EP 2: Collaborative Intelligence

A non-technical introduction to Artificial Intelligence (AI) and Machine Learning (ML) for technical people. This series of contents aims to equip technical staff with the necessary skills to leverage AI for enhanced business performance and innovation. 

AI-generated image from freepik.com

จาก EP ที่แล้ว เราได้ทำความรู้จัก AI กันมากขึ้น ความสัมพันธ์ระหว่าง AI และ Machine Learning ซึ่งเป็นเสมือนเครื่องยนต์ขับเคลื่อน AI และในท่ามกลางยุคสมัยที่ใครๆ ต่างก็ตื่นเต้นกับ ChatGPT หรือ Generative AI ซึ่งคงต้องยอมรับว่า ChatGPT เป็นปรากฏการณ์ที่ทำให้ AI กลายเป็นเรื่องใกล้ตัว เข้าถึงได้ง่ายขึ้น 

ในขณะที่เรากำลังตื่นตาตื่นใจกับความสามารถของ ChatGPT 4o ที่ช่างเจรจา แถมเก่งขึ้นกว่า ChatGPT รุ่นก่อนได้เร็วกว่าตัวเอกในนิยายกำลังภายในซะอีก เราเริ่มเห็นการประยุกต์ใช้ AI ในด้านต่างๆ ทำให้คอมพิวเตอร์โต้ตอบกับมนุษย์อย่างเป็นธรรมชาติ มีเหตุมีผล สามารถแก้โจทย์ปัญหาซับซ้อนได้ โดยใน EP นี้เราจะไม่พูดถึง Generative AI หรือ ChatGPT เป็นการเฉพาะ แต่เราจะมาดูกันว่า เบื้องหลังอัลกอริธีมที่ซับซ้อนพวกนี้ มีเคล็บลับอะไรซ่อนอยู่กันแน่

EP ที่แล้ว เราได้แนะนำแนวคิดพื้นฐานของ AI เรื่อง Agent กับ Environment โดยนิยามคุณลักษณะสำคัญของ Agent คือ การเรียนรู้ รับรู้ และการมีปฏิสัมพันธ์ กับสภาพแวดล้อมภายนอก ซึ่งลำพังแค่ Machine Learning ซึ่งอยู่เบื้องหลังความมีเหตุผลของ AI แต่เพียงเท่านี้ยังไม่เพียงพอให้ AI เอาชนะความท้าทายในสภาวะการใช้งานจริงได้ ดังนั้นเพื่อให้ AI Agent มีความยืดหย่น สามารถ วิเคราะห์ และแก้ปัญหาได้ด้วยตนเอง จึงเกิดแนวคิดในการนำเทคนิคต่างๆ เช้ามาใช้งานร่วมกัน เป็นการเพิ่มความสามารถของ AI ในการแก้ปัญหาที่มีความซับซ้อน และได้ผลลัพธ์ที่ดีขึ้น 

ใน EP นี้เราจะมาทำความรู้จักกับ แนวคิดอันน่าพิศวงของ Agentic AI ซึ่งกำลังเป็น talk of the town ในแวดวง AI กัน

1. Agentic Design 

ก่อนอื่นเรามาย้อนดูกันว่า มนุษย์เราทำอย่างไรหากต้องเผชิญกับปัญหา หลายคนเลือกใช้เทคนิคต่างๆ ตามที่เคยเรียนรู้กันมา เช่น ย่อยแบ่งปัญหาออกเป็นส่วนๆ ตั้งคำถามสืบหาที่มาที่ไป เลือกวิธีการแก้ไข ตรวจสอบและประเมินผล และปรับปรุงวิธีการ ทำเป็นขั้นตอนแบบนี้ซ้ำไปจนกว่าจะแก้ไขปัญหาได้ลุล่วง ซึ่งเรานำวิธีการเหล่านี้ มาประยุกต์ใช้กับ AI เพื่อเลียนแบบกระบวนการแก้ปัญหาของมนุษย์เช่นกัน Agentic AI  หรือ AI ที่สามารถทำภาระกิจให้สำเร็จลุล่วงได้ด้วยตัวเอง จึงเป็นแนวทางในการพัฒนา AI เพื่อให้สามารถ วางลำดับขั้นตอน เลือกใช้เครื่องมือ ตรวจสอบผลลัพธ์ เรียนรู้จากความผิดพลาดเพื่อปรับแก้วิธีการ ทำวนซ้ำไปเรื่อยๆ จนปัญหาถูกแก้ไข หรือได้ผลลัพธ์ที่ดีขึ้น แน่นอนสำหรับมนุษย์เรา การทำงานร่วมกัน แบ่งปันความรู้ ทักษะและประสบการณ์ ช่วยให้เราเอาชนะอุปสรรคที่ท้าทายได้ AI ก็ทำงานเป็นทีมได้เช่นกัน จากความคิดของคุณ Andrew Ng นั้น Agentic Design มีลักษณะสำคัญเหล่านี้

1.1. วางขั้นตอน (Planning) [1]: เราเริ่มต้นจากการให้ AI สามารถวางขั้นตอนการทำงานหรือแก้ปัญหาได้ด้วยตัวเอง หนึ่งในเทคนิคที่เรียกว่า ห่วงโซ่ความคิด หรือ Chain-of-Thought (CoT) ซึ่งเป็น การ"คิด"เพื่อแบ่งงานออกเป็นขั้นตอนย่อยๆ เรียงตามลำดับ (reasoning step) เพื่อนำไปสู่เป้าหมายสุดท้าย เป็นเทคนิคที่เพิ่มประสิทธิภาพของ AI ในการแก้ปัญหาที่ซับซ้อน ทำให้ AI สามารถคิดแก้ปัญหาได้โดยตนเอง โดยที่มนุษย์ไม่ต้องโปรแกรมรูปแบบของปัญหาและวิธีแก้ไขไว้ล่วงหน้า อีกทั้งยังมีประโยชน์ในด้าน การอธิบายได้ของ AI (explainable AI) ช่วยให้เรารู้ว่า AI "คิดอะไร" เลือกทำอะไร และเพราะอะไร ในการทำงานนั้น AI จะทำความเข้าใจบริบทของคำถาม แจกแจงภาระกิจ (task) ไปจนการเลือกวิธีการและเครื่องมือที่ต้องใช้ ซึ่งนำเราไปสู่กระบวนการต่อไป

Chain of Thought: ความสามารถในการวางแผน การแยกย่อยชิ้นงาน และเลือกใช้เครื่องมือ 

1.2. เลือกเครื่องมือ (Tool Use) [2]: ปัจจุบัน AI ยังทำงานเฉพาะกิจกรรมในขอบเขตจำกัด (Narrow Artificial Intelligence) การเพิ่มขอบเขตให้ AI สามารถรับรู้ (perception) และกระทำ (action) กับสิ่งแวดล้อมภายนอก (environment) ได้นั้น ต้องเพิ่มเครื่องมือ (tool) ให้ AI สามารถเลือกใช้ได้ เช่น เครื่องคิดเลข, web search, code execution, object detection เป็นต้น ซึ่งเมื่อได้วางขั้นตอนและแยกย่อยภาระงานออกมาเป็นส่วนๆ แล้ว AI จะเลือกใช้เครื่องมือที่เหมาะสมสำหรับแต่ละภาระกิจ (task) และ AI จะรวบรวมผลลัพธ์จากขั้นตอนต่างๆที่ได้ดำเดินการไป ซึ่งมีได้ทั้งสำเร็จและผิดพลาด และเข้าสู่กระบวนการถัดไป

การเลือกใช้เครื่องมือสำหรับ AI เพื่อใช้แก้ปัญหาต่างๆ

1.3. ทบทวนไตร่ตรอง (Reflection/Self-Refine)[3][4]: AI จะรวบรวมข้อมูลและผลลัพธ์ที่ได้จากขั้นตอนต่างๆ แล้วนำมาประมวลผล ทบทวนเพื่อนำไปปรับแก้ แล้วพยายามแก้ปัญหาครั้งต่อไป โดยกลับไปขึ้นตอนการวางแผนหรือเลือกเครื่องมือที่เหมาะสม เรียนรู้จากข้อผิดพลาดด้วยตนเองโดยการประเมินผลและปรับแก้จะดำเนินต่อเนื่องซ้ำๆ จนได้ผลลัพธ์ดีขึ้น ซึ่งในทางปฏิบัติ เรามักจำกัดจำนวนรอบที่ให้ AI ทำงาน เพื่อไม่ให้ AI จอมขยันหมกมุ่นทำงานไปเรื่อยๆ 

ด้วยการทบทวนไตร่ตรอง ช่วยให้ AI สามารถตรวจสอบและแก้ไขการทำงานของตนเองทำให้ได้งานมีคุณภาพสูงขึ้น

1.4. ทำงานร่วมกัน  (Multi-agent Collaboration)[5]: สำหรับมนุษย์เรานั้น แต่ละคนมีความรู้ ความสามารถเฉพาะตน ดังนั้นเพื่อให้เราสามารถทำงานใหญ่ที่ซับซ้อน เราจึงทำงานร่วมกันเป็นทีม จึงนำมาสู่แนวคิดที่ให้ AI ทำงานร่วมกัน แบ่งบทบาทหน้าที่ ข้อมูล ช่วยตรวจสอบปรับปรุงแก้ไขข้อผิดพลาด เพื่อให้สามารถทำงานที่ซับซ้อน และปรับปรุงผลลัพธ์ให้ดีขึ้น ผลลัพธ์จาก AI Agent ตัวหนึ่ง เป็นข้อมูลให้ AI อีกตัวหนึ่ง หรือมากกว่า เหมือนกับที่เราแบ่งบทบาทหน้าที่ต่างๆ ในทีม ซึ่งต้องทำงานประสานสอดคล้องกัน มีคนที่ สรุปเนื้องาน ตรวจสอบ ให้คำแนะนำ ปรับแก้ให้ได้ผลงาน ของทีมมีคุณภาพสูงขึ้น

การใช้ AI agents ทำงานร่วมกันช่วยให้ AI สามารถทำงานที่ซับซ้อนได้

จากผลงานวิจัยหลายทีมงานพบว่าการออกแบบกระบวนการในลักษณะ Agentic นั้นช่วยเพิ่มประสิทธิภาพการทำงานของ AI อย่างมีนัยยะสำคัญ การทำงานร่วมกันในลักษณะที่เป็น work flow ทำให้ได้ผลลัพธ์ที่ดี เมื่อนำมาใช้กับ Generative AI ทำให้ model ที่เก่าและราคาถูกกว่า ก็สามารถทำผลลัพธ์ได้ดีเยี่ยมเปรียบเทียบกับผลของโมเดลที่ใหม่และค่าใช้จ่ายสูงกว่าได้  

2. Agentic Design Advantage

แนวคิดของ Agentic AI ช่วยเพิ่มทั้งประสิทธิภาพและให้ผลลัพธ์ที่ดีขึ้นอย่างมีนัยสำคัญ เราอาจสรุปประโยชน์ที่สำคัญๆ ได้ดังนี้

2.1. เพิ่มความสามารถในการแก้ปัญหา (Enhanced Problem-Solving) [6]: 

การให้ AI ทำงานโดยร่วมมือกัน เทคนิคในการวางแผน แยกย่อยปัญหาออกเป็นส่วนๆ ประเมินผล และปรับปรุงการแก้ปัญหาในแต่ละรอบนั้น ช่วยให้ AI สามารถเอาชนะปัญหาที่มีความหลากหลาย ซับซ้อน หรือปัญหาปลายเปิดได้ดีขึ้น สามารถปรับปรุงแก้ไข เพิ่มประสิทธิภาพในการแก้ปัญหา ซึ่ง traditional AI มักไม่สามารถจัดการกับปัญหาที่ซับซ้อนเหล่านี้

จากกรณีศึกษาของคณะทำงานของคุณ Andrew Ng โดยวัดเทียบประสิทธิภาพการทำงานของ Generative AI ระหว่างการทำงานแบบ zero-shot กับ Agentic Workflow พบกว่า GPT-3.5 ทำผลงานได้ถูกต้อง 48.1% ส่วน GPT-4 ทำได้ถูกต้อง 67.0% แต่การใช้ GPT-3.5 ร่วมกันแบบ Agentic Workflow นั้นถูกต้องถึง 95.1% [6]

2.2. ปรับปรุงแก้ไขได้ด้วยตัวเอง (Iterative Improvement):

การตรวจสอบผลลัพธ์ ทำให้เกิดการเรียนรู้และ ปรับปรุงการทำงานได้ด้วยตัวเอง เพื่อให้ได้ผลลัพธ์ที่ดีและคุณภาพสูงขึ้น เป็นการทำให้ AI เป็นการเพิ่มศักยภาพในการรับรู้ เรียนรู้ และปรับตัวเข้ากับข้อมูลและปัญหาใหม่ๆ ได้ดี หรือกระบวนการที่เราเรียกว่า Continuous Improvement and Learning ซึ่งแตกต่างจาก Traditional AI ซึ่งตอบคำถามเป็นครั้งๆ และไม่มีขั้นตอนการปรับปรุงผลลัพธ์ 

2.3. มีความยืดหยุ่นและปรับตัวกับสภาพแวดล้อมที่เปลี่ยนไปได้ (Autonomy, Flexibility and Real-time Adaptation): 

การวางเป้าหมาย เลือกใช้เครื่องมือ และเปิดรับข้อมูลใหม่เพิ่มเติม รวมถึงปรับปรุงจาก feedback ของการทำงานครั้งก่อนหน้า ทำให้ AI มีความยืดหยุ่น แก้ปัญหาที่หลากหลาย รวมถึงปรับเปลี่ยนวิธีการที่เหมาะสมได้ด้วยตัวเอง เป็นคุณสมบัติที่ช่วยให้ AI สามารถปรับตัวเข้ากับสภาพแวดล้อมที่เปลี่ยนไปได้ แตกต่างจาก Traditional AI ซึ่งมักจะแก้ปัญหาได้เฉพาะเรื่อง ด้วยข้อมูลที่มีอยู่ และต้องใช้มนุษย์เข้าไปช่วยปรับเปลี่ยนในบางจุด ดูๆ ไปแล้ว นี่เป็นส่วนหนึ่งของกระบวนการวิวัฒนาการเลยนะ

จะเห็นว่า การแนวคิดแบบ Agentic AI เกิดจากแนวคิดพื้นฐานที่ต้องการให้ AI เรียนรู้ข้อมูลจากสิ่งแวดล้อมภายนอก สามารถปรับใช้วิธีการที่เหมาะสมได้อย่างมีประสิทธิภาพได้ด้วยตนเอง อย่างรวดเร็ว มีประสิทธิภาพ ซึ่งสามารถนำไปปรับใช้ได้ในหลายสถานการณ์ อย่างไรก็ดี การพัฒนาในแนวทางนี้สำหรับ AI แล้ว ยังถือเป็นเพียงช่วงเริ่มต้นเท่านั้น งานวิจัยเริ่มตึพิมพ์ออกมาเมื่อไม่กี่ปีนี้เอง Startup หลายรายเริ่มนำไปพัฒนาเป็นแนวทางของตนเองในกลุ่ม LLM เช่น crewAI OpenAI แต่คงพอช่วยให้เราเห็นทิศทางที่สำคัญในการพัฒนา AI และการนำมาประยุกต์ใช้ในอนาคตอันใกล้นี้

3. Real-World Applications 

แนวคิดแบบ Agentic AI เพิ่งถูกพัฒนาขึ้นมาใช้อย่างจริงจัง เพื่อขยายขอบเขต ความสามารถของ Generative AI โดยมี start up หลายรายนำไปพัฒนา อย่าง LangChain, CrewAI, AutoGen หรือแม้แต่ Assistants ของ OpenAI โดยเริ่มมีการนำไปใช้ในกลุ่ม Automation ทั้ง Robotic Process Automation (RPA) หรือ Enterprise Workflow Automation Agentic AI จากเดิมที่กลุ่ม RPA ทำได้เฉพาะขั้นตอนและวิธีการที่ถูกกำหนดไว้ล่วงหน้าเท่านั้น การเพิ่ม Agentic AI เช่น การเลือกใช้เครื่องมือเพื่อขยายขอบเขตการทำงาน ทำให้มีความยืดหยุ่น และตอบสนองต่อสถานการณ์ที่หลากหลายมากขึ้น ซึ่งมี use cases หลากหลาย ไม่ว่าจะเป็น AI agents ที่วิเคราะห์ข้อมูลลูกค้า หาข้อมูลเพิ่มเติม และสร้าง content ให้เฉพาะเจาะจงกับลูกค้าแต่ละราย, AI agents ที่เป็นทีมพัฒนาซอฟต์แวร์แบบ agile squad, Insurance claims processing ในสาย Healthcare ก็มีแนวคิดที่จะใช้ AI agents เพื่อช่วยในด้านต่างๆ เช่น อ่านประวัติข้อมูลการรักษา ประมวลผลร่วมกันกับผล lab อื่นๆ ให้คุณหมอ หรืองานธุรการ อย่างการจัดตารางนัดหมาย การทำเคลมประกัน เป็นต้น [7] 

จะเห็นว่าการประยุกต์ใช้งาน จะใช้ประโยชน์จากความยืดหยุ่น ในการจัดการกับปัญหาต่างๆ ของ Agentic Design เข้ามาช่วยในการทำ automation และ personalization อย่างไรก็ดี เนื่องจากอยู่ในช่วงเริ่มต้น จึงยังมีขัอจำกัดอยู่บ้าง ซึ่งเราต้องติดตามความก้าวหน้า (อย่างรวดเร็ว) ต่อไป ก็ได้แต่หวังว่า คงไม่มี AI ที่ชื่อ Skynet โผล่มาในเร็วๆ นี้นะ

References:

[1] Chain-of-Thought Prompting Elicits Reasoning in Large Language Model

[2] Gorilla: Large Language Model Connected with Massive APIs, Patil et al.

[3] Self-Refine: Iterative Refinement with Self-Feedback, Madaan et al.

[4] Reflexion: Language Agents with Verbal Reinforcement Learning, Shinn et al.

[5] Communicative Agents for Software Development Quian et al. 

[6] deeplearning.ai/the-batch/issue-241 

[7] AI agents for healthcare: Applications and use cases, key components, benefits, implementation and future trends