ป้ายกำกับ: gartner

กรุงเทพฯ, ประเทศไทย, 8 พฤศจิกายน 2567 — การ์ทเนอร์ประกาศ 10 อันดับเทรนด์เทคโนโลยีเชิงกลยุทธ์ที่องค์กรต้องจับตาในปี 2568

ยีน อัลวาเรซ รองประธานอาวุโสการ์ทเนอร์ กล่าวว่า “ปีนี้แนวโน้มเทคโนโลยีเชิงกลยุทธ์ครอบคลุมความจำเป็นและความเสี่ยง AI, ขอบเขตใหม่ของการประมวลผล และการทำงานร่วมกันระหว่างมนุษย์และเครื่องจักร ซึ่งการติดตามแนวโน้มเหล่านี้ช่วยให้ผู้นำไอทีสามารถกำหนดอนาคตองค์กรด้วยการนำนวัตกรรมมาปรับใช้อย่างมีความรับผิดชอบและมีจริยธรรม“

เทรนด์เทคโนโลยีเชิงกลยุทธ์ที่สำคัญในปี 2568 ประกอบด้วย 

Agentic AI

ระบบตัวแทนเอไอหรือ Agentic AI สามารถใช้วางแผนและดำเนินการแบบอัตโนมัติเพื่อบรรลุเป้าหมายตามที่ผู้ใช้กำหนด โดย Agentic AI จะนำเสนอการทำงานเสมือนจริงของทีมงานเพื่อช่วยแบ่งเบาภาระและเพิ่มประสิทธิภาพงานของมนุษย์ การ์ทเนอร์คาดว่า ในปี 2571 การตัดสินใจเรื่องงานประจำวันจะเป็นอัตโนมัติโดยทำงานผ่าน Agentic AI จะมีอย่างน้อย 15% เพิ่มขึ้นจากเดิม 0% ในปี 2567 โดยความสามารถที่ขับเคลื่อนด้วยเป้าหมายของเทคโนโลยีนี้จะมอบระบบซอฟต์แวร์ที่ปรับเปลี่ยนได้มากขึ้น ช่วยให้ทำงานได้หลากหลายขึ้น

Agentic AI มีศักยภาพช่วยให้ผู้บริหาร CIO สามารถเพิ่มประสิทธิภาพการทำงานได้ทั่วทั้งองค์กร โดยแรงจูงใจนี้ยังผลักดันให้ทั้งองค์กรและผู้จำหน่ายร่วมกันสำรวจ สร้างสรรค์นวัตกรรมและพัฒนาเทคโนโลยีพร้อมแนวทางปฏิบัติที่จำเป็นเพื่อส่งมอบเทคโนโลยีนี้ในรูปแบบที่มั่นคง ปลอดภัย และเชื่อถือได้

AI Governance Platforms

แพลตฟอร์มการกำกับดูแล AI หรือ AI Governance Platform เป็นส่วนหนึ่งของแนวทางการจัดการความน่าเชื่อถือ ความเสี่ยง และความปลอดภัยของ AI (หรือที่เรียกว่า TRiSM) ที่การ์ทเนอร์กำลังพัฒนาอยู่ ช่วยให้องค์กรต่าง ๆ นั้นสามารถจัดการประสิทธิภาพทางกฎหมาย จริยธรรม และการดำเนินงานระบบ AI โดยโซลูชันเทคโนโลยีเหล่านี้มีความสามารถในการสร้างสรรค์ จัดการและบังคับใช้หลักเกณฑ์สำหรับการใช้งาน AI อย่างมีความรับผิดชอบ รวมถึงอธิบายวิธีการทำงานของระบบ AI และยังนำเสนอความโปร่งใสเพื่อสร้างความเชื่อมั่นและความรับผิดชอบ

การ์ทเนอร์คาดการณ์ว่า ในปี 2571 องค์กรที่ใช้ AI Governance Platform อย่างครอบคลุมจะเจอสถานการณ์ที่เกี่ยวข้องกับธรรมมาภิบาลด้าน AI น้อยลง 40% เทียบกับองค์กรที่ไม่มีระบบดังกล่าว

Disinformation Security

ความปลอดภัยข้อมูลเท็จ หรือ Disinformation Security เป็นเทคโนโลยีใหม่ที่กำลังเกิดขึ้น ซึ่งแยกแยะความน่าเชื่อถืออย่างเป็นระบบ และมุ่งหวังที่จะจัดทำระบบเชิงวิธีการเพื่อรับรองและประเมินความถูกต้อง รวมถึงป้องกันการแอบอ้างตัวตน และติดตามการแพร่กระจายข้อมูลที่เป็นอันตราย การ์ทเนอร์คาดว่า ในปี 2571 องค์กรธุรกิจถึง 50% จะเริ่มนำผลิตภัณฑ์ บริการ หรือฟีเจอร์ที่ออกแบบมาโดยเฉพาะเพื่อจัดการกับยูสเคสการใช้งานความปลอดภัยของข้อมูลเท็จมาใช้ เพิ่มขึ้นจากปัจจุบันที่มีไม่ถึง 5%

คาดว่าความพร้อมใช้งานวงกว้างและพัฒนาการของเครื่องมือ AI รวมถึง Machine Learning ที่ถูกนำไปใช้เพื่อจุดประสงค์ไม่หวังดี จะเพิ่มจำนวนเหตุการณ์การให้ข้อมูลเป็นเท็จ (Disinformation Incidents) ที่มุ่งเป้าไปที่องค์กรต่าง ๆ หากปล่อยทิ้งไว้โดยไม่ตรวจสอบข้อมูลเท็จเหล่านี้ อาจสร้างความเสียหายร้ายแรงสำคัญต่อองค์กรใดก็ได้

Postquantum Cryptography

การเข้ารหัสแบบ Postquantum Cryptography ให้การป้องกันข้อมูล ซึ่งต้านทานความเสี่ยงจากการถอดรหัสของคอมพิวเตอร์ควอนตัม เนื่องจากช่วงไม่กี่ปีที่ผ่านมาคอมพิวเตอร์ควอนตัมมีความก้าวหน้าอย่างต่อเนื่อง คาดว่าจะมีการยุติการเข้ารหัสแบบเดิมในหลายประเภทที่ใช้กันอย่างแพร่หลาย แต่การเปลี่ยนวิธีการเข้ารหัสนั้นไม่ใช่เรื่องง่าย ดังนั้นองค์กรจำเป็นต้องใช้เวลาเตรียมการล่วงหน้านานขึ้น เพื่อเตรียมพร้อมสร้างการป้องกันที่แข็งแกร่งสำหรับสิ่งที่ละเอียดอ่อนหรือเป็นความลับใด ๆ ก็ตาม

การ์ทเนอร์คาดการณ์ว่า ในปี 2572 ความก้าวหน้าคอมพิวเตอร์ควอนตัมจะทำให้การเข้ารหัสแบบอสมมาตร (Asymmetric Cryptography) แบบเดิมส่วนใหญ่ไม่ปลอดภัยต่อการใช้งาน

Ambient Invisible Intelligence

ปัญญาประดิษฐ์ที่แฝงตัวตามสภาพแวดล้อม หรือ Ambient Invisible Intelligence นั้นเกิดขึ้นจากการใช้อุปกรณ์ติดตามอัจฉริยะ หรือ Smart Tags และอุปกรณ์เซ็นเซอร์ขนาดเล็กที่มีต้นทุนต่ำเป็นพิเศษ ช่วยให้สามารถติดตามและตรวจจับได้ในวงกว้าง โดยในระยะยาว Ambient Invisible Intelligence จะช่วยให้สามารถผสานการตรวจจับและปัญญาประดิษฐ์เข้าไว้กับชีวิตประจำวันได้ลึกซึ้งยิ่งขึ้น

จนถึงปี 2570 ตัวอย่างแรก ๆ ของเทคโนโลยี Ambient Invisible Intelligence จะมุ่งเน้นไปที่การแก้ไขปัญหาเฉพาะหน้า เช่น การตรวจสอบสต๊อกสินค้าปลีกหรือการขนส่งสินค้าเน่าเสียง่าย โดยทำให้สามารถติดตามและตรวจจับสินค้าได้แบบเรียลไทม์ด้วยต้นทุนต่ำ เพื่อปรับปรุงการมองเห็นและประสิทธิภาพ

Energy-Efficient Computing

อุตสาหกรรมไอทีส่งผลกระทบต่อความยั่งยืนหลาย ๆ ด้าน แม้ในปีนี้องค์กรไอทีส่วนใหญ่ต่างคำนึงถึงการลดปริมาณการปล่อยคาร์บอนเป็นหลัก แต่แอปพลิเคชันที่ต้องใช้การประมวลผลสูง เช่น การฝึกอบรม AI การจำลอง การเพิ่มประสิทธิภาพ และการเรนเดอร์มีเดียต่าง ๆ กลับมีแนวโน้มเป็นปัจจัยสำคัญที่ส่งผลต่อการปล่อยคาร์บอนขององค์กรมากที่สุด เนื่องจากใช้พลังงานเยอะสุด

การ์ทเนอร์คาดว่าตั้งแต่ช่วงปลายทศวรรษ 2020 เป็นต้นมา เทคโนโลยีการประมวลผลใหม่ ๆ หลายตัว อาทิ เครื่องเร่งความเร็วแบบออปติคอล (Optical), นิวโรมอร์ฟิก (Neuromorphic) และตัวเร่งความเร็วแบบใหม่ (Novel Accelerators) จะเกิดขึ้นกับงานเฉพาะทาง เช่น AI และการเพิ่มประสิทธิภาพให้ระบบ หรือ Optimization ซึ่งจะใช้พลังงานน้อยลงอย่างมาก

Hybrid Computing

ระบบการประมวลผลใหม่เกิดขึ้นอยู่เรื่อย ๆ ประกอบด้วย การประมวลผลด้วยหน่วยประมวลผลกลาง (CPU), หน่วยประมวลผลกราฟิก (GPU), การประมวลผล Edge, วงจรรวมเฉพาะแอปพลิเคชัน (ASIC), นิวโรมอร์ฟิก (Neuromorphic) และควอนตัมคลาสสิก (Classical Quantum) รวมถึงระบบการคำนวณแบบออปติก (Optical Computing Paradigms) โดยการประมวลผลแบบไฮบริดที่รวมกลไกการคำนวณ การจัดเก็บและใช้เครือข่ายที่แตกต่างกันมีวัตถุประสงค์เพื่อใช้แก้ปัญหาด้านการคำนวณ โดยรูปแบบการคำนวณเหล่านี้ช่วยให้องค์กรสามารถสำรวจและแก้ปัญหาได้ ทำให้เทคโนโลยี อย่างเช่น AI ทำงานได้เกินขีดจำกัดในปัจจุบัน และการประมวลผลแบบไฮบริดยังถูกนำมาใช้สร้างสภาพแวดล้อมนวัตกรรมที่เปลี่ยนแปลงอย่างมีประสิทธิภาพสูง ซึ่งมีประสิทธิภาพมากกว่าสภาพแวดล้อมเดิม

Spatial Computing

การประมวลผลเชิงพื้นที่หรือ Spatial Computing ช่วยปรับปรุงโลกกายภาพด้วยเทคโนโลยีดิจิทัล เช่น AR และ VR ซึ่งเป็นการโต้ตอบอีกระดับระหว่างประสบการณ์ทางกายภาพและประสบการณ์เสมือนจริง ในอีก 5 ถึง 7 ปีข้างหน้า การใช้ Spatial Computing จะเพิ่มประสิทธิภาพการดำเนินงานให้กับองค์กรผ่านเวิร์กโฟลว์ที่ได้รับการปรับปรุงและเพิ่มประสิทธิภาพการทำงานร่วมกัน 

การ์ทเนอร์คาดการณ์ว่า ภายในปี 2576 Spatial Computing จะมีมูลค่าเติบโตถึง 1.7 ล้านล้านดอลลาร์สหรัฐฯ เพิ่มขึ้นจาก 110 พันล้านดอลลาร์สหรัฐฯ ในปี 2566

Polyfunctional Robots

เครื่องจักรอเนกประสงค์ หรือ Polyfunctional Machines สามารถทำงานได้มากกว่าหนึ่งอย่าง และกำลังเข้ามาแทนที่หุ่นยนต์ที่ออกแบบมาให้ทำงานซ้ำ ๆ เฉพาะงาน โดยการทำงานของหุ่นยนต์รุ่นใหม่นี้จะช่วยเพิ่มประสิทธิภาพและให้ผลตอบแทนการลงทุนที่รวดเร็วขึ้น Polyfunctional Robots ยังได้รับการออกแบบมาให้ทำงานในโลกร่วมกับมนุษย์ ซึ่งจะทำให้ใช้งานได้รวดเร็วและปรับขนาดได้ง่าย

การ์ทเนอร์คาดการณ์ว่า ในปี 2573 จะมีมนุษย์ถึง 80% ทำงานร่วมกับหุ่นยนต์อัจฉริยะประจำวัน เพิ่มขึ้นจากปัจจุบันที่มีไม่ถึง 10% 

Neurological Enhancement

การเพิ่มประสิทธิภาพระบบประสาทหรือ Neurological Enhancement จะช่วยเพิ่มความสามารถทางปัญญาของมนุษย์โดยใช้เทคโนโลยีที่อ่านและถอดรหัสกิจกรรมของสมอง เทคโนโลยีนี้จะอ่านสมองของบุคคลโดยใช้อินเทอร์เฟซสมอง-เครื่องจักรแบบทั้งทิศทางเดียวหรืออินเทอร์เฟซสมอง-เครื่องจักรแบบสองทิศทาง (BBMI) ซึ่งมีศักยภาพมหาศาลในสามด้านหลัก ได้แก่ ด้านการพัฒนาทักษะของมนุษย์ ด้านการตลาดในยุคถัดไป และด้านประสิทธิภาพ โดย Neurological Enhancement จะช่วยเพิ่มขีดความสามารถทางปัญญา ช่วยให้แบรนด์ต่าง ๆ ทราบว่าผู้บริโภคกำลังคิดและรู้สึกอย่างไร และเพิ่มความสามารถของระบบประสาทมนุษย์เพื่อเพิ่มประสิทธิภาพให้แก่ผลลัพธ์

ในปี 2573 การ์ทเนอร์คาดการณ์ว่าพนักงานที่มีทักษะความรู้ (Knowledge Workers) 30% จะได้รับการพัฒนา และพึ่งพาเทคโนโลยี เช่น BBMIs (ทั้งแบบนายจ้างออกทุนให้และแบบออกทุนเอง) เพื่อให้สามารถทำงานสอดรับกับการเพิ่มขึ้นของการใช้ AI ในสถานที่ทำงาน จากเดิมในปี 2567 ที่มีอยู่ไม่ถึง 1%

เกี่ยวกับการ์ทเนอร์ 

บริษัท การ์ทเนอร์ (Gartner, Inc.) (NYSE: IT) คือบริษัทวิจัยและให้คำปรึกษาชั้นนำของโลก มอบข้อมูลเชิงลึก คำแนะนำ และเครื่องมือต่าง ๆ แก่ผู้บริหารองค์กรธุรกิจ เพื่อรองรับการดำเนินภารกิจสำคัญที่มีอยู่ในปัจจุบันและสร้างองค์กรให้ประสบความสำเร็จในอนาคต ดูข้อมูลเพิ่มเติมเกี่ยวกับแนวทางของการ์ทเนอร์ในการช่วยให้ผู้บริหารตัดสินใจอย่างถูกต้องเพื่อขับเคลื่อนอนาคตของธุรกิจได้ที่ gartner.com

---

 

กรุงเทพฯ ประเทศไทย, 28 ตุลาคม 2567 — การ์ทเนอร์คาดการณ์ว่าสิ้นปีหน้า (2568) จะมีปริมาณรถยนต์ไฟฟ้า (EVs) จำนวน 85 ล้านคัน วิ่งบนท้องถนน ครอบคลุมประเภทต่าง ๆ อาทิ รถยนต์, รถบัส, รถตู้ และรถบรรทุกขนาดใหญ่

โจนาธาน ดาเวนพอร์ท ผู้อำนวยการอาวุโสฝ่ายวิจัยของการ์ทเนอร์ กล่าวว่า “แม้จะมีอุปสรรคหลายอย่างส่งผลกระทบต่อตลาดรถยนต์ไฟฟ้าในช่วงไม่กี่เดือนที่ผ่านมา แต่เรายังคาดการณ์ว่าในปีนี้ยอดรวมของรถยนต์ไฟฟ้าทั่วโลกจะอยู่ที่ 64 ล้านคัน และจะเพิ่มขึ้น 33% ในปี 2568 ซึ่งผลจากการที่บริษัทหลายแห่งต่างประเมินสูงเกินจริงไปว่าการเปลี่ยนไปใช้รถยนต์ไฟฟ้าจะเกิดขึ้นรวดเร็ว นั่นส่งผลให้ต้องเลื่อนการเปิดตัวรถยนต์ไฟฟ้ารุ่นใหม่ ๆ ออกไป โดยปัจจัยขับเคลื่อนการเติบโตของตลาดรถยนต์ไฟฟ้าในปีหน้านั้น หลัก ๆ มาจากยอดขายที่เพิ่มสูงขึ้นในจีน (58%) และยุโรป (24%) ซึ่งเมื่อนับรวมกันแล้วคิดเป็น 82% ของจำนวนรถยนต์ไฟฟ้าทั้งหมดทั่วโลก“

การ์ทเนอร์คาดว่า สิ้นปี 2568 ปริมาณรถยนต์ไฟฟ้าแบตเตอรี่ (BEVs) จะมีจำนวนเกือบ 62 ล้านคัน เพิ่มขึ้น 35% จากปี 2567 ส่วนรถยนต์ไฟฟ้าปลั๊กอินไฮบริด (PHEVs) คาดว่าจะเติบโตในอัตราที่ช้ากว่าเล็กน้อยและปีหน้าจะมีปริมาณอยู่ที่ 23 ล้านคัน เพิ่มขึ้น 28% จากปี 2567 (ดูตารางที่ 1)

ตารางที่ 1 ปริมาณรถยนต์ไฟฟ้าทั่วโลกจำแนกตามประเภทรถ ระหว่างปี 2566-2568 (หน่วย: ตามจริง)

		2023 Installed Base		2024 Installed Base		2025 Installed Base
BEV		32,628,884		45,872,824		61,860,183
PHEV		13,402,907		18,159,560		23,283,006
Total		46,031,791		64,032,383		85,143,189

ที่มา: การ์ทเนอร์ (ตุลาคม 2567)

สำหรับประเทศไทย การ์ทเนอร์คาดว่าในปี 2568 จะมีรถยนต์ไฟฟ้า (EVs) มากกว่า 77,800 คัน เพิ่มขึ้น 49% จากปี 2567 โดยรถยนต์ไฟฟ้าแบตเตอรี่จะมีสัดส่วน 74% และมียอดรวมทั้งหมดกว่า 57,900 คัน (ดูตารางที่ 2) 

ตารางที่ 2 ปริมาณรถยนต์ไฟฟ้าในประเทศไทยจำแนกตามประเภทรถ ระหว่างปี 2566-2568 (หน่วย: ตามจริง)

		2023 Installed Base		2024 Installed Base		2025 Installed Base
BEV		24,720		38,135		57,926
PHEV		9,392		13,943		19,880
Total		34,112		52,078		77,805

ที่มา: การ์ทเนอร์ (ตุลาคม 2567)

สำหรับในระดับภูมิภาค การ์ทเนอร์คาดว่าความต้องการเป็นเจ้าของรถยนต์ไฟฟ้าในจีนจะยังคงมีปริมาณมากกว่าจำนวนรถยนต์ไฟฟ้าส่วนที่เหลือของโลกรวมกันยาวไปจนถึงปีหน้า และอาจเป็นเช่นนี้ต่อไปอีกทศวรรษ โดยความต้องการรถยนต์ไฟฟ้าจะเติบโตอย่างต่อเนื่องในยุโรปและอเมริกาเหนือ คาดว่าจะคิดเป็น 36% ของยอดรวมรถยนต์ไฟฟ้าทั่วโลกในปีนี้ (2567) การ์ทเนอร์ประมาณการว่าในปีหน้า (2568) จะมีรถยนต์ไฟฟ้า 49 ล้านคัน วิ่งอยู่ตามท้องถนนในจีน 20.6 ล้านคันในยุโรป และ 10.4 ล้านคันในอเมริกาเหนือ

ภายในอีกหกปี (2573) ผู้ผลิตรถยนต์จะสามารถรีไซเคิลแบตเตอรี่รถ EVs ได้สูง 95% ช่วยลดปัญหาขาดแคลนวัตถุดิบ 

ตามที่คาดการณ์ว่ายอดจำหน่ายรถยนต์ไฟฟ้าจะเพิ่มสูงขึ้นทุกปี และการแก้ไขปัญหาขาดแคลนวัตถุดิบถือเป็นเรื่องท้าทาย ดังนั้น “ความพยายามในการรีไซเคิลอย่างจริงจังเพื่อใช้ประโยชน์จากแบตเตอรี่ที่ผ่านการใช้งานรวมถึงเศษวัสดุจากกระบวนการผลิต ผนวกเข้ากับความพยายามของสหภาพยุโรปเพื่อบังคับให้มีการรีไซเคิลแบตเตอรี่ ก็อาจช่วยลดความจำเป็นในการขุดแร่เพิ่มเติมได้” ดาเวนพอร์ตกล่าวเพิ่มเติม 

“เนื่องจากความเข้มข้นของโลหะหายากในแบตเตอรี่มีสูงกว่าแร่ธรรมชาติ ดังนั้นแบตเตอรี่ที่ใช้งานแล้วจึงอาจถือเป็นแร่ที่มีความเข้มข้นสูง หากสามารถนำกลับมาใช้ใหม่ได้ในปริมาณมาก ๆ อาจช่วยเพิ่มโอกาสทางการค้าในภาพรวมของตลาดรถยนต์ไฟฟ้า ด้วยการลดราคาแบตเตอรี่ลง นอกจากนี้ยังมีประโยชน์เพิ่มเติมคือ แบตเตอรี่จะไม่ถูกกำจัดด้วยวิธีที่ผิดจริยธรรมหรือถูกนำไปทิ้งในหลุมฝังกลบ” ดาเวนพอร์ตกล่าวสรุป

เกี่ยวกับการ์ทเนอร์ 

บริษัท การ์ทเนอร์ (Gartner, Inc.) (NYSE: IT) คือบริษัทวิจัยและให้คำปรึกษาชั้นนำของโลก มอบข้อมูลเชิงลึก คำแนะนำ และเครื่องมือต่าง ๆ แก่ผู้บริหารองค์กรธุรกิจ เพื่อรองรับการดำเนินภารกิจสำคัญที่มีอยู่ในปัจจุบันและสร้างองค์กรให้ประสบความสำเร็จในอนาคต ดูข้อมูลเพิ่มเติมเกี่ยวกับแนวทางของการ์ทเนอร์ในการช่วยให้ผู้บริหารตัดสินใจอย่างถูกต้องเพื่อขับเคลื่อนอนาคตของธุรกิจได้ที่ gartner.com

---

 

การนำ Generative AI มาใช้อย่างรวดเร็วก่อให้เกิดข้อถกเถียงอย่างมากถึงผลกระทบของ AI ที่มีต่อสังคม ซึ่งองค์กรจะต้องสร้างสมดุลระหว่างศักยภาพเทคโนโลยีที่มีความสำคัญนี้กับความเสี่ยงใหม่ ๆ ที่อาจเกิดขึ้น โดยเฉพาะการใช้ AI ไปในทางที่ผิด

องค์กรควรมีแนวทางป้องกันอย่างเหมาะสมเพื่อยกระดับศักยภาพเทคโนโลยี พร้อมรับมือความท้าทายที่เกิดขึ้น ซึ่งสามารถทำได้โดยการวางกรอบการกำกับดูแลหรือ Governance Framework ที่มีความยืดหยุ่นและสามารถปรับให้เหมาะกับคุณสมบัติเฉพาะของ AI พร้อมมั่นใจว่าเทคโนโลยีนี้จะได้รับการนำไปใช้อย่างปลอดภัยและมีความรับผิดชอบแต่แท้จริง AI Governance คืออะไร และเหตุใดองค์กรควรให้ความสำคัญอย่างจริงจัง?

แม้เป็นคำที่ดูสวนทางกัน แต่การกำกับดูแลที่ดีนั้นทำให้เกิดนวัตกรรมที่ดียิ่งกว่า เนื่องจากนำเสนอข้อจำกัดและแนวทางป้องกันที่ทำให้องค์กรสามารถทำความเข้าใจกับคำถามทั้งในด้านคุณค่าและความเสี่ยงของ AI รวมถึงมีพื้นที่สร้างสรรค์นวัตกรรมและผลลัพธ์

การขยายขอบเขตการใช้งาน AI โดยปราศจากการควบคุมดูแลนั้นทำให้ไม่เกิดประสิทธิภาพและเป็นอันตราย สังคมต่างคาดหวังให้องค์กรดำเนินงานด้วยความโปร่งใส รับผิดชอบและมีจริยธรรม ดังนั้นการควบคุมดูแล AI จึงมีความจำเป็นเพื่อตอบสนองต่อความต้องการทางสังคมเหล่านี้ พร้อมยังคงให้ความสำคัญกับความก้าวหน้าในการจัดการกับความซับซ้อน ความคลุมเครือ และวิวัฒนาการทางเทคโนโลยีที่เปลี่ยนรวดเร็ว

นอกจากการพิจารณาผลกระทบต่อสังคมวงกว้างและการปฏิบัติตามกฎระเบียบ องค์กรจำเป็นต้องสร้างสมดุลระหว่างข้อกำหนดเพื่อสร้างความไว้วางใจในการแข่งขันและควบคุมการใช้งานในที่ทำงานร่วมกับคุณค่าทางธุรกิจ ความเสี่ยงต่อองค์กร รวมถึงความเป็นส่วนตัวของพนักงาน ลูกค้าและพลเมืองตามปัจเจกบุคคล

ตัวอย่างเช่น การกำกับดูแล AI จะต้องกำหนดแนวทางการลดอคติและมีข้อกำหนดเพื่อตรวจสอบ โดยคำนึงถึงความแตกต่างทางวัฒนธรรมและระเบียบข้อบังคับที่คุ้มครองสิทธิส่วนบุคคลและกลุ่มบุคคล อคติสามารถส่งผลลบต่อระดับการยอมรับ AI ในองค์กรและในสังคมภาพรวมได้ ซึ่งอคติถือเป็นปัญหาร้ายแรงขององค์กรข้ามชาติ เนื่องจากในแต่ละประเทศมีบรรทัดฐานทางวัฒนธรรมและระเบียบข้อบังคับที่เกี่ยวข้องแตกต่างกัน อาทิ กฎหมายคุ้มครองผู้บริโภค เป็นต้น

สิ่งสำคัญสำหรับองค์กรคือการชี้ชัดบุคลากรที่จะมาจัดการกับปัญหาต่าง ๆ ที่เกี่ยวกับองค์กร สังคม ลูกค้า และพนักงาน ซึ่งควรเป็นผู้ที่มีแนวคิด มีพื้นฐานความรู้และมีบทบาทหลากหลาย จากนั้นแยกแยะการตัดสินใจในการกำกับดูแลและสิทธิการตัดสินใจ โดยใช้ความเชี่ยวชาญและมุมมองที่พวกเขามีสิทธิการตัดสินใจสำหรับกำหนดอำนาจและความรับผิดชอบสำหรับธุรกิจ เทคโนโลยี รวมถึงการตัดสินใจทางจริยธรรม ซึ่งควรมุ่งความสนใจไปที่ AI Content เป็นสิ่งสำคัญที่สุด โดยต้องได้รับการควบคุมดูแลอย่างเข้มงวด แต่ในทางกลับกัน องค์กรสามารถให้มีอิสระในการตัดสินใจด้าน AI Content ที่ไม่สำคัญได้ ขณะที่พนักงานที่ใช้ AI ช่วยทำงานจะต้องตระหนักว่าพวกเขาต้องรับผิดชอบต่อผลลัพธ์ที่เกิดขึ้น

ขจัดความซับซ้อนของ AI ด้วยการกำกับดูแล

AI พัฒนาอยู่ท่ามกลางภูมิทัศน์ทางเทคโนโลยีที่เปลี่ยนแปลงและมีความซับซ้อนอยู่ตลอด รวมถึงมีความคลุมเครือตามธรรมชาติของเทคโนโลยีนี้ ที่สามารถนำไปสู่การขาดความเข้าใจถึงผลกระทบต่อชื่อเสียง ธุรกิจ และสังคม

การกำกับดูแลควรสะท้อนถึงคุณลักษณะการทำงานข้ามฟังก์ชันและคาดการณ์การทำงานของ AI โดยสิ่งที่องค์กรหลายแห่งมักก่อข้อผิดพลาด คือ การกำหนดให้ AI Governance เป็นโครงการแบบ Standalone ซึ่งแท้ที่จริงควรเป็นการขยายขอบเขตของมาตรการที่มีอยู่เดิมในองค์กรต่างหาก

การดึงประสิทธิภาพจากแนวทางการกำกับดูแลที่มีอยู่เดิมและการนำแนวทางที่เคยประสบความสำเร็จแล้วกลับมาใช้ซ้ำจะทำให้การจัดการผลกระทบของ AI เป็นเรื่องที่เข้าใจง่ายขึ้นและลดความท้าทายน้อยลง แม้จะมีแนวทางมากมายนำไปใช้กับ AI ได้ เช่น การจำแนกข้อมูล การกำหนดมาตรฐาน และการกำหนดแนวทางการสื่อสาร แต่ก็มีแนวทางที่เป็นลักษณะเฉพาะเช่นกัน ได้แก่ การสร้างความน่าเชื่อถือ ความโปร่งใส และความหลากหลาย รวมถึงวิธีการที่จะนำไปใช้ร่วมกับผู้คน ข้อมูล และเทคนิคต่าง ๆ ก็ถือเป็นสิ่งสำคัญ

การตัดสินใจสำคัญเกี่ยวกับ AI ในองค์กรหลายแห่ง กระทำผ่านคณะกรรมการด้าน AI หรือ AI Council โดยทั่วไปผู้ที่นั่งเป็นประธานจะเป็น ผู้บริหาร CIO หรือ CDAO และมีกลุ่มคณะทำงานที่เป็นตัวแทนจากหน่วยธุรกิจอื่น ๆ ทั่วทั้งองค์กรมาร่วมด้วย โดยกลุ่มคณะกรรมการที่มีความหลากหลายนี้จำเป็นต้องทำงานสัมพันธ์โดยตรงร่วมกับกลุ่มผู้มีหน้าที่กำกับดูแลอื่น ๆ เพื่อเป็นแกนนำในความพยายามผลักดัน AI Governance 

ภารกิจแรกของคณะกรรมการ คือ การรับรองการปฏิบัติตามกฎระเบียบที่เกี่ยวข้อง แม้ว่าความเป็นส่วนตัวจะเป็นข้อกังวลสูงสุดและเห็นชัดเจนสุด แต่ก็ยังมีข้อกำหนดทางกฎหมายและข้อกำหนดเฉพาะของแต่ละอุตสาหกรรมทุกประเภทที่ต้องปฏิบัติตาม

การกำกับดูแล AI เริ่มจากความต้องการสนับสนุนเป้าหมายทางธุรกิจ โดยเป้าหมายของ AI ในโครงการนำร่องหรือในกระบวนการพิสูจน์เชิงแนวคิด หรือ Proof Of Concept (POC) นั้นควรเป็นการพิสูจน์คุณค่าตามที่คณะกรรมการกำหนดและอนุมัติร่วมกับผู้มีส่วนได้ส่วนเสียทางธุรกิจอื่น ๆ ไม่ใช่การวัดผล เช่น ความแม่นยำ หรือเปรียบเทียบกับเครื่องมือเทคนิคอื่น ๆ 

สำหรับองค์กรที่ใช้ AI ขั้นสูง หรือ AI-Advanced Organisations ยังรวมถึงการกำกับดูแลวงจรชีวิต AI ทั้งหมด ตามเป้าหมายเพื่อให้สามารถนำส่วนประกอบ AI กลับมาใช้ใหม่ได้ พร้อมเร่งการส่งมอบ รวมถึงการปรับขนาดการใช้ AI ให้ครอบคลุมทั่วทั้งองค์กร 

เกี่ยวกับผู้เขียน

สเวตลานา ซิคูลาร์ เป็นรองประธานนักวิเคราะห์การ์ทเนอร์ ที่มีความเชี่ยวชาญด้าน Generative AI พร้อมเป็นผู้บุกเบิกการวิจัยตั้งแต่ยุคแรกเริ่ม อันนำไปสู่การใช้ AI อย่างมีความรับผิดชอบ ได้แก่ AI Governance, Augmented Intelligence และ Big Data

เกี่ยวกับการ์ทเนอร์ 

บริษัท การ์ทเนอร์ (Gartner, Inc.) (NYSE: IT) คือบริษัทวิจัยและให้คำปรึกษาชั้นนำของโลก มอบข้อมูลเชิงลึก คำแนะนำ และเครื่องมือต่าง ๆ แก่ผู้บริหารองค์กรธุรกิจ เพื่อรองรับการดำเนินภารกิจสำคัญที่มีอยู่ในปัจจุบันและสร้างองค์กรให้ประสบความสำเร็จในอนาคต ดูข้อมูลเพิ่มเติมเกี่ยวกับแนวทางของการ์ทเนอร์ในการช่วยให้ผู้บริหารตัดสินใจอย่างถูกต้องเพื่อขับเคลื่อนอนาคตของธุรกิจได้ที่ gartner.com

---

กรุงเทพฯ ประเทศไทย 25 กันยายน 2567 การ์ทเนอร์คาดการณ์ว่าในอีกสามปี (พ.ศ. 2570) 40% ของโซลูชัน generative AI จะทำงานในแบบมัลติโหมดที่จะสามารถประมวลผล ทำความเข้าใจและทำงานร่วมกับข้อมูลได้มากกว่าหนึ่งประเภท (อาทิ ข้อความ, รูปภาพ, เสียง และวิดีโอ) ซึ่งเพิ่มขึ้นจาก 1% ในปี 2566 โดยการเปลี่ยนแปลงนี้ทำให้ Human-AI มีปฏิสัมพันธ์ที่พัฒนายิ่งขึ้น และยังมอบโอกาสที่จะสร้างความต่างให้กับสิ่งที่ GenAI มีให้

เอริค เบรทเดอนิวซ์ รองประธานฝ่ายวิจัยการ์ทเนอร์ กล่าวว่า “เนื่องจากตลาด GenAI วิวัฒน์ไปสู่โมเดลที่เกิดและพัฒนาด้วยโหมดต่าง ๆ มากกว่าหนึ่งโหมด สิ่งนี้ช่วยสะท้อนภาพความสัมพันธ์ระหว่างข้อมูลที่ส่งออกมาในปริมาณมากและเพิ่มขึ้นต่อเนื่องที่แตกต่างกัน และมีศักยภาพในการปรับขนาดการใช้และเพิ่มประโยชน์ของ GenAI ให้ครอบคลุมประเภทข้อมูลและแอปพลิเคชันทั้งหมด นอกจากนี้ยังช่วยให้ AI สนับสนุนการทำงานของมนุษย์ได้มากขึ้นโดยไม่คำนึงถึงสภาพแวดล้อม”

Multimodal GenAI เป็นหนึ่งในสองเทคโนโลยีที่ได้รับการระบุไว้ในรายงาน Gartner Hype Cycle for Generative AI ปีนี้ โดยการนำมาใช้ช่วงแรกอาจสร้างความได้เปรียบในการแข่งขันที่สำคัญและเพิ่มประสิทธิภาพในด้านระยะเวลาในการนำออกสู่ตลาด ควบคู่ไปกับโมเดลภาษาโอเพนซอร์สขนาดใหญ่ (LLM) ทำให้เทคโนโลยีทั้งสองมีศักยภาพที่จะสร้างผลกระทบสูงต่อองค์กรอย่างสูงภายในห้าปีข้างหน้านี้ 

บรรดานวัตกรรม GenAI ที่การ์ทเนอร์คาดว่าจะได้รับการยอมรับแพร่หลายภายใน 10 ปีนั้น มีเทคโนโลยี 2 ประเภทที่ได้รับการระบุว่ามีศักยภาพสูงสุด ได้แก่ Domain-Specific GenAI Models และ Autonomous Agents (ดูรูปที่ 1) 

รูปที่ 1: วงจรเทคโนโลยีสำหรับ Generative AI ปี 2567 

ที่มา:การ์ทเนอร์ (กันยายน 2567) 

อรุณ จันทรเศกการัน รองประธานฝ่ายวิจัยของการ์ทเนอร์ กล่าวว่า “การวิเคราะห์แนวโน้มระบบนิเวศของ GenAI ยังคงเป็นเรื่องยากสำหรับองค์กร เนื่องจากระบบนิเวศของเทคโนโลยีนี้และผู้ผลิตหรือผู้ให้บริการเทคโนโลยีนั้นมีการเปลี่ยนแปลงอย่างรวดเร็ว โดย GenAI กำลังอยู่ในช่วงขาลงเมื่ออุตสาหกรรมเริ่มรวมตัวเข้าด้วยกัน ทว่าประโยชน์ที่แท้จริงจะเกิดขึ้นเมื่อกระแสนี้ลดลง และตามมาด้วยขีดความสามารถที่ก้าวหน้าขึ้นจะเกิดขึ้นรวดเร็วไปอีกมากในอีกไม่กี่ปีข้างหน้านี้”

Multimodal GenAI

Multimodal GenAI จะมีผลกระทบต่อแอปพลิเคชันองค์กรอย่างมาก จากการเพิ่มคุณสมบัติและฟังก์ชันใหม่ ๆ ที่วิธีอื่น ๆ ทำไม่ได้ และผลกระทบนั้นไม่ได้จำกัดอยู่แค่เฉพาะอุตสาหกรรมหรือยูสเคสการใช้งานเฉพาะเท่านั้น แต่ยังสามารถนำไปประยุกต์ใช้ในทุก Touchpoint ระหว่าง AI กับมนุษย์ ปัจจุบัน Multimodal Model หลาย ๆ ตัวยังมีข้อจำกัดอยู่เพียงสองหรือสามโหมดเท่านั้น แต่อีกไม่กี่ปีข้างหน้าจะเพิ่มขึ้นเพื่อให้ครอบคลุมมากขึ้น 

“ในโลกความเป็นจริง ผู้คนจะพบเจอและเข้าใจข้อมูลผ่านการประมวลผลที่เป็นการผสมผสานของข้อมูลหลากหลายประเภท อาทิ เสียง ภาพและการสัมผัส โดย Multimodal GenAI นั้นมีความสำคัญอย่างยิ่ง เนื่องจากข้อมูลโดยทั่วไปนั้นจะประกอบด้วยประเภทต่าง ๆ อยู่แล้ว เมื่อนำ Single Modality Models มาประกอบเข้าด้วยกันเพื่อรองรับแอปพลิเคชัน Multimodal GenAI มักส่งผลให้เกิดความล่าช้าและลดความแม่นยำของผลลัพธ์ ส่งผลให้ได้รับประสบการณ์ที่มีคุณภาพต่ำ” เบรทเดอนิวซ์ กล่าวเพิ่ม 

Open-Source LLMs

LLM แบบโอเพ่นซอร์สเป็นโมเดลพื้นฐานการเรียนรู้เชิงลึกที่เร่งมูลค่าองค์กรจากการนำ GenAI ไปปรับใช้งาน โดยทำให้การเข้าถึงเชิงพาณิชย์ได้อย่างเสรีและอนุญาตให้ผู้พัฒนาปรับแต่งโมเดลให้เหมาะกับงานและยูสเคสการใช้งานเฉพาะ นอกจากนี้ ยังสามารถเข้าถึงชุมชนนักพัฒนาในองค์กร สถาบันการศึกษา และบทบาทการวิจัยอื่น ๆ ที่กำลังทำงานเพื่อเป้าหมายร่วมกันปรับปรุงและทำให้โมเดลนี้มีคุณค่ามากขึ้น

“LLM แบบโอเพ่นซอร์สเพิ่มศักยภาพด้านนวัตกรรมผ่านการปรับแต่งอย่างเหมาะสม ทำให้การควบคุมความเป็นส่วนตัวและความปลอดภัยดีขึ้น โมเดลมีความโปร่งใส มีความสามารถเพิ่มจากการพัฒนาร่วมกัน และมีศักยภาพในการลดการผูกขาดของผู้ขาย ท้ายที่สุดแล้ว LLM นำเสนอโมเดลขนาดเล็กกว่าให้กับองค์กร ซึ่งฝึกฝนได้ง่ายและมีค่าใช้จ่ายน้อยกว่า และเปิดใช้งานแอปพลิเคชันทางธุรกิจและกระบวนการทางธุรกิจหลัก” จันทราเสการัน กล่าวเพิ่ม 

Domain-Specific GenAI Models

Domain-Specific GenAI Models ได้รับการพัฒนาเพื่อตอบสนองต่อความต้องการของอุตสาหกรรม ฟังก์ชันทางธุรกิจ หรือภารกิจที่มีความเฉพาะ โดยโมเดลเหล่านี้สามารถเพิ่มประสิทธิภาพของการจัดวางยูสเคสการใช้งานภายในองค์กรได้ พร้อมมอบความแม่นยำ ความปลอดภัย และความเป็นส่วนตัวที่ดีกว่า รวมถึงคำตอบที่เข้าใจบริบท ซึ่งช่วยลดความจำเป็นในการออกแบบข้อความที่ใช้สื่อสารกับโมเดล AI เทียบกับโมเดล AI ที่พัฒนามาเพื่อวัตถุประสงค์ทั่วไป และยังสามารถลดความเสี่ยงจากกรณีที่ AI อาจสร้างภาพหลอนขึ้นมาเอง (Hallucination Risks) จากการฝึกฝนที่เน้นการกำหนดเป้าหมาย

“Domain-specific models สามารถร่นระยะเวลาส่งมอบบริการตามความต้องการ (Time to Value) ประสิทธิภาพเพิ่มขึ้นและมีความปลอดภัยสูงขึ้นสำหรับโครงการ AI ต่าง ๆ โดยการนำเสนอจุด Start ที่ก้าวล้ำกว่าสำหรับงานอุตสาหกรรมเฉพาะ สิ่งนี้จะส่งเสริมการนำ GenAI มาใช้อย่างแพร่หลายมากขึ้น เนื่องจากองค์กรต่าง ๆ จะสามารถนำไปประยุกต์ใช้ในยูสเคสที่ General-Purpose Models ไม่มีประสิทธิภาพเพียงพอ” จันทราเสการัน กล่าวเพิ่ม

Autonomous Agents

Autonomous Agents คือ ระบบรวม (Combined Systems) ที่สามารถบรรลุเป้าหมายที่กำหนดไว้ได้โดยปราศจากมนุษย์ โดยใช้เทคนิค AI ที่หลากหลายในการระบุรูปแบบของสภาพแวดล้อม การตัดสินใจ การจัดลำดับการดำเนินการและสร้างผลลัพธ์ โดยตัวแทนเหล่านี้มีศักยภาพเรียนรู้จากสภาพแวดล้อมและปรับปรุงตลอดเวลา ทำให้สามารถจัดการงานที่ซับซ้อนได้

“Autonomous Agents เป็นการเปลี่ยนแปลงครั้งสำคัญของความสามารถ AI โดยความสามารถดำเนินการและตัดสินใจได้อย่างอิสระช่วยปรับปรุงการดำเนินธุรกิจ สร้างประสบการณ์ที่ดีให้กับลูกค้า และใช้ในการเปิดตัวผลิตภัณฑ์และบริการใหม่ ๆ ส่งผลให้ประหยัดต้นทุนและมีความได้เปรียบทางการแข่งขัน นอกจากนี้ยังเปลี่ยนบทบาทของทีมงานในองค์กรจากการส่งมอบ (Delivery) เป็นการควบคุมดูแล (Supervision) แทน”

เกี่ยวกับการ์ทเนอร์ 

บริษัท การ์ทเนอร์ (Gartner, Inc.) (NYSE: IT) คือบริษัทวิจัยและให้คำปรึกษาชั้นนำของโลก มอบข้อมูลเชิงลึก คำแนะนำ และเครื่องมือต่าง ๆ แก่ผู้บริหารองค์กรธุรกิจ เพื่อรองรับการดำเนินภารกิจสำคัญที่มีอยู่ในปัจจุบันและสร้างองค์กรให้ประสบความสำเร็จในอนาคต ดูข้อมูลเพิ่มเติมเกี่ยวกับแนวทางของการ์ทเนอร์ในการช่วยให้ผู้บริหารตัดสินใจอย่างถูกต้องเพื่อขับเคลื่อนอนาคตของธุรกิจได้ที่ gartner.com

---

 

กรุงเทพฯ, 12 กันยายน 2567 – การ์ทเนอร์คาดการณ์ว่ามูลค่าการใช้จ่ายด้านความปลอดภัยข้อมูล (Information Security) ของผู้ใช้ปลายทางทั่วโลกในปี 2568 จะเพิ่มขึ้น 15.1% หรือประมาณ 212 พันล้านดอลลาร์สหรัฐฯ จากเดิมที่คาดการณ์ไว้ในปี 2567 ที่ 183.9 พันล้านดอลลาร์สหรัฐฯ 

สำหรับประเทศไทย การ์ทเนอร์คาดว่าในปี 2568 ยอดใช้จ่ายด้านความปลอดภัยข้อมูลของผู้ใช้ปลายทางจะมีมูลค่ารวมอยู่ที่ 18,400 ล้านบาท เพิ่มขึ้น 12.3% จากปี 2567 ที่คาดว่าจะมีมูลค่าการใช้จ่ายรวมที่ 16,400 ล้านบาท 

ชัยเลนดรา อูปัดห์เญ หัวหน้าฝ่ายวิจัยอาวุโสการ์ทเนอร์กล่าวว่า “จากสภาพแวดล้อมที่ก่อให้เกิดภัยคุกคามเพิ่มขึ้นอย่างต่อเนื่อง ไม่ว่าจะเป็นการย้ายไปใช้ระบบคลาวด์และปัญหาการขาดแคลนบุคลากรในด้านนี้ ทำให้ความปลอดภัยกลายเป็นสิ่งสำคัญอันดับต้น ๆ ขององค์กร และกดดันให้ผู้บริหารด้านความปลอดภัยข้อมูลหรือ CISO ต้องเพิ่มงบประมาณการใช้จ่ายด้านความปลอดภัยให้กับองค์กร”

“นอกจากนั้น เวลานี้องค์กรต่าง ๆ อยู่ในขั้นของการประเมินประสิทธิภาพแพลตฟอร์มการป้องกันที่ปลายทางหรือ Endpoint Protection Platform (EPP) และ Endpoint Detection and Response หรือ EDR ซึ่งเป็นเทคโนโลยีความปลอดภัยที่ช่วยตรวจสอบภัยคุกคามในตำแหน่งข้อมูลและลดภัยคุกคามได้โดยอัตโนมัติ เพื่อปรับเปลี่ยนและเพิ่มความยืดหยุ่นในการปฏิบัติงาน รวมถึงตอบสนองต่อเหตุการณ์หลังการหยุดให้บริการของ CrowdStrike

การนำ AI และ GenAI มาใช้อย่างต่อเนื่อง ช่วยเพิ่มการลงทุนในตลาดซอฟต์แวร์ความปลอดภัย (Security Software) มากขึ้น อาทิ ในด้านแอปพลิเคชันความปลอดภัย (Application Security), ความปลอดภัยของข้อมูลและความเป็นส่วนตัว (Data Security and Privacy) และการปกป้องโครงสร้างพื้นฐาน (Infrastructure Protection) ในปี 2568 GenAI จะเป็นปัจจัยกระตุ้นให้แหล่งทรัพยากรความปลอดภัยทางไซเบอร์จำเป็นต้องเพิ่มการรักษาความปลอดภัยมากขึ้น และคาดว่าจะทำให้การใช้จ่ายด้านซอฟต์แวร์ความปลอดภัยเพิ่มขึ้น 15% (ดูตารางที่ 1)

ตารางที่ 1 มูลค่าการใช้จ่ายของผู้ใช้ปลายทางด้านความปลอดภัยของข้อมูลทั่วโลกโดยจำแนกตามหน้าที่การทำงาน ช่วงปี 2566 – 2568 (หน่วย: ล้านดอลลาร์สหรัฐฯ)

Segment		2023 Spending		2023 Growth (%)		2024 Spending		2024 Growth (%)		2025 Spending		2025 Growth (%)
Security Software		76,574		13.6		87,481		14.2		100,692		15.1
Security Services		65,556		13.6		74,478		13.6		86,073		15.6
Network Security		19,985		6.2		21,912		9.6		24,787		13.1
Total		162,115		12.7		183,872		13.4		211,552		15.1

ที่มา: การ์ทเนอร์ (สิงหาคม 2567)

 

นับตั้งแต่ GenAI เปิดตัว แฮกเกอร์ใช้เครื่องมือต่าง ๆ ร่วมกับโมเดลภาษาขนาดใหญ่ (LLM) เพื่อสร้างการโจมตีแบบ Social Engineering โดยมุ่งเป้าขนาดใหญ่มากขึ้นเรื่อย ๆ การ์ทเนอร์คาดว่าภายในปี 2570 การโจมตีทางไซเบอร์/การรั่วไหลของข้อมูล 17% จะเกี่ยวข้องกับ Generative AI ทั้งสิ้น

เมื่อองค์กรยังคงย้ายไปใช้ระบบคลาวด์ นักวิเคราะห์การ์ทเนอร์คาดว่าการลงทุนในโซลูชันความปลอดภัยบนคลาวด์จะเพิ่มขึ้น รวมถึงสัดส่วนการลงทุนในโซลูชันคลาวด์เนทีฟก็จะเพิ่มขึ้นเช่นกัน สำหรับตลาดตัวกลางรักษาความปลอดภัยของการเข้าถึงระบบคลาวด์หรือ Cloud Access Security Brokers (CASB) และแพลตฟอร์มการปกป้องภาระงานในคลาวด์หรือ Cloud Workload Protection Platforms (CWPP) คาดว่าในปี 2568 จะมีมูลค่ารวมกันถึง 8.7 พันล้านดอลลาร์สหรัฐฯ โดยเพิ่มขึ้นจากที่คาดการณ์ไว้ในปีนี้ ที่ 6.7 พันล้านดอลลาร์สหรัฐฯ

การขาดแคลนทักษะในอุตสาหกรรมความปลอดภัยทางไซเบอร์ทั่วโลก เป็นปัจจัยเร่งสำคัญที่ผลักดันให้เกิดการลงทุนในตลาดบริการด้านความปลอดภัย (ซึ่งประกอบด้วย บริการที่ปรึกษาด้านความปลอดภัย, บริการด้านความปลอดภัยระดับมืออาชีพ และบริการการจัดการด้านความปลอดภัย) และคาดว่าการลงทุนในด้านนี้จะเติบโตรวดเร็วกว่ากลุ่มการลงทุนด้านความปลอดภัยด้านอื่น ๆ

เกี่ยวกับการ์ทเนอร์ 

บริษัท การ์ทเนอร์ (Gartner, Inc.) (NYSE: IT) คือบริษัทวิจัยและให้คำปรึกษาชั้นนำของโลก มอบข้อมูลเชิงลึก คำแนะนำ และเครื่องมือต่าง ๆ แก่ผู้บริหารองค์กรธุรกิจ เพื่อรองรับการดำเนินภารกิจสำคัญที่มีอยู่ในปัจจุบันและสร้างองค์กรให้ประสบความสำเร็จในอนาคต ดูข้อมูลเพิ่มเติมเกี่ยวกับแนวทางของการ์ทเนอร์ในการช่วยให้ผู้บริหารตัดสินใจอย่างถูกต้องเพื่อขับเคลื่อนอนาคตของธุรกิจได้ที่ gartner.com

---

 

กรุงเทพฯ ประเทศไทย 31 กรกฎาคม 2567 – การ์ทเนอร์คาดการณ์ ภายในสิ้นปี 2568 โปรเจกต์ต่าง ๆ จาก Generative AI (GenAI) อย่างน้อย 30% จะยกเลิกหลังการพิสูจน์เชิงแนวคิด หรือ Proof of Concept (PoC) อันเนื่องมาจากข้อมูลคุณภาพต่ำ มีการควบคุมความเสี่ยงไม่เพียงพอ ค่าใช้จ่ายที่เพิ่มสูงขึ้น หรือมูลค่าทางธุรกิจไม่ชัดเจน

ริต้า ซาลลัม รองประธานฝ่ายวิจัยการ์ทเนอร์ กล่าวว่า “หลังจาก GenAI เป็นกระแสฮือฮาเมื่อปีก่อน ผู้บริหารต่างจดจ้องที่จะได้เห็นผลตอบแทนจากการลงทุนใน GenAI แต่ว่าองค์กรต่าง ๆ กลับต้องฝ่าฟันเพื่อพิสูจน์และรับรู้ถึงคุณค่าของมัน ตามที่ขอบเขตของแผนงานด้าน GenAI ขยายออกไป ประกอบกับภาระทางการเงินในการพัฒนาและการนำโมเดล GenAI ไปใช้งานก็เพิ่มมากขึ้นเรื่อย ๆ

โดยการ์ทเนอร์ยังระบุว่าความท้าทายสำคัญที่องค์กรเผชิญนั้น คือ การพิสูจน์ให้เห็นถึงความคุ้มค่าของการลงทุนเป็นจำนวนมหาศาลกับ GenAI ในการเพิ่มประสิทธิภาพการทำงาน ซึ่งจะแปลงเป็นผลประโยชน์ทางการเงินโดยตรงได้ยาก ทั้งนี้องค์กรมากมายกำลังใช้ประโยชน์จาก GenAI เพื่อเปลี่ยนแปลงโมเดลธุรกิจและสร้างโอกาสทางธุรกิจใหม่ ๆ แต่อย่างไรก็ตาม แนวทางนี้มาพร้อมกับต้นทุนมหาศาลตั้งแต่ 5 ล้านดอลลาร์สหรัฐฯ ไปจนถึง 20 ล้านดอลลาร์สหรัฐฯ (ดูรูปที่ 1)

 

รูปที่ 1 ต้นทุนที่เกิดขึ้นจากการนำ GenAI ไปใช้ในแนวทางต่าง ๆ 

ที่มา: การ์ทเนอร์ (กรกฎาคม 2567)

“น่าเสียดายที่ GenAI ไม่มีสูตรสำเร็จที่ใช้ได้กับทุกสถานการณ์ และต้นทุนก็ไม่สามารถคาดเดาได้เหมือนกับเทคโนโลยีอื่น ๆ ดังนั้นสิ่งที่องค์กรจ่าย อาทิ ยูสเคสที่ลงทุนและวิธีการนำไปใช้ที่เลือก ล้วนเป็นตัวกำหนดต้นทุนทั้งนั้น ไม่ว่าคุณจะเป็นผู้เข้ามาดิสรัปตลาดและต้องการฝัง AI เข้าไปในทุกที่ หรือต้องการมุ่งเน้นที่การเพิ่มผลผลิตหรือการขยายกระบวนการเดิมที่มีอยู่ สิ่งเหล่านี้ล้วนมีต้นทุน ความเสี่ยง ความผันแปร และส่งผลกระทบเชิงกลยุทธ์ในระดับที่ต่างกัน” ซาลลัม กล่าว

ผลการวิจัยการ์ทเนอร์ยังชี้ว่าการพัฒนา GenAI ไม่ว่าเพื่อเป้าหมายใด ต้องอาศัยความอดทนที่สูงกว่ากับผลลัพธ์ทางอ้อม สำหรับวางหลักเกณฑ์การลงทุนด้านการเงินในอนาคตเทียบกับผลตอบแทนการลงทุนทันที (ROI) ในอดีตผู้บริหารระดับสูงด้านการเงิน หรือ CFO หลายรายไม่สะดวกใจลงทุนวันนี้เพื่อมูลค่าทางอ้อมในอนาคต ซึ่งความลังเลใจนี้อาจทำให้การจัดสรรเม็ดเงินลงทุนถูกเบี่ยงเบนไปในทางยุทธวิธีมากกว่าผลลัพธ์เชิงกลยุทธ์

การตระหนักถึงมูลค่าทางธุรกิจ

ผู้ที่นำ AI มาใช้ก่อนใคร หรือที่เรียกว่า Earlier Adopter ทั้งในอุตสาหกรรมและกระบวนการทางธุรกิจต่างรายงานถึงพัฒนาการและการปรับปรุงด้านธุรกิจที่หลากหลาย แตกต่างกันไปตามยูสเคสใช้งาน ประเภทงาน และระดับทักษะของคนทำงาน ผลการสำรวจผู้นำทางธุรกิจของการ์ทเนอร์ล่าสุด จากจำนวนผู้ตอบแบบสอบถาม 822 ราย ที่จัดทำช่วงเดือนกันยายนถึงพฤศจิกายนปี 2566 พบว่าองค์กรที่นำ AI มาใช้มีรายได้เพิ่มขึ้น 15.8% ประหยัดต้นทุนขึ้น 15.2% และช่วยปรับปรุงประสิทธิผลการผลิตโดยเฉลี่ย 22.6%

“ดาต้านี้เป็นข้อมูลอ้างอิงสำคัญสำหรับการประเมินมูลค่าทางธุรกิจที่ได้มาจากนวัตกรรมโมเดลธุรกิจ GenAI แต่สิ่งสำคัญคือเราต้องยอมรับความท้าทายในการประเมินมูลค่าดังกล่าว เนื่องจากผลประโยชน์ต่าง ๆ นั้นจะขึ้นกับบริษัทเป็นหลัก รวมถึง ยูสเคส บทบาท และแรงงานอย่างเฉพาะ บ่อยครั้งที่ผลกระทบอาจไม่เผยชัดเจนในทันทีและอาจเกิดขึ้นภายหลัง อย่างไรก็ตาม ความล่าช้านี้ไม่ได้ลดผลประโยชน์ที่อาจได้รับลงแต่อย่างใด” ซาลลัม กล่าวเสริม

การคำนวณผลกระทบต่อธุรกิจ

จากการวิเคราะห์มูลค่าทางธุรกิจและต้นทุนรวมของนวัตกรรมโมเดลธุรกิจ GenAI องค์กรต่าง ๆ สามารถกำหนดผลตอบแทนจากการลงทุนโดยตรง (ROI) และผลกระทบต่อมูลค่าธุรกิจในอนาคตได้ ซึ่งถือเป็นเครื่องมือสำคัญในการตัดสินใจลงทุนอย่างรอบคอบเกี่ยวกับนวัตกรรมโมเดลธุรกิจ GenAI

“หากผลลัพธ์ทางธุรกิจเป็นไปตามเป้าหรือเกินความคาดหวัง ถือเป็นโอกาสการขยายการลงทุน โดยเพิ่มขอบเขตนวัตกรรมและการใช้งาน GenAI ให้ครอบคลุมฐานผู้ใช้ที่กว้างขึ้น หรือนำไปใช้ในแผนกธุรกิจอื่น ๆ เพิ่มเติม อย่างไรก็ตาม หากผลลัพธ์ไม่เป็นไปตามที่คาด อาจจำเป็นต้องพิจารณานวัตกรรมทางเลือก โดยอาศัยข้อมูลเชิงลึกเหล่านี้ช่วยให้องค์กรจัดสรรทรัพยากรได้อย่างมีกลยุทธ์พร้อมกำหนดแผนดำเนินงานที่มีประสิทธิภาพสูงสุดในอนาคต” ซาลลัม กล่าวสรุป

เกี่ยวกับการ์ทเนอร์ 

บริษัท การ์ทเนอร์ (Gartner, Inc.) (NYSE: IT) คือบริษัทวิจัยและให้คำปรึกษาชั้นนำของโลก มอบข้อมูลเชิงลึก คำแนะนำ และเครื่องมือต่าง ๆ แก่ผู้บริหารองค์กรธุรกิจ เพื่อรองรับการดำเนินภารกิจสำคัญที่มีอยู่ในปัจจุบันและสร้างองค์กรให้ประสบความสำเร็จในอนาคต ดูข้อมูลเพิ่มเติมเกี่ยวกับแนวทางของการ์ทเนอร์ในการช่วยให้ผู้บริหารตัดสินใจอย่างถูกต้องเพื่อขับเคลื่อนอนาคตของธุรกิจได้ที่ gartner.com

---

 

กรุงเทพฯ – 24 กรกฎาคม 2567 – การ์ทเนอร์เผยผลสำรวจล่าสุดของผู้บริหารระดับสูงกว่า 1,800 ราย พบว่า 55% ขององค์กรมีคณะกรรมการที่ดูแลด้านการใช้งาน AI หรือ AI Board และ 54% ระบุว่ามีหัวหน้าด้าน AI หรือ AI Leader ที่ประสานงานและดูแลกิจกรรมต่าง ๆ ภายในองค์กร 

ฟราสซิส คารามูซิส รองประธานฝ่ายวิจัย การ์ทเนอร์ กล่าวว่า “จากผลการวิจัยพบว่าองค์กรทั่วโลกมีความเห็นต่างกันในเรื่องความจำเป็นของการมีคณะกรรมการด้าน AI หรือ AI Board ซึ่งคำตอบของประเด็นนี้คือองค์กรจำเป็นต้องมี AI Board เพื่อขับเคลื่อนกลยุทธ์ AI ให้บรรลุเป้าหมาย โดยเปรียบเสมือนคณะกรรมการกลางที่คอยกำหนดทิศทาง ดูแล และควบคุมการใช้ AI ให้เกิดประสิทธิภาพสูงสุด พร้อมลดความเสี่ยง และสร้างมูลค่าเพิ่มให้กับองค์กร อย่างไรก็ตาม รูปแบบ ขอบเขต ทรัพยากร และกรอบระยะเวลาของการจัดตั้ง AI Board นั้นขึ้นอยู่กับบริบทของยูสเคส และความพร้อมของแต่ละองค์กร โดยองค์กรบางแห่งอาจดำเนินการด้วยมาตรการระยะสั้น แต่บางแห่งอาจเปลี่ยนแปลงรูปแบบการทำงานในระยะยาว”

จากการสำรวจผู้บริหารระดับสูง 1,808 ราย ที่เข้าร่วมเว็บบินาร์ของการ์ทเนอร์ เมื่อเดือนมิถุนายนที่ผ่านมา ได้แลกเปลี่ยนความคิดเห็นกันในมุมมองต่อการประเมินต้นทุน ความเสี่ยง และมูลค่าของโครงการ AI และ GenAI ใหม่ ๆ โดยผลสำรวจนี้ไม่ได้สะท้อนถึงภาพรวมตลาดโลก แต่ให้ข้อมูลเชิงลึกของมุมมองผู้บริหารที่มีต่อเทคโนโลยี AI และ GenAI

AI Board ต้องชัดเจนเรื่องกฎเกณฑ์ ที่สอดคล้องกับเป้าหมายธุรกิจ

ความรับผิดชอบต่อ AI นั้นกระจายออกไป พนักงานจากหลายแผนกมักมีส่วนร่วมในการริเริ่มโครงการด้าน AI ขณะที่บางองค์กรดำเนินงานแบบกระจายอำนาจ บางแห่งทำงานแยกส่วนกัน หรือบางองค์กรยังไม่ชัดเจนว่าจะนำ AI ไปใช้ในแง่ใด สิ่งนี้ทำให้เกิดความท้าทายในการระบุผู้รับผิดชอบต่อผลลัพธ์ที่เกิดขึ้นจากการใช้งาน AI ทั้งแง่บวกและลบ โดยผลสำรวจนี้ยังชี้ให้เห็นว่า มีเพียง 1 ใน 4 ของผู้ตอบแบบสอบถามเท่านั้นที่สามารถระบุผู้รับผิดชอบต่อโครงการริเริ่มด้าน AI ได้อย่างชัดเจน (ดูรูปที่ 1)

ภาพที่ 1: ผู้มีความรับผิดชอบในการส่งมอบ AI

ที่มา: การ์ทเนอร์ (มิถุนายน 2567) 

“AI Board ต้องประกอบด้วยสมาชิกจากหลายสาขาวิชาและหน่วยธุรกิจ ซึ่งความหลากหลายนี้จะช่วยให้มั่นใจได้ว่าบอร์ดจะมีมุมมองครอบคลุมประเด็นที่เกี่ยวข้องกับ AI ในด้านต่าง ๆ นอกจากนี้บอร์ดยังต้องมีความคล่องตัวในการปฏิบัติงาน สามารถตัดสินใจได้อย่างมีประสิทธิภาพและรวดเร็ว โดยแต่ละองค์กรต้องหาแนวทางที่ดีที่สุดในการจัดตั้งคณะกรรมการที่ดูแลด้านการใช้ AI ของตน สิ่งสำคัญคือต้องทำให้แน่ใจว่าบอร์ดจะมีขนาดไม่ใหญ่เกินไปจนทำงานได้ไม่เต็มประสิทธิภาพ พร้อมทั้งต้องระบุกลไกชัดเจนด้านอำนาจการตัดสินใจและการขับเคลื่อนฉันทามติ” คารามูซิส กล่าวเพิ่มเติม

เมื่อสอบถามว่าอะไรคือหัวข้อหลักสามอันดับแรกของบอร์ดที่ต้องมุ่งเน้น ผู้บริหาร 26% ระบุว่าเป็นเรื่องของ “การกำกับดูแล” หรือ ธรรมาภิบาล และอีก 21% ระบุว่า “กลยุทธ์” ควรเป็นหนึ่งในหัวข้อหลัก

คารามูซิส อธิบายเพิ่มว่า “สมาชิกใน AI Board ควรมีความเชี่ยวชาญที่เชื่อมโยงกับขอบเขตงาน ควรเป็นผู้บริหารระดับสูงและมีประสบการณ์ มีทักษะที่แข็งแกร่งทั้งในด้านกลยุทธ์และการดำเนินงาน และอย่างยิ่งโดยเฉพาะคือมีเป้าหมายด้าน GenAI”

หัวหน้าด้าน AI มีอยู่ทั่วไปในองค์กรมากกว่า CAIO

ผลการวิจัยชี้ให้เห็นว่า แม้องค์กรจำนวนมากจะมีหัวหน้าหรือผู้นำที่ดูแลด้าน AI แต่ตำแหน่งของพวกเขาเหล่านี้อาจจะไม่ได้เรียกว่า “Chief AI Officer” (CAIO) เสมอไป โดยผู้นำระดับสูง 54% ระบุว่าองค์กรของตนมีหัวหน้าฝ่าย AI หรือผู้นำ AI ขณะที่ 88% บอกว่าผู้บริหาร AI ของตนนั้นไม่ได้มีตำแหน่งเป็น Chief AI Officer (CAIO)

แม้ว่าคณะกรรมการบริษัทจะเป็นผู้กำหนดทิศทางให้กับผู้นำระดับสูง (C-suite) แต่คณะกรรมการส่วนใหญ่ก็ไม่อยากเพิ่มตำแหน่งผู้นำระดับสูงนี้ อย่างไรก็ตาม คณะกรรมการยังคงต้องการให้มีผู้นำด้าน AI เพื่อรับผิดชอบภาพรวมในการบริหารจัดการเทคโนโลยี AI ภายในองค์กร “แม้ว่าเทคโนโลยี AI และ GenAI จะมีบทบาทสำคัญในทุกแง่มุมของงาน กิจกรรม และกลยุทธ์องค์กร แต่บุคคลหรือทีมที่รับผิดชอบการประสานงาน AI ในองค์กร ไม่ได้หมายความว่าจะต้องมีตำแหน่งเป็นผู้บริหารระดับ C-Level” คารามูซิส กล่าวทิ้งท้าย

เกี่ยวกับการ์ทเนอร์ 

บริษัท การ์ทเนอร์ (Gartner, Inc.) (NYSE: IT) คือบริษัทวิจัยและให้คำปรึกษาชั้นนำของโลก มอบข้อมูลเชิงลึก คำแนะนำ และเครื่องมือต่าง ๆ แก่ผู้บริหารองค์กรธุรกิจ เพื่อรองรับการดำเนินภารกิจสำคัญที่มีอยู่ในปัจจุบันและสร้างองค์กรให้ประสบความสำเร็จในอนาคต ดูข้อมูลเพิ่มเติมเกี่ยวกับแนวทางของการ์ทเนอร์ในการช่วยให้ผู้บริหารตัดสินใจอย่างถูกต้องเพื่อขับเคลื่อนอนาคตของธุรกิจได้ที่ gartner.com

---

โดย อลิส วูดเวิร์ด ผู้อำนวยการอาวุโสฝ่ายวิจัยของการ์ทเนอร์

ปัญหาสำคัญอย่างหนึ่งของการพัฒนา AI ในปัจจุบันคืออุปสรรคจากการรวบรวมข้อมูลของโลกความจริงและการติดป้ายกำกับให้กับข้อมูลนั้น ๆ ซึ่งในความเป็นจริงความพร้อมใช้งานของข้อมูลหรือ Data Availability เป็นหนึ่งในห้าอุปสรรคหลักในการนำ Generative AI มาใช้งาน จากผลการสำรวจของการ์ทเนอร์กับองค์กร 644 แห่ง ช่วงไตรมาสสี่ของปี 2566 ชี้ให้เห็นว่า ข้อมูลสังเคราะห์หรือ Synthetic Data สามารถช่วยแก้ปัญหานี้ได้ เนื่องจากมีความเสี่ยงด้านความเป็นส่วนตัวน้อยกว่าข้อมูลจริงหลายเท่า และ Synthetic Data ยังเปิดโอกาสในด้านการฝึกโมเดลแมชชีนเลิร์นนิ่งและวิเคราะห์ข้อมูลอีกมากมายที่ไม่น่าทำได้ในกรณีที่มีข้อมูลจริงเพียงชุดเดียวให้เลือก

อย่างไรก็ตาม สิ่งสำคัญคือต้องเข้าใจว่า Synthetic Data สามารถก้าวข้ามความท้าทายเรื่องความเป็นส่วนตัว การปฏิบัติตามข้อกำหนดและการไม่เปิดเผยข้อมูลได้อย่างไร รวมถึงปัญหาที่เป็นอุปสรรคต่อการนำเอาไปใช้ในวงกว้าง

จัดการความท้าทายด้านความเป็นส่วนตัว

Synthetic Data ช่วยองค์กรจัดการความท้าทายด้านความเป็นส่วนตัว พร้อมฝึกอบรมโมเดล AI, ML หรือคอมพิวเตอร์วิชัน (CV)

Synthetic Data สามารถเชื่อมโยงข้อมูลภายในเข้าด้วยกัน โดยทำหน้าที่แทนข้อมูลจริงและไม่เปิดเผยข้อมูลที่ละเอียดอ่อน อาทิ ข้อมูลส่วนบุคคลและทรัพย์สินทางปัญญา เนื่องจากชุดข้อมูลสังเคราะห์ยังคงคุณสมบัติทางสถิติที่ใกล้เคียงกับข้อมูลต้นฉบับ จึงสามารถสร้างข้อมูลฝึกอบรมและทดสอบที่แม่นยำ ที่มีความสำคัญต่อการพัฒนาแบบจำลอง

การฝึกโมเดล Computer Vision ต้องใช้ชุดข้อมูลที่มีป้ายกำกับจำนวนมากและหลากหลาย เพื่อสร้างโมเดลที่มีความแม่นยำสูง ซึ่งการรับและการใช้ข้อมูลจริงเพื่อจุดประสงค์นี้อาจเป็นเรื่องท้าทาย โดยเฉพาะอย่างยิ่งเมื่อเกี่ยวข้องกับข้อมูลที่ระบุตัวบุคคลได้หรือ Personally Identifiable Information (PII)

ยูสเคสการใช้งานโดยทั่วไปมี 2 กรณีที่ต้องใช้ข้อมูล PII ได้แก่ การยืนยันตัวตนและระบบช่วยเหลือผู้ขับขี่อัตโนมัติ หรือ Automated Driver Assistance Systems (ADAS) ซึ่งคอยตรวจสอบการเคลื่อนไหวและการกระทำของผู้ขับขี่บนท้องถนน ซึ่งในสถานการณ์เหล่านี้ Synthetic Data อาจมีประโยชน์ในการสร้างการแสดงออกทางสีหน้า สีผิวและพื้นผิว รวมถึงองค์ประกอบอื่น ๆ เพิ่มเติม เช่น หมวก หน้ากาก และแว่นกันแดด นอกจากนี้ ADAS ยังต้องการฝึก AI ให้สามารถทำงานได้ในสภาพแสงน้อย เช่น การขับขี่ในที่มืด

ลดความท้าทายด้านการทำให้ข้อมูลไม่ระบุตัวตน

ความพยายามในการไม่ระบุตัวตนในข้อมูลและปลดข้อมูลประจำตัวของชุดข้อมูลแบบแมนนวล  (หรือการลบข้อมูลที่เชื่อมโยงฐานข้อมูลของบุคคลใดบุคคลหนึ่ง) เป็นงานที่ต้องใช้เวลาและกำลังคนจำนวนมากและมีแนวโน้มเกิดข้อผิดพลาด โดยในท้ายที่สุดแนวทางนี้อาจทำให้โครงการเกิดความล่าช้าและต้องต่อเวลาของรอบการวนซ้ำในการพัฒนาอัลกอริทึมรวมถึงโมเดลแมชชีนเลิร์นนิ่ง (ML) ซึ่ง Synthetic Data สามารถจัดการกับปัญหาเหล่านี้ได้หลายประการ ด้วยการให้การเข้าถึงข้อมูลที่รวดเร็ว ค่าใช้จ่ายต่ำกว่าและง่ายกว่า โดยข้อมูลดังกล่าวจะคล้ายคลึงกับแหล่งที่มาของข้อมูลดั้งเดิม เหมาะสมต่อการใช้งาน และปกป้องความเป็นส่วนตัว

นอกจากนี้ หากเกิดกรณีข้อมูลที่ไม่ระบุตัวตนไปรวมกับแหล่งข้อมูลสาธารณะอื่น ๆ ก็จะเกิดความเสี่ยงที่ข้อมูลถูกเปิดเผยโดยไม่ตั้งใจ และอาจนำไปสู่การระบุข้อมูลที่ซ้ำซ้อนและละเมิดความเป็นส่วนตัวของข้อมูลได้ ผู้บริหารสามารถใช้เทคนิคต่าง ๆ เช่น ตั้งค่าความเป็นส่วนตัวที่แตกต่างกัน เพื่อให้แน่ใจว่าข้อมูลสังเคราะห์ใด ๆ ที่สร้างจากข้อมูลจริงนั้นมีความเสี่ยงต่ำมากเมื่อมีการทำให้ไม่ระบุตัวตน

ความท้าทายที่ขวางการนำไปใช้อย่างแพร่หลาย

การสร้างชุดข้อมูลแบบตารางสังเคราะห์เกี่ยวข้องกับการรักษาสมดุลระหว่างความเป็นส่วนตัวและการนำไปใช้ประโยชน์เพื่อให้แน่ใจว่าข้อมูลยังมีประโยชน์และตรงกับชุดข้อมูลดั้งเดิมอย่างถูกต้อง หากเน้นการใช้ประโยชน์สูงเกินไป ความเป็นส่วนตัวอาจได้รับผลกระทบ โดยเฉพาะอย่างยิ่งข้อมูลที่มีลักษณะเฉพาะไม่เหมือนใคร เนื่องจากชุดข้อมูลสังเคราะห์อาจจับคู่กับแหล่งข้อมูลอื่นได้ แต่ในทางกลับกัน วิธีการเพิ่มความเป็นส่วนตัว เช่น การตัดการเชื่อมต่อคุณลักษณะบางอย่างหรือการแนะนำ “สัญญาณรบกวน” ผ่านความเป็นส่วนตัวที่แตกต่างกัน อาจทำให้ประโยชน์ของชุดข้อมูลลดลงโดยปริยาย

ช่วงหลายทศวรรษที่ผ่านมาทั้งการจัดการข้อมูลและคุณภาพข้อมูลธุรกรรมที่ต่ำเป็นความท้าทายที่เกิดขึ้นต่อเนื่อง ตัวอย่างเช่น เจ้าหน้าที่ Call Center ที่อาจไม่สามารถกรอกข้อมูลที่อยู่หรือข้อมูลลูกค้าให้ครบถ้วนได้ โดยข้อมูลที่ขาดหายไปนี้เป็นอุปสรรคต่อการวิเคราะห์ ดังนั้นเพื่อแก้ไขปัญหานี้ องค์กรไอทีจำเป็นต้องให้ความรู้แก่ผู้ใช้บริการฝั่งธุรกิจทำความเข้าใจถึงความสำคัญของคุณภาพข้อมูลที่ดีทั้งเพื่อการสมัครใช้และนำมาวิเคราะห์ ซึ่งการใส่ข้อมูลขยะเข้าสู่ระบบจะนำมาสู่ผลลัพธ์ที่เป็นขยะ หรือที่เรียกว่า “Garbage In Garbage Out” ซึ่งเป็นหลักการที่ได้รับการยอมรับโดยทั่วไป อย่างไรก็ตาม ณ ปัจจุบัน เรื่องนี้ส่งผลต่อทัศนคติของผู้คนที่มีต่อ Synthetic Data เนื่องจากพวกเขาเชื่อว่าข้อมูลนั้นด้อยกว่า เพราะมันไม่ใช่ข้อมูลจริง ๆ ซึ่งทำให้การนำไปใช้งานล่าช้า ทว่าในความเป็นจริงแล้ว ข้อมูลสังเคราะห์อาจดีกว่าข้อมูลจริงก็ได้ ไม่ใช่ในแง่ที่ว่ามันสะท้อนความจริงในปัจจุบัน แต่คือในแง่ที่ว่ามันสามารถฝึกโมเดล AI ให้ทำงานกับโลกในอุดมคติหรือโลกในอนาคตได้อย่างไรต่างหาก

ชุดข้อมูลสังเคราะห์คือภาพสะท้อนของชุดข้อมูลดั้งเดิม ดังนั้นหากชุดข้อมูลเดิมไม่มีปัญหาในการโปรแกรมคอมพิวเตอร์ หรือมีความผิดปกติที่เรียกว่า “Edge Cases” เหตุการณ์เหล่านี้จะไม่ปรากฏในชุดข้อมูลสังเคราะห์เช่นกัน ดังนั้นข้อมูลสังเคราะห์ที่เป็นภาพและวิดีโอ อาทิ การขับขี่อัตโนมัติ ซึ่งใช้ภาพการขับรถหลายชั่วโมงในการฝึก AI จึงมีความสำคัญเฉพาะอย่างยิ่ง อย่างไรก็ตามยังจำเป็นต้องสร้างสถานการณ์ที่ไม่ปกติ อาทิ รถฉุกเฉิน การขับรถบนหิมะ หรือเจอกับสัตว์บนท้องถนน

เกี่ยวกับผู้เขียน

อลิส วูดเวิร์ด เป็นผู้อำนวยการอาวุโสของการ์ทเนอร์ ในกลุ่ม CIO research มีหน้าที่ให้คำปรึกษาในเรื่อง AI, Synthetic Data, Augmented Analytics, Analytic Platforms, Decision Intelligence, Data Fabric แก่ CIO ในองค์กรขนาดกลาง

เกี่ยวกับการ์ทเนอร์ 

บริษัท การ์ทเนอร์ (Gartner, Inc.) (NYSE: IT) คือบริษัทวิจัยและให้คำปรึกษาชั้นนำของโลก มอบข้อมูลเชิงลึก คำแนะนำ และเครื่องมือต่าง ๆ แก่ผู้บริหารองค์กรธุรกิจ เพื่อรองรับการดำเนินภารกิจสำคัญที่มีอยู่ในปัจจุบันและสร้างองค์กรให้ประสบความสำเร็จในอนาคต ดูข้อมูลเพิ่มเติมเกี่ยวกับแนวทางของการ์ทเนอร์ในการช่วยให้ผู้บริหารตัดสินใจอย่างถูกต้องเพื่อขับเคลื่อนอนาคตของธุรกิจได้ที่ gartner.com

กรุงเทพฯ ประเทศไทย, 8 กรกฎาคม 2567 – การ์ทเนอร์คาดการณ์ภายในปี 2567 รายได้ของเซมิคอนดักเตอร์ AI ทั่วโลกจะมีมูลค่ารวมถึง 71 พันล้านดอลลาร์สหรัฐ เพิ่มขึ้น 33% จากปี 2566 

อลัน พรีสต์ลีย์ รองประธานฝ่ายวิจัยการ์ทเนอร์ กล่าวว่า “วันนี้ Generative AI (GenAI) กำลังกระตุ้นความต้องการชิป AI ประสิทธิภาพสูงสำหรับดาต้าเซ็นเตอร์และในปี 2567 นี้มูลค่าของ AI Accelerators ในเซิร์ฟเวอร์ที่ทำหน้าที่ประมวลผลข้อมูลจากไมโครโปรเซสเซอร์จะมีมูลค่ารวม 21 พันล้านดอลลาร์สหรัฐ และเพิ่มขึ้นเป็น 33 พันล้านดอลลาร์สหรัฐฯ ภายในปี 2571” 

การ์ทเนอร์คาดการณ์ว่าการจัดส่ง AI PC จะสูงถึง 22% ของยอดรวมการจัดส่งพีซีทั้งหมดในปี 2567 และภายในสิ้นปี 2569 การซื้อพีซีในระดับองค์กรจะเป็น AI PC ทั้ง 100% โดย AI PC ประกอบด้วยหน่วยประมวลผล Neural Processing Unit (NPU) ที่ทำให้ AI PC สามารถทำงานได้นานขึ้น เงียบขึ้นและเย็นลง โดยหลังบ้านมี AI ทำงานอยู่อย่างต่อเนื่อง พร้อมสร้างโอกาสใหม่ ๆ ด้วยการดึงศักยภาพของ AI มาปรับใช้ในกิจกรรมประจำวัน

แม้รายได้จากเซมิคอนดักเตอร์ AI จะยังเติบโตเป็นเลขสองหลักในช่วงระยะเวลาคาดการณ์ ซึ่งจะมีอัตราการเติบโตสูงสุดในปี 2567 (ดูตารางที่ 1)

ตารางที่ 1. คาดการณ์รายได้เซมิคอนดักเตอร์ AI ทั่วโลก ระหว่างปี 2566-2568 (หน่วย: ล้านดอลลาร์สหรัฐฯ)

	ปี 2566	ปี 2567	ปี 2568
รายได้  (หน่วย: ล้านดอลลาร์สหรัฐฯ)	53,662	71,252	91,955

ที่มา: การ์ทเนอร์ (พฤษภาคม 2567)

รายได้ของชิป AI จาก Compute Electronics สร้างสถิติส่วนแบ่งสูงสุดในกลุ่มอุปกรณ์อิเล็กทรอนิกส์

คาดว่าในปี 2024 รายได้จากชิป AI จากอุปกรณ์อิเล็กทรอนิกส์คอมพิวเตอร์จะมีมูลค่ารวม 33.4 พันล้านดอลลาร์ ซึ่งจะคิดเป็น 47% ของรายรับจากเซมิคอนดักเตอร์ AI ทั้งหมด รายรับจากชิป AI จากอุปกรณ์อิเล็กทรอนิกส์ในยานยนต์คาดว่าจะสูงถึง 7.1 พันล้านดอลลาร์ และ 1.8 พันล้านดอลลาร์จากอุปกรณ์อิเล็กทรอนิกส์สำหรับผู้บริโภคในปี 2567 ตามลำดับ

การแข่งขันที่ดุเดือดระหว่างผู้ขายเซมิคอนดักเตอร์และบริษัทเทคโนโลยี 

แม้ว่าโฟกัสสำคัญจะอยู่ที่การใช้หน่วยประมวลผลกราฟิกประสิทธิภาพสูง (GPU) ในเวิร์กโหลดใหม่ ๆ ของ AI แต่ผู้ให้บริการระดับไฮเปอร์สเกลหลัก ๆ (เช่น AWS, Google, Meta และ Microsoft) ต่างลงทุนพัฒนาชิปของตัวเองโดยปรับให้เหมาะสมกับ AI แม้การพัฒนาชิปจะมีราคาแพง แต่การใช้ชิปที่ออกแบบเองนั้นสามารถปรับปรุงประสิทธิภาพด้านการดำเนินงาน ช่วยลดต้นทุนของการส่งมอบบริการที่ใช้ AI ให้กับผู้ใช้ และลดต้นทุนสำหรับผู้ใช้ในการเข้าถึงแอปพลิเคชันที่ใช้ AI ใหม่ “ขณะที่ตลาดเปลี่ยนจากการพัฒนา (Development) ไปสู่ การนำมาปรับใช้งาน (Deployment) เราคาดว่าแนวโน้มนี้จะดำเนินต่อไป” พรีสต์ลีย์ กล่าวเพิ่มเติม 

เกี่ยวกับการ์ทเนอร์ 

บริษัท การ์ทเนอร์ (Gartner, Inc.) (NYSE: IT) คือบริษัทวิจัยและให้คำปรึกษาชั้นนำของโลก มอบข้อมูลเชิงลึก คำแนะนำ และเครื่องมือต่าง ๆ แก่ผู้บริหารองค์กรธุรกิจ เพื่อรองรับการดำเนินภารกิจสำคัญที่มีอยู่ในปัจจุบันและสร้างองค์กรให้ประสบความสำเร็จในอนาคต ดูข้อมูลเพิ่มเติมเกี่ยวกับแนวทางของการ์ทเนอร์ในการช่วยให้ผู้บริหารตัดสินใจอย่างถูกต้องเพื่อขับเคลื่อนอนาคตของธุรกิจได้ที่ gartner.com

---