เลือก LLM ให้เหมาะกับงาน: เร็ว ถูก หรือฉลาด
วิธีเลือกโมเดลภาษาให้ตรงกับงานจริง ด้วยเกณฑ์ 6 ข้อและการทดสอบด้วยชุดงานของคุณเอง แทนการเชื่อตารางคะแนนอย่างเดียว
"ใช้โมเดลไหนดี" น่าจะเป็นคำถามที่ทีม IT ได้ยินบ่อยที่สุดในปีนี้ ฝ่ายการตลาดอยากได้ตัวที่เขียนภาษาไทยสวย ฝ่ายบริการลูกค้าอยากได้ตัวที่ตอบเร็ว ฝ่ายการเงินอยากได้ตัวที่ถูก ส่วนผู้บริหารอ่านข่าวมาว่ามีโมเดลใหม่ที่ฉลาดที่สุดเพิ่งเปิดตัว ความจริงคือไม่มีโมเดลไหนดีที่สุดสำหรับทุกงาน มีแต่โมเดลที่เหมาะกับงานนั้นที่สุด และวิธีหาคำตอบไม่ใช่การเดา แต่คือการทดสอบ
LLM คืออะไร และทำไมต้องเลือก
LLM (Large Language Model) คือโมเดล AI ที่ถูกฝึกจากข้อความจำนวนมหาศาลจนเข้าใจและสร้างภาษาได้ เป็นหัวใจของเครื่องมืออย่าง ChatGPT, Claude หรือ Gemini ผู้ให้บริการส่วนใหญ่มีโมเดลหลายขนาดในตระกูลเดียวกัน เช่น Anthropic มีรุ่น Haiku, Sonnet และ Opus ไล่จากเล็กไปใหญ่ ซึ่งต่างกันทั้งความสามารถ ความเร็ว และราคา ถ้ายังไม่คุ้นกับพื้นฐาน อ่านก่อนได้ที่ พื้นฐาน AI: Generative AI และ LLM
สามแกนที่ต้องชั่งน้ำหนัก
เร็ว (Latency)
งานที่มีคนรอคำตอบ เช่น Chatbot หน้าเว็บ ความเร็วสำคัญมาก โมเดลเล็กมักตอบเร็วกว่า
ถูก (Cost)
งานปริมาณมาก เช่น จัดหมวดอีเมลหลายพันฉบับ ราคาต่อครั้งเล็กน้อยรวมกันแล้วเป็นเงินก้อนใหญ่ อ่านเรื่องโครงสร้างค่าใช้จ่ายได้ใน คุมค่าใช้จ่าย AI
ฉลาด (Capability)
งานวิเคราะห์ซับซ้อน วางแผนหลายขั้น หรือเขียนโค้ด มักต้องใช้โมเดลที่ใหญ่กว่า เอกสารแนะนำของ Anthropic ระบุว่าโมเดลที่เก่งกว่ามักทำงานเสร็จด้วยขั้นตอนน้อยกว่า จึงอาจคุ้มกว่าแม้ราคาต่อ Token สูงกว่า และแนะนำให้เทียบที่ต้นทุนต่องานที่สำเร็จ
เกณฑ์อื่นที่ไม่ควรลืม
- ภาษาไทย: ทดสอบกับข้อความไทยจริงของคุณ ทั้งภาษาทางการ ภาษาพูด และศัพท์เฉพาะธุรกิจ ในไทยยังมีโมเดลที่พัฒนาเพื่อภาษาไทยโดยเฉพาะ เช่น Typhoon ของ SCB 10X
- ความยาว Context: ถ้าต้องอ่านเอกสารยาว ดูว่าโมเดลรับข้อความได้มากพอไหม
- ข้อมูลและที่ตั้งเซิร์ฟเวอร์: ข้อมูลถูกเก็บที่ไหน ใช้ฝึกโมเดลไหม สอดคล้องกับ PDPA หรือเปล่า
- ความสามารถเสริม: เช่น การเรียกใช้เครื่องมือ (Tool Calling) การอ่านรูปภาพ หรือการตอบเป็น JSON
จับคู่งานกับขนาดโมเดลแบบคร่าวๆ
- โมเดลเล็ก: จัดหมวดข้อความ ดึงข้อมูลจากแบบฟอร์ม ตรวจคำผิด งานปริมาณมากที่ตรวจผลอัตโนมัติได้
- โมเดลกลาง: ร่างอีเมล สรุปเอกสาร ตอบคำถามลูกค้าทั่วไป
- โมเดลใหญ่: วิเคราะห์ข้อมูลหลายแหล่ง วางแผนงานหลายขั้น เขียนโค้ด หรืองานที่ผิดแล้วเสียหายสูง
นี่เป็นจุดเริ่มต้นเท่านั้น ไม่ใช่กฎตายตัว งานเดียวกันในสองบริษัทอาจต้องการโมเดลต่างกันได้
ทดสอบด้วยงานจริงของคุณ
ตารางคะแนน (Benchmark) ช่วยให้เห็นภาพกว้าง แต่ไม่ได้บอกว่าโมเดลจะทำงานของคุณได้ดีแค่ไหน วิธีที่ Anthropic แนะนำคือดึงตัวอย่างงานจากการใช้งานจริง เขียนเกณฑ์ตรวจผลลัพธ์ บันทึกต้นทุนต่องานคู่กับคะแนน แล้วเทียบหลายรุ่น ก่อนเปลี่ยนจริงให้ลองรันคู่ขนานกับระบบเดิมในสัดส่วนเล็กๆ ก่อน
ตัวอย่าง: ทีมบริการลูกค้าของร้านค้าออนไลน์รวบรวมคำถามจริง 50 ข้อ ทดสอบกับ 3 โมเดล ให้หัวหน้าทีมให้คะแนนความถูกต้องและน้ำเสียง แล้วดูเวลาตอบและค่าใช้จ่ายประกอบ ผลมักออกมาว่าโมเดลขนาดกลางเพียงพอสำหรับคำถามทั่วไป ส่วนเรื่องร้องเรียนซับซ้อนค่อยส่งต่อให้โมเดลใหญ่หรือพนักงาน
อย่าถามว่าโมเดลไหนเก่งที่สุด ให้ถามว่าโมเดลไหนทำงานนี้ได้ดีพอในราคาที่รับได้
ข้อควรระวัง
- โมเดลออกรุ่นใหม่บ่อย ผลทดสอบเมื่อ 6 เดือนก่อนอาจไม่จริงแล้ว ควรทดสอบซ้ำเป็นระยะ
- Prompt ที่เขียนไว้สำหรับโมเดลหนึ่งอาจไม่เหมาะกับอีกโมเดล เปลี่ยนโมเดลแล้วต้องตรวจ Prompt ใหม่
- อย่าผูกระบบกับผู้ให้บริการรายเดียวจนเปลี่ยนไม่ได้ ออกแบบให้สลับโมเดลได้ตั้งแต่ต้น
เริ่มต้นยังไง
- เขียนให้ชัดว่างานนี้ต้องการความเร็ว ราคา หรือความสามารถเป็นอันดับแรก
- รวบรวมตัวอย่างงานจริง 30 ถึง 50 ชิ้น พร้อมคำตอบที่ดี
- เลือกโมเดล 2 ถึง 3 ตัวที่ผ่านเกณฑ์ด้านข้อมูลและภาษา
- ทดสอบ ให้คะแนน และบันทึกต้นทุนต่องาน
- เริ่มใช้จริงในวงเล็ก แล้วทบทวนผลทุกไตรมาส
อยากเข้าใจเครื่องมือ AI ที่ใช้ภาษาไทยได้ดีเพิ่มเติม อ่าน Claude AI คืออะไร และฝึกการเขียน Prompt ให้ได้ผลกับทุกโมเดลได้ที่ Plants.work Learn