ในยุคที่ AI กำลังกลายเป็นเครื่องมือสำคัญในการเปลี่ยนแปลงธุรกิจ ภาพรวมของการนำ AI มาปรับใช้ในองค์กรขนาดใหญ่ยังเต็มไปด้วยความท้าทายที่ซับซ้อน โดยเฉพาะกับองค์กรที่ต้องรับมือกับข้อมูลจำนวนมากและกฎระเบียบเฉพาะตัวที่หลากหลาย คลิปวิดีโอหนึ่งที่น่าสนใจจาก AI Engineer ได้นำเสนอกรณีศึกษาของบริษัทสาธารณสุขรายใหญ่ที่พัฒนาซอฟต์แวร์สำหรับคลินิกและนักรังสีแพทย์ เพื่อแก้ไขปัญหาในกระบวนการนัดหมายผู้ป่วยผ่านการใช้ AI อัตโนมัติ ซึ่งมีผลกระทบทางธุรกิจที่ประเมินมูลค่ากว่า 100 ล้านดอลลาร์ต่อปี
บทความนี้จะเจาะลึกถึงปัญหาที่เกิดขึ้นจริงในระบบงาน รวมถึงวิธีการแก้ไขที่เน้นการสร้างแพลตฟอร์มสำหรับผู้ใช้งานที่ไม่ใช่นักพัฒนา (non-technical users) ให้สามารถสร้างและปรับแต่งระบบอัตโนมัติผ่านภาษาธรรมชาติได้ด้วยตนเอง พร้อมวิเคราะห์ความท้าทายและบทเรียนที่ได้จากการพัฒนาเทคโนโลยีนี้ เพื่อชี้ให้เห็นว่าการนำ AI มาช่วยงานธุรกิจในระดับองค์กรใหญ่สามารถทำได้อย่างไรโดยไม่ต้องพึ่งพานักพัฒนาตลอดเวลา
THE BREAKDOWN
SECTION 01
ความซับซ้อนในกระบวนการนัดหมายผู้ป่วยและผลกระทบทางธุรกิจ
จุดเริ่มต้นของปัญหาคือการนัดหมายผู้ป่วยในคลินิกรังสีวิทยา ซึ่งผู้ป่วยมักจะโทรศัพท์ติดต่อเจ้าหน้าที่รับสาย (operator) เพื่อแจ้งข้อมูลส่วนตัว เช่น เพศ อายุ อาการ และข้อมูลเกี่ยวกับประกันสุขภาพ จากนั้นเจ้าหน้าที่จะต้องเลือกโค้ดการดำเนินการทางการแพทย์ที่เหมาะสมกับผู้ป่วยแต่ละราย พร้อมกับดำเนินการนัดหมายเวลาที่เหมาะสมให้กับคลินิก
สิ่งที่ทำให้กระบวนการนี้ซับซ้อนมากขึ้นคือการที่แต่ละสายเรียกใช้เวลาประมาณ 12-15 นาที และหากสามารถลดเวลาลงได้เพียง 3 นาที จะส่งผลทางธุรกิจโดยตรงถึง 50 ล้านดอลลาร์ต่อปี เพราะช่วยเพิ่มจำนวนสายที่รับได้ ลดต้นทุนการฝึกอบรมเจ้าหน้าที่ และเพิ่มประสิทธิภาพในการนัดหมายผู้ป่วยในเครือข่ายคลินิกหลายพันแห่งทั่วสหรัฐอเมริกาและยุโรป
แต่ปัญหาหลักไม่ได้อยู่แค่ที่ความยาวของสายเท่านั้น หากแต่ยังรวมถึงความยุ่งยากของหน้าจอผู้ใช้ (UI) ที่เจ้าหน้าที่ต้องจัดการในแต่ละสาย เรียกได้ว่าเป็น “หน้าจอที่ซับซ้อนที่สุด” เพราะประกอบด้วยแท็บถึง 15 แท็บที่ต้องสลับไปมาเพื่อกรอกข้อมูลต่างๆ โดยเจ้าหน้าที่ต้องคอยวิเคราะห์และเลือกโค้ดการดำเนินการที่เหมาะสม ซึ่งมีความหลากหลายและเปลี่ยนแปลงได้ตามหลายปัจจัย
ความซับซ้อนของโค้ดการดำเนินการและกฎระเบียบ
โค้ดการดำเนินการทางการแพทย์ไม่ได้ขึ้นอยู่แค่กับอาการของผู้ป่วยหรือข้อมูลพื้นฐาน แต่ยังต้องพิจารณาปัจจัยอื่นๆ เช่น การเคยเข้ารับบริการที่คลินิกมาก่อนหน้านี้หรือไม่ กฎระเบียบของรัฐ รัฐบาลกลาง และท้องถิ่น รวมถึงนโยบายของแต่ละคลินิก เช่น เวลาทำการที่อาจไม่เหมือนกันในแต่ละสถานที่
ความซับซ้อนนี้ทำให้เกิด “การระเบิดของการตั้งค่าคอนฟิก” (configuration explosion) เพราะแต่ละคลินิกอาจมีชุดโค้ดที่แตกต่างกันอย่างสิ้นเชิง บางแห่งมีโค้ดมากถึง 250 โค้ดสำหรับการตรวจแมมโมแกรม ขณะที่บางแห่งมีเพียง 5 โค้ดเท่านั้น สิ่งนี้ทำให้ไม่สามารถสร้างโครงสร้างข้อมูลหรือ decision tree ที่ครอบคลุมได้อย่างตรงไปตรงมา