เข้าใจก่อน แล้วจึงใช้
เมื่อรู้ว่าเครื่องมือกำลังทำอะไร กฎ 3 ข้อก็กลายเป็นเรื่องที่เข้าใจได้เอง ไม่ใช่กฎที่ตั้งขึ้นลอย ๆ
คำอธิบายแบบเข้าใจง่าย ไม่ใช้ศัพท์เทคนิค ว่าเครื่องมือนี้กำลังทำอะไรอยู่จริง ๆ
หน้านี้อธิบายว่า AI ทำงานอย่างไรด้วยภาษาที่เข้าใจง่าย ไม่ใช่คอร์สเทคนิค และไม่ต้องมีพื้นฐานมาก่อน เป้าหมายคือเรื่องใช้งานจริง เมื่อเข้าใจว่าเครื่องมือกำลังทำอะไร ทั้งจุดแข็งและข้อผิดพลาดของมันก็จะไม่ใช่ เรื่องน่าแปลกใจอีกต่อไป และเราจะพลาดน้อยลง ห้าแนวคิดนี้ครอบคลุมสิ่งที่ทีมทำงานควรรู้เกือบทั้งหมด
AI คือโปรแกรมที่เรียนรู้รูปแบบจากตัวอย่างจำนวนมหาศาล แล้วนำรูปแบบนั้นมาทำนายคำตอบ มันไม่ได้ถูกเขียนกฎ ไว้ทุกข้อว่าต้องตอบอะไร แต่ถูกป้อนข้อความและภาพหลายพันล้านชิ้น จนจับแพตเทิร์นได้เอง
ข้อความและภาพหลายพันล้านชิ้น
โมเดลจับรูปแบบ ช้าและแพง ทำเป็นครั้ง ๆ
ผลลัพธ์ที่ฝึกเสร็จแล้ว — "สมอง"
เราสั่ง มันทำนายคำตอบให้
เทียบง่าย ๆ AI เหมือนเชฟที่ชิมอาหารมาเป็นล้านจานจนเดารสชาติเก่ง ไม่ใช่หุ่นยนต์ที่ทำตามสูตรเป๊ะ ๆ ทีละบรรทัด
คนมักเรียกรวมว่า AI แต่จริง ๆ มีสองแบบที่ต่างกันมาก อัลกอริทึมดั้งเดิมทำตามกฎที่คนเขียน ส่วนโมเดล AI เรียนรู้รูปแบบด้วยตัวเอง ความต่างนี้อธิบายหลายอย่างที่เราเห็นในการใช้งานประจำวัน
เทียบง่าย ๆ อัลกอริทึมคือสูตรอาหารที่เขียนทุกขั้นตอน ทำตามแล้วได้เหมือนเดิม ส่วนโมเดล AI คือเชฟที่ชิม จนเดารสเป็น เก่ง แต่บางครั้งเดาพลาด
สิ่งที่เราเปิดใช้ (แอป) กับสมองที่อยู่ข้างใน (โมเดล) เป็นคนละชั้นกัน การแยกสองสิ่งนี้ช่วยลดความสับสน ได้มาก รวมถึงเรื่องว่าเครื่องมือไหนปลอดภัยพอสำหรับข้อมูลบริษัท
สิ่งที่เราเห็นและกด — Claude, Gemini, แอปบริษัท หน้าตา ปุ่ม การเชื่อมอีเมล
ท่อที่ส่งคำถามของเราไปหาโมเดล แล้วส่งคำตอบกลับมา
เครื่องยนต์ที่คิดและทำนายจริง ๆ — GPT, Gemini, Claude
แอปหนึ่งใช้โมเดลหนึ่งอยู่เบื้องหลัง และแอปหลายเจ้าอาจใช้โมเดลเดียวกันโดยหน้าตาต่างกันได้ เหมือนรถที่มีสี รูปทรง พวงมาลัยต่างกัน แต่ใช้เครื่องยนต์รุ่นเดียวกันได้
หัวใจของ AI ข้อความคือการทำนายคำถัดไปที่น่าจะใช่ที่สุด ทีละคำ จากรูปแบบที่เคยเห็น ไม่ใช่การเปิดดูคำตอบ จากฐานข้อมูล เมื่อถามว่า "เมืองหลวงของประเทศไทยคือ ___" มันจะประเมินความน่าจะเป็นแล้วเลือกตัวที่คะแนนสูงสุด
พอเลือก "กรุงเทพฯ" เสร็จ มันก็นำมาต่อแล้วทำนายคำถัดไปอีก วนแบบนี้จนจบประโยค เร็วมากจนดูเหมือนเข้าใจ แต่จริง ๆ คือการเดาที่แม่นจากสถิติ เหมือนคำแนะนำคำถัดไปบนคีย์บอร์ดมือถือ แต่ฉลาดกว่ามหาศาลเพราะเห็น บริบททั้งหมด
เพราะโมเดลทำนายคำตอบที่ดูสมเหตุสมผล มันจึงตอบออกมาแม้ตอนที่ไม่รู้ และพูดด้วยความมั่นใจเต็มที่ ถ้าเราขอ ให้อ้างอิงงานวิจัยปี 2562 เรื่องผลของ AI ต่อธุรกิจซักรีดในไทย มันอาจสร้างชื่อผู้วิจัย ชื่อวารสาร และเลขหน้า ที่ดูสมจริงแต่ไม่มีอยู่จริง เพราะมันเดารูปแบบของการอ้างอิง ไม่ได้เปิดหาเอกสารจริง เรียกอาการนี้ว่าการเดามั่ว (Hallucination)
ช่องว่างนี้แหละคืออันตราย ความมั่นใจสูงไม่ได้แปลว่าถูก และนี่คือเหตุผลที่กฎข้อแรกของพื้นฐานมีอยู่
ตรวจทุกครั้ง โดยเฉพาะตัวเลข ชื่อ วันที่ และการอ้างอิง
ให้ข้อมูลต้นทาง แปะเอกสารจริงให้มันทำงาน ดีกว่าให้มันนึกเอง
สั่งให้บอกเมื่อไม่รู้ "ถ้าไม่แน่ใจให้บอกว่าไม่รู้ อย่าเดา"
เมื่อรู้ว่าเครื่องมือกำลังทำอะไร กฎ 3 ข้อก็กลายเป็นเรื่องที่เข้าใจได้เอง ไม่ใช่กฎที่ตั้งขึ้นลอย ๆ
มีสองช่วงที่ควรแยก การฝึก (Training) คือช่วงที่แพง ช้า และทำเป็นครั้ง ๆ ที่โมเดลเรียนรู้ จากข้อมูลมหาศาล ส่วน การใช้งาน (Inference) คือช่วงที่เร็ว ถูก และทำได้ทุกวัน ที่เราถามแล้ว มันตอบ ผลที่ตามมาในทางปฏิบัติคือ โมเดลจะ "รู้" แค่ถึงวันที่หยุดฝึก หรือ Knowledge cutoff เรื่องที่ ใหม่กว่านั้นมันไม่รู้ เว้นแต่เราป้อนให้ หรือแอปต่อกับแหล่งข้อมูลสด เช่น อีเมลหรือปฏิทินของเรา
AI เรียนรู้รูปแบบ ไม่ได้ทำตามกฎตายตัวแบบอัลกอริทึม · แอปคือรถ โมเดลคือเครื่องยนต์ · มันทำนายคำถัดไป เก่งจนดูเหมือนเข้าใจ แต่คือการเดาที่แม่น · และมันเดามั่วได้ ความมั่นใจไม่เท่ากับความถูกต้อง จึงต้องตรวจทุกครั้ง
พื้นฐานร่วมกันหนึ่งชุดสำหรับทั้งทีม แล้วนำไปใช้กับงานจริงของแต่ละคน
ขอรับคำปรึกษา