Knowledge Engineering — AI Consultant แบบ In-House

ที่ปรึกษาที่เรียกใช้ได้เรื่อย ๆ

การอ่านคือส่วนที่แพงที่สุด สร้าง Consultant ขึ้นมาทำเองแบบ In-House — มี Citation อ้างอิง มี Audit Log ตรวจสอบได้ และเป็นสิทธิ์ขาดของคุณ

Insight

เงินที่คุณจ่ายให้ External Consultant ส่วนใหญ่หมดไปกับการอ่าน

คุณค่าของ External Consultant มาจากสองอย่าง — Framework และการอ่าน Framework คือ IP ที่หยิบกลับมาใช้ได้ทุก Engagement ส่วนการอ่านเป็นงานเฉพาะรายที่ต้องทำใหม่ทุกครั้ง คิดเงินเป็นชั่วโมง: ชั่วโมงที่ใช้อ่านนโยบาย, สัญญา, Incident, และข้อมูลปฏิบัติการของคุณ Framework จ้างครั้งเดียวจบ ส่วนการอ่านต้องจ่ายใหม่ทุกครั้งที่เปิด Engagement ใหม่

Generative AI อ่านได้ด้วยความเร็วเครื่อง เรื่องนี้ไม่ใช่ข้อสงสัยอีกแล้ว สิ่งที่ ยัง เป็นข้อสงสัยคือ มันอ่านในแบบที่ Regulator, Auditor หรือทีม Review ภายในของคุณจะยอมรับและแก้ต่างให้ได้ในอีกหนึ่งปีให้หลังหรือไม่ — โดยที่ Model ต้องไม่แอบอ้างนโยบายที่ไม่มีอยู่จริงขึ้นมาเงียบ ๆ

คำตอบไม่ใช่ Chatbot ที่ฉลาดขึ้น แต่คือระบบที่อยู่ใต้ Chatbot — ระบบที่เก็บเอกสารของคุณ บังคับให้ AI ทำ Citation ทุกแหล่งที่หยิบข้อความมาใช้ กำหนดสิทธิ์ว่าใครเห็นอะไรได้บ้าง และบันทึกประวัติการถามตอบทั้งหมดอย่างครบถ้วนไว้ให้ Auditor ตรวจสอบในอีกหนึ่งปีข้างหน้า

อย่าเช่า Consultant สร้างเอง ครั้งเดียว สิ่งที่เคลื่อนไหวคือคำถาม สิ่งที่อยู่กับที่คือเอกสาร

3 งานที่ระบบนี้จะทำแทนคุณ

เลือกข้อที่ตรงกับงานประจำสัปดาห์ของคุณที่สุด

ต่างอุตสาหกรรม ต่างเอกสาร ต่างเดดไลน์ แต่รูปแบบเหมือนกัน: มีคนกำลังนั่งอ่านเอกสารของคุณตามชั่วโมงทำงาน งานส่งล่าช้า และต้นทุนสะสมเพิ่มขึ้นเรื่อย ๆ สถานการณ์เหล่านี้จงใจยกตัวอย่างให้เห็นภาพชัดเจน — เพราะนี่คืองานในปัจจุบัน ก่อนที่จะถูกเปลี่ยนเป็นระบบอัตโนมัติ

Banking · Credit Risk

Regulator เปลี่ยนกฎ

ต้องส่ง Memo ภายในวันศุกร์

วันอังคารมีหนังสือเวียนฉบับใหม่จาก BOT ออกมา ภายในวันศุกร์ CRO ของคุณต้องการ Memo ว่ามีอะไรเปลี่ยนไปบ้างสำหรับ Retail Credit ฝั่ง Outside Counsel ประเมินเวลาทำงาน 3 สัปดาห์ คณะกรรมการความเสี่ยงจึงต้องประชุมกันโดยไม่มีผลวิเคราะห์ แต่ In-House Consultant สามารถอ่านหนังสือเวียนเทียบกับนโยบายสินเชื่อปัจจุบันของคุณได้ในข้ามคืน พร้อมไฮไลท์ 4 ส่วนที่ต้องตัดสินใจ ทำ Citation แหล่งที่มาทั้งสองฝั่ง และ Memo ก็ไปอยู่บนโต๊ะของ CRO ในเช้าวันพุธ — พร้อมโควตย่อนโยบายเดิมที่ขัดแย้งกันมาแสดงแบบ In-Line ทันที

Hospital · Revenue Cycle

คิวงานล้นมือเกินกว่าที่ทีมจะรับไหว

4,200 Charts ตรวจได้จริง 80

สิ้นสุดสัปดาห์ของโรงพยาบาล: มี 4,200 Discharge Summary อยู่ใน Coding Queue ทีม Senior Coder ของคุณเคลียร์ได้วันละ 80 รายการ Chart ที่ไม่ผ่านการ Audit จะถูกปฏิเสธจ่ายเงิน (Deny) ตามอัตราปกติของอุตสาหกรรม ซึ่งการ Deny แต่ละครั้งหมายถึงต้นทุนค่าแรงในการแก้ไขงานใหม่ประมาณ THB 13,000 และเงินสดที่เข้ามาล่าช้าไปอีก 30–60 วัน แต่ In-House Consultant จะช่วย Pre-Screen ทุก Chart เทียบกับ ICD-10-TM และแพทเทิร์นการ Deny ของ Payer แต่ละราย พร้อมเสนอ Code โดยใช้บรรทัดใน Chart เป็นหลักฐาน และส่งต่อให้คนตรวจเฉพาะ Edge Cases เท่านั้น Coder จึงทำหน้าที่ตรวจสอบเฉพาะเคสยกเว้น — ไม่ใช่ไล่ดูทั้งคิว สำหรับรายละเอียดเชิงลึกเพิ่มเติม โปรดดูที่ companion note

Capital Markets · Research

ไม่มีใครอ่านได้ครบทั้งหมด

หุ้น 200 ตัว ในสัปดาห์ประกาศงบ

สัปดาห์ประกาศผลประกอบการของ SET50: หุ้น 200 ตัว บทวิเคราะห์จากโบรกเกอร์รายละ 4 ฉบับ รายงาน 56-1 ประกาศจาก BOT และข่าวสารที่หลั่งไหลเข้ามา มี Analyst 5 คน ไม่มีใครอ่านได้ทั้งหมด Factor Signal ที่ซ่อนอยู่ในรายงานที่ไม่มีใครเปิดอ่านจึงถูกมองข้ามไป และการตัดสินใจลงทุนก็ทำไปตามพาดหัวข่าวเท่านั้น ส่วน In-House Consultant จะอ่านทั้งหมดนี้ในข้ามคืน — ทำ Cross-Document Factor Analysis และทำ Citation อ้างอิงทุกข้อสรุปกลับไปยังหน้าเอกสารรายงาน Analyst จึงทำหน้าที่ Review ตัว Signal ไม่ใช่มานั่งไล่อ่าน Corpus เอกสารทั้งหมด

ต่างอุตสาหกรรม ต่างเอกสาร ต่างเดดไลน์ แต่เนื้องานเบื้องลึกยังเหมือนเดิม: อ่านสิ่งที่คุณมีอยู่แล้ว อ้างอิงแหล่งที่มา และทิ้ง Audit Trail เอาไว้ รูปแบบนี้จะเกิดขึ้นซ้ำ ๆ ในทุกที่ที่มีเอกสารและมีเดดไลน์รออยู่ — เพียงแค่ดูแตกต่างกันไปตามหน้าที่ของแต่ละโต๊ะทำงาน

ระบบที่อยู่เบื้องหลัง

4 ชั้น AI ชั้นบนเปลี่ยนได้ เอกสารและ Audit Log ของคุณเปลี่ยนไม่ได้

เหตุผลที่ Consultant คนละคน — ไม่ว่าจะเป็น AI คนละตัว, บทบาทต่างกัน หรือมาจาก Vendor รายอื่น — สามารถทำงานบนระบบเดียวกันได้ เพราะเราตั้งใจแยกโครงสร้างระบบด้านล่างออกจาก AI ด้านบน แต่ละ Layer มีหน้าที่เดียว การสลับเปลี่ยน AI จึงไม่จำเป็นต้องกลับไปอ่านเอกสารใหม่ทั้งหมด ไม่ต้องทำ Tag ระดับความลับใหม่ หรือสร้าง Audit Log ขึ้นมาใหม่

L1 · Documents เอกสารและ Audit Log ของคุณ ทำหน้าที่เหมือนบรรณารักษ์ เอกสารจะถูกเก็บรักษาไว้ในสภาพเดิมที่ได้รับมา ทุกข้อความสามารถสืบย้อนกลับไปถึงหน้าต้นฉบับ ย่อหน้า และคำพูดที่ถูกต้องแม่นยำได้
L2 · Lookup ค้นหา ค้นคืน และดึงข้อมูลเข้ามาอ่าน เครื่องมือชุดเล็กที่กำหนดไว้ตายตัวซึ่ง AI ด้านบนได้รับอนุญาตให้เรียกใช้ การเปลี่ยนตัว AI จะไม่มีผลกระทบใด ๆ ต่อเอกสารที่อยู่เลเยอร์ด้านล่าง
L3 · The Consultant AI ที่ทำหน้าที่ Reasoning เหนือข้อมูลเอกสารของคุณ ปรับแต่งตามแต่ละสายงาน — Banking, Healthcare, Research — โดยการโหลดกฎ Framework และ Template ที่สายงานนั้น ๆ ใช้
L4 · What People See Chat, Dashboard, Scorecard สิ่งที่คนหน้างานคลิกใช้งานจริง เป็นหน้าตาของ Consultant — ไม่ใช่สมอง

AI ด้านบนคือสิ่งที่คนใช้พูดคุยด้วย แต่ระบบที่อยู่เบื้องหลังคือสิ่งที่ทำให้การคุยนั้นเชื่อถือและแก้ต่างได้ — และเป็นส่วนที่ช่วยรักษาเอกสารกับ Audit Log ของคุณไว้เมื่อมีการเปลี่ยน AI ด้านบน

อะไรที่ทำให้ระบบนี้เชื่อถือและแก้ต่างได้

4 มาตรการป้องกัน ถูกสร้างไว้ในระบบ ไม่ใช่เพิ่งนำมาต่อเติมเข้ากับ AI

แต่ละมาตรการจะถูกบังคับใช้โดยระบบก่อนที่ AI จะเห็นคำถามด้วยซ้ำ AI ไม่สามารถกุเรื่องหรือปลอมแปลงคำตอบได้ เพราะระบบที่มันทำงานผ่านไม่เปิดช่องให้ทำเช่นนั้น

1. ทุกคำตอบต้องมี Citation อ้างอิงแหล่งที่มา

ทุกข้อสรุปในคำตอบจะชี้กลับไปยังข้อความเฉพาะในเอกสารที่เจาะจง คำตอบใดที่ไม่มี Citation จะถูกบล็อกโดยตัวระบบเอง — ไม่ใช่แค่ติด Flag ไว้รอให้คนมาตรวจเจอตอน Review

2. เอกสาร Sensitive ยังคงเป็นความลับ

ทุกเอกสารจะถูกติด Tag เมื่อถูก Ingest เข้ามา — Public, Internal, Confidential, Restricted ระบบจะกรองข้อมูลด้วย Tag ก่อนที่ AI จะเห็น ข้อมูลที่ Sensitive จะไม่มีวันหลุดออกจาก Network ของคุณและไม่มีวันส่งไปยังบริการ AI ภายนอก

3. แต่ละทีมไม่มีสิทธิ์เห็นข้อมูลของกันและกัน

ระบบเดียวสามารถให้บริการแก่หน่วยงานธุรกิจหลายแห่ง หรือโปรเจกต์ลูกค้าหลายรายได้ โดยที่เอกสารจะไม่มีวันปะปนกัน การกั้นเขตแดนนี้ถูกควบคุมตั้งแต่ตอน Login — ไม่ใช่หวังพึ่งให้ AI ทำตัวดี ๆ ซึ่งในความเป็นจริงแล้ว AI จะไม่มีสิทธิ์มองข้ามฝั่งได้เลย

4. บันทึกข้อมูลที่สมบูรณ์และปิดผนึกป้องกันการแก้ไข

ทุกคำถาม ทุกคำตอบ ทุกเอกสารที่เข้าถึง — จะถูกบันทึกใน Log พร้อมข้อความที่นำมาใช้และ AI ตัวที่เขียนคำตอบ ข้อมูลแต่ละช่วงเวลาจะถูกปิดผนึกและส่งไปยัง Storage ที่เป็น Tamper-Proof อีกหนึ่งปีให้หลัง คุณยังสามารถจำลองย้อนหลังได้อย่างแม่นยำว่าเกิดอะไรขึ้นบ้าง

Audit Log ไม่สามารถโกหกเกี่ยวกับสิ่งที่ AI เห็นได้ ทุกคำถามจะถูกบันทึกไว้พร้อมกับข้อความที่ระบบดึงขึ้นมาและ AI ตัวที่เขียนคำตอบ ในอีกหนึ่งปีข้างหน้า คุณจะสามารถจำลองประวัติย้อนหลังได้เลยว่า Consultant อ่านเอกสารฉบับไหนไปบ้าง และตอบอะไรกลับไปให้กับคนถาม — ไม่ว่าผู้ขอดูจะเป็น Regulator, คณะกรรมการ Audit ของคุณเอง หรือทีมงานของคุณที่กำลังตรวจสอบ (Debug) คำตอบที่น่าสงสัย

ขั้นตอนการนำไปใช้จริง

4 สัปดาห์นับจากการเชื่อมต่อครั้งแรก ไปจนถึงได้ Consultant ที่อ่านข้อมูลและทำงานได้เอง

ข้อโต้แย้งที่พบบ่อย: “วันแรกมาถึง Consultant ยังไม่รู้จักธุรกิจของเราเลย” ถูกต้อง เพราะ Agent จะเรียนรู้ธุรกิจเมื่อมันได้อ่าน Corpus ทั้งหมด ขั้นตอนการทำงานนั้นสั้นมาก

รันบน Hardware ของคุณเอง
เป็น Server ประเภทเดียวกับที่ทีม IT ของคุณซัพพอร์ตอยู่แล้ว หากเอกสาร Sensitive จำเป็นต้องอยู่ใน Network ของคุณ ก็แค่เพิ่ม GPU Server เพียงตัวเดียวสำหรับ AI ภายใน — ไม่จำเป็นต้องใช้เป็น Cluster การปรับแต่งระบบในแต่ละวันเป็นหน้าที่ของทีม Data ของคุณเอง ไม่จำเป็นต้องมีทีม ML โดยเฉพาะ
4 สัปดาห์
นับจากการเชื่อมต่อครั้งแรก ไปจนถึงการได้คำตอบที่นิ่ง เสถียร และมี Citation อ้างอิง สำหรับคำถามมาตรฐานที่ทีมของคุณต้องใช้งานจริง
รักษา Data Residency ไว้ตามเดิม
ข้อมูลใน Database และ Warehouse — ไม่ว่าจะเป็นประวัติลูกค้า รายการธุรกรรม หรือข้อมูลการดำเนินงาน — จะไม่มีวันถูกคัดลอกออกจาก Storage ของคุณ ข้อมูลจะยังคงอยู่ที่เดิมในจุดที่การตรวจสอบของทีม Compliance, Audit และ PDPA คาดหวังให้มันอยู่ เป็นข้อมูลเวอร์ชันอ้างอิงหลักที่ถูกต้องเพียงหนึ่งเดียว ไม่ใช่สำเนาคัดลอก
ทำไมต้องสร้างระบบ ไม่ใช่แค่ทำ Chatbot

Chatbot คือสิ่งที่ไม่ควรซื้อ

ตลาดในตอนนี้เต็มไปด้วย Chatbot ที่เอาฟังก์ชันค้นหามาต่อเติมด้านข้าง (Bolted-on) พวกมันนำเสนอ Demo ได้ดูดี แต่มันไม่ใช่สิ่งที่คุณควรซื้อ เมื่อ AI ด้านล่างเก่งขึ้น — ซึ่งมันจะเก่งขึ้นทุก ๆ 6 เดือนแน่นอน — Chatbot ที่เอามาต่อเติมเหล่านั้นจะสูญเสียจุดเด่นที่เคยมีไปทันที ทว่าเอกสารของคุณ, Tag ระดับความลับ, Audit Log รวมถึงการการันตีว่าทุกคำตอบต้องมี Citation อ้างอิงแหล่งที่มา จะไม่มีวันสูญเสียคุณค่าใด ๆ ไปเลย

เราสร้าง Knowledge Engineering ขึ้นมาก่อน — ซึ่งเป็นระบบที่อยู่เบื้องหลัง — แล้วจึงให้ Consultant ด้านบนรันอยู่บนระบบนี้ ตัว Knowledge Engineering มีมูลค่าในตัวเอง โดยแยกขาดจาก Consultant ตัวใดตัวหนึ่งที่สร้างขึ้นมาครอบมัน คุณสามารถเปลี่ยนตัว Consultant ด้านบนได้โดยไม่สูญเสียเอกสารหรือ Audit Log ของคุณ นี่ต่างหากคือสินทรัพย์ที่อยู่ได้อย่างยั่งยืน

ผลลัพธ์จากการทำ Proof เป็นอย่างไร

4 สัปดาห์ กับเอกสารของคุณ 1 ชุด

เราจะไม่ยกตัวอย่างตัวเลข ROI ในบทความนี้ เพราะตัวเลขเฉลี่ยของอุตสาหกรรมจะบอกสิ่งที่คุณคาดหวังได้จากเอกสารของคนอื่น ไม่ใช่ของคุณ สิ่งที่จะเกิดขึ้นจริงจากการทำ Proof เป็นเวลา 4 สัปดาห์ บนเอกสารของคุณ และรันบน Hardware ของคุณ คือ:

เมื่อจบสัปดาห์ที่ 4 คุณจะเดินออกไปพร้อมกับ 4 สิ่งที่ยึดโยงอยู่กับการดำเนินงานจริงของคุณเอง — เอกสารของคุณ, ชุดคำถาม, Audit Log และแผนการทำ Production สิ่งเหล่านี้คือสิ่งที่บอร์ดบริหารของคุณจะให้ความไว้วางใจ และหากผลการทำ Proof ไม่คุ้มค่าพอที่จะนำไปทำ Production ต่อ โปรเจกต์ก็จะจบลงตรงนั้นโดยไม่มีข้อผูกมัดใด ๆ เพิ่มเติม

Proof ระยะเวลา 4 สัปดาห์

Source เอกสารแหล่งเดียว ใช้กฎระดับความลับของคุณ และชุดคำถามของคุณ

เมื่อสิ้นสุดสัปดาห์ที่ 4: คุณจะได้ Consultant ที่อ่านเอกสารของคุณแล้ว มี Audit Log ที่พิสูจน์ได้ว่ามันอ่านอะไรไปบ้าง และมีการตัดสินใจที่ชัดเจนว่าจะนำระบบนี้ไปใช้ในระดับ Production หรือไม่

การพูดคุยครั้งแรกจะใช้เวลา 30 นาที เพื่อประเมินความเหมาะสม (Fit): เอกสารชุดไหนที่จะนำมาใช้ คำถามอะไรที่ระบบต้องตอบ กฎระดับความลับใดที่ต้องบังคับใช้ และรูปแบบของ In-House Consultant นี้ตอบโจทย์งานที่ปัจจุบันต้องส่งให้บริษัทภายนอก หรือตรงกับงานที่ทีมงานภายในกำลังแบกรับภาระจนล้นมืออยู่หรือไม่

เริ่มพูดคุยกับเรา

เรายินดีให้บริการสำหรับโปรเจกต์ระดับนานาชาติ — พร้อมดูแลลูกค้าทั่วภูมิภาค Southeast Asia และพื้นที่อื่น ๆ

contact@infozense.com  |  +66-82-242-4008  |  Bangkok, Thailand