AI decision models คืออะไร และทำไมต้องแยกการตัดสินใจออกจากโมเดลภาษา
AI decision models คือระบบตัดสินใจอัตโนมัติที่ผสมผสานกฎ โค้ด และโมเดลขนาดเล็ก เพื่อเลือกคำตอบที่ชัดเจนและวัดความเสี่ยงได้ ก่อนจะส่งเคสที่ไม่แน่ใจไปให้โมเดลภาษาขนาดใหญ่หรือมนุษย์ตัดสินต่อ จุดสำคัญคือทุกการตัดสินใจต้องอธิบายย้อนกลับได้ว่ามาจากกฎไหน ข้อมูลไหน และขั้นตอนไหนที่ถูกเรียกใช้ จึงเหมาะกับงานที่ต้องการทั้งความเร็ว ความเสถียร และการตรวจสอบย้อนหลัง เช่น ระบบแจ้งเตือน การจัดเส้นทางข้อความ หรือการตัดสินใจเชิงธุรกิจที่เกิดขึ้นซ้ำหลายครั้งต่อวัน
ทิศทางใหม่ของสถาปัตยกรรม AI เริ่มหันหลังให้แนวคิดที่ให้ LLM ตัดสินใจทุกอย่างแบบเบ็ดเสร็จ แล้วหันมาใช้โครงแบบไฮบริดที่ให้โค้ดและกฎที่กำหนดชนิดข้อมูลชัดเจนทำงานเป็นด่านหน้า จากนั้นจึงค่อยเรียกโมเดลภาษาที่ช้าและแพงกว่าสำหรับเคสที่ไม่แน่ใจ แนวทางนี้ไม่ได้ทำให้โมเดลฉลาดขึ้น แต่ทำให้การตัดสินใจของโมเดลตรวจสอบและแก้ไขได้ง่ายขึ้น
กรณีศึกษา WhatsApp และ Jev: เมื่อการจัดเส้นทางต่ำหน่วงสำคัญกว่าคำตอบสวยหรู
ในระบบส่งการแจ้งเตือนผ่าน WhatsApp สำหรับนักพัฒนาอย่าง ChatRail ปัญหาหลักไม่ใช่การสร้างประโยคตอบกลับ แต่คือการตัดสินใจว่า “ข้อความตอบกลับนี้เกี่ยวกับการแจ้งเตือนใด” เพราะถ้าให้บริบทผิด แม้โมเดลภาษาจะเก่งแค่ไหนก็จะตอบผิดหรือแต่งคำตอบที่ไม่ตรงกับความจริง การจัดเส้นทางที่ดีจึงต้องเน้น low-latency routing และ message classification ที่แม่นยำมากกว่าการพึ่ง LLM เต็มรูปแบบ
เดิมระบบใช้กฎลำดับสั้นๆ เช่น ถ้าผู้ใช้กดปุ่มตอบกลับใน WhatsApp ก็รู้ทันทีว่าอ้างถึงการแจ้งเตือนใด ความเชื่อมั่น 1.0 แต่ปัญหาเกิดเมื่อมีหลายการแจ้งเตือนค้างพร้อมกัน กฎที่เลือกอันล่าสุดจะไม่ดูเนื้อความเลย ส่งผลให้ข้อความถามเรื่องพัสดุกลับถูกผูกกับการนัดหมายชมสินค้าแทน เจ้าของระบบจงใจไม่ใส่ LLM ในเส้นทางนี้เพราะไม่ต้องการเพิ่มความหน่วงและต้นทุนต่อข้อความ โดยเฉพาะลูกค้าที่ไม่ได้ใช้ AI ตอบกลับเลย
Jev: ชั้นตัดสินใจที่เร็ว ชนิดข้อมูลชัด และพร้อมแข่งขันกับ LLM
Jev ถูกออกแบบให้ทำหน้าที่เป็นชั้นตัดสินใจแบบเร็วในงานที่ต้องเลือกคำตอบจากตัวเลือกที่กำหนด เช่น yes หรือ no หรือเลือกหนึ่งจากรายการที่กำหนดไว้ล่วงหน้า โดยเราส่งข้อมูลและรายการคำถามแบบ typed AI responses ให้ Jev มันจะตอบพร้อมความน่าจะเป็นของแต่ละตัวเลือก คำถาม “ข้อความนี้เกี่ยวกับการแจ้งเตือนใด” จึงกลายเป็นโจทย์ pick-one-from-a-list ที่ Jev ทำได้ตรงจุด และสอดคล้องกับแนวคิด AI decision models ที่เน้นโครงสร้างข้อมูลชัดเจนมากกว่าการตีความข้อความเสรี
จุดที่น่าสนใจคือ Jev ไม่ได้เข้ามาแทนที่กฎทั้งหมด แต่ถูกเพิ่มเป็นชั้นใหม่ระหว่างกฎเดิมที่มั่นใจสูงและกฎที่เป็นการเดาในทางปฏิบัติ Jev จะดูทั้งข้อความและรายการการแจ้งเตือนที่เปิดอยู่ จากนั้นเลือกหนึ่งรายการ หรือเลือกไม่ผูกกับอะไรเลย เมื่อมีหลายการแจ้งเตือนเปิดอยู่ Jev จะเลือกหนึ่งหรือไม่เลือกเลยตามความเชื่อมั่นที่คาลิเบรตไว้ แนวทางนี้ทำให้การจัดเส้นทางข้อความมีทั้งความเร็วต่ำหน่วงและความโปร่งใสในการตัดสินใจ โดยไม่ต้องเรียกโมเดลภาษาเต็มตัวทุกครั้ง
solvi 1.0: ทำให้การตัดสินใจทุกครั้งตรวจสอบและเล่นซ้ำได้
solvi คือไลบรารี Python แบบโอเพ่นซอร์สสำหรับสร้างระบบตัดสินใจที่ตรวจสอบได้ และทุกการตัดสินใจสามารถเล่นซ้ำได้ ภายในระบบหนึ่งจะประกอบด้วย fast solvers เช่น กฎ โค้ดธรรมดา และโมเดลขนาดเล็ก ทำหน้าที่เป็น System 1 ตอบเมื่อมั่นใจ ส่วน LLM หรือระบบค้นหาทำหน้าที่เป็น System 2 ใช้เมื่อต้องไตร่ตรองช้า และสุดท้ายคือมนุษย์ที่ตัดสินเมื่อทั้งสองระบบตอบไม่ได้ ทุกการตัดสินใจมีเหตุผลแนบมาด้วยและถูกเชื่อมเป็นบันทึกแบบ hash chain เพื่อให้ตรวจสอบย้อนหลังได้ว่าขั้นตอนไหนถูกเรียก ใช้โมเดลตัวไหน และมีการแก้ไขภายหลังหรือไม่
ตัวอย่างใน solvi แสดงให้เห็นการใช้ฟังก์ชันธรรมดาในรูปแบบ “argument names คือข้อเท็จจริงที่ฟังก์ชันอ่าน และชื่อฟังก์ชันคือข้อเท็จจริงที่มันตั้งค่า” เมื่อมีการตัดสินใจ เช่น การอนุมัติลาระบบจะบันทึกว่ากฎไหนผ่าน กฎไหนล้มเหลว และ hard check ใดที่บังคับคำตอบ การเล่นซ้ำจะรันทุกขั้นตอนจากอินพุตที่บันทึกไว้ และหากมีใครแก้บันทึกที่เก็บไว้ hash chain จะตรวจจับได้ทันที แนวทางนี้แก้จุดอ่อนของระบบที่ใช้ LLM เพียวๆ ซึ่งมักให้แค่คำตอบกับความน่าจะเป็น แต่ไม่มีเหตุผลที่ตรวจสอบได้หรือบันทึกที่เล่นซ้ำได้
System One แยกการตัดสินใจเร็วออกจากเหตุผลช้า เพื่อโลกที่ต้องการคำตอบทันที
หัวใจของแนวคิด System One models คือแยกชั้นการตัดสินใจที่เร็ว ราคาถูก และควบคุมได้ออกจากชั้นเหตุผลที่ช้าและซับซ้อน System 1 ใช้กฎ โค้ด และโมเดลขนาดเล็กที่ผ่านการคาลิเบรตจากข้อมูลที่ติดป้ายแล้ว โดยให้คำมั่นเช่น “สัดส่วนคำตอบที่ตอบผิดแต่ตอบเองจะไม่เกินค่าหนึ่ง” จากนั้นเคสที่ยังไม่แน่ใจจึงค่อยส่งไปยัง System 2 ที่ใช้ LLM หรือค้นหา และถ้ายังตัดสินไม่ได้จึงค่อยให้มนุษย์เข้ามา ระบบไม่ได้ตอบตามอารมณ์โมเดล แต่ตอบตามสัญญาที่วัดได้จากข้อมูล
ในโลกของ low-latency routing และ message classification ที่ต้องตอบแทบจะทันที เช่น การจัดเส้นทางทิกเก็ต การคืนเงิน การอนุมัติใบแจ้งหนี้ หรือยกเลิกคำสั่งซื้อ งานส่วนใหญ่เป็นการตัดสินใจเล็กๆ ซ้ำๆ ที่โมเดลทำแทนมนุษย์ได้ตั้งแต่วันนี้ แต่คำถามสำคัญมักมาถึงในวันถัดมาเมื่อมีคนถามว่า “ทำไมระบบถึงตัดสินแบบนั้น” ระบบแบบ System One ผสม Jev กับโครงสร้างแบบ solvi ทำให้เรามีทั้งความเร็วและความตรวจสอบได้ ทุกการตัดสินใจมีร่องรอย มีเหตุผล และเล่นซ้ำได้ ในขณะที่ยังใช้โมเดลภาษาขนาดใหญ่เฉพาะจุดที่จำเป็นเท่านั้น
