การผสมผสาน Artificial Intelligence (AI) เข้ากับกระบวนการทางวิศวกรรมกำลังขับเคลื่อนนวัตกรรมในอุตสาหกรรม เนื่องจากหลาย ๆ ธุรกิจต่างตระหนักถึงศักยภาพของ AI ในการปรับปรุงการทำงาน เพื่อเพิ่มประสิทธิภาพ Supply chain และเปลี่ยนแปลงการตัดสินใจ ทำให้ AI กับวิศวกรรมถูกพัฒนาขึ้นอย่างรวดเร็ว

เราได้รวบรวมข้อมูลเชิงลึกและสถิติ จากรายงานการศึกษาแพลตฟอร์มต่าง ๆ บนอินเทอร์เน็ต เพื่อให้คุณมีความเข้าใจเกี่ยวกับบทบาทของ AI ในด้านวิศวกรรมในปี 2024 นี้

สรุปข้อมูล AI กับวิศวกรรมโดยย่อ

  • ภายในปี 2032 คาดว่าตลาดวิศวกรรม AI ทั่วโลกจะมีมูลค่า 180 พันล้านดอลลาร์
  • 48.5% ของมูลค่าตลาดปัจจุบัน มาจากกระบวนการ Machine Learning
  • ในบรรดาบริษัทที่ใช้ AI มี 39% ที่จ้างวิศวกรซอฟต์แวร์ในปีที่แล้ว ทำให้ AI กับวิศวกรรมเป็นที่ต้องการมากที่สุด
  • ชาวอเมริกัน 60% ไม่สบายใจกับแนวคิดที่ว่า ผู้ประกอบวิชาชีพด้านสุขภาพต้องพึ่งพา AI
  • อัลกอริธึมด้านการบำรุงรักษาเชิงคาดการณ์ที่ใช้ AI สามารถลดการหยุดทำงานของเครื่องจักรได้มากถึง 50%

AI ถูกนำมาใช้ในงานวิศวกรรมอย่างไร? 

ตามข้อมูลของ Global Market Insights ในปี 2022 ตลาดวิศวกรรม AI ทั่วโลกมีมูลค่า 8 พันล้านดอลลาร์ โดย 48.5% ของมูลค่าตลาดนี้ มาจากกระบวนการ Machine Learning (ML) และ 30% มาจากฮาร์ดแวร์

ทั้งนี้ คาดการณ์ว่าตลาดวิศวกรรม AI ทั่วโลกจะเติบโตที่ CAGR ประมาณ 35% ในอีก 10 ปีข้างหน้า โดยมีมูลค่าถึง 180 พันล้านดอลลาร์ภายในปี 2032

AI กับวิศวกรรม

ในรายงาน Global Market Insights กล่าวว่า วิศวกรรมด้าน Artificial Intelligence แบ่งออกเป็น 4 ส่วนหลัก เรียงตามลำดับขนาดที่คาดการณ์ว่าจะเติบโตในปี 2032 ดังนี้:

  • Machine learning
  • Deep learning
  • Natural language processing
  • Computer vision

การใช้งาน AI กับวิศวกรรมเป็นเรื่องง่ายสำหรับพนักงานเกือบทุกคน โดยไม่ต้องมีประสบการณ์เกี่ยวกับ AI มาก่อน ซึ่งเปรียบเหมือนกับโมเดลทางภาษาขั้นพื้นฐาน ในขณะที่กรณีอื่น ๆ อาจต้องใช้ทีมวิเคราะห์หรือข้อมูลวิทยาศาสตร์โดยเฉพาะ

นปี 2022 สหราชอาณาจักรมีส่วนแบ่งในตลาดวิศวกรรม AI มากที่สุดในยุโรป ตามมาด้วยเยอรมนี ฝรั่งเศส อิตาลี และสเปน

ข้อมูลของ Emergen Research ในปี 2020 พบว่า 26.4% ของมูลค่าตลาดโลก มาจากทวีปอเมริกาเหนือ รายงานนี้ระบุตัวขับเคลื่อนหลักที่ทำให้เกิดการเติบโตในตลาดวิศวกรรม AI ในทศวรรษที่กำลังจะมาถึง ดังนี้:

  • การปฏิบัติงานอัตโนมัติ เพื่อปรับปรุงประสิทธิภาพการผลิต และลด ข้อผิดพลาดของมนุษย์
  • การใช้ Big Data เพื่อการตัดสินใจ
  • ชิปปัญญาประดิษฐ์ เพื่อเพิ่มประสิทธิภาพการทำงานของอัลกอริธึม

Machine Learning

Machine Learning (ML) เป็น AI ที่ใช้อัลกอริธึมเพื่อเรียนรู้จากข้อมูลที่มี และใช้คาดการณ์หรือตัดสินใจ โดยไม่ต้องตั้งโปรแกรมไว้อย่างชัดเจน

ต่อไปนี้คือประเด็นสำคัญบางส่วนที่มีการใช้โมเดล ML อยู่แล้ว:

  • การผลิต: ระบบ AI และอุปกรณ์ IoT ช่วยเพิ่มประสิทธิภาพผ่านการวิเคราะห์ทางสถิติที่ซับซ้อน ซึ่งนำไปสู่กระบวนการผลิตที่ดีขึ้นและลดระยะเวลาหยุดทำงาน
  • วัสดุศาสตร์: ตัวอย่างของ AI กับวิศวกรรมเคมี เป็นการใช้เครื่องมือเพื่อระบุวัสดุใหม่ ๆ และทำความเข้าใจในคุณสมบัติของวัสดุที่มีอยู่ให้ดีขึ้น ผ่านการตรวจสอบข้อมูลจากแบบจำลองและการทดสอบ
  • การบินและอวกาศ: การลดการปล่อยมลพิษ การใช้เชื้อเพลิงให้น้อยลง และการปรับปรุงการออกแบบเครื่องบิน ผ่านการวิเคราะห์และประเมินข้อมูลที่ได้จากแบบจำลองการบิน และการทดสอบอุโมงค์ลม
  • การทดสอบและแบบจำลอง: การทดสอบอัตโนมัติ ช่วยลดเวลาในการควบคุมคุณภาพ และปรับปรุงการวิเคราะห์ที่ได้จากกระบวนการทดสอบ

รายงานทางวิศวกรรมจาก Retool ในปี 2022 กล่าวว่า กว่า 1 ใน  3 ของวิศวกร AI และซอฟต์แวร์ ใช้เวลาน้อยลงในการทดสอบสิ่งต่าง ๆ (เช่น การทดสอบการเขียน และการทดสอบด้วยตนเอง) 32% ของวิศวกรอาวุโสและผู้จัดการ และ 37% ของผู้มีส่วนร่วม ระบุว่า สิ่งนี้เป็นสิ่งที่ดีที่สุดที่ช่วยให้ใช้เวลาน้อยลง

Tasks software engineers wish they did less 

AI สามารถช่วยวิศวกรในการทำงานด้านวิศวกรรมซอฟต์แวร์ได้ WeSoftYou รายงานว่า เครื่องมือที่ใช้ AI ช่วยลดเวลาในการทดสอบและแก้ไขจุดบกพร่องได้มากถึง 70%

Future Market Insights คาดการณ์ว่า ตลาดเครื่องมือที่ใช้ AI จะมีมูลค่า 426.1 ล้านดอลลาร์ในปี 2023 และจะเติบโตที่ CAGR 16.9% ขึ้นสู่ระดับ 2.03 พันล้านดอลลาร์ภายในปี 2033 ส่วนตลาดของเครื่องมือที่ไม่จำเป็นต้องเขียนโค้ด ถูกกำหนดให้มี CAGR น้อยกว่าที่ 15% เพิ่มขึ้นจาก 2 พันล้านดอลลาร์ในปี 2023 เป็น 8.45 พันล้านดอลลาร์ในปี 2033 ในขณะเดียวกัน ตลาดของเครื่องมืออัตโนมัติ จะเติบโตจาก 29.31 พันล้านดอลลาร์เป็น 166.91 พันล้านดอลลาร์ในช่วงเวลา เดียวกัน ที่ CAGR 19%

Deep Learning

Deep Learning เป็นส่วนย่อยของ Machine learning ที่ใช้โครงข่ายประสาทเทียมหลายชั้น เพื่อแยกส่วนงานที่มีความซับซ้อนได้โดยอัตโนมัติ และทำให้สามารถแก้ไขงานได้อย่างแม่นยำ

ข้อมูลต่อไปนี้ คือ สิ่งที่ Deep Learning ถูกนำมาใช้งานในชีวิตประจำวัน:

  • การขนส่ง: ปรับปรุงความปลอดภัยและประสิทธิภาพของยานพาหนะอัตโนมัติที่แม่นยำยิ่งขึ้น
  • ผู้ช่วยเสมือน: Alexa, Siri, Cortana, Google Assistant และอื่น ๆ เพื่อให้มีประโยชน์มากขึ้น โดยการปรับพฤติกรรมตามการโต้ตอบที่ผ่านมา
  • การป้องกันการทุจริต: ด้วยการทำความเข้าใจพฤติกรรมของผู้ใช้โดยทั่วไป ทำให้บริษัททางการเงินสามารถตรวจจับและบล็อกความผิดปกติ ที่มีแนวโน้มว่าจะเป็นการทุจริตได้ง่ายขึ้น

การวิเคราะห์ข้อมูลขนาดใหญ่ (Big Data)

การวิเคราะห์ข้อมูลขนาดใหญ่ เกี่ยวข้องกับการรวบรวม ประมวลผล และวิเคราะห์ข้อมูลที่หลากหลายและซับซ้อน เพื่อดึงข้อมูลเชิงลึก รูปแบบ และแนวโน้มอันมีค่า ที่สามารถนำไปใช้ในการตัดสินใจ และขับเคลื่อนธุรกิจหรืองานวิจัยได้

สถิติการจ้างงานวิศวกรรม AI

รายงาน McKinsey ในปี 2022 อธิบายถึงบทบาทของ AI กับวิศวกรรมที่บริษัทต่าง ๆ กำลังมองหา ซึ่งครอบคลุมหลายอุตสาหกรรมและหลายฟังก์ชัน โดย 50% กล่าวว่า ในปีที่ผ่านมาพวกเขามีการนำ AI มาใช้งานอย่างน้อย 1 ฟังก์ชัน

รายงานพบว่ามี 3 ใน 4 บทบาทที่ AI เกี่ยวข้องกับงานวิศวกรรม โดย 39% เลือกจ้างวิศวกรซอฟต์แวร์ 35% จ้างวิศวกรข้อมูล และ 30% จ้างวิศวกร ML หรือวิศวกร AI

AI in engineering job hires according to McKinsey

การสำรวจยังพบว่า เป็นเรื่องยากที่บริษัทต่าง ๆ จะจ้างงานในตำแหน่งเหล่านี้ เปอร์เซ็นต์ของผู้ตอบแบบสอบถามที่ตอบว่า “ค่อนข้างยาก” หรือ “ยากมาก” มีดังนี้:

  • วิศวกรซอฟต์แวร์: 65%
  • วิศวกรข้อมูล: 69%
  • วิศวกร ML หรือวิศวกร AI: 70%

ประมาณ 50% ของบริษัทที่จ้างงานในตำแหน่งเหล่านี้ กล่าวว่า การรับผู้ที่มีความสามารถด้านนี้ทำได้ยากขึ้นในช่วง 3 ปีที่ผ่านมา

ตามรายงาน AI Index ของ Stanford ประจำปี 2023 พบว่า การโพสต์งานด้าน AI ในสหรัฐอเมริกาสำหรับวิศวกรซอฟต์แวร์ เพิ่มขึ้นเกือบ 500% ระหว่างปี 2010-12 ถึง 2022 โดยเพิ่มขึ้นจาก 22,384 เป็น 133,286 ครั้ง

ใครบ้างที่ใช้ AI กับวิศวกรรม?

Google / Deep Mind: ฟาร์มกังหันลมผลิตไฟฟ้า

ฟาร์มกังหันลม กำลังกลายเป็นแหล่งพลังงานทดแทนที่สำคัญมากขึ้นเรื่อย ๆ เนื่องจากราคาของกังหันลดลงอย่างมาก ทำให้ต้นทุนเฉลี่ยของกังหันลมในสหรัฐอเมริกาลดลงจาก 1,800 ดอลลาร์ต่อกิโลวัตต์ในปี 2008 เหลือเพียง 770–850 ดอลลาร์ต่อกิโลวัตต์ในปี 2020 และคาดการณ์ว่าราคาจะลดลงอีก 37%–49% ภายในปี 2050 ตามข้อมูลของกระทรวงพลังงานของสหรัฐฯ 

การคาดเดาไม่ได้ในด้านประสิทธิภาพของกังหันลม เป็นปัญหาที่มีมายาวนาน แต่สิ่งนี้กำลังถูกแก้ไขโดย DeepMind ซึ่งเป็นบริษัทด้านการวิจัยในเครือของ Google

การใช้ Neural network (โครงข่ายประสาทเทียม) ที่มีการเก็บรวบรวมข้อมูลในอดีต ทำให้ระบบ DeepMind สามารถคาดการณ์ผลผลิตจากพลังงานลมได้อย่างแม่นยำ ล่วงหน้าถึง 36 ชั่วโมง

ผลลัพธ์ก็คือ พลังงานที่มากขึ้นประมาณ 20% โดยใช้อัลกอริธึม Machine learning นี้

ชื่อบริษัท Deep Mind
ปีที่ก่อตั้ง 2010
มูลค่าบริษัท ขายให้กับ Google ในปี 2014 ในราคา 400 ถึง 650 ล้านดอลลาร์
ประเภทของ AI ที่ใช้
  • Machine learning
  • Neural network
วัตถุประสงค์ ทำให้พลังงานลมคาดเดาได้และมีคุณค่ามากขึ้น

DeepMind wind farm machine learning accuracy

iRobot (Roomba): การจดจำวัตถุ

ในปี 2002 Roomba เปิดตัวหุ่นยนต์ล้ำยุค ที่สามารถเคลื่อนที่และทำความสะอาดบ้านได้โดยอัตโนมัติ แต่เมื่อไม่นานมานี้ บริษัทที่อยู่เบื้องหลังเครื่องดูดฝุ่นอย่าง iRobot ก็ได้เปิดตัว AI กับวิศวกรรมที่เป็น Machine vision ซึ่งสามารถรับรู้ (และหลีกเลี่ยง) วัตถุบางอย่างในบ้านได้ 

roomba logo

Colin Angle ผู้ร่วมก่อตั้งและซีอีโอของ iRobot ได้ให้สัมภาษณ์กับ CNN Business ไว้ว่า “เพื่อให้สิ่งนี้เป็นไปได้ บริษัทต้องสร้างชุดข้อมูลที่หลากหลายก่อน” เขาเล่าว่าพนักงานใช้เวลาหลายปีในการซื้ออึจากร้านตลก สร้างเพลย์โดว์ขึ้นมา และถ่ายภาพสัตว์เลี้ยงของตัวเอง เพื่อสร้างชุดข้อมูลหลายพันภาพในการฝึกฝน AI

Roomba รุ่นใหม่ใช้กล้องและ Machine vision ในตัว ซึ่งออกแบบมาเพื่อระบุชิ้นส่วนของเฟอร์นิเจอร์ ชามอาหารสัตว์เลี้ยง ถุงเท้า และสายไฟ ซึ่งเป็นหนึ่งในอุปสรรคที่พบบ่อยที่สุด

หากตรวจพบสิ่งเหล่านี้ หุ่นยนต์จะส่งรูปถ่ายให้เจ้าของ เพื่อให้พวกเขาสามารถตัดสินใจว่าจะดำเนินการอย่างไร รวมถึงการสั่งให้หุ่นยนต์หลีกเลี่ยงการทำความสะอาดรอบ ๆ วัตถุเหล่านั้นในอนาคตได้

ชื่อบริษัท iRobot Corporation
ปีที่ก่อตั้ง 1990
มูลค่าบริษัท 1.09 พันล้านดอลลาร์
ประเภทของ AI ที่ใช้
  • Machine vision
วัตถุประสงค์ ทำให้หุ่นยนต์ดูดฝุ่นทำงานดีขึ้น และมีประโยชน์มากขึ้น

Cruise: ยานพาหนะที่ขับเคลื่อนด้วยตนเอง

แม้ว่าหลายบริษัทจะลงทุนอย่างมหาศาลในรถยนต์ไร้คนขับ แต่ Cruise ซึ่งเป็นบริษัทในซานฟรานซิสโก ก็เป็นอีกหนึ่งในบริษัทแรก ๆ ที่ผลิตรถยนต์ไร้คนขับที่ใช้ในรถแท็กซี่

cruise logo

ขณะนี้มีให้บริการในซานฟรานซิสโก ฟีนิกซ์ และออสตินในช่วงเวลากลางคืน โดยรถแท็กซี่นี้จะเป็นระบบอัตโนมัติทั้งหมด

บริษัทต่าง ๆ มีการใช้อัลกอริธึม Deep learning เพื่อฝึกรถยนต์อัตโนมัติให้จดจำและจำแนกวัตถุที่พบระหว่างทาง เช่น คน สัตว์ ป้ายถนน และผู้ขับขี่รายอื่น ๆ อัลกอริธึมเหล่านี้ยังช่วยในการสร้างแบบจำลองเชิงคาดการณ์ ซึ่งช่วยให้ยานพาหนะสามารถคาดการณ์พฤติกรรมของคนเดินถนนและผู้ขับขี่รายอื่นได้ดีขึ้นด้วย

Cruise เปิดตัวครั้งแรกในปี 2021 และนับตั้งแต่นั้นมาก็ได้เดินทางเป็นระยะทางกว่า 2 ล้านไมล์ ด้วยสถิติความปลอดภัยที่แซงหน้ารถยนต์ที่ต้องใช้คนขับ และนี่คือสิ่งที่ Cruise ทำได้เมื่อเปรียบเทียบกับรถยนต์ทั่วไป:

  • การชนโดยรวมลดลง 54%
  • การขับชนผู้อื่นลดลง 92% 
  • การชนที่เกิดการบาดเจ็บลดลง 73% 

ชื่อบริษัท Cruise LLC
ปีที่ก่อตั้ง 2013
มูลค่าบริษัท ถูกซื้อกิจการโดย General Motors ด้วยมูลค่า 1 พันล้านดอลลาร์ในปี 2016
ประเภทของ AI ที่ใช้
  • Machine vision
  • Deep learning
วัตถุประสงค์ ยานพาหนะอัตโนมัติ

ประโยชน์ของ AI กับวิศวกรรม

ลดต้นทุนการบำรุงรักษาด้วยการบำรุงรักษาเชิงคาดการณ์

การหยุดทำงานของเครื่องจักรมีค่าใช้จ่ายสูง ไม่เพียงแต่ในแง่ของค่าซ่อมเท่านั้น แต่ยังเกิดความล่าช้าในกระบวนการผลิตอีกด้วย

การใช้ AI กับวิศวกรรม จะเปลี่ยนการบำรุงรักษาเชิงรับหรือเชิงป้องกัน ไปสู่การบำรุงรักษาเชิงคาดการณ์ ที่ช่วยระบุแนวโน้มที่จะเกิดความเสียหาย และตรวจจับสัญญาณเตือนได้ล่วงหน้า การบำรุงรักษาเชิงคาดการณ์จะวิเคราะห์ข้อมูลที่รวบรวมจากเซ็นเซอร์ที่ฝังอยู่ในอุปกรณ์ต่าง ๆ

machine maintenance

ตามข้อมูลของ Manufacturing Automation ระบบเหล่านี้จะสามารถลดเวลาการหยุดทำงานได้มากถึง 50% ในขณะที่ค่าบำรุงรักษาลดลงถึง 40% 

ประสิทธิภาพอื่น ๆ อาจหมายถึง การลดเงินลงทุนอุปกรณ์ใหม่ได้ 3 ถึง 5% และส่งผลกระทบทางเศรษฐกิจเกือบ 630 พันล้านดอลลาร์ต่อปีภายในปี 2025

ตัดสินใจได้ดีขึ้น

PwC มีการสำรวจธุรกิจในปี 2022 พบว่า 41% ของธุรกิจชั้นนำด้าน AI ตระหนักถึงคุณค่าจากการใช้ AI เพื่อปรับปรุงการตัดสินใจ เทียบกับ 19% ของธุรกิจที่ยังไม่ได้นำ  AI มาใช้

คุณค่าของการตัดสินใจที่ได้รับความช่วยเหลือจาก AI กับวิศวกรรม มาจากความสามารถในการวิเคราะห์ข้อมูลจำนวนมาก ที่มนุษย์ไม่สามารถทำได้เพียงลำพัง โมเดล AI หรือ ML ที่แข็งแกร่ง สามารถให้คุณค่าที่เท่ากันหรือมากกว่าทีมงานวิทยาศาสตร์ข้อมูลได้ การวิเคราะห์สามารถใช้เพื่อระบุข้อมูลเชิงลึกทางธุรกิจใหม่ สร้างการคาดการณ์ และแบบจำลองสถานการณ์ต่าง ๆ เพื่อมีอิทธิพลต่อการตัดสินใจทางวิศวกรรมได้

ผลการสำรวจของ PwC พบว่า ผู้นำด้าน AI มักใช้ AI เพื่อตัดสินใจธุรกิจต่อไปนี้:

  • เทคโนโลยี: 74%
  • การผลิตและการบำรุงรักษา: 62%
  • การสร้างประสบการณ์ของลูกค้า: 61%
  • การกำหนดกลยุทธ์: 60%
  • การพัฒนาสินค้าและบริการ : 52%
  • Supply chain: 48%

ตรวจจับการทุจริต

รายงาน Alloy’s Annual State of Fraud Benchmark พบว่า สถาบันการเงินเกือบ 70% ที่ตอบแบบสำรวจสูญเสียเงินตั้งแต่ 500,000 ดอลลาร์ ขึ้นไปเนื่องจากการทุจริตในปี 2022 มากกว่า 1 ใน 3 สูญเสียเงินจากการทุจริตมากกว่า 1,000,000 ดอลลาร์

การแก้ไขเชิงวิศวกรรมจะช่วยระบุปัญหา และป้องกันการทุจริตได้แบบเรียลไทม์ โดยไม่รบกวนประสบการณ์ผู้ใช้ ซึ่งต้องอาศัยอัลกอริธึม Deep learning รวมกับการวิเคราะห์ Big Data

PayPal สูญเสียเงินกว่า 1 พันล้านดอลลาร์ให้กับการทุจริตทางธุรกรรมในทุกปี ทำให้พวดเขาลงทุนจำนวนมากในเทคโนโลยีประเภทนี้ รวมถึงฮาร์ดแวร์ที่ได้รับการปรับปรุงให้มีขนาดเล็กลง โครงการนี้เข้ามาช่วยลดจำนวนการทำธุรกรรมที่ทุจริตจาก 1.5% เหลือเยง 0.05%

ความท้าทายของ AI กับวิศวกรรม

การที่เทคโนโลยี AI พัฒนาอย่างรวดเร็วเช่นนี้ ผู้สร้างและผู้ใช้งานระบบ ย่อมต้องเผชิญกับความท้าทายอย่างแน่นอน สิ่งต่อไปนี้ถือเป็นอุปสรรคสำคัญบางประการของการใช้ AI กับวิศวกรรม

ข้อจำกัดการคำนวณและต้นทุน

ระบบ AI มีราคาการพัฒนาที่สูง และค่าใช้จ่ายเหล่านี้อาจเป็นอุปสรรคสำหรับหลาย ๆ บริษัทที่ต้องการนำโซลูชันทางวิศวกรรม AI ไปใช้งานมากขึ้น ค่าใช้จ่ายที่สำคัญ 3 ประการ ได้แก่:

  • ต้นทุนโครงสร้างพื้นฐาน: แอปพลิเคชัน AI มักต้องการพลังในการประมวลผลสูง เพื่อฝึกฝนและรันโมเดลที่ซับซ้อน ทำให้ต้องใช้ GPU หรือ TPU ที่ราคาแพง และยังต้องการพนักงานหรือผู้ให้คำปรึกษาที่จำเป็นในการดำเนินการ เพื่อดึงข้อมูลเชิงลึกทางธุรกิจ
  • ต้นทุนการใช้งาน: โมเดล AI โดยเฉพาะโมเดล Deep learning ต้องใช้ทรัพยากรการคำนวณสูงมาก เพื่อให้สามารถทำงานได้อย่างมีประสิทธิภาพ ที่อาจนำไปสู่ต้นทุนการดำเนินงานในด้านค่าไฟ ค่าทำความเย็น และค่าบำรุงรักษาที่แพงขึ้น และนี่อาจเป็นเรื่องยากสำหรับบางธุรกิจ
  • ค่าบริการคลาวด์: แม้ว่าบริการคลาวด์จะปรับขนาดการประมวลผลได้ แต่การใช้งานโปรเจ็กต์ AI กับวิศวกรรม ยังมีต้นทุนสะสมจำนวนมาก โดยเฉพาะอย่างยิ่งเมื่อต้องจัดการกับชุดข้อมูลขนาดใหญ่ หรือระยะเวลาที่ยืดเยื้อ

ความน่าเชื่อถือของระบบ

เมื่อเราพึ่งพาเครื่องจักรเพื่อทำงานมากขึ้น ปัญหาเรื่องความน่าเชื่อถือจะเป็นเรื่องที่มีความสำคัญสูงสุด สถาบันมาตรฐานและเทคโนโลยีแห่งชาติ (NIST) ได้อธิบายถึง “องค์ประกอบสำคัญของความน่าเชื่อถือของ AI” ดังต่อไปนี้:

  • ความถูกต้องและความเที่ยงตรง
  • ความปลอดภัย
  • ความมั่นคงและความยืดหยุ่น
  • ความรับผิดชอบและความโปร่งใส
  • การตรวจสอบได้และการตีความได้
  • ความเป็นส่วนตัว
  • ความเป็นธรรมและลดอคติที่เป็นอันตราย

การกำหนดค่าที่ไม่ถูกต้อง และการเสียหายของระบบ

ระบบ AI อาจถูกกำหนดค่าที่ไม่ถูกต้อง ได้โดยตั้งใจหรือไม่ตั้งใจ

ระบบที่ได้รับการฝึกฝนที่ไม่ดี จะแสดงผลข้อมูลที่ไม่น่าเชื่อถือ และเกิดช่องโหว่ด้านความปลอดภัย ทำให้ระบบเสี่ยงต่อการถูกละเมิดข้อมูล หากแฮกเกอร์เข้าถึงระบบ AI ได้ พวกเขาสามารถทำให้อัลกอริธึม ML เข้าใจผิด และให้ผลลัพธ์ที่ไม่ถูกต้องได้

เพื่อป้องกันความเสี่ยงเหล่านี้ จำเป็นต้องมีการตรวจสอบอย่างมีประสิทธิภาพ ระบุการกำหนดค่าที่ไม่ถูกต้อง และค่าความเสียหายของข้อมูลในกระบวนการออกแบบและการพัฒนาทางวิศวกรรมตั้งแต่เนิ่น ๆ เพื่อช่วยให้แน่ใจได้ว่า ระบบจะทำงานได้ตามที่ตั้งใจไว้

อนาคตของ AI กับวิศวกรรม

Pew Research Center public opinion on AI in healthcare

ปัจจุบัน ยังมีการต่อต้านเทคโนโลยีปัญญาประดิษฐ์จากกลุ่มคนในบางพื้นที่

การสำรวจโดย Pew Research Center ในปี 2022 พบว่า 59% ของผู้ใหญ่ในสหรัฐอเมริกากล่าวว่า พวกเขาไม่ต้องการให้ใช้หุ่นยนต์ AI เพื่อการผ่าตัด แม้ว่าอีก 78% จะเคยได้ยินเกี่ยวกับเทคโนโลยี AI กับวิศวกรรม และเชื่อว่าเทคโนโลยีนี้แสดงถึงความก้าวหน้าด้านการดูแลสุขภาพก็ตาม

อ้างอิง