ปูพื้นเท่าที่ต้องรู้ ก่อนใช้ AI ทำงาน
ก่อนจะเขียน prompt เก่งๆ หรือต่อ AI เข้ากับโค้ด เราต้องเข้าใจก่อนว่า สิ่งที่เรากำลังคุยด้วยมัน คืออะไร และ ทำงานยังไง บทนี้ไม่มีคณิตศาสตร์ เน้นภาพให้เห็นชัดพอที่จะใช้งานได้อย่างมั่นใจ
AI, ML, DL, LLM ต่างกันยังไง
สี่คำนี้ถูกใช้ปนกันจนงง จริงๆ มันคือวงกลมซ้อนกัน — วงใหญ่ครอบวงเล็ก
| คำ | ความหมายสั้นๆ | ตัวอย่าง |
|---|---|---|
| AI | ทำให้เครื่องทำงานที่ต้องใช้ "ความฉลาด" | ระบบแนะนำสินค้า, หมากรุก |
| ML | AI ที่เรียนรู้จากข้อมูลแทนการเขียนกฎเอง | ทำนายราคาบ้าน, กรองสแปม |
| DL | ML ที่ใช้โครงข่ายประสาทหลายชั้น | รู้จำภาพ, แปลภาษา |
| LLM | DL ที่ฝึกกับข้อความมหาศาลจนเก่งเรื่องภาษา | Claude, GPT |
ในหลักสูตรนี้เราสนใจ LLM เป็นหลัก เพราะเป็นตัวที่ dev เอามาต่อกับงานจริงได้ง่ายที่สุดผ่าน API
LLM ทำงานยังไง (แบบเข้าใจง่าย)
หัวใจของ LLM มีประโยคเดียว: มันทำนาย "คำถัดไป" ที่น่าจะเป็นไปได้มากที่สุด จากข้อความที่เห็นมาก่อนหน้า แล้วทำซ้ำไปเรื่อยๆ ทีละคำ
Token — หน่วยที่ LLM มองเห็นจริง
LLM ไม่ได้มองเป็น "คำ" แต่มองเป็น token ซึ่งเป็นชิ้นข้อความย่อยๆ (บางทีเป็นคำ บางทีเป็นส่วนของคำ) ภาษาอังกฤษราวๆ 1 token ≈ 4 ตัวอักษร หรือ ~0.75 คำ ภาษาไทยมักกินหลาย token กว่า
เรื่องนี้สำคัญกับ dev เพราะ ค่าใช้จ่ายและลิมิตคิดเป็น token ไม่ใช่จำนวนตัวอักษร
Context window — ความจำระยะสั้น
Context window คือจำนวน token สูงสุดที่โมเดล "เห็น" ได้ในคราวเดียว (รวมทั้ง input + output) เกินกว่านี้มันจะไม่รู้ — เหมือนโต๊ะทำงานที่วางกระดาษได้จำกัด
ถ้าคุยยาวมากจน context เต็ม โมเดลจะ "ลืม" ต้นบทสนทนา — เป็นสาเหตุที่แชตยาวๆ เริ่มมั่ว
Temperature — ปุ่มความสร้างสรรค์
Temperature คุมว่าโมเดลจะเลือกคำแบบ "เล่นปลอดภัย" หรือ "กล้าเสี่ยง":
- ต่ำ (0–0.3): ตอบนิ่ง เดาได้ เหมาะกับงานที่ต้องการความแม่น เช่น สกัดข้อมูล, แปลง JSON
- สูง (0.7–1.0): หลากหลาย สร้างสรรค์ เหมาะกับ brainstorm, เขียน copy
Hallucination — ทำไมมันมั่วหน้าตาเฉย
เพราะ LLM ทำนายคำที่ "ฟังดูน่าจะใช่" ไม่ใช่ค้นความจริง มันจึงสร้างข้อมูลที่ ดูมั่นใจแต่ผิดได้ (เรียกว่า hallucination) โดยเฉพาะชื่อ API, ตัวเลข, ลิงก์ — อย่าเชื่อ ต้องตรวจเสมอ
เลือกโมเดลยังไง: cost vs latency vs ความเก่ง
โมเดลมีหลายขนาด เลือกตามงาน ไม่ใช่เลือกตัวเก่งสุดตลอด:
| ถ้างานคือ... | เลือกแนว | เพราะ |
|---|---|---|
| จัดหมวด / สรุปสั้น / งานซ้ำเยอะ | โมเดลเล็ก-เร็ว (เช่น Haiku) | ถูกและไว |
| เขียนโค้ด / วิเคราะห์ทั่วไป | โมเดลกลาง (เช่น Sonnet) | สมดุลดีสุด |
| ตัดสินใจซับซ้อน / reasoning ลึก | โมเดลใหญ่ (เช่น Opus) | เก่งสุดแต่แพง/ช้ากว่า |
หลักคิดของ dev: เริ่มด้วยโมเดลเล็กก่อน ถ้าคุณภาพไม่พอค่อยขยับขึ้น — ประหยัดทั้งเงินและเวลา
- อธิบายด้วยคำของตัวเองว่า "LLM ทำนายคำถัดไป" หมายความว่าอะไร
- ถ้าต้องทำ endpoint ใน NestJS ที่ จัดหมวดหมู่ ticket ลูกค้า จำนวนมากต่อวัน คุณจะเลือกโมเดลแนวไหน และตั้ง temperature เท่าไร เพราะอะไร?
- ยกตัวอย่างสถานการณ์ที่ hallucination อาจทำให้โค้ดคุณพัง ถ้าไม่ตรวจสอบ
ลองตอบในแชท แล้วพิมพ์ /quiz Lv0 เพื่อทดสอบความเข้าใจ