OpenAI ชี้โมเดลช่วยยกเครื่องโค้ดภาคการเงิน

วงการเทคโนโลยีกำลังเดินหน้าเข้าสู่ยุคที่ปัญญาประดิษฐ์ไม่ได้ทำหน้าที่เพียงตอบคำถามหรือสร้างภาพเท่านั้น แต่ยังสามารถช่วยดูแลระบบซอฟต์แวร์ที่มีความสำคัญต่อชีวิตประจำวันของผู้คนได้ด้วย ล่าสุด OpenAI ชี้โมเดลช่วยยกเครื่องโค้ดภาคการเงิน โดยมุ่งแก้ปัญหาภาษาการเขียนโปรแกรมรุ่นเก่าที่ธนาคาร หน่วยงานรัฐ และโครงสร้างพื้นฐานสำคัญยังคงใช้งานอยู่

ประเด็นนี้มีความสำคัญอย่างมาก เพราะระบบเก่าหลายประเภททำงานอยู่เบื้องหลังบริการที่ผู้คนใช้เป็นประจำ เช่น การถอนเงินจากตู้ ATM การประมวลผลธุรกรรมธนาคาร การจัดการข้อมูลของหน่วยงานราชการ และการจำลองการทำงานของโรงไฟฟ้านิวเคลียร์ แม้เทคโนโลยีเหล่านี้จะมีความเสถียร แต่การดูแลรักษากลับทำได้ยากขึ้นเรื่อย ๆ เนื่องจากผู้เชี่ยวชาญที่รู้จักภาษาดั้งเดิมกำลังเกษียณอายุ ขณะที่นักพัฒนารุ่นใหม่มักคุ้นเคยกับภาษาอย่าง Python, Java, C++ หรือ Rust มากกว่า

OpenAI ชี้โมเดลช่วยยกเครื่องโค้ดภาคการเงิน

OpenAI เปิดเผยว่าโมเดลรุ่นใหม่มีพัฒนาการอย่างเห็นได้ชัดในการย้ายโค้ดจากภาษารุ่นเก่าไปสู่ภาษาใหม่ หนึ่งในภาษาที่เป็นโจทย์สำคัญคือ COBOL หรือ Common Business-Oriented Language ซึ่งถูกสร้างขึ้นตั้งแต่ปี 1959 แต่ยังคงมีบทบาทต่อระบบการเงินทั่วโลก มีข้อมูลว่าประมาณ 95% ของธุรกรรมผ่านตู้ ATM ยังเกี่ยวข้องกับระบบ COBOL ขณะเดียวกัน Fortran ซึ่งเปิดตัวตั้งแต่ปี 1957 ก็ยังถูกใช้ในงานจำลองระบบที่มีความซับซ้อน เช่น การจำลองการทำงานของเครื่องปฏิกรณ์นิวเคลียร์

ความท้าทายไม่ได้อยู่ที่การเปลี่ยนคำสั่งจากภาษาหนึ่งไปเป็นอีกภาษาหนึ่งเท่านั้น โปรแกรมรุ่นเก่ามักมีเงื่อนไขเฉพาะทางจำนวนมาก ตั้งแต่การปัดเศษทศนิยม ลำดับการคำนวณ ไปจนถึงกฎทางธุรกิจที่สั่งสมมานานหลายสิบปี หากการย้ายระบบทำให้พฤติกรรมเดิมเปลี่ยนไปแม้เพียงเล็กน้อย ก็อาจส่งผลกระทบต่อยอดเงินในบัญชี การชำระเงิน หรือการรายงานทางการเงินได้

OpenAI ชี้โมเดลช่วยยกเครื่องโค้ดภาคการเงินอย่างไร

เพื่อทดสอบความสามารถดังกล่าว OpenAI พัฒนาเกณฑ์ประเมินผลใหม่สองรูปแบบ โดยแบบแรกชื่อ MultiLangBench ใช้ตรวจสอบว่าโมเดลสามารถสร้างโปรแกรม SQLite จากศูนย์ด้วยภาษาการเขียนโปรแกรมที่แตกต่างกันได้ดีเพียงใด ผลการทดสอบระบุว่า GPT-6 ทำคะแนนสูงสุดด้วยอัตราผ่านเฉลี่ยประมาณ 87 เปอร์เซ็นต์ ตัวเลขนี้สะท้อนว่าโมเดลสามารถทำงานกับภาษาโปรแกรมได้หลากหลายมากขึ้น ไม่ได้จำกัดอยู่เฉพาะภาษาที่ได้รับความนิยมในปัจจุบัน

การทดสอบที่สองมุ่งเน้นการย้ายโปรแกรมที่ทำงานด้วย COBOL ไปเป็น C++, Java, Kotlin, Python หรือ Rust โดยมีเงื่อนไขสำคัญคือโปรแกรมใหม่ต้องรักษาพฤติกรรมเดิมให้ได้มากที่สุด GPT-6.1 Sol ที่เปิดใช้ความสามารถด้านการให้เหตุผลในระดับสูงทำคะแนนได้ใกล้ 100 เปอร์เซ็นต์ตามข้อมูลของ OpenAI ผลลัพธ์ดังกล่าวถือเป็นสัญญาณที่น่าสนใจสำหรับองค์กรที่ต้องการปรับปรุงระบบ แต่ไม่สามารถหยุดการให้บริการเพื่อเขียนซอฟต์แวร์ใหม่ทั้งหมดได้

โอกาสและข้อจำกัดของการปรับปรุงระบบเก่า

การใช้ AI ช่วยแปลงโค้ดอาจทำให้โครงการที่เคยใช้เวลาหลายปีลดลงเหลือเพียงไม่กี่ไตรมาส นักพัฒนาสามารถใช้โมเดลเพื่ออ่านโค้ดเก่า สร้างเอกสารประกอบ ตรวจหาความสัมพันธ์ระหว่างโมดูล และเสนอแนวทางเขียนโค้ดใหม่ได้เร็วขึ้น นอกจากนี้ AI ยังช่วยลดภาระของทีมงานที่ต้องศึกษาระบบขนาดใหญ่ซึ่งไม่มีเอกสารที่สมบูรณ์

• ช่วยลดเวลาการทำความเข้าใจโค้ดรุ่นเก่า
• ช่วยสร้างเอกสารและคำอธิบายสำหรับระบบที่ซับซ้อน
• ช่วยเสนอทางเลือกในการย้ายไปยังภาษาโปรแกรมสมัยใหม่
• ช่วยให้องค์กรลดความเสี่ยงจากการขาดแคลนผู้เชี่ยวชาญ COBOL
• ช่วยให้การทดสอบซอฟต์แวร์ทำได้ครอบคลุมและรวดเร็วขึ้น

อย่างไรก็ตาม องค์กรไม่ควรนำโค้ดที่ AI สร้างขึ้นไปใช้งานจริงโดยไม่มีการตรวจสอบ ระบบการเงินและระบบโครงสร้างพื้นฐานต้องผ่านการทดสอบหลายระดับ ทั้งการทดสอบหน่วย การทดสอบการทำงานร่วมกัน การทดสอบความปลอดภัย และการตรวจสอบผลลัพธ์เทียบกับระบบเดิม นอกจากนี้ยังต้องคำนึงถึงการปกป้องข้อมูลลูกค้า ความเป็นส่วนตัว และกฎระเบียบของหน่วยงานกำกับดูแล

อีกประเด็นที่น่าจับตาคือการแข่งขันระหว่างบริษัท AI รายใหญ่ Anthropic ก็เคยระบุว่า Claude Code สามารถช่วยธุรกิจปรับปรุงระบบ COBOL ได้เช่นกัน การที่หลายบริษัทเริ่มนำเสนอเครื่องมือสำหรับงานลักษณะนี้แสดงให้เห็นว่า การปรับปรุงระบบเก่ากำลังกลายเป็นตลาดสำคัญ ไม่ใช่เพียงโครงการทดลองในห้องวิจัยเท่านั้น

อนาคตของนักพัฒนาและระบบการเงิน

AI อาจไม่ได้เข้ามาแทนที่นักพัฒนาทั้งหมด แต่จะเปลี่ยนรูปแบบการทำงานของพวกเขา นักพัฒนาจะต้องทำหน้าที่ตรวจสอบความถูกต้อง กำหนดข้อกำหนดทางธุรกิจ วิเคราะห์ความเสี่ยง และยืนยันว่าโค้ดใหม่ทำงานสอดคล้องกับความต้องการจริง ทักษะด้านการเข้าใจระบบ การรักษาความปลอดภัย และการกำกับดูแล AI จึงมีความสำคัญเพิ่มขึ้นอย่างต่อเนื่อง

สำหรับสถาบันการเงิน การย้ายระบบควรดำเนินการแบบค่อยเป็นค่อยไป เริ่มจากระบบที่มีความเสี่ยงต่ำ สร้างชุดทดสอบที่ครอบคลุม และเก็บหลักฐานทุกขั้นตอนก่อนขยายไปยังระบบสำคัญ วิธีนี้จะช่วยให้องค์กรได้รับประโยชน์จาก AI โดยไม่ต้องแลกกับความน่าเชื่อถือของบริการ

โดยสรุป OpenAI ชี้โมเดลช่วยยกเครื่องโค้ดภาคการเงินได้จริงในระดับที่น่าสนใจ แต่ความสำเร็จในโลกจริงยังขึ้นอยู่กับการกำกับดูแลและความเชี่ยวชาญของมนุษย์ องค์กรที่วางแผนอย่างรอบคอบและใช้ AI เป็นผู้ช่วยมากกว่าผู้ตัดสินใจเพียงลำพัง จะมีโอกาสปรับปรุงระบบเก่าได้เร็วขึ้น ปลอดภัยขึ้น และพร้อมรับมือกับอนาคตมากกว่าเดิม

ที่มา – OpenAI Says Its Models Can Give the Financial Sector a Coding Makeover