โมเดลตัดสินใจ AI คืออะไร และทำไมมันถึงสำคัญกว่าแค่แชตบอต
โมเดลตัดสินใจ AI คือแบบจำลองปัญญาประดิษฐ์ที่รับข้อมูลไม่เป็นโครงสร้างเช่นอีเมลหรือข้อความเหมือนโมเดลภาษา แต่ตอบกลับด้วยคำตอบแบบจัดประเภทที่มีชนิดข้อมูลชัดเจนและความน่าจะเป็นประกอบ พร้อมบริบทเท่าที่จำเป็นโดยไม่สร้างข้อความอิสระเลย แนวคิดนี้ชนกับภาพจำเดิมของ AI ที่เน้นเขียนยาว ตอบสวย แต่ยากต่อการเชื่อมกับโค้ด
หัวใจของเรื่องนี้คือเรากำลังย้ายจากโลกที่ LLM ถูกบังคับให้เล่นบทฟังก์ชันเอนกประสงค์ ไปสู่โลกที่มีชั้นตัดสินใจเฉพาะทางคั่นกลางระหว่างโค้ดกับโมเดลภาษา Jev ในตระกูล System One models เป็นตัวอย่างชัดเจนของการออกแบบแบบใหม่ที่ประกาศชัดว่าจะจบยุคที่การสร้างข้อความเป็นผลลัพธ์เริ่มต้นของ AI ภายในซอฟต์แวร์ นี่ไม่ใช่การจูนเล็กน้อย แต่คือการเปลี่ยนประเภทของโมเดลให้ตอบโจทย์การตัดสินใจโดยตรง
System One models และ RLCD การแยกสมองไวออกจากสมองคิดช้า
System One models ได้แรงบันดาลใจจากแนวคิด System 1 และ System 2 ของ Kahneman ที่แบ่งความคิดออกเป็นโหมดเร็วกับโหมดช้า ระบบเดิมอย่าง LLM ส่วนใหญ่คือ System 2 ที่คิดช้า แพง และชอบเล่าเป็นย่อหน้าก่อนจะตอบ ในทางกลับกัน Jev และ System One models ถูกฝึกเฉพาะสำหรับงานที่มนุษย์ตัดสินใจได้ในเสี้ยววินาที เช่น จัดหมวดหมู่ อนุมัติ ปฏิเสธ หรือเลือกหนึ่งตัวเลือกจากหลายตัวเลือก
ความต่างสำคัญคือวิธีฝึก โมเดลเหล่านี้ใช้ Reinforcement Learning for Calibrated Decisions หรือ RLCD เพื่อทำให้ความน่าจะเป็นที่มันรายงานสอดคล้องกับความถี่ของคำตอบจริง RLCD มุ่งสร้างความสอดคล้องระหว่างค่าความน่าจะเป็นที่โมเดลประกาศกับความถี่ของผลลัพธ์ที่เกิดขึ้น เมื่อโมเดลบอกค่า 0.7 มันถูกให้รางวัลเมื่อคำตอบนั้นถูกต้องราว 70 เปอร์เซ็นต์ของเวลา ผลคือสถาปัตยกรรมสองสปีดที่ชัดเจน เส้นทางเร็วให้โมเดลตัดสินใจเป็นชั้นแรกในระดับมิลลิวินาที ขณะที่เส้นทางช้าค่อยเรียก LLM เมื่อจริงๆ ต้องการเหตุผลหรือการเขียน
จากข้อความสุ่มมาสู่คำตอบแบบ typed ทำไมการตัดสินใจแบบ calibrated ถึงเปลี่ยนเกม
LLM ทั่วไปตอบเป็นสายอักขระที่ต้องถูกพาร์ส แถมยังมีความเสี่ยงแต่งฟิลด์หรือหมวดหมู่ที่ระบบไม่ได้คาดไว้ แม้จะบังคับให้ตอบเป็น JSON หรือ structured output ก็ยังเป็นข้อความที่ถูกสร้างตามลำดับโทเคน และไม่มีความน่าจะเป็นแบบ calibrated แนบมาด้วย ตรงนี้คือจุดที่โมเดลตัดสินใจ AI เข้ามาแทนที่ด้วยคำตอบแบบ typed value ที่นิยามไว้ล่วงหน้า เช่น boolean หรือชุด enum ที่โค้ดใช้งานได้ทันที
ในมุมสถาปัตยกรรม นี่คือการยอมรับว่าเราต้องการชั้นตัดสินใจที่ให้ distribution ที่ตรวจสอบได้แทนการคาดเดาจากข้อความลอยๆ โมเดล System One ให้การแจกแจงความน่าจะเป็นที่มีการปรับเทียบดีบนพื้นที่คำตอบที่เล็กและนิยามชัดเจน จึงสร้าง AI agents decision layer ที่เชื่อถือได้มากขึ้น ทุกคำถามอย่างว่าใช้เครื่องมือไหน อ่านไฟล์ใด หรือจะ retry ดีไหม สามารถตอบในไม่กี่มิลลิวินาทีแทนที่จะเขียน paragraph ก่อน นี่คือการย้าย AI จากบทนักเขียนไปเป็นเงื่อนไข if ที่ฉลาด
เคสจริง WhatsApp และงานเอเจนต์ ทำไมการตัดสินใจเร็วสำคัญกว่าโต้ตอบสวย
ในโลกโปรดักชัน จุดเจ็บของ LLM คือดีเลย์ ค่าใช้จ่าย และความเปราะบางของการพาร์สข้อความ นักพัฒนาระบบ WhatsApp สำหรับนักพัฒนารายหนึ่งเล่าว่า ขั้นตอนที่ต้องจับคู่ข้อความตอบกลับของลูกค้าเข้ากับ alert ที่ถูกต้องคือจุดตัดสินใจที่ทุกอย่าง downstream พึ่งพา ถ้าแมปผิด AI จะตอบว่าข้อมูลไม่ตรง หรืออาจแต่งคำตอบผิดบริบทไปเลย เดิมเขาใช้กฎลำดับง่ายๆ เช่น ถ้ามี alert เดียวก็จับคู่นั้น ถ้ามีหลายอันก็เลือกอันล่าสุด แต่กฎนี้ไม่อ่านตัวข้อความ ทำให้ถามเรื่องพัสดุแต่กลับได้บริบทการจองดูบ้าน
คำถามว่า "ข้อความนี้เกี่ยวกับ alert ไหน" เป็นโจทย์เลือกหนึ่งจากลิสต์โดยตรง ซึ่งเหมาะกับโมเดลตัดสินใจ AI มากกว่าการลาก LLM มาเขียนคำตอบแล้วค่อยพาร์ส เมื่อชั้นตัดสินใจทำงานในระดับมิลลิวินาที ระบบสามารถให้ประสบการณ์แทบเรียลไทม์ได้โดยไม่ต้องจ่ายค่า inference หนักหรือเสี่ยงต่อการที่โมเดลเปลี่ยนสไตล์คำตอบแล้วทำให้โค้ดพัง เคสนี้สะท้อนภาพใหญ่ของ AI agents ที่ในทางปฏิบัติเป็น loop ของการตัดสินใจเล็กๆ ซ้ำๆ ว่าจะใช้เครื่องมือไหน ไปไฟล์ใด หรือถือว่างานเสร็จหรือยัง และแต่ละจุดทางแยกพวกนี้ไม่ควรต้องให้ frontier LLM เขียนเรียงความตอบทุกครั้ง
จุดเปลี่ยนของสถาปัตยกรรม AI จากโมเดลกว้างตัวเดียวสู่ระบบเฉพาะทางหลายชั้น
การเกิดของ System One models ไม่ใช่แค่ฟีเจอร์เสริมของ LLM แต่เป็นสัญญาณว่าชุมชนกำลังยอมรับว่าหนึ่งโมเดลทำทุกอย่างไม่ได้ดีเสมอไป ผู้สร้าง Jev มองชัดว่าโมเดลนี้คือจุดเริ่มของเลเยอร์ใหม่ในทุกระบบ AI ที่จริงจัง เมื่อเทียบกับ LLM ทั่วไป Jev เปลี่ยนเป้าหมายการฝึกจากการเอาใจมนุษย์หรือรางวัลที่ตรวจสอบได้ ไปสู่ calibrated decision making ผ่าน RLCD ที่เน้นให้ตัวเลขความน่าจะเป็นน่าเชื่อถือ
สำหรับผู้พัฒนาระบบองค์กร นี่หมายความว่าเราควรออกแบบสถาปัตยกรรมแบบหลายเลเยอร์ เส้นทางเร็วที่ใช้โมเดลตัดสินใจ AI เป็นชั้นตัดสินใจหน้าแรก ทำงานได้รวดเร็ว ราคาย่อมเยา และตรวจสอบผลได้ เส้นทางช้าที่เรียก LLM ควรสงวนไว้เฉพาะกรณีที่ต้องสร้างข้อความยาวหรือเหตุผลละเอียด แนวทางนี้พลิกกรอบความคิดจากการพยายามจับ LLM ให้ออกค่าที่มี type ถูกต้องมาทำหน้าที่ที่มันไม่ถนัด ไปสู่การสร้างระบบ purpose built ที่ใช้โมเดลเหมาะกับงาน นี่คือ watershed moment ของการออกแบบ LLM architecture evolution ที่มอง AI เป็นระบบหลายชั้น ไม่ใช่กล่องดำก้อนเดียว
