สวัสดีค่ะทุกท่าน 🙂 ผ่านไปครึ่งปีแล้วสำหรับปี 2026 นี้ ซึ่งเป็นปีที่ถือได้ว่ามีการก้าวกระโดดทางด้านเทคโนโลยีต่างๆ ที่รวดเร็วมากๆ ชนิดที่เรียกได้ว่าเป็นแบบวันต่อวัน โดยเสิ่งสำคัญที่เปลี่ยนไปมากคือพฤติกรรม และกลุ่มของผู้ใช้งานเทคโนโลยีอย่าง AI, AI concept, Generarive AI ที่เข้าถึง User แทบทุกกลุ่มไม่ว่าจะอยู่ช่วงอายุ หรืออาชีพใดก็ตาม
ในบทความนี้นิกเลยจะพาทุกท่านที่เป็น User ทุกกลุ่ม โดยเฉพาะอย่างยิ่งท่านใดก็ตามที่มีการใช้เทคโนโลยีเหล่านี้เป็นประจำ เช่น Content creater, Marketer, Researcher, etc. ไปทำความเข้าใจกับ 10 AI Concepts ที่เกี่ยวข้องกับการใช้งานให้เกิดประสิทธิภาพโดยตรง ซึ่งจากประสบการณ์ที่นิกได้ไปบรรยายในหลายๆ แห่งมา นี้คือ 10 แนวคิดพื้นฐานที่หลายท่านอยากให้มีคนอธิบายให้ฟังตั้งแต่วันแรกที่เริ่มศึกษาค่ะ 📙 📚
โดยนิกจะแบ่งออกเป็น 3 หัวข้อเพื่อให้เข้าใจง่ายยิ่งขึ้น ดังนี้
กลุ่มที่ 1: พื้นฐานของ AI (Basics)
กลุ่มที่ 2: ระบบ Transformer (ซึ่งถือเป็นหัวใจสำคัญของ AI ในปัจจุบัน)
กลุ่มที่ 3: โมเดลภาษาขนาดใหญ่ หรือ LLMs
กลุ่มที่ 1: พื้นฐานของ AI (Basics)
1. โครงข่ายประสาทเทียม: Neural Networks
Neual Networks หรือ NNs หรือโครงข่ายประสาทเทียมเป็นการคอนเซ็ปต์ที่อยู่เบื้องหลังการสร้าง (Training) AI หลายโมเดลด้วยกัน ซึ่ง NNs คือระบบของชั้นข้อมูลที่เชื่อมต่อกันด้วยหน่วยเล็กๆ ที่เรียกว่าเซลล์ประสาท (Neurons) เพื่อนๆ ลองจินตนาการนะคะว่าสิ่งนี้คือท่อส่งข้อมูล แล้วข้อมูลวิ่งเข้าทางชั้นรับเข้า (Input Layer) ผ่านชั้น Hidden Layers ซึ่งเป็นชั้นที่ถูกซ่อนเอาไว้ (เพราะเราจะเห็นแค่ Input กับ Output) หลายต่อหลายชั้น จนออกมาเป็นคำตอบที่ชั้นส่งออก (Output Layer) โดยแต่ละจุดเชื่อมต่อจะมีสิ่งที่เรียกว่าน้ำหนัก (Weights) หรือคะแนนความสำคัญ โดยการ Training AI ก็คือการปรับค่าตัวเลขเหล่านี้ซ้ำไปซ้ำมา (Optimization) จนกว่าโมเดลจะให้ผลลัพธ์ที่แม่นยำอยู่ในค่าที่เรายอมรับได้ในที่สุดค่ะ
ซึ่งในด้านการตลาด เชื่อว่าหลายท่านน่าจะคุ้นเคยกับการใช้ทำ Customer Segmentation โดย AI จะวิเคราะห์พฤติกรรมการซื้อ ข้อมูลประชากร และการคลิกชมเว็บไซต์ เพื่อแบ่งกลุ่มลูกค้าที่ มีโอกาสจะซื้อสินค้าชิ้นนี้มากที่สุด ออกมาจาก Database ของผู้บริโภคนั้นๆ ค่ะ
2. Transfer Learning หรือการเรียนรู้แบบถ่ายทอด
AI Concept ที่สองที่ทุกท่านควรทราบซึ่งเป็นเทคโนโลยีที่อยู่เบื้องหลังการสร้าง Generative AI ในยุคปัจจุบันคือารเรียนรู้แบบถ่ายทอด หรือ Transfer Learning ค่ะ
โดย Transfer Learning มาจากกรอบความคิดที่ว่า การสร้างโมเดลจากศูนย์ต้องใช้ข้อมูลมหาศาล และทรัพยากรในการประมวลผลสูงมาก การเรียนรู้แบบถ่ายทอดจึงเข้ามาเป็นเหมือน Game Changer ที่ปรับมุมมองใหม่ว่าแทนที่จะเริ่มจากศูนย์ เราก็นำโมเดลที่ผ่านการฝึกฝนเรื่องทั่วไปมาแล้วมาปรับจูนหรือทำ Fine-tune ใหม่ เพื่อใช้งานเฉพาะด้านได้ยิ่งขึ้น
เช่นการที่เราใช้โมเดลภาษา (LLMs) ที่ฉลาดอยู่แล้วมาเทรนเพิ่มด้วย Brand Voice&Tone เพื่อใช้เป็น Chatbot ตอบคำถามลูกค้า ซึ่งจะได้ AI ที่สื่อสารได้ตรงตามบุคลิกของแบรนด์โดยไม่ต้องเริ่มสร้างจากศูนย์ใหม่ค่ะ
citation: Chandeep Sharma, Transfer Learning and its application in Computer
3. Tokenization หรือการตัดคำ
เพื่อนๆ หลายท่านที่ใช้งาน Generative AI มาซักพักคงคุ้นเคยกับคำว่าเปลือง Token ซึ่งคำว่าโทเค็นนี่คือหน่วยย่อยพื้นฐานที่ AI ใช้ในการอ่านและประมวลผลข้อมูล เหมือนเราเอาอิฐบล็อกที่ประกอบกันเป็นประโยค โดยในขั้นตอนที่เรียกว่า Tokenization ระบบจะทำหน้าที่ตัดข้อความให้กลายเป็นหน่วยย่อยเหล่านี้ ซึ่งอาจเป็นได้ทั้งคำเต็ม บางส่วนของคำ หรือแม้แต่เครื่องหมายวรรคตอน เพื่อแปลงข้อความให้กลายเป็นชุดตัวเลขที่ AI สามารถทำความเข้าใจและตีความความหมายเชิงตรรกะได้ค่ะ
ซึ่งการที่ AI เลือกใช้ระบบ Token แทนการอ่านเป็นคำทั่วไปนั้น ช่วยให้โมเดลมีความยืดหยุ่นสูง และประมวลผลได้อย่างมีประสิทธิภาพมากขึ้น ช่วยให้ AI สามารถรับมือกับคำศัพท์ใหม่ๆ คำที่สะกดผิด หรือภาษาที่มีโครงสร้างซับซ้อนได้โดยไม่ต้องจดจำคลังคำศัพท์เยอะๆ อีกทั้งยังช่วยให้โมเดลบริหารจัดการพื้นที่หน่วยความจำ และขีดจำกัดในการประมวลผลได้อย่างแม่นยำและรวดเร็วยิ่งขึ้น
เช่นในการทำ Sentiment Analysis หรือวิเคราะห์อารมณ์ลูกค้าจากคอมเมนต์ในโซเชียลมีเดีย AI การตัดคำที่ลูกค้าพิมพ์ออกมาเพื่อวิเคราะห์ว่าข้อความนั้นเป็นเชิงบวกหรือลบต่อภาพลักษณ์แบรนด์ ช่วยให้เราได้รับข้อมูลที่ถูกต้องมากขึ้นค่ะ
4. การฝังตัวเลข (Embeddings)
เมื่อข้อความถูกย่อยเป็น Token แล้ว ขั้นตอนถัดไปคือการเปลี่ยน Token เหล่านั้นให้เป็นเวกเตอร์ (รายการตัวเลข) ที่สื่อถึงความหมาย วิธีนี้ช่วยให้ AI มองเห็นแผนที่ของคำ คำที่มีความหมายใกล้เคียงกัน เช่น ดินสอ กับ ปากกา จะถูกจัดวางให้อยู่ใกล้กันในพื้นที่มิติสูง ทำให้ AI เข้าใจความสัมพันธ์ของคำผ่านเรขาคณิต แทนที่จะใช้กฎเกณฑ์ทางภาษา
ซึ่งการทำ Embeddings มักพบว่าถูกใช้ในระบบ Recommendation System บนเว็บไซต์ E-commerce เมื่อลูกค้าค้นหาคำว่า “รองเท้าวิ่งสีสด” AI จะใช้ Embeddings ค้นหาสินค้าที่มีคุณสมบัติใกล้เคียงแม้คำในชื่อสินค้าจะไม่ตรงกันเป๊ะๆ ค่ะ^^
5. Attention หรือกลไกการใส่ใจ
คำหนึ่งคำอาจมีความหมายต่างกันตามบริบท เช่นคำว่า Apple ถ้าเป็นผลไม้หรือบริษัท AI จะรู้ได้จากคำแวดล้อมหรือกลไก Attention ที่ช่วยให้โมเดลมองเห็นทั้งประโยคพร้อมกัน และเลือกว่าควรให้น้ำหนักกับคำไหนมากที่สุด ทำให้ AI เข้าใจความเชื่อมโยงของทุกองค์ประกอบได้ดีขึ้นกว่าเดิม
เช่นการใช้ AI ช่วยเขียน Ad Copy หรือคำโฆษณาโดย AI จะวิเคราะห์ว่าคำใดในโฆษณาที่ดึงดูดใจลูกค้าที่สุด ตามบริบทของกลุ่มเป้าหมายนั้นๆ เพื่อเน้นจุดเด่นที่ลูกค้าสนใจจริงๆ ค่ะ
Transformer คือสถาปัตยกรรมที่รวมเอาทุกอย่างที่กล่าวมาเข้าไว้ด้วยกัน แทนที่จะประมวลผลทีละคำเหมือนโมเดลสมัยก่อน เป็น AI Concept ที่ทำให้สามารถประมวลผลข้อมูลพร้อมกันได้ทั้งหมด ได้รวดเร็วและขยายขนาดได้มากยิ่งขึ้น ซึ่งอยู่เบื้องหลัง Generative AI ของ GPT, Claude และ Gemini ในปัจจุบันค่ะ
ซึ่งในส่วนนี้มักจะอยู่ในรูปแบบของการทำ Content Personalization แบบเรียลไทม์ ซึ่ง AI สามารถอ่านอีเมลหรือข้อความที่ลูกค้าเคยพิมพ์มาทั้งหมด แล้วสรุปหรือสร้างเนื้อหาอีเมลใหม่ที่ตอบโจทย์เฉพาะเจาะจงรายบุคคลได้อย่างรวดเร็วนั่นเองค่ะ
กลุ่มที่ 3: โมเดลภาษาขนาดใหญ่ หรือ LLMs
7. โมเดลภาษาขนาดใหญ่ หรือ Large Language Model (LLM)
LLM คือ Transformer ที่ถูกฝึกฝนด้วยข้อมูลมากกก แบบ ก.ไก่ล้านตัวเลยค่ะ ซึ่งแหล่งที่มา มาจากทั้ง หนังสือ เว็บไซต์ และโค้ด โดยมีเป้าหมายคือการทายคำถัดไป ซึ่งเมื่อเราทำแบบนี้ซ้ำหลายล้านล้านครั้ง โมเดลจึงเริ่มเข้าใจโครงสร้างภาษา และรูปแบบการใช้เหตุผลโดยอัตโนมัติ
ซึ่งเราน่าจะคุ้นเคยกันดีในการใช้ Generative AI เช่น ChatGPT, Gemini หรืออื่นๆ ในบริบทของ Content Generation เช่น การสร้างบทความบล็อกโพสต์, สคริปต์วิดีโอ TikTok, หรือการวางแผนคอนเทนต์ปฏิทินรายเดือนที่สอดคล้องกับเทรนด์ตลาด เป็นต้นค่ะ
L arge L anguage M odels ที่มีชื่อเล่นสั้นๆ ว่า LLMs เป็นโมเดล baesd-on โครงสร้างแบบ Nueral network ที่มีองค์ประกอบสำคัญชื่อว่า “Transformer” โดยตัว Transformer เนี่ยเป็นเทคนิคที่ถูกพัฒนาขึ้นมาโดย Google ในปี 2017 เพื่อใช้ในการแปลความหมายของข้อความจากฝั่ง Source ไปเป็นข้อความในฝั่ง Target ผ่านโมเดล 2 โมเดลคือ Encoder และ Decoder — ปณยา สุดตา (Panaya Sudta) — การตลาดวันละตอน
8. Context Window หรือหน้าต่างบริบท
คือข้อจำกัดของความจำระยะสั้น หรือพื้นที่ความจำระยะสั้น ซึ่งคือปริมาณสูงสุดที่ AI สามารถประมวลผลและจดจำ หรือ AI นั้นๆ สามารถอ่านข้อความได้ยาวเท่าใดในการโต้ตอบหนึ่งครั้ง ซึ่งยิ่งหน้าต่างนี้กว้างเท่าไหร่ โมเดลก็ยิ่งอ่านเอกสารได้ยาวและจดจำเนื้อหาในบทสนทนาได้ดีขึ้นเท่านั้นค่ะ
โดยเฉพาะอย่างยิ่งในงานบริการลูกค้า การมี Context Window ใหญ่ทำให้ AI สามารถอ่านประวัติการสนทนาทั้งหมดตั้งแต่เดือนที่แล้ว เพื่อช่วยแก้ปัญหาที่ค้างคาให้ลูกค้าได้โดยไม่ต้องให้ลูกค้าเล่าใหม่ตั้งแต่ต้น
9. Temperature
Temperature คือตัวแปรที่ใช้ควบคุมการสุ่ม หรือความสร้างสรรค์ในการตอบคำถามของ AI โดยปรับผ่านค่าตัวเลขดังนี้ค่ะ
ค่าต่ำ (ใกล้ 0): AI จะเลือกคำที่น่าจะเป็นไปได้มากที่สุดเสมอ คำตอบจึงมีความแม่นยำ ตรงไปตรงมา และเชื่อถือได้ เหมาะสำหรับงานวิชาการ หรืองานที่ต้องการความถูกต้องสูงค่าสูง (ใกล้ 1): AI จะกล้าเลือกคำที่แปลกใหม่และหลากหลายมากขึ้น คำตอบจึงดูมีความคิดสร้างสรรค์และลื่นไหล เหมาะสำหรับงานเขียนนิยาย การระดมสมอง หรือการสร้างคอนเทนต์ที่ต้องการไอเดียใหม่ๆ
สรุปง่ายๆ สำหรับตอนที่เราจะนำไปตั้งค่าคือ ค่าต่ำเน้นความถูกต้องแม่นยำ ส่วน ค่าสูงเน้นความสร้างสรรค์และหลากหลาย นั่นเองค่ะ^^
ซึ่งเราจะใช้กำหนดบุคลิกของ AI ในการทำ Social Media Engagement ถ้าเป็นแบรนด์ทางการอาจใช้ค่า Temperature ต่ำเพื่อให้คำตอบมีความเป็นมืออาชีพ แต่ถ้าเป็นแบรนด์วัยรุ่นอาจใช้ค่าสูงเพื่อให้ AI ตอบโต้ได้อย่างสนุกสนานและเป็นกันเอง
10. อาการหลอนของ AI หรือ AI Hallucination
เนื่องจาก AI ถูกออกแบบมาให้ทายคำที่น่าจะเป็นไปได้มากที่สุดตามรูปแบบที่เคยเรียนรู้มา บางครั้งจาก AI Concept นี้จึงอาจสร้างข้อมูลที่ฟังดูน่าเชื่อถือขึ้นมาเองโดยไม่มีมูลความจริง สิ่งนี้เรียกว่าอาการหลอน ซึ่งย้ำเตือนว่าเราต้องตรวจสอบข้อเท็จจริงจาก AI เสมอ
โดยเฉพาะอย่างยิ่งในการใช้ AI สร้าง Product Description หรือคำบรรยายสินค้า ซึ่งแบรนด์ต้องมีการตรวจสอบเสมอว่า AI ไม่ได้หลอนไปแต่งสเปกสินค้าที่ไม่มีจริง เพื่อป้องกันปัญหาทางกฎหมายหรือความน่าเชื่อถือของแบรนด์ค่ะ 🧐
Last but not Least,,
สรุปว่า….ในบทความนี้เพื่อนๆ ชาวการตลาดวันละตอนเข้าใจภาพรวมของ AI ว่าเริ่มต้นจากโครงสร้าง Neural Networks ที่ประมวลผลผ่าน Transfer Learning โดยอาศัยกระบวนการ Tokenization ย่อยข้อความเป็นหน่วยเล็กๆ แล้วแปลงเป็น Embeddings เพื่อให้โมเดลประมวลผลความหมายผ่านกลไก Attention ภายในสถาปัตยกรรม Transformer จนกลายเป็น LLM ซึ่งผู้ใช้สามารถควบคุมประสิทธิภาพได้ผ่าน Context Window ที่กำหนดขอบเขตความจำ และปรับ Temperature เพื่อเลือกสไตล์ระหว่างความแม่นยำหรือความสร้างสรรค์ แต่ในขณะเดียวกันก็ต้องเฝ้าระวังการ Hallucination ที่ AI อาจสร้างข้อมูลเท็จขึ้นมาเอง ดังนั้นการใช้งาน AI ให้เกิดประโยชน์สูงสุดจึงต้องอาศัยทั้งเทคนิคการสั่งงานที่เหมาะสมและการตรวจสอบข้อเท็จจริงโดย Domain Expert หรือเจ้าของข้อมูลนะคะ╰(°▽° )╯
