LLM คืออะไร? อธิบาย Large Language Model อย่างเข้าใจง่าย

LLM หรือ large language model คือ AI ประเภทหนึ่งที่ฝึกด้วยข้อความจำนวนมหาศาลเพื่อให้เข้าใจและสร้างภาษาได้ เมื่อได้รับข้อความ มันทำนายว่าควรมาอะไรต่อไป ทีละชิ้นเล็กๆ และความสามารถง่ายๆ นี้เพียงพอสำหรับการตอบคำถาม การเขียน การสรุป การแปล และการเขียนโค้ด โมเดลเบื้องหลัง ChatGPT, Claude และ Gemini ล้วนเป็น LLM

ทำไมมันจึงสำคัญเมื่อคุณสร้างด้วย AI

หากคุณสร้างด้วย AI app builder คุณกำลังทำงานกับ LLM สองทาง ครั้งแรก LLM เป็นผู้สร้างแอป มันอ่านคำขอของคุณ วางแผนการเปลี่ยนแปลง และเขียนโค้ด ครั้งที่สอง คุณอาจต้องการ LLM อยู่ข้างในแอป เช่น แชทบอต ปุ่มสรุป หรือผู้ช่วยเขียน

ความเข้าใจพื้นฐานช่วยได้ในทั้งสองกรณี มันอธิบายว่าทำไม AI บางครั้งเข้าใจคำขอที่คลุมเครือผิด ทำไมมันจึงสร้างสิ่งที่ผิดได้อย่างมั่นใจ ทำไมการสนทนาที่ยาวอาจทำให้มันลืมรายละเอียดก่อนหน้า และทำไมการเพิ่มฟีเจอร์ AI ในแอปจึงมีค่าใช้จ่ายต่อการใช้งาน คุณไม่จำเป็นต้องใช้คณิตศาสตร์ เพียงแค่มีแบบจำลองความคิดที่ถูกต้อง

ตัวอย่างในชีวิตประจำวัน

ลองนึกถึงคนที่อ่านห้องสมุดขนาดมหาศาล ทั้งหนังสือ เว็บไซต์ คู่มือ โค้ด และฟอรัม และเก่งมากในการเขียนต่อจากข้อความใดๆ ให้เข้ากับบริบท ให้ประโยคเปิดอีเมลแก่เขา เขาจะเขียนจบในน้ำเสียงของคุณ ถามคำถามแล้วเขาจะเขียนคำตอบแบบที่มักตามหลังคำถามประเภทนั้น

แต่เขาไม่มีโน้ตให้ตรวจ และห้องสมุดปิดไปแล้วตั้งแต่วันหนึ่ง เขากำลังนึกถึงรูปแบบ ไม่ได้เปิดหาข้อมูล ส่วนใหญ่รูปแบบเหล่านั้นถูกต้อง บางครั้งเขาเติมช่องว่างด้วยสิ่งที่ ฟังดู ถูกต้อง ด้วยความมั่นใจเท่ากัน

นั่นคือ LLM: นักเขียนที่อ่านมามากและลื่นไหลมาก มีความจำที่ไม่สมบูรณ์ และไม่มีตัวตรวจสอบข้อเท็จจริงในตัว

LLM ทำงานอย่างไร ในภาษาที่เข้าใจง่าย

1. การฝึก โมเดลได้เห็นข้อความจำนวนมหาศาลและเรียนรู้ โดยปรับตัวเลขภายในนับพันล้านตัว (พารามิเตอร์) ของมัน เพื่อทำนายข้อความถัดไป สถาปัตยกรรมที่ LLM ส่วนใหญ่ใช้เรียกว่า transformer ซึ่งนักวิจัยของ Google แนะนำในปี 2017
2. การปรับแต่ง โมเดลดิบถูกปรับให้ทำตามคำสั่ง รักษาการสนทนา และหลีกเลี่ยงเนื้อหาที่เป็นอันตราย มักใช้ฟีดแบ็กจากมนุษย์
3. การใช้งาน (inference) เมื่อคุณส่งพรอมต์ โมเดลอ่านมันแล้วสร้างคำตอบทีละ โทเค็น โดยเลือกโทเค็นถัดไปที่น่าจะเป็นที่สุดจากทุกอย่างที่มาก่อนหน้า

มันไม่มีฐานข้อมูลข้อเท็จจริงอยู่ข้างใน และไม่ได้เรียนรู้จากแชทของคุณต่อ สิ่งที่มัน "รู้" ในการสนทนาคือสิ่งที่มาจากการฝึกหรือสิ่งที่อยู่ตรงหน้าในขณะนั้น ซึ่งก็คือ context window ของมัน

ตัวอย่างประกอบ: การตอบกลับลูกค้า

สมมติว่าคุณมีร้านต้นไม้ออนไลน์ และคุณวางข้อความนี้ลงใน LLM:

ลูกค้าเขียนว่า: "ออเดอร์ #4412 ของฉันมาถึงพร้อมกระถางแตก คุณช่วยอะไรได้บ้าง" นโยบายของเรา: เราเปลี่ยนสินค้าที่เสียหายให้ฟรีภายใน 14 วันหากลูกค้าส่งรูปมา เขียนคำตอบที่เป็นมิตร

สิ่งที่เกิดขึ้นคือ:

• ข้อความถูกแบ่งเป็นโทเค็น ประมาณหนึ่งร้อยโทเค็น
• โมเดลอ่านทั้งหมด: ข้อความของลูกค้า นโยบายของคุณ และคำสั่งของคุณ
• มันสร้างคำตอบทีละโทเค็น: "สวัสดีค่ะ! ขออภัยมากที่กระถางมาถึงแตก…" และขอรูปพร้อมกล่าวถึงการเปลี่ยนให้ฟรี

ทีนี้ลองขอเรื่องเดียวกันโดย ไม่มี นโยบาย โมเดลก็ยังเขียนคำตอบที่มั่นใจและเป็นมิตร แต่อาจสัญญาว่าจะคืนเงิน หรือระยะเวลา 30 วัน เพราะนั่นเป็นรูปแบบที่พบบ่อยในอีเมลฝ่ายสนับสนุนที่มันเคยเห็น นี่คือ hallucination และแสดงบทเรียนที่ใช้ได้จริงที่สุดเกี่ยวกับ LLM: มันแม่นยำเท่ากับข้อมูลที่คุณให้เท่านั้น แอปที่ต้องการคำตอบที่เชื่อถือได้จะป้อนเนื้อหาต้นฉบับที่ถูกต้องให้โมเดลทุกครั้ง เทคนิคนี้เรียกว่า RAG

คำศัพท์สำคัญ

ความผิดพลาดและความเข้าใจผิดที่พบบ่อย

• "มันค้นหาข้อมูล" LLM ธรรมดาไม่ได้ทำ บางแอปเพิ่มการค้นหาเว็บหรือการดึงเอกสาร แต่ตัวโมเดลเองกำลังสร้างจากรูปแบบ
• "ถ้าฟังดูมั่นใจ แปลว่าถูก" ความมั่นใจกับความแม่นยำไม่เกี่ยวข้องกัน ตรวจชื่อ ตัวเลข วันที่ ราคา และทุกอย่างที่เกี่ยวกับกฎหมายหรือการแพทย์
• "มันจำทุกอย่างที่ฉันพูดได้" จำได้เฉพาะสิ่งที่อยู่ใน context window ในการสนทนาที่ยาวมาก รายละเอียดช่วงต้นอาจหายไปหรือได้รับความสนใจน้อยลง ให้ระบุสิ่งสำคัญซ้ำ
• "มันคิดเหมือนคน" มันให้เหตุผลกับปัญหาได้น่าประทับใจ แต่ไม่มีเป้าหมาย ความเชื่อ หรือการรับรู้ถึงผลที่ตามมา ให้ถือ output เป็นฉบับร่างที่ต้องตรวจทาน
• "ใหญ่กว่าหรือใหม่กว่าดีกว่าเสมอ" สำหรับงานง่ายและปริมาณสูง โมเดลที่เล็กกว่า ถูกกว่า และเร็วกว่ามักเป็นตัวเลือกที่ถูกต้อง
• ส่งข้อมูลส่วนตัวโดยไม่ตรวจสอบ ก่อนวางข้อมูลลูกค้าลงในบริการ AI ใดๆ หรือฝังลงในแอป ให้ตรวจข้อกำหนดการใช้และการเก็บข้อมูลของผู้ให้บริการ

สิ่งที่ควรขอจาก AI builder ของคุณ

เมื่อ LLM กำลังสร้างแอปของคุณ:

• "ก่อนเปลี่ยนแปลงอะไร บอกฉันว่าคุณเข้าใจอะไรและจะทำอะไร"
• "นี่คือข้อความนโยบายจริง ให้ใช้คำต่อคำ ไม่ต้องประดิษฐ์รายละเอียดขึ้นมาเอง"
• "อย่าเดาข้อเท็จจริงอย่างราคาหรือวันที่ ให้ใส่ placeholder และแสดงรายการให้ฉัน"

เมื่อคุณต้องการ LLM อยู่ในแอป:

• "เพิ่มปุ่ม [สรุป] ที่เรียก API ของ [ผู้ให้บริการ] จากเซิร์ฟเวอร์ เก็บ API key ไว้เป็น secret ห้ามอยู่ในเบราว์เซอร์"
• "ใส่นโยบายของเราในพรอมต์เพื่อให้คำตอบยึดตามนั้น และให้ตอบว่า 'ไม่ทราบ' เมื่อไม่แน่ใจ"
• "จำกัดความยาวของคำตอบ และจำกัดจำนวนคำขอต่อผู้ใช้ต่อวัน"
• "บันทึกค่าใช้จ่ายของแต่ละคำขอ เพื่อให้ฉันเห็นการใช้งาน"

สำหรับคำแนะนำทีละขั้นตอน ดู วิธีเพิ่มฟีเจอร์ AI ในแอปของคุณ

LLM กับ Mythex

เอเจนต์สร้างของ Mythex ทำงานบน LLM ทุกคนได้เอเจนต์ Standard แบบเดียวกัน ไม่มีตัวเลือกโมเดล และการสร้างใช้เครดิตของ Mythex ฟีเจอร์ AI ภายในแอปที่คุณสร้างแยกต่างหาก คุณนำ API key ของคุณเองจากผู้ให้บริการอย่าง OpenAI หรือ Anthropic มาเก็บเป็น secret ของโปรเจกต์ และผู้ให้บริการจะเรียกเก็บค่าใช้จ่ายการใช้งานนั้นโดยตรง สูตร เพิ่ม AI ในแอปของคุณ ในเอกสารแสดงพรอมต์ที่ควรใช้

คำถาม