หลายองค์กรที่ใช้ AI สำเร็จรูปอย่าง ChatGPT คงเจอสถานการณ์นี้: ตอบถูกบ้าง ผิดบ้าง ใช้ศัพท์เฉพาะของธุรกิจไม่เป็น และต้องส่งคำสั่ง Prompt ยาวเหยียดซ้ำ ๆ ทุกครั้งเพื่อให้ได้ผลลัพธ์แบบเดิม
ทางออกที่ธุรกิจไทยเริ่มหันมาใช้มากขึ้นคือ Fine-tuning คือการนำโมเดล AI ที่ฝึกมากับข้อมูลมหาศาลแล้ว มาฝึกต่อด้วยข้อมูลเฉพาะขององค์กรเราเอง เพื่อให้มันเป็น "ผู้เชี่ยวชาญเฉพาะด้าน" ของเราจริง ๆ บทความนี้จะเล่าให้เข้าใจง่ายว่า Fine-tuning คืออะไร ธุรกิจได้อะไรจริง และเริ่มต้นอย่างไรโดยไม่ต้องมีทีมวิจัย AI
Fine-tuning คืออะไร เปรียบเทียบให้เห็นภาพง่าย ๆ
ลองนึกภาพการจ้างพนักงานใหม่ที่เรียนจบดีมากแต่ยังไม่รู้กฎภายในบริษัท ไม่คุ้นเคยกับสินค้า ยังพูดกับลูกค้าไม่เป็นสไตล์แบรนด์ ทางเดียวที่จะให้เขาทำงานได้คือการอบรม แจกคู่มือ และยกตัวอย่างงานจริงให้ดู
Fine-tuning ก็คือการอบรมโมเดลแบบเดียวกัน เรานำข้อมูลของบริษัท เช่น บทสนทนาที่ดีกับลูกค้า เอกสารคู่มือ ตัวอย่างงาน ไปให้โมเดลเรียนซ้ำ ๆ จนจดจำความรู้และรูปแบบเฉพาะนี้ไว้ในตัว
ต่างจาก Prompt Engineering ตรงไหน
- Prompt Engineering เหมือนสั่งงานเป็นครั้ง ๆ ไป ต้องเขียนคำสั่งละเอียดทุกครั้ง ต้นทุนสูงเมื่อใช้บ่อย และผลลัพธ์ไม่เสถียร
- Fine-tuning เหมือนลงทุนอบรมครั้งเดียวใช้ได้ยาว ความรู้และสไตล์ฝังอยู่ในตัวโมเดล ใช้คำสั่งสั้น ๆ ก็ตอบได้ตรงแบบ
จริง ๆ ทั้งสองวิธีใช้ร่วมกันได้ และอีกรูปแบบที่นิยมคือ RAG (ให้โมเดลค้นข้อมูลจากคลังเอกสารก่อนตอบ) เหมาะกับข้อมูลที่อัปเดตบ่อย ส่วน Fine-tuning เหมาะกับน้ำเสียง สไตล์ และความรู้ที่ค่อนข้างคงที่
ธุรกิจใช้ Fine-tuning ทำอะไรได้จริง
1. แชทบอทบริการลูกค้าที่พูดภาษาคน
โมเดลทั่วไปตอบคำถามได้ แต่ตอบแบบวิชาการ การ Fine-tune ด้วยบทสนทนาที่ดีในอดีต ตั้งแต่ข้อความต้อนรับ วิธีอธิบายสินค้า ไปจนถึงขั้นตอนข้อร้องเรียน จะทำให้แชทบอทพูดเป็นธรรมชาติ รู้จักโปรโมชันและนโยบายของเราเองโดยไม่ต้อง Prompt ยาว ๆ
2. อ่านและสรุปเอกสารเฉพาะธุรกิจ
ธุรกิจที่ต้องอ่านสัญญา รายงาน หรือเอกสารขออนุมัติจำนวนมาก เช่น ประกัน อสังหาริมทรัพย์ โรงแรม สามารถ Fine-tune โมเดลให้สรุปเอกสารตามรูปแบบที่ต้องการ เช่น ระบุประเด็นเสี่ยงและกำหนดส่งมอบ เรียงเป็นตารางพร้อมใช้ ลดเวลาจากชั่วโมงเหลือเพียงนาที
3. ตรวจสอบคุณภาพสินค้าจากภาพ
ทั้งโมเดลข้อความและโมเดลภาพ Fine-tune ได้ เช่น โรงงานอาหารฝึกโมเดลให้จำแนกสินค้าที่ตำหนิจากกล้องหน้างาน แม่นยำกว่าและคุ้มกว่าการใช้คนตรวจด้วยตา
4. ลดต้นทุนการใช้ AI ระยะยาว
ฟังดูขัด แต่การส่ง Prompt ยาว ๆ ให้โมเดลใหญ่ทุกครั้งมีต้นทุนต่อคำสูงกว่าการใช้โมเดลเล็กที่ Fine-tune มาเฉพาะ ซึ่งตอบสั้น ตรง และถูกกว่า เหมาะกับงานซ้ำ ๆ หลายหมื่นครั้งต่อวัน
เริ่มต้นอย่างไรไม่ต้องมีทีมวิจัย AI
- เลือกโมเดลพื้นฐานให้เหมาะ เริ่มจากโมเดลขนาดกลางที่อยู่ในงบประมาณก่อน
- เตรียมข้อมูลเป็นคู่ตัวอย่าง จับคู่คำถาม-คำตอบที่อยากให้โมเดลตอบได้ เริ่มจาก 50-500 คู่ก็เห็นความต่างแล้ว
- ใช้เทคนิค LoRA ฝึกโดยปรับพารามิเตอร์ส่วนน้อย ประหยัดการ์ดจอและค่าใช้จ่ายลงหลายเท่า
- ประเมินด้วยข้อมูลที่โมเดลไม่เคยเห็น อย่าแค่เช็คว่าตอบได้ แต่เช็คว่าตอบผิดเรื่องสำคัญกับธุรกิจแค่ไหน
- ทดสอบวงเล็กก่อนปล่อยจริง ให้ทีมภายในใช้ก่อนเปิดให้ลูกค้า
ข้อควรระวังที่พลาดกันบ่อย
- ข้อมูลรั่วไหล อย่าใส่ข้อมูลลูกค้าเลขบัตรประชาชนลงในชุดฝึกจนกว่าจะจัดการความปลอดภัยได้
- โอเวอร์ฟิต ฝึกหนักเกินไปจนโมเดลจำได้แต่ตัวอย่าง ตอบคำถามอื่นไม่ได้ ต้องมีชุดทดสอบแยกเสมอ
- ลืมค่าใช้จ่ายต่อเนื่อง ยังมีค่าเซิร์ฟเวอร์ ค่าบำรุงรักษา และค่าอัปเดตข้อมูลเมื่อธุรกิจเปลี่ยน
อีกเรื่องที่มือใหม่พลาดบ่อย: งานเบื้องหลังของ AI
เมื่อ Fine-tune เสร็จ งานจริงที่เจอคือการประมวลผลครั้งละมาก ๆ เช่น สรุปเอกสาร 10,000 ฉบับ งานแบบนี้ไม่ควรให้หน้าเว็บรอตอบช้า จึงนิยมใช้ Celery วางงานลงคิวให้ worker ประมวลผลเบื้องหลัง แต่ข้อผิดพลาดที่พบบ่อยคือ
- แก้โค้ดแล้วไม่รีสตาร์ท worker ระบบยังรันโค้ดเวอร์ชันเก่า ต้อง restart ทุกครั้งหลัง deploy
- งานไม่ปลอดภัยต่อการทำงานซ้ำ ถ้าถูกเรียกซ้ำแล้วส่งอีเมลซ้ำลูกค้า ต้องออกแบบให้ idempotency ตั้งแต่แรก
- ไม่ตั้ง Retry และ Timeout เมื่องานล้มหรือค้าง ผลหายเงียบ ๆ โดยไม่มีใครรู้
- ไม่จำกัดงานในคิว ช่วงโปรโมชันมีงานเข้าเป็นแสน คิวล้น จนระบบทั้งระบบช้า
เรื่องนี้ดูเล็กน้อย แต่ถ้าเกิดกับระบบที่ผูกกับ AI ตลอดเวลา ผลกระทบใหญ่กว่าที่คิด
บทสรุป: ควรเริ่ม Fine-tuning เมื่อไหร่
ถ้าธุรกิจใช้ AI แล้วตอบไม่ตรงบริบท ใช้ศัพท์เฉพาะไม่ได้ อยากให้สไตล์การตอบเป็นแบบเดียวกันหมด Fine-tuning คือคำตอบ แต่ถ้าใช้ Prompt ปกติได้พอดีหรือข้อมูลเปลี่ยนบ่อย อาจเริ่มจาก RAG หรือปรับ Prompt ก่อนเพื่อให้คุ้มค่าการลงทุน
Fine-tuning คือการลงทุนด้านข้อมูลและการออกแบบระบบอย่างเป็นระบบ ตั้งแต่เก็บข้อมูล เตรียมชุดฝึก ไปจนถึงวางสถาปัตยกรรมให้โมเดลทำงานร่วมกับระบบเดิมได้มั่นคง ซึ่งเป็นจุดที่ทีมวิศวกรที่มีประสบการณ์ช่วยได้มาก
ถ้าธุรกิจสนใจนำ AI มาใช้จริง ตั้งแต่ Fine-tune โมเดลเฉพาะธุรกิจ ไปจนถึงวางระบบงานเบื้องหลังอย่าง Celery ให้เสถียร ทีมงาน pythonthailand.com (Para-Studio เชียงใหม่) รับพัฒนาเว็บไซต์ด้วย Python-Django และระบบ AI อัตโนมัติครบวงจร เริ่มจากปรึกษาปัญหาและความเป็นไปได้ได้ที่หน้า ติดต่อเรา
หากชอบบทความดีๆ โปรดติดตามพวกเราด้วยนะคะ 🙏
