- Walmart ไม่ได้ซื้อโซลูชัน AI สำเร็จรูปที่มีอยู่ แต่พัฒนาแอป AI ผ่าน Element แพลตฟอร์ม AI Foundry ของตนเอง และมีพนักงาน 1.5 ล้านคนใช้งานอยู่
- ด้วย สถาปัตยกรรมที่ไม่ยึดติดกับ LLM ใด LLM หนึ่ง จึงสามารถเลือกโมเดลที่เหมาะสมที่สุดสำหรับแต่ละคำค้นหาได้ ทำให้ได้ทั้ง ความคุ้มค่าด้านต้นทุนและการปรับประสิทธิภาพให้เหมาะที่สุด ไปพร้อมกัน
- นำโมเดล 'Foundry' มาใช้เพื่อ ผลิตแอป AI จำนวนมากราวกับเป็นสินค้า ไม่ใช่โปรเจกต์ จึงช่วยเร่งความเร็วในการพัฒนาได้อย่างมาก
- เปิดตัว 5 แอปหลัก อย่างรวดเร็ว เช่น การจัดตารางงาน การแปลแบบเรียลไทม์ AI เชิงสนทนา และการจัดการสินค้าคงคลัง พร้อม ย่นรอบการพัฒนาแอปให้เหลือระดับไม่กี่สัปดาห์
- ผสานการปฏิบัติการและฟีดแบ็กเข้ากับข้อมูลซัพพลายเชนเป็นศูนย์กลาง เพื่อวิเคราะห์และสะท้อนข้อมูลการดำเนินงานแบบเรียลไทม์ จนสร้าง แอป AI ที่พัฒนาอย่างต่อเนื่อง ได้
- Walmart กำลังเปลี่ยน AI จาก ‘ซอฟต์แวร์ที่ติดตั้ง’ ไปเป็น ‘ขีดความสามารถที่ฝังอยู่ในองค์กร’ และใช้สิ่งนี้ ขยายช่องว่างเหนือคู่แข่งอย่างต่อเนื่อง
Walmart isn’t buying enterprise AI solutions — they’re creating them
การพัฒนา Element แพลตฟอร์ม AI ภายในองค์กร
- Walmart พัฒนา แพลตฟอร์ม Element ผ่าน AI Foundry ภายใน แทนการพึ่งพาเวนเดอร์ AI ภายนอก
- แพลตฟอร์มนี้ผลิตแอปพลิเคชัน AI ได้ด้วยความเร็วที่เหนือกว่าจังหวะการพัฒนาซอฟต์แวร์แบบดั้งเดิม
- จากพนักงาน 1.5 ล้านคน มี พนักงาน 9 แสนคนใช้งานทุกสัปดาห์ และรองรับ 3 ล้านคำค้นหาต่อวัน แสดงให้เห็นถึง การขยายระบบในระดับมหาศาล
- การแปลแบบเรียลไทม์รองรับ 44 ภาษา และเวลาวางแผนตารางกะทำงานลดลงจาก 90 นาทีเหลือ 30 นาที
- สิ่งนี้ไม่ใช่ความสำเร็จของแอปเดียว แต่เป็นสัญญาณแรกของพลังจาก แนวทางการพัฒนา AI แบบอุตสาหกรรม
ปรัชญาการออกแบบแบบ LLM-agnostic และการออกแบบบนพื้นฐานโอเพนซอร์ส
- Element มี โครงสร้างที่เลือกใช้โมเดลได้อย่างยืดหยุ่น โดยไม่ผูกติดกับ large language model (LLM) ใดโดยเฉพาะ
- ระบบจะเลือก LLM ที่คุ้มค่าที่สุดเมื่อเทียบกับงาน โดยอัตโนมัติตามวัตถุประสงค์การใช้งานหรือประเภทของคำค้นหา
- โครงสร้างแพลตฟอร์มมี ตัวเลือกการผสานโอเพนซอร์ส มาให้เป็นพื้นฐาน จึงมีความสามารถในการขยายและความยืดหยุ่นสูง
The first wave reveals the principles of the foundry model
ตัวอย่างการผลิตแอป Foundry ระลอกแรก
- แอปพลิเคชันหลัก 5 รายการ ต่อไปนี้ถูก "ผลิต" บนแพลตฟอร์มเดียวกันด้วยแนวทาง Foundry
- การจัดตารางงานด้วย AI: ลดเวลาวางแผนงานของผู้จัดการจากเดิม 90 นาทีต่อวันเหลือ 30 นาที และกำหนดลำดับความสำคัญของงานโดยอิงจากข้อมูลซัพพลายเชน
- การแปลแบบเรียลไทม์: รองรับ 44 ภาษา และเลือกโมเดลที่เหมาะสมที่สุดโดยอัตโนมัติตามคู่ภาษา
- AI เชิงสนทนา: ตอบคำถาม 30,000 รายการต่อวัน และจัดการงานซ้ำๆ ได้โดยไม่ต้องให้มนุษย์เข้ามาแทรกแซง
- VizPick บน AR: ใช้เทคโนโลยี RFID + computer vision เพื่อเพิ่มความแม่นยำของสินค้าคงคลังจาก 85%→99%
- MyAssistant: ผู้ช่วยที่วิเคราะห์เอกสารและข้อมูลภายในองค์กร
- ใช้ โครงสร้างพื้นฐานร่วมและ data pipeline แบบบูรณาการ เพื่อลดการพัฒนาซ้ำซ้อน
- ทุกแอปใช้รูปแบบการดีพลอย การควบคุมคุณภาพ และโครงสร้างฟีดแบ็กชุดเดียวกัน ทำให้ เป็นมาตรฐานราวกับกระบวนการผลิต
ระบบการผลิตที่ทำซ้ำได้
- Element ไม่มองแต่ละแอปเป็นโปรเจกต์แยก แต่ ผลิตเหมือนสินค้าแบบประกอบสำเร็จ
- เมื่อ นักวิทยาศาสตร์ข้อมูลส่งสเปกเข้ามา แพลตฟอร์มจะจัดการอัตโนมัติตั้งแต่การเลือกโมเดลไปจนถึงโครงสร้างพื้นฐานและการดีพลอย
- คอมโพเนนต์ที่ผ่านการพิสูจน์แล้วจากแอปก่อนหน้าสามารถนำกลับมาใช้ซ้ำได้ ทำให้แรงเสียดทานในการพัฒนาแอปใหม่แทบไม่มี
How Walmart’s foundry model changes development economics
การเปลี่ยนผ่านด้านเศรษฐศาสตร์การพัฒนา AI
- AI สำหรับองค์กรแบบดั้งเดิมต้องวนซ้ำกับการประเมินเวนเดอร์ การเจรจาสัญญา และการผสานระบบ จึง สิ้นเปลืองทั้งเวลาและต้นทุน
- แต่ Element สามารถ ประมวลคำขอพัฒนาแอปหลายรายการแบบขนานกัน พร้อมลดความสูญเปล่าให้น้อยที่สุด
- ผลิตภาพและความเร็วอยู่ในระดับ lean manufacturing ทำให้แอปเปลี่ยนจากขั้นไอเดียไปสู่ การพัฒนาได้แทบจะทันที
- ไม่ว่าจะเป็นการจัดตารางงาน AI เชิงสนทนา หรือระบบสินค้าคงคลังด้วย AR ต่างก็ถูกสร้างอย่างรวดเร็วบน Element
Supply chain data becomes development fuel
เปลี่ยนข้อมูลซัพพลายเชนให้เป็นเชื้อเพลิงสำหรับการพัฒนาแอป
- Element เชื่อมต่อกับระบบซัพพลายเชนเพื่อเก็บข้อมูลอย่างอัตโนมัติ เช่น การมาถึงของรถบรรทุก พฤติกรรมการช็อปปิง และฟีดแบ็กจากพนักงาน
- ข้อมูลเหล่านี้ถูกนำไปใช้ในการ กำหนดลำดับความสำคัญของงาน คาดการณ์พฤติกรรมผู้บริโภค และ ดีพลอยโมเดลที่เหมาะกับเงื่อนไขของแต่ละพื้นที่
- การเปลี่ยนความซับซ้อนในการปฏิบัติการให้เป็นข้อมูลแบบบูรณาการ ทำให้ สามารถพัฒนาแอปที่ปรับให้เหมาะกับแต่ละสาขาได้
Walmart has a model arbitrage strategy
กลยุทธ์ model arbitrage
- Element ทำ การเปรียบเทียบประสิทธิภาพต่อค่าใช้จ่ายระหว่างโมเดล AI แบบเรียลไทม์ เพื่อส่งคำค้นหาไปตามเส้นทางที่เหมาะสมที่สุด
- ระบบจะกำหนดเส้นทางอัตโนมัติไปยัง โมเดลพื้นฐานหรือโมเดลพรีเมียม ตามความซับซ้อนของแต่ละคำค้นหา
- เมื่อมีโมเดลใหม่ออกมา ก็สามารถ ทดสอบและดีพลอยได้ทันที และหากโมเดลเดิมมีประสิทธิภาพดีขึ้นก็จะถูกนำมาใช้โดยอัตโนมัติ
- ตัวอย่าง: เครื่องมือแปลภาษา จะเลือกโมเดลที่ดีที่สุดต่างกันไปตามคู่ภาษา
How Walmart integrates real-time feedback
โครงสร้างการผสานฟีดแบ็กแบบเรียลไทม์
- การใช้งานแอปของพนักงานไม่ได้เป็นเพียงการใช้งานเท่านั้น แต่ถูกออกแบบให้เป็น โครงสร้างที่สร้างสัญญาณเพื่อการปรับปรุง
- AI เชิงสนทนาวัด ประสิทธิภาพของโมเดล ประเภทคำค้นหา และความพึงพอใจ ผ่านคำค้นหา 30,000 รายการ แล้วนำกลับไปใช้เป็นฟีดแบ็ก
- แอปใหม่เปิดตัวโดยมีการเรียนรู้จากฟีดแบ็กของแอปก่อนหน้าอยู่แล้ว ทำให้ สามารถให้ประสิทธิภาพสูงได้ตั้งแต่ช่วงเริ่มต้น
- เพื่อสิ่งนี้ Walmart จึงมีโครงสร้าง data pipeline ที่ซับซ้อน การจัดการเวอร์ชันโมเดล และ deployment orchestration
Why internal Foundries beat external platforms
เหตุใด Foundry ภายในองค์กรจึงเหนือกว่าแพลตฟอร์มภายนอก
- แพลตฟอร์มภายนอกต้อง ทำฟังก์ชันให้เป็นแบบทั่วไป เพื่อรองรับการใช้งานหลากหลาย → จึงไม่สามารถเข้ากับองค์กรเฉพาะแห่งได้อย่างสมบูรณ์
- Walmart ปรับแพลตฟอร์มให้เหมาะกับ งาน คำศัพท์ และเป้าหมายร่วมกัน ของพนักงาน 2.1 ล้านคน
- เมื่อเกิดความต้องการใหม่ ก็สามารถ พัฒนาได้ทันทีโดยไม่ต้องเจรจากับเวนเดอร์ → เชื่อมจากไอเดียสู่ผลิตภัณฑ์ได้อย่างรวดเร็ว
Assessing the competitive implications
นัยสำคัญเชิงการแข่งขัน
- แนวทาง Foundry ยิ่งสร้างแอปมากเท่าไร ตัวแพลตฟอร์มเองก็ยิ่งแข็งแกร่งขึ้น ปฏิสัมพันธ์ของผู้ใช้ก็ ช่วยปรับปรุงการเลือกโมเดล และแต่ละการดีพลอยก็กลายเป็น มาตรฐานการผลิต ของแอปถัดไป
- คู่แข่งจะต้องเผชิญกับทางเลือกต่อไปนี้
- ยอมรับ การลงทุนมหาศาล เพื่อสร้างแพลตฟอร์มของตนเอง
- ยอมรับข้อจำกัดของโซลูชันภายนอก
- หรือไม่ทำอะไรเลยและ แบกรับความเสี่ยงที่ช่องว่างจะยิ่งกว้างขึ้นเรื่อยๆ
- ตัวอย่าง: เพียงแอปจัดตารางงานแอปเดียวก็ช่วยประหยัดเวลาให้ผู้จัดการได้วันละ 1 ชั่วโมง → เมื่อนับทั้งประเทศจะเกิด ผลประหยัดมูลค่าหลายล้านดอลลาร์
Lessons learned from Walmart’s enterprise AI Foundry blueprint
4 หลักการสำคัญของการออกแบบ Foundry
- 1. ต้องมองโมเดล AI เป็นชิ้นส่วนที่สลับเปลี่ยนได้
- โครงสร้างที่เป็นอิสระจาก LLM ช่วย ป้องกัน vendor lock-in และทำให้ปรับให้เหมาะสมต่อเนื่องได้
- 2. การบูรณาการการเข้าถึงข้อมูลต้องมาก่อน
- Element ผสานความรู้ทั่วไปของ LLM เข้ากับข้อมูลภายในของ Walmart
- 3. ต้องทำให้งานพัฒนา AI เป็นอุตสาหกรรมได้
- โมเดล Foundry ทำให้กระบวนการ พัฒนา → ดีพลอย → ทำซ้ำ กลายเป็นมาตรฐาน
- 4. ต้องออกแบบให้มีฟีดแบ็กตั้งแต่ต้น
- การฝัง feedback loop ไว้ในระบบทำให้ ยิ่งใช้งาน แอปก็ยิ่งมีประสิทธิภาพดีขึ้น
Walmart just created the enterprises’ new imperative
จุดเปลี่ยนใหม่ของ AI สำหรับองค์กร
- Walmart ไม่ได้แค่ ‘นำ AI มาใช้’ แต่ ได้ครอบครองความสามารถในการสร้าง AI ด้วยตัวเอง
- บริษัทมอง AI ไม่ใช่ซอฟต์แวร์รายตัว แต่เป็น ชุดผลิตภัณฑ์ที่สามารถประกอบและขยายต่อได้
- ปฏิสัมพันธ์กับพนักงาน ทำให้ระบบฉลาดขึ้น และยิ่งมีการดีพลอยมากเท่าไร แพลตฟอร์มก็ยิ่งละเอียดและแม่นยำขึ้น
- หัวใจของความสำเร็จด้าน AI ไม่ใช่ การเลือกโมเดล แต่คือ การสร้างขีดความสามารถในการผลิต AI ขององค์กร
- Walmart กำลังก้าวขึ้นเป็น หนึ่งในบริษัทแรกๆ ที่นิยาม AI ว่าเป็นทรัพย์สินเชิงกลยุทธ์ ไม่ใช่แค่ซอฟต์แวร์
1 ความคิดเห็น
เป็นความเคลื่อนไหวที่มีความหมายทีเดียว