พบกับแนวโน้มและทิศทางสำคัญในอนาคตของวิทยาศาสตร์ข้อมูลและแมชชีนเลิร์นนิ่ง (Data Science and Machine Learning หรือ DSML) อันเป็นผลมาจากวิวัฒนาการและการเติบโตของภาคอุตสาหกรรมอย่างรวดเร็ว เพื่อตอบสนองต่อการเพิ่มขึ้นอย่างมีนัยสำคัญของข้อมูลในปัญญาประดิษฐ์ (AI) โดยเฉพาะอย่างยิ่งการลงทุนใน Generative AI ของบรรดาองค์กรชั้นนำต่างๆ
Peter Krensky ผู้อำนวยการฝ่ายวิจัยของการ์ทเนอร์ และเป็นนักวิเคราะห์ในทีม Business Analytics และ Data Science ซึ่งเชี่ยวชาญด้าน Data Science และ Machine Learning กล่าวว่า “DSML ยังคงเติบโตอย่างรวดเร็วในภาคอุตสาหกรรมต่างๆ ขณะเดียวกันก็กำลังพัฒนาจากแนวทางเดิมที่มุ่งเน้นโมเดลการคาดการณ์ (Predictive Models) ไปเป็นการพัฒนาเพื่อให้ทุกคนสามารถเข้าถึงได้ในวงกว้างขึ้น มีไดนามิก และเน้นข้อมูลเป็นหลัก รวมถึงได้รับแรงหนุนจาก Generative AI และแม้อาจมีความเสี่ยงเกิดขึ้น แต่ก็มีความสามารถและช่วยสร้างยูสเคสการใช้งานใหม่ๆ ที่เป็นประโยชน์สำหรับนักวิทยาศาสตร์ข้อมูลและองค์กรด้วยเช่นกัน”
ต่อไปนี้คือ 5 แนวโน้มสำคัญที่จะเป็นตัวกำหนดอนาคตของ DSML ตามการวิเคราะห์และคาดการณ์ของการ์ทเนอร์ (Gartner) บริษัทวิจัยและให้คำปรึกษาชั้นนำของโลก ได้แก่

1. Cloud Data Ecosystems
Data Ecosystems (ระบบนิเวศข้อมูล) กำลังเปลี่ยนจาก Self-contained ซอฟต์แวร์ หรือการปรับใช้ซอฟต์แวร์แบบผสมผสานไปสู่คลาวด์เนทีฟโซลูชัน (แนวทางที่ซอฟต์แวร์ใช้ในการสร้าง ปรับใช้ และจัดการแอปพลิเคชันที่ทันสมัยในสภาพแวดล้อมการประมวลผลบนคลาวด์) เต็มรูปแบบ โดยการ์ทเนอร์คาดว่า ภายในปีหน้านี้ ราว 50% ของการนำระบบคลาวด์ใหม่มาใช้จะอยู่ในระบบนิเวศข้อมูลคลาวด์ที่เชื่อมโยงกัน มากกว่าการใช้โซลูชันผสานรวมแบบแมนนวล พร้อมกันนี้การ์ทเนอร์แนะนำให้องค์กรธุรกิจต่างๆ ประเมิน Data Ecosystems โดยพิจารณาจากความสามารถในการแก้ไขปัญหาด้านข้อมูลแบบกระจาย ตลอดจนการเข้าถึงและบูรณาการร่วมกันกับแหล่งข้อมูลภายนอกที่มีสภาพแวดล้อมใกล้เคียงกัน
ทั้งนี้ การ์ทเนอร์ชี้ว่าภายในปี 2567 องค์กรที่สร้างแอปพลิเคชันโดยใช้ประโยชน์จากข้อมูลและระบบนิเวศการวิเคราะห์ข้อมูลเป็นหลักจะมีประสิทธิภาพเหนือกว่าคู่แข่ง

2. Edge AI
ความหมายของ Edge AI คือ การนำเอาแอปพลิเคชัน AI ใส่เข้าไปในอุปกรณ์ต่างๆ ที่ใช้งานกันในโลกความเป็นจริง โดยการประมวลผลของระบบ AI นั้นจะอยู่ใกล้กับผู้ใช้งานแบบสุดๆ เรียกว่าสุดขอบที่เครือข่ายจะไปถึง ทำให้ใกล้กับจุดที่จัดเก็บข้อมูล แทนที่การวางไว้อยู่บน Cloud Computing หรือว่า Data Center อย่างที่ทำกันมาในยุคก่อนๆ
จากความต้องการ Edge AI เพิ่มขึ้นเรื่อยๆ เพื่อประมวลผลข้อมูล ณ จุดที่ข้อมูลถูกสร้างขึ้น ช่วยให้องค์กรได้รับข้อมูลเชิงลึกแบบเรียลไทม์ ช่วยตรวจจับแพทเทิร์นใหม่ๆ และปฏิบัติตามข้อกำหนดด้านความเป็นส่วนตัวของข้อมูลที่เข้มงวด ซึ่ง Edge AI ยังช่วยให้องค์กรธุรกิจต่างๆ สามารถปรับปรุงด้านต่างๆ ให้มีประสิทธิภาพขึ้น ไม่ว่าจะเป็นการพัฒนา การจัดวางระเบียบ การผสานรวมและการนำ AI มาใช้ โดยการ์ทเนอร์คาดการณ์ว่า ภายในปี 2568 มากกว่า 55% ของการวิเคราะห์ข้อมูลทั้งหมดโดยโครงข่ายประสาทเทียมเชิงลึก (Deep Neural Networks) จะเกิดขึ้น ณ ตำแหน่งข้อมูลในระบบ Edge จากเดิมที่น้อยกว่า 10% ในปี 2564
ทั้งนี้ เมื่อมีการนำ Edge AI มาใช้อย่างแพร่หลายมากขึ้น จะมีการมุ่งเน้นในการรักษาความปลอดภัยของเซ็นเซอร์ที่สร้างข้อมูลและตัวประมวลผล AI ที่ใช้ข้อมูลมากขึ้น ซึ่งจะรวมถึงความพยายามในการรักษาความปลอดภัยทั้งฮาร์ดแวร์และซอฟต์แวร์ ตลอดจนข้อมูลที่ส่งและจัดเก็บ

3. Responsible AI
AI ที่มีความรับผิดชอบ ทำให้ AI กลายเป็นพลังบวกแทนที่จะเป็นภัยคุกคามต่อผู้คนและสังคม โดยยังครอบคลุมหลายแง่มุมของการทำธุรกิจให้ถูกต้อง ด้วยการตระหนักถึงคุณค่าทางสังคม ความเสี่ยง ความไว้วางใจ ความโปร่งใส และความรับผิดชอบ โดยการ์ทเนอร์คาดการณ์ว่าภายในปี 2568 โมเดลการฝึก AI ล่วงหน้าเพียง 1% ของผู้ให้ผลิตและผู้ให้บริการ AI จะทำให้ Responsible AI กลายเป็นประเด็นที่สังคมเรียกร้องและต้องการ
การ์ทเนอร์แนะนำให้องค์กรต่างๆ ใช้แนวทางที่คำนึงถึงสัดส่วนความเสี่ยงเพื่อส่งมอบ AI ที่มีคุณค่า และระมัดระวังเมื่อใช้โซลูชันและแบบจำลองต่างๆ โดยขอการรับประกันจากผู้ผลิตและผู้ให้บริการ AI เพื่อให้มั่นใจว่าพวกเขากำลังจัดการความเสี่ยงและปฏิบัติตามกฎระเบียบ ปกป้ององค์กรจากการสูญเสียทางการเงินที่อาจเกิดขึ้น รวมถึงการดำเนินคดีทางกฎหมายเมื่อเกิดความเสียหายต่อชื่อเสียงขึ้น

4. Data-Centric AI
AI ที่เน้นข้อมูลเป็นศูนย์กลาง แสดงถึงการเปลี่ยนแปลงจากแนวทางที่ยึดโมเดลและโค้ดเป็นศูนย์กลางไปสู่การมุ่งเน้นด้านข้อมูลมากขึ้น เพื่อสร้างระบบ AI ที่ดีขึ้น โซลูชันต่างๆ อาทิ การจัดการข้อมูลเฉพาะของ AI (AI-Specific Data Management) ข้อมูลสังเคราะห์ (Synthetic Data) และเทคโนโลยีการติดฉลากข้อมูล (Data Labeling Technologies) มีจุดมุ่งหมายเพื่อแก้ปัญหาความท้าทายของข้อมูลมหาศาล รวมถึงความสามารถในการเข้าถึง ปริมาณ ความเป็นส่วนตัว ความปลอดภัย ความซับซ้อน และขอบเขตการใช้งาน
การใช้ Generative AI เพื่อสร้างข้อมูลสังเคราะห์มีการเติบโตอย่างรวดเร็ว ช่วยลดภาระในการรับข้อมูลในโลกความเป็นจริง และยังสามารถช่วยฝึกฝนโมเดลการเรียนรู้ของเครื่อง (Machine Learning) ได้อย่างมีประสิทธิภาพ โดยการ์ทเนอร์คาดการณ์ว่า ภายในปี 2567 ราว 60% ของข้อมูลสำหรับ AI จะถูกสังเคราะห์ขึ้นเพื่อจำลองความเป็นจริง สถานการณ์ในอนาคต และลดความเสี่ยงของ AI เพิ่มขึ้นจาก 1% ในปี 2564

5. Accelerated AI Investment
การลงทุนใน AI จะยังเติบโตอย่างต่อเนื่องและรวดเร็ว ผ่านองค์กรต่างๆ ที่นำโซลูชันไปใช้ รวมถึงอุตสาหกรรมที่ต้องการเติบโตผ่านเทคโนโลยี AI และธุรกิจที่ใช้ AI โดยการ์ทเนอร์คาดการณ์ว่า ภายในสิ้นปี 2569 จะมีการลงทุนมากกว่า 10,000 ล้านดอลลาร์สหรัฐฯ เพื่อเริ่มต้นใช้ระบบ AI ที่อาศัยโมเดลพื้นฐาน ซึ่งเป็นโมเดล AI ขนาดใหญ่ที่ได้รับการฝึกฝนจากข้อมูลจำนวนมหาศาล
นอกจากนี้ ผลสำรวจล่าสุดของการ์ทเนอร์จากผู้บริหารมากกว่า 2,500 ราย ยังพบว่า 45% เผยว่ากระแส ChatGPT ที่มาแรงกระตุ้นให้พวกเขาเพิ่มการลงทุนด้าน AI ขณะที่ 70% ระบุว่าองค์กรของพวกเขาอยู่ในโหมดการสำรวจและทดสอบการใช้ Generative AI และ 19% อยู่ในช่วงทดลองใช้หรือผลิตใช้
Frances Karamouzis รองประธานฝ่ายวิเคราะห์ของการ์ทเนอร์ กล่าวว่า “ความคลั่งไคล้ของ Generative AI ไม่ได้แสดงสัญญาณว่าจะลดลง ปและองค์กรต่างๆ กำลังดิ้นรนเพื่อพิจารณาว่าจะใช้เงินลงทุนเท่าใดในโซลูชันนี้ และผลิตภัณฑ์ใดที่คุ้มค่าที่จะลงทุน”
ที่มา :
- Gartner Identifies Top Trends Shaping the Future of Data Science and Machine Learning
- Gartner Poll Finds 45% of Executives Say ChatGPT Has Prompted an Increase in AI Investment










