[สรุปคอร์สเรียน] - Agentic AI: การพัฒนาการใช้งานโมเดลภาษาในรูปแบบ Agentic

โมเดลภาษา (Language Model) คือหัวใจสำคัญของ AI ที่ช่วยให้ระบบสามารถทำนายคำถัดไปในประโยคจากข้อความที่ได้รับ โมเดลเหล่านี้ถูกพัฒนาขึ้นมาเพื่อให้เข้าใจและสร้างข้อความที่เหมาะสมกับบริบท โดยมีการเทรนด้วยข้อมูลจำนวนมหาศาลจากอินเทอร์เน็ต หนังสือ และแหล่งข้อมูลสาธารณะต่าง ๆ เพื่อให้มีความรู้รอบด้านและสามารถตอบสนองคำถามหรือคำสั่งที่ได้รับได้อย่างแม่นยำ

การเทรนโมเดลภาษา: ขั้นตอน Pre-Training และ Post-Training

การเทรนโมเดลภาษาแบ่งออกเป็นสองขั้นตอนหลัก คือ

• Pre-Training: โมเดลได้รับการเทรนด้วยข้อมูลจำนวนมากเพื่อเรียนรู้การทำนายคำถัดไปในข้อความ (Next Token Prediction) โดยใช้เทคนิคการเรียนรู้แบบไม่มีผู้ดูแล (Unsupervised Learning) ทำให้โมเดลมีความรู้กว้างขวางเกี่ยวกับภาษาและความหมาย
• Post-Training: หลังจาก Pre-Training โมเดลจะถูกปรับแต่งเพิ่มเติมเพื่อให้ตอบสนองต่อคำสั่งหรือคำถามได้ดีขึ้น โดยการเทรนนี้ใช้ข้อมูลที่มีโครงสร้างเฉพาะ เช่น ชุดข้อมูลคำสั่งและคำตอบที่เหมาะสม และยังใช้เทคนิค Reinforcement Learning with Human Feedback (RLHF) เพื่อให้โมเดลเรียนรู้จากความชอบของมนุษย์และมีการตอบสนองที่เป็นประโยชน์มากขึ้น

การใช้งานโมเดลภาษาและการเตรียมคำสั่ง (Prompting)

โมเดลภาษาโดยทั่วไปรับข้อมูลอินพุตเป็นข้อความธรรมชาติแบบอิสระ (Freeform Text) และสร้างข้อความตอบกลับตามคำสั่งหรือคำถามที่ได้รับ การเตรียมคำสั่งหรือ "Prompt" เป็นสิ่งสำคัญมากเพื่อให้โมเดลเข้าใจความต้องการอย่างชัดเจนและตอบสนองได้ถูกต้อง

หลักการเตรียม Prompt ที่ดีควรประกอบด้วย:

• เขียนคำสั่งให้ชัดเจนและละเอียด เพื่อให้โมเดลเข้าใจสิ่งที่ต้องการได้ดี
• ใส่ตัวอย่างคำถามและคำตอบ (Few-shot Examples) เพื่อแสดงรูปแบบและสไตล์ของคำตอบที่ต้องการ
• ให้ข้อมูลหรือบริบทเพิ่มเติม (Context) เพื่อช่วยลดปัญหาการสร้างข้อมูลผิดพลาด (Hallucination)
• ให้เวลาโมเดลได้คิดและวิเคราะห์ โดยใช้เทคนิค Chain of Thought (COT) เพื่อให้โมเดลสร้างขั้นตอนการคิดก่อนให้คำตอบ
• แบ่งงานที่ซับซ้อนออกเป็นขั้นตอนย่อย เพื่อให้โมเดลทำงานตามลำดับทีละส่วน
• ติดตามและบันทึกผลลัพธ์อย่างเป็นระบบ เพื่อช่วยในการปรับปรุงและวิเคราะห์การทำงาน

ตัวอย่างการใช้ Chain of Thought เพื่อแก้ปัญหา

ตัวอย่างเช่น เมื่อให้โมเดลประเมินว่าคำตอบของนักเรียนถูกต้องหรือไม่ แทนที่จะให้โมเดลตอบทันทีอาจให้โมเดลแก้ปัญหาและสร้างคำตอบของตัวเองก่อน จากนั้นเปรียบเทียบกับคำตอบของนักเรียน วิธีนี้ช่วยให้โมเดลให้คำตอบที่แม่นยำและมีเหตุผลมากขึ้น

ข้อจำกัดของโมเดลภาษาและวิธีแก้ไข

แม้โมเดลภาษาจะมีประสิทธิภาพสูง แต่ก็ยังมีข้อจำกัดที่ต้องรับมือ เช่น

• การสร้างข้อมูลผิดพลาด (Hallucination): โมเดลอาจสร้างข้อมูลที่ไม่ถูกต้องหรือไม่มีอยู่จริง โดยเฉพาะในเรื่องที่ต้องการความแม่นยำสูง เช่น การคำนวณหรือข้อมูลเฉพาะทาง
• ความล้าสมัยของข้อมูล (Knowledge Cutoff): โมเดลถูกเทรนด้วยข้อมูลในช่วงเวลาหนึ่ง ทำให้ไม่สามารถรู้ข้อมูลใหม่ ๆ หรือข่าวสารล่าสุดที่เกิดขึ้นหลังจากนั้น
• ขาดแหล่งที่มาของข้อมูล (Lack of Attribution): โมเดลไม่สามารถบอกได้ว่าข้อมูลที่สร้างขึ้นมาจากแหล่งใด
• ข้อจำกัดด้านความยาวของบริบท (Context Length): โมเดลสามารถรับรู้ข้อมูลในบริบทจำกัด ซึ่งอาจไม่เพียงพอสำหรับงานที่ซับซ้อน

หนึ่งในวิธีแก้ไขคือการใช้เทคนิค Retrieval Augmented Generation (RAG) ซึ่งช่วยลดปัญหาการสร้างข้อมูลผิดพลาดโดยการนำข้อมูลที่เกี่ยวข้องจากฐานข้อมูลหรือแหล่งข้อมูลภายนอกมาใช้ประกอบคำตอบ

การใช้งานเครื่องมือเสริม (Tool Usage) กับโมเดลภาษา

โมเดลภาษาโดยปกติจะรับและส่งข้อความเท่านั้น แต่การเพิ่มความสามารถให้โมเดลสามารถใช้งานเครื่องมือภายนอก เช่น เรียก API เพื่อดึงข้อมูลแบบเรียลไทม์ หรือรันโค้ดใน sandbox ช่วยให้โมเดลสามารถทำงานที่ซับซ้อนและตอบสนองต่อสถานการณ์จริงได้ดียิ่งขึ้น

ตัวอย่างเช่น เมื่อถามโมเดลว่า "สภาพอากาศที่ซานฟรานซิสโกเป็นอย่างไร?" โมเดลจะสร้างคำสั่งให้ระบบภายนอกเรียก API ดึงข้อมูลสภาพอากาศจริง จากนั้นส่งผลลัพธ์กลับมาสู่โมเดลเพื่อให้โมเดลสร้างข้อความตอบกลับที่เหมาะสมและเป็นมิตรกับผู้ใช้

Agentic Language Model: โมเดลภาษาที่มีความสามารถในการโต้ตอบกับสภาพแวดล้อม

Agentic Language Model คือวิวัฒนาการของโมเดลภาษาที่ไม่เพียงแค่รับและส่งข้อความ แต่ยังสามารถโต้ตอบกับสภาพแวดล้อมภายนอกได้ เช่น การใช้งานเครื่องมือ การค้นหาข้อมูล และการเก็บข้อมูลในหน่วยความจำ (Memory) เพื่อใช้ในการตัดสินใจและดำเนินการอย่างต่อเนื่อง

Agentic Language Model ประกอบด้วยสองส่วนหลักคือ

• Reasoning (การให้เหตุผล): โมเดลสามารถวางแผนและวิเคราะห์ปัญหาอย่างมีขั้นตอน เช่น การแตกงานซับซ้อนออกเป็นงานย่อย ๆ เพื่อจัดการได้ง่ายขึ้น
• Action (การกระทำ): โมเดลสามารถเรียกใช้งานเครื่องมือหรือ API เพื่อดึงข้อมูลหรือทำงานในโลกจริง เช่น การเรียกข้อมูลจากฐานข้อมูล หรือรันโค้ดเพื่อตรวจสอบผลลัพธ์

ตัวอย่างการใช้งาน Agentic Language Model ในงานบริการลูกค้า

สมมติลูกค้าถามว่า "ฉันขอคืนเงินสำหรับสินค้านี้ได้ไหม?" ระบบ Agentic AI จะทำงานโดยแบ่งคำถามออกเป็นขั้นตอนย่อย เช่น

1. ตรวจสอบนโยบายการคืนเงินของบริษัท
2. ตรวจสอบข้อมูลลูกค้า
3. ตรวจสอบข้อมูลสินค้าที่ลูกค้าสั่ง
4. สรุปและตัดสินใจว่าจะอนุญาตคืนเงินหรือไม่

ในแต่ละขั้นตอน โมเดลจะเรียกใช้งาน API หรือระบบฐานข้อมูลภายนอกเพื่อดึงข้อมูลที่จำเป็น จากนั้นนำข้อมูลทั้งหมดมาประมวลผลและสร้างคำตอบที่เหมาะสมให้กับลูกค้า

การออกแบบและรูปแบบการใช้งาน Agentic Language Model

การออกแบบ Agentic AI มีรูปแบบที่หลากหลาย ซึ่งจะช่วยให้โมเดลสามารถทำงานได้ซับซ้อนและมีประสิทธิภาพมากขึ้น โดยมีแนวทางหลัก ๆ ดังนี้

1. การวางแผน (Planning)

ให้โมเดลช่วยวางแผนและแบ่งงานซับซ้อนออกเป็นงานย่อย ๆ ที่ชัดเจน เพื่อให้การดำเนินการเป็นไปอย่างเป็นระบบและมีประสิทธิภาพ

2. การสะท้อนผล (Reflection)

ใช้โมเดลในการประเมินและวิจารณ์ผลลัพธ์ที่โมเดลสร้างขึ้นเอง เพื่อปรับปรุงและเพิ่มความแม่นยำ เช่น การให้โมเดลตรวจสอบและแก้ไขโค้ดก่อนส่งมอบ

3. การใช้งานเครื่องมือ (Tool Usage)

ให้โมเดลสามารถเรียกใช้งานเครื่องมือภายนอก เช่น API หรือรันโค้ดใน sandbox เพื่อช่วยให้ได้ผลลัพธ์ที่แม่นยำและตอบโจทย์มากขึ้น

4. การทำงานร่วมกันของหลาย Agent (Multi-Agent Collaboration)

แบ่งงานออกเป็นส่วนย่อยแล้วมอบหมายให้ Agent แต่ละตัวทำหน้าที่เฉพาะด้าน เช่น ตัวควบคุมสภาพอากาศ, ตัวควบคุมแสงไฟในบ้านอัจฉริยะ และใช้ระบบกลางในการประสานงานระหว่าง Agent เหล่านี้

การประยุกต์ใช้งานจริงของ Agentic AI

Agentic AI ถูกนำไปใช้ในหลากหลายด้าน เช่น

• การพัฒนาและแก้ไขซอฟต์แวร์ เช่น การสร้างโค้ดอัตโนมัติหรือแก้ไขบั๊ก
• การวิจัยและวิเคราะห์ข้อมูล เช่น การรวบรวมข้อมูลและสรุปผลให้ผู้ใช้
• การทำงานอัตโนมัติในองค์กร เช่น ระบบบริการลูกค้าอัตโนมัติ หรือระบบช่วยงานสำนักงาน

การประเมินผลและข้อควรระวังในการใช้งาน Agentic AI

การประเมินผล Agentic AI มีความซับซ้อนกว่าการประเมินโมเดลภาษาแบบธรรมดา เนื่องจากต้องพิจารณาการทำงานของ Agent หลายตัวและการโต้ตอบระหว่างกัน

หนึ่งในวิธีที่มีประสิทธิภาพคือการใช้โมเดลภาษาอีกตัวหนึ่งทำหน้าที่เป็นผู้ประเมิน (LLM as Judge) โดยอาจใช้เทคนิค Reflection เพื่อให้การประเมินมีความละเอียดและน่าเชื่อถือมากขึ้น

นอกจากนี้ ควรมีการตั้งเกณฑ์และระบบตรวจสอบเพื่อป้องกันปัญหาด้านจริยธรรม เช่น การสร้างข้อมูลเท็จหรือเนื้อหาที่ไม่เหมาะสม (Hallucination) โดยอาจใช้โมเดลเล็ก ๆ หรือเครื่องมือจำแนกประเภท (Classifier) ตรวจสอบผลลัพธ์ก่อนนำไปใช้งานจริง

เริ่มต้นใช้งาน Agentic AI อย่างไร

คำแนะนำคือเริ่มต้นจากการใช้งานโมเดลภาษาแบบง่ายก่อนใน Playground ของผู้ให้บริการโมเดล เพื่อทดลองสร้าง Prompt และดูผลลัพธ์ จากนั้นจึงขยับมาใช้ API ในการพัฒนาแอปพลิเคชันจริง

เมื่อเข้าใจพื้นฐานแล้ว สามารถทดลองใช้ฟีเจอร์ Agentic Language Model และเฟรมเวิร์กที่มีอยู่ เพื่อสร้างระบบที่ซับซ้อนและตอบโจทย์มากขึ้น

แหล่งข้อมูลและการติดตามข่าวสารในวงการ AI

เนื่องจากวงการ AI และโมเดลภาษาเปลี่ยนแปลงรวดเร็ว การติดตามข่าวสารและงานวิจัยใหม่ ๆ จากผู้เชี่ยวชาญผ่านช่องทางต่าง ๆ เช่น Twitter, YouTube และหลักสูตรออนไลน์ เป็นสิ่งสำคัญ

ควรหาแหล่งข้อมูลที่เชื่อถือได้และเหมาะสมกับระดับความรู้ เพื่อให้สามารถอัปเดตเทคนิคและแนวทางใหม่ ๆ ได้อย่างต่อเนื่อง

คำศัพท์เทคนิค (Glossary)

• Language Model (โมเดลภาษา): โมเดล AI ที่ถูกเทรนให้ทำนายคำถัดไปในข้อความ
• Pre-Training: ขั้นตอนการเทรนโมเดลด้วยข้อมูลจำนวนมากเพื่อเรียนรู้ภาษาโดยทั่วไป
• Post-Training: ขั้นตอนการปรับแต่งโมเดลให้ตอบสนองคำสั่งและคำถามได้ดีขึ้น
• Prompting: การเตรียมข้อความคำสั่งหรือคำถามเพื่อส่งให้โมเดลภาษา
• Chain of Thought (COT): เทคนิคให้โมเดลคิดเป็นขั้นตอนก่อนให้คำตอบ
• Hallucination: ปัญหาการสร้างข้อมูลผิดพลาดหรือไม่เป็นความจริงโดยโมเดล
• Retrieval Augmented Generation (RAG): เทคนิคดึงข้อมูลจากแหล่งภายนอกมาช่วยสร้างคำตอบ
• Agentic Language Model: โมเดลภาษาที่สามารถโต้ตอบกับสภาพแวดล้อมและเครื่องมือต่าง ๆ ได้
• Reflection: การให้โมเดลประเมินและวิจารณ์ผลลัพธ์ของตนเองเพื่อปรับปรุง
• Multi-Agent Collaboration: ระบบที่ใช้ Agent หลายตัวร่วมกันทำงานเพื่อแก้ปัญหาซับซ้อน

บทสรุปจาก Insiderly

Agentic AI คือก้าวสำคัญในการพัฒนาโมเดลภาษาให้สามารถทำงานร่วมกับโลกภายนอกได้อย่างชาญฉลาดและยืดหยุ่น การนำเทคนิคต่าง ๆ เช่น การวางแผน การสะท้อนผล และการใช้งานเครื่องมือเสริมเข้ามาช่วย ทำให้ AI สามารถแก้ไขปัญหาซับซ้อนและตอบสนองความต้องการของผู้ใช้ได้ดีขึ้นอย่างมาก

สำหรับผู้ที่สนใจเริ่มต้น ควรทดลองใช้งานโมเดลภาษาในระดับพื้นฐานก่อน จากนั้นค่อยขยายขอบเขตไปสู่ Agentic AI โดยใช้เครื่องมือและเฟรมเวิร์กที่มีอยู่ เพื่อให้การพัฒนาเป็นไปอย่างมีประสิทธิภาพและสามารถปรับตัวตามเทคโนโลยีที่เปลี่ยนแปลงอย่างรวดเร็ว

การประเมินผลและการตั้งเกณฑ์ด้านจริยธรรมเป็นเรื่องที่ไม่ควรมองข้าม เพราะความน่าเชื่อถือและความปลอดภัยของข้อมูลเป็นหัวใจของการใช้งาน AI ในวงกว้าง การติดตามข่าวสารและเรียนรู้จากผู้เชี่ยวชาญอย่างต่อเนื่องจะช่วยให้เราพัฒนาระบบ AI ที่มีคุณภาพและตอบโจทย์ในอนาคต