การอัตโนมัติทั้งหมดเป็นโอกาสที่น่าดึงดูดใจ แต่เมื่อพูดถึงการตัดสินใจทางธุรกิจที่จริงจัง – ซึ่งเกี่ยวข้องกับความเสี่ยง, กำไร, การปฏิบัติตามกฎระเบียบ และลูกค้า – AI อย่างเดียวอาจไม่เพียงพอ ในภาคไอทีของอิตาลี การนำกระบวนการHuman-in-the-Loopมาใช้กำลังเร่งตัวขึ้น: ในบริษัทเทคโนโลยีที่มีพนักงานน้อยกว่า 250 คน การใช้ HITL AI สำหรับการวิเคราะห์ข้อมูลเพิ่มขึ้น40% ในระยะเวลาหกเดือน โดยเพิ่มขึ้นจาก 6.3% เป็น 8.8% ภายในเดือนกันยายน 2025 ตามข้อมูลที่รายงานโดยSoftware Oasis นี่ไม่ใช่รายละเอียดทางเทคนิค แต่เป็นสัญญาณเชิงกลยุทธ์
เหตุผลนั้นง่ายมาก AI มีความเชี่ยวชาญในการจัดการกับปริมาณ ความเร็ว และการทำซ้ำ ส่วนมนุษย์มีความเชี่ยวชาญเมื่อต้องใช้บริบท การตัดสินใจ และความรับผิดชอบ หากคุณแยกสองโลกนี้ออกจากกัน คุณจะจบลงด้วยความล่าช้าหรือข้อผิดพลาด หากคุณรวมสองสิ่งนี้เข้าด้วยกันอย่างมีประสิทธิภาพ คุณจะเปลี่ยนการวิเคราะห์ข้อมูลให้กลายเป็นระบบการตัดสินใจที่แข็งแกร่งยิ่งขึ้น
นี่คือเหตุผลที่การวิเคราะห์ AI แบบมีมนุษย์ควบคุมกลายเป็นรูปแบบการดำเนินงาน ไม่ใช่แค่วัตถุประสงค์ทางเทคโนโลยี สำหรับธุรกิจขนาดกลางและขนาดย่อมในอิตาลีหลายแห่ง นี่ก็เป็นวิธีที่เป็นจริงที่สุดในการนำ AI มาใช้โดยไม่ต้องสร้างทีมของนักวิทยาศาสตร์ข้อมูลขึ้นมาใหม่ทั้งหมด และนี่ก็อธิบายได้ว่าทำไมการออกแบบคำสั่ง (prompt engineering) เพียงอย่างเดียวจึงไม่มีประโยชน์มากนักเมื่อปัญหาที่แท้จริงไม่ใช่การสร้างคำตอบ แต่เป็นการตัดสินใจที่น่าเชื่อถือ
ระบบอัตโนมัติเต็มรูปแบบจะทำงานได้ดีตราบใดที่ทุกอย่างเป็นไปตามแผน ปัญหาคือธุรกิจ ลูกค้า ห่วงโซ่อุปทาน และการฉ้อโกงไม่เคยทำตามบทที่เขียนไว้อย่างเรียบร้อย สิ่งที่ต้องมีคือความผิดปกติ การเปลี่ยนแปลงกฎระเบียบ หรือสัญญาณที่ไม่ชัดเจน และผลลัพธ์ที่ถูกต้องตามสถิติก็สามารถกลายเป็นการตัดสินใจทางธุรกิจที่แย่ได้
นี่คือจุดที่เหตุผลเบื้องหลัง HITL เข้ามามีบทบาท มันไม่ได้เพิ่มผู้ตรวจสอบมนุษย์เข้าไปในขั้นตอนสุดท้ายเพียงเพื่อเป็นมาตรการป้องกันตามระบบราชการ แต่เป็นการออกแบบกระบวนการใหม่เพื่อให้ AI ทำงานในส่วนที่มันมีความสามารถสูงสุด และจะเรียกให้มนุษย์เข้ามาแทรกแซงเฉพาะในจุดที่มีความสำคัญจริงเท่านั้น
เป้าหมายไม่ใช่การชะลอการอัตโนมัติ แต่เป็นการป้องกันไม่ให้การอัตโนมัติทำผิดพลาดในการตัดสินใจที่มีค่าใช้จ่ายสูงที่สุด
สำหรับผู้นำธุรกิจที่มีประสบการณ์ สิ่งนี้เปลี่ยนจุดโฟกัส คำถามไม่ใช่ "ฉันสามารถทำให้เป็นอัตโนมัติได้มากแค่ไหน?" แต่เป็น "ส่วนใดของการตัดสินใจที่ต้องยังคงมีความอ่อนไหวต่อบริบท สามารถอธิบายได้ และควบคุมได้?"นี่คือจุดที่การวิเคราะห์ AI ที่มีมนุษย์เข้ามาเกี่ยวข้องกลายเป็นข้อได้เปรียบในการแข่งขัน โดยเฉพาะในด้านการเงินและค้าปลีก ที่ซึ่งความเร็วและการตัดสินใจต้องดำเนินไปควบคู่กัน
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
ในทางปฏิบัติ วงจรทำงานดังนี้:
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
เพื่อหลีกเลี่ยงความสับสน ควรแยกแยะระหว่างสามแบบจำลอง
| แบบจำลอง | วิธีการทำงาน | ที่ที่เหมาะที่สุด |
|---|---|---|
| มนุษย์ในห่วงโซ่ | บุคคลนั้นมีบทบาทอย่างแข็งขันในกรณีที่ได้เลือกไว้ | การตัดสินใจที่มีความเสี่ยงสูง, การเงิน, การค้าปลีกที่สำคัญ |
| มนุษย์ในห่วงโซ่ | บุคคลนั้นจะกำกับดูแลและเข้าแทรกแซงเฉพาะเมื่อเรื่องถูกยกระดับเท่านั้น | กระบวนการที่สมบูรณ์พร้อมด้วยปริมาณสูง |
| มนุษย์ที่อยู่นอกกระบวนการ | ระบบตัดสินใจด้วยตัวเอง | งานที่ทำซ้ำๆ และมีความเสี่ยงต่ำ |
ความแตกต่างอยู่ที่สถาปัตยกรรม ไม่ใช่ความหมายเชิงความหมาย มันกำหนดเวลาการตอบสนอง ค่าใช้จ่ายในการดำเนินงาน คุณภาพของการตัดสินใจ และระดับการควบคุมที่ผู้บริหารยังคงมีต่อกระบวนการ
กฎง่าย ๆ ที่ใช้ได้ดีคือ HITL มีเหตุผลเมื่อค่าใช้จ่ายในการตรวจสอบเป้าหมายต่ำกว่าค่าใช้จ่ายที่อาจเกิดขึ้นจากข้อผิดพลาดอัตโนมัติ นี่คือเหตุผลที่มันถูกนำมาใช้ในกระบวนการที่แม้ข้อผิดพลาดเพียงไม่กี่ครั้งก็สามารถทำให้กำไรลดลง สร้างความขัดแย้งกับลูกค้า หรือนำไปสู่ปัญหาการปฏิบัติตามกฎระเบียบได้
โดยสรุป การวิเคราะห์ข้อมูลด้วย AI แบบมีมนุษย์เข้ามาเกี่ยวข้องไม่ได้มีมนุษย์เข้ามาเกี่ยวข้องเพียงเพื่อความมีมนุษย์เท่านั้น แต่เป็นการมอบหมายให้มนุษย์เข้ามาเกี่ยวข้องในขั้นตอนที่การตัดสินใจของพวกเขามีคุณค่าทางเศรษฐกิจมากที่สุดและให้การควบคุมด้านการจัดการได้มากที่สุด
สำหรับผู้นำทางธุรกิจ จุดสำคัญไม่ใช่การเพิ่มการตรวจสอบจากมนุษย์เพียงเพราะความระมัดระวังมากเกินไป จุดสำคัญคือการนำการตัดสินใจของมนุษย์มาใช้ในจุดที่ระบบอัตโนมัติไม่สามารถรักษาความคุ้มค่าด้านต้นทุนได้ HITL จะทำงานได้ดีเมื่อสามารถลดต้นทุนของข้อผิดพลาดได้มากกว่าต้นทุนที่เพิ่มขึ้นของกระบวนการ
นี่เปลี่ยนวิธีที่เราควรตีความคุณค่าของการวิเคราะห์ด้วย AI แบบจำลองที่ทำงานโดยอัตโนมัติอย่างสมบูรณ์จะเพิ่มขนาดและความเร็วให้สูงสุด ส่วนแบบจำลองที่มีมนุษย์เข้ามาเกี่ยวข้องจะเพิ่มสมดุลระหว่างการทำงานอัตโนมัติกับคุณภาพการตัดสินใจในขั้นตอนที่มีผลกระทบต่อกำไร ความเสี่ยง และความมั่นใจภายในองค์กรให้สูงสุด สำหรับธุรกิจขนาดกลางและขนาดย่อมของอิตาลีจำนวนมาก โดยเฉพาะในภาคการเงินและค้าปลีก นี่ถือเป็นความแตกต่างเชิงกลยุทธ์ ไม่จำเป็นต้องมุ่งสู่การอัตโนมัติอย่างสมบูรณ์ สิ่งที่จำเป็นคือการทำให้กระบวนการทำงานที่มีปริมาณสูงเป็นอัตโนมัติอย่างมีประสิทธิภาพ และให้บุคลากรเข้ามาแทรกแซงในกรณีที่อาจนำไปสู่การสูญเสีย ข้อพิพาท หรือการตัดสินใจทางธุรกิจที่ไม่เหมาะสม
คุณค่าอยู่ที่จุดคอขวดของกระบวนการ ไม่ใช่ที่การตรวจสอบของมนุษย์เอง
ประโยชน์สามประการที่ปรากฏซ้ำอย่างสม่ำเสมอ:
ผลลัพธ์ทางธุรกิจชัดเจน: มีการตัดสินใจน้อยลงที่ได้รับการยอมรับโดยอัตโนมัติโดยไม่มีการตรวจสอบในบริเวณที่มีความผิดพลาดมีค่าใช้จ่ายสูงที่สุด
การเปรียบเทียบที่เป็นประโยชน์คือการควบคุมคุณภาพในอุตสาหกรรม ไม่มีบริษัทที่มีชื่อเสียงใดที่จะมอบหมายให้ผู้ตรวจสอบตรวจสอบทุกชิ้นงานหากข้อบกพร่องนั้นเกิดขึ้นได้ยากและมีค่าใช้จ่ายในการแก้ไขไม่สูง แต่ไม่มีบริษัทใดที่จะปล่อยให้ชุดสินค้าที่ไม่ได้รับการตรวจสอบหากข้อบกพร่องอาจนำไปสู่การคืนสินค้า การปรับเงิน หรือความเสียหายต่อชื่อเสียง HITL ใช้ตรรกะเดียวกันกับการตัดสินใจที่ขับเคลื่อนด้วยข้อมูล โดยจะสุ่มตัวอย่าง กรอง และส่งต่อเฉพาะในกรณีที่ความเสี่ยงมีความสำคัญเท่านั้น
นี่คือเหตุผลที่แนวทางนี้ได้รับความสนใจจากบริษัทที่ไม่มีทีมนักวิทยาศาสตร์ข้อมูล แพลตฟอร์มเช่นELECTE ในการดำเนินงานโดยการเปลี่ยนข้อมูลย้อนกลับจากผู้ที่ทำงานเกี่ยวกับเครดิต การกำหนดราคา สินค้าคงคลัง หรือลูกค้าให้กลายเป็นขั้นตอนที่สามารถจัดการได้ภายในกระบวนการทำงาน แทนที่จะเป็นโครงการทางเทคนิคแยกต่างหาก
ประโยชน์ไม่เกิดขึ้นโดยอัตโนมัติ. กระบวนการที่ออกแบบมาไม่ดี ยังคงเป็นกระบวนการที่ออกแบบมาไม่ดี แม้ว่าจะมีผู้ตรวจสอบมนุษย์เกี่ยวข้องก็ตาม.
ความเสี่ยงที่พบบ่อยที่สุดมีดังนี้:
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
ในด้านการเงิน ค่าของ HITL จะปรากฏชัดเจนที่สุดในกรณีที่ส่งผลกระทบมากที่สุดต่องบกำไรขาดทุนและการปฏิบัติตามกฎระเบียบ ไม่ใช่ในขั้นตอนมาตรฐานที่ระบบอัตโนมัติสามารถจัดการได้ดี แต่เป็นการตัดสินใจที่มีความคลุมเครือสูงซึ่งความผิดพลาดอาจทำให้เสียเวลา เสียชื่อเสียง หรือกระตุ้นให้เกิดการตรวจสอบ
ตัวอย่างที่ชัดเจนที่สุดคือการป้องกันการฟอกเงิน โมเดลนี้จะวิเคราะห์ธุรกรรมจำนวนมาก ระบุรูปแบบที่ผิดปกติ และจัดลำดับความสำคัญของกรณีต่าง ๆ นักวิเคราะห์จะเข้ามาดำเนินการเฉพาะในกรณีที่จำเป็นต้องใช้ดุลยพินิจเท่านั้น ในทางปฏิบัติ AI จะทำหน้าที่เป็นระบบคัดกรองความเร็วสูง ขณะที่เจ้าหน้าที่ฝ่ายกำกับดูแลจะจัดการกับกรณีพิเศษที่ต้องการบริบท ประสบการณ์ และความสามารถในการให้เหตุผลประกอบการตัดสินใจ
ลองพิจารณาลูกค้าองค์กรที่มีรูปแบบการทำธุรกรรมแตกต่างจากพฤติกรรมในอดีต ระบบอัตโนมัติอาจแจ้งเตือนกรณีนี้ว่าน่าสงสัยเนื่องจากตรวจพบความเบี่ยงเบนทางสถิติ อย่างไรก็ตาม นักวิเคราะห์อาจอธิบายความเบี่ยงเบนนั้นว่าเกิดจากการปรับโครงสร้างองค์กร ช่วงเวลาตามฤดูกาลของธุรกิจ หรือข้อมูลที่ได้บันทึกไว้ในระบบภายในแล้ว
นี่คือจุดที่ผลตอบแทนจากการลงทุนที่แท้จริงเกิดขึ้น
หากทุกความผิดปกติถูกพิจารณาว่าเป็นความเสี่ยงอย่างเต็มรูปแบบ ธนาคารจะเพิ่มจำนวนการตรวจพบผิดพลาด (false positives) ทำให้ทีมตรวจสอบการปฏิบัติตามกฎระเบียบทำงานช้าลง และเสียเวลาไปกับกรณีที่ไม่สำคัญจริง ๆ หากในทางกลับกัน แบบจำลองสามารถกรองกรณีที่อยู่ระหว่างเส้นแบ่งได้ และให้ผู้ปฏิบัติงานตรวจสอบความถูกต้องของกรณีเหล่านั้น สถาบันจะลดต้นทุนการดำเนินงานในการตรวจสอบลงโดยไม่กระทบต่อคุณภาพของการกำกับดูแล สำหรับธุรกิจขนาดกลางและขนาดย่อมทางการเงิน (SME) หรือองค์กรที่มีทีมตรวจสอบการปฏิบัติตามกฎระเบียบขนาดเล็ก การดำเนินการเช่นนี้มีผลกระทบต่อความยั่งยืนของกระบวนการมากกว่าความแม่นยำทางทฤษฎีของแบบจำลอง
สำหรับผู้ที่ต้องการดูว่าแนวคิดนี้ถูกนำไปใช้ในทางปฏิบัติอย่างไร วิดีโอนี้เป็นแนวทางที่มีประโยชน์:
ในภาคเครดิต หลักการมีความคล้ายคลึงกัน แต่ประโยชน์ทางการจัดการนั้นชัดเจนยิ่งขึ้นไปอีก แบบจำลองการให้คะแนนสามารถประมวลผลตัวแปรที่มีโครงสร้างจำนวนมากได้อย่างรวดเร็ว อย่างไรก็ตาม บางโปรไฟล์ยังคงยากต่อการประเมินโดยใช้กฎมาตรฐาน เช่น ฟรีแลนซ์ ธุรกิจขนาดเล็กมาก ธุรกิจที่มีการเปลี่ยนแปลงตามฤดูกาลอย่างชัดเจน หรือธุรกิจที่มีสถานการณ์ทางการเงินซับซ้อน
ในกรณีเช่นนี้ HITL ช่วยปรับปรุงผลลัพธ์การดำเนินงานสามประการ:
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
ในธุรกิจค้าปลีก ความผิดพลาดที่มีค่าใช้จ่ายสูงที่สุดไม่ได้เกิดจากการคาดการณ์ที่มีข้อบกพร่องโดยธรรมชาติ แต่เกิดจากการคาดการณ์ที่ถูกต้องตามข้อมูลในอดีตแต่ไม่ถูกต้องเมื่อเทียบกับบริบทที่แท้จริงของร้านค้า พื้นที่ท้องถิ่น หรือสัปดาห์ที่มีการส่งเสริมการขาย นี่คือเหตุผลที่วิธีการที่มีมนุษย์เข้ามาตรวจสอบมีคุณค่าโดยตรงต่อการดำเนินงาน มันรวมการตัดสินใจเชิงพาณิชย์ในกรณีที่แบบจำลองเพียงอย่างเดียวเสี่ยงที่จะตีความอดีตได้อย่างถูกต้องแต่ปัจจุบันล่าช้า
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
ความล่าช้าในการนำมาใช้ทำให้แนวทางนี้มีความเกี่ยวข้องมากขึ้น ตามรายงานของ ISTAT มีเพียงสัดส่วนที่จำกัดของธุรกิจที่มีพนักงานอย่างน้อย 10 คนเท่านั้นที่ใช้เทคโนโลยีปัญญาประดิษฐ์ โดยมีความแตกต่างอย่างมีนัยสำคัญตามขนาดและภาคส่วนของธุรกิจ ตามที่ระบุไว้ในแบบสำรวจอย่างเป็นทางการเกี่ยวกับการใช้เทคโนโลยีสารสนเทศและการสื่อสารในธุรกิจ:ISTAT, ธุรกิจและเทคโนโลยีสารสนเทศและการสื่อสาร สำหรับธุรกิจขนาดกลางและขนาดย่อม (SMEs) จำนวนมาก ปัญหาไม่ได้อยู่ที่การเข้าใจว่า AI มีประโยชน์หรือไม่ แต่เป็นการนำมาใช้โดยไม่มีการสร้างทีมเทคนิคที่เชี่ยวชาญขึ้นมาโดยเฉพาะ แพลตฟอร์มที่นำผู้จัดการเข้ามาอยู่ในวงจรการตัดสินใจช่วยลดอุปสรรคนี้ได้
หลักการเดียวกันนี้ใช้ได้กับการกำหนดราคาและการตลาด ซึ่งการอัตโนมัติอย่างบริสุทธิ์สามารถปรับปรุงความเร็วได้ แต่ก็อาจนำไปสู่การตัดสินใจที่มองไม่ไกลเช่นกัน
นี่เน้นย้ำถึงจุดยุทธศาสตร์ที่มักถูกมองข้าม ในธุรกิจค้าปลีก เป้าหมายไม่ใช่การเพิ่มการคาดการณ์ให้สูงสุดในทุกครั้ง แต่คือการตัดสินใจที่สามารถทำซ้ำได้เพื่อปกป้องกำไร ความพร้อมจำหน่ายบนชั้นวาง และความสม่ำเสมอทางการค้า HITL ช่วยเปลี่ยนความพยายามของมนุษย์จากงานที่ทำซ้ำๆ ไปสู่การจัดการกับข้อยกเว้นที่มีผลกระทบสูง
สำหรับธุรกิจอีคอมเมิร์ซหรือเครือข่ายท้องถิ่น ความแตกต่างนี้มีความสำคัญมากกว่าความซับซ้อนของโมเดล ระบบคาดการณ์เพียงแค่แจ้งเตือนเท่านั้น ระบบที่มีมนุษย์เข้ามาเกี่ยวข้องช่วยให้ทีมตัดสินใจได้เร็วขึ้น มีบริบทมากขึ้น และมีความขัดแย้งในการดำเนินงานน้อยลง และนี่คือจุดที่โซลูชันอย่างELECTE สำหรับธุรกิจขนาดกลางและขนาดย่อม พวกเขาทำให้กระบวนการที่เคยเป็นไปได้เฉพาะสำหรับผู้ค้าปลีกที่มีนักวิทยาศาสตร์ข้อมูลภายในองค์กรและงบประมาณระดับองค์กรเท่านั้น กลายเป็นสิ่งที่เป็นไปได้
แบบจำลอง HITL จะมีประโยชน์ก็ต่อเมื่อกระบวนการทำงานของผู้ปฏิบัติงานสามารถเข้าใจได้สำหรับผู้ตัดสินใจ หากการทบทวนต้องใช้ผู้เชี่ยวชาญด้านข้อมูล, การค้นหาข้อมูลด้วยตนเอง, หรือขั้นตอนทางเทคนิคที่ซับซ้อน, ผู้เชี่ยวชาญทางธุรกิจ (SMEs) จำนวนมากอาจยอมแพ้ก่อนที่จะเริ่มทำเสียด้วยซ้ำ
บนแพลตฟอร์มที่ออกแบบมาอย่างดี กระบวนการควรมีลักษณะดังนี้:
การเชื่อมต่อกับข้อมูล sources
: CRM, ERP, e-commerce, สเปรดชีตการดำเนินงาน และระบบทางการเงินทั้งหมดถูกรวมเข้าด้วยกันในกระแสข้อมูลเดียวกัน
ระบบปัญญาประดิษฐ์สำหรับการวิเคราะห์สัญญาณอัตโนมัติของ
ประมวลผลข้อมูลและสร้างการคาดการณ์, การแจ้งเตือน, รายงาน และการตรวจจับความผิดปกติ
ความมั่นใจและการจัดลำดับความสำคัญไม่ใช่ทุกข้อมูลเชิงลึกจะมีคุณค่าเท่ากัน บางอย่างชัดเจน ในขณะที่บางอย่างต้องการการตรวจสอบเพิ่มเติม
การยกระดับเฉพาะเจาะจงไปยังผู้ใช้
กรณีที่ไม่แน่นอนหรือมีผลกระทบสูงจะถูกส่งไปยังแดชบอร์ดสำหรับการตรวจสอบ
ข้อเสนอแนะจากมนุษย์ผู้จัดการตรวจสอบ แก้ไข หรือปฏิเสธข้อมูลเชิงลึกโดยมีบริบทที่มองเห็นได้
การเรียนรู้อย่างต่อเนื่องของ
ระบบใช้ข้อมูลย้อนกลับนั้นเพื่อปรับปรุงโมเดลให้ดีขึ้นตลอดเวลา
แนวทางนี้สอดคล้องกับสถาปัตยกรรมวงจรป้อนกลับเชิงรุกที่อธิบายไว้ในวรรณกรรมที่ผ่านการตรวจสอบโดยผู้ทรงคุณวุฒิ: AI จะขอการยืนยันจากมนุษย์ในจุดที่มีความไม่แน่นอนมากที่สุด แทนที่จะต้องการการตรวจสอบดูแลทั้งชุดข้อมูลทั้งหมด เป็นแนวทางนี้เองที่ทำให้ HITL มีความยั่งยืน ไม่ใช่เพียงแค่มีความถูกต้องในทางทฤษฎีเท่านั้น
สำหรับธุรกิจขนาดกลางและขนาดย่อม (SME) ความท้าทายที่แท้จริงไม่ใช่เพียงแค่ 'การใช้ AI' แต่เป็นการสามารถใช้ AI ได้โดยไม่ต้องจัดตั้งแผนกเทคนิคเฉพาะทาง นั่นคือเหตุผลที่อินเทอร์เฟซมีความสำคัญพอๆ กับโมเดล
แนวทางที่มีประสิทธิภาพควรมีข้อเสนอ:
หากผู้ตรวจสอบต้องตีความแบบจำลองในลักษณะแยกส่วน วงจรจะขาดตอน หากพวกเขาเห็นข้อมูลเชิงลึก แรงจูงใจ และผลกระทบทั้งหมดในพื้นที่เดียวกัน วงจรจะกลายเป็นกระบวนการตัดสินใจ
นี่คือประเด็นสำคัญ HITL ไม่ควรคาดหวังให้ SMEs ปรับตัวเข้ากับเทคโนโลยี แต่แพลตฟอร์มควรเป็นผู้ที่แปลงความซับซ้อนทางวิเคราะห์ให้กลายเป็นกระบวนการที่ผู้จัดการการเงิน ผู้จัดการการผลิต หรือผู้จัดการค้าปลีกสามารถบริหารได้ในเพียงไม่กี่ขั้นตอน
โครงการ HITL จะสร้างคุณค่าเมื่อช่วยลดต้นทุนในการตัดสินใจ ไม่ใช่เมื่อเพิ่มชั้นการควบคุมใหม่ สำหรับธุรกิจขนาดกลางและขนาดย่อมของอิตาลี สิ่งสำคัญไม่ใช่การนำการตรวจสอบโดยมนุษย์มาใช้ในทุกขั้นตอน แต่คือการระบุจุดที่การตัดสินใจของมนุษย์สามารถแก้ไขข้อผิดพลาดที่มีค่าใช้จ่ายสูง เร่งการจัดการกับข้อยกเว้น และทำให้โมเดลมีประโยชน์มากขึ้นเมื่อเวลาผ่านไป
นั่นคือเหตุผลว่าทำไมจุดเริ่มต้นจึงมีความสำคัญมากกว่าความทะเยอทะยานในตอนแรก กรณีการใช้งานครั้งแรกที่ดีควรรวมสามลักษณะ: ผลกระทบทางเศรษฐกิจที่มองเห็นได้, ข้อมูลทางประวัติศาสตร์ที่เพียงพอ, และการตัดสินใจที่ปัจจุบันขึ้นอยู่กับประสบการณ์ของบุคคล. การเงินและค้าปลีกมักตรงกับโปรไฟล์นี้. ในเครดิตการค้า, ตัวอย่างเช่น, การตรวจสอบกรณีที่ไม่ชัดเจนอย่างมุ่งเป้าหมายสามารถลดข้อผิดพลาดในการประเมินได้โดยไม่ทำให้กระบวนการทำงานทั้งหมดช้าลง. ในค้าปลีก, หลักการเดียวกันนี้สามารถนำไปใช้กับการสั่งซื้อสินค้า, การกำหนดราคาโปรโมชั่น, และการจัดการความไม่สอดคล้องของสต็อก.
| เกณฑ์ | ทำไมมันถึงสำคัญ |
|---|---|
| ผลกระทบทางเศรษฐกิจของข้อผิดพลาด | บริษัทสามารถวัดมูลค่าของการแก้ไขได้ |
| การมีอยู่ของข้อมูลทางประวัติศาสตร์ | โมเดลสามารถสร้างขึ้นจากสัญญาณที่มีอยู่แล้วในกระบวนการ |
| การมีอยู่ของการตัดสินใจของมนุษย์ | ข้อเสนอแนะไม่ควรถูกแต่งขึ้น ควรมีโครงสร้าง |
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:
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
การวิเคราะห์ AI ที่มีมนุษย์เป็นองค์ประกอบอย่างมีประสิทธิภาพต้องอาศัยการแทรกแซงของมนุษย์จำนวนน้อยที่ตรงเป้าหมายและสามารถตรวจสอบย้อนกลับได้ นี่คือวิธีที่การทำงานร่วมกันระหว่างมนุษย์กับเครื่องจักรก้าวข้ามจากการเป็นเพียงคำมั่นสัญญาทางเทคนิคไปสู่การเป็นวินัยในการดำเนินงานที่สามารถวัดผลตอบแทนได้
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
ปัญหาแรกคือความลำเอียง (Bias) ในภาคการเงิน ตามที่ได้กล่าวไว้ก่อนหน้านี้ ปัญหาไม่ได้เกิดจากข้อมูลทางประวัติศาสตร์เพียงอย่างเดียว แต่ยังเกิดจากวิธีที่แบบจำลองแปลข้อมูลนั้นเป็นสัญญาณการซื้อขายด้วย กลไกการมีส่วนร่วมของมนุษย์ที่ออกแบบมาอย่างดีจะช่วยระบุความผิดปกติที่ระบบมองว่าเป็นเรื่องปกติ เพราะระบบได้เรียนรู้สิ่งเหล่านี้มาจากข้อมูลในอดีต
การมีส่วนร่วมของมนุษย์นั้นไม่ได้หมายความว่าจะแก้ปัญหาโดยอัตโนมัติ หากขาดวินัยในการดำเนินงาน การมีส่วนร่วมอาจเพียงแค่ย้ายปัญหาไปยังระดับอื่นเท่านั้น ผู้ตรวจสอบอาจปรับปรุงการตัดสินใจได้ แต่ในขณะเดียวกันก็อาจยอมรับข้อเสนอแนะของแบบจำลองอย่างไม่มีวิจารณญาณ หรือนำความชอบส่วนตัวที่ตรวจจับได้ยากเข้ามาแทนที่
ด้วยเหตุนี้ ธุรกิจขนาดกลางและขนาดย่อมที่ต้องการได้รับผลตอบแทนที่แท้จริงจากการลงทุนในโครงการ HITL ในภาคการเงินและค้าปลีก ควรให้ความสำคัญกับสามองค์ประกอบนี้ในฐานะส่วนหนึ่งของกระบวนการ มากกว่าการเป็นเพียงขั้นตอนทางการตรวจสอบ:
ความแตกต่างนี้มีผลกระทบทางการเงินโดยตรง หากไม่มีการติดตามและนำข้อเสนอแนะของมนุษย์กลับมาใช้ซ้ำ บริษัทจะต้องจ่ายเงินสองครั้ง ครั้งแรกสำหรับเทคโนโลยี จากนั้นสำหรับการตรวจสอบด้วยมือซึ่งไม่ช่วยให้ระบบสามารถเรียนรู้ได้
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
เพื่อดำเนินการมาตรการป้องกันเหล่านี้ในทางปฏิบัติ โดยไม่สร้างความซับซ้อนที่จัดการไม่ได้สำหรับทีมขนาดเล็ก คู่มือของELECTE AI ที่มีความรับผิดชอบและการนำปัญญาประดิษฐ์มาใช้อย่างมีจริยธรรมก็มีประโยชน์เช่นกัน
บทเรียนที่สำคัญที่สุดคือ:การวิเคราะห์ข้อมูลด้วย AI แบบมีมนุษย์ควบคุม (human-in-the-loop AI analytics) ไม่ใช่เพียงมาตรการชั่วคราวในระหว่างที่เรารอ AI ที่ 'มีความเป็นอัตโนมัติมากขึ้น' แต่เป็นแนวทางที่มีความเป็นผู้ใหญ่มากที่สุดในการเปลี่ยนการวิเคราะห์ข้อมูลให้กลายเป็นการตัดสินใจที่น่าเชื่อถือ สามารถอธิบายได้ และเกี่ยวข้องกับธุรกิจ
AI จัดการกับขนาด ความเร็ว และการจดจำรูปแบบ ส่วนมนุษย์จัดการกับข้อยกเว้น ความรับผิดชอบ และบริบท เมื่อทั้งสองระดับนี้ทำงานร่วมกัน ธุรกิจจะไม่เพียงแค่ได้รับระบบอัตโนมัติมากขึ้นเท่านั้น แต่ยังได้การตัดสินใจที่ดีขึ้นอีกด้วย
หากคุณต้องการเปลี่ยนข้อมูลดิบให้กลายเป็นการตัดสินใจที่เชื่อถือได้มากขึ้นโดยไม่เพิ่มความซับซ้อนในการดำเนินงาน ค้นหาวิธีได้ที่นี่ ELECTEแพลตฟอร์มวิเคราะห์ข้อมูลด้วยปัญญาประดิษฐ์สำหรับธุรกิจขนาดกลางและขนาดย่อม สามารถสนับสนุนแนวทางแบบมีมนุษย์ควบคุมด้วยการใช้การสาธิตที่ปรับให้เหมาะกับแต่ละบุคคล
.svg)
.svg)
.svg)
.webp)
.webp)
.webp)
.webp)