AI Automation ที่ใช้งานได้จริง: บทเรียนจากข้อมูลยุ่งเหยิง

ในยุคที่ AI กำลังกลายเป็นเครื่องมือสำคัญในการเปลี่ยนแปลงธุรกิจ ภาพรวมของการนำ AI มาปรับใช้ในองค์กรขนาดใหญ่ยังเต็มไปด้วยความท้าทายที่ซับซ้อน โดยเฉพาะกับองค์กรที่ต้องรับมือกับข้อมูลจำนวนมากและกฎระเบียบเฉพาะตัวที่หลากหลาย คลิปวิดีโอหนึ่งที่น่าสนใจจาก AI Engineer ได้นำเสนอกรณีศึกษาของบริษัทสาธารณสุขรายใหญ่ที่พัฒนาซอฟต์แวร์สำหรับคลินิกและนักรังสีแพทย์ เพื่อแก้ไขปัญหาในกระบวนการนัดหมายผู้ป่วยผ่านการใช้ AI อัตโนมัติ ซึ่งมีผลกระทบทางธุรกิจที่ประเมินมูลค่ากว่า 100 ล้านดอลลาร์ต่อปี

บทความนี้จะเจาะลึกถึงปัญหาที่เกิดขึ้นจริงในระบบงาน รวมถึงวิธีการแก้ไขที่เน้นการสร้างแพลตฟอร์มสำหรับผู้ใช้งานที่ไม่ใช่นักพัฒนา (non-technical users) ให้สามารถสร้างและปรับแต่งระบบอัตโนมัติผ่านภาษาธรรมชาติได้ด้วยตนเอง พร้อมวิเคราะห์ความท้าทายและบทเรียนที่ได้จากการพัฒนาเทคโนโลยีนี้ เพื่อชี้ให้เห็นว่าการนำ AI มาช่วยงานธุรกิจในระดับองค์กรใหญ่สามารถทำได้อย่างไรโดยไม่ต้องพึ่งพานักพัฒนาตลอดเวลา

ความซับซ้อนในกระบวนการนัดหมายผู้ป่วยและผลกระทบทางธุรกิจ

จุดเริ่มต้นของปัญหาคือการนัดหมายผู้ป่วยในคลินิกรังสีวิทยา ซึ่งผู้ป่วยมักจะโทรศัพท์ติดต่อเจ้าหน้าที่รับสาย (operator) เพื่อแจ้งข้อมูลส่วนตัว เช่น เพศ อายุ อาการ และข้อมูลเกี่ยวกับประกันสุขภาพ จากนั้นเจ้าหน้าที่จะต้องเลือกโค้ดการดำเนินการทางการแพทย์ที่เหมาะสมกับผู้ป่วยแต่ละราย พร้อมกับดำเนินการนัดหมายเวลาที่เหมาะสมให้กับคลินิก

สิ่งที่ทำให้กระบวนการนี้ซับซ้อนมากขึ้นคือการที่แต่ละสายเรียกใช้เวลาประมาณ 12-15 นาที และหากสามารถลดเวลาลงได้เพียง 3 นาที จะส่งผลทางธุรกิจโดยตรงถึง 50 ล้านดอลลาร์ต่อปี เพราะช่วยเพิ่มจำนวนสายที่รับได้ ลดต้นทุนการฝึกอบรมเจ้าหน้าที่ และเพิ่มประสิทธิภาพในการนัดหมายผู้ป่วยในเครือข่ายคลินิกหลายพันแห่งทั่วสหรัฐอเมริกาและยุโรป

แต่ปัญหาหลักไม่ได้อยู่แค่ที่ความยาวของสายเท่านั้น หากแต่ยังรวมถึงความยุ่งยากของหน้าจอผู้ใช้ (UI) ที่เจ้าหน้าที่ต้องจัดการในแต่ละสาย เรียกได้ว่าเป็น “หน้าจอที่ซับซ้อนที่สุด” เพราะประกอบด้วยแท็บถึง 15 แท็บที่ต้องสลับไปมาเพื่อกรอกข้อมูลต่างๆ โดยเจ้าหน้าที่ต้องคอยวิเคราะห์และเลือกโค้ดการดำเนินการที่เหมาะสม ซึ่งมีความหลากหลายและเปลี่ยนแปลงได้ตามหลายปัจจัย

ความซับซ้อนของโค้ดการดำเนินการและกฎระเบียบ

โค้ดการดำเนินการทางการแพทย์ไม่ได้ขึ้นอยู่แค่กับอาการของผู้ป่วยหรือข้อมูลพื้นฐาน แต่ยังต้องพิจารณาปัจจัยอื่นๆ เช่น การเคยเข้ารับบริการที่คลินิกมาก่อนหน้านี้หรือไม่ กฎระเบียบของรัฐ รัฐบาลกลาง และท้องถิ่น รวมถึงนโยบายของแต่ละคลินิก เช่น เวลาทำการที่อาจไม่เหมือนกันในแต่ละสถานที่

ความซับซ้อนนี้ทำให้เกิด “การระเบิดของการตั้งค่าคอนฟิก” (configuration explosion) เพราะแต่ละคลินิกอาจมีชุดโค้ดที่แตกต่างกันอย่างสิ้นเชิง บางแห่งมีโค้ดมากถึง 250 โค้ดสำหรับการตรวจแมมโมแกรม ขณะที่บางแห่งมีเพียง 5 โค้ดเท่านั้น สิ่งนี้ทำให้ไม่สามารถสร้างโครงสร้างข้อมูลหรือ decision tree ที่ครอบคลุมได้อย่างตรงไปตรงมา

บทบาทของผู้เล่นหลักในระบบและความท้าทายที่เกิดขึ้น

ในระบบนี้มีผู้เล่นหลัก 3 กลุ่ม ได้แก่ เจ้าหน้าที่รับสาย (operator) ผู้พัฒนาซอฟต์แวร์ (developer) และผู้ดูแลระบบคลินิก (administrator) ซึ่งแต่ละฝ่ายมีบทบาทและข้อจำกัดเฉพาะตัวที่ส่งผลต่อการแก้ไขปัญหา

เจ้าหน้าที่รับสายต้องทำหน้าที่รับสายและกรอกข้อมูลใน UI ที่ซับซ้อนอย่างรวดเร็วและถูกต้อง ซึ่งเป็นงานที่มีความเครียดสูงและยากต่อการฝึกอบรม

ส่วนผู้พัฒนาซอฟต์แวร์ต้องรับมือกับความซับซ้อนของกฎและโค้ดที่แตกต่างกันในแต่ละคลินิก พวกเขาต้องเขียนโค้ดเพื่อรองรับทุกกรณีย่อยที่เป็นไปได้ ซึ่งเป็นงานที่ใช้เวลานานและซับซ้อนมาก

ขณะที่ผู้ดูแลระบบคลินิกเป็นผู้ที่เข้าใจกฎระเบียบและนโยบายของคลินิกเป็นอย่างดี แต่ขาดทักษะทางเทคนิคในการเขียนโค้ดหรือสร้างระบบอัตโนมัติ ทำให้เกิดปัญหา “automation paradox” หรือความย้อนแย้งของการทำระบบอัตโนมัติ ที่ผู้ที่เข้าใจกฎไม่สามารถเขียนโค้ดได้ และผู้ที่เขียนโค้ดได้กลับไม่เข้าใจกฎอย่างแท้จริง

ผลกระทบจากการตั้งค่าคอนฟิกที่ซับซ้อนและการฝึกอบรม

เมื่อระบบต้องรองรับกฎและกรณีต่างๆ มากขึ้น การเพิ่มคอนฟิกจะทำให้เกิดภาระในการฝึกอบรมเจ้าหน้าที่ที่ต้องเรียนรู้วิธีใช้งานระบบใหม่ๆ และยังมีความเสี่ยงที่จะเกิดข้อผิดพลาดจากความซับซ้อนเหล่านี้

ในหลายกรณี กฎหรือข้อยกเว้นที่ไม่เคยถูกเขียนโค้ด เช่น “คลินิกในบางพื้นที่ไม่รับนัดวันศุกร์” กลับต้องถูกจัดการด้วยวิธีการอื่น ซึ่งเพิ่มความยุ่งยากและต้นทุนในการบริหารจัดการ

แนวคิดการใช้ AI เพื่อแก้ไขปัญหาและลดภาระของผู้พัฒนา

ไอเดียที่ถูกนำเสนอคือการใช้ AI ที่สามารถเข้าใจและสื่อสารกับผู้ใช้งานที่ไม่ใช่นักพัฒนา ให้สามารถเขียนและปรับแต่งกฎหรืออัลกอริทึมในภาษาธรรมชาติได้โดยตรง แทนที่จะต้องพึ่งพานักพัฒนาที่มีความรู้ทางเทคนิคเท่านั้น

สิ่งนี้หมายความว่า ผู้ดูแลระบบคลินิกซึ่งเป็นผู้เชี่ยวชาญด้านกฎและนโยบาย สามารถ “vibe code” หรือเขียนโค้ดแบบคร่าวๆ ในรูปแบบที่เข้าใจง่าย และ AI จะช่วยแปลงสิ่งเหล่านั้นให้กลายเป็นโปรแกรมที่สามารถทำงานได้จริงโดยอัตโนมัติ

แนวทางนี้ช่วยตัดวงจรของการพึ่งพานักพัฒนาที่อาจไม่เข้าใจกฎทั้งหมด และทำให้ระบบอัตโนมัติสามารถปรับแต่งและพัฒนาต่อเนื่องได้รวดเร็วขึ้น

ความท้าทายหลักในการพัฒนา AI เพื่อแก้ปัญหานี้

แม้แนวคิดจะดูน่าสนใจ แต่การนำไปใช้งานจริงยังต้องเจอกับอุปสรรคสำคัญหลายประการ

ปัญหาแรกคือ “ปัญหาภาษา” (language problem) ซึ่งหมายถึงความแตกต่างระหว่างภาษาที่ผู้ใช้งานธุรกิจใช้สื่อสาร กับภาษาที่ AI หรือโมเดลภาษาขนาดใหญ่ (LLM) เข้าใจได้ดี โดยทั่วไป AI จะถนัดกับภาษาการเขียนโปรแกรมมากกว่าภาษาธุรกิจเฉพาะด้าน

หากนำ LLM ที่เป็นสต็อกมาใช้เลย อาจเกิดความผิดพลาดที่ไม่คาดคิดได้ เช่น การตีความผิดในกฎที่ส่งผลต่อการทำงานของระบบโดยตรง ซึ่งอาจสร้างความเสียหายร้ายแรงหากใช้กับงานที่เกี่ยวข้องกับชีวิตหรือข้อมูลสำคัญ

ความท้าทายที่สองคือ “ปัญหา DevOps” หรือกระบวนการในการพัฒนา ทดสอบ และนำระบบขึ้นใช้งานสำหรับผู้ใช้ที่ไม่ใช่นักพัฒนา ซึ่งต้องออกแบบให้เหมาะสมกับผู้ใช้งานที่ไม่มีพื้นฐานทางเทคนิค เพื่อให้สามารถตรวจสอบและแก้ไขปัญหาได้อย่างรวดเร็วและปลอดภัย

สุดท้ายคือ “ปัญหาด้านความปลอดภัย” ที่ต้องมั่นใจว่าการเปิดโอกาสให้ผู้ใช้งานเขียนกฎหรือโค้ดได้เอง จะไม่ส่งผลให้เกิดช่องโหว่ด้านข้อมูลหรือความปลอดภัยที่อาจนำไปสู่การรั่วไหลของข้อมูลสำคัญ

แนวทางแก้ไข: การสร้างภาษาเฉพาะองค์กร (Domain-Specific Language) และแพลตฟอร์ม Vibe Coding

แนวทางที่ทีมงานได้พัฒนาคือการสร้างภาษากลางเฉพาะองค์กรที่เรียกว่า AcmeQL หรือ PromptQL ที่ออกแบบมาเพื่อเป็นสะพานเชื่อมระหว่างผู้ใช้งานธุรกิจที่ไม่ใช่นักพัฒนา กับระบบ AI ที่สามารถแปลงคำสั่งในภาษาธรรมชาติให้กลายเป็นโปรแกรมที่รันได้จริง

ภาษานี้จะถูกสอนให้ AI เข้าใจบริบท กฎ และโครงสร้างข้อมูลเฉพาะขององค์กรนั้นๆ เพื่อให้การแปลงข้อความจากผู้ใช้งานเป็นโค้ดที่ถูกต้องและมีความหมายตรงตามเจตนา

สิ่งนี้ทำให้ผู้ดูแลระบบสามารถเขียนและปรับแต่งกฎได้เหมือนกับ “เขียนโปรแกรม” แต่ในรูปแบบที่ง่ายและเป็นธรรมชาติ โดยไม่ต้องเรียนรู้ภาษาการเขียนโปรแกรมที่ซับซ้อน

กระบวนการทำงานของแพลตฟอร์ม

ผู้ใช้งานเริ่มจากการป้อนคำสั่งหรือกฎในรูปแบบภาษาธรรมชาติ จากนั้น AI จะตีความและแปลงเป็นแผนการทำงาน (plan) ในรูปแบบ AcmeQL ซึ่งเป็นโปรแกรมที่มีความแน่นอน (deterministic) สามารถรันและทดสอบได้จริง

เมื่อโปรแกรมถูกสร้างขึ้น ระบบจะทำการทดสอบอัตโนมัติเพื่อยืนยันความถูกต้อง หากพบข้อผิดพลาด AI จะช่วยแก้ไขและปรับปรุงจนกว่าจะผ่านการทดสอบทั้งหมด

ในขั้นตอนสุดท้าย ผู้ใช้งานสามารถกด “deploy” เพื่อส่งโปรแกรมเข้าสู่ระบบจริงได้ทันที โดยไม่ต้องมีนักพัฒนามาคอยเขียนโค้ดหรือแก้ไขเพิ่มเติม

ตัวอย่างการใช้งานจริง: ระบบจัดการ GitHub Issue ด้วย AI

เพื่อแสดงให้เห็นภาพชัดเจน ทีมงานได้นำเสนอเดโมที่จำลองสถานการณ์การมอบหมายผู้รับผิดชอบใน GitHub Issue โดยใช้กฎธุรกิจที่ซับซ้อนและเปลี่ยนแปลงได้ตามสถานการณ์จริง

ผู้ใช้งานสามารถสั่งให้ AI วิเคราะห์คำอธิบายของปัญหา เช่น “data pipelines are not working” จากนั้น AI จะค้นหาไฟล์ที่เกี่ยวข้องมากที่สุดใน repository และระบุผู้ที่มีส่วนร่วมสูงสุดในไฟล์นั้นเพื่อนำมาเป็นผู้รับผิดชอบ

หลังจากนั้น ผู้ใช้งานสามารถกำหนดให้ระบบนี้กลายเป็น automation โดยระบุรูปแบบข้อมูลนำเข้าและผลลัพธ์ที่ต้องการ เช่น อินพุตมีฟิลด์ชื่อ description และเอาต์พุตมีฟิลด์ชื่อ name จากนั้นระบบจะทำการทดสอบและปรับปรุงอัตโนมัติจนมั่นใจว่าได้ผลลัพธ์ที่ถูกต้อง

หากพบว่าผลลัพธ์ไม่เหมาะสม เช่น ระบบเลือกผู้ที่ไม่ควรรับผิดชอบ ผู้ใช้งานสามารถเพิ่มกฎยกเว้น เช่น กรองผู้ที่เป็น external contributor ออกได้ทันที โดยไม่ต้องเข้าไปแก้ไขโค้ดเอง

เมื่อทุกอย่างพร้อม ผู้ใช้งานเพียงกดปุ่ม deploy เพื่อส่ง automation นี้ไปใช้งานจริง ทำให้กระบวนการมอบหมายงานใน GitHub สะดวกรวดเร็วและแม่นยำขึ้นมาก

ผลกระทบทางธุรกิจและอนาคตของการสร้างแพลตฟอร์ม AI ในองค์กร

การนำ AI แบบนี้มาใช้ในกระบวนการเลือกโค้ดการดำเนินการและการนัดหมายผู้ป่วยนั้น คาดว่าจะสร้างผลกระทบทางธุรกิจมูลค่ากว่า 100 ล้านดอลลาร์ต่อปี โดยช่วยลดความซับซ้อน ลดเวลาการทำงาน และเพิ่มความแม่นยำในการให้บริการ

สิ่งที่น่าสนใจคือ แนวทางนี้ไม่ได้มุ่งเน้นให้ AI มาทำงานแทนนักพัฒนาโดยตรง แต่เน้นสร้างเครื่องมือที่ช่วยให้ผู้ใช้งานที่ไม่ใช่นักพัฒนาสามารถสร้างระบบอัตโนมัติได้เอง ซึ่งน่าจะเป็นทิศทางที่สำคัญของการพัฒนาเทคโนโลยี AI ในองค์กรในอนาคต

เราจะเห็นว่าแทนที่จะพึ่งพานักพัฒนาเพียงกลุ่มเล็กๆ ในการสร้างซอฟต์แวร์ ทีมงานควรสร้าง “แพลตฟอร์ม vibe coding” ที่ปรับแต่งได้เฉพาะสำหรับแต่ละองค์กร เพื่อให้ทุกฝ่ายสามารถมีส่วนร่วมในการพัฒนาระบบได้อย่างรวดเร็วและยืดหยุ่น

คำศัพท์เฉพาะทางเพิ่มเติม

• Procedure Code (โค้ดการดำเนินการทางการแพทย์): รหัสที่ใช้ระบุประเภทของการตรวจหรือการรักษาทางการแพทย์ เช่น การตรวจแมมโมแกรมแบบเฉพาะเจาะจง
• LLM (Large Language Model): โมเดลภาษาขนาดใหญ่ เช่น GPT ที่สามารถประมวลผลและสร้างข้อความจากข้อมูลจำนวนมาก
• Domain-Specific Language (DSL): ภาษาการเขียนโปรแกรมหรือสคริปต์ที่ออกแบบมาสำหรับงานเฉพาะด้าน เช่น AcmeQL ที่ใช้สำหรับธุรกิจเฉพาะองค์กร
• Automation Paradox: ปรากฏการณ์ที่ผู้ที่เข้าใจกฎและธุรกิจอย่างลึกซึ้งไม่สามารถเขียนโค้ดได้ ในขณะที่นักพัฒนาที่เขียนโค้ดได้กลับไม่เข้าใจกฎธุรกิจอย่างแท้จริง
• DevOps: กระบวนการผสมผสานระหว่างการพัฒนา (Development) และการดำเนินงาน (Operations) เพื่อให้ซอฟต์แวร์ถูกพัฒนาและนำไปใช้งานได้อย่างราบรื่น

บทสรุปส่งท้ายจากทีมงาน Insiderly

• การนำ AI มาปรับใช้ในงานธุรกิจที่ซับซ้อนอย่างระบบสาธารณสุข ต้องเผชิญกับความท้าทายด้านข้อมูลและกฎระเบียบที่หลากหลาย
• ความซับซ้อนของ UI และโค้ดการดำเนินการทำให้เจ้าหน้าที่และนักพัฒนาต้องแบกรับภาระหนัก ทั้งในเรื่องการฝึกอบรมและการเขียนโค้ด
• แนวคิดการสร้างแพลตฟอร์มให้ผู้ใช้งาน non-technical สามารถเขียนกฎในภาษาธรรมชาติและแปลงเป็นโค้ดที่รันได้จริง ช่วยลดความย้อนแย้งและเพิ่มความคล่องตัวในการพัฒนา
• การแก้ปัญหาภาษา (language problem), DevOps สำหรับผู้ใช้ non-technical และความปลอดภัย คือหัวใจสำคัญที่ต้องจัดการก่อนนำ AI มาใช้งานจริง
• AcmeQL หรือภาษาเฉพาะองค์กรที่ถูกพัฒนาขึ้น เป็นตัวอย่างของการสร้างสะพานเชื่อมระหว่างธุรกิจและเทคนิค ที่ช่วยให้ระบบอัตโนมัติใช้งานได้จริงและมีความน่าเชื่อถือ
• อนาคตของ AI ในองค์กรน่าจะเน้นการสร้างแพลตฟอร์ม “vibe coding” ที่เปิดโอกาสให้ผู้เชี่ยวชาญด้านธุรกิจมีส่วนร่วมในการพัฒนาระบบมากขึ้น ลดการพึ่งพานักพัฒนาเพียงกลุ่มเล็กๆ

โดยรวมแล้ว แนวทางนี้ทำให้เราเห็นโอกาสใหม่ในการผสมผสาน AI กับกระบวนการทางธุรกิจที่ซับซ้อน โดยที่ยังคงรักษาความน่าเชื่อถือและความปลอดภัยได้อย่างดี ซึ่งเป็นก้าวสำคัญสำหรับองค์กรที่ต้องการเดินหน้าสู่ยุคของการทำงานที่ขับเคลื่อนด้วยข้อมูลและ AI อย่างแท้จริง