AI Optimization: ทำไมการปรับปรุง AI ไม่ได้เริ่มต้นจากการเปลี่ยนโมเดล

เมื่อ Generative AI ถูกนำไปใช้งานในระดับองค์กร คำถามที่พบบ่อยคือ “หาก AI ตอบได้ไม่ดี ควรเปลี่ยนไปใช้โมเดลที่เก่งกว่าหรือไม่?”

คำตอบ คือ ไม่เสมอไป

แม้โมเดลรุ่นใหม่จะมีความสามารถสูงขึ้น แต่คุณภาพของระบบ AI ไม่ได้ขึ้นอยู่กับโมเดลเพียงอย่างเดียว หากข้อมูลที่ส่งเข้าไม่ครบ ไม่มีบริบทที่เพียงพอ หรือไม่สามารถเข้าถึงข้อมูลล่าสุดได้ แม้ใช้โมเดลที่ดีที่สุด ผลลัพธ์ก็อาจยังไม่ตอบโจทย์ธุรกิจ

ด้วยเหตุนี้ แนวคิดด้าน AI Engineering จึงเริ่มเปลี่ยนจาก Model-centric AI ไปสู่ System-centric AI ซึ่งให้ความสำคัญกับการออกแบบระบบโดยรวม มากกว่าการเลือกโมเดลเพียงอย่างเดียว

AI Optimization คืออะไร

คือ กระบวนการปรับปรุงประสิทธิภาพของระบบ AI ให้สามารถตอบสนองต่อเป้าหมายของงานได้ดีขึ้น ภายใต้ข้อจำกัดด้านต้นทุน เวลา และความน่าเชื่อถือ

สำหรับ Generative AI การเพิ่มประสิทธิภาพไม่ได้หมายถึงการเพิ่ม Accuracy เพียงอย่างเดียว แต่ยังรวมถึง

• ความถูกต้องของข้อมูล (Factuality)
• ความเกี่ยวข้องกับคำถาม (Relevance)
• ความสม่ำเสมอของคำตอบ (Consistency)
• เวลาในการตอบสนอง (Latency)
• ต้นทุนในการใช้งาน (Cost Efficiency)

ดังนั้น AI Optimization จึงเป็นการเพิ่มประสิทธิภาพของ ทั้งระบบ ไม่ใช่เฉพาะโมเดล

องค์ประกอบสำคัญของ AI Optimization

การปรับปรุงระบบ AI มักประกอบด้วยองค์ประกอบสำคัญ 5 ด้าน

1. Context

คุณภาพของคำตอบขึ้นอยู่กับบริบทที่ AI ได้รับ หากระบบส่งข้อมูลที่เกี่ยวข้องได้ครบถ้วน AI จะสามารถให้คำตอบที่แม่นยำและสอดคล้องกับงานมากขึ้น

2. Knowledge

การเชื่อมต่อ AI กับฐานความรู้ผ่าน Retrieval-Augmented Generation (RAG) ช่วยให้โมเดลอ้างอิงข้อมูลล่าสุด ลดการสร้างข้อมูลที่คลาดเคลื่อน และตอบคำถามที่อิงข้อมูลเฉพาะองค์กรได้ดีขึ้น

3. Tools

บางงานไม่ควรอาศัยการคาดเดาจากโมเดล เช่น การค้นหาข้อมูล การคำนวณ หรือการเรียกใช้ระบบภายใน การเปิดให้ AI ใช้เครื่องมือหรือ API ภายนอก จึงช่วยเพิ่มทั้งความถูกต้องและความสามารถของระบบ

4. Memory

Memory ช่วยให้ AI เข้าใจบริบทต่อเนื่องและปรับคำตอบให้เหมาะกับผู้ใช้ โดยลดการป้อนข้อมูลซ้ำในการสนทนา อย่างไรก็ตาม การออกแบบว่าควรจดจำหรือควรลืมข้อมูลใด เป็นประเด็นสำคัญด้านคุณภาพและความเป็นส่วนตัว

5. Feedback

ระบบ AI ควรได้รับการประเมินและปรับปรุงอย่างต่อเนื่องจากข้อมูลการใช้งานจริง ไม่ว่าจะเป็นคะแนนจากผู้ใช้ อัตราความสำเร็จของงาน หรือข้อผิดพลาดที่เกิดขึ้น เพื่อให้ระบบเรียนรู้และพัฒนาได้อย่างต่อเนื่อง

AI Optimization เป็นวงจรต่อเนื่อง

การเพิ่มประสิทธิภาพของ AI ไม่ใช่กิจกรรมที่ทำเพียงครั้งเดียวหลังจากนำระบบไปใช้งาน แต่เป็นวงจรของการประเมิน วิเคราะห์ และปรับปรุงอย่างต่อเนื่อง

Evaluate > Analyze > Optimize > Deploy > Monitor

องค์กรที่ประสบความสำเร็จในการใช้ AI คือ องค์กรที่สามารถออกแบบวงจรการพัฒนาระบบได้อย่างมีประสิทธิภาพ

สรุป

เมื่อความสามารถของโมเดล AI เริ่มใกล้เคียงกันมากขึ้น ความได้เปรียบจึงไม่ได้อยู่ที่การเลือกโมเดลเพียงอย่างเดียว แต่อยู่ที่การออกแบบระบบทั้งหมด ตั้งแต่การจัดการบริบท การเชื่อมต่อแหล่งความรู้ การใช้เครื่องมือ การจัดการ Memory และการสร้าง Feedback Loop

กล่าวอีกนัยหนึ่ง การเพิ่มคุณภาพของ AI ไม่ใช่การทำให้ Model ฉลาดขึ้นเพียงอย่างเดียว แต่คือการทำให้ System ทำงานได้ดีขึ้นทั้งระบบ เป็นแนวคิดสำคัญของ AI Engineering ในปัจจุบัน