โมเดลภาษาแบบใช้เครื่องมือ (Tool-using LLMs) ขยายขีดความสามารถของโมเดลภาษาแบบสแตนด์อะโลนโดยการเชื่อมต่อกับ API ภายนอก เครื่องคำนวณ และฐานข้อมูล ทำให้สามารถดึงข้อมูลและดำเนินการตามภารกิจได้แบบเรียลไทม์ ในขณะที่โมเดลภาษาแบบสแตนด์อะโลนอาศัยเพียงพารามิเตอร์ที่ได้รับการฝึกฝนเท่านั้น ทำให้โมเดลเหล่านั้นทำงานได้ด้วยตัวเอง แต่มีข้อจำกัดอยู่ที่ความรู้จากข้อมูลการฝึกฝน
โมเดลภาษาได้รับการปรับปรุงด้วยการเข้าถึงเครื่องมือภายนอกเพื่อการประมวลผลข้อมูลและงานแบบเรียลไทม์
โมเดลภาษาแบบครบวงในตัวเอง ที่สร้างคำตอบโดยอาศัยพารามิเตอร์ที่ได้รับการฝึกฝนมาเท่านั้น
| ฟีเจอร์ | LLM ที่ใช้เครื่องมือ | หลักสูตร LLM แบบเรียนเดี่ยว |
|---|---|---|
| แหล่งความรู้ | ข้อมูลสำหรับการฝึกอบรม + เครื่องมือภายนอกและ API | ข้อมูลการฝึกอบรมเท่านั้น |
| ข้อมูลแบบเรียลไทม์ | ใช่แล้ว ผ่านการค้นหาบนเว็บและ API แบบเรียลไทม์ | ไม่ จำกัดเฉพาะรอบการฝึกอบรมเท่านั้น |
| อัตราการเกิดภาพหลอน | ลดค่าธรรมเนียมสำหรับคำถามเชิงข้อเท็จจริงที่มีการตรวจสอบยืนยัน | ให้คะแนนสูงกว่าสำหรับหัวข้อล่าสุดหรือหัวข้อเฉพาะกลุ่ม |
| ความซับซ้อนในการปรับใช้ | ระดับที่สูงขึ้น จำเป็นต้องมีการจัดการ API | การอนุมานแบบจำลองเดี่ยวที่ต่ำกว่า |
| ต้นทุนการดำเนินงาน | ค่าใช้จ่ายสูงขึ้นเนื่องจากมีการเรียกใช้บริการหลายครั้ง | ต้นทุนการอนุมานแบบเดี่ยวที่ต่ำกว่า |
| ความหน่วง | สูงขึ้น ขึ้นอยู่กับเวลาตอบสนองของเครื่องมือ | การผลิตโดยตรงที่ต่ำกว่า |
| ความสามารถในการใช้งานที่หลากหลาย | สามารถดำเนินการและดึงข้อมูลแบบเรียลไทม์ได้ | จำกัดเฉพาะการสร้างข้อความและการให้เหตุผล |
| ความสามารถในการทำงานแบบออฟไลน์ | มีข้อจำกัดหากไม่มีการแคชการตอบสนองของเครื่องมือ | ใช้งานได้เต็มรูปแบบในโหมดออฟไลน์ |
| ระบบตัวอย่าง | GPT-4 พร้อมเครื่องมือ, Claude พร้อม MCP, เอเจนต์ LangChain | GPT-3.5, Llama 3, Mistral, base PaLM |
โมเดล LLM แบบสแตนด์อะโลนดึงข้อมูลจากรูปแบบที่เข้ารหัสไว้ระหว่างการฝึกฝนเท่านั้น ซึ่งหมายความว่าความเข้าใจโลกของโมเดลจะหยุดอยู่ที่วันที่กำหนดไว้ โมเดล LLM ที่ใช้เครื่องมือจะเอาชนะข้อจำกัดนี้ได้โดยการสอบถามข้อมูลจากเครื่องมือค้นหา ฐานความรู้ และฐานข้อมูลเฉพาะทางตามความต้องการ เมื่อคุณถามเกี่ยวกับสภาพอากาศวันนี้หรือราคาหุ้นล่าสุด โมเดลแบบสแตนด์อะโลนจะเดาหรือยอมรับว่าไม่รู้ ในขณะที่โมเดลที่ใช้เครื่องมือสามารถดึงข้อมูลที่ถูกต้องและเป็นปัจจุบันได้ ความแตกต่างพื้นฐานนี้เป็นตัวกำหนดว่าสถาปัตยกรรมแต่ละแบบเหมาะสมกับการใช้งานในกรณีใดบ้าง
ระบบที่ใช้เครื่องมือมักสร้างผลลัพธ์ที่เป็นข้อเท็จจริงที่น่าเชื่อถือมากกว่า เนื่องจากสามารถตรวจสอบความถูกต้องของข้อมูลกับแหล่งข้อมูลที่น่าเชื่อถือก่อนที่จะตอบกลับได้ ในขณะที่แบบจำลองแบบเดี่ยวอาจระบุสถิติที่ล้าสมัยอย่างมั่นใจ หรือสร้างการอ้างอิงที่ฟังดูสมเหตุสมผลขึ้นมาเอง อย่างไรก็ตาม ระบบ LLM ที่ใช้เครื่องมือก็ไม่ได้ปลอดจากข้อผิดพลาดเช่นกัน อาจตีความผลการค้นหาผิดพลาด หรือเรียกใช้ API ผิดจุด ข้อได้เปรียบที่สำคัญคือความสามารถในการตรวจสอบได้: แบบจำลองที่ใช้เครื่องมือสามารถแสดงวิธีการทำงานโดยการอ้างอิงแหล่งข้อมูลที่ดึงมาได้ ในขณะที่แบบจำลองแบบเดี่ยวไม่มีความโปร่งใสเช่นนั้น
โมเดล LLM แบบสแตนด์อโลนได้เปรียบเรื่องความเร็วและความเรียบง่าย เนื่องจากกระบวนการส่งต่อข้อมูลเพียงครั้งเดียวก็สร้างการตอบสนองได้โดยไม่ต้องเรียกใช้เครือข่ายใดๆ สถาปัตยกรรมที่ใช้เครื่องมือจะทำให้เกิดความหน่วงจากแต่ละการเรียกใช้บริการภายนอก และต้องมีการจัดการอย่างระมัดระวังเพื่อรับมือกับความล้มเหลวอย่างราบรื่น ค่าใช้จ่ายจะเพิ่มขึ้นอย่างรวดเร็วเมื่อเอเจนต์เรียกใช้เครื่องมือหลายครั้งต่อการสอบถาม โดยเฉพาะอย่างยิ่งกับ API ที่ต้องเสียค่าใช้จ่าย สำหรับแอปพลิเคชันที่มีปริมาณมากและมีความไวต่อความหน่วง เช่น แชทบอทที่ให้บริการผู้ใช้หลายล้านคน โมเดลแบบสแตนด์อโลนมักยังคงเป็นตัวเลือกที่เหมาะสมที่สุด แม้จะมีข้อจำกัดด้านความรู้ก็ตาม
การเขียนเชิงสร้างสรรค์ การระดมความคิด การสร้างโค้ดจากรูปแบบที่มีอยู่ และการสนทนาทั่วไป ล้วนทำงานได้อย่างยอดเยี่ยมกับ LLM แบบสแตนด์อโลน ระบบที่ใช้เครื่องมือจะโดดเด่นในเวิร์กโฟลว์แบบเอเจนต์ เช่น ผู้ช่วยวิจัยที่รวบรวมรายงาน บอทบริการลูกค้าที่เข้าถึงฐานข้อมูลบัญชี และไปป์ไลน์อัตโนมัติที่โต้ตอบกับซอฟต์แวร์ ทางเลือกจึงขึ้นอยู่กับว่าแอปพลิเคชันของคุณจำเป็นต้องลงมือทำในโลกภายนอกหรือเพียงแค่พูดคุยเกี่ยวกับมัน ระบบที่ใช้งานจริงหลายระบบในปัจจุบันผสมผสานทั้งสองแนวทาง โดยใช้โมเดลแบบสแตนด์อโลนสำหรับการสอบถามข้อมูลทั่วไป และยกระดับไปยังเอเจนต์ที่ใช้เครื่องมือสำหรับงานที่ซับซ้อนกว่า
ระบบ LLM แบบสแตนด์อโลนมีพื้นที่เสี่ยงต่อการโจมตีที่จำกัด เนื่องจากไม่เรียกใช้โค้ดภายนอกหรือเข้าถึงระบบที่สำคัญ ในทางกลับกัน ระบบ LLM ที่ใช้เครื่องมือจะขยายพื้นที่เสี่ยงนั้นอย่างมาก เพราะการบูรณาการกับเครื่องมือที่ถูกบุกรุกอาจทำให้ข้อมูลรั่วไหลหรือก่อให้เกิดการกระทำที่ไม่พึงประสงค์ องค์กรที่ใช้งานระบบเอเจนต์จะต้องกำหนดขอบเขตการอนุญาตที่เข้มงวด ตรวจสอบความถูกต้องของข้อมูล และบันทึกการตรวจสอบสำหรับทุกการเรียกใช้เครื่องมือ ความซับซ้อนที่เพิ่มขึ้นนี้คุ้มค่าเมื่อผลประโยชน์ด้านประสิทธิภาพการทำงานมากกว่าภาระด้านความปลอดภัย แต่ก็เป็นข้อพิจารณาที่สำคัญสำหรับอุตสาหกรรมที่มีกฎระเบียบเข้มงวด
นักบริหารธุรกิจที่ใช้เครื่องมือจะไม่เห็นภาพหลอน เพราะพวกเขาค้นหาข้อมูลบนเว็บ
แม้จะเข้าถึงข้อมูลผ่านเว็บได้แล้วก็ตาม เครื่องมือช่วยจัดการการเรียนรู้ (LLM) ก็อาจตีความข้อมูลที่ได้มาผิดพลาด อ้างอิงแหล่งข้อมูลที่ไม่น่าเชื่อถือ หรือสร้างรายละเอียดเท็จขึ้นมาเมื่อผลการค้นหาไม่ชัดเจน เครื่องมือช่วยลดความผิดพลาดเหล่านี้ได้ แต่ไม่ได้กำจัดความผิดพลาดทั้งหมด โดยเฉพาะอย่างยิ่งสำหรับคำค้นหาที่ต้องอาศัยการสังเคราะห์ข้อมูลจากหลายแหล่ง
หลักสูตร LLM แบบเรียนเดี่ยวๆ นั้นไร้ประโยชน์อย่างสิ้นเชิงสำหรับการสอบถามข้อเท็จจริง
โมเดลจำลองแบบสแตนด์อะโลนสมัยใหม่ที่ฝึกฝนด้วยชุดข้อมูลที่คัดสรรมาอย่างดี สามารถตอบคำถามเชิงข้อเท็จจริงได้แม่นยำหลายข้อ โดยเฉพาะอย่างยิ่งในหัวข้อที่ได้รับการยอมรับอย่างกว้างขวาง จุดอ่อนของโมเดลเหล่านี้อยู่ที่เหตุการณ์ล่าสุด ข้อมูลที่เป็นกรรมสิทธิ์ หรือโดเมนที่มีการเปลี่ยนแปลงอย่างรวดเร็ว ซึ่งทำให้ข้อมูลสำหรับการฝึกฝนล้าสมัย
LLM ที่เชี่ยวชาญการใช้เครื่องมือจะรู้เสมอว่าควรใช้เครื่องมือใดสำหรับงานแต่ละอย่าง
การเลือกใช้เครื่องมือเป็นพฤติกรรมที่ต้องเรียนรู้ และแบบจำลองอาจเลือกใช้เครื่องมือที่ไม่เหมาะสม ส่งผ่านอาร์กิวเมนต์ที่ไม่ถูกต้อง หรือไม่สามารถรับรู้ได้ว่าเมื่อใดควรใช้เครื่องมือ การใช้เครื่องมืออย่างมีประสิทธิภาพต้องอาศัยการออกแบบคำสั่งอย่างรอบคอบ และมักต้องมีการปรับแต่งอย่างละเอียดในตัวอย่างการเรียกใช้เครื่องมือ
การเพิ่มเครื่องมือลงใน LLM จะทำให้มันกลายเป็นเอเจนต์ AI โดยอัตโนมัติ
เอเจนต์ที่แท้จริงจะแสดงให้เห็นถึงการวางแผนอย่างอิสระ การให้เหตุผลแบบหลายขั้นตอน และพฤติกรรมที่มุ่งสู่เป้าหมาย การให้สิทธิ์การเข้าถึง API แก่โมเดลเพียงอย่างเดียวไม่ได้ทำให้มันมีเอเจนต์ ระบบจำเป็นต้องมีตรรกะการจัดการเพื่อแบ่งงาน จัดการกับข้อผิดพลาด และดำเนินการซ้ำ ๆ ไปสู่เป้าหมาย
โมเดล LLM แบบเดี่ยวๆ นั้นล้าสมัยไปแล้ว เนื่องจากมีโมเดลที่ใช้เครื่องมือเข้ามาแทนที่
โมเดล LLM แบบสแตนด์อโลนยังคงเป็นรากฐานสำคัญของระบบ AI ระบบที่ใช้เครื่องมือส่วนใหญ่สร้างขึ้นบนโมเดลแบบสแตนด์อโลน และการใช้งานจริงจำนวนมากให้ความสำคัญกับความเรียบง่ายมากกว่าความสามารถ ทั้งสองแนวทางนี้ส่งเสริมซึ่งกันและกันมากกว่าที่จะแข่งขันกัน
เลือกใช้ LLM ที่ใช้เครื่องมือเมื่อแอปพลิเคชันของคุณต้องการข้อมูลที่เป็นปัจจุบัน ต้องการโต้ตอบกับระบบภายนอก หรือต้องดำเนินการนอกเหนือจากการสร้างข้อความ LLM แบบสแตนด์อโลนยังคงเหมาะสมกว่าสำหรับการใช้งานที่ต้องการความเร็วในการตอบสนองสูง สถานการณ์ออฟไลน์ และงานที่การใช้เหตุผลเชิงสร้างสรรค์มีความสำคัญมากกว่าความถูกต้องตามข้อเท็จจริง หลายองค์กรพบว่าเส้นทางที่ดีที่สุดคือระบบไฮบริดที่ส่งคำขอไปยังวิธีการที่เหมาะสมที่สุดกับคำขอ
AI slop หมายถึงเนื้อหา AI ที่ผลิตออกมาจำนวนมากโดยใช้ความพยายามน้อยและขาดการกำกับดูแล ในขณะที่งาน AI ที่มีมนุษย์ควบคุมนั้นเป็นการผสมผสานปัญญาประดิษฐ์เข้ากับการตัดต่อ การกำกับ และการตัดสินใจเชิงสร้างสรรค์อย่างรอบคอบ ความแตกต่างมักอยู่ที่คุณภาพ ความคิดริเริ่ม ประโยชน์ใช้สอย และว่ามีบุคคลจริงเข้ามามีส่วนร่วมในการกำหนดผลลัพธ์สุดท้ายหรือไม่
AI ที่มีมนุษย์เข้ามาเกี่ยวข้อง (Human-in-the-Loop AI) ผสานประสิทธิภาพของเครื่องจักรเข้ากับการตัดสินใจของมนุษย์ในจุดสำคัญ ในขณะที่ระบบ AI อัตโนมัติเต็มรูปแบบ (Fully Automated AI Systems) ทำงานอย่างอิสระตั้งแต่ต้นจนจบ แต่ละแนวทางมีข้อดีข้อเสียที่แตกต่างกันในด้านความแม่นยำ ความสามารถในการขยายขนาด ต้นทุน และความรับผิดชอบ ซึ่งเป็นตัวกำหนดว่าแนวทางใดเหมาะสมกับกรณีการใช้งานนั้นๆ
การเปรียบเทียบทางสถาปัตยกรรมนี้เน้นให้เห็นถึงความแตกต่างหลักระหว่างระบบ AI ที่รับรู้บริบท ซึ่งวิเคราะห์ข้อมูลสถานการณ์แบบไดนามิก เช่น ความตั้งใจของผู้ใช้ ประวัติ และสภาพแวดล้อม กับระบบที่ไม่รับรู้บริบท ซึ่งประมวลผลข้อมูลนำเข้าเป็นเหตุการณ์แยกต่างหากโดยอาศัยกฎที่กำหนดไว้ล่วงหน้าเท่านั้น
AI ที่เสริมด้วยการค้นหาจะดึงข้อมูลแบบเรียลไทม์จากแหล่งข้อมูลภายนอกในขณะที่ทำการค้นหา ในขณะที่การฝึกฝนโดยใช้ชุดข้อมูลเพียงอย่างเดียวจะอาศัยความรู้ที่ฝังอยู่ในน้ำหนักของโมเดลระหว่างการฝึกฝนเท่านั้น แต่ละแนวทางมีข้อดีข้อเสียที่แตกต่างกันในด้านความแม่นยำ ต้นทุน ความทันสมัย และความสามารถในการจัดการกับคำถามที่อยู่นอกขอบเขตการฝึกฝนดั้งเดิม
ระบบ AI แบบกระจายศูนย์จะกระจายสติปัญญา ข้อมูล และการคำนวณไปยังโหนดอิสระต่างๆ โดยมักให้ความสำคัญกับความเปิดกว้างและการควบคุมของผู้ใช้ ในขณะที่ระบบ AI ขององค์กรนั้นได้รับการจัดการจากส่วนกลางโดยบริษัทต่างๆ โดยมุ่งเน้นที่ประสิทธิภาพ ผลกำไร และการบูรณาการผลิตภัณฑ์ ทั้งสองแนวทางนี้มีส่วนกำหนดวิธีการสร้าง การกำกับดูแล และการเข้าถึง AI แต่มีความแตกต่างกันอย่างมากในด้านความโปร่งใส การเป็นเจ้าของ และการควบคุม
