เป้าหมายหลักของปัญญาประดิษฐ์เชิงสร้างสรรค์ (Generative AI) คืออะไร? [วิดีโอและแบบทดสอบ]

คำตอบสั้นๆ: เป้าหมายหลักของ AI แบบสร้างสรรค์ (Generative AI) คือการสร้างเนื้อหาใหม่ที่สมจริง (ข้อความ รูปภาพ เสียง โค้ด และอื่นๆ) โดยการเรียนรู้รูปแบบจากข้อมูลที่มีอยู่และต่อยอดตามคำสั่ง AI แบบสร้างสรรค์มักมีประโยชน์มากที่สุดเมื่อคุณต้องการร่างเอกสารอย่างรวดเร็วหรือหลายเวอร์ชัน แต่ถ้าความถูกต้องแม่นยำของข้อเท็จจริงมีความสำคัญ ควรเพิ่มข้อมูลอ้างอิงและการตรวจสอบเพิ่มเติม

ประเด็นสำคัญ:

การสร้างข้อมูล: มันสร้างผลลัพธ์ใหม่ที่สะท้อนรูปแบบที่เรียนรู้มา ไม่ใช่ "ความจริง" ที่ถูกจัดเก็บไว้

การอ้างอิงแหล่งที่มา: หากความถูกต้องแม่นยำเป็นสิ่งสำคัญ ให้เชื่อมโยงคำตอบกับเอกสารอ้างอิงหรือฐานข้อมูลที่เชื่อถือได้

ความสามารถในการควบคุม: ใช้ข้อจำกัดที่ชัดเจน (รูปแบบ ข้อเท็จจริง น้ำเสียง) เพื่อควบคุมผลลัพธ์ให้มีความสม่ำเสมอมากขึ้น

การป้องกันการใช้งานในทางที่ผิด: เพิ่มราวกันตกเพื่อป้องกันเนื้อหาที่เป็นอันตราย ส่วนตัว หรือไม่ได้รับอนุญาต

ความรับผิดชอบ: ปฏิบัติต่อผลลัพธ์เสมือนเป็นฉบับร่าง บันทึก ประเมิน และส่งต่องานที่มีความเสี่ยงสูงให้แก่บุคคลอื่น

บทความที่คุณอาจสนใจอ่านต่อหลังจากบทความนี้:

🔗 AI เชิงสร้างสรรค์คืออะไร
ทำความเข้าใจว่าโมเดลสร้างข้อความ รูปภาพ โค้ด และอื่นๆ ได้อย่างไร.

🔗 AI ถูกยกย่องเกินจริงหรือไม่?
การวิเคราะห์อย่างรอบด้านเกี่ยวกับกระแสความนิยม ข้อจำกัด และผลกระทบในโลกแห่งความเป็นจริง.

🔗 AI แบบไหนที่เหมาะกับคุณ
เปรียบเทียบเครื่องมือ AI ยอดนิยมและเลือกเครื่องมือที่เหมาะสมที่สุด.

🔗 มีฟองสบู่ AI อยู่หรือไม่
สัญญาณที่ควรจับตา ความเสี่ยงของตลาด และสิ่งที่จะเกิดขึ้นต่อไป.

เป้าหมายหลักของปัญญาประดิษฐ์เชิงสร้างสรรค์ (Generative AI) 🧠

หากคุณต้องการคำอธิบายที่สั้นที่สุดและถูกต้องที่สุด:

• ปัญญาประดิษฐ์เชิงสร้างสรรค์เรียนรู้ "รูปแบบ" ของข้อมูล (ภาษา รูปภาพ ดนตรี รหัสโปรแกรม)

• จากนั้นระบบจะสร้าง ตัวอย่างใหม่ ที่ตรงกับรูปร่างนั้น

• ระบบจะทำเช่นนี้เพื่อตอบสนองต่อคำสั่ง บริบท หรือข้อจำกัดต่างๆ

ใช่แล้ว มันสามารถเขียนย่อหน้า วาดภาพ เรียบเรียงทำนองเพลง ร่างข้อสัญญา สร้างกรณีทดสอบ หรือออกแบบสิ่งที่คล้ายโลโก้ได้.

ไม่ใช่เพราะมัน "เข้าใจ" เหมือนมนุษย์ (เราจะมาพูดถึงเรื่องนั้นกัน) แต่เป็นเพราะมันสามารถสร้างผลลัพธ์ที่สอดคล้องกับรูปแบบที่มันเรียนรู้มาทั้งในเชิงสถิติและโครงสร้างได้ดี.

หากคุณต้องการกรอบความคิดที่เป็นผู้ใหญ่สำหรับ “วิธีการใช้สิ่งนี้โดยไม่ทำให้เกิดปัญหา” กรอบการจัดการความเสี่ยง AI ของ NIST เป็นจุดยึดที่มั่นคงสำหรับการคิดเกี่ยวกับความเสี่ยงและการควบคุม [1] และหากคุณต้องการบางสิ่ง โดยเฉพาะ สำหรับความเสี่ยงของ AI ที่สร้างขึ้น (ไม่ใช่แค่ AI โดยทั่วไป) NIST ยังได้เผยแพร่โปรไฟล์ GenAI ที่เจาะลึกถึงสิ่งที่เปลี่ยนแปลงเมื่อระบบกำลังสร้างเนื้อหา [2]

ทำไมคนถึงเถียงกันเรื่อง "เป้าหมายหลักของ AI แบบสร้างสรรค์" 😬

ผู้คนมักพูดคุยกันไม่เข้าใจ เพราะพวกเขาใช้คำว่า "เป้าหมาย" ในความหมายที่แตกต่างกัน

บางคนหมายถึง:

• เป้าหมายทางเทคนิค: สร้างผลลัพธ์ที่สมจริงและสอดคล้องกัน (ส่วนสำคัญที่สุด)

• เป้าหมายทางธุรกิจ: ลดต้นทุน เพิ่มผลผลิต และสร้างประสบการณ์ที่ตรงตามความต้องการเฉพาะบุคคล

• เป้าหมายของมนุษย์: ต้องการความช่วยเหลือในการคิด สร้างสรรค์ หรือสื่อสารได้เร็วขึ้น

ใช่แล้ว สิ่งเหล่านั้นขัดแย้งกัน.

หากเราพิจารณาอย่างรอบด้าน เป้าหมายหลักของ AI แบบสร้างสรรค์ (Generative AI) คือ การสร้างสรรค์ – การสร้างเนื้อหาที่ไม่เคยมีมาก่อน โดยขึ้นอยู่กับข้อมูลป้อนเข้า

เรื่องธุรกิจเป็นเรื่องปลายทาง ส่วนความตื่นตระหนกทางวัฒนธรรมก็เป็นเรื่องปลายทางเช่นกัน (ขอโทษนะ... ประมาณนั้นแหละ 😬).

สิ่งที่คนส่วนใหญ่เข้าใจผิดว่า GenAI คือ (และทำไมเรื่องนี้ถึงสำคัญ) 🧯

การดูรายการ "ไม่ใช่แบบนี้" อย่างรวดเร็วจะช่วยลด มาก :

GenAI ไม่ใช่ฐานข้อมูล

มันไม่ได้ "ดึงความจริง" ออกมา มันสร้าง ที่น่าเชื่อถือ ถ้าคุณต้องการความจริง คุณต้องเพิ่มหลักฐานอ้างอิง (เอกสาร ฐานข้อมูล การอ้างอิง การตรวจสอบโดยมนุษย์) ความแตกต่างนี้เป็นเรื่องพื้นฐานของความน่าเชื่อถือทั้งหมด [2]

GenAI ไม่ใช่เอเจนต์โดยอัตโนมัติ

โมเดลที่สร้างข้อความนั้นไม่เหมือนกับการระบบที่สามารถดำเนินการได้อย่างปลอดภัย (เช่น ส่งอีเมล แก้ไขข้อมูล หรือปรับใช้โค้ด) “สามารถสร้างคำสั่งได้” ≠ “ควรดำเนินการตามคำสั่งนั้น”

GenAI ไม่ได้ตั้งใจ

มันสามารถสร้างเนื้อหาที่ฟังดูเหมือนตั้งใจได้ แต่นั่นไม่เหมือนกับการมีเจตนาจริงๆ.

อะไรคือคุณสมบัติของ AI แบบ Generative ที่ดี? ✅

ระบบ “สร้างสรรค์” ไม่ได้มีประโยชน์ใช้สอยเท่าเทียมกันทั้งหมดเสมอไป AI สร้างสรรค์ที่ดีไม่ใช่แค่ระบบที่สร้างผลลัพธ์ที่สวยงามเท่านั้น แต่ต้องเป็นระบบที่สร้างผลลัพธ์ที่มี คุณค่า ควบคุมได้ และปลอดภัยเพียงพอ สำหรับบริบทนั้นๆ ด้วย

เวอร์ชันที่ดีมักจะมีลักษณะดังนี้:

• ความสอดคล้อง - เนื้อหาไม่ขัดแย้งกันเองทุกๆ สองประโยค

• การเชื่อมโยงข้อมูล - สามารถเชื่อมโยงผลลัพธ์กับแหล่งข้อมูลที่เชื่อถือได้ (เอกสาร การอ้างอิง ฐานข้อมูล) 📌

• ความสามารถในการควบคุม - คุณสามารถกำหนดโทนเสียง รูปแบบ และข้อจำกัดต่างๆ ได้ (ไม่ใช่แค่การกระตุ้นอารมณ์ความรู้สึก)

• ความน่าเชื่อถือ - คำถามที่คล้ายกันจะให้คุณภาพที่คล้ายกัน ไม่ใช่ผลลัพธ์แบบสุ่ม

• ราวกั้นเพื่อความปลอดภัย - ออกแบบมาเพื่อป้องกันการเข้าถึงพื้นที่อันตราย พื้นที่ส่วนตัว หรือพื้นที่ที่ไม่ได้รับอนุญาต

• พฤติกรรมที่แสดงถึงความซื่อตรง - เช่น การพูดว่า “ฉันไม่แน่ใจ” แทนที่จะสร้างเรื่องขึ้นมาเอง

• ความลงตัวกับขั้นตอนการทำงาน - มันสอดคล้องกับวิธีการทำงานของมนุษย์ ไม่ใช่ขั้นตอนการทำงานในจินตนาการ

โดยพื้นฐานแล้ว NIST กำหนดกรอบการสนทนาทั้งหมดนี้ให้เป็น “ความน่าเชื่อถือ + การจัดการความเสี่ยง” ซึ่งเป็น… สิ่งที่ไม่น่าดึงดูดใจที่ทุกคนปรารถนาว่าน่าจะทำตั้งแต่แรก [1][2]

นี่เป็นคำเปรียบเทียบที่ไม่สมบูรณ์แบบ (เตรียมใจไว้เลย): โมเดลสร้างข้อมูลที่ดีก็เหมือนกับผู้ช่วยในครัวที่ทำงานเร็วมาก สามารถเตรียมอะไรก็ได้...แต่บางครั้งก็สับสนระหว่างเกลือกับน้ำตาล และคุณจำเป็นต้องติดฉลากและทดสอบรสชาติเพื่อไม่ให้เสิร์ฟของหวานรสชาติเหมือนสตูว์ 🍲🍰

เคสขนาดเล็กสำหรับใช้ในชีวิตประจำวัน (ทำจากวัสดุผสม แต่เป็นแบบธรรมดามาก) 🧩

ลองนึกภาพทีมสนับสนุนที่ต้องการให้ GenAI ร่างคำตอบ:

1. สัปดาห์ที่ 1: “แค่ปล่อยให้โมเดลตอบคำถามก็พอ”

   • ผลลัพธ์ที่ได้รวดเร็ว มั่นใจได้...และบางครั้งก็ผิดพลาดจนทำให้เสียค่าใช้จ่ายสูง.

2. สัปดาห์ที่ 2: พวกเขาเพิ่ม ฟังก์ชันการดึงข้อมูล (ดึงข้อเท็จจริงจากเอกสารที่ได้รับการอนุมัติ) และ เทมเพลต ("ขอรหัสบัญชีทุกครั้ง" "ห้ามรับปากเรื่องการคืนเงิน" เป็นต้น)

   • ความผิดพลาดลดลง ความสม่ำเสมอดีขึ้น.

3. สัปดาห์ที่ 3: พวกเขาเพิ่ม ช่องทางการตรวจสอบ (การอนุมัติโดยมนุษย์สำหรับหมวดหมู่ที่มีความเสี่ยงสูง) + การประเมินแบบง่ายๆ ("มีการอ้างอิงนโยบาย" "ปฏิบัติตามกฎการคืนเงิน")

   • ขณะนี้ระบบพร้อมใช้งานแล้ว.

ความก้าวหน้าดังกล่าวเป็นประเด็นสำคัญของ NIST ในทางปฏิบัติ: โมเดลเป็นเพียงส่วนหนึ่งเท่านั้น การควบคุมโดยรอบต่างหากที่ทำให้โมเดลมีความปลอดภัยเพียงพอ [1][2]

ตารางเปรียบเทียบ - ตัวเลือกการสร้างภาพยอดนิยม (และเหตุผลที่มันได้ผล) 🔍

ราคาเปลี่ยนแปลงอยู่ตลอดเวลา ดังนั้นจึงตั้งใจให้ข้อมูลนี้คลุมเครือ นอกจากนี้ หมวดหมู่บางส่วนยังซ้ำซ้อนกัน ใช่ มันน่ารำคาญ.

เบื้องหลังการทำงาน: การสร้างภาพนั้นโดยพื้นฐานแล้วคือ "การเติมเต็มรูปแบบ" 🧩

ความจริงที่ไม่โรแมนติก:

ปัญญาประดิษฐ์เชิงสร้างสรรค์จำนวนมากคือการ "ทำนายสิ่งที่จะเกิดขึ้นต่อไป" โดยขยายขนาดขึ้นจนรู้สึกว่าเป็นสิ่งอื่นไปเลย.

• ในข้อความ: สร้างข้อความส่วนถัดไป (คล้ายโทเค็น) ในลำดับ - การตั้งค่าแบบ autoregressive คลาสสิกที่ทำให้การแจ้งเตือนสมัยใหม่มีประสิทธิภาพมาก [4]

• ในภาพ: เริ่มต้นด้วยสัญญาณรบกวนและลดสัญญาณรบกวนซ้ำๆ จนกลายเป็นโครงสร้าง (สัญชาตญาณของตระกูลการแพร่กระจาย) [5]

นั่นเป็นเหตุผลว่าทำไมการใช้พรอมต์จึงสำคัญ คุณกำลังให้รูปแบบบางส่วนแก่โมเดล และมันจะเติมเต็มส่วนที่เหลือให้สมบูรณ์.

นี่จึงเป็นเหตุผลว่าทำไม AI แบบสร้างสรรค์จึงมีประโยชน์อย่างมากในด้านต่างๆ ดังนี้:

• “เขียนข้อความนี้ด้วยน้ำเสียงที่เป็นมิตรมากขึ้น”

• “ขอตัวเลือกพาดหัวข่าวมาสิบแบบ”

• “แปลงบันทึกเหล่านี้ให้เป็นแผนงานที่เป็นระเบียบ”

• “สร้างโค้ดโครงสร้างพื้นฐาน + การทดสอบ”

…และนี่คือเหตุผลว่าทำไมมันถึงอาจประสบปัญหาในเรื่องต่อไปนี้:

• ความถูกต้องตามข้อเท็จจริงอย่างเคร่งครัดโดยปราศจากการอ้างอิงใดๆ

• ห่วงโซ่เหตุผลที่ยาวและเปราะบาง

• รักษาเอกลักษณ์ให้สอดคล้องกันในผลงานหลายด้าน (ตัวละคร น้ำเสียงของแบรนด์ รายละเอียดที่ปรากฏซ้ำๆ)

มันไม่ใช่การ "คิด" เหมือนคน แต่มันคือการสร้างความต่อเนื่องที่สมเหตุสมผล มีคุณค่า แต่แตกต่างออกไป.

การถกเถียงเรื่องความคิดสร้างสรรค์ - “การสร้างสรรค์” กับ “การรีมิกซ์” 🎨

ผู้คนมักแสดงอารมณ์ฉุนเฉียวเกินเหตุในที่นี้ ผมพอเข้าใจได้นะ.

ปัญญาประดิษฐ์เชิงสร้างสรรค์มักสร้างผลลัพธ์ที่ให้ ความรู้สึก สร้างสรรค์ เพราะสามารถ:

• ผสมผสานแนวคิด

• สำรวจความหลากหลายได้อย่างรวดเร็ว

• ปรากฏความเชื่อมโยงที่น่าประหลาดใจ

• เลียนแบบสไตล์ต่างๆ ได้อย่างแม่นยำจนน่าขนลุก

แต่มันไม่มีเจตนา ไม่มีรสนิยมภายใน ไม่มีคำพูดที่ว่า “ฉันทำสิ่งนี้เพราะมันสำคัญสำหรับฉัน”

แต่ขอวกกลับไปสักนิด: มนุษย์เราก็รีมิกซ์อยู่ตลอดเวลาเหมือนกัน เพียงแต่เราทำมันด้วยประสบการณ์ชีวิต เป้าหมาย และรสนิยม ดังนั้นคำจำกัดความนี้จึงยังคงเป็นที่ถกเถียงกันได้ ในทางปฏิบัติแล้ว มันคือ พลังสร้างสรรค์ ของมนุษย์ และนั่นคือส่วนที่สำคัญที่สุด

ข้อมูลสังเคราะห์ - เป้าหมายที่คนมองข้ามไปอย่างเงียบๆ 🧪

สาขาหนึ่งของปัญญาประดิษฐ์เชิงสร้างสรรค์ที่สำคัญอย่างน่าประหลาดใจ คือการสร้างข้อมูลที่มีลักษณะคล้ายข้อมูลจริง โดยไม่เปิดเผยตัวบุคคลจริงหรือกรณีที่ละเอียดอ่อนหายาก.

เหตุใดจึงมีค่า:

• ข้อจำกัดด้านความเป็นส่วนตัวและการปฏิบัติตามกฎระเบียบ (การเปิดเผยข้อมูลจริงน้อยลง)

• การจำลองเหตุการณ์ที่เกิดขึ้นได้ยาก (กรณีพิเศษของการฉ้อโกง ความล้มเหลวของกระบวนการทำงานเฉพาะกลุ่ม ฯลฯ)

• การทดสอบไปป์ไลน์โดยไม่ใช้ข้อมูลจริง

• การเพิ่มข้อมูลเมื่อชุดข้อมูลจริงมีขนาดเล็ก

แต่ปัญหายังคงอยู่: ข้อมูลสังเคราะห์สามารถสร้างอคติและจุดบอดแบบเดียวกับข้อมูลต้นฉบับได้อย่างเงียบๆ ซึ่งเป็นเหตุผลว่าทำไมการกำกับดูแลและการวัดผลจึงมีความสำคัญพอๆ กับการสร้างข้อมูล [1][2][3]

ข้อมูลสังเคราะห์ก็เหมือนกาแฟไม่มีคาเฟอีน – ดูดี กลิ่นก็เหมือน แต่บางครั้งก็ไม่ได้ผลอย่างที่คิด ☕🤷

ข้อจำกัด - AI แบบสร้างสรรค์ทำอะไรได้ไม่ดี (และเพราะเหตุใด) 🚧

หากคุณจะจำคำเตือนเพียงข้อเดียว โปรดจำสิ่งนี้ไว้:

โมเดลเชิงสร้างสรรค์สามารถสร้างคำพูดไร้สาระได้อย่างคล่องแคล่ว.

ลักษณะความล้มเหลวที่พบบ่อย:

• ภาพหลอน - การสร้างข้อเท็จจริง การอ้างอิง หรือเหตุการณ์ขึ้นมาอย่างมั่นใจ

• ความรู้ที่ล้าสมัย - โมเดลที่ฝึกฝนจากภาพนิ่งอาจพลาดการอัปเดต

• ความเปราะบางในทันที - การเปลี่ยนแปลงคำพูดเพียงเล็กน้อยอาจส่งผลให้ผลลัพธ์เปลี่ยนแปลงไปอย่างมาก

• อคติที่ซ่อนเร้น - รูปแบบที่เรียนรู้จากข้อมูลที่ไม่สมดุล

• การปฏิบัติตามมากเกินไป - พยายามช่วยเหลือแม้ในสถานการณ์ที่ไม่ควรช่วยเหลือ

• การให้เหตุผลที่ไม่สอดคล้องกัน โดยเฉพาะอย่างยิ่งในงานที่ใช้เวลานาน

นี่คือเหตุผลที่แท้จริงว่าทำไมการสนทนาเรื่อง “AI ที่น่าเชื่อถือ” จึงเกิดขึ้น: ความโปร่งใส ความรับผิดชอบ ความแข็งแกร่ง และการออกแบบที่เน้นมนุษย์เป็นศูนย์กลางไม่ใช่สิ่งที่ควรมี แต่เป็นวิธีที่จะหลีกเลี่ยงการนำปืนใหญ่แห่งความเชื่อมั่นไปใช้ในการผลิต [1][3]

การวัดความสำเร็จ: การรู้ว่าเมื่อใดที่บรรลุเป้าหมายแล้ว 📏

หาก เป้าหมายหลักของปัญญาประดิษฐ์เชิงสร้างสรรค์ (Generative AI) คือ “การสร้างเนื้อหาใหม่ที่มีคุณค่า” ตัวชี้วัดความสำเร็จโดยทั่วไปจะแบ่งออกได้เป็นสองประเภท:

ตัวชี้วัดคุณภาพ (ทั้งจากมนุษย์และระบบอัตโนมัติ)

• ความถูกต้อง (ในกรณีที่เกี่ยวข้อง)

• ความสอดคล้องและความชัดเจน

• ความเข้ากันของสไตล์ (โทนเสียง, น้ำเสียงของแบรนด์)

• ความครบถ้วน (ครอบคลุมสิ่งที่คุณขอมา)

ตัวชี้วัดเวิร์กโฟลว์

• ประหยัดเวลาต่อภารกิจ

• การลดจำนวนการแก้ไข

• เพิ่มปริมาณงานโดยไม่ลดคุณภาพ

• ความพึงพอใจของผู้ใช้ (ตัวชี้วัดที่สำคัญที่สุด แม้ว่าจะวัดปริมาณได้ยากก็ตาม)

ในทางปฏิบัติ ทีมต่างๆ ต้องเผชิญกับความจริงที่น่าอึดอัดใจ:

• โมเดลนี้สามารถสร้างแบบร่างที่ "ดีพอ" ได้อย่างรวดเร็ว

• แต่ การควบคุมคุณภาพกลับกลายเป็นปัญหาคอขวดใหม่

ดังนั้นชัยชนะที่แท้จริงจึงไม่ใช่แค่การสร้างเท่านั้น แต่เป็นการสร้างบวกกับระบบตรวจสอบ - การกำหนดพื้นฐานการเรียกคืน ชุดการประเมิน การบันทึก การทดสอบระบบสีแดง เส้นทางการยกระดับ... สิ่งที่ไม่น่าดึงดูดใจทั้งหมดที่ทำให้เป็นจริง [2]

แนวทางปฏิบัติที่ช่วยให้คุณ "ใช้งานได้อย่างมั่นใจโดยไม่ต้องเสียใจ" 🧩

หากคุณใช้ AI แบบสร้างสรรค์เพื่อจุดประสงค์ที่นอกเหนือไปจากความสนุกสนานทั่วไป การปฏิบัติตามกฎบางอย่างจะช่วยได้มาก:

• ขอให้ระบุโครงสร้าง: “ขอแผนงานที่มีลำดับขั้นตอน แล้วค่อยส่งฉบับร่างมาให้”

• ข้อจำกัดด้านกำลัง: “ใช้เฉพาะข้อมูลเหล่านี้เท่านั้น หากข้อมูลใดขาดหายไป ให้ระบุว่าข้อมูลใดขาดหายไป”

• ขอข้อมูลเกี่ยวกับความไม่แน่นอน: “ระบุข้อสมมติฐาน + ระดับความเชื่อมั่น”

• ใช้การต่อสายดิน: เชื่อมต่อกับเอกสาร/ฐานข้อมูลเมื่อข้อเท็จจริงมีความสำคัญ [2]

• จงมองผลลัพธ์ที่ออกมาเป็นเหมือนฉบับร่าง แม้แต่ผลลัพธ์ที่ยอดเยี่ยมก็ตาม

และเคล็ดลับที่ง่ายที่สุดก็คือเคล็ดลับที่เป็นธรรมชาติที่สุด: อ่านออกเสียงดังๆ ถ้ามันฟังดูเหมือนหุ่นยนต์ที่พยายามสร้างความประทับใจให้ผู้จัดการของคุณ มันอาจต้องได้รับการแก้ไขนะ 😅

สรุป 🎯

เป้าหมาย หลักของปัญญาประดิษฐ์เชิงสร้างสรรค์ (Generative AI) คือการ สร้างเนื้อหาใหม่ที่ตรงกับข้อกำหนดหรือข้อจำกัดโดยการเรียนรู้รูปแบบจากข้อมูลและสร้างผลลัพธ์ที่ดูสมจริง

มันทรงพลังเพราะว่า:

• ช่วยเร่งกระบวนการร่างและสร้างสรรค์ไอเดีย

• เพิ่มความหลากหลายได้อย่างประหยัด

• ช่วยลดช่องว่างด้านทักษะ (การเขียน การเขียนโค้ด การออกแบบ)

มันมีความเสี่ยงเพราะว่า:

• สามารถสร้างข้อเท็จจริงขึ้นมาได้อย่างคล่องแคล่ว

• สืบทอดอคติและจุดบอด

• จำเป็นต้องมีการวางรากฐานและการกำกับดูแลในบริบทที่จริงจัง [1][2][3]

หากใช้ให้ถูกวิธี มันไม่ใช่แค่ "สมองทดแทน" แต่เป็นเหมือน "เครื่องร่างแบบติดเทอร์โบ" แต่
ถ้าใช้ไม่ถูกวิธี มันก็เหมือนปืนใหญ่ที่จ่อใส่ขั้นตอนการทำงานของคุณ...และนั่นจะทำให้เสียค่าใช้จ่ายมากขึ้นอย่างรวดเร็ว 

ตัวอย่างในโลกแห่งความเป็นจริง: การสร้างผู้ช่วยตอบกลับข้อความสนับสนุนที่มีพื้นฐานที่มั่นคง

สถานการณ์

ลองนึกภาพบริษัท SaaS ขนาดเล็กแห่งหนึ่งที่ได้รับคำขอความช่วยเหลือ 80-120 รายการต่อสัปดาห์ เกี่ยวกับการเรียกเก็บเงิน การรีเซ็ตรหัสผ่าน ข้อจำกัดของฟีเจอร์ การคืนเงิน และการเข้าถึงบัญชี.

ทีมงาน ไม่ ต้องการให้ AI สร้างสรรค์ตอบคำถามลูกค้าโดยอัตโนมัติ เพราะนั่นจะมีความเสี่ยงสูง แต่พวกเขาต้องการให้มันร่างคำตอบเบื้องต้นเพื่อให้เจ้าหน้าที่ฝ่ายสนับสนุนตรวจสอบก่อนส่งออกไป

เป้าหมายนั้นเรียบง่าย: คือการนำบทความช่วยเหลือและบันทึกนโยบายที่กระจัดกระจายมาแปลงเป็นคำตอบร่างที่ชัดเจนและสุภาพ โดยไม่ต้องสร้างคำสัญญาเรื่องการคืนเงิน คุณสมบัติปลอม หรือข้อเท็จจริงเฉพาะบัญชีขึ้นมาเอง.

สิ่งที่ผู้ช่วยต้องการ

เพื่อให้ผู้ช่วยมีคุณค่า ทีมงานจึงมอบสิ่งต่อไปนี้ให้:

• นโยบายการคืนเงินปัจจุบัน

• หน้าแสดงราคา

• บทความศูนย์ช่วยเหลือ

• รายการวลีที่แบรนด์ใช้และหลีกเลี่ยง

• กฎการยกระดับการจัดการข้อพิพาทด้านการเรียกเก็บเงิน การข่มขู่ทางกฎหมาย ปัญหาด้านความปลอดภัย และลูกค้าที่ไม่พอใจ

• กฎข้อหนึ่งระบุว่า: “หากคำตอบไม่อยู่ในเอกสารที่ให้มา ให้ระบุว่าอะไรหายไป แทนที่จะเดา”

ส่วนสำคัญคือ AI ไม่ได้ถูกนำมาใช้เป็นเครื่องมือพิสูจน์ความจริง แต่ถูกใช้เป็นเครื่องมือร่างเอกสาร โดยเอกสารที่ได้รับการอนุมัติแล้วจะเป็นแหล่งข้อมูลที่ถูกต้อง.

ตัวอย่างคำแนะนำ

คุณเป็นผู้ช่วยร่างเอกสารฝ่ายสนับสนุนสำหรับผลิตภัณฑ์ SaaS เขียนร่างข้อความตอบกลับเบื้องต้นเพื่อให้เจ้าหน้าที่ฝ่ายบริการลูกค้าตรวจสอบ.

โปรดใช้เฉพาะเนื้อหาในศูนย์ช่วยเหลือและนโยบายที่ให้มาเท่านั้น ห้ามสร้างคุณสมบัติของผลิตภัณฑ์ คำสัญญาการคืนเงิน ระยะเวลา ส่วนลด หรือข้อเรียกร้องทางกฎหมายขึ้นเอง.

คำตอบของคุณควรประกอบด้วย:

1. การรับทราบปัญหาของลูกค้าโดยย่อ

2. คำตอบที่เกี่ยวข้องมากที่สุดจากเอกสารที่ได้รับการอนุมัติ

3. ข้อมูลใด ๆ ที่ขาดหายไป ตัวแทนจำเป็นต้องขอเพิ่มเติม

4. ระบุรายละเอียดการแจ้งปัญหาที่ชัดเจนหากเรื่องที่เกี่ยวข้องกับข้อพิพาทด้านการเรียกเก็บเงิน ความปลอดภัยของบัญชี การข่มขู่ทางกฎหมาย หรือปัญหาการยกเลิก

น้ำเสียง: สงบ สุภาพ ชัดเจน และตรงไปตรงมา
หากเอกสารไม่สามารถตอบคำถามได้ ให้กล่าวว่า “ฉันไม่สามารถตรวจสอบข้อมูลนี้จากเอกสารสนับสนุนที่ได้รับอนุมัติได้”

วิธีการทดสอบ

ก่อนนำไปใช้กับลูกค้า ควรทดสอบกับตั๋วเก่า 20-30 ใบก่อน.

ตัวอย่างการทดสอบที่ดี ได้แก่:

• คำถามรีเซ็ตรหัสผ่านแบบง่ายๆ

• คำขอคืนเงินภายในระยะเวลาที่อนุญาตให้คืนเงินได้

• คำขอคืนเงินนอกช่วงเวลาที่กำหนด

• ลูกค้าร้องขอคุณสมบัติที่ไม่มีอยู่จริง

• ข้อร้องเรียนเกี่ยวกับการเรียกเก็บเงินเนื่องจากรายละเอียดบัญชีไม่ครบถ้วน

• ข้อความแสดงความไม่พอใจที่ควรส่งต่อไปยังระดับที่สูงขึ้น

• ปัญหาด้านความปลอดภัยที่เกี่ยวข้องกับการเข้าถึงบัญชี

สำหรับร่างแต่ละฉบับ ผู้ตรวจทานควรตรวจสอบสิ่งต่อไปนี้:

• ใช้เฉพาะข้อเท็จจริงที่ได้รับการอนุมัติเท่านั้นหรือไม่?

• มันหลีกเลี่ยงการให้คำมั่นสัญญาใช่หรือไม่?

• มีการขอข้อมูลที่ขาดหายไปหรือไม่?

• การดำเนินการดังกล่าวได้ส่งต่อปัญหาไปยังผู้ที่เกี่ยวข้องอย่างถูกต้องหรือไม่?

• ถ้าเป็นเจ้าหน้าที่ฝ่ายบริการลูกค้า จะส่งเอกสารนี้หลังจากแก้ไขเล็กน้อยหรือไม่?

ผลลัพธ์

ผลลัพธ์ที่แสดงให้เห็น: อ้างอิงจากการจับเวลาของตั๋วสนับสนุนตัวอย่าง 30 รายการ ก่อนและหลังการใช้เวิร์กโฟลว์นี้.

ก่อนใช้ระบบผู้ช่วย เวลาเฉลี่ยในการเขียนร่างแรกอยู่ที่ประมาณ 7 นาทีต่อชิ้นงานหลังจากใช้ระบบผู้ช่วยแล้ว เวลาเฉลี่ยในการตรวจสอบและแก้ไขลดลงเหลือ 3 นาทีต่อชิ้นงาน

สำหรับการออกตั๋ว 100 ใบต่อสัปดาห์ จะช่วยลดเวลาในการร่างตั๋วจากประมาณ 11.7 ชั่วโมง เหลือ 5 ชั่วโมงซึ่งจะช่วยประหยัดเวลาได้ประมาณ 6.7 ชั่วโมงต่อสัปดาห์

ทีมสามารถตรวจสอบเรื่องนี้ได้โดยการติดตาม:

• ระยะเวลาตั้งแต่เปิดเรื่องร้องเรียนจนถึงการร่างฉบับแรกเสร็จสมบูรณ์

• จำนวนการแก้ไขก่อนส่ง

• จำนวนฉบับร่างที่ถูกปฏิเสธเนื่องจากข้อผิดพลาดด้านข้อเท็จจริง

• จำนวนตั๋วที่ถูกส่งต่ออย่างถูกต้อง

• ความพึงพอใจของลูกค้าหลังจากได้รับคำตอบ

นี่ไม่ใช่หลักฐานที่แสดงว่า AI “เข้าใจ” การสนับสนุน แต่เป็นการแสดงให้เห็นถึงสิ่งที่เป็นรูปธรรมมากกว่า นั่นคือ การสร้างสรรค์จะมีคุณค่าก็ต่อเมื่อผลลัพธ์นั้นมีพื้นฐานมาจากการตรวจสอบและวัดผล.

อะไรบ้างที่อาจผิดพลาดได้

ข้อผิดพลาดที่ร้ายแรงที่สุดคือการปล่อยให้ผู้ช่วยตอบคำถามจากความจำแทนที่จะอ้างอิงจากเอกสารที่ได้รับการอนุมัติ.

ปัญหาอื่นๆ ที่พบได้บ่อย:

• กฎการคืนเงินแบบเก่าจะยังคงอยู่ในฐานข้อมูลความรู้

• ข้อความระบุว่า “จงให้ความช่วยเหลือ” แต่ไม่ได้ระบุว่า “อย่ารับปากว่าจะคืนเงิน”

• ตั๋วที่มีความเสี่ยงสูงจะไม่ถูกส่งต่อให้เจ้าหน้าที่ตรวจสอบ

• ตัวแทนหยุดตรวจสอบการอ้างอิงหรือข้อความตัวอย่างจากแหล่งที่มา

• ทีมงานวัดความเร็ว แต่ละเลยความแม่นยำ

• ผู้ช่วยตอบอย่างมั่นใจ ทั้งที่คำตอบที่ถูกต้องควรจะเป็น “ฉันไม่รู้”

วิธีแก้ปัญหานี้อาจดูไม่หวือหวาแต่ได้ผลดี: หมั่นอัปเดตเอกสารอยู่เสมอ ทดสอบด้วยตัวอย่างที่อาจไม่คุ้นเคย ตรวจสอบการตอบกลับที่มีความเสี่ยงสูง และติดตามข้อผิดพลาดทุกสัปดาห์.

ข้อคิดที่นำไปใช้ได้จริง

AI แบบสร้างสรรค์ (Generative AI) ทำงานได้ดีที่สุดในที่นี้ในฐานะเครื่องมือร่างแบบควบคุม ไม่ใช่ตัวแทนสนับสนุนอัตโนมัติ คุณค่ามาจากการผสมผสานการสร้างอย่างรวดเร็วเข้ากับการวางรากฐาน กฎเกณฑ์ที่ชัดเจน การตรวจสอบโดยมนุษย์ และการตรวจสอบที่วัดผลได้ นั่นคือความแตกต่างระหว่างระบบอัตโนมัติที่มีคุณค่ากับปืนใหญ่ที่จ่อลูกค้าของคุณ.

คำถามที่พบบ่อย

เป้าหมายหลักของ AI เชิงสร้างสรรค์ในภาษาที่ใช้ในชีวิตประจำวันคืออะไร?

เป้าหมายหลักของ AI แบบสร้างสรรค์คือการสร้างเนื้อหาใหม่ที่สมจริง ไม่ว่าจะเป็นข้อความ รูปภาพ เสียง หรือโค้ด โดยอาศัยรูปแบบที่เรียนรู้จากข้อมูลที่มีอยู่แล้ว ไม่ใช่การดึง "ความจริง" จากฐานข้อมูล แต่เป็นการสร้างผลลัพธ์ที่สอดคล้องกับสิ่งที่เคยเห็นมาก่อนในเชิงสถิติ โดยปรับแต่งตามคำสั่งและข้อจำกัดที่คุณกำหนด.

AI เชิงสร้างสรรค์สร้างเนื้อหาใหม่จากข้อความแจ้งเตือนได้อย่างไร?

ในระบบหลายๆ ระบบ การสร้างผลลัพธ์ทำงานคล้ายกับการเติมเต็มรูปแบบในระดับใหญ่ สำหรับข้อความ โมเดลจะทำนายสิ่งที่ตามมาในลำดับ ทำให้เกิดความต่อเนื่องที่สอดคล้องกัน สำหรับรูปภาพ โมเดลแบบการแพร่กระจายมักเริ่มต้นด้วยสัญญาณรบกวนและค่อยๆ "ลดสัญญาณรบกวน" ไปสู่โครงสร้าง ข้อความที่คุณป้อนทำหน้าที่เป็นแม่แบบบางส่วน และโมเดลจะเติมเต็มส่วนที่เหลือให้สมบูรณ์.

เหตุใด AI แบบสร้างข้อมูลจึงสร้างข้อเท็จจริงขึ้นมาเองอย่างมั่นใจเช่นนั้นในบางครั้ง?

ปัญญาประดิษฐ์เชิงสร้างสรรค์ (Generative AI) ถูกออกแบบมาเพื่อสร้างผลลัพธ์ที่ดูสมจริงและลื่นไหล ไม่ใช่เพื่อรับประกันความถูกต้องตามข้อเท็จจริง นั่นเป็นเหตุผลที่มันสามารถสร้างเรื่องไร้สาระที่ฟังดูน่าเชื่อถือ การอ้างอิงที่ปลอมแปลง หรือเหตุการณ์ที่ไม่ถูกต้องได้ เมื่อความถูกต้องเป็นสิ่งสำคัญ คุณมักจะต้องการหลักฐานอ้างอิง (เอกสารที่น่าเชื่อถือ การอ้างอิง ฐานข้อมูล) บวกกับการตรวจสอบโดยมนุษย์ โดยเฉพาะอย่างยิ่งสำหรับงานที่มีความเสี่ยงสูงหรืองานที่เกี่ยวข้องกับลูกค้า.

“การต่อสายดิน” หมายความว่าอย่างไร และฉันควรใช้เมื่อใด?

การเชื่อมโยงข้อมูลกับแหล่งข้อมูลที่เชื่อถือได้ (Grounding) หมายถึงการเชื่อมโยงผลลัพธ์ของแบบจำลองเข้ากับแหล่งข้อมูลที่ถูกต้อง เช่น เอกสารที่ได้รับการอนุมัติ ฐานความรู้ภายใน หรือฐานข้อมูลที่มีโครงสร้าง คุณควรใช้การเชื่อมโยงข้อมูลกับแหล่งข้อมูลที่เชื่อถือได้ทุกครั้งที่ความถูกต้องของข้อเท็จจริง การปฏิบัติตามนโยบาย หรือความสอดคล้องมีความสำคัญ เช่น การตอบกลับฝ่ายสนับสนุน ร่างเอกสารทางกฎหมายหรือการเงิน คำแนะนำทางเทคนิค หรือสิ่งใดก็ตามที่อาจก่อให้เกิดอันตรายอย่างเป็นรูปธรรมหากผิดพลาด.

ฉันจะทำให้ผลลัพธ์จาก AI ที่สร้างขึ้นมีความสม่ำเสมอและควบคุมได้มากขึ้นได้อย่างไร?

การควบคุมจะดีขึ้นเมื่อคุณเพิ่มข้อจำกัดที่ชัดเจน เช่น รูปแบบที่ต้องการ ข้อเท็จจริงที่อนุญาต คำแนะนำเกี่ยวกับน้ำเสียง และกฎ "ทำ/ไม่ทำ" ที่ชัดเจน แม่แบบช่วยได้ ("ถาม X เสมอ" "ห้ามสัญญา Y เด็ดขาด") เช่นเดียวกับคำถามนำที่มีโครงสร้าง ("ให้แผนเป็นลำดับขั้นตอน จากนั้นให้ร่าง") การขอให้แบบจำลองระบุข้อสมมติและสิ่งที่ไม่แน่นอนก็สามารถลดการคาดเดาที่มั่นใจเกินไปได้เช่นกัน.

ปัญญาประดิษฐ์เชิงสร้างสรรค์ (Generative AI) เหมือนกับเอเจนต์ที่สามารถกระทำการต่างๆ ได้หรือไม่?

ไม่ โมเดลที่สร้างเนื้อหาไม่ได้หมายความว่าจะเป็นระบบที่ควรดำเนินการต่างๆ เช่น ส่งอีเมล แก้ไขข้อมูล หรือปรับใช้โค้ดโดยอัตโนมัติ คำว่า “สามารถสร้างคำสั่งได้” แตกต่างจาก “ปลอดภัยที่จะดำเนินการตามคำสั่งนั้น” หากคุณเพิ่มการใช้เครื่องมือหรือระบบอัตโนมัติ คุณมักจะต้องมีมาตรการป้องกันเพิ่มเติม สิทธิ์การเข้าถึง การบันทึก และเส้นทางการแจ้งเตือนเพื่อจัดการความเสี่ยง.

อะไรคือคุณสมบัติของระบบ AI สร้างภาพที่ดีในขั้นตอนการทำงานจริง?

ระบบที่ดีนั้นมีคุณค่า ควบคุมได้ และปลอดภัยเพียงพอสำหรับบริบทนั้นๆ ไม่ใช่แค่ดูน่าประทับใจเท่านั้น สัญญาณที่บ่งบอกถึงความมีประสิทธิภาพ ได้แก่ ความสอดคล้อง ความน่าเชื่อถือในข้อความแจ้งเตือนที่คล้ายคลึงกัน การอ้างอิงจากแหล่งข้อมูลที่เชื่อถือได้ ระบบความปลอดภัยที่ป้องกันเนื้อหาที่ไม่ได้รับอนุญาตหรือเนื้อหาที่เป็นส่วนตัว และความตรงไปตรงมาเมื่อไม่แน่ใจ กระบวนการทำงานโดยรอบ เช่น ช่องทางการตรวจสอบ การประเมิน และการติดตาม มักมีความสำคัญพอๆ กับตัวแบบเอง.

ข้อจำกัดและรูปแบบความล้มเหลวที่สำคัญที่สุดที่ควรระวังมีอะไรบ้าง?

รูปแบบความล้มเหลวที่พบบ่อย ได้แก่ ภาพหลอน ความรู้ที่ล้าสมัย ความเปราะบางของการตอบสนองอย่างรวดเร็ว อคติแฝง การปฏิบัติตามกฎมากเกินไป และการให้เหตุผลที่ไม่สอดคล้องกันในงานที่ใช้เวลานาน ความเสี่ยงจะเพิ่มขึ้นเมื่อคุณมองผลลัพธ์เป็นงานที่เสร็จสมบูรณ์แล้ว แทนที่จะเป็นเพียงร่าง สำหรับการใช้งานจริง ทีมงานมักจะเพิ่มการตรวจสอบความถูกต้องในการเรียกค้น การประเมิน การบันทึก และการตรวจสอบโดยมนุษย์สำหรับหมวดหมู่ที่มีความละเอียดอ่อน.

เมื่อใดจึงจะเหมาะสมที่จะใช้ AI แบบสร้างข้อมูลสังเคราะห์ให้เกิดประโยชน์สูงสุด?

ข้อมูลสังเคราะห์มีประโยชน์เมื่อข้อมูลจริงหายาก ละเอียดอ่อน หรือยากต่อการแบ่งปัน และเมื่อคุณต้องการการจำลองกรณีพิเศษหรือสภาพแวดล้อมการทดสอบที่ปลอดภัย ข้อมูลสังเคราะห์สามารถลดการเปิดเผยข้อมูลจริงและสนับสนุนการทดสอบหรือการปรับปรุงกระบวนการทำงาน แต่ยังคงต้องการการตรวจสอบความถูกต้อง เนื่องจากข้อมูลสังเคราะห์อาจจำลองอคติหรือจุดบอดจากข้อมูลต้นฉบับได้.

เอกสารอ้างอิง

[1] NIST's AI RMF - กรอบการทำงานสำหรับการจัดการความเสี่ยงและการควบคุม AI อ่านเพิ่มเติม
[2] NIST AI 600-1 GenAI Profile - คำแนะนำสำหรับความเสี่ยงและการบรรเทาผลกระทบเฉพาะของ GenAI (PDF) อ่านเพิ่มเติม
[3] หลักการ AI ของ OECD - ชุดหลักการระดับสูงสำหรับ AI ที่มีความรับผิดชอบ อ่านเพิ่มเติม
[4] Brown et al. (NeurIPS 2020) - เอกสารพื้นฐานเกี่ยวกับการกระตุ้นแบบ few-shot ด้วยโมเดลภาษาขนาดใหญ่ (PDF) อ่านเพิ่มเติม
[5] Ho et al. (2020) - เอกสารโมเดลการแพร่กระจายที่อธิบายการสร้างภาพโดยใช้การลดสัญญาณรบกวน (PDF) อ่านเพิ่มเติม

ค้นหา AI รุ่นล่าสุดได้ที่ร้านค้าผู้ช่วย AI อย่างเป็นทางการ

เกี่ยวกับเรา