Prompt engineering คืออะไร? แนวคิดและความสำคัญในการสร้าง AI ที่มีประสิทธิภาพ

การเข้ามาของ LLM หรือ Large language model โมเดลภาษาขนาดใหญ่ที่เป็นเทคโนโลยีที่อยู่เบื้องหลังสำคัญของ Generative AI AI ที่สามารถสร้างคอนเทนต์ หรือเนื้อหาใหม่ๆ ขึ้นมาเองได้ ไม่ว่าจะเป็นคอนเทนต์ในรูปแบบของข้อความ รูปภาพ เพลง หรือแม้กระทั่งวิดีโอ แต่การที่จะให้เครื่องมือ Generative AI ทำงานได้ตามคำสั่ง หรือ Prompt ที่เราได้พิมพ์เข้าไปนั้น ธุรกิจจำเป็นต้องเข้าใจ และเรียนรู้หลักการการทำ Prompt engineering เพื่อให้ธุรกิจสามารถใช้ประโยชน์จากเครื่องมือ Generative AI อย่าง ChatGPT หรือ Gemini ให้ตอบโจทย์กับธุรกิจได้มากที่สุด

ในบทความนี้เราจะพาไปทำความรู้จักกับ Prompt engineering หรือการออกแบบคำสั่งเพื่อให้ AI ทำงานได้ตามเป้าหมายกันอย่างละเอียด เพื่อให้ธุรกิจสามารถนำไปปรับใช้กันได้ดีมากยิ่งขึ้น

Prompt engineering คืออะไร

Prompt engineering คือกระบวนการที่เราใช้ในการกำหนดแนวทางให้ Generative AI ใช้เพื่อสร้างเป็นผลลัพธ์ คำตอบ หรือ Output ได้ตามที่ธุรกิจต้องการ ถึงแม้ว่า Generative AI นั้นพยายามที่จะเลียนแบบความสามารถของมนุษย์ในการทำงาน แต่ธุรกิจ หรือผู้ใช้งาน Generative AI นั้นจำเป็นต้องกำหนดรายละเอียดของคำสั่งเพื่อให้ Generative AI สามารถสร้างผลลัพธ์ หรือคำตอบที่เกี่ยวข้อง และมีคุณภาพสูงได้ ในการทำ Prompt engineering นั้นธุรกิจจำเป็นต้องเลือกใช้รูปแบบ ประโยค คำ และสัญลักษณ์ให้เหมาะสมเพื่อที่กำหนดให้ AI สามารถมีปฏิสัมพันธ์ หรือโต้ตอบกับผู้ใช้งานได้ดีมากยิ่งขึ้น โดยที่มี Prompt engineer หรือวิศวกรที่ดูแลเรื่องการออกแบบคำสั่งจะใช้ทั้งความคิดสร้างสรรค์ร่วมกับการทดลองเพื่อสร้างเป็นชุดข้อความคำสั่งเพื่อให้โมเดล Generative AI ทำงานได้ตามที่คาดหวังไว้

ทำไม Prompt engineering ถึงมีความสำคัญกับธุรกิจ

ตั้งแต่ Generative AI เข้ามาทำให้งานด้าน Prompt engineering เพิ่มขึ้นอย่างมีนัยสำคัญ เนื่องจากวิศวกรด้านการทำ Prompt หรือ Prompt engineer มาช่วยทำให้ช่องว่างระหว่างผู้ใช้งาน และโมเดล LLM นั้นแคบลง โดยที่ Prompt engineer จะเป็นคนที่ระบุสคริปต์ และเทมเพลตที่ผู้ใช้งานสามารถนำไปปรับแต่ง และกรอกข้อมูลเพื่อให้ได้ผลลัพธ์ที่ดีที่สุดจากโมเดลภาษา Prompt engineer จะทดลองใช้ประเภทของ Input ข้อมูลที่แตกต่างกันออกไป เพื่อสร้างคลัง Prompt ที่นักพัฒนาแอปพลิเคชันสามารถนำกลับมาใช้ใหม่ได้ในสถานการณ์ที่แตกต่างกันออกไปได้

การออกแบบ Prompt หรือ Prompt engineering ทำให้การใช้งาน AI มีประสิทธิภาพ โดยนักพัฒนาแอปพลิเคชันจะสรุป Input ที่ผู้ใช้งานพิมพ์เข้ามาไว้ภายใน Prompt ก่อนที่จะส่งต่อไปยังโมเดล AI ใช้ในการประมวลผล

ตัวอย่างเช่น การนำ AI-Chatbot มาใช้กับธุรกิจ ลูกค้าอาจจะพิมพ์ข้อความที่ไม่ครบถ้วนเข้ามาสอบถาม เช่น “ซื้อเสื้อได้ที่ไหนบ้าง” โดยที่โค้ดภายในแอปพลิเคชันได้มีการเขียน Prompt ไว้ว่า “คุณเป็นผู้ช่วยขายให้กับบริษัทขายเสื้อผ้า ลูกค้าอาศัยอยู่ในกรุงเทพมหานครกำลังสอบถามว่าสามารถหาซื้อเสื้อได้ที่ไหนบ้าง ให้ตอบ 3 สาขาที่ใกล้ที่สุดที่มีเสื้อสต็อกอยู่” เป็นต้น การกำหนด Prompt แบบนี้จะช่วยให้ Chatbot สามารถสร้างคำตอบที่แม่นยำ และเกี่ยวข้องได้มากยิ่งขึ้น

โดยประโยชน์ในการนำ Prompt engineering มาใช้งานกับธุรกิจมีดังต่อไปนี้

1. ให้นักพัฒนาแอปพลิเคชันควบคุมคำตอบได้ดีมากยิ่งขึ้น

การทำ Prompt engineering จะช่วยให้นักพัฒนาแอปพลิเคชันควบคุมการโต้ตอบระหว่างผู้ใช้งานกับ AI ได้ดีมากยิ่งขึ้น โดยการมีคำสั่ง หรือ Prompt ที่มีประสิทธิภาพจะช่วยบอกถึงเจตนา (Intent) และบริบทให้กับโมเดล LLM และช่วยให้ AI สร้าง และแสดงคำตอบ หรือ Output ได้อย่างแม่นยำตามรูปแบบ หรือแพตเทิร์นที่ธุรกิจต้องการ

นอกจากนั้น Prompt engineering ยังช่วยป้องกันไม่ให้ผู้ใช้งานใช้งาน AI ในทางที่ไม่เหมาะสม หรือให้ AI ทำในสิ่งที่ไม่รู้ หรือสิ่งที่ AI ไม่สามารถจัดการได้อย่างแม่นยำ ตัวอย่างเช่น ธุรกิจอาจต้องการจำกัดการใช้งานของผู้ใช้งานในการสร้างคอนเทนต์ที่ไม่เหมาะสมสำหรับการใช้งานในเชิงธุรกิจ

2. ยกระดับประสบการณ์ลูกค้า

ผู้ใช้งานสามารถเลี่ยงการลองผิดลองถูก และยังคงได้รับคำตอบที่สอดคล้อง แม่นยำ และตรงประเด็น โดยการทำ Prompt engineering ช่วยให้ผู้ใช้งานได้รับคำตอบที่ตรงประเด็นตั้งแต่ป้อนคำสั่งเข้าไปในครั้งแรก และช่วยลดอคติที่อาจเกิดขึ้นจากอคติของมนุษย์ที่มีอยู่ในข้อมูลการฝึกอบรมของโมเดล LLM

อีกทั้งการทำ Prompt engineer ยังช่วยเพิ่มประสิทธิภาพการโต้ตอบของผู้ใช้งานกับโมเดล AI ให้ดีมากยิ่งขึ้น โดยที่ AI สามารถเข้าใจเจตนาของผู้ใช้งานเพียงแค่การป้อนคำสั่งมาเพียงเล็กน้อย ตัวอย่างเช่น ผู้ใช้งานขอให้ AI ช่วยสรุปข้อความจากเอกสารด้านกฎหมาย และข้อความจากข่าว และได้ผลลัพธ์ที่แตกต่างกันออกไปจากการปรับเปลี่ยนโทน และสไตล์ ถึงแม้ว่าผู้ใช้งานจะพิมพ์ Prompt หรือคำสั่งแค่เพียงว่า “สรุปเอกสารนี้ให้หน่อย” เป็นต้น

3. เพิ่มความยืดหยุ่นในการทำงาน

ความเป็นนามธรรมในระดับสูงจะช่วยพัฒนาประสิทธิภาพของโมเดล AI และทำให้ธุรกิจสามารถสร้างเครื่องมือสเกลใหญ่ที่มีความยืดหยุ่นได้มากยิ่งขึ้น โดยที่วิศวกรในการสร้าง Prompt สามารถสร้างคำสั่งที่มีคำแนะนำที่เป็นกลางต่อเรื่องใดเรื่องหนึ่งได้ โดยเน้นความเชื่อมโยงทางตรรกะ และรูปแบบกว้าง ๆ โดยที่องค์กรสามารถนำ Prompt กลับมาใช้งานใหม่ได้อย่างรวดเร็วทั่วทั้งองค์กร เพื่อขยายการลงทุนใน AI ให้กว้างมากยิ่งขึ้น

เทคนิคการทำ Prompt engineering

Prompt engineering เป็นสาขาที่มีการพัฒนาและเปลี่ยนแปลงอย่างต่อเนื่อง โดยที่ตัวอย่างเทคนิคที่วิศวกรออกแบบคำสั่ง (Prompt) เพื่อพัฒนาให้โมเดล AI ทำงานได้ดีมากยิ่งขึ้น มีดังต่อไปนี้

1. เทคนิค Chain-of-thought prompting

การใช้ Chain-of-thought เป็นเทคนิคที่แบ่งแยกย่อยคำถามที่มีความซับซ้อนให้เป็นส่วนย่อยๆ ในเชิงตรรกะที่เลียนแบบกระบวนการคิด เทคนิคนี้จะช่วยโมเดล AI แก้ไขปัญหาตามชุดของแต่ละขั้นตอนมากกว่าที่จะตอบคำถามโดยตรงเลยทีเดียว ซึ่งช่วยเพิ่มความสามารถในการให้เหตุผลของโมเดล AI ให้ทำได้ดีมากยิ่งขึ้น

โดยที่ธุรกิจสามารถดำเนินการใช้วิธี Chain-of-thought หลายครั้งสำหรับหน้าที่งานที่มีความซับซ้อน และเลือกผลลัพธ์ที่พบได้บ่อยที่สุด หากผลลัพธ์มีความแตกต่างกันอย่างมาก สามารถให้คนมาช่วยเพื่อแก้ไขกระบวนการคิดได้

ตัวอย่างเช่น ถ้ามีคำถามว่า “เมืองหลวงของฝรั่งเศสคือที่ไหน” โมเดล AI อาจทำการดำเนินการหลายครั้งซึ่งนำไปสู่คำตอบเช่น “ปารีส” “เมืองหลวงของฝรั่งเศสคือปารีส” “ปารีสคือเมืองหลวงของฝรั่งเศส” และเนื่องจากทุกๆ การแสดงผลนำไปสู่ข้อสรุปเดียวกัน จึงทำให้ “ปารีส” ถูกเลือกเป็นคำตอบสุดท้าย

2. เทคนิค Tree-of-thought prompting

การใช้ Tree-of-thought prompting เป็นการขยายขอบเขตของเทคนิค Chain-of-thought prompting โดยจะกระตุ้นให้โมเดลสร้างขั้นตอนถัดไปที่เป็นไปได้หลายๆ หลังจากนั้นจะใช้วิธีการ Tree-of-thought prompting เพื่อรันโมเดลในแต่ละขั้นตอนถัดไปที่เป็นไปได้

ตัวอย่างเช่น หากคำถามคือ “ผลกระทบของการเปลี่ยนแปลงสภาพภูมิอากาศมีอะไรบ้าง?” โมเดลอาจสร้างขั้นตอนถัดไปที่เป็นไปได้ เช่น ‘ระบุผลกระทบต่อสิ่งแวดล้อม’ และ ‘ระบุผลกระทบทางสังคม’ จากนั้นจึงจะทำการอธิบายเพิ่มเติมในแต่ละประเด็นในขั้นตอนถัดไป

3. เทคนิค Maieutic prompting

เทคนิค Maieutic prompting จะคล้ายคลึงกันกับการใช้ Tree-of-thought prompting โดยจะทำการกระตุ้นให้โมเดลตอบคำถามพร้อมกับมีคำอธิบาย หลังจากนั้นโมเดลจะถูกกระตุ้นให้ทำการอธิบายส่วนต่าง ๆ ของคำอธิบายอีกที โดยหากมีคำอธิบายที่ไม่สอดคล้องกันจะถูกตัดออกหรือละทิ้งไป ซึ่งจะช่วยปรับปรุงประสิทธิภาพในการใช้เหตุผลเชิงสามัญสำนึกที่ซับซ้อนได้ดีมากยิ่งขึ้น

ตัวอย่างเช่น หากคำถามคือ “ทำไมท้องฟ้าถึงมีสีฟ้า?” โมเดลอาจตอบว่า ‘ท้องฟ้าดูเป็นสีน้ำเงินต่อดวงตาของมนุษย์เนื่องจากคลื่นสั้นของแสงสีน้ำเงินถูกกระจายไปในทุกทิศทางโดยก๊าซและอนุภาคในชั้นบรรยากาศของโลก’ จากนั้นโมเดลอาจขยายความในส่วนต่าง ๆ ของคำอธิบายนี้ เช่น ทำไมแสงสีน้ำเงินจึงถูกกระจายมากกว่าสีอื่น ๆ และชั้นบรรยากาศของโลกประกอบไปด้วยอะไรบ้าง เป็นต้น

4. เทคนิค Complexity-based prompting

วิธี Complexity-based prompting เป็นวิธีที่นำเทคนิค Chain-of-thought มาใช้ในการแสดงผลหลายๆ ครั้ง และจะเลือกการแสดงผลที่มี Chain-of-thought  ที่ยาวที่สุด หลังจากนั้นจึงเลือกข้อสรุปที่มีการเข้าถึงมากที่สุด ตัวอย่างเช่น หากคำถามเป็นปัญหาคณิตศาสตร์ที่ซับซ้อน โมเดลอาจดำเนินการการแสดงผลของการเปิดตัวหลายๆ ชุด โดยแต่ละชุดจะเกี่ยวข้องกับหลายขั้นตอนของการคำนวณ และโมเดลจะพิจารณาชุดการเปิดตัวที่มี Chain-of-thought ยาวที่สุด ซึ่งในตัวอย่างนี้จะเป็นการคำนวณที่มีขั้นตอนมากที่สุด ชุดการเปิดตัวที่ถึงข้อสรุปทั่วไปกับชุดการเปิดตัวอื่น ๆ จะถูกเลือกเป็นคำตอบสุดท้าย

5. เทคนิค Generated knowledge prompting

วิธีการนี้เกี่ยวข้องกับการกระตุ้นให้โมเดลเริ่มต้นด้วยการสร้างข้อเท็จจริงที่เกี่ยวข้องที่จำเป็นสำหรับการทำให้คำสั่งนั้นเสร็จสมบูรณ์ได้ หลังจากนั้นจึงดำเนินการทำคำสั่ง หรือ Prompt ให้เสร็จสมบูรณ์ วิธีนี้ส่งผลให้คุณภาพของการทำงานสำเร็จสูงขึ้น เนื่องจากมีการโมเดลตามข้อเท็จจริงที่เกี่ยวข้อง

ตัวอย่างเช่น ลองนึกภาพว่าผู้ใช้งานให้โมเดลเขียนเรียงความเกี่ยวกับผลกระทบของการตัดไม้ทำลายป่า โมเดลอาจสร้างข้อเท็จจริงขึ้นมาก่อน เช่น การตัดไม้ทำลายป่ามีส่วนทำให้เกิดการเปลี่ยนแปลงของสภาพภูมิอากาศ และการตัดไม้ทำลายป่านำไปสู่การสูญเสียความหลากหลายทางชีวภาพ จากนั้นจึงอธิบายเพิ่มเติมเกี่ยวกับประเด็นเหล่านี้ในเรียงความ เป็นต้น

ตัวอย่างการนำ Prompt engineering มาใช้งานกับธุรกิจ

เมื่อธุรกิจสามารถเข้าถึง Generative AI ได้ง่ายกันมากยิ่งขึ้น ทำให้ธุรกิจสามารถค้นหาวิธีใหม่ๆ ในการนำ Prompt engineering ไปใช้แก้ไขปัญหาในการทำงานจริง

AI Chatbot

Prompt engineering เป็นเครื่องมือสำคัญที่จะช่วยให้ AI Chatbot สร้างคำตอบที่เกี่ยวข้อง และสอดคล้องกับคำถามของลูกค้าได้แบบเรียลไทม์ ทำให้ผู้พัฒนา Chatbot มั่นใจได้ว่า AI จะสามารถเข้าใจคำถามที่ลูกค้าสอบถามเข้ามา และให้คำตอบที่ตอบโจทย์กับลูกค้าด้วยการสร้างคำสั่ง หรือ Prompt ที่มีประสิทธิภาพ

การพัฒนาซอฟต์แวร์

เนื่องจาก Generative AI ได้รับการเทรนด้วยภาษา Programming หลากหลายภาษา ทำให้วิศวกรสร้าง Prompt หรือ Prompt engineer สามารถสร้างโค้ด และทำให้หน้าที่งานที่ซับซ้อนทำได้อย่างมีประสิทธิภาพมากยิ่งขึ้น โดยนักพัฒนาซอฟต์แวร์สามารถสร้างโค้ด ตรวจสอบ bug หรือข้อผิดพลาด ออกแบบการเชื่อมต่อ API ด้วยการสร้างคำสั่ง (Prompt) ที่เฉพาะเจาะจงเพื่อลดขั้นตอนการทำงานแบบแมนนวล และสร้าง Workflow ที่ใช้ API ในการจัดการ Data pipeline และจัดการทรัพยากรให้เกิดประโยชน์สูงสุด

ความปลอดภัยทางไซเบอร์ และวิทยากรคอมพิวเตอร์

Prompt engineering สามารถนำมาใช้เพื่อช่วยทดสอบกลไกของความปลอดภัยได้ นักวิจัย และผู้นำไปใช้งานสามารถใช้ประโยชน์จากการนำ Generative AI มาใช้เพื่อกระตุ้นการออกแบบ และกลยุทธ์การป้องกันของการโจมตีทางไซเบอร์ได้ดีมากยิ่งขึ้น 

นำ Prompt engineering ไปใช้กับธุรกิจให้เกิดประโยชน์สูงสุด

การทำ Prompt engineering ถือเป็นขั้นตอนสำคัญในการนำเครื่องมือ LLM มาใช้ให้ตอบโจทย์กับธุรกิจได้ จึงทำให้ธุรกิจจำเป็นต้องมีความเข้าใจในเรื่องการทำ Prompt engineering เป็นอย่างดี หรือการมีผู้เชี่ยวชาญทางด้าน LLM และ AI มาช่วยในการให้คำปรึกษา และช่วยออกแบบการทำ Prompt engineering ให้จะช่วยให้ธุรกิจนำเครื่องมือ LLM มาประยุกต์ใช้กับหน้าที่งานต่างๆ ได้อย่างตรงจุดมากยิ่งขึ้น

ผู้เชี่ยวชาญของเรายินดีให้คำปรึกษาตั้งแต่การเลือกใช้เครื่องมือ LLM และการทำ Prompt engineering ไปจนถึงการนำไปใช้งานให้ประสบผลสำเร็จ พูดคุย และปรึกษาผู้เชี่ยวชาญของเราได้ที่นี่