UiPath RPA Platform กับการใช้งาน Generative AI ในโลกธุรกิจ

ปัจจุบันนี้เทคโนโลยีปัญญาประดิษฐ์ (AI) ถูกพัฒนาให้เรียนรู้จากข้อมูลสาธารณะจำนวนมหาศาล การตอบสนองหรือการสร้างเนื้อหาของ Generative AI อาจไม่สอดคล้องกับความต้องการโดยเฉพาะ ของแต่ละองค์กรอีกต่อไป (Tailormade)  การพึ่งพาข้อมูล public เพียงอย่างเดียว อาจนำไปสู่การได้รับข้อมูลที่ไม่ตรงประเด็น หรือไม่ถูกต้องในบริบทของการดำเนินธุรกิจภายในแต่ละองค์กร

นี่คือจุดที่ UiPath Context Grounding ก้าวเข้ามามีบทบาทสำคัญ ด้วยการเปิดโอกาสให้องค์กรสามารถป้อนข้อมูลภายในของตนเองเข้าสู่ระบบ เพื่อให้ Generative AI นำไปใช้เป็น “แหล่งข้อมูลอ้างอิง” (Source of Truth) ผ่านการควบคุมของระบบ UiPath AI Trust Layer อีกชั้นหนึ่ง โดยในการใช้งานจริงจะใช้เทคนิคที่เรียกว่า Retrieval-Augmented Generation (RAG) เพื่อให้ระบบดึงข้อมูลที่เกี่ยวข้องจากแหล่งข้อมูลเฉพาะขององค์กร แล้วส่งต่อให้ Generative AI นำไปใช้สร้างเนื้อหาที่ตรงกับความต้องการของผู้ใช้งาน ซึ่งสิ่งเหล่านี้จะช่วยให้มั่นใจได้ว่าคำตอบหรือผลลัพธ์ที่ได้จาก Generative AI จะมีความเกี่ยวข้องกับบริบททางธุรกิจและมีความน่าเชื่อถือเป็นอย่างยิ่ง

ในบทความนี้ เราจะพาคุณไปสำรวจว่า UiPath Context Grounding และ UiPath AI Trust Layer สามารถช่วยยกระดับความแม่นยำและความน่าเชื่อถือของ Generative AI ได้อย่างไร

UiPath Context Grounding: ล้อมกรอบข้อมูลทางธุรกิจให้ Generative AI ในองค์กร

แผนภาพแสดงสถาปัตยกรรมของ UiPath Context Grounding

สถาปัตยกรรมของ UiPath Context Grounding (ตามภาพประกอบ) ถูกออกแบบมาเพื่อบูรณาการข้อมูลเฉพาะขององค์กรเข้ากับโมเดลภาษาขนาดใหญ่ (LLMs) ที่ใช้กับ Generative AI ผ่านกระบวนการที่มีความปลอดภัยและมีประสิทธิภาพสูง โดยเริ่มต้นจากการรวบรวมข้อมูลทางธุรกิจขององค์กร (Business Data) เพื่อนำมาแปลงเป็นเวกเตอร์ฝังตัว (Vector Embeddings) แล้วจัดเก็บไว้ในดัชนีของฐานข้อมูลเวกเตอร์ที่ UiPath บริหารจัดการให้ภายในแพลตฟอร์ม (UiPath Managed Vector Dbs) ซึ่งข้อมูลทั้งหมดนี้จะถูกนำไปใช้รองรับการทำงานของฟีเจอร์ RAG รวมถึงการรักษาความปลอดภัยและการเก็บรักษาข้อมูลที่มีความสำคัญ

สำหรับการใช้งานจริงนั้น UiPath Context Grounding จะทำหน้าที่ช่วย Generative AI กำหนดขอบเขตของเนื้อหาที่จะสร้างขึ้นมา โดยเริ่มต้นจากการวิเคราะห์คำถามหรือคำสั่งจากผู้ใช้งาน (User Prompt) แล้วใช้เทคนิคในการค้นหาขั้นสูง เช่น การค้นหาความเหมือนเชิงความหมาย (Semantic Similarity Search) และการค้นหาแบบผสมผสาน (Hybrid Search) รวมถึงเทคนิคอื่นๆ เพื่อค้นหาและจัดอันดับ Vector Embeddings ที่ถูกจัดเก็บอยู่ใน UiPath Managed Vector Dbs ให้ตรงกับข้อมูลที่ผู้ใช้งานต้องการมากที่สุด

โดยหัวใจสำคัญของสถาปัตยกรรมนี้คือ UiPath AI Trust Layer ซึ่งทำหน้าที่ควบคุมกระบวนการทั้งหมด เพื่อให้มั่นใจว่า Generative AI จะสามารถเข้าถึงและประมวลผลข้อมูลที่ละเอียดอ่อนขององค์กรได้ตามมาตรฐานด้านความปลอดภัยของข้อมูล (Data Security) รวมไปถึงการปฏิบัติตามกฏระเบียบขององค์กร (Compliance) ได้อย่างเคร่งครัด

ส่วนเทคนิค RAG จะถูกนำมาใช้สำหรับการดึงข้อมูลทั้งหมดที่ UiPath Context Grounding ค้นหาไว้ให้ แล้วนำมาช่วยเสริมการสร้างเนื้อหาของ Generative AI ที่มีองค์ความรู้เดิมจาก LLMs ที่เคยถูกเทรนมาด้วยข้อมูลสาธารณะ เพื่อให้เนื้อหาที่สร้างขึ้นมาใหม่มีความแม่นยำและสอดคล้องกับบริบทที่ผู้ใช้งานต้องการมากที่สุด ในขณะที่ LLM Gateway จะทำหน้าที่เป็นตัวเชื่อมต่อระหว่างโมดูล RAG และ LLMs เพื่อให้การทำงานราบรื่นและมีประสิทธิภาพ

UiPath AI Trust Layer: ป้อมปราการเพื่อคุ้มครองข้อมูลขององค์กรในยุค AI

UiPath AI Trust Layer มีบทบาทสำคัญในการปกป้องข้อมูลขององค์กรเมื่อมีการใช้งานฟีเจอร์ RAGร่วมกับความสามารถของ Generative AI และ LLMs เพราะเมื่อองค์กรนำข้อมูลภายในมาใช้ร่วมกับเทคโนโลยี AI การรักษาความปลอดภัยของข้อมูลจะกลายเป็นประเด็นที่สำคัญที่สุด เนื่องจากข้อมูลทางธุรกิจที่ละเอียดอ่อนต้องได้รับการปกป้องจากการเข้าถึงที่ไม่ได้รับอนุญาต

แผนภาพแสดงสถาปัตยกรรมของ UiPath AI Trust Layer

ด้วยเหตุนี้ UiPath AI Trust Layer จึงถูกพัฒนาขึ้นมาเพื่อตอบโจทย์ความท้าทายดังกล่าว โดยทำหน้าที่เป็นเสมือน “กำแพงป้องกัน” ที่คอยดูแลและรักษาความปลอดภัยให้กับข้อมูลขององค์กรในขณะที่ AI กำลังทำงานอยู่ โดยระบบจะควบคุมให้มีเฉพาะข้อมูลที่ได้รับการอนุญาตเท่านั้นที่จะถูกนำไปใช้ในกระบวนการดึงข้อมูลผ่านฟีเจอร์ RAG เพื่อสร้างสรรค์ผลลัพธ์จาก AI ซึ่งวิธีการนี้จะช่วยรักษาความปลอดภัยของข้อมูลที่เป็นความลับจากการเข้าถึงที่ไม่ได้รับอนุญาตได้เป็นอย่างดี

นอกจากนี้ UiPath AI Trust Layer ยังช่วยให้องค์กรสามารถปฏิบัติตามข้อกำหนดของกฎระเบียบในอุตสาหกรรม (Industry Regulation) และนโยบายการกำกับดูแลข้อมูล (Data Governance) ได้อย่างครบถ้วนสมบูรณ์ โดยควบคุมกระบวนการประมวลผลข้อมูลที่ถูกนำมาใช้งานอย่างละเอียดรอบคอบผ่านฟีเจอร์ย่อยต่างๆ ดังนี้

  1. Gen AI feature governance คือ ฟีเจอร์ที่ช่วยให้ผู้ใช้งานและองค์กรสามารถควบคุมและตรวจสอบการใช้งาน Generative AI ได้อย่างมีประสิทธิภาพและปลอดภัย โดยเน้นเรื่องความโปร่งใส การปฏิบัติตามข้อกำหนด และการลดความเสี่ยงจากการใช้งาน AI ที่อาจส่งผลกระทบต่อความปลอดภัยของข้อมูลหรือความน่าเชื่อถือ โดยฟีเจอร์หลักใน AI Trust Layer ที่เกี่ยวข้องกับ Gen AI governance ประกอบด้วย
  • การจัดการการเข้าถึงการใช้งานโมเดลของ Generative AI หรือฟีเจอร์ AI ต่างๆ และควบคุมสิทธิ์ในการใช้งานตามบทบาทที่กำหนด (Role-Based Access Control)
  • ระบบบันทึกการใช้งาน AI และรองรับการเก็บ log สำหรับตรวจสอบย้อนหลังได้ว่า AI ใช้ข้อมูลหรืออัลกอริทึมอะไรบ้าง เพื่อให้องค์กรสามารถตรวจสอบที่มาของข้อมูลและกระบวนการทำงานได้
  • การตั้งค่านโยบายเพื่อจำกัดการใช้ AI ในบริบทที่อาจเสี่ยงต่อการละเมิดกฎระเบียบต่างๆ เพื่อช่วยให้องค์กรสามารถปฏิบัติตามมาตรฐานและข้อบังคับด้าน AI เช่น GDPR, HIPAA, หรือกฎหมายเกี่ยวกับข้อมูลส่วนบุคคลได้อย่างเข้มงวด
  • การจัดการข้อมูลเพื่อความปลอดภัยด้วยการเข้ารหัสข้อมูล (Data Encryption) และการควบคุมข้อมูลที่ใช้ในการฝึกฝนโมเดล เพื่อป้องกันการรั่วไหลของข้อมูลสำคัญระหว่างการประมวลผลในระบบ AI
  • การควบคุมคุณภาพของผลลัพธ์ โดยมีกระบวนการตรวจสอบและจัดการผลลัพธ์ที่สร้างจาก Generative AI เพื่อลดความผิดพลาดหรือผลลัพธ์ที่อาจมีอคติก่อนนำไปใช้งานจริง
  • Usage auditing คือ ฟีเจอร์ที่ออกแบบมาเพื่อช่วยให้องค์กรสามารถตรวจสอบการใช้งานโมเดล AI และฟีเจอร์ต่าง ๆ ในระบบ UiPath ได้อย่างโปร่งใสและละเอียด โดยมีเป้าหมายเพื่อเสริมสร้างความปลอดภัย การปฏิบัติตามกฎระเบียบ และการจัดการทรัพยากร AI อย่างมีประสิทธิภาพ โดยฟีเจอร์หลักใน AI Trust Layer ที่เกี่ยวข้องกับ Usage auditing ประกอบด้วย
  • การติดตามกิจกรรมจากบันทึกข้อมูลการใช้งานโมเดลของ AI โดยแสดงให้เห็นข้อมูลที่นำเข้า, ข้อมูลที่ส่งออก และกระบวนการที่เกี่ยวข้อง เพื่อให้รู้ว่าใครใช้งานฟีเจอร์ AI ใด, เมื่อใด และด้วยวัตถุประสงค์ใด
  • การตรวจสอบที่มาของข้อมูล โดยสามารถระบุได้ว่าข้อมูลใดถูกนำมาใช้ในกระบวนการของ AI และข้อมูลนั้นถูกจัดการอย่างไรในระบบ เพื่อช่วยเพิ่มความมั่นใจในความถูกต้องของกระบวนการและผลลัพธ์
  • การบันทึกผลลัพธ์ที่ได้จากกระบวนการที่ใช้โมเดลของ AI เพื่อให้สามารถย้อนกลับมาตรวจสอบคุณภาพและความถูกต้องของผลลัพธ์ในภายหลังได้ว่าผลลัพธ์นั้นเหมาะสมและไม่มีอคติ
  • การจัดการการปฏิบัติตามกฎระเบียบ โดยมีบันทึกการใช้งาน AI เพื่อให้สอดคล้องกับข้อกำหนดด้านกฎหมาย เช่น GDPR, CCPA และรองรับการสร้างรายงานสำหรับการตรวจสอบจากหน่วยงานภายนอก
  • การตรวจสอบเหตุการณ์สำคัญ โดยระบุและบันทึกเหตุการณ์ที่อาจเป็นความเสี่ยง เช่น การใช้งาน AI ที่ผิดปกติ หรือการเข้าถึงที่ไม่ได้รับอนุญาต
  • PII & Sensitive data filtering คือ ฟีเจอร์ที่ออกแบบมาเพื่อป้องกันข้อมูลส่วนบุคคล (Personally Identifiable Information – PII) และข้อมูลที่มีความอ่อนไหว (Sensitive Data) ไม่ให้ถูกเปิดเผยหรือใช้งานอย่างไม่เหมาะสมในกระบวนการที่เกี่ยวข้องกับ AI หรือระบบอัตโนมัติ ฟีเจอร์นี้มีบทบาทสำคัญในการเสริมความปลอดภัยของข้อมูลและการปฏิบัติตามกฎระเบียบต่าง ๆ เช่น GDPR, CCPA หรือ HIPAA โดยฟีเจอร์หลักใน AI Trust Layer ที่เกี่ยวข้องกับ PII & Sensitive data filtering ประกอบด้วย
  • การตรวจจับข้อมูลส่วนบุคคลและข้อมูลอ่อนไหว โดยใช้เทคนิคการเรียนรู้ของเครื่องจักร (Machine Learning) และการประมวลผลภาษาธรรมชาติ (Natural Language Processing) เพื่อระบุข้อมูล PII เช่น ชื่อ, เบอร์โทรศัพท์, เลขประจำตัวประชาชน, ที่อยู่, อีเมล หรือข้อมูลที่มีความอ่อนไหว เช่น ข้อมูลทางการแพทย์, ข้อมูลทางการเงิน และข้อมูลความลับขององค์กร เป็นต้น
  • การกรองและจัดการข้อมูลที่ตรวจพบเพื่อป้องกันไม่ให้ข้อมูลดังกล่าวถูกส่งต่อไปยังโมเดล AI หรือผู้ใช้งาน โดยใช้เทคนิคการปรับเปลี่ยนข้อมูลเพื่อไม่ให้สามารถระบุตัวตนของข้อมูลต้นฉบับได้โดยตรง (Masking) เช่น เปลี่ยนตัวเลขในเบอร์โทรเป็น XXXX หรือการแทนค่าด้วย placeholder เป็นต้น
  • การป้องกันข้อมูล PII และข้อมูลอ่อนไหวจากการใช้งานร่วมกันหรือการนำไปใช้งานในบริบทที่ไม่เหมาะสม เช่น การส่งข้อมูลออกไปยังระบบภายนอกองค์กร
  • การปรับแต่งกฎการกรองข้อมูล โดยผู้ใช้งาน AI สามารถกำหนดนโยบายและกฎเฉพาะขององค์กรสำหรับการจัดการข้อมูล PII และข้อมูลอ่อนไหวได้เอง เช่น การกำหนดรูปแบบข้อมูลที่ต้องการกรอง เป็นต้น
  • การบันทึก log ของการจัดการข้อมูล PII และข้อมูลอ่อนไหว เพื่อให้สามารถตรวจสอบย้อนหลังได้ รวมทั้งการสร้างรายงานสำหรับการปฏิบัติตามกฎระเบียบและการประเมินความเสี่ยง

จากทั้งหมดนี้จะเห็นได้ว่า UiPath AI Trust Layer ไม่เพียงแต่สร้างขอบเขตความปลอดภัยในการใช้งาน Generative AI ภายในองค์กรเท่านั้น แต่ยังช่วยเสริมสร้างการกำกับดูแลข้อมูล (Data Governance) ทำให้ข้อมูลที่สำคัญขององค์กรยังคงปลอดภัยและเป็นความลับ โดยที่ระบบ AI ยังสามารถสร้างสรรค์เนื้อหาที่ชาญฉลาดและมีประโยชน์จากข้อมูลเหล่านั้นได้ นอกจากนี้ UiPath Context Grounding ยังมอบข้อมูลเชิงลึกที่มีความแม่นยำและน่าเชื่อถือเพื่อให้องค์นำไปใช้ในการตัดสินใจทางธุรกิจได้อย่างมั่นใจในสภาพแวดล้อมที่มีความปลอดภัยสูงอีกด้วย

ที่ Automat Consulting เรามี lab ทำเรื่องนี้ และมีโอกาสคงได้มาแชร์ use case ต่างๆ ของเทคนิคนี้ด้วยกันในอนาคตอันใกล้ครับ

7 แนวโน้มของ AI และระบบอัตโนมัติในปี 2025 

โลกการทำงานหมุนเปลี่ยนไปรวดเร็ว และก้าวกระโดดแบบที่ไม่เคยมีมาก่อน เราพาไปดูเครื่องมือที่ผลักดันการเปลี่ยนแปลงนี้ กับ 7 Trend ที่กำลังขับเคลื่อนการพัฒนาเทคโนโลยีปัญญาประดิษฐ์และ ระบบอัตโนมัติเหล่านี้ไปข้างหน้า สำหรับผู้ที่สนใจบทความนี้จะช่วยให้เข้าใจทั้งแนวโน้ม พร้อมยกตัวอย่าง use case ที่เข้าใจง่าย และเราเติมความเข้าใจด้านศัพท์เทคนิคด้าน automation & AI เพื่อเตรียมพร้อมสำหรับปี 2025 ที่กำลังจะมาถึง เราเรียนรู้ไปพร้อมกันครับ

1. AI เชิงการตัดสินใจ และช่วยทำงานแทน (Agentic AI)

Agentic AI คือรูปแบบปัญญาประดิษฐ์ที่พัฒนาไปอีกขั้น ด้วยความสามารถในการ “คิดและช่วยทำ” เช่น การวางแผน (Planning) การตัดสินใจ (Decision-Making) และการดำเนินการ (Execution) โดยอัตโนมัติ ระบบนี้สร้างขึ้นจาก Large Language Models (LLMs) และ Large Action Models (LAMs) ซึ่งช่วยให้ AI ตอบสนองต่อคำสั่งแบบภาษา (Natural Language Prompts) และเหตุการณ์ต่าง ๆ ได้

ศัพท์เทคนิคน่ารู้

  • LLM (Large Language Model): โมเดลที่เข้าใจและสร้างภาษาธรรมชาติ
  • LAM (Large Action Model): โมเดลที่เน้นการตัดสินใจและการปฏิบัติ
  • ตัวอย่าง: AI ในทีม customer service หรือ call center ใช้ Agentic AI เพื่อประมวลผลคำถาม วิเคราะห์ปัญหา และให้คำตอบโดยไม่ต้องพึ่งมนุษย์ ลดเวลาเฉลี่ยต่อการแก้ไขปัญหาได้กว่า 14%

2. การประสานงานแบบเอเยนต์ (Agentic Ecosystem)

การสร้างระบบที่ช่วยให้องค์กรสามารถผสานงานระหว่าง AI เอเยนต์ (Agentic AI) หุ่นยนต์ (RPA: Robotic Process Automation) และมนุษย์ได้อย่างไร้รอยต่อถือเป็นหัวใจสำคัญ แนวโน้มนี้ต้องอาศัยเทคโนโลยี Orchestration Platforms ที่ซับซ้อน

ศัพท์เทคนิคน่ารู้

  • Orchestration Platform: แพลตฟอร์มสำหรับจัดการการทำงานร่วมกันระหว่างระบบต่าง ๆ
  • Human-in-the-Loop (HITL): ระบบที่ให้มนุษย์สามารถควบคุมหรือแก้ไขการทำงานของ AI ได้ในกระบวนการที่สำคัญๆ มนุษย์ยังคงจำเป็นต้องเข้าไปตรวจสอบ ตัดสินใจในบางกรณีที่สำคัญมากๆ เป็นต้น
  • ตัวอย่าง: ในโรงงานอุตสาหกรรม AI ใช้แพลตฟอร์ม Orchestration เพื่อสื่อสารกับหุ่นยนต์และแจ้งเตือนมนุษย์เมื่อเกิดความผิดพลาด หรือด้านธุรกรรมที่มีความเสี่ยงด้านธุรกิจ (การเงิน) เราให้มนุษย์เข้าไปช่วยหุ่นยนต์ทำงานได้สำเร็จ

3. ระบบอัตโนมัติแบบ Long-tail Automation

Long-tail Automation หมายถึงการนำกระบวนการย่อยที่ซับซ้อนหรือไม่คุ้มค่ากับการทำอัตโนมัติในอดีตมาปรับให้มีประสิทธิภาพ ตัวอย่างเช่น การใช้ AI ในการวิเคราะห์ข้อมูลจำนวนมาก (Data Mining) หรือการสร้างข้อความที่เฉพาะเจาะจง (Context-aware Text Generation)

ศัพท์เทคนิคน่ารู้

  • Data Mining: กระบวนการค้นหาความรู้จากข้อมูลขนาดใหญ่
  • Context-aware Computing: ระบบที่สามารถเข้าใจบริบทและตอบสนองอย่างเหมาะสม
  • ตัวอย่าง: AI ช่วยจัดการคำขอสินเชื่อในธนาคารโดยตรวจสอบข้อมูลเอกสารและแนะนำการอนุมัติอย่างอัตโนมัติ

4. การเปลี่ยนแปลงโครงสร้างแรงงาน (Workforce Transformation)

องค์กรต่าง ๆ ต้องจัดการกับการเปลี่ยนแปลงแรงงาน โดยแบ่งงานที่ซ้ำซ้อนหรือที่สามารถทำอัตโนมัติได้ให้ AI ในขณะเดียวกัน มนุษย์จะถูกฝึกฝนเพื่อรับบทบาทใหม่ที่เกี่ยวกับการคิดเชิงกลยุทธ์และความคิดสร้างสรรค์

ศัพท์เทคนิคน่ารู้

  • Occupational Transition: การเปลี่ยนอาชีพหรือทักษะที่จำเป็น
  • Reskilling/Upskilling: การฝึกอบรมทักษะใหม่เพื่อรองรับการเปลี่ยนแปลง
  • ตัวอย่าง: บริษัทเทคโนโลยีฝึกอบรมพนักงานให้ใช้เครื่องมืออย่าง GitHub Copilot UiPath Autopilot ในการเขียนโค้ด หรือสั่ง robot ทำงานให้ อย่างง่ายๆ และมีประสิทธิภาพ

5. AI ในผลิตภัณฑ์องค์กร (Built-in AI)

ในอนาคต ซอฟต์แวร์องค์กรส่วนใหญ่จะมีฟีเจอร์ AI ฝังตัวเพื่อช่วยให้การทำงานมีประสิทธิภาพมากขึ้น เช่น AI Copilots ของMicrosoft 365 ที่สามารถช่วยเขียนเอกสาร ทำสไลด์สรุป สรุปวาระการประชุม และอื่นๆ

ศัพท์เทคนิคน่ารู้

  • Copilot หรือ UiPath Autopilot: เครื่องมือที่ช่วยสนับสนุนการทำงาน เช่น การเขียนหรือแก้ไขโค้ด
  • AI-powered Tools: เครื่องมือที่ขับเคลื่อนด้วย AI
  • ตัวอย่าง: Microsoft Copilot ช่วยให้ทีมงานประหยัดเวลาในการสร้างเอกสารและปรับปรุงคุณภาพงานได้อย่างมีนัยสำคัญ

6. การจัดการข้อมูลด้วย AI (Data Management Revolution)

ปริมาณข้อมูลที่มากเกินไป (Data Overload) เป็นปัญหาสำคัญ AI ช่วยจัดระเบียบข้อมูลผ่านเครื่องมือเช่น Knowledge Graphs และ Retrieval-Augmented Generation (RAG)

ศัพท์เทคนิคน่ารู้

  • Knowledge Graph: แผนภาพที่แสดงความสัมพันธ์ระหว่างข้อมูลในลักษณะกราฟ
  • RAG (Retrieval-Augmented Generation): เทคโนโลยีที่ช่วยให้ AI ดึงข้อมูลจริงมาใช้งานในกระบวนการสร้างคำตอบ
  • ตัวอย่าง: บริษัทที่ปรึกษาใช้ RAG ในการค้นหาข้อมูลลูกค้าแบบเรียลไทม์ ลดเวลาและเพิ่มความแม่นยำในการตอบสนอง

7. การกำกับดูแล AI (AI Governance and Regulation)

โลกกำลังก้าวเข้าสู่ยุคที่ AI ถูกกำกับดูแลอย่างเข้มงวดด้วยกฎหมาย เช่น การป้องกันการละเมิดลิขสิทธิ์ และการใช้ข้อมูลที่ไม่เหมาะสม

ศัพท์เทคนิคน่ารู้

  • AI Governance Framework: โครงสร้าง กรอบรูปแบบการกำกับดูแล AI ในองค์กร
  • Data Transparency: ความโปร่งใสในการใช้ข้อมูล

สรุป

การเข้าใจแนวโน้มทั้ง 7 นี้ไม่เพียงช่วยให้พวกเราเท่าทันเทคโนโลยี แต่ยังช่วยให้องค์กรสามารถใช้ AI และระบบอัตโนมัติให้เกิดประโยชน์สูงสุด การเพิ่มพูนความรู้เกี่ยวกับ use case ต่าง และ ศัพท์เทคนิคจะช่วยให้พวกเราไม่กังวล และพร้อมสำหรับอนาคตที่ AI และ Automation กลายเป็นหัวใจของทุกการดำเนินงาน
ที่ automat เรามีเครื่องมือ ทดสอบลองใช้กันในเรื่องนี้ทั้ง AutoPilot, RAG, GenAI ค่ายต่างๆ ผสมผสานกัน เพื่อให้การทำงานต่อไปของคนยุค Gen 2025 ทำงานกับ AI แบบง่ายๆ ด้วยการ prompt และสั่ง AI+robot ไปทำงานให้ แล้วเมื่อได้ผลลัพธ์ก็เอามาให้เราตรวจทาน ง่ายๆ แบบนั้นเลยนะ ความลับองค์กรไม่รั่ว ความรู้ AI แม่นยำ เพราะเรา scope ไว้ และถาม-ตอบ เป็นภาษาไทย ไว้มาแชร์แนวทางใน blog post ต่อไปครับ ขอบคุณ และมีความสุขกับลมหนาวช่วงนี้กันครับ

source: UiPath Automation & AI Trend 2025

https://www.uipath.com/resources/automation-whitepapers/automation-trends-report

Agentic AI – ปัญญาประดิษฐ์เชิงปฎิบัติการ กับงานอัตโนมัติ

🌐 ในยุคปัจจุบันที่เทคโนโลยีเติบโตอย่างรวดเร็ว ปัญญาประดิษฐ์ (AI) ได้กลายเป็นตัวขับเคลื่อนที่สำคัญของการเปลี่ยนแปลงในหลายๆ ด้านของธุรกิจ หนึ่งในรูปแบบของ AI ที่กำลังได้รับความสนใจคือ AI เชิงปฏิบัติการ หรือที่เรียกว่า “Agentic AI”

🤔 **AI เชิงปฏิบัติการคืออะไร?**

AI เชิงปฏิบัติการคือ AI ที่ถูกออกแบบมาเพื่อให้สามารถตัดสินใจและปฏิบัติการได้เองในบางกรณี ซึ่งต่างจาก AI ทั่วไปที่ต้องรอคำสั่งจากมนุษย์ การทำงานของ AI เชิงปฏิบัติการจึงเน้นที่ความสามารถในการเข้าใจสถานการณ์ ปรับตัว และดำเนินการโดยอัตโนมัติ ⚙️ เพื่อลดความซับซ้อนและทำให้กระบวนการต่างๆ มีประสิทธิภาพมากยิ่งขึ้น

📊 **กรณีศึกษาจาก UiPath: การใช้ AI เชิงปฏิบัติการ**

UiPath เป็นผู้นำในการให้บริการระบบอัตโนมัติสำหรับองค์กร โดยมีการใช้ AI เชิงปฏิบัติการเพื่อยกระดับการดำเนินงานและเพิ่มความสามารถในการตัดสินใจ 🚀 ตัวอย่างหนึ่งของการใช้งานคือการใช้ AI ในการประมวลผลและจัดการเอกสารจำนวนมาก 

🤖 ตัวอย่างเช่น ระบบของ UiPath สามารถใช้ AI เพื่ออ่านและทำความเข้าใจเนื้อหาในเอกสารที่มีลักษณะซับซ้อน จากนั้นทำการตัดสินใจในการกระจายงานหรือจัดการข้อมูลตามที่กำหนด 📄 ซึ่งช่วยลดภาระการทำงานที่ใช้เวลามากและเพิ่มความแม่นยำในการปฏิบัติงาน นอกจากนี้ยังมีอีกสามกรณีการใช้งานที่น่าสนใจ ได้แก่:

1. การใช้ AI ในการจัดการคำร้องขอของลูกค้า โดยสามารถตอบกลับคำถามพื้นฐาน FAQ ต่างๆ และส่งต่อคำร้องที่ซับซ้อนให้กับผู้เชี่ยวชาญที่เหมาะสม โดย ai อ่าน เข้าใจบริบท ตอบได้ก็ตอบเอง หาก % ที่เข้าใจไม่มากพอ ก็ฉลาดพอที่จะ root ไปในระบบ Queue ของ CRM systems ต่างๆ เพื่อส่งต่อได้

2. การใช้ AI ในการตรวจสอบและอนุมัติใบเสร็จและใบกำกับภาษี ทำให้การทำงานทางการเงินมีความรวดเร็วและลดข้อผิดพลาดที่เกิดจากมนุษย์ เช่นธุรกิจนี้เป็น invoice ที่มี PO กำกับอยู่ ให้วิ่งระบบไปค้นหาความถูกต้องในระบบ SAP, Oracle ERP เป็นต้น

3. การใช้ AI ในการจัดการทรัพยากรบุคคล เช่น การประมวลผลข้อมูลการเข้างาน และการประเมินผลการทำงาน ดึงข้อมูลจากหลากหลายแหล่ง ai ช่วยประเมินผล และโต้ตอบกับระบบ HRM, HRD และทำรายงานสรุป เพื่อสนับสนุนการตัดสินใจของฝ่ายบริหาร

🌟 **ประโยชน์ที่ได้รับจาก AI เชิงปฏิบัติการ**

การนำ AI เชิงปฏิบัติการมาใช้ร่วมกับระบบ UiPath ทำให้ธุรกิจสามารถดำเนินการอย่างรวดเร็วและมีประสิทธิภาพมากขึ้น ไม่ว่าจะเป็นการลดเวลาที่ใช้ในการจัดการเอกสาร 📄 การเพิ่มความถูกต้องในการตัดสินใจ 💡 หรือการลดต้นทุนในการปฏิบัติงาน 

นอกจากนี้ AI เชิงปฏิบัติการยังช่วยสร้างความยืดหยุ่นให้กับกระบวนการทางธุรกิจ สามารถปรับตัวให้เหมาะสมกับสถานการณ์ที่เปลี่ยนแปลงอย่างรวดเร็ว ทำให้ธุรกิจสามารถตอบสนองต่อความต้องการของลูกค้าได้อย่างทันท่วงที 

AI เชิงปฏิบัติการเป็นเทคโนโลยีที่น่าจับตามอง 👀 เนื่องจากมีศักยภาพในการเพิ่มประสิทธิภาพและความแม่นยำในกระบวนการทางธุรกิจ กรณีศึกษาจาก UiPath แสดงให้เห็นถึงความสามารถในการประมวลผลและตัดสินใจของ AI 💡 ซึ่งสามารถช่วยให้ธุรกิจลดต้นทุน  เพิ่มประสิทธิภาพ ✅ และสามารถตอบสนองต่อความต้องการที่ซับซ้อนได้อย่างรวดเร็วและมีประสิทธิภาพ 

📢 หากองค์กรของคุณกำลังมองหาแนวทางในการปรับปรุงกระบวนการต่างๆ การนำ AI เชิงปฏิบัติการมาใช้อาจเป็นทางเลือกที่น่าสนใจที่ควรพิจารณา  ติดต่อเข้ามาที่ Automat 📱 เราจะช่วยทำ use case และประเมินความเป็นไปได้ จัดทำงบประมาณ และช่วย implement ให้ได้ สำหรับการวางแผนในปี 2025 🌐

การนำ Specialized LLMs มาใช้เพื่อลดเวลาการ train โมเดลของ UiPath Document Understanding

UiPath LLM with Document Intelligence Platform

งาน AI-Powered Automation Summit in Bangkok ประจำปี 2024 ที่ได้จัดโดย UiPath เมื่อวันที่ 23 เมษายน ณ โรงแรม Siam Kempinski Hotel Bangkok ได้มีการแนะนำเทคโนโลยีใหม่ๆ ของสาย automation ที่น่าสนใจหลายอย่าง ซึ่งหนึ่งในนั้นคือการพัฒนา large language model ของ UiPath เอง (Specialized LLMs) ขึ้นมาเพื่อนำมาใช้งานกับเครื่องมือ UiPath Document Understanding (DU) ทำให้ประสิทธิ์ภาพการทำงานของ DU เพิ่มขึ้นไปอีกมาก

แต่ก่อนที่จะลงลึกไปที่ Specialized LLMs ที่ว่านี้ ทางออโต้แมทขอเล่าถึงโซลูชั่นการจัดการกับข้อมูลที่ไม่ได้เป็น digital (หมายถึงพวกรูปภาพหรือเอกสารที่ถูกสแกน เป็นต้น) ก่อนว่าเราสามารถนำข้อมูลเกลุ่มนี้เข้ามาใช้งานใน automation process อย่างไร

ในการทำงานกับลูกค้าของเรา เมื่อข้อมูลตั้งต้นที่ต้องนำไปใช้ในขั้นตอนการทำงานต่างๆอยู่ในรูปของเอกสารหรือไฟล์ที่ถูกสแกนมา เช่นการดึงข้อมูล part number จากเอกสาร design specification เพื่อไปจัดทำ BOM ในระบบ ERP หรือการนำรายการยาและอุปกรณ์ทางการแพทย์จากเอกสาร invoice ไปใช้กับกระบวนการเคลมของบริษัทประกัน เป็นต้น ซึ่งเอกสารเหล่านี้ก็มักจะมีลักษณะที่ไม่ตายตัว มีรูปลักษณะที่แตกต่างกันไปแม้เป็นเอกสารชนิดเดียวกัน เราจะนำ UiPath Document Understanding (DU) เข้ามาทำการคัดแยกชนิดเอกสารและดึงข้อมูลที่ต้องใช้ออกจากเอกสารเหล่านี้ ซึ่งผลลัพท์จากการดึงหรืออ่านข้อมูลนี้ก็จะถูกโรบอทในกระบวนการ RPA นำไปทำงานในระบบเคลมหรือระบบ MRP ต่อไป

อย่างไรก็ตาม ถึงแม้ UiPath Document Understanding จะช่วยทำงานดังกล่าวได้เป็นอย่างดีและสามารถก้าวข้ามความท้าทายของการจัดการข้อมูลเอกสารต่างๆเช่น การอ่านภาษาไทย, การอ่าน field พิเศษอย่าง checkbox, การสแกนเอกสารเอียง เป็นต้นได้ก็ตาม เราสังเกตได้ว่าในกรณีที่เอกสารมีความซับซ้อนสูงและมีเอกสารใหม่เข้ามาอยู่เรื่อยๆ การ train AI model ของ UiPath Document Understanding จำเป็นต้องอาศัยข้อมูลเป็นจำนวนมากและใช้เวลาค่อนข้างมากด้วยในการ train ให้ model ดังกล่าวให้เข้าใจเอกสารในระดับที่เกิดความผิดพลาดต่ำ

UiPath เองก็ได้มีการพัฒนาเทคโนโลยีใหม่ๆขึ้นมาเพื่อเพิ่มประสิทธิภาพการทำงานของผลิตภัณฑ์ต่างๆของตนเองรวมทั้ง Document Understanding เพื่อให้ model มีความแม่นยำยิ่งขึ้น โดยเมื่อไม่นานมานี้ UiPath ได้เริ่มรวมเอาความสามารถของ Generative AI หลายอย่างเข้ามาใน Document Understanding เช่นการออก Generative Extractor model เพื่อเพิ่มขีดความสามารถให้ผู้ใช้งานระบุข้อมูลหรือข้อความที่ต้องการดึงจากเอกสารผ่านการทำงานร่วมกับ prompt เช่นการดึงข้อมูล job candidate จากอีเมล เอกสาร resume หรือเอกสารการสมัครงานอื่นๆตามตัวอย่างที่แสดงด้านล่าง

ข้อมูล prompt ดังกล่าวจะถูกส่งไปที่ LLM พร้อมกับข้อมูลของเอกสาร ทำโรบอทสามารถเข้าใจเอกสารได้รวดเร็วกว่าการที่ต้องนำตัวอย่างเอกสารการสมัครงานจำนวนมากเข้ามา train ด้วยตัวผู้ใช้งานเองอย่างเดียว

ทีนี้เรากลับมาที่หัวข้อ Specialized LLMs ที่ได้เกริ่นไว้แล้วข้างบน

การนำความสามารถในการทำงานร่วมกับ GenAI ของ Document Understanding อย่างในกรณีของ Generative Extractor นั้นถือเป็นการทำงานกับ LLM ที่ train เอาไว้แล้วกับชุดข้อมูลที่หลากหลาย (diverse datasets) เพื่อให้สามารถหาคำตอบให้กับผู้ใช้งานที่เป็น generic ซึ่งหมายความว่าพวกเขาอาจถามในเรื่องอะไรก็ได้

กลุ่มของ LLMs ที่เป็น generic หรืออาจเรียกอีกอย่างว่า foundational LLMs เหล่านี้ (GPT-4 คือตัวอย่างหนึ่ง) มีความรอบรู้ในด้านกว้างแต่ก็อาจขาดความรู้ในเชิงลึก เช่นการทำความเข้าใจและดึงข้อมูลที่ถูกต้องออกจากเอกสารที่เราต้องการ พูดอีกอย่างนึงก็คือ ถ้าเราตัดความจำเป็นที่ large language model ต้องเข้าใจในแทบทุกเรื่อง (อย่าง foundational LLMs) เพื่อคลอบคลุมความรู้ที่หลากหลาย และเลือกพัฒนา LLMs ขึ้นมาเพื่อโฟกัสการ train เฉพาะ domain หรือ subject ที่เราสนใจจะใช้งาน เราก็จะได้ model ที่แม่นยำและไม่ต้องใช้เวลา train มากอย่างที่ผ่านมา

ที่คือ Specialized LLMs ที่ UiPath ทำและได้แถลงเปิดตัวเมื่อช่วงปลายไตรมาสที่ 1 ของปีนี้รวมทั้งในงาน AI-Powered Automation Summit ที่กรุงเทพฯ โดย UiPath ได้พัฒนาขึ้นมา 2 model คือ DocPath ซึ่งเป็น LLM ที่พัฒนาขึ้นมาใช้กับ UiPath Document Understanding และ CommPath ซึ่งเป็น LLM ที่พัฒนาขึ้นมาใช้กับ UiPath Communication Mining ซึ่งทั้ง 2 model นี้ถูกสร้างโดยมี core ของฟังชั่นการทำงานเป็น GenAI แต่มีการ train กับเอกสารและ communication messages ที่มีความซับซ้อนเพื่อตอบโจทย์การทำงานที่ต้องอาศัยความรู้ความเข้าใจในเชิงลึก

ฉะนั้น ด้วยการโฟกัสเฉพาะเรื่องที่สนใจแต่สร้าง model ด้วย GenAI ที่มีความสามารถอันมากมาย ผลลัพธ์ซึ่งวัดด้วยความแม่นยำของการทำงานไม่ว่าจะเป็นการคัดแยกชนิดเอกสารหรือการอ่านข้อมูลที่ต้องการจากเอกสารจะสูงกว่า LLMs แบบ generic อื่นๆรวมทั้งตัวของ UiPath Document Understanding เองก่อนหน้าที่จะมี Specialized LLMs อย่างแน่นอน ซึ่ง UiPath ก็ได้เปิดเผยผลการทดสอบภายในที่แสดงให้เห็นว่า UiPath DocPath มีความผิดพลาดโดยเฉลี่ยต่ำกว่า GenAI Model ชั้นนำอยู่ระหว่าง 45% – 76% ด้วยกันเมื่อพิจารณากันเฉพาะความสามารถในการอ่านเอกสารได้อย่างถูกต้อง

ผลการทดสอบด้านบนแสดงเปอร์เซ็นต์ความผิดพลาดจากการอ่านเอกสาร (Extraction Errors) ของเทคโนโลยีด้านการจัดการเอกสารต่างๆที่นำ AI เข้ามาใช้เพิ่มขีดความสามารถ ซึ่ง UiPath DocPath มีเปอร์เซ็นต์ความผิดพลาดต่ำที่สุดเมื่อเทียบกับกลุ่มเทคโนโลยีที่ยังใช้ Generic LLMs 

ฉะนั้นจากความสามารถของเทคโนโลยีการจัดการเอกสารล่าสุด (Intelligent Document Processing) ที่มีการนำ Specialized LLMs เข้ามาร่วมทำงานด้วย ดูเหมือนว่าเราจะก้าวข้ามคำถามที่ว่าจะแยกเอกสารที่ต้องการออกจากเอกสารที่เข้ามาทั้งหมดได้อย่างไรหรือจะอ่านเอกสารที่เป็นแบบ unstructured ได้อย่างไรไปแล้ว แต่เป็นคำถามที่ว่าจะทำอย่างไรให้มี process การทำงานที่ถูกต้องแม่นยำโดยใช้เวลาไม่นานในการ train หรือ retrain AI model ให้สามารถทำงานได้จริง

Credit:

  1. UiPath Blog
  2. Internal R&D Lab

UiPath AI Summit 2024 

Turn AI hype into business results: Top takeaways from UiPath AI Summit 2024 – automat notes

สรุปใจความสำคัญ part 1รู้จัก เข้าใจ และใช้งานเพื่อเปลี่ยนจากความสนใจเป็นการยกระดับธุรกิจ

Turn AI hype into business results: Top takeaways from UiPath AI Summit 2024

ในทุกๆ ปีทาง UiPath RPA platform อันดับต้นๆในตลาดจะมีการจัดงาน ai summit โดยปีนี้มีการแบ่งเนื้อหาน่าสนใจออกเป็นทั้งหมด 4 ส่วนด้วยกันคือ

1.เนื้อหาในส่วนของการกล่าวเปิด การแชร์ความเห็นจากผู้เชี่ยวชาญจาก Forrester และการเล่า overview การเปิดตัวสิ่งใหม่ๆจาก UiPath

2.การประยุกต์ใช้จริง และประสบการณ์จริง อุปสรรคและการต่อยอดในอนาคต แยกตาม automation & ai ตามประเภทอุตสาหกรรม ธนาคาร ประกันภัย การผลิต สุขภาพ เป็นต้น

3.รายละเอียด แยกตาม module ใหม่ๆของ UiPath ในยุคต่อไป ที่เป็นการดึงเอาศักยภาพของ ปัญญาประดิษฐ์เข้ามามีส่วนและแบ่งแยก AI ออกเป็นสองส่วนคือ Specialized AI และ GenAI

4.แผนการออกบริการและผลิตภัณฑ์ใหม่ๆ การสนับสนุน (Platform Road Map) และการมองอนาคตของการเอา automation & ai มาใช้อย่างเห็นผล

ในเนื้อหาตอนแรกนี้ แอดมินของเล่าจากการฟังอย่างรวดเร็ว (เขียน blog นี้โดยฟังและจับเอาจากการนั่งฟัง live และจดสรุปใจความสำคัญออกมาได้ดังนี้ (key note session)

all session
  • ในช่วงแรก ผบห UiPath คุยสัมภาษณ์ mr.Curran (Senior Analyst at Forrester) ถึงการนำเอา GenAI ต้องคำนึงถึงสามเรื่องคือ การเตรียมบริบท การเปิดและการให้เข้าถึงโมเดล และการนำไปใช้ ถ้าทำสามอย่างได้อย่างง่ายๆ จะทำให้การใช้งานจริงในธุรกิจ ประสบผลดี
  • ทั้งนี้ platform การใช้งานต้องอยู่ภายใต้ความมั่นคง ปลอดภัย และน่าเชื่อถือ
  • การทำให้บริบท พร้อมถึงขีดสูงสุดเพื่อให้ GenAI มี prompt ที่สมบูรณ์จริงๆ ก่อนนำไปสร้างผลลัพธ์ที่ถูกต้อง ไม่มีการตามมาหลอกหลอนของ AI ด้วยการทำการต่อสายดิน (อันนี้แปลตรงตัว แต่ก็ทำให้เข้าใจดี) ว่ามีการประยุกต์
  • ประสานแนวคิด RAG (Retrieval Augmented Generation) หรือที่เราเรียกย่อๆ ว่า RAG คือเทคนิคในการสร้างระบบการสนทนาปัญญาประดิษฐ์ (Conversational AI) ที่ใช้การผสมผสานระหว่างการถอดความ (Retrieval) จากฐานความรู้ขนาดใหญ่ และการสร้างข้อความ (Generation) โดยใช้โมเดลการสร้างภาษา (Language Model)โดยจะมีกระบวนการทำงานของ RAG มีดังนี้:
    • ระบบจะวิเคราะห์คำถามหรือข้อความของผู้ใช้
    • ระบบจะค้นหาข้อมูลที่เกี่ยวข้องจากฐานความรู้ขนาดใหญ่ โดยอาจเอามาจาก Enterprise Data warehouse หรือ Data mart ในเรื่องต่างๆ ที่องค์กรทำขึ้น
    • โมเดลการสร้างภาษาจะนำข้อมูลที่ค้นพบมาสังเคราะห์และสร้างคำตอบด้วย GenAI
    • จุดเด่นของ RAG คือช่วยให้ระบบ AI มีความรู้ที่ครอบคลุมและทันสมัยมากขึ้น เนื่องจากดึงข้อมูลจากแหล่งความรู้ภายนอก และประสานกันกับภายใน แต่คำตอบก็ยังคงความเป็นธรรมชาติจากการสร้างข้อความของโมเดลภาษา ทำให้การสนทนามีประสิทธิภาพมากขึ้นถูกต้องและหลอนน้อยลงไปมาก
  • เปิดตัว UiPath LLM อย่าง DocPath และ ComPath โดยตัว UiPath DocPath จะช่วยให้องค์กรประมวลผลเอกสารใด ๆ ทางธุรกิจที่ซับซ้อน และไม่มีโครงสร้างได้ดี ส่วนตัว UiPath CommPath มีความสามารถประมวลผลการสื่อสารที่หลากหลาย ตั้งแต่ข้อความ อีเมล chat ด้านธุรกรรมไปจนถึงคําขอที่ซับซ้อนซึ่ งมีคําขอหลายรายการและภาษาเฉพาะบริบทในแต่ละธุรกิจ แต่ละองค์กร ทั้งนี้จุดขายคือความแม่นยำ การเทรนโมเดลที่เร็ว และน่าเชื่อถือ
  • เปิดตัว UiPath AutoPilot ที่มีความเก่งในแต่ละด้านอาทิ สร้าง process flow program ได้ด้วย prompt หรือแม้กระทั่งสร้าง UiPath App (low-code) ด้วยการส่ง PDF ภาพตัวอย่างที่เราออกแบบมาคร่าวๆได้เลย ยังมีรายละเอียดที่จะเขียนต่อไปในบทความตอน div deep ต่อไปครับ

แนวโน้มของ AI & Automation ในปี 2024

เป็นเรื่องปกติไปในแล้วในทุกๆปี ใกล้วาระเปลี่ยนปี จะมี blog หรือเอกสารงานวิจัยมาแชร์เรื่องราวน่ารู้อย่าง แนวโน้มสำคัญที่คนไอทีในวงการต้องรู้ วันนี้มาฟังเรื่อง Trend ของ business automation กันครับ

เป็นเอกสารแชร์จากทาง UiPath Global ที่อ้างอิงถึงสำนักวิจัยดังๆหลายๆที่เช่น Gartner (Magic Quadrant 2023-RPA), Forrester Wave – RPA Q12023 หรือ Mckinsey&Company ในบทความต่างๆ มากมายที่แอดมินตามศึกษา จะบอกออกมานัยยะแนวเดียวกันหมดเลยถึงเรื่องผลกระทบการมาของ “GenAI” ชื่อเต็มๆคือ Generative AI พวก Open.AI (ChatGPT), Google (Bard) และอื่นๆที่จะตามมาในอนาคตอย่างมากมาย

เอกสารช่วยสรุปความออกมาเป็น 7 แนวโน้ม ซึ่งแน่นอนเข้าทาง UiPath ที่เป็นผู้นำในตลาด RPA อยู่แล้ว เหมือนอ่านจบเราแค่ได้รับการยืนยันเพิ่มจากสำนักวิจัยอื่นๆ ว่า “ใช่แล้ว” ถูกทางแน่ๆ ประมาณนี้ มาลองดูที่แอดมินสรุปกันครับ

  1. การรับรู้และซึมซับถึงประโยชน์ของ automation & ai สู่ผู้บริหารระดับสูง อย่างไม่เคยเป็นกันมาก่อน เทรนนี้จะส่งผลถึงการให้ความสำคัญกับทรัพยากร การวางแผนเอา GenAI มาใช้พัฒนากระบวนการทำงาน งบประมาณที่ลงไปกับเรื่องราวเหล่านี้จะถูกตอบแทนด้วยผลลัพธ์ที่หวังเอาไว้เช่นเพิ่มประสิทธิภาพงาน (85%) เพิ่มช่องทางการทำรายได้ใหม่ (52%) ยกระดับงานเดิม (58%) เป็นต้น
  2. แนวโน้มนี้พูดถึง การเลือก use case ที่ดี จะทำให้ “มีชัย” ไปกว่าครึ่ง … ในกรณีนี้คือเหล่า CIO, CEO คงต้องประเมินว่าเมื่อเราให้ความสำคัญและอยากเริ่มต้น และสำเร็จได้อย่างรวดเร็ว ควรเลือก automation + GenAI ที่มีแนวโน้มทำได้เลย และมี ROI สูงๆ โดยในที่นี้มีตัวอย่างที่ #automat เราทำสำเร็จมาแล้วอย่าง IDP (Intelligent Document Processing) โครงการนี้มีส่วนประกอบหลักสามเรื่องคือ RPA + OCR และ AI โดยเราช่วยลูกค้าประหยัดเวลาในการทำงานกับเอกสารด้านการประกันภัยที่มีหลากหลายรูปแบบ ทำให้ลดเวลาและเพิ่มความแม่นยำ นอกจากนี้ยังมี use case อย่างการประยุกต์ใช้ Communication Mining กับกระบวนการอ่านเอกสาร email, text และสัญญาต่างๆ (ใช้ GenAI มาช่วยแยกเยอะ ตีความ และตอบกลับ) เป็นต้น
  3. แนวโน้มที่มาแรงมากๆ อีกและถูกผู้บริหาร ผู้นำในองค์กรโหวตถึง 86% คือการใช้ ai มาช่วยยกระดับการสแกนกระบวนการปัจจุบัน และหา “ช่องโหว่” เพื่อปรับปรุงกระบวนการ ซึ่งในทุกวันนี้มีการใช้งาน process mining tools และ communication mining มาเพื่อจับสัญญาณต่างๆ เปรียบเหมือนเราไปสแกน MRI เพื่อให้ได้ผลวิเคราะห์ที่ถูกต้องแม่นยำมากขึ้น มาใช้ในการพัฒนา ปรับกระบวนการ
  4. จากผลลัพธ์จากแบบสอบถาม 65% มองเรื่องการความจำเป็นในการที่องค์กรจะเริ่มมองหา และใช้งานเทคโนโลยีปัญญาประดิษฐ์อย่าง LLM (Large Language Model) และ Generative AI เสียที หลายๆ องค์กรจะริเริ่ม pilot ในปีนี้เสียด้วยซ้ำ แนวโน้มการใช้ “Co-Pilot” หรือผู้ช่วยการทำงานของพนักงานในทุกระดับ ไม่ว่า business user ที่ไม่มีทักษะไอทีใด ๆ หรือ นักพัฒนาโปรแกรม นักวิเคราห์ปรับปรุงกระบวนการ ซึ่งจากนี้ไปจะมีเครื่องมือจาก UiPath Autopilot มาเป็นเพื่อน ไมว่าคุณอยากจะเทรนโมเดล สอนการ copy-paste ข้อมูลข้ามจากเอกสาร (กระดาษ) ไปลงปลายทางที่หน้าจอระบบ ERP (GUI) ก็ทำได้อย่างง่ายๆ และทำด้วยด้วยภาษามนุษย์เราสื่อสารกับ GenAI เป็นต้น ไว้อันนี้แอดมินจะมาเล่าละเอียดอีกครั้ง
  5. ความสามารถของปัญญาประดิษฐ์ทำให้เกิดแนวโน้มอันนี้ที่ว่าในตัวกระบวนการสร้าง robot เองก็จะ “เก่ง” ขึ้นเรื่อยๆ ตั้งแต่การสร้างโปรแกรมด้วยการสั่งงาน (ไม่ต้องเริ่มด้วยการโค้ด) การรู้ตนด้วยการรู้สถานะตนเองของโรบอทว่าทำงานได้ปกติดี หรือต้องการปรับปรุงส่วนใด ๆ ระบบจะนำแนะออกมาให้นักพัฒนา และสุดท้ายคือการเทรนโมเดลที่ทำได้ด้วยความรวดเร็วกว่ายุคก่อนด้วยเทคนิคใหม่ๆอย่าง GenAI เป็นต้น ซึ่งอันนี้จะเป็นแค่การเริ่มต้นในปีหน้า แต่จะต่อยอดอย่างเข้มแข็งเป็นเทรนหลักในปีต่อๆไป
  6. จริยธรรม ธรรมมาภิบาล รวมไปถึงกฎเกณฑ์การใช้เอไอได้ หรือไม่ได้จะถูกกำหนดขึ้นมาจากองค์กร แรงกระเพื้อมอันนี้จำเป็นอย่างยิ่งในยุคเอไอถูกใช้จากคนในทุกระดับ เพราะเราต้องมี platform ที่แข็งแรง มีการเก็บข้อมูลการใช้งาน เอามาวิเคราะห์และตั้งกฎตั้งค่าการใช้ให้ปลอดภัย และไม่ไปละเมิดกฎเกณฑ์ใดๆ ที่มนุษย์เราตั้งขึ้นมาด้วย การทำงานร่วมระหว่างมนษย์และหุ่นยนต์ในลักษณะ “ผู้ตรวจงานโรบอท” จะเป็นแนวโน้มหลักจากนี้ไป ทำให้เทรนอันนี้จำเป็นต้องมีผู้รู้ที่เคยทำมาก่อน มี best practice ที่ดีมาช่วยแนะนำด้วย
  7. แนวโน้มการต้องยอมรับการเปลี่ยนแปลงด้วยการ force จากปัญญาประดิษฐ์ ความสามารถของมันในการทำงานแทนมนุษย์เรา ด้วยทักษะของ LLM ที่ปัจจุบันก็แทบจะทำได้ 70-80%ในงานนั้นๆอยู่ จะเกิดอะไรในปี 2030 เมื่อ กระบวนการทั้งหมดจะถูกปรับเป็นระบบอัตโนมัติด้วยโรบอต เกิดการทำงานร่วมกันของมนุษย์และหุ่นยนต์  แนวคิดของการ “นิยาม” การทำงานใหม่ๆ จึงเกิดขึ้นเช่น การเรียนรู้จากผู้เชี่ยวชาญในรูปแบบใหม่ๆ การนำเข้าประสบการณ์ใหม่ใหม่ควบรวมกับประสิทธิภาพของปัญญาประดิษฐ์ การออกกฎเกณฑ์มาควบคุมและดูแลในระดับสังคมโดยรวม และสุดท้ายคือการพัฒนาทักษะใหม่ใหม่อาทิเช่น prompt engineers ที่อาจจะมาแทนที่ทักษะการเขียน code เป็นต้น ในปีหน้าน่าจะมีอะไรใหมๆ มาเพิ่มเข้าไปอีก หวังว่าทุกคนจะเรียนรู้ และสนุกไปกับมันกันครับ

ในปีหน้าน่าจะมีอะไรใหมๆ มาเพิ่มเข้าไปอีก หวังว่าทุกคนจะเรียนรู้ และสนุกไปกับมันกันครับ

Source:

https://www.uipath.com/resources/automation-whitepapers/automation-trends-report

Process Discovery คืออะไร, สำคัญอย่างไรสำหรับโครงการ RPA

สำหรับผู้ที่มีหน้าที่ขับเคลื่อนโครงการ RPA หรือมีบทบาทในโครงการ RPA นั้น ขั้นตอนของ Process Discovery จัดว่าเป็นขั้นตอนหนึ่งที่สำคัญมากของโครงการ เนื่องจากเรื่องนี้เกี่ยวข้องโดยตรงกับความสำเร็จในการนำเทคโนโลยี RPA ไปใช้กับงานในองค์กรของเรา

เราลองนึกภาพดูถ้าองค์กรของเราเลือก process การทำงานที่ (ไม่ทราบมาก่อนว่า) ซับซ้อน เกิดปัญหามากมายในขั้นตอนการพัฒนาอันทำให้โครงการล่าช้ากว่ากำหนดมากและได้ผลลัพท์ที่สุดท้ายแล้ว ไม่ได้ช่วยให้ผู้ใช้งานมีชีวิตการทำงานที่ง่ายขึ้น โครงการนี้ก็จะหมดความน่าสนใจจากทุกๆฝ่ายไปในที่สุด

Process Discovery เป็นขั้นตอนที่สมาชิกโครงการ RPA (ผู้ที่มีบทบาทหลักคือ หัวหน้าโครงการ ผู้ใช้งาน นักวิเคระห์และออกแบบระบบ เป็นต้น) คัดเลือกและวิเคราะห์กระบวนการทำงานที่มีอยู่ภายในองค์กรเพื่อพิจารณาว่ากระบวนการใดเหล่านี้เหมาะสำหรับพัฒนา เป็นระบบทำงานอัตโนมัติด้วย RPA โดยเป็นการค้นหากระบวนการที่มีลักษณะต่อไปนี้ เช่น เป็นการทำงานซ้ำในรูปแบบเดิม ใช้เวลามากจนกระทบงานอื่น มีเงื่อนไขการทำงานที่แน่นอน เกี่ยวข้องกับงานที่ต้องอาศัยข้อมูลจากระบบต่าง ๆ ในองค์กรมาประกอบการใช้งานเป็นจำนวนมาก

เป็นต้นโดยเรียกคุณลักษณะเหล่านี้ว่าเกณฑ์การพิจารณา ส่วนผลลัพธ์ของการทำงานส่วนนี้จะเป็น Process List ที่ผู้ใช้งานหรือสมาชิกโครงการระดมความคิดออกมาว่า กระบวนการทำงานไหนบ้างที่สมควรถูกเลือกขึ้นมาศึกษาในเชิงลึกว่ามีความเหมาะสม คุ้มค่ากับการพัฒนาให้เป็นระบบทำงานอัตโนมัติบ้าง

ในการทำ workshop ของขั้นตอน Process Discovery เราอาจใช้วิธีแบ่งกลุ่มผู้ใช้งานออกเป็นกลุ่มต่างๆ ที่ค่อนข้างมีความเข้าใจการทำงานในปัจจุบันของแต่ละคน และเลือก process ที่เห็นร่วมกันออกมาชุดหนึ่งเพื่อหารือกันในที่ประชุมรวม

ผู้ใช้งานจะต้องพยายามคิดว่างานของตนยังมีสิ่งใดที่เป็นปัญหาหรือสามารถทำให้ได้ดีกว่าที่เป็นอยู่ หากไม่แน่ใจก็สามารถซักถามเพื่อนร่วมกลุ่มหรือวิทยากรที่มีหน้าที่ให้คำปรึกษา เพื่อที่ว่าสุดท้ายกลุ่มของตนจะสามารถได้ Process List ที่มั่นใจได้ว่าสามารถช่วยปรับปรุงการทำงานของเราให้ดีขึ้นได้

การทำ workshop นี้ ยังเป็นโอกาสอันดีที่

  1. พนักงานบุคคลากรในกลุ่มสามารถแลกเปลี่ยนข้อมูลและความเข้าใจในการทำงานของแต่ละคนซึ่งอาจอยู่คนละแผนก ซึ่งการเข้าร่วม workshop ลักษณะนี้ไม่ใช่เป็นแค่การประชุมเฉพาะกิจเวลาที่เกิดปัญหาและต้องการการแก้ไขเฉพาะหน้า แต่เป็นเรื่องของการมองภาพใหญ่ของโอกาสในการปรับปรุงกระบวนการทำงานให้มีประสิทธิภาพมากขึ้น
  2. ได้รับฟังความคิดเห็นและมุมมองในการทำงานที่กว้างขึ้นจากพนักงานที่ปกติอาจจะไม่ได้มีโอกาสแสดงความคิดเห็นออกมา เนื่องจากในแต่ละวันเราก็จะให้ความสนใจเฉพาะกับงานที่เราต้องรับผิดชอบ ทำให้ขาดโอกาสในการเห็นภาพรวม
  3. ได้รับความรู้และข้อมูลจากฝั่งของเทคโนโลยีจากผู้เชี่ยวชาญที่นำมาถ่ายทอดแลกเปลี่ยนระหว่างการทำworkshop ซึ่งทำให้องค์กรสามารถรับทราบความเป็นไปของเทคโนโลยีที่ตนเองสามารถนำมาใช้ประโยชน์ แม้บางแนวคิดที่ได้จาก workshop อาจยังไม่เหมาะสมที่จะหยิบมาพัฒนาได้เลยทันที แต่ก็ยังสามารถุศึกษาเพิ่มเติมหากเป็นประโยชน์ในอนาคตได้  

ทั้งนี้ Process List ที่สมาชิกโครงการได้รวบรวมออกมาจะถูกนำมาจัดกลุ่มเป็น 4 กลุ่มหรือ 4 Quadrants ตามการประเมินจากมุมมองแรกคือ มองประโยชน์ที่ผู้ใช้งานหรือองค์กรคาดหมายจะได้รับ และอีกมุมคือมุมมองของต้นทุนและความซับซ้อนของการพัฒนางานเหล่านี้ให้เป็นระบบ RPA

โดยที่กลุ่มของกระบวนการทำงานใน Process List ทั้ง 4 กลุ่มสามารถอธิบายได้ดังนี้

  1. Quick-Win: กลุ่มกระบวนการทำงานที่จะก่อให้เกิดประโยชน์แก่องค์กรได้มาก ในขณะที่ต้นทุนหรือความซับซ้อนในการพัฒนากระบวนการทำงานให้เป็น RPA มีไม่มากนัก เหมาะสมกับการเลือกมาทำเป็นระบบ RPA เป็นกลุ่มแรก ซึ่งเราต้องการได้ผลลัพท์ที่รวดเร็วเพื่อรักษาโมเมนตัมของโครงการ
  2. Low-Hanging Fruits: กลุ่มกระบวนการทำงานที่จะก่อให้เกิดประโยชน์แก่องค์กรได้พอประมาณ แม้ไม่มากเท่ากับกลุ่ม Quick-Win ในขณะที่ต้นทุนการทำงานก็ไม่ได้สูงมากหรือทำได้ไม่ยากเท่าไหร่ หากพิจารณาว่าสามารถได้รับประโยชน์ที่เพียงพอ ก็สามารถเลือกทำเป็นกลุ่มถัดไป
  3. Must-Do Improvements: กลุ่มกระบวนการทำงานที่คาดหวังให้เกิดประโยชน์แก่องค์กรได้มาก แม้มีต้นทุนค่าใช้จ่ายที่สูงหรือมีความซับซ้อนในประเด็นต่างๆของการพัฒนาระบบอยู่พอสมควร ก็ยังคุ้มที่จะลงทุนทำ
  4. Long-Term Improvements: กลุ่มกระบวนการทำงานที่มีประโยชน์หรือคุณค่าต่อองค์กรไม่มาก โดยเฉพาะเมื่อเทียบกับต้นทุนความซับซ้อนที่ต้องใช้พัฒนาโครงการ อาจมองกลุ่มงานนี้เป็นกลุ่มสุดท้าย อาจพิจารณายังไม่ต้องทำในตอนนี้ หรือรอพิจารณาเชิงคุณประโยชน์ที่มีโอกาสเพิ่มขึ้นได้ในอนาคต 

เราสามารถใช้เกณฑ์การให้คะแนน (Automation Score) ที่คำนึงจากปัจจัยทั้งด้านประโยชน์ที่คาดว่าจะได้รับและด้านต้นทุนการพัฒนา มาช่วยเราในการจัดกลุ่มได้ 

อย่างไรก็ตามแม้การทำ workshop ในขั้นตอน Process Discovery นี้จะดูมีขั้นมีตอน มีเกณฑ์การคัดเลือก Process List ที่ค่อนข้างชัดเจนและสามารถคำนวนเป็นตัววัดเชิงปริมาณอย่างคะแนนที่จะช่วยให้เราจัดกลุ่ม process เหล่านี้ได้ เรายังมีข้อสังเกตบางประการจากการสังเกตกิจกรรมที่เกิดขึ้นใน workshop ซึ่งอาจทำให้เราไม่ได้ Process List ที่ดีที่สุดสำหรับการวางแผนโครงการ RPA ในระยะถัดไป คือ

  1. การขาดบุคคลากรที่มีความเข้าใจจริงในกระบวนการทำงานที่กำลังประเมินอยู่ ในกรณีที่ผู้ใช้งานที่ลงมือทำเองหรือมีความเข้าใจในขั้นตอนและปัญหาการทำงานจริงๆไม่ได้อยู่ร่วมใน workshop ซึ่งทำให้ Process List ที่ทำออกมาไม่ได้แสดงถึงกลุ่มงานที่เหมาะสมที่สุดที่จะพัฒนาให้เป็นระบบ RPA
  2. การขาดข้อมูลที่จำเป็นสำหรับการตัดสินกระบวนการทำงานที่กำลังประเมินอยู่ เวลาเราพูดถึงประโยชน์ที่คาดหวังจากการเพิ่มประสิทธิภาพการทำงานหรือความซับซ้อนของการทำงานที่เรากำลังเผชิญอยู่ เราควรมีวิธีที่จะเก็บค่าสถิติของการทำงานนี้ให้ได้อย่างครบถ้วนและใกล้เคียงความจริงให้ได้มากที่สุด เช่น ขั้นตอนและเงื่อนไขการทำงานที่เราทำอยู่ เวลาที่ใช้อยู่ เวลาที่คาดการณ์ว่าจะลดลงเมื่อมีระบบ RPA มาใช้เป็นต้น ถ้าสมมุติฐานหรือค่าสถิติเหล่านี้คลาดเคลื่อนจากความจริงไปมาก เราจะได้ Process List ที่ไม่เหมาะสมและจะส่งผลต่อความสำเร็จและการยอมรับของโครงการ RPA
  3. การที่ผู้ใช้งานหรือบุคคลากรที่มีหน้าที่ประเมินความเหมาะสมของโครงการ ยังไม่ได้รับทราบข้อมูลด้านเทคโนโลยีที่จะนำมาใช้ออกแบบและทำงานจริงอย่างเพียงพอ ทำให้เป็นอุปสรรคต่อการประเมินความซับซ้อนของการพัฒนาและการเลือกรูปแบบการทำงานใหม่ที่เหมาะสม

การได้ Process List จากการทำ workshop เป็นเพียงผลลัพท์แรกเท่านั้น process ต่างๆที่คิดได้ยังต้องผ่านการพิจารณาในรายละเอียดและจัดทำเป็น business case ที่มีข้อมูลสนับสนุนในเชิง costs & benefits ที่เพียงพออีก เพื่อให้ผู้มีอำนาจตัดสินใจอนุมัติและรวบรวมเข้าไปในแผนการพัฒนาโครงการต่อไป

ปัญหาที่พบจากข้อสังเกตที่กล่าวถึงในบทความสามารถแก้ไขได้โดยการจัดการเวลาที่เหมาะสมเพียงพอ เช่นการให้ความรู้เชิงเทคโนโลยีกับผู้ใช้งานที่เพียงพอก่อนที่จะประเมินความเป็นไปได้ของการพัฒนากระบวนการทำงานต่างๆ และการใช้เครื่องมือหรือเทคนิคในการเก็บค่าสถิติของการทำงาน เช่น เวลาและขั้นตอนการทำงานที่แท้จริงไม่ใช่มาจากการคาดเดา จุด bottleneck ต่างๆของแต่ละกระบวนการทำงาน เป็นต้น เพื่อให้การทำ Process Discovery ได้ผลลัพท์ที่เกิดประโยชน์ที่แท้จริงแก่องค์กร

หุ่นยนต์นักบัญชีปี 2023 (Robotic Process Automation with Accounting use case)

ในช่วงต้นเดือน ต.ค. ที่ผ่านมานับเป็นเกียรติอย่างยิ่งของแอดมิน และทีมงาน automat consulting ได้รับความไว้วางใจให้เข้าไปมีส่วนในการแบ่งปันประสบการณ์ถ่ายทอดการใช้งานระบบ RPA ให้กับน้องน้องนิสิตปริญญาตรี และปริญญาโทคณะบัญชี จุฬาลงกรณ์มหาวิทยาลัย ซึ่งก่อให้เกิดการประชุมร่วมมือกันทำ MOU สามฝ่ายตั้งแต่คณะบัญชีจุฬา(CBS) รวมไปถึง UiPath Global และบริษัท Automat Consulting พวกเราหารือกันว่าจะร่วมกันแบ่งปัน แชร์เครื่องมือ และสอนการพัฒนา เพิ่มทักษะดิจิตตอลด้วยการใช้ RPA จาก UiPath ให้กับน้อง ๆ นิสิต บุคลากรในมหาวิทยาลัย และยังเล็งเห็นความสำคัญไปถึงภาคของสังคมอีกด้วย น่าจะได้เห็นกิจกรรมดีๆ จากความร่วมมือครั้งนี้กันต่อไปครับ

จากนั้นทาง อจ จากคณะได้ขอให้ช่วยไปทำ online session เพื่อแชร์เรื่อง “ความสำเร็จของหุ่นยนต์นักบัญชี” ในช่องบัญชีออนไลน์ที่จัดกันทุกๆเดือน แอดมินก็เตรียมข้อมูล เคส และ live demo หลายๆชิ้นไป ปรากฏว่าคุยไปมาเวลาหมดกันไปเสียก่อน ยังมีเรื่องที่เตรียมไว้แต่ไม่ได้เล่าจึงถือโอกาสมาเขียนแชร์ไว้ในบล็อกวันนี้เลย และหวังว่าโอกาสหน้าจะได้ไปเล่าใน Banshi Online ให้กับท่านนักบัญชีอีกครั้งครับ แต่สามารถตามไปดู-ฟัง ย้อนหลังกันได้ที่นี่ครับ (หนึ่งชั่วโมง)

บล็อกวันนี้เลยนำ use case ทางบัญชีที่เห็นกันประจำ และ automat ได้เข้าไปช่วยทำออกมาคร่าวดังนี้ครับ

  1. การประมวลผลใบสั่งซื้อ (Purchase Order Processing) ใช้ในการอัตโนมัติกระบวนการสแกนใบสั่งซื้อเพื่อดึงข้อมูลสำคัญ, นำข้อมูลเหล่านี้เข้าสู่ระบบที่เหมาะสม และสร้างคำขออนุมัติ
  2. การจับข้อมูลของใบกำกับสินค้า ใบส่งของ (Invoice, DO Data Capture) เราเอา RPA+AIไปใช้ในการสแกน แปลงรูปแบบ และอัปโหลดข้อมูลจากใบกำกับสินค้าที่เป็นกระดาษและเอกสารกระดาษที่เหมือนกันโดยอัตโนมัติเข้าสู่ระบบ ERP เช่น SAP, JDE, Oracle หรืออื่นๆ
  3. การสร้างใบกำกับสินค้าอัตโนมัติ (Invoice Creation) เราใช้ RPA ไปอ่านข้อมูลอัตโนมัติคำขอใบกำกับสินค้าทางอีเมลและไฟล์แนบ บันทึกไฟล์ที่ได้รับโดยอัตโนมัติ และบันทึกข้อมูลในระบบบัญชี RPA สามารถใช้ในการอ่านไฟล์ Excel ในโฟลเดอร์ที่แชร์เพื่อดึงรายละเอียดและเก็บไว้ในฐานข้อมูล จากนั้นเข้าสู่ระบบบัญชีเช่น SAP, Oracle เพื่ออัพเดตข้อมูลกลับ คนก็ไม่ต้องพิมพ์อีก ลดเวลาไปเยอะ
  4. การอัตโนมัติกระบวนการใบกำกับสินค้า (Invoice Process Automation) ประมวลผลใบกำกับสินค้าตั้งแต่เริ่มจนจบ สามารถดึงข้อมูล จัดประเภท และตรวจสอบข้อมูลจากใบกำกับสินค้าหรือบิลสาธารณ utilitiesได้โดยอัตโนมัติ
  5. การตรวจสอบการปรับปรุงบัญชีระหว่างบริษัท Intercompany Reconciliations (ICR) ใช้ RPA ช่วยในการปรับสมดุลบัญชี และสร้างงบการเงิน (Excel with formula) โดยไม่มีข้อผิดพลาดใด ๆ

ตอนจบรายการ แอดมินยังได้มีการ live demo สั้นๆ ไปกับตัว UiPath Clipboard AI ซึ่งเป็นอีกเครื่องมือหนึ่งที่น่าจะมีประโยชน์กับนักบัญชี และไว้จะนำมาเล่าในโอกาสต่อไป

Youtube = https://youtu.be/HTyR_2jOKFM

Source: 

  1. https://www.facebook.com/BanshiOnline/videos/1084329746064231/?mibextid=zDhOQc
  2. https://youtu.be/HTyR_2jOKFM

ตัวอย่างความสำเร็จการใช้งาน RPA ด้วยอเวนเจอร์ทีม (COE– Community of Excellence)

ประสบความสำเร็จ ด้วยการจัดทีมที่ถูกต้องกับ COE

“UiPath Automation CoE Q1 FY24” นำเสนอสรุปความสำคัญของความสำเร็จและการอัปเดตในศูนย์กลางการอัตโนมัติของ UiPath (Automation Center of Excellence, CoE) ในไตรมาสแรกของปีงบประมาณ 2024 ซึ่ง CoE เป็นทีมที่ได้รับมอบหมายจาก UiPath ให้เน้นการขับเคลื่อนโครงการอัตโนมัติและให้การดำเนินโครงการอัตโนมัติอย่างเป็นทางการสำเร็จลงตัว

บทความบล็อก blog.uipath.com เน้นไปที่หลายส่วนที่สำคัญภายใน UiPath Automation CoE ซึ่งรวมถึง:

  1. การขยายขอบเขตของ CoE: CoE (แก็งค์อเวนเจอร์ ผู้เชี่ยวชาญเรื่อง automation ในบทบาทต่างๆ) ได้เพิ่มขนาดทีมและการเผยแพร่ทางภูมิภาคอย่างมีนัยสำคัญ มีการรับสมาชิกใหม่เข้าทีมเพื่อสนับสนุนความต้องการในการบริการอัตโนมัติที่เพิ่มมากขึ้นในภูมิภาคต่างๆ
  2. ความสำเร็จของลูกค้า: บทความบล็อกนำเสนอบางเรื่องราวเกี่ยวกับความสำเร็จของลูกค้าของ UiPath ที่ได้ใช้ความเชี่ยวชาญของ CoE เพื่อบรรลุผลลัพธ์ทางธุรกิจที่แท้จริงผ่านการใช้งานโซลูชันอัตโนมัติ ตัวอย่างเหล่านี้สะท้อนค่าออกมาเป็นรูปธรรม วัดผลได้ และผลกระทบของการนำเสนอโซลูชันอัตโนมัติ
  3. ความร่วมมือและการแบ่งปันความรู้: CoE เน้นการร่วมมือและการแบ่งปันความรู้ภายในชุมชนของ UiPath ทีมมุ่งหวังในการแลกเปลี่ยนแนวทางที่ดีที่สุด การเรียนรู้ไปด้วยกัน และแชร์ความรู้ภายในระบบอัตโนมัติทั่วไปเพื่อเป็นประโยชน์ต่อกันผ่านระบบการสื่อสารต่างๆ เช่น Automation Hub
  4. การปรับปรุงอย่างต่อเนื่อง: CoE มุ่งมั่นที่จะพัฒนาความสามารถ ส่งต่อระบบอัตโนมัติ ลงทุนในงานวิจัยและพัฒนาเพื่อทำให้เป็นที่น่าสนใจสำหรับเทคโนโลยีอัตโนมัติและการส่งมอบโซลูชันนวัตกรรม
  5. แบ่งปัน และแชร์คิดเห็น และการรับรองจากตัวจริงในแต่ละอุตสาหกรรม: บทความบล็อกเน้นผลงานที่ได้รับการยอมรับในอุตสาหกรรมอัตโนมัติผ่านการบรรยายความคิดเห็น ทีมงานได้รับการยอมรับเป็นอย่างดีและมีส่วนร่วมในงานประชุมและการสัมมนาอุตสาหกรรม
  6. การสนับสนุนและการช่วยเหลือลูกค้าตลอด: CoE ให้การสนับสนุนอย่างครบวงจรให้กับลูกค้าตลอดการเดินทางทางอัตโนมัติของพวกเขา ซึ่งรวมถึงการฝึกอบรมโปรแกรมเสริมการทำงาน การเครื่องมือฝึกอบรม และการประชุมในการสนับสนุนลูกค้าในการสร้างและขยายมูลค่าของโครงการอัตโนมัติของพวกเขาได้อย่างมีประสิทธิภาพ

มองเค้า แล้วเราเอามาเป็นตัวอย่าง เรียนรู้จากคนเก่ง ๆ จะบอกว่าโดยรวมแล้ว การให้ความสำคัญกับการทำให้ Automation CoE เป็นตัวเลือกที่ดี ในการขับเคลื่อนความเป็นเลิศของอัตโนมัติและสร้างค่าให้กับลูกค้า องค์กรเอง… มันเน้นการเติบโตของทีม แชร์ตัวอย่างความสำเร็จของลูกค้าหรือกรณีศึกษาพวก Use case ต่าง (จับต้องได้) ความร่วมมือ การปรับปรุงอย่างต่อเนื่อง เน้นแชร์ความคิดเห็น และการสนับสนุนและช่วยเหลือลูกค้า องค์กรในไทยที่ประสบความสำเร็จที่แอดมินพบเห็นต่างมีทีม COE ที่เข้มแข็งทั้งนั้นเลย โดยบทความต่อๆไปเราจะเน้นไปถึงวิธีการรวบรวมตัว (ก่อตั้ง) – สื่อสารปฎิบัติการ (จัดการ) และบทบาทสำคัญเพื่อให้ทีมอเวนเจอร์นี้เก่งกันไปคนละทางแต่มารวมแล้วได้ประโยชน์ (บทบาท) กันครับ ตามอ่านต่อนะครับ 🙂

Source: UiPath AI Summit 2023, 2023

สู่ Cognitive Automation กับการใช้งานในอุตสาหกรรมการผลิต

ก้าวล้ำไปกับยุค ai สู่ Cognitive Automation ผสานพลัง ai ไปใน RPA

ในช่วงไม่กี่ปีที่ผ่านมาการใช้เทคโนโลยีรวมถึง Robotic Process Automation (RPA) และ Artificial Intelligence (AI) ในการผลิตได้กลายเป็นที่เป็นที่นิยมมากขึ้น การผสานระหว่าง RPA และ AI ในการผลิตได้มีบทบาทสำคัญในการปรับปรุงกระบวนการผลิต เพิ่มประสิทธิภาพ และลดค่าใช้จ่าย และคาดว่าจะมีผลกระทบอย่างมากต่ออุตสาหกรรมในอนาคตต่อจากนี้ไป

RPA เป็นเทคโนโลยีที่ช่วยให้ธุรกิจสามารถอัตโนมัติงานที่ซ้ำซากและใช้เวลานาน มันเกี่ยวข้องกับการใช้หุ่นยนต์ซอฟต์แวร์เพื่อทำงานเช่นกรอกข้อมูล การประมวลผลใบแจ้งหนี้ และการประมวลผลการสั่งซื้อ RPA สามารถใช้ได้ในกระบวนการผลิตต่างๆ เช่นการจัดการสินค้าคงคลัง การควบคุมคุณภาพ การออกใบเสนอราคา การบริการลูกค้าผ่านช่องทางต่างๆ  และการจัดการโซ่อุปทาน การผสมผสาน RPA ในกระบวนการผลิตทำให้เกิดความแม่นยำ ความเร็ว และประหยัดค่าใช้จ่าย

AI เป็นเทคโนโลยีที่ช่วยให้เครื่องจักรเรียนรู้จากข้อมูล ตรวจสอบรูปแบบ และตัดสินใจโดยใช้ข้อมูลนั้น สามารถนำไปใช้ในการผลิต เช่นการตรวจจับข้อบกพร่อง “ทำนาย” การเสื่อมสภาพของเครื่องจักร และการปรับปรุงกระบวนการผลิตโดยการปรับการผลิตให้มีประสิทธิภาพมากขึ้นผ่านการทำ process mining และการใช้ AI ในการประมวลผลข้อมูลที่เกี่ยวข้องกับกระบวนการผลิต คิดและแนะนำผ่าน data analytic ที่สร้างอย่างรวดเร็วได้จาก Generative AI ช่วยให้กิจกรรมที่เกี่ยวข้องกับการควบคุมคุณภาพ การจัดการสินค้าคงคลัง และการวางแผนการผลิตเป็นไปอย่างมีประสิทธิภาพมากขึ้น เร็วและผิดพลาดน้อยได้อีกด้วย

ProcessTaskAutomation
Production trackingMeasure, analyze and improve visibility throughout the manufacturing processUse intelligent automation to develop a near real-time overview of progress on orders and the ongoing need for components or raw materials2
Invoice processingExtract data from invoices, compare with purchase orders, check for duplicates, update records in ERP systemUse RPA bots with OCR to automate the entire invoice processing cycle
Supply chain optimizationPrepare purchasing proposals, collect auction bids, create contracts, track shipments, manage ordersUse RPA bots to enable real-time data gathering, reporting, and communication across the supply chain
ตัวอย่างการประยุกต์ใช้

การผสมผสาน RPA และ AI ต้องคำนึงถึงการใช้เทคโนโลยีอย่างเหมาะสม การที่ผู้ประกอบการจะสองเทคโนโลยีนี้ให้เกิดประโยชน์สูงสุดต้องมีการวางแผนการใช้งานให้ถูกต้อง นอกจากนี้ยังมีความจำเป็นที่จะต้องมีการฝึกอบรมและพัฒนาทักษะของพนักงานเพื่อให้เข้าใจการใช้งาน RPA และ AI ในการผลิต อาจพิจารณาเรื่องการสร้างทีมงาน COE (Community of Excellence) ให้เกิดในองค์กร สร้าง Citizen Developer ให้ช่วยกันออกแบบ ดูแล ใช้งานอย่างถูกต้อง ให้ทีม COE ติดตามและประเมินผลการใช้งานเพื่อปรับปรุงและปรับเปลี่ยนการใช้งานอย่างต่อเนื่อง

ทั้งนี้เราอาจมองพัฒนาการของการควบรวมสองเทคนี้ออกเป็นสี่ขั้นตอน แบ่งเป็นความสามารถในการรองราบกระบวนการที่ซับซ้อนจากมองไปน้อย และการใช้ความสามารถของทั้ง rpa, ai อย่างเต็มที่ (ถ้าเราดึงความสามารถของทั้งสองเทคนี้มา ก็ย่อมรองรับกระบวนการที่ซับซ้อนสูงได้) จึงอาจเริ่มจาก

1.Robotic Process Automation ใช้งานทั่วไป มีมนุษย์สั่งงานเป็นขั้นตอนแล้วโปรแกรมมาทำแทนมนุษย์ (ได้ในบางส่วน) และยังคงต้องตรวจสอบผลงานก่อนนำไปใช้

2.Cognitive Automation รองรับงานได้มากขึ้น รับงานที่ไม่เป็นโครงสร้างจากการใช้ Machine Learning มาช่วย

3.Digital Assistants ระหว่างมนุษย์ และโปรแกรมโรบอท คุยกันผ่านภาษาที่ใช้ง่ายๆ และโปรแกรมนำงานไปปฎิบัติ

4.Automonous Agents ยังคงพัฒนาต่อเนื่องเพื่อให้ระบบทำงานทดแทนได้อย่างสมบูรณ์ ซึ่งขั้นนี้มองไปถึงการใช้โปรแกรมตัดสินใจทดมนุษย์เลย (กำลังพัฒนา และแนวโน้มเป็นไปในทิศทางนี้แต่ต้องใช้เวลาอีกพอสมควร)

สรุปว่า การผสมผสาน RPA และ AI ในการผลิตเป็นเทคโนโลยีที่สามารถช่วยเพิ่มประสิทธิภาพและความแม่นยำในการผลิต ช่วยลดค่าใช้จ่ายและเพิ่มกำไรให้กับธุรกิจให้แข่งขันได้ในยุคข้าวยากหมากแพง อย่างไรก็ตามการเลือกใช้งาน และผสานเทคโนโลยีนี้ ยังต้องมีการวางแผนและการฝึกอบรมพนักงานอย่างถูกต้อง และการติดตามผลการใช้งานเพื่อปรับปรุงและปรับเปลี่ยนเทคโนโลยีให้เหมาะสมกับธุรกิจ

ทาง automat consulting และสถาบัน IMC ได้ร่วมกันจัดงาน meet up สำหรับ นักวิเคราะห์ทางธุรกิจ นักพัฒนากระบวนการ นักพัฒนาระบบ มาร่วมรับฟัง แลกเปลี่ยนการใช้งาน RPA และ AI ในอุตสาหกรรมการผลิต โรงงาน การขนส่ง รวมไปถึงระบบ back office ต่างๆ ในวันที่ 26 พค. นี้ รายละเอียดดังนี้ 

ลงทะเบียนที่นี่ครับ https://docs.google.com/forms/d/e/1FAIpQLSdC1uf5l1wtxoQKNJThESYd1m2T1Rt2F69hMe2OrqXvy0_dSg/viewform

Source:

Learn more:

  1. planettogether.com2. blueprism.com3. research.aimultiple.com4. uipath.com5. nanonets.com6. contus.com7. techtarget.com
  2. UiPath AI Summit 2023, 2023