดเล็ก (SMEs) มากมาย นี่คือที่ที่ข้อได้เปรียบทางกลยุทธ์อยู่ แทนที่จะต้องสร้างทีมของนักวิทยาศาสตร์ข้อมูลเพื่อใช้ประโยชน์จากการวิเคราะห์ข้อมูลด้วยปัญญาประดิษฐ์อย่างมีประสิทธิภาพ พวกมันสามารถให้กำลังใจทีมการเงินและค้าปลีกให้ปรับปรุง ตรวจสอบความถูกต้อง และปรับปรุงระบบให้เป็นส่วนหนึ่งของกระบวนการทำงานประจำวันของพวกเขาได้

คุณภาพของการดำเนินการสามารถวัดได้โดยใช้ตัวชี้วัดที่เป็นรูปธรรมไม่กี่ตัว ได้แก่ เวลาที่ใช้ในการตรวจสอบแต่ละข้อยกเว้น อัตราการยอมรับคำแนะนำ การลดข้อผิดพลาดที่เกิดขึ้นซ้ำ และผลกระทบทางเศรษฐกิจจากการแก้ไข หากตัวเลขเหล่านี้ไม่ดีขึ้น โครงการก็เพียงแต่กำลังทำให้ผลลัพธ์เป็นอัตโนมัติเท่านั้น ยังไม่ได้ปรับปรุงการตัดสินใจ

ระบบ human-in-the-loop AI analytics ที่ดีใช้การแทรกแซงของมนุษย์เพียงไม่กี่ครั้ง แต่วางตำแหน่งได้ดีและตรวจสอบย้อนกลับได้ ด้วยวิธีนี้ การทำงานร่วมกันระหว่างมนุษย์และเครื่องจักรจึงไม่ใช่แค่คำมั่นสัญญาทางเทคนิคอีกต่อไป แต่กลายเป็นวินัยเชิงปฏิบัติการที่มีผลตอบแทนที่วัดผลได้

ธรรมาภิบาลและจริยธรรมในปัญญาประดิษฐ์แบบผสมผสาน

เมื่อ AI มีส่วนเกี่ยวข้องในกระบวนการที่เกี่ยวข้องกับเครดิต, การกำหนดราคา, การฉ้อโกง หรือการปฏิบัติตามข้อกำหนด คำถามที่สำคัญจะเปลี่ยนไป ไม่ใช่เพียงแค่ว่าแบบจำลองสามารถทำนายได้อย่างถูกต้องหรือไม่ สิ่งที่สำคัญคือบริษัทสามารถติดตามได้ว่าการคาดการณ์นั้นนำไปสู่การตัดสินใจอย่างไร ใครเป็นผู้อนุมัติ และบนพื้นฐานอะไร

ที่นี่ การกำกับดูแลไม่ใช่เพียงชั้นการบริหารที่เพิ่มเข้ามาภายหลัง แต่ทำหน้าที่เหมือนระบบควบคุมคุณภาพในสายการผลิต: หากจุดตรวจสอบถูกกำหนดไว้อย่างเหมาะสม บริษัทสามารถลดข้อผิดพลาดที่มีค่าใช้จ่ายสูงก่อนที่มันจะถึงมือลูกค้า ผู้ตรวจสอบ หรือหน่วยงานกำกับดูแลได้ ในระบบ AI แบบไฮบริด นี่คือที่ที่คุณค่าของการแทรกแซงของมนุษย์อยู่: ในการทำให้กระบวนการสามารถสังเกตได้ซึ่งในระบบอัตโนมัติล้วน ๆ อาจมีความเสี่ยงที่จะไม่โปร่งใส

อคติ ความรับผิดชอบ และการตรวจสอบย้อนกลับ

ปัญหาแรกคือความลำเอียง (Bias) ในภาคการเงิน ตามที่ได้กล่าวไว้ก่อนหน้านี้ ปัญหาไม่ได้เกิดจากข้อมูลทางประวัติศาสตร์เพียงอย่างเดียว แต่ยังเกิดจากวิธีที่แบบจำลองแปลข้อมูลนั้นเป็นสัญญาณการซื้อขายด้วย กลไกการมีส่วนร่วมของมนุษย์ที่ออกแบบมาอย่างดีจะช่วยระบุความผิดปกติที่ระบบมองว่าเป็นเรื่องปกติ เพราะระบบได้เรียนรู้สิ่งเหล่านี้มาจากข้อมูลในอดีต

การมีส่วนร่วมของมนุษย์นั้นไม่ได้หมายความว่าจะแก้ปัญหาโดยอัตโนมัติ หากขาดวินัยในการดำเนินงาน การมีส่วนร่วมอาจเพียงแค่ย้ายปัญหาไปยังระดับอื่นเท่านั้น ผู้ตรวจสอบอาจปรับปรุงการตัดสินใจได้ แต่ในขณะเดียวกันก็อาจยอมรับข้อเสนอแนะของแบบจำลองอย่างไม่มีวิจารณญาณ หรือนำความชอบส่วนตัวที่ตรวจจับได้ยากเข้ามาแทนที่

ด้วยเหตุนี้ ธุรกิจขนาดกลางและขนาดย่อมที่ต้องการได้รับผลตอบแทนที่แท้จริงจากการลงทุนในโครงการ HITL ในภาคการเงินและค้าปลีก ควรให้ความสำคัญกับสามองค์ประกอบนี้ในฐานะส่วนหนึ่งของกระบวนการ มากกว่าการเป็นเพียงขั้นตอนทางการตรวจสอบ:

• บันทึกการตัดสินใจ เพื่อเชื่อมโยงการอนุมัติหรือการแก้ไขแต่ละครั้งเข้ากับบทบาทที่ชัดเจน
• เหตุผลเชิงโครงสร้างของการตรวจสอบ ซึ่งมีประโยชน์ในการแยกแยะข้อยกเว้นทางธุรกิจออกจากการตัดสินใจตามสัญชาตญาณ
• การวิเคราะห์รูปแบบการยืนยันและแก้ไขเป็นระยะ เพื่อทำความเข้าใจว่าทีมงานมนุษย์กำลังปรับปรุงโมเดลอยู่จริง หรือเพียงแค่รับรองผลลัพธ์เท่านั้น

ความแตกต่างนี้มีผลกระทบทางการเงินโดยตรง หากไม่มีการติดตามและนำข้อเสนอแนะของมนุษย์กลับมาใช้ซ้ำ บริษัทจะต้องจ่ายเงินสองครั้ง ครั้งแรกสำหรับเทคโนโลยี จากนั้นสำหรับการตรวจสอบด้วยมือซึ่งไม่ช่วยให้ระบบสามารถเรียนรู้ได้

GDPR และการควบคุมการดำเนินงาน

ประเด็นที่สองคือความรับผิดชอบ เมื่อต้องตัดสินใจในเรื่องที่ละเอียดอ่อน การเพียงแค่กล่าวว่า "อัลกอริทึมแนะนำเช่นนั้น" ไม่เพียงพอสำหรับผู้ตรวจสอบบัญชี ลูกค้าองค์กร หรือฝ่ายบริหารความเสี่ยง จำเป็นต้องมีกระบวนการตัดสินใจที่โปร่งใส: ข้อมูลนำเข้าที่ใช้ เกณฑ์ที่กระตุ้นให้เกิดการยกระดับ การแทรกแซงของมนุษย์ และการตัดสินใจขั้นสุดท้าย

จากมุมมองของ GDPR แนวทางนี้มีประโยชน์เพราะช่วยให้สามารถสาธิตการลดปริมาณข้อมูล การควบคุมการเข้าถึง และการตรวจสอบการตัดสินใจที่เกี่ยวข้องกับข้อมูลที่บอบช้ำทางจิตใจได้ง่ายขึ้น อย่างไรก็ตาม แนวทางนี้ไม่ได้ให้การรับประกันการปฏิบัติตามข้อกำหนดโดยอัตโนมัติ อย่างไรก็ตาม แนวทางนี้ช่วยแก้ไขจุดอ่อนที่พบได้บ่อยในโครงการ AI ของธุรกิจขนาดกลางและขนาดเล็ก (SMEs) คือการมีแบบจำลองที่ทำงานได้ดีทางเทคนิค แต่ยากที่จะอธิบายให้ชัดเจนบนเอกสาร

นี่คือจุดที่หลายโครงการต้องหยุดชะงัก ไม่ใช่เพราะข้อจำกัดของอัลกอริทึม แต่เพราะไม่มีใครกำหนดว่าใครสามารถแก้ไขคำแนะนำได้ ในกรณีใด ด้วยเหตุผลอะไร และด้วยความรับผิดชอบสูงสุดอย่างไร

สำหรับผู้นำทางธุรกิจ การทดสอบนั้นง่ายมาก: การตัดสินใจนี้สามารถอธิบายได้อย่างชัดเจนต่อผู้ตรวจสอบภายใน ลูกค้า หรือหน่วยงานกำกับดูแลได้หรือไม่? หากคำตอบไม่ชัดเจน ความเสี่ยงนั้นไม่ใช่เพียงทฤษฎี แต่เป็นความเสี่ยงในการดำเนินงาน

ในการวางระบบเหล่านี้แบบเป็นรูปธรรม โดยไม่สร้างความซับซ้อนเกินรับมือสำหรับทีมขนาดเล็ก คู่มือของ Electe เรื่อง AI ที่รับผิดชอบและการนำปัญญาประดิษฐ์ไปใช้อย่างมีจริยธรรม ก็เป็นประโยชน์เช่นกัน

บทสรุปและขั้นตอนปฏิบัติต่อไป

บทเรียนที่สำคัญที่สุดคือ human-in-the-loop AI analytics ไม่ใช่ทางเลือกสำรองระหว่างรอ AI ที่ “เป็นอิสระมากกว่านี้” แต่มักเป็นรูปแบบที่เติบโตเต็มที่ที่สุดในการเปลี่ยนการวิเคราะห์ข้อมูลให้กลายเป็นการตัดสินใจที่เชื่อถือได้ อธิบายได้ และเป็นประโยชน์ต่อธุรกิจ

AI จัดการกับขนาด ความเร็ว และการจดจำรูปแบบ ส่วนมนุษย์จัดการกับข้อยกเว้น ความรับผิดชอบ และบริบท เมื่อทั้งสองระดับนี้ทำงานร่วมกัน ธุรกิจจะไม่เพียงแค่ได้รับระบบอัตโนมัติมากขึ้นเท่านั้น แต่ยังได้การตัดสินใจที่ดีขึ้นอีกด้วย

ประเด็นสำคัญ

• เลือกกระบวนการที่มีผลกระทบสูง เริ่มจากความเสี่ยง สินค้าคงคลัง การตั้งราคา หรือการปฏิบัติตามกฎระเบียบ ไม่ใช่กรณีที่เป็นเรื่องรอง
• กำหนดเกณฑ์การส่งต่อให้มนุษย์อย่างชัดเจน มนุษย์ควรเข้ามาแทรกแซงในกรณีที่เหมาะสม ไม่ใช่ทุกกรณี
• ออกแบบฟีดแบ็กให้เป็นส่วนหนึ่งของโมเดล การตรวจสอบต้องช่วยพัฒนาระบบ ไม่ใช่เป็นเพียงการกระทำที่แยกโดดเดี่ยว
• ปฏิบัติต่อการกำกับดูแลและการตรวจสอบย้อนกลับเป็นข้อกำหนด ไม่ใช่การควบคุมที่เพิ่มเข้ามาภายหลัง
• ประเมินแพลตฟอร์มที่เข้าถึงได้ง่าย สำหรับ SME ประโยชน์ที่แท้จริงจะเกิดขึ้นเมื่อกระบวนการยังคงเข้าใจง่าย แม้ไม่มีทีมเทคนิคเฉพาะทาง

หากคุณต้องการเปลี่ยนข้อมูลดิบให้กลายเป็นการตัดสินใจที่เชื่อถือได้มากขึ้นโดยไม่เพิ่มความซับซ้อนในการดำเนินงาน มาดูกันว่า Electe แพลตฟอร์มวิเคราะห์ข้อมูลด้วย AI สำหรับ SME สามารถสนับสนุนแนวทาง Human-in-the-Loop ได้อย่างไร ด้วยการสาธิตที่ปรับให้เหมาะกับคุณโดยเฉพาะ