"ການນຳໃຊ້ AI ແມ່ນຕ້ອງການ, ແຕ່ມັນອາດຈະໄວເກີນໄປສຳລັບບໍລິສັດຂອງພວກເຮົາ——" ໂອກາດທີ່ໄດ້ຮັບຄຳປຶກສາແບບນີ້ຈາກຜູ້ບໍລິຫານແລະຜູ້ຮັບຜິດຊອບ IT ຂອງບໍລິສັດທີ່ດຳເນີນທຸລະກິດໃນລາວກຳລັງເພີ່ມຂຶ້ນ.

ເວົ້າໃຫ້ຊັດເຈນ, ຂະໜາດຂອງບໍລິສັດບໍ່ກ່ຽວຂ້ອງກັບການນຳໃຊ້ AI. ຖ້າປະຕິບັດຕາມຂັ້ນຕອນທີ່ເໝາະສົມ, ແມ່ນແຕ່ບໍລິສັດຂະໜາດກາງແລະຂະໜາດໃຫຍ່ໃນລາວກໍສາມາດນຳ AI ເຂົ້າໃນການດຳເນີນງານເປັນຂັ້ນຕອນແລະເພີ່ມຄວາມສາມາດໃນການແຂ່ງຂັນໄດ້. ໃນຄວາມເປັນຈິງ, ສະຖາບັນການເງິນແລະອຸດສາຫະກຳການຜະລິດໃນວຽງຈັນກໍເລີ່ມມີການເຄື່ອນໄຫວໃນການນຳໃຊ້ cloud AI ສຳລັບການປະມວນຜົນໃບແຈ້ງໜີ້ແລະການຄາດຄະເນສິນຄ້າຄົງຄັງແລ້ວ.

ບົດຄວາມນີ້ຈະອະທິບາຍ 5 ຂັ້ນຕອນທີ່ນຳໄປສູ່ຄວາມສຳເລັດໃນການນຳໃຊ້ AI, ໂດຍຄຳນຶງເຖິງສະພາບໂຄງສ້າງພື້ນຖານທີ່ເປັນເອກະລັກຂອງລາວ (ຂໍ້ຈຳກັດດ້ານແບນວິດຂອງເຄືອຂ່າຍແລະຄວາມສ່ຽງຕໍ່ການດັບໄຟ) ແລະສະພາບແວດລ້ອມດ້ານຊັບພະຍາກອນມະນຸດ. ເນື້ອຫານີ້ມີຈຸດປະສົງໃຫ້ພະແນກ IT, ພະແນກວາງແຜນທຸລະກິດ, ແລະຜູ້ຮັບຜິດຊອບສົ່ງເສີມ DX ສາມາດນຳໄປປະຕິບັດກັບສະຖານະການຂອງບໍລິສັດຕົນເອງແລະຕັດສິນໃຈວ່າ "ຄວນເຮັດຫຍັງຕໍ່ໄປ".

ທุກຄັ້ງທີ່ມີການເວົ້າເຖິງ AI ອາດຈະມີບາງທ່ານທີ່ຮູ້ສຶກວ່າ "ຍັງໄວເກີນໄປ"。ແຕ່ວ່າ ເມື່ອເບິ່ງພາບລວມຂອງສະພາບແວດລ້ອມທາງເສດຖະກິດທີ່ອ້ອມຮອບລາວ ກັບກັນກາຍເປັນວ່າມີເຫດຜົນທີ່ຄວນເລີ່ມລົງມື "ຕອນນີ້ເທົ່ານັ້ນ"。ໃນທີ່ນີ້ຈະຈັດລຽງ 3 ພື້ນຖານ.

ຕະຫຼາດແຮງງານຂອງລາວກຳລັງຢູ່ໃນໄລຍະການປ່ຽນແປງທີ່ສຳຄັນ. ບົດລາຍງານ "Lao PDR Economic Monitor (ສະບັບເດືອນມິຖຸນາ 2024)" ຂອງທະນາຄານໂລກໄດ້ຊີ້ໃຫ້ເຫັນວ່າ ການອອກໄປຢູ່ຕ່າງປະເທດຂອງກຳລັງແຮງງານໄວໜຸ່ມ ແລະ ການເພີ່ມຄ່າແຮງງານຂັ້ນຕ່ຳແບບເປັນໄລຍະໆ ເຮັດໃຫ້ການຮັບສະໝັກພະນັກງານມີຄວາມຫຍຸ້ງຍາກຫຼາຍຂຶ້ນ ໂດຍສະເພາະແມ່ນວຽກງານດ້ານ back office.

ໃນຂະນະທີ່ວິທີການ "ເພີ່ມຈຳນວນຄົນເພື່ອຮັບມື" ກຳລັງສະແດງໃຫ້ເຫັນຂໍ້ຈຳກັດ, ການນຳໃຊ້ AI ເພື່ອເຮັດວຽກອັດຕະໂນມັດແມ່ນທາງເລືອກທີ່ເປັນໄປໄດ້ຈິງ. ການມອບໝາຍວຽກງານປົກກະຕິເຊັ່ນ: ການປ້ອນຂໍ້ມູນ, ການປະມວນຜົນໃບແຈ້ງໜີ້, ການສ້າງລາຍງານປະຈຳເດືອນໃຫ້ກັບ AI, ຈະສາມາດຊ່ວຍໃຫ້ພະນັກງານທີ່ມີຈຳກັດສາມາດໄປສຸມໃສ່ວຽກງານທີ່ຕ້ອງການການຕັດສິນໃຈເຊັ່ນ: ການບໍລິການລູກຄ້າ ແລະ ການວາງແຜນທຸລະກິດ.

ອ້າງອີງ: World Bank — Lao PDR Economic Monitor, June 2024

ພາຍໃຕ້ ປະຊາຄົມເສດຖະກິດ ASEAN (AEC) ການເປີດເສລີການຄ້າ ແລະ ການລົງທຶນພາຍໃນພາກພື້ນໄດ້ກ້າວໜ້າ, ວິສາຫະກິດລາວກຳລັງປະເຊີນກັບສະຖານະການທີ່ຕ້ອງແຂ່ງຂັນໂດຍກົງກັບວິສາຫະກິດຈາກປະເທດໃກ້ຄຽງຫຼາຍຂຶ້ນ.

ອີງຕາມລາຍງານກ່ຽວກັບລາວຂອງ Oxford Business Group (ປີ 2024), ອຸດສາຫະກຳການຜະລິດຂອງໄທ ແລະ ຫວຽດນາມໄດ້ນຳເອົາ AI ເຂົ້າມາໃຊ້ໃນການຄວບຄຸມຄຸນນະພາບ ແລະ ການຄາດຄະເນຄວາມຕ້ອງການແລ້ວ, ຖ້າການຕອບສະໜອງຊັກຊ້າຕໍ່ໄປ ຈະມີຄວາມສ່ຽງທີ່ຊ່ອງຫວ່າງດ້ານລາຄາ ແລະ ຄຸນນະພາບຈະຂະຫຍາຍກວ້າງອອກ. ໃນທາງກົງກັນຂ້າມ, ວິສາຫະກິດລາວທີ່ນຳເອົາ AI ເຂົ້າມາໃຊ້ໃນໄລຍະເລີ່ມຕົ້ນ ຈະໄດ້ຮັບໂອກາດທີ່ດີໃນການປັບປຸງໂຄງສ້າງຕົ້ນທຶນ ແລະ ຍົກສູງຄຸນນະພາບການບໍລິການໄປພ້ອມໆກັນ.

ອ້າງອີງ: Oxford Business Group — The Report: Laos 2024

ລັດຖະບານລາວໄດ້ກຳນົດ "ວິໄສທັດດິຈິຕອລແຫ່ງຊາດ 2030 (Digital Transformation Vision 2030)" ແລະ ເລັ່ງຊຸກຍູ້ການພັດທະນາລັດຖະບານອີເລັກໂທຣນິກ (e-Government). ໃນເດືອນສິງຫາ 2024 ໄດ້ມີການຮ່າງ "ແຜນຍຸດທະສາດຄວາມປອດໄພທາງໄຊເບີແຫ່ງຊາດ 2035" ແລະ ການຈັດຕັ້ງກົດໝາຍດ້ານເຕັກໂນໂລຊີດິຈິຕອລລວມທັງ AI ກຳລັງກ້າວໜ້າ.

ແນວໂນ້ມນີ້ມີຄວາມໝາຍສອງຢ່າງສຳລັບວິສາຫະກິດ. ອັນໜຶ່ງແມ່ນ ຄວາມຈຳເປັນໃນການຈັດຕັ້ງພື້ນຖານ IT ຂອງບໍລິສັດຕົນເອງເພື່ອຮອງຮັບການດິຈິຕອລຂອງການຈັດຊື້ຈັດຈ້າງຂອງລັດຖະບານ ແລະ ການບໍລິການສາທາລະນະ. ອີກອັນໜຶ່ງແມ່ນ ການລົງທຶນດ້ານເຕັກໂນໂລຊີທີ່ສອດຄ່ອງກັບນະໂຍບາຍ DX ຂອງລັດຖະບານ ມີຄວາມເປັນໄປໄດ້ທີ່ຈະຂະຫຍາຍໂອກາດໃນການເຂົ້າຮ່ວມໂຄງການສາທາລະນະ.

ອ້າງອີງ: ກະຊວງວິທະຍາສາດ ແລະ ເຕັກໂນໂລຊີ ລາວ — Digital Transformation Vision 2030

ຂັ້ນຕອນທຳອິດຂອງການນຳ AI ເຂົ້າມາໃຊ້ບໍ່ແມ່ນການເລືອກເຄື່ອງມື. ແຕ່ແມ່ນການກວດສອບຂະບວນການດຳເນີນທຸລະກິດຂອງບໍລິສັດຕົນເອງ ແລະ ກຳນົດຂອບເຂດທີ່ AI ສາມາດສະແດງປະສິດທິພາບໄດ້ດີທີ່ສຸດ.

ຖ້າດຳເນີນໄປໂດຍມີເປົ້າໝາຍທີ່ບໍ່ຊັດເຈນວ່າ "ຢາກນຳ AI ເຂົ້າມາໃຊ້", ມັກຈະເຮັດໃຫ້ຕົກຢູ່ໃນສະຖານະການທີ່ "ບໍ່ຮູ້ວ່າຈະນຳໄປໃຊ້ກັບຫຍັງ" ຫຼັງຈາກນຳເຄື່ອງມືເຂົ້າມາແລ້ວ. ໃນຄວາມເປັນຈິງ, ຄວາມລົ້ມເຫຼວແບບນີ້ບໍ່ແມ່ນເລື່ອງແປກ. ກຸນແຈສູ່ຄວາມສຳເລັດແມ່ນຢູ່ທີ່ການກຳນົດບັນຫາທີ່ຊັດເຈນວ່າ "ຢາກປັບປຸງຂະບວນການນີ້, ຂອງວຽກນີ້, ແບບນີ້".

ການຈັດປະເພດວຽກງານຕາມ 2 ແກນດັ່ງນີ້:

AI ມີປະສິດທິພາບສູງສຸດໃນຂົງເຂດ "ແບບແຜນ・ປະລິມານຫຼາຍ" ແລະ "ການຕັດສິນໃຈ・ມີຮູບແບບ". ກ່ອນອື່ນໝົດ ໃຫ້ລາຍຊື່ວຽກງານທີ່ຢູ່ໃນ 2 ຈຸດນີ້.

ການນຳໃຊ້ AI ທົ່ວທັງບໍລິສັດພ້ອມກັນໃນຄັ້ງດຽວຈະເຮັດໃຫ້ຄ່າໃຊ້ຈ່າຍ, ຄວາມສ່ຽງ ແລະ ການຕໍ່ຕ້ານຂອງອົງກອນເພີ່ມຂຶ້ນ. ໂດຍສະເພາະໃນຕະຫຼາດລາວ, ວິທີການ PoC (Proof of Concept - ການພິສູດແນວຄວາມຄິດ) ດັ່ງຕໍ່ໄປນີ້ມີປະສິດທິພາບ:

1. ເລືອກໜຶ່ງຂະບວນການທຸລະກິດ: ທຸລະກິດທີ່ຄາດວ່າຈະມີຜົນໄດ້ຮັບສູງສຸດ ແລະ ມີຜົນກະທົບນ້ອຍເມື່ອລົ້ມເຫຼວ
2. ປະຕິບັດ PoC ໃນໄລຍະ 2-4 ອາທິດ: ກວດສອບຄວາມແມ່ນຍຳ ແລະ ປະສິດທິຜົນຂອງ AI ດ້ວຍຊຸດຂໍ້ມູນຂະໜາດນ້ອຍ
3. ການວັດແທກຜົນໄດ້ຮັບເຊີງປະລິມານ: ບັນທຶກການປ່ຽນແປງຂອງເວລາປະມວນຜົນ, ອັດຕາຄວາມຜິດພາດ, ຄ່າໃຊ້ຈ່າຍເປັນຕົວເລກ
4. ການຕັດສິນໃຈ Go/No-Go: ຕັດສິນໃຈຂະຫຍາຍ, ແກ້ໄຂ ຫຼື ຢຸດໂຄງການໂດຍອີງໃສ່ຜົນຂອງ PoC

"ປະສົບການຄວາມສຳເລັດຂະໜາດນ້ອຍ" ນີ້ຈະສ້າງຄວາມໄວ້ວາງໃຈຕໍ່ AI ພາຍໃນບໍລິສັດ ແລະ ກາຍເປັນແຮງຂັບເຄື່ອນໄປສູ່ຂັ້ນຕອນຕໍ່ໄປ.

ເມື່ອກຳນົດຂອບເຂດການນຳໃຊ້ AI ແລ້ວ, ຂັ້ນຕອນຕໍ່ໄປແມ່ນການຈັດຕຽມສະພາບແວດລ້ອມໂຄງສ້າງພື້ນຖານເພື່ອໃຫ້ມັນເຮັດວຽກໄດ້. ເຖິງແມ່ນວ່າສະຖານະການເຄືອຂ່າຍຂອງລາວກຳລັງປັບປຸງດີຂຶ້ນທຸກໆປີ, ແຕ່ແບນວິດ ແລະ ຄວາມໝັ້ນຄົງຂອງການສະໜອງໄຟຟ້າຍັງມີຂໍ້ຈຳກັດເມື່ອທຽບກັບປະເທດພັດທະນາແລ້ວ.

ສິ່ງທີ່ສຳຄັນທີ່ນີ້ແມ່ນ, ບໍ່ແມ່ນ "ເລີ່ມຕົ້ນຫຼັງຈາກກຽມໂຄງສ້າງພື້ນຖານທີ່ສົມບູນແບບແລ້ວ", ແຕ່ແມ່ນການຄິດອອກແບບທີ່ສາມາດເຮັດວຽກໄດ້ໃນສະພາບແວດລ້ອມປັດຈຸບັນ. ມາເບິ່ງທາງເລືອກທີ່ສອດຄ່ອງກັບຄວາມເປັນຈິງຂອງລາວ ເຊັ່ນ: ການນຳໃຊ້ບໍລິການ cloud ຫຼື ການອອກແບບ API ທີ່ມີນ້ຳໜັກເບົາ.

ການເຊື່ອມຕໍ່ອິນເຕີເນັດຂອງລາວກຳລັງມີການປັບປຸງໂດຍສຸມໃສ່ນະຄອນຫຼວງວຽງຈັນເປັນຕົ້ນ, ແຕ່ແບນວິດທ໌ຍັງມີຂໍ້ຈຳກັດເມື່ອທຽບກັບປະເທດພັດທະນາແລ້ວ. ໃນການອອກແບບລະບົບ AI ຈຳເປັນຕ້ອງພິຈາລະນາດັ່ງນີ້:

• ການອອກແບບ API ທີ່ມີນ້ຳໜັກເບົາ: ຫຼຸດຜ່ອນປະລິມານຂໍ້ມູນຂອງ request/response ໃຫ້ໜ້ອຍທີ່ສຸດ
• ການນຳໃຊ້ການປະມວນຜົນແບບ Edge: ປະມວນຜົນຢູ່ຝັ່ງ client ໃຫ້ໄດ້ຫຼາຍເທົ່າທີ່ເປັນໄປໄດ້ ເພື່ອຫຼຸດຜ່ອນປະລິມານການສື່ສານ
• ການປະມວນຜົນແບບ Batch: ວຽກງານທີ່ບໍ່ຈຳເປັນຕ້ອງປະມວນຜົນແບບ real-time ໃຫ້ດຳເນີນການດ້ວຍ batch ໃນຕອນກາງຄືນ
• ການນຳໃຊ້ CDN: ແຈກຢາຍ static resources ຜ່ານ CDN ເພື່ອຫຼຸດຜ່ອນພາລະຂອງ origin server

ທ່ານບໍ່ຈຳເປັນຕ້ອງເຝິກອົບຮົມໂມເດວ AI ຈາກສູນຢູ່ໃນບໍລິສັດຂອງທ່ານເອງ. ຖ້າທ່ານໃຊ້ບໍລິການ AI ແບບ managed ເຊັ່ນ AWS Bedrock ຫຼື Azure OpenAI Service, ທ່ານສາມາດນຳໃຊ້ໂມເດວທີ່ມີປະສິດທິພາບສູງຜ່ານ API ໄດ້ຢ່າງປອດໄພ.

ເຫດຜົນໃນການເລືອກ AWS Bedrock (ຈາກທັດສະນະຂອງບໍລິສັດລາວ):

• ສາມາດສະຫຼັບໃຊ້ໂມເດວພື້ນຖານຫຼາຍແບບເຊັ່ນ Claude, Llama ຕາມຈຸດປະສົງ
• ຂໍ້ມູນທີ່ສົ່ງໄປຈະບໍ່ຖືກນຳໄປໃຊ້ໃນການເຝິກອົບຮົມໂມເດວ (ການປົກປ້ອງຄວາມເປັນສ່ວນຕົວ)
• ພາກພື້ນສິງກະໂປ (ap-southeast-1) ຢູ່ໃກ້ທາງພູມສາດ, ເຮັດໃຫ້ສາມາດຫຼຸດ latency ໄດ້ງ່າຍ
• ການຄວບຄຸມການເຂົ້າເຖິງແບບລະອຽດດ້ວຍ IAM, ສາມາດລວມເຂົ້າກັບການຄຸ້ມຄອງສິດໃນບໍລິສັດໄດ້

ເຖິງແມ່ນວ່າລາວບໍ່ມີພາກພື້ນ AWS ພາຍໃນປະເທດ, ແຕ່ການເຊື່ອມຕໍ່ໄປຫາພາກພື້ນສິງກະໂປຫຼືໂຕກຽວກໍສາມາດໃຫ້ການຕອບສະໜອງທີ່ພຽງພໍສຳລັບການນຳໃຊ້ຕົວຈິງ. ບໍລິສັດຂອງພວກເຮົາ (enison) ກໍມີປະສົບການໃນການສ້າງລະບົບປະມວນຜົນໃບແຈ້ງໜີ້ ແລະ ການຄົ້ນຫາຄວາມຮູ້ພາຍໃນບໍລິສັດທີ່ໃຊ້ Claude ເທິງ AWS Bedrock ໃຫ້ກັບບໍລິສັດລາວ.

ອ້າງອີງ: AWS Bedrock — Supported Regions

ເມື່ອພິຈາລະນາຕາມເງື່ອນໄຂການຕັດສິນໃຈຂ້າງເທິງແລ້ວ, ສຳລັບບໍລິສັດສ່ວນໃຫຍ່ໃນລາວ ການເລືອກຄລາວເປັນອັນດັບແຮກຖືເປັນທາງເລືອກທີ່ເປັນຈິງ. ເນື່ອງຈາກສາມາດຫຼຸດຜ່ອນການລົງທຶນເບື້ອງຕົ້ນ ພ້ອມທັງຮັບປະກັນຄວາມສາມາດໃນການຂະຫຍາຍ, ແລະເຖິງແມ່ນວ່າມີບຸກຄະລາກອນ IT ຈຳກັດກໍ່ສາມາດຫຼຸດຜ່ອນພາລະດ້ານການດຳເນີນງານໄດ້ດ້ວຍ Managed Service. ຢ່າງໃດກໍ່ຕາມ, ໃນກໍລະນີທີ່ມີສາຂາໃນຊົນນະບົດທີ່ໂຄງສ້າງພື້ນຖານດ້ານການສື່ສານບໍ່ໝັ້ນຄົງ, ຈຳເປັນຕ້ອງພິຈາລະນາການໃຊ້ງານແບບ Offline ຫຼື Edge Processing ຮ່ວມກັນດ້ວຍ.

"ຖ້າມີ AI ແລ້ວກໍບໍ່ຈຳເປັນຕ້ອງມີຄົນ" — ຄວາມເຂົ້າໃຈຜິດນີ້ກາຍເປັນອຸປະສັກໃຫຍ່ທີ່ສຸດໃນການນຳໃຊ້ AI ໂດຍສະເພາະໃນຕະຫຼາດເກີດໃໝ່ເຊັ່ນ: ລາວ.

ໃນຄວາມເປັນຈິງ, AI ແມ່ນເຄື່ອງມືທີ່ຂະຫຍາຍຄວາມສາມາດຂອງມະນຸດ, ບໍ່ແມ່ນການທົດແທນຢ່າງສົມບູນ. ບໍລິສັດສ່ວນໃຫຍ່ທີ່ກຳລັງກ້າວໜ້າໃນການນຳໃຊ້ AI ພາຍໃນປະເທດລາວໄດ້ຮັບເອົາແບບຈຳລອງ Hybrid ທີ່ວ່າ "AI ປຸງແຕ່ງຂໍ້ມູນເບື້ອງຕົ້ນ, ແລະມະນຸດຕັດສິນໃຈຂັ້ນສຸດທ້າຍ". ໃນທີ່ນີ້, ພວກເຮົາຈະມາເບິ່ງວິທີການອອກແບບແບບຈຳລອງດັ່ງກ່າວ.

ຮູບແບບການດໍາເນີນງານແບບຜະສົມຜະສານ (Hybrid) ມີພື້ນຖານຄື "AI ຈະຄັດເລືອກຕົວເລືອກ ແລະ ມະນຸດຈະເປັນຜູ້ຕັດສິນໃຈສຸດທ້າຍ" ເຊິ່ງເປັນຂັ້ນຕອນການເຮັດວຽກ.

ກໍລະນີສຶກສາການນໍາໃຊ້: ບໍລິສັດບໍລິການທາງດ້ານການເງິນໃນນະຄອນຫຼວງວຽງຈັນ (ປີ 2025)

ບໍລິສັດບໍລິການທາງດ້ານການເງິນແຫ່ງໜຶ່ງ ເຄີຍປະມວນຜົນໃບສະໝັກຂໍກູ້ຢືມປະມານ 800 ສະບັບຕໍ່ເດືອນດ້ວຍການເຮັດວຽກດ້ວຍມື. ເຖິງແມ່ນວ່າຈະມີພະນັກງານກວດສອບ 4 ຄົນເຮັດວຽກເຕັມເວລາ, ແຕ່ກໍໃຊ້ເວລາສະເລ່ຍ 45 ນາທີຕໍ່ສະບັບ ແລະ ມີການສະສົມວຽກຄ້າງຢູ່ເລື້ອຍໆໃນທ້າຍເດືອນ.

ການປ່ຽນແປງຫຼັງຈາກການນໍາໃຊ້ຮູບແບບ AI ແບບຜະສົມຜະສານ:

• ຂັ້ນຕອນທີ່ AI ຮັບຜິດຊອບ: ການປ່ຽນໃບສະໝັກເປັນຂໍ້ຄວາມດ້ວຍ OCR → ການສະກັດຂໍ້ມູນທີ່ຈໍາເປັນໂດຍອັດຕະໂນມັດ → ການກວດສອບກັບຂໍ້ມູນທີ່ຜ່ານມາ → ການຄິດໄລ່ຄະແນນຄວາມສ່ຽງ
• ຂັ້ນຕອນທີ່ມະນຸດຮັບຜິດຊອບ: ການກວດສອບລາຍລະອຽດ ແລະ ການອະນຸມັດສຸດທ້າຍສໍາລັບກໍລະນີທີ່ AI ໄດ້ໃສ່ສັນຍານເຕືອນ (ປະມານ 25% ຂອງທັງໝົດ)

ຜົນໄດ້ຮັບແມ່ນ ເວລາປະມວນຜົນຕໍ່ສະບັບຫຼຸດລົງຈາກ 45 ນາທີເປັນ 12 ນາທີ (ຫຼຸດລົງປະມານ 73%). ພະນັກງານກວດສອບສາມາດນໍາເວລາທີ່ວ່າງໄປໃຊ້ໃນການພົບປະລູກຄ້າ ແລະ ການວິເຄາະສິນເຊື່ອໃນລະດັບສູງຂຶ້ນ. ອັດຕາຄວາມຜິດພາດກໍຫຼຸດລົງຈາກ 4.2% ໃນເວລາເຮັດວຽກດ້ວຍມື ເປັນ 1.1%.

ດັ່ງນີ້, ການອອກແບບທີ່ AI ເຮັດວຽກສ່ວນໃຫຍ່ໂດຍອັດຕະໂນມັດ ໃນຂະນະທີ່ມະນຸດສຸມໃສ່ວຽກງານການຕັດສິນໃຈ ແມ່ນວິທີການທີ່ເໝາະສົມກັບຂະໜາດບໍລິສັດ ແລະ ສະພາບການດ້ານຊັບພະຍາກອນມະນຸດຂອງລາວ.

(ແຫຼ່ງຂໍ້ມູນ: ກໍລະນີສຶກສາການສະໜັບສະໜູນການນໍາໃຊ້ຂອງ enison, ປີ 2025)

ການດຳເນີນງານແບບຜະສົມຜະສານແມ່ນວິທີການທີ່ເພີ່ມອັດຕາການທຳງານອັດຕະໂນມັດຂຶ້ນເທື່ອລະຂັ້ນຕອນຕາມການເວລາ.

ສິ່ງທີ່ສຳຄັນແມ່ນ, ເຖິງແມ່ນວ່າການທຳງານອັດຕະໂນມັດ 30% ໃນ Phase 1 ກໍ່ສາມາດສ້າງມູນຄ່າທາງທຸລະກິດທີ່ພຽງພໍ. ການບັນລຸການທຳງານອັດຕະໂນມັດ 30% ແຕ່ເນີ່ນໆ ແມ່ນມີປະໂຫຍດຫຼາຍກວ່າການເລື່ອນການນຳໃຊ້ເພື່ອແສວງຫາຄວາມສົມບູນແບບ.

ການນຳໃຊ້ເຄື່ອງມື AI ອາດຈະເຮັດໃຫ້ເກີດຄວາມກັງວົນຕໍ່ພະນັກງານໃນພື້ນທີ່. ສຳລັບຄວາມກັງວົນທີ່ວ່າ "ວຽກງານຂອງຕົນຈະຖືກເອົາໄປບໍ່", ວິທີການຕໍ່ໄປນີ້ແມ່ນມີປະສິດທິພາບ:

• ຂໍ້ຄວາມທີ່ຊັດເຈນວ່າ "AI ແມ່ນເຄື່ອງມື ແລະ ຜູ້ໃຊ້ແມ່ນມະນຸດ"
• ການແບ່ງເສັ້ນຢ່າງຊັດເຈນລະຫວ່າງສ່ວນທີ່ AI ປະມວນຜົນ ແລະ ສ່ວນທີ່ມະນຸດຕັດສິນໃຈ
• ການຝຶກອົບຮົມແບບ Hands-on (ການປະຕິບັດຈິງ ບໍ່ແມ່ນການສຶກສາທິດສະດີ)
• ການຈັດຕັ້ງຄູ່ມື ແລະ ເອກະສານເປັນພາສາລາວ
• ການຈັດວາງ "AI Champion" ໃນໄລຍະເລີ່ມຕົ້ນໃນແຕ່ລະພະແນກ ແລະ ສົ່ງເສີມການເຜີຍແຜ່ພາຍໃນພະແນກ

ການຝຶກອົບຮົມບໍ່ແມ່ນສິ້ນສຸດພຽງແຕ່ 1 ຄັ້ງ, ແຕ່ມັນສຳຄັນທີ່ຈະດຳເນີນການຢ່າງຕໍ່ເນື່ອງໂດຍສອດຄ່ອງກັບການປັບປຸງລະບົບ AI.

ເມື່ອເຮັດທຸລະກິດຢູ່ລາວ, ພວກເຮົາມັກຈະພົບເຈົ້າກັບສະຖານະການທີ່ຕ້ອງສະຫຼັບໄປມາລະຫວ່າງຫຼາຍພາສາໃນໜຶ່ງມື້, ເຊັ່ນ: ພາສາລາວ, ພາສາອັງກິດ, ແລະຖ້າເປັນບໍລິສັດຍີ່ປຸ່ນກໍຈະມີພາສາຍີ່ປຸ່ນ. ສັນຍາຈະຂຽນທັງພາສາລາວແລະພາສາອັງກິດຄຽງຄູ່ກັນ, ການລາຍງານພາຍໃນບໍລິສັດໃຊ້ພາສາຍີ່ປຸ່ນ, ການຕິດຕໍ່ລູກຄ້າໃຊ້ພາສາລາວ——.

ໃນການນຳໃຊ້ AI, ສະພາບແວດລ້ອມຫຼາຍພາສານີ້ແມ່ນທັງສິ່ງທ້າທາຍທາງດ້ານເຕັກນິກ ແລະໃນຂະນະດຽວກັນກໍເປັນຈຸດທີ່ AI ສາມາດສະແດງຄຸນຄ່າໄດ້ຫຼາຍທີ່ສຸດ. ເພາະວ່າເມື່ອ AI ເຊື່ອມຕໍ່ຂ້າມກຳແພງພາສາໄດ້, ການດຳເນີນທຸລະກິດກໍຈະລຽບງ່າຍຂຶ້ນຢ່າງຫຼວງຫຼາຍ.

ບໍລິສັດທີ່ດຳເນີນທຸລະກິດໃນລາວຕ້ອງໃຊ້ພາສາລາວ, ພາສາອັງກິດ, ແລະໃນກໍລະນີຂອງບໍລິສັດຍີ່ປຸ່ນແມ່ນພາສາຍີ່ປຸ່ນທັງ 3 ພາສາໃນການເຮັດວຽກປະຈຳວັນ. ເນື່ອງຈາກສັນຍາ, ໃບແຈ້ງໜີ້, ແລະເອກະສານພາຍໃນຖືກສ້າງຂຶ້ນດ້ວຍຫຼາຍພາສາເຫຼົ່ານີ້, ການສະໜັບສະໜູນຫຼາຍພາສາຈຶ່ງເປັນສິ່ງຈຳເປັນສຳລັບການປະມວນຜົນເອກະສານໂດຍ AI.

ພາສາລາວໃຊ້ລະບົບຕົວອັກສອນທີ່ເປັນເອກະລັກຂອງຕົນເອງ (ຕົວອັກສອນລາວ), ແລະຕ້ອງການການພິຈາລະນາສະເພາະສຳລັບການປະມວນຜົນໃນ Unicode ແລະການສະໜັບສະໜູນຟອນ. ຄວາມແມ່ນຍຳຂອງ OCR ກໍຍັງຢູ່ໃນໄລຍະພັດທະນາເມື່ອທຽບກັບຕົວອັກສອນລາຕິນ ຫຼື CJK, ແລະການປະມວນຜົນເອກະສານພາສາລາວດ້ວຍ AI ຕ້ອງການຄວາມຮູ້ຊ່ຽວຊານສະເພາະ.

ການປະມວນຜົນພາສາທຳມະຊາດ (NLP) ຂອງພາສາລາວແມ່ນຂົງເຂດທີ່ການຄົ້ນຄວ້າ ແລະ ການພັດທະນາຍັງບໍ່ທັນກ້າວໜ້າເມື່ອທຽບກັບພາສາອັງກິດ ຫຼື ພາສາຍີ່ປຸ່ນ.

ບັນຫາຕົ້ນຕໍ:

• ຄວາມຫຍຸ້ງຍາກໃນການແບ່ງໂທເຄັນ: ພາສາລາວບໍ່ໃຊ້ຊ່ອງຫວ່າງໃນການແຍກຄຳ, ດັ່ງນັ້ນການວິເຄາະຮູບປະໂຫຍກຈຶ່ງມີຄວາມຫຍຸ້ງຍາກ
• ການຂາດແຄນຂໍ້ມູນການຮຽນຮູ້: corpus ພາສາລາວຂະໜາດໃຫຍ່ມີຈຳກັດ
• ການປະມວນຜົນຊື່ສະເພາະ: ມີຄວາມຫຼາກຫຼາຍຂອງຊື່ສະຖານທີ່, ຊື່ບຸກຄົນ, ຊື່ບໍລິສັດ

ວິທີການຮັບມືທີ່ເປັນຈິງ:

• ໂມເດລພາສາຂະໜາດໃຫຍ່ເຊັ່ນ GPT-4 ຫຼື Claude ມີຄວາມສາມາດຮອງຮັບພາສາລາວໃນລະດັບໜຶ່ງ
• ການປະມວນຜົນຜ່ານການແປອັດຕະໂນມັດໄປເປັນພາສາອັງກິດ ຫຼື ພາສາໄທ
• ການເພີ່ມຄວາມແມ່ນຍຳໂດຍການຮຽນຮູ້ເພີ່ມເຕີມທີ່ສຸມໃສ່ພາສາລາວ (Fine-tuning)
• ລວມເອົາການແປ ແລະ ການກວດສອບໂດຍມະນຸດສຳລັບເອກະສານທີ່ສຳຄັນ

RAG (Retrieval-Augmented Generation / ການສ້າງທີ່ເສີມດ້ວຍການຄົ້ນຫາ) ແມ່ນເຕັກໂນໂລຊີທີ່ AI ອ້າງອີງເອກະສານແລະຄູ່ມືທີ່ສະສົມໄວ້ພາຍໃນບໍລິສັດ ແລະສ້າງຄຳຕອບທີ່ມີຫຼັກຖານຕໍ່ກັບຄຳຖາມ.

ຕົວຢ່າງການນຳໃຊ້ RAG ໃນບໍລິສັດລາວ:

• ການຄົ້ນຫາລະບຽບການພາຍໃນ: "ວິທີການຊຳລະຄ່າໃຊ້ຈ່າຍໃນການເດີນທາງແມ່ນແນວໃດ?" → ຕອບດ້ວຍພາສາລາວໂດຍອ້າງອີງສ່ວນທີ່ກ່ຽວຂ້ອງຂອງລະບຽບການພາຍໃນ
• ການເພີ່ມປະສິດທິພາບການບໍລິການລູກຄ້າ: AI ສະເໜີຮ່າງຄຳຕອບທີ່ເໝາະສົມທີ່ສຸດຈາກປະຫວັດການບໍລິການທີ່ຜ່ານມາ
• ການຄົ້ນຫາຄູ່ມືດ້ານເຕັກນິກ: ຄົ້ນຫາ ແລະສະແດງຂັ້ນຕອນການປະຕິບັດງານອຸປະກອນເປັນຫຼາຍພາສາ
• ການຊ່ວຍເຫຼືອການຝຶກອົບຮົມພະນັກງານໃໝ່: ຕອບຄຳຖາມຂອງພະນັກງານໃໝ່ຈາກຄວາມຮູ້ທີ່ມີຢູ່ແລ້ວ

ການສ້າງ RAG ຕ້ອງການການປະສົມປະສານລະຫວ່າງຖານຂໍ້ມູນເວັກເຕີ (Amazon OpenSearch, Pinecone ແລະອື່ນໆ) ກັບແບບຈຳລອງພື້ນຖານ. ໃນກໍລະນີທີ່ຕ້ອງການຮອງຮັບເອກະສານຫຼາຍພາສາລວມທັງພາສາລາວ, ຈຳເປັນຕ້ອງມີການປັບປຸງຄວາມແມ່ນຍຳຂອງການແບ່ງໂທເຄັນ ແລະການສ້າງ embedding, ດັ່ງນັ້ນຈຶ່ງແນະນຳໃຫ້ຮ່ວມມືກັບພາກສ່ວນທີ່ມີປະສົບການ.

ການນຳໃຊ້ AI ບໍ່ແມ່ນຈຸດສິ້ນສຸດ. ຕົວຈິງແລ້ວ, ທັນທີຫຼັງຈາກການນຳໃຊ້, ທ່ານຈະຕ້ອງປະເຊີນກັບສະຖານະການທີ່ມັນບໍ່ເຮັດວຽກຕາມທີ່ຄາດໄວ້, ຫຼືສະຖານະການທີ່ມີສຽງຈາກພາກສະໜາມວ່າ "ໃຊ້ງານຍາກ".

ນີ້ແມ່ນຈຸດເລີ່ມຕົ້ນຂອງການແຂ່ງຂັນທີ່ແທ້ຈິງ. ໂດຍການວັດແທກຜົນກະທົບຢ່າງຕໍ່ເນື່ອງ ແລະ ປັບປຸງຄວາມແມ່ນຍຳຂອງໂມເດວ ແລະ ຂະບວນການເຮັດວຽກຢ່າງຕໍ່ເນື່ອງ, ການລົງທຶນໃນ AI ຈະເລີ່ມສ້າງຜົນຕອບແທນຢ່າງໝັ້ນຄົງ. ຖ້າທ່ານລະເລີຍຂັ້ນຕອນນີ້, ມັນອາດຈະນຳໄປສູ່ຜົນລັບທີ່ວ່າ "ໄດ້ນຳໃຊ້ແລ້ວ ແຕ່ບໍ່ໄດ້ຖືກນຳໃຊ້ອີກຕໍ່ໄປ".

KPI ສຳລັບການວັດແທກຜົນກະທົບຂອງການນຳໃຊ້ AI ຈຳເປັນຕ້ອງຖືກກຳນົດໄວ້ກ່ອນການນຳໃຊ້.

ຕົວຢ່າງ KPI ທີ່ແນະນຳ:

ທົບທວນ KPI ເຫຼົ່ານີ້ເປັນລາຍເດືອນ ແລະ ນຳໄປສູ່ການປັບປຸງຄວາມແມ່ນຍຳຂອງໂມເດວ AI ແລະ ຂະບວນການເຮັດວຽກ.

ສິ່ງທ້າທາຍທີ່ໃຫຍ່ທີ່ສຸດຂອງການນຳໃຊ້ AI ແມ່ນ "ການຕໍ່ຕ້ານຂອງອົງກອນ". ວິທີທີ່ມີປະສິດທິພາບທີ່ສຸດໃນການເອົາຊະນະສິ່ງນີ້ແມ່ນ ການແບ່ງປັນປະສົບການຄວາມສຳເລັດຢ່າງກວ້າງຂວາງພາຍໃນບໍລິສັດ.

• ລາຍງານຜົນສຳເລັດຂອງການນຳໃຊ້ AI ໃນຈົດໝາຍຂ່າວພາຍໃນປະຈຳເດືອນ
• ມອບລາງວັນໃຫ້ພະນັກງານທີ່ປັບປຸງວຽກງານໂດຍໃຊ້ AI
• ຈັດກອງປະຊຸມເຮັດວຽກພາຍໃນເພື່ອພິຈາລະນາການຂະຫຍາຍໄປຫາພະແນກອື່ນໆ
• ລາຍງານເຊັ່ນປະລິມານໃຫ້ຜູ້ບໍລິຫານ

ເມື່ອ "AI Champion" ເລົ່າເຖິງຄວາມສຳເລັດໃນພະແນກຂອງຕົນ, ແຮງຈູງໃຈໃນການນຳໃຊ້ຂອງພະແນກອື່ນໆຈະເພີ່ມຂຶ້ນຕາມທຳມະຊາດ.

ຫຼັງຈາກ PoC ຫຼື ໂຄງການນຳຮ່ອງປະສົບຜົນສຳເລັດແລ້ວ, ເງື່ອນໄຂໃນການຕັດສິນໃຈຂະຫຍາຍໄປທົ່ວອົງກອນ ຫຼື ຂະຫຍາຍຂອບເຂດການນຳໃຊ້ AI ມີດັ່ງນີ້:

• ຜົນສຳເລັດທາງປະລິມານ: KPI ບັນລຸເປົ້າໝາຍທີ່ກຳນົດໄວ້ຫຼືບໍ່
• ການຍອມຮັບຂອງຜູ້ໃຊ້: ພະນັກງານໃນພື້ນທີ່ໃຊ້ງານເປັນປະຈຳຫຼືບໍ່
• ຄວາມໝັ້ນຄົງໃນການດຳເນີນງານ: ອັດຕາການເຮັດວຽກຂອງລະບົບຢູ່ທີ່ 99% ຂຶ້ນໄປຫຼືບໍ່
• ປະສິດທິພາບດ້ານຕົ້ນທຶນ: ໄລຍະເວລາຄືນທຶນເໝາະສົມຫຼືບໍ່ (ສຳລັບລາວ ແນະນຳ 12-18 ເດືອນ)

ຖ້າຕອບສະໜອງເງື່ອນໄຂທັງໝົດແລ້ວ ໃຫ້ດຳເນີນການຂະຫຍາຍຂະໜາດ, ແຕ່ຖ້າບາງສ່ວນຍັງບໍ່ບັນລຸ ໃຫ້ປັບປຸງກ່ອນແລ້ວຈຶ່ງພິຈາລະນາໃໝ່.

ເຖິງແມ່ນວ່າຈະເຂົ້າໃຈ 5 ຂັ້ນຕອນແລ້ວ, ໃນການນຳໃຊ້ຕົວຈິງອາດຈະພົບກັບບັນຫາທີ່ບໍ່ຄາດຄິດ. ນີ້ແມ່ນ 3 ຮູບແບບຄວາມລົ້ມເຫລວທີ່ພົບເຫັນຕົວຈິງໃນບໍລິສັດໃນລາວ ແລະ ພາກພື້ນ ASEAN. ເພື່ອບໍ່ໃຫ້ເຮັດຜິດພາດຊ້ຳຄືນກັນ, ມັນເປັນສິ່ງສຳຄັນທີ່ຕ້ອງຮູ້ລ່ວງໜ້າ.

"PoC ປະສົບຜົນສຳເລັດແລ້ວ" ແລະ ລາຍງານວ່າສຳເລັດແລ້ວກໍ່ຈົບ, ກໍລະນີແບບນີ້ມີຫຼາຍບໍ່ໜ້ອຍ. ເຖິງແມ່ນວ່າຊຸດຂໍ້ມູນຂະໜາດນ້ອຍທີ່ໃຊ້ໃນ PoC ຈະໃຫ້ຄວາມແມ່ນຍຳສູງ, ແຕ່ທັນທີທີ່ປ່ຽນໄປໃຊ້ຂໍ້ມູນຕົວຈິງ ຄວາມແມ່ນຍຳກໍ່ຫຼຸດລົງ, ຫຼື ໃນຂັ້ນຕອນການລວມເຂົ້າກັບຂະບວນການປະຕິບັດງານກໍ່ປະສົບກັບການຕໍ່ຕ້ານຈາກພາກສະໜາມ——ອຸປະສັກເຫຼົ່ານີ້ຢືນຂວາງລະຫວ່າງ PoC ແລະ ການນຳໃຊ້ຕົວຈິງ.

ວິທີການຫຼີກລ້ຽງ: ໃນຂັ້ນຕອນການອອກແບບ PoC ໃຫ້ກຳນົດ "ເງື່ອນໄຂຄວາມສຳເລັດ" ແລະ "ເງື່ອນໄຂການເຄື່ອນຍ້າຍໄປສູ່ການນຳໃຊ້ຕົວຈິງ" ເປັນລາຍລັກອັກສອນໄວ້. ໃນລາຍງານເມື່ອສິ້ນສຸດ PoC, ບໍ່ພຽງແຕ່ລວມຄວາມແມ່ນຍຳເທົ່ານັ້ນ, ແຕ່ຍັງລວມເຖິງ "ສິ່ງທີ່ຈະປ່ຽນແປງໃນສະພາບແວດລ້ອມຕົວຈິງ" ແລະ "ຊັບພະຍາກອນເພີ່ມເຕີມທີ່ຈຳເປັນແມ່ນຫຍັງ" ດ້ວຍ.

ມີກໍລະນີທີ່ຜູ້ບໍລິຫານຄາດຫວັງກັບ AI ຫຼາຍເກີນໄປ ແລະ ສັ່ງການໃຫ້ "ນຳໃຊ້ພ້ອມກັນທຸກພະແນກ"。ຜົນທີ່ຕາມມາກໍຄືຊັບພະຍາກອນຂອງພະແນກ IT ຖືກກະຈາຍອອກໄປ ແລະ ສຸດທ້າຍກໍເປັນການນຳໃຊ້ທີ່ບໍ່ສົມບູນໃນທຸກພະແນກ。

ວິທີການຫຼີກລ່ຽງ: ເລີ່ມຕົ້ນຈາກ 1 ພະແນກ 1 ວຽກງານ, ສ້າງຕົວຢ່າງຄວາມສຳເລັດກ່ອນ ແລ້ວຈຶ່ງຂະຫຍາຍໄປຫາພະແນກອື່ນ。ການປະຕິບັດຕາມວິທີການ PoC ທີ່ໄດ້ແນະນຳໃນ Step 1 ຢ່າງຊື່ສັດ ຈະເປັນທາງທີ່ໄວທີ່ສຸດໃນການນຳໄປສູ່ການນຳໃຊ້ທົ່ວທັງບໍລິສັດ。

"ຖ້າພຽງແຕ່ມີຄວາມຄາດຫວັງວ່າ 'ຖ້ານຳ AI ເຂົ້າມາແລ້ວ ວຽກງານກໍຈະງ່າຍຂຶ້ນ' ແລະ ດຳເນີນການນຳເຂົ້າໂດຍບໍ່ມີການວາງແຜນ, ຈະບໍ່ສາມາດວັດແທກຜົນໄດ້ຮັບ ແລະ ບໍ່ສາມາດຕັດສິນໃຈສືບຕໍ່ການລົງທຶນໄດ້. ສະພາບທີ່ບໍ່ສາມາດຕອບຄຳຖາມວ່າ 'ໃນທີ່ສຸດແລ້ວ AI ມີປະໂຫຍດບໍ່?' ດ້ວຍຕົວເລກຫຼັງຈາກຜ່ານໄປຫົກເດືອນ, ຈະນຳໄປສູ່ການຢຸດເຊົາໂຄງການ.

ວິທີການຫຼີກເວັ້ນ: ກຳນົດ KPI (ເວລາປະມວນຜົນ, ອັດຕາຄວາມຜິດພາດ, ການປ່ຽນແປງຕົ້ນທຶນ) ທີ່ໄດ້ອະທິບາຍໄວ້ໃນ Step 5 ກ່ອນການນຳເຂົ້າ. ພຽງແຕ່ການບັນທຶກ "ຕົວເລກຂອງເດືອນນີ້ກ່ອນການນຳເຂົ້າ AI" ໄວ້ເປັນເສັ້ນພື້ນຖານ, ກໍຈະເຮັດໃຫ້ການເບິ່ງເຫັນຜົນໄດ້ຮັບງ່າຍຂຶ້ນຢ່າງຫຼວງຫຼາຍ.

ພວກເຮົາໄດ້ລວບລວມຄຳຖາມທີ່ຖືກຖາມເປັນປະຈຳຈາກບໍລິສັດທີ່ກຳລັງພິຈາລະນານຳເຂົ້າ AI.

ໃນກໍລະນີທີ່ໃຊ້ບໍລິການ AI ແບບຄລາວດ໌ (ເຊັ່ນ AWS Bedrock ແລະອື່ນໆ), ຄ່າໃຊ້ຈ່າຍໃນການສ້າງໂຄງສ້າງພື້ນຖານເບື້ອງຕົ້ນສາມາດຫຼຸດລົງໄດ້. ໃນຂັ້ນຕອນ PoC, ໂດຍທົ່ວໄປແລ້ວຈະມີຄ່າໃຊ້ຈ່າຍການໃຊ້ຄລາວດ໌ປະມານ 500 ຫາ 2,000 USD ຕໍ່ເດືອນ ບວກກັບຄ່າມອບໝາຍໃຫ້ກັບຄູ່ຮ່ວມງານດ້ານການພັດທະນາ. ຖ້າບໍລິສັດຝຶກອົບຮົມໂມເດລດ້ວຍຕົນເອງ, ຄ່າໃຊ້ຈ່າຍຈະເພີ່ມຂຶ້ນຫຼາຍເທົ່າ, ແຕ່ຖ້າໃຊ້ບໍລິການແບບ managed ແລ້ວ ກໍ່ບໍ່ຈຳເປັນຕ້ອງມີການລົງທຶນເບື້ອງຕົ້ນຂະໜາດໃຫຍ່.

ສິ່ງທີ່ສຳຄັນແມ່ນການກວດສອບຜົນໄດ້ຮັບດ້ວຍ PoC ກ່ອນທີ່ຈະກ້າວໄປສູ່ການລົງທຶນຢ່າງເຕັມຕົວ. ບໍ່ຈຳເປັນຕ້ອງວາງງົບປະມານຂະໜາດຫຼາຍສິບລ້ານເຢນຕັ້ງແຕ່ເລີ່ມຕົ້ນ.

ໂມເດລພາສາຂະໜາດໃຫຍ່ເຊັ່ນ GPT-4 ແລະ Claude ມີຄວາມສາມາດໃນການຮອງຮັບພາສາລາວໃນລະດັບໜຶ່ງ. ຢ່າງໃດກໍຕາມ, ສະພາບການປັດຈຸບັນແມ່ນມີຄວາມແປອກປະຫຼາດໃນຄວາມແມ່ນຍຳເມື່ອທຽບກັບພາສາອັງກິດແລະພາສາຍີ່ປຸ່ນ. ເພື່ອນຳໃຊ້ໃນການປະຕິບັດວຽກຈິງ, ວິທີການທີ່ມີປະສິດທິພາບແມ່ນການສ້າງ pipeline ທີ່ຜ່ານການແປອັດຕະໂນມັດເປັນພາສາອັງກິດຫຼືພາສາໄທ, ຫຼືການໃຊ້ວິທີການຝຶກອົບຮົມເພີ່ມເຕີມ (Fine-tuning) ດ້ວຍຂໍ້ມູນສະເພາະຂອງພາສາລາວ.

ກ່ຽວກັບ OCR (ການຮັບຮູ້ຕົວອັກສອນ), ເນື່ອງຈາກຄວາມແມ່ນຍຳໃນການຮັບຮູ້ຕົວອັກສອນລາວຍັງຢູ່ໃນໄລຍະພັດທະນາ, ຈຶ່ງແນະນຳໃຫ້ໃຊ້ການອອກແບບແບບຜະສົມຜະສານທີ່ລວມເອົາການກວດສອບໂດຍມະນຸດສຳລັບເອກະສານທີ່ສຳຄັນ.

ແມ່ນແລ້ວ, ສາມາດເຮັດໄດ້. ຖ້າໃຊ້ບໍລິການທີ່ຖືກຈັດການແບບ AWS Bedrock ຫຼື Azure OpenAI Service, ການດໍາເນີນງານແລະບໍາລຸງຮັກສາໂມເດວ AI ຈະຖືກຮັບຜິດຊອບໂດຍຜູ້ໃຫ້ບໍລິການຄລາວ. ສິ່ງທີ່ບໍລິສັດຕ້ອງການແມ່ນການອອກແບບເວີກໂຟລທີ່ລວມເອົາຜົນໄດ້ຮັບຈາກ AI ເຂົ້າໃນວຽກງານ, ແລະການມີ "AI ແຊ້ມເປ້ຍນ" ທີ່ຊຸກຍູ້ການນໍາໃຊ້ໃນພາກສະໜາມ.

ການກໍ່ສ້າງທາງດ້ານເຕັກນິກແລະການເຊື່ອມໂຍງແມ່ນເປັນການສົມເຫດສົມຜົນທີ່ຈະມອບໝາຍໃຫ້ກັບຄູ່ຮ່ວມງານພາຍນອກທີ່ມີປະສົບການ. ບໍ່ຈໍາເປັນຕ້ອງມີວິສະວະກອນ AI ພາຍໃນບໍລິສັດ.

ຈຸດປະສົງຂອງການນຳໃຊ້ AI ບໍ່ແມ່ນ "ການຫຼຸດຜ່ອນຈຳນວນຄົນ" ແຕ່ແມ່ນ "ການນຳໃຊ້ເວລາຂອງຄົນໃຫ້ກັບວຽກທີ່ມີມູນຄ່າສູງກວ່າ". ດັ່ງທີ່ໄດ້ນຳສະເໜີໃນແບບຈຳລອງການດຳເນີນງານແບບຜະສົມຜະສານໃນ Step 3, AI ຈະຮັບຜິດຊອບວຽກງານປົກກະຕິ, ແລະມະນຸດຈະສຸມໃສ່ການຕັດສິນໃຈ, ການສ້າງສັນ ແລະ ການບໍລິການລູກຄ້າ——ນີ້ແມ່ນການແບ່ງບົດບາດພື້ນຖານ.

ໃນຄວາມເປັນຈິງ, ບໍລິສັດບໍລິການດ້ານການເງິນທີ່ກ່າວມາຂ້າງເທິງ, ຫຼັງຈາກການນຳໃຊ້ AI ການຈ້າງງານຂອງພະນັກງານກວດສອບໄດ້ຖືກຮັກສາໄວ້, ຈຳນວນການປະມວນຜົນຕໍ່ຄົນເພີ່ມຂຶ້ນ, ແລະເວລາເຮັດວຽກລ່ວງເວລາຫຼຸດລົງ.

ຈົນເຖິງຕອນນີ້ ພວກເຮົາໄດ້ເບິ່ງ 5 ຂັ້ນຕອນແລ້ວ, ແຕ່ການນຳໃຊ້ AI ບໍ່ແມ່ນໂຄງການທີ່ສຳເລັດໄດ້ພາຍໃນຂາມຄືນ. ສິ່ງທີ່ສຳຄັນແມ່ນການເລີ່ມຕົ້ນຈາກສິ່ງນ້ອຍໆ, ກວດສອບຜົນໄດ້ຮັບ ແລະ ຂະຫຍາຍອອກເທື່ອລະຂັ້ນຕອນ.

ເມື່ອເບິ່ງຍ້ອນກັບໄປ, ກຸນແຈແຫ່ງຄວາມສຳເລັດສາມາດສະຫຼຸບໄດ້ໃນ 3 ຈຸດດັ່ງນີ້:

1. ຄິດໄລ່ຍ້ອນກັບຈາກບັນຫາຕົວຈິງ: ເລີ່ມຕົ້ນຈາກການເຮັດໃຫ້ຂະບວນການເຮັດວຽກເບິ່ງເຫັນໄດ້ຊັດເຈນ, ບໍ່ແມ່ນການເລືອກເຄື່ອງມື
2. ການອອກແບບແບບປະສົມປະສານລະຫວ່າງ AI × ມະນຸດ: ບໍ່ແມ່ນການມຸ່ງໄປສູ່ການເຮັດອັດຕະໂນມັດທັງໝົດ, ແຕ່ສ້າງກົນໄກທີ່ໃຊ້ປະໂຫຍດຈາກການຕັດສິນໃຈຂອງມະນຸດ
3. ວັດແທກຜົນໄດ້ຮັບດ້ວຍຕົວເລກ ແລະ ປັບປຸງຢ່າງຕໍ່ເນື່ອງ: ກຳນົດ KPI ແລະ ທົບທວນເປັນລາຍເດືອນ

ສຳລັບບໍລິສັດລາວທີ່ຈະນຳໃຊ້ AI, ການມີພາກສ່ວນຮ່ວມທີ່ເຂົ້າໃຈສະພາບໂຄງສ້າງພື້ນຖານໃນທ້ອງຖິ່ນ ແລະ ສະພາບແວດລ້ອມຫຼາຍພາສາແມ່ນມີຄວາມສຳຄັນ. enison ມີຖານຢູ່ນະຄອນຫຼວງວຽງຈັນ ແລະ ໃຫ້ບໍລິການໂຊລູຊັນທີ່ກ່ຽວຂ້ອງໂດຍກົງກັບບັນຫາການດຳເນີນທຸລະກິດຂອງບໍລິສັດລາວ ເຊັ່ນ: AI Hybrid BPO, ການຄົ້ນຫາຄວາມຮູ້ດ້ວຍ RAG, ການເຮັດອັດຕະໂນມັດດ້ວຍ AI ໃນການກວດສອບການອະນຸມັດສິນເຊື່ອ.

ເຖິງແມ່ນວ່າທ່ານຍັງຢູ່ໃນຂັ້ນຕອນທີ່ "ຍັງບໍ່ທັນເຫັນພາບວ່າວຽກງານໃດຂອງບໍລິສັດຕົນສາມາດນຳໃຊ້ AI ໄດ້" ກໍບໍ່ເປັນຫຍັງ. ກ່ອນອື່ນໝົດ, ມາປຶກສາຟຣີເພື່ອຄົ້ນຫາຄວາມເປັນໄປໄດ້ໃນການນຳໃຊ້ AI ທີ່ເໝາະສົມກັບວຽກງານຂອງບໍລິສັດທ່ານຮ່ວມກັນ.