LLM Tag - Big Data Institute

ข่าวและบทความที่เกี่ยวข้อง

All LLM

บทความ

Meta Prompting: ใช้ AI ช่วยสร้างคำสั่งให้ AI ทำงานเก่งขึ้น

ทุกวันนี้ เราใช้ AI อย่าง ChatGPT, Claude, หรือ DeepSeek ช่วยทำงานได้หลายอย่าง ไม่ว่าจะเขียนบทความ ตอบคำถาม หรือช่วยคิดวิเคราะห์ข้อมูลต่าง ๆ แต่การจะ “สั่ง” Artificial Inteligence (AI) ให้ทำงานได้ตรงใจนั้นไม่ใช่เรื่องง่าย เพราะบางที AI ก็ให้คำตอบที่ไม่ตรงตามความต้องการ ทำให้เราต้องเสียเวลาแก้คำสั่งซ้ำไปซ้ำมา ซึ่งบทความนี้ผู้เขียนจะแนะนำเทคนิค “เมตาพรอมต์ติ้ง” หรือ Meta Prompting ที่จะให้ AI มาช่วยเราสร้างและปรับปรุง “คำสั่ง” ให้ดีขึ้นไปอีก Meta Prompting คืออะไร? Meta Prompting เป็นเทคนิคหนึ่งในการออกแบบคำสั่ง (Prompt Engineering) โดยเราจะใช้ AI มาช่วยสร้างหรือปรับปรุงชุดคำสั่ง แทนที่เราจะต้องคิดคำสั่งเองทั้งหมด เราก็ให้ AI ช่วยคิดโครงสร้าง เนื้อหา หรือแม้แต่ปรับปรุงคำสั่งเดิม ทำให้เราทำงานที่ซับซ้อน ได้ง่ายขึ้น และปรับตัวตามสถานการณ์ต่างๆ ได้ดีขึ้นด้วย ทำไมต้องใช้ Meta Prompting? วิธีการของ Meta Prompting บทความนี้จะแนะนำตัวอย่างการทำ Meta Prompting 3 วิธี ดังนี้ 1. Meta-Prompting รูปที่ 1 รูปแบบการทำงานของ Meta-Prompting [1] หลักการการทำงาน คือ การสร้าง “คำสั่งหลัก” ที่ทำหน้าที่เหมือน “ผู้จัดการโครงการ” โดยคอยแบ่งงานย่อย ๆ ให้ “คำสั่งย่อย” ที่ทำหน้าที่เหมือน “ผู้เชี่ยวชาญ” ในแต่ละด้าน เช่น “ผู้เชี่ยวชาญด้านการตลาด”, “ผู้เชี่ยวชาญด้านการเขียนโปรแกรม” แล้วค่อยรวบรวมผลลัพธ์ สามารถอ่านรายละเอียดเพิ่มเติมได้ที่ https://arxiv.org/pdf/2401.12954 ขั้นตอนการทำงาน: ตัวอย่างการใช้งาน: “` คุณคือ Meta-Expert ผู้เชี่ยวชาญด้านการวางแผนงานอีเวนต์ สามารถทำงานร่วมกับผู้เชี่ยวชาญอื่น ๆ ได้ เพื่อจัดงานเลี้ยงบริษัทให้สมบูรณ์แบบ คุณสามารถเรียกใช้ผู้เชี่ยวชาญด้านต่าง ๆ ได้แก่ “เชฟมืออาชีพ”, “นักตกแต่งสถานที่”, และ “นักวางแผนกิจกรรม” ในการเรียกผู้เชี่ยวชาญ ให้พิมพ์ชื่อตามด้วย “:” เช่น: เชฟมืออาชีพ: แนะนำเมนูอาหารสำหรับงานเลี้ยงบริษัท 100 คน เน้นอาหารไทย มีตัวเลือกสำหรับคนทานมังสวิรัติ และคนแพ้อาหารทะเล นักตกแต่งสถานที่: ออกแบบการตกแต่งสำหรับงานเลี้ยงบริษัทในธีม “รื่นเริงริมทะเล” ใช้งบประมาณไม่เกิน 50,000 บาท นักวางแผนกิจกรรม: จัดกิจกรรมสันทนาการ 3 กิจกรรมสำหรับพนักงานบริษัท เน้นกิจกรรมที่ส่งเสริมความสามัคคี และสนุกสนาน “` 2. Learning from Contrastive Prompts หลักการการทำงาน คือ การให้ AI เปรียบเทียบ “คำสั่งที่ดี” (ที่สามารถให้ผลลัพธ์ตรงตามความต้องการ) กับ “คำสั่งที่ไม่ดี” เพื่อเรียนรู้ว่าอะไรใช้ได้ผลและอะไรใช้ไม่ได้ผล แล้วสามารถสร้างคำสั่งใหม่ที่ดีกว่าเดิม สามารถอ่านรายละเอียดเพิ่มเติมได้ที่ https://arxiv.org/pdf/2409.15199 ขั้นตอนการทำงาน: รูปแบบการใช้งาน “` โจทย์: {{ Question }} กำหนดอินพุต: {{ Input }} และเอาต์พุตที่คาดหวัง: {{ Output }} อธิบายเหตุผลว่าเหตุใดอินพุตจึงสอดคล้องกับเอาต์พุตที่คาดหวัง จากนั้นใช้เหตุผลดังกล่าวสร้างพรอมต์เพื่อให้ได้เอาต์พุตที่คาดหวังจากอินพุตใดๆ ทั้งหมด 5 พรอมต์ ทำการอธิบายว่าพรอมต์ใดทำงานตามโจทย์ได้ดีที่สุด และสรุปเป็นพรอมต์ใหม่ ที่ดีขึ้นกว่าเดิม “` ตัวอย่างการใช้งาน “` โจทย์: จำแนกความรู้สึกของข้อความต่อไปนี้ว่าเป็น “บวก” หรือ “ลบ” ข้อมูล: “หนังเรื่องนี้สนุกมาก!“ คำตอบที่ถูกต้อง: บวก ข้อมูล: “ฉันไม่ชอบอาหารร้านนี้เลย” คำตอบที่ถูกต้อง: ลบ อธิบายเหตุผลว่าเหตุใดอินพุตจึงสอดคล้องกับเอาต์พุตที่คาดหวัง จากนั้นใช้เหตุผลดังกล่าวสร้างพรอมต์เพื่อให้ได้เอาต์พุตที่คาดหวังจากอินพุตใดๆ ทั้งหมด 5 พรอมต์ ทำการอธิบายว่าพรอมต์ใดทำงานตาม โจทย์ได้ดีที่สุด และสรุปเป็นพรอมต์ใหม่ ที่ดีขึ้นกว่าเดิม “` 3. Declarative Self-improving Python (DSPy) รูปที่ 2 ตัวอย่างการทำงานขอ DSPy [6] หลักการการทำงาน: เป็นหนึ่งใน Python Library ที่มี Framework ที่ช่วยในการคอยปรับแต่งและพัฒนาคำสั่งให้ดีขึ้นโดยอัตโนมัติ สามารถอ่านรายละเอียดเพิ่มเติมได้ที่ https://arxiv.org/pdf/2310.03714 ขั้นตอนการทำงาน: ตัวอย่างการใช้งาน “` import dspy # กำหนด LLM ที่จะใช้ (ในตัวอย่างนี้ขอสมมติเป็น OpenAI) lm = lm = dspy.LM(‘openai/gpt-4o-mini’, api_key=’YOUR_OPENAI_API_KEY’) dspy.settings.configure(lm=lm) # กำหนด signature บอกว่า input คืออะไร (text) และ output คืออะไร (sentiment) class SentimentAnalysis(dspy.Signature): text = dspy.InputField(desc=”The text to analyze”) sentiment = dspy.OutputField(desc=”Either ‘positive’ or ‘negative'”) # สร้าง module ที่ใช้ signature นี้ และมี dspy.Predict เพื่อเรียกใช้ LLM class AnalyzeSentiment(dspy.Module): def __init__(self): super().__init__() self.classify = dspy.Predict(SentimentAnalysis) def forward(self, text): pred = self.classify(text=text) return pred # สร้างตัวอย่างข้อมูล (input, output) trainset...

17 March 2025

บทความ

Movements

การสร้างอนาคตของการเรียนรู้: บทบาทของ AI ในยุคการศึกษา 4.0

เทคโนโลยีที่มีอยู่ในปัจจุบันมีความก้าวหน้าเป็นไปอย่างก้าวกระโดด ระบบการศึกษาทั่วโลกเผชิญกับความท้าทายอย่างที่ไม่เคยมีมาก่อน รายงานของ World Economic Forum (WEF) ประจำปี 2024 เรื่อง “การสร้างอนาคตของการเรียนรู้: บทบาทของปัญญาประดิษฐ์ในยุคการศึกษา 4.0” ได้สำรวจศักยภาพของเทคโนโลยีใหม่ ๆ โดยเฉพาะอย่างยิ่งในเรื่องการนำเอาปัญญาประดิษฐ์มาจัดการและพัฒนาในด้านการศึกษา การศึกษา 4.0 คืออะไร การศึกษา 4.0 เป็นกรอบการทำงานที่ครอบคลุมถึงการเปลี่ยนแปลงที่สำคัญและจำเป็นต่อการศึกษาในวัยเด็ก ส่งเสริมให้ได้ผลลัพธ์ทางการศึกษาที่ดีขึ้นอันเป็นพื้นฐานสำคัญต่อความต้องการของแรงงานในอนาคตตามรายงาน World Economic Forum’s Future of Jobs Report 2023 [1] ในรายงานได้ระบุถึงประเด็นความท้าทายสำคัญ ๆ 3 ประเด็นใหญ่ อันได้แก่ ซึ่งประเด็นหลักทั้ง 3 นี้ถือได้ว่าเป็นปัญหาคุกคามที่ทำให้นักเรียนไม่พร้อมรับมือกับความต้องการของตลาดแรงงานในอนาคตได้ ศักยภาพของ AI ที่เข้ามาบทบาทให้เกิดประโยชน์ในการศึกษา 4.0 จากงานวิจัยของ WEF ซึ่งจัดทำขึ้นโดยร่วมมือกับ Accenture พบว่า 40% ของภาระงานอาจารย์ทั้งหมดที่ใช้ไปกับงานบริหาร โดยจากการสำรวจพบว่าภาระงาน เช่น การวางแผนการสอนหรือประเมินนักเรียนมีสัดส่วนอยู่ที่ 8%-20% ของภาระงานทั้งหมด ซึ่งงานอัตโนมัติหรืองานทำซ้ำเหล่านี้ สามารถนำโมเดลภาษาขนาดใหญ่ (LLM) เข้ามาใช้งานแทนได้ เช่น การใช้โมเดลภาษาขนาดใหญ่ในการรวบรวมรายชื่อหนังสือ วารสาร บทความ และสื่อโสตทัศน์ในหัวข้อที่เฉพาะเจาะจง และช่วยออกแบบการเรียนการสอน มุ่งเน้นไปที่งานสร้างสรรค์ หรือใช้เวลาร่วมกับนักเรียนได้มากยิ่งขึ้น การปรับปรุงการประเมินและการวิเคราะห์ในด้านการศึกษา จะเห็นได้ว่า เราสามารถใช้เทคโนโลยีมาปรับให้เป็นการทำงานแบบอัตโนมัติและลดภาระของอาจารย์ออกไปได้ อย่างไรก็ตาม การวิเคราะห์ดังกล่าวหากต้องการนำมาใช้งานให้เกิดประโยชน์ได้สูงสุด อาจารย์สามารถใช้ AI เพื่อมาเป็นผู้ช่วย โดยอาจารย์สามารถให้ตัวอย่างข้อเสนอแนะเพื่อให้ AI ได้เรียนรู้ และออกแบบสื่อการสอน รวมไปถึงการประเมินงาน ซึ่งการเรียนรู้ทั้งหมดจะถูกวิเคราะห์แบบเรียลไทม์ แทนที่จะต้องพึ่งพาการประเมินอย่างเป็นทางการเป็นระยะ ๆ เป็นการส่งเสริมสภาพแวดล้อมการเรียนรู้ที่ปรับเปลี่ยนได้ซึ่งตอบสนองความต้องการที่หลากหลายของนักเรียนได้อีกด้วย การสนับสนุนปัญญาประดิษฐ์และความรู้ด้านดิจิทัล การพัฒนาทักษะดิจิทัลถือเป็นสิ่งสำคัญในการสร้างภูมิทัศน์ทางเทคโนโลยีในปัจจุบัน และยังเป็นการวางรากฐานสำหรับทั้งปัญญาประดิษฐ์และความรู้ด้านดิจิทัล ความรู้ด้านดิจิทัลและปัญญาประดิษฐ์ไม่ได้จำกัดอยู่แค่ความสามารถในการใช้เครื่องมือและแพลตฟอร์มดิจิทัลเท่านั้น แต่ยังครอบคลุมถึงการคิดวิเคราะห์ การแก้ปัญหา ความคิดสร้างสรรค์ และการตระหนักถึงผลกระทบทางจริยธรรมของปัญญาประดิษฐ์ด้วย การนำ AI เข้ามาบูรณาการในระบบการศึกษาไม่เพียงแต่เป็นโอกาสในการใช้เครื่องมือ AI ในการสอนเท่านั้น แต่ยังช่วยให้ผู้เรียนได้เรียนรู้เกี่ยวกับแนวคิดเกี่ยวกับ AI และผลกระทบต่อสังคมในวงกว้าง การนำ AI มาใช้ในระบบการศึกษามิได้หมายถึงผู้เรียนทุกคนจะต้องเป็นผู้เชี่ยวชาญด้าน AI แต่ควรเน้นที่การปลูกฝังความตระหนักรู้ ปลูกฝังความอยากรู้อยากเห็น และสร้างความเข้าใจพื้นฐานให้กับนักเรียน ยิ่งไปกว่านั้น การนำทักษะด้านไซเบอร์พื้นฐานมาผนวกเข้ากับหลักสูตรสามารถช่วยให้นักเรียนเรียนรู้วิธีการสร้างระบบ AI ที่แข็งแกร่งและปลอดภัยได้ การปรับแต่งเนื้อหาและประสบการณ์การเรียนรู้ จากการศึกษาวิจัยโดยเบนจามิน บลูม นักจิตวิทยาการศึกษา พบว่าการติวแบบตัวต่อตัว สัมฤทธิ์ผลมากกว่ากลุ่มนักเรียนที่ได้รับการเรียนการสอนแบบกลุ่มอย่างมีนัยสำคัญ แต่อย่างไรก็ตามข้อเสียของระบบการศึกษาแบบตัวต่อตัว ไม่สามารถนำไปประยุกต์ใช้ในวงกว้างได้ เนื่องจากสัดส่วนอาจารย์ต่อนักเรียนยังนับว่าเป็นเรื่องที่ท้าทาย ดังนั้นบทบาทของ AI และเทคโนโลยีที่สามารถนำมาปิดช่องว่างเหล่านี้ได้ เช่น AI สามารถคาดการณ์ในการเรียนรู้ ระบุช่องว่าง และออกแบบการเรียนรู้ส่วนบุคคลโดยวิเคราะห์ข้อมูลแนวโน้ม ประวัติการเรียนรู้ และประสิทธิภาพของนักเรียนได้ ทำให้ได้แบบเรียนที่สอดคล้องกับวัตถุประสงค์ในการเรียนรู้ จึงทำให้เนื้อหาทางการศึกษามีความเกี่ยวข้องมากขึ้นสำหรับผู้เรียนแต่ละคน สรุปแล้ว AI มีศักยภาพอย่างมากที่จะปฏิวัติการศึกษา แต่การใช้งานต้องได้รับการพิจารณาอย่างรอบคอบ ด้วยการใช้ AI อย่างมีสติ เราสามารถเพิ่มผลลัพธ์การเรียนรู้ เพิ่มพลังให้กับการศึกษา และเตรียมความพร้อมให้นักเรียนมีทักษะที่จำเป็นในการประสบความสำเร็จในโลกที่เปลี่ยนแปลงอย่างรวดเร็ว รายงานของ WEF ฉบับนี้จึงเป็นการเรียกร้องให้นักการศึกษา ผู้กำหนดนโยบาย และผู้มีส่วนได้ส่วนเสียเข้าร่วมในการสนทนาและความร่วมมืออย่างมีความหมาย เพื่อสร้างระบบการศึกษาที่ตอบสนอง มีส่วนร่วม และพร้อมรับมือกับอนาคตในยุคของ AI บทความโดย ประภาพรรณ วิภาตวิทย์ ตรวจทานและปรับปรุงโดย นววิทย์ พงศ์อนันต์ เอกสารอ้างอิง [1] World Economic Forum’s Future of Jobs Report 2023

29 August 2024

บทความ

Big Data 101

LangChain: ตัวช่วยในการพัฒนาแอปพลิเคชันที่ขับเคลื่อนด้วย AI ทางภาษา

การพัฒนาแอปพลิเคชันจาก LLM นั้น ต้องพึ่งนักพัฒนาในหลากหลายแขนง ทำให้เกิดข้อจำกัดการทำงาน LangChain จะเข้ามาช่วยในส่วนนี้

7 February 2024

รู้จัก BDI

Organization

Policy and Plan

Personnel

Operations

LLM

ข่าวและบทความที่เกี่ยวข้อง

All LLM

บทความ

บทความ

บทความ

สถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน)

Big Data Institute (Public Organization)

234/432 Soi Lat Phrao 12, Chomphon, Chatuchak, Bangkok 10900, Thailand

Contact Us

Quick Link

About Us

© Big Data Institute | Privacy Policy