Gartner เผย 5 เทรนด์สำคัญ!! กำหนดอนาคต Data Science และ Machine Learning

การ์ทเนอร์ (Gartner) เผย 5 เทรนด์สำคัญ กำหนดอนาคต Data Science และ Machine Learning ในยุคที่ธุรกิจโฟกัสการลงทุน Generative AI…

Gartner เผย 5 เทรนด์สำคัญ!! กำหนดอนาคต Data Science และ Machine Learning

การ์ทเนอร์ เผยแนวโน้มสำคัญที่ส่งผลต่ออนาคตของวิทยาศาสตร์ข้อมูล และแมชชีนเลิร์นนิ่ง (Data Science and Machine Learning หรือ DSML) ซึ่งเป็นผลมาจากวิวัฒนาการ และการเติบโตของภาคอุตสาหกรรมอย่างรวดเร็ว เพื่อตอบสนองต่อการเพิ่มขึ้นอย่างมีนัยของข้อมูลในปัญญาประดิษฐ์ (AI) โดยเฉพาะอย่างยิ่งเมื่อธุรกิจโฟกัสการลงทุน Generative AI 

ปีเตอร์ เครนสกี้ ผู้อำนวยการฝ่ายวิจัยของการ์ทเนอร์ กล่าวว่า แมชชีนเลิร์นนิ่ง ยังคงเติบโตอย่างรวดเร็วในภาคอุตสาหกรรมต่าง ๆ ขณะเดียวกัน DSML กำลังพัฒนาจากเดิมที่มุ่งเน้นโมเดลการคาดการณ์ (Predictive Models) ไปเป็นให้ทุกคนสามารถเข้าถึงได้ในวงกว้างขึ้น ไดนามิก และเน้นข้อมูลเป็นหลัก

รวมถึงได้รับแรงหนุนจาก Generative AI แม้อาจมีความเสี่ยงเกิดขึ้น แต่ก็มีความสามารถ และช่วยสร้างยูสเคสการใช้งานใหม่ ๆ ที่เป็นประโยชน์สำหรับนักวิทยาศาสตร์ข้อมูล และองค์กรด้วยเช่นกัน

แนวโน้มสำคัญที่จะเป็นตัวกำหนดอนาคตของ DSML

เทรนด์ที่ 1 : Cloud Data Ecosystems

ระบบนิเวศข้อมูล (Data Ecosystems) กำลังเปลี่ยนจาก self–contained ซอฟต์แวร์ หรือการปรับใช้ซอฟต์แวร์แบบผสมผสานไปสู่คลาวด์เนทีฟโซลูชันเต็มรูปแบบ การ์ทเนอร์คาดว่า ภายในปี 2567 กว่า 50% ของการนำระบบคลาวด์ใหม่

มาใช้จะอยู่ในระบบนิเวศข้อมูลคลาวด์ที่เชื่อมโยงกัน มากกว่าการใช้โซลูชันผสานรวมแบบแมนนวล ดังนั้นองค์กรธุรกิจต่าง ๆ ต้องประเมิน Data Ecosystems โดยพิจารณาจากความสามารถในการแก้ไขปัญหาด้านข้อมูลแบบกระจาย ตลอดจนการเข้าถึงและบูรณาการร่วมกับแหล่งข้อมูลภายนอกที่มีสภาพแวดล้อมใกล้เคียงกัน

เทรนด์ที่ 2 : Edge AI 

ความต้องการ Edge AI เพิ่มขึ้นเพื่อประมวลผลข้อมูล ณ จุดที่ข้อมูลถูกสร้างขึ้น ช่วยให้องค์กรได้รับข้อมูลเชิงลึกแบบเรียลไทม์ ช่วยตรวจจับแพทเทิร์นใหม่ ๆ และปฏิบัติตามข้อกำหนดด้านความเป็นส่วนตัวของข้อมูลที่เข้มงวด โดย Edge AI ยังช่วยให้องค์กรธุรกิจต่าง ๆ สามารถปรับปรุงในด้านการพัฒนา

การจัดวางระเบียบ การผสานรวม และการนำ AI มาใช้ ซึ่งคาดว่า ภายในปี 2568 มากกว่า 55% ของการวิเคราะห์ข้อมูลทั้งหมดโดยโครงข่ายประสาทเทียมเชิงลึก (Deep Neural Networks) จะเกิดขึ้น

ณ ตำแหน่งข้อมูลในระบบ Edge จากเดิมที่น้อยกว่า 10% ในปี 2564 โดยองค์กรควรระบุแอปพลิเคชัน และจำเป็นต้องฝึก และคาดคะเน AI เพื่อย้ายไปยังสภาพแวดล้อม Edge ที่ใกล้กับ IoT

เทรนด์ที่ 3 : Responsible AI

ในปัจจุบันแม้ว่าศักยภาพของ AI จะสามารถเข้ามาช่วยเพิ่มขีดความสามารถให้กับธุรกิจแต่หากการพัฒนาของเทคโนโลยีดังกล่าวขาดการกำกับดูแล หรือควบคุมที่ดีก็สามารถนำมา ซึ่งผลกระทบเชิงลบในหลายแง่มุม ไม่ว่าจะเป็นในส่วนของ ความปลอดภัย และความเป็นส่วนตัว จากการเก็บข้อมูลส่วนบุคคลไปใช้

หรือ การสร้าง และเผยแพร่ข้อมูลบิดเบือน จากการใช้เทคโนโลยี Deepfake ที่สามารถสร้างวิดีโอ และเสียงจำลองที่เหมือนจริงจนคนไม่สามารถแยกข้อมูลที่ถูกต้องได้ ร่วมถึง ความไม่ชัดเจนของกฎหมายที่เกี่ยวข้อง เช่น การคุ้มครองลิขสิทธิ์ และทรัพย์สินทางปัญญา

ประเด็นต่าง ๆ เหล่านี้ ทำให้ประเทศต่าง ๆ ได้เริ่มกำหนดนโยบาย และกฎระเบียบข้อบังคับเกี่ยวกับ AI เพื่อตอบสนองต่อผลกระทบต่าง ๆ ที่คาดว่าจะเกิดขึ้น ทำให้เกิดแนวคิดเกี่ยวกับแนวทางการใช้งาน AI อย่างมีความรับผิดชอบ (Responsible AI) และเกิดประโยชน์สูงสุด

ด้วยการทำให้ AI กลายเป็นพลังบวกแทนที่จะเป็นภัยคุกคามต่อสังคม และตัวมันเอง โดยให้ครอบคลุมหลายแง่มุมของการทำธุรกิจให้ถูกต้อง และเป็นตัวเลือกทางจริยธรรม เมื่อองค์กรมีการนำ AI มาใช้อย่างอิสระ เช่น ธุรกิจ และคุณค่าทางสังคม ความเสี่ยง ความไว้วางใจ ความโปร่งใส และความรับผิดชอบ

ซึ่งคาดว่า ภายในปี2568 โมเดลการฝึก AI อยู่เพียงแค่ 1% ของผู้จำหน่าย AI จะทำให้ประเด็นเรื่องของ Responsible AI กลายเป็นประเด็นที่สังคมกังวลมากขึ้นอย่างต่อเนื่อง ดังนั้นวันนี้องค์กรต่าง ๆ จึงจำเป็นใช้แนวทางที่คำนึงถึงสัดส่วนความเสี่ยง เพื่อส่งมอบคุณค่า AI และระมัดระวังเมื่อใช้โซลูชันและแบบจำลองต่าง ๆ

โดยขอการรับประกันจากผู้จำหน่ายเพื่อให้มั่นใจว่าสามารถจัดการความเสี่ยง และปฏิบัติตามกฎระเบียบ ปกป้ององค์กรจากการสูญเสียทางการเงินที่อาจเกิดขึ้น รวมถึงการดำเนินคดีทางกฎหมาย และความเสียหายต่อชื่อเสียง

เทรนด์ที่ 4 : Data–Centric AI

วันนี้เรื่องของ Data–Centric AI หรือ AI ที่เน้นข้อมูลเป็นศูนย์กลาง แสดงถึงการเปลี่ยนแปลงจากแนวทางที่ยึดโมเดล และโค้ดเป็นศูนย์กลางไปสู่การมุ่งเน้นด้านข้อมูลมากขึ้นเพื่อสร้างระบบ AI ที่ดีขึ้น โซลูชันต่าง ๆ อาทิ การจัดการข้อมูลเฉพาะของ AI (AI-Specific Data Management) ข้อมูลสังเคราะห์ (Synthetic Data) 

และเทคโนโลยีการติดฉลากข้อมูล (Data Labeling Technologies) มีจุดมุ่งหมาย เพื่อแก้ปัญหาความท้าทายด้านข้อมูลมากมาย รวมถึงความสามารถในการเข้าถึง ปริมาณ ความเป็นส่วนตัว ความปลอดภัย ความซับซ้อน และขอบเขตการใช้งาน

ซึ่งการใช้ Generative AI เพื่อสร้างข้อมูลสังเคราะห์มีการเติบโตอย่างรวดเร็ว จะช่วยลดภาระในการรับข้อมูลในโลกความเป็นจริง และยังสามารถช่วยฝึกฝนโมเดลการเรียนรู้ของเครื่อง (Machine Learning) ได้อย่างมีประสิทธิภาพ

ซึ่งคาดว่า ภายในปี 2567 กว่า 60% ของข้อมูลสำหรับ AI จะถูกสังเคราะห์ขึ้นเพื่อจำลองความเป็นจริง สถานการณ์ในอนาคต และลดความเสี่ยงของ AI เพิ่มขึ้นจาก 1% ในปี 2564

เทรนด์ที่ 5 : Accelerated AI Investment

การลงทุนใน AI จะยังเติบโตอย่างรวดเร็ว ผ่าน องค์กรต่าง ๆ ที่นำโซลูชันไปใช้ รวมถึงอุตสาหกรรมที่ต้องการเติบโตผ่านเทคโนโลยี AI และธุรกิจที่ใช้ AI ซึ่งการ์ทเนอร์คาดการณ์ว่า ภายในสิ้นปี 2569 จะมีการลงทุนมากกว่า 10,000 ล้านดอลลาร์สหรัฐฯ

สำหรับเริ่มต้นใช้ระบบ AI ที่อาศัยโมเดลพื้นฐาน ซึ่งเป็นโมเดล AI ขนาดใหญ่ที่ได้รับการฝึกฝนจากข้อมูลจำนวนมหาศาล ผลสำรวจล่าสุด ของ การ์ทเนอร์ จากผู้บริหารมากกว่า 2,500 ราย ยังพบว่า 45% เผยว่ากระแส ChatGPT ที่มาแรงกระตุ้นให้พวกเขาเพิ่มการลงทุนด้าน AI 

ขณะที่ 70% ระบุว่าองค์กรของพวกเขาอยู่ในโหมดการสำรวจ และทดสอบการใช้ Generative AI และ 19% อยู่ในช่วงทดลองใช้ หรือผลิตใช้

ส่วนขยาย

* บทความเรื่องนี้น่าจะเป็นประโยชน์สำหรับการวิเคราะห์ในมุมมองที่น่าสนใจ 
** เขียน: ชลัมพ์ ศุภวาที (บรรณาธิการ และผู้สื่อข่าว) 
*** ขอขอบคุณภาพประกอบบางส่วนจาก N/A

สามารถกดติดตามข่าวสาร และบทความทางด้านเทคโนโลยีของเราได้ที่  www.facebook.com/itday.in.th