พูดถึง AI จริง ๆ แล้ว Technology นี้เกิดขึ้นมาเป็นร้อยปีแล้วนะครับ แต่ที่ทำให้ทุกคนตื่นตัวกันมาก เกิดจากการเปิดตัวของ ChatGPT ในปี 2022
Chat Bot ที่สามารถตอบคำถามอะไรก็ได้ ด้วยพลังของ LLM (Large Language Model) แต่ถึงจะเก่งอย่างไร ณ เวลานั้น การประยุกต์ใช้งานยังจำกัดอยู่ในรูปของการตอบคำถามที่อยู่ในองค์ความรู้ของตัวเองเท่านั้น และเนื่องจากความสามารถทางด้านภาษาที่มากกว่าความรู้จริงที่มีอยู่ คำตอบที่ได้บางครั้งจะเป็นคำตอบที่ Chat Bot จะปั้นขึ้นมาเองโดยไม่ได้อ้างอิงจากข้อเท็จจริงใด ๆ (Hallucination)
ยกตัวอย่างเช่น ถ้าเราถามว่า วันนี้วันที่เท่าไหร่ Chat Bot อาจจะตอบว่าเป็นวันที่ 23 กุมภาพันธ์ ทั้ง ๆ ที่ตอนนั้นเป็นเดือนพฤศจิกายน ทั้งนี้เพราะว่า Chat Bot ไม่มีความรู้เรื่องเวลาปัจจุบันอยู่ แต่ก็ปั้นคำตอบออกมาให้เรา (แต่ตอนนี้ไม่ต้องไปลองถามคำถามนี้แล้วนะครับ เพราะว่าตอนนี้ Chat Bot ส่วนใหญ่จะมีความสามารถในการหาข้อมูลปัจจุบันเบื้องต้นได้)
จุดเริ่มต้นของ AI Agent
ความพยายามในการนำเอา LLM มาประยุกต์ใช้ในทางธุรกิจ ก้าวแรกคือ ทำอย่างไร LLM ถึงจะมีความรู้ที่ไม่ใช่ความรู้ของตัวเอง เพื่อที่จะสามารถตอบคำถามจากองค์ความรู้ขององค์กรได้
หลังจากที่ ChatGPT เกิดขึ้นได้ไม่นาน ทาง OpenAI ก็เปิดตัวบริการ API เพื่อให้นักพัฒนาสามารถนำเอาความสามารถของ ChatGPT ไปใช้กับโปรแกรมของตัวเองได้ และหนึ่งในความสามารถที่ได้มาด้วยคือการทำ Embedding Vector ที่ทำให้เราสามารถสืบค้นข้อมูลของเราเองจากคำถามที่ถามกับ LLM ได้ (RAG)
การพัฒนาของ OpenAI ยังไม่หยุดเท่านั้น เพราะไม่นานหลังจากนั้น API ที่ว่านี้ ก็มีความสามารถใหม่ ที่ชื่อว่า Function ความสามารถที่ทำให้นักพัฒนาสามารถบอก LLM ได้ว่าพวกเขามีเครื่องมืออะไรอยู่ในมือ และการจะไปเอาข้อมูลต่าง ๆ เหล่านั้น ทำได้อย่างไร แล้วให้ LLM เป็นคนบอกว่าเราต้องไปใช้เครื่องมือของเราอย่างไรเพื่อให้ได้ข้อมูลเหล่านั้น
ยกตัวอย่างเช่น ถ้าเราบอก LLM ว่าเรามี function ที่ชื่อ get_weather ที่มีความสามารถในการดึงข้อมูลอุณหภูมิในวันต่าง ๆ ได้ แล้วเรามีคำถามว่า วันไหนเหมาะกับการไปเที่ยวที่สุด LLM จะบอกเรากลับมาว่าให้ไปเรียก get_weather แบบต่าง ๆ ให้หน่อย หลังจากที่เราทำตามที่ LLM บอกแล้วเอาผลลัพธ์กลับไปให้ LLM ก็อาจจะตอบเราว่า วันที่อากาศดีเหมาะกับการไปเที่ยวของคุณคืออาทิตย์หน้าเป็นต้น
และนี่คือจุดเริ่มต้นของ AI Agent
LLM ที่ถามอะไรก็ตอบได้ ค้นหาความรู้ที่เรามีอยู่ได้ และสามารถเชื่อมโยงกับเครื่องมืออื่น ๆ ได้
ย้อนกลับมาอีก Technology หนึ่งที่มีส่วนสำคัญมาก ๆ กับ AI Agent นั่นก็คือ Automation Workflow
ในช่วงเวลาเดียวกันกับที่ LLM กำลังพัฒนานั้น ในแวดวงธุรกิจ เราจะรู้จักกับเครื่องมือที่ทำให้ การทำงานของเรา ถูกทำได้อย่างอัตโนมัติ เราอาจจะเคยได้ยินเครื่องมือเช่น Zapier ที่เป็นการเชื่อม API หลาย ๆ ที่เข้าไว้ด้วยกัน และทำให้เกิด Process ของการทำงานต่าง ๆ เช่นเวลามีคนกรอก form เข้ามา ให้ไปบันทึกไว้ใน Spreadsheet แล้วส่ง email แจ้งเตือนเรา การเชื่อมกันได้ของ Tool ต่าง ๆ นี้เอง ทำให้องค์กรสามารถทำงานซ้ำ ๆ ได้อย่างรวดเร็ว
สอง Technology นี้เอง LLM และ Automation Workflow ที่ทำให้เกิด AI Agent ขึ้น เพราะ LLM มีความสามารถที่จะบอกได้ว่าคำตอบของคำถามที่เรากำลังมีอยู่นั้น ต้องใช้เครื่องมืออะไรในการหาคำตอบ และ Automation Workflow ก็สามารถช่วย LLM ว่าหลังจากได้คำตอบนั้นแล้ว ต้องไปทำอะไรต่อเพื่อให้จบการทำงานได้จริง ๆ
AI Agent ทำอะไรได้บ้าง
ลองจินตนาการดูว่างานที่ปกติเราอาจจะให้พนักงานในบริษัททำ ที่เสียเวลาเป็นวัน ๆ ถ้างานเหล่านั้นได้มาแบบอัตโนมัติ มันจะดีแค่ไหน ยกตัวอย่างเช่น เราสามารถที่จะโยน link ของข่าวใด ๆ เก็บไว้บน Google Sheet จากนั้น Perplexity จะหยิบไปอ่าน และสรุป แล้วส่งต่อให้ Claude เรียบเรียงเป็นภาษาไทยให้สละสลวย เหมาะสมกับ Social Media แต่ละ Channel จากนั้นก็ Post ลงไปใน Social Media ช่องทางต่าง ๆ ของเรา ไม่ว่าจะเป็น Facebook, X, Instagram หรือส่งต่องานไป Generate Video แบบง่าย ๆ แล้ว Post ต่อลงไปบน YouTube
หรือในสายงาน Marketing เวลาเราเก็บ Lead ได้มา ไม่ว่าจะมาจากที่ลูกค้ากรอก form ให้เราเวลาเราออกบูท ถ้าเราให้ OpenAI ช่วยสรุปว่า lead เหล่านั้น มี potential ที่จะเป็นลูกค้าเราแบบไหน จากนั้นก็ไปสร้างข้อเสนอที่เหมาะสมกับคนกลุ่มนั้น จากนั้นก็ตั้งเวลา follow up กับคนกลุ่มนั้นทันทีหลังงานที่เราไปออกบูทจบ หรือแม้แต่นำเอาข้อมูลเหล่านั้น ไปสร้าง target audience แล้วยิง Ads ต่อไปในภายหลังก็สามารถมารทำได้
LLM แต่ละตัวมีข้อดีข้อเสียอย่างไร
จากตัวอย่างข้างต้น จะเห็นว่ามีการใช้งาน LLM หลากหลายตัว LLM แต่ละตัวจะมีข้อดีข้อเสียแตกต่างกันไป เราจึงจำเป็นต้องรู้เบื้องต้นว่างานแบบไหนเหมาะกับการใช้ LLM ตัวไหน
| LLM Name | รูปแบบงานที่เหมาะสม |
| Claude 3.5 Sonnet | การเรียบเรียงภาษาไทยจะสละสลวยกว่า LLM ตัวอื่น |
| GPT-4o | มีความสามารถด้านการตัดสินใจแบบกว้าง |
| Perplexity | สามารถออกก internet เพื่อหาข้อมูลสรุปเพิ่มเติมได้ |
| DeepSeek R1 | มีความสามารถด้านการคำนวณที่ดี สามารถตอบคำถามทางคณิตศาสตร์ได้ดี |
ทั้งนี้ทั้งนั้น LLM ที่เราสามารถหยิบมาใช้ได้ มีจำนวนมาก เราอาจจะต้องลองตัวที่เหมาะสมกับงบประมาณของเรา มาลองปรับใช้ เพื่อดูว่าผลลัพธ์ที่ได้ ตรงกับความต้องการของเราแล้วหรือยัง
เราจะสร้าง AI Agent มาใช้เองทำได้อย่างไร
สิ่งแรกที่สุดที่ต้องทำก่อนสร้าง AI Agent คือการทำความเข้าใจงานที่มีอยู่ก่อน ก่อนที่จะทำอะไรที่ซับซ้อน เราควรจะแบ่งงานที่มีออกมาเป็นงานง่าย ๆ เล็ก ๆ แล้วค่อย ๆ นำเอา LLM มาช่วยแก้ปัญหาไปทีละอย่าง บางอย่างอาจจะไม่ได้ใช้ LLM ในการทำงาน แต่ใช้ Automation Workflow ทำแทน ยกตัวอย่างงานเก็บ lead ตอนออกบูท สิ่งที่เราต้องทำคือ
- ให้ลูกค้ากรอก form จากนั้นนำเอาข้อมูลไปเก็บไว้บน spreadsheet – step นี้เราจะใช้เครื่องมืธรรมดาเช่น Google Form แล้วบันทึกผลไปบน Google Spreadsheet
- ทันทีที่มีข้อมูลเข้ามาใหม่บน Google Spreadsheet ให้เริ่มกระบวนการวิเคราะห์ลูกค้า – step นี้ เราจะใช้ Automation Workflow ในการ monitor แล้วหยิบข้อมูลไปส่งต่อให้ Step ถัดไป
- วิเคราะ profile ของลูกค้า จัดหมวดหมู่ว่าเหมาะกับกลุ่มลูกค้าแบบไหน – step นี้ จะใช้ AI Agent มาทำงาน โดยเลือก LLM ที่เหมาะสม แล้วให้ทำการบันทึกไปบน Google Sheet เพื่องานถัดไป
ภาพประกอบจากเครื่องมือ automation – n8n – หลังจาก flow ถูกทำงานแล้ว
จะเห็นว่าถ้าเราสามารถแบ่งงานออกมาเป็นงานเล็ก ๆ แล้วส่งใน LLM ทำทีละนิด เราจะได้คำตอบของปัญหาเล็กๆ นั้น จากนั้น ด้วยความสามารถของ Automation Workflow เราก็สามารถร้อยเรียงการทำงานเล็ก ๆ หลาย ๆ งานเข้าด้วยกันจนเกิดเป็น Workflow ที่เรานำเอาไปใช้ได้จริงในการทำงานของเรา
สรุป
จะเห็นว่าสิ่งที่เราเรียกว่า AI Agent นั้น จริง ๆ แล้วมันไม่ใช่เครื่องมือมหัศจรรย์ที่จะทำอะไรให้เราได้ทันที แต่จะต้องอาศัยความเข้าใจในกระบวนการ แล้วนำเอาความเข้าใจนั้นมาประยุกต์ใช้กับเครื่องมือที่เหมาะสม ซึ่งสิ่งเหล่านี้จะอาศัยความเข้าใจในตัวเนื้องานของเราเอง รวมกับความรู้ของเครื่องมือแต่ละประเภท เราอาจจะจำเป็นต้องลองใช้ ปรับแต่ง เพื่อให้เครื่องมือเหล่านั้นตอบโจทย์ที่เราอยากได้ให้มากที่สุด จากนั้นจึงจะให้ Workflow ที่เราสร้างขึ้นมานั้น ทำงานให้เราแบบอัตโนมัติ
แต่ทั้งนี้ทั้งนั้น เราควรจะต้องคอยตรวจสอบผลลัพธ์ที่ได้อย่างสม่ำเสมอ อย่าลืมว่า LLM ก็เป็นเพียงเครื่องมือหนึ่งเท่านั้น และอาจจะมีผลลัพธ์ที่ผิดจากที่ตั้งใจไว้ได้ การตรวจสอบก่อนส่งต่อผลลัพธ์นั้นให้ถืงมือลูกค้า ก็ถือว่าเป็นความรับผิดชอบของเราครับ แต่ผลตอบแทนจากเวลาที่เราประหยัดได้นั้น เราจะได้นำมาพัฒนาบริการให้ลูกค้าของเราต่อไป
ตาคุณแล้ว
ขอให้สนุกกับการสร้างสรรค์ AI Agent ที่เหมาะสมกับการทำงานนะครับ
Reference:
- https://www.anthropic.com/engineering/building-effective-agents
- https://explodingtopics.com/blog/list-of-llms
