AI ทุกวันนี้คืออะไรกันแน่ — และเหมาะกับงานส่วนไหนของธุรกิจคุณ

ทุกคนกำลังพูดถึง AI และบทสนทนาส่วนใหญ่ก็เริ่มจาก ChatGPT แต่ก่อนจะตัดสินใจว่า AI เหมาะกับงานของคุณตรงไหน การเข้าใจว่าเครื่องมือเหล่านี้คืออะไรจริง ๆ ใต้กระแสฮือฮาจะช่วยได้มาก มันไม่ใช่เวทมนตร์ แก่นแท้ของมันคือคณิตศาสตร์ที่นำมาใช้กับข้อมูล และเมื่อคุณเห็นจุดนี้ การตัดสินว่ามันช่วยอะไรได้และช่วยอะไรไม่ได้ก็ง่ายขึ้นมากครับ

ChatGPT คือ "โมเดลภาษาขนาดใหญ่"

ChatGPT อยู่ในตระกูลระบบที่เรียกว่าโมเดลภาษาขนาดใหญ่ หรือ LLM (Large Language Model) ชื่อนี้ตรงตัว มันคือโมเดลคณิตศาสตร์ขนาดใหญ่มากที่ถูกฝึกด้วยข้อความปริมาณมหาศาล — หนังสือ บทความ เว็บไซต์ โค้ด บทสนทนา

สิ่งที่ LLM ทำโดยพื้นฐานนั้นอธิบายได้ง่าย เมื่อให้ข้อความมาส่วนหนึ่ง มันจะทำนายว่าคำถัดไปที่น่าจะตามมาคือคำอะไร แล้วก็ทำซ้ำอีกครั้งแล้วครั้งเล่า ทีละคำ จนได้คำตอบเต็ม ๆ ทั้งหมดที่มันทำตอนเขียนย่อหน้าให้คุณก็คือการทำนาย "คำต่อไปคืออะไร" เป็นชุดยาว ๆ

เหตุที่มันดูฉลาดก็เพราะการจะทำนายคำถัดไปได้ดีจากตัวอย่างนับพันล้าน โมเดลต้องซึมซับรูปแบบของภาษา — และแนวคิดที่ถูกถ่ายทอดผ่านภาษา — ว่าจริง ๆ แล้วประกอบกันอย่างไร มันไม่ได้ค้นจากฐานข้อมูล แต่กำลังสร้างคำตอบขึ้นมาทีละรูปแบบ

เบื้องหลัง: นิวรอลเน็ตเวิร์กกับตัวเลขจำนวนมหาศาล

แล้วโมเดล "เรียนรู้" รูปแบบเหล่านั้นได้อย่างไร? ผ่านโครงสร้างที่เรียกว่านิวรอลเน็ตเวิร์ก แม้ชื่อจะได้แรงบันดาลใจจากสมอง แต่นิวรอลเน็ตเวิร์กก็เป็นเพียงโครงข่ายตัวเลขขนาดใหญ่ — เรียกว่าน้ำหนัก (weights) — ที่เชื่อมกันด้วยการคำนวณง่าย ๆ ข้อมูลเข้ามาในรูปตัวเลข ถูกคูณและบวกผ่านชั้นของน้ำหนักทีละชั้น แล้วออกมาอีกด้านเป็นคำทำนาย

การฝึกคือกระบวนการปรับน้ำหนักทั้งหมดนั้น โมเดลถูกป้อนตัวอย่าง เดาคำตอบ แล้วถูกบอกว่าผิดไปแค่ไหน มันก็ขยับน้ำหนักเล็กน้อยให้ผิดน้อยลงในครั้งถัดไป และทำซ้ำแบบนี้นับพันล้านครั้ง เมื่อผ่านตัวอย่างมากพอ ตัวเลขเหล่านั้นก็ลงตัวเป็นค่าที่จับรูปแบบจริงได้ นี่คือสิ่งที่เรียกว่า "แมชชีนเลิร์นนิง" ไม่ใช่เครื่องที่คิดเป็น แต่เป็นโมเดลที่ปรับตัวเลขของมันให้เข้ากับข้อมูลที่เคยเห็น

สุดท้ายแล้วมันก็คือการสร้างแบบจำลองทางคณิตศาสตร์ — การปรับสมการที่ยืดหยุ่นมากให้เข้ากับกองตัวอย่างขนาดมหึมา

แนวคิดเดียวกันขับเคลื่อนอะไรได้มากกว่าแค่แชท

เมื่อคุณมอง AI ว่าเป็น "ปรับตัวเลขให้เข้ากับข้อมูล" ก็จะเห็นชัดว่าทำไมวิธีพื้นฐานเดียวกันจึงปรากฏอยู่แทบทุกที่:

• การจดจำใบหน้า ป้อนภาพ — ซึ่งก็คือตารางตัวเลขที่แทนพิกเซล — ผ่านนิวรอลเน็ตเวิร์กที่ฝึกด้วยใบหน้าจำนวนมาก จนบอกได้ว่า "นี่คือคนคนเดียวกัน"
• การตรวจสอบคุณภาพและการมองเห็นของเครื่องจักร ใช้แนวคิดเดียวกันในการจับตำหนิบนสายการผลิตที่ตาคนเหนื่อย ๆ อาจมองข้าม
• ระบบแนะนำสินค้า บนเว็บช้อปปิ้งและวิดีโอ ทำนายว่าคุณน่าจะอยากได้อะไรต่อ — สัญชาตญาณ "อะไรมาต่อ" แบบเดียวกัน แต่ใช้กับพฤติกรรมแทนคำพูด
• การเทรดเชิงปริมาณ กองทุนฝึกโมเดลด้วยข้อมูลตลาดหลายปีเพื่อทำนายการเคลื่อนไหวของราคาและส่งคำสั่งซื้อขายอัตโนมัติ

ปัญหาต่างกัน ข้อมูลต่างกัน แต่กลไกเบื้องหลังเหมือนกัน คือโมเดลที่ปรับตัวเลขของมันจนคำทำนายตรงกับความจริง

กลับมาที่งานของคุณ

วิธีที่ใช้ได้จริงในการขีดเส้นแบ่งคือ ยกงานที่ไม่ต้องใช้วิจารณญาณลึกให้ AI ทำ เช่น สรุปการประชุมจากไฟล์บันทึกให้กลายเป็นรายงานการประชุมที่เรียบร้อย ดูแลคลังความรู้ภายในองค์กรที่ตอบคำถามประจำของพนักงาน หรือขับเคลื่อนแชตบอตบริการลูกค้าสำหรับคำถามที่พบบ่อย นี่คืองานที่ซ้ำ ๆ และมีรูปแบบชัดเจน ซึ่งเป็นสิ่งที่ LLM ทำได้ดี

ส่วนงานที่ซับซ้อน โดยเฉพาะอะไรก็ตามที่เกี่ยวกับการตัดสินใจจริง เป็นอีกเรื่องหนึ่ง คุณไม่สามารถเชื่อ AI ได้เต็มร้อยในจุดนี้ ด้วยเหตุผลสองข้อที่จับต้องได้ ข้อแรก โมเดลเหล่านี้เกิด "ภาพหลอน" หรือ hallucination ได้ — มันสามารถให้คำตอบที่ฟังดูมั่นใจ ลื่นไหล แต่ผิดทั้งหมด โดยไม่มีสัญญาณความไม่แน่ใจให้เห็นเลย ข้อสอง ข้อความหรือข้อมูลที่คุณป้อนให้มันไม่เคยเป็นภาพความจริงที่สมบูรณ์ และโมเดลก็ไม่มีทางรู้ว่าตัวเองขาดอะไรไป จึงอาจได้ข้อสรุปที่ฟังดูสมเหตุสมผล แต่จริง ๆ แล้วสร้างขึ้นจากข้อมูลที่ไม่ครบหรือทำให้เข้าใจผิดโดยไม่รู้ตัว ทั้งสองความผิดพลาดนี้ไม่มีการส่งสัญญาณเตือนล่วงหน้า และหน้าตาเหมือนคำตอบที่ถูกต้องจนกว่าจะมีคนตรวจสอบ

ถ้าคุณเป็นผู้ผลิต AI มีอยู่ทุกที่ในโรงงานและนอกโรงงานแล้ว — การจดจำใบหน้าสำหรับควบคุมการเข้าออก การตรวจจับช่องจอดรถ ระบบขับขี่อัตโนมัติและระบบช่วยขับ — ทั้งหมดนี้เป็นเทคโนโลยีที่เติบโตเต็มที่และถูกใช้งานอย่างกว้างขวางแล้ว โดยสร้างขึ้นจากแนวทางการจับรูปแบบแบบเดียวกันที่อธิบายไปข้างต้น ถ้าคุณเป็นสถาบันการเงิน สถานการณ์ยิ่งคึกคักกว่านั้น โมเดลนิวรอลเน็ตเวิร์กใหม่ ๆ สำหรับการให้คะแนนสินเชื่อ การตรวจจับการฉ้อโกง และการเทรด ผลิตออกมาอย่างต่อเนื่อง จำนวนอัลกอริทึมที่หมุนเวียนอยู่มากจนคำถามว่า "จะเลือกโมเดลไหน" สำคัญไม่แพ้คำถามว่า "ควรใช้หรือไม่"

เส้นด้ายที่ร้อยทุกเรื่องเข้าด้วยกันคือ AI สมควรได้รับความเชื่อใจในงานที่ทำซ้ำได้ มีขอบเขตชัดเจน และมีข้อมูลย้อนกลับจริงรองรับ ส่วนอะไรก็ตามที่ต้องใช้วิจารณญาณภายใต้ข้อมูลที่ไม่ครบถ้วน คนก็ยังต้องเป็นผู้ตัดสินใจอยู่ดี