โมเดล Deep Learning (DL) ก่อให้เกิดความเปลี่ยนแปลงครั้งใหญ่เกี่ยวกับรูปแบบการประยุกต์ใช้งานข้อมูลเชิงลึกในสถานการณ์จริงและในชีวิตประจำวัน ก่อนหน้านี้โมเดล Deep Learning ถูกใช้งานอย่างจำกัดเฉพาะในแวดวงวิทยาศาสตร์และการวิจัย แต่เนื่องจากปัจจุบันมีข้อมูลจำนวนมหาศาล อีกทั้งพลังประมวลผลของคอมพิวเตอร์สามารถรองรับการประมวลผลแบบคู่ขนานได้อย่างรวดเร็วมากขึ้น มีเฟรมเวิร์กซอฟต์แวร์และโมเดลต่าง ๆ ด้วยเหตุนี้บริษัททั้งขนาดเล็กและขนาดใหญ่จึงหันมาปรับใช้เทคโนโลยี AI (Artificial Intelligence) กันอย่างกว้างขวาง เพื่อกลั่นกรองข้อมูลเชิงลึกและนำไปใช้ในการปรับปรุงและขยายธุรกิจให้เติบโต Show โดยเน็ตแอพ ผู้นำในการบริหารจัดการข้อมูลสำหรับระบบไฮบริดคลาวด์ ได้แบ่งปันประสบการณ์การใช้งานเทคโนโลยีปัญญาประดิษฐ์ (AI) ในกลุ่มอุตสาหกรรมการผลิต โทรคมนาคม และการแพทย์ กรณีการใช้งาน AI ในอุตสาหกรรมการผลิตการพบเจอกันของ Internet of Things (IoT) และ AI ส่งผลให้เกิดแนวคิดเรื่องระบบการผลิตแบบอัจฉริยะ หรือ Smart Manufacturing ที่มีการใช้เทคโนโลยีด้านการรู้คิดของคอมพิวเตอร์ปรับปรุงประสิทธิภาพในด้านต่าง ๆ เช่น การจัดการสินทรัพย์ การจัดการซัพพลายเชน การจัดการการขนส่ง และการตรวจสอบติดตามคำสั่งซื้อ กรณีการใช้งาน AI ที่พบเห็นอย่างแพร่หลายในภาคการผลิตมีดังนี้
กรณีการใช้งาน AI ในธุรกิจโทรคมนาคมในระดับที่สูงขึ้นไป สองปัจจัยหลักที่ขับเคลื่อนการใช้งาน AI ในธุรกิจโทรคมนาคม ได้แก่ การลดค่าใช้จ่ายในการดำเนินงานโดยอาศัยระบบงานอัตโนมัติ และการมอบประสบการณ์ที่เหนือกว่าให้แก่ลูกค้า ข้อมูลจาก Tractica ชี้ว่าการลงทุนด้านโทรคมนาคมในเทคโนโลยี AI คาดว่าจะแตะระดับ 36.7 พันล้านเหรียญต่อปีภายในปี พ.ศ. 2568 กรณีการใช้งาน AI ที่สำคัญในภาคธุรกิจโทรคมนาคมคาดว่าจะเป็นเรื่องของการตรวจสอบและจัดการการดำเนินงานเกี่ยวกับเครือข่าย โดยครองสัดส่วนค่าใช้จ่ายด้าน AI สูงที่สุดในช่วงระยะเวลาดังกล่าว ส่วนกรณีการใช้งาน AI ที่สำคัญอื่นๆ เกี่ยวข้องกับโปรแกรมผู้ช่วยเสมือนจริงสำหรับบริการลูกค้า, ระบบ CRM อัจฉริยะ และไซเบอร์ซีเคียวริตี้ กรณีการใช้งาน AI ที่ได้รับความนิยมในธุรกิจโทรคมนาคมมีดังนี้
กรณีการใช้งาน AI ในแวดวงการแพทย์การดำเนินการทางการแพทย์ต้องอาศัยกระบวนการต่าง ๆ อย่างมาก จึงมีความเป็นไปได้สูงมากที่จะใช้ AI เพื่อขับเคลื่อนการปรับปรุงประสิทธิภาพ ตอบสนองความต้องการในส่วนที่ยังเข้าไม่ถึง และรองรับการทำงานซ้ำ ๆ โดยอัตโนมัติ ทั้งในส่วนของการวิจัยและพัฒนา (R&D) การดูแลรักษาผู้ป่วย การถ่ายภาพทางการแพทย์ และงานด้านการบริหารจัดการ ผลการศึกษาของ Accenture ชี้ว่า ภายในปี พ.ศ. 2569 การประยุกต์ใช้งาน AI ในด้านการแพทย์จะช่วยประหยัดค่าใช้จ่ายได้ถึง 150 พันล้านเหรียญต่อปี กรณีการใช้งาน AI ที่ได้รับความนิยมในแวดวงการแพทย์ มีดังนี้
กรณีศึกษาสำหรับ ONTAP AI ในแวดวงการแพทย์ นอกเหนือจากกรณีศึกษาเกี่ยวกับกรณีการใช้งาน AI ในกลุ่มอุตสาหกรรมต่างๆ แล้ว เรามาลองดูตัวอย่างบางส่วนของการนำแพลตฟอร์ม ONTAP AI ไปใช้งานในภาคส่วนที่เกี่ยวข้อง ดังต่อนี้ สำหรับกรณีการใช้งานที่เกี่ยวข้องกับการแพทย์ มีการนำแพลตฟอร์มไปใช้ในการคัดแยกภาพถ่ายเนื้องอกมะเร็งเต้านม เราใช้ชุดข้อมูลของภาพเซลล์จาก University of Wisconsin รวมไปถึงโมเดล CNN พร้อมด้วยเลเยอร์แบบคอนโวลูชัน 3 เลเยอร์ และเลเยอร์แบบเชื่อมต่ออย่างทั่วถึง 2 เลเยอร์ โดยทั้งหมดนี้อยู่บนระบบ DGX-1, AFF A800, TensorFlow โดยมีการจัดเก็บข้อมูลด้วยเทคโนโลยี FlexGroup Volumes เราสามารถฝึกสอนโมเดลดังกล่าวให้มีความแม่นยำ 79% ในการระบุเซลล์ที่เป็นเนื้องอกธรรมดา และมีความแม่นยำถึง 92% ในการระบุเซลล์ที่เป็นเนื้อร้ายภายในชุดข้อมูลที่ทดสอบ แน่นอนว่าความแม่นยำดังกล่าวถูกจำกัดด้วยชุดข้อมูลขนาดเล็กที่ใช้ แต่ก็แสดงให้เห็นถึงความเป็นไปได้ในการใช้งาน AI และ ONTAP AI การประยุกต์ใช้งาน AI ในกลุ่มอุตสาหกรรมต่าง ๆ จำเป็นต้องอาศัยการจัดเก็บข้อมูลที่สอดประสานกันระหว่างอุปกรณ์ปลายทาง (Edge) ศูนย์คอมพิวเตอร์หลัก (Core) และระบบคลาวด์ ดังนั้นการจัดการข้อมูลอย่างไร้รอยต่อจึงมีความสำคัญ องค์กรต่าง ๆ สามารถเลือกที่จะพัฒนาแอพพลิเคชั่น AI บนระบบคลาวด์สาธารณะหรือระบบที่ติดตั้งภายในองค์กรก็ได้ โดยขึ้นอยู่กับแหล่งข้อมูล ขนาดของชุดข้อมูล และต้นทุนค่าใช้จ่าย |