เมื่อทีมสตาร์ทอัพ AI นำผลิตภัณฑ์หรือบริการใหม่เข้าสู่ตลาด มักไม่คุ้นเคยกับความรู้เฉพาะสาขาของลูกค้าที่ให้บริการ ทำให้ระยะเวลาการนำไปใช้ยาวเกินไป หรือแก้ปัญหาที่แท้จริงของลูกค้าไม่ได้ จนนำไปสู่ข้อพิพาท เช่น ต่างฝ่ายต่างตีความผลการตรวจรับงานไปคนละทาง หรือเก็บเงินงวดสุดท้ายไม่ได้ เพื่อแก้ปัญหาที่พบทั่วไปในบริษัทสตาร์ทอัพ สถาบันวิจัยการเปลี่ยนผ่านสู่ดิจิทัล ของ Institute for Information Industry (III) จึงจัดตั้ง "บริการพิสูจน์ใช้งานจริงข้ามสาขา" ขึ้น โดยให้บริการจับคู่สถานที่พิสูจน์ใช้งานจริง และใช้แนวทาง 4D ของ III ตั้งแต่การเข้าใจความต้องการเชิงลึก (Demand forecast) การพิสูจน์และปรับให้เหมาะสม (Design thinking) การพัฒนาและปรับปรุง (DevSecOps Tools) ไปจนถึงการขยายผลสู่อุตสาหกรรม (Diffusion) ซึ่งช่วยให้ทีมสตาร์ทอัพทดสอบผลิตภัณฑ์ และติดตามสถานะการนำไปใช้ในสถานที่จริงได้อย่างมีประสิทธิผล พร้อมทำงานร่วมกับทีม ในการพัฒนาผลิตภัณฑ์และรูปแบบการนำไปใช้ซ้ำเป็นรอบ ให้ตลาดยอมรับได้มากขึ้น
นอกจากนี้ หลังจากสร้างความไว้วางใจและความร่วมมือเชิงลึก กับบริษัทสตาร์ทอัพแล้ว เราพบว่าทีมส่วนใหญ่ในช่วงเริ่มก่อตั้ง มักมองข้ามการวางรากฐานการดำเนินงานของบริษัทบางประการ เพราะเร่งเข้าสู่ตลาดให้เร็วที่สุด เช่น
(1) ประเด็นทางกฎหมาย เช่น ความรัดกุมของสัญญา การวางกลยุทธ์สิทธิบัตร และโครงสร้างการถือหุ้น
(2) ประเด็นด้านการพัฒนาธุรกิจ เช่น การออกแบบโมเดลธุรกิจสำหรับการเรียกเก็บค่าบริการจากลูกค้า และกลยุทธ์การลงทุนสำหรับการระดมทุนจากนักลงทุน
(3) ประเด็นด้านการบริหารจัดการภายใน เช่น โครงสร้างองค์กร หน้าที่ความรับผิดชอบของงาน และการประเมินผลการปฏิบัติงาน ด้วยเหตุนี้ ต่อมาเราจึงต่อยอดเป็นบริการใหม่ชื่อ "ตรวจสุขภาพสตาร์ทอัพ" ซึ่ง "เชื่อมโยงผู้เชี่ยวชาญภายนอก" มาร่วมกับ III ให้คำปรึกษาแก่สตาร์ทอัพในการปรับความแข็งแรงของทีม
ยกตัวอย่างอุตสาหกรรมไก่เนื้อ สายการเชือดประกอบด้วยสถานีงานต่าง ๆ ได้แก่ การแขวนไก่ การทำให้สลบด้วยไฟฟ้าและปล่อยเลือด การจัดการเครื่องใน การลวกและถอนขน การทำให้เย็น และการคัดเกรดคุณภาพ เพื่อช่วยนำเทคโนโลยีการมองเห็นด้วยภาพของสตาร์ทอัพ AI เข้าสู่ "สถานีคัดเกรดคุณภาพ" III จึงใช้แนวทางการเข้าใจความต้องการเชิงลึก (Demand forecast) ทำหน้าที่เป็นตัวกลางสื่อสารและแปลความ ระหว่างสตาร์ทอัพ AI กับโรงเชือดแบบดั้งเดิมในโครงการ ร่วมกันนิยามเงื่อนไขการรู้จำผิวหนังไก่ (เช่น รอยฉีกขาด รอยช้ำ สะเก็ดแผล จุดด่าง) ขนาดความเสียหายระดับใดจึงจัดเป็นข้อบกพร่อง และเงื่อนไขนิยามการคำนวณพื้นที่เสียหายโดยรวม (เช่น ขอบเขตการถ่ายภาพ ตำแหน่งการถ่ายภาพ) เป็นต้น การนิยามอย่างเป็นวิทยาศาสตร์เช่นนี้ ช่วยให้อุตสาหกรรมดั้งเดิมสืบทอดประสบการณ์ของช่างอาวุโส และทำให้กระบวนการเป็นอัตโนมัติ
ส่วนในด้านการพิสูจน์และปรับให้เหมาะสม (Design thinking) และการพัฒนาและปรับปรุง (DevSecOps Tools) เรื่องที่เกิดขึ้นบ่อย ได้แก่ ทีมสตาร์ทอัพและฝ่ายสารสนเทศของอุตสาหกรรมดั้งเดิม ไม่ได้ข้อมูลในฟิลด์ที่ถูกต้องมาวิเคราะห์ การจัดซื้อกล้องและอุปกรณ์โครงเครื่องที่มุ่งต้นทุนต่ำ หน่วยธุรกิจ (BU, Business Unit) แต่ละหน่วยนิยามเรื่องเดียวกันไม่ตรงกัน ทำให้อธิบายความต้องการได้ไม่ชัดเจน และนัดผู้มีส่วนเกี่ยวข้องสำคัญมาประชุม เพื่อผลักดันความคืบหน้าไม่ได้ III จึงรับบทบาทที่ปรึกษาภายนอก ประสานงานให้การพิสูจน์ใช้งานจริงคืบหน้า เพื่อให้มั่นใจว่าเทคโนโลยีของทีมแก้ปัญหาที่แท้จริงของลูกค้า และสร้างความไว้วางใจสำหรับความร่วมมือระยะยาวของทีมทั้งสามฝ่าย
ท้ายที่สุด หลังจากโครงการพิสูจน์ใช้งานจริงได้รับการยืนยัน และสถานที่จริงตรวจรับงานเรียบร้อยแล้ว ก็ช่วยให้ลูกค้าในอุตสาหกรรมปศุสัตว์เพิ่มปริมาณการเชือดต่อปีได้ 1.5 เท่า พร้อมกันนั้นยังช่วยสตาร์ทอัพ AI สร้างโมเดลฝึกสอนด้านผิวหนังสำเร็จ 1 ชุด ซึ่งใช้เป็นพื้นฐานสำหรับต่อยอดธุรกิจใหม่ในภายหลังได้ (เช่น เทคโนโลยีตรวจหนังศีรษะสำหรับธุรกิจความงาม) และจะสัมภาษณ์สถานที่จริงและสตาร์ทอัพ AI เพื่อเขียนและเผยแพร่กรณีศึกษาการเปลี่ยนผ่านสู่ดิจิทัล อันเป็นการสร้างกรณีต้นแบบ ให้เกิดประโยชน์ด้านการขยายผลสู่อุตสาหกรรม (Diffusion)
รูปที่ 1: การหารือปรับความเข้าใจข้อกำหนดการรู้จำคุณภาพให้ตรงกัน
ที่มาของภาพ: ถ่ายโดยเจ้าหน้าที่ III
รูปที่ 2: สถานีคัดเกรดคุณภาพที่นำการรู้จำด้วยภาพมาใช้
ที่มาของภาพ: ถ่ายโดยทีมงาน AIWin
ที่มาของภาพปก: AIWin https://aiwin.com.tw/
ที่มาของข้อมูล: ศูนย์บริการพิสูจน์ใช้งานจริงข้ามสาขา สถาบันวิจัยการเปลี่ยนผ่านสู่ดิจิทัล III