จากโมเดลภาษาไปสู่โมเดลตัดสินใจ ชั้นสะท้อนกลับใหม่ของ AI องค์กร
โมเดลตัดสินใจ AI คือโมเดลที่อ่านข้อมูลไม่เป็นโครงสร้างเหมือนโมเดลภาษา แต่ตอบกลับในรูปแบบค่าที่กำหนดประเภทไว้ล่วงหน้าพร้อมความน่าจะเป็น โดยไม่สร้างข้อความอิสระ เพื่อให้ระบบซอฟต์แวร์สามารถใช้ผลลัพธ์เหล่านั้นในการแตกแขนงตรรกะ ตัดสินใจเส้นทางงาน และควบคุมเวิร์กโฟลว์อัตโนมัติในระดับองค์กรได้อย่างรวดเร็วและตรวจสอบย้อนกลับได้ โมเดลนี้ทำหน้าที่เหมือนชั้นสะท้อนกลับที่เน้นการตัดสินใจแคบและชัดเจนมากกว่าการให้เหตุผลยืดยาว สาระสำคัญคือ AI กำลังขยับจาก “โมเดลภาษาแบบครอบจักรวาล” ไปสู่สถาปัตยกรรมเฉพาะทางที่แยกงานคิดช้าออกจากงานตัดสินใจเร็ว เราเคยบังคับให้โมเดลภาษาใหญ่ที่เน้นการให้เหตุผลเชิงลึกต้องทำงานแบบ System 1 ซ้ำหลายล้านครั้งต่อวัน ทั้งที่มันถูกออกแบบมาเป็น System 2 ที่ช้าและใช้ทรัพยากรมาก การเกิดขึ้นของ System One decision model อย่าง Jev จึงไม่ใช่แค่ผลิตภัณฑ์ใหม่ แต่เป็นสัญญาณว่าระบบ AI enterprise automation กำลังก้าวสู่ยุคที่การตัดสินใจและการสร้างภาษาแยกชั้นกันชัดเจน
System One decision model แยกการตัดสินใจเร็วออกจากการให้เหตุผลช้าอย่างไร
หัวใจของ System One decision model อย่าง Jev คือการอ่านสถานะเดียวกันแล้วตอบคำถามหลายข้อด้วยคำตอบที่มีประเภทตายตัวและความน่าจะเป็นที่สอบเทียบแล้ว โดยไม่เขียนคำอธิบายยาวเลย การยอมสละความยืดหยุ่นของการสร้างข้อความทำให้ได้ความเร็ว แรงรับรองประเภทผลลัพธ์ และการสอบเทียบความเชื่อมั่นที่ดีขึ้นบนทุกคำตอบ โครงสร้างคำถามแบ่งเป็นสามแบบ คือ Choice สำหรับเลือกหนึ่งตัวเลือกจากชุดที่กำหนด Score สำหรับให้คะแนนตามเกณฑ์เรียงลำดับ และ Noul สำหรับประเมินความน่าจะเป็นที่ข้อความหนึ่งเป็นจริง โมเดลภาษาเดิมสามารถทำทั้งหมดนี้ได้ แต่ต้องสร้างข้อความและให้แอปไปแยกวิเคราะห์ ในทางกลับกัน โมเดลตัดสินใจจะคืนค่าโครงสร้างพร้อมใช้ทันที ทำให้เหมาะกับงานเส้นทาง การให้คะแนน และการควบคุมในสภาพแวดล้อมการผลิตมากกว่า “โดยการเลิกสร้างข้อความทั้งหมด Jev ได้ทั้งความเร็ว ราคาที่ต่ำกว่า และการรับประกันประเภทผลลัพธ์” เป็นคำอธิบายตรงไปตรงมาว่าทำไมมันถูกออกแบบให้เป็น System One ที่เน้นการตัดสินใจเร็วมากกว่าการสนทนายืดยาว
ตัวอย่างใช้งานจริง ChatRail และการทดสอบชั้นตัดสินใจร่วมกับ LLM
ภาพที่ชัดเจนของ AI enterprise automation แบบใหม่คือระบบแจ้งเตือนผ่าน WhatsApp ของ ChatRail ซึ่งต้องจับคู่ข้อความตอบกลับของลูกค้ากับ alert ที่ถูกต้อง หากเชื่อมผิดบริบท AI ที่ตอบคำถามจะให้ข้อมูลผิดหรือแต่งขึ้นมาเอง เดิมทีระบบใช้กฎเรียงลำดับง่าย ๆ เช่น ถ้ามี alert เดียวให้จับคู่นั้น ถ้าหลายอันให้ใช้รายการล่าสุด ทำให้บางกรณีเช่นคำถามเกี่ยวกับพัสดุถูกเชื่อมกับการจองนัดชมสินค้าเพราะไม่เคยดูเนื้อหาข้อความเลย ผู้พัฒนารู้ปัญหาแต่ไม่อยากใส่โมเดลภาษาใหญ่เข้ามากลางทาง เพราะจะทำให้การจัดการข้อความช้าลง เพิ่มต้นทุนต่อข้อความ และทำให้ขั้นตอนที่เคยตรวจสอบย้อนกลับได้ต้องขึ้นกับ “อารมณ์โมเดล” การมาของ Jev ในฐานะโมเดลที่ไม่เขียนข้อความ แต่ตอบคำถามที่มีประเภทกำหนดพร้อมความน่าจะเป็นสำหรับแต่ละตัวเลือกจึงเป็นทางออก เขาสามารถถาม Jev ว่าข้อความกำลังตอบ alert ใดหรือมีความกำกวมแค่ไหน จากนั้นค่อยตัดสินใจว่าจะเรียก LLM เพื่อเขียนคำตอบหรือไม่ กรณีนี้สะท้อนเทรนด์กว้างขึ้นที่องค์กรทดลองใช้ชั้นตัดสินใจอย่าง Jev ร่วมกับ LLM แบบดั้งเดิม เพื่อให้การกำหนดเส้นทาง การตรวจสอบการเรียกเครื่องมือ และการจับคู่แจ้งเตือนทำได้เร็วและตรวจสอบได้มากขึ้น โดยปล่อยให้โมเดลสร้างข้อความรับหน้าที่ให้เหตุผลและสื่อสารกับมนุษย์
จากอัตโนมัติระดับองค์กรสู่ AGI ชั้นสะท้อนกลับคือสิ่งที่ขาดหายไป
เมื่อมองในระดับระบบใหญ่ แนวคิดของ TypeSafe คือโลกอัตโนมัติขนาดใหญ่จะเป็นการสื่อสารระหว่างเครื่องกับเครื่องประมาณ 99 เปอร์เซ็นต์ ส่วนการโต้ตอบกับมนุษย์มีเพียง 1 เปอร์เซ็นต์เท่านั้น ในบริบทนี้ การมีชั้นการตัดสินใจที่เร็วและสอบเทียบได้สำคัญมาก เพราะมันคือจุดที่ระบบต้องตัดสินใจทันที เช่น ตรวจทุจริตตอนจ่ายเงิน กลั่นกรองคอมเมนต์บนไลฟ์ หรือจัดลำดับความสำคัญของ alert ในศูนย์ปฏิบัติการด้านความปลอดภัย สถาปัตยกรรมใดที่หวังจะไปถึงระดับปัญญาทั่วไปจึงต้องมี “ชั้นสะท้อนกลับ” สำหรับการตัดสินใจแบบ System 1 ไม่เช่นนั้นจะเหมือนศาสตราจารย์ที่ต้องเขียนเรียงความก่อนจะหลบรถเมล์ที่วิ่งมา Decision models ตอบโจทย์นี้โดยเปิดพื้นที่ใหม่ให้แยกส่วนของระบบที่ต้องการการคิดใช้เวลานาน ส่วนที่ต้องการการตัดสินใจเร็ว และส่วนที่ไม่ต้องทำอะไรเลย ความแม่นยำ AI สูงในบริบทนี้ไม่ได้หมายถึงไม่เคยผิด แต่หมายถึงการมีความน่าจะเป็นที่สอบเทียบข้ามกลุ่มการพยากรณ์ ช่วยให้ผู้พัฒนารู้ว่าควรเชื่อคำตอบแค่ไหนและเมื่อไรต้องส่งต่อให้โมเดลเหตุผลที่ช้ากว่า
จุดจบของโมเดลเดียวครอบจักรวาล และบทเรียนสำหรับองค์กร
การมาของโมเดลตัดสินใจ AI อย่าง Jev คือคำประกาศชัดเจนว่ายุคที่องค์กรหวังพึ่งโมเดลภาษาเดียวทำทุกงานกำลังจะสิ้นสุด เราเริ่มเห็นสถาปัตยกรรมที่แยกขั้นตอนสร้างภาษา การให้เหตุผล และการตัดสินใจแคบออกจากกัน โดยใช้โมเดลเฉพาะทางกับภาระงานที่ต่างกัน ขั้นตอนที่เกี่ยวข้องกับการสร้างภาษา เช่น การเขียนอีเมล การสรุปรายงาน หรือการอธิบายผลลัพธ์ยังเหมาะกับ LLM ในขณะที่การกำหนดเส้นทาง การให้คะแนน และการควบคุมทราฟฟิกเหตุการณ์เหมาะกับโมเดลตัดสินใจแบบ System One สำหรับผู้นำองค์กร สิ่งที่ควรถามวันนี้ไม่ใช่ “ใช้ LLM หรือไม่” แต่คือ “ส่วนไหนของเวิร์กโฟลว์ต้องการการตัดสินใจเร็ว ส่วนไหนต้องการเหตุผลลึก และส่วนไหนไม่ต้องใช้ AI เลย” ความก้าวหน้าถัดไปในประสิทธิภาพของเอเยนต์น่าจะมาจากการออกแบบแยกส่วนเหล่านี้อย่างตั้งใจ ไม่ใช่จากการฝังโมเดลใหญ่ลงทุกจุดของระบบ หากคุณมีการตัดสินใจในสายงานที่วันนี้ใช้กฎคร่าว ๆ เพราะเรียก LLM เต็มรูปแบบแล้วช้าหรือแพงเกินไป นี่คือเวลาที่ควรกลับไปดูใหม่และถามว่าโมเดลตัดสินใจแบบใหม่จะทำให้มันเร็วขึ้น ตรวจสอบได้ขึ้น และแม่นยำขึ้นหรือไม่ ในมุมมองของผู้เขียน การเคลื่อนจากโมเดลภาษาแบบครอบจักรวาลไปสู่สถาปัตยกรรมเฉพาะทางไม่ใช่ทางเลือกเสริม แต่เป็นข้อจำเป็นสำหรับระบบ AI ที่ต้องอยู่ในสายการผลิตจริง การยอมรับว่าไม่มีโมเดลใดทำได้ทุกอย่างดีเท่ากันคือก้าวแรกสู่ AI enterprise automation ที่น่าเชื่อถือและมีความแม่นยำ AI สูงอย่างแท้จริง
