กรณีการใช้งาน AI ในกลุ่มอุตสาหกรรมการเงิน ค้าปลีก และภาครัฐ

ข่าวเทคโนโลยี 19 พฤศจิกายน พ.ศ. 2562 12:57 น. —ThaiPR.net

กรณีการใช้งาน AI ในกลุ่มอุตสาหกรรมการเงิน ค้าปลีก และภาครัฐ

อัลกอริธึม Machine Learning (ML) และเทคโนโลยี Deep Learning (DL) ได้ถูกนำมาช่วยปรับปรุงประสิทธิภาพการทำงานในด้านต่างๆ เช่น การแก้ไขปัญหาที่เกี่ยวข้องกับการคัดแยกรูปภาพ การตรวจจับวัตถุ การวิเคราะห์การถดถอย การประมวลผลภาษาของมนุษย์ การรวมโมเดลการเรียนรู้ที่หลากหลาย และอื่นๆ เทคนิคเหล่านี้ใช้การทำงานร่วมกันกับชุดข้อมูลที่หลากหลายเข้าด้วยกัน เช่น ข้อความ ข้อมูลล็อก ชุดเวลา รูปภาพ เสียง ฯลฯ

กรณีการใช้งาน AI ในธุรกิจค้าปลีก

การใช้งาน AI ในภาคธุรกิจค้าปลีกมุ่งเน้นการแก้ไขปัญหาเรื่องการปรับปรุงประสิทธิภาพในซัพพลายเชน ระดับสินค้าคงคลัง ราคา รวมไปถึงการปรับปรุงประสบการณ์สำหรับลูกค้า

กรณีการใช้งาน AI ที่พบเห็นอย่างแพร่หลายในธุรกิจค้าปลีกมีดังนี้

  • การจัดการซัพพลายเชนและสินค้าคงคลัง: ลำพังเพียงแค่ในทวีปอเมริกาเหนือ ภาวะขาดทุนจากการจัดเก็บสต็อกที่มากเกินไปมีมูลค่าสูงถึง 123.4 พันล้านดอลลาร์/ปี ขณะที่ความสูญเสียจากปัญหาสินค้าหมดสต็อกมีมูลค่าถึง 129.5 พันล้านดอลลาร์/ปี นี่คือจุดที่หลายๆ บริษัทให้ความสนใจเป็นพิเศษ โดยเฉพาะอย่างยิ่งบริษัทที่มีร้านค้าสาขาจำนวนมากและมีศูนย์จัดส่งสินค้าในภูมิภาคต่างๆ ทุกวันนี้ร้านค้าปลีกใช้เทคโนโลยี AI เพื่อทำนายเกี่ยวกับความต้องการสินค้า ทำความเข้าใจเกี่ยวกับพฤติกรรมการซื้อ จัดการสินค้าคงคลัง และลดความสูญเสียที่เป็นผลมาจากปัญหาสินค้าค้างสต็อกและปัญหาสินค้าหมดสต็อก โดยเทคโนโลยีดังกล่าวทำหน้าที่วิเคราะห์ช่องว่างในการดำเนินงาน เพื่อคาดการณ์ล่วงหน้าและเติมสต็อกสินค้าในระดับที่เหมาะสมสำหรับแต่ละร้าน รวมไปถึงการจัดวางสินค้าในลักษณะที่เหมาะสม และการจัดกลุ่มสินค้าโปรโมชั่นที่เกี่ยวข้องกัน
             - ตัวอย่าง: Blue Yonder ผู้นำด้านการจัดหาโซลูชั่น AI สำหรับธุรกิจค้าปลีก ใช้ AI เพื่อลดความสูญเสียจากกรณีสินค้าค้างสต็อกและสินค้าหมดสต็อก
  • การปรับปรุงการกำหนดราคา: เนื่องจากธุรกิจนี้มีส่วนต่างกำไรที่น้อยมาก ดังนั้นการปรับปรุงในเรื่องราคาจึงช่วยเพิ่มรายได้และผลกำไรให้กับองค์กร โดยหมายรวมถึงแต่ไม่จำกัดเฉพาะ (1) การระบุปัจจัยต่างๆ ที่ส่งผลกระทบต่อราคา เช่น สภาพอากาศ สภาพตลาด และดัชนีต่างๆ ภายในร้านค้า (2) การกำหนดระดับราคาที่เหมาะสมสำหรับผลิตภัณฑ์ใหม่ และตอบสนองต่อการกำหนดราคาของคู่แข่งโดยอัตโนมัติ
             - ตัวอย่าง: Einstein Discovery ของ Salesforce เป็นเครื่องมือที่ขับเคลื่อนด้วย AI สำหรับการปรับปรุงการกำหนดราคา และ Wise Athena ใช้ ML เพื่อคาดการณ์ราคาสินค้า/ความต้องการ และวิเคราะห์ว่าราคาอาจส่งผลกระทบอย่างไรบ้างต่อการแย่งส่วนแบ่งตลาดของสินค้า
  • การค้าปลีกเชิงประสบการณ์และการสื่อสาร: การใช้ AI เพื่อนำเสนอประสบการณ์การช้อปปิ้งที่ดีกว่า โดยค้นหาวิธีการใหม่ๆ ในการดึงดูดลูกค้า และให้คำแนะนำโดยอัตโนมัติโดยใช้เอนจิ้นการแนะนำแบบเฉพาะบุคคล ร้านค้าที่ไม่มีเคาน์เตอร์ชำระเงินถูกขับเคลื่อนด้วยเทคโนโลยีคอมพิวเตอร์วิทัศน์ (Computer Vision)/การจดจำใบหน้า และ AI หุ่นยนต์ที่รองรับการสนทนาจะสร้างแผนที่ดิจิตอลและให้บริการภายในอาคารตามสถานที่ที่เกี่ยวข้อง ขณะที่แชทบอทจะช่วยปรับปรุงการให้บริการแก่ลูกค้า และการช้อปปิ้งโดยใช้ระบบสั่งงานด้วยเสียงจะช่วยเพิ่มความสะดวกในการจับจ่ายใช้สอยอย่างเหนือชั้น
             - ตัวอย่าง: Amazon-Go เป็นร้านค้าแบบไม่มีเคาน์เตอร์ชำระเงิน ซึ่งขับเคลื่อนด้วย AI และการใช้ Alexa ในการเลือกซื้อสินค้าก็ได้รับความนิยมแพร่หลายมากขึ้น FashionAI เป็นระบบให้คำแนะนำแบบ mix-and-match ที่เหมาะกับลูกค้าแต่ละราย ให้บริการโดย Alibaba ส่วน Ask-eBay ช่วยเพิ่มความสะดวกในการค้นหาแคตตาล็อกสินค้ากว่า 60 ล้านรายการ รวมถึงการซื้อสินค้าโดยใช้ Google Home

กรณีการใช้งาน AI ในธุรกิจการเงิน

บริษัทที่ปรับใช้เทคโนโลยี AI ในภาคการเงิน ควบคู่ไปกับการดำเนินกลยุทธ์เชิงรุก มีส่วนต่างกำไรในธุรกิจสูงขึ้นอย่างมาก ทั้งนี้ AI ได้รับการใช้งานในหลากหลายรูปแบบสำหรับบริการด้านธนาคาร ประกันภัย และการลงทุน ระบบต่างๆ ใช้เทคโนโลยี AI กับแหล่งข้อมูลที่ไม่มีโครงสร้าง เพื่อค้นหาตัวบ่งชี้ที่สำคัญเกี่ยวกับการลงทุนและความเสี่ยงภายในเวลาที่รวดเร็วกว่าวิธีการแบบเดิมๆ

กรณีการใช้งาน AI ที่พบเห็นอย่างแพร่หลายในธุรกิจการเงินมีดังนี้

  • การตรวจจับการฉ้อโกง: ระบบ AI ใช้การเรียนรู้ตามกฎเกณฑ์และเทคนิคต่างๆ เพื่อแยกแยะ ตีความ ค้นหา และเชื่อมโยงข้อมูลเชิงลึกที่เกี่ยวข้อง เพื่อรองรับการระบุธุรกรรมที่บ่งชี้ถึงแบบแผนของกิจกรรมที่เป็นการฉ้อโกง มีบริษัทเพียงไม่กี่แห่งที่ใช้ AI เพื่อช่วยให้ธนาคารต่างๆ ทั่วโลกสามารถตรวจสอบข้อมูลที่เก็บไว้ในบันทึกข้อมูลลูกค้า โดยเป็นส่วนหนึ่งของความพยายามในการทำความเข้าใจเกี่ยวกับลูกค้า
             - ตัวอย่าง: Trifacta และ NiceActimize เป็นสองบริษัทที่ใช้ AI เพื่อตรวจจับการฉ้อโกง ขณะที่ Onfido นำเสนอโซลูชั่นการตรวจสอบตัวตนด้วยการตรวจสอบเอกสารที่ยืนยันตัวตนของบุคคล และเปรียบเทียบกับข้อมูลไบโอเมตริกในส่วนของใบหน้า และอ้างอิงกับฐานข้อมูลเครดิตระหว่างประเทศและรายชื่อบุคคลที่ต้องเฝ้าระวัง ส่วน ZAML เป็นแพลตฟอร์ม ML ที่พัฒนาโดย ZestFinance ใช้สำหรับให้คะแนนลูกค้าที่มีประวัติเครดิตตามข้อจำกัด
  • ระบบให้คำแนะนำ: กรณีการใช้งานทั่วไปที่เกี่ยวข้องกับบริการด้านการเงิน การประกันภัย และการลงทุน ระบบดังกล่าวใช้เทคโนโลยี AI ในการเรียนรู้ และนำเสนอคำแนะนำการลงทุนที่เหมาะกับแต่ละบุคคล โดยอ้างอิงเป้าหมายการลงทุนของบุคคลนั้น รวมไปถึงระดับความเสี่ยงที่ยอมรับได้ และสภาพตลาด โมเดล AI จะถูกฝึกฝนเพื่อช่วยให้ลูกค้าได้รับผลิตภัณฑ์ด้านประกันภัยในระดับที่ถูกต้อง และในทำนองเดียวกัน เทคโนโลยีดังกล่าวจะถูกใช้ในการประมวลผลและกลั่นกรองข้อมูลเชิงลึกจากคำขอกู้ยืม/การจดจำนองและข้อมูลที่เกี่ยวข้อง
             - ตัวอย่าง: Next Best Action จาก Morgan Stanley เป็นแพลตฟอร์ม ML สำหรับที่ปรึกษาที่ต้องการให้คำแนะนำเกี่ยวกับการซื้อ-ขายหลักทรัพย์ และทำงานประจำโดยอัตโนมัติ ระบบ COIN (Contract Intelligence) ที่ใช้งานโดย JPMC ทำหน้าที่วิเคราะห์เอกสารด้านกฎหมาย และดึงเอาประเด็นข้อมูลและข้อกำหนดที่สำคัญออกมา ส่วนระบบ AIERA (Artificial Intelligence Equity Research Analyst) จาก Wells Fargo ทำหน้าที่ตรวจสอบติดตามหุ้นและแสดงความเห็นในกรณีที่หุ้นมีราคาปรับขึ้นหรือลดลง
  • บอทสำหรับงานบริการลูกค้า: วิธีการเรียนรู้ที่ใช้ในการตีความและตอบสนองความต้องการและปัญหาของลูกค้าโดยอัตโนมัติ ช่วยเพิ่มประสิทธิภาพและประหยัดค่าใช้จ่ายในธุรกิจธนาคาร ประกันภัย และหลักทรัพย์ โมเดลต่างๆ จะได้รับการฝึกฝนด้วยชุดข้อมูลที่เป็นข้อความ โดยใช้วิธีการประมวลผลภาษาของมนุษย์ (Natural Language Processing - NLP) และโดยทั่วไปแล้วก็มักจะส่งให้เป็นหน้าที่ของสมาร์ทโฟนสำหรับการคาดคะแนชุดข้อความส่วนนี้ให้
             - ตัวอย่าง: Erica จาก Bank of America เป็นแชทบอทที่ขับเคลื่อนด้วย AI ขณะที่ Wells Fargo ใช้แนวทางที่คล้ายคลึงกัน

กรณีการใช้งาน AI ในด้านกลาโหม/ภาครัฐ

กล่าวอย่างกว้างๆ ก็คือ AI ถูกใช้งานในสองด้านด้วยกัน ได้แก่ การประหยัดค่าใช้จ่ายโดยอาศัยระบบงานอัตโนมัติในหน่วยงานภาครัฐ และการใช้งานในกองทัพ

กรณีการใช้งาน AI ที่พบเห็นอย่างแพร่หลายในภาครัฐมีดังนี้

  • การปรับปรุงประสิทธิภาพและการประหยัดค่าใช้จ่าย: เทคโนโลยีด้านการรู้คิดจะเปลี่ยนแปลงลักษณะของงานต่างๆ ในภาครัฐ โดยปัญหาที่พบเห็นได้ทั่วไปคือ ทรัพยากรที่จำกัด ความจำเป็นในการวิเคราะห์ข้อมูลจำนวนมากเพื่อใช้ในการตัดสินใจ และงานเอกสารมากมายที่บั่นทอนประสิทธิภาพการทำงาน แอพพลิเคชั่นที่ใช้ AI ช่วยลดความสิ้นเปลือง ลดค่าใช้จ่าย แก้ไขปัญหาข้อจำกัดเกี่ยวกับทรัพยากรโดยอาศัยระบบงานอัตโนมัติ ซึ่งช่วยเพิ่มความถูกต้องแม่นยำในการทำงานได้อีกทางหนึ่ง ข้อมูลวิจัยของ Deloitte ชี้ว่าการใช้งาน AI ในภาครัฐจะช่วยลดค่าใช้จ่ายด้านแรงงานได้มากถึง 41.1 พันล้านดอลลาร์ในช่วง 5-7 ปี ถ้าหากมีการลงทุนใน AI ในระดับที่สูง
  • กลาโหม: AI และหุ่นยนต์ในตลาดการป้องกันประเทศทั่วโลกมีมูลค่าสูงถึง 39.22 พันล้านดอลลาร์ในปี 2561 และคาดว่าจะเพิ่มเป็น 61 พันล้านดอลลาร์ภายในปี 2570 เทคโนโลยีหุ่นยนต์, NLP, คอมพิวเตอร์วิทัศน์, การรู้จำเสียงพูด เป็นเทคโนโลยีที่จะมีการใช้งานมากที่สุด ปัจจุบัน โดรนที่ขับเคลื่อนด้วย AI ถูกใช้ในงานด้านข่าวกรอง ขณะที่หุ่นยนต์ที่ขับเคลื่อนด้วย ML ถูกใช้ในงานค้นหาและกู้ภัย และมีการใช้ DL เพื่อสร้างการรับรู้ตามสถานการณ์สำหรับหุ่นยนต์และโดรน นอกจากนี้ เนื่องจากหน่วยงานของกองทัพมีการปรับเปลี่ยนสู่ดิจิตอลเพิ่มมากขึ้น จึงจำเป็นที่จะต้องได้รับการรักษาความปลอดภัยอย่างเข้มงวด และเตรียมรับมือกับมัลแวร์และการโจมตีในรูปแบบฟิชชิ่งต่อดาต้าเซ็นเตอร์ และเทคโนโลยี AI ถูกใช้ประโยชน์เพิ่มมากขึ้นเพื่อรองรับงานสำคัญๆ เหล่านี้

กรณีศึกษาเกี่ยวกับการตรวจจับการฉ้อโกงโดยใช้ ONTAP AI

นอกเหนือจากกรณีศึกษาเกี่ยวกับกรณีการใช้งาน AI ในกลุ่มอุตสาหกรรมต่างๆแล้ว เรามาลองดูตัวอย่างของการนำแพลตฟอร์ม ONTAP AI ไปใช้งานในภาคส่วนที่เกี่ยวข้องดังต่อนี้ สำหรับกรณีการใช้งานที่เกี่ยวข้องกับภาคการเงิน มีการนำแพลตฟอร์มไปใช้ในการตรวจจับธุรกรรมบัตรเครดิตปลอม เพื่อที่ว่าลูกค้าจะไม่ต้องจ่ายเงินสำหรับสินค้าที่ตนเองไม่ได้เป็นผู้ซื้อ เราใช้ชุดข้อมูลจาก Kaggle กับธุรกรรมบัตรเครดิตที่ดำเนินการโดยผู้ถือบัตรในยุโรปในช่วงเดือนกันยายน 2556 และ Autoencoders ซึ่งเป็นโครงข่ายประสาทเทียมชนิดหนึ่งที่ใช้ในการเรียนรู้การเขียนโค้ดข้อมูลอย่างมีประสิทธิภาพโดยไม่มีผู้ฝึกสอน

ในการใช้กลไกดังกล่าว เราจำเป็นที่จะต้องกำหนดเส้นแบ่งสำหรับการจำแนกว่าเป็นธุรกรรมที่เข้าข่ายฉ้อโกงหรือไม่ นี่เป็นการตัดสินใจทางธุรกิจที่จะต้องเลือกระหว่างค่า Precision (อัตราส่วนของจำนวนกรณีที่เกี่ยวข้อง กับจำนวนกรณีที่ถูกดึงออกมาทั้งหมด) และค่า Recall (อัตราส่วนของจำนวนกรณีที่เกี่ยวข้องและถูกดึงออกมา กับจำนวนกรณีที่เกี่ยวข้องทั้งหมด) โดยในตัวอย่างของเรา เรามุ่งเน้นที่ค่า Recall ที่สูงกว่า และเลือกค่ามาตรฐานสำหรับการบรรลุค่า Recall ที่ 0.83 แน่นอนว่าค่าเหล่านี้มีลักษณะจำกัดเนื่องจากชุดข้อมูลที่ใช้ แต่ก็แสดงให้เห็นถึงความเป็นไปได้ในการใช้ ONTAP AI

การประยุกต์ใช้งาน AI ในกลุ่มอุตสาหกรรมต่างๆ จำเป็นต้องอาศัยการจัดเก็บข้อมูลที่สอดประสานกันระหว่าง อุปกรณ์ปลายทาง (edge) ศูนย์คอมพิวเตอร์หลัก (core) และระบบคลาวด์ ดังนั้นการจัดการข้อมูลอย่างไร้รอยต่อจึงมีความสำคัญ องค์กรต่างๆ สามารถเลือกที่จะพัฒนาแอพพลิเคชั่น AI บนระบบคลาวด์สาธารณะหรือระบบที่ติดตั้งภายในองค์กรก็ได้ โดยขึ้นอยู่กับแหล่งข้อมูล ขนาดของชุดข้อมูล และต้นทุนค่าใช้จ่าย ดูข้อมูลเพิ่มเติมได้ที่ www.netapp.com/ai

เกี่ยวกับเน็ตแอพ

เน็ตแอพ ผู้นำในการบริหารจัดการข้อมูลสำหรับระบบไฮบริดคลาวด์ มีการให้บริการสำหรับการบริหารจัดการข้อมูลบนระบบไฮบริดคลาวด์อย่างครบถ้วน สามารถทำให้การจัดการแอปพลิเคชั่นและข้อมูลสามารถเชื่อมข้ามระบบคลาวด์และศูนย์คอมพิวเตอร์เดิมที่อยู่ภายในองค์กรง่ายขึ้นเพื่อเร่งการทำดิจิทัลทรานส์ฟอร์เมชั่นให้สำเร็จได้อย่างรวดเร็ว เน็ตแอพ ร่วมกับพันธมิตร สร้างพลังให้แก่องค์กรระดับโลกในการนำเสนอคุณค่าของข้อมูลเพื่อขยายบริการที่ตรงกับความต้องการของลูกค้า พร้อมนวัตกรรมที่ล้ำหน้า และสร้างระบบการปฏิบัติงานที่เหมาะสม ติดตามข้อมูลเพิ่มเติมจากเน็ตแอพได้ที่ www.netapp.com

เฟสบุ๊ค: NetAppThailand


เราใช้ cookies เพื่อบริการที่ดีขึ้นสำหรับคุณ อ่านข้อตกลงการใช้บริการ