เส้นทางสู่ MLOps Maturity: เชื่อมช่องว่างระหว่าง Data Science กับระบบ Production

Eyal Maoz
5 ก.ย.
ยาว 1 นาที

จากโครงการนำร่องสู่การใช้งานจริง

ในหลายอุตสาหกรรม องค์กรต่าง ๆ ได้แสดงให้เห็นถึงความก้าวหน้าในการนำ Data Science และ AI มาใช้งาน ทีมต่าง ๆ สามารถพัฒนา Proof-of-Concept (POC) ที่น่าสนใจ และดำเนินโครงการนำร่อง (Pilot) ได้สำเร็จ อย่างไรก็ตาม เมื่อถึงขั้นตอนที่จะนำโซลูชันเหล่านี้ไปใช้งานจริงในระดับที่สามารถขยายผลได้ หลายโครงการกลับไปไม่ถึงเป้าหมาย

ประเด็นปัญหาไม่ได้เกิดจากการขาดนวัตกรรมหรือบุคลากรทางเทคนิคที่มีความสามารถ แต่ความท้าทายที่แท้จริงคือการทำให้ AI สามารถนำไปใช้งานได้จริงในระบบขององค์กร ซึ่งหมายถึงการฝัง AI เข้าไปในระบบต่าง ๆ ขององค์กรให้ทำงานได้อย่างมั่นคง อยู่ภายใต้การกำกับดูแล และดำเนินการได้อย่างยั่งยืน และนี่คือจุดที่แนวคิดเรื่อง MLOps Maturity เข้ามามีบทบาทสำคัญ (MLOps Maturity หมายถึง ระดับความพร้อมขององค์กรในการทำให้โมเดล AI ใช้งานได้จริงในระบบธุรกิจอย่างมีประสิทธิภาพ)

ช่องว่างระหว่าง Data Science กับระบบ Production

Data Science เติบโตได้ดีในสภาพแวดล้อมที่ออกแบบมาเพื่อการทดลองและการสำรวจ ในทางกลับกัน ระบบ Production ต้องการความเสถียร ความสามารถในการตรวจสอบย้อนหลัง การติดตามผล และการผสานรวมกับกระบวนการเดิมอย่างไร้รอยต่อ ดังนั้น การเชื่อมสองฝั่งนี้เข้าด้วยกันจึงเป็นงานที่ซับซ้อน

โมเดลที่ทำงานได้ดีในระยะนำร่อง อาจล้มเหลวเมื่อถูกใช้งานจริงในระดับที่ต้องขยายสเกล
หากไม่มีระบบควบคุมเวอร์ชัน และความสามารถในการทำซ้ำ การฝึกโมเดลซ้ำและการตรวจสอบจะเป็นเรื่องยาก
กระบวนการนำไปใช้งานจริงแบบ manual นำมาซึ่งความล่าช้าและเพิ่มความเสี่ยงในการปฏิบัติงาน

รายงานล่าสุดจาก MIT Media Lab ซึ่งเป็นส่วนหนึ่งของโครงการ NANDA ได้ชี้ให้เห็นช่องว่างนี้อย่างชัดเจน โดยระบุว่า 95% ของโครงการนำร่องที่ใช้ Generative AI ไม่สามารถสร้างผลลัพธ์ทางธุรกิจที่ชัดเจนและวัดผลได้ ไม่ใช่เพราะตัวโมเดลทำงานได้ไม่ดี แต่เป็นเพราะไม่สามารถเชื่อมต่อกับกระบวนการทำงานจริงในองค์กรได้อย่างมีประสิทธิภาพ

เส้นทางของ MLOps Maturity

MLOps Maturity ไม่ใช่เป้าหมายที่ไปถึงเพียงครั้งเดียว แต่เป็นเส้นทางที่พัฒนาอย่างต่อเนื่อง ในทางปฏิบัติ เราเห็นว่าองค์กรต่าง ๆ ค่อย ๆ พัฒนาไปตาม 4 ระยะหลัก ดังนี้:

IInitial (Ad-hoc Pilots): ทดลองทำโปรเจกต์แยกกันเป็นเคส ๆ ซึ่งมักจะได้ผลดีในวงจำกัด แต่ยังไม่มีโครงสร้างหรือระบบรองรับสำหรับการนำไปใช้งานจริง
Repeatable (Basic Pipelines): ทีมต่าง ๆ เริ่มมีการใช้ Workflow และ Pipeline ที่เป็นมาตรฐานสำหรับใช้ในการฝึกโมเดลและการนำไปใช้งานจริง
Reliable (Automated Monitoring): ): มีระบบ monitoring, alerting และ retraining รองรับ ช่วยลดงาน manual และลดความเสี่ยง
Scalable (Enterprise Integration): AI ถูกฝังเข้าในกระบวนการทำงานขององค์กรอย่างเต็มรูปแบบ มีการควบคุมด้วยนโยบายที่ชัดเจน และสามารถขยายการใช้งานได้ในหลายหน่วยธุรกิจ

การพัฒนาต่อเนื่องในเส้นทางนี้ ช่วยลดอุปสรรคในการทำงานร่วมกันระหว่าง Data Science กับ Production และยังช่วยเสริมสร้างความมั่นใจในความสม่ำเสมอและคุณค่าทางธุรกิจที่ AI สามารถส่งมอบได้

บทเรียนจากประสบการณ์ภาคสนาม

ที่ Sertis เราได้เห็นเส้นทางนี้เกิดขึ้นจริงในหลากหลายอุตสาหกรรม ไม่ว่าจะเป็นองค์กรที่อยู่ภายใต้กฎระเบียบเข้มงวด ตลาดผู้บริโภคที่เปลี่ยนแปลงรวดเร็ว หรือธุรกิจดิจิทัลที่กำลังเติบโต สิ่งที่เราพบคือ ความสำเร็จขององค์กรไม่ได้ขึ้นอยู่กับความซับซ้อนของโมเดลเพียงอย่างเดียว แต่อยู่ที่ความสามารถในการนำโมเดลไปใช้งานจริงอย่างมีประสิทธิภาพ ไม่ว่าจะผ่านโครงสร้างกำกับดูแลที่เหมาะสม การทำงานร่วมกัน และความสอดคล้องของเป้าหมายระหว่างทีมต่าง ๆ

จากประสบการณ์ของเรา องค์กรที่สามารถเปลี่ยนผ่านจากโครงการนำร่องสู่ระบบที่ใช้งานจริงได้สำเร็จ มักมีพื้นฐานร่วมกัน คือ ระบบควบคุมเวอร์ชันที่แข็งแกร่ง pipeline ที่ทำงานแบบอัตโนมัติ ระบบติดตามผลที่ต่อเนื่อง และ feedback loop ที่เชื่อมโยงกับ Business KPIs โดยตรง องค์ประกอบเชิงปฏิบัติเหล่านี้มักมีความสำคัญเทียบเท่ากับ หรือในบางกรณี มากกว่าความแม่นยำของโมเดลเสียอีก

เชื่อมช่องว่างจากมุมมองของผู้นำ

จากมุมมองของผู้นำ การก้าวหน้าไปตามเส้นทาง MLOps Maturity ไม่ได้เป็นเพียงเรื่องของการดำเนินการทางเทคนิคเท่านั้น แต่เป็นเรื่องของการจัดการ การเปลี่ยนแปลงภายในองค์กร ซึ่งการขยายการใช้ AI ให้ได้ผลจริงจำเป็นต้องมีโครงสร้างกำกับดูแลที่ชัดเจน ปรับวัฒนธรรมองค์กรให้สอดคล้อง และแบ่งความรับผิดชอบอย่างชัดเจนระหว่างทีมธุรกิจและทีมเทคโนโลยี

แนวทางปฏิบัติที่เป็นรูปธรรม ได้แก่:

การฝังหลักการของ DevOps เข้าไปในกระบวนการทำงานของทีม Data Science
การกำหนดความเป็นเจ้าของงานและความรับผิดชอบให้ชัดเจนระหว่างทีมธุรกิจ ทีมข้อมูล และทีมวิศวกรรม
การเชื่อมโยงตัวชี้วัดด้านประสิทธิภาพของโมเดล เข้ากับผลลัพธ์ทางธุรกิจโดยตรง
การสร้าง framework ที่สามารถทำซ้ำได้ และสามารถขยายไปใช้กับหลากหลายกรณีในองค์กร

ก้าวต่อไป

การใช้งาน AI จะไม่ได้ถูกนิยามโดยสิ่งที่เกิดขึ้นแค่ในห้องทดลองอีกต่อไป แต่จะถูกนิยามจากความสามารถขององค์กรในการทำให้ AI ใช้งานได้จริงอย่างมีความรับผิดชอบ น่าเชื่อถือ และในระดับที่สามารถขยายต่อได้

เส้นทางของ MLOps Maturity คือ “สะพาน” ที่เชื่อมต่อระหว่างการทดลองกับคุณค่าทางธุรกิจในระดับองค์กร สำหรับผู้นำแล้วสิ่งที่ต้องลงทุนไม่ใช่แค่การสร้างโมเดล แต่คือการลงทุนในการกำกับดูแลกิจการ โครงสร้างพื้นฐาน และการทำงานร่วมกันระหว่างทีมต่าง ๆ ซึ่งจะพาโมเดลไปสู่ระบบที่ใช้งานได้จริงในองค์กร

ที่ Sertis เราให้ความสำคัญกับบทบาทนี้อย่างจริงจัง เราเดินเคียงข้างลูกค้า เพื่อให้การลงทุนใน AI สามารถแปลงเป็นผลลัพธ์ที่ยั่งยืน เชื่อมช่องว่างระหว่างโครงการนำร่องที่มีศักยภาพ กับระบบที่พร้อมใช้งานจริงซึ่งสามารถสร้างคุณค่าทางธุรกิจได้อย่างแท้จริง