หากคุณเป็นสาย Dev ที่เพิ่งเริ่มต้นกับ SAP หรือกำลังสนใจเรื่องของ AI แต่ยังรู้สึกว่าเป็นเรื่องไกลตัว .. เนทติเซนท์ เราได้จัดเตรียมบทความนี้มาเพื่อคุณโดยเฉพาะ
โดยบทความนี้ เนทติเซนท์ จะพามาดูในมุมมองของ “คนทำ SAP” ว่า LLMs คืออะไรในภาษาที่คนทำงานเข้าใจได้? ทำไม SAP ถึงเลือกใช้ AI แบบระมัดระวังในระดับองค์กร? และที่สำคัญที่สุดคือ ไอเดียด้าน AI มันถูกพัฒนาให้กลายเป็นฟีเจอร์ที่ใช้งานได้จริงอย่างไร ที่ไม่ใช่แค่ Demo สวยๆ บนสไลด์
มาเริ่มกันเลย
LLMs คืออะไร? อธิบายแบบเข้าใจง่ายสำหรับมือใหม่
ลองนึกภาพว่าคุณมีเพื่อนคนหนึ่งที่อ่านหนังสือเก่งมาก อ่านมาแทบทุกเรื่อง จำรูปแบบภาษาได้ดี และสามารถช่วยคุณสรุปบทความ ตอบคำถาม หรือเขียนอีเมลให้ได้อย่างรวดเร็ว แต่มีข้อแม้สำคัญคือ เขาไม่ได้ “รู้” ความจริงทั้งหมด เขาแค่ คาดเดาคำตอบจากสิ่งที่เคยอ่านมา
และนี่ก็คือ แนวคิดหลักของ Large Language Models (LLMs)
LLMs คือโมเดล AI ที่ถูกฝึกด้วยข้อมูลข้อความจำนวนมหาศาล เพื่อเรียนรู้รูปแบบของภาษา และนำมาสร้างข้อความที่ดูสมเหตุสมผล
โดยสิ่งที่ LLMs ทำได้ดี ก็คือ
- สรุปเอกสารหรือบทความยาวๆ ให้สั้นและเข้าใจง่าย
- ช่วยเขียนร่างอีเมล รายงาน หรือเนื้อหาเบื้องต้น
- ตอบคำถามจากข้อมูลที่มีอยู่
- ดึงหรือแยกข้อมูลสำคัญจากเอกสารจำนวนมาก
- สั่งงานระบบด้วยภาษาธรรมดา เช่น “แสดงยอดขายของแผนกขายเมื่อเดือนที่แล้ว”
แต่ LLMs ก็ไม่ใช่คำสั่งเวทมนตร์ที่จะทำงานทุกอย่างได้ทั้งหมดตามใจสั่ง
เพราะการทำงานของ LLMs เอง ก็ไม่ได้ทำงานเหมือนฐานข้อมูล และไม่ได้รู้ว่าอะไร “จริง” หรือ “ไม่จริง” เสมอไป ถ้าข้อมูลที่ใช้ฝึกไม่ครบ หรือคำถามคลุมเครือ คำตอบก็อาจผิดพลาดได้
แล้ว SAP แก้ปัญหานี้อย่างไร?
SAP ใช้แนวคิดที่เรียกว่า Grounding หรือ พูดง่ายๆ คือ นำข้อมูลจริงจากระบบธุรกิจ เช่น ERP, HR, การจัดซื้อ มาเป็นแหล่งอ้างอิงให้ AI ก่อนตอบคำถาม พร้อมทั้งมีเกราะป้องกันเพิ่มเติม เช่น
- การตรวจสอบความปลอดภัย
- การซ่อนข้อมูลส่วนบุคคล
- การควบคุมว่า AI ใช้อะไรได้ แสดงอะไรได้บ้าง
ผลลัพธ์คือ องค์กรจะมี AI ที่ไม่เพียงฉลาด แต่ยังมีข้อมูลที่น่าเชื่อถือ และปลอดภัยพอสำหรับใช้งานในองค์กร
5 ความจริงเบื้องหลัง “Generative AI” ที่ธุรกิจควรรู้ก่อนลงทุนผิดจุด
แนวคิดของ SAP กับ AI (Relevant – Reliable – Responsible)
SAP ไม่ได้นำ AI มาใช้เพื่อโชว์เทคโนโลยี แต่ได้มีการออกแบบเพื่อให้ AI กลายมาเป็นเครื่องมือที่สามารถนำมาแก้ปัญหาการทำงานจริง โดยยึดหลัก 3 ข้อนี้เป็นแกนหลัก
- Relevant (ต้องเกี่ยวข้องกับงานจริง)
AI ต้องตอบโจทย์การทำงานที่แท้จริง สามารถช่วยลดภาระงาน Routine ที่คนต้องทำทุกวัน และไม่ใช่แค่ดูน่าสนใจ แต่ต้องใช้ข้อมูลจากระบบหลักขององค์กร เช่น ERP, HR, ระบบจัดซื้อ เพื่อให้คำแนะนำหรือข้อมูลที่แม่นยำให้กับผู้ใช้งานได้
- Reliable (ต้องน่าเชื่อถือ)
ทุกคำตอบที่ได้จาก AI ต้องอ้างอิงจากข้อมูลจริงในระบบหลักขององค์กร (Systems of Record) และผ่านกระบวนการควบคุมคุณภาพ ไม่ใช่การเดาแบบลอยๆ จากโมเดลภาษา
- Responsible (ต้องมีความรับผิดชอบ)
SAP ให้ความสำคัญกับความปลอดภัยของข้อมูล ความเป็นส่วนตัว การตรวจสอบโดยมนุษย์ ความโปร่งใส และการปฏิบัติตามกฎหมาย เช่น GDPR หรือนโยบายภายในองค์กร ซึ่งหลักการเหล่านี้ไม่ได้อยู่แค่ในเอกสาร แต่ถูกฝังอยู่ในกระบวนการออกแบบและพัฒนาฟีเจอร์ AI บน SAP ทุกขั้นตอน
โครงสร้าง AI ของ SAP ที่คุณจะเจอในชีวิตจริง
1. Generative AI Hub
Generative AI Hub เปรียบเสมือน ประตูสู่ AI ของ SAP ที่ปลอดภัยและควบคุมได้ ซึ่งอยู่ภายใต้ SAP AI Core และ AI Launchpad บน SAP BTP โดยมีคุณสมบัติของการทำงาน คือ
- ทดลองใช้โมเดล AI ชั้นนำหลายค่าย
- เชื่อมต่อข้อมูลขององค์กรอย่างปลอดภัย
- ตั้งกฎการกรองเนื้อหา
- ตรวจสอบและบันทึกการใช้งาน AI ทุกครั้ง
โดยการทำงานเหล่านี้ อยู่ในฟีเจอร์สำคัญที่หลายองค์กรชอบมาก ได้แก่
- Grounding : การใช้ข้อมูลจริงจากเอกสารหรือฐานข้อมูลในองค์กรมาเป็นพื้นฐานคำตอบให้กับ AI
- Data Masking : ซ่อนข้อมูลส่วนตัวหรือข้อมูลละเอียดอ่อนก่อนส่งให้โมเดล
- Content Filtering : ปกรองทั้ง Input และ Output เพื่อป้องกันเนื้อหาที่ไม่เหมาะสม
- Orchestration : รวมหลายขั้นตอนให้เรียกใช้ผ่าน API เดียว
ซึ่งทัั้งหมดนี้ทำงานบน SAP BTP (Business Technology Platform) และมีการคิดค่าใช้ตามจำนวน Token ที่ใช้ (เหมือนค่าน้ำค่าไฟของ AI)
2. Joule ผู้ช่วย AI ที่คุยด้วยภาษาคน
Joule คือ AI Copilot และ AI Agent ที่ฝังอยู่ในแอป SAP Cloud ที่สามารถพิมพ์หรือพูดคุยได้เหมือนคุยกับเพื่อนร่วมงาน เช่น
- “Please create an expense report for my Paris trip.”
- “Please check the status of my reimbursement request.”
แล้ว Joule จะเข้าไปดึงข้อมูลจากระบบ สร้าง แก้ไข หรือแจ้งเตือนให้ทันที โดยไม่ต้องคลิกเมนูหลายชั้น
วงจรชีวิตของ Generative AI ที่ SAP ใช้จริง
หลายโปรเจค AI อาจดูดีแค่ตอนช่วง Demo แต่พอนำมาใช้งานจริงกลับไม่เวิร์ก SAP จึงใช้วิธีของ The SAP Generative AI Product Life Cycle เพื่อเปลี่ยนไอเดียให้กลายเป็นฟีเจอร์ที่ใช้งานได้จริง
ขั้นที่ 1 Ideation เริ่มจากปัญหา
อย่าเริ่มจากคำถามว่า “จะใช้ LLM ดีไหม” แต่ให้เริ่มจาก “ปัญหานี้ AI ช่วยอะไรได้บ้าง”
เช่น ทีม HR เสียเวลาเขียนประกาศรับสมัครงานซ้ำๆ AI อาจช่วยร่างเนื้อหาเบื้องต้นได้
ขั้นที่ 2 Feasibility & Scoping ตรวจสอบก่อนลงมือ
สิ่งที่ควรดูก่อนเริ่มการพัฒนา :
- เข้าถึงข้อมูลธุรกิจ เช่น ข้อมูลตำแหน่งงาน ข้อตกลงซื้อขาย ได้หรือไม่
- มีข้อมูลส่วนตัว (PII) หรือไม่ และต้องปกป้องอย่างไร
- ต้องปฏิบัติตามกฎหมายอะไรบ้าง เช่น GDPR กฎหมายแรงงาน เป็นต้น
- ระบบจะทำงานเร็วพอ และสามารถควบคุมค่าใช้จ่ายได้หรือไม่
ขั้นที่ 3 Prototype/PoC ทดลองให้เห็นของจริง
SAP มีการทดลองหลายโมเดล หลาย Prompt และตั้งระบบป้องกันตั้งแต่ต้น เพราะเป้าหมายไม่ใช่เพื่อให้ข้อมูล “ดูเทพที่สุด” แต่คือ “เหมาะกับงานจริงที่สุด”
ขั้นที่ 4 Productization ทำให้ใช้งานได้จริง
หลังจากทำการทดสอบแล้ว ตอนนี้ก็ถึงเวลาที่จะแปลงข้อมูลออกมาเพื่อให้เป็น “ฟีเจอร์ที่ใช้ได้จริง” ด้วยวิธีการ
- ออกแบบ UI/UX ให้เข้าใจง่าย ให้คนทั่วไปใช้ได้
- เชื่อมต่อข้อมูลอย่างปลอดภัย ผ่าน Pipeline ที่ถูกควบคุม
- ใช้ระบบ Central Orchestration และ SDK ที่ SAP จัดไว้ให้ ทำให้พัฒนาเร็ว ปลอดภัย และสอดคล้องกัน
- ตั้งสิทธิ์และนโยบายการใช้งานให้ชัดเจน เช่น “ใครใช้โมเดลไหนได้บ้าง?” และ “บันทึกการใช้งานทุกครั้ง”
ขั้นที่ 5 Deployment & Monitoring ปล่อยใช้งานแล้วคอยดูแล
ปล่อยฟีเจอร์เข้าสู่ระบบจริง และมีการดูแลแบบ Real-Time เพื่อให้ผู้ใช้รู้ว่า AI กำลังช่วยทำงานอยู่ และ ยังมีช่องทางให้ชี้แจงและแก้ไขอยู่เสมอ
โดยสิ่งที่ต้องคอยติดตามและแก้ไข คือ
- ติดตามคุณภาพคำตอบ (Accuracy, Relevance)
- วัดต้นทุนหรือค่าใช้จ่าย เช่น จำนวน Token, Latency
- ตรวจจับ “Guardrail Triggers” กรณีที่ AI อาจตอบผิดหรือเสี่ยง
- ใช้ “Human-in-the-loop” สำหรับงานสำคัญ เช่น อนุมัติใบขอใช้จ่าย หรือตัดสินใจด้านกฎหมาย
ขั้นที่ 6 Continuous Improvement ไม่หยุดพัฒนา
AI ไม่ใช่ตั้งแล้วจบ แต่ต้องมีการพัฒนาไปพร้อมกับข้อมูล ธุรกิจ และความคาดหวังของผู้ใช้ เพื่อให้เป็นฟีเจอร์ที่ใช้ได้จริงในองค์กร
ตัวอย่าง SAP ในการใช้ LLM ในการทำงาน
HR และการรับสมัครงาน – SAP Success Factor
- ช่วยเขียนรายละเอียดประกาศรับสมัครงานให้ดูน่าสนใจ
- สร้างคำถามสัมภาษณ์ตามตำแหน่งจาก Resume
- บันทึกและสรุปความเห็นจากสัมภาษณ์ (รวมกับ Microsoft Teams)
ค่าใช้จ่ายและการเดินทาง – SAP Concur
- สั่งงานด้วยภาษาธรรมดาผ่าน Joule AI
- ตรวจจับค่าใช้จ่ายผิดนโยบาย เช่น ค่าใช้จ่ายเกินขีดจำกัด พร้อมแนะนำการแก้ไขก่อนส่งอนุมัติ
สุดท้ายนี้ ถ้าคุณกำลังเริ่มต้นกับ AI และ SAP อย่างเพิ่งกลัวหรือกังวลไปก่อน เพราะสิ่งที่คุณควรต้องรู้ คือ LLM มีความเก่งในการทำงานมาก แต่ต้องยึดพื้นฐานข้อมูลจริจากธุรกิจและมีเกราะป้องกัน รวมถึง SAP เองก็ยังมีโครงสร้างพื้นฐาน (Generative AI Hub) และผู้ช่วย (Joule AI) ที่มีการทำงานร่วมกันได้ทั่วแอปพลิเคชัน
สนใจนำ AI ไปใช้ในองค์กร แต่ยังไม่แน่ใจว่าจะเริ่มตรงไหน ใช้อย่างไรให้ปลอดภัย และทำอย่างไรไม่ให้กลายเป็นโปรเจกต์ที่สวยแต่ใช้งานจริงไม่ได้
เนทติเซนท์ เราพร้อมช่วยคุณคิดว่า AI แบบไหน “ควรทำ” และ “ยังไม่ควรทำ” ในบริบทของธุรกิจคุณ เพราะเราเชื่อว่า “AI ที่ดี ไม่ได้เริ่มจากโมเดลที่เก่งที่สุด แต่เริ่มจาก ความเข้าใจงานจริงขององค์กร”
สอบถามข้อมูลเพิ่มเติมได้ที่
Email : [email protected]
LINE : @netizen
Website : www.netizen.co.th