จากแชทบอทถึงชั้นตัดสินใจ: โมเดล AI กำลังเปลี่ยนแกนกลางของตัวเอง

ยุคใหม่ของโมเดล AI ตัดสินใจ ทำไมการสร้างข้อความไม่ใช่พระเอกอีกต่อไป

โมเดล AI ตัดสินใจคือระบบปัญญาประดิษฐ์ที่อ่านอินพุตไม่เป็นโครงสร้างเหมือนโมเดลภาษา แต่ตอบกลับในรูปแบบคำตอบที่กำหนดประเภทไว้แล้ว พร้อมค่าความน่าจะเป็น และบริบทเพิ่มเติมเท่าที่จำเป็น โดยไม่สร้างข้อความอิสระ ทำให้ซอฟต์แวร์นำผลลัพธ์ไปใช้ตัดสินใจเชิงตรรกะหรือทางธุรกิจได้โดยตรง หากมองย้อนกลับไปไม่กี่ปี ภาพจำของ AI คือแชทบอทที่ตอบได้ทุกเรื่อง ตั้งแต่เขียนอีเมลจนถึงแต่งเรื่อง แต่ปัญหาใหญ่มากคืออาการหลอน หรือการแต่งข้อมูลขึ้นมาเองจนใช้ในงานซีเรียสไม่ได้ แนวคิด System One architecture และ Jev เข้ามาเปลี่ยนเกมด้วยการบอกว่า การตัดสินใจจำนวนมากในโลกโปรดักชันไม่ต้องการย่อหน้าไพเราะเลย ต้องการคำตอบสั้น ชัดเจน และตรวจสอบได้ แกนกลางของ AI จึงเริ่มขยับจากการสร้างสรรค์ข้อความไปเป็นการตัดสินใจแบบมีโครงสร้าง

System One architecture และ RLCD: เมื่อการคิดเร็วถูกออกแบบให้แม่นแทนที่จะหลอน

หัวใจของ System One architecture คือการแยกชั้นตัดสินใจที่เร็วและอัตโนมัติออกจากกระบวนการให้เหตุผลที่ช้าและใช้ทรัพยากรมาก คล้ายแนวคิด System 1 กับ System 2 ของ Kahneman แต่ถูกวิศวกรรมให้ลดข้อผิดพลาดลง โมเดลอย่าง Jev อ่าน state ซึ่งอาจเป็นอีเมล log หน้าจอเกม หรือ JSON จากนั้นรับชุดคำถามแบบ typed เช่น ใช่หรือไม่ หรือเลือกหนึ่งตัวเลือกจากรายการ และใช้ context ที่เป็น criteria เพื่อยิงคำตอบกลับมาเป็นค่าที่พิมพ์กำหนดไว้พร้อมความน่าจะเป็นในรอบเดียว สถาปัตยกรรมนี้ใช้ตัวสุ่มแบบขนานเพื่อให้ทุกคำถามถูกประเมินแยกกันบน state เดียว และปรับแต่งหลังการฝึกด้วย Reinforcement Learning for Calibrated Decisions ซึ่งให้รางวัลกับความน่าจะเป็นที่ซื่อสัตย์ ไม่ใช่ถ้อยคำสวยงาม นี่คือเหตุผลเชิงเทคนิคว่าทำไมโมเดล AI ตัดสินใจจึงตอบเร็วแบบระดับมิลลิวินาที แต่ยังให้ความมั่นใจที่นำไปแตกแขนงโค้ดได้อย่างน่าเชื่อถือ

จากแชทสู่การตัดสินใจในโปรดักชัน: เคส WhatsApp ที่ชี้ให้เห็นข้อจำกัดของ LLM

การเปลี่ยนจากโมเดลภาษาไปเป็น decision-making layer ไม่ใช่เรื่องทฤษฎี แต่เกิดขึ้นแล้วในระบบอย่างแพลตฟอร์ม WhatsApp สำหรับนักพัฒนา ที่ต้องตัดสินใจว่าเมื่อผู้ใช้ตอบกลับเข้ามา ข้อความนั้นเกี่ยวกับ alert ใด การตัดสินใจนี้กำหนดทุกอย่าง downstream ว่าจะส่งคอนเท็กซ์ไหนไปให้ webhook หรือ AI ที่จะเขียนคำตอบต่อ เดิมทีมีกฎง่ายๆ เช่น ถ้ามีหลาย alert ที่ค้างอยู่ ให้เลือกอันใหม่ล่าสุด แต่กฎนี้ไม่เคยอ่านเนื้อความของข้อความเลย ผลคือมีหลายกรณีที่ระบบลิงก์ไปยัง alert ผิด และทำให้ AI ตอบผิดคอนเท็กซ์ ผู้พัฒนาระบบจึงทดสอบคำถามแบบ “ข้อความนี้เกี่ยวกับ alert ใดในรายการ” ซึ่งเป็นโจทย์เลือกหนึ่งจากหลายตัวเลือก ด้วยการเปรียบเทียบ Jev กับ LLM ชั้นนำหลายตัว พบว่าเมื่อให้ตัวเลือก “ไม่มีข้อใด” ด้วย Jev ลิงก์ถูกต้องทั้งหมด 12 จาก 12 เคส ขณะที่กฎเดิมถูกเพียง 3 จาก 12 เคส และ LLM แบบแชทต้องใช้เวลามากกว่าและเสี่ยงประดิษฐ์หมวดหมู่ใหม่ที่โค้ดไม่ได้คาดไว้

จากการสร้างคอนเทนต์สู่ชั้นตัดสินใจ: ผลสะเทือนต่อ AI agents และงานโลกจริง

งานส่วนใหญ่ในระบบอัตโนมัติขนาดใหญ่ไม่ใช่การพูดคุยกับคน แต่เป็นการตัดสินใจเล็กๆ ระหว่างเครื่องกับเครื่องซ้ำไปมา ผู้สร้าง Jev เชื่อว่าการใช้งานส่วนใหญ่จะเป็น machine-to-machine ประมาณ 99% และ human interaction เพียง 1% พร้อมสโลแกนที่ชัดว่า “building prod, not God” นี่สะท้อนว่าแกนของ AI agents ในโปรดักชันกำลังย้ายจากหน้าต่างแชทไปสู่ decision-making layer ที่เหมือน if อัจฉริยะให้โค้ดเลือกกิ่งตาม judgment แทนการตีความสตริง ในวงการ AI agents ทุกเอเยนต์คือ loop ของการตัดสินใจเล็กๆ เช่น จะใช้เครื่องมือไหน เปิดไฟล์ใด เรียก sub-agent หรือพอแล้ว แต่วันนี้เราใช้ frontier LLM ใหญ่ๆ เขียนบทความทุกครั้งที่ต้องเลือกทางหนึ่งทาง ผลลัพธ์คือเวลาตอบต่อเคสอยู่ในระดับ 10 ถึง 86 วินาทีแม้ถูกใส่ในเวิร์กโฟลว์ที่ดีแล้ว ในขณะที่ Jev ใช้เพียงประมาณ 0.2 วินาทีต่อเคส ประโยคนี้ควรเป็นคำคมในห้องประชุมทีมเทคว่า “คุณไม่สามารถสร้างพระเจ้าถ้าไม่มีโปรดักชันรองรับ” เพราะสถาปัตยกรรมที่หวังไปถึง AGI จำเป็นต้องมีชั้นรีเฟล็กซ์นี้รองรับงานจริงก่อน

บทสรุป: ถ้าซอฟต์แวร์ของคุณยังพึ่งแชทบอทตัดสินใจ ถึงเวลาคิดใหม่แบบ System One

ภาพใหญ่ที่ควรเก็บกลับบ้านคือ การใช้ LLM แบบแชทให้ตัดสินใจเรื่องเล็กๆ ในโปรดักชัน เป็นการบังคับให้สมองแบบ System 2 ที่ช้าและแพงทำงานระดับรีเฟล็กซ์ทั้งวัน ทั้งที่หลายโจทย์ในโลกจริง เช่น การจัดหมวดหมู่อีเมล ตรวจว่างานเสร็จหรือยัง หรือเลือกปุ่มต่อขั้นตอน checkout เป็นงานที่มนุษย์ที่รู้เรื่องสามารถตัดสินใจได้ในไม่กี่วินาที นี่คือคำจำกัดความของ System One task และเป็นมาตรวัดที่เอกสารของผู้สร้าง Jev ตั้งไว้สำหรับโมเดลของตัวเอง เมื่อเรายอมปล่อยการสร้างข้อความออกจากแกนกลาง และสร้างชั้นโมเดล AI ตัดสินใจขึ้นมาคั่น เราได้คำตอบแบบ typed ที่มีการปรับความเชื่อมั่น ค่าความน่าจะเป็นที่โปร่งใส และเวลาในการตอบที่ต่ำระดับมิลลิวินาที โดยยังสามารถเรียก LLM มาทำ reasoning หรือสร้างข้อความเมื่อจำเป็นเท่านั้น สำหรับองค์กรที่มีเวิร์กโฟลว์ซับซ้อน ไม่ว่าจะเป็นการอนุมัติสินเชื่อ การบริหารห่วงโซ่อุปทาน หรือการควบคุมเครื่องจักร โมเดลตัดสินใจแบบ System One จึงไม่ใช่แค่ของเล่นใหม่ แต่เป็นโครงสร้างฐานที่จะทำให้ AI agents production ทำงานได้เร็วขึ้น น่าเชื่อถือขึ้น และตรวจสอบได้มากขึ้น