นิยามใหม่ของ AI decision models และข้อเท็จจริงที่มักถูกมองข้าม
AI decision models คือระบบปัญญาประดิษฐ์ที่อ่านอินพุตไม่เป็นโครงสร้างเหมือนโมเดลภาษา แต่ตอบกลับด้วยคำตอบแบบมีชนิดและความน่าจะเป็น โดยจำกัดให้อยู่ในผลลัพธ์ที่กำหนดไว้ล่วงหน้าและมีโครงสร้างชัดเจน แทนที่จะสร้างข้อความอิสระ การออกแบบเช่นนี้ทำให้ระบบสามารถใช้คำตอบโดยตรงในโค้ด ลดการแปลงผลลัพธ์ ลดข้อผิดพลาดจากการตีความ และเปิดทางให้การตรวจสอบการตัดสินใจย้อนหลังได้อย่างเป็นระบบ หัวใจของ decision model คือ มันทำตัวเหมือนตัวจัดหมวดหมู่มากกว่านักเขียน คุณให้มันสามอย่าง สถานะ เช่น อีเมล บรรทัดล็อก หน้าจอเกมที่อธิบายด้วยข้อความ หรือเรคอร์ด JSON ชุดคำถามแบบมีชนิด เช่น ทีมไหนรับผิดชอบ เคสนี้เร่งด่วนแค่ไหน เป็นคำขอคืนเงินหรือไม่ และบริบทเชิงเกณฑ์สำหรับแต่ละคำถาม จากนั้นโมเดลจะตอบกลับด้วยคำตอบเชิงโครงสร้างพร้อมความน่าจะเป็นต่อคำถามหนึ่งข้อ ทำให้โค้ดสามารถแตกแขนงการทำงานตามคำตอบได้โดยไม่ต้องแยกวิเคราะห์ข้อความยาวเหมือน LLM
System One แยกการตัดสินใจเร็วจากเหตุผลช้า และทำไม LLM เดิมถึงเป็นคอขวด
ถ้าเรามองผ่านกรอบคิด Thinking, Fast and Slow สมองมนุษย์มีสองโหมด System 1 คือการคิดแบบเร็ว อัตโนมัติ และใช้สัญชาตญาณ เช่น การจำหน้า การหลบหลุมบนถนน ส่วน System 2 คือการคิดแบบช้า ใช้แรง และไตร่ตรอง เช่น การคิดเลขยาวหรือการตรวจพิสูจน์ข้อเท็จจริง โลกของ AI วันนี้กลับหนักไปทาง System 2 โมเดลภาษาโดยเฉพาะรุ่นเน้นการ reasoning จะสร้างคำตอบทีละโทเคน คิดออกมาเป็นข้อความยาว แล้วให้เราต้องไปแยกวิเคราะห์ตามหลัง เมื่อถามโมเดลภาษาว่าอีเมลสนับสนุนฉบับหนึ่งเกี่ยวกับการเรียกเก็บเงินหรือไม่ โมเดลจะเริ่มเขียนข้อความทีละโทเคน อาจมีการคิดเสียงดัง ใช้ถ้อยคำสุภาพ และอาจเผลอสร้างหมวดหมู่ที่สี่ที่เราไม่เคยระบุไว้ จากนั้นโค้ดต้องไปตรวจสอบและภาวนาให้ไม่มีการประดิษฐ์ประเภทใหม่ขึ้นมา ทั้งหมดนี้เพื่อคำตอบที่มนุษย์ใช้เวลาเพียงเสี้ยววินาที นี่คือคอขวดทั้งด้านเวลาและความคาดเดาไม่ได้ของการใช้ LLM เป็นทุกอย่างในระบบ
Jev และชั้นตัดสินใจเร็วสำหรับการจัดเส้นทาง การแจ้งเตือน และเอเยนต์ AI
Jev คือโมเดล System One ที่ออกแบบมาเพื่อทำหน้าที่เหมือนคำสั่ง if ที่ฉลาดสำหรับงานตัดสินใจเร็วที่มีชุดคำตอบจำกัด มันไม่สร้างข้อความ แต่ส่งคืนค่าที่มีชนิดและความน่าจะเป็นที่กำหนดไว้ล่วงหน้า ทำให้ระบบสามารถนำไปใช้จัดเส้นทาง ตัดสินใจ หรือให้คะแนนได้โดยตรง โมเดลเช่นนี้เหมาะกับงานที่มนุษย์ใช้เวลาไม่กี่วินาที เช่น ตัดสินว่าอีเมลเป็นสแปมหรือไม่ คำสั่ง shell ปลอดภัยหรือไม่ ปุ่มไหนในสิบสองปุ่มใช้ดำเนินการชำระเงินต่อ หรือเคสของเอเยนต์ถือว่าเสร็จแล้วหรือยัง ในบริบทของเอเยนต์ AI แต่ละเอเยนต์คือวงจรของการตัดสินใจเล็ก ๆ ซ้ำไปมา ทั้งการเลือกเครื่องมือ เลือกไฟล์ เลือกซับเอเยนต์ ตัดสินใจว่าจะลองใหม่หรือยอมแพ้ และสรุปว่าภารกิจเสร็จแล้วหรือยัง เดิมทีเราบังคับให้โมเดลสร้างสรรค์เขียนบทความสั้น ๆ ทุกครั้งที่ต้องเลือกทาง แต่ด้วยชั้นการตัดสินใจอย่าง Jev เอเยนต์สามารถตอบที่ทางแยกในระดับมิลลิวินาที และให้โมเดลสร้างสรรค์ทำเฉพาะงานที่ต้องคิดยาวและเขียนภาษาที่เปิดกว้าง การรวม Jev เข้าในเฟรมเวิร์กเอเยนต์ช่วยให้จัดเส้นทางโมเดลและตรวจสอบการเรียกเครื่องมือรอบขอบของโมเดลสร้างสรรค์ ในขณะที่โมเดลสร้างสรรค์ยังคงทำหน้าที่วางแผนและสร้างเนื้อหา
solvi 1.0 และ structured reasoning systems ที่ตรวจสอบได้ทุกการตัดสินใจ
ถ้า Jev คือชั้นตัดสินใจเร็วที่ลดดีเลย์ solvi 1.0 คือโครงสร้างสำหรับทำให้ทุกการตัดสินใจในระบบ AI ถูกตรวจสอบและแก้ไขได้ solvi เป็นไลบรารี Python แบบโอเพนซอร์สสำหรับ decision systems ที่คุณสามารถเช็กได้ มันออกแบบให้ตัวแก้ปัญหาเร็ว เช่น กฎ โค้ดธรรมดา และโมเดลขนาดเล็ก ตอบในกรณีที่แน่ใจ ขณะที่ LLM หรือระบบค้นหาคิดไตร่ตรองเมื่อส่วนเร็วไม่มั่นใจ และเปิดทางให้คนตัดสินใจเมื่อทั้งสองระดับตอบไม่ได้ ทุกการตัดสินใจใน solvi มาพร้อมเหตุผลที่ตรวจสอบได้และเรคอร์ดแบบ hash-chained ที่สามารถเล่นซ้ำได้ ทำให้คุณเห็นว่าแต่ละคำตอบเกิดจากกฎไหน โมเดลไหน และอินพุตใด นอกจากนี้ยังมีชั้น “hard check” คือโค้ดที่เมื่อไม่ผ่านจะบังคับคำตอบไม่ว่ามอเดลจะว่าอย่างไร และ “quote check” ที่เก็บหลักฐานของโมเดลเฉพาะเมื่อข้อความนั้นมีอยู่จริงในแหล่งข้อมูล หลังจากจัดการรูปแบบช่องว่างและเครื่องหมายคำพูดที่โมเดลชอบพิมพ์ แนวคิดนี้ตีกรอบว่า ความปลอดภัยคือการให้ข้อเสนอของโมเดลผ่านโค้ดก่อนที่ระบบจะทำอะไรลงไป ไม่ใช่การหวังให้โมเดลมีพฤติกรรมดีโดยตัวมันเอง
ชั้นตัดสินใจเร็วกับคำตอบแบบมีชนิดคือรากฐานของ AI ที่ใช้จริงในโปรดักชัน
เมื่อมองภาพรวมของสถาปัตยกรรม AI ที่พร้อมใช้งานในโปรดักชัน แนวทางที่ใช้โมเดลสร้างสรรค์เพียงอย่างเดียวเริ่มดูไม่สมเหตุผล ทั้งช้า แพง และยากจะตรวจสอบ เพราะทุกอย่างต้องผ่านการสร้างภาษายาวและการแยกวิเคราะห์ตามหลัง ในทางกลับกัน การเพิ่มชั้น System One ที่ตอบคำถามแบบมีชนิดพร้อมความน่าจะเป็น ทำให้เอเยนต์ AI สามารถตัดสินใจอย่างรวดเร็ว คำนวณได้ และวัดความเสี่ยงได้ชัด การใช้โมเดลเชิงตัดสินใจที่มีขอบเขตจำกัดในสภาพแวดล้อมโปรดักชันช่วยให้ระบบเดียวกันสามารถกำหนดเส้นทาง ให้คะแนน และควบคุมได้ ขณะที่โค้ดยังคงกำหนดขีดจำกัดและสิทธิ์ที่ยอมรับได้ และมนุษย์ยังต้องเป็นผู้รับผิดชอบต่อการตัดสินใจที่กระทบชีวิตคนอื่น คำตอบแบบมีชนิดช่วยลดรูปแบบความล้มเหลวจากการสร้างฟิลด์หรือย่อหน้าที่แยกวิเคราะห์ไม่ได้ เพราะพื้นที่ผลลัพธ์ถูกกำหนดล่วงหน้า โมเดลจึงไม่ควรส่งคืนค่าแปลกปลอม แม้จะยังมีช่องว่างด้านความหมายอยู่บ้าง แต่ข้อเท็จจริงคือ structured reasoning systems ที่แยกชั้นคิดเร็ว ช้า และชั้นมนุษย์ เพิ่มทั้งความเร็ว ความโปร่งใส และความสามารถในการตรวจสอบย้อนหลัง นี่คือสถาปัตยกรรมที่สมเหตุผลสำหรับ AI decision models ในโลกที่การตัดสินใจส่วนใหญ่เป็นงานเล็ก ๆ ที่เกิดขึ้นต่อเนื่องตลอดทั้งวัน
