Artificial Genius พัฒนา LLM ที่แม่นยำบน AWS แก้ปัญหา Hallucination ในอุตสาหกรรมควบคุม

ช่วงนี้ LLM (Large Language Models) กำลังมาแรงสุด ๆ แต่สำหรับอุตสาหกรรมที่มีการควบคุมเข้มงวดอย่างการเงินหรือการดูแลสุขภาพ การนำมาใช้เต็มรูปแบบกลับเจอปัญหาใหญ่ที่เรียกว่า "Hallucination" หรือการสร้างข้อมูลที่ดูเหมือนจริงแต่ไม่ถูกต้อง ซึ่งเป็นเรื่องที่ยอมรับไม่ได้เลยในงานที่ต้องการความแม่นยำสูง

แต่ตอนนี้ Artificial Genius ซึ่งเป็น AWS ISV Partner ได้เข้ามาแก้ปัญหานี้แล้ว! พวกเขาได้พัฒนาโมเดลภาษาเจเนอเรชันที่สามบน AWS โดยใช้พลังของ Amazon SageMaker AI และ Amazon Nova เพื่อสร้าง LLM ที่ให้ผลลัพธ์แม่นยำและเชื่อถือได้ เรามาดูกันว่าทำไมโซลูชันนี้ถึงน่าสนใจและเหมาะกับใครบ้าง

เจเนอเรชันที่สามของ LLM คืออะไร?

Artificial Genius พลิกโฉมวงการด้วยการนำเสนอโมเดลภาษา 'เจเนอเรชันที่สาม' ที่มีคุณสมบัติพิเศษคือ "เป็นแบบ Probabilistic ในด้าน Input แต่ Deterministic ในด้าน Output" ฟังดูซับซ้อนใช่ไหม? อธิบายง่าย ๆ คือ โมเดลยังคงเข้าใจบริบทและความหมายของข้อมูลอินพุตที่หลากหลายแบบ Probabilistic เหมือนเดิม แต่พอถึงขั้นตอนการสร้างคำตอบ ผลลัพธ์ที่ได้จะถูกบังคับให้เป็นแบบ Deterministic หรือก็คือแม่นยำ ไม่ผิดเพี้ยน

หัวใจของแนวทางนี้คือสถาปัตยกรรมแบบไฮบริดที่ใช้ความสามารถในการสร้างของ Amazon Nova เพื่อทำความเข้าใจบริบท จากนั้นเสริมด้วยเลเยอร์ Deterministic สำหรับการตรวจสอบและสร้างเอาต์พุตที่แม่นยำ พูดง่าย ๆ คือ เอาข้อดีของการสร้างแบบไหลลื่นของ LLM มาผสมกับความแม่นยำแบบกฎเกณฑ์

Artificial Genius ยังใช้เทคนิคที่จดสิทธิบัตรแล้ว โดยทำการ Instruction Tuning บนโมเดลพื้นฐานของ Amazon Nova ผ่าน SageMaker AI วิธีนี้ช่วย "ตัด" ความน่าจะเป็นในการสร้างเอาต์พุตออกไป หลังจากฝึกโมเดลแล้ว ระบบจะบังคับให้การคาดเดาโทเค็นถัดไปเป็นแบบ "หนึ่ง" หรือ "ศูนย์" ที่แน่นอนเท่านั้น ทำให้โมเดลไม่สามารถ "แต่งเรื่อง" ที่ไม่มีอยู่จริงได้นั่นเอง ใครอยากอ่านรายละเอียดเชิงลึก สามารถดูได้ที่ บล็อก AWS Machine Learning เรื่อง LLM Hallucinations

เหนือกว่า RAG ทั่วไปได้ยังไง?

หลายคนอาจคิดว่า Retrieval Augmented Generation (RAG) เป็นทางออกสำหรับความแม่นยำของ LLM แต่ RAG ทั่วไปยังคงเป็นกระบวนการแบบ Generative และอาจสร้าง Vector Embeddings ที่ไม่เกี่ยวข้องกับการค้นหาในภายหลังได้

โซลูชันเจเนอเรชันที่สามนี้ได้ปรับปรุง RAG ไปอีกขั้น โดยจะฝังข้อความอินพุตและคำถามของผู้ใช้รวมเข้าเป็น Embedding เดียวกันอย่างมีประสิทธิภาพ ทำให้มั่นใจได้ว่าการประมวลผลข้อมูลจะมีความเกี่ยวข้องกับคำถามที่ถามโดยตรง ส่งผลให้ได้ความถูกต้องและความเกี่ยวข้องที่สูงกว่าวิธีการดึงข้อมูลด้วย Vector ทั่วไปมาก

เวิร์กโฟลว์ Agentic ที่ใช้งานง่าย

เพื่อช่วยให้องค์กรดึงมูลค่าสูงสุดจากข้อมูลที่ไม่มีโครงสร้าง Artificial Genius ได้รวมโมเดลนี้เข้ากับแพลตฟอร์ม Agentic Client-Server ที่เป็นมาตรฐานอุตสาหกรรม และพร้อมให้ใช้งานผ่าน AWS Marketplace

แพลตฟอร์มนี้รองรับเวิร์กโฟลว์แบบ Agentic ที่ผู้เชี่ยวชาญในสายงาน (ที่อาจจะไม่ใช่ผู้เชี่ยวชาญด้าน AI) สามารถตั้งคำถามในภาษาธรรมชาติ โดยใช้โครงสร้างแบบ Product Requirements Document (PRD) ซึ่งช่วยให้พวกเขาสามารถควบคุมเอาต์พุตได้อย่างเข้มงวด ที่น่าสนใจคือ มีการใช้โมเดล Amazon Nova Premier เพื่อช่วยแปล Prompt แบบ Free-form ให้เป็นรูปแบบ PRD สำหรับเวิร์กโฟลว์เหล่านี้ ทำให้การใช้งานง่ายขึ้นเยอะ! แม้ว่า Nova Premier จะเป็นโมเดล Generative แต่การใช้งานในจุดนี้เป็นเพียงจุดเดียวที่ต้องมีมนุษย์เข้ามาตรวจสอบ (Human-in-the-loop) ในเวิร์กโฟลว์ Agentic ทั้งหมด

ทำไมถึงสำคัญกับอุตสาหกรรมควบคุม?

ในอุตสาหกรรมที่ต้องมีการตรวจสอบและรับรองความถูกต้อง เช่น การเงิน การธนาคาร หรือการดูแลสุขภาพ ความผิดพลาดแม้เพียงเล็กน้อยก็อาจมีผลกระทบใหญ่หลวงได้ LLM ทั่วไปที่มีปัญหา Hallucination จึงเป็นอุปสรรคสำคัญในการนำ AI มาใช้กับระบบที่สำคัญ

โซลูชันของ Artificial Genius ช่วยให้โมเดล LLM สามารถ "เข้าใจ" ข้อมูลในระดับอัจฉริยะ แต่ทำงานด้วย "โปรไฟล์ความปลอดภัย" ที่จำเป็นสำหรับอุตสาหกรรมเหล่านี้ ทำให้ข้อมูลที่ได้นั้นแม่นยำ ตรวจสอบได้ และทำซ้ำได้ ซึ่งเป็นสิ่งสำคัญอย่างยิ่งสำหรับข้อกำหนดที่เข้มงวด

นี่คืออีกก้าวสำคัญที่ทำให้ AI เข้ามาช่วยงานในอุตสาหกรรมที่มีความต้องการสูงได้อย่างปลอดภัยและมีประสิทธิภาพมากขึ้น

อ่านต่อ: อยากรู้ว่า Artificial Genius ทำได้อย่างไร และมีตัวอย่างการใช้งานแบบไหนบ้าง คลิกอ่านรายละเอียดเพิ่มเติมได้ที่ บล็อก AWS Machine Learning เลย!