เวลาอยากให้ AI ทำงานแบบที่เราต้องการ มีสองทางหลักๆ: สอนมันใหม่ (fine-tuning) หรือ บอกมันตรงๆ ทุกครั้ง (prompting)
ลองนึกภาพร้านกาแฟที่เพิ่งเปิดสาขาใหม่ แล้วต้องฝึกพนักงานให้ชงกาแฟตามสูตรเฉพาะของร้าน
- Fine-tuning = ส่งพนักงานไปอบรมใหม่ทั้งเดือน จนเขาจำสูตรได้ขึ้นใจ ไม่ต้องดูคู่มืออีกต่อไป
- Prompting = แค่ยื่นคู่มือสูตรกาแฟให้พนักงานอ่านก่อนเข้ากะทุกวัน
ทั้งสองแบบทำให้พนักงานชงกาแฟถูกสูตรได้เหมือนกัน แต่วิธีการ ต้นทุน และความยืดหยุ่นต่างกันมาก
Prompting คืออะไร
Prompting คือการ “บอก” AI ในแต่ละครั้งที่คุยกันว่าอยากได้อะไร ต้องการรูปแบบไหน มีบริบทอะไรบ้าง
ตัวอย่างง่ายๆ ที่ทุกคนน่าจะเคยทำ:
“ช่วยเขียนอีเมลขอบคุณลูกค้า โทนเป็นทางการหน่อย ความยาวไม่เกิน 5 บรรทัด”
ทุกครั้งที่คุยกับ ChatGPT, Claude หรือ Gemini แล้วใส่คำสั่งแบบนี้ — นั่นคือ prompting ทั้งหมด
จุดเด่นของ prompting:
- ทำได้ทันที ไม่ต้องรอ ไม่ต้องเทรน
- แก้ไข/ปรับเปลี่ยนได้ตลอดเวลา แค่พิมพ์ใหม่
- ไม่ต้องมีข้อมูลจำนวนมาก แค่บอกให้ชัดก็พอ
- ต้นทุนแทบเป็นศูนย์ (ใช้ subscription เดิมที่มีอยู่แล้ว)
ข้อจำกัด:
- ต้อง “เตือนความจำ” AI ทุกครั้ง — ถ้าคุยยาวมากๆ อาจลืมคำสั่งแรกๆ ไปเลย
- ถ้าใช้ในระบบอัตโนมัติ (เช่น ทำแชทบอทลูกค้า) ต้องส่งคำสั่งยาวๆ ทุกครั้งที่เรียกใช้ ทำให้เสียค่าใช้จ่ายเพิ่ม
- บางพฤติกรรมที่ซับซ้อนมากๆ (เช่น สไตล์การเขียนเฉพาะตัว) พิมพ์บอกยังไงก็ไม่ตรงเป๊ะ
Fine-tuning คืออะไร
Fine-tuning คือการเอาโมเดล AI ที่มีอยู่แล้ว มา “ฝึกเพิ่ม” ด้วยข้อมูลตัวอย่างของเราเอง จนมันปรับพฤติกรรมให้ตรงกับสิ่งที่ต้องการโดยไม่ต้องบอกซ้ำทุกครั้ง
กลับไปที่ตัวอย่างร้านกาแฟ: แทนที่จะยื่นคู่มือให้พนักงานอ่านทุกวัน คุณส่งเขาไปอบรมเข้มข้นกับหัวหน้าเชฟ ให้ฝึกชงซ้ำๆ หลายร้อยแก้ว จนเขาจำสูตรได้เอง ไม่ต้องพกคู่มือติดตัวอีกต่อไป
ตัวอย่างการใช้งานจริง:
- บริษัทกฎหมายเทรน AI ด้วยเอกสารสัญญาเก่าหลายพันฉบับ ให้มันร่างสัญญาแบบเดียวกับที่บริษัทใช้มาตลอด
- แบรนด์ที่อยากให้ chatbot ตอบด้วยโทนเสียง (tone of voice) เฉพาะของแบรนด์ตัวเอง เทรนด้วยตัวอย่างบทสนทนาหลายพันคู่
- ทีมแพทย์เทรนโมเดลด้วยคำศัพท์ทางการแพทย์เฉพาะทาง ให้ตอบแม่นยำขึ้นในบริบทเฉพาะ
จุดเด่นของ fine-tuning:
- ไม่ต้องเขียนคำสั่งยาวๆ ทุกครั้ง โมเดล “รู้” พฤติกรรมที่ต้องการอยู่แล้ว
- แม่นยำและสม่ำเสมอกว่าในงานเฉพาะทาง
- ประหยัดต้นทุนระยะยาวถ้าเรียกใช้บ่อยมากๆ (ไม่ต้องส่ง prompt ยาวซ้ำๆ)
ข้อจำกัด:
- ต้องมีข้อมูลตัวอย่างจำนวนมาก (มักเป็นหลักร้อยถึงหลักพันตัวอย่างขึ้นไป)
- ใช้เวลาและต้นทุนสูงกว่ามาก ทั้งค่าประมวลผลและค่าดูแลระบบ
- แก้ไขยาก — ถ้าอยากเปลี่ยนพฤติกรรม ต้องเทรนใหม่ทั้งรอบ ไม่ใช่แค่พิมพ์คำสั่งใหม่
- ต้องมีความรู้ทางเทคนิคระดับหนึ่ง (หรือจ้างคนที่มี)
เปรียบเทียบแบบเห็นภาพ
| Prompting | Fine-tuning | |
|---|---|---|
| Analogy | ยื่นคู่มือให้อ่านก่อนทำงาน | ส่งไปอบรมใหม่ |
| ความเร็วเริ่มต้น | ทันที | เป็นวัน/สัปดาห์ |
| ต้นทุน | ต่ำมาก | สูง (ข้อมูล + ค่าเทรน) |
| ความยืดหยุ่น | เปลี่ยนได้ตลอดเวลา | ต้องเทรนใหม่ถึงจะเปลี่ยน |
| เหมาะกับ | งานทั่วไป, ทดลอง, ใช้คนเดียว | งานเฉพาะทาง, ใช้ซ้ำจำนวนมาก, ต้องการความสม่ำเสมอสูง |
แล้วควรเลือกอันไหน
เริ่มด้วย prompting เสมอ — เกือบทุกงานในชีวิตประจำวันแก้ได้ด้วยการเขียนคำสั่งให้ชัดเจนขึ้น ลองปรับคำสั่งหลายๆ แบบก่อน (เทคนิคนี้เรียกว่า prompt engineering) ส่วนใหญ่แล้วแค่นี้ก็เพียงพอสำหรับงานเกือบทั้งหมดที่เจอในชีวิตประจำวัน
พิจารณา fine-tuning เมื่อ:
- ใช้ prompting เต็มที่แล้วแต่ AI ยังตอบไม่ตรงสไตล์/มาตรฐานที่ต้องการ
- ต้องเรียกใช้ AI ในรูปแบบเดิมซ้ำๆ นับพันครั้งต่อวัน (ระบบอัตโนมัติ, chatbot, API)
- มีข้อมูลตัวอย่างคุณภาพดีจำนวนมากพอ (ไม่ใช่แค่ 10-20 ตัวอย่าง)
- มีงบและทีมเทคนิคที่ดูแลได้ต่อเนื่อง
สำหรับคนทั่วไปที่ใช้ ChatGPT, Claude หรือ Gemini คุยงานประจำวัน — แทบไม่มีความจำเป็นต้อง fine-tune เลย prompting ที่ดีพอก็เพียงพอแล้ว fine-tuning เหมาะกับองค์กรที่มีเคสใช้งานเฉพาะทางจริงๆ และมีทรัพยากรรองรับ
สรุป
Prompting คือการสื่อสารกับ AI ให้ชัดในแต่ละครั้ง ส่วน fine-tuning คือการเปลี่ยนพฤติกรรมพื้นฐานของ AI ไปเลย เหมือนความต่างระหว่างการยื่นคู่มือกับการฝึกพนักงานใหม่ทั้งเดือน
กฎง่ายๆ ที่จำได้เลย: ลองบอกตรงๆ ก่อน ถ้ายังไม่พอค่อยคิดเรื่องสอนใหม่