10 เทรนด์ AI และ machine learning 2024

10 เทรนด์ AI และ machine learning 2024

หลังจากการเปิดตัวของ ChatGPT จาก OpenAI ในปี 2022 ซึ่งเป็นการเปลี่ยนแปลงครั้งใหญ่ของวงการพัฒนาเทคโนโลยีปัญญาประดิษฐ์ ซึ่งการพัฒนาเทคโนโลยีในหลายปีที่ผ่านมาได้มีการพัฒนาอย่ากว้างขวางและมีการพัฒนาโมเดลไปในหลายรูปแบบ ซึ่งTechTarget ได้มีการจัดอันดับแนวโน้มเทคโนโลยีปัญญาประดิษฐ์และ machine learning

1.AI ต่อเนื่องหลายรูปแบบ

การพัฒนา AI ก้าวไปไกลกว่าการประมวลผลข้อมูลโหมดเดียวแบบดั้งเดิม โดยครอบคลุมอินพุตหลายประเภท เช่น ข้อความ รูปภาพ และเสียง ซึ่งเป็นก้าวสู่การเลียนแบบความสามารถของมนุษย์ในการประมวลผลข้อมูลทางประสาทสัมผัสที่หลากหลาย ความสามารถหลายรูปแบบใน โมเดล GPT-4 ของOpenAI ช่วยให้ซอฟต์แวร์ตอบสนองต่ออินพุตภาพและเสียงได้ ในการบรรยาย Chen ได้ยกตัวอย่างการถ่ายภาพภายในตู้เย็นและขอให้ ChatGPT แนะนำสูตรอาหารตามส่วนผสมในรูปภาพ การโต้ตอบอาจรวมถึงองค์ประกอบเสียงด้วยหากใช้โหมดเสียงของ ChatGPT เพื่อส่งเสียงคำขอ

2.Agentic AI

เป็นการเปลี่ยนแปลงครั้งสำคัญจาก AI แบบโต้ตอบไปเป็น AI แบบเชิงรุก ซึ่งAgentic AI คือระบบขั้นสูงที่แสดงความเป็นอิสระ การดำเนินการเชิงรุก และความสามารถในการดำเนินการอย่างอิสระ แตกต่างจากระบบ AI แบบดั้งเดิมซึ่งส่วนใหญ่ตอบสนองต่ออินพุตของผู้ใช้และปฏิบัติตามโปรแกรมที่กำหนดไว้ล่วงหน้า ตัวแทน AI ได้รับการออกแบบมาเพื่อทำความเข้าใจสภาพแวดล้อม กำหนดเป้าหมาย และดำเนินการเพื่อให้บรรลุวัตถุประสงค์เหล่านั้นโดยไม่มีการแทรกแซงของมนุษย์โดยตรง

3.Open source AI

การสร้างโมเดลภาษาขนาดใหญ่และระบบ AI เจนเนอเรชันอันทรงพลังอื่นๆ เป็นกระบวนการที่มีราคาแพง ซึ่งต้องใช้การประมวลผลและข้อมูลจำนวนมหาศาล แต่การใช้โมเดลโอเพ่นซอร์สช่วยให้นักพัฒนาสามารถสร้างผลงานของผู้อื่นได้ ลดต้นทุน และขยายการเข้าถึงปัญญาประดิษฐ์ AI แบบโอเพ่นซอร์สนั้นเผยแพร่ต่อสาธารณะ โดยทั่วไปจะให้บริการฟรี ช่วยให้องค์กรและนักวิจัยสามารถมีส่วนร่วมและสร้างโค้ดที่มีอยู่ได้

4.Retrieval-augmented generation

Retrieval-augmented generation (RAG) ผสมผสานการสร้างข้อความกับการดึงข้อมูลเพื่อเพิ่มความแม่นยำและความเกี่ยวข้องของเนื้อหาที่สร้างโดย AI ช่วยให้ LLM สามารถเข้าถึงข้อมูลภายนอก ช่วยให้พวกเขาสร้างคำตอบที่แม่นยำและรับรู้ตามบริบทมากขึ้น การข้ามความจำเป็นในการจัดเก็บความรู้ทั้งหมดโดยตรงใน LLM ยังช่วยลดขนาดโมเดล ซึ่งเพิ่มความเร็วและลดต้นทุนอีกด้วย

5.Customized enterprise generative AI models

เครื่องมืออเนกประสงค์ขนาดใหญ่ เช่น Midjourney และ ChatGPT ได้รับความสนใจมากที่สุดในหมู่ผู้บริโภคที่สำรวจ AI เชิงสร้างสรรค์ แต่สำหรับกรณีใช้งานทางธุรกิจ โมเดลที่มีขนาดเล็กและแคบสามารถพิสูจน์ได้ว่ามีประสิทธิภาพสูงสุด โดยได้แรงหนุนจากความต้องการระบบ AI ที่เพิ่มมากขึ้นซึ่งสามารถตอบสนองความต้องการเฉพาะกลุ่มได้

ข้อได้เปรียบที่สำคัญของโมเดล AI เจนเนอเรชันแบบกำหนดเองคือความสามารถในการตอบสนองตลาดเฉพาะกลุ่มและความต้องการของผู้ใช้ เครื่องมือ AI เจนเนอเรชันที่ปรับให้เหมาะสมสามารถสร้างขึ้นได้สำหรับเกือบทุกสถานการณ์ ตั้งแต่การสนับสนุนลูกค้า การจัดการห่วงโซ่อุปทาน ไปจนถึงการตรวจสอบเอกสาร สิ่งนี้มีความเกี่ยวข้องโดยเฉพาะอย่างยิ่งสำหรับภาคส่วนที่มีคำศัพท์เฉพาะทางและแนวปฏิบัติเช่น การดูแลสุขภาพการเงิน และกฎหมาย

6.Need for AI and machine learning talent

การออกแบบ การฝึกอบรม และการทดสอบโมเดลแมชชีนเลิร์นนิงไม่ใช่เรื่องง่าย แทบไม่ต้องผลักดันไปสู่การผลิตจริงและดูแลรักษาในสภาพแวดล้อมไอทีขององค์กรที่ซับซ้อน จึงไม่น่าแปลกใจเลยที่ความต้องการ AI และการเรียนรู้ของเครื่องจะเพิ่มขึ้นอย่างต่อเนื่องในปี 2024 และต่อๆ ไป

โดยเฉพาะอย่างยิ่ง เมื่อ AI และการเรียนรู้ของเครื่องบูรณาการเข้ากับการดำเนินธุรกิจมากขึ้น จึงมีความต้องการเพิ่มมากขึ้นสำหรับมืออาชีพที่สามารถเชื่อมช่องว่างระหว่างทฤษฎีและการปฏิบัติได้ สิ่งนี้ต้องการความสามารถในการปรับใช้ ตรวจสอบ และบำรุงรักษาระบบ AI ในโลกแห่งความเป็นจริง ซึ่งเป็นระเบียบวินัยที่มักเรียกกันว่าMLOpsย่อมาจาก การดำเนินการเรียนรู้ของเครื่องจักร

7.Shadow AI

Shadow AI เกิดขึ้นเมื่อพนักงานต้องการวิธีแก้ปัญหาอย่างรวดเร็ว หรือต้องการสำรวจเทคโนโลยีใหม่เร็วกว่าช่องทางที่เป็นทางการอนุญาต นี่เป็นเรื่องปกติโดยเฉพาะอย่างยิ่งสำหรับแชทบอท AI ที่ใช้งานง่าย ซึ่งพนักงานสามารถทดลองใช้งานบนเว็บเบราว์เซอร์ได้โดยไม่ยาก โดยไม่ต้องผ่านกระบวนการตรวจสอบและอนุมัติด้านไอที

ในด้านบวก การสำรวจวิธีการใช้เทคโนโลยีใหม่ๆ เหล่านี้แสดงให้เห็นถึงจิตวิญญาณเชิงรุกและสร้างสรรค์ แต่ก็มีความเสี่ยงเช่นกัน เนื่องจากผู้ใช้มักขาดข้อมูลที่เกี่ยวข้องกับความปลอดภัย ความเป็นส่วนตัวของข้อมูล และการปฏิบัติตามข้อกำหนด ตัวอย่างเช่น ผู้ใช้อาจป้อนความลับทางการค้าให้กับ LLM ที่เปิดเผยต่อสาธารณะโดยไม่ทราบว่าการทำเช่นนั้นจะทำให้ข้อมูลที่ละเอียดอ่อนนั้นถูกเปิดเผยต่อบุคคลที่สาม

8.A generative AI reality check

ในขณะที่หลาย ๆ องค์กรนั้นมีการพัฒนาเทคโนโลยี AI อย่างต่อเนื่องและกำลังเจอกับปัญหาข้อจำกัดของ generative AI เช่น คุณภาพผลผลิต ความกังวลเรื่องความปลอดภัยและจริยธรรม และปัญหาในการบูรณาการกับระบบและขั้นตอนการทำงานที่มีอยู่ ความซับซ้อนของการปรับใช้และปรับขนาด AI ในสภาพแวดล้อมทางธุรกิจมักถูกมองข้าม และงานต่างๆ เช่น การรับรองคุณภาพข้อมูล โมเดลการฝึกอบรม และการบำรุงรักษาระบบ AI ในการผลิต อาจมีความท้าทายมากกว่าที่คาดการณ์ไว้ในตอนแรก

ซึ่งการข้ามข้อจำกัดนั้น จะต้องอาศัยการตั้งค่าความคาดหวังที่สมจริงสำหรับ AI และพัฒนาความเข้าใจให้ละเอียดยิ่งขึ้นว่า AI ทำอะไรได้บ้างและทำอะไรไม่ได้ โครงการ AI ควรเชื่อมโยงกับเป้าหมายทางธุรกิจและกรณีการใช้งานจริงอย่างชัดเจน โดยมีแผนที่ชัดเจนในการวัดผลลัพธ์

9.เพิ่มความสนใจต่อจริยธรรมของ AI และความเสี่ยงด้านความปลอดภัย

การแพร่กระจายของดีฟเฟดและเนื้อหาที่ซับซ้อนสร้างโดย AI สร้างความกังวลและตื่นตระหนกในการสร้างข้อมูลที่ผิดพลาดของ AI และมีการบิดเบือนเนื้อหาทางการเมือง นอกจากนี้ยังมีการขโมยข้อมูลระบุตัวตนและการฉ้อโกงในรูปแบบต่าง ๆยังสามารถเพิ่มประสิทธิภาพของการโจมตีด้วยแรนซัมแวร์และฟิชชิ่ง ทำให้มีความน่าเชื่อถือ ปรับตัวได้มากขึ้น และตรวจจับได้ยากขึ้น

การเพิ่มขึ้นของระบบ AI ยังเน้นย้ำถึงความสำคัญของการรับรองว่าระบบมีความโปร่งใสและยุติธรรมตัวอย่างเช่น โดยการคัดกรองข้อมูลการฝึกอบรมและอัลกอริธึมอย่างระมัดระวังเพื่อหาอคติ Crossan เน้นย้ำว่าการพิจารณาด้านจริยธรรมและการปฏิบัติตามกฎระเบียบเหล่านี้ควรผสมผสานกันตลอดกระบวนการพัฒนากลยุทธ์ AI

10 การพัฒนาในด้านกฎระเบียบด้าน AI

ในการใช้งาน AI นั้นมีการพยายามและควบคุมดูแลด้วยกฎหมาย นโยบาย และกรอบการทำงานในอุตสาหกรรมมีการพัฒนาอย่างรวดเร็วในสหรัฐอเมริกาและทั่วโลก องค์กรต่างๆ จะต้องรับทราบข้อมูลและปรับตัวได้ในปีต่อๆ ไป เนื่องจากข้อกำหนดด้านการปฏิบัติตามกฎระเบียบที่เปลี่ยนแปลงไปอาจมีนัยสำคัญต่อการดำเนินงานทั่วโลกและกลยุทธ์การพัฒนา AI ซึ่งมีการออกกฎหมายและการควบคุมในหลายพื้นที่ทั่วโลก เพื่อลดผลกระทบจากการใช้งาน AI ให้น้อยลง