Generative​ ​AI​ ​คือ​อะไร​:​ ​หลัก​การ​ทำงาน​ ​ตัวอย่าง​ ​และ​ข้อ​จำกัด

Generative AI หรือปัญญาประดิษฐ์เชิงกำเนิด คือกลุ่มแบบจำลองที่ใช้รูปแบบซึ่งเรียนรู้จากข้อมูลมาสร้างผลลัพธ์ เช่น ข้อความ ภาพ หรือเสียง ความหมายนี้สอดคล้องกับคำจำกัดความที่เอกสาร NIST AI 600-1 นำมาใช้ การสร้างผลลัพธ์ไม่ได้หมายความว่าระบบตรวจสอบข้อเท็จจริงของผลลัพธ์นั้นแล้ว [1]

บทความนี้อธิบายหลักการในระดับพื้นฐาน แยกข้อค้นพบจากเอกสารต้นฉบับออกจากตัวอย่างที่ผู้เขียนสังเคราะห์ เพื่อใช้ทำความเข้าใจเทคโนโลยีและออกแบบการศึกษา ไม่ได้เสนอว่าแบบจำลองชนิดใดเหมาะกับทุกงาน หรือผลการทดลองหนึ่งสามารถใช้แทนผลของทุกระบบได้

Generative AI แตกต่างจากการจำแนกข้อมูลอย่างไร

พิจารณางานสองแบบในระบบรับคำขอ งานแรกเลือกป้ายกำกับว่า “สอบถามข้อมูล” หรือ “ขอรับบริการ” จากรายการที่กำหนด งานที่สองเขียนสรุปคำขอเป็นประโยคใหม่ งานแรกเน้นการตัดสินใจตามประเภท ส่วนงานที่สองเน้นการสร้างเนื้อหา แม้ทั้งสองงานอาจใช้โมเดลภาษาตัวเดียวกันได้

ความแตกต่างจึงควรพิจารณาทั้งวัตถุประสงค์และรูปแบบผลลัพธ์ ไม่ควรสรุปว่า AI ทุกระบบเป็น Generative AI หรือว่าระบบเชิงกำเนิดทำได้เฉพาะงานเขียนข้อความ ตัวอย่างการจำแนกและสรุปข้างต้นเป็นการอธิบายของผู้เขียน ไม่ใช่ผลการทดลองเปรียบเทียบประสิทธิภาพ

ในการออกแบบโครงงาน หากผลลัพธ์ที่ต้องการมีเพียงสถานะตามเงื่อนไขตายตัว ควรสร้างวิธีใช้กฎเป็นตัวเปรียบเทียบก่อน การเพิ่มโมเดลเชิงกำเนิดควรมีเหตุผลที่สัมพันธ์กับปัญหา เช่น ข้อมูลเข้าเป็นภาษาธรรมชาติที่หลากหลาย และมีเกณฑ์ตรวจว่าผลลัพธ์มีประโยชน์จริง

การฝึกโมเดลกับการใช้งานโมเดลเป็นคนละขั้นตอน

การฝึกหรือ Training เป็นกระบวนการปรับพารามิเตอร์ของแบบจำลองตามข้อมูลและวัตถุประสงค์การเรียนรู้ ส่วน การอนุมานหรือ Inference คือการนำแบบจำลองที่มีพารามิเตอร์แล้วมาคำนวณผลจากข้อมูลเข้า ความแตกต่างนี้เห็นได้ในงาน Transformer และ Diffusion ซึ่งแยกกระบวนการเรียนรู้กับการสร้างผลลัพธ์ออกจากกัน [2] [3]

การใส่เอกสารไว้ในคำสั่งรอบหนึ่งไม่เท่ากับการฝึกโมเดลใหม่ เอกสารอาจเป็นเพียงบริบทสำหรับการตอบครั้งนั้น การที่ผู้ให้บริการเก็บหรือนำข้อมูลไปใช้อย่างไรเป็นอีกประเด็นหนึ่งที่ต้องตรวจเงื่อนไขบริการ ไม่ควรอนุมานจากการที่ระบบจำข้อความในบทสนทนาได้

สำหรับรายงาน ควรระบุให้ชัดว่าโครงงานฝึกแบบจำลองเอง ปรับพารามิเตอร์ของแบบจำลองเดิม หรือเรียกใช้บริการที่มีอยู่ เพราะแต่ละแบบมีสิ่งที่ผู้พัฒนาควบคุมได้ต่างกัน การเขียนเพียงว่า “พัฒนา AI” ยังไม่อธิบายขอบเขตทางเทคนิคเพียงพอ

ภาพที่ 1: ภาพอธิบายที่ผู้เขียนจัดทำขึ้นเพื่อแยกการฝึกโมเดลออกจากการใช้งานและตรวจผลลัพธ์ ไม่ใช่ภาพโครงสร้างของผลิตภัณฑ์ใดโดยเฉพาะ

โมเดลภาษา Transformer และ Diffusion เกี่ยวข้องอย่างไร

โมเดลภาษาและกลไก Attention

Large Language Model หรือ LLM เป็นแบบจำลองภาษาขนาดใหญ่ โดยโมเดลที่สร้างข้อความแบบลำดับต่อเนื่องคำนวณความเป็นไปได้ของหน่วยข้อความถัดไปจากบริบท หน่วยดังกล่าวเรียกว่า Token และไม่จำเป็นต้องตรงกับหนึ่งคำของภาษามนุษย์ การได้ประโยคที่อ่านคล่องจึงไม่ใช่หลักฐานว่าทุกข้อกล่าวอ้างถูกต้อง [1]

Vaswani และคณะเสนอ Transformer ในปี 2017 โดยใช้กลไก Attention เป็นองค์ประกอบสำคัญในการคำนวณความสัมพันธ์ระหว่างตำแหน่งในลำดับข้อมูล งานต้นฉบับศึกษาโครงสร้าง Encoder–Decoder และการแปลภาษา จึงไม่ควรอ้างว่างานนี้ทดลองความสามารถทุกอย่างของแชตบอตในปัจจุบัน [2]

การสร้างภาพด้วย Diffusion

งานของ Ho, Jain และ Abbeel ในปี 2020 ศึกษาแบบจำลอง Diffusion ซึ่งเรียนรู้กระบวนการย้อนกลับจากข้อมูลที่ถูกเติมสัญญาณรบกวน การสร้างตัวอย่างเริ่มจากสัญญาณรบกวนแล้วค่อยปรับผ่านลำดับขั้นที่โมเดลเรียนรู้ งานดังกล่าวเป็นตัวอย่างของการสร้างภาพ ไม่ใช่คำอธิบายว่า Generative AI ทุกชนิดใช้วิธีเดียวกัน [3]

เมื่อเลือกหัวข้อโครงงานจึงควรระบุชนิดข้อมูลเข้าและออกก่อน เช่น ข้อความเป็นข้อความ หรือข้อมูลรบกวนเป็นภาพ แล้วศึกษาแบบจำลองที่ตรงกับงาน การนำแผนภาพของโมเดลสร้างภาพมาอธิบายระบบสรุปข้อความโดยไม่แยกวิธีทำงานจะทำให้กรอบทฤษฎีคลาดเคลื่อน

ตัวอย่างสมมติ: ระบบช่วยร่างสรุปคำขอบริการ

ตัวอย่างต่อไปนี้เป็นกรณีศึกษาที่ผู้เขียนสังเคราะห์ ไม่ใช่ผลการทดลองกับองค์กรจริง สมมติระบบรับข้อความว่า “ต้องการตรวจเครื่องปรับอากาศที่ห้องประชุมวันศุกร์ช่วงเช้า มีเสียงดัง แต่ยังไม่ยืนยันเวลาที่สะดวก” เป้าหมายของโมเดลคือร่างสรุปให้เจ้าหน้าที่ตรวจ โดยไม่ยืนยันการนัดหมายแทนผู้ใช้

กำหนดข้อมูลออกเป็นสามส่วน ได้แก่ ปัญหาที่แจ้ง สถานที่ และเวลาที่ผู้ใช้ระบุ พร้อมช่องข้อมูลที่ต้องถามเพิ่ม ข้อความตัวอย่างยังไม่ระบุวันที่ปฏิทินและเวลาที่แน่นอน ระบบจึงควรแสดงว่ายังต้องยืนยัน แทนการสร้างวันที่หรือเวลาขึ้นเอง

การออกแบบการทดลองสามารถแบ่งเป็นสี่ขั้นตอน

1. กำหนดขอบเขต: รับเฉพาะข้อความคำขอทั่วไป ใช้ข้อมูลสมมติที่ไม่มีข้อมูลระบุตัวบุคคล และไม่เชื่อมการอนุมัติงานจริง
2. จัดทำชุดคำขอ: มีทั้งข้อความครบถ้วน ข้อมูลขาด คำสะกดผิด และข้อความที่มีหลายความต้องการ โดยระบุส่วนที่ผู้ตรวจคาดหวังล่วงหน้า
3. สร้างวิธีเปรียบเทียบ: ทดลองแบบฟอร์มให้คนเลือกข้อมูลเอง วิธีดึงคำตามกฎ และวิธีใช้โมเดล โดยใช้คำขอชุดเดียวกันเท่าที่รูปแบบงานเอื้อ
4. บันทึกผล: เก็บผลร่าง การแก้ของเจ้าหน้าที่ เวลาที่ใช้ และข้อผิดพลาด แยกกรณีที่โมเดลเติมข้อมูลเองออกจากกรณีที่ละข้อมูลสำคัญ

เกณฑ์สำเร็จของตัวอย่างนี้ไม่ใช่ “ระบบสร้างข้อความได้” แต่เป็นการช่วยจัดข้อมูลโดยรักษาสาระและความไม่แน่นอนจากต้นฉบับ หากต้องดึงนโยบายบริการจากคลังเอกสารมาประกอบ ควรศึกษา หลักการ RAG และระบบตอบคำถามจากเอกสาร เป็นส่วนเพิ่มเติม ไม่สมมติว่าโมเดลรู้ข้อมูลขององค์กรอยู่แล้ว

ข้อจำกัดที่ต้องแยกจากความสามารถในการสร้างเนื้อหา

NIST กล่าวถึงความเสี่ยงของการสร้างเนื้อหาผิดที่นำเสนออย่างมั่นใจ ซึ่งเรียกว่า Confabulation หรือที่มักเรียก Hallucination รวมถึงความเป็นส่วนตัวและอคติ การจัดการความเสี่ยงต้องพิจารณาบริบทของระบบและผลกระทบต่อผู้ใช้ [1]

เมื่อนำหลักคิดดังกล่าวมาประยุกต์กับกรณีสมมติ ผู้เขียนเสนอให้ตรวจสามจุด ได้แก่ โมเดลเพิ่มรายละเอียดที่ไม่มีในคำขอหรือไม่ ผู้ตรวจเห็นต้นฉบับคู่กับสรุปหรือไม่ และข้อมูลที่บันทึกเพื่อประเมินเปิดเผยข้อมูลส่วนบุคคลเกินความจำเป็นหรือไม่ ข้อเสนอเหล่านี้เป็นการออกแบบสำหรับกรณีศึกษา ไม่ใช่รายการรับรองว่าระบบปลอดภัยครบทุกด้าน

นอกจากนี้ ผลที่ได้จากคำสั่งเดียวกันอาจไม่เหมือนกันทุกครั้งตามโมเดลและการตั้งค่า ผู้ทดลองจึงควรบันทึกเวอร์ชัน ช่วงเวลาทดลอง และค่าที่เข้าถึงได้ หากเป็นบริการภายนอกที่ไม่เปิดเผยรายละเอียดบางส่วน ให้ระบุข้อจำกัดนั้นแทนการเติมข้อมูลที่ไม่ทราบ

ประเมินโครงงาน Generative AI อย่างไรให้ตรวจสอบได้

กรอบต่อไปนี้เป็นข้อเสนอของผู้เขียนสำหรับงานสรุปคำขอข้างต้น สามารถปรับให้ตรงวัตถุประสงค์โครงงานได้ แต่ควรกำหนดนิยามก่อนเริ่มดูผล

• ความครบถ้วน: ส่วนสำคัญที่ผู้ตรวจระบุไว้ปรากฏในผลลัพธ์ครบเพียงใด และข้อมูลส่วนใดถูกละบ่อย
• ความตรงกับต้นฉบับ: แยกข้อสรุปที่มีหลักฐานในคำขอออกจากรายละเอียดที่ระบบเพิ่มขึ้นเอง
• การจัดการข้อมูลไม่พอ: เมื่อไม่พบวันหรือเวลาที่แน่นอน ระบบบอกข้อจำกัดหรือขอข้อมูลเพิ่มได้หรือไม่
• ภาระการแก้ไข: ผู้ตรวจต้องแก้ข้อความหรือกลับไปอ่านต้นฉบับกี่ครั้ง โดยไม่ใช้ความยาวข้อความเป็นตัวแทนคุณภาพ
• ความพร้อมใช้งาน: บันทึกเวลาตอบ ข้อผิดพลาด และค่าใช้บริการตามที่วัดได้ พร้อมทางให้เจ้าหน้าที่ทำงานต่อเมื่อโมเดลไม่ตอบ

ควรแยกชุดที่ใช้ปรับคำสั่งออกจากชุดประเมินที่ยังไม่เคยใช้ปรับระบบ เพื่อไม่ให้ผลดูดีเพราะจดจำตัวอย่างเดิม หากใช้ผู้ประเมินหลายคน ให้มีคำอธิบายเกณฑ์และวิธีจัดการความเห็นไม่ตรงกัน ไม่รายงานเพียงค่าเฉลี่ยโดยไม่มีตัวอย่างข้อผิดพลาดประกอบ

การนำไปใช้ในรายงานโครงงาน

ในบททฤษฎีที่เกี่ยวข้อง ให้ใช้งานต้นฉบับอธิบายนิยามและหลักการของแบบจำลอง ส่วนบทวิธีดำเนินงานควรระบุปัญหา ข้อมูลเข้าและออก ขอบเขตการใช้ AI และสิ่งที่ระบบไม่ได้ตัดสินใจ ตัวอย่างเช่น ระบบช่วยสรุปคำขอมีบทบาทเป็นผู้ช่วยจัดข้อมูล ไม่ใช่ผู้อนุมัติบริการ

แสดงแผนภาพขั้นตอน รายละเอียดชุดข้อมูลสมมติ เกณฑ์ประเมิน และตัวอย่างผลทั้งที่ผ่านและไม่ผ่าน หากยังไม่มีการทดลอง ให้เขียนเป็นข้อเสนอการออกแบบและแผนประเมิน หลีกเลี่ยงการสรุปว่าระบบเพิ่มประสิทธิภาพแล้วจากการสาธิตเพียงไม่กี่ครั้ง

บทความนี้ใช้เป็นคำอธิบายประกอบและตัวอย่างการวิเคราะห์ได้ สำหรับหลักทฤษฎีควรอ่านและอ้างอิงเอกสาร [1]–[3] โดยตรง พร้อมปรับรูปแบบบรรณานุกรมตามเกณฑ์ของรายวิชาหรือสถาบัน ตัวอย่างอ้างอิงบทความนี้เมื่อเผยแพร่แล้วคือ: Waihaus Studio. (2026, 2 ตุลาคม). Generative AI คืออะไร: หลักการทำงาน ตัวอย่าง และข้อจำกัด. บทความบนเว็บไซต์ Waihaus

หากสนใจการนำหลักการไปสร้างระบบ อ่าน พัฒนาแอปในยุค AI หรือดูขอบเขตงาน Web Application เพื่อเชื่อมการศึกษาแบบจำลองกับข้อกำหนดของซอฟต์แวร์ที่ใช้งานจริง

เอกสารอ้างอิง

• [1] Autio, C., Schwartz, R., Dunietz, J., Jain, S., Stanley, M., Tabassi, E., Hall, P., & Roberts, K. (2024). Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (NIST AI 600-1). National Institute of Standards and Technology. doi:10.6028/NIST.AI.600-1
• [2] Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention Is All You Need. arXiv:1706.03762. doi:10.48550/arXiv.1706.03762
• [3] Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. arXiv:2006.11239. doi:10.48550/arXiv.2006.11239