สรุปที่เรียน Prompting Profit: Building AI-Powered Business Strategies จาก AWE2024
ไปเรียน Masterclass 2 ของค่าย Academy for Women Entrepreneurs program (AWE) 2024 มา เลยเอามาสรุปว่าเรียนอะไรไปบ้าง
สอนโดยคุณหลิน กนกกร ประสงค์ธนกิจ CEO & Co-founder จาก Davoy (หลัก ๆ เขาทำ data analytics และ AI) ซึ่งทางนี้ก็ได้เรียนรู้เกี่ยวกับ Generative AI อีกล่ะ เรียนเรื่องนี้กันตลอดปีเลยจากหลาย ๆ แหล่ง แล้ว session นี้มีอะไรบ้างนะ
ใน session นี้จะบอกว่ามีอะไรที่ AI ทำได้ และทำไม่ได้บ้าง
มีตัวอย่าง AI ในชีวิตประจำวันของ speaker คือ LINE OA วิเคราะห์แคลลอรี่จากรูปอาหารที่ถ่าย โดยใช้ model ของ OpenAI ผ่าน Azure AI ที่เลือกตัวนี้เพราะราคาที่เบากว่า และ security ไม่เอาข้อมูลของเราไปเทรนต่อ
สิ่งที่แตกต่างกัน ถึง prompt เหมือนกัน แต่ใช้ system message ต่างกัน ซึ่งตรงนี่สามารถ set ได้ และเขามี flow ใช้ผ่าน make.com เมื่อ Gen AI วิเคราะห์ข้อมูลเสร็จแล้ว จะส่งกลับไปที่ LINE OA และมีขานึงที่เอาข้อมูลไปใส่ใน Google Sheet พร้อมสรุปข้อมูลให้เรา และเราก็เอาข้อมูลตรงนี้ไปใช้ต่อได้ เช่น วันนี้กินไปกี่แคลแล้ว
ดังนั้นไม่จำเป็นต้องใช้ model ที่ดีที่สุด เราต้องดู process หรือ flow ที่เราอยากได้ก่อน แล้วเลือกของให้เหมาะสมกับ flow นั้น ๆ
ส่วน demo อันนี้สามารถอ่านได้ที่นี่เลย
AI = Artificial Intelligence
Alan Turing เคยกล่าวไว้ว่า “คอมพิวเตอร์สมควรถูกยกย่องว่า ฉลาด ก็ต่อเมื่อมันทำให้เราเชื่อได้ว่ามันคือ มนุษย์”
ทั้งหมอดู และ AI มีสิ่งที่เหมือนกัน คือ ให้คำทำนายเหมือนกัน เป็นการ prediction มีทั้งความแม่น และไม่แม่น
ถ้าเรามีข้อมูลในการทำนายเยอะ มันก็จะทายถูกต้องได้มากขึ้น ดังนั้นมีคนบอกว่าให้เราเก็บข้อมูลของเราเยอะ ๆ เพื่อเอาไปเทรน AI เองได้เลย
ข้อจำกัด และอะไรที่เราควรระวัดระวังในการใช้ Gen AI
- Training bias: เช่น ให้มันทำหน้าที่เป็น HR และรับแต่ผู้ชาย
- Prediction ≠ Reasoning: คำทำนายไม่มี logic และเหตุผล และแน่นอน มาจากการคาดเดา
- Black box AI: มีปัญหาตรงนี้กันเยอะ เช่น ให้ AI เลือกว่ารับคนไหนเข้าทำงาน ถ้าคนไม่ได้ก็อาจจะถามเหตุผลว่าทำไม ดังนั้นเราต้องรู้ว่าหลังบ้าน AI ทำงานยังไง
- Imprint problem: ได้ข้อมูลผิด ๆ จาก AI
Generative AI
คือ AI ที่สร้างให้เกิด output แบบต่าง ๆ เช่น text, image, sound, music, video
Text: เป็น LLM หรือ large model language ที่เราใช้กันก็จะมี model และแอพอย่าง ChatGPT(OpenAI), Gemini (Google), Claude, Llama (Meta AI)
ใน class มี framework อย่าง prompt canva ให้ลองใช้ด้วย เรารู้สึกมันยากกว่าเลยใช้ RCRC framework เหมือนเดิมดีกว่า แหะ ๆ
ถ้าถามว่าคืออะไรอ่านบล็อกนี้ต่อได้เลยจ้า
อะไรที่เหมาะและไม่เหมาะ ในการใช้ AI
- เหมาะสม: idea & brainstorm, writing, summarize, coding & debugging
- ไม่เหมาะสม: sensitive information, legal or medical advice, อย่านำไปใช้ในการตัดสินใจ และการบวกเลข ยังบวกผิดอยู่
ดังนั้น อะไรที่มัน impact มาก ๆ ไม่ควรใช้มัน เลือกใช้แต่ impact น้อย ๆ ไม่เยอะ ตัวอย่างจากเรา เช่น อย่าก้อปโค้ดเราไปถามมันตรง ๆ ให้ถามมันว่าเราอยากทำแบบนี้ ให้ทำยังไงได้บ้างแต่ที่ถามคือตัดย่อยที่สุด เพราะบางทีเราลืม syntax อะนะ
Text
เบื้องหลังการทำงานของ LLM ใช้ข้อมูลมหาศาลเทรนเพื่อให้ตอบเหมือนคนให้ได้มากที่สุด ถ้าข้อมูลเยอะ performance ของ model สูงขึ้นด้วย
และถ้า model ใหญ่ ๆ ใช้ cost และ resource เยอะมาก ๆ ทำให้ช้า ทำให้โลกร้อนด้วย เพราะเอาข้อมูลไปรันบน cloud
หน้าที่ LLM คือเดาว่าคำต่อไปจะเป็นคำว่าอะไร เดาทีละคำ และะมื่อเราถามคำถามเดิมจะได้คำตอบต่างกัน จากการ random
การใช้งานฝั่ง dev เราเป็น dev ที่ไม่ได้ทำสายนี้ แต่เล่าคร่าว ๆ ได้ว่า ก็ใช้ API ในแอพนี่แหละ ตัว API ส่งข้อมูลไปที่ OpenAI แล้วไปเรียกใช้ model ที่เราต้องการอีกที (ถ้าได้อ่านบล็อก LINEDEVCONF 2024 จะเห็นภาพชัดขึ้นมากกกก)
Tool ที่เขาใช้ในที่นี้ คือ Azure Open AI ใน feature Chat Playground ที่มันเป็น sandbox environment รักษา privacy ข้อมูลไม่รั่วไหล สามารถเอาไป deploy บน web app ได้ ข้อเสีย คือต้อง setup หลังบ้านประมาณนึง UI ไม่ค่อยสวย เก็บ history แค่ครั้งล่าสุด ตัว flow ใช้ make.com
Image
ช่วยเราทำกราฟฟิคได้มากขึ้น เช่น Dall-E (ค่าย ChatGPT), MidJourney ก่อนหน้านี้ใช้งานผ่าน Discord ได้อย่างเดียว ตอนนี้ใช้ผ่านเว็บได้แล้ว ราคาแรงอยู่ แต่รูปเราเห็นด้วยว่าภาพดี ภาพสวย ข้อเสียคือ เรื่อง generate text ในรูปยังสะกดไม่ถูกเลย
วิธีการทำงาน เอารูปปลายทางทำเป็น noise และเกิดเป็นภาพร่างขึ้นมา
Copyrights สรุป คือ สามารถใช้ commercial ได้ รูปเป็นของเรา ถ้าอยาก vary ภาพเขามาเราก็ให้เครดิตต้นทาง แต่เจ้าของ model โดนเรื่องทางกฏหมายอยู่
ห้ามใช้ AI กับทุกสิ่ง อย่าใช้ AI ให้คนรู้ว่าเราใช้ AI และมันหาข้อมูลแบบเจาะจงไม่ได้
⚠️ ข้อจำกัดในการเอา Gen AI ไปใช้:
- Hallucination: อาการ AI หลอน บอกผิดเป็นถูก
- ใช้ความน่าจะเป็น อาจจะได้ข้อสรุปที่ไม่ถูก
- Sensitive content
- ใช้แทนผู้เชี่ยวชาญไม่ได้
- ประสบการณ์เฉพาะคน
- ความปัจจุบันของข้อมูล บางครั้งเรายังได้ข้อมูลเก่ามา ยังไม่ล่าสุด (แนะนำลองถามราคา Bitcoin all-time-high ได้ 😂)
- อธิบายเป็นเหตุผลไม่ได้ หรือไม่เป็นเหตเป็นผลเลย
- ความไม่แน่นอนของผลลัพธ์ ถามเหมือนกันแต่ได้คนละคำตอบ
ดังนั้นโปรด check ผลลัพธ์ที่ได้ก่อนใช้งานนะ
ช่วงอาทิตย์ก่อนมั้ง เราจะเห็น challenge จาก Reddit ให้ generate ตาม prompt นี้
“based on what you know about me. draw a picture of what you think my current life looks like”
เราคิดว่าตรงไหมนะ มันรู้จากข้อมูลที่เราถามมันนี่แหละ ถ้าเราไม่อยากให้มันรู้ ก็ไม่ต้องถาม แต่จริง ๆ เหมือน ChatGPT มีวิธีปิดอยู่มั้ง น่าจะอันนี้
แล้วเราเอา AI ไปใช้ใน process ของเราได้อย่างไร?
เลือก process ที่ทำซํ้า ๆ และนิ่งแล้ว ซึ่งเราต้องหาให้เจอ ว่าเอา AI มาช่วยได้อย่างไร แล้ว step ไหนเหมาะกับการเอา AI มาใช้เพื่อทำให้ชีวิตง่ายขึ้น แล้วเอามา implement ต่อ เราก็จะนึกถึงเคส Arincare ที่บอกเราว่า AI ไม่ใช่ทุกอย่าง เขาเอามาจับกับตอนซักถามอาการคนไข้ และเภสัชเป็นคนจ่ายยาตามปกติ
ระหว่าง machine กับคน?
งานซํ้า ๆ ใช้ AI งานที่ไม่แน่นอน หรือมีความซับซ้อนในการคิด ใช้คน และในอนาคตจะมาเวย์ co-working with robot มันไม่ได้มาแทนคน แต่มันเป็น copilot ทำงานไปด้วยกัน เช่น มีหุ่นยนต์ช่วยยกล้อเครื่องบินเวลาเปลี่ยนล้อ ก็คือช่วยทุ่นแรงคน จากที่ยก 5 คนเหลือคนเดียวพร้อมหุ่นยนต์
สรุป AI เป็นแค่ tool ที่เราต้องเอาไปทำ UX ให้ดี
ทำยังไงให้ AI ฉลาดขึ้น
ทั้งนี้อยู่ในช่วง research development ยังไม่มี best practices ออกมา
- RAG หรือ Retrieval Augmented Generation: เช่นเรา upload pdf แล้วให้มันช่วยสรุปเป็นบทความให้หน่อย ตัวนี้น่าสนใจเพราะมันมีความรู้ในเชิง specific (อันนี้นึกถึง session คุณบีท ของ CJ Express ที่ฟังมาสองรอบ555)
- Agentic AI: การให้ AI ทำงานกันเอง และคุยกันเอง ตรวจสอบเพื่อน AI ว่าทำงาน make sense ไหม ดู AI ให้เหมาะสมกับการใช้งาน ซึ่ง AI ทำงานกับ AI และทำงานกับคนด้วย ข้อดีคือมันฉลาดกว่า ทำซํ้าไปซํ้ามา แต่ละคนมีหน้าที่ของตัวเอง ข้อเสียแพงเพราะใช้เยอะกว่าปกติที่ใช้ตัวเดียวนั่นแหละ
- Function call: อันนี้สายเดฟเลย คือเขียนโค้ดให้มัน call function ที่เราต้องการ หรือใช้งานอะไรสักอย่างผ่าน API เช่น ช่วยสรุปแล้วส่งอีเมลล์ให้หน่อย ก็น่าจะใช้ AI สรุป แล้วเรียก API เพื่อส่งเมลล์ ประมาณนี้มั้ง
ตัวอย่าง flow เช่น RAG → function call → check answer
เช่น อยากแปลบล็อกภาษาไทย เป็นภาษาอังกฤษ ก็เอา RAG มาช่วยแปล 🤔
session ก็จะจบประมาณนี้ แล้วมี networking ต่อ
ถ้าสนใจอยากอ่านบล็อกที่เกี่ยวข้อง เชิญตามนี้เลย
- session ที่เปิดโลกการใช้ AI ของเรา เลยได้ RCRC Framework มาใช้
- รีวิวคอร์ส AI สำหรับคนเริ่มต้น แต่มีรายละเอียดให้อ่านเยอะกว่า
- อันนี้อีก use case ในการนำไปใช้ บอกเลยทุกคนควรอ่านมาก ๆ เปิดโลกเว่อ
- use case การนำ AI ต่าง ๆ ไปใช้ในเชิง development บอกเลยว่างาน LINE Thailand Developer Conference 2024 ทำถึง
ติดตามข่าวสารตามช่องทางต่าง ๆ และทุกช่องทางโดเนทกันไว้ที่นี่เลย
ติดตามข่าวสารแบบไว ๆ มาที่ Twitter เลย บางอย่างไม่มีในบล็อก และหน้าเพจนะ